Untersuchung der räumlichen und zeitlichen Variation des Bodensalzgehalts mithilfe der Google Earth Engine: eine Fallstudie in Werigan

Scientific Reports Band 13, Artikelnummer: 2754 (2023) Diesen Artikel zitieren

967 Zugriffe

1 Zitate

1 Altmetrisch

Details zu den Metriken

Groß angelegte Untersuchungen des Salzgehalts im Boden sind zeit- und arbeitsintensiv, und es ist auch schwieriger, den historischen Salzgehalt zu untersuchen, während in ariden und semi-ariden Regionen die Untersuchung der räumlichen und zeitlichen Eigenschaften des Salzgehalts eine wissenschaftliche Grundlage liefern kann zur wissenschaftlichen Verhinderung von Salzgehalt. Mit diesem Ziel verwendet diese Studie Daten aus mehreren Quellen in Kombination mit Ensemble-Lernen und Google Earth Engine, um ein Überwachungsmodell zu erstellen, um die Entwicklung der Versalzung in der Werigan-Kuqa-Flussoase von 1996 bis 2021 zu beobachten Analysieren Sie die treibenden Faktoren. In diesem Experiment wurden drei Ensemble-Lernmodelle, Random Forest (RF), Extreme Gradient Boosting (XGBoost) und Light Gradient Boosting Machine (LightGBM), anhand von vor Ort für verschiedene Jahre gesammelten Daten und einigen Umgebungsvariablen erstellt Nach der Validierung des Modells wies XGBoost mit einem RMSE von 17,62 dS m−1, einem R2 von 0,73 und einem RPIQ von 2,45 im Testsatz die höchste Genauigkeit der Salzgehaltsvorhersage in diesem Untersuchungsgebiet auf. In diesem Experiment haben wir nach einer Spearman-Korrelationsanalyse der elektrischen Leitfähigkeit (EC) des Bodens mit Umgebungsvariablen festgestellt, dass das Nahinfrarotband im Originalband, das DEM im topografischen Faktor, der auf Fernerkundung basierende Vegetationsindex und der Salzgehalt enthalten sind Der EC-Index des Bodens hatte eine starke Korrelation. Die räumliche Verteilung der Versalzung ist im Allgemeinen im Westen und Norden gut und im Osten und Süden stark ausgeprägt. Nicht-Versalzung, leichte Versalzung und mäßige Versalzung breiteten sich im Laufe von 25 Jahren vom Inneren der westlichen Oase aus allmählich nach Süden und Osten aus. Die starke und sehr starke Versalzung verlagerte sich im Laufe der 25 Jahre allmählich vom nördlichen Rand der Oase in die östlichen und südöstlichen Wüstengebiete. Die Salzböden mit der höchsten Salzgehaltsklasse waren 1996 in den meisten Wüstengebieten im östlichen Teil des Untersuchungsgebiets der Oase Werigan-Kuqa sowie in kleineren Gebieten im Westen verteilt, wobei ihre Größe abnahm und sie durch eine diskontinuierliche Verteilung gekennzeichnet waren 2021. In Bezug auf die Flächenveränderung stieg die nicht versalzte Fläche von 198,25 im Jahr 1996 auf 1682,47 km2 im Jahr 2021. Die Fläche mit salzhaltigem Boden mit dem höchsten Versalzungsgrad sank von 5708,77 im Jahr 1996 auf 2246,87 km2 im Jahr 2021. Insgesamt ist die Gesamtversalzung der Werigan-Kuqa-Oase verbessert.

Die Versalzung des Bodens ist zu einer der Bedrohungen für globale Agrarsysteme geworden1, und es wird erwartet, dass mit dem Klimawandel die Auswirkungen der Versalzung größer werden und der Schadensgrad zunehmen wird, außerdem ist der Entstehungsmechanismus der Versalzung komplex2. Um die Versalzung zu regulieren und Bodendegradation zu verhindern, ist es von entscheidender Bedeutung, die Merkmale der räumlichen und zeitlichen Verteilung der Versalzung und ihre Entwicklungsmuster zu verstehen3.

Herkömmliche Laboranalysen zur Überwachung des Salzgehalts im Boden sind zeit- und arbeitsintensiv, und da sich der Salzgehalt räumlich und zeitlich stark ändert, ist es schwierig, die geografische Verteilung des Salzgehalts und seine Entwicklungsmuster genau zu charakterisieren4. Dank der Weiterentwicklung der Computerhardware und -software sowie der Entwicklung von geografischen Informationssystemen, globalen Positionierungssystemen, Fern- oder Näherungssensoren und digitalen Höhenmodellen hat die digitale Kartierung im Bereich der Bodenkunde für Furore gesorgt und enorme Fortschritte gemacht Datenmengen5, Der Einsatz von Fernerkundungstechniken zur Erkennung des Salzgehalts hat mit dem Aufkommen von Fernerkundungssatelliten an Bedeutung gewonnen. Mikrowellen und multitemporale optische Fernerkundung sind effiziente Methoden zur Identifizierung von Parametern des Oberflächensalzgehalts6.

Für die Modellierung und Vorhersage wurden mithilfe der umfangreichen Wellenbandinformationen optischer Satelliten verschiedene Salzgehaltsindizes erstellt7,8. Wie im Fall von Khan et al.9, die Salinitätsindizes (SI) zur Kategorisierung und Analyse von salzhaltigem Gelände verwendeten, können auf der Fernerkundung basierende Salinitätsindizes sofort auf den Salzgehaltsstatus der Oberfläche an Orten reagieren, an denen diese unfruchtbar oder spärlich ist vegetiert. Aufgrund des Einflusses anderer Elemente wie Bodenfeuchtigkeit, Vegetationsbedeckung und Datenerfassungszeit ist es äußerst schwierig, in natürlichen Situationen reine Salzspektralinformationen zu erhalten. Da salztolerante Pflanzen in trockenen und halbtrockenen Klimazonen gedeihen, wird der Vegetationsindex als indirekter Indikator für den Salzgehalt verwendet10. Viele Studien zur Vorhersage des Salzgehalts, wie zum Beispiel Ramos et al.7, verwendeten den Canopy Response Salinity Index (CRSI), den Enhanced Vegetation Index (EVI) und den Normalized Difference Vegetation Index (NDVI), um den Salzgehalt im Feld zu bewerten; Weitere häufig zur Überwachung des Salzgehalts verwendete Indizes sind der Soil Adjust Vegetation Index (SAVI), der Ratio Vegetation Index (RVI), der Divergence Vegetation Index (DVI) und der Green Vegetation Index (GVI)11,12.

Die Bildung des Salzgehalts im Boden hängt in hohem Maße nichtlinear mit vielen Umweltfaktoren zusammen, und Algorithmen für maschinelles Lernen sind im Bereich der Salzgehaltsforschung aufgrund ihrer effizienten Data-Mining-Funktionen beliebt13,14. Es war schwierig, bei der digitalen Kartierung von Böden das optimale Modell für ein bestimmtes Gebiet auszuwählen, aber maschinelles Lernen hat sich bei der genauen Vorhersage des Salzgehalts nachweislich als besser erwiesen als herkömmliche statistische Modelle15,16. Die Leistung verschiedener Algorithmen für maschinelles Lernen wurde auch mit linearen Regressionsmodellen und zwischen Algorithmen für maschinelles Lernen für die Salting-Inversionsanalyse verglichen, darunter Multi-Layer Perceptron-Artificial Neural Network (MLP-ANN), Multivariate Adaptive Regression Splines (MARS), Klassifizierung und Regressionsbaum (CART), Support Vector Regression (SVR) und RF. Mit der Reife der Ensemble-Lernmethode wird sie häufig in der Bildklassifizierungsforschung eingesetzt17, wird jedoch nicht häufig in Studien zur Vorhersage des Salzgehalts im Boden verwendet. Um die geografische Variabilität des Salzgehalts und der Alkalität des Bodens in landwirtschaftlich genutzten Regionen, die vom Salzgehalt betroffen sind, zu bewerten, haben mehrere Forscher Zufallswälder eingesetzt, mit zufriedenstellenden Ergebnissen18. Jüngste Studien zur Vorhersage des Salzgehalts verwendeten XGBoost19,20, während andere Ensemble-Lerntechniken, einschließlich der Lichtgradienten-Boosting-Maschine, im Bereich der Salzgehaltsforschung LightGBM21 selten veröffentlicht wurden. Daher wurden in dieser Studie drei Ensemble-Lernmodelle auf die Vorhersage und Kartierung des Salzgehalts angewendet, um ihre mögliche Anwendung bei der Überwachung des Salzgehalts zu bewerten. Die langfristige Überwachung des Salzgehalts in ariden und semi-ariden Gebieten ist unerlässlich, da sie die lokalen Beziehungen zwischen Mensch und Land angemessen berücksichtigen und als Leitfaden für die Kontrolle des Salzgehalts dienen kann. Das enorme Datenvolumen macht den Informationsextraktionsprozess in der multitemporalen Fernerkundung zu einer Herausforderung. Vorteilhafterweise bietet Google Earth Engine eine leistungsstarke Datenverarbeitungsplattform, die eine Vielzahl geografischer Daten umfasst, darunter verschiedene Arten von Fernerkundungsdaten22. Die räumliche und spektrale Auflösung der multispektralen Fernerkundung eignet sich aufgrund ihrer großen Abdeckung und einfachen Erfassung gut für die Überwachung des Salzgehalts6,23. In dieser Studie wurden Landsat5 TM- und Landsat OLI-Satelliten als Fernerkundungsdatenquellen für diese Studie ausgewählt, da die Salzgehaltsverteilung in der Inversionsepoche vorhergesagt werden muss und die Landsat-Satelliten eine gute Leistung bei der Salzgehaltsüberwachung aufweisen24,25.

