مدل‌سازی نیتروژن خاک با استفاده از سنجش از دور و مدل‌های رگرسیون و جنگل تصادفی

زمینه و هدف: خاک از منابع طبیعی هر کشور است که در حفظ محیط و تولید غذا نقش مهمی دارد. افزایش و کاهش مقدار نیتروژن کل خاک در اثر شیوه‌های مختلف کشاورزی، ورود پساب صنعتی به آب و عوامل دیگر، منجر به آلودگی میکروبی خاک، کاهش پوشش گیاهی و نقصان در محصولات کشاورزی مورد نیاز انسان می‌شود. نقشه‌برداری پراکنش مواد مغذی خاک به تصمیم‌گیری‌های مدیران کمک می‌کند. از آنجا که تحلیل آزمایشگاهی این متغیرها، وقت‌گیر و در مقیاس‌های وسیع هزینه‌بر است، تلاش‌هایی برای مطالعه نیتروژن خاک با استفاده از سنجش‌ازدور انجام گرفته است. مطالعه حاضر به بررسی روش سنجش ‌از‌ دور و مدل‌های رگرسیون و جنگل تصادفی در پیش‌بینی نیتروژن کل خاک در شرق شهرستان لنجان پرداخته ‌است. روش پژوهش: نقاط مرجع نیتروژن 50 نمونه خاک از لایه 020 سانتی‌متری خاک سطحی بود که از منطقه موردمطالعه به روش تصادفی نمونه‌برداری شد. نیتروژن نمونه‌ها پس از خشک شدن در دمای 25 درجه، عبور از مش 2 و انتقال به آزمایشگاه، به‌منظور مقایسه نتایج نهایی به‌دست‌آمده، حاصل از ارزیابی زمینی و سنجش ‌از‌ دور، به روش کلدال اندازه‌گیری شد. تصویر ماهواره‌ای سال 2019 با تصحیح هندسی و رادیومتریک از باندهای طیفی 2 تا 7 سنجنده‌ی oli لندست 8 (ردیف و گذر 164 و 37) آبان 1398 تهیه شد. پوشش ابر برای تصاویر تهیه شده کمتر از 10٪ در نظر گرفته ‌شد. برای کاهش اثر پراکندگی اتمسفر بر کیفیت این تصاویر، تصحیح تابش و تصحیح اتمسفر با استفاده از مدل فلش انجام شد. شاخص‌های ماهواره‌ای شامل dvi، ndvi، evi، msavi، savi، rvi، ndwi، si1، si2، si3 و sbi از تصویر ماهواره‌‌ایی استخراج شد و به همراه سه شاخص توپوگرافی شامل ارتفاع، شیب و شاخص رطوبت توپوگرافی (twi) به مدل رگرسیون خطی چندگانه و جنگل تصادفی معرفی شد. یافته‌ها: نقشه رقومی ارتفاعی منطقه مقادیری بین 1100 تا 2050 متر را در بر گرفت. شیب منطقه، در محدوده های با شیب کم و پایین تر از هشت درصد قرار دارد. مقادیر عددی شاخص twi در نزدیکی مجاری آبی 0.77 به دست آمد. مقادیر شاخص dvi و evi با افزایش پوشش گیاهی افزایش داشت. شاخص ndvi مقادیر بالاتر از 0.3 و شاخص ndwi به‌عنوان یک شاخص آبی، مقدار حداکثری 0.77 را در مناطق غرقاب نشان داد. شاخص savi تفکیک‌پذیری بالایی از نواحی بدون پوشش تا پوشش تنک و نواحی با پوشش گیاهی قوی را ارائه داد. شاخص sbi و شاخص های سه‌گانه شوری si تغییرپذیری بسیار بالایی از جنبه پارامتر های خاک در نواحی بدون پوشش نشان داد. مدل رگرسیون نیتروژن خاک با سه شاخص rvi، dvi و twi با مقدار معناداری ‌آماری (pvalue) برابر با 04/0 تولید شد. در مدل جنگل تصادفی، شاخص‌های گیاهی و خاک نقش تعیین‌کننده‌ای در ساخت مدل داشتند و مقدار ضریب تعیین ((r2 برابر با 44/0 به دست آمد. نتایج: نیتروژن کل خاک نیز در پارامترهای خاک با چگالی و با شن و رس از بافت خاک و در پارامترهای توپوگرافی با ارتفاع و در شاخص‌های طیفی با ,evi rvi, savi, ndwi,ndvi و dvi در سطح 0.01 و با si3 از شاخص‌های شوری در سطح 0.05 همبستگی دارد. در پارامترهای خاک نیز سیلت با شن و رس در سطح 0.05 و شن با رس همچنین چگالی با رس در سطح 0.01 همبستگی دارند. نتایج نشان‌ داد که وضعیت توپوگرافی منطقه به همراه شاخص‌های بر پایه مادون قرمز نزدیک و قرمز نقش بسزایی در پیش‌بینی نیتروژن دارد. همچنین مقایسه نتایج حاصل از ارزیابی زمینی و سنجش ‌از‌ دور نشان داد که در پیش‌بینی نیتروژن کل خاک، اختلاف معنی‌داری بین دو مدل و ارزیابی میدانی وجود ندارد و هر دو مدل نتایج نزدیکی به ارزیابی میدانی داشتند.

