پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 162 |
| تعداد شماره‌ها | 6,693 |
| تعداد مقالات | 72,239 |
| تعداد مشاهده مقاله | 129,214,399 |
| تعداد دریافت فایل اصل مقاله | 102,042,855 |
مدلسازی افرازی سطوح فرسایش و رسوب بر مبنای خصوصیات خاک سطحی با استفاده از داده‌های سنجش از دور (RS) | ||
| تحقیقات آب و خاک ایران | ||
| مقاله 11، دوره 55، شماره 11، بهمن 1403، صفحه 2157-2172 اصل مقاله (2.22 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2024.380085.669769 | ||
| نویسندگان | ||
| میترا یاراحمدی1؛ عطااله خادم الرسول* 2؛ هادی عامری خواه3 | ||
| 1گروه خاکشناسی دانشکده کشاورزی دانشگاه شهید چمران اهواز | ||
| 2دانشیار گروه خاکشناسی، دانشکده کشاورزی، دانشگاه شهید چمران اهواز، ایران | ||
| 3مربی گروه خاکشناسی دانشکده کشاورزی دانشگاه شهید چمران اهواز | ||
| چکیده | ||
| استفاده از مدل‌های افرازسازی و طبقه‌بندی مبتنی بر سنجش از دور به شکل گسترده‌ای به منظور طبقه‌بندی و بررسی تغییرات وضعیت اراضی در حال افزایش است. در این پژوهش کارایی کاربرد و ایجاد مدل‌های افرازی و طبقه‌بندی اراضی در معرض فرسایش و رسوب مورد بررسی قرار گرفته است. در پژوهش حاضر منطقه‌ی مطالعاتی ظهیریه در استان خوزستان با وسعت تقریبی 7100 هکتار با بهره‌گیری از تصاویر ماهواره‌ای و بررسی‌های میدانی به عرصه‌های فرسایشی، رسوبی و پایدار تقسیم شد و نمونه‌برداری خاک از سطوح فرسایشی و رسوبی صورت پذیرفت. پارامترهای فیزیکوشیمیایی خاک شامل اجزاء متشکله بافت خاک، جرم مخصوص ظاهری، ماده آلی، فسفر، آهک، هدایت الکتریکی، pH و مقدار گچ خاک اندازه‌گیری شد. برای ارزیابی ویژگی‌های بازتابی سطوح فرسایش یافته و رسوبی در منطقه‌ی مطالعاتی از باندها و شاخصهای مستخرج از تصاویر لندست 8 سال 2022 استفاده شد. امکان تفکیک سطوح فرسایشی و رسوبی با بهره‌گیری از الگوریتمهای طبقه‌بندی نظارت شده و ارزیابی کارایی آن‌ها توسط ضریب کاپا و صحت کلی انجام شد. نتایج آزمون مقایسه‌ی میانگین بر روی خصوصیات فیزیکیوشیمیایی خاک در سطوح فرسایشی و رسوبی در بخش سطحی خاک (20-0 سانتی‌متر) نشان داد که درصد رس با میانگین 37/9 برای سطوح فرسایشی و 74/14 برای رسوبی و گچ با میانگین 68/14 برای سطوح فرسایشی و 2/6 برای رسوبی بین سطوح فرسایشی و رسوبی دارای اختلاف معنی‌دار (5 درصد) هستند و می‌توانند به عنوان پارامترهایی برای تفکیک سطوح استفاده شوند ولیکن برای سایر پارامترها اختلاف معنی‌داری بین سطوح فرسایش یافته و رسوبی مشاهده نشد. نتایج بررسی‌ها نشان داد شاخصهای BI، SI و NDSI به طور موثری می‌توانند برای تفکیک سطوح فرسایش یافته از سطوح رسوبی بکار گرفته شوند. | ||
| کلیدواژه‌ها | ||
| الگوریتمهای نظارت شده؛ سطوح فرسایشی و رسوبی؛ شاخصهای سنجش از دور؛ طیف سنجی؛ مدلسازی افرازی | ||
| عنوان مقاله [English] | ||
| Demarcation modeling of erosional and depositional surfaces with soil characteristics and remote sensing (RS) | ||
| نویسندگان [English] | ||
| Mitra Yarahmadi1؛ Ataallah Khademalrasoul2؛ Hadi Amerikhah3 | ||
| 1Soil Science Department, Faculty of Agriculture, Shahid Chamran University of Ahvaz | ||
| 2Associate Professor of Soil Science, Faculty of Agriculture, Shahid Chamran University of Ahvaz. Ahvaz. Iran | ||
| 3Soil Science Department, Faculty of Agriculture, Shahid Chamran University of Ahvaz | ||
| چکیده [English] | ||
| Nowadays demarcation and classification models based on remote sensing are widely used for classification processes and land changes. In this research, the efficiency of demarcation models to evaluate erosional and depositional regions investigated. The study area of Zahirieh in Khuzestan province, with an approximate area of 7100 hectares, was divided into erosional, depositional, and stable areas based on satellite images and field surveys. Then soil sampling was done from erosional and depositional surfaces. The physical and chemical parameters of the soil including soil texture components, bulk density, organic matter, phosphorus, lime, electrical