In dieser Studie wurden experimentelle Daten aus vier Jahren aggregiert, um das Vorhersagemodell stabiler zu machen und genauere Informationen über die räumliche Verteilung der Versalzung zu liefern. Die spezifischen Ziele dieser Studie waren: (1) Bewertung der Vorhersagekraft von RF, Verwendung eines optimalen Vorhersagemodells; (3) Die räumlichen und zeitlichen variablen Merkmale der Versalzung in der Oase Werigan-Kuqa während der letzten 25 Jahre; (4) Diskutieren Sie die Auswirkungen der Ausweitung von Ackerland und der Sanierung von Böden auf den Salzgehalt.

Das Untersuchungsgebiet ist die Werigan-Kuqa-Flussoase (auch bekannt als Werigan-Kuqa-Oase), die auf einer Höhe von 901–1069 m über dem Meeresspiegel im nördlich-zentralen Tarim-Becken des Uigurischen Autonomen Gebiets Xinjiang liegt. Es hat eine Fläche von rund 9769,76 km2. Die Werigan-Kuqa-Oase weist aufgrund ihrer tiefen Lage im Landesinneren und der Entfernung vom Meer ein typisches warm-gemäßigtes kontinentales Trockenklima mit durchschnittlichen jährlichen Niederschlags- und Verdunstungsmengen von 70 bzw. 1100 mm und einem hohen Evapotranspirationsverhältnis von 16:1 auf. Die Forschungsregion besteht größtenteils aus Wüste, Landwirtschaft, Grasland und Wäldern, wobei in der Wüste salz- und dürretolerante Pflanzen gedeihen. Die Werigan-Kuqa-Oase ist im Allgemeinen flach, mit einem hohen Grundwasserspiegel, einer langen Trockenzeit und starker Verdunstung. In diesem Zusammenhang können sich Salze leicht an der Oberfläche ansammeln, sodass das als Untersuchungsgebiet gewählte Gebiet repräsentativ ist und eine große Bedeutung für die Verbesserung des ökologischen Umfelds und die Entwicklung der landwirtschaftlichen Produktion hat (Abb. 1).

Abbildung (A) zeigt den Standort von Xinjiang, Abbildung (B) zeigt den Standort des Untersuchungsgebiets in Xinjiang, Abbildung (C) zeigt die Verteilung der Probenahmestellen im Untersuchungsgebiet in verschiedenen Jahren und Abbildung (D) zeigt die Höhe des Studiengebietes.

Feldprobennahmen und Untersuchungen der Werigan-Kuqa-Oase werden jährlich durchgeführt, wobei die meisten Probennahmen jedes Jahr im Juli stattfinden. Die Lage der Probenahmestellen sowie die Anzahl der Probenahmestellen wurden durch die Kombination vorhandener digitaler Bodenkarten (Salzgehaltskarten, Bodentyp, Bodentextur) und Landnutzungs-/Bedeckungstypen bestimmt, während die Probenahmestrategien auf der Grundlage von Feldbeobachtungen aus den vorherigen Jahren geändert wurden Jahr, um Änderungen von Jahr zu Jahr zu berücksichtigen (Abb. 1). Der Standort jeder Probenahmestelle wird mit einem tragbaren GPS aufgezeichnet und die Bodenproben werden für den nächsten Schritt der Laboranalyse in transparente, versiegelte Beutel (ca. 500 g) verpackt. In dieser Studie wurden 4 Jahre Daten zur elektrischen Leitfähigkeit (EC) der Bodenoberfläche (0–10 cm) zusammengefasst und überprüft. Die Probenahmezeitpunkte im Feld waren Juli 2006 mit 36 ​​Proben; Juli 2017, mit 84 Proben; Juli 2018 mit 75 Proben und Juni 2021 mit 63 Proben. Alle Proben wurden an der Luft getrocknet, gemahlen, homogenisiert und auf eine Größe von 0,15 mm gesiebt. Pro 20 g Erde 100 ml destilliertes Wasser hinzufügen, 30 Minuten lang gründlich mischen und dann 24 Stunden lang stehen lassen. Bei einer Raumtemperatur von 25 °C wurde die Bodenleitfähigkeit mit einem digitalen Multiparameter-Messsystem (Multi 3420 Set B, WTW GmbH, Deutschland) gemessen, das mit einer Verbundelektrode (TetraCon 925) ausgestattet war26.

Der Schlüssel zur Auswahl der Umgebungsvariablen liegt darin, dass die Kovariaten auf die Art der Bodenbildung, das Klima, die Biologie und den Landschaftstyp usw. reagieren müssen. Gemäß dem SCORPAN-Framework (S steht für Boden, C steht für Klima, O steht für Organismen). , R steht für Relief, P steht für Ausgangsmaterial, A steht für Alter und N steht für Raum.)5 wurde eine Reihe von Umweltfaktoren ausgewählt, darunter jedes der ursprünglichen Bänder von Landsat5 TM und Landsat8 OLI, und es wurden verschiedene Indizes abgeleitet aus Fernerkundung (Vegetationsindex, Salinitätsindex), Höhendaten und daraus abgeleiteten Indizes (z. B. Terrain Moisture Index, TWI).

In dieser Studie wurde die auf Fernerkundung basierende Indexextraktion in der Cloud-Plattform Google Earth Engine durchgeführt. Es wurden das Landsat5 TM-Bild vom 22. Juli 2006 und die Landsat8 OLI-Bilder vom 4. Juli 2017, 23. Juli 2018 und 15. Juli 2021 ausgewählt, die mit der Probenahmezeit übereinstimmten und eine Bewölkung von weniger als 10 % aufwiesen. Die auf Fernerkundung basierenden Umweltvariablen umfassen 6 Rohbänder, 12 Vegetationsindizes, 9 Salzgehaltindizes, 1 Karbonatindex und 1 Helligkeitsindex (Tabelle 1).

In dieser Studie wurden 11 topografische Indizes mithilfe von DEM-Daten mit einer Auflösung von 30 m aus der Geospatial Data Cloud (http://www.gscloud.cn/) generiert, ausgeschnitten und mithilfe der SAGA GIS-Software zusammengefügt (Tabelle 2). Die Ergebnisse von Vermeulen und Van Niekerk41 zeigten, dass die Verwendung von Höhendaten und der daraus abgeleiteten topografischen Indizes als geostatistische und maschinelle Lerneingabevariablen ein großes Potenzial für die Vorhersage des Salzgehalts zur Überwachung der Salzansammlung in bewässerten Gebieten haben.

Random Forest, entwickelt von Breiman42, ist ein beliebter Ensemble-Lernalgorithmus, der auf baumbasiertem Bagging (Bootstrap-Aggregation)43 basiert und den Vorteil hat, über nichtlineare Mining-Fähigkeiten, eine Datenverteilung, die keinen Annahmen entsprechen muss, und die Handhabung beider Ränge zu verfügen und kontinuierliche Variablen, um Überanpassung, schnelles Training und quantitative Beschreibung des Beitrags von Variablen zu verhindern. RF ist eine Bagging-Verbesserung, die die Variablenauswahl verbessert.44 Anstatt die optimale Aufteilung aller Merkmale an jedem Knoten auszuwählen, wählt RF zufällig eine Teilmenge von Features aus, um über die Aufteilung zu entscheiden. Dadurch wird RF widerstandsfähiger gegen Rauschen und weniger anfällig für Überanpassung. Darüber hinaus kann RF sehr gut mit Ausreißern umgehen45. Die Anzahl der Bäume und Prädiktorvariablen, die das Random-Forest-Modell ermöglicht, damit der Entscheidungsbaum so groß wie möglich wird, ohne dass er beschnitten wird, ist sein entscheidender Faktor. Die in dieser Studie modifizierten primären Hyperparameter sind die Anzahl der Bäume im Wald und die Anzahl der Merkmale, von denen angenommen wird, dass sie sich an jedem Blattknoten teilen46. In dieser Arbeit haben wir das Open-Source-Paket für maschinelles Lernen Scikit-learn verwendet, um einen RF-Modus47 zu erstellen.

