تخمين شوري خاك در بستر خشك‌شده درياچه اروميه با استفاده از تصاوير اپتيك سنتينل 2B و مدل‌هاي رگرسيون خطي چند متغيره

Estimating soil salinity in the dried lake bed of Urmia Lake using optical Sentinel-2B images and multivariate linear regression models

شوري خاك، يكي از شايع ترين و مهم ترين عوامل تخريب اراضي در مناطق خشك و نيمه خشك بوده و پايش و مديريت صـحيح آن امـري ضـروري است. در كشور ايران، بسياري از اراضي كشور، در معرض افزايش شوري خاك قرار گرفته است كه از مهـمتـرين آنهـا مـي تـوان بـه سـواحل درياچـه اروميه اشاره كرد. از آنجا كه تكنيك هاي سنجش از دور، روشي كارآمـد و مقـرون بـه صـرفه در پـايش شـوري خـاك هسـتند، در سـال هـاي اخيـر بهره گيري از اين فناوري توسعه چشم گيري يافته و مدل هاي مختلفي براي اين منظور توسعه داده شده است. از جمله پركاربردترين آنهـا، مـي تـوان به مدل هاي رگرسيون خطي اشاره كرد. اين تكنيك ها، عمدتاً تك متغيره بوده و تلفيق باندهاي طيفي در تخمـين شـوري خـاك مغفـول واقـع شـده است. در تحقيق حاضر، به منظور بهبود تخمين شوري خاك با تصاوير چندطيفي، مدل هاي رگرسيون خطي چند متغيره پيشـنهاد شـده اسـت. روش پيشنهادي، به طور همزمان، پتانسيل محدود ولي متفاوت باندهاي طيفي مختلف را بكار گرفتـه و انتظـار مـي رود بـه دقـت هـاي بـالايي در تخمـين شوري خاك بيانجامد. به منظور ارزيابي روش پيشنهادي، ميزان شوري خاك در بستر خشك شده درياچه اروميه اندازه گيـري شـد. داده اصـلي مـورد استفاده در اين تحقيق، تصوير چندطيفي سنتينل 2B است كه در تاريخ 6 اكتبر 2018 از منطقه مورد مطالعه اخذ شده است. در تحقيـق حاضـر، از 8باند طيفي تصوير سنتينل (باندهاي مرئي و مادونقرمز) و 17شاخص شوري براي تخمين شوري خاك استفاده شد. براي كاليبراسيون مـدل هـا و ارزيابي صحت آنها در تخمين شوري خاك، طي عمليات صحرائي، تعداد 28 نمونـه آموزشـي و 10نمونـه ارزيـابي در زمـان گـذر مـاهواره از سـطح منطقه مورد مطالعه جمع آوري شده و هدايت الكتريكي آنها، در آزمايشگاه مركزي دانشگاه تبريز اندازه گيـري شـد. پـس از كاليبراسـيون مـدل هـاي رگرسيون خطي تك متغيره و مدل هاي رگرسيون خطي چند متغيره پيشنهادي، صحت تخمين شوري خاك در هر يـك از ايـن مـدل ها، بـا اسـتفاده از پارامترهاي ضريب تبيين (R2) و مجذور ميانگين مربعات خطا (RMSE) در محل نمونه هاي ارزيابي مورد بررسي قرار گرفـت. نتـايج ارزيـابي نشـان داد در مدل هاي رگرسيون خطي تك متغيره، بهترين مدل ها براي تخمين شوري خاك از باند مادون قرمز نزديـك باريـك (8a) و شـاخص روشـنايي (BI)حاصل شده است كه متناظر با بالاترين ميزان R2 و پايينترين مقدار RMSE در بين ساير مدل هاي رگرسيون خطي تـك متغيـره بـوده اسـت. مقادير R2 و RMSE براي باند 8a به ترتيب 0/89 و 20/85 بوده و براي شاخص BI به ترتيب برابر 0/83 و 21/33 است. در مقايسـه بـا مـدل هـاي رگرسيون خطي تك متغيره موجود، رگرسيون هاي خطي چندمتغيره پيشنهادي در اين تحقيق، عمـدتاً از دقـت بـالاتري در تخمـين شـوري خـاك برخوردار بوده است. بهترين نتايج، از مدل رگرسيون خطـي 7 متغيـره حاصـل شـده اسـت كـه بـالاترين مقـدار R2 و پـايينتـرين مقـدار RMSE نمونه هاي ارزيابي را در بين تمامي مدل هاي رگرسيون خطي تك متغيـره و چنـد متغيره داشـته اسـت (R2=0/97 و RMSE= 8/77) پـس از تعيـين دقيقترين مدل هاي رگرسيون خطي تك متغيره و چند متغيره در تخمين شوري خاك، نقشه هاي شوري خاك منطقـه كـه اطلاعـات ارزشـمندي از وسعت، توزيع مكاني و غلظت شوري را نشان مي دهد، تهيه شد. نقشه هاي شوري خاك نشان مي دهد كه در بخش وسيعي از منطقـه، شـوري خـاك بيشتر از 60 دسي زيمنس بر متر است. نتايج اين تحقيق، مويد قابليت بالاي رگرسيون خطـي چنـد متغيره پيشـنهادي در ايـن تحقيـق و همچنـين پتانسيل ارزشمند تصاوير چند طيفي سنتينل 2B در تخمين شوري خاك است.

