Enquête sur la variation spatiale et temporelle de la salinité du sol à l'aide de Google Earth Engine : une étude de cas à Werigan

Rapports scientifiques volume 13, Numéro d'article : 2754 (2023) Citer cet article

967 accès

1 Citations

1 Altmétrique

Détails des métriques

Les enquêtes à grande échelle sur la salinité des sols sont coûteuses en temps et en main-d'œuvre, et il est également plus difficile d'étudier la salinité historique, tandis que dans les régions arides et semi-arides, l'étude des caractéristiques spatiales et temporelles de la salinité peut fournir une base scientifique pour la prévention scientifique de la salinité. 2021 et d'analyser les déterminants. Dans cette expérience, trois modèles d'apprentissage d'ensemble, Random Forest (RF), Extreme Gradient Boosting (XGBoost) et Light Gradient Boosting Machine (LightGBM), ont été établis à l'aide de données collectées sur le terrain pendant différentes années et de certaines variables environnementales. Dans cette expérience, après l'analyse de corrélation de Spearman de la conductivité électrique (CE) du sol avec des variables environnementales, nous avons constaté que la bande proche infrarouge dans la bande d'origine, le DEM dans le facteur topographique, l'indice de végétation basé sur la télédétection et l'indice de salinité EC du sol avaient une forte corrélation. La distribution spatiale de la salinisation est généralement caractérisée par une bonne à l'ouest et au nord et une sévère à l'est et au sud. La non-salinisation, la salinisation légère et la salinisation modérée se sont progressivement étendues vers le sud et vers l'est à partir de l'intérieur de l'oasis occidentale sur 25 ans. La salinisation sévère et très sévère s'est progressivement déplacée de la bordure nord de l'oasis vers les zones désertiques de l'est et du sud-est au cours des 25 années. Les sols salins avec la classe de salinité la plus élevée étaient répartis dans la plupart des zones désertiques de la partie orientale de la zone d'étude de l'oasis de Werigan-Kuqa ainsi que dans des zones plus petites à l'ouest en 1996, diminuant en taille et caractérisées par une distribution discontinue en 2021. de sol salin avec le niveau de salinisation le plus élevé est passé de 5708,77 en 1996 à 2246,87 km2 en 2021. dans l'ensemble, la salinisation globale de l'oasis de Werigan–Kuqa s'est améliorée.

La salinisation des sols est devenue l'une des menaces pour les systèmes agricoles mondiaux1, et on s'attend à ce qu'avec le changement climatique, l'impact de la salinisation soit plus large et le degré de nocivité augmente, de plus, le mécanisme de formation de la salinisation est complexe2. Pour réguler la salinisation et prévenir la dégradation des sols, il est crucial de comprendre les caractéristiques de la distribution spatiale et temporelle de la salinisation et ses schémas évolutifs3.

L'analyse traditionnelle en laboratoire pour la surveillance de la salinité des sols prend du temps et demande beaucoup de main-d'œuvre, et comme la salinité change considérablement dans l'espace et dans le temps, il est difficile de caractériser avec précision la répartition géographique de la salinité et ses schémas évolutifs4. La cartographie numérique a fait sensation dans le domaine de la science du sol, grâce aux progrès du matériel informatique et des logiciels, ainsi qu'à la création de systèmes d'information géographique, de systèmes de positionnement global, de capteurs à distance ou de proximité et de modèles numériques d'élévation qui ont généré d'énormes volumes de données5. L'utilisation des techniques de télédétection pour détecter la salinité a pris de l'importance avec l'émergence des satellites de télédétection. La télédétection optique micro-ondes et multitemporelle sont des méthodes efficaces pour identifier les paramètres de salinité de surface6.

Divers indices de salinité ont été construits pour la modélisation et la prévision à l'aide des riches informations sur la bande d'ondes des satellites optiques7,8. Comme dans le cas de Khan et al.9 qui ont utilisé les indices de salinité (SI) pour catégoriser et analyser les terrains sujets à la salinité, les indices de salinité basés sur la télédétection peuvent répondre instantanément à l'état de salinité de la surface dans les endroits où elle est stérile ou peu végétalisée. En raison de l'influence d'autres éléments, notamment l'humidité du sol, la couverture végétale et le temps de collecte des données, il est extrêmement difficile d'obtenir des informations spectrales salines pures dans des situations naturelles. Étant donné que les plantes tolérantes au sel prospèrent dans les climats arides et semi-arides, l'indice de végétation est utilisé comme indicateur indirect de la salinité10. De nombreuses études de prévision de la salinité, telles que Ramos et al.7 ont utilisé l'indice de salinité de la réponse de la canopée (CRSI), l'indice de végétation amélioré (EVI) et l'indice de végétation par différence normalisée (NDVI) pour évaluer la salinité sur le terrain ; d'autres indices largement utilisés pour la surveillance de la salinité sont l'indice de végétation d'ajustement du sol (SAVI), l'indice de végétation de ratio (RVI), l'indice de végétation de divergence (DVI) et l'indice de végétation verte (GVI)11,12.

La formation de la salinité du sol est fortement liée de manière non linéaire à de nombreux facteurs environnementaux, et les algorithmes d'apprentissage automatique sont populaires dans le domaine de la recherche sur la salinité en utilisant leurs capacités d'exploration de données efficaces13,14. Il a été difficile de choisir le modèle optimal pour une zone spécifique lors de la cartographie numérique des sols, mais il a été démontré que l'apprentissage automatique est plus performant que les modèles statistiques conventionnels pour prédire avec précision la salinité15,16. Les performances de divers algorithmes d'apprentissage automatique ont également été comparées à des modèles de régression linéaire et à des algorithmes d'apprentissage automatique pour l'analyse d'inversion de salage, notamment le réseau de neurones artificiels à perceptron multicouche (MLP-ANN), les splines de régression adaptative multivariée (MARS), Arbre de classification et de régression (CART), régression vectorielle de support (SVR) et RF. Avec la maturation de la méthode d'apprentissage d'ensemble, elle est fréquemment utilisée dans la recherche sur la classification d'images17, néanmoins, elle n'est pas couramment utilisée dans les études de prévision de la salinité du sol. Pour évaluer la variabilité géographique de la salinité et de l'alcalinité des sols dans les régions agricoles impactées par la salinité, plusieurs chercheurs ont utilisé des forêts aléatoires, avec des résultats satisfaisants18. Des études récentes qui prévoient la salinité ont utilisé XGBoost19,20, tandis que d'autres techniques d'apprentissage d'ensemble, y compris la machine d'amplification de gradient de lumière, ont rarement été publiées dans le domaine de la recherche sur la salinité LightGBM21. Par conséquent, dans cette étude, trois modèles d'apprentissage d'ensemble ont été appliqués à la prédiction et à la cartographie de la salinité pour évaluer leur application potentielle dans les efforts de surveillance de la salinité. La surveillance à long terme de la salinité dans les zones arides et semi-arides est essentielle car elle peut traiter de manière adéquate les liens locaux entre l'homme et la terre et servir de guide pour le contrôle de la salinité. L'énorme volume de données rend difficile la procédure d'extraction d'informations en télédétection multi-temporelle. Avantageusement, Google Earth Engine offre une plate-forme de traitement de données puissante qui comprend une variété de données géographiques, y compris divers types de données de télédétection22. La résolution spatiale et spectrale de la télédétection multispectrale est bien adaptée à la surveillance de la salinité en raison de sa large couverture et de sa facilité d'acquisition6,23. Dans cette étude, les satellites Landsat5 TM et Landsat OLI ont été sélectionnés comme sources de données de télédétection pour cette étude en raison de la nécessité de prédire la distribution de la salinité à l'époque d'inversion et en raison de la bonne performance des satellites Landsat dans la surveillance de la salinité24,25.