Extreme Gradient Boosting (XGBoost) ist ein beliebter Boosting-basierter Ensemble-Algorithmus für maschinelles Lernen48. Dieser Algorithmus wurde im Kaggle-Signalerkennungswettbewerb verwendet und hat aufgrund seiner herausragenden Effizienz und hohen Vorhersagegenauigkeit viel Aufmerksamkeit erregt49. Im Gegensatz zum Bagging handelt es sich beim Boosting um eine iterative Methode, die der Integration sukzessive neue Bäume hinzufügt und vom vorherigen Baum fälschlicherweise vorhergesagte Stichproben in den nachfolgenden Bäumen mit höherer Gewichtung erhält. Dank zahlreicher bedeutender systematischer und algorithmischer Verbesserungen wird das Gradient-Boosting-Framework effektiv und flexibel in XGBoost49,50 implementiert. Die Anzahl der Gradienten-Boosting-Bäume (n_ Schätzer), die Lernrate (eta), die maximale Tiefe des Baums (max_ Depth) und die Spalte pro Ebene des Subsample-Verhältnisses sind einige der wichtigen Hyperparameter, die von XGBoost optimiert werden. Zum Trainieren von XGBoost-Modellen wird die Open-Source-Software Scikit-Learn verwendet.

Light Gradient Boosting Machine (LightGBM) ist ein Framework, das die Idee des GBDT-Algorithmus (Gradient Boosting Decision Tree)51 umsetzt, einem Boosting-Entscheidungsbaum-Tool, das vom Microsoft DMTK-Team als Open-Source-Lösung bereitgestellt wird und eine hohe Trainingsgeschwindigkeit und eine geringere Speichernutzung aufweist, was sehr wichtig ist beschleunigt das Training und bietet außerdem eine bessere Modellgenauigkeit. LightGBM führt die folgenden Optimierungen am herkömmlichen GBDT-Algorithmus durch: Gradient-based One-Side Sampling (GOSS) und Exclusive Feature Bunding (EFB)51. GOSS ist eine Unterabtastungstechnik, die zum Erstellen von Trainingssätzen verwendet wird, um den Basisbaum in der Integration aufzubauen, Daten mit größeren Gradienten aus der Stichprobe auszuwählen, um ihren Beitrag zum berechneten Informationsgewinn zu erhöhen, und EFB führt bestimmte Datenmerkmale zusammen, um die Datendimensionalität zu reduzieren52. Im Allgemeinen wird die Vorhersagegenauigkeit erheblich von den Hyperparametern beeinflusst53. Bevor wir LightGBM einsetzen, müssen wir zunächst herausfinden, wie viele und wie stark seine Hyperparameter variieren können. Die Anzahl der Blätter, die Lernrate und die maximale Tiefe sind die wichtigen Faktoren.

Für dieses Experiment wurden die oben genannten drei Modelle auf der Spyder-Plattform basierend auf der Programmiersprache Python 3.9.7 erstellt.

Die Wirksamkeit der Modellanwendung hängt von der Wahl der Modellparameter ab. In den Bereichen statistische Analyse und maschinelles Lernen wird häufig die K-Fold-Kreuzvalidierungsmethode verwendet, um die Generalisierbarkeit von Modellen zu bewerten. Die Rastersuchmethode ist eine umfassende Suchmethode, die die Werte der Parameter angibt. Sie wird von Scikit-GridSearchCV ausgeführt, das die möglichen Werte jedes Parameters anordnet und kombiniert, alle möglichen Kombinationen auflistet und eine Kreuzvalidierung durchführt die Parameter der Schätzfunktion zu optimieren, um den besten Lernalgorithmus zu erhalten54. Der Minimalwert des Root Mean Square Error (RMSE) wird als Kriterium für die Auswahl der Modellparameter verwendet. In diesem Experiment wird angenommen, dass der Wert von K 5 beträgt, wie folgt:

Teilen Sie den Datensatz in Trainingssatz, Testsatz und K-fache Aufteilung der Trainingssatzdaten auf.

Bestimmen Sie den Bereich jedes Parameters des Modells am Beispiel eines Zufallswaldes und bestimmen Sie die Anzahl der Entscheidungsbäume m sowie die Tiefe h. Die Parameterkombination ist die Kreuzknoten eines zweidimensionalen Gitters mit m und hat horizontale und vertikale Achsen.

Wählen Sie beliebige K-1-Daten aus dem Trainingssatz aus, wählen Sie einen Satz knotenübergreifender Parameter aus, erstellen Sie einen Entscheidungsbaum mit einer Stichprobe aller K-1-Daten, prognostizieren Sie die endgültigen 1 Daten und berechnen Sie den durchschnittlichen quadratischen Mittelfehler von Alle Bäume im letzten 1 Trainingsmuster.

Wiederholen Sie die beiden oben genannten Schritte, bis Sie K-1 Kopien der Daten durchlaufen haben.

Durchlaufen Sie die Parameterkombinationen aller Kreuzungsknoten des Gitters. 6.

Die Schritte 3 bis 5 werden wiederholt und mithilfe einer Kreuzvalidierung die Leistung des Modells im Testdatensatz berechnet. (Tabelle 3) zeigt die Kombination der durch Rastersuche optimierten Modellparameter.

In dieser Untersuchung werden das Bestimmtheitsmaß R2, der mittlere quadratische Fehler (RMSE) und die Leistung zum Interquartilsabstand (RPIQ) verwendet, um die Leistung von RF, XGBoost und Lightgbm zu bewerten. Je näher R2 bei 1 liegt, desto genauere Modelle werden angepasst. Je näher die Zahl bei 0 liegt, desto geringer ist die Differenz zwischen dem gemessenen Wert und dem vorhergesagten Wert des Modells und desto größer ist die Fähigkeit des Modells, die Zukunft vorherzusagen. Der Wert von RMSE steht im umgekehrten Verhältnis zur Genauigkeit des Modells. RPIQ ist das Verhältnis zwischen Quartilbereich und RMSE, und der Interquartilbereich ist die Differenz zwischen 75 und 25 % der Stichprobenwerte. Es wird allgemein angenommen, dass ein RPIQ < 1,7 auf eine geringe Zuverlässigkeit der Modellvorhersage hindeutet, 1,7 ≤ RPIQ ≤ 2,2 auf eine einigermaßen ausgewogene Vorhersagefähigkeit hindeutet und RPIQ ≥ 2,2 auf eine sehr starke Vorhersagefähigkeit hinweist. RPIQ ist ein sinnvolleres und objektiveres Maß im Vergleich zum Verhältnis von Leistung zu Abweichung (RPD), insbesondere für Bodenproben mit einer ungewöhnlichen Verteilung55,56. Die Gleichungen (1)–(3) zeigen den Ausdruck dieser Modellbewertungsmetriken:

Dabei ist N die Anzahl der Proben, Xi der gemessene EC-Wert, Yi der berechnete Wert, Xi* der mittlere gemessene EC-Wert, Yi* der geschätzte EC-Wert des Bodens, SD die Standardabweichung und ΔQ das Interquartil Abstand (IQR), der die Differenz zwischen dem oberen Quartil (Q3) und dem unteren Quartil (Q1) darstellt.

Der Ablauf dieses Experiments ist in (Abb. 2) dargestellt. Die Cloud-Plattform Google Earth Engine wurde verwendet, um die auf der Fernerkundung basierenden Umgebungsvariablen zu berechnen und zu erhalten, die der Probenahmezeit entsprechen, um ein Boden-EC-Vorhersagemodell zu erstellen. Da sich die Probenahmezeit hauptsächlich auf den Juli konzentriert, werden basierend auf dem optimalen Modell die räumlichen Verteilungskarten der Boden-EC im Juli eines jeden Jahres in den Jahren 1996, 2006, 2017 und 2021 erhalten (die Fernerkundungsdaten vom 24. Juni wurden ausgewählt, weil Das Fernerkundungsbild vom Juli 1996 ist zu bewölkt, um die Kartierungsanforderungen zu erfüllen. Dieser Schritt wird mithilfe der Spyder-Entwicklungsumgebung mit Hilfe von GDAL, Pandas und anderen Bibliotheken durchgeführt, um die Kartierung abzuschließen.

Flussdiagramm.

In diesem Experiment wurden die endgültigen Daten von 258 Boden-EC-Proben erhalten, nachdem die Ausreißer aus den Probendaten entfernt wurden. Nach der statistischen Analyse wurden das Minimum, das Maximum, der Mittelwert, die Standardabweichung, der Variationskoeffizient, die Kurtosis und die Schiefe der elektrischen Leitfähigkeit (EC) des Bodens bestimmt (Tabelle 4).

