میزان همخوانی نقشه‌های حاصل از روش‌های یادگیری ماشین و تخمینگر کریجینگ در پایش شوری بخشی از اراضی حاشیه‌ای پلایای سیرجان، استان کرمان

Abstract

تصاویر ماهواره‌ای و رویکردهای سنجش از دور، ابزار مهمی برای ارزیابی، نقشه‌برداری و مدیریت اراضی شور در مناطق مختلف جهان به‌شمار می‌آیند. هدف اصلی از مطالعه حاضر، بررسی میزان همخوانی نقشه­های حاصل از روش­های یادگیری ماشین و تخمینگر کریجینگ برای پایش شوری بخشی از خاک‌های حاشیهی پلایای سیرجان در دو فصل زمستان و تابستان با استفاده از دو منبع داده سنجش از دور (لندست 8 و سنتینل 2) می­باشد. 90 نمونه خاک سطحی (صفر تا 30 سانتی­متر) در قالب یک الگوی نمونه­برداری شبکه­ای منظم با فواصل 750 متر برداشت شد. برخی از مهمترین ویژگی­های فیزیکی و شیمیایی آن­ها با استفاده از روش­های استاندارد اندازه­گیری شد. همچنین پس از انجام تصحیح‌های رادیومتریکی و اتمسفری بر روی تصاویر ماهواره­ای مزبور، علاوه بر باندهای اصلی، از 13 شاخص­ طیفی (شاخص شوری) به­منظور تخمین شوری خاک با استفاده از مدل­های شبکه عصبی مصنوعی، درخت تصمیم، جنگل تصادفی و ماشین ­بردار پشتیبان استفاده شد. به‌علاوه، نقشه‌های کریجینگ شوری خاک برای هر دو زمان گفته‌شده ترسیم شدند. نتایج نشان داد که ماهواره سنتینل 2 نسبت به داده‌های ماهواره لندست 8، از صحت بالاتری (ضریب تبیین 87/0 در مقابل 72/0) برای پیش‌بینی تغییرات شوری در منطقه مورد مطالعه برخوردار بود. علاوه بر این، بهترین نتایج برای برآورد قابلیت هدایت الکتریکی عصاره اشباع خاک در فصل­ زمستان با استفاده از تصاویر سنتینل 2 و مدل شبکه عصبی مصنوعی (R2=0.77, RMSE%=27.1 ) و در فصل تابستان بر اساس تصاویر ماهواره سنتینل 2 و مدل جنگل تصادفی (R2=0.87, RMSE%=17.4 ) برای منطقه مطالعاتی به دست آمدند. از ­بین شاخص‌های شوری مورد مطالعه، شاخص VSSI به­عنوان مؤثرترین شاخص برای برآورد شوری خاک منطقه انتخاب شد. نتایج همچنین نشان داد که نقشه‌های قابلیت هدایت الکتریکی عصاره اشباع خاک حاصل از دو روش از میزان همخوانی زیاد و صحت عمومی بالای 80 درصد برخوردار بودند؛ با این حال، تغییر فصل و نوع ماهواره بر میزان تطابق‌پذیری نقشه‌های به­دست آمده اثرگذار بود.