طبقهبندی مهمترین عوامل طیفی مستخرج از تصاویر لندست 8 در تبیین کربن آلی خاک سطحی مراتع نیمه استپی با استفاده از تحلیل عامل اکتشافی
الموضوعات :سعیده ناطقی 1 , رستم خلیفه زاده 2 , مهشید سوری 3 , مرتضی خداقلی 4
1 - استادیار پژوهشی، بخش تحقیقات مرتع، مؤسسه تحقیقات جنگلها و مراتع کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران
2 - دکتری علوم مرتع، بخش تحقیقات مرتع، مؤسسه تحقیقات جنگل ها و مراتع کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران
3 - استادیار پژوهشی، بخش تحقیقات مرتع، مؤسسه تحقیقات جنگل ها و مراتع کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران
4 - دانشیار پژوهشی، بخش تحقیقات مرتع، مؤسسه تحقیقات جنگل ها و مراتع کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران
الکلمات المفتاحية: مرتع آساران, سنجشازدور, رنگ خاک, کربن آلی, مرتع لزور,
ملخص المقالة :
پیشینه و هدف کربن آلی خاک در اکوسیستم های مرتعی از کارکردهای متنوعی همچون افزایش حاصلخیزی خاک، کنترل فرسایش، افزایش نفوذپذیری آب در خاک و کاهش اثرات گازهای گلخانه ای برخوردار است. ازاینرو یک شاخص کلیدی در تعیین سلامت خاک محسوب می شود که تمامی ویژگی های فیزیکی، شیمیایی و بیولوژیکی خاک را تحت تأثیر خود قرار می دهد. وسعت زیاد مراتع کشور، استفاده از روش های سنتی در برآورد کربن آلی خاک را با چالش جدی مواجه می کند. در چنین شرایطی استفاده از قابلیت های دورسنجی می تواند بهعنوان گزینه ای مناسب برای پایش کربن آلی خاک مراتع کشور مطرح باشد. پژوهش حاضر باهدف تعیین مهمترین عوامل طیفی تأثیرگذار بر کربن آلی در افق سطحی خاک در دو مرتع ییلاقی انجام شد.مواد و روش هاپژوهش حاضر در دو مرتع ییلاقی لزور و آساران انجام شد. مرتع لزور به مساحت 8150 هکتار و ارتفاع متوسط 2875 متر در محدودة طول های شرقی 52.514 تا 52.694 درجه و عرض های شمالی 35.855 تا 35.934درجه در استان تهران و مرتع آساران به مساحت 5642 هکتار و ارتفاع متوسط 2465 متر در محدودة طول های شرقی 53.265 تا 53.392درجه و عرض های شمالی 35.804 تا 35.882درجه در استان سمنان واقعشده است. در این تحقیق از اطلاعات سنجندة OLI ماهواره لندست 8 استفاده شد. پس از انجام عملیات پیش پردازش تصاویر ماهواره ای مناطق موردمطالعه، لایه های اطلاعاتی بازتابش بالای اتمسفر باندهای 2 تا 7 همراه با متغیرهای آلبیدوی سطح، شاخص رس، شاخص کربنات، شاخص اندازه ذرات، NDVI، شاخص های روشنایی، سبزینگی و رطوبت تبدیل تسلدکپ محاسبه شد. در هر یک از مناطق موردنظر، با استفاده از نقشه مدل رقومی ارتفاعی (DEM)، نقشه های شیب، جهت و طبقات ارتفاعی تهیه شد و از تلفیق سه لایه اخیر با یکدیگر، نقشه واحدهای همگن نمونه برداری حاصل گردید. نمونه برداری از خاک، با استفاده از روش نمونه برداری تصادفی طبقهبندیشده انجام شد. بدینصورت که، در هر یک از واحدهای همگن با توجه به سطح آن، به شیوه تصادفی، چند نمونه خاک از عمق صفر تا 20 سانتی متری برداشت شد و میزان کربن آلی نمونه ها با استفاده از روش والکلی- بلاک اندازه گیری شد.نتایج و بحثنتایج این تحقیق نشان داد متغیرهای طیفی مقادیر بازتابش بالای اتمسفر باندهای 2 تا 7 همراه با متغیرهای آلبیدوی سطح، شاخص رس، NDVI، شاخص های روشنایی، سبزینگی و رطوبت تبدیل تسلدکپ، همبستگی معنی داری با کربن آلی خاکدارند (0.01>p). همچنین نتایج تحلیل عاملی به روش تجزیة مؤلفه های اصلی (PCA) با مقادیر ویژه بزرگتر از یک نشان داد کل واریانس تجمعی تبیین شده بوسیلة 12 متغیر مذکور، برابر91.74درصد است که این میزان واریانس بوسیلة دو عامل توضیح داده شد. عامل اول (رنگ خاک)، 76.6 درصد واریانس و عامل دوم (پوشش گیاهی و بافت خاک)، 15.14 درصد واریانس را تبیین کردند.نتیجه گیری نتایج این پژوهش مؤید وجود ارتباط معنی دار کربن آلی خاک سطحی با عوامل طیفی مستخرج از داده های سنجندة OLI لندست 8 در مراتع نیمه استپی موردمطالعه است. با توجه به وسعت زیاد مراتع ایران، استفاده از روش های سنتی در برآورد کربن آلی خاک به دلیل نیاز بهصرف وقت و هزینه زیاد، امکان پذیر نیست و در چنین شرایطی استفاده از قابلیت های دورسنجی می تواند بهعنوان گزینه ای مناسب برای پایش کربن آلی خاک مراتع کشور مطرح باشد.
Abbas Nejad B, Khajedin SJ. 2014. Effect of urban reforestation on carbon sequestration in arid soils using remote sensing technology. Journal of RS and GIS for Natural Resources, 5(2): 75-88. http://girs.iaubushehr.ac.ir/article_516644_516640.html?lang=en. (In Persian).
Arun M, Deepak K, Sananda K, Surajit M, Sandip M, Anirban M. 2017. Spatial soil organic carbon (SOC) prediction by regression kriging using remote sensing data. The Egyptian Journal of Remote Sensing and Space Science, 20(1): 61-70. doi:https://doi.org/10.1016/j.ejrs.2016.06.004.
Baig MHA, Zhang L, Shuai T, Tong Q. 2014. Derivation of a tasselled cap transformation based on Landsat 8 at-satellite reflectance. Remote Sensing Letters, 5(5): 423-431. doi:https://doi.org/10.1080/2150704X.2014.915434.
Bangroo SA, Najar GR, Ephraim A, Phuong NT. 2020. Application of predictor variables in spatial quantification of soil organic carbon and total nitrogen using regression kriging in the North Kashmir forest Himalayas. Catena, 193: 104632. doi:https://doi.org/10.1016/j.catena.2020.104632.
Boettinger JL, Ramsey RD, Bodily JM, Cole NJ, Kienast-Brown S, Nield SJ, Saunders AM, Stum AK. 2008. Landsat Spectral Data for Digital Soil Mapping. In: Hartemink AE, McBratney A, Mendonça-Santos MdL (eds) Digital Soil Mapping with Limited Data. Springer Netherlands, Dordrecht, pp 193-202. https://doi.org/110.1007/1978-1001-4020-8592-1005_1016.
David JB, Keith DS, Markus GW, M, Thomas GR. 2006. Global soil characterization with VNIR diffuse reflectance spectroscopy. Geoderma, 132(3): 273-290. doi:https://doi.org/10.1016/j.geoderma.2005.04.025.
Emadi M, Taghizadeh-Mehrjardi R, Cherati A, Danesh M, Mosavi A, Scholten T. 2020. Predicting and mapping of soil organic carbon using machine learning algorithms in Northern Iran. Remote Sensing, 12(14): 2234. doi:https://doi.org/10.3390/rs12142234.
Escadafal R, Michel-Claude G, Dominique C. 1989. Munsell soil color and soil reflectance in the visible spectral bands of landsat MSS and TM data. Remote Sensing of Environment, 27(1): 37-46. doi:https://doi.org/10.1016/0034-4257(89)90035-7.
Fathololoumi S, Vaezi A, Alavipanah SK, Ghorbani A. 2020. Modeling Soil Organic Carbon Variations Using Remote Sensing Indices in Ardabil Balikhli Chay Watershed. Iranian Journal of Soil and Water Research, 51(9): 2417-2429. doi:https://doi.org/10.22059/IJSWR.2020.299509.668542. (In Persian).
Hartemink A, McSweeney K. 2014. Soil Carbon. Springer pub, 506 p.
Howard MC. 2016. A review of exploratory factor analysis decisions and overview of current practices: What we are doing and how can we improve? International Journal of Human-Computer Interaction, 32(1): 51-62. doi:https://doi.org/10.1080/10447318.2015.1087664.
