مدیریت اراضی

شماره جاری

بر اساس شماره‌های نشریه

بر اساس نویسندگان

بر اساس موضوعات

نمایه نویسندگان

نمایه کلیدواژه ها

درباره نشریه

اهداف و چشم انداز

اعضای هیات تحریریه

اصول اخلاقی انتشار مقاله

بانک ها و نمایه نامه ها

پیوندهای مفید

پرسش‌های متداول

فرایند پذیرش مقالات

اطلاعات آماری نشریه

اخبار و اعلانات

فرم تعارض منافع

دستورالعمل ارجاعدهی

راهنمای نگارش مقاله

فرم تعهدنامه

عضویت و راهنمای Publons

داوران

مروری بر چالش‌های انتخاب شاخص‌های مناسب دورسنجی در مطالعات شوری خاک

نوع مقاله : مروری

نویسندگان

1 دانشجوی کارشناسی ارشد، گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه تهران.

2 استادیار گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه تهران.

چکیده

شوری خاک به‌ویژه در مناطق خشک و نیمه‌خشک یکی از مهم‌ترین مشکلات زیست‌محیطی است. شوری خاک به طور طبیعی و یا توسط انسان ایجاد می شود. مقدار زیاد شوری خاک بر رشد محصول و بهره وری آن تأثیر منفی می گذارد و در نهایت منجر به تخریب اراضی می گردد. نظارت و نقشه برداری شوری خاک به دلیل مشکلات جدی گسترش این مسئله بر اکولوژی منطقه ای، امنیت غذایی و توسعه کشاورزی در مراحل اولیه برای اجرای یک برنامه مؤثر احیای خاک در راستای جلوگیری و کاهش شوری خاک امری ضروری است. علم سنجش‌ازدور نسبت به روش های سنتی برای ارزیابی شوری خاک عملکرد بهتری نشان داده و تکنیک های سریع و مقرون‌به‌صرفه در راستای پایش و نقشه‌برداری شوری خاک ارائه می دهد. شوری خاک را می توان با استفاده از شاخص های مستقیم که به ویژگی های نمک های خاک سطحی مرتبط است و همچنین شاخص های غیرمستقیم شناسایی کرد. هدف این مطالعه مروری بر چالش‌های انتخاب شاخص‌های مناسب دورسنجی در مطالعات شوری خاک از طریق بررسی پژوهش های انجام شده در زمینه شوری خاک و شاخص های طیفی به‌کاررفته در تحقیقات شوری خاک است که در سطح مدیریت اراضی در مقیاس منطقه ای، کمک شایان توجهی می نمایند که در این راستا رایج ترین شاخص های پوشش گیاهی و شوری مورد استفاده برای تشخیص و نقشه‌برداری شوری خاک مورد بحث و بررسی قرار گرفتند. محققین زیادی از شاخص های مختلف سنجش‌ازدور برای تهیه نقشه شوری خاک استفاده کرده اند. در این میان شاخص‌های درخشندگی BI، شاخص شوری SI، شاخص تفاضلی پوشش گیاهی نرمال شده NDVI و شاخص شوری نرمال شده NDSI بیش‌ترین همبستگی را با داده‌های زمینی در خاک های تحت‌تأثیر شوری نشان دادند. انتخاب مناسب ترین باند یا شاخص ها بستگی به شرایط خاک، منطقه جغرافیایی، شرایط اقلیمی، داده های ماهواره ای، فیزیوگرافی منطقه و نوع استفاده از اراضی دارد.

