شوری و شور شدن خاک یکی از مشکلات رو به افزایش در مناطق خشک و نیمه خشک است. در سالهای اخیر استفاده از روشهای دورسنجی و سامانههای اطلاعات جغرافیایی (GIS) بهمنظور تفکیک خاکهای شور مورد توجه بسیاری از محققین قرار گرفته است؛ زیرا تصاویر دورسنجی دارای پوشش وسیع و یکپارچه با شرایط زمانی یکسان از پدیدهها، موجب صرفه جویی در زمان و هزینههای مطالعه میشود. در این تحقیــق تصاویر سنجنده LISS- III از ماهواره هندوستان (IRS) به کار گرفته شد.شاخص BI توانست ضمن تفکیک نواحی با شوری شدید از نواحی غیرشور، جدا کند. شاخص SI نسبت به BI با کیفیت بالاتری نواحی با شوری شدید، خیلی شور و غیرشور را جدا نمود. نتایج طبقهبندی نظارت شده بدون تلفیق با مدل رقومی ارتفاع، دارای دقت کلی 76 درصد، دقت تولید کننده 78 درصد و دقت کاربر 82 در صد بود. در حالیکه طبقهبندی نظارت شده نوارهای سنجنده و مدل رقومی ارتفاع دارای دقت کلی 98.1 درصد، دقت تولید کننده 98.28 درصد و دقت کاربر 98.4 درصد شد. علت دقت کم طبقهبندی، پیش از ترکیب دادههای سنجنده و مدل رقومی ارتفاع را میتوان به تداخل طیفی اراضی شور و شور و مرطوب با اراضی غیر شور (اراضی با 25 تا 65 درصد سنگریزه در سطح) نسبت داد؛ اما این دو نوع اراضی دارای موقعیت پستی و بلندی متفاوت بودند، بهطوریکه اختلاف ارتفاع آنها معادل 200 متر است. بنابراین با ترکیب مدل رقومی ارتفاع، این دو نوع اراضی و اراضی، که وضعیت مشابهی داشتند، بهخوبی از یکدیگر تفکیک شدند.
1Assistant Professor, Faculty of Agriculture, Lorestan University, Khorram Abad, Iran
2Assistant Professor, Soil Science Faculty, Tehran University, Iran
3Proffesor, Faculty of Science, Tehran University, Iran
چکیده [English]
Soil salinity is one of the main increasing problems of the world. In the recent years application of remote sensing and GIS techniques in order to assess saline soils is used because they bring about vast uniform coverage of ground phenomena in a short time. The images of LISS III sensor of the Indian satellite (IRS) were used in this research. The Brightness index (BI) could discriminate highly saline soils from non –saline and the salinity index (SI) show high potential to separate very high, high and non- saline soils. Results of supervised classification without combination DEM and remote sensing data have overall accuracy of 76%, producer accuracy of 78% and user's accuracy of 82%. While in supervised classification combination of remotely sensed data and DEM have overall accuracy of 98.1% , producer accuracy of 98.28% and user's accuracy of 98.4% .The reason for low accuracy of the classification , before combination of remote sensing and topographic data , can be explained by highly moist saline soils spectral interference with non-saline soils (soil with 25 to 65% gravels) , but these two soils had different topographic condition with 200 meters elevation difference , thus , with combination of the DEM , this kind of area and other areas with similar conditions have been separated from each other.