مدل‌سازی مکانی رطوبت خاک با استفاده از مدل‌های رگرسیون کلی و رگرسیون وزن‌دار جغرافیایی (مطالعه موردی: حوزه آبخیز هلیل‌رود)

کوهستانی, شاپور; میرچولی, فهمیه; رفیعی ساردوئی, الهام

doi:10.22034/iwm.2025.2058858.1223

مدل‌سازی مکانی رطوبت خاک با استفاده از مدل‌های رگرسیون کلی و رگرسیون وزن‌دار جغرافیایی (مطالعه موردی: حوزه آبخیز هلیل‌رود)

نوع مقاله : مقاله پژوهشی

نویسندگان

شاپور کوهستانی ¹

فهمیه میرچولی ²

الهام رفیعی ساردوئی ³

¹ گروه مهندسی آب، دانشکده کشاورزی، دانشگاه جیرفت، کرمان، ایران.

² گروه مرتع و آبخیزداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران

³ گروه مهندسی طبیعت، دانشکده منابع طبیعی، دانشگاه جیرفت، کرمان، ایران.

10.22034/iwm.2025.2058858.1223

چکیده

چکیده مبسوط
مقدمه: اگرچه مطالعات متعددی به بررسی روابط بین رطوبت خاک و برخی متغیرهای محیط‌زیستی و اقلیمی پرداخته‌اند، اما هنوز تغییرات مکانی ارتباط رطوبت خاک با بسیاری دیگر از متغیرهای محیطی به‌طور کامل مشخص نمی‌باشد؛ زیرا این روش‌های آماری، مقادیر پارامترها را به‌صورت میانگین در سطح منطقه مطالعاتی نشان می‌دهد و از تغییرات مکانی رابطه بین رطوبت خاک و متغیرهای مستقل چشم‌پوشی می‌کنند. ازاین‌رو، به‌کارگیری یک رویکرد مناسب برای رفع این محدودیت، ضروری است. در همین راستا، می‌توان روش‌های آمار مکانی برای مدل‌سازی روابط مکانی بین متغیرهای مختلف استفاده کرد. پرکاربردترین روش‌های آمار مکانی می‌توان به روش حداقل مربعات معمولی (OLS) و رگرسیون وزن‌دار جغرافیایی (GWR) اشاره کرد. حوزه آبخیز هلیل‌رود یکی از قطب‌های اصلی کشاورزی در استان کرمان و ایران بوده و اقتصاد محلی منطقه به آن بستگی دارد. رطوبت یکی از متغیرهایی است که بر خشکسالی کشاورزی تأثیر‌گذار می‌باشد؛ بنابراین، این پژوهش با هدف برآورد رطوبت خاک در حوزه آبخیز هلیل‌رود با استفاده از بازدید صحرایی و تجزیه و تحلیل آزمایشگاهی، ارزیابی ارتباط مکانی آن با شاخص‌های مبتنی بر سنجش‌ازدور ازجمله شاخص تفاضل نرمال شده پوشش گیاهی (NDVI)، شاخص دمای سطح زمین (LST) با استفاده از مدل OLS و GWR انجام شد.