کلیدواژه‌ها

عنوان مقاله [English]

An overview of the challenges of choosing suitable remote sensing indices in soil salinity studies

نویسندگان [English]

  • Shahla Rahmani Siyalarz 1
  • ali keshavarzi 2

1 Faculty of Agriculture, University of Tehran

2 Faculty of Agriculture and Natural Resources, Department of Soil Science and Engineering

چکیده [English]

Soil salinity is one of the most important environmental problems, especially in arid and semi-arid regions. Soil salinity is caused naturally and/or by humans. High soil salinity negatively affects crop growth and productivity and ultimately leads to land degradation. Monitoring and mapping of soil salinity Due to the serious problems of spreading this issue to regional ecology, food security and agricultural development in the early stages, it is necessary to implement an effective soil rehabilitation program to prevent and reduce soil salinity. Remote sensing science performs better than traditional methods for assessing soil salinity and offers fast and cost-effective techniques for monitoring and mapping soil salinity. Soil salinity can be identified using direct indices that are related to the properties of surface soil salts as well as indirect indices. The aim of this research is to review the challenges of selecting appropriate indices in soil salinity studies through the investigation of researches conducted in the field of soil salinity and spectral indices used in soil salinity cases, which are helpful in land management at the regional scale. It is worth noting that in this regard, the most common vegetation and salinity indices used to detect and mapping of soil salinity were discussed. Many researchers have used different remote sensing indicators to map soil salinity. Among these, BI Brightness index, SI salinity index, NDVI normalized differential vegetation index and NDSI normalized differential salinity index showed the highest correlation between data obtained from satellite images in salinity-affected soils. Choosing the most appropriate band or indices depends on the soil conditions, geographical area, climatic conditions, satellite data, physiography of the area and the type of land use.

کلیدواژه‌ها [English]

