شوری خاک یکی از معضلات جدی زیست‌محیطی است که خاک‌های مناطق خشک و نیمه‌خشک را تحت تأثیر قرار می‌دهد و در نتیجه بر بهره‌وری محصولات کشاورزی، دام‌ها، افزایش سطح فقر و تخریب زمین تأثیر می‌گذارد. سنجش از دور فراطیفی یکی از تکنیک‌های مهم برای پایش، تحلیل و تخمین میزان و شدت نمک خاک در مقیاس منطقه‌ای تا محلی است. در این مطالعه ما مدلی را برای تشخیص خاکهای متاثر از نمک در مناطق خشک و نیمه خشک و در مورد ما غنوش، گابس ایجاد می کنیم. ما از چهارده شاخص طیفی و شش باند طیفی استخراج‌شده از داده‌های Hyperion استفاده کردیم. در این مطالعه از روش خطی اختلاط طیفی (LSU) برای بهبود همبستگی بین هدایت الکتریکی و شاخص‌های طیفی و سپس بهبود پیش‌بینی شوری خاک و همچنین قابلیت اطمینان مدل استفاده شد. برای ساخت مدل از تحلیل رگرسیون خطی چندگانه با استفاده از بهترین شاخص‌های همبسته استفاده شد. خطای استاندارد برآورد حدود 1.57 mS/cm است. نتایج این مطالعه نشان می‌دهد که داده‌های هیپریون برای افتراق بین دسته‌های خاک‌های آلوده به نمک مناسب و دقیق است. مدل تولید شده می تواند برای استراتژی های مدیریتی در آینده مورد استفاده قرار گیرد.

کلید واژه ها

هایپریون ، عدم اختلاط طیفی خطی (LSU) ، شاخص های طیفی ، حقیقت زمین ، شوری خاک ، گاب

1. مقدمه

تخریب خاک در نتیجه تجمع بیشتر نمک در خاک یکی از مشکلات عمده زیست محیطی در مناطق خشک و نیمه خشک جهان است ([ 1 ] [ 2 ]). تأثیر شوری خاک عمدتاً نامطلوب است به ویژه در زمین‌های کشاورزی و در نتیجه باعث زیان‌های کشاورزی عظیم [ 3 ] و استاندارد پایین زندگی برای ساکنان محلی می‌شود که وسایل امرار معاش (معیشت) آنها عمدتاً به فعالیت‌های کشاورزی وابسته است ([ 4 ] [ 5 ]). جدا از شوری ناشی از انسان ناشی از روش های آبیاری نامناسب و سیستم زهکشی ضعیف ( [ 6 ] [ 7 ] [ 8 ])، عوامل اقلیمی مانند بارش کم، شوری خاک را تشدید می کند (9 ] – [ 15 ]). پدیده شور شدن بیش از پیش نگران کننده است. اگرچه برآوردهای شوری از نویسنده ای به نویسنده دیگر متفاوت است، مناطق تحت تأثیر عموماً یک میلیارد هکتار تخمین زده می شود که 7 درصد از کل سطح قاره ها را نشان می دهد [ 16 ]، 77 میلیون هکتار خاک های شور ناشی از فعالیت های انسانی است. درصد در مناطق آبی [ 17 ]. تونس، نمونه ای از کشوری از آب و هوای خشک تا نیمه خشک، نیز در معرض شوری خاک قرار گرفته است. حدود 10 درصد از مناطق تونس در حال حاضر تحت تأثیر شوری در درجات مختلف قرار دارند ( [ 18 ] [ 19 ]).

اگرچه چندین روش توسط بسیاری از محققان برای ارزیابی شوری خاک در منطقه نیمه خشک تونس استفاده شده است، مانند مطالعه ( [ 20 ] [ 21 ] [ 22 ] [ 23 ])، برخی از این مطالعات بر اساس اندازه گیری درجا و تجزیه و تحلیل آزمایشگاهی، که مطالعه بر روی پایش مکانی و زمانی میزان و شدت شوری خاک را به منظور اتخاذ اقدامات حفاظتی در برابر زوال بیشتر خاک ضروری می کند.

سایر نویسندگان از روش‌های سنتی برای ارزیابی، پایش و پیش‌بینی شوری خاک استفاده کردند، با این حال، این روش ارزیابی شوری پر زحمت و محدود به مناطق نمونه کوچک است، در نتیجه برای مناطق بزرگ نماینده نیست ([ 9 ] [ 19 ] [ 24 ]). با توجه به پیچیدگی پایش شوری خاک با استفاده از روش سنتی، داده‌های سنجش از دور (داده‌های چندطیفی و فراطیفی) همراه با تکنیک‌های زمین‌آماری، روش مناسبی برای پایش شوری خاک در تفکیک‌پذیری‌های مکانی و زمانی مختلف از مقیاس ملی تا منطقه‌ای بوده است. [ 1 ] [ 4 ] [ 25]). بسیاری از نویسندگان سودمندی ترکیب داده های سنجش از دور با اندازه گیری های حقیقت زمین را برای تشخیص شوری خاک نشان دادند ([ 26 ] [ 27 ] [ 28 ] [ 29 ]). روش اختلاط خطی طیفی (LSU) یکی از قابل اعتمادترین تکنیک ها برای پایش شوری خاک است ( [ 30 ] [ 31 ]). از اختلاط طیفی خطی برای تخمین کسر فراوانی مواد موجود در یک پیکسل تصویر (با استفاده از اعضای انتهایی) استفاده می‌شود تا در نهایت نقشه‌های فراوانی را که در ادامه کار بسیار مفید خواهند بود، بسازید.

