تحلیل توزیع مکانی پوسته‌های زیستی خاک بر اساس شاخص Biological Soil Crust (BSCI)

سنجش‌ازدور و سامانه اطلاعات جغرافیایی در منابع طبیعی

مقاله 1، دوره 12، شماره 2 - شماره پیاپی 43، تیر 1400، صفحه 1-15   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.30495/girs.2021.679274

نویسندگان

لیلا کاشی زنوزی¹؛ سیدحسن کابلی^{* 2}؛ کاظم خاوازی³؛ محمد سهرابی⁴؛ محمد خسروشاهی⁵

¹دانشجوی دکتری بیابان‌زدایی، دانشکده کویرشناسی، دانشگاه سمنان، ایران

²استادیار گروه مدیریت مناطق خشک و بیابانی، دانشکده کویرشناسی، دانشگاه سمنان، ایران

³استاد، بخش تحقیقات بیولوژی خاک، مؤسسه تحقیقات خاک و آب کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران

⁴استادیار، سازمان پژوهش‌های علمی و صنعتی ایران، تهران، ایران

⁵دانشیار پژوهشی، بخش تحقیقات بیابان، مؤسسه تحقیقات جنگل‌ها و مراتع کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران

چکیده

پیشینه و هدف پوسته‌های زیستی خاک مجموعه‌ای از گلسنگ‌ها، خزه‌ها، قارچ‌ها، سیانوباکتری‌ها و غیره هستند که بخش از اکوسیستم خاک را تشکیل داده‌اند. برآورد تراکم و نحوه توزیع پوسته‌های زیستی خاک در مناطق خشک و نیمه‌خشک کشور ایران که موضوع فرسایش و هدر رفت خاک از اهم مسائل است، اهمیت بسزایی دارد. روش‌های مبتنی بر تکنیک سنجش‌ازدور به لحاظ هزینه و زمان کمتر روش‌هایی کارآمد برای دستیابی به این هدف مهم می‌باشند. دشت سگزی یکی از نقاط بحرانی فرسایش بادی در ایران است و شناسایی و تعیین نحوه توزیع پوسته‌های زیستی خاک به‌عنوان عامل اصلاح‌کننده خاک گامی مؤثر در کاهش فرسایش بادی منطقه است. در این تحقیق شاخص BSCI (Biological Soil Crust) برای تهیه نقشه پراکنش پوسته‌های زیستی خاک با غالبیت گلسنگ به کار گرفته‌شده است.
مواد و روش ­ها محدوده موردمطالعه بخشی از بیابان سگزی (بیابان‌های مرکزی ایران) است  که در استان اصفهان از کشور ایران واقع‌شده است. محدوده موردمطالعه با مساحت 199.5 هکتار بین طول‌های شرقی"32 ́ 52 ̊ 51 تا "41 ́ 27 ̊ 52 و عرض‌های شمالی "31 ́ 33 ̊ 32 تا "01 ́ 55 ̊ 32 گسترده شده است. شیب  متوسط دشت سگزی 1.08 درصد و ارتفاع متوسط آن 1680 متر است. بر اساس آمار ایستگاه هواشناسی شرق اصفهان (ایستگاه شهید بهشتی) متوسط بارش سالیانه منطقه 106 میلی‌متر است. بر اساس طبقه‌بندی اقلیمی دومارتن، اقلیم منطقه از نوع خشک و براساس طبقه‌بندی آمبرژه از نوع خشک سرد است. شاخص BSCI