مواد و روش‌ها: برای اندازه‌گیری رطوبت خاک، از دستگاه TDR در مناطق دشتی حوزه آبخیز هلیل‌رود استفاده شد. سنجش رطوبت خاک در 72 نقطه (عمق 30 سانتی‌متری خاک) و در اردیبهشت‌ماه 1398 انجام شد. برای تهیه نقشه شاخص تفاوت پوشش گیاهی نرمال شده (NDVI) و دمای سطح زمین (LST)، ابتدا تصاویر ماهواره لندست 8 (OLI) و مودیس (MOD11A1) منطقه موردمطالعه مربوط به اردیبهشت 1398 تهیه شد. سپس پیش‌پردازش‌های لازم برای تصاویر موردنظر انجام و شاخص‌ها استخراج گردید. برای ارزیابی ارتباط مکانی بین رطوبت خاک و هر یک از متغیرهای مستقل و همچنین ترکیب هر دو متغیر از مدل‌های رگرسیون وزنی جغرافیایی و مدل رگرسیون حداقل مربعات استفاده شد.
نتایج و بحث: نتایج حاصل از این بررسی نشان داد که بر اساس معیارهای ارزیابی، مدل رگرسیون وزنی جغرافیایی با R²=0/28 برای متغیر مستقل LST، R²=0/44 برای متغیر مستقل NDVI وR²=0/58 برای ترکیب هر دو متغیر، دارای قدرت تبیین و برآورد بهتری نسبت به مدل رگرسیون کلی می‌باشد. همچنین مدل‌ رگرسیون وزنی جغرافیایی در تمامی حالت‌ها و در نظر گرفتن متغیرهای مختلف، به دلیل داشتن مقادیر کمترAICc و مقادیر بالاتر R² و Adjusted R² عملکرد بهتری نسبت به مدل حداقل مربعات معمولی داشته است. اگرچه، نتایج مدل حداقل مربعات معمولی نشان داد که همبستگی بین رطوبت خاک و متغیرهای مستقل وجود دارد اما مدل رگرسیون وزنی جغرافیایی تائید کرد که این ارتباط در نقاط مختلف، یکسان نمی‌باشد. به‌طوری‌که مناطق شمالی حوضه دارای ارتباط قوی‌تری بین تمامی متغیرهای مستقل و رطوبت خاک می‌باشند. یکی از دلایل برتری مدل رگرسیون وزنی جغرافیایی می‌تواند این باشد که در مدل رگرسیون حداقل مربعات، رابطه بین متغیرهای مستقل و وابسته در کل منطقه یکسان است؛ اما در مدل رگرسیون وزنی جغرافیایی، روابط بین متغیرها در نقاط مختلف منطقه به‌طور جداگانه مدل‌سازی و بررسی می‌شود.
نتیجه‌گیری: با استفاده از نقشه‌های حاصل از این مطالعه می‌توان نقاط در معرض کاهش یا افزایش رطوبت خاک را در منطقه شناسایی کرد و برای بهبود فرآیند تصمیم‌گیری و مدیریت حوزه آبخیز و پیش‌بینی نیازهای آبیاری در بخش کشاورزی مورداستفاده قرار داد. به‌کارگیری روش و هدف مطالعه حاضر در سایر حوزه‌های آبخیز می‌تواند از نظر کاربردی و پژوهشی، اهمیت زیادی داشته باشد. به‌علاوه، پیشنهاد می‌شود در مطالعات آینده به‌منظور یافتن مهم‌ترین متغیر، برخی دیگر از متغیرهای مستقل ازجمله خصوصیات توپوگرافی و نیز دیگر شاخص‌های مستخرج از تصاویر ماهواره‌ای مورداستفاده قرار گیرد.