به منظور پر کردن شکاف دانش، هدف کار حاضر ارزش‌گذاری تکنیک‌های مورد استفاده در زمینه سنجش از دور برای شناسایی مناطق تحت تأثیر شوری خاک در مناطق خشک و نیمه‌خشک تونس به‌ویژه در منطقه غنوش، گابس است. هدف ما ترکیب اندازه‌گیری در محل با داده‌های سنجش از دور (تصویر ماهواره‌ای فراطیفی) به منظور درک بهتر شدت شور شدن خاک با استفاده از رویکرد یکپارچه‌ای است که قادر به ترسیم و نقشه‌برداری مناطق آسیب‌دیده برای مدیریت صحیح زمین است، تا اطمینان حاصل شود که چنین مناطقی شکننده هستند. اکوسیستم در آینده به طور کامل تخریب نمی شود.

2. مواد و روشها

2.1. منطقه تحقیق

غنوش، گابس بین منطقه مدیترانه و صحرا قرار دارد. همانطور که در شکل 1 نشان داده شده است، در جنوب شرقی تونس واقع شده است و در عرض جغرافیایی 33˚56′ و طول جغرافیایی 10˚03′ قرار دارد. منطقه مورد مطالعه به دلیل منافع مهم کشاورزی آن در این منطقه و مشکلات زیست محیطی مرتبط با خاک مانند شوری انتخاب شد. از نظر ژئومورفولوژی، منطقه مورد مطالعه متعلق به دشت جفارا و به طور دقیق تر به ساحل جفارا (خلیج گابس) است [ 33]. غنوش، گابس، با موقعیت دریایی و دهانه آن در دریای مدیترانه، دارای آب و هوای خشک است. در طی سال واقعا هیچ بارندگی وجود ندارد. این آب و هوا بر اساس طبقه بندی اقلیمی کوپن-گایگر BWh در نظر گرفته می شود (B به آب و هوای خشکی اشاره دارد که تبخیر سالانه بیش از بارندگی سالانه است، W به معنای آب و هوای بیابانی و بارش سالانه کمتر از 50 درصد آستانه، h: آب و هوای خشک و گرم است. با میانگین دمای سالانه > 18 درجه سانتیگراد). متوسط ​​دما در غنوش 19.3 درجه سانتیگراد است، در حالی که آگوست با میانگین دمای سالانه 27.6 درجه سانتیگراد گرمترین ماه سال است. میانگین بارندگی سالانه 176 میلی متر است، در حالی که ژانویه سردترین ماه سال است و میانگین دما در ژانویه 10.9 درجه سانتیگراد است. تبخیر در این منطقه به دلیل شرایط آب و هوایی خشک نسبتاً بسیار زیاد است (بین 1500 میلی متر تا 2000 میلی متر).33 ]. بنابراین نمکی که پس از تبخیر آب بر روی خاک‌های بالایی باقی می‌ماند به سرعت تجمع می‌یابد و فرآیند شور شدن خاک را تسریع می‌کند. این واقعیت منجر به تجمع نمک در لایه های بالایی رسوبات Chott و تشکیل پوسته می شود [ 34 ].

2.2. پیش پردازش داده ها

برای ساخت مدل از 14 شاخص طیفی استفاده کردیم (این شاخص‌ها از شاخص‌های سنجش از دور مختلف (شدت، رنگ، شوری) همانطور که در جدول 1 نشان داده شده است ، باندهای طیفی از داده‌های Hyperion و اندازه‌گیری‌های حقیقت زمینی 102 نمونه (اندازه‌گیری‌های EC) ایجاد شده‌اند. مقدار نمک در لایه بالایی خاک (عمق 0 تا 10 سانتی متر).

داده هایپریون

Hyperion یک ابزار تصویربرداری فراطیفی با وضوح بالا است. Hyperion از سطح زمین در 240 باند طیفی به هم پیوسته با دقت رادیومتری بالا تصویربرداری می کند که منطقه را از 400 نانومتر تا 2.5 میکرومتر با وضوح فضایی 30 متر پوشش می دهد. تصاویر فراطیفی فرصت‌هایی را برای استخراج اطلاعات دقیق‌تر از آنچه که با استفاده از داده‌های چند طیفی سنتی ممکن است فراهم می‌کند [ 35 ]. اهمیت داده های فراطیفی در مطالعات مختلف همانطور که توسط [ 36 ] ذکر شد، آن را برای پایش محتوای نمک خاک در مناطق نیمه خشک مناسب می کند.

2.3. رویکرد یکپارچه پیشنهادی

با در نظر گرفتن پیچیدگی فرآیند شور شدن، شناسایی مناطق آسیب دیده نمک همچنان چالش برانگیز است. رویکرد ما تلاشی را برای پیش‌بینی مناطق آسیب‌دیده نمک در جنوب شرقی تونس از طریق چندین تکنیک سنجش از راه دور و زمین آماری نشان می‌دهد.

نمودار جریان در شکل 2 شرح ساده ای از مراحل متوالی دنبال شده در این تحقیق است.

نمونه‌های خاک در ماه مه و ژوئن 2010 جمع‌آوری شد که مربوط به تاریخ اکتساب داده‌های فراطیفی است. انتخاب فصل خشک برای جمع‌آوری نمونه‌ها با هدف افزایش تشخیص ویژگی‌های طیفی نمک در سطح در طول انباشت نمک در آن زمان خاص بود، زیرا نمک خاک در فصل خشک به دلیل مویینگی افزایش می‌یابد. تمام نمونه‌های مورد استفاده در این مطالعه حداقل 30 متر دور از اجسامی که به عنوان خاک تعریف نمی‌شوند (به عنوان مثال: درختان، خانه‌ها، خیابان‌ها و غیره) نشانه‌گذاری شده‌اند تا هرگونه نویز که می‌تواند بر امضای طیفی تأثیر بگذارد به حداقل برسد.