Jobbágy EG, Jackson RB. 2000. The vertical distribution of soil organic carbon and its relation to climate and vegetation. Ecological Applications, 10(2): 423-436. doi:https://doi.org/10.1890/1051-0761(2000)010[0423:TVDOSO]2.0.CO;2.
Kasel S, Singh S, Sanders GJ, Bennett LT. 2011. Species-specific effects of native trees on soil organic carbon in biodiverse plantings across north-central Victoria, Australia. Geoderma, 161(1): 95-106. doi:https://doi.org/10.1016/j.geoderma.2010.12.014.
Kopačková V, Jelének J, Koucká L, Fárová K, Pikl M. 2018. Modelling soil Organic Carbon and mineral composition using reflectance and emissivity data. In: EGU General Assembly Conference Abstracts. p 14745.
Liang S, Chad JS, Andrew LR, Hongliang F, Mingzhen C, Charles LW, Craig STD, Raymond H. 2003. Narrowband to broadband conversions of land surface albedo: II. Validation. Remote Sensing of Environment, 84(1): 25-41. doi:https://doi.org/10.1016/S0034-4257(02)00068-8.
Liu Q, Liu G, Huang C, Xie C. 2015. Comparison of tasselled cap transformations based on the selective bands of Landsat 8 OLI TOA reflectance images. International Journal of Remote Sensing, 36(2): 417-441. doi:https://doi.org/10.1080/01431161.2014.995274.
Mahmoudi S, Hakimian M. 2006. Fundamentals of soil sciences. Tehran university press. 700 p. (In Persian).
Mahmoudzadeh H, Matinfar HR, Taghizadeh-Mehrjardi R, Kerry R. 2020. Spatial prediction of soil organic carbon using machine learning techniques in western Iran. Geoderma Regional, 21: e00260. doi:https://doi.org/10.1016/j.geodrs.2020.e00260.
McCoy RM. 2005. Field methods in remote sensing. Guilford Press. New York. 159 p.
Mohan S, Arumugam N. 1996. Relative importance of meteorological variables in evapotranspiration: Factor analysis approach. Water Resources Management, 10(1): 1-20. doi:https://doi.org/10.1007/BF00698808.
Piccini C, Alessandro M, Rosa F. 2014. Estimation of soil organic matter by geostatistical methods: Use of auxiliary information in agricultural and environmental assessment. Ecological Indicators, 36: 301-314. doi:https://doi.org/10.1016/j.ecolind.2013.08.009.
Santanu M, Bhowmik T, Mishra U, Paul N. 2020. Mapping and prediction of soil organic carbon by an advanced geostatistical technique using remote sensing and terrain data. Geocarto International: 1-17. doi:https://doi.org/10.1080/10106049.2020.1815864.
United States Geological Survey (USGS). 2016. Landsat 8 (L8) data users Handbook. version 2.0. 106 p.
Wu C, Wu J, Luo Y, Zhang L, DeGloria SD. 2009. Spatial prediction of soil organic matter content using cokriging with remotely sensed data. Soil Science Society of America Journal, 73(4): 1202-1208. doi:https://doi.org/10.2136/sssaj2008.0045.
Xiao J, Shen Y, Tateishi R, Bayaer W. 2006. Development of topsoil grain size index for monitoring desertification in arid land using remote sensing. International Journal of Remote Sensing, 27(12): 2411-2422. doi:https://doi.org/10.1080/01431160600554363.
Zhang Y, Guo L, Chen Y, Shi T, Luo M, Ju Q, Zhang H, Wang S. 2019. Prediction of Soil Organic Carbon based on Landsat 8 Monthly NDVI Data for the Jianghan Plain in Hubei Province, China. Remote Sensing, 11(14): 1683. doi:https://doi.org/10.3390/rs11141683.
Zhou T, Yajun G, Jie C, Mengmeng L, Dagmar H, Angela L. 2020. Mapping soil organic carbon content using multi-source remote sensing variables in the Heihe River Basin in China. Ecological Indicators, 114: 106288. doi:https://doi.org/10.1016/j.ecolind.2020.106288.
_||_Abbas Nejad B, Khajedin SJ. 2014. Effect of urban reforestation on carbon sequestration in arid soils using remote sensing technology. Journal of RS and GIS for Natural Resources, 5(2): 75-88. http://girs.iaubushehr.ac.ir/article_516644_516640.html?lang=en. (In Persian).
Arun M, Deepak K, Sananda K, Surajit M, Sandip M, Anirban M. 2017. Spatial soil organic carbon (SOC) prediction by regression kriging using remote sensing data. The Egyptian Journal of Remote Sensing and Space Science, 20(1): 61-70. doi:https://doi.org/10.1016/j.ejrs.2016.06.004.
Baig MHA, Zhang L, Shuai T, Tong Q. 2014. Derivation of a tasselled cap transformation based on Landsat 8 at-satellite reflectance. Remote Sensing Letters, 5(5): 423-431. doi:https://doi.org/10.1080/2150704X.2014.915434.
Bangroo SA, Najar GR, Ephraim A, Phuong NT. 2020. Application of predictor variables in spatial quantification of soil organic carbon and total nitrogen using regression kriging in the North Kashmir forest Himalayas. Catena, 193: 104632. doi:https://doi.org/10.1016/j.catena.2020.104632.
Boettinger JL, Ramsey RD, Bodily JM, Cole NJ, Kienast-Brown S, Nield SJ, Saunders AM, Stum AK. 2008. Landsat Spectral Data for Digital Soil Mapping. In: Hartemink AE, McBratney A, Mendonça-Santos MdL (eds) Digital Soil Mapping with Limited Data. Springer Netherlands, Dordrecht, pp 193-202. https://doi.org/110.1007/1978-1001-4020-8592-1005_1016.
David JB, Keith DS, Markus GW, M, Thomas GR. 2006. Global soil characterization with VNIR diffuse reflectance spectroscopy. Geoderma, 132(3): 273-290. doi:https://doi.org/10.1016/j.geoderma.2005.04.025.
Emadi M, Taghizadeh-Mehrjardi R, Cherati A, Danesh M, Mosavi A, Scholten T. 2020. Predicting and mapping of soil organic carbon using machine learning algorithms in Northern Iran. Remote Sensing, 12(14): 2234. doi:https://doi.org/10.3390/rs12142234.
Escadafal R, Michel-Claude G, Dominique C. 1989. Munsell soil color and soil reflectance in the visible spectral bands of landsat MSS and TM data. Remote Sensing of Environment, 27(1): 37-46. doi:https://doi.org/10.1016/0034-4257(89)90035-7.
Fathololoumi S, Vaezi A, Alavipanah SK, Ghorbani A. 2020. Modeling Soil Organic Carbon Variations Using Remote Sensing Indices in Ardabil Balikhli Chay Watershed. Iranian Journal of Soil and Water Research, 51(9): 2417-2429. doi:https://doi.org/10.22059/IJSWR.2020.299509.668542. (In Persian).
Hartemink A, McSweeney K. 2014. Soil Carbon. Springer pub, 506 p.
Howard MC. 2016. A review of exploratory factor analysis decisions and overview of current practices: What we are doing and how can we improve? International Journal of Human-Computer Interaction, 32(1): 51-62. doi:https://doi.org/10.1080/10447318.2015.1087664.
Jobbágy EG, Jackson RB. 2000. The vertical distribution of soil organic carbon and its relation to climate and vegetation. Ecological Applications, 10(2): 423-436. doi:https://doi.org/10.1890/1051-0761(2000)010[0423:TVDOSO]2.0.CO;2.
Kasel S, Singh S, Sanders GJ, Bennett LT. 2011. Species-specific effects of native trees on soil organic carbon in biodiverse plantings across north-central Victoria, Australia. Geoderma, 161(1): 95-106. doi:https://doi.org/10.1016/j.geoderma.2010.12.014.
Kopačková V, Jelének J, Koucká L, Fárová K, Pikl M. 2018. Modelling soil Organic Carbon and mineral composition using reflectance and emissivity data. In: EGU General Assembly Conference Abstracts. p 14745.
Liang S, Chad JS, Andrew LR, Hongliang F, Mingzhen C, Charles LW, Craig STD, Raymond H. 2003. Narrowband to broadband conversions of land surface albedo: II. Validation. Remote Sensing of Environment, 84(1): 25-41. doi:https://doi.org/10.1016/S0034-4257(02)00068-8.
Liu Q, Liu G, Huang C, Xie C. 2015. Comparison of tasselled cap transformations based on the selective bands of Landsat 8 OLI TOA reflectance images. International Journal of Remote Sensing, 36(2): 417-441. doi:https://doi.org/10.1080/01431161.2014.995274.
Mahmoudi S, Hakimian M. 2006. Fundamentals of soil sciences. Tehran university press. 700 p. (In Persian).
