اندازه‌گيري ويژگي‌هاي خاك و برآورد آن به روش سنجش از دور و يادگيري ماشين و تاثير بر مقدار آب سهل‌الوصول خاك

اصفهان : دانشگاه صنعتي اصفهان

علوم و مهندسي اب

كارشناسي ارشد

چكيده با توجه به اهميت دسترسي به اطلاعات دقيق ويژگي‌هاي خاك در مديريت كشاورزي، بهره‌گيري از داده‌هاي سنجش از دور به‌عنوان جايگزيني براي روش هاي ميداني نمونه گيري و آزمايش پرهزينه و زمان‌بر يك راهكار قابل بررسي است. اين پژوهش با هدف برآورد برخي ويژگي‌هاي فيزيكي و شيميايي خاك شامل درصد اندازه ذرات، شوري، pH، ماده‌آلي و چگالي ظاهري خاك با بهره‌گيري از داده‌هاي ماهواره‌اي Sentinel و پايگاه جهاني Soilgrids و مقايسه آن با داده‌هاي اندازه‌گيري شده آزمايشگاهي انجام شد. همچنين تأثير اين ويژگي‌ها بر محاسبه مقدار آب سهل‌الوصول خاك بررسي شد. نمونه‌برداري خاك از هشت منطقه مختلف شامل اصفهان (گلپايگان، اردستان، سميرم، شهررضا، علويجه)، خراسان رضوي (فريمان)، مركزي (اراك) و فارس (آباده) انجام شد و در مجموع 189 نمونه خاك از عمق 30 -0 سانتي‌متري برداشت و به آزمايشگاه منتقل گرديد. درصد اندازه ذرات به روش هيدرومتر، شوري و pHدر عصاره اشباع، ماده‌آلي به روش والكي و بلاك و چگالي ظاهري خاك با استفاده از سيلندر اندازه‌گيري شد. داده‌هاي سنجش از دور از طريق پلتفرم Google Earth Engine و همچنين از سيستم جهاني Soilgrids استخراج و با آزمون T جفت شده و مدل‌هاي رگرسيون خطي تحليل شدند. دو مدل يادگيري ماشين، شبكه عصبي پرسپترون چند لايه و AdaBoost، به ترتيب براي برآورد درصد اندازه ذرات و شوري خاك توسعه داده شدند. نتايج نشان داد كه دقت داده‌هاي ماهواره‌اي در تخمين ويژگي‌هاي خاك به نوع ويژگي، منبع داده و موقعيت مكاني وابسته است. Sentinel در تخمين درصد اندازه ذرات خاك عملكرد بهتري نسبت به Soilgrids داشت. Sentinel در تخمين درصد رس، دقت كمتري نسبت به سيلت و شن داشت و داده‌هاي سيستم Soilgrids در تخمين شن و سيلت عملكرد ضعيف‌تري نسبت به رس نشان دادند. به طور كلي Soilgrids در برآورد pH و ماده آلي دقت بيشتري داشت. بررسي خطاي محاسبه مقدار آب سهل‌الوصول بين دوگروه تصادفي از نمونه‌هاي خاك اندازه‌گيري شده نشان داد، خطا بين 4 تا 7 درصد است. بنابراين 7 درصد خطا در تخمين آب سهل الوصل با داده هاي ماهواره اي به‌عنوان آستانه قابل‌قبول خطا انتخاب شد. حدود 20 تا 23 درصد داده‌هاي تخميني از ماهواره در اين بازه قرار دارند. البته اعمال مدل رگرسيون بين‌داده‌هاي اندازه‌گيري شده و ماهواره‌اي باعث بهبود دقت محاسبه آب سهل‌الوصول در اغلب مناطق شد و خطاي محاسبه، در داده‌هاي Sentinel %61 و در داده‌هاي Soilgrids 67% كاهش يافت. مدل هوش مصنوعي نيز در پيش‌بيني درصد اندازه ذرات خاك عملكرد مناسبي داشت. براي رس، R² برابر 76/0 و RMSE برابر 27/4% بود. در مورد سيلت، دقت كمتر از رس و شن (65/0=R²) بود، اما همچنان قابل قبول ارزيابي شد. پيش‌بيني درصد شن نيز با R² معادل 73/0 بود. همچنين مدل هوش مصنوعي AdaBoost براي پيش‌بيني شوري خاك در كل مناطق مورد مطالعه، R² برابر 65/0 بود. البته همين مدل در منطقه اصفهان عملكرد بسيار دقيق‌تري داشت؛ به‌طوري‌كه مقدار R² برابر 97/0 شد و مقدار RMSE كم (35/1 dS/m) دقت زياد مدل را تأييد مي‌كند.

234808

مهندسي زهكشي

مهندسي كشاورزي

دانشگاه صنعتي اصفهان