میزان همخوانی نقشه های حاصل از روش های یادگیری ماشین و تخمینگر کریجینگ در پایش شوری بخشی از اراضی حاشیه ای پلایای سیرجان، استان کرمان

تصاویر ماهواره ای و رویکردهای سنجش از دور، ابزار مهمی برای ارزیابی، نقشه برداری و مدیریت اراضی شور در مناطق مختلف جهان به شمار می آیند. هدف اصلی از مطالعه حاضر، بررسی میزان همخوانی نقشه های حاصل از روش های یادگیری ماشین و تخمینگر کریجینگ  برای پایش شوری بخشی از خاک های حاشیهی پلایای سیرجان در دو فصل زمستان و تابستان با استفاده از دو منبع داده سنجش از دور (لندست 8 و سنتینل 2)  می باشد. 90 نمونه خاک سطحی (صفر تا 30 سانتی متر) در قالب یک الگوی نمونه برداری شبکه ای منظم با فواصل 750 متر برداشت شد. برخی از مهمترین ویژگی های فیزیکی و شیمیایی آن ها با استفاده از روش های استاندارد اندازه گیری شد. همچنین پس از انجام تصحیح های رادیومتریکی و اتمسفری بر روی تصاویر ماهواره ای مزبور، علاوه بر باندهای اصلی، از 13 شاخص طیفی (شاخص شوری) به منظور تخمین شوری خاک با استفاده از مدل های شبکه عصبی مصنوعی، درخت تصمیم، جنگل تصادفی و ماشین بردار پشتیبان استفاده شد. به علاوه، نقشه های کریجینگ شوری خاک برای هر دو زمان گفته شده ترسیم شدند. نتایج نشان داد که ماهواره سنتینل 2 نسبت به  داده های ماهواره لندست 8، از صحت بالاتری (ضریب تبیین 87/0 در مقابل 72/0) برای پیش بینی تغییرات شوری در منطقه مورد مطالعه برخوردار بود. علاوه بر این، بهترین نتایج برای برآورد قابلیت هدایت الکتریکی عصاره اشباع خاک در فصل زمستان با استفاده از تصاویر سنتینل 2 و مدل شبکه عصبی مصنوعی (R2=0.77, RMSE%=27.1) و در فصل تابستان بر اساس تصاویر ماهواره سنتینل 2 و مدل جنگل تصادفی (R2=0.87, RMSE%=17.4) برای منطقه مطالعاتی به دست آمدند. از بین شاخص های شوری مورد مطالعه، شاخص VSSI به عنوان موثرترین شاخص برای برآورد شوری خاک منطقه انتخاب شد. نتایج همچنین نشان داد که نقشه های قابلیت هدایت الکتریکی عصاره اشباع خاک حاصل از دو روش از میزان همخوانی زیاد و صحت عمومی بالای 80 درصد برخوردار بودند؛ با این حال، تغییر فصل و نوع ماهواره بر میزان تطابق پذیری نقشه های به دست آمده اثرگذار بود.