در تمام مکان های نمونه، یک روش خاص برای جمع آوری خاک استفاده شد. هر نمونه آنالیز شده از این کار ترکیبی از چهار نمونه خاک است. این 4 نمونه از 4 گوشه یک مربع (30 × 30) جمع آوری می شوند که مرکز آن مکان نمونه در نظر گرفته می شود شکل 3 ). ترکیبی از 4 نمونه خاک جمع آوری شده از 4 گوشه مربع، نمونه خاک در نظر گرفته شده برای آنالیز شیمیایی شکل 4 است. این مراحل برای همه نمونه‌ها اعمال شد تا نمایش نمونه‌ها در پیکسل تصویر Hyperion بهینه شود [ 37 ].

شوری در خاک سطحی با اندازه گیری هدایت الکتریکی (EC) تعیین می شود. 1/5 عصاره رقیق شده خاک/آب روش مناسبی است که در این مطالعه برای تخمین محتوای نمک خاک استفاده می شود. برای اندازه گیری EC نمونه های ما مراحل زیر انجام می شود: 1) خشک کردن نمونه ها، 2) الک (اندازه ذرات خاک کمتر از 2 میلی متر)، 3) هم زدن، 4) اندازه گیری pH و سپس 30 دقیقه استراحت. مقدار EC EC معمولاً بر حسب دسیمن در متر در دمای 25 درجه سانتی گراد (dS/m) بیان می شود.

ما از بیست شاخص با داده های Hyperion برای نقشه برداری از خاک آسیب دیده نمک استفاده کردیم. ما از یک همبستگی پیرسون بین شاخص‌های سنجش از دور و اندازه‌گیری‌های هدایت الکتریکی از میدان برای ارزیابی کارایی هر شاخص در توصیف شوری خاک استفاده کردیم. روش LSU برای تعیین فراوانی مواد در تصویر فراطیفی بر اساس سه نقشه فراوانی (پوشش گیاهی، خاک و شهرنشینی) استفاده شد. از LSU برای تشخیص اینکه آیا پیکسل هر نمونه نماینده خاک است یا خیر استفاده می شود. ما تمام پیکسل‌هایی را که مکان نمونه‌ها را نشان می‌دهند کاوش کردیم و سپس، تنها پیکسل‌هایی را که بیش از 50 درصد خاک را تشکیل می‌دهند (محاسبه‌شده از نقشه‌های فراوانی، همانطور که در نتایج بخش 3.1 توضیح داده شد) در نظر گرفتیم. این مرحله فقط برای اطمینان از اینکه امضای طیفی از نمونه عمدتاً از خاک ساطع می شود انجام شد. پس از آن، همبستگی بین EC و شاخص های سنجش از دور دوباره محاسبه می شود. تأثیر روش LSU در بخش 3.1 مورد بحث قرار گرفته است. رگرسیون خطی چندگانه (MLR) یک تکنیک آماری چند متغیره و یکی از پرکاربردترین تکنیک‌ها برای تعیین همبستگی بین یک متغیر پاسخ و ترکیبی از دو یا چند متغیر پیش‌بینی‌کننده است. چندین رگرسیون خطی چندگانه (MLR) در این مطالعه برای پیش‌بینی شوری خاک مورد بررسی قرار گرفته‌اند. کلیه عملیات آماری (محاسبه همبستگی، انجام MLR و انتخاب نمونه تصادفی) با استفاده از نرم افزار XlSTAT انجام شد. رگرسیون خطی چندگانه (MLR) یک تکنیک آماری چند متغیره و یکی از پرکاربردترین تکنیک‌ها برای تعیین همبستگی بین یک متغیر پاسخ و ترکیبی از دو یا چند متغیر پیش‌بینی‌کننده است. چندین رگرسیون خطی چندگانه (MLR) در این مطالعه برای پیش‌بینی شوری خاک مورد بررسی قرار گرفته‌اند. کلیه عملیات آماری (محاسبه همبستگی، انجام MLR و انتخاب نمونه تصادفی) با استفاده از نرم افزار XlSTAT انجام شد. رگرسیون خطی چندگانه (MLR) یک تکنیک آماری چند متغیره و یکی از پرکاربردترین تکنیک‌ها برای تعیین همبستگی بین یک متغیر پاسخ و ترکیبی از دو یا چند متغیر پیش‌بینی‌کننده است. چندین رگرسیون خطی چندگانه (MLR) در این مطالعه برای پیش‌بینی شوری خاک مورد بررسی قرار گرفته‌اند. کلیه عملیات آماری (محاسبه همبستگی، انجام MLR و انتخاب نمونه تصادفی) با استفاده از نرم افزار XlSTAT انجام شد.

