مدلسازی شوری خاک شبکه آبیاری و زهکشی گتوند-عقیلی با استفاده از تصویر ماهواره لندست 8 و رگرسیون های OLS و Ridge

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجو دکتری آبیاری و زهکشی، دانشکده مهندسی علوم آب، دانشگاه شهید چمران اهواز

2 استاد گروه آبیاری و زهکشی، دانشکده مهندسی علوم آب، دانشگاه شهید چمران اهواز

3 استادیار گروه آبیاری و زهکشی، دانشکده مهندسی علوم آب، دانشگاه شهید چمران اهواز

چکیده

شور شدن خاک یکی از اساسی‌ترین مشکلات بخش کشاورزی و یکی از اصلی‌ترین دلایل کاهش عملکرد محصولات کشاورزی محسوب می‌شود. در این مطالعه با استفاده از تصویر ماهواره لندست 8 و اطلاعات 121 نمونه خاک برداشت شده از سطح شبکه و همچنین به‌کارگیری شاخص‌های شوری و رگرسیون‌های خطی چندگانه (با تخمین‌گر OLS) و ریچ شوری خاک سطحی شبکه آبیاری و زهکشی گتوند-عقیلی مدل‌سازی و نقشه شوری خاک رسم شد. نتایج نشان داد بین باندهای سنسور OLI ماهواره لندست 8 و هدایت الکتریکی نمونه‌های خاک همبستگی معنی‌دار وجود دارد و بالاترین همبستگی مربوط به باند قرمز است. همچنین بین شاخص‌های شوری و هدایت الکتریکی نمونه‌ها نیز همبستگی معنی‌دار شناسایی شد. نتایج به‌دست آمده از مدل رگرسیونی OLS حاکی از توانایی این مدل در آشکارسازی % 48 از تغییرات شوری خاک شبکه است، اما با توجه به شاخص عامل تورم واریانس مشخص شد که متغیرهای مستقل مدل OLS دارای هم‌خطی هستند. در مقابل نتایج رگرسیون ریچ نشان داد که این روش توانایی بالایی در حذف هم‌خطی متغیرهای مستقل دارد. با رسم نقشه‌های دو مدل رگرسیونی ‌OLS و ریچ میانگین شوری خاک شبکه به‌ترتیب 8/5 و 5/4 دسی‌زیمنس بر متر برآورد گردید. همچنین براساس مدل رگرسیونی ریچ به‌ترتیب %33 و %15 از مساحت شبکه در کلاس‌های تقریباً شور و شور قرار گرفتند. علاوه بر این طبق نقشه شوری مدل رگرسیونی OLS، %6 از مساحت شبکه در کلاس کاملاً شور قرار گرفت.

کلیدواژه‌ها


عنوان مقاله [English]

Modeling Gotvand-Aghili irrigation and drainage network soil salinity by using Landsat-8 image and OLS and Ridge regressions

نویسندگان [English]

  • Hossein Rahmati 1
  • Saeed Boroomand Nasab 2
  • Zahra Izadpanah 3
  • Mohammad Albaji 3
1 PhD Candidate of Irrigation and Drainage Engineering, Faculty of Water Science Engineering, Shahid Chamran University of Ahvaz, Ahvaz
2 Professor, Department of Irrigation and Drainage Engineering, Faculty of Water Science Engineering, Shahid Chamran University of Ahvaz
3 Assistant professor, Department of Irrigation and Drainage Engineering, Faculty of Water Science Engineering, Shahid Chamran University of Ahvaz
چکیده [English]

Soil salinization is one of the main obstacles in the agriculture sector and one of the main factors of crop yield reduction. In this study, a Landsat-8 image and extracted data of 121 soil samples from network surface were utilized and soil salinity indices, multiple linear regression with ordinary least square and Ridge regression were applied so that Gotvand-Aghili irrigation and drainage network soil salinity was modeled and soil salinity map was finally prepared. The results indicated that there is a significant correlation between bands of Landsat-8 Operational Land Imager (OLI) sensor and electrical conductivity of soil samples and the red band had the highest correlation. Furthermore, the findings revealed a significant correlation between salinity indices and electrical conductivity of soil samples. The results of OLS regression model further disclosed that this model was able to represent 48% of the network soil salinity variation, however, according to the variance inflation factor, independent variables of OLS model enjoyed multicollinearity. Conversely, the results of Ridge regression illuminated that this approach has a high ability for removing multicollinearity of independent variables. By mapping OLS and Ridge regression models, the average soil salinity of the network assessed 5.8 and 4.5 ds/m, respectively. Moreover, according to Ridge regression model, 33% of the network area was classified as moderately saline while 15% of it would fall into a strongly saline class. Also, based on the salinity map of OLS regression model, 6% of the network area was categorized as very strongly saline class.

