برآورد عیار پتاسیم شورابه زیرزمینی با استفاده از تصاویر ماهواره‌ای سنتینل و الگوریتم جنگل تصادفی (مطالعه موردی پلایای خور و بیابانک، استان اصفهان)

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه علوم و مهندسی خاک، دانشکده مهندسی آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران.

2 گروه مدیریت مناطق بیابانی، دانشکده مرتع و آبخیزداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران.

3 گروه باستان شناسی، دانشکده علوم انسانی, موسسه آموزش عالی معماری و هنر پارس، تهران، ایران.

چکیده

یکی از عناصر پرمصرف که نقش مهمی در تولید پایدار کشاورزی دارد، پتاسیم است. پتاسیم خاک سطحی در پلایا از پتاسیم موجود در آب زیرزمینی نشات می-گیرد و در نتیجه، بین پتاسیم خاک سطحی و عیار پتاسیم شورابه زیرزمینی همبستگی وجود دارد. ‌هدف این پژوهش، استفاده ترکیبی از الگوریتم‌ جنگل تصادفی (RF) و تصویر ماهواره‌ای برای یافتن ارتباط بین پتاسیم سطحی خاک و شاخص‌های سنجش‌ازدور تعریفی مختص این مطالعه به‌منظور پیش‌بینی عیار پتاسیم شورابه زیرزمینی در پلایای خور و بیابانک استان اصفهان است. بدین منظور تعداد 60 نمونه خاک از لایه 5-0 سانتی‌متری جهت اندازه‌گیری پتاسیم لایه سطحی (متغیر وابسته) نمونه‌برداری شد. به‌منظور تعیین مختصات نمونه‌گیری‌ها از روش ابر مکعب لاتین استفاده شد. همچنین 12 گمانه جهت استخراج و اندازه‌گیری عیار پتاسیم شورابه زیرزمینی حفر شد. از 12 باند ماهواره سنتینل 2 و چهار عمل اصلی ریاضی برای تعریف شاخص (متغیرهای مستقل) به‌منظور مدل‌سازی پتاسیم لایه سطحی و درنهایت برآورد عیار پتاسیم شورابه زیرزمینی استفاده شد. داده‌ها به دو دسته 70 درصد برای واسنجی (آموزش) و 30 درصد برای اعتبار سنجی (آزمون) دسته‌بندی شده و با الگوریتم RF در محیط Google Colab و با استفاده از زبان برنامه‌نویسی پایتون مدل‌سازی شدند. نتایج این الگوریتم با شاخص‌های آماری RMSE، MSE، R2 و MAE به ترتیب 0.51، 0.179، 0.1338 و 0.1130 به دست آمد. نتایج این پژوهش تائید کننده کارایی داده‌های سنجش‌ازدور و الگوریتم یادگیری ماشین در پیش‌بینی عیار پتاسیم شورابه زیرزمینی است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Estimating the potassium grade of saline underground water using Sentinel satellite images and random forest algorithm(case study of Khoor and Biabank playa, Isfahan province)

نویسندگان [English]

  • maryam iraji 1
  • Seyed Alireza Movahedi naeini 1
  • Chooghi Bayram Komaki 2
  • Soheila Ebrahimi 1
  • Bamshad Yaghmaei 3
1 Department of Soil Science and Engineering, Faculty of Water and Soil Engineering, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran.
2 Department of Desert Management, Faculty of Pasture and Watershed Management, Gorgan University of Agricultural Sciences and Natural Resources, Gorgan, Iran.
3 Department of Archaeology, Faculty of Humanities, Higher Education Institute of Architecture and Arts, Tehran, Iran.
چکیده [English]

One of the widely used elements that plays an important role in sustainable agricultural production is potassium.The potassium in the surface soil of the playa originates from the potassium present in the underground water.As a result, there is a correlation between the surface soil potassium and the potassium grade of the groundwater.The aim of this research is to utilize a combination of the (RF) algorithm and satellite imagery to establish the relationship between soil surface potassium and remote sensing indicators.This will enable the prediction of the potassium grade of the underground in Khoor and Biabank playa in Isfahan province.60soil samples were taken from the0-5cm layer to measure potassium in the surface layer (dependent variable).determine the sampling coordinates, the Latin supercube method was used. Twelve boreholes were drilled to extract and measure the potassium grade of underground saline water.The12bands of the Sentinel-2satellite and four main mathematical operations were used to define the index(independent variables)to model the potassium content of the surface soil layer and ultimately estimate the rate of potassium grade in the underground saline water.The data were categorized into two groups:70% for calibration (training) and30% for validation(testing.The data were modeled using the RF algorithm in the Google Colab environment and implemented with the Python programming language. The results of this algorithm were obtained with R2, MSE, RMSE and MAE statistical indices of 0.51, 0.0179, 0.1338 and0.1130 respectively.The results of this research confirm the effectiveness of remote sensing data and machine learning algorithms in predicting the potassium grade of saline groundwater.

کلیدواژه‌ها [English]

  • Keywords: Python
  • Remote sensing
  • Salt pans
  • Modeling
  • Machine learning
تحقیقات آب و خاک ایران

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 06 خرداد 1403

فایل ها

هم رسانی

ارجاع به این مقاله

آمار