برآورد اجزاء بافت خاک در شرایط محدودیت پراکنش داده های زمینی به کمک داده‌های ماهواره ای (مطالعۀ موردی: مراتع حوضه آبخیز مرجن)

نوع مقاله : پژوهشی

نویسندگان

1 دانشجوی دکتری/گروه مهندسی طبیعت، دانشکده منابع طبیعی و علوم زمین، دانشگاه شهرکرد، شهرکرد، ایران

2 دانشیار/گروه مهندسی طبیعت، دانشکده منابع طبیعی و علوم زمین، دانشگاه شهرکرد، شهرکرد، ایران

3 دانشیار/ گروه مهندسی طبیعت، دانشکده منابع طبیعی و علوم زمین، دانشگاه شهرکرد، شهرکرد، ایران

چکیده

آگاهی از تغییرپذیری مکانی بافت خاک به­عنوان یکی از مهم­ترین مشخصه­های خاک برای مدیریت منابع آب و خاک، در راستای بهره­وری تولید و توسعه پایدار ضروری است. لیکن در بسیاری از مواقع با محدودیت داده­های زمینی به­دلیل هزینه­های زیاد آزمایش‌ها مواجه­ هستیم. هدف از این مطالعه برآورد بافت سطحی خاک ( درصد ذرات رس، سیلت و شن) در شرایط عدم پراکنش مناسب داده­های زمینی از طریق داده­های ماهواره­ای به روش مدل‌سازی رگرسیونی بود. در این راستا نمونه برداری از عمق 20-0 سانتی­متری خاک به‌روش تصادفی-سیستماتیک و به­تعداد 80 نمونه خاک برداشت شد. سپس با آنالیز آزمایشگاهی به روش هیدرومتری، درصد رس، سیلت و شن خاک تعیین شد. به­منظور پیش­بینی توزیع مکانی ذرات رس، سیلت و شن خاک از باندها و ترکیبات باندی طیفی داده­های ماهواره­ای لندست 8 مانند شاخص اندازه ذره (Grain size index)، شاخص رس (Clay Index)، نسبت باند 4 به 7، نسبت باند 6 به 7 و شاخص روشنایی (Brightness index ) و ویژگی‌های فیزیوگرافی از قبیل درصد شیب (Slope) و مدل رقومی ارتفاع (Digital elevation model) به­عنوان متغیرهای کمکی استفاده شد. 70 درصد داده­های میدانی برای پیش­بینی و 30 درصد داده­ها برای اعتبار­سنجی استفاده شد. نتایج نشان دادند از بین شاخص­های سنجش­ از دوری مورد استفاده، شاخص  GSIبا هر سه ترکیب خاک و CI با میزان سیلت و شن خاک ارتباط معنا­داری (05/0 ≤p) داشتند. از بین متغیرهای فیزیوگرافی، DEM با میزان سیلت و شن خاک و slope با رس و شن خاک همبستگی معناداری (05/0≤ p) داشتند و برای مدل­سازی اجزاء بافت خاک انتخاب شدند. از اینرو، شاخص­های سنجش­از دوری مانند GSI و CI را می­توان متغیر­های کمکی مناسب برای پیش­بینی مکانی اجزای بافت خاک در ترکیب با متغیرهای فیزیوگرافی، به ویژه در مواقعی که پراکنش نامناسب و یا محدودیت داده­های برداشت شده زمینی وجود دارد، معرفی کرد. بنابراین، نقشه های پیش­بینی شده اجزاء بافت خاک می­توانند به عنوان اطلاعات و دانش پایه برای مدیریت بهتر و مدل­سازی­های محیطی مورد استفاده قرار گیرند.