Mahmoudzadeh H, Matinfar HR, Taghizadeh-Mehrjardi R, Kerry R. 2020. Spatial prediction of soil organic carbon using machine learning techniques in western Iran. Geoderma Regional, 21: e00260. doi:https://doi.org/10.1016/j.geodrs.2020.e00260.
McCoy RM. 2005. Field methods in remote sensing. Guilford Press. New York. 159 p.
Mohan S, Arumugam N. 1996. Relative importance of meteorological variables in evapotranspiration: Factor analysis approach. Water Resources Management, 10(1): 1-20. doi:https://doi.org/10.1007/BF00698808.
Piccini C, Alessandro M, Rosa F. 2014. Estimation of soil organic matter by geostatistical methods: Use of auxiliary information in agricultural and environmental assessment. Ecological Indicators, 36: 301-314. doi:https://doi.org/10.1016/j.ecolind.2013.08.009.
Santanu M, Bhowmik T, Mishra U, Paul N. 2020. Mapping and prediction of soil organic carbon by an advanced geostatistical technique using remote sensing and terrain data. Geocarto International: 1-17. doi:https://doi.org/10.1080/10106049.2020.1815864.
United States Geological Survey (USGS). 2016. Landsat 8 (L8) data users Handbook. version 2.0. 106 p.
Wu C, Wu J, Luo Y, Zhang L, DeGloria SD. 2009. Spatial prediction of soil organic matter content using cokriging with remotely sensed data. Soil Science Society of America Journal, 73(4): 1202-1208. doi:https://doi.org/10.2136/sssaj2008.0045.
Xiao J, Shen Y, Tateishi R, Bayaer W. 2006. Development of topsoil grain size index for monitoring desertification in arid land using remote sensing. International Journal of Remote Sensing, 27(12): 2411-2422. doi:https://doi.org/10.1080/01431160600554363.
Zhang Y, Guo L, Chen Y, Shi T, Luo M, Ju Q, Zhang H, Wang S. 2019. Prediction of Soil Organic Carbon based on Landsat 8 Monthly NDVI Data for the Jianghan Plain in Hubei Province, China. Remote Sensing, 11(14): 1683. doi:https://doi.org/10.3390/rs11141683.
Zhou T, Yajun G, Jie C, Mengmeng L, Dagmar H, Angela L. 2020. Mapping soil organic carbon content using multi-source remote sensing variables in the Heihe River Basin in China. Ecological Indicators, 114: 106288. doi:https://doi.org/10.1016/j.ecolind.2020.106288.
طبقهبندی مهمترین عوامل طیفی مستخرج از تصاویر لندست 8 در تبیین کربن آلی خاک سطحی مراتع نیمهاستپی با استفاده از تحلیل عامل اکتشافی
چکیده
پیشینه و هدف کربن آلی خاک در اکوسیستمهای مرتعی از کارکردهای متنوعی همچون افزایش حاصلخیزی خاک، کنترل فرسایش، افزایش نفوذپذیری آب در خاک و کاهش اثرات گازهای گلخانهای برخوردار است. از این رو یک شاخص کلیدی در تعیین سلامت خاک محسوب میشود که تمامی ویژگیهای فیزیکی، شیمیایی و بیولوژیکی خاک را تحت تأثیر خود قرار میدهد. وسعت زیاد مراتع کشور، استفاده از روشهای سنتی در برآورد کربن آلی خاک را با چالش جدی مواجه میکند. در چنین شرایطی استفاده از قابلیتهای دورسنجی میتواند به عنوان گزینهای مناسب برای پایش کربن آلی خاک مراتع کشور مطرح باشد. پژوهش حاضر با هدف تعیین مهمترین عوامل طیفی تأثیرگذار بر کربن آلی در افق سطحی خاک در دو مرتع ییلاقی انجام شد.
مواد و روشها پژوهش حاضر در دو مرتع ییلاقی لزور و آساران انجام شد. مرتع لزور به مساحت 8150 هکتار و ارتفاع متوسط 2875 متر در محدودة طولهای شرقی 514/52 تا 694/52 درجه و عرضهای شمالی 855/35 تا 934/35 درجه در استان تهران و مرتع آساران به مساحت 5642 هکتار و ارتفاع متوسط 2465 متر در محدودة طولهای شرقی 265/53 تا 392/53 درجه و عرضهای شمالی 804/35 تا 882/35 درجه در استان سمنان واقع شده است. در این تحقیق از اطلاعات سنجندة OLI ماهوارة لندست 8 استفاده شد. پس از انجام عملیات پیشپردازش تصاویر ماهوارهای مناطق مورد مطالعه، لایههای اطلاعاتی بازتابش بالای اتمسفر باندهای 2 تا 7 همراه با متغیرهای آلبیدوی سطح، شاخص رس، شاخص کربنات، شاخص اندازة ذرات، NDVI، شاخصهای روشنایی، سبزینگی و رطوبت تبدیل تسلدکپ محاسبه شد. در هر یک از مناطق مورد نظر، با استفاده از نقشه مدل رقومی ارتفاعی (DEM)، نقشههای شیب، جهت و طبقات ارتفاعی تهیه شد و از تلفیق سه لایه اخیر با یکدیگر، نقشه واحدهای همگن نمونهبرداری حاصل گردید. نمونهبرداری از خاک، با استفاده از روش نمونهبرداری تصادفی طبقهبندی شده انجام شد. بدین صورت که، در هر یک از واحدهای همگن با توجه به سطح آن، به شیوه تصادفی، چند نمونه خاک از عمق صفر تا 20 سانتیمتری برداشت شد و میزان کربن آلی نمونهها با استفاده از روش والکلی – بلاک اندازهگیری شد.
نتایج و بحث نتایج این تحقیق نشان داد متغیرهای طیفی مقادیر بازتابش بالای اتمسفر باندهای 2 تا 7 همراه با متغیرهای آلبیدوی سطح، شاخص رس، NDVI، شاخصهای روشنایی، سبزینگی و رطوبت تبدیل تسلدکپ، همبستگی معنیداری با کربن آلی خاک دارند (01/0> p). همچنین نتایج تحلیل عاملی به روش تجزیة مؤلفههای اصلی (PCA) با مقادیر ویژة بزرگتر از یک نشان داد کل واریانس تجمعی تبیینشده بوسیلة 12 متغیر مذکور، برابر 74/91 درصد است که این میزان واریانس بوسیلة دو عامل توضیح داده شد. عامل اول (رنگ خاک)، 6/76 درصد واریانس و عامل دوم (پوشش گیاهی و بافت خاک)، 14/15 درصد واریانس را تبیین کردند.
نتیجهگیری؛ نتایج این پژوهش مؤید وجود ارتباط معنیدار کربن آلی خاک سطحی با عوامل طیفی مستخرج از دادههای سنجندة OLI لندست 8 در مراتع نیمهاستپی مورد مطالعه است. با توجه به وسعت زیاد مراتع ایران، استفاده از روشهای سنتی در برآورد کربن آلی خاک به دلیل نیاز به صرف وقت و هزینه زیاد، امکانپذیر نمیباشد و در چنین شرایطی استفاده از قابلیتهای دورسنجی میتواند به عنوان گزینهای مناسب برای پایش کربن آلی خاک مراتع کشور مطرح باشد.
واژههای کلیدی: کربن آلی، دورسنجی، رنگ خاک، مرتع لزور، مرتع آساران.
مقدمه
خاک بزرگترین منبع ذخیره کربن آلی در اکوسیستمهای خشکی است که میزان ذخائر کربنی آن متناسب با شرایط اتمسفری، اقلیم و تغییرات پوشش اراضی متغیر است (17)، میزان ذخائر کربن آلی خاک یکی از خصوصیات مهم خاک محسوب میشود که بسیاری از ویژگیهای فیزیکی، شیمیایی و بیولوژیکی آن را تحت تأثیر قرار میدهد (8) و در بسیاری از خدمات اکوسیستم نقش دارد که از جمله آنها میتوان به تولید غذا، تعدیل اثرات تغییر اقلیم، تهویة خاک و غیره اشاره کرد (22). کربن آلی سبب افزایش حاصلخیزی و کیفیت خاک، افزایش ظرفیت تبادلات کاتیونی و آنیونی و افزایش ظرفیت نگهداری آب در خاک شده و بهبود شرایط رویشی گیاه را به همراه دارد (3 و 6). از این رو میزان علاقمندی به پژوهشهای علمی در زمینه کربن آلی خاک در سراسر دنیا رو به افزایش نهاده است.