Modeling Soil Nitrogen Using Remote Sensing, Regression and Random Forest Models

Background and Aim: Soil is one of the important natural resources of any country, which plays an important role in preserving the environment and producing food. Increasing and decreasing the amount of total soil nitrogen due to various agricultural methods, the entry of industrial wastewater into water and other factors, leads to microbial contamination of soil, reduced vegetation and deficiency in agricultural products needed by humans. Mapping soil nutrient distribution helps mangers in decisions. Since laboratory analysis of these parameters is time consuming and costly across large scales, attempts have been made in recent years to study soil nitrogen based on remote sensing techniques. In this regard, the present study investigated the applicability of remote sensing predicting soil total nitrogen in the east of Lenjan city.Method: Nitrogen reference points were identified by analyzing 50 randomlyselected surface soil samples from 020 cm depth. Nitrogen of soil samples was measured by Kjeldahl method after drying soil at 25 ° C, passing through a 2 mm mesh sieve and transferring to the laboratory, to compare the final results obtained from field sampling and remote sensing technology. Landsat 8 OLI Satellite Image of 2019 (Path 164/Row 37) was obtained and geometric and radiometric correction were applied. Cloud cover for image provided was less than 10%. To reduce the effect of atmospheric diffusion on the quality of image, radiation and atmospheric correction were performed using the FLASH model. the Landsat8 satellite image (rows 164 and 37) taken on 15 Sep. 2019 and along with three topographic indices of elevation, slope and topographic wetness index (TWI) were introduced to the multiple linear regression and random forest models. Results: The digital elevation map of the area showed elevation values ​​between 1100 and 2050 meters. The slope of the study area was less than eight percent. Numerical values ​​of TWI index near water bodies were found to be 0.77. DVI and EVI index values ​​increased with increasing vegetation cover. NDVI index showed values ​​higher than 0.3 and NDWI index as a water index showed a maximum value of 0.77. The SAVI index showed high differences from areas without cover to sparse cover and areas with strong vegetation. SBI index and SI salinity indices showed very high variability in terms of soil parameters in barren lands. Nitrogen regression model was built using three indices RVI, DVI and TWI with pvalues of 0.049 and 0.00, respectively. In the nitrogen random forest model, however, plant and soil indices played a more important role in model construction with an of r2 value of 0.44.Conclusion: Total soil nitrogen in soil parameters showed correlation with density and sand and clay from soil texture and in topographic parameters with elevation and spectral indices with EVI RVI, SAVI, NDWI, NDVI and DVI at the level of 0.01 and with SI3 of salinity indices at the 0.05 level. In soil parameters, silt is correlated with sand and clay at the level of 0.05 and sand with clay as well as density with clay are correlated at the level of 0.01. The results of this study showed that the topographic condition of the region along with red and near infraredbased indices had a significant role in predicting soil total nitrogen. Results also showed a slight difference was observed between the two models in predicting soil nitrogen.