IDENTIFICATION OF SALT-AFFECTED SOILS IN THE COASTAL AREA OF KRISHNA DISTRICT, ANDHRA PRADESH, USING REMOTE SENSING DATA AND MACHINE LEARNING TECHNIQUES

W rolniczej analizie gleby, wyzwanie zasolenia gleby w regionach takich jak dystrykt Krishna, Andhra Pradesh, głęboko wpływa na zdrowie gleby, plony i użyteczność gruntów, wpływając na około 77 598 hektarów ziemi. Aby rozwiązać tę kwestię, porównano trzy algorytmy uczenia maszynowego do klasyfikacji poziomów zasolenia w obszarze przybrzeżnym dystryktu Krishna, Machilipatnam. W badaniu wykorzystano obrazy Landsat-8 z lat 2014-2021, korygując je pod kątem zachmurzenia i tworząc kompozycję w prawdziwych kolorach. Obszar badań został zdefiniowany i zwizualizowany. Do analizy włączono dwanaście wskaźników pochodzących ze zdjęć Landsat. Wskaźniki te, w tym pasma widmowe i wyrażenia matematyczne, są dodawane jako pasma obrazu. Mediana tych wskaźników jest obliczana, a przykładowe punkty reprezentujące zarówno obszary niezasolone, jak i zasolone są wykorzystywane do nadzorowanego uczenia maszynowego. Dane są podzielone na dwa zestawy: treningowy i walidacyjny. W badaniu oceniono Random Forest, Classification and Regression Trees i Support Vector Machines pod kątem klasyfikacji poziomów zasolenia gleby przy użyciu tych wskaźników. Algorytm RF uzyskał dokładność 92,1%, CART 91,3%, a SVM 86%. Wyniki są wyświetlane na mapie, przedstawiając przewidywane poziomy zasolenia za pomocą różnych kolorów. Oceniane są wskaźniki wydajności i wydajność algorytmów. Przeprowadzone badania dają wgląd w klasyfikację zasolenia gleby przy użyciu uczenia maszynowego, co może stanowić skuteczne rozwiązanie problemu zasolenia gleby w Machilipatnam.

Słowa kluczowe:

zasolenie gleby, wskaźnik zasolenia, teledetekcja, uczenie maszynowe, przewidywanie

Bibliografia

Abbas A. et al.: Characterizing soil salinity in irrigated agriculture using a remote sensing approach. Physics and Chemistry of the Earth, Parts a/B/C 55–57, 2013, 43–52. DOI: https://doi.org/10.1016/j.pce.2010.12.004

Aksoy S. et al.: Assessing the performance of machine learning algorithms for soil salinity mapping in Google Earth Engine platform using Sentinel-2A and Landsat-8 OLI data. Advances in Space Research 2022. DOI: https://doi.org/10.1016/j.asr.2021.10.024

Asfaw E. et al.: Soil salinity modeling and mapping using remote sensing and GIS: The case of Wonji sugar cane irrigation farm, Ethiopia 17(3), 2018, 250–258. DOI: https://doi.org/10.1016/j.jssas.2016.05.003

Bharathi S. et al.: Rainfall Analysis For Drought Investigation In Krishna Zone Of Andhra Pradesh. Agricultural Science Digest 31(2), 2011, 150–52.

Cherlinka V.: Soil Salinization Causes & How to Prevent and Manage It. 2021 [https://eos.com/blog/soil-salinization/].

Chhabra R.: Classification of Salt-Affected Soils. Arid Land Research and Management 19(1), 2004, 61–79. DOI: https://doi.org/10.1080/15324980590887344

Chinchmalatpure A.: Reclamation and Management of Salt Affected Soils for Increasing Farm Productivity and Farmers’ Income. 2017 [https://krishi.icar.gov.in/jspui/bitstream/123456789/10792/1/Reclamation%20and%20Management.pdf].

CSSRI et al.: Indo-Dutch Network Project (IDNP): A Methodology for Identification of Water-logging and Soil Salinity Conditions Using Remote Sensing. 2002 [https://edepot.wur.nl/87639].

Douaoui A. et al.: Detecting salinity hazards within a semiarid context by means of combining soil and remote-sensing data. Geoderma 134(1–2), 2006, 217–30. DOI: https://doi.org/10.1016/j.geoderma.2005.10.009

Extent and distribution of salt affected soils in India – ICAR-CSSRI: Central Soil Salinity Research Institute, 2024 [https://cssri.res.in/extent-and-distribution-of-salt-affected-soils-in-india/].

Fathizad H. et al.: Investigation of the spatial and temporal variation of soil salinity using random forests in the central desert of Iran. Geoderma 365, 2020, 114233. DOI: https://doi.org/10.1016/j.geoderma.2020.114233

Fathololoumi S. et al.: Improved digital soil mapping with multitemporal remotely sensed satellite data fusion: A case study in Iran. Science of the Total Environment 721, 2020, 137703. DOI: https://doi.org/10.1016/j.scitotenv.2020.137703

Gomes F. et al.: Velocidade de infiltração da água num plintossolo háplico de campo de murundu sob uma cronossequência de interferência antrópica. Revista Brasileira de Agricultura Irrigada 5(3), 2011, 245–253. DOI: https://doi.org/10.7127/rbai.v5n300054

Hoa P. et al.: Soil Salinity Mapping Using SAR Sentinel-1 Data and Advanced Machine Learning Algorithms: A Case Study at Ben Tre Province of the Mekong River Delta (Vietnam). Remote Sensing 11(2), 2019, 128. DOI: https://doi.org/10.3390/rs11020128

Hussain.: Present Scenario of Global Salt Affected Soils, Its Management and Importance of Salinity Research. International Research Journal of Biological Sciences 1–3, 2019, 1.