conductivity, pH and soil gypsum were measured. In order to evaluate the reflective characteristics of erosional and depositional surfaces, bands and indices extracted from Landsat 8 images of 2022. Moreover, the efficiency of supervised algorithms was performed using Kappa coefficient and overall accuracy. The results of the average comparison test depicted that the percentage of soil clay with 9.37 for erosional surfaces and 14.74 for depositional surfaces and gypsum with mean of 14.68 for erosional and 6.2 for depositional surfaces has a significant difference (5%) between erosional and depositional surfaces therefore, they can be used as parameters to separate surfaces, but for other parameters, no significant difference was observed. The results showed that BI, SI and NDSI indices can be effectively used to distinguish eroded surfaces from depositional surfaces. | ||
| کلیدواژه‌ها [English] | ||
| Demarcation modeling, erosional and depositional surfaces, remote sensing indicators, spectrometry, supervised algorithms | ||
| مراجع | ||
|
Akbari S., & Vaezi A.R. (2015). Investigating aggregates stability against raindrops impact in some soils of a semi- arid region, North West of Zanjan. 2015. Water and Soil Science, 25 (2): 65-77. (in Persian). Cheng, Z., Lu, D., Li, G., Huang, J., Sinha, N., Zhi, J., & Li, S. (2018). A random forest-based approach to map soil erosion risk distribution in Hickory Plantations in western Zhejiang Province, China. Remote Sensing, 10(12), 1899. Douaoi, E. ,Nicolas, H., & Walter, C. (2006). Detecting salinity hazards within a semiarid context by means of combining soil and remote-sensing data. Geoderma, 134(1-2), 217-230. Eswaran, H., Lal, R., & Reich, P.F.( 2001). Land degradation: an overview. In: Bridges, E.M., Hannam, I.D., Oldeman, L.R., Penning de Vries, .W.T.,Scherr, S.J., Sombatpanit, S. (Eds.), Response to Land Degradation. Science Publishers Inc, Enfield, NH, USA, pp. 20– 35. Fernández, S., Marquínez, J., & Menéndez-Duarte, R. (2008). A sapping erosion susceptibility model for the southern Cantabrian Range, North Spain. Geomorphology, 95(3-4), 145-157. Foody, G. M. (2001). Monitoring the magnitude of land-cover change around the southern limits of the Sahara. Photogrammetric Engineering and Remote Sensing, 67(7), 841-848. Garosi, Y., Sheklabadi, M., Pourghasemi, H. R., Besalatpour, A. A., Conoscenti, C., & Van Oost, K. (2018). Comparison of differences in resolution and sources of controlling factors for gully erosion susceptibility mapping. Geoderma, 330, 65-78. Garosi, Y., Sheklabadi, M., Pourghasemi, H. R., Besalatpour, A. A., Conoscenti, C., & Van Oost, K. (2018). Comparison of differences in resolution and sources of controlling factors for gully erosion susceptibility mapping. Geoderma, 330, 65-78. Gopinath, K. P., Nagarajan, V. M., Krishnan, A., & Malolan, R. (2020). A critical review on the influence of energy, environmental and economic factors on various processes used to handle and recycle plastic wastes: Development of a comprehensive index. Journal of Cleaner Production, 274, 123031. Guerschman, J. P., Scarth, P. F., McVicar, T. R., Renzullo, L. J., Malthus, T. J., Stewart, J. B., ... & Trevithick, R. (2015). Assessing the effects of site heterogeneity and soil properties when unmixing photosynthetic vegetation, non-photosynthetic vegetation and bare soil fractions from Landsat and MODIS data. Remote Sensing of Environment, 161, 12-26. Hadeel, A., Jabbar, M., & Chen, X. (2011). Remote sensing and GIS application in the detection of environmental degradation indicators. Geo-spatial Information Science, 14(1), 39-47. Huete, A. R. (1988). A