Toprak tuzluluğunun yüksek çözünürlükte görülebilir – yakın kızılötesi yansıma spektroradyometre tekniği ve yapay sinir ağları metodu ile karakterize edilmesi / Characterization of soil salinity using hyperspectral visible - near infrared reflectance spectroradiometer techni̇que and artificial neural network

Abstract

Toprak tuzluluğunun belirlenmesi ve haritalanması her zaman dikkat çeken konuların başında gelmektedir. Gelişen teknoloji, toprak tuzluluğunun belirlenmesinde yeni imkânlar ve kolaylıklar sunmaktadır. Yürütülen bu çalışmada, son yıllarda kullanımı gün geçtikçe yaygınlaşan spektroradyometre cihazı ve yapay sinir ağları teknikleri kullanılarak toprak tuzluluğu tahminleri yapılmaya çalışılmıştır. Çalışma Harran ovasında tuzluluk probleminin yaygın olduğu alanlarda yürütülmüştür. Bu kapsamda 0-30 cm'den 90 adet toprak örneği alınmıştır. Alınan toprak örneklerinde toprak tuzluluk parametreleri (EC, pH, çözülebilir Ca, Na, Mg, K, SAR, ESP), değişebilir Ca, Na, Mg, K ve KDK değerleri tespit edilmiştir. Ovadan alınan toprak örneklerinin (90 adet) laboratuvar analiz sonuçlarına göre pH değerleri 7.05 ile 8.62 aralığında; EC değerleri 0.6 dSm-1 ile 66.2 dSm-1 aralığında; ESP değerleri 1.8 ile 197 aralığında bulunmuştur. Hava kurusu 2 mm'lik elekten geçirilen toprak örnekleri VNIRS spektroradyometre tekniği kullanılarak taranmış ve araştırılan toprak örneklerinin 350 nm ile 2500 nm arasındaki ham yansımaları ve birincil türevleri elde edilmiştir. İki gizli katmanlı ileri beslemeli geriye yayılım algoritması ve hem giriş hem de çıkış katmanında sigmoid transfer fonksiyonları kullanılan bir yapay sinir ağı oluşturulmuştur. VNIRS tekniğine göre elde edilen toprak yansımalarının her on yansımanın medianı alınarak median data ve her on yansımanın pik noktası alınarak pikdata oluşturulmuştur. 90 toprak örneğinin %70'i eğitim için, %30'u ise test için kullanılmıştır. En doğru sonuçları bulmak için gizli katmanlardaki nöron sayıları değiştirilerek denemeler yapılmıştır. Gizli katmandaki nöron sayısı, toplam giriş verileri içindeki onaylama (validation) ve test verilerinin oranları değiştirilerek en uygun ağ mimarisi deneysel olarak belirlenmeye çalışılmıştır. Yapılan çalışmada en iyi sonuçlara: EC için median data yansımalarında 10-10-20 nöron sayısıyla; pH için pikdata yansımalarında 10-5-20 nöron sayısıyla; ESP için medyan data yansımalarında 10-10-40 nöron sayısıyla ulaşılmıştır. Determination of soil salinity has always been become an important topic. Developing technologies present new opportunities and easy ways for measuring soil salinity. In this project, in recent eyars commonly used spectroradiometer equipment has been used and combined with Artificial Neural Network method in the characterization of soil salinity. The study area is located in salt affected areas of the Harran Plain. 90 soil samples have been taken in 0-30 cm according to random sampling from the fields with various levels of salinity. According to analyses results of the samples, pH values ranged from 7.05 to 8.62 and ECe values ranged from 0.6 dSm-1 to 66.2 dSm-1, ESP values ranged from 1.8 to 197. Air dried and 2 mm sieved samples were scanned using hyperspectral Visible Near Infrared Reflectance Spectroscopy (VNIRS) equipment in the laboratory and raw and first derivative spectra between 350 and 2500 nm with 1 nm interval were obtained. A Feed Forward BackPropogation Artificial Neural Network (ANN) with three hidden layer and sigmoidal transfer function has been formed. As an input to ANN model, median and peaks of the spectral data taken at every 10 nm of the whole raw spectra (from 350 -2500 nm) has been used and output have been soil salinity parameters. 70 % of the samples have been used for training the model and the rest 30 % has been used as test data set. In order to find the best model, neuron numbers in hidden layers have been modified. The best result for EC estimation using VNIRS-ANN modeling has been obtained using median data and 10-10-20 neuron number; for pH using peak data and 10-5-20 neuron number and for ESP median data and 10-10-40 neuron number.