  • Remote Sensing"
  • Remote Sensing Indices"
  • Satellite Images"
  • Vegetation Index"
  • "
  • Salinity Index"
مراجع
  1. احمدی، ز. عباسی، آ. شهابی، م و بوعلی، ع. 1399. مقایسه روش‌های درخت تصمیم و شبکه­عصبی در پیش‌بینی شوری خاک در غرب دریاچه ارومیه.تخریب و احیاء اراضی طبیعی، 1(1): 82-91.
  2. احمدیان، م. پاک­پرور، م و عاشورلو، د. 1389. بررسی تغییرات شوری خاک به کمک پردازش رقومی اطلاعات ماهواره لندست در دشت نهاوند (استان همدان).پژوهش‌های خاک، 24(2): 179-191.
  3. اخضری، د و اسدی می­آبادی، ا. 1395. تهیه نقشه شوری خاک با استفاده از تحلیل طیفی داده‌های سنجنده OLI و داده‌های میدانی (مطالعه موردی: جنوب دشت ملایر) سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، ۷(۲): ۱۰۰-۸۷.
  4. پیش‌نماز احمدی، م. رضائی مقدم، م، ح و فیضی زاده، ‌ب. 1396. بررسی شاخص‌ها و تهیه نقشه شوری خاک با استفاده از داده‌های سنجش‌ازدور (مطالعه موردی: دلتای آجی­چای).سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 26(8):85-96.‎
  5. تقدسی، م و حسنلو، م. 1395. پایش شوری خاک با بررسی تطبیقی شاخص‌های شوری در تصاویر سنتینل -۲ و لندست -۸. اولین همایش ملی سنجش‌ازدور و GIS محیطی، مؤسسه آموزش عالی آبان هراز آمل - انجمن سنجش‌ازدور و GIS ایران.
  6. جمشیدی، م. افتخاری، ک. نویدی، م و مؤمنی، ع. 1394. چهل سال مطالعات خاکشناسی در مؤسسه تحقیقات خاک و آب. سازمان تحقیقات، آموزش و ترویج کشاورزی،62 صفحه.
  7. چترنور، م. لندی، ا. فرخیان فیروزی، ا و بهرامی، ح. 1399. کاربرد طیف‌سنجی مرئی - مادون‌قرمز در کمی‌سازی میزان گچ‌خاک در کانون‌های مستعد تولید ریزگرد استان خوزستان.تحقیقات کاربردی خاک، 8(3): 1-13.‎
  8. حسنی، ا. بهرامی، ح. نوروزی،ع و اوستان، ش. 1393. استفاده از روش طیف‌سنجی بازتابی مرئی-فروسرخ در برآورد برخی ویژگی‌های‏ خاک در خاک‌های گچی-آهکی.مهندسی و مدیریت آبخیز، 6(2) :125- 138.
  9. حسینی، ز. 1382. بررسی قابلیت داده‌های ماهواره لندست ETM+ جهت تهیه نقشه کاربری اراضی) مطالعه موردی: منطقه چمستان استان مازندران. پایان‌نامه کارشناسی ارشد دانشکده منابع طبیعی، دانشگاه تهران.
  10. خدادادی، م. سرمدیان، ف. عسکری، م. رفاهی، ح. نوروزی، ا و حیدری، ا. 1387. تهیه نقشه خاک‌های تحت تأثیر شوری و قلیایی با استفاده از داده‌های سنجنده‏ ETM+‎‏ در بخشی از دشت قزوین.مجله منابع طبیعی ایران، 61(1):1143- 1156.
  11. زبیری، م و مجد، ع. 1383. آشنایی با فن سنجش‌ازدور و کاربرد در منابع طبیعی. مؤسسه چاپ و انتشار دانشگاه تهران. چاپ پنجم، 322 صفحه.
  12. سلیمی، خ. احمدی ثانی، ن و جلیل نژاد، ن. 1398. تهیه نقشه شوری خاک سطحی با استفاده از فناوری سنجش‌ازدور (مطالعه موردی: اراضی جنوب استان آذربایجان غربی).دانش آب‌وخاک، 29(2): 115-128. ‎
  13. سواری، ز. حجتی، س و تقی‌زاده مهرجردی، ر. 1394. ارزیابی شاخص‌های شوری مختلف در تهیه نقشه شوری خاک سطحی با استفاده از داده‌های سنجش‌ازدور. سومین همایش ملی پژوهش‌های محیط‌زیست و کشاورزی ایران.
  14. صادقیان، س و آخوندزاده، م. 1383. ماهنامه نقشه‌برداری. سال پانزدهم شماره ۵ (مهر ۱۳۸۳). 42 صفحه.
  15. طاقدیس، س. فرپور، م، ه. فکری، م و محمودآبادی، م. 1400. برآورد برخی خصوصیات خاک با استفاده از تحلیل داده‌های طیفی (Vis-NIR) و انواع روش‌های پیش‌پردازش. تحقیقات آب‌وخاک ایران، 6(52):1557 -1569.
  16. ظهیرنیا، ع و متین فر، ح، ر. 1397. مقایسه شاخص‌های مختلف استخراج‌شده از تصاویر ماهواره لندست به‌منظور بررسی تغییرات شوری خاک در منطقه جنوب غربی استان خوزستان. اولین همایش بین‌المللی و سومین همایش ملی مدیریت پایدار منابع خاک و محیط‌زیست، کرمان.
  17. عزیزی، ک. نبی­الهی، ک­ و داوری، م. 1397. ارزیابی قابلیت روش طیف‌سنجی در تخمین برخی ویژگی‌ خاک‌های مبتلا به نمک.مهندسی زراعی، 41(3):1-16.‎
