پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,230 |
| تعداد مقالات | 67,764 |
| تعداد مشاهده مقاله | 115,196,949 |
| تعداد دریافت فایل اصل مقاله | 89,945,260 |
مدلسازی زمانی-مکانی رطوبت خاک با استفاده از داده های سنجش از دور نوری-حرارتی و مدل های یادگیری ماشین | ||
| تحقیقات آب و خاک ایران | ||
| دوره 54، شماره 4، تیر 1402، صفحه 637-653 اصل مقاله (1.84 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2023.356707.669469 | ||
| نویسندگان | ||
| عاطفه نورکی1؛ منا گلابی* 1؛ محمد الباجی2؛ عبدعلی ناصری1؛ سعید همایونی3 | ||
| 1گروه آبیاری و زهکشی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، ایران | ||
| 2گروه آبیاری و زهکشی، دانشکده مهندسی آب و محیط زیست، دانشگاه شهید چمران اهواز، ایران، | ||
| 3گروه سنجش از دور محیطی و ژئوماتیک، مرکز آب، زمین و محیط زیست، INRS -کبک، کانادا | ||
| چکیده | ||
| برآورد و پایش زمانی-مکانی رطوبت خاک سطحی براساس مشاهدات سنجش از دوری (نوری و حرارتی) بدلیل ماهیت فیزیکی در شرایط پوشش گیاهی متراکم چالش برانگیز است که نیاز به بهبود و افزایش دقت تخمین رطوبت خاک در این مناطق را ضروری می‌سازد. لذا این پژوهش با هدف توسعه یک رویکرد جدید در برآورد رطوبت خاک سطحی در مزارع کشاورزی با شرایط پوشش گیاهی متراکم، براساس ترکیب داده‌های سنجش از دور نوری-حرارتی و اطلاعات فیزیکی خاک با استفاده از مدل‌های یادگیری ماشین انجام شد. بدین منظور از 16 تصویر ماهواره لندست-8 و بیش از 430 نقطه کنترل زمینی در طول دوره رشد گیاه نیشکر در سال زراعی 1399-1398 در منطقه کشت و صنعت نیشکر حکیم فارابی خوزستان استفاده گردید. 10 سناریوی مختلف براساس متغیرهای ورودی طراحی شد و سپس توسط پنج الگوریتم یادگیری ماشین شامل رگرسیون خطی چندگانه، مدل‌های مبتنی بر درخت تصمیم (classification and regression tree و M5-pruned) و مدل‌های مبتنی بر یادگیری جمعی (رگرسیون درختان توسعه یافته و رگرسیون جنگل تصادفی) مورد ارزیابی قرار گرفتند. مطابق با نتایج، بیشترین همبستگی متغیرها با رطوبت خاک سطحی در شاخص‌های خیسی خاک و رطوبت خاک نرمال شده با مقادیر ضریب همبستگی برابر 79/0 و 69/0 مشاهده شد. همچنین بیشترین دقت مدل‌های یادگیری ماشین بر اساس آماره‌هایR2 ، RMSE و MAE به ترتیب در مدل‌های رگرسیون درختان توسعه یافته (99/0، 011/0 و 001/0) و رگرسیون جنگل تصادفی (99/0، 014/0 و 007/0) به دست آمد. به طور کلی یافتههای این پژوهش بیان‌گر اهمیت استفاده از ویژگی‌های بیوفیزیکی مستخرج از داده‌های ماهواره لندست-8 در ترکیب با مدل‌های یادگیری جمعی است که می‌تواند مستقل از هرگونه اندازه‌گیری زمینی باشد. | ||
| کلیدواژه‌ها | ||
| پوشش گیاهی متراکم؛ خصوصیات فیزیکی خاک؛ رطوبت خاک؛ سنجش از دور؛ مدل‌های یادگیری ماشین | ||
| عنوان مقاله [English] | ||
| Spatial-temporal modeling of soil moisture using optical and thermal remote sensing data and machine learning algorithms | ||
| نویسندگان [English] | ||
| Atefeh Nouraki1؛ mona golabi1؛ mohammad albaji2؛ abdali naseri1؛ Saeid Homayouni3 | ||
| 1Department of Irrigation and Drainage, Faculty of Water and Environmental Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran | ||
| 2Department of Irrigation and Drainage, Faculty of Water and Environmental Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran | ||
| 3Centre Eau Terre Environnement, Institut National de la Recherche Scientifique (INRS), Quebec, Canada | ||
| چکیده [English] | ||
| Spatiotemporal estimation and monitoring of soil moisture based on remote sensing observations (optical and thermal) is challenging due to its physical nature in high vegetation conditions, necessitating improving and increasing the accuracy of soil moisture estimation in these areas. Therefore, this research aimed to develop a new approach to estimating surface soil moisture in agricultural fields with dense vegetation using machine learning algorithms by incorporating optical and thermal remote sensing data and soil physical properties. For this objective, 16 Landsat-8 satellite images and more than 430 control locations were used during the sugarcane crop’s growth period in 2018-2019 at the Hakim Farabi Sugarcane Agro-Industrial company in the Khuzestan province of Iran. A set of 10 scenarios of various