Dans cette étude, quatre années de données expérimentales ont été agrégées pour rendre le modèle de prédiction plus stable et produire des informations plus précises sur la distribution spatiale de la salinisation. Les objectifs spécifiques de cette étude étaient : (1) Évaluer le pouvoir prédictif de RF, XGBoost et LightGBM dans l'apprentissage d'ensemble pour la conductivité du sol (2) Cartographie numérique de la distribution de la salinité en 1996, 2006, 2017 et 2021 sur la base de données de télédétection utilisant un modèle de prédiction optimal ; (3) Les caractéristiques spatiales et temporelles variables de la salinisation dans l'oasis de Werigan–Kuqa au cours des 25 dernières années ; (4) Discuter des effets de l'expansion des terres arables et de l'assainissement des terres sur la salinité.

La zone d'étude est l'oasis de la rivière Werigan-Kuqa (également connue sous le nom d'oasis de Werigan-Kuqa), qui est située à une altitude de 901 à 1069 m au-dessus du niveau de la mer dans le centre-nord du bassin du Tarim de la région autonome ouïghoure du Xinjiang. Il a une superficie d'environ 9769,76 km2. L'oasis de Werigan – Kuqa présente un climat continental sec tempéré chaud typique en raison de son emplacement intérieur profond et de sa distance de la mer, avec des précipitations et une évaporation annuelles moyennes de 70 et 1100 mm, respectivement, et un rapport d'évapotranspiration élevé de 16:1. La région de recherche se compose principalement de désert, d'agriculture, de prairies et de forêts, avec des plantes tolérantes au sel et à la sécheresse qui fleurissent dans le désert. L'oasis de Werigan–Kuqa est généralement plate, avec une nappe phréatique élevée, une longue saison sèche et une forte évaporation. Dans ce contexte, les sels peuvent facilement s'accumuler en surface, de sorte que la zone choisie comme zone d'étude est représentative et a une grande importance pour l'amélioration de l'environnement écologique et le développement de la production agricole (Fig. 1).

La figure (A) montre l'emplacement du Xinjiang, la figure (B) montre l'emplacement de la zone d'étude au Xinjiang, la figure (C) montre la répartition des sites d'échantillonnage dans la zone d'étude au cours des différentes années et la figure (D) est l'élévation de la zone d'étude.

L'échantillonnage sur le terrain et les relevés de l'oasis de Werigan–Kuqa sont effectués chaque année, la plupart des échantillonnages ayant lieu en juillet de chaque année. L'emplacement des points d'échantillonnage ainsi que le nombre de points d'échantillonnage ont été déterminés en combinant les cartes numériques existantes des sols (cartes de salinité, type de sol, texture du sol) et les types d'utilisation/couverture des terres, tandis que les stratégies d'échantillonnage ont été modifiées en fonction des observations sur le terrain de l'année précédente pour prendre en compte les changements d'une année à l'autre (Fig. 1). L'emplacement de chaque point d'échantillonnage est enregistré à l'aide d'un GPS portable et les échantillons de sol sont emballés dans des sacs scellés transparents (environ 500 g) pour la prochaine étape d'analyse en laboratoire. Dans cette étude, 4 années de données sur la conductivité électrique (CE) de la surface du sol (0 à 10 cm) ont été résumées et examinées. Les périodes d'échantillonnage sur le terrain étaient juillet 2006, avec 36 échantillons; juillet 2017, avec 84 échantillons ; juillet 2018, avec 75 échantillons, et juin 2021, avec 63 échantillons. Tous les échantillons ont été séchés à l'air, broyés, homogénéisés et tamisés à une taille de 0,15 mm. Pour chaque 20 g de sol, ajouter 100 ml d'eau distillée, bien mélanger pendant 30 min, puis laisser reposer 24 h. À une température ambiante de 25 °C, la conductivité du sol a été mesurée à l'aide d'un système de mesure multiparamètre numérique (Multi 3420 Set B, WTW GmbH, Allemagne) équipé d'une électrode composite (TetraCon 925)26.

La clé de la sélection des variables environnementales est que les covariables doivent répondre à la nature de la formation du sol, du climat, de la biologie et du type de paysage, etc. Selon le cadre SCORPAN (S pour le sol, C pour le climat, O pour les organismes, R pour le relief, P pour le matériau parental, A pour l'âge et N pour l'espace.)5, une série de facteurs environnementaux ont été sélectionnés, comprenant chacune des bandes originales de Landsat5 TM et Landsat8 indice de ration, indice de salinité), les données d'altitude et leurs indices dérivés (par exemple, indice d'humidité du terrain, TWI).

Dans cette étude, l'extraction d'index basée sur la télédétection a été effectuée dans la plate-forme cloud Google Earth Engine. L'image Landsat5 TM du 22 juillet 2006 et les images Landsat8 OLI du 4 juillet 2017, du 23 juillet 2018 et du 15 juillet 2021 sont sélectionnées, qui correspondaient à la période d'échantillonnage, ont été sélectionnées pour avoir moins de 10 % de nébulosité. Les variables environnementales basées sur la télédétection comprennent 6 bandes brutes, 12 indices de végétation, 9 indices de salinité, 1 indice de carbonate et 1 indice de luminosité (tableau 1).

Dans cette étude, 11 indices topographiques ont été générés à l'aide de données DEM à une résolution de 30 m du Geospatial Data Cloud (http://www.gscloud.cn/), découpés et assemblés à l'aide du logiciel SAGA GIS (tableau 2). Les résultats de Vermeulen et Van Niekerk41 ont montré que l'utilisation des données d'élévation et de ses indices topographiques dérivés comme variables d'entrée géostatistiques et d'apprentissage automatique ont un grand potentiel de prédiction de la salinité pour surveiller l'accumulation de sel dans les zones irriguées.

Random Forest, développé par Breiman42, est un algorithme d'apprentissage d'ensemble populaire basé sur le bagging basé sur des arbres (agrégation bootstrap)43, qui a l'avantage d'avoir des capacités d'exploration non linéaires, une distribution de données qui n'a pas besoin de se conformer à des hypothèses, de gérer à la fois des variables de rang et continues, d'empêcher le surajustement, une formation rapide et une description quantitative de la contribution des variables. La RF est une amélioration de l'ensachage qui améliore la sélection des variables44. Au lieu de sélectionner la répartition optimale parmi toutes les caractéristiques à chaque nœud, la RF sélectionne au hasard un sous-ensemble de caractéristiques pour décider de la répartition, ce qui rend la RF plus résistante au bruit et moins sujette au surajustement. De plus, RF peut très bien gérer les valeurs aberrantes45. Le nombre d'arbres et de variables prédictives que le modèle de forêt aléatoire permet à l'arbre de décision de croître aussi grand que possible sans être coupé est son facteur critique. Les principaux hyperparamètres modifiés dans cette étude sont le nombre d'arbres dans la forêt et le nombre d'entités censées se diviser à chaque nœud feuille46. Dans ce travail, nous avons utilisé le package d'apprentissage automatique open source Scikit-learn pour créer un mode RF47.

Extreme Gradient Boosting (XGBoost) est un algorithme d'apprentissage automatique d'ensemble basé sur le boost48, cet algorithme a été utilisé dans le concours de reconnaissance de signal Kaggle et a attiré beaucoup d'attention pour son efficacité exceptionnelle et sa grande précision de prédiction49. Le boosting, contrairement au bagging, est une méthode itérative qui ajoute successivement de nouveaux arbres à l'intégration, et les échantillons prédits à tort par l'arbre précédent reçoivent des poids plus élevés dans les arbres suivants. Grâce à de nombreuses améliorations systématiques et algorithmiques importantes, le cadre de renforcement du gradient est implémenté de manière efficace et flexible dans XGBoost49,50. Le nombre d'arbres boostant les gradients (n_ estimateurs), le taux d'apprentissage (eta), la profondeur maximale de l'arbre (max_depth) et la colonne par niveau du rapport de sous-échantillon sont quelques-uns des hyperparamètres importants qui sont réglés par XGBoost. Pour entraîner les modèles XGBoost, le logiciel open source Scikit-Learn est utilisé.

