مدل‌سازي نيتروژن خاك با استفاده از سنجش از دور و مدل‌هاي رگرسيون و جنگل تصادفي

Modeling Soil Nitrogen Using Remote Sensing, Regression and Random Forest Models

خاك از منابع طبيعي هر كشور است كه در حفظ محيط و توليد غذا نقش مهمي دارد. افزايش و كاهش مقدار نيتروژن كل خاك در اثر شيوه‌هاي مختلف كشاورزي، ورود پساب صنعتي به آب و عوامل ديگر، منجر به آلودگي ميكروبي خاك، كاهش پوشش گياهي و نقصان در محصولات كشاورزي مورد نياز انسان مي‌شود. نقشه‌برداري پراكنش مواد مغذي خاك به تصميم‌گيري‌هاي مديران كمك مي‌كند. از آنجا كه تحليل آزمايشگاهي اين متغيرها، وقت‌گير و در مقياس‌هاي وسيع هزينه‌بر است، تلاش‌هايي براي مطالعه نيتروژن خاك با استفاده از سنجش‌ازدور انجام گرفته است. مطالعه حاضر به بررسي روش سنجش ‌از‌ دور و مدل‌هاي رگرسيون و جنگل تصادفي در پيش‌بيني نيتروژن كل خاك در شرق شهرستان لنجان پرداخته ‌است. روش پژوهش: نقاط مرجع نيتروژن 50 نمونه خاك از لايه 0-20 سانتي‌متري خاك سطحي بود كه از منطقه موردمطالعه به روش تصادفي نمونه‌برداري شد. نيتروژن نمونه‌ها پس از خشك شدن در دماي 25 درجه، عبور از مش 2 و انتقال به آزمايشگاه، به‌منظور مقايسه نتايج نهايي به‌دست‌آمده، حاصل از ارزيابي زميني و سنجش ‌از‌ دور، به روش كلدال اندازه‌گيري شد. تصوير ماهواره‌اي سال 2019 با تصحيح هندسي و راديومتريك از باندهاي طيفي 2 تا 7 سنجنده‌ي OLI لندست 8 (رديف و گذر 164 و 37) آبان 1398 تهيه شد. پوشش ابر براي تصاوير تهيه شده كمتر از 10٪ در نظر گرفته ‌شد. براي كاهش اثر پراكندگي اتمسفر بر كيفيت اين تصاوير، تصحيح تابش و تصحيح اتمسفر با استفاده از مدل فلش انجام شد. شاخص‌هاي ماهواره‌اي شامل DVI، NDVI، EVI، MSAVI، SAVI، RVI، NDWI، SI1، SI2، SI3 و SBI از تصوير ماهواره‌‌ايي استخراج شد و به همراه سه شاخص توپوگرافي شامل ارتفاع، شيب و شاخص رطوبت توپوگرافي (TWI) به مدل رگرسيون خطي چندگانه و جنگل تصادفي معرفي شد. يافته‌ها: نقشه رقومي ارتفاعي منطقه مقاديري بين 1100 تا 2050 متر را در بر­گرفت. شيب منطقه، در محدوده­هاي با شيب كم و پايين­تر از هشت درصد قرار دارد. مقادير عددي شاخص TWI در نزديكي مجاري آبي 77/0 به دست آمد. مقادير شاخص DVI و EVI با افزايش پوشش گياهي افزايش داشت. شاخص NDVI مقادير بالاتر از 3/0 و شاخص NDWI به‌عنوان يك شاخص آبي، مقدار حداكثري 77/0 را در مناطق غرقاب نشان داد. شاخص SAVI تفكيك‌پذيري بالايي از نواحي بدون پوشش تا پوشش تنك و نواحي با پوشش گياهي قوي را ارائه داد. شاخص SBI و شاخص­هاي سه‌گانه شوري SI تغييرپذيري بسيار بالايي از جنبه پارامتر­هاي خاك در نواحي بدون پوشش نشان داد. مدل رگرسيون نيتروژن خاك با سه شاخص RVI، DVI و TWI با مقدار معناداري ‌آماري (p-value) برابر با 04/0 توليد شد. در مدل جنگل تصادفي، شاخص‌هاي گياهي و خاك نقش تعيين‌كننده‌اي در ساخت مدل داشتند و مقدار ضريب تعيين ((R2 برابر با 44/0 به دست آمد. نتايج: نيتروژن كل خاك نيز در پارامترهاي خاك با چگالي و با شن و رس از بافت خاك و در پارامترهاي توپوگرافي با ارتفاع و در شاخص‌هاي طيفي با ,EVI RVI, SAVI, NDWI,NDVI و DVI ر ﺳﻄﺢ 0/01 و ﺑﺎ SI3 از ﺷﺎﺧﺺ ﻫﺎي ﺷﻮري در ﺳﻄﺢ 0/05 ﻫﻤﺒﺴﺘﮕﯽ دارد. در ﭘﺎراﻣﺘﺮﻫﺎي ﺧﺎك ﻧﯿﺰ ﺳﯿﻠﺖ ﺑﺎ ﺷﻦ و رس در ﺳﻄﺢ 0/05 و ﺷﻦ ﺑﺎ رس ﻫﻤﭽﻨﯿﻦ ﭼﮕﺎﻟﯽ ﺑﺎ رس در ﺳﻄﺢ 0/01 ﻫﻤﺒﺴﺘﮕﯽ دارﻧﺪ. ﻧﺘﺎﯾﺞ ﻧﺸﺎن داد ﮐﻪ وﺿﻌﯿﺖ ﺗﻮﭘﻮﮔﺮاﻓﯽ ﻣﻨﻄﻘﻪ ﺑﻪ ﻫﻤﺮاه ﺷﺎﺧﺺ ﻫﺎي ﺑﺮ ﭘﺎﯾﻪ ﻣﺎدون ﻗﺮﻣﺰ ﻧﺰدﯾﮏ و ﻗﺮﻣﺰ ﻧﻘﺶ ﺑﺴﺰاﯾﯽ در ﭘﯿﺶ ﺑﯿﻨﯽ ﻧﯿﺘﺮوژن دارد. ﻫﻤﭽﻨﯿﻦ ﻣﻘﺎﯾﺴﻪ ﻧﺘﺎﯾﺞ ﺣﺎﺻﻞ از ارزﯾﺎﺑﯽ زﻣﯿﻨﯽ و ﺳﻨﺠﺶ از دور ﻧﺸﺎن داد ﮐﻪ در ﭘﯿﺶ ﺑﯿﻨﯽ ﻧﯿﺘﺮوژن ﮐﻞ ﺧﺎك، اختلاف معني‌داري بين دو مدل و ارزيابي ميداني وجود ندارد و هر دو مدل نتايج نزديكي به ارزيابي ميداني داشتند.