در روشهای سنتی، نقشههای مربوط به خصوصیات خاک (از جمله نقشه کربن آلی)، به صورت پلیگونی تهیه میشوند که ویژگیهای واحدهای نقشه مربوطه، برگرفته از اطلاعات پروفیل خاک است (17). تهیة این قبیل نقشههای سنتی عمدتاً پرهزینه و وقتگیر بوده و بروزرسانی آنها دشوار است و استفاده از آنها برای تهیة نقشههای مدیریت اکوسیستم، به دلیل نامناسب بودن رزولوشن مکانی، از کارایی لازم برخوردار نمیباشند (17). وقوع پیشرفتهای چشمگیر در علم دورسنجی و به دنبال آن توسعة تکنیکهای تولید نقشههای دیجیتالی خاک (Digital Soil Mapping) محققان را قادر ساخت تا با سرعت ببیشتر، نمونهگیری کمتر، هزینه کمتر و رزولوشن مکانی مناسب، به پیشبینی مکانی ویژگیهای کمی خاک بپردازند (27). در DSM که امروزه به صورت گسترده توسط محققان امر مورد استفاده قرار میگیرد، با استفاده از یک مدل عددی یا آماری، به بررسی ارتباط متغیرهای کمکی با ویژگیهای خاک پرداخته شده و بر اساس نتایج حاصل، اطلاعات مکانی خاک با دقت و رزولوشن مناسب تهیه میشود (26).
با توجه به مطالب بالا، برآورد میزان ذخائر کربن آلی در اکوسیستمهای مرتعی از اهمیت ویژهای برخوردار است. وسعت زیاد مراتع کشور (7/84 میلیون هکتار)، استفاده از روشهای سنتی و پرهزینه اندازهگیری کربن آلی را با چالش جدی مواجه کرده (5 و 17) و در این میان استفاده از قابلیتهای تصاویر ماهوارهای و تکنیکهای دورسنجی میتواند بعنوان راهکاری مناسب و قابل اجرا مطرح باشد. در این خصوص، اسادافال و همکاران (7) ضمن بررسی رابطة بین بازتاب طیفی سنجندههای Thematic Mapper (TM) و Multi Spectral Scanner (MSS) ماهوارة لندست با رنگ خاک در مناطق خشک و نیمهخشک، به وجود همبستگی زیاد بین عوامل رنگ خاک (هیو، والیو و کروما) با داده های مذکور اشاره کردند. برخي محققان نيز به وجود رابطه معکوس بين ميزان کربن آلي خاک با عمق خاک اذعان داشته و نشان دادند که حداکثر تمرکز کربن آلي خاک در 5 تا 15 سانتيمتري خاک سطحي صورت مي گيرد (11). هارتمینک و مکسوینی (9)، نیز وجود همبستگی مثبت معنیدار بین کربن آلي خاک و درصد رس خاک را بیان کردهاند. وو و همکاران (24) با انجام آناليز همبستگي بين مادة آلي خاک با مقادير ارزش عددی در باندهاي يک تا پنج و هفت سنجنده Enhanced Thematic Mapper (ETM+) در منطقه هاينينگ چين، عنوان داشتند که بيشترين همبستگي ميان مادة آلي خاک و DN باند يک (آبی) وجود دارد. عباسنژاد و خواجهالدین (1) نیز با استفاده از فناوری سنجش از دور و بکارگیری تصاویر ماهواره Quick Bird، به بررسی تأثیر جنگلکاری شهری در مناطق خشک واقع در شمالغرب شهر اصفهان بر میزان کربن ترسیبشده در دو عمق 15-0 و 30-15 سانتیمتری خاک پرداختند. و در نتایج خویش عنوان داشتند، میزان ترسیب کربن خاک در لایههای سطحی خاک بسیار زیادتر بوده و با افزایش عمق کاهش مییابد. آنها همچنین با مقایسه ضریب تبیین (R2) دو مدل میزان کربنآلیخاک در خاکهای سطحی (15-0 سانتیمتر) و خاکهای عمقی (30-15 سانتیمتر) دریافتند که دقت مدل تهیه شده برای کربن آلی خاکهای سطحی در مقایسه با خاکهای عمقی به طور معنیداری دقیقتر است. ایشان عامل این اختلاف را تراکنش امواج الکترومغناطیس طبیعی با خاک بیان نمودند که توانایی نفوذ به اعماق خاک را ندارند و بازتابها از سطح خاک میباشند. شاخصهای تبدیل تسلدکپ (روشنايي، سبزينگي و رطوبت) از جمله شاخصهای طیفی مهم میباشند که براي برجستهسازي انواع ويژگيهاي سطح زمين مورد استفاده قرار میگیرند (15). موندال و همکاران (20) نیز برای پیشبینی کربن آلی خاک در افق سطحی در بخشی از حوزه رودخانه نارمادا در کشور هند، از شاخصهای طیفی تبدیل تسلدکپ (Tasseled cap transformation)، شاخص پوشش گیاهی Normalized Difference Vegetation Index (NDVI)، شاخص وضعیت حرارتی پوشش گیاهی و برخی خصوصیات غیرطیفی شکل زمین استفاده کردند. عمادی و همکاران (6) با استفاده از آلگوریتمهای ماشین لرنینگ (Machine Learning Algorithms) و با بکارگیری اطلاعات 105 متغیر کمکی به ارائة مدل پیشبینی کربن آلی خاک در استان مازندران پرداختند و متغیرهای متوسط بارندگی و شاخص پوشش گیاهی NDVI را بعنوان مهمترین متغیرهای تأثیرگذار بر کربن آلی خاک معرفی کردند. فتحالعلومی و همکاران (8) با استفاده از شاخصهای سنجش از دور، عوامل غیرطیفی حاصل از Digital Elevation Model (DEM) و تلفیقی از عوامل طیفی و غیرطیفی به مطالعه تغییرات کربن آلی خاک در حوزة آبخیز بالیخلیچای اردبیل پرداختند و به این نتیجه رسیدند که عوامل طیفی حاصل از تصاویر ماهواره لندست 8 بیشترین سهم واریانس در تبیین میزان تغییرات کربن آلی در منطقه مورد مطالعه را دارا میباشد. به طوری که ضریب دترمینان (R2) مدل در استفاده از عوامل غیرطیفی حاصل از DEM و عوامل طیفی حاصل از ماهواره لندست 8، به ترتیب 21 و 47 درصد محاسبه شده است.
با توجه به تنوع زیاد شاخصهای طیفی حاصل از تصاویر ماهوارهای و نیز با توجه به وجود همبستگی بالا میان این قبیل شاخصها با کربن آلی خاک در افق سطحی که بخش اعظم ذخائر کربن آلی خاک را در بر دارد (11)، در این تحقیق به بررسی ارتباط آماری عوامل مختلف طیفی حاصل از دادههای سنجندة Operational Land Imager (OLI) لندست 8 با کربن آلی خاک سطحی به منظور تعیین مؤثرترین شاخصهای مذکور در برآورد کربن آلی خاک سطحی در دو مرتع ییلاقی لزور (استان تهران) و آساران (استان سمنان) که به لحاظ ویژگیهای اقلیمی از شرایط نسبتاً مشابهی برخوردارند، پرداخته شد. استفاده از نتایج حاصل از این پژوهش میتواند همراه با پارامترهای غیرطیفی مؤثر بر کربن آلی خاک سطحی، در تولید مدلی مناسب به منظور برآورد و پایش کربن آلی خاک سطحی مراتع ییلاقی کشور (در شرایط مشابه با مناطق مورد مطالعه) مورد استفاده قرار گیرد. گفتنی است، با توجه به ارتباط مستقیم کربن آلی خاک با عوامل حاصلخیزی و مقاومت خاک در مقابل فرسایش، مدل توزیع مکانی کربن آلی خاک میتواند بعنوان یک زیرمدل مهم به منظور طراحی سایر مدلهای پیچیده همچون تولید (بایومس) اکوسیستمهای خشکی و مدلهای فرسایش خاک مورد استفاده واقع شود.
مواد و روشها
– ویژگیهای مناطق مورد مطالعه
این پژوهش در دو مرتع ییلاقی لزور (از توابع فیروزکوه استان تهران) و آساران (از توابع شهمیرزاد استان سمنان) انجام شد. جدول 1 ویژگیهای مناطق مورد مطالعه و شکل 1 موقعیت آنها در کشور را نشان میدهد.
جدول 1- ویژگیهای مناطق مورد مطالعه
Table 1. Characteristics of the studied areas
نام مرتع | مساحت (هکتار) | حداقل طول (درجه) | حداکثر طول (درجه) | حداقل عرض (درجه) | حداکثر عرض (درجه) | ارتفاع متوسط (متر) | متوسط بارندگی سالانه (میلیمتر) | متوسط دمای سالانه (سانتیگراد) | اقلیم (آمبرژه) |
لزور | 8150 | 514/52 | 694/52 | 855/35 | 934/35 | 2875 | 330 | 5/7 | نیمهخشک سرد |
آساران | 5642 | 265/53 | 392/53 | 804/35 | 882/35 | 2465 | 280 | 8/11 | نیمهخشک سرد |
شکل 1- موقعيت مناطق مورد مطالعه در استانهای تهران و سمنان، ایران
Fig. 1. Location of the studied areas in Tehran and Cemnan provinces, Iran
- روش تحقیق
مراحل کلی اجرای تحقیق در شکل 2 ارائه شده است.