  18. عسگری هفشجانی، ن. ایوبی، ش. دمته، ا و خادمی، ح. 1398. ارزیابی قابلیت طیف سنجی بازتابی در پیش‌بینی کربنات‌های خاک (مطالعه موردی: منطقه جونقان در استان چهارمحال و بختیاری).‎مهندسی زراعی (مجله علمی کشاورزی)، 42(3): 113- 128.
  19. علوی پناه، س، ک. 1382. کاربرد سنجش‌ازدور در علوم زمین (علوم خاک). انتشارات دانشگاه تهران، ۴۷۸ صفحه.
  20. علوی پناه، س، ک. 1392. کاربرد سنجش‌ازدور در علوم زمین. چاپ چهارم. تهران، دانشگاه تهران، 438 صفحه.
  21. قاضی، م. بهرامی، ح، ع. درویشی بلورانی، ع و میرزایی، س. 1396. تخمین میزان آهک خاک در کانون‌های گردوغبار با استفاده از طیف‌سنجی VNIR و تصاویر ماهواره‌ای سنجنده OLI.سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 8(4): 1-16.‎
  22. کرم، ا. کیانی، ط. دادرسی سبزوار، ا و داورزنی، ز. 1397. برآورد شوری خاک با استفاده از داده‌های دورسنجی و آمار مکانی در منطقه سبزوار.پژوهش­های ژئومورفولوژی کمّی، 7(4): 31-53.‎
  23. ممبنی، م. آرخی، ص و آرامی، س، ع. 1394. تغییرات روند شوری با استفاده از سنجش‌ازدور و GIS (مطالعه موردی: جنوب خوزستان). مجله علمی پژوهشی اکوسیستم بیابان، ۴(۶): ۳۷- ۲۷.
  24. موسوی، ف. عبدی، ا. قلندرزاده، ع. بهرامی، ح، ع و مجنونیان، ب. 1398. بررسی قابلیت طیف‌سنجی بازتابی در برآورد برخی ویژگی‌های شیمیایی خاک جنگل خیرود.مجله جنگل ایران، 11(4): 443-458.‎
  25. نبی­الهی، ک. عزیزی، ک و داوری، م. 1398. مقایسه تخمین شوری خاک با استفاده از روش‌های طیف‌سنجی، القاگر الکترومغناطیس و سنجش‌ازدور. نشریه مدیریت خاک و تولید پایدار، 1(9): 101- 117.
  26. نظم­فر، ح. سرمستی، ن و علوی پناه، س، ک. 1393. پایش دریاچه نمکی مهارلو با تکنیک‌های پردازش تصاویر ماهواره‌ای چند طیفی. محیط‌شناسی، 40(3): 669-677.
  27. نیک‌پور، ن. فتوحی، ص. نگارش، ح. بهرامی، ش و حسینی، س، ز. 1400. پایش شوری خاک در راستای تخریب سرزمین با کمک تکنیک‌های سنجش از راه دور (مطالعة موردی استان ایلام).مخاطرات محیط طبیعی، 10(27): 1-20. ‎
  28. Ait Lamqadem, A., Pradhan, B., Saber, H. and Rahimi, A., 2018. Desertification sensitivity analysis using MEDALUS model and GIS: a case study of the Oases of Middle Draa Valley, Morocco. Sensors, 18(7), 2230.
  29. Alexakis, D.D., Daliakopoulos, I.N., Panagea, I.S. and Tsanis, I.K., 2018. Assessing soil salinity using WorldView-2 multispectral images in Timpaki, Crete, Greece. Geocarto International, 33(4), 321-338.
  30. Allbed, A. and Kumar, L., 2013. Soil salinity mapping and monitoring in arid and semi-arid regions using remote sensing technology: a review. Advances in remote sensing.
  31. Allbed, A., Kumar, L. and Aldakheel, Y.Y., 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.
  32. Asfaw, E., Suryabhagavan, K.V. and Argaw, M., 2018. Soil salinity modeling and mapping using remote sensing and GIS: The case of Wonji sugar cane irrigation farm, Ethiopia. Journal of the Saudi Society of Agricultural Sciences, 17(3), 250-258.
  33. Azhirabi, R. and Abdi, O., 2015. Comparison of different indices adopted from Landsat images to map soil salinity in the army field of Gorgan. Journal of Soil Management and Sustainable Production, 5(1), 173-186.
  34. Babiker, S., Abulgasim, E. and Hamid, H.S., 2018. Enhancing the spatial variability of soil salinity indicators by remote sensing indices and geo-statistical approach. J. Earth Sci. Clim. Change, 9(04).
  35. Bannari, A., Guedon, A.M., El‐Harti, A., Cherkaoui, F.Z. and El‐Ghmari, A., 2008. Characterization of slightly and moderately saline and sodic soils in irrigated agricultural land using simulated data of advanced land imaging (EO‐1) sensor. Communications in soil science and plant analysis, 39(19-20), 2795-2811.