Soil is one of the important natural resources of any country, which plays an important role in preserving the environment and producing food. Increasing and decreasing the amount of total soil nitrogen due to various agricultural methods, the entry of industrial wastewater into water and other factors, leads to microbial contamination of soil, reduced vegetation and deficiency in agricultural products needed by humans. Mapping soil nutrient distribution helps mangers in decisions. Since laboratory analysis of these parameters is time consuming and costly across large scales, attempts have been made in recent years to study soil nitrogen based on remote sensing techniques. In this regard, the present study investigated the applicability of remote sensing predicting soil total nitrogen in the east of Lenjan city. Method: Nitrogen reference points were identified by analyzing 50 randomly-selected surface soil samples from 0-20 cm depth. Nitrogen of soil samples was measured by Kjeldahl method after drying soil at 25 ° C, passing through a 2 mm mesh sieve and transferring to the laboratory, to compare the final results obtained from field sampling and remote sensing technology. Landsat 8 OLI Satellite Image of 2019 (Path 164/Row 37) was obtained and geometric and radiometric correction were applied. Cloud cover for image provided was less than 10%. To reduce the effect of atmospheric diffusion on the quality of image, radiation and atmospheric correction were performed using the FLASH model. the Landsat-8 satellite image (rows 164 and 37) taken on 15 Sep. 2019 and along with three topographic indices of elevation, slope and topographic wetness index (TWI) were introduced to the multiple linear regression and random forest models. Results: The digital elevation map of the area showed elevation values ​​between 1100 and 2050 meters. The slope of the study area was less than eight percent. Numerical values ​​of TWI index near water bodies were found to be 0.77. DVI and EVI index values ​​increased with increasing vegetation cover. NDVI index showed values ​​higher than 0.3 and NDWI index as a water index showed a maximum value of 0.77. The SAVI index showed high differences from areas without cover to sparse cover and areas with strong vegetation. SBI index and SI salinity indices showed very high variability in terms of soil parameters in barren lands. Nitrogen regression model was built using three indices RVI, DVI and TWI with p-values of 0.049 and 0.00, respectively. In the nitrogen random forest model, however, plant and soil indices played a more important role in model construction with an of r2 value of 0.44. Conclusion: Total soil nitrogen in soil parameters showed correlation with density and sand and clay from soil texture and in topographic parameters with elevation and spectral indices with EVI RVI, SAVI, NDWI, NDVI and DVI at the level of 0.01 and with SI3 of salinity indices at the 0.05 level. In soil parameters, silt is correlated with sand and clay at the level of 0.05 and sand with clay as well as density with clay are correlated at the level of 0.01. The results of this study showed that the topographic condition of the region along with red and near infrared-based indices had a significant role in predicting soil total nitrogen. Results also showed a slight difference was observed between the two models in predicting soil nitrogen.