شکل 2- مراحل اجرای تحقیق
Fig. 2. Research implementation steps
در این پژوهش از اطلاعات باندهای 2 تا 7 سنجندة OLI ماهوارة لندست 8 (جدول 2) در دو منطقه لزور (شمارة گذر 164 و شمارة ردیف 35) و آساران (شمارة گذر 163 و شمارة ردیف 35) مربوط به 10 آگوست 2017 استفاده شد.
جدول 2- مشخصات فنی باندهای سنجندة OLI لندست 8 مورد استفاده در تحقیق
Table 2. Technical characteristics of the Landsat-8/OLI sensor reflective bands used in research
ردیف | شماره باند | نام باند | قدرت تفکیک مکانی (متر) | محدودة طیفی (میکرو متر) |
1 | باند 2 | آبی (مرئی) | 30 | 512/0-452/0 |
2 | باند 3 | سبز (مرئی) | 30 | 590/0-533/0 |
3 | باند 4 | قرمز (مرئی) | 30 | 673/0-636/0 |
4 | باند 5 | مادون قرمز (NIR) | 30 | 879/0-851/0 |
5 | باند 6 | مادون قرمز طول موج کوتاه (SWIR1) | 30 | 651/1-566/1 |
6 | باند 7 | مادون قرمز طول موج کوتاه (SWIR2) | 30 | 294/2-107/2 |
عملیات نمونهبرداری از خاک در هر یک از مناطق مورد مطالعه (لزور و آساران)، با استفاده از روش تصادفی طبقهبندی شده (Stratified random sampling pattern) انجام شد (18). بدین منظور در هر یک از مناطق مورد مطالعه، با استفاده از نرم افزار ArcGIS 10.3 و بکارگیری نقشههای توپوگرافی، نقشههای طبقات ارتفاعی (سه طبقه)، شیب (پنج طبقه) و جهتهای دامنه (چهار طبقه) تهیه شد. در هر منطقه، از تلفیق سه لایة اطلاعاتی اخیر، نقشة واحدهای کاری همگن حاصل شد که پس از کسر واحدهای صخرهای، پرشیب و غیرقابل دسترس، نقشه نهایی واحدهای کاری همگن برای نمونهبرداری تعیین گردید (شکلهای 3 تا 12) در هر یک از واحدهای همگن متناسب با سطح، بین 5 تا 10 نمونه خاک به صورت تصادفی برداشت شد. گفتنی است هر یک از نمونه خاکهای برداشت شده، مخلوطی از خاک 9 مشاهده بود که به شعاع 20 متری پیرامون نقطه تصادفی مورد نظر، برداشت گردید (شکل 13). بر این اساس در مرتع لزور، 157 و در مرتع آساران 145 نمونه خاک به صورت تصادفی با استفاده از متة خاکشناسی (اوگر) از خاک سطحی (0 تا 20 سانتیمتر) برداشت و به آزمایشگاه خاکشناسی منتقل شد. پس از هواخشک نمودن نمونهها و عبور آنها از الک 2 میلیمتری، محتوای کربن آلی نمونهها با استفاده از روش تیتراسیون والکلی – بلاک تعیین گردید.
شکل 3- مدل ارتفاعی رقومی (DEM) مرتع لزور شکل 4- مدل ارتفاعی رقومی (DEM) مرتع آساران
Fig. 4. Digital Elevation Model (DEM) of Asaran rangeland Fig. 3. Digital Elevation Model (DEM) of Lazour rangeland
شکل 5- نقشه طبقات ارتفاعی مرتع لزور شکل 6- نقشه طبقات ارتفاعی مرتع آساران
Fig. 6. Hipsometric map of Asaran rangeland Fig. 5. Hipsometric map of Lazour rangeland
شکل 7- نقشه شیب مرتع لزور شکل 8- نقشه شیب مرتع آساران
Fig. 8. Slope map of Asaran rangeland Fig. 7. Slope map of Lazour rangeland
شکل 9- نقشه جهتهای دامنهای مرتع لزور شکل 10- نقشه جهتهای دامنهای مرتع آساران
Fig. 10. Aspect map of Asaran rangeland Fig. 9. Aspect map of Lazour rangeland
شکل 11- نقشه واحدهای همگن مرتع لزور شکل 12- نقشه واحدهای همگن مرتع آساران
Fig. 12. Homogenous unites map of Asaran rangeland Fig. 11. Homogenous unites map of Lazour rangeland
شکل 13- الگوی کلی نمونهبرداری به روش تصادفی طبقهبندی شده (اقتباس از (18) با کمی تغییر)
Fig. 13. The schematic pattern of the stratified-random sampling (adapted from (18) with a slight change)
متغیرهای طیفی
پیش از محاسبة متغیرهای طیفی، با استفاده از نرم افزار ENVI 5.1، عملیات پیشپردازش در دو مرحله، مطابق با دستورالعمل سازمان زمینشناسی آمریکا (23) انجام شد و بازتابش طیفی بالای اتمسفر هر یک از باندهای دو تا هفت سنجندة OLI لندست 8 در مناطق مورد مطالعه محاسبه شد. با استفاده از تصاویر اصلاح شده مربوط به هر منطقه، هشت شاخص طیفی شامل آلبیدوی سطح (14) ، شاخص رس (20)، شاخص کربنات (4)، شاخص اندازة ذرات (21 و 25)، شاخص گیاهی تفاضلی بهنجار (NDVI) (20)، و شاخصهای روشنایی، سبزینگی و رطوبت تبدیل تسلدکپ (2) محاسبه شد. بر این اساس در هر منطقه کاری 14 لایه طیفی مشتمل بر باندهای دو تا هفت سنجنده OLI، آلبیدوی سطح، شاخص رس، شاخص کربنات، شاخص اندازه ذرات، NDVI و شاخصهای روشنایی، سبزینگی و رطوبت تبدیل تسلدکپ تهیه شد و اطلاعات طیفی محاسبه شده مربوط به نقاط نمونهبرداری، به صورت جدول توصیفی نقشه استخراج شد. شکلهای 14 تا 29 نقشههای شاخصهای طیفی لزور و آساران را نشان میدهند.
شکل 14- نقشه آلبیدو مرتع لزور شکل 15- نقشه آلبیدو مرتع آساران
Fig. 15.Albedo map of Asaran rangeland Fig. 14. Albedo map of Lazour rangeland
شکل 16- نقشه شاخص رس مرتع لزور شکل 17- نقشه شاخص رس مرتع آساران
Fig. 17.Clay Index (CI) map of Asaran rangeland Fig. 16. Clay Index (CI) map of Lazour rangeland
شکل 18- نقشه شاخص کربنات مرتع لزور شکل 19- نقشه شاخص کربنات مرتع آساران
Fig. 19.Carbonate Index (CaI) map of Asaran rangeland Fig. 18. Carbonate Index (CaI) map of Lazour rangeland
شکل 20- نقشه شاخص اندازه ذرات مرتع لزور شکل 21- نقشه شاخص اندازه ذرات مرتع آساران
Fig. 21.Grain Size Index (GSI) map of Asaran rangeland Fig. 20. Grain Size Index (GSI) map of Lazour rangeland
شکل 22- نقشه NDVI مرتع لزور شکل 23- نقشه NDVI مرتع آساران
Fig. 23. NDVI map of Asaran rangeland Fig. 22. NDVI map of Lazour rangeland
شکل 24- شاخص روشنایی تبدیل تسلدکپ مرتع لزور شکل 25- شاخص روشنایی تبدیل تسلدکپ مرتع آساران
Fig. 25.Tasseled-Cap Transformation (BI) of Asaran rangeland Fig. 24. Tasseled-Cap Transformation (BI) of Lazour rangeland
شکل 26- شاخص سبزینگی تبدیل تسلدکپ مرتع لزور شکل 27- شاخص سبزینگی تبدیل تسلدکپ مرتع آساران
Fig. 27.Tasseled-Cap Transformation (GI) of Asaran rangeland Fig. 26. Tasseled-Cap Transformation (GI) of Lazour rangeland
شکل 28- شاخص رطوبت تبدیل تسلدکپ مرتع لزور شکل 29- شاخص رطوبت تبدیل تسلدکپ مرتع آساران
Fig. 29. Tasseled-Cap Transformation (WI) of Asaran rangeland Fig. 28. Tasseled-Cap Transformation (WI) of Lazour rangeland
تجزیة عاملی به روش تجزیة مؤلفههای اصلی
تحلیل عاملی تکنیکی آماری برای تجزیة اطلاعات موجود در مجموعة دادهها است که بین مجموعهای فراوان از متغیرهایی که به ظاهر بیارتباط هستند، رابطة خاصی را تحت یک مدل فرضی برقرار میکند. در تحلیل عاملی به روش تجزیة مؤلفههای اصلی، برای ایجاد عاملها از تمام متغیرها استفاده شده و اطلاعات متغیرهای اولیه با کمترین تلفات به وسیلة عوامل ارائه میشوند و محتوای اطلاعاتی پارامترهای اصلی از دست نمیرود (19). در تجزیة عاملی کنترل تناسب دادهها (تعداد نمونهها) از اهمیت زیادی برخوردار بوده و بنا به نظر بسیاری از محققان، ارتباط مستقیمی بین تعداد نمونهها و تعداد متغیرهای مستقل وجود دارد. این نسبت، متناسب با میزان اشتراکات متغیرها تغییر میکند و از نسبت سه به یک تا 20 به یک در نظر گرفته میشود (19). از این رو در پژوهش حاضر، به منظور تقلیل متغیرهای مستقل و کنترل تناسب دادهها، پیش از اجرای تجزیة عاملی، با ایجاد ماتریس همبستگی پیرسون بین 14 متغیرمستقل اولیه و کربن آلی خاک، آندسته از متغیرهایی که همبستگی معنیداری با کربن آلی خاک نداشتند (05/0> p)، شناسایی و حذف شدند و تجزیة عاملی بر اساس متغیرهای واجد همبستگی معنیدار (05/0>p) با کربن آلی خاک انجام شد. از آنجا که شرط کفایت دادهها در تحلیل عاملی معنیدار شدن آزمون کرویت بارتلت توأم با حصول KMO (Kaiser-Meyer-Olkin) حداقل 6/0 است (10) و در مواردی که آزمون کرویت بارتلت معنیدار بوده ولی مقدار KMO کمتر از 6/0 است، بررسی اشتراکات متغیرها و حذف متغیرهای با میزان اشتراکات کمتر از 4/0 و اجرای مجدد تجزیة عاملی الزامی است (10)، لذا در این پژوهش تجزیة عاملی در چند مرحله انجام شد به طوری که ضمن معنیدار شدن آزمون کرویت بارتلت، KMO بیش از 6/0 حاصل گردد. رابطة 1، نحوة محاسبة KMO را نشان میدهد.