  36. Boettinger, J.L., 2010. Environmental covariates for digital soil mapping in the western USA. Digital soil mapping: Bridging research, environmental application, and operation, 17-27.
  37. Csillag, F., Pasztor, L. and Biehl, L.L., 1993. Spectral band selection for the characterization of salinity status of soils. Remote sensing of environment, 43(3), 231-242.
  38. Darwish, T., Atallah, T., El Moujabber, M. and Khatib, N., 2005. Salinity evolution and crop response to secondary soil salinity in two agro-climatic zones in Lebanon. Agricultural water management, 78(1-2), 152-164.
  39. Dehaan, R. and Taylor, G.R., 2003. Image-derived spectral endmembers as indicators of salinisation. International Journal of Remote Sensing, 24(4), 775-794.
  40. Dehni, A. and Lounis, M., 2012. Remote sensing techniques for salt affected soil mapping: application to the Oran region of Algeria. Procedia Engineering, 33, 188-198.
  41. Dematte, J.A.M., 2002. Characterization and discrimination of soils by their reflected electromagnetic energy. Pesquisa Agropecuária Brasileira, 37, 1445-1458.
  42. Elhag, M., 2016. Evaluation of different soil salinity mapping using remote sensing techniques in arid ecosystems, Saudi Arabia. Journal of Sensors.
  43. Farah, A., Algouti, A., Algouti, A., Ifkirne, M. and Ezziyani, A., 2021. Mapping of soil degradation in semi-arid environments in the ouarzazate basin in the south of the central High Atlas, Morocco, using sentinel 2A data. Remote Sensing Applications: Society and Environment, 23, 100548.
  44. Farahmand, N. and Sadeghi, V., 2020. Estimating soil salinity in the dried lake bed of Urmia lake using optical Sentinel-2 images and nonlinear regression models. Journal of the Indian Society of Remote Sensing, 48(4), 675-687.
  45. Farifteh, J., Farshad, A. and George, R.J., 2006. Assessing salt-affected soils using remote sensing, solute modelling, and geophysics. Geoderma, 130(3-4), 191-206.
  46. Gomrokchi, A., Akbari, M., Hassanoghli, A. and Younesi, M., 2020. Monitoring soil salinity and vegetation using multispectral remote sensing data in interceptor drain of salt marsh in Qazvin Plain. Geography and Environmental Sustainability, 10(1), 37-52.
  47. Gopalakrishnan, T. and Kumar, L., 2020. Modeling and mapping of soil salinity and its impact on Paddy Lands in Jaffna Peninsula, Sri Lanka. Sustainability, 12(20), 8317.
  48. Gorji, T., Yildirim, A., Hamzehpour, N., Tanik, A. and Sertel, E., 2020. Soil salinity analysis of Urmia Lake Basin using Landsat-8 OLI and Sentinel-2A based spectral indices and electrical conductivity measurements. Ecological Indicators, 112, 106173.
  49. Gunal, E., Wang, X., Kılıc, O.M., Budak, M., Al Obaid, S., Ansari, M.J. and Brestic, M., 2021. Potential of Landsat 8 OLI for mapping and monitoring of soil salinity in an arid region: A case study in Dushak, Turkmenistan. Plos one, 16(11), e0259695.
  50. Guo, B., Yang, F., Han, B., Fan, Y., Chen, S., Yang, W. and Jiang, L., 2019. A model for the rapid monitoring of soil salinization in the Yellow River Delta using Landsat 8 OLI imagery based on VI-SI feature space. Remote Sensing Letters, 10(8), 796-805.