soil-adjusted vegetation index (SAVI). Remote sensing of environment, 25(3), 295-309. Karami, A., Khoorani, A., Noohegar, A., Shamsi, S. R. F., & Moosavi, V. (2015). Gully erosion mapping using object-based and pixel-based image classification methods. Environmental & Engineering Geoscience, 21(2), 101-110. Khan, N. M., Rastoskuev, V. V., Sato, Y., & Shiozawa, S. (2005). Assessment of hydrosaline land degradation by using a simple approach of remote sensing indicators. Agricultural Water Management, 77(1-3), 96-109. Kreyszig, E. (2015). SanjeevAhuja. Applied Mathematics-I, Wiley India Publication, Reprint. Qi, L., Zhou, Y., Van Oost, K., Ma, J., van Wesemael, B., & Shi, P. (2024). High-resolution soil erosion mapping in croplands via Sentinel-2 bare soil imaging and a two-step classification approach. Geoderma, 446, 116905. Rejeki, S., Meidina, R., Hapsari, M., Setyaningsih, R. & Azura, R. (2021). Context-based tasks in mathematics textbooks for vocational high school students. Journal of Physics: Conference Series. 1776. 012030. 10.1088/1742-6596/1776/1/012030. Sayão, V. M., Demattê, J. A., Bedin, L. G., Nanni, M. R., & Rizzo, R. (2018). Satellite land surface temperature and reflectance related with soil attributes. Geoderma, 325, 125-140. Shahbazi, K., Salajagheh, A., Jafari, M., Ahmadi, H., Nazarisamani, A., & Khosrowshahi, M. (2017). Comparative Assessment of Gully Erosion and Sediment Yield in Different Rangelands and Agricultural Areas in Ghasr-e-Shirin, Kermanshah, Iran. Journal of Rangeland Science, 7(3), 296-306. Shoshany, M., Goldshleger, N., & Chudnovsky, A. (2013). Monitoring of agricultural soil degradation by remote-sensing methods: A review. International Journal of Remote Sensing, 34(17), 6152-6181. Shruthi, R. B., Kerle, N., Jetten, V., Abdellah, L., & Machmach, I. (2015). Quantifying temporal changes in gully erosion areas with object oriented analysis. Catena, 128, 262-277. Sterk, G., Riksen, M. J. P. M., & Goossens, D. (2001). Dryland degradation by wind erosion and its control. Annals of arid Zone, 40(3), 351-368. Vaezi A.L., Bahrami H., Sadeghi H., & Mahdian M. (2008). Modeling the USLE K-factor for calcareous soils in northwestern Iran. Geomorphology 97 (3): 414-423. Vaezi A.R., & Ebadi, M. (2016). Particle Size Distribution of Surface-Eroded Soil in Different Rainfall Intensities and Slope Gradients. Journal of Water and Soil. Vol. 31, No. 1, Mar.-Apr. 2017, p. 216-229. Vrieling, A. (2006). Satellite remote sensing for water erosion assessment: A review. , 65(1), 0–18. doi:10.1016/j.catena.2005.10.005. Vrieling, A., Sterk, G., & Vigiak, O. (2006). Spatial evaluation of soil erosion risk in the West Usambara Mountains, Tanzania. Land Degradation & Development, 17(3), 301-319. Wang, J., Zhen, J., Hu, W., Chen, S., Lizaga, I., Zeraatpisheh, M., & Yang, X. (2023). Remote sensing of soil degradation: Progress and perspective. International Soil and Water Conservation Research, 11(3), 429-454. Wilson, E. H., & Sader, S. A. (2002). Detection of forest harvest type using multiple dates of Landsat TM imagery. Remote Sensing of Environment, 80(3), 385-396. Xu, H., Hu, X., Guan, H., Zhang, B., Wang, M., Chen, S., & Chen, M. (2019). A remote sensing based method to detect soil erosion in forests. Remote Sensing, 11(5), 513. Zhang, H., Yu, D., Dong, L., Shi, X., Warner, E., Gu, Z., & Sun, J. (2014). Regional soil erosion assessment from remote sensing data in rehabilitated high density canopy forests of southern China. Catena, 123, 106-112. | ||
|
آمار تعداد مشاهده مقاله: 334 تعداد دریافت فایل اصل مقاله: 111 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب