Abstract
Since decades ago, the Lower Cheliff plain is under the continuous influence of soil salinization induced by mismanagement of the groundwater resources. The main purpose of this study was to estimate and map soil salinity using both Salinity Index (SI) and Artificial Neural Networks (ANN). In doing so, a total of 796 soil samples of Electrical Conductivity (EC, dS.m–1) measured in laboratory combined to spectral parameters data of Landsat-8 OLI, by applying a Salinity Index (SI) and used also to training the ANN model (80% of total data), the rest of the dataset (20%) was retained for validation with both methods. The results of applying an ANN estimator based on the reflectance values of three bands: green (B3), red (B4) and near-infrared (B5) as learning input neurons, proved their interest in the estimation of EC given a high determination coefficient (R2 = 0.80) between the values of simulated truth and ground, compared to the results obtained using only the SI method giving a moderate precision (R2 = 0.42). Regarding the soil salinity mapping, the two methods generated contrasting results, the SI estimates that 68.5% of the total area is affected by salinity (underestimation) meanwhile the ANN gave an estimation of 78.8%. In a conclusion, the estimation and mapping of soil salinity using the SI method has been upgraded significantly when ANN was involved.
RÉSUMÉ
Depuis des décennies, la plaine du Bas Cheliff est affectée en permanence par la salinisation des sols due à la mauvaise gestion des ressources en eaux souterraines. Le but principal de cette étude est d’estimer et de cartographier la salinité du sol en utilisant à la fois l’indice de salinité (IS) et les réseaux de neurones artificiels (RNA). Un ensemble de 796 échantillons de sol est utilisé pour mesurer la conductivité électrique (CE, dS.m–1) en laboratoire combinée aux données des paramètres spectraux (valeurs de réflectance) d’une image Landsat-8 OLI, pour calculer un indice de salinité (IS) et pour l’utiliser afin d’entraîner un modèle du RNA (80% des données totales), le reste de l’ensemble de données (20%) est conservé pour la validation des deux méthodes. Les résultats de l’application d’un estimateur de type RNA basé sur les valeurs de réflectance de trois bandes: vert (B3), rouge (B4) et proche infrarouge (B5) en tant que neurones d’entrée d’apprentissage, ont prouvé leur fiabilité pour l’estimation de la CE avec un coefficient de détermination (R2 = 0.80) entre les valeurs réelles de terrain et les valeurs estimées, l’approche classique de l’indice de salinité (IS) donnant qu’une précision modérée (R2 = 0.42). En ce qui concerne la cartographie de la salinité des sols, les deux méthodes génèrent des résultats contrastés, l’IS estime que 68.5% de la superficie totale est affectée par la salinité du sol (sous-estimation) tandis que le RNA a donné une estimation de 78.8%. En conclusion, l’estimation et la cartographie de la salinité des sols par l’application de l’IS ont été considérablement améliorées lorsqu’un RNA est impliqué.
Acknowledgements
This work has been possible thanks to Mr Redha SAIFI from the University of Boumerdes (Algeria) for his availability and support, and the staff of the Research Institute for Sustainable Land Development (INTERRA) from the University of Extremadura (Spain) for their advice and contribution
Disclosure statement
No potential conflict of interest was reported by the author(s).