شاخصی ترکیبی از روابط مورداستفاده برای برآورد پوشش گیاهی و سطح خاک لخت است و رابطه ریاضی آن شیب‌خط خاک لحاظ شده است. برای محاسبه خط خاک در یک منطقه، نخست باید پیکسل‌هایی که دارای خاک لخت بوده و هیچ پوشش گیاهی ندارند جدا شوند. به‌منظور محاسبه معادله خط خاک، در چهارفصل سال تصاویر ماهواره Landsat OLI 8 مربوط به سال 1397ز سایت سازمان زمین‌شناسی آمریکا دانلود شده و تعداد 20 الی 30 پیکسل خالص خاک لخت استخراج و با ترسیم مقادیر بازتاب این پیکسل‌ها در محدوده باند قرمز و مادون‌قرمز نزدیک ضرایب خط خاک برای هر یک از فصل‌های سال در دشت سگزی محاسبه شد. بر اساس این شاخص، شناسایی پوسته‌های زیستی با غالبیت گلسنگ، با استفاده از انعکاس طیفی حداقل VIS-NIR و شیب بین باند قرمز و سبز در مقایسه با خاک لخت و پوشش گیاهی خشک صورت می‌گیرد. با استفاده از نرم‌افزار ENVI نقشه پراکنش پوسته‌های زیستی با غالبیت گلسنگ در چهارفصل از سال 1397 در دشت سگزی تهیه شدند. سپس نقشه‌های تهیه‌شده براساس نقاط زمینی اعتبارسنجی شده و میزان صحت کل و شاخص کاپا در هر چهارفصل محاسبه شدند. نمونه‌های گلسنگ جمع‌آوری‌شده بر اساس خصوصیات مرفولوژیکی آن‌ها و با استفاده از استریومیکروسکوپ، میکروسکوپ معمولی و معرف‌های رنگی متداول از قبیل هیدروکسید پتاسیم (KOH) شناسایی شدند. پس از اعمال شاخص BSCI بر روی تصویر ماهواره لندست 8، با استفاده از نرم‌افزار ENVI پروفیل طیفی مربوط به 4 نقطه از دشت سگزی در چهارفصل از سال تهیه شد و میزان بازتابش طیفی در چهارفصل از سال در نقاط مختلف بررسی شدند.
نتایج و بحث شیب‌خط خاک در فصل بارش که هم‌زمان با رشد گیاهان علفی و یک‌ساله است در مقایسه با فصل تابستان که حداقل میزان بارش را داشته و همچنین گیاهان یک‌ساله خشک‌شده و از بین رفته‌اند، کمتر است. در اردیبهشت‌ ماه شیب‌خط خاک حداقل بوده (0.39) و در اواخر تابستان حداکثر مقدار خود را دارد (0.78). در حقیقت شیب‌خط خاک از اسفندماه تا اردیبهشت رو به کاهش نهاده و سپس با از بین رفتن پوشش گیاهی یک‌ساله و افزایش سطح خاک لخت بیشتر شده است. نقشه‌های پراکنش پوسته‌های زیستی در هر چهارفصل سال طی بازدیدهای میدانی اعتبار سنجی شدند و سال معلوم شد که بیشترین میزان صحت نقشه مربوط به نقشه تولیدشده از تصویر لندست 8 مربوط به فصل تابستان با میزان صحت کل 94 درصد و شاخص کاپا برابر با 0.7412 بوده است. تفسیر پروفیل طیفی شاخص BSCI نشان دادن که بازتابش طیف مربوط به زفره و فشارک که