Jabbar M. et al.: Assessment of Soil Salinity Risk on the Agricultural Area in Basrah Province, Iraq: Using Remote Sensing and GIS Techniques. Journal of Earth Science 23(6), 2012, 881–891. DOI: https://doi.org/10.1007/s12583-012-0299-5

Kabiraj S. et al.: Automated delineation of salt-affected lands and their progress in coastal India using Google Earth Engine and machine learning techniques. Environmental Monitoring and Assessment 195(3), 2023. DOI: https://doi.org/10.1007/s10661-023-11007-0

Kabiraj S. et al.: Comparative assessment of satellite images spectral characteristics in identifying the different levels of soil salinization using machine learning techniques in Google Earth Engine. Earth Science Informatics 15(4), 2022, 2275–2288. DOI: https://doi.org/10.1007/s12145-022-00866-9

Khan N. et al.: Mapping Salt-affected Soils Using Remote Sensing Indicators-A Simple Approach with the Use of GIS IDRISI. 2001 [https://a-a-r-s.org/proceeding/ACRS2001/Papers/AGS-05.pdf].

Krishna P.V. et al.: Health risk assessment of heavy metal accumulation in the food fish, Channa striata from Krishna river, Andhra Pradesh. International Journal of Fisheries and Aquatic Studies 9(2), 2021, 180–184. DOI: https://doi.org/10.22271/fish.2021.v9.i2c.2448

Kumar N. et al.: Remote Sensing and Machine Learning for Identification of Salt-affected Soils. Studies in Big Data 2021, 267–287. DOI: https://doi.org/10.1007/978-981-16-5847-1_13

Kumar P. et al.: Soil Salinity and Food Security in India. Frontiers in Sustainable Food Systems 4, 2020. DOI: https://doi.org/10.3389/fsufs.2020.533781

Madhu T. et al.: Mapping and Analysis of Wasteland in Machilipatnam Mandal, Krishna District, Andhra Pradesh, India by Using Geographical Information System. International Journal of Advanced Remote Sensing and GIS 4(1), 2015, 1435–1448. DOI: https://doi.org/10.23953/cloud.ijarsg.135

Mandal A.: Modern Tools and Techniques for Diagnosis and Prognosis of Salt Affected Soils and Poor-Quality Waters. Current Investigations in Agriculture and Current Research 2(5), 2018. DOI: https://doi.org/10.32474/CIACR.2018.02.000149

Ramana Murty M. V. et al.: Monitoring of Coastal Geo-Environment for Hazard Mitigation: A Case Study of Machilipatnam Region, Andhra Pradesh, India. American Journal of Geospatial Technology 1(2), 2023, 27–38. DOI: https://doi.org/10.54536/ajgt.v1i2.1381

Rani A. et al.: Identification of salt-affected soils using remote sensing data through random forest technique: a case study from India. Arabian Journal of Geosciences 15(5), 2022. DOI: https://doi.org/10.1007/s12517-022-09682-3

Rouse J. W. et al.: Monitoring vegetation systems in the Great Plains with ERTS. NASA Special Publication 351, 1974, 309.

Scudiero E. et al.: Remote sensing is a viable tool for mapping soil salinity in agricultural lands. California Agriculture 71(4), 2017, 231–38. DOI: https://doi.org/10.3733/ca.2017a0009

Shankarnarayan K. A. et al.: Agroforestry in the arid zones of India. Agroforestry Systems 5(1), 1987, 69–88. DOI: https://doi.org/10.1007/BF00046414

Venkateshwarlu P. D. et al.: Marine Magnetic Indication of a Possible Submerged Volcano off Machilipatnam in Bay of Bengal. Journal of Geological Society of India 39, 1992, 197–203. DOI: https://doi.org/10.17491/jgsi/1992/390304

Wang J. et al.: Capability of Sentinel-2 MSI data for monitoring and mapping of soil salinity in dry and wet seasons in the Ebinur Lake region, Xinjiang, China. Geoderma 353, 2019, 172–187. DOI: https://doi.org/10.1016/j.geoderma.2019.06.040

Wang J. et al.: Soil Salinity Mapping Using Machine Learning Algorithms with the Sentinel-2 MSI in Arid Areas, China. Remote Sensing 13(2), 2021, 305. DOI: https://doi.org/10.3390/rs13020305

Wu W. et al.: Soil salinity prediction and mapping by machine learning regression in Central Mesopotamia, Iraq. Land Degradation & Development 29(11), 2018, 4005–4014. DOI: https://doi.org/10.1002/ldr.3148

Zhu S. et al.: Zeolite diagenesis and its control on petroleum reservoir quality of Permian in northwestern margin of Junggar Basin, China. Science China Earth Sciences 55(3), 2012, 386–396. DOI: https://doi.org/10.1007/s11430-011-4314-y

Anuradha, G., Chivukula, V. S. S. V., & Kothangundla, N. G. (2024). IDENTYFIKACJA GLEB ZASOLONYCH W STREFIE PRZYBRZEŻNEJ DYSTRYKTU KRISHNA, ANDHRA PRADESH, Z WYKORZYSTANIEM DANYCH TELEDETEKCYJNYCH I TECHNIK UCZENIA MASZYNOWEGO. Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 14(2), 83-88. https://doi.org/10.35784/iapgos.5903

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 14 Nr 2 (2024)

Archiwum

##plugins.themes.bootstrap3.article.main##

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja