نقشه‌برداری رقومی کربنات کلسیم معادل و درصد رس خاک با استفاده از تصاویر ماهواره‌های لندست8 و پریسما توسط الگوریتم جنگل تصادفی

نقشه‌برداری خصوصیات خاک با استفاده از تصاویر ماهواره‌ای ابرطیفی و چند طیفی در کنار رویکردهای آماری و با استفاده از مدل‌های یادگیری ماشین از جمله جنگل‌های تصادفی پیشرفت زیادی در دقت و صحت نقشه‌های تهیه شده داشته است. این تحقیق برای بررسی عملکرد تصاویر پریسماو لندست8 در مدل‌سازی کربنات‌کلسیم معادل و درصد رس با مدل جنگل تصادفی، در بخشی از اراضی شهرستان آبیک استان قزوین از مهرماه سال 1399 تا مهرماه 1401 انجام شده است. در ابتدا، با استفاده از 229 داده‌ که از خاک سطحی جمع‌آوری‌شده در منطقه آبیک استان قزوین به مساحت 60 هزار هکتار اندازه گیری شد، در مرحله بعد مجموعه‌داده‌های طیفی دو ماهواره پریسماو لندست8 ، استخراج  و داده‌های بازتاب خاک به دست آمدند. در این تحقیق از شاخص های طیفی، شاخص های مدل رقومی ارتفاع و تجزیه مولفه های اصلی به عنوان متغییر کمکی استفاده شد. در مرحله بعدی، مدل رگرسیون جنگل تصادفی جهت تخمین ویژگی‌های خاک با استفاده از 80% از داده ها آموزش داده شد و از 20% داده ها برای آزمون مدل استفاده شد. نتایج نشان داد که بهترین دقت در بازیابی ویژگی‌های خاک سطحی توسط داده‌های پریسما، با استفاده از مجموعه‌داده‌های کمکی تجزیه مولفه‌های اصلی، شاخص‌های طیفی و شاخص‌های مستخرج از مدل رقومی ارتفاع به دست آمد. به طور دقیق‌تر، استفاده از این سه دسته داده، بیشترین ضریب تبیین، انحراف پیش‌بینی باقی‌مانده و نسبت عملکرد به فاصله بین چارکی و کمترین ریشه میانگین مربعات خطا  و ریشه میانگین مربعات خطا  نرمال شده را برای تخمین کربنات کلسیم معادل و درصد رس خاک نشان داد. بهترین مدل برای تخمین درصد رس، با مدل جنگل‌های تصادفی، شاخص‌های آماری (ضریب تبیین: 0.90؛ریشه میانگین مربعات خطا : 4.91؛ ریشه میانگین مربعات خطا  نرمال شده : 0.23؛ نسبت دامنه بین چارکی: 0.8؛ نسبت انحراف عملکرد: 2.29) و بهترین مدل برای تخمین کربنات کلسیم معادل، با مدل جنگل‌های تصادفی، شاخص‌های آماری (ضریب تبیین: 0.61؛ریشه میانگین مربعات خطا : 0.72؛ ریشه میانگین مربعات خطا  نرمال شده : 0.20؛ نسبت دامنه بین چارکی: 0.77؛ نسبت انحراف عملکرد: 1.27) به دست آمد.

digital mapping of soil properties (calcium carbonate and soil clay percentage) using landsat 8 and prisma satellite images by the random forest algorithm

mapping soil properties using hyperspectral and multispectral satellite images, along with statistical approaches, and machine learning models such as random forests (rf), has shown great progress in accurately preparing agricultural maps. this study aimed to compare the performance of prisma and landsat 8 images in modeling calcium carbonate and clay percentage using a random forest model. firstly, surface soil data was collected from abik region of qazvin province from october 2020 to october 2022. furthermore, prisma and landsat 8 spectral datasets were extracted from images downloaded from the websites of these two satellites, and soil reflectance data were obtained. the random forest regression model was then calibrated to estimate soil properties. the results of this study showed that the best accuracy in estimating soil characteristics using prisma data was obtained by using auxiliary variables such as principal components analysis, spectral indices, and indices extracted from the digital elevation model. the use of these three data sets provided the uppermost value for following statistical indices for estimating calcium carbonate and soil clay percentage: coefficient of determination (r2), and ratio of performance to inter quartile range (rpiq), ratio performance deviation (rpd) and the lowest root mean squared error (rmse) and normalized root mean squared error (nrmse). the best model for estimating clay percentage, using the random forest model and statistical indices, had an r2 of 0.90, rmse of 4.11, nrmse of 0.18, rpiq of 0.95, and rpd of 2.29. the best model for estimating calcium carbonate, using the random forest model and statistical indices, had an r2 of 0.62, rmse of 0.72, nrmse of 0.20, rpiq of 0.77, and rpd of 1.27. the results supported the expectation of the good ability of the prisma imager to estimate surface soil properties.