مدل‌سازی فرسایش‌پذیری خاک در منطقۀ خور و بیابانک با استفاده از شاخص‌های دورسنجی

فرسایش خاک توسط نیروی توامان فرایندهای آب و باد سبب تخریب اراضی در سطحی گسترده می شود. بنابراین مدل سازی منطقه ای فرسایش پذیری یکی از مناسب ترین راهکارهای تخمین هدررفت خاک محسوب می گردد. لذا هدف از این پژوهش، تدوین یک مدل منطقه ای فرسایش پذیری توسط روش های آماری، از طریق رابطه سنجی بین پارامترهای فیزیکی خاک و شاخص های دورسنجی در خور و بیابانک است. روش نمونه برداری میدانی، از نوع ترانسکت خطی بوده و در امتداد آنها، 33 نمونه خاک از عمق 0 تا 50 سانتی متر برداشت شد. با انتقال نمونه ها به آزمایشگاه، میزان عناصر ماسه، رس، سیلت، کربن و مادۀ آلی اندازه گیری و سپس مقادیر فرسایش پذیری در قالب فاکتور k و شاخص sei محاسبه شد. در مرحلۀ بعد، تصویر سنجندۀ oli منطبق با زمان نمونه برداری میدانی از پایگاه اینترنتی usgs اخذ و با اعمال توابع clay، ndvi، gosavi، savi، tsavi، ndsi، sci و gsavi، مقادیر شاخص های مزبور استخراج گردید. درنهایت، با استفاده از آزمون پیرسون، همبستگی بین عناصر فیزیکی و فرسایش پذیری خاک با شاخص های دورسنجی محاسبه و در پایان جهت مدل سازی sei و k، از طریق رگرسیون ساده و چندگانه، مبادرت به رابطه سنجی بین پارامترهای مذکور گردید و از بین آن ها مناسب ترین مدل ها باارزش رجحانی بالاتر انتخاب شد. نتایج مدل سازی نمایانگر حداکثر ارتباط خطی sei با شاخص های savi، ndvi و tsavi به ترتیب با ضریب تعیین 0/69، 0/66 و 0/66، و رابطۀ خطی فاکتور k با شاخص های ndsi، savi و sci، به ترتیب با ضریب تعیین 0/630، 0/61 و 0/58 در سطح 99 درصد است. نتایج رگرسیون چندگانه نیز بیانگر بالاترین ارتباط sei و k با اجماع گروهی شاخص های دورسنجی به ترتیب با ضریب تعیین 0/517 و 0/564 و خطای برآورد 0/0031144 و 0/0092369 در سطح 99 درصد است. بنابراین از طریق شاخص های دورسنجی و مدل های آماری تک متغیره و چندمتغیره، می توان میزان فرسایش پذیری خاک را برآورد نمود که امکان تخمین سریع و نسبتاً دقیق مقادیر sei و k را در منطقۀ خور و بیابانک فراهم می آورد.

Modeling of soil erodibility in the Khoor and Biabanak region, using remote sensing indices

Soil erosion by water and wind processes are carried out widely. So one of the best ways to estimate soil loss and land degradation is regional erodibility model. The aim of this research is codification regional erodibility model by statistical methods, the relation survey in Khoor and Biabanak between physical properties of soils and remote sensing indices. Sampling Method field was linear transect method and picked up 33 soil samples from depths of 0 to 50 cm. By transferring the samples to the laboratory, were calculated the elements of sand, clay, silt, organic matter and carbon, and then measurement erodibility values using the Kfactor and SEI index. Then, was taken OLI sensor image accordance time sampling from USGS website. And were extracted the indices by enforcing functions the amount of Clay, NDVI, GOSAVI, SAVI, TSAVI, NDSI, SCI and GSAVI. Finally, were calculated using Pearson correlation between physical elements and soil erodibility with Remote sensing indices. At the end of for modeling SEI and K, through simple and multiple regression attempts to gauge the relationship between these parameters and selected best models from among with higher preference value. The results of modeling SEI represents the maximum linear correlation with the indices SAVI, NDVI and TSAVI respectively, with coefficient of 0.69, 0.66 and 0.63, and K factor linear correlation with the indices NDSI, SAVI and SCI, respectively, with a coefficient of determination 0.63 0.61 and 0.58 is at level 99%. Multiple regression analysis also showed a high correlation with group consensus SEI, K and Remote Sensing indices, respectively, with a coefficient of determination 0.517 and 0.564 and estimated error 0.0031144 and 0.0092369 at level 99%. Therefore, can estimate the amount of soil erodibility by remote sensing indices and univariate and multivariate statistical models. Which enables fast and precise estimation of SEI and K values in the Khoor and Biabanak region.