برآورد اجزاء بافت خاک در شرایط محدودیت پراکنش داده های زمینی به کمک داده‌های ماهواره ای (مطالعۀ موردی: مراتع حوضه آبخیز مرجن)

آگاهی از تغییرپذیری مکانی بافت خاک به عنوان یکی از مهم ترین مشخصه های خاک برای مدیریت منابع آب و خاک، در راستای بهره وری تولید و توسعه پایدار ضروری است. لیکن در بسیاری از مواقع با محدودیت داده های زمینی به دلیل هزینه های زیاد آزمایش‌ها مواجه هستیم. هدف از این مطالعه برآورد بافت سطحی خاک ( درصد ذرات رس، سیلت و شن) در شرایط عدم پراکنش مناسب داده های زمینی از طریق داده های ماهواره ای به روش مدل‌سازی رگرسیونی بود. در این راستا نمونه برداری از عمق 20-0 سانتی متری خاک به‌ روش تصادفی سیستماتیک و به تعداد 80 نمونه خاک برداشت شد. سپس با آنالیز آزمایشگاهی به روش هیدرومتری، درصد رس، سیلت و شن خاک تعیین شد. به منظور پیش بینی توزیع مکانی ذرات رس، سیلت و شن خاک از باندها و ترکیبات باندی طیفی داده های ماهواره ای لندست 8 مانند شاخص اندازه ذره (grain size index)، شاخص رس (clay index)، نسبت باند 4 به 7، نسبت باند 6 به 7 و شاخص روشنایی (brightness index ) و ویژگی‌های فیزیوگرافی از قبیل درصد شیب (slope) و مدل رقومی ارتفاع (digital elevation model) به عنوان متغیرهای کمکی استفاده شد. 70 درصد داده های میدانی برای پیش بینی و 30 درصد داده ها برای اعتبار سنجی استفاده شد. نتایج نشان دادند از بین شاخص های سنجش از دوری مورد استفاده، شاخص  gsiبا هر سه ترکیب خاک و ci با میزان سیلت و شن خاک ارتباط معنا داری (p ≤ 0.05) داشتند. از بین متغیرهای فیزیوگرافی، dem با میزان سیلت و شن خاک و slope با رس و شن خاک همبستگی معناداری (p ≤ 0.05) داشتند و برای مدل سازی اجزاء بافت خاک انتخاب شدند. از اینرو، شاخص های سنجش از دوری مانند gsi و ci را می توان متغیر های کمکی مناسب برای پیش بینی مکانی اجزای بافت خاک در ترکیب با متغیرهای فیزیوگرافی، به ویژه در مواقعی که پراکنش نامناسب و یا محدودیت داده های برداشت شده زمینی وجود دارد، معرفی کرد. بنابراین، نقشه های پیش بینی شده اجزاء بافت خاک می توانند به عنوان اطلاعات و دانش پایه برای مدیریت بهتر و مدل سازی های محیطی مورد استفاده قرار گیرند.

Estimation of soil texture fractions under limited distribution of field observation using remotely sensed data (a case study: Marjan Watershed Rangelands)

Introduction Understanding the spatial variability of soil texture as one of the most important characteristics of soil is essential for soil and water resources management, productivity and sustainable development. However, in many cases, we face the limitation of field data due to the costs of soil analysis. The aim of this study was to estimate the soil surface texture (percentages of clay, silt and sand proportions) in lack of proper distribution of field data using satellitebased indices and regression modeling.Materials and MethodsThis study was conducted in Marjan rangelands of Boroujen. Soil samples (80 replicates) were collected from each subplot 2m×2m, and at depth 0–20 cm. Garmin GPS was used to record the coordinates of the sampling locations. Then, Soil samples from three subplots (as one plot 30m×30m) were mixed together and a sample of 500g was transferred to the laboratory. First, the soil samples were first airdried then passed through a 2mm. Then, the particle size distributions of soil samples were analyzed following the hydrometer method. In order to predict sand proportions spatially from raw spectral bands and bands compositions of Landsat 8 satellite data including particle size index (GSI), Clay Index (CI), Band 4 to Band 7 ratio, Band 6 to Band 7 ratio and Brightness Index (BI) and physiographic variables including DEM and slope were used as auxiliary variables. To map soil texture compositions, we fitted a linear regression model between field observations and GSI index. Soil sand, silt and clay content were extracted from the predicted soil texture map.Results and Discussion Pearson correlation analysis showed that there are a significant relationship (p ≤ 0.05) between GSI and soil texture fractions and CI had a significant relationship with silt and sand. Between the physiographic variables, DEM had a significant correlation with clay, silt and sand, and slope with clay and sand. Therefore, these variables were selected as suitable auxiliary variables for spatial prediction of soil texture fractions using multiple regression. The central and southern parts of the study area, have a higher amount of clay and silt. Most parts of the region have clay and silt between 4040%. Whereas, low silt and clay content are mostly observed in the north and northeast of the region. Based on sand map, north, northeast and east of the study area had the highest amount of sand (>40%) and the lowest amount of sand was observed in the central and southern parts of the region (sand percentage between 2025%). The auxiliary variables had good accuracy in spatial prediction of soil texture compositions, especially in limited/inadequate distribution of sampled field data.Conclusion The results showed that remote sensing data and topographic properties combined with field data using multiple modeling can be used to better prediction the spatial distribution of soil texture compositions in large scale, when we are faced with data limitations. The generated maps can be used as basic information for environmental management and modeling.