بر روی نقاط با پراکنش گلسنگ‌ها تهیه‌شده است بسیار نزدیک به هم بوده و همچنین پروفیل طیف مربوط به اواسط پاییز و اوایل بهار کاملاً منطبق بر هم است. درحالی‌که در فساران که فاقد پوشش پوسته‌های زیستی بود مقدار بازتابش بیشتر است و اختلافی جزئی بین نمودار بازتابش پاییز و بهار وجود داشت. هرچند مقادیر بازتابش طیفی از اراضی کشاورزی و نقاط پراکنش پوسته‌های زیستی بسیار نزدیک به هم است لیکن نمودار طیفی هر چهارفصل اختلاف زیادی با یکدیگر دارند. لیکن در همه فصول از سال و در همه نقاط کمترین بازتابش در اول زمستان و بیشترین بازتابش در فصل تابستان اتفاق افتاده است. اقلیم دشت سگزی مدیترانه‌ای بوده و بارش در فصل سرد سال انجام می‌شود هم‌زمان با افزایش بارش‌ها از اواسط پاییز گیاهان یک‌ساله و خزه‌ها در پای بوته‌ها شروع به رشد نموده و در اوایل زمستان به اوج خود رسیده‌اند و دوباره در آغاز بهار هم‌زمان با کاهش بارندگی‌ها رو تراکم آن‌ها کاهش‌یافته است. چنانچه طیف مربوط به زمستان در همه نقاط کمترین بازتابش را داشته است. درحالی‌که در اواخر فصل تابستان که گیاهان یک‌ساله و خزه‌ها خشک‌شده‌اند بیشترین بازتابش طیفی را داشته است. در فساران که منطقه‌ای لم‌یزرع و محل دپوی زباله‌هاست، حداکثر میزان بازتابش را نشان داده است. بنابراین شاخص BSCI نسبت به درصد ماده آلی خطای فاحشی در تشخیص پوسته‌های زیستی خاک دارد و درجایی که ماده آلی بالا باشد ممکن است تشخیص درستی از پوسته‌های زیستی خاک ارائه ندهد. البته ازآنجاکه شاخص BSCI برای تشخیص ترکیبات گلوگان در بافت‌های گلسنگ تعریف‌شده است. میزان خطای در خصوص ماده آلی به حداقل کاهش می‌یابد. همان‌طور که مشاهده‌شده است در نقشه نهایی در فساران پوشش پوسته‌های زیستی وجود ندارد و تنها در نواحی اطراف فساران در مناطق زراعی پوسته‌های زیستی خاک مشاهده می‌شوند. در مناطق زراعی با توجه به دخالت انسان و کشت و زرع میزان گیاهان یک‌ساله متفاوت با عرصه منابع طبیعی در فصول مختلف سال است و به همین دلیل بااینکه بازتابش طیفی تقریباً نزدیک به زفره و فشارک است لیکن نمودار طیفی پاییز و زمستان کاملاً از یکدیگر تفکیک‌شده‌اند.
نتیجه­ گیری شباهت طیفی مهم‌ترین پوشش سطحی خاک ازجمله پوشش گیاهی، دخالت عوامل انسانی در افزایش یا کاهش ماده آلی خاک، خاک لخت و غیره میزان کارایی شاخص BSCI را محدود می‌کند و ازاین‌رو در بازه زمانی تصاویر ماهواره‌ای و شرایط منطقه‌ای تأثیر زیادی در میزان دقت شاخص BSCI  دارد. 

