دوره 14، شماره 27 - ( بهار و تابستان 1402 )
جلد 14 شماره 27 صفحات 51-38 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Danesh M, Bahrami H, Emadi S M. (2023). Applicability of Proximal Sensing Technology in the study of Silt in the soils of Mazandaran Province. jwmr. 14(27), 38-51.
URL: http://jwmr.sanru.ac.ir/article-1-1181-fa.html
URL: http://jwmr.sanru.ac.ir/article-1-1181-fa.html
دانش مجید، بهرامی حسینعلی، عمادی سید مصطفی. کارآیی فن آوری مجاورت سنجی به منظور برآورد مقادیر سیلت در خاک های استان مازندران پژوهشنامه مديريت حوزه آبخيز 1402; 14 (27) :51-38
دانشگاه علوم کشاورزی و منابع طبیعی ساری
چکیده: (1307 مشاهده)
چکیدۀ مبسوط
مقدمه و هدف: سیلت از مهمترین اجزای بافت بوده که بطور مستقیم در فرآیند فرسایش خاک دخیل است و در بسیار از پروژه های مدیریت فرسایش و حفاظت خاک، باید مدنظر قرار گیرد. مطالعۀ این جزء خاک، با استفاده از روش های سنتی و مرسوم آزمایشگاهی، در مقیاس وسیع، مستلزم صرف وقت، هزینه و انرژی بالایی می باشد. امرزوه، با استفاده از روش های نوین همچون فنآوری طیف سنجی، می توان با سرعت بیشتر و صرف هزینه و وقت کمتر، به بررسی اجزای خاک پرداخت. پژوهش حاضر قصد دارد به مطالعۀ رفتارهای طیفی اجزای سیلت خاک در استان مازندران با استفاده از فنآوری طیفسنجی بازتابی، بپردازد.
مواد و روش ها: بدین ترتیب، مجموع 128 نمونۀ خاک از عمق 20 سانتیمتری سطح خاک، بر اساس روش نمونه برداری طبقه بندی شدۀ تصادفی (SRS) و نیز با کمک اطلاعات جانبی همچون: زمین شناسی، کاربری اراضی، نقشۀ راه ها، و خاکشناسی استان، جمع آوری شد. در ابتدا، مجموع نمونه ها به دو قسمت: برای ایجاد مدل (واسنجی) و برای صحت سنجی مستقل (اعتبارسنجی)، تقسیم شدند. با بهره گیری از تحلیل چندمتغیرۀ رگرسیون حداقل مربعات جزئی (PLSR) و بر اساس تکنیک اعتبارسنجی متقاطع (CV)، و عملیات پیش پردازش ابرطیفی همچون: میانگین گیری (کاهش- داده های- طیفی)، الگوریتم های هموارسازی و مشتق اول طیفی (1st D) بر اساس الگوریتم ساویتسکی-گولای (SGA)؛ علائم طیفی و دامنه های بازتابی مختص اجزای سیلت، مشخص گردید.
یافته ها: بررسی علائم و رفتارهای طیفی ذرات سیلت، بر اساس عملیات مدلسازی بر مبنای الگوریتم PLS به انجام رسید. مدل نهایی با تعداد 4 فاکتور پنهان (LFs) با این مشخصات کالیبره شد، RC: 0/55، RMSEC: 8/31 %، RPDC تقریبی 1/20، و نیز RPIQC تقریبی 1/71، که به عنوان مطلوبترین مدل جهت برآورد مقادیر سیلت خاک های استان مازندران، شناخته شد. نتایج، نشان دهندۀ توانایی مدل در تخمین مقادیر سیلت منطقه بوده است که در ادامه، دامنه های طیفی مؤثر در بررسی اجزای سیلت، نیز آشکارسازی شده و مشخص گردید. ضرایب همبستگی مقادیر سیلت با دامنه های طیفی مؤثر نیز بدین ترتیب محاسبه شدند: UV 390 نانومتر: 0/27، Vis 680 نانومتر: 0/31، NIR 970 الی 990 نانومتر: 0/32، SWIR: باندهای 1400 الی 1410 نانومتر: 0/34، 1910 الی 1930 نانومتر: 0/38، 2200 الی 2210 نانومتر: 0/39، 2340 الی 2350 نانومتر: 0/41 و نیز در آخر، برای باندهای 2430 الی 2460 نانومتر: 0/43 محاسبه گردید. باندهای طیفی تعیین شده با بیشترین مقادیر همبستگی (R(CCmax))، حاکی از نفوذ و تأثیر بالای آنها به عنوان متغیرهای مستقل تخمین گر، در فرآیند مدلینگ پارامتر سیلت در استان مازندران، بوده اند. در نهایت، قابلیت فنآوری مجاورت سنجی بازتابی پراکنشی مرئی-مادون قرمز نزدیک (VNIR-PS)، در بررسی اجزای سیلت در منطقه به اثبات رسید.