[1]
که در رابطة فوق rij ضریب همبستگی ساده بین متغیرهای i و j و aij ضریب همبستگی جزئی متغیرهای i و j به شرط ثابت بودن سایر متغیرها میباشد.
نتایج
نتایج آزمون همبستگی پیرسون بین متغیرهای مستقل با کربن آلی خاک سطحی نشان داد کلیة متغیرهای مورد بررسی به استثنای شاخص اندازة ذرات Grain Size Index (GSI) ارتباط معنیداری با متغیر پاسخ دارند که در این میان همبستگی آلبیدوی سطح با کربن آلی خاک بیش از سایر متغیرهای مورد مطالعه است (جدول 3).
جدول 3- نتایج آزمون همبستگی پیرسون میان متغیرهای مستقل با کربن آلی خاک سطحی
Table 3. Pearson correlation test results among independent variables and topsoil organic carbon
ردیف | نام متغیر (علامت اختصاری) | تعداد مشاهدات | ضریب همبستگی پیرسون |
1 | باند دو سنجنده OLI لندست 8 (B2) | 302 | -0/493** |
2 | باند سه سنجنده OLI لندست 8 (B3) | 302 | -0/487** |
3 | باند چهار سنجنده OLI لندست 8 (B4) | 302 | -0/473** |
4 | باند پنج سنجنده OLI لندست 8 (B5) | 302 | -0/422** |
5 | باند شش سنجنده OLI لندست 8 (B6) | 302 | -0/456** |
6 | باند هفت سنجنده OLI لندست 8 (B7) | 302 | -0/462** |
7 | آلبیدوی سطح (Albedo) | 302 | -0/497** |
8 | شاخص رس (CI) | 302 | 0/223** |
9 | شاخص کربنات (CaI) | 302 | 0/116* |
10 | شاخص اندازه ذرات (GSI) | 302 | 0/04 ns |
11 | شاخص گیاهی تفاضلی بهنجار (NDVI) | 302 | 0/342** |
12 | شاخص روشنایی تبدیل تسلدکپ (BI) | 302 | -0/484** |
13 | شاخص سبزینگی تبدیل تسلدکپ (GI) | 302 | 0/325** |
14 | شاخص رطوبت تبدیل تسلدکپ (WI) | 302 | 0/382** |
* معنیدار در سطح اطمینان 95 درصد
** معنیدار در سطح اطمینان 99 درصد
ns عدم اختلاف معنیدار
بر اساس نتایج آزمون همبستگی پیرسون (جدول 3)، متغیر شاخص اندازه ذرات از مجموع متغیرها حذف شد. با انجام آزمون تحلیل عاملی بر روی 13 متغیر مستقل باقیمانده و بررسی مقادیر اندازة دقت نمونهگیری (رابطة 2) و حذف متغیر(های) با اندازة دقت نمونهگیری کوچکتر از 5/0، در نهایت تعداد 12 متغیر شامل؛ باندهای دو تا هفت سنجنده OLI ماهواره لندست 8، آلبیدوی سطح، شاخص رس، شاخصهای 3 گانه تبدیل تسلدکپ و شاخص پوشش گیاهی NDVI، بهعنوان متغیرهای مناسب و واجد صلاحیت برای ورود به مدل تحلیل عاملی انتخاب گردید.
[2]
در رابطة فوق، ، ضریب همبستگی ساده بین متغیرهای i و j و ، ضریب همبستگی جزئی متغیرهای i و j به شرط ثابت بودن سایر متغیرها است.
انجام تحلیل عامل بر روی 12 متغیر منتخب نشان داد آزمون کرویت بارتلت معنیدار بود (p<0.01) و KMO آن برابر 768/0 میباشد. لذا میتوان گفت دادهها از کفایت لازم برای انجام تحلیل عاملی برخوردار هستند (10). نتایج تحلیل عاملی به روش تجزیة مؤلفههای اصلی Principal Component Analysis (PCA) با مقادیر ویژة (Eigenvalue) بزرگتر از یک نشان داد کل واریانس تجمعی تبیینشده، پس از چرخش عاملها به روش واریمکس (Varimax) برابر 74/91 درصد است که این میزان واریانس بوسیلة دو عامل توضیح داده میشود (جدول 4).
جدول 4- کل واریانس تبیین شده با تحلیل عاملی به روش تجزیة مؤلفههای اصلی
Table 4. Total variance explained with Factor Analysis (FA) using PCA method
عامل | مقادیر ویژه | استخراج مجموع مجذورات بارهای عاملی | مجموع مجذورات بارهای عاملی پس از چرخش واریمکس | |||||||
کل | درصد واریانس | درصد واریانس تجمعی | کل | درصد واریانس | درصد واریانس تجمعی | کل | درصد واریانس | درصد واریانس تجمعی | ||
1 | 192/9 | 6/76 | 6/76 | 192/9 | 6/76 | 6/76 | 56/7 | 03/63 | 03/63 | |
2 | 817/1 | 14/15 | 74/91 | 817/1 | 14/15 | 74/91 | 45/3 | 71/28 | 74/91 | |
3 | 558/0 | 65/4 | 39/96 |
|
|
|
|
|
| |
4 | 223/0 | 861/1 | 24/98 |
|
|
|
|
|
| |
5 | 108/0 | 904/0 | 15/99 |
|
|
|
|
|
| |
6 | 061/0 | 506/0 | 65/99 |
|
|
|
|
|
| |
7 | 013/0 | 112/0 | 77/99 |
|
|
|
|
|
| |
8 | 012/0 | 097/0 | 86/99 |
|
|
|
|
|
| |
9 | 009/0 | 076/0 | 94/99 |
|
|
|
|
|
| |
10 | 004/0 | 031/0 | 97/99 |
|
|
|
|
|
| |
11 | 003/0 | 025/0 | 99/99 |
|
|
|
|
|
| |
12 | 000/0 | 001/0 | 100 |
|
|
|
|
|
|
ماتریس ضرایب امتیازات عوامل اول و دوم که با استفاده از روش تجزیة مؤلفههای اصلی (PCA) محاسبه شده، در جدول 5 ارائه شده است. شکل 30 نیز نمودار تحلیل عاملی مربوطه را نشان میدهد.
