![سامانه نشر مجلات علمی دانشگاه تهران](./data/logo.png)
تعداد نشریات | 162 |
تعداد شمارهها | 6,578 |
تعداد مقالات | 71,072 |
تعداد مشاهده مقاله | 125,683,915 |
تعداد دریافت فایل اصل مقاله | 98,913,402 |
پایش وضعیت شوری خاک دشت سیستان با استفاده از دادههای زمینی و سنجش از دور | ||
تحقیقات آب و خاک ایران | ||
دوره 55، شماره 8، آبان 1403، صفحه 1297-1309 اصل مقاله (1.44 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22059/ijswr.2024.378077.669733 | ||
نویسندگان | ||
سعید سعادت* ؛ لیلا اسماعیل نژاد؛ حامد رضایی؛ رسول میرخانی | ||
بخش تحقیقات پایش و بهسازی خاک و آب، موسسه تحقیقات خاک و آب کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران | ||
چکیده | ||
یکی از مهمترین محدودیتهای کشت و کار در دشت سیستان، شوری خاک است. برای بررسی وضعیت شوری با استفاده از سنجش از دور در دشت سیستان، از تصاویر ماهواره لندست 8 (LC08-LOI/TIRS) در چهار زمان فروردین، مرداد و آبان سال 1397 و نیز فروردین 1398 استفاده شد. پردازش اولیه برای اصلاح مربوط به تغییر ولتاژ به عدد رقومی (DN) برای تبدیل دادههای رادیانس، توسط فایل واسنجی سنجنده و اصلاح رادیومتریک دادهها با استفاده از روش پهنه مسطح در نرمافزار ENVI 5.1 انجام شد. برای تعیین نقاط نمونهبرداری خاک ابتدا شبکه 2×2 کیلومتر ترسیم و سپس با مراجعه به منطقه و بررسی محل نمونهبرداری، تعداد 312 نمونه خاک گرفته شد و مقادیر شوری (EC)، نسبت جذب سدیم (SAR) و نیز بافت در آنها اندازهگیری شدند. با پردازش ثانویه، استخراج ویژگیهای طیفی تصاویر ماهوارهای و بهرهگیری از الگوریتمها و شاخصهای متعدد، نقشه شوری برای خاکهای سطحی منطقه در چهار زمان تهیه گردید. نتایج بررسی دورسنجی نشان داد که شوری خاک سطحی در منطقه پدیدهای پویا بوده و با تغییرات فصل، بارش، آبیاری و مدیریت اراضی، تغییرات قابلتوجهی دارد. نتایج حاصل از تفسیر تصاویر ماهوارهای نشان داد که زمان، رویدادهای بارشی فصل کاشت و مدیریت آب و خاک بر شوری خاک و مساحت سرزمینهای دارای شوری مختلف، تأثیری قابل توجه دارد. وسعت خاکهای با شوری زیاد در فصل تابستان افزایش، ولی در فروردین 98 (98/0=MBE، 56/17%=NRMSE، 69/0=R2) که مصادف با نمونهبرداریهای بود، بهدلیل بارندگیها و سیل در این مناطق، از این وسعت کاسته شد. | ||
کلیدواژهها | ||
تغییرپذیری؛ شاخص شوری؛ لندست؛ ویژگی های خاک؛ هدایت الکتریکی | ||
مراجع | ||
Abuelgasim, A., Rubab Ammad, R. )2019(. Mapping soil salinity in arid and semi-arid regions using Landsat 8 OLI satellite data. Remote Sensing Applications: Society and Environment , 13, 415-425, doi.org/10.1016/j.rsase.2018.12.010 Ahmad A., and Quegan S. (2012). Analysis of maximum likelihood classification on multispectral data. Applied mathematical sciences, 6 (129): 6425-6436. Al-Ali, Z., Bannari, A. Hameid, N. & El-Battay A. (2019). "Physical Models for Soil Salinity Mapping Over Arid Landscape Using Landsat-Oli and Field Data: Validation and Comparison," IGARSS 2019 - 2019 IEEE International Geoscience and Remote Sensing Symposium, Yokohama, Japan, 2019, pp. 7081-7084, doi: 10.1109/IGARSS.2019.8900080. Al-Khuzaie, M.M, Abdul Maulud K.N, & Taib A.M. (2022). Soil Salinity Monitoring and Quantification Using Modern Techniques. Journal of Ecological Engineering: 23(11), 57–67 Bandak, S., Movahedi-Naeini, S.A., & Mehri, S. (2024). A longitudinal analysis of soil salinity changes using remotely sensed imageries. Sci Rep, 14, 10383. Du, D.; He, B.; Luo, X.; Ma, S.; Song, Y.; &Yang, W. (2024). Spatio-Temporal Variation Analysis of Soil Salinization in the Ougan-Kuqa