تعیین بافت خاک با سنجش از دور: روش‌های پیشرفته و کاربردها

مقدمه:

سنجش از دور (Remote Sensing) انقلابی در مطالعه بافت خاک ایجاد کرده است. این روش با ترکیب تصاویر ماهواره‌ای، هوش مصنوعی و مدل‌های رقومی ارتفاع، امکان تهیه نقشه‌های بافت خاک را با دقت بالا و پوشش وسیع فراهم می‌کند.

برای دسترسی به نقشه‌‌های بافت خاک استان‌های مختلف ایران به لینک زیر مراجعه فرمایید:

"نقشه‌های بافت خاک ایران"

برای دسترسی به آموزش‌های سنجش از دور به لینک زیر مراجعه فرمایید:

"آموزش‌های سنجش از دور در سایت درس گستر"

برای دسترسی به مقاله بافت خاک به لینک زیر مراجعه فرمایید:

" بافت خاک: روشهای تحلیل و کاربردها"

برای دسترسی به مقاله تعیین بافت خاک به روش دستی (لمسی) به لینک زیر مراجعه فرمایید:

"تعیین بافت خاک به روش دستی (لمسی) - راهنمای گام‌به‌گام"

برای دسترسی به مقاله تعیین بافت خاک به روش هیدرومتری به لینک زیر مراجعه فرمایید:

"روش تعیین بافت خاک به روش هیدرومتری (آزمایشگاهی) - راهنمای جامع"

مبانی علمی روش

بافت خاک بر بازتاب طیفی خاک تأثیر می‌گذارد. ذرات:

رس: جذب قوی در باندهای  SWIR (Short-Wave Infrared)

شن: بازتاب بالا در باندهای  VNIR (Visible-Near Infrared)

سیلت: رفتار بینابینی

روش‌های اصلی سنجش از دوری

• استفاده از شاخص‌های طیفی

الف) شاخص‌های کلیدی:

شاخص NDTI:

شاخص  NDTI (Normalized Difference Texture Index) یک شاخص طیفی است که در سنجش از دور و پردازش تصاویر ماهوارهای برای تشخیص و تفکیک بافت خاک استفاده میشود. این شاخص بر اساس تفاوت در بازتابندگی خاک در باندهای مرئی و مادون قرمز عمل می‌کند و می‌تواند اطلاعات مفیدی درباره زبری سطح، اندازه ذرات و ترکیب خاک ارائه دهد.

NDTI  یک شاخص ساده اما مؤثر برای تفکیک بافت خاک بر اساس ویژگی‌های طیفی است. هرچه مقدار NDTI بالاتر باشد، خاک احتمالاً درشت‌تر (شنی) است، در حالی که مقادیر پایین‌تر نشاندهنده خاکهای ریزبافت (رسی) هستند. این شاخص در ترکیب با دیگر شاخص‌های خاک (مثل NDVI برای پوشش گیاهی) می‌تواند ابزار قدرت‌مندی برای مطالعات محیطی و کشاورزی باشد.

فرمول محاسبه NDTI

 NDTI از تفاوت نرمالیزه شده بین دو باند طیفی (معمولاً باندهای مرئی و مادون قرمز) محاسبه می‌شود:

NDTI=(RED−GREEN)/( RED+GREEN)

RED: بازتاب در باند قرمز (معمولاً باند ۴ در Landsat یا باندهای مشابه در سایر سنجنده‌ها).

GREEN: بازتابندگی در باند سبز (مثل باند ۳ در Landsat)

چرا NDTI برای بافت خاک مفید است؟

۱. شناسایی ذرات درشت (شن) و ریز (رس):

خاک‌های شنی (ذرات درشت) معمولاً بازتابندگی بالاتری در باند قرمز دارند و NDTI مثبت‌تر است.

خاک‌های رسی (ذرات ریز) به دلیل جذب بیشتر نور در باند قرمز، NDTI منفی‌تر یا نزدیک به صفر دارند.

۲. تشخیص زبری سطح:

خاک‌های نرم و یکنواخت (مثل رس) بازتابندگی یکنواخت‌تری دارند و NDTI  آنها پایین است.

خاک‌های زبر (مثل شنی یا سنگی) به دلیل پراکندگی نور،NDTI  بالاتری دارند.

۳. کاربرد در کشاورزی و مدیریت خاک:

NDTI  می‌تواند مناطق با خاک‌های فرسایش‌یافته (شن بیشتر) یا مناطق مستعد برای کشت (رس بیشتر) را شناسایی کند.

محدودیت‌های  NDTI

تأثیر پوشش گیاهی: اگر سطح خاک پوشیده از گیاه باشد،NDTI  ممکن است نتایج گمراه‌کنندهای بدهد.

رطوبت خاک: آب موجود در خاک می‌تواند بازتابندگی را تغییر دهد و بر   NDTI  تأثیر بگذارد.

نیاز به کالیبراسیون: برای تفسیر دقیق،  NDTIباید با داده‌های زمینی (مثل نمونه‌گیری خاک) مقایسه شود.

شاخص CI (Crust Index)

شاخص  CI ی ا شاخص پوسته خاک، یک شاخص طیفی در سنجش از دور است که برای تشخیص و ارزیابی پوسته‌های سطحی خاک (خاک‌های فشرده، شور، یا دارای رسوبات نمکی) و همچنین تفکیک بافت خاک استفاده می‌شود. این شاخص بر اساس بازتابندگی خاک در باندهای خاص طیفی (معمولاً مادون قرمز و مرئی) طراحی شده و می‌تواند اطلاعات مفیدی درباره سختی سطح، میزان فرسایش و بافت خاک ارائه دهد.

۱. مفهوم CI و ارتباط آن با بافت خاک

بافت خاک به توزیع اندازه ذرات (شن، سیلت، رس) و ساختار فیزیکی آن اشاره دارد. پوسته‌های سطحی خاک  (Crusts) معمولاً در اثر فرسایش، شوری، یا تراکم ایجاد می‌شوند و ویژگی‌های بازتابشی متفاوتی نسبت به خاک‌های نرم و حاصلخیز دارند.
شاخص CI با استفاده از تفاوت در بازتابندگی خاک در باندهای مختلف، پوسته‌های سخت، خاکهای فشرده، و مناطق شور را شناسایی می‌کند.

فرمول محاسبه  CI

فرمول اصلی CI به صورت زیر است:

CI=(SWIR-RED)/( SWIR+RED)

SWIR (Short-Wave Infrared) :بازتابندگی در باند مادون قرمز کوتاه (مثلاً باند ۷ در لندست).

RED: بازتابندگی در باند قرمز (مثلاً باند ۴ در لندست).

در برخی مطالعات، از باندهای دیگر مانند NIR (Near Infrared) نیز استفاده می‌شود.

 

۲. تفسیر مقادیر CI و ارتباط آن با بافت خاک

مقادیر مثبت CI نزدیک به ۱: نشان‌دهنده پوسته‌های سخت، خاک‌های فشرده، یا مناطق شور است.

این خاکها معمولاً ذرات درشت (شن زیاد) دارند و به دلیل کمبود مواد آلی، بازتابندگی بالایی در SWIR دارند.

مقادیر نزدیک به صفر: نشان‌دهنده خاک‌های متوسط بافت (سیلت) است.

مقادیر منفی CI نزدیک به 1- : معمولاً مربوط به خاک‌های نرم، مرطوب، یا رسی است.

خاک‌های رسی به دلیل جذب بیشتر در SWIR، مقدار CI کمتری دارند.

مثال کاربردی

شناسایی خاکهای شور: در مناطق خشک، پوسته‌های نمکی باعث افزایش بازتابندگی در SWIR میشوند و CI مثبت میگردد.

تشخیص خاکهای فرسایش‌یافته: خاک‌های فشرده و سخت (مثل مناطق بیابانی CI بالاتری دارند).

کشاورزی دقیق: خاک‌های با CI پایین (خاکهای رسی) برای کشت مناسب‌ترند، در حالی که CI بالا نشان‌دهنده زمین‌های کم‌بازده است.

۳. مزایای استفاده از  CI

 تشخیص پوسته‌های خاک: شناسایی مناطق دارای پوسته سخت (مثلاً در بیابان‌ها).

 پایش شوری خاک: خاکهای شور بازتابندگی بالایی در SWIR دارند و CI آنها مثبت است.

 ارزیابی فرسایش: خاکهای فرسایش‌یافته معمولاً CI بالاتری دارند.
تفکیک بافت خاک: کمک به تشخیص خاک‌های شنی( CI بالا) در مقابل خاکهای رسی (CI پایین).

۴. محدودیتهای شاخص  CI

 تأثیر پوشش گیاهی: اگر سطح خاک پوشیده از گیاه باشد، CI ممکن است نتایج دقیقی ندهد.

رطوبت خاک: آب موجود در خاک باعث کاهش بازتابندگی SWIR شده و بر CI  تأثیر میگذارد.

نیاز به داده‌های کمکی: برای تفسیر دقیق، باید با داده‌های زمینی (مانند نمونه‌برداری خاک) ترکیب شود.

