پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 163 |
| تعداد شماره‌ها | 6,770 |
| تعداد مقالات | 72,916 |
| تعداد مشاهده مقاله | 132,176,597 |
| تعداد دریافت فایل اصل مقاله | 103,733,125 |
نقشه‌برداری رقومی شوری سطحی خاک در مرکز استان خوزستان با استفاده از الگوریتم‌های طبقه‌بندی نظارت شده | ||
| تحقیقات آب و خاک ایران | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 07 تیر 1404 اصل مقاله (2.16 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2025.395197.669939 | ||
| نویسندگان | ||
| محمد عبیات1؛ سعید حجتی* 2؛ احمد لندی3؛ آسیم بیسواس4 | ||
| 1گروه مهندسی علوم خاک، دانشکده کشاورزی، دانشگاه شهید چمران اهواز، خوزستان، ایران | ||
| 2استاد تمام گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه شهید چمران اهواز، خوزستان، ایران | ||
| 3استاد تمام گروه مهندسی علوم خاک، دانشکده کشاورزی، دانشگاه شهید چمران اهواز، خوزستان، ایران | ||
| 4مدرسه محیط زیست، کالج کشاورزی آنتاریو، دانشگاه گوئلف، آنتاریو، کانادا | ||
| چکیده | ||
| شوری خاک یکی از عوامل اصلی تخریب اراضی در مناطق خشک و نیمه خشک به شمار می‌رود. دورسنجی، نقش مهمی در شناسایی و طبقه‌بندی خاک‌های شور ایفا می‌کند. هدف این مطالعه، نقشه‌برداری رقومی شوری خاک سطحی در شهرستان باوی واقع در بخش مرکزی استان خوزستان می‌باشد. ابتدا 350 نمونه خاک با روش ابر مکعب لاتین مشروط (cLHS) جمع‌آوری شده و مجموعه‌ای از متغیرهای محیطی به وسیله داده‌های ماهواره‌ای و توپوگرافی استخراج گردید. سپس، برای کاهش حجم داده‌ها و تفسیرپذیری آن‌ها، از روش تجزیه و تحلیل مؤلفه‌های اصلی (PCA) استفاده شد. در این مطالعه، نقشه‌برداری رقومی شوری خاک با استفاده از الگوریتم‌های طبقه‌بندی نظارت شده پیکسل‌‌پایه و شیءگرا انجام شد. همچنین، تأثیر تعداد نمونه‌های آموزشی بر عملکرد الگوریتم‌های طبقه‌بندی مورد بررسی قرار گرفت. نتایج تحلیل PCA نشان داد که باندهای اولیه (PC1-PC6) بیشترین حجم اطلاعات را برای طبقه‌بندی داشته‌اند. همچنین، شاخص روشنایی (BI)، شاخص پوشش‌گیاهی شوری خاک (VSSI)، شاخص تفاوت پوشش‌گیاهی (DVI) و شاخص تفاضل نرمال‌شده پوشش‌گیاهی سبز (GNDVI) با بیشترین بار عاملی (99/0)، مهمترین متغیرهای تأثیرگذار در شناسایی و نقشه‌برداری شوری خاک در منطقه بوده‌اند. نتایج پژوهش نشان داد که کاهش تعداد نمونه‌های آموزشی، دقت الگوریتم‌های طبقه‌بندی را اندکی کاهش داده است. در روش طبقه‌بندی شیءگرا، الگوریتم ماشین بردار پشتیبان (SVM) و در روش طبقه‌بندی پیکسل‌‌پایه، الگوریتم جنگل تصادفی (RF) بهترین عملکرد را در تشخیص و جداسازی کلاس‌های شوری خاک داشته‌اند. نتایج بررسی شوری خاک در نقشه الگوریتم ماشین بردار پشتیبان نشان داد که خاک‌های با کلاس شوری خیلی شدید (dS/m 16 <) دارای بیشترین فراوانی در منطقه هستند. | ||
| کلیدواژه‌ها | ||
| متغیرهای محیطی؛ تحلیل مؤلفه‌های اصلی؛ روش پیکسل مبنا؛ آنالیز شیءگرا | ||
| عنوان مقاله [English] | ||
| Digitally mapping of surface soil salinity in the centre of Khuzestan Province using supervised image classification algorithms | ||
| نویسندگان [English] | ||
| Mohammad Abiyat1؛ Saeid Hojati2؛ Ahmad Landi3؛ Asim Biswas4 | ||
| 1Department of Soil Science, Faculty of Agriculture, Shahid Chamran University of Ahvaz, Khuzestan, Iran | ||
| 2Full Professor, Department of Soil Science, College of Agriculture, Shahid Chamran University of Ahvaz | ||
| 3Full Professor, Department of Soil Science, Faculty of Agriculture, Shahid Chamran University of Ahvaz, Khuzestan, Iran | ||
| 4School of Environmental Science, Ontario Agricultural College, University of Guelph, Guelph N1G2W1, Ontario, Canada | ||
| چکیده [English] | ||
| Soil salinity is a major factor contributing to land degradation in arid and semi-arid regions. Remote sensing plays a crucial role in the identification and classification of saline soils. This study aims to digitally mapping of surface soil salinity in Bavi County, located in the central part of Khuzestan Province. First, 350 soil samples were collected using the Conditioned Latin Hypercube Sampling (cLHS) and a set of environmental variables were extracted using satellite and topographic data. Then, to reduce data dimensionality and enhance interpretability, Principal Component Analysis (PCA) was applied. In this study, soil salinity mapping was performed using pixel-based and object-oriented supervised classification algorithms. Additionally, the impact of training sample size on the performance of classification algorithms was investigated. The PCA results indicated that the first principal components (PC1–PC6) contained the highest information content for classification. Furthermore, the Brightness Index (BI), Vegetation Soil Salinity Index (VSSI), Difference Vegetation Index (DVI), and Green Normalized Difference Vegetation Index (GNDVI) exhibited the highest factor loadings (0.99), highlighting their importance in detecting and mapping soil salinity in the study area. The results of the research demonstrated that reducing the training sample size decreased classification accuracy. Among object-based approaches, the Support Vector Machine (SVM) algorithm performed the best, while the Random Forest (RF) algorithm achieved the highest accuracy among pixel-based methods in identifying and separating soil salinity classes. The soil salinity map generated by the SVM algorithm indicated that the "Extremely Saline" soils (>16 dS/m) were the most prevalent in the region. | ||
| کلیدواژه‌ها [English] | ||
| Environmental Variables, Principal Component Analysis, Pixel-Based Method, Object-Oriented Analysis | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 28 تعداد دریافت فایل اصل مقاله: 22 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب