به گزارش روابط عمومی مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی خوزستان به نقل از خبرگزاری ایانا، زینب ظاهری عبده وند محقق واحد سنجش‌ازدور و GIS مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی خوزستان در گفت‌وگو با خبرگزاری ایانا در خصوص نقش کلیدی سنجش‌ازدور در پایش و مدیریت شوری اراضی کشاورزی گفت: با بهره‌گیری از فناوری‌های پیشرفته مانند تصاویر ماهواره‌ای چندطیفی و ابرطیفی و همچنین مدل‌های پیشرفته طیفی و زمانی، امکان ارزیابی دقیق و مستمر تغییرات شوری در مقیاس‌های وسیع فراهم شده است.

 وی تأکید کرد: شوری خاک یکی از چالش‌های اصلی در مدیریت اراضی کشاورزی است که می‌تواند منجر به کاهش کیفیت خاک، افت عملکرد محصولات، و در نهایت تخریب زمین و کاهش بهره‌وری کشاورزی شود.

 ظاهری عبده وند افزود: داده‌های سنجش‌ازدور، با بهره‌گیری از شاخص‌های طیفی مانند شاخص شوری خاک (SSI) و NDVI، توانایی شبیه‌سازی تغییرات پوشش گیاهی و تأثیرات شوری بر آن را دارند و می‌توانند به شناسایی مناطق بحرانی کمک کنند. همچنین، استفاده از الگوریتم‌های پیشرفته مانند Random Forest و Cubist به‌عنوان ابزارهای تحلیل داده، به بهبود دقت پیش‌بینی‌ها و مدیریت منابع طبیعی در این زمینه کمک می‌کند.

 وی در ادامه برخی از کاربردها و روش‌های جدید سنجش‌ازدور در مدیریت شوری خاک را به شرح ذیل برشمرد:

شناسایی مناطق شور و تهیه نقشه‌های دقیق شوری: تصاویر ماهواره‌ای چند طیفی و ابرطیفی داده‌های ابرطیفی به پژوهشگران این امکان را می‌دهند که مناطق با سطوح مختلف شوری را با دقت بالا شناسایی کنند. شاخص‌های طیفی مانند شاخص شوری خاک (Soil Salinity Index - SSI) و شاخص پوشش گیاهی نرمال‌شده (NDVI) برای استخراج اطلاعات مربوط به شوری خاک به کار می‌روند. به طور خاص،  NDVI می‌تواند تغییرات در پوشش گیاهی و سلامت آن را که تحت‌تأثیر شوری خاک است، شبیه‌سازی کند. علاوه بر این، به‌کارگیری الگوریتم‌های پیشرفته یادگیری ماشین مانند رندوم فارست (Random Forest) و کوبیست (Cubist) برای طبقه‌بندی داده‌ها، به پژوهشگران کمک می‌کند تا نقشه‌های شوری با دقت بالاتری از توزیع شوری تهیه کنند. این الگوریتم‌ها به دلیل قابلیت‌هایشان در پردازش داده‌های پیچیده و حجم بالای اطلاعات، به‌ویژه در اراضی بزرگ و در شرایط متغیر محیطی، امکان شبیه‌سازی دقیق‌تر روند شوری و پیش‌بینی تغییرات آن را فراهم می‌آورند.

بررسی اثرات شوری بر رشد و سلامت گیاهان با استفاده از شاخص‌های سبزینگی و مدل‌های گیاهی: شوری یکی از عوامل مهم تنش‌زا در خاک است که می‌تواند تأثیرات منفی بر رشد و سلامت گیاهان داشته باشد. سنجش‌ازدور به‌ویژه با تحلیل شاخص‌های سبزینگی مانند شاخص پوشش گیاهی ارتقا یافته (EVI) و شاخص نسبت پوشش گیاهی (RVI) می‌تواند به شناسایی اثرات شوری بر سلامت گیاهان کمک کند. این شاخص‌ها با ارزیابی تغییرات در تراکم و سرسبزی پوشش گیاهی، به طور غیرمستقیم با شوری خاک مرتبط هستند. به طور خاص، شوری بالا باعث کاهش سبزینگی و سلامت گیاهان می‌شود که این موضوع در تغییرات مقدار EVI و RVI به طور چشمگیری مشاهده می‌شود. این داده‌ها به کشاورزان کمک می‌کنند تا وضعیت شوری خاک را ارزیابی کرده و تصمیمات بهتری در زمینه مدیریت منابع آب و کود اتخاذ کنند. همچنین، شاخص‌های سبزینگی مانند EVI و RVI به‌عنوان شاخص‌های حساس به تغییرات شوری می‌توانند ابزار مؤثری برای پایش تغییرات شوری در طول زمان و در سطوح مختلف خاک باشند.