unique combinations of the available input variables were developed and then evaluated by five machine learning algorithms, including multiple linear regression (MLR), decision tree-based algorithms (CART and M5P), and ensemble learning-based algorithms (gradient-boosted regression trees (GBRT) and random forest regression (RFR)). According to the results, the highest correlation between input variables and surface soil moisture was observed in Soil Wetness Index (SWI) and Normalized Soil Moisture Index (NSMI) with R values of 0.79 and 0.69, respectively. Also, the highest accuracy of machine learning algorithms based on R2, RMSE, and MAE results was obtained in GBRT (0.99, 0.011, and 0.006) and RFR (0.99, 0.014, and 0.007), respectively. In general, the findings of this research show the importance of using variables based on Landsat-8 remote sensing data in combination with ensemble learning algorithms that can be independent of any ground measurements. | ||
| کلیدواژه‌ها [English] | ||
| High vegetation, machine learning algorithms, remote sensing, soil moisture, soil physical properties | ||
| مراجع | ||
|
Acharya, U., Daigh, A. L., & Oduor, P. G. (2021). Machine learning for predicting field soil moisture using soil, crop, and nearby weather station data in the Red River Valley of the North. Soil Systems, 5(4), 57. Adab, H., Morbidelli, R., Saltalippi, C., Moradian, M., & Ghalhari, G. A. F. (2020). Machine learning to estimate surface soil moisture from remote sensing data. Water, 12(11), 3223. Araya, S. N., Fryjoff-Hung, A., Anderson, A., Viers, J. H., & Ghezzehei, T. A. (2021). Advances in soil moisture retrieval from multispectral remote sensing using unoccupied aircraft systems and machine learning techniques. Hydrology and Earth System Sciences, 25(5), 2739-2758. Babaeian, E., Paheding, S., Siddique, N., Devabhaktuni, V. K., & Tuller, M. (2021). Estimation of root zone soil moisture from ground and remotely sensed soil information with multisensor data fusion and automated machine learning. Remote sensing of environment, 260, 112434. Babaeian, E., Sadeghi, M., Franz, T. E., Jones, S., & Tuller, M. (2018). Mapping soil moisture with the OPtical TRApezoid Model (OPTRAM) based on long-term MODIS observations. Remote sensing of environment, 211, 425-440. Barrett, B., & Petropoulos, G. P. (2013). Satellite remote sensing of surface soil moisture. Remote sensing of energy fluxes and soil moisture content, 85. Blake, G. (1965). Bulk density. Methods of Soil Analysis: Part 1 Physical and Mineralogical Properties, Including Statistics of Measurement and Sampling, 9, 374-390. Breiman, L., Friedman, J., Olshen, R., & Stone, C. (1984). Classification and regression trees. Monterey, CA: Wadsworth & Brooks. In: Cole Advanced Books and Software. Day, P. R. (1965). Particle fractionation and particle‐size analysis. Methods of Soil Analysis: Part 1 Physical and Mineralogical Properties, Including Statistics of Measurement and Sampling, 9, 545-567. Duethmann, D., Smith, A., Soulsby, C., Kleine, L., Wagner, W., Hahn, S., & Tetzlaff, D. (2022). Evaluating satellite-derived soil moisture data for improving the internal consistency of process-based ecohydrological modelling. Journal of hydrology, 614, 128462. Eshaghi, A., Motamedvaziri, B., & Feiznia, S. (2010). Landslides Hazard Zonation Using Logistic Regression Method (Case Study: Safaroud Watershed). Territory, 6(24), 67-77. Fathololoumi, S., Vaezi, A. R., Alavipanah, S. K., Ghorbani, A., & Biswas, A. (2020). Comparison of spectral and spatial-based approaches for mapping the local variation of soil moisture in a semi-arid mountainous area. Science of the Total Environment, 724, 138319. Friedman, J. H. (2001). Greedy function approximation: a gradient boosting machine. Annals of statistics, 1189-1232. Gates, D. M., Keegan, H. J., Schleter, J. C., & Weidner, V. R. (1965). Spectral properties of plants. Applied