Google Earth Engine を使用した土壌塩分の空間的および時間的変動の調査: Werigan でのケーススタディ

Scientific Reports volume 13、記事番号: 2754 (2023) この記事を引用

967 アクセス

1 引用

1 オルトメトリック

メトリクスの詳細

大規模な土壌塩分調査は時間と労力がかかり、過去の塩分濃度を調査することも困難ですが、乾燥地域および半乾燥地域では、塩分の空間的および時間的特性を調査することで科学的根拠を得ることができます。塩分濃度の科学的防止を目的として、この研究では、アンサンブル学習と Google Earth Engine を組み合わせたマルチソースデータを使用して、1996 年から 2021 年までのウェリガン - クチャ川オアシスにおける塩分濃度の変化を観察するモニタリングモデルを構築します。推進要因を分析します。この実験では、異なる年に現場で収集されたデータといくつかの環境変数を使用して、ランダムフォレスト (RF)、極端な勾配ブースティング (XGBoost)、および光勾配ブースティングマシン (LightGBM) の 3 つのアンサンブル学習モデルが確立されました。モデルの検証では、XGBoost がこの研究領域で塩分予測の精度が最も高く、テストセットの RMSE が 17.62 dS m−1、R2 が 0.73、RPIQ が 2.45 でした。この実験では、土壌の電気伝導率（EC）と環境変数のスピアマン相関分析を行った結果、元のバンドの近赤外線バンド、地形要因のDEM、リモートセンシングに基づく植生指数、および塩分濃度が変化することがわかりました。指数土壌ECは強い相関を示した。塩類化の空間分布は、一般に西と北で良好、東と南で厳しいという特徴があります。非塩類化、軽度の塩類化、および中程度の塩類化は、25 年間にわたって西部オアシスの内部から南および東に徐々に拡大しました。 25 年間の間に、深刻かつ非常に深刻な塩分化がオアシスの北端から東部および南東部の砂漠地帯に徐々に移行しました。最も高い塩分濃度の塩性土壌は、1996 年にはウェリガン・クチャオアシス調査地域の東部のほとんどの砂漠地域と西部のより小さな地域に分布しており、サイズは縮小しており、不連続な分布を特徴としています。 2021。面積変化に関しては、非塩類化面積は 1996 年の 198.25 km2 から 2021 年の 1682.47 km2 に増加しました。最も塩類濃度が高い塩性土壌の面積は、1996 年の 5708.77 km2 から 2021 年の 2246.87 km2 に減少しました。ウェリガン・クチャ・オアシスの改善。

土壌の塩類化は世界の農業システムに対する脅威の1つとなっており1、気候変動に伴って塩類化の影響はより広範囲に及び、被害の度合いも増大すると予想されており、加えて塩類化の形成メカニズムは複雑である2。塩類化を制御し、土壌劣化を防止するには、塩類化の空間的および時間的分布の特徴とその進化パターンを理解することが重要です3。

土壌塩分モニタリングのための従来の実験室分析は時間と労力がかかり、塩分は時空を超えて大きく変化するため、塩分の地理的分布とその進化パターンを正確に特徴付けることは困難です4。デジタルマッピングは、コンピューターハードウェアとソフトウェアの進歩に加え、地理情報システム、全地球測位システム、遠隔センサーまたは近接センサー、膨大な量のデジタル標高モデルの作成のおかげで、土壌科学の分野で注目を集めています。データ量5、リモートセンシング衛星の出現により、塩分を検出するためのリモートセンシング技術の使用の重要性が高まっています。マイクロ波および多時間光学リモートセンシングは、地表塩分パラメータを特定するための効率的な方法です6。

光学衛星の豊富な波長帯情報を使用したモデリングと予測のために、さまざまな塩分指数が構築されています 7,8。塩分指数 (SI) を利用して塩分が発生しやすい地形を分類および分析したカーンらの例 9 のように、リモートセンシングベースの塩分指数は、不毛またはまばらな場所の地表の塩分状態に即座に応答できます。植物が生い茂る。土壌水分、植生被覆、データ収集時間などの他の要素の影響により、自然環境で純粋な塩水のスペクトル情報を取得することは非常に困難です。耐塩性植物は乾燥気候および半乾燥気候で生育するため、植生指数は塩分濃度の間接的な指標として使用されます10。 Ramos ら 7 などの多くの塩分予測研究では、野外の塩分を評価するために、キャノピー応答塩分指数 (CRSI)、強化植生指数 (EVI)、および正規化植生差指数 (NDVI) を使用しました。塩分モニタリングに広く使用されている他の指標には、土壌調整植生指数 (SAVI)、植生比率 (RVI)、分岐植生指数 (DVI)、緑植生指数 (GVI) があります 11,12。

土壌塩分の形成は多くの環境要因と高度に非線形的な関係があり、機械学習アルゴリズムは効率的なデータマイニング機能を利用して塩分研究の分野で人気があります13,14。土壌をデジタルマッピングする場合、特定の地域に最適なモデルを選択することは困難でしたが、機械学習は塩分濃度を正確に予測する際に従来の統計モデルよりも優れたパフォーマンスを発揮することが実証されています 15,16。さまざまな機械学習アルゴリズムのパフォーマンスは、線形回帰モデルと比較され、多層パーセプトロン人工ニューラルネットワーク (MLP-ANN)、多変量適応回帰スプライン (MARS)、分類、回帰木 (CART)、サポートベクター回帰 (SVR)、および RF。アンサンブル学習方法の成熟に伴い、画像分類研究では頻繁に使用されるようになりました 17 が、土壌塩分予測研究では一般的には使用されていません。塩分の影響を受ける農業地域における土壌塩分とアルカリ度の地理的変動を評価するために、数人の研究者がランダムフォレストを採用し、満足のいく結果を得ています18。塩分を予測する最近の研究では XGBoost19,20 が使用されていますが、光勾配ブースティングマシンを含む他のアンサンブル学習手法は、塩分研究の分野ではほとんど発表されていません LightGBM21。したがって、この研究では、3 つのアンサンブル学習モデルを塩分の予測とマッピングに適用して、塩分モニタリングの取り組みにおける潜在的な応用を評価しました。乾燥地域および半乾燥地域における塩分濃度の長期モニタリングは、地域の人間と土地のつながりに適切に対処し、塩分管理のガイドとして機能するため、不可欠です。膨大な量のデータにより、多時間リモートセンシングにおける情報抽出手順が困難になります。有利なことに、Google Earth Engine は、さまざまなタイプのリモートセンシングデータ 22 を含む、さまざまな地理データを含む強力なデータ処理プラットフォームを提供します。マルチスペクトルリモートセンシングの空間およびスペクトル分解能は、その広いカバー範囲と取得の容易さにより、塩分モニタリングに非常に適しています6,23。この研究では、逆転時代の塩分分布を予測する必要性と、塩分モニタリングにおける Landsat 衛星の優れた性能により、Landsat5 TM 衛星と Landsat OLI 衛星がこの研究のリモートセンシングデータソースとして選択されました 24,25。

この研究では、予測モデルをより安定させ、塩類化の空間分布に関するより正確な情報を生成するために、4 年間の実験データが集約されました。この研究の具体的な目的は次のとおりです。 (1) 土壌導電率のアンサンブル学習における RF、XGBoost、および LightGBM の予測力の評価 (2) リモートセンシングデータに基づく 1996 年、2006 年、2017 年、および 2021 年の塩分分布のデジタルマッピング最適な予測モデルを使用する。 (3) 過去 25 年間のウェリガン・クチャオアシスにおける塩類化の空間的および時間的変動の特徴。 (4) 耕地拡大と土地改良が塩分濃度に及ぼす影響について議論する。

研究対象地域は、新疆ウイグル自治区北中タリム盆地の標高901～1069メートルに位置するウェリガン・クチャ川オアシス（ウェリガン・クチャ・オアシスとしても知られる）である。面積は約9769.76km2です。ウェリガン・クチャオアシスは、その奥深い位置と海からの距離により、典型的な暖温帯大陸性乾燥気候を特徴とし、平均年間降水量と蒸発量はそれぞれ 70 mm と 1100 mm、蒸発散量比は 16:1 と高い。研究地域は大部分が砂漠、農地、草原、森林で構成されており、砂漠には塩分や乾燥に強い植物が生い茂っています。ウェリガン・クチャオアシスは全体的に平坦で、地下水面が高く、乾季が長く、蒸発が激しいです。その中で、地表には塩分が蓄積しやすいため、調査対象地域として選ばれた地域は代表的なものであり、生態環境の改善や農業生産の発展にとって大きな意味を持っています（図１）。

図 (A) は新疆の位置を示し、図 (B) は新疆の調査地域の位置を示し、図 (C) は調査地域内の各年のサンプリング地点の分布を示し、図 (D) は標高を示します。研究領域の。

ウェリガン・クチャオアシスの現地サンプリングと調査は毎年行われ、サンプリングのほとんどは毎年 7 月に行われます。サンプリングポイントの位置とサンプリングポイントの数は、既存のデジタル土壌マップ（塩分濃度マップ、土壌タイプ、土壌テクスチャ）と土地利用/被覆タイプを組み合わせて決定され、サンプリング戦略は以前のフィールド観察に基づいて変更されました。年ごとの変化を考慮して年を計算します (図 1)。各サンプリングポイントの位置はポータブル GPS を使用して記録され、土壌サンプルは実験室分析の次のステップのために透明な密封袋 (約 500 g) に詰められます。この研究では、4 年間の土壌表面 (0 ～ 10 cm) の電気伝導率 (EC) データが要約され、スクリーニングされました。現場でのサンプリング時期は 2006 年 7 月で、サンプル数は 36 でした。 2017 年 7 月、84 個のサンプル。 2018 年 7 月は 75 サンプル、2021 年 6 月は 63 サンプル。すべてのサンプルは空気乾燥、粉砕、均質化、および 0.15 mm サイズでのふるい分けを受けました。土壌 20 g ごとに 100 ml の蒸留水を加え、30 分間よく混合し、24 時間放置します。室温 25 °C で、複合電極 (TetraCon 925) を備えたデジタルマルチパラメータ測定システム (Multi 3420 Set B、WTW GmbH、ドイツ) を使用して土壌導電率を測定しました26。

環境変数の選択の鍵となるのは、共変量が土壌形成、気候、生物学、景観タイプなどの性質に応答する必要があるということです。SCORPAN フレームワークによると (S は土壌、C は気候、O は生物を表します) 、R はレリーフ、P は母材、A は年齢、N は空間を表します。）5、Landsat5 TM および Landsat8 OLI の元のバンドのそれぞれを含む、一連の環境要因が選択され、さまざまな指数が導出されています。リモートセンシング（植生指数、塩分指数）、標高データ、およびそれらから派生した指数（地形水分指数、TWIなど）から。

この研究では、リモートセンシングベースのインデックス抽出が Google Earth Engine クラウドプラットフォームで実行されました。 2006 年 7 月 22 日の Landsat5 TM 画像と、2017 年 7 月 4 日、2018 年 7 月 23 日、2021 年 7 月 15 日の Landsat8 OLI 画像が選択され、サンプリング時刻と一致し、曇りが 10% 未満であることが選択されました。リモートセンシングベースの環境変数には、6 つの生バンド、12 の植生指数、9 つの塩分指数、1 つの炭酸塩指数、および 1 つの明るさ指数が含まれます (表 1)。

この研究では、Geospatial Data Cloud (http://www.gscloud.cn/) からの解像度 30 m の DEM データを使用して 11 の地形インデックスが生成され、SAGA GIS ソフトウェアを使用して切り取られ、つなぎ合わされました (表 2)。 Vermeulen と Van Niekerk の結果 41 は、標高データとそこから派生した地形指標を地球統計および機械学習の入力変数として使用すると、塩分予測から灌漑地域の塩類蓄積の監視に大きな可能性があることを示しました。

Breiman によって開発された Random Forest42 は、ツリーベースのバギング (ブートストラップ集計)43 に基づく人気のあるアンサンブル学習アルゴリズムです。これには、非線形マイニング機能、いかなる仮定にも従う必要のないデータ分散、両方のランクの処理を備えているという利点があります。連続変数、過学習の防止、高速トレーニング、変数の寄与の定量的記述。 RF は、変数選択を強化するバギングの改善です 44。各ノードですべての特性の中から最適な分割を選択する代わりに、RF は特徴のサブセットをランダムに選択して分割を決定します。これにより、RF はノイズに対する耐性が高まり、オーバーフィッティングが起こりにくくなります。さらに、RF は外れ値を非常にうまく処理できます 45。ランダムフォレストモデルにより、トリミングされることなくデシジョンツリーが可能な限り大きく成長できるようにするツリーと予測変数の数が、その重要な要素となります。この研究で変更された主なハイパーパラメータは、フォレスト内の木の数と、各リーフノードで分割されると考えられるフィーチャの数です 46。この作業では、オープンソースの機械学習パッケージ Scikit-learn を使用して RF モード 47 を作成しました。

Extreme Gradient Boosting (XGBoost) は人気のあるブースティングベースのアンサンブル機械学習アルゴリズム 48 であり、このアルゴリズムは Kaggle 信号認識コンテストで使用され、その優れた効率と高い予測精度で多くの注目を集めています 49。バギングとは対照的に、ブースティングは新しいツリーを統合に連続的に追加する反復手法であり、前のツリーによって誤って予測されたサンプルには後続のツリーでより高い重みが与えられます。多数の重要な体系的およびアルゴリズムの機能強化のおかげで、勾配ブースティングフレームワークが XGBoost49、50 に効果的かつ柔軟に実装されています。勾配ブースティングツリーの数 (n_ estimators)、学習率 (eta)、ツリーの最大深さ (max_ Depth)、およびサブサンプル比のレベルごとの列は、XGBoost によって調整される重要なハイパーパラメーターの一部です。 XGBoost モデルをトレーニングするには、オープンソースの Scikit-Learn ソフトウェアが利用されます。

