مدل‌سازی میانگین وزنی قطر خاکدانه‌ها با استفاده از شاخص‌های پوشش گیاهی در کاربری‌های مرتع و جنگل

نوع مقاله : مقاله کامل علمی پژوهشی

نویسندگان

1 گروه خاکشناسی، دانشکده کشاورزی، دانشگاه شهید چمران اهواز، اهواز، ایران

2 گروه خاکشناسی، دانشکده کشاورزی، دانشگاه شهید چمران اهواز-ایران

3 مربی گروه خاکشناسی، دانشکده کشاورزی، خاک دانشگاه شهید چمران اهواز، ایران

چکیده

چکیده
سابقه و هدف: پایداری خاکدانه‌ها از مهم‌ترین ویژگی‌های فیزیکی خاک است که برآورد آن با استفاده از ویژگی‌های زودیافت از اهمیت شایانی برخوردار است. همچنین پایداری خاکدانه‌ها به‌عنوان شاخصی از فرسایش‌پذیری خاک‌ها محسوب می‌شود که آگاهی از آن می‌تواند ابزاری کارآمد جهت مدیریت خاک در برابر عوامل تخریب خاک باشد. باتوجه‌به اهمیت شناسایی ویژگی‌های فیزیکی خاک و ارزیابی تأثیرات کاربری اراضی بر روی وضعیت پوشش گیاهی و نیز مدل‌سازی آن در نتیجه این پژوهش پایه‌ریزی و عملیاتی شد.
مواد و روش‌ها: این پژوهش در دو کاربری مرتعی و جنگلی واقع در حوضة آبریز دهدز در شمال شرق استان خوزستان انجام شد. برای استخراج شاخص‌های پوشش گیاهی، ابتدا تصاویر لندست 8 دریافت و سپس تصحیحات رادیومتریک به کمک نرم‌افزار ENVI 5.1 بر روی تصویر اعمال شد. شاخص‌های پوشش گیاهی مورد بررسی شامل شاخص نسبت پوشش گیاهی (RVI)، شماره شاخص پوشش گیاهی (VIN)، شاخص پوشش گیاهی تغییریافته (TVI)، شاخص زردی پوشش گیاهی (YVI)، خط پس‌زمینة خاک (SBL)، شاخص پوشش گیاهی تفاضلی (DVI)، شاخص نرمال‌شدة تفاضلی سبزی (NDGI)، شاخص سرخی (RI)، شاخص پوشش گیاهی تفاضلی نرمال شده (NDVI)، شاخص پوشش گیاهی عمودی (PVI)، شاخص پوشش گیاهی اصلاح شده با خاک (SAVI) و شاخص مقاومت اتمسفری پوشش گیاهی (ARVI) می‌باشند. خصوصیات 50 نمونة خاک شامل درصد کربن آلی، درصد شن، سیلت، رس و میانگین وزنی قطر خاکدانهها (MWD) طبق روش‌های استاندارد آزمایشگاهی تعیین شد. برای بررسی ارتباط شاخص‌های پوشش گیاهی با شاخص MWD از آنالیزهای همبستگی پیرسون و اسپلاین رگرسیون تطبیقی چندمتغیرة (MARS) استفاده گردید.
یافته‌ها: نتایج نشان می‌دهد که در کاربری مرتع، بین شاخص‌های VIN، TVI، MSAVI، RVI، SAVI، TSAVI، NDVI و PVI با شاخص MWD همبستگی معنی‌داری در سطح یک درصد وجود دارد. حال‌آنکه در کاربری جنگل بین شاخص‌های مورد بررسی هیچ‌گونه ارتباط معنی‌داری برقرار نبود. همچنین مدل‌سازی MARS نشان داد که مدل برازش یافته بر اساس شاخص‌های پوشش گیاهی در کاربری مرتع (Adjusted R-Sq. = 0.55, RMSE = 0.16) دارای قدرت و دقت پیش‌بینی بسیار بالاتری نسبت به مدل برازش یافته برای کاربری جنگلی (Adjusted R-Sq. = 0.35, RMSE = 0.36) است.
نتیجه‌گیری: در مجموع یافته‌های این پژوهش نشان می‌دهد که عوامل کنترل‌کنندة پایداری خاکدانه‌ها در کاربری مرتع و جنگل متفاوت می‌باشد. همین امر سبب تفاوت همبستگی بین شاخص‌های پوشش گیاهی و MWD و به‌تبع آن نتایج مدل‌سازی شده است. سنجش‌ازدور، می‌تواند زمینه‌ای را جهت بهره‌گیری از فناوری‌های نوین به‌منظور مدیریت پایدار منابع خاک و آب فراهم سازد. بدین ترتیب استفاده از فناوری‌های نوین می‌تواند بسترساز عملیاتی شدن سناریوهای مدیریتی پایدار محور باشد که ماحصل آن صیانت از منابع طبیعی است.

