ارزیابی و مدل‌سازی شوری خاک با استفاده از سنجش از دور، مدل رگرسیون و جنگل تصادفی

شور شدن خاک یکی از تهدیدات مهم جهان کنونی است که با تشدید فرآیند بیابان زایی و تخریب زمین ارمغانی جز کاهش بهره‌وری خاک نخواهد داشت. از آنجا که تجزیه و تحلیل آزمایشگاهی این پارامتر، عموما وقت گیر و در مقیاس های وسیع هزینه بر است، تلاش های بسیاری برای مطالعه شوری با استفاده از روش سنجش از دور صورت گرفته است. در این راستا، مطالعه حاضر نیز به بررسی توان سنجش از دور در پیش بینی شوری سطحی خاک در شرق شهرستان لنجان پرداخته است. نقاط مرجع شوری با استفاده از تحلیل 50 نمونه خاک سطحی برداشت شده به روش تصادفی مشخص گردید. شاخص های ماهواره ای شامل dvi، ndvi، evi، msavi، savi، rvi، ndwi، si1، si2، si3 و sbi از تصویر ماهواره ی لندست8 (ردیف و گذر 164 و 37) برداشت شده در تاریخ 13 آبان 1398 استخراج گردید و به همراه سه شاخص توپوگرافیکی ارتفاع، شیب و شاخص رطوبت توپوگرافیکی (twi) به مدل رگرسیون خطی چندگانه و جنگل تصادفی معرفی شد. مدل رگرسیون خطی با استفاده از باند 6، rvi، ndvi، ارتفاع و twi و مقدار pvalue برابر با 0.049 تولید گردید. در مدل جنگل تصادفی نیز باند 7، شیب، باند 5 و ارتفاع از جمله مهمترین پارامترهای تاثیرگذار بودند. مقدار r2 این مدل نیز برابر با 0.21 بدست آمد. نتایج این تحقیق نشان داد که شاخص های توپوگرافیکی نیز از اهمیت بالایی در پیش بینی شوری برخوردار هستند. همچنین مقایسه نظیر به نظیر نتایج نشان داد که جنگل تصادفی از دقت بالاتری نسبت به مدل رگرسیون برای تعیین شوری در منطقه مورد مطالعه برخوردار است.

Evaluation and Modeling Soil Salinity Using Remote Sensing, Regression Model and Random Forest

Nowadays, soil salinization is one of the world’s major threats that reduce soil productivity by intensifying the process of desertification and land degradation. Since laboratory analysis is mostly time consuming and costly, especially in large scales, attempts have been made to study soil salinity using remote sensing techniques in recent years. The present study assessed the potential of remote sensing in predicting soil surface salinity in the east of Lenjan                 City. Salinity reference points were identified based on analyzing 50 randomly selected surface soil samples. Satellite indices including DVI, NDVI, EVI, MSAVI, SAVI, RVI, NDWI, SI1, SI2, SI3 and SBI were derived from a Landsat8 satellite image (path and row of 164 and 37) acquired on September 13, 2019. These indices along with three topographic indices of elevation, slope and topographic wetness index (TWI) were introduced to the Multiple Linear regression and Random Forest models. The linear regression model was built using band 6, RVI, NDVI, elevation and TWI with a pvalue of 0.049. In the Random Forest model, band 7, slope, band 5 and elevation were among the most important parameters. The r2 value of this model was 0.21. The results of this study showed that topographic indices had also great importance in salinity prediction. Moreover, comparison of the results indicated that Random Forest had a higher accuracy than the regression model for determining salinity in the study area.