КАРТИРОВАНИЕ ЗАСОЛЕННОСТИ ПОЧВЫ ЮГА КАЗАХСТАНА НА ОСНОВЕ СПУТНИКОВЫХ ИЗОБРАЖЕНИЙ SENTINEL-2
DOI:
https://doi.org/10.52167/1609-1817-2024-132-3-194-205Ключевые слова:
дистанционное зондирование Земли, машинное обучение, засоление почвы, спектральный индекс, LightGBM, Sentinel-2Аннотация
В данной работе отражены результаты оценки степени засоленности почв юга Казахстане на основе технологий дистанционного зондирования Земли. Исследования были проведены на районах Алаколь, Шелек и Кунаев, расположенных в Алматинской области. Классификация почв по степени засоления была выполнена с помощью индексов, рассчитываемых по данным в спектральных каналах Sentinel-2. Ранее полученные полевые измерения и наземные наблюдения с помощью алгоритма машинного обучения LightGBM были использованы для подтверждения степени засоления почвы в районах, определенных на спутниковых снимках. На основании сравнительного анализа методов машинного обучения и дистанционного зондирования Земли выявлено, что они дают схожие результаты для оценки засоления почвы, когда исследуемая область не охватывает большой площади территории.
Библиографические ссылки
[1] E. D. Chaves M, C. A. Picoli M, D. Sanches I. Recent Applications of Landsat 8/OLI and Sentinel-2/MSI for Land Use and Land Cover Mapping: A Systematic Review. Remote Sensing. 2020; 12(18):3062. doi:10.3390/rs12183062
[2] Ramos, Tiago B., et al. "Soil salinity assessment using vegetation indices derived from Sentinel-2 multispectral data. application to Lezíria Grande, Portugal." Agricultural Water Management 241 (2020): 106387. doi: 10.1016/j.agwat.2020.106387
[3] Wang, J.; Ding, J.; Yu, D.; Ma, X.; Zhang, Z.; Ge, X.; Teng, D.; Li, X.; Liang, J.; Lizaga, I.; et al. Capability of Sentinel-2 MSI data for monitoring and mapping of soil salinity in dry and wet seasons in the Ebinur Lake region, Xinjiang, China. 2019, 353, 172–187. doi: 10.1016/j.geoderma.2019.06.040
[4] Gorji, T.; Yildirim, A.; Hamzehpour, N.; Tanik, A.; Sertel, E. Soil salinity analysis of Urmia Lake Basin using Landsat-8 OLI and Sentinel-2A based spectral indices and electrical conductivity measurements. Ecol. Indic. 2020, 112, 106173. doi: 10.1016/j.ecolind.2020.106173
[5] Sahbeni, G. (2021). A PLSR model to predict soil salinity using Sentinel-2 MSI data. Open Geosciences, 13(1), 977-987. doi: 10.1515/geo-2020-0286
[6] Wang, J., Peng, J., Li, H., Yin, C., Liu, W., Wang, T., & Zhang, H. (2021). Soil salinity mapping using machine learning algorithms with the Sentinel-2 MSI in arid areas, China. Remote Sensing, 13(2), 305. doi:10.3390/rs13020305
[7] Ma, G., Ding, J., Han, L., Zhang, Z., & Ran, S. (2021). Digital mapping of soil salinization based on Sentinel-1 and Sentinel-2 data combined with machine learning algorithms. Regional Sustainability, 2(2), 177-188. doi:10.1016/j.regsus.2021.06.001
[8] Kaplan, G., Gašparović, M., Alqasemi, A. S., Aldhaheri, A., Abuelgasim, A., & Ibrahim, M. (2023). Soil salinity prediction using Machine Learning and Sentinel–2 Remote Sensing Data in Hyper–Arid areas. Physics and Chemistry of the Earth, Parts A/B/C, 130, 103400. doi: 10.1016/j.pce.2023.103400
[9] Taghadosi, Mahdi & Hasanlou, Mahdi & Eftekhari, Kamran. (2019). Retrieval of soil salinity from Sentinel-2 multispectral imagery. European Journal of Remote Sensing. 52. 138-154. doi:10.1080/22797254.2019.1571870
[10] Moussa, I., Walter, C., Michot, D., Adam Boukary, I., Nicolas, H., Pichelin, P., & Guéro, Y. (2020). Soil Salinity assessment in irrigated paddy fields of the niger valley using a four-year time series of sentinel-2 satellite images. Remote Sensing, 12(20), 3399. doi: 10.3390/rs12203399
[11] Al-Gaadi, K. A., Tola, E., Madugundu, R., & Fulleros, R. B. (2021). Sentinel-2 images for effective mapping of soil salinity in agricultural fields. Current Science, 384-390. doi: 10.18520/cs/v121/i3/384-390
[12] Mohamed, S. A., Metwaly, M. M., Metwalli, M. R., AbdelRahman, M. A., & Badreldin, N. (2023). Integrating Active and Passive Remote Sensing Data for Mapping Soil Salinity Using Machine Learning and Feature Selection Approaches in Arid Regions. Remote Sensing, 15(7), 1751. doi:10.3390/rs15071751
[13] He, Y., Zhang, Z., Xiang, R., Ding, B., Du, R., Yin, H., ... & Ba, Y. (2023). Monitoring salinity in bare soil based on Sentinel-1/2 image fusion and machine learning. Infrared Physics & Technology, 131, 104656. doi: 10.1016/j.infrared.2023.104656
[14] Gerardo, R., & de Lima, I. P. (2022). Sentinel-2 Satellite Imagery-Based Assessment of Soil Salinity in Irrigated Rice Fields in Portugal. Agriculture, 12(9). doi: 10.3390/agriculture12091490
[15] Mukhamediev, R., Amirgaliyev, Y., Kuchin, Y., ... & Tabynbayeva, L. (2023). Operational mapping of salinization areas in agricultural fields using machine learning models based on low-altitude multispectral images. Drones, 7(6), 357. doi: 10.3390/drones7060357
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2024 Айсулу Атаниязова, Едилхан Амиргалиев, Тимур Мерембаев, Ляйля Черикбаева
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
