تعداد نشریات | 13 |
تعداد شمارهها | 150 |
تعداد مقالات | 1,491 |
تعداد مشاهده مقاله | 2,263,924 |
تعداد دریافت فایل اصل مقاله | 1,895,983 |
کاربرد طیفسنجی مرئی- مادونقرمز در کمی سازی میزان گچ خاک در کانونهای مستعد تولید ریزگرد استان خوزستان | ||
تحقیقات کاربردی خاک | ||
مقاله 1، دوره 8، شماره 3، آذر 1399، صفحه 1-13 اصل مقاله (878.21 K) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
منصور چترنور1؛ احمد لندی* 2؛ احمد فرخیان فیروزی3؛ علی اکبر نوروزی4؛ حسین علی بهرامی5 | ||
1گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه شهید چمران اهواز، اهواز، ایران | ||
2گروه خاکشناسی دانشکده کشاورزی دانشگاه شهید چمران اهواز | ||
3دانشگاه شهید چمران اهواز | ||
4هیئت علمی پژوهشی، پژوهشکده حفاظت خاک و آبخیزداری، تهران، ایران | ||
5گروه خاکشناسی، دانشکده کشاورزی، دانشگاه تربیت مدرس (TMU) | ||
چکیده | ||
با توجه به گستردگی مناطق مستعد تولید گرد و غبار در استان خوزستان، میتوان از روشهای نوینی مانند تصاویر ابر طیفی و بازتاب خاک، برای تعیین ویژگیهای خاک این مناطق استفاده کرد. از جمله چالشهای استفاده از تصاویر ابر طیفی در ارزیابی ویژگیهای خاک، رنگ روشن خاک در اثر وجود ترکیباتی مانند گچ است که ممکن است در برآورد سایر ویژگیهای خاک، منجر به خطا شود. این پژوهش با هدف تعیین طول موج کلیدی گچ خاک در اراضی مستعد تولید گرد و غبار استان خوزستان انجام گرفته است. برای این منظور، ابتدا طیف اصلی خاک با استفاده از دستگاه FieldSpec3 تعیین شد. طیف اصلی با 5 روش فیلتر ساویتزی گولای (SG)، مشتق اول صاف شده با فیلتر ساویتزی گولای(FD-SG) ، مشتق دوم صاف شده با فیلتر ساویتزی گولای(SD-SG) ، واریانس استاندارد نرمال (SNV) و حذف پیوستار (CR)، پیشپردازش شد. سپس، عملکرد برآورد گچ خاک در دو مدل رگرسیونی چند متغیره رگرسیون حداقل مربعات جزئی (PLSR) و ماشین بردار پشتیبان (SVR) مورد مقایسه قرار گرفت. نتایج نشان داد مدل SVR دقت کلی برآورد بالاتری نسبت به مدل PLSR در برآورد گچ خاک داشته است و همچنین در مدل SVR، روش حذف پیوستار در گروه واسنجی بهترین عملکرد (71/3= RPDCAL و 47/2 = RMSECAL ،93/0 =CAL R2) و طیف اصلی ضعیفترین عملکرد (59/1= RPDCAL و 32/6 = RMSECAL ،76/0 =CAL R2) را در برآورد گچ خاک نشان دادهاند. قابلذکر است که در گروه اعتبارسنجی نیز، روش حذف پیوستار (49/2= RPDVAL و 58/3 = RMSEVAL ،88/0 =VAL R2) و طیف اصلی (12/1= RPDVAL و 81/7 = RMSEVAL ،52/0 =VAL R2) به ترتیب بهترین و ضعیفترین عملکرد را نشان دادند. در این پژوهش، محدوده طول موجهای 1450، 1550، 1700، 2100، ،2200 و 2400 نانومتر که بیشترین همبستگی را با گچ خاک داشتند، به عنوان طول موج کلیدی گچ خاک در مناطق مستعد تولید گرد و غبار اهواز به دست آمد. | ||
کلیدواژهها | ||
طول موج کلیدی؛ فیلتر ساویتزی گولای؛ روش مشتق دوم؛ روش حذف پیوستار؛ مدل SVR | ||
مراجع | ||
Bashour, I.I. and Sayegh, A.H., 2007. Methods of Analysis for Soils of Arid and Semi-arid Regions . Rome, Italy: Food and Agriculture Organization of the United Nations. p. 119. Chang C.W., Laird D.A., Mausbach M.J., and Hurburgh C.R. 2001. Near-infrared reflectance spectroscopy–principal components regression analyses of soil properties. Soil Science Society of America Journal, 65(2): 480-490. Curcio D., Ciraolo G., D’Asaro F., and Minacapilli, M. 2013. Prediction of soil texture distributions using VNIR-SWIR reflectance spectroscopy. Procedia Environmental Sciences, 19: 494-503. Dotto A.C., Dalmolin, R.S.D., Pedron, F.d.A., Caten A.t., and Ruiz L.F.C. 2014. Digital mapping of soil properties: particle size and soil organic matter by diffuse reflectance spectroscopy. Revista Brasileira de Ciência do Solo, 38(6): 1663-1671. Eswaran H., and Gong Z.