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

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 گتوندعقیلی 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 5.8 و 4.5 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.

Modeling GotvandAghili irrigation and drainage network soil salinity by usingLandsat8 image and OLS and Ridge regressions

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 Landsat8 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 GotvandAghili 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 Landsat8 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.