نتیجه گیری: در این شیوه، علاوه بر فرآیند مدلسازی، دامنه ها و باندهای طیفی بارز تحت اثر سیلت مشخص گردید که می تواند به عنوان مبنایی جهت بررسی مقادیر سیلت در مقیاس بسیار وسیع، با عملیات بیش مقیاس سازی توسط داده های ابرطیفی هوایی- ماهواره ای، مورد استفاده قرار گیرد. همچنین، این امر نشان دهندۀ اهمیت فنآوری طیف سنجی بازتابش خاک، به عنوان پایه ای در آشکارسازی و تشخیص طول موج های طیفی مفید و نیز ایجاد مدل، جهت استفادۀ آن در داده های دورسنجی ماهواره ای می باشد. همچنین، توصیه می شود برای بهبود کیفیت مدل، از داده هایی با ضریب تغییرات بالاتر و نیز رنج بیشتر استفاده گردد تا الگوریتم pls بتواند به طور بهتری عمل کند.
مقدمه و هدف: سیلت از مهمترین اجزای بافت بوده که بطور مستقیم در فرآیند فرسایش خاک دخیل است و در بسیار از پروژه های مدیریت فرسایش و حفاظت خاک، باید مدنظر قرار گیرد. مطالعۀ این جزء خاک، با استفاده از روش های سنتی و مرسوم آزمایشگاهی، در مقیاس وسیع، مستلزم صرف وقت، هزینه و انرژی بالایی می باشد. امرزوه، با استفاده از روش های نوین همچون فنآوری طیف سنجی، می توان با سرعت بیشتر و صرف هزینه و وقت کمتر، به بررسی اجزای خاک پرداخت. پژوهش حاضر قصد دارد به مطالعۀ رفتارهای طیفی اجزای سیلت خاک در استان مازندران با استفاده از فنآوری طیفسنجی بازتابی، بپردازد.
مواد و روش ها: بدین ترتیب، مجموع 128 نمونۀ خاک از عمق 20 سانتیمتری سطح خاک، بر اساس روش نمونه برداری طبقه بندی شدۀ تصادفی (SRS) و نیز با کمک اطلاعات جانبی همچون: زمین شناسی، کاربری اراضی، نقشۀ راه ها، و خاکشناسی استان، جمع آوری شد. در ابتدا، مجموع نمونه ها به دو قسمت: برای ایجاد مدل (واسنجی) و برای صحت سنجی مستقل (اعتبارسنجی)، تقسیم شدند. با بهره گیری از تحلیل چندمتغیرۀ رگرسیون حداقل مربعات جزئی (PLSR) و بر اساس تکنیک اعتبارسنجی متقاطع (CV)، و عملیات پیش پردازش ابرطیفی همچون: میانگین گیری (کاهش- داده های- طیفی)، الگوریتم های هموارسازی و مشتق اول طیفی (1st D) بر اساس الگوریتم ساویتسکی-گولای (SGA)؛ علائم طیفی و دامنه های بازتابی مختص اجزای سیلت، مشخص گردید.
