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

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 نقشه های حاصل از روش های یادگیری ماشین و تخمینگر کریجینگ  برای پایش شوری بخشی از خاک‌های حاشیه ی پلایای سیرجان در دو فصل زمستان و تابستان با استفاده از دو منبع داده سنجش از دور (لندست 8 و سنتینل 2)  می باشد. 90 نمونه خاک سطحی (صفر تا 30 سانتی متر) در قالب یک الگوی نمونه برداری شبکه ای منظم با فواصل 750 متر برداشت شد. برخی از مهمترین ویژگی های فیزیکی و شیمیایی آن ها با استفاده از روش های استاندارد اندازه گیری شد. همچنین پس از انجام تصحیح‌های رادیومتریکی و اتمسفری بر روی تصاویر ماهواره ای مزبور، علاوه بر باندهای اصلی، از 13 شاخص طیفی (شاخص شوری) به منظور تخمین شوری خاک با استفاده از مدل های 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 0.87 در مقابل 0.72) 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 به عنوان موثرترین 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 به دست آمده اثرگذار بود.

the matching rate of maps obtained by machine learning methods and kriging estimator in salinity monitoring of a part of the marginal lands of sirjan playa, kerman province

satellite images and remote sensing approaches are important tools for evaluating, mapping, and managing saline lands in different world regions. the main aim of the present study was to investigate the degree of concordance between maps obtained by machine learning methods and kriging estimator about salinity monitoring of a part of the soils of marginal lands of sirjan playa in two seasons, i.e., winter and summer, using two remote sensing data sources, i.e., landsat 8 and sentinel 2. ninety surface soil samples (zero to 30 cm) were collected as a regular grid sampling pattern with 750 meters intervals. some of their most important physical and chemical characteristics were determined using standard measurement methods. after performing radiometric and atmospheric corrections on mentioned satellite images, in addition to the main bands, 13 salinity indices were used to estimate soil salinity using artificial neural network, decision tree, random forest, and support vector machine models. besides, kriging maps of soil salinity were drawn for both mentioned times. results showed a higher performance (r2 =0.87 versus= 0.72) of sentinel-2 than landsat-8 in predicting soil salinity.  moreover, results confirmed that the ann model developed by sentinel-2a image had the highest performance (r2 =0.77, rmse% =27.1) to predict ece in the winter season. furthermore, rf presents the lowest error (r2 =0.87, rmse% =17.4) for prediction ece during the summer season. among the studied salinity indices, vssi index was also selected as the most effective index to estimate soil salinity of region. the results also showed that ece maps obtained by two methods had a high level of concordance and an overal accuracy of over 80%; however, the change of season and type of satellite affectedthe compatibility of the maps.