کلیدواژه‌ها

سیانوگلسنگ؛ شیب‌خط خاک؛ دشت سگزی

مراجع

Alipour H, Hasheminasab sH, Hatefi AH, Gholamnia A, Shahnavaz Y. 2014. Estimation of the potential of wind erosion and deposition using IRIFR method in Miandasht Esfarayen region. Journal of Spatial Analysis Environmental Hazards, 1(2): 77-92. https://jsaeh.khu.ac.ir/article-71-2455-en.html. (In Persian).

Alonso M, Rodríguez-Caballero E, Chamizo S, Escribano P, Cantón Y. 2014. Evaluación de los diferentes índices para cartografiar biocostras a partir de información espectral. Revista española de teledetección: 79-98. doi:https://doi.org/10.4995/raet.2014.2317.

Belnap J. 2006. The potential roles of biological soil crusts in dryland hydrologic cycles. Hydrological Processes: An International Journal, 20(15): 3159-3178. doi:https://doi.org/10.1002/hyp.6325.

Belnap J, Beau JW, Seth MM, Richard AG. 2014. Controls on sediment production in two U.S. deserts. Aeolian Research, 14: 15-24. doi:https://doi.org/10.1016/j.aeolia.2014.03.007.

Chamizo S, Cantón Y, Lázaro R, Solé-Benet A, Domingo F. 2012. Crust Composition and Disturbance Drive Infiltration Through Biological Soil Crusts in Semiarid Ecosystems. Ecosystems, 15(1): 148-161. doi:https://doi.org/10.1007/s10021-011-9499-6.

Chamizo S, Cantón Y, Rodríguez‐Caballero E, Domingo F. 2016. Biocrusts positively affect the soil water balance in semiarid ecosystems. Ecohydrology, 9(7): 1208-1221. doi:https://doi.org/10.1002/eco.1719.

Chen J, Yuan Zhang M, Wang L, Shimazaki H, Tamura M. 2005. A new index for mapping lichen-dominated biological soil crusts in desert areas. Remote Sensing of Environment, 96(2): 165-175. doi:https://doi.org/10.1016/j.rse.2005.02.011.

Esmali A, Ahmadi H, Tahmoures M. 2014. Quantity assessment of water erosion intensity using regional model of erosion and sediment yield (Case study: Nir watershed, Ardebil). Journal of Range and Watershed Managment, 67(3): 407-417. doi:https://doi.org/10.22059/JRWM.2014.52830.

Felde VJMNL, Peth S, Uteau-Puschmann D, Drahorad S, Felix-Henningsen P. 2014. Soil microstructure as an under-explored feature of biological soil crust hydrological properties: case study from the NW Negev Desert. Biodiversity and Conservation, 23(7): 1687-1708. doi:https://doi.org/10.1007/s10531-014-0693-7.

Gong P, Pu R, Biging GS, Larrieu MR. 2003. Estimation of forest leaf area index using vegetation indices derived from Hyperion hyperspectral data. IEEE Transactions on Geoscience and Remote Sensing, 41(6): 1355-1362. doi:https://doi.org/10.1109/TGRS.2003.812910.

Huete A, Didan K, Miura T, Rodriguez EP, Gao X, Ferreira LG. 2002. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment, 83(1): 195-213. doi:https://doi.org/10.1016/S0034-4257(02)00096-2.

Karnieli A. 1997. Development and implementation of spectral crust index over dune sands. International Journal of Remote Sensing, 18(6): 1207-1220. doi:https://doi.org/10.1080/014311697218368.

Kashi Zenouzi L, Ahmadi H, Nazari Samani A. 2016. Using Statistical Hydrogeomorphology Method for Estimating Sediment Yield of Watersheds (Case study: Zonouz Chay and Zilber Chay watersheds). Journal of Watershed Management Research, 6(12): 166-174. http://jwmr.sanru.ac.ir/article-161-567-en.html. (In Persian).

Khodagholi M, Feyzi M, Jaberolansar Z, Shirani K, Alijan V. 2017. Plan for recognizing the ecological regions of the country, plant types of Isfahan province. Research Institute of Forests and Rangelands, Iran, 290 p.

Li Z, Jianmin X, Chaowen C, Lina Z, Zhengyan W, Lichao L, Dongqing C. 2020. Promoting desert biocrust formation using aquatic cyanobacteria with the aid of MOF-based nanocomposite. Science of The Total Environment, 708: 134824. doi:https://doi.org/10.1016/j.scitotenv.2019.134824.

Miralles I, Lázaro R, Sánchez-Marañón M, Soriano M, Ortega R. 2020. Biocrust cover and successional stages influence soil bacterial composition and diversity in semiarid ecosystems. Science of The Total Environment, 709: 134654. doi:https://doi.org/10.1016/j.scitotenv.2019.134654.

Miralles-Mellado I, Cantón Y, Solé-Benet A. 2011. Two‐dimensional porosity of crusted silty soils: Indicators of soil quality in semiarid rangelands? Soil Science Society of America Journal, 75(4): 1330-1342. doi:https://doi.org/10.2136/sssaj2010.0283.