مدیریت بهینه منابع آب و کاهش شوری خاک از طریق ارزیابی نیازهای آبیاری: سنجش‌ازدور ابزارهای مؤثری برای مدیریت منابع آب و کاهش شوری در اراضی کشاورزی ارائه می‌دهد. با استفاده از داده‌های سنجش‌ازدور و شاخص‌هایی مانند تبخیر و تعرق واقعی (Evapotranspiration - ET) و شاخص آبیاری، نیاز آبی مناطق مختلف ارزیابی شده و الگوهای کم‌آبی شناسایی می‌شوند. این اطلاعات به کشاورزان کمک می‌کند تا مصرف آب را بهینه کرده و آبیاری را بر اساس نیاز واقعی گیاه تنظیم کنند. کاهش شوری خاک از طریق مدیریت دقیق آبیاری به افزایش سلامت خاک و محصولات کشاورزی کمک می‌کند و می‌تواند بهره‌وری آب را نیز افزایش دهد. به‌علاوه، این داده‌ها نقش مهمی در تصمیم‌گیری برای مقابله با تنش آبی در مناطق خشک و نیمه‌خشک دارند و به طور غیرمستقیم می‌توانند به کاهش شوری و افزایش حاصلخیزی خاک کمک کنند.

کاهش هزینه و زمان پایش شوری با استفاده از سنجش‌ازدور و پردازش تصویر: سنجش‌ازدور و تکنیک‌های پردازش تصویر، در مقایسه با اندازه‌گیری‌های میدانی، روشی سریع‌تر و اقتصادی‌تر برای پایش شوری اراضی کشاورزی فراهم می‌کنند. استفاده از فناوری‌هایی مانند پردازش ابری و شبکه‌های عصبی مصنوعی به تحلیل خودکار داده‌های شوری و تولید نقشه‌های دقیق و به‌روز کمک می‌کند. این روش‌ها به کشاورزان و مدیران منابع طبیعی این امکان را می‌دهند که به طور پیوسته تغییرات شوری را بدون نیاز به حضور میدانی و با کاهش هزینه‌ها و زمان بررسی کنند. علاوه بر این، داده‌های چند طیفی و تکنیک‌های یادگیری عمیق، توانایی شناسایی تغییرات ظریف در سطوح شوری و تهیه نقشه‌های طبقه‌بندی‌شده با وضوح بالا را بهبود می‌بخشند. این نقشه‌ها می‌توانند به تصمیم‌گیری‌های دقیق‌تری در مدیریت منابع آبی و بهبود کیفیت خاک کمک کنند و بهره‌وری کشاورزی را افزایش دهند.

پیش‌بینی روندهای شوری و تصمیم‌گیری هوشمندانه با مدل‌های پیش‌بینی: مدل‌های پیش‌بینی که ترکیبی از داده‌های سنجش‌ازدور و داده‌های اقلیمی را به کار می‌گیرند، از جمله مدل‌های رگرسیون غیرخطی و شبکه‌های عصبی بازگشتی (Recurrent Neural Networks - RNN)، امکان پیش‌بینی تغییرات آینده شوری را با دقت بیشتری فراهم می‌کنند. این مدل‌ها با تحلیل الگوهای شوری در زمان‌های گذشته و حال، به کشاورزان و مدیران منابع کمک می‌کنند تا روندهای شوری را شناسایی کرده و از این اطلاعات برای اتخاذ تصمیمات بلندمدت بهره ببرند. باتوجه‌به قابلیت این مدل‌ها در پیش‌بینی تغییرات محیطی، می‌توانند به جلوگیری از گسترش شوری، بهبود شرایط خاک و ارتقای بهره‌وری پایدار اراضی کمک کنند. همچنین، این پیش‌بینی‌ها برای بهینه‌سازی مصرف آب و کود و کاهش هزینه‌ها در کشاورزی پایدار بسیار مؤثر هستند.

در پایان؛ محقق واحد سنجش‌ازدور مرکز تحقیقات در جمع‌بندی مطالب ارائه شده توضیح داد: به‌طورکلی، سنجش‌ازدور با بهره‌گیری از داده‌های مکانی و زمانی ارزشمند، به پژوهشگران و مدیران کشاورزی این امکان را می‌دهد که تغییرات شوری خاک را به طور دقیق در مقیاس‌های وسیع پایش کنند. این فناوری‌ها با تحلیل داده‌های ماهواره‌ای و استفاده از شاخص‌های طیفی، به شناسایی مناطق تحت‌تأثیر شوری کمک می‌کنند و امکان پیش‌بینی روندهای آینده را فراهم می‌آورند. به‌کارگیری روش‌های پیشرفته تحلیل داده‌ها مانند الگوریتم‌های یادگیری ماشین و مدل‌های پیچیده، تصمیم‌گیری‌های هوشمندانه‌تری در جهت بهبود کیفیت خاک و بهره‌وری اراضی کشاورزی فراهم می‌سازد.

وی یادآور شد: در نتیجه، این فناوری‌ها نقشی کلیدی در مدیریت پایدار منابع آب‌وخاک و جلوگیری از گسترش شوری دارند که می‌تواند به حفظ سلامت محیط‌زیست و ارتقای تولیدات کشاورزی کمک کند.

جهت دریافت اخبار در کانال ایتای سازمان کلیک کنید