مدل سازی رقومی جزء شن خاک با داده های ابرطیفی

سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 231

فایل این مقاله در 22 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JWSC-28-4_007

تاریخ نمایه سازی: 9 خرداد 1401

چکیده مقاله:

سابقه و هدف: جزء شن از مهمترین اجزای بافت خاک بوده که برای عملیات مدل سازی زیست محیطی و پهنه بندی رقومی خاک، باید مورد توجه واقع شود. از طرفی، بدلیل تغییرپذیری مکانی این جزء؛ تشخیص، پهنه بندی و پایش آن، در مقیاس های وسیع، با استفاده از شیوه های سنتی رایج و عملیات تجزیه و تحلیل معمول آزمایشگاهی، بسیار وقت گیر و پر هزینه است. از نقطه نظر دیگر؛ دورسنجی هوایی و فضایی در قیاس با طیف سنجی میدانی و آزمایشگاهی دارای نواقصی همچون اثرات جوی، آثار ساختاری و ترکیبی طیفی، پایین تر بودن تفکیک طیفی و مکانی، اختلالات هندسی و نیز فرآیند اختلاط طیفی می باشد. لذا برای غلبه بر این نواقص و برای مطالعه عوامل دارای تغییرپذیری مکانی، نیازمند فن آوری مناسبی می باشد. با ظهور طیف سنجی بازتابی پراکنشی آزمایشگاهی که از لرزش های بنیادین، فرعی و ترکیبی گروه-های عاملی(FGs) بهره می برد، آن، بعنوان ابزاری نویدبخش در مطالعه اجزای خاک، معرفی شد. طی تحقیق حاضر، از طیف سنجی بازتابی مجاورتی، برای مدل سازی ابرطیفی اجزای شن در قسمت هایی از استان مازندران استفاده شد. مواد و روش ها: جمعا ۱۲۸ نمونه از عمق ۲۰ سانتیمتری سطح خاک، بر اساس روش نمونه برداری SRS و با کمک اطلاعات جانبی همچون: زمین شناسی، کاربری اراضی، نقشه راه ها، و خاک شناسی استان، جمع آوری شد. در ابتدا، مجموع نمونه ها به دو قسمت برای عملیات واسنجی و اعتبارسنجی، تقسیم شد. با بهره گیری از تحلیل ابرطیفی، رگرسیون چندمتغیره PLSR و بر اساس تکنیک LOOCV و عملیات پیش پردازش طیفی همچون: میانگین گیری، هموارسازی و مشتق اول طیفی بر اساس الگوریتم ساویتسکی-گولای، مدل تخمینی بر مبنای شاخص های تحلیلی همچون همبستگی دوطرفه پیرسون (R)، ضریب تبیین (R۲)، میانگین مربعات خطای اعتبارسنجی (RMSE)، و نیز شاخص های اعتبارسنجی RPD و RPIQ، ایجاد و بررسی شد. یافته ها: تحقیق حاضر بر مبنای مدل سازی ابرطیفی شن منطقه در زیرمجموعه واسنجی مشتمل بر ۹۶ و نیز زیرمجموعه اعتبارسنجی مشمتل بر ۳۲ نمونه، نشان داد، ۲ و ۴ LV اول از مجموع ۷ LV، بهترین تخمین در خاک های منطقه مورد مطالعه را نشان می دهد. از آنجاییکه این تعداد عامل منتخب، قادرند بیش از ۶۰% واریانس متغیر شن و نیز ۹۸% واریانس داده های طیفی را متمرکز کنند؛ نتیجتا فرآیند واسنجی مدل تخمینی، بر اساس چهار فاکتور اول و شیوه LOOCV سراسری انجام شد. بهترین مدل ابرطیفی تخمین گر اجزای شن با این خصوصیات واسنجی شد، Rc: ۷۶/۰، R۲c: ۵۷/۰، RMSEc: ۷۷/۹ و Sec: ۸۲/۹. همچنین مقادیر ضریب R بین متغیر شن و باندهای طیفی موثر بدین ترتیب محاسبه شد، ۳۹۰: ۴۶/۰، ۵۱۰-۵۴۰: ۵۳/۰، ۶۸۰-۶۹۰: ۵۵/۰، ۹۵۰-۹۷۰: ۶۷/۰، ۱۱۰۰: ۷۰/۰، ۱۴۱۰: ۷۶/۰، ۱۸۶۰-۱۹۰۰: ۷۶/۰، ۲۱۸۰-۲۲۲۰: ۷۷/۰؛ که باندهای طیفی منتخب دارای بهترین و بیشترین تاثیر در فرآیند مدل سازی ابرطیفی شن در خاک های استان بوده اند. بعلاوه، بارزترین دامنه های طیفی در فرآیند مدل سازی بدین تریتب بوده است: UV-۳۹۰، Vis-۴۴۰-۵۴۰، NIR-۷۴۰-۹۹۰، SWIR-۱۴۳۰-۱۸۹۰، ۱۹۳۰، ۲۱۹۰-۲۲۴۰، ۲۳۳۰-۲۴۴۰ نانومتر که این نتایج در تطابق با برخی مطالعات انجام گرفته، بوده است. کیفیت مدل ابرطیفی واسنجی شده شن با استفاده از آزمون هایی همچون هتلینگ، لوریج تعدیلی و واریانس باقیمانده ها نیز مورد بررسی قرار گرفت. مشخصات عملیات صحت سنجی بدین ترتیب بوده است: Rp: ۸۳/۰، R۲p: ۶۸/۰، RMSEp: ۶۸/۸، SEp: ۷۲/۸ و انحراف: ۲۶/۱. نتیجه گیری: نتایج، حاکی از تحلیل مناسب ابرطیفی در برآورد مقادیر شن منطقه بوده است. بدین ترتیب بر مبنای LV۲، RPDc: ۵۱/۱، RPIQc: ۴۴/۲؛ RPDp: ۷۸/۱، RPIQp: ۴۵/۲ و نیز بر اساس LV۴، RPDc: ۵۴/۱، RPIQc: ۴۸/۲، RPDp: ۷۵/۱ و RPIQp: ۴۱/۲، محاسبه گردید. مقادیر RPIQ بالاتر از ۲، بیانگر توانایی مناسب و کیفیت خوب مدل در برآورد مقادیر شن استان مازندران با استفاده از داده های ابرطیفی بوده است. نتایج تحقیق حاضر می تواند نقطه آغازی در پهنه بندی دقیق تر جزء شن بافت خاک، بر مبنای سکوهای دورسنجی باشد. همچنین، با مشخص شدن طول موج های کلیدی در فرآیند مدلینگ؛ فرآیند آپ اسکیلینگ(بیش مقیاس سازی) و نیز آماده-سازی سنجنده های ابرطیفی هوایی و فضایی، می تواند بهبود یافته که منجر به دقیق تر شدن مطالعات ابرطیفی اجزای بافت نیز خواهد شد.

نویسندگان

مجید دانش

گروه علوم و مهندسی خاک، دانشگاه علوم کشاورزی و منابع طبیعی ساری

حسینعلی بهرامی

دانشگاه تربیت مدرس دانشکده کشاورزی گروه خاکشناسی

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • ۱.Adeline, K.R.M., Gomez, C., Gorretta, N., and Roger, J.M. ۲۰۱۷. ...
  • ۲.Askari, M.S., Cui, J., O’Rourke, S.M., and Holden, N.M. ۲۰۱۵. ...
  • ۳.Bellon-Maurel, V., Fernandez-Ahumada, E., Palagos, B., Roger, J.M., and McBratney, ...
  • ۴.Camargo, O.A., Moniz, A.C., Jorge, J.A., and Valadares, J.M. ۲۰۰۹. ...
  • ۵.Casa, R., Castaldi, F., Pascucci, S., Palombo, A., and Pignatti, ...
  • ۶.Chabrillat, S., Ben-Dor, E., Rossel, R.A.V., and Demattê, J.A.M. ۲۰۱۳. ...
  • ۷.Chang, C.W., and Laird, D.A. ۲۰۰۲. Near-infrared reflectance spectroscopy analysis ...
  • ۸.Conforti, M., Buttafuoco, G., Leone, A.P., Aucelli, P.P.C., Robustelli, G.,and ...
  • ۹.Curcio, D., Ciraolo, G., D’Asaro, F., and Minacapilli, M. ۲۰۱۳. ...
  • ۱۰.Danesh, M., Bahrami, H.A., Darvishzadeh, R., and Noroozi, A.A. ۲۰۱۶. ...
  • ۱۲.Emadi, M., Taghizadeh-Mehrjardi, R., Cherati, A., Danesh, M., Mosavi, A., ...
  • ۱۳.Ge, Y., Thomasson, J.A., and Morgan, C.L.S. ۲۰۱۴. Mid-infrared attenuated ...
  • ۱۴.Gomez, C., Lagacherie, P., and Coulouma, G. ۲۰۰۸. Continuum removal ...
  • ۱۵.Gomez, C., Le Bissonnais, Y., Annabi, M., Bahri, H., and ...
  • ۲۰۹-۲۱۰: ۸۶-۹۷ ...
  • ۱۶.Guo, L., Zhang, H., Shi, T., Chen, Y., Jiang, Q., ...
  • ۱۷.Hewson, R.D., Cudahy, T.J., Jones, M., and Thomas, M. ۲۰۱۲. ...
  • ۱۸.Kagan, T.P., Shachak, M., Zaady, E., and Karnieli, A. ۲۰۱۴. ...
  • ۱۹.Lagacherie, P., Baret, F., Feret, J.B., Netto, J.M., and Robbez-Masson, ...
  • ۱۱۲: ۸۲۵-۸۳۵ ...
  • ۲۰.Li, D., Durand, M., and Margulis, S.A. ۲۰۱۲. Potential for ...
  • ۲۱.Lu, P., Wang, L., Niu, Z., Li, L., and Zhang, ...
  • ۲۲.McDowell, M.L., Bruland, G.L., Deenik, J.L., Grunwald, S., and Knox, ...
  • ۲۳.Mulder, V.L., de Bruin, S., Schaepman, M.E., and Mayr, T.R. ...
  • ۲۴.Ostovari, Y., Ghorbani-Dashtaki, S., Bahrami, H.A., Abbasi, M., Dematte, J.A.M., ...
  • ۲۵.Padarian, J., Minasny, B., and McBratney, A.B. ۲۰۱۹. Using deep ...
  • ۲۶.Peng, L., Cheng, H., Wang, L.J., and Zhu, D. ۲۰۲۰. ...
  • ۲۷.Qi, F., Zhang, R., Liu, X., Niu, Y., Zhang, H., ...
  • ۲۸.Rawlins, B.G., Kemp, S.J., and Milodowski, A.E. ۲۰۱۱. Relationships between ...
  • ۲۹.Sawut, M., Ghulam, A., Tiyip, T., Zhang, Y.J., Ding, J.L., ...
  • ۳۰.Stevens, A., Nocita, M., Toth, G., Montanarella, L., and van-Wesemael, ...
  • ۳۱.Summers, D., Lewis, M., Ostendorf, B., and Chittleborough, D. ۲۰۱۱. ...
  • ۳۲.Vašát, R., Kodešová, R., Borůvka, L., Klement, A., Jakšík, O., ...
  • ۳۳.Viscarra Rossel, R.A., Walvoort, D.J.J., McBratney, A.B., Janik, L.J, and ...
  • ۳۴.Xian-Li, X., Xian-Zhang, P., and Bo, S. ۲۰۱۲. Visible and ...
  • ۳۵.Xu, D., Ma, W., Chen, S., Jiang, Q., He, K., ...
  • ۳۶.Xu, S., Zhao, Y., Wang, M., and Shi, X. ۲۰۱۸b. ...
  • ۳۷.Zhao, L., Hong, H., Fang, Q., Algeo, T.J., Wang, C., ...
  • نمایش کامل مراجع