Study indexes and mapping of soil salinity using remote sensing data (Case study: Aji Chay river delta)

Subject Areas : Geospatial systems development

Majid Pishnamaz Ahmadi ¹ , Mohammad Hossein Rezaei Moghadam ² , Bakhtiar Feizizadeh ³

1 - MSc. Graduated of Remote Sensing and Geographical Information System, University of Tabriz
2 - Professor of Geomorphology and Remote sensing
3 - Assis. Prof. College of Geography & Planning, University of Tabriz

Received: 2017-02-24 Accepted : 2017-05-08 Published : 2017-05-31

Keywords: Aji Chay river delta, remote sensing, Soil salinity, Landsat,

Abstract :

Soil is a non-renewable and dynamic resource that the improper land use and management, is susceptible to degradation. Soil salinity one of the important land degradation factors in arid and semi-arid region. Identification and mapping of saline soils often due to temporal and spatial variability, and the need for sampling and laboratory work is difficult. In recent years remote sensing technology, due to the ability to identify phenomena has always been of interest to specialists. Information that obtained from satellite images contributed greatly to the study of various phenomena and can be very helpful in detecting phenomena changes. Case study, Aji Chay river delta was selected that is located in the west of Tabriz city and east of Urmia lake, because this region's importance in terms of agricultural and ecological. In this study used ground data and OLI sensor images from Landsat satellite during 2015, and field sampling was taken at the 5 and 6 August 2015. This data used for study and evaluation, soil salinity indexes. With a significance level analysis and measure study between ground data and output of models, best salinity index selected and extraction soil salinity map. In this index, SIT index has the highest correlation (97%) and presented as best index for salinity study in this region that salinity maps extraction from this index. SI2 index with 52% correlation has lowest correlate between salinity index and ground data. In the study region most areas included very saline class with 42% of the total area.

References:

1. احمدی، ا.، م. ر. طاطیان، ر. تمرتاش، ح. یگانه و ی. عصری. 1395. بررسی پوشش گیاهی اراضی شور حاشیه دریاچه ارومیه با استفاده از تصاویر ماهواره­ای. سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 7(1): 1-12.

2. اخضری، د. و ا. اسدی می­آبادی. 1395. تهیه نقشه شوری خاک با استفاده از تحلیل طیفی داده­های سنجده OLI و داده­های میدانی (مطالعه موردی: جنوب دشت ملایر). سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 7(2): 87-100.

3. افیونی، د.، ع. ر. مرجوی و ا. قندی. 1385. نکاتی از زراعت و تغذیه گندم در اراضی شور. نشریه علمی ترویجی وزارت جهاد کشاورزی، سازمان جهاد کشاورزی استان اصفهان، مدیریت ترویج و نظام بهره­برداری، 24 صفحه.

4. بریج، ج. 1388. رودخانه­ها و دشت­های سیلابی (جلد اول: دینامیک و فرایندها). ترجمه: مهدی ثقفی و محمد حسین رضایی مقدم. انتشارات سمت، 474 صفحه.

5. تقی­زاده مهرجردی، ر.، ف. سرمدیان، م. امید، غ. ر. ثواقبی، م. ج. روستا و م. ح. رحیمیان. 1391. پهنه­بندی شوری خاک با استفاده از تکنیک زمین­آمار و دستگاه القاگر الکترومغناطیس در منطقه اردکان. پژوهش­های خاک، 26(4): 369-380.

6. ثنایی­نژاد، س. ح.، ع. ر. آستارایی، م. قائمی و پ. میرحسینی موسوی.1390. بررسی قابلیت تصاویر ماهواره­ لندست ETM⁺ در مطالعات شوری خاک (مطالعه موردی: منطقه نیشابور). پژوهش­های زراعی ایران، 9(3): 348-355.

7. حیدریان، پ.، ک. رنگزن، س. ملکی و ا. تقی­زاده. 1392. پایش تغییرات کاربری اراضی با استفاده از روش مقایسه پس از طبقه‌بندی تصاویر ماهواره لندست (مطالعة موردی: اراضی شهر تهران). سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 4(4): 1-10.

8. خادمی، ف.، ر. سکوتی اسکوئی، ح. پیرخراطی و س. شاه­کرمی. 1391. بررسی تاثیر پسروی دریاچه ارومیه بر پوشش گیاهی اراضی اطراف دریاچه به کمک GIS و RS . مجموعه مقالات دومین همایش ملی تنوع زیستی و تاثیر آن بر کشاورزی و محیط زیست. ارومیه، 21 تیر ماه.

9. خدادادی، م.، م. ص. عسکری، ف. سرمدیان، ا. حیدری، ح. ع. رفاهی، ع. ا. نوروزی و ح. ر. متین­فر. 1387. تهیه نقشه خاک­های تحت تاثیر شوری و قلیائیت با استفاده از داده­های سنجنده ETM⁺ در بخشی از دشت قزوین. پژوهش و سازندگی (در زراعت و باغبانی)، 80: 77-90.

10. خیامیم، ف.، ح. خادمی، ب. استنبرگ و ی. ویترلیند. 1394. قابلیت روش طیف‌سنجی مرئی- مادون قرمز نزدیک در پیش‌بینی چند ویژگی شیمیایی خاک‌های استان اصفهان. علوم آب و خاک (علوم و فنون کشاورزی و منابع طبیعی)، 19(72): 81-92.