Light Gradient Boosting Machine (LightGBM) est un framework qui implémente l'idée de l'algorithme GBDT (Gradient Boosting Decision Tree)51, un outil d'arbre de décision boostant open source par l'équipe Microsoft DMTK, qui a une vitesse de formation rapide et moins d'utilisation de la mémoire, ce qui accélère considérablement la formation et a également une meilleure précision du modèle. LightGBM effectue les optimisations suivantes sur l'algorithme GBDT traditionnel : échantillonnage unilatéral basé sur le gradient (GOSS) et regroupement de fonctionnalités exclusives (EFB)51. GOSS est une technique de sous-échantillonnage utilisée pour créer des ensembles d'apprentissage pour construire l'arbre de base dans l'intégration, sélectionner des données avec des gradients plus importants à partir de l'échantillon pour augmenter leur contribution au gain d'information calculé, et EFB fusionne certaines caractéristiques de données pour réduire la dimensionnalité des données52. Généralement, la précision de la prédiction est fortement influencée par les hyperparamètres53. Ainsi, avant d'utiliser LightGBM, nous devons d'abord déterminer combien et dans quelle mesure ses hyperparamètres peuvent varier. Le nombre de feuilles, le taux d'apprentissage et la profondeur maximale sont les facteurs importants.

Pour cette expérience, les trois modèles ci-dessus ont été réalisés dans la plate-forme Spyder basée sur le langage de programmation Python 3.9.7.

L'efficacité de l'application du modèle dépend du choix des paramètres du modèle. Dans les domaines de l'analyse statistique et de l'apprentissage automatique, la méthode de validation croisée K-Fold est fréquemment utilisée pour évaluer la généralisabilité des modèles. La méthode de recherche par grille est une méthode de recherche exhaustive qui précise les valeurs des paramètres, elle est réalisée par Scikit-GridSearchCV, learn's qui ordonne et combine les valeurs possibles de chaque paramètre, liste toutes les combinaisons qui pourraient exister, et effectue une validation croisée pour optimiser les paramètres de la fonction d'estimation afin d'obtenir le meilleur algorithme d'apprentissage54. La valeur minimale de l'erreur quadratique moyenne (RMSE) est utilisée comme critère de sélection des paramètres du modèle. Dans cette expérience, on suppose que la valeur de K est de 5, comme suit :

Divisez l'ensemble de données en ensemble d'apprentissage, ensemble de test et division en K des données de l'ensemble d'apprentissage.

Déterminer l'étendue de chaque paramètre du modèle, en prenant une forêt aléatoire comme exemple, et déterminer le nombre d'arbres de décision m ainsi que la profondeur h. La combinaison de paramètres est les nœuds croisés d'une grille bidimensionnelle avec m et a des axes horizontaux et verticaux.

Choisissez des données K-1 dans l'ensemble d'apprentissage, choisissez un ensemble de paramètres inter-nœuds, créez un arbre de décision à l'aide d'un échantillon de toutes les données K-1, prévoyez les 1 données finales et calculez l'erreur quadratique moyenne moyenne de tous les arbres sur l'échantillon d'apprentissage 1 final.

Répétez les deux étapes ci-dessus jusqu'à ce que vous ayez parcouru K-1 copies des données.

Parcourez les combinaisons de paramètres de tous les nœuds de croisement de la grille. 6.

Les étapes 3 à 5 sont répétées, en utilisant la validation croisée pour calculer les performances du modèle dans l'ensemble de données de test. (Tableau 3) montre la combinaison des paramètres du modèle optimisés par recherche de grille.

Dans cette recherche, le coefficient de détermination R2, l'erreur quadratique moyenne (RMSE) et la performance à la distance interquartile (RPIQ) sont utilisés pour évaluer les performances de RF, XGBoost et Lightgbm. Plus R2 est proche de 1, plus les modèles ajustés sont précis. Plus le nombre est proche de 0, plus la différence entre la valeur mesurée et la valeur prédite du modèle est petite, et plus la capacité du modèle à prévoir l'avenir est grande. La valeur de RMSE est inversement proportionnelle à la précision du modèle. RPIQ est la plage interquartile au rapport RMSE, et la plage interquartile est la différence entre 75 et 25 % des valeurs d'échantillon. Il est communément admis que RPIQ < 1,7 implique une faible fiabilité de prédiction du modèle, 1,7 ≤ RPIQ ≤ 2,2 suggère une capacité de prédiction quelque peu équilibrée et RPIQ ≥ 2,2 indique une capacité de prédiction très forte. Le RPIQ est une mesure plus raisonnable et objective par rapport au rapport de la performance à l'écart (RPD), en particulier pour les échantillons de sol avec une distribution inhabituelle55,56. Les équations (1) à (3) montrent l'expression de ces métriques d'évaluation de modèle :

où N est le nombre d'échantillons, Xi est la valeur EC mesurée, Yi est la valeur calculée, Xi* est la valeur EC moyenne mesurée, Yi* est la valeur EC estimée du sol, SD représente l'écart type et ΔQ est la distance interquartile (IQR), qui est la différence entre le quartile supérieur (Q3) et le quartile inférieur (Q1).

Le déroulement de cette expérience est illustré à la (Fig. 2). La plate-forme cloud Google Earth Engine a été utilisée pour calculer et obtenir les variables environnementales basées sur la télédétection correspondant au temps d'échantillonnage pour établir un modèle de prédiction de l'EC du sol. Since the sampling time is mainly concentrated in July, based on the optimal model, the spatial distribution maps of soil EC in July of each year in 1996, 2006, 2017, and 2021 are obtained (the remote sensing data of June 24 is chosen because the remote sensing Image of July 1996 Is too cloudy to meet the mapping requirements), and this step is done by using the Spyder development environment with the help of GDAL, Pandas and other libraries to complete the mapping.

Organigramme.

Dans cette expérience, les données finales de 258 échantillons d'EC de sol ont été obtenues après que les valeurs aberrantes ont été supprimées des données d'échantillon. Suite à l'analyse statistique, la conductivité électrique (CE) minimale, maximale, moyenne, l'écart type, le coefficient de variation, l'aplatissement et l'asymétrie du sol ont été déterminés (tableau 4).

Les valeurs de CE du sol dans l'oasis de Werigan–Kuqa variaient de 0,079 dS m−1 à 143,4 dS m−1, ce qui montre que les échantillons avaient une portée élevée. L'asymétrie de 1,37 est bien supérieure à 0, ce qui indique que les données de l'échantillon n'obéissent pas à une distribution normale. L'écart type était de 33,2 dS m−1 et le coefficient de variation était de 1,19, ce qui est supérieur à 1, appartenant ainsi à une forte variabilité, ce qui est cohérent avec l'étude de Wang, et al.40, montrant la forte variabilité spatiale des valeurs de CE du sol dans la zone Werigan–Kuqa Oasis.

Dans la modélisation de la surveillance de la salinité du sol, toutes les variables environnementales ne sont pas impliquées dans la modélisation et il existe des différences dans leur contribution à la prédiction de la CE40, par conséquent, il est nécessaire de filtrer les variables environnementales. Sur la base de l'analyse statistique des valeurs EC de l'échantillon, l'asymétrie était de 1,47 (tableau 4), de sorte que l'analyse de corrélation de Spearman a été utilisée dans l'analyse de la relation entre les variables environnementales et les valeurs EC du sol. Dans cette étude, 38 variables environnementales (bande d'origine, indice de végétation, indice de salinité, indice de topographie, etc.) ont été initialement sélectionnées, et après analyse de corrélation de Spearman, 31 variables environnementales ont été sélectionnées et les variables pertinentes restantes n'étaient pas significativement corrélées (tableau 5).