Mojeddifar S, Fereydooni H. 2017. A directed matched filtering algorithm (DMF) for discriminating hydrothermal alteration zones using the ASTER remote sensing data. International Journal of Applied Earth Observation and Geoinformation, 61: 1-13. doi:https://doi.org/10.1016/j.jag.2017.04.010.

Nazari Samani AA, Ehsani AH, Golivari A, Abdolshahnejad M. 2015. Comparing the results of RWEQ and IRIFR models for determining of land management effects on wind erosion. Desert Management, 3(6): 39-53. http://www.jdmal.ir/article_21671.html?lang=en. (In Persian).

Paruelo JM, Piñeiro G, Escribano P, Oyonarte C, Alcaraz D, Cabello J. 2005. Temporal and spatial patterns of ecosystem functioning in protected arid areas in southeastern Spain. Applied Vegetation Science, 8(1): 93-102. doi: https://doi.org/10.1111/j.1654-109X.2005.tb00633.x.

Peñuelas J, Pinol J, Ogaya R, Filella I. 1997. Estimation of plant water concentration by the reflectance water index WI (R900/R970). International Journal of Remote Sensing, 18(13): 2869-2875. doi:https://doi.org/10.1080/014311697217396.

Rodríguez-Caballero E, Cantón Y, Chamizo S, Lázaro R, Escudero A. 2013. Soil Loss and Runoff in Semiarid Ecosystems: A Complex Interaction Between Biological Soil Crusts, Micro-topography, and Hydrological Drivers. Ecosystems, 16(4): 529-546. doi:10.1007/s10021-012-9626-z.

Rodríguez-Caballero E, Escribano P, Olehowski C, Chamizo S, Hill J, Cantón Y, Weber B. 2017. Transferability of multi- and hyperspectral optical biocrust indices. ISPRS Journal of Photogrammetry and Remote Sensing, 126: 94-107. doi:https://doi.org/10.1016/j.isprsjprs.2017.02.007.

Rouse JW, Haas RH, Schell JA, Deering DW. 1974. Monitoring vegetation systems in the Great Plains with ERTS. NASA special publication, 351(1974): 309-317. https://ntrs.nasa.gov/citations/19740022614.

Rozenstein O, Karnieli A. 2015. Identification and characterization of Biological Soil Crusts in a sand dune desert environment across Israel–Egypt border using LWIR emittance spectroscopy. Journal of Arid Environments, 112: 75-86. doi:https://doi.org/10.1016/j.jaridenv.2014.01.017.

Thomas A, Dougill A. 2007. Spatial and temporal distribution of cyanobacterial soil crusts in the Kalahari: Implications for soil surface properties. Geomorphology, 85(1): 17-29. doi:https://doi.org/10.1016/j.geomorph.2006.03.029.

Ustin LS, Phillip GV, Shawn CK, Maria JS, Jeff FZ, Stanley DS. 2009. Remote sensing of biological soil crust under simulated climate change manipulations in the Mojave Desert. Remote Sensing of Environment, 113(2): 317-328. doi:https://doi.org/10.1016/j.rse.2008.09.013.

Weber B, Hill J. 2016. Remote sensing of biological soil crusts at different scales. In:  Biological soil crusts: an organizing principle in drylands. Springer, pp 215-234. https://doi.org/210.1007/1978-1003-1319-30214-30210_30212.

Weber B, Olehowski C, Knerr T, Hill J, Deutschewitz K, Wessels DCJ, Eitel B, Büdel B. 2008. A new approach for mapping of Biological Soil Crusts in semidesert areas with hyperspectral imagery. Remote Sensing of Environment, 112(5): 2187-2201. doi:https://doi.org/10.1016/j.rse.2007.09.014.

Zhao Y, Qin N, Weber B, Xu M. 2014. Response of biological soil crusts to raindrop erosivity and underlying influences in the hilly Loess Plateau region, China. Biodiversity and Conservation, 23(7): 1669-1686. doi:https://doi.org/10.1007/s10531-014-0680-z.