เปรียบเทียบข้อมูลดาวเทียม Landsat 8 สำหรับการติดตามความเค็มของดิน ในฤดูแล้งและฤดูฝน
คำสำคัญ:
ดินเค็ม, การรับรู้ระยะไกล, ดาวเทียม Landsat-8, ดัชนีบทคัดย่อ
วัตถุประสงค์ของการศึกษานี้เพื่อเปรียบเทียบข้อมูลดาวเทียม Landsat 8 สำหรับการติดตามความเค็มของดินในฤดูแล้งและฤดูฝน โดยใช้วิธีการวิเคราะห์ Machine learning algorithm ในการวิเคราะห์ด้วย 3 วิธี แบบจำลองเชิงเส้นทั่วไป [Generalized Linear Model: GLM] แบบจำลองป่าสุ่ม [ Random forest :RF ] และแบบจำลองซัพพอร์ตเวกเตอร์เเมชชีน [ Support Vector Machine : SVM ] ทำการประเมินประสิทธิภาพแบบจำลองโดยใช้ค่าเฉลี่ยของรากที่สองของกำลังสองของ ความคลาดเคลื่อน [ Root Mean Square Error : RMSE ] และ ความสัมพันธ์ทางสถิติสูงที่สุด [ Coefficient of determination : R2 ] ร่วมกับข้อมูลความเค็มของดินที่ระดับต่าง ๆ ที่ได้จากภาพถ่ายดาวเทียม Landsat 8 ผลการศึกษาพบว่า ภาพถ่ายดาวเทียม Landsat 8 และ แบบจำลองป่าสุ่ม [ Random forest : RF ] ให้ผลลัพธ์ที่ดีที่สุดโดยมีค่าความสัมพันธ์ทางสถิติสูงที่สุด [ Coefficient of determination : R2 ] และค่าเฉลี่ยของรากที่สองของกำลังสองของความคลาดเคลื่อน [ Root Mean Square Error : RMSE ] ต่ำที่สุด (R2 เท่ากับ 0.814 ,RMSE เท่ากับ 8.218) สำหรับความเค็มที่ระดับ ผิวดิน ซึ่งวิธีการในการศึกษานี้สามารถเป็นแนวทางในการใช้ภาพถ่ายดาวเทียม Landsat 8 ร่วมกับ การวิเคราะห์ด้วยวิธีต่าง ๆ สำหรับการติดตามความเค็มได้
References
Acharya, T. D., Lee, D. H., Yang, I. T., & Lee, J. K. (2016). Identification of water bodies in a Landsat 8 OLI image using a J48 decision tree. Sensors, 16(7), 1075.
Allbed, A., L. Kumar, and P. Sinha, Mapping and modelling spatial variation in soil salinity in the Al Hassa Oasis based on remote sensing indicators and regression techniques. Remote Sensing, 2014. 6(2): p.1137-1157.
Belgiu, M. and L. Drăguţ, Random forest in remote sensing: A review of applications and future directions. ISPRS journal of photogrammetry and remote sensing, 2016. 114 : p. 24-31.
Corwin, D.L., Past, present, and future trends in soil electrical conductivity measurements using geophysical methods. 2008: CRC Press, Taylor & Francis Group: New York, NY, USA.
Csillag, F. , L. Pásztor, and L. L. Biehl, Spectral band selection for the characterization of salinity status of soils. Remote sensing of environment,1993. 43(3): p. 231-242.
Eldeiry, A. and L.A. Garcia, Detecting soil salinity in alfalfa fields using spatial modeling and remote sensing. Soil Science Society of America Journal, 2008. 72(1): p. 201-211.
Guo, Y., Huang, J., Shi, Z., & Li, H. (2015). Mapping spatial variability of soil salinity in a coastal paddy field based on electromagnetic sensors. PloS one, 10(5), e0127996.
Hu, J., Peng, J., Zhou, Y., Xu, D., Zhao, R., Jiang, Q., Fu, T., Wang, F & Shi, Z. (2019). Quantitative estimation of soil salinity using UAV-borne hyperspectral and satellite multispectral images. Remote Sensing, 11(7), 736.
Kalra, N. and D. Joshi, Potentiality of Landsat, SPOT and IRS satellite imagery, for recognition of salt affected soils in Indian Arid Zone. International Journal of Remote Sensing, 1996.17(15): p. 3001-3014.
Land Development Department. (2010). Chemical Inspection Process Manual. https://www.ldd.go.th/PMQA/2553/Manual/OSD-03.pdf
Pakdee, Growth of Suaeda maritime (L.) Dumort. in salinity areas. Veridian E-journal Science and Technology Silpakorn University, 2016. 3(6): p. 380-389.
Pongsathornwiwat, Kowwilaisaeng, SAP ERP. Thai Journal of Operations Research: TJOR, 2021. 9(1): p. 106-119.
Wang, D., Ma, R., Xue, K., & Loiselle, S. A. (2019). The assessment of Landsat-8 OLI atmospheric correction algorithms for inland waters. Remote Sensing, 11(2), 169.
Wang, J., Ding, J., Yu, D., Teng, D., He, B., Chen, X., Ge, X., Zhang, Z., Wang, Y., Yang, X., Shi, T & Su, F. (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, X., Zhang, F., Ding, J., Latif, A., & Johnson, V. C. (2018). Estimation of soil salt content (SSC) in the Ebinur Lake Wetland National Nature Reserve (ELWNNR), Northwest China, based on a Bootstrap-BP neural network model and optimal spectral indices. Science of the Total Environment, 615, 918-930.