2.3.1. داده هایپریون و پیش پردازش آن

داده های Hyperion شامل محدوده طیفی 356 – 2576 نانومتر در پهنای باند 10 نانومتر است. محصول رادیومتری سطح 1 مورد استفاده در این مطالعه دارای 242 باند است. از آنها فقط 198 کالیبره شده است، یعنی باند 8 تا 57 برای مناطق مرئی به مادون قرمز نزدیک (VNIR) و 77 تا 224 در مناطق مادون قرمز موج کوتاه (SWIR). همپوشانی بین صفحات کانونی VNIR و SWIR تنها 196 کانال منحصر به فرد را در دسترس قرار می دهد. تعداد کمی از باندها با نویز و رگه های غیرقابل قبول همراه با باندهای بین 1400 و 1900 نانومتر با جذب آب بالا از پردازش بعدی حذف شدند. از این رو، 178 گروه از 196 گروه منحصر به فرد انتخاب شدند. به منظور بازیابی انعکاس سطح با حذف اجزای جوی، تصحیح اتمسفر با استفاده از آنالیز اتمسفری خط دید سریع ENVI ماژول هایپرمکعب طیفی (FLAASH) انجام شد. پارامترهای لازم برای FLAASH توسط فراداده فایل های تصویری تعیین شد. در ماژول FLAASH، مدل اتمسفر به عنوان “تابستان میان عرض جغرافیایی” انتخاب شد، در حالی که “روستایی” به عنوان مدل آئروسل استفاده شد. کاهش ابعاد داده های Hyperion تصحیح شده با استفاده از تکنیک Minimum Noise Fraction (MNF) انجام شد [38 ]. تابع MNF نویزها را شناسایی می کند و سپس طبقه بندی باند را امکان پذیر می کند. تصاویر خروجی MNF دارای کیفیت تصویر به طور پیوسته در حال کاهش هستند. بر اساس مقادیر ویژه، ابتدا سیزده باند از 178 باند MNF انتخاب شدند، باندهای باقیمانده با مقادیر ویژه (<1) از پردازش بیشتر حذف شدند. باندهای انتخاب شده برای بازسازی داده های Hyperion تصحیح شده با MNF معکوس شدند. داده های Hyperion تصحیح شده جوی با ابعاد کاهش یافته برای استفاده بیشتر مورد استفاده قرار گرفت.

2.3.2. استخراج اعضای انتهایی

استخراج Endmember یکی از اساسی‌ترین و حیاتی‌ترین وظایف در بهره‌برداری از داده‌های ابرطیفی است و هدف نهایی استخراج عضو نهایی، یافتن خالص‌ترین پیکسل است. در این مطالعه ما از تابع شاخص خلوص پیکسل (PPI) روی باندهای انتخابی MNF برای شناسایی خالص‌ترین پیکسل‌های طیفی در داده‌های فراطیفی خود استفاده کردیم. PPI با طرح نمودارهای پراکندگی nD بر روی یک بردار واحد تصادفی محاسبه می شود. سپس از nD Visualizer برای مکان یابی، شناسایی و خوشه بندی خالص ترین پیکسل ها و شدیدترین اعضای انتهایی در یک مجموعه داده در فضای n بعدی استفاده می شود و از آنجا اعضای انتهایی خود را استخراج می کنیم.

2.3.3. تکنیک LSU

تجزیه و تحلیل مخلوط طیفی خطی (LSMA) یک تکنیک پرکاربرد در سنجش از دور برای تخمین کسر فراوانی مواد موجود در یک پیکسل تصویر است. برای اینکه یک برآوردگر مبتنی بر LSMA بتواند مقادیر دقیق فراوانی مواد را تولید کند، به طور کلی به دو محدودیت اعمال شده بر مدل مخلوط خطی مورد استفاده در LSMA نیاز دارد، که عبارتند از محدودیت فراوانی مجموع به یک و محدودیت فراوانی بدون منفی. محدودیت اول مستلزم این است که مجموع کسر فراوانی مواد موجود در یک پیکسل تصویر یک باشد و دومی محدودیتی را تحمیل می کند که این کسرهای فراوانی غیرمنفی باشند. در حالی که مقابله با محدودیت اول آسان است، اجرای محدودیت دوم دشوار است زیرا منجر به مجموعه ای از نابرابری ها می شود و تنها با روش های عددی قابل حل است. در نتیجه، اکثر روش‌های مبتنی بر LSMA بدون محدودیت هستند و راه‌حل‌هایی تولید می‌کنند که لزوماً کسر فراوانی واقعی مواد را منعکس نمی‌کنند. در این مورد، آنها را فقط می توان برای اهداف تشخیص مواد، تبعیض و طبقه بندی استفاده کرد، اما نه برای تعیین کمیت مواد [39 ].

سیگنال شناسایی شده همیشه ترکیبی از سیگنال‌های تولید شده توسط انواع مختلف تحت پوشش پیکسل است، به همین دلیل از روش LSU برای شناسایی تعداد اعضای انتهایی و سپس تخمین کسر فراوانی مواد موجود در یک پیکسل همانطور که در شکل 5 نشان داده شده است استفاده کردیم .

3. نتایج و بحث

3.1. ویژگی های طیفی ویژگی های زمین

شکل 6 رفتار طیفی خاک متاثر از نمک را در گابس، غنوش 4 نمونه با اندازه گیری های EC متفاوت نشان می دهد. مرئی، مادون قرمز نزدیک (NIR) و امواج کوتاه مادون قرمز (SWIR) مناطق طیفی بررسی شده ارائه شده توسط داده هایپریون هستند. نمایه های بازتابی از شکل 6 رتبه بندی طبقات شوری را نشان می دهد. در محدوده قابل مشاهده و NIR، چهار نمونه نشان داده شده در شکل 6 تمایز خوبی بین دسته های مختلف خاک های متاثر از نمک از داده های Hyperion نشان می دهد. بازتاب در تمام فواصل نشان می دهد که خاک کمی شور (رسانایی الکتریکی کم) پاسخ طیفی بالاتری نسبت به خاک های متاثر از نمک (رسانایی الکتریکی بالا) دارد.

3.2. تشخیص از راه دور شوری خاک از شاخص های طیفی

نقشه‌های فراوانی تولید شده در شکل 7 مقدار کسری مواد موجود در هر پیکسل را نشان می‌دهد. سه نقشه فراوانی (به عنوان مثال خاک، شهرنشینی و پوشش گیاهی) با استفاده از روش LSU ایجاد شد. این نقشه ها توزیع چگالی فضایی سه مولفه اصلی تشکیل دهنده منطقه مورد بررسی را نشان می دهد. نقشه فراوانی خاک غلبه خاک برهنه را در منطقه مورد مطالعه نشان می دهد. نقشه وفور پوشش گیاهی تراکم پوشش گیاهی بالایی را در شمال شرقی که در آن Oasis یافت می شود نشان می دهد. نقشه فراوانی شهرنشینی از روش LSU برای ترسیم مناطقی که سازه‌های ساخته شده توسط انسان در آن قرار داشتند، مفید بود، بنابراین از نمونه‌هایی از این منطقه هنگام ساخت رابطه MLR اجتناب شد.

در این مطالعه تصمیم گرفتیم با نمونه‌های پیکسلی که بیش از 50 درصد خاک دارند کار کنیم. ما تک تک نمونه های واقع در یک پیکسل حاوی کمتر از 50 درصد خاک را حذف کردیم و در نهایت به 32 نمونه رسیدیم.

هایپریون سطح زمین را در 240 باند طیفی به هم پیوسته تصویر می کند که شش تای آنها (B7: آبی، B14: سبز، B24: قرمز، B42: مادون قرمز، B117: SWIR1، B162: SWIR2) به عنوان شاخص شوری خاک در نظر گرفته شدند. یک همبستگی پیرسون بین مقادیر هدایت الکتریکی و باندهای طیفی Hyperion برای ارزیابی اینکه کدام بازه طیفی می‌تواند اطلاعات بیشتری در مورد ناحیه تحت تأثیر نمک نشان دهد، انجام شد.

مطابق شکل 8 ، در میان باندهای طیفی Hyperion، نوار آبی بیشترین همبستگی را نشان می دهد (r = 0.31). استفاده از LSU همبستگی را در بسیاری از شاخص های سنجش از راه دور اعمال شده در داده های Hyperion بهبود می بخشد. بهبود واضحی در نوار آبی وجود دارد که در آن همبستگی 25٪ افزایش می یابد. با این وجود، باند SWIR1 بعد از LSU همبستگی ضعیف تری را نشان داد.

شاخص‌های شدت همبستگی پایینی با EC نشان می‌دهند که بین 0.13 و 0.14 حتی پس از بهبود ایجاد شده توسط LSU متغیر است. از این رو، سه شاخص شدت مورد استفاده در این مطالعه پتانسیل تشخیص خاک متاثر از نمک را نشان نمی‌دهند. هنگام همبستگی شاخص‌های شوری انجام شده و EC نمونه‌های خاک، شاخص شوری 11 (SI11) و ASTER_SI بالاترین همبستگی را نه تنها در بین شاخص‌های شوری بلکه در بین همه شاخص‌های طیفی ایجاد می‌کنند.

در کار ما انجام شده است. SI11 و ASTER_SI جزو دسته‌ای از شاخص‌های شوری هستند که تنها SWIR1 و SWIR2 با هم ترکیب می‌شوند. این شاخص‌ها در مقایسه با سایر شاخص‌ها که از باندهای VNIR استفاده می‌شود، بیشترین همبستگی را نشان می‌دهند. این به دلیل عملکرد بالای نوارهای SWIR1 و SWIR2 در بازیابی الگوها و ویژگی‌های شوری خاک در منطقه مورد بررسی است. باندهای Hyperion VNIR همبستگی پایینی با EC نشان دادند. بنابراین، شاخص‌های شوری محاسبه‌شده از این باندها پتانسیل محدودی برای تشخیص شوری خاک دارند. وضوح مکانی پایین داده های Hyperion یکی از دلایل اصلی چنین همبستگی ضعیفی است. علاوه بر این، نمونه‌های جمع‌آوری‌شده نمی‌توانند به طور کامل معرف پیکسل‌ها باشند، زیرا نمونه تنها یک نقطه در پیکسل 30×30 متری مربوطه را نشان می‌دهد.

3.3. رگرسیون خطی چندگانه برای پیش بینی مناطق متاثر از نمک

یک مدل رگرسیون خطی چندگانه برای تخمین توزیع فضایی EC و پیش‌بینی مناطق متاثر از نمک استفاده شد. رگرسیون خطی چندگانه (MLR) معادله ای را ایجاد می کند که در آن یک یا چند متغیر مستقل (شاخص های طیفی که بهترین همبستگی را دارند) با ضرایب تخمینی معادله خطی ترکیب می شود تا در نهایت متغیر وابسته که EC است پیش بینی شود.

این مدل بر اساس داده‌های شاخص‌های شوری طیفی است که بهترین همبستگی (به عنوان متغیر پیش‌بینی‌کننده) و EC را از اندازه‌گیری‌های حقیقت زمینی (به عنوان متغیر پاسخ) نشان می‌دهد. بهترین رویکرد MLR یافت شده شامل ترکیبی از پیش‌بینی‌کننده‌های شوری SI11 و ASTER_SI است و برای مدل‌سازی رابطه تجربی بین هدایت الکتریکی (EC) و شوری خاک همانطور که توسط شاخص‌های طیفی نشان داده شده است، استفاده شد. برای ایجاد رابطه MLR، 80 درصد از نمونه ها به صورت تصادفی توسط نرم افزار انتخاب شدند. نمونه های باقی مانده برای اعتبار سنجی استفاده شد. انتخاب بهترین مدل بر اساس ضریب تعیین چندگانه (R2 ) محاسبه ^شده توسط مدل بود ([ 40 ] [ 41 ]).

بهترین مقدار R ² در خروجی رگرسیون نشان می دهد که تنها 58 درصد از تغییرات کل مقادیر EC پیش بینی شده را می توان با متغیرهای پیش بینی استفاده شده در این مدل همانطور که در شکل 9 نشان داده شده است توضیح داد .