یافته ها: بررسی علائم و رفتارهای طیفی ذرات سیلت، بر اساس عملیات مدلسازی بر مبنای الگوریتم PLS به انجام رسید. مدل نهایی با تعداد 4 فاکتور پنهان (LFs) با این مشخصات کالیبره شد، RC: 0/55، RMSEC: 8/31 %، RPDC تقریبی 1/20، و نیز RPIQC تقریبی 1/71، که به عنوان مطلوبترین مدل جهت برآورد مقادیر سیلت خاک های استان مازندران، شناخته شد. نتایج، نشان دهندۀ توانایی مدل در تخمین مقادیر سیلت منطقه بوده است که در ادامه، دامنه های طیفی مؤثر در بررسی اجزای سیلت، نیز آشکارسازی شده و مشخص گردید. ضرایب همبستگی مقادیر سیلت با دامنه های طیفی مؤثر نیز بدین ترتیب محاسبه شدند: UV 390 نانومتر: 0/27، Vis 680 نانومتر: 0/31، NIR 970 الی 990 نانومتر: 0/32، SWIR: باندهای 1400 الی 1410 نانومتر: 0/34، 1910 الی 1930 نانومتر: 0/38، 2200 الی 2210 نانومتر: 0/39، 2340 الی 2350 نانومتر: 0/41 و نیز در آخر، برای باندهای 2430 الی 2460 نانومتر: 0/43 محاسبه گردید. باندهای طیفی تعیین شده با بیشترین مقادیر همبستگی (R(CCmax))، حاکی از نفوذ و تأثیر بالای آنها به عنوان متغیرهای مستقل تخمین گر، در فرآیند مدلینگ پارامتر سیلت در استان مازندران، بوده اند. در نهایت، قابلیت فنآوری مجاورت سنجی بازتابی پراکنشی مرئی-مادون قرمز نزدیک (VNIR-PS)، در بررسی اجزای سیلت در منطقه به اثبات رسید.
نتیجه گیری: در این شیوه، علاوه بر فرآیند مدلسازی، دامنه ها و باندهای طیفی بارز تحت اثر سیلت مشخص گردید که می تواند به عنوان مبنایی جهت بررسی مقادیر سیلت در مقیاس بسیار وسیع، با عملیات بیش مقیاس سازی توسط داده های ابرطیفی هوایی- ماهواره ای، مورد استفاده قرار گیرد. همچنین، این امر نشان دهندۀ اهمیت فنآوری طیف سنجی بازتابش خاک، به عنوان پایه ای در آشکارسازی و تشخیص طول موج های طیفی مفید و نیز ایجاد مدل، جهت استفادۀ آن در داده های دورسنجی ماهواره ای می باشد. همچنین، توصیه می شود برای بهبود کیفیت مدل، از داده هایی با ضریب تغییرات بالاتر و نیز رنج بیشتر استفاده گردد تا الگوریتم pls بتواند به طور بهتری عمل کند.
نوع مطالعه: پژوهشي |
موضوع مقاله:
حفاظت آب و خاک
دریافت: 1400/11/12 | ویرایش نهایی: 1402/5/16 | پذیرش: 1400/11/27 | انتشار: 1402/5/16
دریافت: 1400/11/12 | ویرایش نهایی: 1402/5/16 | پذیرش: 1400/11/27 | انتشار: 1402/5/16
فهرست منابع
1. Adeline, K.R.M., C. Gomez, N. Gorretta and J.M. Roger. 2017. Predictive ability of soil properties to spectral degradation from laboratory Vis-NIR spectroscopy data. Geoderma. 288: 143-153. [DOI:10.1016/j.geoderma.2016.11.010]
2. Askari, M.S., J. Cui, S.M. O'Rourke and N.M. Holden. 2015. Evaluation of soil structural quality using VIS-NIR spectra. Soil and Tillage Research, 146: 108-117. [DOI:10.1016/j.still.2014.03.006]
3. Bilgili, A.V., H.M. van Es, F. Akbas, A. Durak and W.D. Hively. 2010. Visible-near infrared reflectance spectroscopy for assessment of soil properties in a semi-arid area of Turkey. Journal of Arid Environments, 74(2010): 229-238. [DOI:10.1016/j.jaridenv.2009.08.011]
4. Camargo, O.A., A.C. Moniz, J.A. Jorge and J.M. Valadares. 2009. Methods of Chemical, Mineralogical and Physical Analysis of Soils Used in the Pedology Section (Technical Bulletin n.106), Instituto Agronômico (IAC), Campinas.
5. Cambule, A.H., D.G. Rossiter, J.J. Stoorvogel and E.M.A. Smaling. 2012. Building a near infrared spectral library for soil organic carbon estimation in the Limpopo National Park, Mozambique. Geoderma, 183-184 (2012): 41-48. [DOI:10.1016/j.geoderma.2012.03.011]
6. Casa, R., F. Castaldi, S. Pascucci, A. Palombo and S. Pignatti. 2013. A comparison of sensor resolution and calibration strategies for soil texture estimation from hyperspectral remote sensing. Geoderma, 197: 17-26. [DOI:10.1016/j.geoderma.2012.12.016]
7. Curcio, D., G. Ciraolo, F. D'Asaro and M. Minacapilli. 2013. Prediction of soil texture distributions using VNIR-SWIR reflectance spectroscopy. Procedia Environmental Sciences, 19(2013): 494-503. [DOI:10.1016/j.proenv.2013.06.056]
8. Danesh, M., H.A. Bahrami, R. Darvishzadeh and A.A. Noroozi. 2016. Investigating clay contents using laboratory diffuse reflectance spectroscopy. Iranian Journal of RS&GIS, 8(1): 71-94 (In Persian).