Parmi les bandes brutes de télédétection, les corrélations avec la CE du sol étaient NIR (R = − 0,610), SWIR2 (R = 0,423), Red (R = 0,372), SWIR1 (R = 0,3) et Green (R = 0,246) par ordre décroissant. Les indices de salinité, en tant qu'indicateurs directs dans la surveillance de la salinité57, ont montré une bonne corrélation avec la CE du sol, et les neuf indices de salinité sélectionnés étaient significativement corrélés avec les valeurs de la CE, avec des coefficients de corrélation allant jusqu'à 0,531 (SIA, SIB, SIT, SAIO sont tous des indices de salinité, qui sont différentes combinaisons de différentes formes d'onde). 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), on peut voir que l'indice de végétation est un bon indicateur en tant qu'indicateur indirect de surveillance de la salinité. Par rapport au NDVI, SAVI augmente le signal de végétation et diminue le fond du sol, par conséquent, il existe une forte corrélation avec l'EC du sol (R = - 0,55), de plus, OSAVI a la même corrélation que SAVI, mais OSAVI évite le calcul complexe des paramètres de base du sol. Parmi les facteurs de corrélation topographique, la corrélation la plus élevée est avec DEM (R = − 0,463), suivie de CND (R = − 0,175) et enfin de RSP (R = − 0,174). La plus faible corrélation entre la topographie et ses indices avec EC s'explique par la planéité globale de l'oasis de Werigan–Kuqa. Enfin, l'indice de carbonate CAEX était significativement corrélé (R = 0,612) avec les valeurs de CE du sol, qui étaient déterminées par les propriétés du sol de la zone d'étude.

Différents facteurs environnementaux ont différentes contributions prédictives à l'EC du sol dans les modèles prédictifs, et tous les facteurs environnementaux ne sont pas des variables significatives dans la modélisation58, il est donc nécessaire de classer l'importance des variables environnementales, et cette étude classera l'importance des caractéristiques en utilisant chacun des trois modèles eux-mêmes et observera les différences dans la contribution des variables dans les trois modèles.

Les figures 3, 4, 5 montrent les résultats des trois modèles pour la sélection des caractéristiques, le degré de contribution des variables différait, mais les variables individuelles ont montré une contribution élevée dans les trois modèles, et parmi les indices de végétation, la plupart d'entre eux ont généralement bien contribué, le CRSI étant le plus stable et montrant une contribution élevée dans les trois modèles, en accord avec Scudiero et al.34 et Wu et al.59, GARI a obtenu les meilleurs résultats parmi toutes les variables environnementales impliquées dans la RF. Les bandes primitives de télédétection sont essentielles dans la participation à la modélisation. Dans l'étude d'universitaires apparentés, la relation entre chaque bande et les sols salins a été analysée en détail. La bande NIR se démarque, en particulier dans la participation au processus de modélisation aléatoire de la forêt, la contribution est la deuxième après GARI. L'indice de salinité se distingue comme un indicateur direct dans les zones à végétation clairsemée, et le SIA a été performant de manière cohérente dans cette étude en termes de contribution dans les trois modèles de prédiction. L'indice de salinité intègre la plupart des propriétés du sol affectées par la salinité, et l'indice de salinité est également très rentable pour d'éventuelles études à grande échelle visant à prévenir la salinité du sol à l'échelle du paysage57.

Diagramme d'importance caractéristique de RF.

Diagramme d'importance caractéristique de XGBoost.

Diagramme d'importance caractéristique de LightGBM.

Dans cette expérience, deux approches sont utilisées pour la validation du modèle, l'approche de validation consistant à découper l'ensemble de données en ensembles d'entraînement et de test, et l'approche de validation croisée (Tableau 6, Fig. 6), et il a été constaté que la valeur R2 de XGBoost était la plus élevée parmi les trois modèles dans les ensembles d'entraînement et de test, 0,84, 0,73, respectivement, et la valeur RMSE était également la plus faible dans les ensembles d'entraînement et de test, 13,57 dS m−1, 17. 62 dS m−1, respectivement. La valeur RPIQ est également la plus élevée, 3,32 dans l'ensemble d'apprentissage et 2,45 dans l'ensemble de test. Lorsque RPIQ ≥ 2,2, cela signifie que le modèle réalise une excellente prédiction, et par rapport aux performances des modèles RF et LightGBM dans l'ensemble de test (2,39 et 2,32, respectivement), XGBoost a une excellente capacité de prédiction. De même, XGBoost a la valeur RMSE la plus faible de 19,9 dS m−1 pour les trois modèles après une validation croisée décuplé. Par conséquent, XGBoost sera utilisé comme modèle optimal pour la cartographie numérique de la distribution spatiale de la salinité.

Analyse de régression mesurée et prédite des trois modèles.

Dans la région de recherche, tous les échantillons de sol ont été divisés en six groupes par la méthode de classification de la salinité du sol fréquemment utilisée pour une analyse et une visualisation plus approfondies61 (tableau 7), et la distribution spatiale de la salinisation du sol dans l'oasis de Werigan-Kuqa le 11 août 1996, le 22 juillet 2006, le 4 juillet 2017 et le 15 juillet 2021 a été inversée à l'aide du modèle optimal sélectionné et des variables optimales correspondantes (Fig. 7 ). Pour vérifier davantage l'exactitude de la carte de distribution spatiale de la salinité après la reclassification, cette expérience a utilisé les points d'échantillonnage de 2017 et 2021 comme ensemble de validation, et l'exactitude a été vérifiée à l'aide de la matrice de confusion et du coefficient kappa (Fig. 7), et le coefficient kappa a été obtenu comme 0,71, ce qui indique que la carte de la salinité a un degré élevé de cohérence.

Vérification de la matrice de confusion.

Selon (Fig. 8), la distribution spatiale de la salinisation dans l'oasis de Werigan-Kuqa montre une distribution caractéristique de bonne à l'ouest et au nord et sévère à l'est et au sud. La salinisation modérée et inférieure dans l'oasis de Werigan–Kuqa est répartie à l'ouest et au nord de l'oasis de Werigan–Kuqa, une zone d'oasis avec de bonnes conditions d'irrigation (Fig. 1), où le principal type de caractéristique est la terre arable, le terrain est relativement élevé, pas facilement gorgé d'eau, et la couverture végétale est relativement élevée. Avec l'expansion de l'étendue spatiale des terres arables, la salinisation légère et en dessous montrent également un changement radial correspondant vers le sud, le sud-ouest et le sud-est, et deviennent plus continus dans l'espace. En 2021, sur les bords ouest et sud de l'oasis de Werigan-Kuqa, une très forte salinisation s'est transformée en une salinisation légère, dans les régions de l'est et du nord-est, de nouvelles terres arables spatialement discontinues ont émergé, de sorte que la salinisation légère a également pris la forme d'une distribution spatiale sporadique.

Répartition spatiale de la salinisation des sols en 1996, 2006, 2017 et 2021.

La salinisation sévère et très sévère était principalement répartie dans la partie nord de l'oasis de Werigan–Kuqa en 1996, et en 2006, la salinisation dans la région s'est améliorée et s'est progressivement déplacée vers l'est et le sud, se développant vers le sud-est d'ici 2021. La tendance de développement de la salinisation sévère et très sévère sur 25 ans est étroitement liée à la topographie basse sud-est et nord-ouest élevée de l'oasis Werigan–Kuqa (Fig. 1).