رابطه تجربی رگرسیون با فرمول زیر ارائه می شود:

پیش بینی شده EC = – 1142.507 + 1177.782 × SI11 – 2947.849 × ASTER_SIPredictedEC=−1142.507+1177.782×SI11−2947.849×ASTER_SI(1)

معادله (1) بهترین رابطه تجربی MLR را نشان می دهد که بر اساس شاخص های طیفی SI11 و ASTER_SI است. این دو شاخص بیشترین و بهترین همبستگی را با EC از نظر حقیقت پایه نشان می دهند. ترکیب این شاخص‌های شوری به ایجاد یک رابطه تجربی MLR قابل اعتمادتر برای پیش‌بینی شوری در خاک کمک می‌کند. خطای استاندارد (همچنین به عنوان ریشه میانگین مربعات خطا نیز شناخته می شود) جذر میانگین مربع باقیمانده است.

مقادیر پیش‌بینی‌شده هدایت الکتریکی در نقاطی که محدوده شوری خاک‌های سالم را نشان می‌دهند، اغلب از مقادیر اندازه‌گیری‌های حقیقت زمین همانطور که در شکل 9 نشان داده شده است، بالاتر است.

انحراف استاندارد داده ها حدود 1.57 mS/cm است که به این دلیل است که رابطه تجربی بین مقادیر EC اندازه گیری شده و تخمینی تخمین بیش از حد مقادیر هدایت الکتریکی پیش بینی شده را نشان می دهد. این تخمین جزئی که در مقادیر پایین هدایت الکتریکی یافت می شود را می توان با تداخل بین شوری مناسب و سایر ویژگی های خاک که پیش بینی را مختل می کند توضیح داد. با این حال، برای نمونه‌هایی با هدایت الکتریکی بالا که اغلب از سبخا گرفته می‌شوند، عامل اصلی کنترل‌کننده شکل طیف، تناسب شوری است که کاهش مقادیر RMSE را با افزایش رسانایی الکتریکی توضیح می‌دهد.

4. نتیجه گیری

این مطالعه بر روی پتانسیل تکنیک LSU همراه با شاخص های سنجش از دور استخراج شده از داده های Hyperion در بهبود تشخیص مناطق آسیب دیده نمک در Ghannouch، Gabes متمرکز شده است. نتایج نشان داد که همبستگی ها پس از استفاده از روش LSU حتی اگر در حد متوسط ​​باقی بمانند به طرز قابل توجهی بهبود می یابند. این نشان می دهد که تکنیک LSU نقش مهمی در بازیابی اطلاعات دقیق تر در مورد شوری خاک دارد.

ضریب تعیین چندگانه متوسط ​​(R2 ⁼ 0.58) پس از اعمال مدل رگرسیون خطی چندگانه یافت شد که آن را برای ارزیابی شوری خاک در منطقه مورد مطالعه مناسب می‌کند. با این حال، چندین عامل و/یا شاخص‌های شوری خاک مانند تأثیر تغییر پوشش کاربری اراضی، پارامترهای آب و هوایی، فراوانی گونه‌ها، فعالیت‌های انسانی در میان سایر موارد، همراه با استفاده از تصاویر ماهواره‌ای با وضوح متوسط ​​تا بالا و یک مدل زمین‌آماری بهبودیافته مورد نیاز است. به منظور بهبود نتایج مطالعه برای استراتژی های مدیریت و اقدامات هشدار اولیه در آینده.