کلیدواژه‌ها

عنوان مقاله [English]

Modeling mean weight-diameter of aggregates based on vegetation indices in rangeland and forest land uses

نویسندگان [English]

  • Javad Khanifar 1
  • Ataallah Khademalrasoul 2
  • Hadi Amerikhah 3
1 Department of Soil Science, Faculty of Agriculture, Shahid Chamran University of Ahvaz, Ahvaz, Iran
2 Department of soil sciences, faculty of Agriculture, Shahid Chamran University, Ahvaz, Iran.
3 Instructor, Department of Soil Science, Faculty of Agriculture, Shahid Chamran University of Ahvaz, Ahvaz, Iran.
چکیده [English]

Extended Abstract
Introduction
Aggregate stability is one the most important soil physical properties, which is estimated using easily accessible parameters. Remote sensing (RS) is a useful technique that has meaningful capabilities to monitor soil and water resources. Moreover, soil aggregate stability is an index of soil erodibility which can be used as a useful tool to manage and control the soil against destructive factors. Therefore, it is really important to model the effective factors on soil aggregate stability. The present study conducted because of importance of soil physical properties and land use effects on crop cover status and its modeling.
Methods and material
In this research, the relation between vegetation indices and mean weight diameter (MWD) as an index of soil aggregate stability was investigated in forest and rangeland land uses. In order to evaluate the relation between land uses and vegetation indices in Dehdez watershed located in the southeast of Khuzestan Province, Iran country; the images of Landsat 8 with pass number 164 and the row of 38 provided from the Earth Explorer website with GeoTIFF format. The radiometric correction performed using ENVI 5.1 software. The evaluated vegetation indices including, RVI, VIN, TVI, YVI, SBL, DVI, NDGI, RI, NDI, NDVI, PVI, SAVI, TSAVI, ARVI ,and MSAVI. The Pearson correlation between the above vegetation indices and organic carbon, sand, silt, clay ,and mean weight diameter evaluated for 50 soil samples collected from two land uses. In this study, two type of land use, including forest and rangeland assessed. Pearson ´s correlation analysis and multivariate adaptive regression spline (MARS) applied to investigate the relation between vegetation indices and MWD.
Results
The results illustrated that in the rangeland, MWD had a significant correlation with VIN, TVI, MSAVI, RVI, SAVI, TSAVI, NDVI, and PVI indices at the level of 0.01. However, in the forest, there was no significant relation between the studied indices. Also, MARS modeling showed that the fitted model based on vegetation indices in rangeland (Adjusted R-Sq. = 0.55, RMSE = 0.16) has much higher predictive power and accuracy than the fitted model for forest (Adjusted R-Sq. = 0.35, RMSE= 0.36).
Conclusion
In general, the results of this study revealed that the controlling factors of soil aggregate stability are different for rangeland and forest land uses. This has led to differences in correlation coefficient between vegetation indices and MWD, and consequently modeling results. Also, remote sensing can provide convenient technology for providing the sustainable management purposes of soil and water resources. To cover the sustainability purposes in the watershed scale, it is necessary to utilize different technologies such as remote sensing. Indeed application of various techniques helps to simplify the processes and finally preserve the soil and water resources against degradable factors.