کلیدواژه‌ها [English]

  • Inflation factor variance
  • Multicollinearity
  • Salinity indices
  • Soil Salinity Classes
ثنایی‌نژاد، س. ح.، آستارایی، ع.، قائمی، م.، میرحسینی، پ. 1390. بررسی قابلیت تصاویر ماهواره لندست ETM+ در مطالعات شوری خاک. پژوهشهای زراعی ایران. 9. 3: 348-355.

جعفری، م.، دین‌پژوه، ی.، اسدی، ا. 1394. آشنایی با رگرسیون خطی چندگانه و استفاده از آن در شبیه سازی مقادیر تبخیر روزانه تشت. آب و توسعه پایدار. 2. 2: 67-76.

سازمان تحقیقات، آموزش و ترویج کشاورزی، 1394. ویژه‌نامه پژوهش و فناوری، 52 صفحه.

علوی پناه، س. ک.  1382. کاربرد سنجش از دور در علوم زمین (علوم خاک). دانشگاه تهران. 496 صفحه.

محمودی، ف.، جعفری، ر.، کریم‌‌زاده، ح.، رمضانی، ن. 1394. پهنه‌بندی شوری خاک‌های منطقه جنوب ‌شرق استان اصفهان با‌ استفاده از داده‌های زمینی و سنجنده TM ماهواره‌ای. مجله علوم آب و خاک. 19. 71: 31-45.

نوری، ح.، دیهول، م.، وظیفه‌دوست، م.، نوروزی، ع. 1395. بررسی بلندمدت تغییرات مکانی و زمانی شوری خاک در شبکه آبیاری و زهکشی گرمسار. تحقیقات آب و خاک ایران. 47. 3: 449-457.

Allbed, A., Kumar, L., Sinha, P., 2014. Mapping and Modelling Spatial Variation in Soil Salinity in the Al Hassa Oasis Based on Remote Sensing Indicators and Regression Techniques. Remote Sens. 6, 1137–1157.

Azabdaftari, A., Sunar, F., 2016. SOIL SALINITY MAPPING USING MULTITEMPORAL LANDSAT DATA. ISPRS - Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci. XLI-B7, 3–9.

Barsi, J.A., Lee, K., Kvaran, G., Markham, B.L., Pedelty, J.A., 2014. The spectral response of the Landsat-8 operational land imager. Remote Sens. 6, 10232–10251.

Chokmani, K., Ouarda, T.B.M.J., Hamilton, S., Ghedira, M.H., Gingras, H., 2008. Comparison of ice-affected streamflow estimates computed using artificial neural networks and multiple regression techniques. J. Hydrol. 349, 383–396.

Dehni, A., Lounis, M., 2012. Remote Sensing Techniques for Salt Affected Soil Mapping: Application to the Oran Region of Algeria. Procedia Eng. 33, 188–198.

Ding, J., Yu, D., 2014. Monitoring and evaluating spatial variability of soil salinity in dry and wet seasons in the Werigan-Kuqa Oasis, China, using remote sensing and electromagnetic induction instruments. Geoderma 235–236, 316–322.

Douaoui, A.E.K., Nicolas, H., Walter, C., 2006. Detecting salinity hazards within a semiarid context by means of combining soil and remote-sensing data. Geoderma 134, 217–230.

El Harti, A., Lhissou, R., Chokmani, K., Ouzemou, J., Hassouna, M., Bachaoui, E.M., El Ghmari, A., 2016. Spatiotemporal monitoring of soil salinization in irrigated Tadla Plain (Morocco) using satellite spectral indices. Int. J. Appl. Earth Obs. Geoinf. 50, 64–73.

