تعداد نشریات | 13 |
تعداد شمارهها | 150 |
تعداد مقالات | 1,491 |
تعداد مشاهده مقاله | 2,264,574 |
تعداد دریافت فایل اصل مقاله | 1,896,516 |
مدلسازی و نقشهبرداری شوری و رطوبت خاک با استفاده از سنجش از دور طیفی و راداری | ||
تحقیقات کاربردی خاک | ||
دوره 10، شماره 3، آذر 1401، صفحه 43-65 اصل مقاله (1.59 M) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
صلاح شاه مرادی* ؛ حمید رضا غفاریان مالمیری؛ محمد شریفی پیچون | ||
دانشگاه یزد | ||
چکیده | ||
شوری خاک ناشی از فرآیندهای طبیعی یا انسانی و یک خطر عمده زیست محیطی میباشد. همچنین کمبود رطوبت خاک که تأثیر منفی بر فعالیتهای کشاورزی در مناطق کوهستانی که اکثر آب و هوای نیمه مرطوب میگذارنند دارد. هدف اصلی این تحقیق نقشهبرداری از شوری و رطوبت خاک واقع در قسمت غرب دریاچه ارومیه در کشور ایران با استفاده از تصاویر ماهوارههای سنتینل 1 و 2 همراه با پنج الگوریتم شبکه عصبی میباشد. مدلهای یادگیری، شبکههای عصبی چند لایه (MLP-NN)، عملکرد تابش پایه شعاعی (RBF-NN)، فرآیندهای گاوسی (GP)، رگرسیون بردار پشتیبان (SVR) و جنگلهای تصادفی (RF) میباشند. ابتدا با استفاده از الگوریتمهای مختلف شاخصهای مختلف شوری و رطوبت خاک بدست آورده شدند. سپس با استفاده از 60 نمونه خاک که از عمق 5 تا 15 سانتیمتری خاک در طول بررسی میدانی در تاریخ 18/06/1398 همراه با زمان تصویر برداری سنتینل 1 و 2 برداشت شد، دقتسنجی انجام گرفت. در شاخصهای شوری خاک مورد استفاده در تصاویر اپتیکی شاخص Salinity index با 96/0 R2= شاخص بهینه برای برآورد شوری خاک با توجه به مقایسه با دادههای زمینی بود. شاخص NDWI نیز برای برآورد رطوبت در تصاویر اپتیکی بادقت 0.89 دارای بالاترین میزان دقت در شاخصهای مورد استفاده این پژوهش بوده است. میزان دقت برآورد رطوبت و شوری خاک در تصاویر رادار به ترتیب 80/0 R2= و 89/0 R2= بوده است. عملکرد پنج الگوریتم برای مدل سازی نیز با استفاده از خطای میانگین مربعات (RMSE) و ضریب همبستگی (R2) ارزیابی و مقایسه شد. نتایج نشان دادند که مدل GP بالاترین عملکرد پیشبینی ( RMSE = 2و 82/0 R2=) را نسبت به سایر مدلهای یادگیری ماشین مورد استفاده در این تحقیق داشته است. | ||
کلیدواژهها | ||
تصاویر اپتیکی؛ دریاچه ارومیه؛ سنتینل؛ شاخصهای رطوبت و شوری خاک؛ شبکه عصبی مصنوعی | ||
مراجع | ||
Bishop C. M. 2006. Pattern Recognition and Machine Learning. springer.4(4):738.
Beaudoin A., Gwyn Q.H.J. and T. Le Toan. 1990. Sar observation and modelling of the c-band backscatter variability due to multi-scale geometry and soil moisture. IEEE Transactions on Geoscience and Remote Sensing, 28: 886-894.
Dobson M. C., Ulaby F. T., Hallikainen M. T. and El-Rayes M. A. 1985. Microwave dielectric behavior of wet soil-part ii: dielectric mixing models. IEEE Transactions on Geoscience and Remote Sensing, 1: 35-46.
Engman E. T., and Chauhan N. 1995. Status of microwave soil moisture measurements with remote sensing. Remote Sensing of Environment, 51(1):189-198.
Fernandez-Buces. N. C. Siebe. S. Cram. and Palacio J. 2006. Mapping soil salinity using a combined spectralresponse index for bare soil and vegetation: A case study in the former lake texcoco, mexico. Journal of Arid Environments, 65: 644–667.
Filipponi F. 2019. Sentinel-1 grd preprocessing workflow. in multidisciplinary digital publishing institute proceedings. 18(1):11.
Gong, H., Shao, Y., Brisco, B., Hu, Q., & Tian, W. 2013. Modeling the dielectric behavior of saline soil at microwave frequencies. Canadian Journal of Remote Sensing, 39(1), 17-26.
Helmut L., Tavakoli H., Ansair R., Askar H and Rastegari J. 2013. Crop and forage production using saline waters. daya publishing house, india.
Hoa, P. V., Giang, N. V., Binh, N. A., Hai, L. V. H., Pham, T. D., Hasanlou, M., & Tien Bui, D. (2019). Soil salinity mapping using SAR sentinel-1 data and advanced machine learning algorithms: A case study at Ben Tre Province of the Mekong River Delta (Vietnam). Remote Sensing, 11(2), 128.
He Y.-L., Geng Z.-Q., Zhu Q.-X. 2015. Data driven soft sensor development for complex chemical processes using extreme learning machine. Chemical Engineering Research and Design. 102, 1–11.
