پیش‌بینی و نقشه‌برداری کربن آلی خاک با استفاده از سنجش از دور و الگوریتم‌های یادگیری ماشین

کربن آلی خاک (soc) که یکی از حیاتی‌ترین خصوصیات فیزیکی و شیمیایی خاک است، نقش مهمی در تولید پایدار کشاورزی دارد و از تخریب و فرسایش خاک جلوگیری می‌کند. داده‌کاوی و مدل‌سازی مکانی همراه با تکنیک‌های یادگیری ماشینی به‌منظور بررسی میزان کربن آلی خاک مبتنی بر داده‌های سنجش از دور به‌صورت گسترده مورد توجه قرار گرفته است. هدف از این مطالعه بررسی تغییرات مقدار soc با استفاده از تکنیک سنجش از دور در مقایسه با روش‌های نمونه‌برداری مزرعه‌ای در مناطقی از گنبد کاووس و جنگل نیلی آزادشهر است. نمونه‌های خاک به‌منظور اندازه‌گیری مقدار soc در آزمایشگاه جمع‌آوری شد. داده‌ها به دو دسته 70 درصد برای واسنجی (آموزشی) و 30 درصد اعتبارسنجی (آزمون) دسته‌بندی شدند و از الگوریتم‌های یادگیری ماشین شامل جنگل تصادفی، ماشین بردار پشتیبان، درخت تصمیم پیشرفته، و افزایش گرادیان اکسترمم برای برآورد و تهیه نقشه کربن آلی خاک استفاده شد. متغیر‌های کمکی پیش‌بینی کربن آلی خاک شامل باندها، شاخص‌های منتج از ماهواره لندست 8 و سنتینل 2، اقلیم و توپوگرافی است. نتایج نشان داد که استخراج مولفه‌های مربوط به باند‌ها همراه با محاسبه شاخص‌هایی مانند تفاوت پوشش گیاهی نرمال شده، شاخص خیسی، شاخص همواری دره به‌عنوان متغیر‌های کمکی نقش مهمی در برآورد صحیح‌تر مقدار ماده آلی خاک دارند. همچنین مقایسه رگرسیون‌های مختلف تخمین نشان داد، مدل جنگل تصادفی در ماهواره سنتینل 2 و مدل درخت تصمیم پیشرفته در لندست 8 به‌ترتیب با مقادیر ضریب تبیین، خطای جذر میانگین مربعات و میانگین خطای مطلق 0/64، 0/05 و 0/17 بهترین کارایی را نسبت به سایر رویکرد‌های استفاده شده در برآورد کربن آلی خاک سطحی در منطقه مطالعاتی ارائه کردند. نتایج این مطالعه بر قابلیت دادهای سنجش از دور و مدل یادگیری در تخمین مکانی کربن آلی خاک دلالت دارد و می‌تواند به‌عنوان روشی جایگزین برای روش‌های آزمایشگاهی در تعیین برخی ویژگی‌های خاک از جمله کربن آلی خاک مورد توجه قرار گیرد.

predicting and mapping soil organic carbon using remote sensing and machine learning algorithms

soil organic carbon (soc) is one of the most important components of soil physical and chemical properties that have an important role in sustainable production in agriculture and preventing soil degradation and erosion. data mining approaches and spatial modeling besides machine learning techniques to investigate the amount of soil organic carbon using remote sensing data have been widely considered. the objective of the present study was the evaluation of soc using the remote sensing technique compared with field methods in some areas of the gonbad kavous and neli forests of azadshar. the soil samples were collected from the soil surface (0-10 cm depth) to estimate the soc. data were categorized into two categories: 70% for training and 30% for validation. three machine learning algorithms including random forest (rf), support vector machine, extra tree decision, and xgboost were used to prepare the organic soil carbon map. in the present study, auxiliary variables for predicting soc included bands related to lands 8 oli and sentinel 2 measurement images, topography, and climate. the results showed that the extraction of the components related to the bands along with the calculation of indicators such as normalized vegetation difference, wetness index, and the mrvbf index as auxiliary variables play an important role in more correct estimation of the amount of soil organic matter. comparison of different estimation regressions showed that the sentinel 2 random forest model and in landsat8 with the values of coefficient of determination (r2), root mean square error (rmse), and mean absolute error (mea) of 0.64, 0.05, and 0.17, respectively, was the best performance ratio compared to other approaches used in the study to estimate the organic carbon content of surface soil in the study area. in general, the results of this study indicated the ability of remote sensing techniques and learning models in the spatial estimation of soil organic carbon. so, this method can be used as an alternative to laboratory methods in determining soil organic carbon.