La distribution spatiale et les caractéristiques évolutives les plus prononcées des sols salins avec le degré de salinisation le plus élevé étaient principalement réparties dans la bordure sud-ouest de l'oasis de Werigan-Kuqa et dans la plupart des zones désertiques de l'est en 1996, passant à des classes telles que sévère et très sévère en 2017 et s'améliorant considérablement d'ici 2021, en particulier dans les zones désertiques orientales. S'appuyant sur des années d'enquêtes sur le terrain, il a été constaté qu'une végétation salée clairsemée pousse dans la partie orientale de l'oasis de Werigan-Kuqa, tandis que la partie sud-est de la zone est peu boisée. Grâce aux efforts accrus de protection de la végétation dans la zone orientale, la couverture végétale a considérablement augmenté et, par conséquent, l'évaporation des eaux de surface a diminué en conséquence, réduisant le taux d'accumulation de sel à la surface.

Comme le montre la (Fig. 9), la zone non salinisée de l'oasis de Werigan–Kuqa est de 198,25 km2 en 1996 et de 1682,47 km2 en 2021, soit une augmentation de 748,6 % ; La salinisation légère était de 346,78 km2 en 1996 et a augmenté d'année en année depuis pour atteindre 1441,29 km2 en 2021, soit une augmentation de 315,6 % par rapport à 1996 ; La salinisation modérée est restée stable de 1996 à 2006 et a considérablement augmenté en 2017 pour atteindre 1062,26 km2 en 2021, soit une augmentation de 134,8 % par rapport à 1996 ; La forte salinisation était de 431,26 km2 en 1996 et de 838,132 km2 en 2021 ; La très forte salinisation reste relativement stable de 1996 à 2021, avec une superficie de 2498,74 km2 en 2021 ; La superficie du sol salin était de 5708,77 km2 en 1996, puis a diminué à 5168,7 km2 en 2006, suivie d'une baisse plus importante à 794,48 km2 en 2017 et 2246,87 km2 en 2021, soit une diminution de 60,6 % par rapport à 1996. Sur la base des résultats de l'analyse statistique ci-dessus : au cours des 25 dernières années, le non-sal Les zones inisées, légèrement salinisées et modérément salinisées ont augmenté davantage, la superficie du sol salin a davantage diminué et la salinisation forte et très forte a moins changé et est restée stable, de sorte qu'il y a eu une amélioration de la salinisation du sol dans l'oasis de Werigan-Kuqa.

Tendances dans le domaine des différents niveaux de salinisation.

Divers capteurs multispectraux s'appuient sur les propriétés de réflectance spectrale du sol pour la surveillance du sol62, et la réflectance spectrale varie pour différents niveaux de salinité, souvent avec une croûte de sel blanche attachée à la surface du sol dans les zones fortement salines. Plus la salinisation est élevée, plus la réflectance spectrale de chaque bande augmentera en conséquence13, par conséquent, il devient possible de surveiller la salinisation à l'aide de bandes brutes ou d'indices spectraux dérivés de la télédétection. Dans les études précédentes sur la surveillance de la salinité, le choix des variables environnementales variait, comme l'utilisation directe des indices de salinité pour estimer la salinité du sol63, l'estimation indirecte de la salinité du sol à l'aide d'indices de végétation64, ou la combinaison de plusieurs variables environnementales et leur regroupement pour prédire les comparaisons58.

L'objectif de cette étude est de cartographier la distribution spatiale de la salinisation dans l'oasis de Werigan–Kuqa au cours de différentes années et d'analyser l'évolution de la tendance de la zone de salinisation à différents degrés. Par conséquent, des données de télédétection qui peuvent correspondre à la période d'échantillonnage de différentes années sont sélectionnées, et un modèle stable de prédiction de la CE du sol est établi sur la base de l'extraction de variables environnementales à partir d'images de télédétection, ce qui permet d'atteindre l'objectif de cartographie de la distribution spatiale de la salinisation de manière réaliste et précise et fournit des données de référence pour la gestion de la salinisation et la gestion des ressources en eau. La première collecte de données dans cette zone d'étude a commencé en 2006, donc dans cette modélisation, les données d'échantillon de 2006, 2017, 2018 et 2021 ont été rassemblées pour la modélisation, en utilisant pleinement les données de laboratoire disponibles. Cette étude utilise la plate-forme Google Earth Engine pour un traitement informatique en ligne rapide. Par conséquent, la plate-forme cloud de télédétection présentée par Google Earth Engine est une excellente option pour la recherche sur la surveillance de l'environnement qui utilise de longues séries chronologiques de données de télédétection.

La distribution de la salinisation saline dans l'oasis de Werigan–Kuqa montre des caractéristiques régionales distinctes. Dans le sud-est et l'est de l'oasis de Werigan–Kuqa, qui est la zone la plus touchée par la salinisation, la salinisation de degrés très sévères et supérieurs est distribuée, et les caractéristiques d'évolution spatiale et temporelle sont évidentes. La faible élévation par rapport aux autres zones de l'Oasis de Werigan–Kuqa (Fig. 1D) permet de distribuer de fortes concentrations de sels dans cette zone40. Après des années d'enquête et d'échantillonnage sur le terrain, les inondations saisonnières se rassemblent souvent dans cette zone, et selon Ding et Yu4, il a été constaté que les sels accumulés à la surface de la zone ne s'écoulent pas vers l'extérieur, ce qui rend plus difficile la gestion de la salinisation. De plus, la zone est dominée par des sols sablonneux, et pendant la saison sèche, les sels se déposent facilement en surface après évaporation de l'eau4. Au cours des 25 années, la salinisation dans la partie orientale de l'oasis de Werigan-Kuqa s'est considérablement améliorée parce que le gouvernement local a renforcé la protection de la végétation du désert et construit des canaux de drainage alcalins dans les zones à végétation clairsemée du désert pour réduire l'engorgement saisonnier dans une certaine mesure, et strictement surveillé les pratiques de surpâturage, de sorte que la couverture végétale et la zone couverte par la zone ont progressivement augmenté, et donc la zone de très forte salinisation dans la région a diminué ces dernières années.

Dans le sud-est de la zone périphérique de l'oasis de Werigan-Kuqa, la salinisation des degrés sévères et supérieurs est distribuée et ne s'est pas améliorée de manière significative dans les zones individuelles au cours des 25 dernières années, car l'économie de la zone d'étude est dominée par l'agriculture irriguée et l'irrigation de surface est une méthode d'irrigation courante, et les sels du sol à l'intérieur de l'oasis de Werigan-Kuqa sont transportés vers l'aval par l'eau d'irrigation de surface, qui dépose des sels sur la surface en aval et finit par s'intensifier. la formation de la salinisation C'est la raison pour laquelle la salinisation est plus élevée en bordure de l'oasis qu'à l'intérieur de l'oasis4.