Hallikaïnen M.T., Ulaby F.T., Dobson F.T. et al. 1985. Microwave dielectric behavior of wet soil. Part I: Empirical models and experimental observations. IEEE Transactions on Geoscience and Remote Sensing, 23: 25−34.
Demattê, J. A., Campos, R. C., Alves, M. C., Fiorio, P. R., & Nanni, M. R. 2004. Visible–NIR reflectance: a new approach on soil evaluation. Geoderma, 121(1-2), 95-112.
Jackson T. J., Le Vine D. M., Swift C. T., Schmugge T. J. and Schiebe F. R. 1995. Large area mapping of soil moisture using the ESTAR passive microwave radiometer in Washita'92. Remote sensing of Environment, 54(1), 27-37.
Shirani H. 2000. Journal of Soil Physics, Valiasr University, Rafsanjan. (In Persian)
Kafi M. Borzoi, A.; Salehi, M.; Kamandi A., Masoumi A; Nabati, J. 2009, Physiology of environmental stresses in plants. Publications University of Mashhad.
Khan N.M., Rastoskuev V.V., Sato Y. and Shiozawa S. 2005. Assessment of hydrosaline land degradation by using a simple approach of remote sensingindicators. Agriculture Water Manager,77 (1–3): 96–109.
Lasne Y., Paillou P., Freeman A. and et al. 2008. Effect of salinity on the dielectric properties of geological materials: Implication for soil moisture detection by means of radar remote sensing. IEEE Transactions on Geoscience and Remote Sensing, 46(6): 1674−1688.
Lee J. S., and Pottier E. 2009. Polarimetric radar imaging: from basics to applications. CRC press.
Materka A., and Strzelecki M. 1998. Texture analysis methods–a review. Technical university of lodz, institute of electronics, COST B11 report, Brussels, 9-11.
Modiri M. 1996, Principles and foundations of remote mining, Geographical Organization.
Nurmemet I., Ghulam A., Tiyip T., Elkadiri R., Ding J. L., Maimaitiyiming M., Sun Q. 2015. Monitoring soil salinization in Keriya River Basin, Northwestern China using passive reflective and active microwave remote sensing data. Remote Sensing, 7(7): 8803-8829.
Price J. C. 1980. The potential of remotely sensed thermal infrared data to infer surface soil moisture and evaporation. Water Resources Research, 16(4), 787-795.
Rhoades, J. D., Chanduvi, F., & Lesch, S. M. 1999. Soil salinity assessment: Methods and interpretation of electrical conductivity measurements (No. 57). Food & Agriculture Org.
Rodriguez-Fernandez N. J., Aires F., Richaume P., Kerr Y. H., Prigent C., Kolassa J. Drusch M. 2015. Soil moisture retrieval using neural networks: Application to SMOS. IEEE Transactions on Geoscience and Remote Sensing, 53(11), 5991-6007.
Sharifiya M.; Afzali A. A. 2012. Monitoring and analysis of soil salinity increasing trend in Damghan alluvial fan using satellite and survey data. Scientific-Research Ministry of Science,3(14): 73-86.
Sadeghi, A. M., Hancock, G. D., Waite, W. P., Scott, H. D., & Rand, J. A. 1984. Microwave measurements of moisture distributions in the upper soil profile. Water Resources Research, 20(7): 927-934.
Alizadeh A.2007. Soil Physics. Imam Reza University.
Saha, S. K. 2011. Microwave remote sensing in soil quality assessment. Int Arch Photogramm Remote Sens Spat Inf Sci, 38(8), W20.
SHAO Y., HU Q., GUO H. et al. 2003 Effect of dielectric properties of moist salinized soils on backscattering coefficients extracted from RADARSAT image. IEEE Transactions on Geoscience and Remote Sensing, 14(8): 1879–1888.
TOPP G.C., DAVIS J.L., ANNAN A.P., Electromagnetic determination of soil water content: Measurement in coaxial transmission lines, Water Resources Research, 16: 547−582, 1980.
Vijayarekha K. 2014. Feature Extraction. Thanjavur: School of Electrical and Electronics Engineering. SASTRA University.
Wold S., Martens H., Wold H. 1983. The Multivariate Calibration Problem in Chemistry Solved by the PLS Method. Matrix Pencils. Springer Berlin Heidelberg, Berlin, Heidelberg, pp. 286–293.
Wuthrich M. 1994. March. ERS-1 SAR compared to thermal infrared to estimate surface soil moisture. In Proceedings of the 21st Conference on Agricultural and Forest Meteorology, American Meteorological Society, San Diego. pp: 197-200.
Yan G. U. O., Zhou S. H. I., Zhou L. Q., Xi, J. I. N., Tian Y. F. and Teng H. F. 2013. Integrating remote sensing and proximal sensors for the detection of soil moisture and salinity variability in coastal areas. Journal of Integrative Agriculture, 12(4):723-731.
Wold S., Martens H., Wold H. 1983. The Multivariate Calibration Problem in Chemistry Solved by the PLS Method. Matrix Pencils. Springer Berlin Heidelberg, Berlin, Heidelberg, pp. 286–293.
Zhan Z., Qin Q., Ghulan A., Wang D. 2007. NIR-red spectral space based new method for soil moisture monitoring. Science in China Series D: Earth Sciences, 50(2), 283-289.
ZRIBI M., DECHAMBRE M., A new empirical model to retrieve soil moisture and roughness from radar data, Remote Sensing of Environment, 84: 42−52, 2003. | ||
آمار تعداد مشاهده مقاله: 1,557 تعداد دریافت فایل اصل مقاله: 1,278 |