|
" تلفيق تکنيکهاي سنجش از دور و نزديک در ارزيابي وضعيت شوري خاک باغات پسته "
هاشمي نژاد، يوسف
| شماره شناسایی
|
:
|
18883577
|
| شماره مدرک
|
:
|
۶۶۹۷۰
|
| نام عام مواد
|
:
|
[گزارش نهایی -عادی]
|
| شناسه افزوده
|
:
|
هاشمي نژاد، يوسف
|
|
|
:
|
عباس آبادي، راضيه
|
|
|
:
|
زنگي آبادي، مهدي
|
|
|
:
|
بيرامي، حسين
|
|
|
:
|
رحيميان، محمدحسن
|
|
|
:
|
بشارت، ناديا
|
|
|
:
|
سلطاني گردفرامرزي، ولي
|
|
|
:
|
شيران تفتي، مهدي
|
| عنوان اصلي
|
:
|
تلفيق تکنيکهاي سنجش از دور و نزديک در ارزيابي وضعيت شوري خاک باغات پسته
|
| نام نخستين پديدآور
|
:
|
هاشمي نژاد، يوسف
|
| عنوان اصلي به زبان ديگر
|
:
|
Integration of Remote and Proximal Sensing Techniques for Soil Salinity Assessment of Pistachio Orchards
|
| وضعیت انتشار
|
:
|
يزد: مرکز ملي تحقيقات شوري، ۱۴۰۳
|
| فروست
|
:
|
شماره ثبت ۶۶۹۷۰ مورخ ۱۴۰۳/۱۲/۲۰۶۶۹۷۰
|
|
|
:
|
شماره طرح : 2-23-23-001-010274
|
|
|
:
|
سامانه سمپات
|
| توصیفگر
|
:
|
پسته،
|
|
|
:
|
تصاویر ماهواره‌ای
|
|
|
:
|
سنجش از دور
|
|
|
:
|
سنجش از نزدیک
|
|
|
:
|
یادگیری ماشین
|
| خلاصه یا چکیده
|
:
|
شوری خاک یک خصوصیت تغییرپذیر در مکان و زمان است. در باغات پسته تحت آبیاری با منابع آب شور و لب‌شور، اطلاع از تغییرپذیری شوری خاک اهمیت زیادی از جهت مدیریت آبیاری و آبشویی دارد. آبشویی بیش از حد باعث تلفات آب و آبشویی کمتر از حد مورد نیاز باعث تجمع نمک در خاک و در مجموع باعث کاهش بهره‌وری آب می‌شود. روش‌های سنتی ارزیابی شوری خاک که مبتنی بر نمونه‌برداری و تجزیه آزمایشگاهی نمونه‌ها است، برای درک این تغییرپذیری زمانی و مکانی هم زمان‌بر و هم هزینه‌بر است. ابزارهای سنجش از دور و سنجش از نزدیک می‌توانند زمان و هزینه پایش تغییرات شوری خاک را کاهش دهند. این پروژه به‌منظور ارزیابی این روش‌ها در تهیه نقشه تغییرات شوری خاک طراحی و اجرا شد. شاخص‌های سنجش از نزدیک در این تحقیق شامل اندازه‌گیری هدایت الکتریکی ظاهری خاک به‌وسیله دستگاه EM38 و اندازه‌گیری قطر تاج‌پوشش و تعداد خوشه‌های درختان پسته بود. شاخص‌های سنجش از دور شامل مقادیر میانگین اعداد دیجیتال سنجنده ماهواره‌ای سنتینل 2 و شاخص‌های پوشش گیاهی مستخرج از آن بود. اندازه‌گیری زمینی مشتمل بر نمونه‌برداری از 25 نقطه خاک یک باغ پسته 75 هکتاری در استان خراسان رضوی تا عمق 90 سانتی‌متری به فواصل 30 سانتی‌متری بود. نتایج تحقیق نشان داد که استفاده از شاخص‌های سنجش از دور و سنجش از نزدیک هر یک به‌تنهایی و یا با هم توانستند در سطح احتمال 1 درصد، تغییرپذیری شوری خاک را پیش‌بینی کنند. رگرسیون حداقل مربعات جزیی استخراج شده برای پیش بینی شوری از روی شاخص‌های سنجش از دور برای پیش‌بینی شوری خاک در پهنه وسیع با تلفیق محیط‌های کدنویسی GEE و R مورد استفاده قرار گرفت که بر اساس آن روش ماشین بردار پشتیبان بیشترین دقت را در تهیه نقشه شوری خاک محدوده مورد مطالعه نشان داد.
|
|
|
:
|
Soil salinity is a property that varies in space and time. In pistachio orchards irrigated with saline and brackish water sources, understanding the variability of soil salinity is crucial for managing irrigation and leaching practices. Excessive leaching leads to water loss, while insufficient leaching results in salt accumulation in the soil, ultimately reducing water productivity. Traditional methods of assessing soil salinity, which rely on sampling and laboratory analysis, are both time-consuming and costly for understanding this temporal and spatial variability. Remote sensing and proximal sensing tools can reduce the time and cost of monitoring soil salinity changes. This project was designed and executed to evaluate these methods in mapping soil salinity variations. The proximal sensing indicators in this study included measuring the apparent electrical conductivity of the soil using the EM38 device, as well as measuring the canopy diameter and the number of clusters on pistachio trees. Remote sensing indicators included the mean digital numbers of Sentinel-2 satellite sensors and vegetation indices derived from them. Ground measurements involved soil sampling from 25 points in a 75-hectare pistachio orchard in Khorasan Razavi Province, down to a depth of 90 cm at 30 cm intervals. The results of the study showed that using remote sensing and proximal sensing indices, either individually or combined, could predict soil salinity variability at a 1% significance level. The partial least squares regression model derived for predicting salinity based on remote sensing indices was used to predict soil salinity over a large area by integrating the GEE and R coding environments. Based on this, the Support Vector Machine (SVM) method showed the highest accuracy in producing a soil salinity map of the studied area.
|
| |