منابع

[ 1 ]	Allbed, A. and Kumar, L. (2013) نقشه برداری و پایش شوری خاک در مناطق خشک و نیمه خشک با استفاده از فناوری سنجش از دور: مروری. پیشرفت در سنجش از دور، 2، 373-385. https://doi.org/10.4236/ars.2013.24040
[ 2 ]	Gorji, T., Tanik, A. and Sertel, E. (2015) پیش بینی شوری خاک، پایش و نقشه برداری با استفاده از فناوری های مدرن. Procedia Earth and Planetary Science، 15، 507-512. https://doi.org/10.1016/j.proeps.2015.08.062
[ 3 ]	Reza, SO (2017) تشخیص و نقشه برداری شوری خاک سطحی، با استفاده از داده های ماهواره ای فراطیفی Hyperion Eo-1. سوسوره، 7، 32-44.
[ 4 ]	Gorji, T., Yildirim, A., Sertel, E. and Tanik, A. (2019) رویکردهای سنجش از دور و روش‌های نقشه‌برداری برای پایش شوری خاک تحت رژیم‌های آب و هوایی مختلف. مجله بین المللی محیط زیست و ژئوانفورماتیک (IJEGEO)، 6، 33-49. https://doi.org/10.30897/ijegeo.500452
[ 5 ]	Abuelgasim, A. and Ammad, R. (2019) نقشه برداری شوری خاک در منطقه خشک و نیمه خشک با استفاده از داده های ماهواره ای Landsat 8 OLI. کاربردهای سنجش از دور: جامعه و محیط زیست، 13، 415-425. https://doi.org/10.1016/j.rsase.2018.12.010
[ 6 ]	Zalacin, D., Silvia, M., Ramon, B., Andres, G. and Antonio, S. (2019) تجمع نمک در خاکها و گیاهان تحت آبیاری آب احیا شده در پارکهای شهری مادرید (اسپانیا). مدیریت آب کشاورزی، 213، 468-476. https://doi.org/10.1016/j.agwat.2018.10.031
[ 7 ]	زمان، م.، شهید، SA and Heng، L. (2018) سیستم آبیاری و مناطق توسعه شوری. In: Guideline for Salinity Assessment, Mitigation and Adaption Using Nuclear and Related Techniques, Springer, Cham, 105. https://doi.org/10.1007/978-3-319-96190-3
[ 8 ]	Liu, X., Feike, T., Chen, S., Shao, L., Sun, H. and Zhang, X. (2016) اثرات آبیاری شور بر تجمع نمک خاک و عملکرد دانه در گندم زمستانه- تابستان ذرت سیستم دوبار کشت در دشت پایین شمال چین. مجله کشاورزی یکپارچه، 15، 2886-2898. https://doi.org/10.1016/S2095-3119(15)61328-4
[ 9 ]	جورج، جی کی. و کومار، اس. (2015) سنجش از دور فراطیفی در مشخص کردن شدت شوری خاک با استفاده از تکنیک SVM-مطالعه موردی دشت های آبرفتی. مجله بین المللی سنجش از دور پیشرفته و GIS، 4، 1344-1360. https://doi.org/10.23953/cloud.ijarsg.122
[ 10 ]	صالح، AM (2017) سنجش از دور فراطیفی در مشخص کردن شدت شوری خاک با استفاده از تکنیک SVM: مطالعه موردی دشت آبرفتی عراق، 2017. مجله علوم آمریکایی، 13، 47-64.
[ 11 ]	Li, Y., Li, J. and Wen, J. (2017) آبیاری قطره ای با پساب فاضلاب باعث افزایش تجمع نمک در خاک، کاهش جریان شیره و افزایش عملکرد گوجه فرنگی شد. آبیاری و زهکشی، 66، 711-722. https://doi.org/10.1002/ird.2132
[ 12 ]	Feng, D., Zhang, J., Cao, C., Sun, J., Shao, L., Li, F., Dang, H. and Sun, C. (2015) تجمع نمک خاک و عملکرد محصول در شرایط طولانی آبیاری ترم با آب شور. مجله مهندسی آبیاری و زهکشی 141 04015025-1-7. https://doi.org/10.1061/(ASCE)IR.1943-4774.0000924
[ 13 ]	Shabbir, AS (2013) شوری خاک ناشی از آبیاری تحت سیستم های مختلف آبیاری: ارزیابی و مدیریت، یادداشت فنی کوتاه. چشم انداز تغییرات آب و هوا و سازگاری: مجله بین المللی، 1، 19-24.
[ 14 ]	Sakadevan, K. and Nguyen, M. (2010) میزان، تأثیر و پاسخ به شوری خاک و آب در مناطق خشک و نیمه خشک. پیشرفت در زراعت، 109، 55-74. https://doi.org/10.1016/B978-0-12-385040-9.00002-5
[ 15 ]	Vengosh, A. (2003) شوری و محیط های شور. رساله ژئوشیمی، 9، 1-35. https://doi.org/10.1016/B0-08-043751-6/09051-4
[ 16 ]	قاسمی، ف.، جیکمن، ای جی و نیکس، HA (1995) شوری منابع آب و زمین: علل انسانی، میزان، مدیریت و مطالعات موردی. CAB International، Wallingford، 544.
[ 17 ]	Metternicht، GI و Zinck، JA (2003) سنجش از دور شوری خاک: پتانسیل ها و محدودیت ها. سنجش از دور محیط زیست؛ 85، 1-20. https://doi.org/10.1016/S0034-4257(02)00188-8
[ 18 ]	Antipolis, S. (2003) Les menaces sur les sols dans les pays mediterraneens. پلان بلو، 80.
[ 19 ]	Fourati, TH, Bouaziz, M., Benzina, M. and Bouaziz, S. (2015) مدلسازی شوری خاک در یک منطقه نیمه خشک با استفاده از تحلیل طیفی. مجله عربی علوم زمین، 8، 11175-11182. https://doi.org/10.1007/s12517-015-2004-3
[ 20 ]	Bouksila, F., Bahri, A., Berndtsson, R., Persson, M., Rozema, J. and Van der Zee, SE (2013) Assessment of Soil Salinization Risks تحت آبیاری با آب شور در نیمه خشک تونس. گیاه شناسی محیطی و تجربی، 92، 176-185. https://doi.org/10.1016/j.envexpbot.2012.06.002
[ 21 ]	لواتی، د.، مجدوب، ر.، ریگان، ح.، و همکاران. (2018) اثرات آبیاری با آب شور بر شوری خاک (شرق تونس). مجله عربی برای علم و مهندسی، 43، 3793-3805. https://doi.org/10.1007/s13369-018-3215-1
[ 22 ]	Hachicha، M. و Aissa، IB (2014) مدیریت شوری در واحه های تونس. مجله علوم زیستی، 8، 775-782. https://doi.org/10.17265/1934-7391/2014.09.007