جدول 5- ماتریس ضریب تأثیر امتیازات عاملی
Table 5. Factor scores coefficient matrix
متغیر | عامل اول | عامل دوم | متغیر | عامل اول | عامل دوم |
باند 2 (آبی) | 097/0 | 039/0- | آلبیدوی سطح | 119/0 | 002/0- |
باند 3 (سبز) | 111/0 | 016/0- | شاخص رس | 129/0 | 369/0 |
باند 4 (قرمز) | 121/0 | 001/0 | روشنایی تسلدکپ | 144/0 | 046/0 |
باند 5 (NIR) | 215/0 | 211/0 | سبزینگی تسلدکپ | 117/0 | 376/0 |
باند 6 (SWIR 1) | 162/0 | 086/0 | رطوبت تسلدکپ | 094/0- | 017/0 |
باند 7 (SWIR 2) | 121/0 | 002/0 | شاخصNDVI | 094/0 | 345/0 |
شکل 30- نمودار تحلیل عامل به روش تجزیة مؤلفههای اصلی
(نام کامل علائم اختصاری نمودار، در جدول 3 ارائه شده است)
Fig. 30. Factor Analysis (FA) plot using PCA method
(The full names of the acronyms shown in the plot are given in Table 3.)
بحث و نتیجهگیری
نتایج آزمون همبستگی نشان داد که کلیة متغیرهای طیفی به استثنای شاخص اندازة ذرات (GSI)، همبستگی معنیداری با کربن آلی خاک سطحی دارند که این امر مؤید ارتباط تنگاتنگ متغیرهای طیفی با کربن آلی خاک سطحی میباشد. مورد اخیر با نتایج تحقیقات موندال و همکاران (20)، پیکینی و همکاران (21) و فتحالعلومی و همکاران (8) همخوانی دارد. همچنین بیشترین میزان همبستگی میان متغیرهای طیفی مورد مطالعه با متغیر پاسخ (کربن آلی خاک سطحی)، مربوط به شاخص آلبیدوی سطح است. از آنجا که آلبیدوی سطح بیانگر درصد بازتاب نور از سطح یک جسم است، لذا با رنگ خاک ارتباط مستقیم داشته و از ضریب همبستگی منفی این شاخص با کربن آلی خاک اینگونه برمیآید که با افزایش ذخائر کربن آلی خاک، رنگ خاک تیرهتر شده و این امر کاهش بازتاب طیفی خاک را به همراه دارد. مورد اخیر با نتایج تحقیقات اسادافال و همکاران (7) مطابقت دارد.
اگر چه در پژوهش حاضر نتایج آزمون همبستگی پیرسون، مؤید همبستگی مثبت و معنیداری میان شاخص رس (CI) با کربن آلی خاک است، اما میزان این همبستگی قوی نبوده و ضریب همبستگی آن کوچک است (223/0=r). با توجه به نقش رس در تشکیل کمپلکسهای رس و هوموس و تثبیت مادة آلی برای مدت طولانیتر در خاک و نیز نقش آن در افزایش فعالیت بیولوژیکی میکروارگانیسمهای خاک (16)، همبستگی مثبت و معنیداری بین کربن آلی و رس موجود در خاک وجود دارد (9 و 12) اما این همبستگی مطابق نتایج تحقیقات جوباگی و جکسون (11) تابعی از عمق خاک است، به طوری که در افق سطحی (تا 20 سانتیمتر) ارتباط مذکور ضعیف است اما با افزایش عمق خاک، بر میزان ارتباط و همبستگی کربن آلی خاک با درصد رس افزوده میشود.
نتایج تحلیل عاملی به روش تجزیة مؤلفههای اصلی با مقادیر ویژة بزرگتر از یک نشان داد کل واریانس تجمعی تبیینشده، برابر 74/91 درصد است که این میزان واریانس بوسیلة دو عامل توضیح داده میشود. عامل اول مشتمل بر 9 متغیر ( باندهای 2 تا 7، آلبیدوی سطح، شاخص روشنایی تسلدکپ و شاخص رطوبت تسلدکپ) است که مقدار ویژة آن 19/9 است و این میزان 6/76 درصد از کل واریانس تبیینشده توسط دو عامل را پوشش میدهد. سایر متغیرهای مستقل شامل شاخص رس، شاخص سبزینگی تسلدکپ و شاخص پوشش گیاهی NDVI میباشند که مقدار ویژة این عامل 8/1 بوده و این میزان 14/15 درصد از کل واریانس تبیینی توسط دو عامل را پوشش میدهد. در این راستا، عمادی و همکاران (6) نیز عامل پوشش گیاهی (NDVI) را به عنوان یکی از مهمترین عوامل تأثیرگذار بر کربن آلی خاک معرفی کردند که 5/12 درصد واریانس مدل پیشنهادی آنها را تبیین کرد.
همانگونه که در دوپلاتی تجزیة مؤلفههای اصلی (شکل 30) ملاحظه میشود، از مجموع 9 متغیر مربوط به مؤلفة اول، 8 متغیر مشتمل بر انعکاسات بالای اتمسفر باندهای 2 تا 7، آلبیدوی سطح و شاخص روشنایی تبدیل تسلدکپ که با بازتابش امواج الکترومغناطیس (EMR) ارتباط مستقیم دارند، با مؤلفه اول همبستگی مثبت نشان میدهند. اما از آنجا رطوبت موجود در خاک بعنوان جاذب امواج الکترومغناطیس عمل میکند، شاخص رطوبت تبدیل تسلدکپ با بازتابش امواج الکترومغناطیس رابطة معکوس داشته و این امر سبب ایجاد همبستگی منفی میان این متغیر با مؤلفه اول شده است. با توجه به مطالب فوق میتوان گفت عامل اول بیانگر درصد بازتاب نور از سطح یک پدیده است و با رنگ خاک در ارتباط است. بنابراین میتوان عامل اول را با نام رنگ خاک نامگذاری کرد. در این خصوص کوپاکووا و همکاران (13) عنوان داشتند هر چه میزان کربن آلی خاک بیشتر باشد، میزان جذب رطوبت خاک و نیز ظرفیت نگهداشت آب در خاک افزایش یافته، رنگ خاک تیرهتر شده و میزان جذب انرژی تابشی توسط خاک افزیش مییابد.
عامل دوم نیز که به صورت مشخص با سبزینگی گیاهان و میزان نسبی رس خاک ارتباط مستقیم دارد را میتوان با نام پوشش گیاهی و بافت خاک نامگذاری کرد. به عبارتی با افزایش میزان پوشش گیاهی و سنگین شدن بافت خاک، میزان ذخائر کربن خاک سطحی افزایش مییابد.
نتایج این پژوهش مؤید وجود ارتباط معنیدار کربن آلی خاک سطحی با عوامل طیفی مستخرج از دادههای سنجندة OLI لندست 8 در مراتع نیمهاستپی مورد مطالعه است. از آنجا که مراتع نیمهاستپی کشور از وسعت بسیار زیادی برخوردارند (23 میلیون هکتار)، استفاده از روشهای سنتی در برآورد کربن آلی خاک به دلیل نیاز به صرف وقت و هزینه زیاد، صعبالعبور بودن و عدم دسترسی به تمامی نواحی مورد مطالعه، غیریکنواخت بودن ویژگیهای توپوگرافیک و نیز عدم پویایی این قبیل اطلاعات، امکانپذیر نبوده و در چنین شرایطی میتوان با استفاده از اطلاعات طیفی حاصل از دادههای ماهوارهای، با صرف وقت و هزینهای کم، اطلاعاتی داینامیک و پویا از تغییرات کربن آلی در افق سطحی خاک مراتع نیمهاستپی کشور بدست آورد.
منابع مورد استفاده
1- Abbas Nejad B. Khajedin S. J. 2013. Effect of urban reforestation on carbon sequestration in arid soils using remote sensing technology. Journal of RS and GIS for Natural Resources (Journal of Applied RS & GIS Techniques in Natural Resource Science). 3(4): 57-71. (In Persian).
2- Baig M.H.A. Zhang L. Shuai T. Tong Q. 2014. Derivation of a tasseled cap transformation based on Landsat 8 at satellite reflectance. Remote Sensing Letters. 5(5):423-431. DOI: 10.1080/2150704X.2014.915434.
3- Bangroo S.A. Najar G.R. Achin E. Truong P.N. 2020. Application of predictor variables in spatial quantification of soil organic carbon and total nitrogen using regression kriging in the North Kashmir forest Himalayas. CATENA. 193, 104632. https://doi.org/10.1016/j.catena.2020.104632.
4- Boettinger J.L. Ramsey R.D. Bodily J.M. Cole N.J. Kienast Brown S. Nield S.J. Saundes A.M. Stum A.K. 2008. Landsat spectral data for digital soil mapping. In: Hartemink, A.E., McBratney, A.B., Mendonca Santos, M.L. (Eds.). Digital Soil Mapping With Limited Data. Springer science. Australia. pp. 193–203.
5- Brown D.J. Shepherd K.D. Walsh M.G. Dewayne Mays M. Reinsch T.G. 2006. Global soil characterization with VNIR diffuse reflectance spectroscopy. Geoderma. 132(3-4):273-290. https://doi.org/10.1016/j.geoderma.2005.04.025.