کلیدواژه‌ها


Adhikari, K., Guadagnini, A., Toth, G., & Hermann, T. (2009). Geostatistical analysis of surface soil texture from Zala County in western Hungary. International Symposium on Environment, Energy and Water in Nepal: Recent Researches and Direction for Future, Citeseer, Pp. 219-224.
Asadzadeh, F., Khosraviaqdam, k., Yaghmaeian Mahabadi, N., & Ramezanpour, H. (2019). Spatial Variation of Mineral Particles of the Soil using Remote Sensing Data and Geostatistics to the Soil Texture Interpolation. Journal of Water and Soil, 32(6), 1207-1222 (in Persian).
Boettinger, J.L., Ramsey, R.D., Bodily, J.M., Cole, N.J., Kienast_Brown S., Nield, S.J., Saundes, A.M., & Stum, A.K. (2008). Landsat spectral data for digital soil mapping. Pp. 193–203, In: Hartemink, A.E., McBratney, A.B., Mendonca Santos, M.L. (Eds.), Digital soil mapping with limited data. Springer science, Australia.
Brown, D.J., & Shepherd K.D., Walsh M.G., Mays M.D., and Reinsch, T.G. (2006). Global soil characterization with VNIR diffuse reflectance spectroscopy. Geoderma, 132(3-4), 273-290.
Broge, N.H., Thomsen, A.G., & Greve, M.H. (2004). Prediction of topsoil organic matter and clay content from measurements of spectral reflectance and electrical conductivity. Acta Agriculturae Scandinavica, Section B-Soil and Plant Science, 54(4), 232-240.
 Chagas, C.S., Junior, W.C., Bhering, S.B., & Filho, B.C. (2016). Spatial prediction of soil surface texture in a semiarid region using random forest and multiple linear regressions. Catena, 139, 232–240.
Castro-Franco, M., Domenech, M.B., Borda, M.R., & Costa, J.L. (2018). A spatial dataset of topsoil texture for the southern Argentine Pampas. Geoderma Regional, 12, 18–27.
Cole, S., Mikhailova, E., Post, C., Privette, C., Schlautman, M.A., & Cope, M. (2017). Comparing SSURGO data with geospatial field measurements to estimate soil texture and infiltration rate classes in glaciated soils. Communications in Soil Science and Plant Analysis, 48 (11), 1309–18.
Carvalho Junior, W., Lagacherie, P., Chagas, C.S., Calderano Filho, B., & Bhering, S.B. (2014). A regional-scale assessment of digital mapping of soil attributes in a tropical hillslope environment. Geoderma, 232, 479–486.
Cotching, W.E., Oliver, G., Downie, M., Corkrey, R., & Doyle, R.B. (2013). Land use and management influences on surface soil organic carbon in Tasmania. Soil Research, 51(8), 615–630.
Delbari, M., Afrasiab, P., & Loiskandl, W. (2011). Geostatistical analysis of soil texture fractions on the field scale. Soil and Water Resources, 6, 173–189.
Dobarco, M.R., Arrouays, D., Lagacherie, P., Ciampalini, R., & Saby, N.P.A. (2017). Prediction of topsoil texture for Region Centre (France) applying model ensemble methods. Geoderma,  298, 67–77.
Ge, Y., Thomasson, J.A., & Sui, R. (2011). Regression-kriging for characterizing soils with remote sensing data. Front Earth Science, 5(3), 239–244.
Gee, G.W., & Bauder, J.W. (1986). Particle-size Analysis. Pp. 383–411, In: Klute, A.(ed.), Methods of soil analysis. Physical and mineralogical methods. Agronomy Monograph 9 (2ed). American Society of Agronomy, Madison, WI.
Gozdowski, D., Stępień, M., Samborski, S., Dobers, E.S., Szatyłowicz, J., & Chormański, J. (2015). Prediction accuracy of selected spatial interpolation methods for soil texture at farm field scale. Soil Science Plant Nutrient, 15(3), 639–650.
Hengl, T., Heuvelink, G.B., Kempen, B., Leenaars, J.G., Walsh, M.G., Shepherd, K.D., Sila, A., MacMillan, R.A., de Jesus, J.M., Tamene, L., & Tondoh, J.E. (2015). Mapping soil properties of Africa at 250m resolution: random forests significantly improve current predictions. PLoS One, 10, 1–26.
Jeihouni, M., Alavipanah, S., Toomanian, A., & Jafarzadeh, A. (2020). Soil texture fractions modeling and mapping using LS-SVR algorithm. Desert, 25, 147-154.
Kavianpoor, H., Ouri, A.E., Jeloudar, Z.J., & Kavian, A. (2012). Spatial variability of some chemical and physical soil properties in Nesho Mountainous Rangelands. American Journal Environ Engineering, 2, 34-44.
Khan, S.R., Abbas, M.K. & Hussan, A.U. (2012). Effect of induced soil compaction on changes in soil properties and wheat productivity under sandy loam and sandy clay loam soils: A greenhouse experiment. Communications in Soil. Science and Plant Analysis, 43 (19), 2550–63.
Kettler, T.A., Doran, J.W., & Gilbert, T.L. (2001). Simplified method for soil particle-size determination to accompany soil-quality analyses. Soil Science Society of America Journal, 65, 849–852.
Khaledian, Y., & Miller, B.A. (2020). Selecting appropriate machine learning methods for digital soil mapping. Applied Mathematical Modelling, 81, 401–418.
