برآورد تغییرات مکانی رطوبت خاک با بهره‌گیری از روش جنگل تصادفی و ویژگی‌های محیطی حاصل از تصاویر ماهواره‌ای در حوضه مرغاب خوزستان

در مدیریت اراضی، تهیه نقشه یکپارچه تغییرات رطوبت خاک با وضوح مکانی بالا و کیفیت مناسب از اهمیت بالایی برخوردار است. با توجه به کمبود ایستگاه‌های هواشناسی و هیدرومتری در حوزه‌های آبخیز، به‌ ویژه در مناطق کوهستانی، مطالعات میدانی بررسی تغییرات رطوبت خاک فرآیندی زمان ‌بر، پرهزینه و با خطا است. جهت دستیابی به مدلی مناسب برای پیش بینی مکانی رطوبت خاک در فصل کم بارش در حوضه مرغاب استان خوزستان با مساحت 683 کیلومترمربع، نمونه برداری میدانی به تعداد 174 نقطه در چهار عمق استاندارد با پروژه جهانی نقشه‌ برداری رقومی خاک (5-0 ، 5-15 ، 15-30 و 60-30 سانتی متری) صورت گرفت. نقشه های تغییرات مکانی رطوبت خاک با استفاده از اجرای مدل یادگیری ماشین جنگل تصادفی (rf) و دو مجموعه داده ی فضا پایه شامل ویژگی‌های بیوفیزیکی سطح حاصل از تصاویر ماهواره لندست8 و سنتینل2 و ویژگی‌های توپوگرافی مستخرج از مدل رقومی ارتفاع تولید گردید. مناسب ترین ویژگی های کمکی پیش‌ بینی کننده رطوبت خاک با روش حذف ویژگی برگشتی انتخاب گردیدند. نتایج میانگین تغییرات رطوبت خاک از لایه اول تا لایه چهارم به ترتیب 2/2، 3/24، 3/41 و 4/6 درصد مشاهده گردید. در عمق سطحی (5-0 سانتیمتر)، ویژگی های بیوفیزیک ارتباط بیش‌تری با تغییرات مکانی رطوبت خاک از خود نشان دادند و در اعماق پایین تر، ویژگی های توپوگرافی اهمیت بالاتری را نشان دادند. بررسی کارایی مدل rf در ارتباط با نوع تصویر مورد استفاده برای تولید ویژگی های بیوفیزیکی بیانگر آن است که بر مبنای ضریب تطابق همبستگی مدل، استفاده از تصاویر سنتینل2 در تلفیق با فاکتورهای توپوگرافی در عمق های استاندارد بین 1/28 تا 3/66 درصد از دقّت بالاتری نسبت به تصاویر لندست8 برخوردار است. به‌ طور کلی الگوریتم جنگل تصادفی به همراه ویژگی های بیوفیزیکی مستخرج از سنتینل دو و داده های توپوگرافی در سطح حوضه آبخیز قادر است نقشه‌های رطوبت خاک را با دقّت بالایی فراهم نماید.

Prediction of Spatial Variations of Soil Moisture Using Random Forest Method and Environmental Features derived from Satellite Images in Marghab Basin of Khuzestan

Preparation of soil moisture map with high spatial resolution and appropriate quality is important in land management. Due to the lack of meteorological stations in watersheds, especially in mountainous areas, field measurement to study changes in soil moisture is timeconsuming, costly and errorprone. To achieve a suitable model for spatial prediction of soil moisture in low rainfall season in Marghab Basin of Khuzestan province, 683 km2 area, field sampling was performed in 174 points at four standard depths (05, 515, 1530, and 3060 cm) correspond to the global digital soil mapping project. The spatial distribution of soil moisture was mapped by a machine learning model using two sets of remote sensing data, including surface biophysical features derived from Landsat8 and Sentinel2 satellite images, and topographic features derived from the digital elevation model. The most suitable auxiliary variables for predicting soil moisture were selected via the Recursive Feature Elimination (RFE) method. The results of the trend of mean changes in soil moisture from the first to the fourth layer were observed to be 2.2, 3.24, 3.41, and 4.6%, respectively. At the surface depths (05 cm), biophysical covariates had more impact on spatial variations of soil moisture, and at the lower depths (515, 1530, and 3060 cm), topographic attributes showed higher importance. The evaluation of RF model in relation to the type of image used for the production of biophysical features showed that based on the concordance correlation coefficient (CCC), the model performance increased between 1.28 to 3.66 in standard soil depths when using Sentinel2 images compared to Landsat 8. Generally, the RF model and biophysical features were extracted from the Sentinel2 satellite along with topographic attributes at the watershed scale are able to provide soil moisture prediction maps with acceptable accuracy.