  51. Hafez, E.M., Omara, A.E.D., Alhumaydhi, F.A. and El‐Esawi, M.A., 2021. Minimizing hazard impacts of soil salinity and water stress on wheat plants by soil application of vermicompost and biochar. Physiologia Plantarum, 172(2), 587-602.
  52. Haque, S.A., 2006. Salinity problems and crop production in coastal regions of Bangladesh. Pakistan Journal of Botany, 38(5), 1359-1365.
  53. Hassan, R., Ahmed, Z., Islam, M.T., Alam, R. and Xie, Z., 2021. Soil Salinity Detection Using Salinity Indices from Landsat 8 Satellite Image at Rampal, Bangladesh. Remote Sensing in Earth Systems Sciences, 4, 1-12.
  54. Hunt, G and Siseurs .J. 1971. Visible and near - infrared spectra of minerals and rocks. II Carbonates. Modern Geology, 2, 23-30.
  55. Khajehzadeh, M., Afzali, S.F., Honarbakhsh, A. and Ingram, B., 2022. Remote sensing and gis-based modeling for predicting soil salinity at the watershed scale in a Semi-arid region of Southern Iran. Arabian Journal of Geosciences, 15(5), 423.
  56. Khan Yaghma, M., Ahmadi, N. and Jalilnazhad, N., 2016. Investigating potentiality of IRS-P6 images for soil salinity modeling. Water and Soil Science, 26(2-2), 177-187.
  57. Khan, N.M., Rastoskuev, V.V., Sato, Y. and Shiozawa, S., 2005. Assessment of hydrosaline land degradation by using a simple approach of remote sensing indicators. Agricultural Water Management, 77(1-3), 96-109.
  58. Khan, S. and Abbas, A., 2007. Using remote sensing techniques for appraisal of irrigated soil salinity. Int. Congr. Model. Simul.(MODSIM), Model. Simul. Soc. Aust. New Zealand, Bright, (January), 2632-2638.
  59. Khasanov, S., Li, F., Kulmatov, R., Zhang, Q., Qiao, Y., Odilov, S., Yu, P., Leng, P., Hirwa, H., Tian, C. and Yang, G., 2022. Evaluation of the perennial spatio-temporal changes in the groundwater level and mineralization, and soil salinity in irrigated lands of arid zone: as an example of Syrdarya Province, Uzbekistan. Agricultural Water Management, 263, 107444.
  60. Kulmatov, R., Khasanov, S., Odilov, S. and Li, F., 2021. Assessment of the space-time dynamics of soil salinity in irrigated areas under climate change: a case study in Sirdarya Province, Uzbekistan. Water, Air, & Soil Pollution, 232, 1-13.
  61. Lindner, C., Bromiley, P.A., Ionita, M.C. and Cootes, T.F., 2014. Robust and accurate shape model matching using random forest regression-voting. IEEE transactions on pattern analysis and machine intelligence, 37(9), 1862-1874.
  62. Litalien, A. and Zeeb, B., 2020. Curing the earth: A review of anthropogenic soil salinization and plant-based strategies for sustainable mitigation. Science of the Total Environment, 698, 134235.
  63. Makhdoum, M.F., Darvishsefat, A.A., Jafarzadeh, H. and Makhdoum, A.F., 2002. Environmental evaluation and planning by geographic information system. Tehran university publication, Tehran, Iran.
  64. Matinfar, H.R. and Zandie, V., 2016. Efficiency of spectral indices derived from Landsat-8 images of Maharloo Lake and its surrounding rangelands. Journal of Rangeland Science, 6(4), 334-343.
  65. Matinfar, H.R., Alavi Panah, S.K., Zand, F. and Khodaei, K., 2013. Detection of soil salinity changes and mapping land cover types based upon remotely sensed data. Arabian Journal of Geosciences, 6, 913-919.
