پهنه‌بندی شوری خاک‌های منطقه جنوب ‌شرق استان اصفهان با‌ استفاده از داده‌های زمینی و سنجنده tm ماهواره‌ای

هدف تحقیق حاضر ارزیابی قابلیت داده های ماهواره ای لندست tm مربوطه به شهریور ماه 1388 در شناسایی و تفکیک اراضی شور منطقه ورزنه واقع در جنوب شرقی استان اصفهان می باشد. داده های زمینیec با استفاده از روش نمونه برداری تصادفی از 53 سایت نمونه برداری با سطحی حدود 8100 متر مربع (9 پیکسل تصویر) جمع آوری گردید. شاخص های طیفی مانند باندهای tm، bi، 1si، 2si، و 3si، مولفه های 1pc، 2pc، 3pc و همچنین مدل سازی رگرسیون چند متغیره خطی و روش طبقه بندی نظارت شده بر تصویر زمین مرجع شده اعمال شد. نتایج آنالیز رگرسیونی نشان داد که باند 4tm رابطه قوی با ec زمینی دارد (0/48=2r). همچنین تصویر مدل سازی با استفاده از باند 3، 4 و 5 و 3pc در سطح 99% معنی دار بود. ارزیابی صحت نقشه های طبقه بندی باند 4 و تصویر مدل سازی با 5 کلاس شوری شامل 4-0، 20-4، 60-20، 100-60 و بیشتر از 100 دسی زیمنس بر متر نشان داد که به طور کلی بیش از 86% توافق بین نقشه ها و داده های زمینی ec وجود دارد. بنابراین، با توجه به صحت بالای تصاویر طبقه بندی شده نسبت به روش های رگرسیون در تفکیک خاک های پهناور شور می توان از آنها به عنوان ابزار مناسب در جهت مدیریت و مبارزه با شوره زایی استفاده نمود.

Soil Salinity Mapping Using Satellite TM and Field Data in Southeastern Isfahan

This study aimed to evaluate the performance of TM satellite data acquired in June 2009 to map soil salinity in southeast of Isfahan province. Ground salinity data (EC) was collected within 9 pixels, covering an area of approximately 8100 m2 using stratified random sling technique at 53 sle sites. Spectral indices including TM bands, BI, SI1, SI2 and SI3, PC1, PC2, PC3 and also multiple linear regression modeling and maximum likelihood classification techniques were applied to the geometrically corrected image. Results of regression analysis showed that the TM band 4 had the strongest relationship with EC data (R2=0.48) and also the relationship of the modeling image using TM 3, TM 4, TM5 and PC3 was significant at the 99% confidence level. The accuracy assessment of the stratified TM4 and modeling image into five classes including 04, 420, 2060, 60100 and EC>100 ds/m indicated that there was more than 86% agreement with the field measurements of EC data. Therefore, it can be concluded that the discretely classified salinity maps have higher accuracy than regression methods for identifying broad areas of saline soils, and can be used as appropriate tools to manage and combat soil salinization.