Light Gradient Boosting Machine (LightGBM) は、Microsoft DMTK チームによってオープンソース化されたブースティングデシジョンツリーツールである GBDT (Gradient Boosting Decision Tree) アルゴリズム 51 のアイデアを実装したフレームワークであり、トレーニング速度が速く、メモリ使用量が大幅に削減されます。トレーニングが高速化され、モデルの精度も向上します。 LightGBM は、従来の GBDT アルゴリズムに対して次の最適化を実行します: 勾配ベースの片側サンプリング (GOSS) と排他的機能バンドル (EFB)51。 GOSS は、統合でベースツリーを構築するためのトレーニングセットを作成するために使用されるサブサンプリング手法であり、サンプルからより大きな勾配を持つデータを選択して計算された情報ゲインへの寄与を高め、EFB は特定のデータ特徴をマージしてデータの次元を削減します52。一般に、予測精度はハイパーパラメータに大きく影響されます53。したがって、LightGBM を採用する前に、まずそのハイパーパラメータの数とその範囲が変化する可能性があることを把握する必要があります。葉の数、学習率、最大深度が重要な要素です。

この実験では、上記の 3 つのモデルが、Python 3.9.7 プログラミング言語に基づいた Spyder プラットフォームで実行されました。

モデルアプリケーションの有効性は、モデルパラメーターの選択によって異なります。統計分析と機械学習の分野では、モデルの一般化可能性を評価するために K フォールド相互検証法がよく使用されます。グリッド検索手法は、パラメータの値を指定する網羅的な検索手法であり、Scikit-GridSearchCV によって実行され、各パラメータの可能な値を並べて組み合わせ、存在する可能性のあるすべての組み合わせをリストし、相互検証を実行します。最良の学習アルゴリズムを得るために推定関数のパラメータを最適化する54。二乗平均平方根誤差 (RMSE) の最小値は、モデルパラメーターの選択基準として使用されます。この実験では、次のように K の値が 5 であると仮定します。

データセットをトレーニングセット、テストセット、およびトレーニングセットデータの K 分割分割に分割します。

ランダムフォレストを例としてモデルの各パラメータの範囲を決定し、決定木の数 m と深さ h を決定します。パラメータの組み合わせは、m を持つ 2 次元グリッドの交差ノードであり、水平軸と垂直軸を持ちます。

トレーニングセットから任意の K-1 データを選択し、クロスノードパラメーターのセットを選択し、すべての K-1 データのサンプルを使用して 1 つの決定木を作成し、最後の 1 データを予測し、平均二乗平均平方根誤差を計算します。最後の 1 つのトレーニングサンプルのすべてのツリー。

データの K-1 個のコピーをスキャンするまで、上記の 2 つの手順を繰り返します。

グリッドのすべてのクロスオーバーノードのパラメーターの組み合わせを繰り返します。 6.

ステップ 3 ～ 5 を繰り返し、相互検証を使用してテストデータセット内のモデルのパフォーマンスを計算します。 (表3)はグリッドサーチにより最適化されたモデルパラメータの組み合わせを示しています。

この研究では、RF、XGBoost、および Lightgbm のパフォーマンスを評価するために、決定係数 R2、二乗平均平方根誤差 (RMSE)、および四分位間距離に対するパフォーマンス (RPIQ) が使用されます。 R2 が 1 に近いほど、より正確なモデルが適合されます。数値が 0 に近づくほど、モデルの測定値と予測値の差が小さくなり、モデルの将来予測能力が高くなります。 RMSE の値はモデルの精度に反比例します。 RPIQ は RMSE 比に対する四分位範囲であり、四分位範囲はサンプル値の 75 ～ 25% の差です。一般に、RPIQ < 1.7 はモデル予測の信頼性が低いことを意味し、1.7 ≤ RPIQ ≤ 2.2 はある程度バランスのとれた予測能力を示し、RPIQ ≥ 2.2 は非常に強力な予測能力を示すと考えられています。 RPIQ は、特に異常な分布を持つ土壌サンプルの場合、性能対偏差比 (RPD) と比較した場合、より合理的かつ客観的な尺度です 55,56。式 (1) ～ (3) は、これらのモデル評価指標の式を示しています。

ここで、N はサンプル数、Xi は EC 測定値、Yi は計算値、Xi* は EC 測定値の平均値、Yi* は土壌 EC 推定値、SD は標準偏差、ΔQ は四分位数を表します。距離 (IQR)。上位四分位 (Q3) と下位四分位 (Q1) の差です。

この実験の流れを(図2)に示します。 Google Earth Engine クラウドプラットフォームを使用して、サンプリング時間に対応するリモートセンシングベースの環境変数を計算して取得し、土壌 EC 予測モデルを確立しました。サンプリング時期は主に 7 月に集中しているため、最適モデルに基づいて 1996 年、2006 年、2017 年、2021 年の各年 7 月の土壌 EC の空間分布図を取得します（リモートセンシングデータは 6 月 24 日を選択しています。 (1996 年 7 月のリモートセンシング画像は曇りすぎてマッピング要件を満たすことができません)、このステップは、GDAL、Pandas、およびその他のライブラリの助けを借りて Spyder 開発環境を使用してマッピングを完了することによって実行されます。

フローチャート。

この実験では、サンプルデータから外れ値を除去した後、258 個の土壌 EC サンプルの最終データが得られました。統計分析に続いて、土壌の電気伝導率 (EC) の最小値、最大値、平均値、標準偏差、変動係数、尖度、および歪度が決定されました (表 4)。

ウェリガン・クカオアシスの土壌 EC 値は 0.079 dS m-1 から 143.4 dS m-1 の範囲であり、サンプルのスパンが高いことを示しています。歪度 1.37 は 0 よりもはるかに高く、サンプルデータが正規分布に従っていないことを示します。標準偏差は 33.2 dS m−1 で、変動係数は 1.19 で、1 より大きく、強い変動性に属します。これは、土壌の高い空間変動性を示す Wang らの研究 40 と一致しています。ウェリガン - クチャオアシス地域の EC 値。

土壌塩分モニタリングのモデル化では、すべての環境変数がモデル化に関与しているわけではなく、EC 予測への寄与度に差がある40ため、環境変数をスクリーニングする必要があります。サンプル EC 値の統計分析に基づくと、歪度は 1.47 (表 4) であったため、環境変数と土壌 EC 値の関係の分析にはスピアマン相関分析が使用されました。この研究では、最初に 38 個の環境変数 (元のバンド、植生指数、塩分指数、地形指数など) が選択され、スピアマン相関分析の後、31 個の環境変数が選択され、残りの関連変数には有意な相関はありませんでした (表 5) ）。