نکات مهم در مورد شاخص CI

CI یک شاخص مفید برای شناسایی پوسته‌های خاک، شوری، و بافت درشت (شن) است.

مقادیر مثبت CI نشان‌دهنده خاک‌های سخت و شور، در حالی که مقادیر منفی نشان‌گر خاک‌های نرم و رسی است.

برای تفسیر دقیق‌تر، بهتر است CI را با شاخص‌های دیگر (مثل NDTI یا NDVI ) ترکیب کرد.

این شاخص در مدیریت کشاورزی، مطالعات بیابان‌زایی، و پایش فرسایش خاک کاربرد دارد.

ب) پردازش تصاویر:

تصحیح اتمسفری با نرم‌افزار  ENVI

استفاده از تبدیل‌های طیفی مانندتبدیل طیفی PCA

• تلفیق با داده‌های کمکی

برای دسترسی به پایگاه داده نقشه‌های DEM، ALOS PALSAR کشور ایران به لینک زیر مراجعه فرمایید:

"مدل‌های رقومی ارتفاع (DEM)"

برای دسترسی به پایگاه داده نقشه‌های اقلیمی کشور ایران به لینک زیر مراجعه فرمایید:

"نقشه‌های اقلیمی کشور ایران"

داده کمکی	کاربرد	منبع
DEM	شناسایی مناطق فرسایش	ALOS PALSAR
شاخص پوشش گیاهی	حذف اثر پوشش گیاهی	NDVI
داده‌های اقلیمی	پیش‌بینی مناطق شور	CHIRPS, MODIS

• روش‌های یادگیری ماشین

الگوریتم‌های پرکاربرد:

Random Forest

SVM (Support Vector Machine)

شبکه‌های عصبی عمیق

داده‌های آموزشی مورد نیاز:

نمونه‌های زمینی (حداقل 50 نقطه در هر کلاس بافت)

تصاویر چندزمانه

مراحل اجرایی

گام 1: جمع‌آوری داده‌ها

تصاویر ماهواره‌ای (Sentinel-2, Landsat 9)

داده‌های زمینی (از آزمایشگاه یا پروژه‌های میدانی)

داده‌های محیطی (DEM، بارندگی، دما)

گام 2: پیش‌پردازش

تصحیح رادیومتریک و اتمسفری

حذف پوشش گیاهی با شاخص NDVI

برای دسترسی به آموزش استخراج NDVI در GIS به لینک زیر مراجعه فرمایید:

" آموزش استخراج NDVI با استفاده از تصاویر سنجنده OLI و نرم‌افزار ArcGIS"

نمونه‌برداری تصادفی برای آموزش مدل

گام 3: مدل‌سازی

در مدل‌سازی از زبان‌های برنامه‌نویسی استفاده می‌گردد که بهترین آن در حال حاضر زبان برنامه‌نویسی پایتون است.

برای دسترسی به آموزش‌های برنامه‌نویسی پایتون به لینک‌های زیر مراجعه فرمایید:

"کارگاه جامع پروژه محور علم داده با پایتون با تکیه بر هوش مصنوعی"

"آموزش رایگان و سریع کار با زبان برنامه نویسی پایتون"

"دوره وبیناری آموزش کار با پایتون (آمادگی مقدماتی ساخت اپلیکیشن)"

"دوره وبیناری ویرایش شده آموزش کار با پایتون (آمادگی متوسط ساخت اپلیکیشن)"

"آموزش وبیناری ویرایش شده آموزش کار با پایتون (آمادگی پیشرفته ساخت اپلیکیشن)"

گام 4: ارزیابی دقت

ماتریس خطا (Confusion Matrix)

شاخص کاپا ( Kappa >0.7 قابل قبول)

اعتبارسنجی میدانی

• چالش‌های تعیین بافت در ایران:

پوشش ابری در شمال ایران

کمبود داده‌های زمینی برای آموزش مدل

• مزایا و محدودیت‌ها

مزایا:

پوشش وسیع و یکپارچه

امکان پایش تغییرات زمانی

کاهش هزینه‌های میدانی

محدودیت‌ها:

نیاز به داده‌های زمینی برای کالیبراسیون

خطا در مناطق با پوشش گیاهی متراکم

دقت کمتر در تشخیص سیلت

• نتیجه‌گیری

سنجش از دور با توانایی تهیه نقشه‌های پهنه‌ای و پایش پویای خاک، مکمل قدرتمندی برای روش‌های سنتی است. برای نتایج بهینه، ترکیب آن با داده‌های زمینی و هوش مصنوعی توصیه می‌شود.