Die EC-Werte des Bodens in der Werigan-Kuqa-Oase lagen zwischen 0,079 dS m−1 und 143,4 dS m−1, was zeigt, dass die Proben eine große Spanne aufwiesen. Die Schiefe von 1,37 ist viel höher als 0, was darauf hinweist, dass die Stichprobendaten keiner Normalverteilung folgen. Die Standardabweichung betrug 33,2 dS m−1 und der Variationskoeffizient 1,19, was größer als 1 ist, was zu einer starken Variabilität gehört, was mit der Studie von Wang et al.40 übereinstimmt, die die hohe räumliche Variabilität des Bodens zeigt EC-Werte im Gebiet der Oase Werigan–Kuqa.

Bei der Modellierung der Überwachung des Bodensalzgehalts sind nicht alle Umweltvariablen in die Modellierung einbezogen und es gibt Unterschiede in ihrem Beitrag zur EC-Vorhersage40. Daher ist es notwendig, die Umweltvariablen zu überprüfen. Basierend auf der statistischen Analyse der EC-Werte der Probe betrug die Schiefe 1,47 (Tabelle 4), daher wurde die Spearman-Korrelationsanalyse bei der Analyse der Beziehung zwischen Umgebungsvariablen und EC-Werten des Bodens verwendet. In dieser Studie wurden zunächst 38 Umweltvariablen (ursprüngliches Band, Vegetationsindex, Salzgehaltindex, Topographieindex usw.) ausgewählt, und nach der Spearman-Korrelationsanalyse wurden 31 Umweltvariablen ausgewählt und die verbleibenden relevanten Variablen waren nicht signifikant korreliert (Tabelle 5). ).

Unter den Rohbändern der Fernerkundung waren die Korrelationen mit der Boden-EC NIR (R = − 0,610), SWIR2 (R = 0,423), Rot (R = 0,372), SWIR1 (R = 0,3) und Grün (R = 0,246). in absteigender Reihenfolge. Salzgehaltsindizes als direkte Indikatoren bei der Salzgehaltsüberwachung57 zeigten eine gute Korrelation mit dem Boden-EC, und alle neun ausgewählten Salzgehaltsindizes korrelierten signifikant mit EC-Werten, mit Korrelationskoeffizienten bis zu 0,531 (SIA, SIB, SIT, SAIO sind alles Salzgehaltsindizes, die sind verschiedene Kombinationen unterschiedlicher Wellenformen). Die Korrelation zwischen Vegetationsindex und Boden-EC-Werten in absteigender Reihenfolge beträgt 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) zeigt, dass der Vegetationsindex ein guter Indikator als indirekter Indikator für die Überwachung des Salzgehalts ist. Im Vergleich zu NDVI erhöht SAVI das Vegetationssignal und verringert den Bodenhintergrund, daher besteht eine starke Korrelation mit der Boden-EC (R = − 0,55). Darüber hinaus weist OSAVI die gleiche Korrelation wie SAVI auf, OSAVI vermeidet jedoch die komplexe Berechnung von Bodengrundparameter. Unter den topografischen Korrelationsfaktoren besteht die höhere Korrelation mit DEM (R = − 0,463), gefolgt von CND (R = − 0,175) und schließlich RSP (R = − 0,174). Die geringere Korrelation zwischen der Topographie und ihren Indizes mit EC wird durch die allgemeine Flachheit der Werigan-Kuqa-Oase erklärt. Schließlich korrelierte der Karbonatindex CAEX signifikant (R = 0,612) mit den EC-Werten des Bodens, die durch die Bodeneigenschaften des Untersuchungsgebiets bestimmt wurden.

Verschiedene Umweltfaktoren haben in Vorhersagemodellen unterschiedliche prädiktive Beiträge zur Boden-EC, und nicht alle Umweltfaktoren sind signifikante Variablen in der Modellierung58. Daher ist es notwendig, die Wichtigkeit der Umweltvariablen einzustufen die drei Modelle selbst und beobachten Sie die Unterschiede im Beitrag der Variablen in den drei Modellen.

Die Abbildungen 3, 4 und 5 zeigen die Ergebnisse der drei Modelle zur Merkmalsauswahl. Der Grad des Beitrags der Variablen war unterschiedlich, aber einzelne Variablen zeigten in allen drei Modellen einen hohen Beitrag, und unter den Vegetationsindizes trugen die meisten im Allgemeinen gut bei. CRSI war am stabilsten und zeigte in allen drei Modellen einen hohen Beitrag. In Übereinstimmung mit Scudiero et al.34 und Wu et al.59 schnitt GARI unter allen an RF beteiligten Umgebungsvariablen am besten ab. Fernerkundungs-Primitivbänder sind von zentraler Bedeutung für die Beteiligung an der Modellierung. In der Untersuchung verwandter Wissenschaftler wurde die Beziehung zwischen jedem Band und salzhaltigen Böden im Detail analysiert. Je höher der Salzgehalt im Boden, desto höher ist das Reflexionsvermögen aller TM-Spektralbänder59 und Das spektrale Reflexionsvermögen von CaCO3, CaSO4⋅2H2O und Gipssand wurde im Labor analysiert. Sie kamen zu dem Schluss, dass Salzmineralien nachgewiesen werden können, wenn sie die Hauptbestandteile des Bodens darstellen.60 Unter den primitiven Bändern, die an der Modellierung beteiligt sind, sticht das NIR-Band besonders hervor Bei der Teilnahme am Random-Forest-Modellierungsprozess ist der Beitrag nach GARI der zweitgrößte. Der Salzgehaltsindex sticht als direkter Indikator in Gebieten mit geringer Vegetation hervor, und der SIA hat in dieser Studie hinsichtlich des Beitrags über die drei Vorhersagemodelle hinweg eine konsistente Leistung erbracht. Der Salzgehaltsindex integriert die meisten Bodeneigenschaften, die durch den Salzgehalt beeinflusst werden, und der Salzgehaltsindex ist auch sehr kosteneffektiv für mögliche groß angelegte Untersuchungen zur Verhinderung von Bodenversalzung auf Landschaftsebene57.

Charakteristisches Bedeutungsdiagramm von RF.

Charakteristisches Wichtigkeitsdiagramm von XGBoost.

Charakteristisches Wichtigkeitsdiagramm von LightGBM.

In diesem Experiment werden zwei Ansätze zur Modellvalidierung verwendet, der Validierungsansatz der Aufteilung des Datensatzes in Trainings- und Testsätze und der Kreuzvalidierungsansatz (Tabelle 6, Abb. 6), und es wurde festgestellt, dass der R2-Wert von XGBoost war mit 0,84 bzw. 0,73 der höchste unter den drei Modellen sowohl im Trainings- als auch im Testsatz, und der RMSE-Wert war auch im Trainings- und Testsatz der niedrigste mit 13,57 dS m−1 bzw. 17,62 dS m−1. Auch der RPIQ-Wert ist mit 3,32 im Trainingssatz und 2,45 im Testsatz am höchsten. Wenn RPIQ ≥ 2,2 ist, bedeutet dies, dass das Modell eine hervorragende Vorhersageleistung erzielt. Im Vergleich zur Leistung der RF- und LightGBM-Modelle im Testsatz (2,39 bzw. 2,32) verfügt XGBoost über eine hervorragende Vorhersagefähigkeit. Ebenso weist XGBoost nach zehnfacher Kreuzvalidierung den niedrigsten RMSE-Wert von 19,9 dS m−1 für die drei Modelle auf. Daher wird XGBoost als optimales Modell für die digitale Kartierung der räumlichen Verteilung des Salzgehalts verwendet.

Gemessene und vorhergesagte Regressionsanalyse der drei Modelle.

In der Forschungsregion wurden alle Bodenproben anhand der häufig verwendeten Methode zur Klassifizierung des Bodensalzgehalts zur weiteren Analyse und Visualisierung61 (Tabelle 7) und der räumlichen Verteilung der Bodenversalzung in der Werigan-Kuqa-Oase am 11. August 1996 in sechs Gruppen eingeteilt. 22. Juli 2006, 4. Juli 2017 und 15. Juli 2021 wurden unter Verwendung des ausgewählten optimalen Modells und der entsprechenden optimalen Variablen invertiert (Abb. 7). Um die Genauigkeit der räumlichen Verteilungskarte des Salzgehalts nach der Neuklassifizierung weiter zu überprüfen, wurden in diesem Experiment die Stichprobenpunkte 2017 und 2021 als Validierungssatz verwendet und die Genauigkeit mithilfe der Verwirrungsmatrix und des Kappa-Koeffizienten (Abb. 7) sowie des Kappa-Koeffizienten überprüft wurde mit 0,71 erhalten, was darauf hinweist, dass die Salzgehaltskarte einen hohen Grad an Konsistenz aufweist.

Überprüfung der Verwirrungsmatrix.

Gemäß (Abb. 8) weist die räumliche Verteilung der Versalzung in der Werigan-Kuqa-Oase eine Verteilung auf, die im Westen und Norden gut und im Osten und Süden stark ausgeprägt ist. Die mäßige und geringere Versalzung in der Werigan-Kuqa-Oase ist im Westen und Norden der Werigan-Kuqa-Oase verteilt, einem Oasengebiet mit guten Bewässerungsbedingungen (Abb. 1), in dem der Hauptmerkmalstyp Ackerland ist relativ hoch, nicht leicht durchnässt und die Vegetationsdecke ist relativ hoch. Mit der Ausdehnung der räumlichen Ausdehnung der Ackerflächen zeigen auch die leichte Versalzung und darunter eine entsprechende radiale Veränderung nach Süden, Südwesten und Südosten und werden räumlich kontinuierlicher. Bis 2021 hat sich an den westlichen und südlichen Rändern der Werigan-Kuqa-Oase eine sehr starke Versalzung in eine leichte Versalzung umgewandelt, in den östlichen und nordöstlichen Regionen entstanden räumlich diskontinuierliche neue Ackerflächen, so dass auch eine leichte Versalzung sporadisch erfolgte räumliche Aufteilung.

Räumliche Verteilung der Bodenversalzung in den Jahren 1996, 2006, 2017 und 2021.

Starke und sehr starke Versalzung war 1996 hauptsächlich im nördlichen Teil der Werigan-Kuqa-Oase verbreitet, und bis 2006 verbesserte sich die Versalzung in der Region und verlagerte sich allmählich nach Osten und Süden, um sich bis 2021 nach Südosten zu entwickeln. Der Entwicklungstrend von Die starke und sehr starke Versalzung über 25 Jahre steht in engem Zusammenhang mit der niedrigen südöstlichen und hohen nordwestlichen Topographie der Werigan-Kuqa-Oase (Abb. 1).

Die ausgeprägteste räumliche Verteilung und die ausgeprägtesten Entwicklungsmerkmale von Salzböden mit dem höchsten Versalzungsgrad waren 1996 hauptsächlich am südwestlichen Rand der Werigan-Kuqa-Oase und den meisten Wüstengebieten im Osten verteilt und verlagerten sich in die Klassen „schwer“ und „sehr“. Im Jahr 2017 war die Erkrankung schwerwiegend und wird sich bis 2021 deutlich verbessern, insbesondere in den östlichen Wüstengebieten. Basierend auf jahrelangen Felduntersuchungen wurde festgestellt, dass im östlichen Teil der Werigan-Kuqa-Oase eine spärliche Salzvegetation wächst, während der südöstliche Teil des Gebiets spärlich bewaldet ist. Durch die verstärkten Bemühungen zum Schutz der Vegetation im östlichen Gebiet hat sich die Vegetationsbedeckung deutlich erhöht und damit auch die Verdunstung des Oberflächenwassers entsprechend abgenommen, wodurch sich die Salzansammlung an der Oberfläche verringert hat.

Wie in (Abb. 9) dargestellt, beträgt die nicht versalzte Fläche der Werigan-Kuqa-Oase 198,25 km2 im Jahr 1996 und 1682,47 km2 im Jahr 2021, was einem Anstieg von 748,6 % entspricht; Die leichte Versalzung betrug 1996 346,78 km2 und stieg seitdem Jahr für Jahr auf 1441,29 km2 im Jahr 2021, was einem Anstieg von 315,6 % im Vergleich zu 1996 entspricht; Die mäßige Versalzung blieb von 1996 bis 2006 stabil und stieg bis 2017 erheblich auf 1062,26 km2 bis 2021, was einem Anstieg von 134,8 % im Vergleich zu 1996 entspricht; Die starke Versalzung betrug 1996 431,26 km2 und 2021 838,132 km2; Die sehr starke Versalzung bleibt von 1996 bis 2021 relativ stabil, mit einer Fläche von 2498,74 km2 bis 2021; Die Fläche des salzhaltigen Bodens betrug 1996 5708,77 km2, sank dann auf 5168,7 km2 im Jahr 2006, gefolgt von einem stärkeren Rückgang auf 794,48 km2 im Jahr 2017 und 2246,87 km2 im Jahr 2021, was einem Rückgang von 60,6 % im Vergleich zu 1996 entspricht. Basierend auf den Ergebnissen der obige statistische Analyse: In den letzten 25 Jahren nahmen die nicht versalzten, leicht versalzten und mäßig versalzten Flächen stärker zu, die salzhaltige Bodenfläche nahm stärker ab und die starke und sehr starke Versalzung veränderte sich weniger und blieb stabil, sodass es zu einer Verbesserung kam der Bodenversalzung in der Werigan-Kuqa-Oase.

Trends im Bereich unterschiedlicher Versalzungsgrade.

Verschiedene Multispektralsensoren stützen sich bei der Bodenüberwachung auf die spektralen Reflexionseigenschaften des Bodens62, und die spektrale Reflexion variiert je nach Salzgehalt, oft mit einer weißen Salzkruste, die in stark salzhaltigen Gebieten an der Bodenoberfläche haftet. Je höher die Versalzung, desto höher steigt entsprechend das spektrale Reflexionsvermögen jedes Bandes13. Daher wird es möglich, die Versalzung mithilfe von Rohbändern oder abgeleiteten Spektralindizes der Fernerkundung zu überwachen. In früheren Studien zur Überwachung des Salzgehalts variierte die Auswahl der Umgebungsvariablen, z. B. die direkte Verwendung von Salzgehaltsindizes zur Schätzung des Salzgehalts des Bodens63, die indirekte Schätzung des Salzgehalts des Bodens mithilfe von Vegetationsindizes64 oder die Kombination mehrerer Umweltvariablen und deren Gruppierung, um Vergleiche vorherzusagen58.

Ziel dieser Studie ist es, die räumliche Verteilung der Versalzung in der Werigan-Kuqa-Oase in verschiedenen Jahren abzubilden und den sich ändernden Trend der Versalzungsfläche in verschiedenen Graden zu analysieren. Daher werden Fernerkundungsdaten ausgewählt, die mit der Probenahmezeit in verschiedenen Jahren übereinstimmen können, und auf der Grundlage der Extraktion von Umgebungsvariablen aus Fernerkundungsbildern wird ein stabiles Boden-EC-Vorhersagemodell erstellt, das es ermöglicht, das Ziel der räumlichen Verteilung der Versalzung zu erreichen Erstellen Sie eine realistische und genaue Kartierung und stellen Sie Datenreferenzen für das Versalzungsmanagement und das Wasserressourcenmanagement bereit. Die früheste Datenerhebung in diesem Untersuchungsgebiet begann im Jahr 2006, daher wurden bei dieser Modellierung Probendaten aus den Jahren 2006, 2017, 2018 und 2021 für die Modellierung zusammengefasst, wobei die verfügbaren Labordaten vollständig genutzt wurden. Diese Studie nutzt die Google Earth Engine-Plattform für eine schnelle Online-Rechenverarbeitung. Daher ist die von Google Earth Engine vorgestellte Fernerkundungs-Cloud-Plattform eine hervorragende Option für die Umweltüberwachungsforschung, die lange Zeitreihen von Fernerkundungsdaten nutzt.

Die Verteilung der Salzversalzung in der Werigan-Kuqa-Oase weist unterschiedliche regionale Merkmale auf. Im Südosten und Osten der Werigan-Kuqa-Oase, dem am stärksten von der Versalzung betroffenen Gebiet, ist die Versalzung sehr starker und höherer Grade verbreitet, und die räumlichen und zeitlichen Entwicklungsmerkmale sind offensichtlich. Die geringe Höhe im Vergleich zu anderen Gebieten der Werigan-Kuqa-Oase (Abb. 1D) ermöglicht die Verteilung hoher Salzkonzentrationen in diesem Gebiet40. Nach jahrelangen Felduntersuchungen und Probenahmen kam es in diesem Gebiet häufig zu saisonalen Überschwemmungen, und laut Ding und Yu4 wurde festgestellt, dass die auf der Oberfläche des Gebiets angesammelten Salze nicht nach außen abfließen, was die Beherrschung der Versalzung erschwert. Darüber hinaus wird das Gebiet von sandigen Böden dominiert, und während der Trockenzeit lagern sich nach der Wasserverdunstung leicht Salze an der Oberfläche ab4. Im Laufe der 25 Jahre hat sich die Versalzung im östlichen Teil der Werigan-Kuqa-Oase erheblich verbessert, weil die lokale Regierung den Vegetationsschutz der Wüste verstärkt und in den spärlich bewachsenen Gebieten der Wüste Alkalientwässerungskanäle gebaut hat, um saisonale Staunässe zu reduzieren bis zu einem gewissen Grad und streng überwachte Überweidungspraktiken, so dass die Vegetationsbedeckung und die von der Fläche bedeckte Fläche allmählich zugenommen haben und daher die Fläche mit sehr starker Versalzung in der Gegend in den letzten Jahren zurückgegangen ist.