11. دادرسی، ا.، م. یمانی، م. پاک­پرور و ز. داورزنی. 1385. بررسی روند تغییرات شوری خاک با استفاده از داده­های سنجش از دور و سامانه­های اطلاعات جغرافیایی در ناحیه گرم و خشک جنوب شرقی شهرستان سبزوار. جغرافیا و توسعه، 7(1): 173-184.

12. دماوندی، ع. ع.، م. ح. مسیح­آبادی و م. تکاسی. 1384. ارزیابی کیفی تناسب اراضی بر روی محصول چغندر قند در منطقه خدابنده استان زنجان. مجموعه مقالات نهمین کنگره علوم خاک ایران. تهران، مرکز تحقیقات حفاظت خاک و آبخیزداری کشور. 6 الی 9 شهریور ماه.

13. رسولی، ع. ا. و ش. عباسیان. 1388. تحلیل مقدماتی سری­های زمانی تراز سطح آب دریاچه ارومیه. جغرافیا و برنامه­ریزی، 14(28): 137-163.

14. رضایی مقدم، م. ح.، ع. محمدفر و خ. ولیزاده کامران. 1391. آشکارسازی تغییرات کناری و شناسایی مناطق خطر رودخانه آجی چای در محدوده خواجه تا ونیار. جغرافیا و برنامه­ریزی محیطی، 48: 1-14.

15. رضائی مقدم، م. ح.، م. رضایی بنفشه، ب. فیضی­زاده و ح. نظم­فر. 1389. طبقه­بندی پوشش اراضی/ کاربری اراضی بر اساس تکنیک شی­گرا و تصاویر ماهواره­ای، مطالعه موردی: استان آذربایجان غربی. پژوهش­های آبخیزداری، 23(2): 19-32.

16. شایان، س. و م. جنتی. 1386. شناسایی نوسانات مرز پیرامونی و ترسیم نقشه پراکنش مواد معلق دریاچه ارومیه با استفاده از تصاویر ماهواره­ای سنجنده­های (ETM, TM & LISSIII). پژوهش ­های جغرافیایی، 39(62): 25-39.

17. شریفی­کیا، م. و ع. افضلی. 1391. پایش و تحلیل روند افزایش شوری خاک در مخروط­افکنه دامغان با استفاده از داده­های ماهواره­ای و پیمایشی. جغرافیا و مخاطرات محیطی، 3(3): 73-86.

18. فیضی­زاده، ب. 1386. مقایسه روش­های پیکسل پایه و شیء­گرا در تهیه نقشه­های کاربری اراضی. پایان­نامه کارشناسی ارشد، رشته سنجش از دور وGIS ، دانشگاه تبریز. 130 صفحه.

19. کرمی، ف. و ه. کاظمی. 1391. پایش مکانی شوری آب­های زیرزمینی در سال شاخص خشکسالی و ترسالی (مورد: دشت تبریز). جغرافیا و توسعه، 10(28): 79-94.

20. هاشمی، س. آ.، س. ر. فاطمی­طلب، ح. کاوسی کلاشمی و م. معدنی­پور کرمانشاهی. 1395. پایش تغییرات سطح پوشش چنگل­های حوزه سیاه مزگی استان گیلان با استفاده از تصاویر لندست. سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 7(3): 78-88.

 

21. Abrol I, Yadav JSP, Massoud F. 1988. Salt-affected soils and their management. vol 39. Food & Agriculture Organization of the United Nation, Rome, Italy.

22. Aldabaa AAA, Weindorf DC, Chakraborty S, Sharma A, Li B. 2015. Combination of proximal and remote sensing methods for rapid soil salinity quantification. Geoderma, 239: 34-46.

23. Allbed A, Kumar L, Aldakheel YY. 2014. Assessing soil salinity using soil salinity and vegetation indices derived from IKONOS high-spatial resolution imageries: Applications in a date palm dominated region. Geoderma, 230: 1-8

24. Blanco-Canqui H, Lal R. 2008. Principles of Soil Conservation and Management. Springer. Springer Netherlands. 617 pp.

25. Feizizadeh B, Roodposhti MS, Jankowski P, Blaschke T. 2014. A GIS-based extended fuzzy multi-criteria evaluation for landslide susceptibility mapping. Computers & Geosciences, 73: 208-221.

26. Fernandez-Buces N, Siebe C, Cram S, Palacio J. 2006. Mapping soil salinity using a combined spectral response index for bare soil and vegetation: A case study in the former lake Texcoco, Mexico. Journal of Arid Environments, 65(4): 644-667.

27. Hirschi M, Mueller B, Dorigo W, Seneviratne S. 2014. Using remotely sensed soil moisture for land–atmosphere coupling diagnostics: The role of surface vs. root-zone soil moisture variability. Remote Sensing of Environment, 154: 246-252.

28. Khan NM, Rastoskuev VV, Sato Y, Shiozawa S. 2005. Assessment of hydrosaline land degradation by using a simple approach of remote sensing indicators. Agricultural Water Management, 77(1): 96-109.

29. Miller RW, Donahue RL. 1990. Soils: An Introduction to Soils and Plant Growth. Prentice Hall, the University of Michigan. 768 pp.

30. Richards JA. 1986..Remote sensing digital image analysis: an introduction, Springer-Verlag, New York, 344 pp.

31. Wang Y, Huang T, Liu J, Lin Z, Li S, Wang R, Ge Y. 2015. Soil pH value, organic matter and macronutrients contents prediction using optical diffuse reflectance spectroscopy. Computers and Electronics in Agriculture, 111: 69-77