نوع مقاله : مقاله پژوهشی

نویسندگان

• سعید سعادت
• لیلی اسمعیل نژاد
• حامد رضائی
• رسول میرخانی
• امیررضا اسفندیار

موسسه تحقیقات خاک و آب، کرج، ایران

چکیده

پژوهش حاضر به منظور مدلسازی و برآورد توزیع مکانی کربن آلی خاک در اراضی کشاورزی استان البرز با تلفیق داده‌های ماهواره‌ای لندست ۸ و الگوریتم یادگیری ماشین جنگل تصادفی انجام شد. کاربرد الگوریتم‌های پیشرفته در مقیاس منطقه‌ای، پتانسیل قابل توجهی برای نقشه‌برداری دقیق و کارآمد کربن آلی خاک از طریق تلفیق یادگیری ماشین و سنجش از دور دارد و می‌تواند به عنوان ابزاری مؤثر در مدیریت پایدار منابع خاک و راهبردهای کاهش انتشار گازهای گلخانه‌ای به کار گرفته شود. اساس مدل بر داده‌های میدانی ۲۵۷ نمونه خاک استوار بود که با روش شبکه‌بندی منظم جمع‌آوری و میزان کربن آلی آن‌ها به روش والکلی-بلک اندازه‌گیری شد. متغیرهای پیش‌بین شامل باندهای طیفی مرئی، مادون قرمز نزدیک، مادون قرمز موج کوتاه و شاخص‌های گیاهی مرتبط بودند. ارزیابی عملکرد مدل، دقت بالای آن را با ضریب تعیین R² برابر با 83/0 و خطای استاندارد نسبی NRMSE معادل 5/12 درصد تأیید نمود. نقشه تولیدی، میانگین کربن آلی خاک منطقه را 23/0 درصد نشان داد که بیشترین مقادیر در نواحی شمالی و مرکزی استان متمرکز بود. همچنین تحلیل روند ده ساله اخیر، تغییرات آماری معنی‌داری را در میانگین کربن آلی خاک نشان نداد. نتایج این تحقیق، پتانسیل قابل توجه الگوریتم‌های یادگیری ماشین در تلفیق با داده‌های سنجش از دور را برای نقشه‌برداری دقیق و کارآمد کربن آلی خاک در مقیاس منطقه‌ای اثبات می‌کند و این رویکرد می‌تواند به عنوان ابزاری مؤثر در مدیریت پایدار منابع خاک و راهبردهای کاهش انتشار گازهای گلخانه‌ای به کار گرفته شود.

کلیدواژه‌ها

• نقشه‌برداری رقومی خاک
• جنگل تصادفی
• لندست ۸
• شاخص‌های طیفی
• سامانه اطلاعات جغرافیایی

عنوان مقاله [English]

Modeling and estimation of soil organic carbon using satellite images and machine learning algorithm in Alborz province

نویسندگان [English]

• Saeed Saadat
• leila esmaeelnejad
• Hamed Rezaei
• Rasoul Mirkhani
• َAmirreza Esfandyar

Soil and Water Research Institute, Karaj, Iran

چکیده [English]

This study was conducted to model and estimate the spatial distribution of soil organic carbon (SOC) in the agricultural lands of Alborz province by integrating Landsat 8 satellite data with the Random Forest machine learning algorithm. The model was based on field data from 257 soil samples collected via a regular grid method, with their SOC content measured using the Walkley-Black method. Predictor variables included visible, near-infrared (NIR), and short-wave infrared (SWIR) spectral bands, along with relevant vegetation indices. The model's performance evaluation confirmed its high accuracy, with a coefficient of determination (R2) of 0.83 and a normalized root mean square error (NRMSE) of 12.5%. The resulting map showed an average SOC of 0.23% for the region, with the highest values concentrated in the northern and central parts of the province. Additionally, a trend analysis over the last decade showed no statistically significant changes in the mean SOC. The findings demonstrate the significant potential of combining machine learning algorithms with remote sensing data for accurate and efficient mapping of soil organic carbon at a regional scale. This approach can serve as an effective tool for sustainable soil resource management and greenhouse gas emission reduction strategies.

کلیدواژه‌ها [English]

• Digital Soil Mapping
• Random Forest
• Landsat 8
• Spectral Indices
• Geographic Information System (GIS)