نوع مقاله : مقاله پژوهشی

نویسندگان

• علی اکبر نوروزی ¹
• مهدی همائی ²
• عباس فرشاد ³

¹ دانش‌آموختة دکتری گروه خاک‌شناسی دانشگاه تربیت مدرس

² استاد گروه خاک‌شناسی دانشکدة کشاورزی دانشگاه تربیت مدرس

³ استادیار دانشکدة علوم زمین دانشگاه توئنته هلند

چکیده

شوری خاک یکی از عوامل مهم محدودکنندة رشد گیاهان و تخریب اراضی است، لیکن مشاهدات زمینی برای تعیین شوری خاک بسیار زمان‏بر و پُر‏هزینه است. کاربرد مدل‏های پیش‏بینی و برآورد شوری خاک به کمک مدل‏های آمار مکانی در محیط سامانة اطلاعات جغرافیایی (GIS) در مقایسه با آمار کلاسیک، با توجه به فرایند پیچیدة آن، مناسب و نسبتاً ارزان است. در این پژوهش با استفاده از داده‏های هدایت الکتریکی خاک به‌دست‌آمده از 236 نقطه در دشت گرمسار به بررسی رابطة همبستگی بین مقادیر هدایت الکتریکی با 27 متغیر به‌دست‌آمده از تصاویر ماهواره‏ای لندست (شامل شاخص‏های پوشش گیاهی، شاخص شوری، باندهای 1 تا 7 ماهواره، شاخص مؤلفه‏های اصلی، و شاخص انتقال طیفی) اقدام گردید. به کمک روش تحلیل عاملی و شاخص شباهت در برنامة SPSS متغیر‏ها به سه دسته تقسیم شد و بر اساس بالاترین ضریب همبستگی (58_/0 و 60_/0)، دو مدل به‏ منظور پیش‏بینی شوری و تهیة نقشة هدایت الکتریکی خاک اشتقاق گردید. به موازات این کار، مدل‏های تخمینگر به ‏منظور تهیة نقشة شوری از اطلاعات نقاط نمونه‏برداری‌شده در محیط ArcGIS با استفاده از مدل آمار مکانی رگرسیون حداقل مربعات معمولی (OLSR) اشتقاق و نقشة خطای تخمین با استفاده از شاخص Morans تهیه شد. نتایج نشان داد میزان دقت مدل‏های به‌دست‌‌آمده از روش OLSR با مدل‏های حاصل از روش‏های آمار کلاسیک یکسان است. مزیت استفاده از روش‏های آمار مکانی ارائة نقشة مقادیر تخمینی شوری و توزیع مکانی خطای تخمین است. بر این اساس، مدل‏های آمار مکانی، افزون بر داشتن دقت مناسب، به ‏دلیل ارائة نقشة پراکنش نقاط، نقشة خطا، و عدم نیاز به تبادل اطلاعات بین نرم‌‏افزارهای مختلف نسبت به آمار کلاسیک برتری دارند.

کلیدواژه‌ها

• آمار کلاسیک
• آمار مکانی
• رگرسیون حداقل مربعات معمولی (OLSR)
• شاخص Morans

عنوان مقاله [English]

Estimating Topsoil Salinity from LANDST Data: A Comparison between Classic and Spatial Statistics

نویسندگان [English]

• Ali Akbar Noroozi ¹
• Mahdi Homaee ²
• Abbas Farshad ³

¹ PhD Graduated student, Department of Soil Science, Tarbiat Modares University; Tehran, Iran

² Professor, Department of Soil Science, Tarbiat Modares University; Tehran, Iran

³ Assistant Professor at ITC, Twente University, Enschede, Netherlands

چکیده [English]

Soil salinity is a limiting factor for plant growth and a serious cause of land degradation. Field sampling and statistical analysis for estimating soil salinity is expensive and time consuming. Estimating soil salinity by spatial statistical models and Geographic Information System (GIS) is recommended, because it saves labor and time. This study was conducted to evaluate the performance of spatial statistics with ordinary least square (OLS) incorporation with LANDSAT data to predict soil salinity. The electrical conductivity (EC) of 236 soil samples were collected from Garmsar plain at south east Tehran, Iran and were measured and correlated to 27 variables derived from LANDSAT images, including vegetation indices, salinity indices, bands 1 to 7, principal component analysis and tasseled cap indices. Using factor analysis and similarity index, these variables were divided into three components. Furthermore, two models for soil salinity estimation were derived, using the best correlation correlation coefficient (0.58 and 0.60) method. Simultaneously, soil salinity map was produced in ArcGIS by spatial statistics model ordinary least square (OLS) followed by derivation of the error map, calculated using Moran's index. The error map indicated that the spatial statistics models are superior to classic statistics methods, due to high accuracy in estimation and the fact that it doesn't require exchange information between different software programs

کلیدواژه‌ها [English]

• Ordinary Least Square (OLS)
• Morans' Index
• Classic Statistics
• spatial statistics