optics, 4(1), 11-20. Ge, L., Hang, R., & Liu, Q. (2019). Retrieving soil moisture over continental us via multi-view multi-task learning. IEEE Geoscience and Remote Sensing Letters, 16(12), 1954-1958. Goetz, S. (1997). Multi-sensor analysis of NDVI, surface temperature and biophysical variables at a mixed grassland site. International journal of remote sensing, 18(1), 71-94. Han, J., Mao, K., Xu, T., Guo, J., Zuo, Z., & Gao, C. (2018). A soil moisture estimation framework based on the CART algorithm and its application in China. Journal of hydrology, 563, 65-75. Haubrock, S. N., Chabrillat, S., Lemmnitz, C., & Kaufmann, H. (2008). Surface soil moisture quantification models from reflectance data under field conditions. International journal of remote sensing, 29(1), 3-29. Jones, S. B., Blonquist, J., Robinson, D. A., Rasmussen, V. P., & Or, D. (2005). Standardizing Characterization of Electromagnetic Water Content SensorsPart 1. Methodology. Vadose Zone Journal, 4(4), 1048-1058. Khellouk, R., Barakat, A., Boudhar, A., Hadria, R., Lionboui, H., El Jazouli, A., Rais, J., El Baghdadi, M., & Benabdelouahab, T. (2020). Spatiotemporal monitoring of surface soil moisture using optical remote sensing data: a case study in a semi-arid area. Journal of Spatial Science, 65(3), 481-499. Korres, W., Reichenau, T., Fiener, P., Koyama, C., Bogena, H. R., Cornelissen, T., Baatz, R., Herbst, M., Diekkrüger, B., & Vereecken, H. (2015). Spatio-temporal soil moisture patterns–A meta-analysis using plot to catchment scale data. Journal of hydrology, 520, 326-341. Kubelka, P., & Munk, F. (1931). An article on optics of paint layers. Z. Tech. Phys, 12(593-601), 259-274. Lobell, D. B., & Asner, G. P. (2002). Moisture effects on soil reflectance. Soil Science Society of America Journal, 66(3), 722-727. Na, L., Na, R., Bao, Y., & Zhang, J. (2021). Time-lagged correlation between soil moisture and intra-annual dynamics of vegetation on the Mongolian plateau. Remote Sensing, 13(8), 1527. Nguyen, T. T., Pham, T. D., Nguyen, C. T., Delfos, J., Archibald, R., Dang, K. B., Hoang, N. B., Guo, W., & Ngo, H. H. (2022). A novel intelligence approach based active and ensemble learning for agricultural soil organic carbon prediction using multispectral and SAR data fusion. Science of the Total Environment, 804, 150187. Nolet, C., Poortinga, A., Roosjen, P., Bartholomeus, H., & Ruessink, G. (2014). Measuring and modeling the effect of surface moisture on the spectral reflectance of coastal beach sand. PLoS One, 9(11), e112151. Potopová, V., Trnka, M., Hamouz, P., Soukup, J., & Castraveț, T. (2020). Statistical modelling of drought-related yield losses using soil moisture-vegetation remote sensing and multiscalar indices in the south-eastern Europe. Agricultural Water Management, 236, 106168. Robinson, D. A., Campbell, C. S., Hopmans, J. W., Hornbuckle, B. K., Jones, S. B., Knight, R., Ogden, F., Selker, J., & Wendroth, O. (2008). Soil moisture measurement for ecological and hydrological watershed-scale observatories: A review. Vadose Zone Journal, 7(1), 358-389. Sandholt, I., Rasmussen, K., & Andersen, J. (2002). A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status. Remote sensing of environment, 79(2-3), 213-224. Wang, J., Ding, J., Yu, D., Teng, D., He, B., Chen, X., Ge, X., Zhang, Z., Wang, Y., & Yang, X. (2020). Machine learning-based detection of soil salinity in an arid desert region, Northwest China: A comparison between Landsat-8 OLI and Sentinel-2 MSI. Science of the Total Environment, 707, 136092. Wang, Y., & Witten, I. H. (1996). Induction of model trees for predicting continuous classes. Zreda, M., Desilets, D., Ferré, T., & Scott, R. L. (2008). Measuring soil moisture content non‐invasively at intermediate spatial scale using cosmic‐ray neutrons. Geophysical research letters, 35(21) | ||
|
آمار تعداد مشاهده مقاله: 368 تعداد دریافت فایل اصل مقاله: 245 |
||