リモートセンシングの生バンドのうち、土壌 EC との相関は、NIR (R = − 0.610)、SWIR2 (R = 0.423)、Red (R = 0.372)、SWIR1 (R = 0.3)、Green (R = 0.246) でした。降順で。塩分モニタリングの直接的な指標としての塩分指数57は、土壌ECと良好な相関関係を示し、選択された9つの塩分指数すべてがEC値と有意に相関し、相関係数は最大0.531でした(SIA、SIB、SIT、SAIOはすべて塩分指数であり、は異なる波形の異なる組み合わせです）、植生指数と土壌 EC 値の相関関係は降順で、GARI (R = − 0.626)、EVI (R = − 0.596)、DVI (R = − 0.572)、GDVI (R = − 0.541)、OSAVI (R = − 0.541)、RVI (R = − 0.534)、NDVI (R = − 0.533)、SAVI (R = − 0.550)、CRSI (R = − 0.506)、GRVI (− 0.469)、 GNDVI (R = − 0.468) より、植生指数は塩分モニタリングの間接指標として優れた指標であることがわかります。 NDVI と比較して、SAVI は植生シグナルを増加させ、土壌バックグラウンドを減少させるため、土壌 EC と強い相関関係があります (R = − 0.55)。さらに、OSAVI は SAVI と同じ相関関係を持ちますが、OSAVI は複雑な計算を回避します。土壌ベースラインパラメータ。地形相関係数の中で、最も高い相関は DEM (R = − 0.463)、次に CND (R = − 0.175)、最後に RSP (R = − 0.174) です。地形と EC の指数との相関が低いことは、ウェリガン・クチャオアシスの全体的な平坦さによって説明されます。最後に、炭酸塩指数 CAEX は、研究地域の土壌特性によって決定される土壌 EC 値と有意な相関関係がありました (R = 0.612)。

異なる環境要因は、予測モデルにおける土壌 EC への予測寄与度が異なり、すべての環境要因がモデリングにおいて重要な変数であるわけではないため 58、そのため、環境変数の重要性をランク付けする必要があり、この研究では、それぞれの環境要因を使用して特徴の重要性をランク付けします。 3 つのモデル自体を分析し、3 つのモデル内の変数の寄与の違いを観察します。

図 3、4、5 は、特徴選択のための 3 つのモデルの結果を示しています。変数の寄与度は異なりますが、3 つのモデルすべてで個々の変数が高い寄与を示し、植生指数のうち、ほとんどの変数が概してよく寄与しています。 CRSI が最も安定しており、3 つのモデルすべてで高い寄与を示しており、Scudiero ら 34 および Wu ら 59 と一致して、GARI は RF に関与するすべての環境変数の中で最も優れたパフォーマンスを示しました。リモートセンシングのプリミティブバンドはモデリングへの参加において極めて重要であり、関連する学者の研究では、各バンドと塩分土壌との関係が詳細に分析され、土壌中の塩分が多いほど、すべてのTMスペクトルバンドの反射率が高くなります59。 CaCO3、CaSO4・2H2O、および石膏砂の分光反射率が実験室で分析された結果、塩鉱物は土壌の主成分である場合に検出できると結論付けられました60。モデリングに含まれる原始的なバンドの中で、特に NIR バンドが際立っています。ランダムフォレストモデリングプロセスへの参加では、GARI に次いで 2 番目に貢献しています。塩分指数は、植生がまばらな地域における直接的な指標として際立っており、この研究では、SIA は 3 つの予測モデル全体での寄与という点で一貫したパフォーマンスを示しました。塩分指数は、塩分によって影響を受ける土壌特性のほとんどを統合しており、また、景観スケールで土壌塩分を防ぐための大規模調査を行う場合にも、塩分指数は非常に費用対効果が高くなります57。

RFの特性重要度図。

XGBoostの特性重要度図。

LightGBMの特性重要度図。

この実験では、モデルの検証に、データセットをトレーニングセットとテストセットにスライスする検証アプローチ、および相互検証アプローチ (表 6、図 6) の 2 つのアプローチが使用されており、XGBoost の R2 値がはトレーニングセットとテストセットの両方で 3 つのモデルの中で最も高く、それぞれ 0.84、0.73 であり、RMSE 値もトレーニングセットとテストセットでそれぞれ最も低く、それぞれ 13.57 dS m−1、17.62 dS m−1 でした。 RPIQ 値も最も高く、トレーニングセットでは 3.32、テストセットでは 2.45 でした。 RPIQ ≥ 2.2 の場合、モデルが優れた予測を達成していることを意味し、テストセット内の RF モデルと LightGBM モデルのパフォーマンス (それぞれ 2.39 と 2.32) と比較して、XGBoost は優れた予測能力を持っています。同様に、XGBoost は、10 倍の相互検証後の 3 つのモデルで 19.9 dS m−1 という最低の RMSE 値を示します。したがって、XGBoost は塩分濃度の空間分布のデジタルマッピングの最適なモデルとして使用されます。

3 つのモデルの測定および予測された回帰分析。

研究地域では、さらなる分析と視覚化のために、すべての土壌サンプルが頻繁に使用される土壌塩分分類法によって 6 つのグループに分類され 61 (表 7)、1996 年 8 月 11 日のウェリガン・クチャオアシスにおける土壌塩分濃度の空間分布が示されました。選択された最適モデルと対応する最適変数を使用して、2006 年 7 月 22 日、2017 年 7 月 4 日、および 2021 年 7 月 15 日が反転されました (図 7)。再分類後の塩分空間分布図の精度をさらに検証するために、この実験では 2017 年と 2021 年のサンプル点を検証セットとして使用し、混同行列とカッパ係数 (図 7)、およびカッパ係数を使用して精度を検証しました。は 0.71 として得られ、塩分マップが高い一貫性を持っていることを示しています。

混同行列の検証。

(図 8) によると、ウェリガン・クチャオアシスにおける塩類化の空間分布は、西と北で良好、東と南で厳しいという分布特性を示しています。ウェリガン・クチャ・オアシスにおける中等度以下の塩分濃度は、ウェリガン・クチャ・オアシスの西と北に分布しており、良好な灌漑条件を備えたオアシス地域であり（図 1）、主な地形タイプは耕地であり、地形は以下のとおりである。比較的高く、浸水しにくく、植生が比較的高い。耕作可能な土地の空間的範囲の拡大に伴い、軽度の塩類化とそれ以下の地域も、対応する南、南西、南東への放射状の変化を示し、空間的により連続的になります。 2021年までに、ウェリガン・クチャオアシスの西端と南端では、非常に激しい塩害が軽い塩害に変わり、東部と北東部では空間的に不連続な新たな耕地が出現し、穏やかな塩害も散発的な形となった。空間分布。

1996年、2006年、2017年、2021年の土壌塩類化の空間分布。

1996 年には、主にウェリガン・クチャオアシスの北部に重度の塩分化が分布していましたが、2006 年までにこの地域の塩分化は改善し、徐々に東と南に移動し、2021 年までに南東に発展しました。 25 年にわたる重度および非常に重度の塩類化は、ウェリガン・クチャオアシスの南東低く北西高い地形と密接に関連しています (図 1)。

塩分化度が最も高い塩性土壌の最も顕著な空間分布と進化的特徴は、1996 年には主にウェリガン・クチャオアシスの南西端と東部の砂漠地帯の大部分に分布し、重度、極度などのクラスに移行しました。 2017 年には深刻でしたが、特に東部の砂漠地帯では 2021 年までに大幅に改善しました。長年にわたる現地調査に基づいて、ウェリガン・クチャ・オアシスの東部には塩性植物がまばらに生えているのに対し、この地域の南東部には森林がまばらにあることが判明しました。東部地域で植生保護の取り組みが強化された結果、植生被覆率が大幅に増加し、それに応じて地表水の蒸発が減少し、地表での塩分の蓄積速度が減少しました。

