برآورد کربن آلی خاک با ترکیب تصاویر ماهواره ای لندست ۸ و مادیس و مدل سازی به روش یادگیری ماشین

هدف از این مطالعه، توسعه مدل های یادگیری ماشین جهت برآورد کربن آلی خاک با استفاده از تصاویر لندست ۸ و مادیس به صورت جداگانه و هم­افزایی تصاویر فوق در خاک های کشاورزی در منطقه مرکزی ایران می باشد. در این مطالعه، نمونه های خاک از ۳۳۶ نقطه در خاک های کشاورزی در دو کاربری زراعی و باغی استان البرز جمع آوری شدند و کربن آلی خاک به روش اکسیداسیون تر اندازه گیری شد. برای تحلیل کربن آلی خاک از داده های سنجش ازدور استفاده شد که از منابع مختلف مانند تصویر لندست ۸ و سنجنده مادیس به دست آمده بودند. در این مطالعه سه مدل یادگیری ماشینی شامل شبکه های عصبی مصنوعی (ANN)، رگرسیون بردار پشتیبان (SVR) و الگوریتم بیان ژن (GEP) استفاده شدند. این مدل ها به منظور برآورد میزان کربن آلی خاک استفاده شدند. نتایج این پژوهش نشان داد که به کارگیری مدل SVR در حالت استفاده هم زمان از داده های تصویر لندست ۸ و سنجنده مادیس عملکرد بهتری (۰/۶۲ =R۲، ۰/۶۳ =RMSE و ۰/۹۸ =R۲/RMSE) نسبت به استفاده هر تصویر به صورت جداگانه داشت؛ بنابراین، این پژوهش به این نتیجه رسید که استفاده هم زمان (تحت عنوان هم افزایی) داده های سنجش ازدور از منابع مختلف می تواند بهبود قابل توجهی در دقت برآورد محتوای کربن آلی در خاک های کشاورزی در منطقه مرکزی ایران ایجاد کند. استفاده از تکنیک های فیوژن پیشرفته یا تکنیک های یادگیری عمیق برای ترکیب ویژگی ها در سطح بالاتر پیشنهاد می­ شود.

کلیدواژه ها:

شاخص های پوشش گیاهی ، داده های محیطی ، دورسنجی ، مدل-سازی و هم افزایی