پهنه بندی شوری خاک سطحی در اراضی شور بولاق ساوه با استفاده از روش های زمین آماری

احمدی, عباس; ترنج زر, حمید; کاظمی, آزاده

doi:10.22111/jneh.2017.20672.1273

پهنه بندی شوری خاک سطحی در اراضی شور بولاق ساوه با استفاده از روش های زمین آماری

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ استادیار، گروه علوم مرتع، واحد اراک، دانشگاه آزاد اسلامی، اراک

² استادیار، گروه محیط زیست، دانشگاه اراک

10.22111/jneh.2017.20672.1273

چکیده

پدیده شوری، یکی از مخرب ترین فرآیندها بهویژه در خاکهای مناطق خشک و نیمه خشک میباشد. لذا به منظور استفاده و بهره بردارى از این خاک ها، پایش و تهیه نقشه شوری خاک ضرورت دارد. در این تحقیق به منظور پیش بینی و پهنه بندی خاک اقدام به برداشت 100 نمونه از خاک سطحی اراضی شوره منطقه بولاق ساوه به روش شبکه ای شد. سپس در آزمایشگاه، مقادیر هدایت الکتریکی (EC) عصاره اشباع خاک به عنوان معرف شوری اندازه گیری گردید. سپس با انتقال داده ها به محیط نرم افزار ArcGIS 10 اقدام به تهیه نقشه پهنه بندی EC شد. بدین منظور از مدل سمی واریوگرام کریجینگ استفاده شد. از طرفی مقدار نسبت اثر قطعه ای به حد آستانه برابر 84/43 درصد به دست آمد که حاکی از همبستگی مکانی متوسط مقادیر EC خاک در منطقه مطالعاتی است. همچنین دامنه تأثیر واریوگرام حدود 261 متر به دست آمد. برآیند ارزیابی شاخص های مذکور مؤید این مطلب است که زمین آمار توانسته است با دقت و صحت متوسطی اقدام به پهنه بندی EC کند. نتایج تحقیق نشان داد از 5 کلاس شوری خاک، EC خاک منطقه بولاق ساوه در چهار کلاس شامل غیرشور، تا اندازه ای شور، شوری متوسط و شوری زیاد قرار گرفته است که بیشترین مقادیر مربوط به میانه جنوبی منطقه مطالعاتی می باشد. این نتایج نشان می دهد که شوری خاک در محدوه مطالعاتی از تغییرپذیری بالایی برخوردار است

کلیدواژه‌ها

عنوان مقاله [English]

Mapping Soil Salinity in Boulagh (Saveh) Saline Lands Using Geostatistical Methods

نویسندگان [English]

Abbas Ahmadi ¹
Hamid Toranjzar ¹
Azadeh Kazemi ²

¹ Assistant professor, Department of Rangeland Science, Arak Branch, Islamic Azad University, Arak, Iran

² Assistant professor, Department of Environment Sciences, Arak University, Arak, Iran

چکیده [English]

Salinity is one of the most destructive processes in soils, particularly in arid and semi-arid areas. In order to use and exploitation of such soils, the soil monitoring and mapping are necessary. In this study, in order to zoning and mapping of soils, sampling was collected based on network method from Bolagh (Saveh) saline lands and the electrical conductivity of saturated soil extract was determined. Then the data had been transferred to the ArcGIS 10 software and soil mapping had been drawn. The exponential model of Semivariogram showed the best cross-validation and efficiency than the other models (spherical, linear and gussian). Also, the amount of nugget effect to the threshold was 84/43% which indicates that the medium spatial correlation for soil EC amounts in the study area. Also, the variogram effect range was calculated about 261 meters. Assessment of the resultant index indicates that the geostatistical has been able to soil salinity mapping with moderate accuracy and precision. The results showed that among five soil salinity classes, the soils of study area classifying in four Classes (including non-salinity, low salinity, medium salinity and high salinity) which highest quantities are related to middle southern regions. These results show that soil salinity in this area has high variability.

کلیدواژه‌ها [English]

Soil mapping
Geostatistical
Soil Salinity
Kriging
Variogram

مراجع

تقی زاده مهرجردی، روح اله.، سرمدیان، فریدون؛ امید، محمود.؛ ثواقبی، غلامرضا.، روستا، محمد جواد و رحیمیان، محمد حسن، (1391). پهنه بندی شوری خاک با استفاده از تکنیک زمین آمار و دستگاه القاءگر الکترومغناطیس در منطقه اردکان. مجله پژوهش های خاک (علوم خاک و آب)، جلد 26، شماره 4. صص 369-380.

دائم پناه، راضیه؛ حق نیا، غلامحسین، علیزاده، امین؛ کریکی کارویه، علیرضا، (1390). تهیه نقشه شوری و سدیمی خاک سطحی با روش های دورسنجی و زمین آماری در جنوب شهرستان مه ولات. نشریه آب و خاک (علوم و صنایع کشاورزی)، جلد 25 ، شماره 3، صص 498-508.

دیانی، محمود؛ جعفری، سیروس؛ خلیل مقدم، بیژن؛ دهقانی، امیراحمد، (1391). پهنه بندی خطر شور و سدیمی شدن خاک سطحی با استفاده از زمین آمار (مطالعه موردی: اراضی غرب رودخانه کارون در استان خوزستان), پژوهش های آبخیزداری (پژوهش و سازندگی)، شماره 94، صص 95-86.

ذاکری انارکی، سحر، (1391). پهنه بندی برخی خصوصیات خاک با استفاده از روش های زمین آماری (مطالعه‌ی موردی: منطقه بیابانی طراز ناهید شهرستان ساوه)، پایان نامه کارشناسی ارشد مدیریت مناطق بیابانی، دانشگاه آزاد اسلامی اراک، 93 صفحه.