La salinisation des degrés modérés et inférieurs est distribuée à l'intérieur de l'oasis. Étant donné que l'économie de la zone d'étude est basée sur l'agriculture irriguée, en particulier dans les régions de l'ouest et du sud-ouest de la zone d'étude, qui sont plus dépendantes de cette activité économique, la formation d'une salinisation légère dans la région est fortement liée à l'irrigation agricole, tandis que l'irrigation des terres arables régionales passe progressivement de l'irrigation de surface précédente à l'irrigation goutte à goutte, ce qui peut aggraver la salinisation dans la région. L'évolution spatiale et temporelle de la salinisation au sein de l'oasis est également plus prononcée au cours des 25 années, en raison de l'expansion de la superficie des terres arables, qui augmente considérablement d'ici 2021 par rapport à 1996, en particulier dans le sud-ouest et le nord-est de la zone d'étude, et par conséquent, le degré de salinisation change en conséquence, de sévère et supérieur à modéré et inférieur, et pour assurer la survie des cultures saines, avant la plantation. La terre est drainée de l'alcali pour assurer la survie des cultures saines. En outre, la salinisation des terres arables a tendance à être constante, et la zone de salinisation des grades lourds et supérieurs est réduite et fragmentée, car le gouvernement local a effectué des travaux complets d'amélioration des terres, nivelant les terres sèches et les terres arides ; la rénovation et le renforcement des canaux secondaires et de la branche de campagne ; construisant des routes rurales de moins de 4,5 m, servant à la production et aux déplacements, surtout depuis 2018, le gouvernement local a procédé à la construction de terres agricoles de haut niveau, rendant les terres plus plates et contiguës, avec de meilleures installations agricoles, des terres plus fertiles et une meilleure résistance aux catastrophes. Les résultats de l'étude montrent que les activités humaines sont les principaux facteurs affectant l'aggravation et la gestion de la salinisation58, et que la clé réside dans la question de savoir si les humains détruisent ou protègent les ressources en terres et en eau, et en tant que zone centrale de la Ceinture et la Route, elle devrait se concentrer sur la protection de l'environnement écologique, et son point de départ devrait être la gestion de la salinisation dans les zones arides. L'utilisation irrationnelle des ressources en eau est liée à la salinité du sol65, donc à l'avenir, nous devrions discuter du schéma de plantation de l'oasis de Werigan-Kuqa et d'une méthode d'irrigation plus économique et efficace. Il est gratifiant de noter que le gouvernement est devenu ces dernières années plus discipliné dans la gestion des ressources en eau, comme la mise en place du système de chef de rivière, qui réglemente strictement le détournement imprudent des rivières ; la mise en place du système de chef de station d'eau dans les zones d'irrigation, qui permet un contrôle plus précis et efficace des ressources en eau d'irrigation ; et la mise en place du système des chefs forestiers, qui accroît la protection des terres forestières. Grâce à ces mesures, la salinisation de l'oasis de Werigan–Kuqa a été améliorée.

Cette étude utilise des données de collecte de terrain pluriannuelles et des données multi-sources à l'aide de la méthode d'apprentissage d'ensemble et de la plate-forme cloud Google Earth Engine pour compléter la cartographie numérique de la distribution spatiale de la salinité en 1996, 2006, 2017 et 2021, analyser les caractéristiques d'évolution spatiale et temporelle et les facteurs déterminants de la salinité dans l'oasis de Werigan-Kuqa, et tirer les conclusions suivantes :

Parmi les trois modèles d'apprentissage d'ensemble, RF, XGBoost et LightGBM, XGBoost avait un RMSE de 17,62 dS m−1, R2 de 0,73 et RPIQ de 2,45 dans l'ensemble de test, qui avait une précision de prédiction plus élevée par rapport aux deux autres modèles, et des cartes de distribution de salinisation plus précises ont été obtenues à l'aide de XGBoost.

La salinisation dans la zone d'étude présente généralement des caractéristiques de distribution bonnes à l'ouest et au nord et sévères à l'est et au sud. La salinisation modérée et inférieure est répartie dans les zones oasiennes avec de bonnes conditions d'irrigation et un drainage régulier. Et la salinisation sévère et supérieure est principalement répartie dans les zones désertiques de l'est et du sud-est.

La variation spatiale et temporelle de la salinisation dans la zone d'étude a considérablement changé au cours des 25 dernières années, la non-salinisation et la salinisation légère se développant dans la distribution spatiale est et sud-ouest avec l'augmentation de la superficie des terres arables et la planification efficace de l'assainissement des terres arables. L'aire de distribution de la salinisation des grades sévères et supérieurs a diminué de manière plus significative.

Les ensembles de données générés et analysés au cours de l'étude actuelle sont disponibles auprès de l'auteur correspondant sur demande raisonnable.

Singh, A. Gestion de la salinisation des sols pour le développement durable : un examen. J. Environ. Géré. 277, 111383 (2021).

Article CAS Google Scholar

Hassani, A., Azapagic, A. & Shokri, N. Prédictions globales de la salinisation primaire des sols sous le changement climatique au XXIe siècle. Nat. Commun. 12, 6663. https://doi.org/10.1038/s41467-021-26907-3 (2021).

Article ADS CAS PubMed PubMed Central Google Scholar

Hassani, A., Azapagic, A. & Shokri, N. Prédire la dynamique à long terme de la salinité et de la sodicité du sol à l'échelle mondiale. Proc. Natl. Acad. Sci. États-Unis 117, 33017–33027. https://doi.org/10.1073/pnas.2013771117 (2020).

Article ADS CAS PubMed PubMed Central Google Scholar

Ding, J. & Yu, D. Surveillance et évaluation de la variabilité spatiale de la salinité du sol pendant les saisons sèches et humides dans l'oasis de Werigan–Kuqa, en Chine, à l'aide d'instruments de télédétection et d'induction électromagnétique. Géoderme 235–236, 316–322. https://doi.org/10.1016/j.geoderma.2014.07.028 (2014).

Annonces d'article Google Scholar

McBratney, AB, Mendonça Santos, ML & Minasny, B. Sur la cartographie numérique des sols. Géoderme 117, 3–52. https://doi.org/10.1016/s0016-7061(03)00223-4 (2003).

Annonces d'article Google Scholar

Metternicht, GI & Zinck, JA Télédétection de la salinité du sol : potentiels et contraintes. Télédétection Environ. 85, 1–20. https://doi.org/10.1016/s0034-4257(02)00188-8 (2003).

Annonces d'article Google Scholar

Ramos, TB et al. Évaluation de la salinité des sols à l'aide d'indices de végétation dérivés des données multispectrales Sentinel-2. Application à Lezíria Grande Portugal. Gestion de l'eau agricole 241, 106387. https://doi.org/10.1016/j.agwat.2020.106387 (2020).

Article Google Scholar

Wang, J. et al. Cartographie de la salinité des sols à l'aide d'algorithmes d'apprentissage automatique avec le Sentinel-2 MSI dans les zones arides, en Chine. Remote Sens. 13(2), 305. https://doi.org/10.3390/rs13020305 (2021).

Annonces d'article Google Scholar

Khan, NM, Rastoskuev, VV, Sato, Y. & Shiozawa, S. Évaluation de la dégradation des terres hydrosalines à l'aide d'une approche simple d'indicateurs de télédétection. Agric. Gestion de l'eau 77, 96–109 (2005).

Article Google Scholar

Zhao, W., Zhou, C., Zhou, C., Ma, H. & Wang, Z. Modèle d'inversion de la salinité du sol d'oasis en zone aride basé sur la télédétection multispectrale UAV. Remote Sens. 14, 1804 (2022).

Annonces d'article Google Scholar

Allbed, A. & Kumar, L. Cartographie et surveillance de la salinité du sol dans les régions arides et semi-arides à l'aide de la technologie de télédétection : un examen. Adv. Remote Sens. 02, 373–385. https://doi.org/10.4236/ars.2013.24040 (2013).

Article Google Scholar

Peng, J. et al. Estimation de la salinité du sol à partir de données de télédétection et de terrain dans le sud de la province chinoise du Xinjiang. Géoderme 337, 1309–1319. https://doi.org/10.1016/j.geoderma.2018.08.006 (2019).

Annonces d'article Google Scholar

Wang, J. et al. Détection basée sur l'apprentissage automatique de la salinité du sol dans une région désertique aride du nord-ouest de la Chine : une comparaison entre Landsat-8 OLI et Sentinel-2 MSI. Sci Total Environ 707, 136092. https://doi.org/10.1016/j.scitotenv.2019.136092 (2020).

Article ADS CAS PubMed Google Scholar

Hoa, PV et al. Cartographie de la salinité des sols à l'aide des données SAR Sentinel-1 et d'algorithmes avancés d'apprentissage automatique : une étude de cas dans la province de Ben Tre du delta du Mékong (Vietnam). Remote Sens. 11, 128 (2019).

Annonces d'article Google Scholar

Zhou, T., Geng, Y., Chen, J., Pan, J. & Lausch, A. Cartographie numérique haute résolution du carbone organique du sol et de l'azote total du sol à l'aide de dérivés DEM, de données Sentinel-1 et Sentinel-2 basées sur des algorithmes d'apprentissage automatique. Sci. Environ. 729, 138244 (2020).

