پیش بینی شوری خاک با روش رگرسیون چند متغیره بر مبنای شاخص‌های استخراج شده از تصاویر لندست 8 (مطالعه موردی: ارومیه)

پایش و مدیریت شوری، یکی از مهم‌ترین مسائل کشاورزی به‌خصوص در مناطق خشک و نیمه‌خشک است. به‌منظور دستیابی به این هدف، بهره‌گیری از ابزارهای نوین مانند سنجش از دور و gis اجتناب ناپذیر است. بررسی روابط بین پارامترهای مختلف خاک با داده‌های ماهواره‌ای، گامی موثر در پیش‌بینی هدایت الکتریکی عصاره اشباع خاک است. در این پژوهش با استفاده از روش‌ رگرسیون چند متغیره بر اساس روابط بین مولفه‌های توپوگرافیک با شاخص‌های استخراج شده از تصاویر ماهواره‌ای سنجنده لندست 8، پیش‌بینی هدایت الکتریکی عصاره اشباع خاک در دشت ارومیه مورد بررسی قرار گرفت. بدین منظور ابتدا از عمق 030 سانتی‌متری خاک سطحی،40 نمونه در منطقه مطالعاتی برداشت و در آزمایشگاه مقادیر ec مربوط به هر نمونه اندازه‌گیری گردید. پس از انجام پردازش‌های لازم بر روی تصاویر ماهواره‌ای، با تعیین نقاط زمینی بر روی تصاویر، ارزش پیکسل‌های نظیر نقاط زمینی در باندهای مختلف استخراج گردید. در این پژوهش، داده‌ها به دو سری تقسیم شدند؛ سری آموزشی (80% داده‌ها)، سری ارزیابی (20% داده‌ها). رابطه بین داده‌های ماهواره‌ای و نتایج حاصل از آزمایشهای خاک منطقه با استفاده از روش‌ رگرسیون چند متغیره خطی استخراج و دقت مدل‌ با استفاده از فاکتورهایی نظیر خطای معیار برآورد، ضریب تعیین تعدیل شده، ضریب دوربینواتسون و ضریب همبستگی مورد ارزیابی قرار گرفت. نتایج پژوهش بیان‌گر ارائه مدلی با ضریب همبستگی 70.3 درصد، خطای معیار برآورد 10.03 درصد، ضریب تعیین تعدیل شده 61.8 درصد و ضریب دوربینواتسون 1.709 می‌باشد. در نهایت مدل بر روی داده‌های آزمون اعمال و برای ارزیابی از مقادیر پارامترهای rmse، gmer و r^2 استفاده شد که به ترتیب برابر 0.354، 0.867 و 63.82 % محاسبه گردیدند، که نتایج نشان از کارآیی و دقت خوب مدل در پیش‌بینی می‌باشد.

Prediction of soil salinity using multivariable regression on the basis of extracted indices from Landsat 8 satellite (Case study: Urmia)

Managing and monitoring of salinity is one of the most important affair in agriculture, especially in arid and semiarid area. For this purpose we have to use new technology like remote sensing and GIS. The relationship between soil parameters with satellite data is an effective step for predicting soil salinity. In this study we use multivariable regression based on relationship between topographical properties and extracted indices from Landsat 8 satellite for predicting soil salinity in Urmia. For predicting soil salinity, samples of 40 points from 030 cm soil depth were taken. Electrical conductivity from soil saturation extract (ECe) was measured. After performing the necessary processing on satellite images, pixel values in the different bands were extracted. The data was divided into two series: Training data (80%), validation data (20%). The relationship between satellite data and results of multivariable linear regression methods predicted, accuracy of the model by using factors such as R squared, standard error of the mean, adjusted Rsquared and Durbin Watson statistic evaluated. Results showed that model predicted with correlation coefficient, standard error of the mean, adjusted Rsquared and Durbin Watson statistic were 70.3, 10.03, 61.8 and 1.709 respectively. Finally, the model evaluated by statistical indices. The indices values of Geometric Mean Error Ratio (GMER), R squared (R2) and Root Mean Square Error (RMSE) measured 0.867, 0.638 and 0.354 respectively. The results showed that the model has a better estimation of soil salinity.