مدل‌سازی مکانی رطوبت خاک با استفاده از مدل‌های رگرسیون کلی و رگرسیون وزن‌دار جغرافیایی (مطالعه موردی: حوزه آبخیز هلیل‌رود)

مقدمه: اگرچه مطالعات متعددی به بررسی روابط بین رطوبت خاک و برخی متغیرهای محیط‌زیستی و اقلیمی پرداخته‌اند، اما هنوز تغییرات مکانی ارتباط رطوبت خاک با بسیاری دیگر از متغیرهای محیطی به‌طور کامل مشخص نمی‌باشد؛ زیرا این روش‌های آماری، مقادیر پارامترها را به‌صورت میانگین در سطح منطقه مطالعاتی نشان می‌دهد و از تغییرات مکانی رابطه بین رطوبت خاک و متغیرهای مستقل چشم‌پوشی می‌کنند. ازاین‌رو، به‌کارگیری یک رویکرد مناسب برای رفع این محدودیت، ضروری است. در همین راستا، می‌توان روش‌های آمار مکانی برای مدل‌سازی روابط مکانی بین متغیرهای مختلف استفاده کرد. پرکاربردترین روش‌های آمار مکانی می‌توان به روش حداقل مربعات معمولی (ols) و رگرسیون وزن‌دار جغرافیایی (gwr) اشاره کرد. حوزه آبخیز هلیل‌رود یکی از قطب‌های اصلی کشاورزی در استان کرمان و ایران بوده و اقتصاد محلی منطقه به آن بستگی دارد. رطوبت یکی از متغیرهایی است که بر خشکسالی کشاورزی تاثیر‌گذار می‌باشد؛ بنابراین، این پژوهش با هدف برآورد رطوبت خاک در حوزه آبخیز هلیل‌رود با استفاده از بازدید صحرایی و تجزیه و تحلیل آزمایشگاهی، ارزیابی ارتباط مکانی آن با شاخص‌های مبتنی بر سنجش‌ازدور ازجمله شاخص تفاضل نرمال شده پوشش گیاهی (ndvi)، شاخص دمای سطح زمین (lst) با استفاده از مدل ols و gwr انجام شد.مواد و روش‌ها: برای اندازه‌گیری رطوبت خاک، از دستگاه tdr در مناطق دشتی حوزه آبخیز هلیل‌رود استفاده شد. سنجش رطوبت خاک در 72 نقطه (عمق 30 سانتی‌متری خاک) و در اردیبهشت‌ماه 1398 انجام شد. برای تهیه نقشه شاخص تفاوت پوشش گیاهی نرمال شده (ndvi) و دمای سطح زمین (lst)، ابتدا تصاویر ماهواره لندست 8 (oli) و مودیس (mod11a1) منطقه موردمطالعه مربوط به اردیبهشت 1398 تهیه شد. سپس پیش‌پردازش‌های لازم برای تصاویر موردنظر انجام و شاخص‌ها استخراج گردید. برای ارزیابی ارتباط مکانی بین رطوبت خاک و هر یک از متغیرهای مستقل و همچنین ترکیب هر دو متغیر از مدل‌های رگرسیون وزنی جغرافیایی و مدل رگرسیون حداقل مربعات استفاده شد. نتایج و بحث: نتایج حاصل از این بررسی نشان داد که بر اساس معیارهای ارزیابی، مدل رگرسیون وزنی جغرافیایی با r2=0/28 برای متغیر مستقل lst، r2=0/44 برای متغیر مستقل ndvi وr2=0/58  برای ترکیب هر دو متغیر، دارای قدرت تبیین و برآورد بهتری نسبت به مدل رگرسیون کلی می‌باشد. همچنین مدل‌ رگرسیون وزنی جغرافیایی در تمامی حالت‌ها و در نظر گرفتن متغیرهای مختلف، به دلیل داشتن مقادیر کمترaicc  و مقادیر بالاتر r2 و adjusted r2 عملکرد بهتری نسبت به مدل حداقل مربعات معمولی داشته است. اگرچه، نتایج مدل حداقل مربعات معمولی نشان داد که همبستگی بین رطوبت خاک و متغیرهای مستقل وجود دارد اما مدل رگرسیون وزنی جغرافیایی تائید کرد که این ارتباط در نقاط مختلف، یکسان نمی‌باشد. به‌طوری‌که مناطق شمالی حوضه دارای ارتباط قوی‌تری بین تمامی متغیرهای مستقل و رطوبت خاک می‌باشند. یکی از دلایل برتری مدل رگرسیون وزنی جغرافیایی می‌تواند این باشد که در مدل رگرسیون حداقل مربعات، رابطه بین متغیرهای مستقل و وابسته در کل منطقه یکسان است؛ اما در مدل رگرسیون وزنی جغرافیایی، روابط بین متغیرها در نقاط مختلف منطقه به‌طور جداگانه مدل‌سازی و بررسی می‌شود.نتیجه‌گیری: با استفاده از نقشه‌های حاصل از این مطالعه می‌توان نقاط در معرض کاهش یا افزایش رطوبت خاک را در منطقه شناسایی کرد و برای بهبود فرآیند تصمیم‌گیری و مدیریت حوزه آبخیز و پیش‌بینی نیازهای آبیاری در بخش کشاورزی مورداستفاده قرار داد. به‌کارگیری روش و هدف مطالعه حاضر در سایر حوزه‌های آبخیز می‌تواند از نظر کاربردی و پژوهشی، اهمیت زیادی داشته باشد. به‌علاوه، پیشنهاد می‌شود در مطالعات آینده به‌منظور یافتن مهم‌ترین متغیر، برخی دیگر از متغیرهای مستقل ازجمله خصوصیات توپوگرافی و نیز دیگر شاخص‌های مستخرج از تصاویر ماهواره‌ای مورداستفاده قرار گیرد.