کلیدواژه‌ها

دمای سطح زمین

رطوبت خاک

رگرسیون حداقل مربعات معمولی

رگرسیون وزنی جغرافیایی

موضوعات

مدیریت جامع حوزه های آبخیز

Ahmadi, M., Kamangar, M., Molanazar, G., & Madani, B. (2022). Evaluation of OLS regression models and GWR regression for modeling Spatial Soil Moisture, Case Study: Fars Province. Journal of Environmental Studies, 48(3), 403-418. https://doi.org/10.22059/jes.2022.344444.1008329 (In Persian)

Cibula, W.G., Zetka, E.F., & Rickman., D.L. (1992). Response of thematic mapper bands to plant water stress. Inter. J. Rem. Sens. 13(10), 1869-1880. https://doi.org/10.1080/01431169208904236

Eghtedarnezhad, M., Malekinezhad, H., & Rafiei Sardooi, E. (2024). Soil moisture estimation based on MODIS NDVI and LST productions in areas with no data. Environmental Erosion Research Journal, 14 (2), 141-160. https://doi.org/10.61186/jeer.14.2.9 (In Persian)

Fathololoumi, S., Vaezi, A. R., Alavipanah, S. K., & Ghorbani, A. (2020). Modeling the Influence of Biophysical Properties and Surface Topography on the Spatial Distribution of Soil Moisture in the Summer: A Case Study of Balikhli-Chay Watershed. Journal of Ecohydrology, 7(3), 563-581. https://doi.org/10.22059/ije.2020.299783.1 307 (In Persian)

Felegari, S., Sharifi, A., Moravej, K., Golchin, A., & Tariq, A. (2022). Investigation of the relationship between NDVI index, soil moisture, and precipitation data using satellite images. Sustainable Agriculture Systems and Technologies, 314-325. https://doi.org/10.1002/9781119808565.ch15

Gao, J., & Li, S. (2011). Detecting spatially non-stationery and scale-dependent relationships between urban landscape fragmentation and related factors using Geographically Weighted Regression. Applied Geography, 31, 292–302. https://doi.org/10.1016/j.apgeog.2010.06.003

Gemitzi, A., Kofidou, M., Falalakis, G., Fang, B., & Lakshmi, V. (2024). Estimating high-resolution soil moisture by combining data from a sparse network of soil moisture sensors and remotely sensed MODIS LST information. Hydrology Research, 55(9), 905-920. https://doi.org/10.2166/nh.2024.043

Harti, A. El, Lhissou, R., Chokmani, K., Ouzemou, J., Hassouna, M., Mostafa, E., & El, A. (2016). Spatiotemporal monitoring of soil salinization in irrigated Tadla Plain (Morocco) using satellite spectral indices. International Journal of Applied Earth Observations and Geoinformation, 50, 64–73. https://doi.org/10.1016/j.jag.2016.03.008

Hou, W., Gao, J., Wu, S., & Dai, E. (2015). Interannual variations in growing-season NDVI and its correlation with climate variables in the southwestern karst region of China. Remote Sensing, 7, 11105–11124. https://doi.org/10.3390/rs70911105

Li, F., Wu, J., Xu, F., Yang, Y., & Du, Q. (2022). Determination of the spatial correlation characteristics for selected groundwater pollutants using the geographically weighted regression model: A case study in Weinan, Northwest China. Human and Ecological Risk Assessment: An International Journal, 29(2), 471-493. https://doi.org/10.1080/10807039.2022.2124400

Li, L., Wu, D., Wang, T., & Wang, Y. (2022). Effect of topography on spatiotemporal patterns of soil moisture in a mountainous region of Northwest China. Geoderma Regional, 28, e00456. https://doi.org/10.1016/j.geodrs.2021.e00456

Mirchooli, F., Kiani-harchegani, M., & Khaledi, A. (2020). Spatial distribution dependency of soil organic carbon content to important environmental variables. Ecological Indicators, 116, 106473. https://doi.org/10.1016/j.ecolind.2020.106473

Mirchooli, F., Sadeghi, S.H., & Darvishan, A.K. (2020). Analyzing spatial variations of relationships between Land Surface Temperature and some remotely sensed indices in different land uses. Remote Sensing Applications. Society and Environment, 19, 100359. https://doi.org/10.1016/j.rsase.2020.100359

Niu, C.Y., Musa, A., & Liu, Y. (2015). Analysis of soil moisture condition under different land uses in the arid region of Horqin sandy land, northern China. Solid Earth, 6, 1157–1167. https://doi.org/10.5194/se-6-1157-2015, 2015

Rafiei-Sardooi, E., Azareh, A., Shooshtari, S. J., & Parteli, E. J. (2022). Long-term assessment of land-use and climate change on water scarcity in an arid basin in Iran. Ecological Modelling, 467, 109934. https://doi.org/10.1016/j.ecolmodel.2022.109934

Rash,A. J. H., Khodakarami, L., Muhedin, D. A., Hamakareem, M. I., & Ali, H. F. H. (2024). Spatial modeling of geotechnical soil parameters: Integrating ground-based data, RS technique, spatial statistics and GWR model. Journal of Engineering Research, 12(1), 75-85. https://doi.org/10.1016/j.jer.2023.10.026

Rezaei, A. (2009). Soil moisture measurement error by TDR in Zanjan’s flood ‎spreading station. Watershed Engineering and Management, 1(2), 128-139. http://doi.org/20.1001.1.22519300.1388.1.2.7.9 (In Persian)

Rouse Jr, J. W., Haas, R. H., Deering, D. W., Schell, J. A., & Harlan, J. C. (1974). Monitoring the vernal advancement and retrogradation (green wave effect) of natural vegetation (No. E75-10354). Final Rep. RSC 1978-4, Remote Sensing Center, Texas A&M Univ., College Station.

Shrestha, A., & Luo, W. (2017). Analysis of Groundwater Nitrate Contamination in the Central Valley: Comparison of the Geodetector Method, Principal Component Analysis and Geographically Weighted Regression. ISPRS International Journal of Geo-Information, 6(10), 297. https://doi.org/10.3390/ijgi6100297

Srivastava, A., Saco, P., Rodriguez, J., Kumari, N., Chun, K., & Yetemen, O. (2021). The Role of Landscape Morphology on Soil Moisture Variability in Semi-arid, The role of landscape morphology on soil moisture variability in semi-arid ecosystems. Hydrological Processes, 35(1), 1-50. https://doi.org/10.1002/hyp.13990

Van de Griend, A. A., & Engman, E. T. (1985). Partial area hydrology and remote sensing. Journal of Hydrology, 81(3-4), 211-251. https://doi.org/10.1016/0022-1694(85)90033-2

Wang, J., Price, K. P., & Rich, P. M. (2001). Spatial patterns of NDVI in response to precipitation and temperature in the central Great Plains. International Journal of Remote Sensing, 22(18), 3827-3844. https://doi.org/10.1080/01431160010007033

Wang, S., Zhuang, Q., Jia, S., Jin, X., & Wang, Q. (2018). Spatial variations of soil organic carbon stocks in a coastal hilly area of China. Geoderma, 314, 8–19. https://doi.org/10.1016/j.geoderma.2017.10.052

Wen, X. (2020). Temporal and spatial relationships between soil erosion and ecological restoration in semi-arid regions: a case study in northern Shaanxi, China. Geoscience and Remote Sensing, 57, 572–590. https://doi.org/10.1080/15481603.2020.1751406

Wicki, A., Lehmann, P., Hauck, C., Seneviratne, S.I., Waldner, P., & Stähli, M. (2020). Assessing the potential of soil moisture measurements for regional landslide early warning. Landslides, 17, 1881–1896. https://doi.org/10.1007/s10346-020-01400-y

Xu, G., Huang, M., Li, P., Li, Z., & Wang, Y. (2021). Effects of land use on spatial and temporal distribution of soil moisture within profiles. Environmental Earth Sciences, 80(4), 128. https://doi.org/10.1007/s12665-021-09464-2

Yoshioka, M., S., Ishizawa, T. and Sakai, N. (2015). Temporal changes of soil temperature with soil water content in an embankment slope during controlled artificial rainfall experiments. Journal of Applied Geophysics, 114, 134-145. https://doi.org/10.1016/j.jappgeo.2015.01.009

Zhang, H., Chang, J., Zhang, L., Wang, Y., Li, Y., & Wang, X. (2018). NDVI dynamic changes and their relationship with meteorological factors and soil moisture. Environmental Earth Sciences, 77, 1–11. https://doi.org/10.1007/s12665-018-7759-x

Zhao, C., Jensen, J., Weng, Q., & Weaver, R. (2018). A Geographically Weighted Regression Analysis of the Underlying Factors Related to the Surface Urban Heat Island Phenomenon. Remote Sensing, 10, 1–18. https://doi.org/10.3390/rs10091428

Zucco, G., Brocca, L., Moramarco, T., & Morbidelli, R. (2014). Influence of land use on soil moisture spatial – temporal variability and monitoring. Journal of hydrology, 516, 193-199. https://doi.org/10.1016/j.jhydrol.2014.01.043