9. Gomez, C., Y. Le Bissonnais, M. Annabi, H. Bahri and D. Raclot. 2013. Laboratory Vis-NIR spectroscopy as an alternative method for estimating the soil aggregate stability indexes of Mediterranean soils. Geoderma, 209-210(2013): 86-97. [DOI:10.1016/j.geoderma.2013.06.002]
10. Greppi, G.F., S. Mura, D. Masci, L. De Cecco, S. Martini and F. Borfecchia. 2014. Analysis of soils in agriculture by hyperspectral imaging. Giornata mondiale del suolo-Workshop Il Suolo nella Pianificazione Territoriale, Alghero.
11. Guo, L., H. Zhang, T. Shi, Y. Chen, Q. Jiang and M. Linderman. 2019. Prediction of soil organic carbon stock by laboratory spectral data and airborne hyperspectral images. Geoderma, 337: 32-41. [DOI:10.1016/j.geoderma.2018.09.003]
12. Hong, Y., S. Chen, Y. Liu, Y. Zhang, L. Yu, Y. Chen and Y. Liu. 2019. Combination of fractional order derivative and memory-based learning algorithm to improve the estimation accuracy of soil organic matter by visible and near-infrared spectroscopy. Catena, 174: 104-116. [DOI:10.1016/j.catena.2018.10.051]
13. Jong, S.M.D., E.A. Addink, L.P.H. van Beek and D. Duijsings. 2011. Physical characterization, spectral response and remotely sensed mapping of Mediterranean soil surface crusts. Catena, 86(2011): 24-35. [DOI:10.1016/j.catena.2011.01.018]
14. Magalhaes, L.de.O., L.C. Arantes and J.W.B. Braga. 2019. Identification of NBOMe and NBOH in blotter papers using a handheld spectrometer and chemometric methods, Microchemistry Journal, 144(2019): 151-158,
https://doi.org/10.1016/j.microc.2018.08.051 [DOI:10.1016/j.microc.2018.08.051.]
15. Matney, T., L.R. Barrett, M.B. Dawadi, D. Maki, C. Maxton, D.S. Perry, D.C. Roper, L. Somers and L.G. Whitman. 2014. In situ shallow subsurface reflectance spectroscopy of archaeological soils and features: a case-study of two Native American settlement sites in Kansas. Journal of Archaeological Science, 43(2014): 315-324. [DOI:10.1016/j.jas.2013.11.027]
16. McDowell, M.L., G.L. Bruland, J.L. Deenik, S. Grunwald and N.M. Knox. 2012. Soil total carbon analysis in Hawaiian soils with visible, near-infrared and mid-infrared diffuse reflectance spectroscopy. Geoderma, 189-190(2012): 312-320. [DOI:10.1016/j.geoderma.2012.06.009]
17. Mura, S., C. Cappai, G.F. Greppi, S. Barzaghi, A. Stellari and T.M.P. Cattaneo. 2019. Vibrational spectroscopy and Aquaphotomics holistic approach to determine chemical compounds related to sustainability in soil profiles. Computers and Electronics in Agriculture, 159(2019): 92-96. [DOI:10.1016/j.compag.2019.03.002]
18. Ogen, Y., J. Zaluda, N. Francos, N. Goldshleger and E. Ben-Dor. 2019. Cluster-based spectral models for a robust assessment of soil properties, Geoderma, 340(2019): 175-184. [DOI:10.1016/j.geoderma.2019.01.022]
19. Ostovari, Y., S. Ghorbani-Dashtaki, H.A. Bahrami, M. Abbasi, J.A.M. Dematte, E. Arthur and P. Panagos. 2018. Towards prediction of soil erodibility, SOM and CaCO 3 using laboratory Vis-NIR spectra: A case study in a semi-arid region of Iran. Geoderma, 314: 102-112. [DOI:10.1016/j.geoderma.2017.11.014]
20. Padarian, J., B. Minasny and A.B. McBratney. 2019. Using deep learning to predict soil properties from regional spectral data. Geoderma Regional, 16: e00198. [DOI:10.1016/j.geodrs.2018.e00198]