(図 9) に示すように、ウェリガン・クチャオアシスの非塩類化面積は 1996 年には 198.25 km2、2021 年には 1682.47 km2 で、748.6% 増加しました。軽度の塩類化は、1996 年には 346.78 km2 であり、それ以来年々増加し、2021 年には 1441.29 km2 となり、1996 年と比較して 315.6% 増加しました。中程度の塩類化は 1996 年から 2006 年まで安定しており、2017 年までに大幅に増加し、2021 年までに 1062.26 km2 となり、1996 年と比較して 134.8% 増加しました。重度の塩類化は、1996 年には 431.26 km2、2021 年には 838.132 km2 でした。非常に激しい塩類化は 1996 年から 2021 年まで比較的安定しており、2021 年までにその面積は 2498.74 km2 になります。塩性土壌の面積は、1996 年には 5708.77 km2 でしたが、2006 年には 5168.7 km2 に減少しました。その後さらに減少し、2017 年には 794.48 km2、2021 年には 2246.87 km2 となり、1996 年と比較して 60.6% 減少しました。上記の統計分析: 過去 25 年間で、非塩化、軽塩化、および中程度の塩化地域はさらに増加し、塩性土壌面積はさらに減少し、重塩化および非常に重塩化は変化が少なく安定したままであったため、改善が見られました。ウェリガン・クチャオアシスにおける土壌塩類化の研究。

さまざまなレベルの塩類添加の分野における傾向。

さまざまなマルチスペクトルセンサーは、地上モニタリングのために地面の分光反射率特性に依存しています62。分光反射率は塩分濃度のレベルによって異なり、多くの場合、塩分濃度の高い地域では地表に白い塩の地殻が付着しています。塩類化が進むほど、各バンドの分光反射率もそれに応じて増加します13。したがって、生のバンドまたはリモートセンシングの派生スペクトルインデックスを使用して塩類化を監視することが可能になります。塩分モニタリングに関するこれまでの研究では、土壌塩分を推定するために塩分指数を直接使用する63、植生指数を使用して土壌塩分を間接的に推定する64、または複数の環境変数を組み合わせて比較を予測するためにそれらをグループ化する58など、環境変数の選択は多様でした。

この研究の目的は、ウェリガン・クチャオアシスにおける塩類化の空間分布を年ごとにマッピングし、さまざまな段階での塩類化地域の変化傾向を分析することです。したがって、異なる年のサンプリング時期と一致できるリモートセンシングデータが選択され、リモートセンシング画像からの環境変数の抽出に基づいて安定した土壌EC予測モデルが確立され、塩類化の空間分布の目標を達成することができます。現実的かつ正確にマッピングし、塩類化管理と水資源管理のためのデータ参照を提供します。この調査地域での最も初期のデータ収集は 2006 年に開始されたため、このモデリングでは、利用可能な実験室データを最大限に活用して、2006 年、2017 年、2018 年、および 2021 年のサンプルデータがモデリング用にアンサンブルされました。この研究では、高速オンライン計算処理のために Google Earth Engine プラットフォームを利用しています。したがって、Google Earth Engine が提供するリモートセンシングクラウドプラットフォームは、長期間のリモートセンシングデータを使用する環境モニタリング研究にとって優れた選択肢となります。

ウェリガン・クチャオアシスにおける塩水の塩類化の分布は、明確な地域的特徴を示しています。最も塩害の影響を受けるウェリガン・クチャオアシスの南東部と東部では、非常に重度かつ高程度の塩害が分布しており、空間的・時間的進化の特徴が明らかである。ウェリガン・クカオアシスの他の地域と比べて標高が低いため (図 1D)、この地域に高濃度の塩が分布することが可能です 40。長年にわたる現地調査とサンプリングの結果、この地域には季節的な洪水がよく集まり、Ding 氏と Yu4 氏によると、この地域の表面に蓄積した塩分が外部に排出されず、塩類化の管理がより困難になっていることが判明しました。さらに、この地域は砂質土壌が大半を占めており、乾季には水が蒸発して塩分が地表に堆積しやすくなります4。地方政府が砂漠の植生保護を強化し、砂漠の植生がまばらな地域にアルカリ排水路を建設して季節的な水浸しを軽減したため、25 年間でウェリガン・クチャオアシス東部の塩類化が大幅に改善されました。その結果、植生範囲とその地域がカバーする面積は徐々に増加し、その結果、この地域の非常に激しい塩類化の地域は近年減少しました。

ウェリガン・クチャオアシス周縁地域の南東部では、重度かつ高グレードの塩類化が分布しており、過去 25 年間、個々の地域で大幅に改善されていない。これは、調査地域の経済が灌漑農業と地表農業によって支配されているためである。灌漑は一般的な灌漑方法であり、ウェリガン・クチャオアシス内の土壌中の塩分は地表灌漑水を通じて下流に運ばれ、下流の地表に塩が堆積し、最終的に塩類化の形成が強化されます。これが塩類化の理由です。オアシスの内側よりもオアシスの端の方が高い4。

オアシス内部には中程度以下の塩類が分布している。調査地域の経済は灌漑農業に基づいているため、特に調査地域の西部および南西部地域ではこの経済活動への依存度が高く、この地域における穏やかな塩類化の形成は農業灌漑と強く関連しています。地域の耕作地の灌漑は、以前の地表灌漑から点滴灌漑に徐々に変化しており、その地域の塩類化がさらに悪化する可能性があります。オアシス内の塩類化の空間的および時間的進化も、耕地面積の拡大により 25 年間でより顕著になり、特に調査地域の南西部と北東部では、1996 年と比較して 2021 年までに大幅に増加します。したがって、作物の健全な生存を確保するために、作物の健全な生存を確保するために、植え付け前に土地からアルカリが排出されます。さらに、地方自治体が乾燥地や不毛地を整地する総合的な土地改良事業を実施しているため、耕地面積の塩類化は一貫している傾向があり、重質以上の塩類化の面積は減少し、細分化されている。支線運河と野支線の改修と補強。特に2018年以来、地方政府は高規格農地の建設を実施し、より平坦で連続した土地にし、より良い農業施設、より肥沃な土地、そしてより良い土地を作りました。災害耐性。研究結果は、人間の活動が塩類化の悪化と管理に影響を与える主要な要因であることを示しており58、その鍵は人間が土地と水資源を破壊するか保護するかにあり、一帯一路の中核分野として重点を置くべきである。生態環境の保護は重要であり、その出発点は乾燥地域における塩類化の管理であるべきです。水資源の不合理な使用は土壌の塩分濃度に関係している65ので、将来的にはウェリガン・クカ・オアシスの植栽パターンとより経済的で効率的な灌漑方法について議論する必要がある。政府が近年、河川の無謀な転用を厳しく規制する河川長制度の導入など、水資源管理においてより厳格になっていることは喜ばしいことである。灌漑地域における給水所長制度の導入により、灌漑用水資源のより正確かつ効率的な管理が可能となる。森林の保護を強化する森林長制度の導入。これらの対策により、ウェリガン・クチャオアシスの塩類化は改善されました。