spatial modeling of soil moisture using ols and gwr regression models (case study: halilrud watershed)

introduction: although numerous studies have investigated the relationships between soil moisture and various environmental and climatic variables, the spatial relationship between soil moisture and these variables has not yet been fully identified. this is primarily because traditional statistical methods present parameter values as averages across the study area, thereby ignoring spatial variations in the relationships between soil moisture and independent variables. to overcome this limitation, it is necessary to use an appropriate spatial analysis approach. in this context, spatial statistical methods such as ordinary least squares (ols) and geographically weighted regression (gwr) can be employed to model spatial relationships between different variables. the halilrud basin is a key agricultural region in kerman province, iran, with the local economy heavily dependent on crop production. soil moisture is a critical factor affecting agricultural drought. therefore, this study aimed to estimate soil moisture in the halilrud watershed using field observations and laboratory analyses, and to evaluate its spatial relationship with remotely sensed indices—specifically the normalized difference vegetation index (ndvi) and land surface temperature (lst)—using ols and gwr models. material and methods: soil moisture measurements were taken in the plains of the halilrud watershed using a tdr device at a depth of 30 cm across 72 sampling points in may 2019. to prepare ndvi and lst maps, landsat 8 (oli) and modis (mod11a1) satellite images from may 2019 were acquired and preprocessed. the ndvi and lst indices were then extracted. to assess the spatial relationship between soil moisture and each independent variable (ndvi, lst) as well as their combination, both gwr and ols regression models were applied. results and discussion: the results showed that the gwr model outperformed the ols model based on evaluation criteria. the gwr model yielded r² values of 0.28 for lst, 0.44 for ndvi, and 0.58 when both variables were combined, indicating improved model performance. additionally, the gwr model demonstrated higher efficiency across all scenarios due to lower aicc values and higher local and adjusted r² values. while the ols model indicated a general correlation between soil moisture and the independent variables, the gwr model revealed that this relationship varies spatially. in particular, the northern regions of the watershed exhibited a stronger correlation between soil moisture and the independent variables. this spatial variability illustrates the advantage of the gwr model, which accounts for local variations in the relationships, unlike the ols model that assumes a uniform relationship across the study area. conclusion: the maps generated in this study can be used to identify areas with significant increases or decreases in soil moisture, which is valuable for decision-making, watershed management, and irrigation planning in the agricultural sector. the methodology and objectives applied here can be extended to other watersheds, offering practical and research value. for future studies, it is recommended to include additional independent variables—such as topographic features and other satellite-derived indices—to identify the most influential factors affecting soil moisture.