Khosravi Aqdam, K., Miran, N., Mohammadi Khajelou, Y., Khosravi Aqdam, M., Asadzadeh, F., & Mosleh, Z. (2021). Predicting the spatial distribution of soil mineral particles using OLI sensor in northwest of Iran. Environmental Monitoring and Assessment, 193, 1-13.
Liao, K., Xu, S., Wu, J., & Zhu, Q. (2013). Spatial estimation of surface soil texture using remote sensing data. Soil Science Plant Nutrient, 59(4), 488–500.
Luo, C., Zhang, X., Wang, Y., Men, Z., Liu, H., (2022). Regional soil organic matter mapping models based on the optimal time window, feature selection algorithm and Google Earth Engine. Soil and Tillage Research, 219, 105-325.
Lopez-Granados, F., Jurado-Exposito, M., Pena-Barragan, J.M., & Garcia-Torres, L., (2005). Using geostatistical and remote sensing approaches for mapping soil proper­ties. European  Journal of Agronomy, 23, 279–289.
McBratney, A.B., Mendonça Santos, M.L., & Minasny, B. (2003). On digital soil mapping. Geoderma, 117, 3–52.
Mitran, T., Solanky, V., Suresh, G.J., Sujatha, G., Sreenivas, K., & Ravisankar, T. (2019). Predictive mapping of surface soil texture in a semiarid region of India through geostatistical modeling. Modeling Earth Systems and Environment, 5, 645-657.
Mikhailova, E.A., Post, C.J., Schlautman, J.M., Galbraith, M.A., & Zurqani, H.A. (2018). Usability of soil survey soil texture data for soil health indicator scoring. Communications in Soil Science and Plant Analysis, 49 (15), 1826–34.
Metternicht, G.I., & Zinck, J.A. (2003). Remote sensing of soil salinity: potentials and constraints. Remote Semsing Environmental. 85, 1–20.
Parviz, L. (2017). Evaluation the Preprocessing Effect of Satellite Images Input Parameters in to Artificial Neural Network for Soil Texture Determination. Applied Soil Research, 5(2), 66-80 (in Persian).
Pordel, F., Ebrahimi, A., & Azizi, Z. (2018). Canopy cover or remotely sensed vegetation index, explanatory variables of above-ground biomass in an arid rangeland, Iran. Journal of Arid Land, 11 (2), 166-178 (in Persian).
Pereira, P., Brevik, E.C., Oliva, M., Estebaranz, F., Depellegrin, D., Novara, A., Cerdà, A., & Menshov, O. (2017). Goal oriented soil mapping: applying modern methods supported by local knowledge. Pp. 61-83, In: Soil Mapping and Process Modeling for Sustainable Land Use Management. Elsevier.
Santra, P., Kumar, M., & Panwar, N. (2017). Digital soil mapping of sand content in arid western India through geostatistical approaches. Geoderma Regional, 9, 56–72.
Souza Junior, J.G., Demattê, J.A., & Araújo, S.R. (2011). Modelos espectrais terrestres orbitais na determinação de teores de atributos dos solos: potencial e custos. Bragantia, 70, 610–621
Sullivan, D.G., Shaw, J., & Rickman, D. (2005). IKONOS imagery to estimate surface soil property variability in two Alabama physiographies. Soil Science Society of America Journal, 69(6), 1789-1798.
Shahriari, M., Delbari, M., Afrasiab, P., & Pahlavan-Rad, M.R. (2019). Predicting regional spatial distribution of soil texture in floodplains using remote sensing data: A case of southeastern Iran. Catena, 182, 104-149.
Swain, S.R., Chakraborty, P., Panigrahi, N., Vasava, H.B., Reddy, N.N., Roy, S., Majeed, I., Das, B.S. (2021). Estimation of soil texture using Sentinel-2 multispectral imaging data: An ensemble modeling approach. Soil and Tillage Research, 213, 105-134.
Sadeghi, A. (2006). Statistical Analysis, SPSS 14. University Jahad Publications, Tehran (In Persian).
Tahmasebi, P., Ebrahimi, A., & Yarali, N.A. (2012). The Most Appropirate Quadrate Size and Shape for Determing Some Characteristics of a Semi-steppic Rangeland. Journal of Range and Watershed Management, Iranian Journal of Natural Resources, 65, 203-216.
Van Capelle, C., Schrader, S., & Brunotte, J. (2012). Tillage-induced changes in the functional diversity of soil biota - A review with a focus on German data. European Journal of Soil Biology, 50, 165–181.
Wetterlind, J., & Stenberg, B. (2010). Near‐infrared spectroscopy for within‐field soil characterization: small local calibrations compared with national libraries spiked with local samples. European Journal of Soil Science, 61(6), 823-843.
Wang, Y., Zhang, X., & Huang, C. (2009). Spatial variability of soil total nitrogen and soil total phosphorus under different land uses in a small watershed on the Loess Plateau, China. Geoderma, 150, 141–149.
Xiao, J., Shen, Y., Tateishi, R., & Bayaer, W. (2006). Development of topsoil grain size index for monitoring desertification in arid land using remote sensing. Remote Sensing, 27(12), 2411–2422.
Yang, R.M., Zhang, G.L., Liu, F., Lu, Y.Y., Yang, F., Yang, F., Yang, M., Zhao, Y.G., & Li, D.C. (2016). Comparison of boosted regression tree and random forest models for mapping topsoil organic carbon concentration in an alpine ecosystem. Ecological Indices, 60, 870–878.