Article ADS CAS PubMed Google Scholar

Lu, H., Yang, L., Fan, Y., Qian, X. & Liu, T. Nouvelle simulation des concentrations totales aqueuses d'azote et de phosphore dans le lac Taihu avec apprentissage automatique. Environ. Rés. 204, 111940 (2022).

Article CAS PubMed Google Scholar

Zhang, E., Zhang, X., Jiao, L., Li, L. et Hou, B. Classification d'ensembles d'images hyperspectrales spectrales-spatiales via une représentation éparse conjointe. Reconnaissance de motif. 59, 42-54 (2016).

Annonces d'article Google Scholar

Nabiollahi, K. et al. Évaluation des terres agricoles affectées par le sel à l'aide de la cartographie numérique des sols et des forêts aléatoires hybrides. Geoderma 385, 114858. https://doi.org/10.1016/j.geoderma.2020.114858 (2021).

Annonces d'article Google Scholar

Abedi, F. et al. Salinité du sol liée au dôme de sel dans le sud de l'Iran : prédiction et cartographie avec des modèles d'apprentissage automatique de moyenne. Dégradation des terres. Dév. 32, 1540-1554. https://doi.org/10.1002/ldr.3811 (2020).

Article Google Scholar

Qi, G., Chang, C., Yang, W. & Zhao, G. Inversion de la salinité du sol dans les zones côtières de culture du coton : une méthode d'intégration de la fusion spectrale satellite-sol et de la collaboration satellite-UAV. Dégradation des terres. Dév. https://doi.org/10.1002/ldr.4287 (2022).

Article Google Scholar

Jafarzadeh, H., Mahdianpari, M., Gill, E., Mohammadimanesh, F. & Homayouni, S. Classificateurs d'ensemble de mise en sac et de renforcement pour la classification des données multispectrales, hyperspectrales et PolSAR : une évaluation comparative. Remote Sens. 13, 4405. https://doi.org/10.3390/rs13214405 (2021).

Annonces d'article Google Scholar

Ivushkin, K. et al. Cartographie globale de l'évolution de la salinité des sols. Télédétection Environ. 231, 111260. https://doi.org/10.1016/j.rse.2019.111260 (2019).

Annonces d'article Google Scholar

Moreira, LCJ, Teixeira, ADS & Galvão, LS Potentiel des données multispectrales et hyperspectrales pour détecter les sols exposés au sel au Brésil. GISci. Remote Sens. 52, 416–436. https://doi.org/10.1080/15481603.2015.1040227 (2015).

Article Google Scholar

Gorji, T., Yildirim, A., Hamzehpour, N., Tanik, A. & Sertel, E. Analyse de la salinité du sol du bassin du lac Urmia à l'aide d'indices spectraux basés sur Landsat-8 OLI et Sentinel-2A et de mesures de conductivité électrique. Écol. Indiquer. 112, 106173. https://doi.org/10.1016/j.ecolind.2020.106173 (2020).

Article Google Scholar

Masoud, AA, Koike, K., Atwia, MG, El-Horiny, MM & Gemail, KS Cartographie de la salinité du sol à l'aide d'une analyse de mélange spectral d'images landsat 8 OLI pour identifier les facteurs influençant la salinisation dans une région aride. Int. J. Appl. Observation de la Terre. Géoinformer. 83, 101944. https://doi.org/10.1016/j.jag.2019.101944 (2019).

Article Google Scholar

Wang, J. et al. Capacité des données Sentinel-2 MSI pour la surveillance et la cartographie de la salinité du sol pendant les saisons sèches et humides dans la région du lac Ebinur, Xinjiang. Chine. Géoderme 353, 172–187. https://doi.org/10.1016/j.geoderma.2019.06.040 (2019).

Article ADS CAS Google Scholar

Carlson, TN & Ripley, DA Sur la relation entre le NDVI, la couverture végétale fractionnée et l'indice de surface foliaire. Télédétection Environ. 62, 241-252 (1997).

Annonces d'article Google Scholar

Gitelson, AA & Merzlyak, MN Télédétection de la concentration de chlorophylle dans les feuilles des plantes supérieures. Adv. Espace Rés. 22, 689–692 (1998).

Article ADS CAS Google Scholar

Tucker, CJ Combinaisons linéaires infrarouges rouges et photographiques pour la surveillance de la végétation. Télédétection Environ. 8, 127-150 (1979).

Annonces d'article Google Scholar

Rondeaux, G., Steven, M. & Baret, F. Optimisation des indices de végétation ajustés au sol. Télédétection Environ. 55, 95-107 (1996).

Annonces d'article Google Scholar

Birth, GS & McVey, GR Mesure de la couleur du gazon en croissance avec un spectrophotomètre à réflexion 1. Agron. J. 60, 640–643 (1968).

Article Google Scholar

Huete, AR Un indice de végétation ajusté au sol (SAVI). Télédétection Environ. 25, 295–309 (1988).

Annonces d'article Google Scholar

Taghizadeh-Mehrjardi, R., Minasny, B., Sarmadian, F. & Malone, BP Cartographie numérique de la salinité du sol dans la région d'Ardakan, dans le centre de l'Iran. Géoderme 213, 15–28. https://doi.org/10.1016/j.geoderma.2013.07.020 (2014).

Article ADS CAS Google Scholar

Scudiero, E., Skaggs, TH & Corwin, DL Évaluation de la salinité du sol à l'échelle régionale à l'aide de Landsat ETM + réflectance de la canopée. Télédétection Environ. 169, 335–343. https://doi.org/10.1016/j.rse.2015.08.026 (2015).

Annonces d'article Google Scholar

Jordan, CF Dérivation de l'indice de surface foliaire à partir de la qualité de la lumière sur le sol forestier. Écologie 50, 663–666 (1969).

Article Google Scholar

Jiang, Z., Huete, AR, Didan, K. & Miura, T. Développement d'un indice de végétation amélioré à deux bandes sans bande bleue. Télédétection Environ. 112, 3833–3845 (2008).

Annonces d'article Google Scholar

Gitelson, AA, Kaufman, YJ & Merzlyak, MN Utilisation d'un canal vert dans la télédétection de la végétation mondiale à partir d'EOS-MODIS. Télédétection Environ. 58, 289-298 (1996).

Annonces d'article Google Scholar

Shi, C. et al. Inversion quantitative de la salinité du sol et analyse de son schéma spatial en zone agricole à Shihezi du Xinjiang. Géogr. Rés. 33, 2135-2144 (2015).

Google Scholar

Allbed, A., Kumar, L. & Aldakheel, YY Évaluation de la salinité du sol à l'aide des indices de salinité du sol et de végétation dérivés des imageries à haute résolution spatiale IKONOS : applications dans une région dominée par les palmiers dattiers. Géoderme 230–231, 1–8. https://doi.org/10.1016/j.geoderma.2014.03.025 (2014).

Annonces d'article Google Scholar

Wang, F., Shi, Z., Biswas, A., Yang, S. et Ding, J. Comparaison multi-algorithmes pour prédire la salinité du sol. Géoderme 365, 114211. https://doi.org/10.1016/j.geoderma.2020.114211 (2020).

Article ADS CAS Google Scholar

Vermeulen, D. & Van Niekerk, A. Performances d'apprentissage automatique pour prédire la salinité du sol à l'aide de différentes combinaisons de covariables géomorphométriques. Géoderme 299, 1–12. https://doi.org/10.1016/j.geoderma.2017.03.013 (2017).

Annonces d'article Google Scholar

Breiman, L. Apprentissage automatique. Mach. Apprendre. 45, 5–32 (2001).