この研究では、アンサンブル学習法と Google Earth Engine クラウドプラットフォームの助けを借りて、複数年にわたるフィールド収集データとマルチソースデータを使用して、1996 年、2006 年、2017 年、2021 年の塩分空間分布のデジタルマッピングを完成させ、空間分析を行いました。ウェリガン・クチャオアシスの塩分濃度の時間的進化特性と推進要因を検討し、次の結論を導き出します。

RF、XGBoost、LightGBM の 3 つのアンサンブル学習モデルのうち、XGBoost のテストセットにおける RMSE は 17.62 dS m−1、R2 は 0.73、RPIQ は 2.45 であり、他の 2 つのモデルと比較して予測精度が高かった。 XGBoost を使用して、より正確な塩類化分布マップが取得されました。

調査地域の塩類化は、一般に西と北で良好、東と南で厳しい分布特性を示します。中程度以下の塩分濃度は、良好な灌漑条件とスムーズな排水を備えたオアシス地域に分布しています。そして、重度以上の塩類化は主に東部と南東部の砂漠地帯に分布しています。

調査地域における塩類化の空間的および時間的変化は、過去 25 年間で大きく変化しており、耕地面積の増加と耕地の効果的な修復計画に伴い、非塩類化と軽度の塩類化が東と南西の空間分布で拡大しています。重度以上の塩害の分布域はさらに大幅に縮小した。

現在の研究中に生成および分析されたデータセットは、合理的な要求に応じて責任著者から入手できます。

Singh、A. 持続可能な開発のための土壌塩類化管理: レビュー。Ｊ．Ｅｎｖｉｒｏｎ．管理。 277、111383 (2021)。

記事 CAS Google Scholar

Hassani, A.、Azapagic, A. & Shokri, N. 21 世紀の気候変動下における一次土壌塩類化の世界的予測。ナット。共通。 12、6663。https://doi.org/10.1038/s41467-021-26907-3 (2021)。

論文 ADS CAS PubMed PubMed Central Google Scholar

Hassani, A.、Azapagic, A. & Shokri, N. 地球規模での土壌の塩分濃度と塩分濃度の長期動態を予測。手順国立アカド。科学。 USA 117、33017–33027。 https://doi.org/10.1073/pnas.2013771117 (2020)。

論文 ADS CAS PubMed PubMed Central Google Scholar

Ding, J. & Yu, D. リモートセンシングと電磁誘導機器を使用して、中国のウェリガン・クチャオアシスにおける乾季と雨季の土壌塩分の空間変動を監視および評価。地皮 235–236、316–322。 https://doi.org/10.1016/j.geoderma.2014.07.028 (2014)。

記事 ADS Google Scholar

McBratney, AB、Mendonça Santos, ML、Minasny, B. デジタル土壌マッピングについて。地皮 117、3–52。 https://doi.org/10.1016/s0016-7061(03)00223-4 (2003)。

記事 ADS Google Scholar

メッテルニヒト、GI、ジンク、JA 土壌塩分のリモートセンシング: 可能性と制約。遠隔感覚環境。 85、1-20。 https://doi.org/10.1016/s0034-4257(02)00188-8 (2003)。

記事 ADS Google Scholar

ラモス、TB 他 Sentinel-2 マルチスペクトルデータから得られた植生指数を使用した土壌塩分評価。レジーリア・グランデ・ポルトガルへの申請。農業用水管理 241、106387。https://doi.org/10.1016/j.agwat.2020.106387 (2020)。

記事 Google Scholar

Wang、J.ら。中国の乾燥地帯における Sentinel-2 MSI の機械学習アルゴリズムを使用した土壌塩分マッピング。 Remote Sens. 13(2), 305. https://doi.org/10.3390/rs13020305 (2021)。

記事 ADS Google Scholar

Khan, NM、Rastoskuev, VV、Sato, Y. & 塩沢, S. リモートセンシング指標のシンプルなアプローチを使用した塩水による土地劣化の評価。農業。水道管理。 77、96–109 (2005)。

記事 Google Scholar

Zhao, W.、Zhou, C.、Zhou, C.、Ma, H. & Wang, Z. UAV マルチスペクトルリモートセンシングに基づく乾燥地帯のオアシスの土壌塩分逆転モデル。リモートセンズ 14、1804 (2022)。

記事 ADS Google Scholar

Allbed, A. & Kumar, L. リモートセンシング技術を使用した乾燥地域および半乾燥地域の土壌塩分マッピングとモニタリング: レビュー。上級リモートセンズ 02、373–385。 https://doi.org/10.4236/ars.2013.24040 (2013)。

記事 Google Scholar

Peng, J. et al. 中国新疆省南部のリモートセンシングと地形データから土壌塩分を推定。地皮 337、1309 ～ 1319 年。 https://doi.org/10.1016/j.geoderma.2018.08.006 (2019)。

記事 ADS Google Scholar

Wang、J.ら。中国北西部の乾燥した砂漠地帯における土壌塩分の機械学習ベースの検出: Landsat-8 OLI と Sentinel-2 MSI の比較。 Sci Total Environ 707、136092。https://doi.org/10.1016/j.scitotenv.2019.136092 (2020)。

論文 ADS CAS PubMed Google Scholar

ホア、PV 他 SAR Sentinel-1 データと高度な機械学習アルゴリズムを使用した土壌塩分マッピング: メコン川デルタのベンチェ県 (ベトナム) でのケーススタディ。 Remote Sens. 11、128 (2019)。

記事 ADS Google Scholar

Zhou, T.、Geng, Y.、Chen, J.、Pan, J. & Lausch, A. DEM 誘導体、Sentinel-1 および Sentinel-2 データを使用した土壌有機炭素と土壌全窒素の高解像度デジタルマッピング機械学習アルゴリズムについて。科学。トータル環境。 729、138244 (2020)。

論文 ADS CAS PubMed Google Scholar

Lu, H.、Yang, L.、Fan, Y.、Qian, X.、Liu, T. 機械学習を使用した、太湖の水中の全窒素とリンの濃度の新しいシミュレーション。環境。解像度 204、111940 (2022)。

論文 CAS PubMed Google Scholar

Zhang, E.、Zhang, X.、Jiao, L.、Li, L.、Hou, B. 結合スパース表現によるスペクトル - 空間ハイパースペクトル画像アンサンブル分類。パターン認識。 59、42–54 (2016)。

記事 ADS Google Scholar

ナビオラヒ、K.ら。デジタル土壌マッピングとハイブリッドランダムフォレストを使用して、塩害を受けた農地を評価します。 Geoderma 385、114858。https://doi.org/10.1016/j.geoderma.2020.114858 (2021)。