Im Südosten des Randgebiets der Werigan-Kuqa-Oase ist die Versalzung stärker und stärker ausgeprägt und hat sich in den letzten 25 Jahren in einzelnen Gebieten nicht wesentlich verbessert, da die Wirtschaft des Untersuchungsgebiets von der Bewässerungslandwirtschaft und der Oberflächenbewässerung dominiert wird Bewässerung ist eine gängige Bewässerungsmethode, und die Salze im Boden innerhalb der Werigan-Kuqa-Oase werden durch Oberflächenbewässerungswasser flussabwärts transportiert, wodurch sich Salze auf der flussabwärts gelegenen Oberfläche ablagern und schließlich die Bildung von Versalzung verstärken. Dies ist der Grund für die Versalzung am Oasenrand höher als im Oaseninneren4.

Die Versalzung mittlerer und niedrigerer Grade verteilt sich im Inneren der Oase. Da die Wirtschaft des Untersuchungsgebiets auf der Bewässerungslandwirtschaft basiert, insbesondere in den westlichen und südwestlichen Regionen des Untersuchungsgebiets, die stärker von dieser Wirtschaftstätigkeit abhängig sind, hängt die Bildung einer leichten Versalzung in der Region stark mit der landwirtschaftlichen Bewässerung zusammen Die Bewässerung der regionalen Ackerflächen wird schrittweise von der bisherigen Oberflächenbewässerung auf Tropfbewässerung umgestellt, was die Versalzung in der Region verstärken kann. Auch die räumliche und zeitliche Entwicklung der Versalzung innerhalb der Oase ist in den 25 Jahren aufgrund der Ausweitung der Ackerlandfläche, die bis 2021 im Vergleich zu 1996 deutlich zunimmt, insbesondere im Südwesten und Nordosten des Untersuchungsgebiets, stärker ausgeprägt Daher ändert sich der Versalzungsgrad entsprechend, von stark und über dem Grad bis mäßig und darunter, und um ein gesundes Überleben der Pflanzen zu gewährleisten, wird dem Land vor dem Pflanzen Alkali entzogen, um ein gesundes Überleben der Pflanzen zu gewährleisten. Darüber hinaus ist die Versalzung von Ackerlandflächen tendenziell gleichmäßig, und der Bereich mit starker und höherer Versalzung wird reduziert und fragmentiert, da die lokale Regierung umfassende Landverbesserungsarbeiten durchgeführt und trockenes und unfruchtbares Land eingeebnet hat. Sanierung und Verstärkung von Stichkanälen und Feldabzweigungen; Bau ländlicher Feldstraßen mit einer Länge von weniger als 4,5 m, die der Produktion und dem Verkehr dienen, insbesondere seit 2018 hat die lokale Regierung den Bau hochwertiger Ackerflächen durchgeführt, wodurch das Land flacher und zusammenhängender wird, mit besseren landwirtschaftlichen Einrichtungen, fruchtbarerem Land und besser Katastrophenresistenz. Die Ergebnisse der Studie zeigen, dass menschliche Aktivitäten die Schlüsselfaktoren sind, die die Verschlimmerung und Bewältigung der Versalzung beeinflussen58, und der Schlüssel liegt darin, ob Menschen Land- und Wasserressourcen zerstören oder schützen, und als Kernbereich der Seidenstraße sollte dieser Schwerpunkt im Mittelpunkt stehen zum Schutz der ökologischen Umwelt, und ihr Ausgangspunkt sollte die Bewältigung der Versalzung in Trockengebieten sein. Die irrationale Nutzung der Wasserressourcen hängt mit dem Salzgehalt des Bodens zusammen65, daher sollten wir in Zukunft das Bepflanzungsmuster der Werigan-Kuqa-Oase und eine wirtschaftlichere und effizientere Bewässerungsmethode diskutieren. Es ist erfreulich festzustellen, dass die Regierung in den letzten Jahren bei der Bewirtschaftung der Wasserressourcen disziplinierter vorgegangen ist, beispielsweise durch die Einführung des River-Chef-Systems, das die rücksichtslose Umleitung von Flüssen streng regelt; die Einführung des Wasserstationshauptsystems in Bewässerungsgebieten, das eine präzisere und effizientere Kontrolle der Bewässerungswasserressourcen ermöglicht; und die Einführung des Waldoberhauptsystems, das den Schutz der Waldflächen erhöht. Durch diese Maßnahmen wurde die Versalzung der Werigan-Kuqa-Oase verbessert.

Diese Studie verwendet mehrjährige Feldsammlungsdaten und Daten aus mehreren Quellen mithilfe der Ensemble-Lernmethode und der Cloud-Plattform Google Earth Engine, um die digitale Kartierung der räumlichen Verteilung des Salzgehalts in den Jahren 1996, 2006, 2017 und 2021 abzuschließen und die räumliche Analyse durchzuführen und zeitliche Entwicklungsmerkmale und treibende Faktoren des Salzgehalts in der Werigan-Kuqa-Oase und ziehen die folgenden Schlussfolgerungen:

Unter den drei Ensemble-Lernmodellen RF, Mit XGBoost wurden genauere Versalzungsverteilungskarten erstellt.

Die Versalzung im Untersuchungsgebiet weist im Allgemeinen die Verteilungsmerkmale „gut“ im Westen und Norden und „stark“ im Osten und Süden auf. Die mäßige und geringe Versalzung verteilt sich in den Oasengebieten mit guten Bewässerungsbedingungen und reibungsloser Entwässerung. Und starke und stärkere Versalzung ist vor allem in den Wüstengebieten im Osten und Südosten verbreitet.

Die räumliche und zeitliche Variation der Versalzung im Untersuchungsgebiet hat sich in den letzten 25 Jahren erheblich verändert, wobei sich die Nicht-Versalzung und die leichte Versalzung in der räumlichen Verteilung im Osten und Südwesten mit der Zunahme der Ackerlandfläche und einer effektiven Sanierungsplanung für Ackerland ausdehnen. Das Verbreitungsgebiet der Versalzung schwerer und höherer Grade ist stärker geschrumpft.

Die während der aktuellen Studie generierten und analysierten Datensätze sind auf begründete Anfrage beim jeweiligen Autor erhältlich.

Singh, A. Bodenversalzungsmanagement für nachhaltige Entwicklung: eine Übersicht. J. Umgebung. Geschäftsführer 277, 111383 (2021).

Artikel CAS Google Scholar

Hassani, A., Azapagic, A. & Shokri, N. Globale Vorhersagen der primären Bodenversalzung unter sich ändernden Klimabedingungen im 21. Jahrhundert. Nat. Komm. 12, 6663. https://doi.org/10.1038/s41467-021-26907-3 (2021).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Hassani, A., Azapagic, A. & Shokri, N. Vorhersage der langfristigen Dynamik des Bodensalzgehalts und der Sodizität auf globaler Ebene. Proz. Natl. Acad. Wissenschaft. USA 117, 33017–33027. https://doi.org/10.1073/pnas.2013771117 (2020).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Ding, J. & Yu, D. Überwachung und Bewertung der räumlichen Variabilität des Bodensalzgehalts in Trocken- und Regenzeiten in der Werigan-Kuqa-Oase, China, mithilfe von Fernerkundungs- und elektromagnetischen Induktionsinstrumenten. Geoderma 235–236, 316–322. https://doi.org/10.1016/j.geoderma.2014.07.028 (2014).

Artikel ADS Google Scholar

McBratney, AB, Mendonça Santos, ML & Minasny, B. Über digitale Bodenkartierung. Geoderma 117, 3–52. https://doi.org/10.1016/s0016-7061(03)00223-4 (2003).

Artikel ADS Google Scholar

Metternicht, GI & Zinck, JA Fernerkundung des Salzgehalts im Boden: Potenziale und Einschränkungen. Fernerkundung. Umwelt. 85, 1–20. https://doi.org/10.1016/s0034-4257(02)00188-8 (2003).

Artikel ADS Google Scholar

Ramos, TB et al. Bewertung des Bodensalzgehalts anhand von Vegetationsindizes, die aus multispektralen Sentinel-2-Daten abgeleitet wurden. Bewerbung bei Lezíria Grande Portugal. Agricultural Water Management 241, 106387. https://doi.org/10.1016/j.agwat.2020.106387 (2020).

Artikel Google Scholar

Wang, J. et al. Kartierung des Bodensalzgehalts mithilfe von Algorithmen für maschinelles Lernen mit dem Sentinel-2 MSI in Trockengebieten, China. Remote Sens. 13(2), 305. https://doi.org/10.3390/rs13020305 (2021).

Artikel ADS Google Scholar

Khan, NM, Rastoskuev, VV, Sato, Y. & Shiozawa, S. Bewertung der Hydrosaline-Landdegradation mithilfe eines einfachen Ansatzes von Fernerkundungsindikatoren. Landwirtschaft. Wassermanagement 77, 96–109 (2005).

Artikel Google Scholar

Zhao, W., Zhou, C., Zhou, C., Ma, H. & Wang, Z. Bodensalzgehalt-Inversionsmodell von Oasen in Trockengebieten basierend auf multispektraler UAV-Fernerkundung. Remote Sens. 14, 1804 (2022).