River Oasis of China. Sustainability, 16, 2706. doi.org/ 10.3390/su16072706 Elshewy, M.A., Mohamed, M.H.A. & Refaat, M. (2024). Developing a Soil Salinity Model from Landsat 8 Satellite Bands Based on Advanced Machine Learning Algorithms. J Indian Soc Remote Sens, 52, 617–632. doi.org/10.1007/s12524-024-01841-1 Gorji, T., Yildirim, A., Hamzehpour, N., &Tanik ElifSertel, A. (2020). Soil salinity analysis of Urmia Lake Basin using Landsat-8 OLI and Sentinel-2A based spectral indices and electrical conductivity measurements. Ecological Indicators, 12, 106173. Guo, Y.; Shi, Z.; Li, H.Y.; & Triantafilis, J. (2013). Application of Digital Soil Mapping Methods for Identifying Salinity Management Classes Based on a Study on Coastal Central China. Soil Use Manag., 29, 445–456. Khan NM, Rastoskuev VV, Sato Y, & Shiozawa S. (2005). Assessment of hydrosaline land degradation by using a simple approach of remote sensing indicators. Agricultural Water Management, 77(1): 96-109. Liu, X., J. Peterson, Z. Zhang, & S. Chandra, (2005). Improving soil salinity prediction with high resolution DEM derived from LIDAR data, The 9th International symposium on physical measurements and Signature in Remote sensing, China. Masoud, A.A., & K. kike, (2006). Arid land salinization detected by remotely-sensed landcover changes, A case study in the Siwa region, NW Egypt, Journal of Arid Environments, 66,151-167. Pandam Consulting Engineers. (2016). Soil permeability report using double cylinder method, Nimroz area, construction unit 3. (In Persian) Sisodia P. S, Tiwari V.and A. Kumar. (2014). Analysis of Supervised Maximum Likelihood Classification for remote sensing image, International Conference on Recent Advances and Innovations in Engineering (ICRAIE-2014), Jaipur, 2014, pp. 1-4. Sulieman, M.M.; Kaya, F.; Elsheikh, M.A.; Başayiğit, L.; & Francaviglia, R. (2023). Application of Machine Learning Algorithms for Digital Mapping of Soil Salinity Levels and Assessing Their Spatial Transferability in Arid Regions. Land, 12, 1680. doi.org/10.3390/land12091680 Tehran water and soil consulting engineers. (2015). Design and construction (EPC) of water transfer and distribution to the lands of Sistan, Zabol area - civil engineering unit 1, Soil science, layering, hydraulic conductivity and soil permeability report. (In Persian) Wang N, Chen S, Huang J, Frappart F, Taghizadeh R, Zhang X, Wigneron JP, Xue J, Xiao Y, Peng J,. (2024).. Global Soil Salinity Estimation at 10 m Using Multi-Source Remote Sensing. J. Remote Sens. 4, 0130. doi.org/10.34133/ remotesensing.0130 Wu W., Ahmad S., & MhaimeedbWaleed M. (2014). Mapping soil salinity changes using remote sensing in Central Iraq. Geoderma Regional, (2–3): 21-31, doi.org/10.1016/j.geodrs.2014.09.002 Wu, J, Vincent, B , Yang, J., Bouarfa, S., & Vidal, A. (2008). Remote Sensing Monitoring of Changes in Soil Salinity: A Case Study in Inner Mongolia, China, Sensors, 8 (11):7035-7049. doi: 10.3390/s8117035 Xiao, S., Nurmemet, I. & Zhao, J. (2024). Soil salinity estimation based on machine learning using the GF-3 radar and Landsat-8 data in the Keriya Oasis, Southern Xinjiang, China. Plant Soil, 498, 451–469. doi.org/10.1007/s11104-023-06446-0 | ||
آمار تعداد مشاهده مقاله: 120 تعداد دریافت فایل اصل مقاله: 117 |