記事 ADS Google Scholar

アベディ、F.ら。イラン南部のソルトドーム関連の土壌塩分濃度: 平均化機械学習モデルによる予測とマッピング。土地劣化。開発者 32、1540–1554。 https://doi.org/10.1002/ldr.3811 (2020)。

記事 Google Scholar

Qi, G.、Chang, C.、Yang, W. & Zhao, G. 沿岸綿花栽培地域における土壌塩分逆転: 衛星と地上のスペクトル融合と衛星と UAV のコラボレーションの統合方法。土地劣化。開発者 https://doi.org/10.1002/ldr.4287 (2022)。

記事 Google Scholar

Jafarzadeh, H.、Mahdianpari, M.、Gill, E.、Mohammadimanesh, F. & Homayouni, S. マルチスペクトル、ハイパースペクトル、および PolSAR データを分類するためのアンサンブル分類器のバギングとブースティング: 比較評価。 Remote Sens. 13, 4405. https://doi.org/10.3390/rs13214405 (2021)。

記事 ADS Google Scholar

イヴシュキン、K.ら。土壌塩分濃度変化のグローバルマッピング。遠隔感覚環境。 231、111260。https://doi.org/10.1016/j.rse.2019.111260 (2019)。

記事 ADS Google Scholar

Moreira, LCJ、Teixeira, ADS & Galvão, LS ブラジルの塩分にさらされた土壌を検出するためのマルチスペクトルおよびハイパースペクトルデータの可能性。 GISci。リモートセンシティブ 52、416–436。 https://doi.org/10.1080/15481603.2015.1040227 (2015)。

記事 Google Scholar

Gorji, T.、Yildirim, A.、Hamzehpour, N.、Tanik, A. & Sertel, E. Landsat-8 OLI および Sentinel-2A ベースのスペクトルインデックスと電気伝導率測定を使用した、ウルミア湖流域の土壌塩分分析。エコル。指示します。 112、106173。https://doi.org/10.1016/j.ecolind.2020.106173 (2020)。

記事 Google Scholar

Masoud, AA、Koike, K.、Atwia, MG、El-Horiny, MM & Gemail, KS Landsat 8 OLI 画像のスペクトル混合分析を使用して土壌塩分濃度をマッピングし、乾燥地域の塩分化に影響を与える要因を特定します。内部。Ｊ．Ａｐｐｌ．地球観測。地理情報。 83、101944。https://doi.org/10.1016/j.jag.2019.101944 (2019)。

記事 Google Scholar

Wang、J.ら。新疆ウイグル自治区エビヌール湖地域における乾季と雨季の土壌塩分濃度のモニタリングとマッピングのためのセンチネル 2 MSI データの機能。中国。地皮 353、172–187。 https://doi.org/10.1016/j.geoderma.2019.06.040 (2019)。

記事 ADS CAS Google Scholar

Carlson, TN & Ripley, DA NDVI、植生被覆率、葉面積指数の関係について。遠隔感覚環境。 62、241–252 (1997)。

記事 ADS Google Scholar

Gitelson、AA & Merzlyak、MN 高等植物の葉のクロロフィル濃度のリモートセンシング。上級スペース解像度 22、689–692 (1998)。

記事 ADS CAS Google Scholar

植生を監視するための Tucker、CJ Red、および写真赤外線線形組み合わせ。遠隔感覚環境。 8、127–150 (1979)。

記事 ADS Google Scholar

Rondeaux, G.、Steven, M.、Baret, F. 土壌調整植生指数の最適化。遠隔感覚環境。 55、95–107 (1996)。

記事 ADS Google Scholar

Birth、GS および McVey、GR 反射分光光度計を使用した生育中の芝の色の測定 1. アグロン。 J. 60、640–643 (1968)。

記事 Google Scholar

アーカンソー州フエテ土壌調整植生指数 (SAVI)。遠隔感覚環境。 25、295–309 (1988)。

記事 ADS Google Scholar

Taghizadeh-Mehrjardi, R.、Minasny, B.、Sarmadian, F. & Malone, BP イラン中部、アルダカン地域の土壌塩分濃度のデジタルマッピング。地皮 213、15–28。 https://doi.org/10.1016/j.geoderma.2013.07.020 (2014)。

記事 ADS CAS Google Scholar

Scudiero, E.、Skaggs, TH & Corwin, DL Landsat ETM + キャノピー反射率を使用した地域規模の土壌塩分評価。遠隔感覚環境。 169、335–343。 https://doi.org/10.1016/j.rse.2015.08.026 (2015)。

記事 ADS Google Scholar

ジョーダン、CF 林床の光の質から葉面積指数を導出。エコロジー 50、663–666 (1969)。

記事 Google Scholar

Jiang, Z.、Huete, AR、Didan, K.、Miura, T. 青いバンドのない 2 バンドの強化された植生指数の開発。遠隔感覚環境。 112、3833–3845 (2008)。

記事 ADS Google Scholar

Gitelson, AA、Kaufman, YJ & Merzlyak, MN EOS-MODIS による地球規模の植生のリモートセンシングにおけるグリーンチャネルの使用。遠隔感覚環境。 58、289–298 (1996)。

記事 ADS Google Scholar

Shi、C.ら。新疆石河子の農業地帯における土壌塩分の定量的反転とその空間パターンの分析。地理。解像度 33、2135–2144 (2015)。

Google スカラー

Allbed, A.、Kumar, L. & Aldakheel, YY IKONOS の高空間解像度画像から得られた土壌塩分と植生指数を使用した土壌塩分評価: ナツメヤシが優勢な地域での応用。地皮 230–231、1–8。 https://doi.org/10.1016/j.geoderma.2014.03.025 (2014)。

記事 ADS Google Scholar

Wang, F.、Shi, Z.、Biswas, A.、Yang, S. & Ding, J. 土壌塩分を予測するためのマルチアルゴリズムの比較。 Geoderma 365、114211。https://doi.org/10.1016/j.geoderma.2020.114211 (2020)。

記事 ADS CAS Google Scholar

Vermeulen, D. & Van Niekerk, A. 地形計測共変量のさまざまな組み合わせを使用して土壌塩分を予測するための機械学習パフォーマンス。地皮 299、1-12。 https://doi.org/10.1016/j.geoderma.2017.03.013 (2017)。

記事 ADS Google Scholar

ブライマン、L. 機械学習。マッハ。学ぶ。 45、5–32 (2001)。

記事 Google Scholar

チェン、S.ら。まばらな土壌データと環境共変量と汚染に対するその影響のハイブリッドモデリングによって作成された、中国の土壌 pH の高解像度マップ。科学。トータル環境。 655、273–283 (2019)。

論文 ADS CAS PubMed Google Scholar

Altman, N. & Krzywinski, M. アンサンブル手法: バギングとランダムフォレスト。ナット。方法 14、933–935 (2017)。

記事 CAS Google Scholar

Guan, Y.、Grote, K.、Schott, J. & Leverett, K. UAV マルチスペクトルおよび地上結合地球物理データを使用したランダムフォレスト法を使用した土壌水分含有量と電気伝導率の予測。リモートセンズ 14、1023 (2022)。

記事 ADS Google Scholar

ブライマン、L. ランダムフォレスト。マッハ。学ぶ。 45、5–32 (2001)。

記事 MATH Google Scholar

ペドレゴサ、F.ら。 Scikit-learn: Python での機械学習。 J.マッハ。学ぶ。解像度 12、2825–2830 (2011)。

MathSciNet MATH Google Scholar

Zhang, Y.、Liang, S.、Zhu, Z.、Ma, H. & He, T. アンサンブル学習を使用した Landsat 8 データからの土壌水分含有量の取得。 ISPRS J. フォトグラム。リモート。上院議員 185、32–47。 https://doi.org/10.1016/j.isprsjprs.2022.01.005 (2022)。

記事 ADS Google Scholar

第22回ACM SIGKDD国際会議におけるChen, T.とGuestrin, C.