6- Emadi M. Taghizadeh-Mehrjardi R. Cherati A. Danesh M. Mosavi A. Scholten Th. 2020. Predicting and mapping of Soil Organic Carbon using machine learning algorithms in Northern Iran. Remote Sensing Journal. 12(14). 2234. doi: 10.3390/rs12142234.
7- Esadafal R. Girard M.C. Courault D. 1989. Munsell soil color and soil reflectance in the visible spectral bands of landsat MSS and TM data. Remote Sensing of Environment. 27(1):37-46. https://doi.org/10.1016/0034-4257(89)90035-7.
8- Fathololoumi S. Vaezi A.R. Alavipanah S.K. Ghorbani A. 2020. Modeling soil organic carbon variations using Remote Sensing indices in Ardabil Balikhli Chay watershed. Iranian Journal of Soil and Water Research (IJSWR). 50(9): 2417-2429. DOI: 10.22059/IJSWR.2020.299509.668542. (In Persian).
9- Hartemink A.E. McSweeney K. 2014. Soil Carbon, Springer pub., 506 p.
10- Howard M.C. 2016. A Review of Exploratory Factor Analysis Decisions and Overview of Current Practices: What We Are Doing and How Can We Improve?, International Journal of Human-Computer Interaction. 32(1):51-62. DOI: 10.1080/10447318.2015.1087664.
11- Jobbagy E.G. Jackson R.B. 2000. The vertical distribution of soil organic carbon and its relation to climate and vegetation. Ecological Applications. 10:423-436. https://doi.org/10.1890/1051-0761(2000)010[0423:TVDOSO]2.0.CO;2.
12- Kasel S. Singh S. Sanders G.J. Bennett L.T. 2011. Species-specific effects of native trees on soil organic carbon in biodiverse plantings across north-central Victoria. Geoderma. 161: 95–106. DOI: 10.1016/j.geoderma.2010.12.014.
13- Kopacková V. Jelének J. Koucká L. Fárová K. Pikl M. 2018. Modelling soil Organic Carbon and mineral composition using reflectance and emissivity data. Paper presented at the EGU General Assembly Conference Abstracts.
14- Liang S. Shuey C.J. Russ A.L. Fang H. Chen M. Walthall C.L. …, Hunt, R. 2003. Narrowband to broadband conversions of land surface albedo: II. Validation. Remote Sensisng of Environment. 84(1): 25-41. https://doi.org/10.1016/S0034-4257(02)00068-8.
15- Liu Q. Liu G. Huang C. Xie C. 2015. Comparison of tasselled cap transformations based on the selective bands of Landsat 8 OLI TOA reflectance images. International Journal of Remote Sensing. 36(2):417-441. https://doi.org/10.1080/01431161.2014.995274.
16- Mahmoudi Sh. Hakimian M. 2006. Fundamentals of soil sciences. Tehran university press. 700 p. (In Persian).
17- Mahmoudzadeh H. Matinfar H.R. Taghizadeh-Mehrjardi R. Kerry R. 2020. Spatial prediction of soil organic carbon using machine learning techniques in western Iran. Geoderma Regional. e00260. Doi: 10.1016/j.geodrs.2020.e00260.
18- McCoy R.M. 2005. Field Methods in Remote Sensing. The Guildford press. New York. 159 p.
19- Mohan S. Arumugam N. 1996. Relative importance of meteorological variables in evapotranspiration: Factor Analysis approach. Water Resources Management. 10(1): 1-20. doi:10.1007/bf00698808.
20- Mondal A. Khare D. Kundu S. Mondal S. Mukherjee S. Mukhopadhyay A. 2017. Spatial soil organic carbon (SOC) prediction by regression kriging using remote sensing data. The Egyptian Journal of Remote Sensing and Space Sciences. 20(1): 61-70. DOI: 10.1016/j.ejrs.2016.06.004.
21- Piccini C. Marchetti A. Francaviglia R. 2014. Estimation of soil organic matter by geostatistical methods: use of auxiliary information in agriculture and environment assessment. Ecological Indicators. 36: 301-314. https://doi.org/10.1016/j.ecolind.2013.08.009.
22- Santanu M. Tridip B. Umesh M. Niladri P. 2020. Mapping and prediction of soil organic carbon by an advanced geostatistical technique using remote sensing and terrain data. Geocarto International. DOI: 10.1080/10106049.2020.1815864.
23- United States Geological Survey (USGS). 2016. LANDSAT 8 (L8) DATA USERS HANDBOOK. version 2.0. 106 p.
24- Wu C. Wu J. Luo Y. Zhang L. DeGloria S.D. 2009. Spatial prediction of soil organic matter content using cokriging with remotely sensed data. Soil Science Society of America Journal. 73(4):1202-1208. https://doi.org/10.2136/sssaj2008.0045.
25- Xiao J. Shen Y. Tateishi R. Bayaer W. 2006. Development of topsoil grain size index for monitoring desertification in arid land using remote sensing. International Journal of Remote Sensing. 27(12): 2411–2422. https://doi.org/10.1080/01431160600554363.
26- Zhang Y. Guo L. Chen Y. Shi T. Luo M. Ju Q. Zhang, H., Wang, S., 2019. Prediction of Soil Organic Carbon based on Landsat 8 Monthly NDVI Data for the Jianghan Plain in Hubei Province. China. Remote Sensing. 11. 1683. https://doi.org/10.3390/rs11141683.
27- Zhou T. Geng Y. Chen J. Liu M. Haase D. Lausch A. 2020. Mapping soil organic carbon using multi-sourse remote sensing variables in the Heihe River Basin in China. Ecological Indicators. https://doi.org/10.1016/j.ecolind.2020.106288.
Classification of the most important spectral factors extracted from Landsat-8 images in explaining the topsoil organic carbon in semi-steppe rangelands using exploratory factor analysis (EFA)
Abstract
Background and Objective Soil organic carbon in rangeland ecosystems has a variety of functions such as increasing soil fertility, controlling erosion, increasing soil water permeability and, reducing the effects of greenhouse gases. Therefore, it is a key indicator in determining soil health that affects all physical, chemical, and biological properties of soil. The large area of the country's rangelands causes a serious challenge to the use of traditional methods in estimating soil organic carbon. In such situations, the use of remote sensing capabilities can be considered as a suitable option for monitoring the organic carbon of the country's rangeland soils. The aim of this study was to determine the most important spectral factors affecting topsoil organic carbon in two summer rangelands.
Materials and Methods This research was carried out in two summer rangelands of Lazour and Asaran. The first rangeland (Lazour) with an area of 8150 hectares and an average height of 2875 meters is located in the range of eastern longitudes 52.514 to 52.694 degrees and northern latitudes 35.855 to 35.934 degrees in Tehran province. The second Rangeland (Asaran) with an area of 5642 hectares and an average height of 2465 meters is located in the range of eastern longitudes 53.265 to 53.392 degrees and northern latitudes 35.804 to 35.882 degrees in Semnan province. In this research, the data of the OLI sensor of Landsat 8 satellite were used. After pre-processing satellite imagery of the studied areas, Top of Atmosphere (TOA) reflectance layers of bands 2 to 7 along with the variables of surface albedo, Clay index, Carbonate index, Grain Size index, NDVI, brightness, greenness, and wetness index of Tasseled cap transformation were calculated. In each of the target areas, using Digital Elevation Model (DEM) maps, the slope, aspect, and hypsometric maps were prepared and by combining the last three layers with each other, a map of homogeneous sampling units was obtained. Soil sampling was performed using the stratified-random sampling pattern. In this way, in each of the homogeneous units, according to its area, several soil samples were randomly taken from a depth of zero to 20 cm and the amount of organic carbon of the samples was measured using the Walkley-Black method.
Results and Discussion The results of this study showed that the spectral variables of Top of Atmosphere (TOA) reflectance layers of bands 2 to 7 along with the variables of surface albedo, Clay index, NDVI, brightness, greenness, and wetness index of Tasseled cap transformation have a significant correlation with topsoil organic carbon (p<0.01). Also, the results of factor analysis by principal component analysis (PCA) with eigenvalues greater than one showed that the total cumulative variance explained by the 12 variables is 91.74%, which was explained by two factors. The first factor (soil color) explained 76.6% of the variance and the second factor (vegetation and soil texture) explained 15.14% of the variance.
Conclusion The results of this study confirm the existence of a significant relationship between topsoil organic carbon and spectral factors extracted from Landsat 8 OLI sensor data in semi-steppe rangelands. Because of the large area of rangelands in Iran, the use of traditional methods in estimating soil organic carbon is not possible due to the need to spend a lot of time and money. And in such situations, the use of Remote Sensing (RS) capabilities can be considered as a suitable option for monitoring the topsoil organic carbon in the rangelands.
Keywords: Organic carbon, Remote sensing, soil color, Lazour rangeland, Asaran rangeland.