ارزیابی کارایی تصاویر ETM+ در دورسنجی بافت خاک و نقش پوشش گیاهی در دقت پیش‌بینی‌ها

نوع مقاله : مقاله کامل علمی پژوهشی

نویسنده

دانشگاه مراغه

چکیده

در سال‌های اخیر تحقیقات زیادی برای دورسنجی بافت خاک با استفاده از تصاویر راداری صورت گرفته است. در حالی که هیچ گزارشی از کاربرد تصاویر ماهواره‌های غیرفعال مجانی مثل ETM+ و MODIS در این راستا وجود ندارد. همچنین وجود پوشش گیاهی در سطح خاک موجب محدود کردن کاربرد تصاویر ماهواره‌ای در دورسنجی بافت خاک می‌گردد. لذا در این تحقیق تلاش شد تا ضمن ارزیابی قابلیت کاربرد تصاویر ETM+ برای دورسنجی اجزای بافت خاک، اثرات وجود یا عدم وجود پوشش گیاهی در دورسنجی بافت خاک نیز مورد ارزیابی قرار گیرد. برای این منظور، اجزای بافت خاک در 225 نقطه مختلف در داخل منطقه مورد مطالعه در دامنه شمالی کوه سهند اندازه‌گیری و تصاویر ETM+ مورد نیاز نیز جمع‌آوری گردید. روش‌های مختلفی از جمله روش تجربی، آماری و جعبه سیاه (شبکه عصبی مصنوعی) با استفاده از نرم‌افزارهای Excel، SPSS و Matlab برای ایجاد توابع مختلف جهت دورسنجی اجزای بافت خاک به کار گرفته شد. نتایج ارزیابی نشان داد که در صورت وجود پوشش گیاهی در سطح خاک، دقت پیش‌بینی‌ها کاهش یافته و به صفر میل می‌کند. این در حالی است که در اراضی لخت و بدون پوشش گیاهی، پیش‌بینی‌ها از دقت کافی برخوردار بودند. نتایج نشان داد که اگر چه روش‌های تجربی و آماری از دقت بالایی (با R2های کمتر از 3/0) در دورسنجی اجزای بافت خاک در اراضی بدون پوشش گیاهی برخوردار نبودند ولی مدل جعبه سیاه ایجاد شده در الگوریتم شبکه‌های عصبی مصنوعی از دقت کافی برای دورسنجی اجزای بافت خاک (با R2های بالای 5/0) برخوردار بود.

کلیدواژه‌ها


عنوان مقاله [English]

Evaluation of ETM+ data applicability for remote sensing of the soil texture and vegetation effects on accuracy of predictions

نویسنده [English]

  • Mehdi Rahmati
چکیده [English]

Several investigations have been carried out in order to remote sensing of soil texture using radar data. Whereas there is no report on application of using passive and free satellites data including ETM+ and MODIS for this aspect. The remote sensing of soil texture also is limited by the existence of vegetation on soil surface. So the current research was aimed to evaluate ETM+ data applicability for remote sensing of the soil texture as well as assessment of the vegetation effects on the accuracy of the predictions. In this regard, soil separates were measured at 225 different points of study area on Northern slopes of Mount Sahand and available ETM+ data were downloaded. Several methods including empirical, statistical, and black box (artificial neuron network, ANN) using Excel, SPSS, and Matlab software’s were applied to create different functions for remote sensing of soil separates. Results showed that vegetation existence led to lower accuracy of the prediction. Results showed that although empirical and statistical approaches showed low accuracy (with R2 lower than 0.3) for remote sensing of the soil separates, black box model using ANN algorithm was accurate enough (with R2 higher than 0.5).

کلیدواژه‌ها [English]

  • Artificial neuron network
  • Passive satellite
  • Remote sensing
  • soil texture
1.Anguela, T., Zribi, P.M., Baghdadi, N., and Loumagne, C. 2010. Analysis of local variation of soil surface parameters with TerraSAR-X radar data over bare agricultural fields. Geoscience and Remote Sensing. 48: 2. 874-881.
2.Apan, A., Kelly, R., Jensen, T., Butler, D., Strong, W., and Basnet, B. 2002. Spectral discrimination andseparability analysis of agricultural crops and soil attributes using ASTER imagery. Proceedings of the 11th Australasian Remote Sensing and Photogrammetry Conference. Brisbane, Australia.
3.Baghdadi, N., Zribi, M., Loumagne, C., Ansart, P., and Anguela, T.P. 2008. Analysis of TerraSAR-X data and their sensitivity to soil surface parameters over bare agricultural fields. Remote Sensing of Environment. 112: 12. 4370-4379.
4.Gee, G.W., and Or, D. 2002. Particle-size analysis, P 255-295, In: Dane, J.H., and G.C. Topp (Eds.), Methods of Soil Analysis: Physical Methods, Part 4. Soil Science Society of America, Inc. Madison, WI, USA.
5.Gomez, C., Lagacherie, P., and Coulouma, G. 2008. Continuum removal versus PLSR method for clay and calcium carbonate content estimation from laboratoryand airborne hyperspectral measurements. Geoderma. 148: 2. 141-148.
6.Lagacherie, P., Baret, F., Feret, J.B., Madeira Netto, J., and Robbez-Masson, J.M. 2008. Estimation of soil clay and calcium carbonate using laboratory, field and airborne hyperspectral measurements. Remote Sensing of Environment. 112: 3. 825-835.
7.Selige, T., Böhner, J., and Schmidhalter, U. 2006. High resolution topsoil mapping using hyperspectral image and field data in multivariate regression modeling procedures. Geoderma. 136: 1. 235-244.
8.Zribi, M., Kotti, F., Lili-Chabaane, Z., Baghdadi, N., Issa, N.B., Amri, R., Duchemin, B., and Chehbouni, A. 2012. Soil texture estimation over a semiarid area using TerraSAR-X radar data. Geoscience and Remote Sensing Letters, IEEE. 9: 3. 353-357.