Artikel ADS Google Scholar

Allbed, A. & Kumar, L. Kartierung und Überwachung des Salzgehalts im Boden in ariden und semi-ariden Regionen mithilfe von Fernerkundungstechnologie: eine Übersicht. Adv. Remote Sens. 02, 373–385. https://doi.org/10.4236/ars.2013.24040 (2013).

Artikel Google Scholar

Peng, J. et al. Schätzung des Bodensalzgehalts anhand von Fernerkundungs- und Geländedaten in der südlichen Provinz Xinjiang in China. Geoderma 337, 1309–1319. https://doi.org/10.1016/j.geoderma.2018.08.006 (2019).

Artikel ADS Google Scholar

Wang, J. et al. Auf maschinellem Lernen basierende Erkennung des Bodensalzgehalts in einer trockenen Wüstenregion im Nordwesten Chinas: ein Vergleich zwischen Landsat-8 OLI und Sentinel-2 MSI. Sci Total Environ 707, 136092. https://doi.org/10.1016/j.scitotenv.2019.136092 (2020).

Artikel ADS CAS PubMed Google Scholar

Hoa, PV et al. Kartierung des Bodensalzgehalts mithilfe von SAR Sentinel-1-Daten und fortschrittlichen Algorithmen für maschinelles Lernen: eine Fallstudie in der Provinz Ben Tre im Mekong-Delta (Vietnam). Remote Sens. 11, 128 (2019).

Artikel ADS Google Scholar

Zhou, T., Geng, Y., Chen, J., Pan, J. & Lausch, A. Hochauflösende digitale Kartierung des organischen Kohlenstoffs im Boden und des Gesamtstickstoffs im Boden unter Verwendung von DEM-Derivaten, basierend auf Sentinel-1- und Sentinel-2-Daten zu Algorithmen des maschinellen Lernens. Wissenschaft. Gesamtumgebung. 729, 138244 (2020).

Artikel ADS CAS PubMed Google Scholar

Lu, H., Yang, L., Fan, Y., Qian, X. & Liu, T. Neuartige Simulation der wässrigen Gesamtstickstoff- und Phosphorkonzentrationen im Taihu-See mit maschinellem Lernen. Umgebung. Res. 204, 111940 (2022).

Artikel CAS PubMed Google Scholar

Zhang, E., Zhang, Mustererkennung. 59, 42–54 (2016).

Artikel ADS Google Scholar

Nabiollahi, K. et al. Bewertung landwirtschaftlicher, salzbelasteter Flächen mithilfe digitaler Bodenkartierung und hybridisierter Zufallswälder. Geoderma 385, 114858. https://doi.org/10.1016/j.geoderma.2020.114858 (2021).

Artikel ADS Google Scholar

Abedi, F. et al. Mit Salzstöcken verbundener Bodensalzgehalt im südlichen Iran: Vorhersage und Kartierung mit durchschnittlichen maschinellen Lernmodellen. Landabbau. Entwickler 32, 1540–1554. https://doi.org/10.1002/ldr.3811 (2020).

Artikel Google Scholar

Qi, G., Chang, C., Yang, W. & Zhao, G. Inversion des Salzgehalts des Bodens in Baumwollanbaugebieten an der Küste: eine Integrationsmethode der Satelliten-Boden-Spektralfusion und der Zusammenarbeit zwischen Satelliten und UAV. Landabbau. Entwickler https://doi.org/10.1002/ldr.4287 (2022).

Artikel Google Scholar

Jafarzadeh, H., Mahdianpari, M., Gill, E., Mohammadimanesh, F. & Homayouni, S. Einsacken und Boosten von Ensemble-Klassifikatoren zur Klassifizierung von multispektralen, hyperspektralen und PolSAR-Daten: eine vergleichende Bewertung. Remote Sens. 13, 4405. https://doi.org/10.3390/rs13214405 (2021).

Artikel ADS Google Scholar

Ivushkin, K. et al. Globale Kartierung der Änderung des Bodensalzgehalts. Fernerkundung. Umwelt. 231, 111260. https://doi.org/10.1016/j.rse.2019.111260 (2019).

Artikel ADS Google Scholar

Moreira, LCJ, Teixeira, ADS & Galvão, LS Potenzial multispektraler und hyperspektraler Daten zur Erkennung salzhaltiger Böden in Brasilien. GISci. Remote Sens. 52, 416–436. https://doi.org/10.1080/15481603.2015.1040227 (2015).

Artikel Google Scholar

Gorji, T., Yildirim, A., Hamzehpour, N., Tanik, A. & Sertel, E. Bodensalzgehaltsanalyse des Urmia-Seebeckens unter Verwendung von Landsat-8 OLI und Sentinel-2A-basierten Spektralindizes und elektrischen Leitfähigkeitsmessungen. Ökologisch. Anzeige. 112, 106173. https://doi.org/10.1016/j.ecolind.2020.106173 (2020).

Artikel Google Scholar

Masoud, AA, Koike, K., Atwia, MG, El-Horiny, MM & Gemail, KS Kartierung des Bodensalzgehalts mithilfe der Spektralmischungsanalyse von Landsat 8 OLI-Bildern zur Identifizierung von Faktoren, die die Versalzung in einer trockenen Region beeinflussen. Int. J. Appl. Erdbeobachtung. Geoinform. 83, 101944. https://doi.org/10.1016/j.jag.2019.101944 (2019).

Artikel Google Scholar

Wang, J. et al. Eignung der Sentinel-2-MSI-Daten zur Überwachung und Kartierung des Bodensalzgehalts in Trocken- und Regenzeiten in der Ebinur-See-Region, Xinjiang. China. Geoderma 353, 172–187. https://doi.org/10.1016/j.geoderma.2019.06.040 (2019).

Artikel ADS CAS Google Scholar

Carlson, TN & Ripley, DA Zur Beziehung zwischen NDVI, fraktioneller Vegetationsbedeckung und Blattflächenindex. Fernerkundung. Umwelt. 62, 241–252 (1997).

Artikel ADS Google Scholar

Gitelson, AA & Merzlyak, MN Fernerkundung der Chlorophyllkonzentration in höheren Pflanzenblättern. Adv. Weltraum Res. 22, 689–692 (1998).

Artikel ADS CAS Google Scholar

Tucker, CJ Rote und fotografische Infrarot-Linearkombinationen zur Überwachung der Vegetation. Fernerkundung. Umwelt. 8, 127–150 (1979).

Artikel ADS Google Scholar

Rondeaux, G., Steven, M. & Baret, F. Optimierung bodenangepasster Vegetationsindizes. Fernerkundung. Umwelt. 55, 95–107 (1996).

Artikel ADS Google Scholar

Birth, GS & McVey, GR Messung der Farbe von wachsendem Rasen mit einem Reflexionsspektrophotometer 1. Agron. J. 60, 640–643 (1968).

Artikel Google Scholar

Huete, AR Ein bodenbereinigter Vegetationsindex (SAVI). Fernerkundung. Umwelt. 25, 295–309 (1988).

Artikel ADS Google Scholar

Taghizadeh-Mehrjardi, R., Minasny, B., Sarmadian, F. & Malone, BP Digitale Kartierung des Bodensalzgehalts in der Region Ardakan, Zentraliran. Geoderma 213, 15–28. https://doi.org/10.1016/j.geoderma.2013.07.020 (2014).

Artikel ADS CAS Google Scholar

Scudiero, E., Skaggs, TH & Corwin, DL Regionale Bewertung des Bodensalzgehalts mithilfe von Landsat ETM + Reflexion des Blätterdachs. Fernerkundung. Umwelt. 169, 335–343. https://doi.org/10.1016/j.rse.2015.08.026 (2015).

Artikel ADS Google Scholar

Jordan, CF Ableitung des Blattflächenindex aus der Lichtqualität auf dem Waldboden. Ecology 50, 663–666 (1969).

Artikel Google Scholar

Jiang, Z., Huete, AR, Didan, K. & Miura, T. Entwicklung eines Zwei-Band-verstärkten Vegetationsindex ohne blaues Band. Fernerkundung. Umwelt. 112, 3833–3845 (2008).

Artikel ADS Google Scholar

Gitelson, AA, Kaufman, YJ & Merzlyak, MN Verwendung eines grünen Kanals bei der Fernerkundung der globalen Vegetation von EOS-MODIS. Fernerkundung. Umwelt. 58, 289–298 (1996).

Artikel ADS Google Scholar

Shi, C. et al. Quantitative Umkehrung des Bodensalzgehalts und Analyse seines räumlichen Musters im landwirtschaftlichen Gebiet in Shihezi in Xinjiang. Geogr. Res. 33, 2135–2144 (2015).

Google Scholar

Allbed, A., Kumar, L. & Aldakheel, YY Bewertung des Bodensalzgehalts mithilfe von Bodensalzgehalt und Vegetationsindizes, abgeleitet aus IKONOS-Bildern mit hoher räumlicher Auflösung: Anwendungen in einer von Dattelpalmen dominierten Region. Geoderma 230–231, 1–8. https://doi.org/10.1016/j.geoderma.2014.03.025 (2014).