  66. Meng, L., Zhou, S., Zhang, H. and Bi, X., 2016. Estimating soil salinity in different landscapes of the Yellow River Delta through Landsat OLI/TIRS and ETM+ Data. Journal of Coastal Conservation, 20, 271-279.
  67. Metternicht, G. and Zinck, A., 2008. Remote sensing of soil salinization: Impact on land management. CRC Press.
  68. Metternicht, G.I. and Zinck, J.A., 2003. Remote sensing of soil salinity: potentials and constraints. Remote sensing of Environment, 85(1), 1-20.
  69. Mohamed, E.S., Saleh, A.M., Belal, A.B. and Gad, A., 2018. Application of near-infrared reflectance for quantitative assessment of soil properties. The Egyptian Journal of Remote Sensing and Space Science, 21(1), 1-14.
  70. Morgan, R.S., El-Hady, M.A. and Rahim, I.S., 2018. Soil salinity mapping utilizing sentinel-2 and neural networks. Indian Journal of Agricultural Research, 52(5), 524-529.
  71. Nguyen, K.A., Liou, Y.A., Tran, H.P., Hoang, P.P. and Nguyen, T.H., 2020. Soil salinity assessment by using near-infrared channel and Vegetation Soil Salinity Index derived from Landsat 8 OLI data: a case study in the Tra Vinh Province, Mekong Delta, Vietnam. Progress in Earth and Planetary Science, 7(1), 1-16.
  72. Noroozi, A.A., Homaee, M. and Abbasi, F., 2011. Integrated application of remote sensing and spatial statistical models to the identification of soil salinity: A case study from Garmsar Plain, Iran,9(1), 59-74.
  73. Olsson, L., Barbosa, H., Bhadwal, S., Cowie, A., Delusca, K., Flores-Renteria, D., Hermans, K., Jobbagy, E., Kurz, W., Li, D. and Sonwa, D.J., 2019. Land degradation: IPCC special report on climate change, desertification, land 5 degradation, sustainable land management, food security, and 6 greenhouse gas fluxes in terrestrial ecosystems. In IPCC Special Report on Climate Change, Desertification, Land 5 Degradation, Sustainable Land Management, Food Security, and 6 Greenhouse Gas Fluxes in Terrestrial Ecosystems . Intergovernmental Panel on Climate Change (IPCC).
  74. Pinheiro, E.F., Ceddia, M.B., Clingensmith, C.M., Grunwald, S. and Vasques, G.M., 2017. Prediction of soil physical and chemical properties by visible and near-infrared diffuse reflectance spectroscopy in the central Amazon. Remote Sensing, 9(4), 293.
  75. Qadir, M., Qureshi, A.S. and Cheraghi, S.A.M., 2008. Extent and characterisation of salt‐affected soils in Iran and strategies for their amelioration and management. Land Degradation & Development, 19(2), 214-227.
  76. Seifi, M., Ahmadi, A., Neyshabouri, M.R., Taghizadeh-Mehrjardi, R. and Bahrami, H.A., 2020. Remote and Vis-NIR spectra sensing potential for soil salinization estimation in the eastern coast of Urmia hyper saline lake, Iran. Remote Sensing Applications: Society and Environment, 20, 100398.
  77. Shahrayini, E. and Noroozi, A.A., 2022. Modeling and Mapping of Soil Salinity and Alkalinity Using Remote Sensing Data and Topographic Factors: A Case Study in Iran. Environmental Modeling & Assessment, 27(5), 901-913.
  78. Singh, A., 2022. Soil salinity: A global threat to sustainable development. Soil Use and Management, 38(1), 39-67.
  79. Sonon, L.S., Saha, U. and Kissel, D.E., 2012. Soil salinity testing, data interpretation and recommendations. The University of Georgia, Cooperative Extension, College of Agricultural and Environmental Sciences, Circular, (1019).
  80. Summers, D., Lewis, M., Ostendorf, B. and Chittleborough, D., 2011. Visible near-infrared reflectance spectroscopy as a predictive indicator of soil properties. Ecological Indicators, 11(1), 123-131.
  81. Taghadosi, M.M., Hasanlou, M. and Eftekhari, K., 2019. Retrieval of soil salinity from Sentinel-2 multispectral imagery. European Journal of Remote Sensing, 52(1), 138-154.
  82. Teggi, S., Costanzini, S., Despini, F., Chiodi, P. and Immordino, F., 2012, October. SPOT5 imagery for soil salinity assessment in Iraq. In Earth Resources and Environmental  Remote Sensing/GIS Applications, 198-209.
  83. Vaudour, E., Gomez, C., Lagacherie, P., Loiseau, T., Baghdadi, N., Urbina-Salazar, D., Loubet, B. and Arrouays, D., 2021. Temporal mosaicking approaches of Sentinel-2 images for extending topsoil organic carbon content mapping in croplands. International Journal of Applied Earth Observation and Geoinformation, 96, 102277.
  84. Veerman, C., Correia, T.P., Bastioli, C., Biro, B., Bouma, J., Cienciala, E., Emmett, B., Frison, E.A., Grand, A., Filchev, L.H. and Kriauciunienė, Z., 2020. Caring for soil is caring for life: ensure 75% of soils are healthy by 2030 for healthy food, people, nature and climate: interim report of the mission board for soil health and food.
  85. Wang, J., Ding, J., Abulimiti, A. and Cai, L., 2018. Quantitative estimation of soil salinity by means of different modeling methods and visible-near infrared (VIS–NIR) spectroscopy, Ebinur Lake Wetland, Northwest China. PeerJ, 6, e4703.
  86. Wang, J., Peng, J., Li, H., Yin, C., Liu, W., Wang, T. and Zhang, H., 2021. Soil salinity mapping using machine learning algorithms with the Sentinel-2 MSI in arid areas, China. Remote Sensing, 13(2), 305.
  87. Wang, Z., Zhang, X., Zhang, F., weng Chan, N., Liu, S. and Deng, L., 2020. Estimation of soil salt content using machine learning techniques based on remote-sensing fractional derivatives, a case study in the Ebinur Lake Wetland National Nature Reserve, Northwest China. Ecological Indicators, 119, 106869.
  88. Weiss, E., Marsh, S.E. and Pfirman, E.S., 2001. Application of NOAA-AVHRR NDVI time-series data to assess changes in Saudi Arabia's rangelands. International Journal of Remote Sensing, 22(6), 1005-1027.
  89. Yang, J., Zhao, J., Zhu, G., Wang, Y., Ma, X., Wang, J., Guo, H. and Zhang, Y., 2020. Soil salinization in the oasis areas of downstream inland rivers—Case Study: Minqin oasis. Quaternary International, 537, 69-78.
  90. Zaady, E., Arbel, S., Barkai, D. and Sarig, S., 2013. Long-term impact of agricultural practices on biological soil crusts and their hydrological processes in a semiarid landscape. Journal of Arid Environments, 90, 5-11.
  91. Zhang, K., Chao, L.J., Wang, Q.Q., Huang, Y.C., Liu, R.H., Hong, Y., Tu, Y., Qu, W. and Ye, J.Y., 2019. Using multi-satellite microwave remote sensing observations for retrieval of daily surface soil moisture across China. Water Science and Engineering, 12(2), 85-97.
  92. Zhao, W., Zhou, C., Zhou, C., Ma, H. and Wang, Z., 2022. Soil salinity inversion model of oasis in arid area based on UAV multispectral remote sensing. Remote Sensing, 14(8), p.1804.
مدیریت اراضی
دوره 11، شماره 1
فایل کامل جلد 11 شماره 1
مرداد 1402
صفحه 99-119
فایل ها
هم رسانی
ارجاع به این مقاله
آمار