[ 23 ]	Boulbaba, A., Marzouk, L., Rabah, R. and Najet, S. (2012) تغییرات شوری طبیعی خاک در یک محیط خشک با استفاده از اثرات آب زیرزمینی بر شوری خاک در محیط های آبیاری شده در جنوب تونس. مجله بین المللی علوم زمین، 3، 1040-1047. https://doi.org/10.4236/ijg.2012.35105
[ 24 ]	Wang, J., Ding, J., Abulimiti, A. and Cai, L. (2018) تخمین کمی شوری خاک با استفاده از روشهای مدلسازی مختلف و طیف سنجی مادون قرمز مرئی-نزدیک (VIS-NIR)، تالاب دریاچه Ebinur، شمال غربی چین. PeerJ, 6, e4703. https://doi.org/10.7717/peerj.4703
[ 25 ]	Raheem, MA and Hatem, AJ (2019) محاسبه شاخص‌های شوری و رطوبت خاک در جنوب عراق – با استفاده از داده‌های تصویر ماهواره‌ای. انرژی پروسیدیا، 157، 228-233. https://doi.org/10.1016/j.egypro.2018.11.185
[ 26 ]	Bishop, TFA and McBratney, AB (2001) مقایسه روش‌های پیش‌بینی برای ایجاد نقشه‌های ویژگی خاک با وسعت مزرعه. ژئودرما، 103، 149-160. https://doi.org/10.1016/S0016-7061(01)00074-X
[ 27 ]	Bouaziz, M., Matschullat, J. and Gloaguen, R. (2011) تشخیص سنجش از دور شوری خاک از یک اقلیم نیمه خشک در شمال شرقی برزیل. Comptes Rendus Geoscience, 343, 795-803. https://doi.org/10.1016/j.crte.2011.09.003
[ 28 ]	Carré, F. and Girard, MC (2002) نقشه برداری کمی از انواع خاک بر اساس کریجینگ رگرسیون فواصل طبقه بندی با ویژگی های شکل زمین و پوشش زمین. ژئودرما، 110، 241-263. https://doi.org/10.1016/S0016-7061(02)00233-1
[ 29 ]	Nawar, S., Buddenbaum, H. and Hill, J. (2015) نقشه برداری دیجیتالی خواص خاک با استفاده از تجزیه و تحلیل آماری چند متغیره و داده های ASTER در یک منطقه خشک. سنجش از دور، 7، 1181-1205. https://doi.org/10.3390/rs70201181
[ 30 ]	Ghosh, G., Kumar, S. and Saha, SK (2012) داده های ماهواره ای فراطیفی در نقشه برداری خاک های متاثر از نمک با استفاده از آنالیز غیر اختلاط طیفی خطی. مجله انجمن هندی سنجش از دور، 40، 129-136. https://doi.org/10.1007/s12524-011-0143-x
[ 31 ]	Masoud, AA, Koike, K., Atwia, MG, El-Horiny, M. and Gemail, KS (2019) نقشه برداری شوری خاک با استفاده از تجزیه و تحلیل مخلوط طیفی تصاویر Landsat 8 OLI برای شناسایی عوامل مؤثر بر شوری شدن در یک منطقه خشک. International Journal of Applied Earth Observation and Geoinformation, 83, ID مقاله: 101944. https://doi.org/10.1016/j.jag.2019.101944
[ 32 ]	Bouaziz، MS (2010) شناسایی و خصوصیات Hydrogeologique و Geochimique De La Nappe Du Turonien Dans Le Sud Tunisien و Sa Relation Avec Les Aquiferes Adjacents. پایان نامه دکتری، دانشگاه اسفاکس.
[ 33 ]	جمایی، اس.، الوز، م. و ابیدا، ح. (2017) تغییرپذیری بارش در اقلیم های خشک با استفاده از رویکرد موجک: مطالعه موردی حوزه آبخیز گاب در جنوب شرقی تونس. Atmosphere, 8, 178. https://doi.org/10.3390/atmos8090178
[ 34 ]	Szabolcs, I. (1989) خاکهای متاثر از نمک. CRC Press، بوکا راتون.
[ 35 ]	Chen, Y., Zhao, X. and Jia (2015) طبقه بندی طیفی- فضایی داده های فراطیفی بر اساس شبکه باور عمیق. مجله IEEE از موضوعات منتخب در مشاهدات کاربردی زمین و سنجش از دور، 8، 2381-2392. https://doi.org/10.1109/JSTARS.2015.2388577
[ 36 ]	Bioucas-Dias, JM, Plaza, A., Dobigeon, N., Parente, M., Du, Q., Gader, P. and Chanussot, J. (2012) بررسی اجمالی عدم اختلاط فراطیفی: رگرسیون هندسی، آماری و پراکنده- رویکردهای مبتنی بر مجله IEEE از موضوعات منتخب در مشاهدات کاربردی زمین و سنجش از دور، 5، 354-379. https://doi.org/10.1109/JSTARS.2012.2194696
[ 37 ]	Bouaziz, M., Wijaya, A. and Gloaguen, R. (2011) نقشه برداری فرسایش خندقی از راه دور با استفاده از داده های ASTER و تجزیه و تحلیل ژئومورفولوژیکی در شکاف اصلی اتیوپی. علم اطلاعات جغرافیایی، 14، 246-254. https://doi.org/10.1007/s11806-011-0565-1
[ 38 ]	Psomas، A.، Kneubühler، M.، Huber، S.، Itten، K. و Zimmermann، NE (2011) سنجش از دور فراطیفی برای تخمین زیست توده بالای زمین و برای کاوش الگوهای غنای گونه‌ها در زیستگاه‌های علفزار. مجله بین المللی سنجش از دور، 32، 9007-9031. https://doi.org/10.1080/01431161.2010.532172
[ 39 ]	Heinz، DC (2001) روش تجزیه و تحلیل مخلوط طیفی خطی با حداقل مربعات کاملاً محدود برای تعیین کمیت مواد در تصاویر فراطیفی. IEEE Transactions on Geoscience and Remote Sensing, 39, 529-545. https://doi.org/10.1109/36.911111
[ 40 ]	دراپر، NR و اسمیت، H. (1998) تحلیل رگرسیون کاربردی. نسخه سوم، جان وایلی و پسران، شرکت، هوبوکن. https://doi.org/10.1002/9781118625590
[ 41 ]	Wijaya، A.، Liesenberg، V. و Gloaguen، R. (2010) بازیابی ویژگی های جنگل در جنگل های متوالی پیچیده اندونزی مرکزی: مدل سازی و تخمین داده های دو-زمانی. اکولوژی و مدیریت جنگل، 259، 2315-2326. https://doi.org/10.1016/j.foreco.2010.03.004