Fan, X., Liu, Y., Tao, J., Weng, Y., 2015. Soil salinity retrieval from advanced multi-spectral sensor with partial least square regression. Remote Sens. 7, 488–511.

Field, A., 2009. DISCOVERING STATISTICS USING SPSS THIRD EDITION, Ovarian Cancer. Springer New York, New York, NY.

Goeman, J.J., 2008. Autocorrelated logistic ridge regression for prediction based on proteomics spectra. Stat. Appl. Genet. Mol. Biol. 7.

Gorji, T., Sertel, E., Tanik, A., 2017. Monitoring soil salinity via remote sensing technology under data scarce conditions: A case study from Turkey. Ecol. Indic. 74, 384–391.

Hessami, M., Gachon, P., Ouarda, T.B.M.J., St-Hilaire, A., 2008. Automated regression-based statistical downscaling tool. Environ. Model. Softw. 23, 813–834.

Hoerl, A.E., Kennard, R.W., 1970. Ridge Regression: Biased Estimation for Problems Nonorthogonal. Technometrics 12, 55–67.

Khan, N.M., Rastoskuev, V. V., Sato, Y., Shiozawa, S., 2005. Assessment of hydrosaline land degradation by using a simple approach of remote sensing indicators. Agric. Water Manag. 77, 96–109.

Khan, S., Abbas, A., 2007. Using Remote Sensing Techniques for Appraisal of Irrigated Soil Salinity. Int. Congr. Model. Simul. (MODSIM), Model. Simul. Soc. Aust. New Zealand, Bright. 2632–2638.

Kutner, M.H., Nachtsheim, C.J., Neter, J., Li, W., 2005. Applied Linear Statistical Models.

Li, Y.F., Xie, M., Goh, T.N., 2010. Adaptive ridge regression system for software cost estimating on multi-collinear datasets. J. Syst. Softw. 83, 2332–2343.

Mahmoudabadi, E., Karimi, A., Haghnia, G.H., Sepehr, A., 2017. Digital soil mapping using remote sensing indices, terrain attributes, and vegetation features in the rangelands of northeastern Iran. Environ. Monit. Assess. 189, 500.

Metternicht, G., Zinck, J.A., 1997. Spatial discrimination of salt- and sodium-affected soil surfaces. Int. J. Remote Sens. 18, 2571–2586.

Noroozi, A.A., Homaee, M., Farshad, A., 2012. Integrated Application of Remote Sensing and Spatial Statistical Models to the Identification of Soil Salinity : A Case Study from Garmsar Plain , Iran. Environ. Sci. 9, 59–74.

Silber, A., Israeli, Y., Elingold, I., Levi, M., Levkovitch, I., Russo, D., Assouline, S., 2014. Water Resources Research. Water Resour. Res 51, 341–358.

Singh, A., 2018. Managing the salinization and drainage problems of irrigated areas through remote sensing and GIS techniques. Ecol. Indic. 89, 584–589.

Singh, A., 2012. An overview of the optimization modelling applications. J. Hydrol. 466–467, 167–182.

Skaggs, T.H., Anderson, R.G., Corwin, D.L., Suarez1, D.L., 2014. Water Resources Research. Water Resour. Res. 51, 1–44.

SONG, C., REN, H., HUANG, C., 2016. Estimating Soil Salinity in the Yellow River Delta, Eastern China—An Integrated Approach Using Spectral and Terrain Indices with the Generalized Additive Model. Pedosphere 26, 626–635.

Vermeulen, D., van Niekerk, A., 2016. Evaluation of a WorldView-2 image for soil salinity monitoring in a moderately affected irrigated area. J. Appl. Remote Sens. 10, 026025.

Yu, H., Liu, M., Du, B., Wang, Z., Hu, L., Zhang, B., 2018. Mapping soil salinity/sodicity by using Landsat OLI imagery and PLSR algorithm over Semiarid West Jilin province, China. Sensors (Switzerland) 18, 1–17.

Zhang, T.T., Qi, J.G., Gao, Y., Ouyang, Z.T., Zeng, S.L., Zhao, B., 2015. Detecting soil salinity with MODIS time series VI data. Ecol. Indic. 52, 480–489.