کلیدواژه‌ها [English]

  • Remote sensing (RS)
  • Vegetation indices (VIs)
  • land use
  • mean weight diameter (MWD)

مراجع

1.Alavi Panah, K. 2003. Application of remote sensing in GeoScience (Soil Science). Tehran University Press, 478p. (In Persian)
2.An, S.S., Darboux, F., and Cheng, M. 2013. Revegetation as an efficient means of increasing soil aggregate stability on the Loess Plateau (China). Geoderma, 209: 75-85.
3.Baret, E., Guyot, G., Begue, A., Morel, P., and Podaire, A. 1986. Etude de la complémentarité du moyen infrarouge avec le visible et le proche infrarouge pour le suivi de la végétation. Spectral Signatures of Objects in Remote Sensing. Pp: 409-412.
4.Boranam, S.L., and Yadav, S.K. 2018. NDVI-based vegetation changes and Seasonal variation In Semi-Arid region, Esri India User Conference, India.
5.Bronick, C.J., and Lal, R. 2005. Soil structure and management: a review. Geoderma, 124: 1. 3-22.
6.Caravaca, F., Lax, A., and Albaladejo, J. 2004. Aggregate stability and carbon characteristics of particle-size fractions in cultivated and forested soils of semiarid Spain. Soil and Tillage Research,
78: 1. 83-90.
7.Chamard, P., Courel, M.F., Ducousso, M., Guénégou, M.C., Le Rhun, J., Levasseur, J.E., and Togola, M. 1991. Utilisation des bandes spectrales du vert et du rougepour une meilleure évaluation des formations végétales actives. Télédétection et Cartographie, Pp: 203-209.
8.Deng, Z.Q., de Lima, J.L., and Jung, H.S. 2008. Sediment transport rate-based model for rainfall-induced soil erosion. Catena, 76: 1. 54-62.
9.Escadafal, R., and Huete, A.R. 1991. Étude des propriétés spectrales des sols arides appliquée à l'amélioration des indices de végétation obtenus par télédétection. CR Acad. Sci. Paris,312: 2. 1385-1391.
10.Fahmideh, S., Davari, M., Mosaddeghi, M.R., and Sharifi, Z. 2019. Performance evaluation of reflectance spectroscopy for estimation of soil organic carbon content in Zrebar lake watershed, Kurdistan province. Water Soil Cons. Res. J. 26: 6. 59-78. (In Persian)
11.Friedman, J.H. 1991. Multivariate adaptive regression splines. The annals of statistics, Pp: 1-67.
12.Hastie, T., Tibshirani, R., and Friedman, J. 2009. The elements of statistical learning: data mining, inference, and prediction. Springer Science & Business Media.
13.Hematzadeh, E., Barani, H., and Kabi, A. 2009. The role of vegetation management on surface runoff (Case study: Kechik catchment in north-east of Golestan Province). Water Soil Cons. Res. J. 16: 2. 19-33. (In Persian)
14.Hossieni Chamani, F., FarrokhianFiruzi, A., and Amerikhah, H. 2019. Pedotransfer Function (PTF) for Estimation Soil moisture using NDVI, land surface temperature (LST) and normalized moisture (NDMI) indices. Water and Soil Conservation Researches J. 26: 4. 239-254. (In Persian)
15.Huete, A.R. 1988. A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment, 25: 295-309.
16.Jackson, R.D., Pinter, P.J., Paul, J., Reginato, R.J., Robert, J., and Idso, S.B. 1980. Hand-held radiometry. Agricultural Reviews and Manuals ARM-W-19. Oakland, California: U.S. Department of Agriculture, Science and Education Administration.
17.Jannat Alipour, M., Kiani, F., Alipour, K. 2016. Study the relation between crop management factor in USLE and vegetation indices in loss slope lands (Case study: Wheat land in Tushen watershed). Soil and Water Conservation Researches J. 23: 1. 307-311. (In Persian)