Artikel ADS Google Scholar

Wang, F., Shi, Z., Biswas, A., Yang, S. & Ding, J. Multi-Algorithmus-Vergleich zur Vorhersage des Bodensalzgehalts. Geoderma 365, 114211. https://doi.org/10.1016/j.geoderma.2020.114211 (2020).

Artikel ADS CAS Google Scholar

Vermeulen, D. & Van Niekerk, A. Leistung maschinellen Lernens zur Vorhersage des Bodensalzgehalts mithilfe verschiedener Kombinationen geomorphometrischer Kovariaten. Geoderma 299, 1–12. https://doi.org/10.1016/j.geoderma.2017.03.013 (2017).

Artikel ADS Google Scholar

Breiman, L. Maschinelles Lernen. Mach. Lernen. 45, 5–32 (2001).

Artikel Google Scholar

Chen, S. et al. Eine hochauflösende Karte des Boden-pH-Werts in China, erstellt durch Hybridmodellierung spärlicher Bodendaten und Umweltkovariaten und ihrer Auswirkungen auf die Umweltverschmutzung. Wissenschaft. Gesamtumgebung. 655, 273–283 (2019).

Artikel ADS CAS PubMed Google Scholar

Altman, N. & Krzywinski, M. Ensemble-Methoden: Bagging und Random Forests. Nat. Methoden 14, 933–935 (2017).

Artikel CAS Google Scholar

Guan, Y., Grote, K., Schott, J. & Leverett, K. Vorhersage des Bodenwassergehalts und der elektrischen Leitfähigkeit mithilfe von Random-Forest-Methoden mit UAV-Multispektral- und bodengekoppelten geophysikalischen Daten. Remote Sens. 14, 1023 (2022).

Artikel ADS Google Scholar

Breiman, L. Zufällige Wälder. Mach. Lernen. 45, 5–32 (2001).

Artikel MATH Google Scholar

Pedregosa, F. et al. Scikit-learn: Maschinelles Lernen in Python. J. Mach. Lernen. Res. 12, 2825–2830 (2011).

MathSciNet MATH Google Scholar

Zhang, Y., Liang, S., Zhu, Z., Ma, H. & He, T. Ermittlung des Bodenfeuchtigkeitsgehalts aus Landsat 8-Daten mithilfe von Ensemble-Lernen. ISPRS J. Fotogramm. Fernbedienung. Sens. 185, 32–47. https://doi.org/10.1016/j.isprsjprs.2022.01.005 (2022).

Artikel ADS Google Scholar

Chen, T. & Guestrin, C. auf der 22. ACM SIGKDD International Conference.

Friedman, JH Greedy-Funktionsnäherung: eine Gradientenverstärkungsmaschine. Ann. Statist. https://doi.org/10.1214/aos/1013203451 (2001).

Artikel MathSciNet MATH Google Scholar

Ke, G. et al. Lightgbm: ein hocheffizienter Entscheidungsbaum zur Gradientenverstärkung. Adv. Neuronale Information. Verfahren. Syst. 30 (2017).

Su, H. et al. Superauflösung des unterirdischen Temperaturfeldes aus Fernerkundungsbeobachtungen basierend auf maschinellem Lernen. Int. J. Appl. Erdbeobachtung. Geoinform. 102, 102440. https://doi.org/10.1016/j.jag.2021.102440 (2021).

Artikel Google Scholar

Sun, X., Liu, M. & Sima, Z. Ein neuartiges Prognosemodell für Kryptowährungspreistrends basierend auf LightGBM. Finanzen Res. Lette. 32, 101084 (2020).

Artikel Google Scholar

Kennedy, J. & Eberhart, R. in Proceedings of ICNN'95 – International Conference on Neural Networks. 1942–1948 (IEEE).

Bellon-Maurel, V. & McBratney, A. Spektroskopische Techniken im nahen Infrarot (NIR) und mittleren Infrarot (MIR) zur Beurteilung der Menge an Kohlenstoffvorräten in Böden – Kritische Überprüfung und Forschungsperspektiven. Bodenbiol. Biochem. 43, 1398–1410 (2011).

Artikel CAS Google Scholar

Nocita, M. et al. Vorhersage des organischen Kohlenstoffgehalts im Boden durch diffuse Reflexionsspektroskopie unter Verwendung eines lokalen partiellen Ansatzes der kleinsten Quadrate. Bodenbiol. Biochem. 68, 337–347 (2014).

Artikel CAS Google Scholar

Zovko, M. et al. Ein geostatistischer Vis-NIR-Spektroskopieindex zur Beurteilung der beginnenden Bodenversalzung im Neretva-Flusstal in Kroatien. Geoderma 332, 60–72. https://doi.org/10.1016/j.geoderma.2018.07.005 (2018).

Artikel ADS CAS Google Scholar

Ge, X. et al. Aktualisierter Bodensalzgehalt mit feiner räumlicher Auflösung und hoher Genauigkeit: die Synergie von Sentinel-2 MSI, Umweltkovariaten und hybriden maschinellen Lernansätzen. Catena 212, 106054. https://doi.org/10.1016/j.catena.2022.106054 (2022).

Artikel CAS Google Scholar

Wu, D., Jia, K., Zhang, Nat. Ressource. Res. 30, 4641–4656 (2021).

Artikel CAS Google Scholar

Madani, AA Erkennung und Überwachung des Salzgehalts im Boden mithilfe von Landsat-Daten: eine Fallstudie aus der Oase Siwa, Ägypten. GISci. Remote Sens. 42, 171–181. https://doi.org/10.2747/1548-1603.42.2.171 (2013).

Artikel ADS Google Scholar

Richards, LA Diagnose und Verbesserung von Salz- und Alkaliböden (Scientific Publishers, 2012).

Google Scholar

Zeraatpisheh, M., Ayoubi, S., Jafari, A., Tajik, S. & Finke, P. Digitale Kartierung von Bodeneigenschaften mithilfe mehrerer maschineller Lernverfahren in einer halbtrockenen Region im Zentraliran. Geoderma 338, 445–452 (2019).

Artikel ADS CAS Google Scholar

Han, L., Liu, D., Cheng, G., Zhang, G. & Wang, L. Räumliche Verteilung und Entstehung von Salz auf dem Salzstrand am Qehan-See, Innere Mongolei, China. Catena 177, 22–30 (2019).

Artikel Google Scholar

Zhang, T.-T. et al. Bestimmung des Salzgehalts im Boden mit Daten der MODIS-Zeitreihe VI. Ökologisch. Ind. 52, 480–489. https://doi.org/10.1016/j.ecolind.2015.01.004 (2015).

Artikel Google Scholar

Wichelns, D. & Qadir, M. Um eine nachhaltige Bewässerung zu erreichen, ist ein effektives Management von Salzen, Bodensalzgehalt und flachem Grundwasser erforderlich. Landwirtschaft. Wassermanagement 157, 31–38 (2015).

Artikel Google Scholar

Referenzen herunterladen

Wir schätzen die anonymen Gutachter und Redakteure sehr, die unseren Artikel bewertet und aufschlussreiches Feedback gegeben haben. Diese Studie wurde durch das Projekt der Natural Science Foundation of Xinjiang Uygur Autonomous Region (2019D01C024), das Tianchi Doctoral Research Project der Bildungsabteilung der Xinjiang Uygur Autonomous Region (tcbs201816) und das Doctoral Research Initiation Grant Program (BS180239) der Xinjiang University unterstützt.

Hochschule für Geographie und Fernerkundungswissenschaften, Universität Xinjiang, Nr. 777 Huarui Street, Xinjiang, 830017, Urumqi, China

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

Xinjiang Key Laboratory of Oasis Ecology, Xinjiang University, 830017, Urumqi, China

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

Schlüssellabor für intelligente Stadt- und Umweltmodellierung des Hochschulinstituts, Xinjiang-Universität, 830017, Urumqi, China

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

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

SM: Konzeptualisierung, Methodik, Untersuchung, Software, Formal, Schreiben-Originalentwurf, Formale Analyse. BH: Recherche, Überwachung, Schreiben – Überprüfung und Bearbeitung, Finanzierungsakquise. BX: Untersuchung, Software. XG: Untersuchung, formale Analyse. LH: Untersuchung, Software.

Korrespondenz mit Baozhong He.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Ma, S., He, B., Xie, B. et al. Untersuchung der räumlichen und zeitlichen Variation des Bodensalzgehalts mithilfe der Google Earth Engine: eine Fallstudie in der Oase Werigan-Kuqa, Westchina. Sci Rep 13, 2754 (2023). https://doi.org/10.1038/s41598-023-27760-8

Zitat herunterladen

Eingegangen: 13. November 2022

Angenommen: 06. Januar 2023

Veröffentlicht: 16. Februar 2023

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

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.