21. Peng, L., H. Cheng, L.J. Wang and D. Zhu. 2020. Comparisons the prediction results of soil properties based on fuzzy c-means clustering and expert knowledge from laboratory Vis-NIR spectroscopy data. Canadian Journal of Soil Science, 101(1):33-44. [DOI:10.1139/cjss-2020-0025]
22. Pietrzykowski, M. and M. Chodak. 2014. Near infrared spectroscopy-A tool for chemical properties and organic matter assessment of afforested mine soils. Ecological Engineering, 62 (2014): 115-122. [DOI:10.1016/j.ecoleng.2013.10.025]
23. Qi, F., R. Zhang, X. Liu, Y. Niu, H. Zhang, H. Li, J. Li, B. Wang and G. Zhang. 2018. Soil particle size distribution characteristics of different land-use types in the Funiu mountainous region. Soil and Tillage Research, 184: 45-51. [DOI:10.1016/j.still.2018.06.011]
24. Rawlins, B.G., S.J. Kemp and A.E. Milodowski. 2011. Relationships between particle size distribution and VNIR reflectance spectra are weaker for soils formed from bedrock compared to transported parent materials. Geoderma, 166(2011): 84-91. [DOI:10.1016/j.geoderma.2011.07.015]
25. Santana, F.B., L.O. Giuseeppe, A.M. Souza and R.J. Poppi. 2019. Removing the moisture effect in soil organic matter determination using NIR spectroscopy and PLSR with external parameter orthogonalization. Microchemical Journal, 145(2019): 1094-1101. [DOI:10.1016/j.microc.2018.12.027]
26. Small, C., M. Steckler, L. Seeber, S.H. Akhter, Jr.S. Goodbred, B. Mia and B. Imam. 2009. Spectroscopy of sediments in the Ganges-Brahmaputra delta: Spectral effects of moisture, grain size and lithology, Remote Sensing of Environment, 113(2009): 342-361. [DOI:10.1016/j.rse.2008.10.009]
27. Sorenson, P.T., S.A. Quideau and B. Rivard. 2018. High resolution measurement of soil organic carbon and total nitrogen with laboratory imaging spectroscopy. Geoderma, 315: 170-177. [DOI:10.1016/j.geoderma.2017.11.032]
28. Stenberg, B., R.A. Viscarra Rossel, A.M. Mouazen and J. Wetterlind. 2010. Visible and near infrared spectroscopy in soil science. Advances in Agronomy, 107: 163-215. [DOI:10.1016/S0065-2113(10)07005-7]
29. Summers, D., M. Lewis, B. Ostendorf and D. Chittleborough. 2011. Visible near-infrared reflectance spectroscopy as a predictive indicator of soil properties. Ecological Indicators, 11(2011): 123-131. [DOI:10.1016/j.ecolind.2009.05.001]
30. Xu, D., W. Ma, S. Chen, Q. Jiang, K. He and Z. Shi. 2018a. Assessment of important soil properties related to Chinese Soil Taxonomy based on vis-NIR reflectance spectroscopy. Computers and Electronics in Agriculture, 144: 1-8. [DOI:10.1016/j.compag.2017.11.029]
31. Xu, S., Y. Zhao, M. Wang and X. Shi. 2018b. Comparison of multivariate methods for estimating selected soil properties from intact soil cores of paddy fields by Vis-NIR spectroscopy. Geoderma, 310: 29-43. [DOI:10.1016/j.geoderma.2017.09.013]
32. Zeng, R., D.G. Rossiter, F. Yang, D.C. Li, Y.G. Zhao and G.L. Zhang. 2017. How accurately can soil classes be allocated based on spectrally predicted physio-chemical properties? Geoderma, 303(2017): 78-84. [DOI:10.1016/j.geoderma.2017.05.011]
33. Zhao, L., H. Hong, Q. Fang, T.J. Algeo, C. Wang, M. Li and K. Yin. 2020. Potential of VNIR spectroscopy for prediction of clay mineralogy and magnetic properties, and its paleoclimatic application to two contrasting Quaternary soil deposits. Catena, 184(2020): 104239. [DOI:10.1016/j.catena.2019.104239]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