سکوتی اسکویی، رضا. و مهدیان، محمد حسین، (1386). مقایسه کارایی برخی روش های زمین اماری برای پیش بینی پراکنش مکانی شوری خاک سطحی، مطالعه موردی دشت ارومیه. نهمین سمینار سراسری آبیاری و کاهش تبخیر، ص 6.

صدر، سمیه؛ افیونی، مجید؛ موحدی راد، زهرا، (1392). استخراج پهنه های شوری خاک در مناطق خشک و نیمه خشک با استفاده از نظریه زمین آمار (استان اصفهان)، نشریه جغرافیا و مخاطرات محیطی، جلد 2، شماره 7، صص 27-30.

قانعی مطلق، غلامرضا؛ پاشایی اول، عباس؛ خرمالی، فرهاد؛ و مساعدی، ابوالفضل، (1387). تهیه نقشه شوری خاک به منظور مدیریت ویژه خاک های شور (مطالعه موردی: بخشی از اراضی زراعی شمال شرقی دشت آق قلا). مجله علوم کشاورزی و منابع طبیعی، جلد 15، شماره 6، صص 75-82.

قرنجیک، یوسف، (1376). طرح بیابان زایی بولاق، اداره منابع طبیعی ساوه.

کایدانی، مهدی؛ دلبری، معصومه، (1391). پهنه بندی شوری خاک و ارزیابی ریسک شوری در منطقه میانکنگی (سیستان) با استفاده از روشهای زمین آماری. علوم و مهندسی آبیاری (مجله علمی کشاورزی)، جلد 35 ، شماره 1. صص 49-59.

محمدی، جهانگرد، (1377). مطالعه تغییرات مکانی شوری خاک در منطقه رامهرمز (خوزستان) با استفاده از نظریه ژئواستاتیستیک کریجینگ. مجله علوم و فنون کشاورزی و منابع طبیعی، جلد 2، شماره 4، صص 49-63.

Akramkhanov, A., Brus, D.J., Walvoort, D.J.J. (2014). Geostatistical monitoring of soil salinity in Uzbekistan by repeated EMI surveys. Geoderma ,213, pp. 600–607.

Aldabaa, A.A. A., Weindorf , D. C., Chakraborty, S., Sharma, A., Li, B., (2015). Combination of proximal and remote sensing methods for rapid soil salinity quantification, Geoderma 239–240, pp. 34–46.

Bouaziz, M., Matschullat, J. and Gloaguen, R. (2011). Improved remote sensing detection of soil salinity from a semi-arid climate in Northea st Brazil. Geoscience 343, 795–803.

Corwin, D.L. and Lesch, S.M. (2005). Characterizing soil spatial variability with apparent soil electrical conductivity Part II. Case study. Computers and Electronics in Agriculture, 46:135–152.

Douaoui, A.E.K., Nicolas, H. and Walter, C. (2006). Detecting Salinity hazard within a semi-arid context by means of combining soil and remote – sensing data. Geoderma, 134, pp. 217-230.

Eldeiry, A. and Garcia, L.A. (2009). Comparison of regression kriging and cokriging techniques to estimate soil salinity using LANDSAT images. Hydrology Days, pp. 27-37.

Johnston K, Ver Hoef, J.M., Krivoruchk, Krivoruchko, K., Lucas, N. (2001). Using ArcGis Geostatistical Analyst. ESRI, 48 p.

Juan P., Mateu, J. Jordan, M.M, Mataix-Solera, J., Meléndez-Pastor, I., Navarro-Pedreño. J. (2011). Geostatistical methods to identify and map spatial variations of soil salinity. Journal of Geochemical Exploration, 108, pp. 62–72.

Khaksaran, D., Waismoradi, A., Moradi, S., Rahmati, H. (2013). Spatial and temporal changes in soil salinity with geostatistics: A case study in Urmia Plain. International Journal of Agriculture and Crop Sciences, IJACS, 5-3, pp. 285-291.

Larka, F. (2004). Mapping risk of soil nutrient deficiency or excess by disjunctive and indicator kriging, Geoderma, 118, pp. 39–53.

Li, H.Y., Webster, R., Shi, Z. (2015). Mapping soil salinity in the Yangtze delta: REML and universal kriging (E-BLUP) revisited, Geoderma 237–238, pp. 71–77.

Moustafa, M. M., Yomota., A. (1998). Spatial modeling of soil properties fir subsurface drainage projects. Journal of Irrigation and Drainage Engineering, 124(4), pp. 218-228.

Nawar, S., Reda, M., Farag, F., El-Nahry, A. (2011). Mapping soil salinity in El-Tina plain in Egypt using geostatistical approach. Geoinformatics Forum, Salzburg, Austria. PP. 211-216.

Ranjbar, F., Jalali, M. (2016). The combination of geostatistics and geochemical simulation for the site-specific management of soil salinity and sodicity, Computers and Electronics in Agriculture 121, pp. 301-312.

Triantafilis, J. I., Odeh, O. A., Mc Bratney, A. B. (2001). Five geostatistical methods to predict soil salinity from electromagnetic induction data across irrigated cotton. Soil Sci. Soc. Am. J., 65, pp. 869-878.

Watt, M., S., Palmer, D. J. (2010). Use of regression kriging to develop a Carbon:Nitrogen ratio surface for New Zealand. Geoderma 183–184, pp. 49–57.

Zhang,Y. M., Chen, T. B., G. Z., He. (2008). Multivariate Geostatistical analysis of heavy metals in topsoils from Beijing, China. J. Soil Sediments 8(1), pp. 51:58.