Article Google Scholar

Chen, S. et al. Une carte haute résolution du pH du sol en Chine réalisée par modélisation hybride de données de sol clairsemées et de covariables environnementales et ses implications pour la pollution. Sci. Environ. 655, 273-283 (2019).

Article ADS CAS PubMed Google Scholar

Altman, N. & Krzywinski, M. Méthodes d'ensemble : ensachage et forêts aléatoires. Nat. Méthodes 14, 933–935 (2017).

Article CAS Google Scholar

Guan, Y., Grote, K., Schott, J. & Leverett, K. Prédiction de la teneur en eau du sol et de la conductivité électrique à l'aide de méthodes forestières aléatoires avec des données géophysiques multispectrales et couplées au sol UAV. Remote Sens. 14, 1023 (2022).

Annonces d'article Google Scholar

Breiman, L. Forêts aléatoires. Mach. Apprendre. 45, 5–32 (2001).

Article MATH Google Scholar

Pedregosa, F. et al. Scikit-learn : apprentissage automatique en python. J.Mach. Apprendre. Rés. 12, 2825–2830 (2011).

MathSciNet MATHGoogle Scholar

Zhang, Y., Liang, S., Zhu, Z., Ma, H. et He, T. Récupération de la teneur en humidité du sol à partir des données Landsat 8 à l'aide de l'apprentissage d'ensemble. ISPRS J. Photogramme. Télécommande. Sens. 185, 32–47. https://doi.org/10.1016/j.isprsjprs.2022.01.005 (2022).

Annonces d'article Google Scholar

Chen, T. & Guestrin, C. à la 22e conférence internationale ACM SIGKDD.

Friedman, JH Approximation de la fonction gourmande : une machine de renforcement de gradient.. Ann. Statiste. https://doi.org/10.1214/aos/1013203451 (2001).

Article MathSciNet MATH Google Scholar

Ke, G. et al. Lightgbm : un arbre de décision très efficace pour augmenter le gradient. Adv. Information neuronale. Processus. Syst. 30 (2017).

Su, H. et al. Super-résolution du champ de température souterraine à partir d'observations de télédétection basées sur l'apprentissage automatique. Int. J. Appl. Observation de la Terre. Géoinformer. 102, 102440. https://doi.org/10.1016/j.jag.2021.102440 (2021).

Article Google Scholar

Sun, X., Liu, M. & Sima, Z. Un nouveau modèle de prévision des tendances des prix des crypto-monnaies basé sur LightGBM. Financ. Rés. Lett. 32, 101084 (2020).

Article Google Scholar

Kennedy, J. & Eberhart, R. dans Actes de la Conférence internationale ICNN'95 sur les réseaux de neurones. 1942–1948 (IEEE).

Bellon-Maurel, V. & McBratney, A. Techniques spectroscopiques dans le proche infrarouge (NIR) et le moyen infrarouge (MIR) pour évaluer la quantité de stock de carbone dans les sols – Examen critique et perspectives de recherche. Sol Biol. Biochimie. 43, 1398-1410 (2011).

Article CAS Google Scholar

Nocita, M. et al. Prédiction de la teneur en carbone organique du sol par spectroscopie de réflectance diffuse à l'aide d'une approche de régression locale des moindres carrés partiels. Sol Biol. Biochimie. 68, 337-347 (2014).

Article CAS Google Scholar

Zovko, M. et al. Un indice de spectroscopie géostatistique Vis-NIR pour évaluer la salinisation naissante du sol dans la vallée de la rivière Neretva en Croatie. Géoderme 332, 60–72. https://doi.org/10.1016/j.geoderma.2018.07.005 (2018).

Article ADS CAS Google Scholar

Ge, X. et al. Mise à jour de la salinité du sol avec une résolution spatiale fine et une grande précision : la synergie de Sentinel-2 MSI, des covariables environnementales et des approches hybrides d'apprentissage automatique. Catena 212, 106054. https://doi.org/10.1016/j.catena.2022.106054 (2022).

Article CAS Google Scholar

Wu, D., Jia, K., Zhang, X., Zhang, J. & Abd El-Hamid, HT Inversion de télédétection pour la simulation de la salinisation des sols basée sur des données hyperspectrales et des analyses de terrain à Yinchuan en Chine. Nat. Resour. Rés. 30, 4641–4656 (2021).

Article CAS Google Scholar

Madani, AA Détection et surveillance de la salinité du sol à l'aide de données Landsat : une étude de cas de l'oasis de Siwa, en Égypte. GISci. Remote Sens. 42, 171–181. https://doi.org/10.2747/1548-1603.42.2.171 (2013).

Annonces d'article Google Scholar

Richards, LA Diagnostic et amélioration des sols salins et alcalins (Scientific Publishers, 2012).

Google Scholar

Zeraatpisheh, M., Ayoubi, S., Jafari, A., Tajik, S. & Finke, P. Cartographie numérique des propriétés du sol à l'aide de l'apprentissage automatique multiple dans une région semi-aride du centre de l'Iran. Géoderme 338, 445–452 (2019).

Article ADS CAS Google Scholar

Han, L., Liu, D., Cheng, G., Zhang, G. et Wang, L. Distribution spatiale et genèse du sel sur la plage saline du lac Qehan, Mongolie intérieure, Chine. Caténa 177, 22–30 (2019).

Article Google Scholar

Zhang, T.-T. et coll. Détection de la salinité du sol avec les données VI de la série chronologique MODIS. Écol. Ind. 52, 480–489. https://doi.org/10.1016/j.ecolind.2015.01.004 (2015).

Article Google Scholar

Wichelns, D. & Qadir, M. La réalisation d'une irrigation durable nécessite une gestion efficace des sels, de la salinité du sol et des eaux souterraines peu profondes. Agric. Gestion de l'eau 157, 31-38 (2015).

Article Google Scholar

Télécharger les références

Nous apprécions grandement les relecteurs et éditeurs anonymes qui ont évalué notre article et fourni des commentaires perspicaces. Cette étude a été soutenue par le projet de la Natural Science Foundation of Xinjiang Uygur Autonomous Region (2019D01C024), le Xinjiang Uygur Autonomous Region Education Department Tianchi Doctoral Research Project (tcbs201816) et le Xinjiang University Doctoral Research Initiation Grant Program (BS180239).

Collège de géographie et des sciences de télédétection, Université du Xinjiang, No. 777 Huarui Street, Xinjiang, 830017, Urumqi, Chine

Shilong Ma, Baozhong He, Boqiang Xie, Xiangyu Ge et Lijing Han

Xinjiang Key Laboratory of Oasis Ecology, Université du Xinjiang, 830017, Urumqi, Chine

Shilong Ma, Baozhong He, Boqiang Xie, Xiangyu Ge et Lijing Han

Laboratoire clé de modélisation de la ville intelligente et de l'environnement de l'Institut d'enseignement supérieur, Université du Xinjiang, 830017, Urumqi, Chine

Shilong Ma, Baozhong He, Boqiang Xie, Xiangyu Ge et Lijing Han

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

SM : Conceptualisation, Méthodologie, Enquête, Logiciel, Formelle, Rédaction-ébauche originale, Analyse formelle. BH : Enquête, Supervision, Rédaction - Revue & Édition, Acquisition de financement. BX : Enquête, Logiciel. XG : Enquête, Analyse formelle. LH : Enquête, Logiciel.

Correspondance à Baozhong He.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui autorise l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Ma, S., He, B., Xie, B. et al. Enquête sur la variation spatiale et temporelle de la salinité du sol à l'aide de Google Earth Engine : une étude de cas à Werigan–Kuqa Oasis, en Chine occidentale. Sci Rep 13, 2754 (2023). https://doi.org/10.1038/s41598-023-27760-8

Télécharger la citation

Reçu : 13 novembre 2022

Accepté : 06 janvier 2023

Publié: 16 février 2023

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

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.