Comparing Sentinel-2 MSI and Landsat-8 OLI for monitoring and mapping of soil salinity in dry and wet seasons

Abstract

เอกสารนี้จัดทำขึ้นเพื่อเปรียบเทียบข้อมูลดาวเทียม Sentinel-2 MSI และ Landsat-8 OLI สำหรับการติดตามและทำแผนที่ความเค็มของดินในฤดูแล้งและฤดูฝน ด้วยเหตุนี้ จึงมีการเลือกอัลกอริธึมการวิเคราะห์สามแบบ: โมเดลเชิงเส้นทั่วไป (GLM), โมเดลสุ่มฟอเรสต์ (RF) และโมเดล Support Vector Machine (SVM) ประสิทธิภาพของแบบจำลองได้รับการประเมินโดยใช้ Root Mean Square Error (RMSE) และค่าสัมประสิทธิ์การกำหนด (R2) ร่วมกับข้อมูลความเค็มของดินระดับต่างๆ ที่ได้จากภาพ Sentinel-2 และ Landsat-8 ดังนั้น กรณีผิวดิน 0 เมตร พบว่าแบบจำลอง Random Forest ของภาพถ่ายดาวเทียม Landsat-8 มีความสัมพันธ์สูงสุดเมื่อเทียบกับ Root Mean Square Error (RMSE) ซึ่งให้ค่าต่ำสุดที่ 8.218 นอกจากนี้, สัมประสิทธิ์การกำหนด (R2) ที่คำนวณสำหรับแบบจำลองนี้เท่ากับ 0.814 ดังนั้น การศึกษานี้จึงสามารถนำมาใช้ในการตรวจจับและทำแผนที่ความเค็มได้อย่างมีประสิทธิภาพ โดยการใช้ภาพ Sentinel-2 และ Landsat-8 ร่วมกับวิธีการวิเคราะห์อื่นๆ

วัตถุประสงค์ของการศึกษานี้เพื่อเปรียบเทียบข้อมูลดาวเทียม Sentinel-2 MSI และ Landsat-8 OLI สำหรับการติดตามและทำแผนที่ความเค็มของดินในฤดูแล้งและฤดูฝน โดยใช้อัลกอริทึมในการวิเคราะห์ด้วย 3 วิธี แบบจำลองเชิงเส้นตรงทั่วไป Generalized Linear Model: (GLM) แบบจำลอง Random forest: (RF) และแบบจำลอง Support Vector Machine: (SVM) ทำการประเมินประสิทธิภาพแบบจำลองโดยใช้ Root Mean Square Error (RMSE) และ Coefficient of determination (R2) ร่วมกับข้อมูลความเค็มของดินที่ระดับต่างๆ ที่ได้จากภาพถ่ายดาวเทียม Sentinel-2 และภาพถ่ายดาวเทียม Landsat-8 ผลการศึกษาพบว่า ภาพถ่ายดาวเทียม Landsat-8 แบบจำลอง Random Forest ให้ผลลัพธ์ที่ดีที่สุดโดยมีค่าความสัมพันธ์ทางสถิติสูงที่สุดและค่าเฉลี่ยของรากที่สองของกำลังสองของความคลาดเคลื่อน (RMSE) ต่ำที่สุด (R2 เท่ากับ 0.814 , RMSE เท่ากับ 8.218) สำหรับความเค็มที่ระดับผิวดิน (D 0 cm.) ซึ่งวิธีการในการศึกษานี้สามารถเป็นแนวทางในการใช้ภาพถ่ายดาวเทียม Sentinel-2 และภาพถ่ายดาวเทียม Landsat-8 ร่วมกับการวิเคราะห์ด้วยวิธีต่างๆ สำหรับการติดตามและทำแผนที่ความเค็มได้