-T., 1991. Properties, genesis, classification, and distribution of soils with gypsum. Occurrence, characteristics, and genesis of carbonate, gypsum, and silica accumulations in soils (occurrencechara): 89-119. Farifteh J., Van der Meer F., Atzberger C., and Carranza E., 2007. Quantitative analysis of salt-affected soil reflectance spectra: A comparison of two adaptive methods (PLSR and ANN). Remote Sensing of Environment, 110(1): 59-78. Fearn T., Riccioli C., Garrido-Varo A., and Guerrero-Ginel J.E. 2009. On the geometry of SNV and MSC. Chemometrics and Intelligent Laboratory Systems, 96(1): 22-26. Heidarian P., joudaki M., Darvishi Khatoni j., Shahbazi R., 2015. Identification of dust production sources in Khuzestan province, Department of Geology and Mineral Exploration of the Southwest Region (Ahwaz). (In Persian) Harrison T.N. 2012. Experimental VNIR reflectance spectroscopy of gypsum dehydration: Investigating the gypsum to bassanite transition. American Mineralogist, 97(4): 598-609. Hassani A., Bahrami H., Noroozi A., and Oustan S. 2014. Visible-near infrared reflectance spectroscopy for assessment of soil properties in gypseous and calcareous soils. Journal of Watershed Engineering and Management. (In Persian) He T., Wang J., Lin Z., and Cheng Y., 2009. Spectral features of soil organic matter. Geo-spatial Information Science, 12(1): 33-40. Hunt G.R., 1970. Visible and near-infrared spectra of minerals and rocks: I silicate minerals. Modern geology, 1: 283-300. Hunt G.R. 2017. Spectroscopic Properties of Rocks and Minerals. Handbook of Physical Properties of Rocks (1982) (pp. 295-386): CRC Press. Islam K., Singh B., and McBratney A., 2003. Simultaneous estimation of several soil properties by ultra-violet, visible, and near-infrared reflectance spectroscopy. Soil Research, 41(6): 1101-1114. Janik L. J., Merry R.H., and Skjemstad J., 1998. Can mid infrared diffuse reflectance analysis replace soil extractions. Australian Journal of Experimental Agriculture, 38(7): 681-696. Ji W., Adamchuk V.I., Biswas A., Dhawale N.M., Sudarsan, B., Zhang Y., Rossel R.A.V., and Shi, Z. 2016. Assessment of soil properties in situ using a prototype portable MIR spectrometer in two agricultural fields. biosystems engineering, 152: 14-27. Khayamim F., Wetterlind J., Khademi H., Robertson A.J., Cano A.F., and Stenberg B. 2015. Using visible and near infrared spectroscopy to estimate carbonates and gypsum in soils in arid and subhumid regions of Isfahan, Iran. Journal of Near Infrared Spectroscopy, 23(3): 155-165. Kuang B., and Mouazen A., 2011. Calibration of visible and near infrared spectroscopy for soil analysis at the field scale on three European farms. European Journal of Soil Science, 62(4): 629-636. Mutanga, O. and Skidmore, A.K., 2003, May. Continuum-removed absorption features estimate tropical savanna grass quality in situ. In Earsel workshop on imaging spectroscopy 3: 13-16. Nawar S., Buddenbaum H., Hill J., and Kozak J., 2014. Modeling and mapping of soil salinity with reflectance spectroscopy and landsat data using two quantitative methods (PLSR and MARS). Remote Sensing, 6(11): 10813-10834. Nawar S., Buddenbaum H., Hill J., Kozak J., and Mouazen A.M., 2016. Estimating the soil clay content and organic matter by means of different calibration methods of vis-NIR diffuse reflectance spectroscopy. Soil and Tillage Research, 155: 510-522. Resources A.O.o.t.U.N.S., and Service C. 1990. Management of gypsiferous soils: Food and Agriculture Org. Rossel R.V., Cattle S.R., Ortega A., and