سنجش از دور
شیلان فعله گری؛ کامران مروج؛ علیرضا شریفی؛ احمد گلچین؛ پرویز کرمی
چکیده
پیشینه و اهداف: هر کشوری به خاک بهعنوان یک منبع طبیعی حیاتی، متکی است که بهطور قابل توجهی در حفظ محیط زیست و تولید مواد غذایی کمک میکند. تهیه نقشه توزیع عناصر غذایی خاک بهعنوان یک ابزار ارزشمند برای تصمیمگیری مدیران عمل میکند. با توجه به ماهیت زمانبر و پرهزینه آنالیز آزمایشگاهی برای این متغیرها در مقیاس بزرگ، تلاشهایی ...
بیشتر
پیشینه و اهداف: هر کشوری به خاک بهعنوان یک منبع طبیعی حیاتی، متکی است که بهطور قابل توجهی در حفظ محیط زیست و تولید مواد غذایی کمک میکند. تهیه نقشه توزیع عناصر غذایی خاک بهعنوان یک ابزار ارزشمند برای تصمیمگیری مدیران عمل میکند. با توجه به ماهیت زمانبر و پرهزینه آنالیز آزمایشگاهی برای این متغیرها در مقیاس بزرگ، تلاشهایی برای کاوش نیتروژن خاک از طریق سنجش از دور انجام شده است. پژوهش حاضر، به کاربرد روشهای سنجش از دور همراه با مدلهای رگرسیون و تصادفی جنگل برای پیشبینی نیتروژن کل خاک در استان گیلان میپردازد. این مطالعه، با هدف پاسخ به دو سوال اصلی انجام شد: (1) آیا میتوان از دادههای SAR برای تعیین مقدار نیتروژن کل خاک استفاده کرد؟ (ب) الگوریتمهای ماشین بردار پشتیبانی (SVM)، درخت رگرسیون تقویتشده (BRT) و جنگل تصادفی (RF) در پیشبینی محتوای نیتروژن خاک چگونه عمل میکنند؟روشها: این مطالعه بر ارزیابی قابلیتهای دادهای ماهوارههای Landsat-9 و Sentinel-1 بهصورت جداگانه و ترکیبی، با استفاده از الگوریتمهای پیشرفته مانند SVM، RF و BRT متمرکز شد.. نمونهبرداری هدفمند بهصورت استراتژیک انجام شد تا شرایط متنوع منطقه مورد مطالعه را بر اساس پوشش زمین/ کاربری زمین، پارامترهای اقلیمی و توپوگرافیکی نشان دهد. متغیرهای مختلف، از جمله پارامترهای آبوهوایی، اجزای توپوگرافی، و شاخصهای زیرگروه سنجش از دور، در ارتباط با دادههای SAR و تصاویر نوری مورد بررسی قرار گرفتند. الگوریتمهای یادگیری ماشین غیرخطی، بهویژه SVM، RF و BRT برای پیشبینی وضعیت نیتروژن کل خاک با مدلسازی روابط پیچیده بین خواص خاک و متغیرهای محیطی مورد استفاده قرار گرفتند. نرم افزار R، با استفاده از بسته CARET برای ورودی پارامتر، برای پیادهسازی الگوریتم استفاده شد.یافتهها: نتایج، حاکی از موارد زیر بود: عملکرد الگوریتمهای RF و BRT از SVM پیشی گرفت و در پایش مقادیر نیتروژن کل خاک مؤثر بود، تصاویر SAR چند زمانی دقت بالاتری را در نظارت بر محتوای نیتروژن کل خاک در مقایسه با دادههای سنجش از دور نوری نشان دادند و پیشبینیهای واقعیتر را در خاکهای شالیزاری تسهیل کردند، ادغام متغیرهای محیطی منجر به افزایش دقت الگوریتمها شد. متغیرهای سنجش از دور، نقش مهمی را در این پژوهش ایفا کردند و به ترتیب، تأثیر 61 و 51 درصدی در الگوریتمهای RF و BRT گزارش شد. مقایسه الگوریتمهای SVM و RF نشان داد که RF پس از اجرای الگوریتم BRT در رتبه دوم قرار دارد و دقت برآورد نیتروژن کل خاک با الگوریتم SVM بهدست نیامد. با این حال، الگوریتمهای BRT و RF قادر به نظارت بر تغییرات نیتروژن کل خاک بودند و BRT با ثبت دقیق 58٪ تغییرات بهدلیل مقدار R2 بالاتر (58/0) و مقادیر RMSE (25/0 میلیگرم بر کیلوگرم) و MAE (19/0 میلیگرم بر کیلوگرم) کمتر، عملکرد بهتری داشت.نتیجهگیری: در انتها، موارد کلیدی زیر بهعنوان نتیجهگیری کلی از این پژوهش استخراج شد: 1) الگوریتمهای RF و BRT در نظارت بر سطوح نیتروژن کل خاک بهطور مؤثر بهتر از SVM عمل کردند، 2) تصاویر SAR چند زمانی دقت بالایی در ردیابی نیتروژن کل خاک در مقایسه با سنجش از دور نوری ارائه میدهند و پیشبینی دقیق را در خاکهای شالیزاری تسهیل میکنند، 3) ترکیب متغیرهای محیطی باعث افزایش دقت الگوریتمی شد و 4) متغیرهای سنجش از دور به ترتیب 61 و 51 درصد به الگوریتم های RF و BRT کمک کردند.
