BỘ KHOA HỌC VÀ CÔNG NGHỆ
HỆ THỐNG THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ

Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  22,674,211
  • Công bố khoa học và công nghệ Việt Nam

Viễn thám

Phạm Văn Mạnh, Nguyễn Ngọc Thạch(1), Nguyễn Như Hùng, Lại Tuấn Anh

Ước tính độ nhiễm mặn của đất từ dữ liệu ảnh viễn thám khu vực ven biển tỉnh Nghệ An

Estimating soil salinity from remote sensing data in coastal districts of Nghe An province

Tạp chí Khoa học Kỹ thuật Thủy lợi & Môi trường

2019

66

114-122

1859-3941

Chỉ số độ nhiễm mặn, Hồi quy tuyến tính, Viễn thám, Landsat 8 OLI

Salinity index, Linear regression, Landsat 8 OLI, Remote-sensing

Độ nhiễm mặn của đất là một trong những mối đe dọa nghiêm trọng tới môi trường, có tác động tiêu cực đến năng suất cây trồng trong lĩnh vực nông nghiệp. Ước tính độ nhiễm mặn của đất từ dữ liệu viễn thám là một cách tiếp cận thực tế để giám sát mức độ nhiễm mặn của đất lâu dài, hỗ trợ quản lý đất đai và môi trường bền vững. Nghiên cứu này trình bày việc sử dụng dữ liệu Landsat-8 OLI được thu ngày 18/12/2018 để chiết xuất các chỉ số vật lý để ước tính sự biến đổi không gian của độ nhiễm mặn của đất tại các huyện, thị xã ven biển tỉnh Nghệ An. Các mô hình hồi quy tuyến tính đơn biến và đa biến được thực hiện bằng cách sử dụng dữ liệu độ dẫn điện (EC) của đất từ khảo sát thực địa trong khoảng thời gian 25/12/2018 đến 8/1/2019. Mối tương quan giữa các chỉ số khác nhau và dữ liệu thực địa về độ nhiễm mặn của đất được tính toán để tìm ra các chỉ số tương quan cao. Mô hình hồi quy tối ưu được chọn khi xem xét giá trị R2 cao và RMSE nhỏ nhất. Kết quả cho thấy, mô hình hồi quy tuyến tính đa biến có độ chính xác cao với hệ số xác định (R2=0,67) và sai số trung phương (RMSE=1,19).Điều này cho thấy dữ liệu viễn thám có thể được sử dụng một cách hiệu quả để mô hình hóa và lập bản đồ biến đổi không gian của độ nhiễm mặn của đất ở khu vực ven biển.

Soil salinity is one of the serious threats to the environment, which has a negative impact on crop yields in agriculture. Estimation of soil salinity from remote-sensing data is a practical approach for longterm monitoring quality of land, which assists the land management and environmental sustainability. This study presents the use of Landsat-8 OLI data which received on December 18 2018 to extract physical indicators to estimate the spatial variation of salinity of land in coastal districts and towns of Nghe An province. Univariate and multivariate linear regression models were performed by using electrical conductivity (EC) of land from the field survey between December 25, 2018 and Januar 8, 2018. The correlation between different indicators and field data on soil salinity is calculated to find high correlation indexes. The optimal regression model is selected when considering the maximum R2 value and the smallest RMSE. The results show that the multivariate linear regression model has high accuracy with the coefficient of determination (R2=0.67), and the root mean square error (RMSE=1.19). This suggests that remote-sensing data can be used effectively to model and map spatial variations in soil salinity in coastal areas.

TTKHCNQG, CVt 64

Xem toàn văn
  • [1] Yu, R.; Liu, T.; Xu, Y.; Zhu, C.; Zhang, Q.; Qu, Z.; Liu, X.; Li, C. (2010), Analysis of salinization dynamics by remote sensing in Hetao Irrigation District of North China,Agr.Wat. Man. 97, 1952– 1960, http://dx.doi.org/10.1016/j.agwat.2010.03.009.
  • [2] (2011), A Language and Environment for Statistical Computing. Sidike, A., Zhao, S., Wen, Y., 2014. Estimating soil salinity in Pingluo County of China using QuickBird data and soil reflectance spectra,Int. J. Appl. Earth Obs. Geoinf. 26, 156–175, http://dx.doi.org/10.1016/j.jag.2013.06.002.
  • [3] Pons, X.; Pesquer, L.; Cristóbal, J.; González-Guerrero, O. (2014), Automatic and improved radiometric correction of Landsat imagery using reference values f-rom MODIS surface reflectance images.,Int. J. Appl. Earth Obs. Geoinf. 33, 243–254, http://dx.doi.org/10.1016/j.jag.2014.06.002
  • [4] Metternicht, G.I.; Zinck, J.A. (2009), Remote Sensing of Soil Salinization: Impact on Land Management,CRC Press, Boca Raton, FL https://www.crcpress.com/9781420065022.
  • [5] Manh Van Pham; Tam Minh Pham; Quan Vu Viet Du; Quang-Thanh Bui; Anh Van Tran; Hai Minh Pham; Thach Ngoc Nguyen (2019), Integrating Sentinel-1A SAR data and GIS to estimate aboveground biomass and carbon accumulation for tropical forest types in Thuan Chau district, Vietnam,Remote Sensing Applications: Society and Environment, https://doi.org/10.1016/j.rsase.2019.03.003, ISSN: 2352-9385
  • [6] Li, D. J.; Chun, W. M.; Tiyip, T. (2011), Study on soil salinization information in arid region using remote sensing technique,Agricultural Science in China, 10(3), 404–411
  • [7] Lhissou, R.; El Harti, A.; Chokmani, K. (2014), Mapping soil salinity in irrigated land using optical remote sensing data,Eurasian J. Soil Sci. 3, 82–88, http://dx.doi. org/10.18393/ejss.84540.
  • [8] Hoeting, J.A.; Madigan, D.; Raftery, A.E.; Volinsky, C.T. (1999), Bayesian Model Averaging: A Tutorial 36,
  • [9] Hamzeh, S.; Naseri, A.A.; AlaviPanah, S.K.; Mojaradi, B.; Bartholomeus, H.M.; Clevers, J.G.P.W.; Behzad, M. (2013), Estimating salinity stress in sugarcane fields with spaceborne hyperspectral vegetation indices,Int. J. Appl. Earth Obs. Geoinf. 21, 282–290, http://dx.doi.org/10.1016/j.jag.2012.07.002.
  • [10] FAO (2005), Management of irrigation-induced salt affected soils.,Rome (Italy). CISEAU/FAO/IPTRID. ftp://ftp.fao.org/agl/ agll/docs/salinity_brochure_eng.pdf
  • [11] Barbouchi, M.; Abdelfattah, R.; Chokmani, K.; Ben Aissa, N.; Lhissou, R.; El Harti, A. (2015), Soil salinity c-haracterization using polarimetric InSAR coherence: case studies in Tunisia and Morocco,IEEE J. Sel. Topics Appl. Earth Observ. Remote Sens. 8, 3823–3832, http://dx.doi.org/10.1109/jstars.2014.2333535.
  • [12] Abbas, A.; Khan, S.; Hussain, N.; Hanjra, M.A.; Akbar, S. (2013), C-haracterizing soil salinity in irrigated agriculture using a remote sensing approach,Phys. Chem. Earth Part A/B/C. 55–57, 43– 52, http://dx.doi.org/10.1016/j.pce.2010.12.004.