Fouad Y. 2009. In situ measurements of soil colour, mineral composition and clay content by vis–NIR spectroscopy. Geoderma, 150(3-4): 253-266. Rossel R.V., Walvoort D., McBratney A., Janik L.J., and Skjemstad J. 2006. Visible, near infrared, mid infrared or combined diffuse reflectance spectroscopy for simultaneous assessment of various soil properties. Geoderma, 131(1): 59-75. Savitzky A., and Golay M.J. 1964. Smoothing and differentiation of data by simplified least squares procedures. Analytical Chemistry, 36(8): 1627-1639. Seidel M., Hutengs C., Ludwig B., Thiele-Bruhn S., and Vohland M. 2019. Strategies for the efficient estimation of soil organic carbon at the field scale with vis-NIR spectroscopy: Spectral libraries and spiking vs. local calibrations. Geoderma, 354: 113856. Sjöström M., Wold S., Lindberg W., Persson J.-Å., and Martens H. 1983. A multivariate calibration problem in analytical chemistry solved by partial least-squares models in latent variables. Analytica Chimica Acta, 150: 61-70. Smith R., and Robertson V. 1962. Soil and irrigation classification of shallow soils overlying gypsum beds, northern Iraq. Journal of soil science, 13(1): 106-115. Smola A.J., and Schölkopf B. 2004. A tutorial on support vector regression. Statistics and computing, 14(3): 199-222. Soriano-Disla J.M., Janik L.J., Viscarra Rossel R.A., Macdonald L.M., and McLaughlin M.J., 2014. The performance of visible, near-, and mid-infrared reflectance spectroscopy for prediction of soil physical, chemical, and biological properties. Applied Spectroscopy Reviews, 49(2): 139-186. Stenberg B., Rogstrand G., Bölenius E., Arvidsson J., and Stafford J. 2007. On-line soil NIR spectroscopy: identification and treatment of spectra influenced by variable probe distance and residue contamination. Precision agriculture, 7: 125-131. Udelhoven T., Emmerling C., and Jarmer T. 2003. Quantitative analysis of soil chemical properties with diffuse reflectance spectrometry and partial least-square regression: A feasibility study. Plant and soil, 251(2): 319-329. Vapnik V., and Vapnik V., 1998. Statistical learning theory Wiley. New York: 156-160. Vasques G., Grunwald S., and Sickman J. 2008. Comparison of multivariate methods for inferential modeling of soil carbon using visible/near-infrared spectra. Geoderma, 146(1-2): 14-25. Wang J., Ding J., Abulimiti A., and Cai L., 2018. Quantitative estimation of soil salinity by means of different modeling methods and visible-near infrared (VIS–NIR) spectroscopy, Ebinur Lake Wetland, Northwest China. PeerJ, 6: e4703. Wang J., Li Z., Qin X., Yang X., Gao Z., and Qin Q. 2014. Hyperspectral predicting model of soil salinity in Tianjin costal area using partial least square regression. Paper presented at the Geoscience and Remote Sensing Symposium (IGARSS), 2014 IEEE International. Watson A., 1988. Desert gypsum crusts as palaeoenvironmental indicators: A micropetrographic study of crusts from southern Tunisia and the central Namib Desert. Journal of Arid Environments, 15(1): 19-42. Wenjun J., Zhou S., Jingyi H., and Shuo L. 2014. In situ measurement of some soil properties in paddy soil using visible and near-infrared spectroscopy. PloS one, 9(8): e105708. Wilding L. 1985. Spatial variability: its documentation, accommodation and implication to soil surveys. Paper presented at the Soil spatial variability. Workshop. | ||
آمار تعداد مشاهده مقاله: 1,826 تعداد دریافت فایل اصل مقاله: 1,232 |