ارزيابي كارايي تصاوير سنجنده ETM+ در دورسنجي بافت خاك و نقش پوشش گياهي در دقت پيش‌بيني‌ها

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

سابقه و هدف: در سال هاي اخير پژوهش هاي زيادي براي دورسنجي بافت خاك با استفاده از تصاوير راداري صورت گرفته است. در حالي‌كه هيچ گزارشي از كاربرد تصاوير ماهواره هاي غيرفعال مجاني مثل ETM+ و MODIS در اين راستا وجود ندارد. همچنين وجود پوشش گياهي در سطح خاك موجب محدود كردن كاربرد تصاوير ماهواره‌اي در دورسنجي بافت خاك مي گردد. بنابراين در اين پژوهش تلاش شد تا ضمن ارزيابي قابليت كاربرد تصاوير سنجنده ETM+ براي دورسنجي اجزاي بافت خاك، اثرات وجود يا عدم وجود پوشش گياهي در دورسنجي بافت خاك نيز مورد ارزيابي قرار گيرد. مواد و روش‌ها: براي نيل به هدف پژوهش، اجزاي بافت خاك در 225 نقطه مختلف در داخل منطقه مورد مطالعه در دامنه شمالي كوه سهند واقع در طول هاي جغرافيايي 46 درجه و 22 دقيقه و 23 ثانيه تا 46 درجه و 28 دقيقه و 5 ثانيه و عرض هاي جغرافيايي 37 درجه و 43 دقيقه و 7 ثانيه تا 37 درجه و 50 دقيقه و 8 ثانيه اندازه گيري و تصاوير ETM+ مورد نياز نيز جمع آوري گرديد. روش هاي مختلفي از جمله روش تجربي، آماري و جعبه سياه (شبكه عصبي مصنوعي) با استفاده از نرم‌افزارهاي Excel، SPSS و Matlab براي ايجاد توابع مختلف جهت دورسنجي اجزاي بافت خاك به‌كار گرفته شد. ارزيابي مدل هاي استفاده شده در اين پژوهش با استفاده از معيارهاي آماري جذر ميانگين مربع خطاها (RMSE)، خطاي ارزيابي (E) و ضريب تبيين (R2) مورد ارزيابي قرار گرفت. يافته‌ها: نتايج ارزيابي نشان داد كه در صورت وجود پوشش گياهي در سطح خاك، دقت پيش بيني ها كاهش يافته و به صفر ميل مي كند. اين در حالي است كه در اراضي لخت و بدون پوشش گياهي، پيش بيني ها از دقت كافي برخوردار بودند. نتايج نشان داد كه اگرچه روش هاي تجربي و آماري از دقت بالايي (با R2 هاي كم‌تر از 3/0) در دورسنجي اجزاي بافت خاك در اراضي بدون پوشش گياهي برخوردار نبودند ولي مدل جعبه سياه شبكه هاي عصبي مصنوعي از دقت كافي براي دورسنجي اجزاي بافت خاك (با R2 هاي بالاي 5/0) برخوردار بود. نتيجه‌گيري: نتايج پژوهش حاضر نشان داد كه به‌كارگيري روش هاي آماري و رگرسيوني براي دورسنجي اجزاي بافت خاك با استفاده از تصاوير سنجنده ETM+ در داخل منطقه مورد مطالعه با چهار كاربري مختلف (مرتع ضعيف، اراضي ديم، اراضي فارياب و خاك لخت) و حتي در اراضي لخت بدون پوشش گياهي از دقت بسيار ضعيفي برخوردار بود. با اين وجود نتايج به‌كارگيري الگوريتم شبكه هاي عصبي مصنوعي جهت دورسنجي اجزاي بافت خاك در كاربري خاك لخت موجب افزايش چشمگير دقت دورسنجي اجزاي بافت خاك گرديد.

Background and Objectives: In recent years, several researches have been done for remote sensing of soil texture using radar data. While there is no report on application of passive and free satellites data including ETM+ and MODIS. The remote sensing of soil texture also is limited by the presence of vegetation on soil surface. So the current research was aimed to evaluate applicability of ETM+ data for remote sensing of the soil texture as well as assessment of the vegetation effects on precision of the predictions. Materials and Methods: To achieve the goal of the project, the soil separates were measured in 225 different points within the study area on the northern slopes of Mount Sahand which is located between longitudes of 46 degrees 22 minutes and 23 seconds to 46 degrees 28 minutes and 5 seconds and latitudes of 37 degrees and 43 minutes and 7 seconds to 37 degrees 50 minutes and 8 seconds. Also, the available ETM+ data over the study area were downloaded. Several methods including empirical, statistical and black box (artificial neuron network, ANN) models using Excel, SPSS and Matlab software’s were applied to create different functions for remote sensing of soil separates. Applied models were evaluated using the statistical criteria including Root Mean Squared Error (RMSE), assessment error (E) and coefficient of determination (R2). Results: The results showed that in the presence of vegetation on the soil surface, prediction accuracy dropped to zero. However, in the bare soils and soils without vegetation, predictions were sufficiently accurate. 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). Conclusion: The results showed that the use of statistical methods and regressions to remote sense soil separates using ETM + data had very poor accuracy in whole study area with four different land-uses (poor pastures, drylands, irrigated areas and bare soil) and even in bare soils. However, the results of using artificial neural network algorithm for remote sensing soil separates in bare soils significantly increased the accuracy of the predictions.