18.Kaufman, Y.J., and Tanre, D. 1992. Atmospherically resistant vegetation index (ARVI) for EOS-MODIS. IEEE transactions on Geoscience and Remote Sensing, 30: 2. 261-270.
19.Kauth, R.J., and Thomas, G.S. 1976. The tasselled cap--a graphic description of the spectral-temporal development of agricultural crops as seen by Landsat. In LARS symposia. (159p).
20.Kember, W.D., and Rosenau, R.C. 1986. Aggregate stability and size distribution. P 425-441. In: A. Klute (ed) Methods of Soil Analysis. Part 1. American Society of Agronomy Monograph 9. Madison, WI.
21.Khanifar, J., and Khademalrasoul, A. 2020. The relationship between Bedrock geometry and soil solum at a regional scale. Geomorphometry 2020, Pp: 135-138.
22.McNairn, H., and Protz, R. 1993. Mapping corn residue cover on agricultural fields in Oxford County, Ontario, using Thematic Mapper. Canadian J. Rem. Sens. 19: 2. 152-159.
23.Neufeldt, H., Ayarza, M.A., Resck, D.V., and Zech, W. 1999. Distribution of water-stable aggregates and aggregating agents in Cerrado Oxisols. Geoderma, 93: 1-2. 85-99.
24.Nunes, A.N., De Almeida, A.C., and Coelho, C.O. 2011. Impacts of land use and cover type on runoff and soil erosion in a marginal area of Portugal. Applied Geography, 31: 2. 687-699.
25.Pearson, R.L., and Miller, L.D. 1972. Remote mapping of standing crop biomass for estimation of the productivity of the shortgrass prairie. In Remote sensing of environment, VIII
(1355p).
26.Qi, J., Chehbouni, A., Huete, A.R., Kerr, Y.H., and Sorooshian, S. 1994. A modified soil adjusted vegetationindex. Remote Sensing of Environment. 47: 1-25.
27.Richardson, A.J., and Wiegand, C.L. 1977. Distinguishing vegetation from soil background information. Photogrammetric engineering and remote sensing, 43: 12. 1541-1552.
28.Rouse, J.W., Haas, R.W., Schell, J.A., Deering, D.W., and Harlan, J.C. 1974. Monitoring the vernal advancement and retro gradation (green ware effect) of natural vegetation, Greenbelt, MD, USA, NASA/GSFCT, Type 3, Final Report.
29.Sruthi, S., and Aslam, M.M. 2015. Agricultural drought analysis using the NDVI and land surface temperature data; a case study of Raichur district. Aquatic Procedia, 4: 1258-1264.
30.Ternan, J.L., Elmes, A., Williams, A.G., and Hartley, R. 1996. Aggregate stability of soils in central Spain and the role of land management. Earth Surface Processes and Landforms, 21: 2. 181-193.
31.Tisdall, J.M., and Oades, J. 1982. Organic matter and water‐stable aggregates in soils. Europ. J. Soil Sci. 33: 2. 141-163.
32.Walkley, A., and Black, I.A. 1934. An examination of the Degtjareff method for determining soil organic matter, and a proposed modification of the chromic acid titration method. Soil Science,
37: 1. 29-38.
33.Zhang, W., and Goh, A.T. 2016. Multivariate adaptive regressionsplines and neural network modelsfor prediction of pile drivability. Geoscience Frontiers, 7: 1. 45-52.
34.Zhang, Z., Wei, C., Xie, D., Gao, M., and Zeng, X. 2008. Effects of land use patterns on soil aggregate stability in Sichuan Basin, China. Particuology,6: 3. 157-166.
35.Zanter, K. 2016. Landsat 8 (L8) data users handbook. Survey, Department of the Interior US Geological.
مجله پژوهش‌های حفاظت آب و خاک
دوره 27، شماره 6
بهمن و اسفند 1399
صفحه 201-214

فایل ها

هم رسانی

ارجاع به این مقاله

آمار