Friedman, JH Greedy 関数近似: 勾配ブースティングマシン.. Ann. 統計学者。 https://doi.org/10.1214/aos/1013203451 (2001)。

記事 MathSciNet MATH Google Scholar

Ke、G.ら。 Lightgbm: 非常に効率的な勾配ブースティング決定木。上級ニューラルインフォーム。プロセス。システム。 30（2017）。

スー、H.ら。機械学習に基づくリモートセンシング観測による地下温度場の超解像。内部。Ｊ．Ａｐｐｌ．地球観測。地理情報。 102、102440。https://doi.org/10.1016/j.jag.2021.102440 (2021)。

記事 Google Scholar

Sun, X.、Liu, M. & Sima, Z. LightGBM に基づく新しい暗号通貨価格傾向予測モデル。金融。解像度レット。 32、101084 (2020)。

記事 Google Scholar

Kennedy, J. & Eberhart, R.、ICNN'95 ニューラルネットワークに関する国際会議の議事録。 1942 ～ 1948 年 (IEEE)。

Bellon-Maurel, V. & McBratney, A. 土壌中の炭素貯蔵量を評価するための近赤外 (NIR) および中赤外 (MIR) 分光技術 – 重要なレビューと研究の観点。ソイルバイオル。生化学。 43、1398–1410 (2011)。

記事 CAS Google Scholar

ノシタ、M.ら。局所部分最小二乗回帰アプローチを使用した拡散反射分光法による土壌有機炭素含有量の予測。ソイルバイオル。生化学。 68、337–347 (2014)。

記事 CAS Google Scholar

ゾフコ、M.ら。クロアチアのネレトヴァ川渓谷における初期の土壌塩類化を評価するための地球統計学的 Vis-NIR 分光法インデックス。地皮 332、60–72。 https://doi.org/10.1016/j.geoderma.2018.07.005 (2018)。

記事 ADS CAS Google Scholar

Ge、Xら。優れた空間分解能と高精度で土壌塩分を更新: Sentinel-2 MSI、環境共変量、ハイブリッド機械学習アプローチの相乗効果。 Catena 212、106054。https://doi.org/10.1016/j.catena.2022.106054 (2022)。

記事 CAS Google Scholar

Wu, D.、Jia, K.、Zhang, X.、Zhang, J. & Abd El-Hamid, HT 中国銀川市のハイパースペクトルデータと地盤分析に基づく土壌塩類化シミュレーションのためのリモートセンシングインバージョン。ナット。リソース。解像度 30、4641–4656 (2021)。

記事 CAS Google Scholar

マダニ、AA ランドサットデータを使用した土壌塩分の検出とモニタリング: エジプトのシワオアシスでのケーススタディ。 GISci。リモートセンシティブ 42、171–181。 https://doi.org/10.2747/1548-1603.42.2.171 (2013)。

記事 ADS Google Scholar

リチャーズ、ルイジアナ州塩分およびアルカリ土壌の診断と改善 (Scientific Publishers、2012)。

Google スカラー

Zeraatpisheh, M.、Ayoubi, S.、Jafari, A.、Tajik, S. & Finke, P. イラン中部の半乾燥地域における複数の機械学習を使用した土壌特性のデジタルマッピング。地皮 338、445–452 (2019)。

記事 ADS CAS Google Scholar

Han, L.、Liu, D.、Cheng, G.、Zhang, G. & Wang, L. 中国内モンゴル自治区ケハン湖の塩水プラヤにおける塩の空間分布と起源。カテナ 177、22–30 (2019)。

記事 Google Scholar

張、T.-T. 他。 MODIS 時系列 VI データを使用した土壌塩分濃度の検出。エコル。 Ind. 52、480–489。 https://doi.org/10.1016/j.ecolind.2015.01.004 (2015)。

記事 Google Scholar

Wichels, D. & Qadir, M. 持続可能な灌漑を実現するには、塩分、土壌塩分、浅い地下水の効果的な管理が必要です。農業。水道管理。 157、31–38 (2015)。

記事 Google Scholar

リファレンスをダウンロードする

私たちの記事を評価し、洞察力に富んだフィードバックを提供してくださった匿名の査読者と編集者の方々に深く感謝いたします。この研究は、新疆ウイグル自治区自然科学財団のプロジェクト（2019D01C024）、新疆ウイグル自治区教育局天池博士研究プロジェクト（tcbs201816）、および新疆大学博士研究イニシエーション助成プログラム（BS180239）の支援を受けました。

新疆大学地理リモートセンシング科学院、No. 777 Huarui Street、Xinjiang、830017、Urumqi、China

Shilong Ma、Baozhong He、Boqiang Xie、Xiangyu Ge、Lijing Han

新疆オアシス生態学新疆重点研究所、新疆大学、830017、ウルムチ、中国

Shilong Ma、Baozhong He、Boqiang Xie、Xiangyu Ge、Lijing Han

新疆大学高等教育研究所のスマートシティと環境モデリングの主要研究室、830017、ウルムチ、中国

Shilong Ma、Baozhong He、Boqiang Xie、Xiangyu Ge、Lijing Han

PubMed Google Scholar でこの著者を検索することもできます

SM: 概念化、方法論、調査、ソフトウェア、形式、原案作成、形式分析。 BH: 調査、監督、執筆 - レビューと編集、資金調達。 BX: 調査、ソフトウェア。 XG: 調査、正式な分析。 LH: 調査、ソフトウェア。

何宝忠氏への対応。

著者らは競合する利害関係を宣言していません。

シュプリンガーネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープンアクセスこの記事はクリエイティブコモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブコモンズライセンスへのリンクを提供し、変更が加えられたかどうかを示します。この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブコモンズライセンスに含まれています。素材が記事のクリエイティブコモンズライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Ma、S.、He、B.、Xie、B. 他。 Google Earth Engine を使用した土壌塩分の空間的および時間的変動の調査: 中国西部のウェリガン・クチャオアシスでのケーススタディ。 Sci Rep 13、2754 (2023)。 https://doi.org/10.1038/s41598-023-27760-8

引用をダウンロード

受信日: 2022 年 11 月 13 日

受理日: 2023 年 1 月 6 日

公開日: 2023 年 2 月 16 日

DOI: https://doi.org/10.1038/s41598-023-27760-8

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティガイドラインに従うことに同意したことになります。虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。