The soil salinity is one of the most common and important factors in soil degradation in arid and semi-arid regions. It is important concern to predict and monitor soil salinity. In recent years, using remote sensing techniques to monitor soil salinity has been significantly developed and various models have been extended for this purpose. Among all the methods, linear regression is the most commonly used due to its simplicity and computational efficiency. In Iran, many lands are faced with a significant increase in salinity. Beaches of Urmia Lake is one of these area. The purpose of the present study was to evaluate the capability of Sentinel multispectral imagery as well as to compare univariate and multivariate linear regression models to estimate soil salinity at 0 to 10 cm depth in the eastern margins of dried lake-bed of Urmia. For this purpose, 38 soil samples (training and test samples) were collected from three different locations A1, A2 and A3 in in this study area with different salinity values at the satellite transit time. Then their electrical conductivity (EC) was measured in the laboratory. The samples were collected near accessible roads by three mapping teams. Of the total number of samples, 28 and 10 sample were considered as training and test samples respectively. Then the Sentinel 2B multispectral satellite image was prepared by resampling simultaneously on October 6, 201 .In this research, eight spectral bands of the Sentinel image (visible and infrared bands) and 17 salinity indices were utilized. Then, in each of the spectral bands and salinity indices, different univariate linear regression models were calibrated to estimate soil salinity. As well as multivariate linear regression models were designed using simultaneous spectral bands and soil salinity indices. The accuracy assessment of both methods was estimated using 10 test samples by the coefficients of determination and Root Mean Square Error parameters. In univariate linear regression model, the best (results) model for estimating soil salinity were presented of narrow infrared band (8a) and BI salinity index with the highest and lowest values of and RMSE based on test samples, respectively. The and RMSE were obtained for band 8a and BI index 0.89, 0.83, 20.85 and 21.33, respectively. Compared to univariate linear regression models, the proposed method in this paper is based on multivariate linear regressions with 7 variables provided the highest accuracy among all multivariate and univariate regression models. The and RMSE based on test samples were obtained for multivariate linear regressions with 7 variables 0.97 and 8.77 respectively. Finally, soil salinity maps of the area were prepared with the best regression models. Model evaluation results showed that multivariate linear regression models increased the accuracy of soil salinity estimation by 11.81% in comparison with univariate regression models. These results showed the potential of multivariate linear regression model and multi spectral sentinel image to estimate soil salinity content in dried lake-bed of Urmia Lake.