palette
مقایسه روش‌هاي آماري حداقل مربعات جزیی و رگرسیون مولفه اصلی در برآورد مقادیر گچ، کربنات‌ها و ماده آلی خاک با استفاده از طیف‌سنجی مرئی و مادون قرمز نزدیک

چکیده
داده‌های طیفی محدوده مرئی – مادون قرمز که با حداقل هزینه و صرف وقت تهیه می‌شوند، کاربرد وسیعی در برآورد خصوصیات فیزیکی و شیمیایی خاک دارند. مطالعه حاضر، با هدف بررسي توانايي اين روش در برآورد مقدار ماده آلي، کربنا‌ت‌ها و درصد گچ سطح خاک صورت پذیرفته است. بر اساس تکنیک ‌هایپرکیوب، محل 115 پروفيل شناسايي  و سپس نمونه‌برداري از افق‌های خاک انجام گرفت و مقدار ماده آلي، درصد گچ و آهک خاک نیز با رو‌ش‌هاي استاندارد اندازه‌گیری شد. آناليز طيفي خاک افق‌‌های سطحی مورد نظر با استفاده از دستگاه طیف‌سنج زميني با دامنه طول موج 400-2500 نانومتر انجام شد(115 نمونه سطحی). پس از ثبت طیف‌ها، انواع روش‌هاي پيش‌پردازش، مورد ارزيابي قرار گرفت و سپس از رگرسیون حداقل مربعات جزئی (Partial Least Square Regression) و رگرسیون مولفه اصلی((PCR، برای پيش‌بيني پارامترهاي مورد نظر استفاده شد. جهت ارزیابی مدل،  80 درصد داده‌ها براي کالیبراسیون مدل و 20 درصد براي صحت‌سنجی مدل، به صورت تصادفی انتخاب شدند. پیش‌پردازش‌های مختلف از جمله مشتق اول و دوم، به همراه فیلتر ساواتزکی و گلای، متغیر نرمال استاندارد و تصحیح پخشیده چندگانه با هم مقایسه شدند. نتایج ‌این بررسی نشان داد بهترین نتایج مدل‌سازي، مربوط به روش PLSR با پیش‌پردازش مشتق اول+فيلتر ساويتزکي و گلاي برای برآورد گچ، کربنات و ماده آلی خاک است. با توجه به مقادیر درصد انحراف نسبی(RPD)، پیش‌بینی مدل، براي درصد گچ  و ماده آلی در کلاس خوب و برای کربنات‌ها در کلاس ضعیف است.
واژگان کلیدی
رگرسیون حداقل مربعات جزئی ،رگرسیون مولفه اصلی، طیف سنجی، کربنات، گچ، ماده آلی

منابع و مآخذ مقاله

Aїchi, H.Y., Fouad, C., Walter, R.A., Viscarra Rossel, Z.L., Chabaane and Sanaa M., 2009, Regional predictions of soil organic carbon content from spectral reflectance measurements, Biosys. Eng. 104: 442-446.

Araújo, S.R., Demattê ,J.A.M., Franceschini, M.H.D., Rizzo, R., Stenberg, B. & Wetterlind, J., 2013, Improving the predictive performance of a national vis-NIR spectroscopic library by comparing clustering data transformation, and data-mining calibration techniques, p. 2431-2440. Anais XVI SimpósioBrasileirode Sensoriamento Remoto, 13 - 18 April. 2013. Foz do Iguaçu, PR, Brazil.

Ben-Dor, E. & Banin, A., 1995, Near-infrared analysis (NIRA) as a method to simultaneously evaluate spectral featureless constituents in soils, Soil Science, 159:259–270.

Barnes, R.J., Dhanoa, M.S. & Lister, S.J., 1989, Standard Normal Variate Transformation and De-trending of Near-Infrared Diffuse Reflectance Spectra, Applied Spectroscopy, 43:772-777.

Camo, AS Press ., 2006, The Unscrambler Tutorials. CAMO Software Research & Development Team, CAMO Software, NedreVollgate 8, N-0158, Oslo, Norway, retrieved on March 20/2012 from http://www.camo.com/

Cambou, A., Cardinael, R., Kouakoua, E., Villeneuve, M., Durand, C. & Barthès, B.G., 2015, Prediction of soil organic carbon stock using visible and near infrared reflectance spectroscopy (VNIRS) in the field, Geoderma 261, 151–159.

Chang, C.W., Laird, D.A., Mausbach, M.J., and Hurburgh, C.R., 2001, Near-infrared reflectance spectroscopyprincipal com-ponents regression analyses of soil properties, Soil Science Society of America Journal, 65:480–490.

Chen, L., Sheng-lu, Z., Shao-hua, W., Qing, Z. & Qi, D., 2014, Spectral Response of Different Eroded Soils in Subtropical China: A Case Study in Changting County, China, Journal of Materials Science, 11: 697-707.

Curcio, D., Ciraolo, G., D’Asaro, F. &Minacapillia, M., 2013, Prediction of soil texture distributions using VNIRSWIR reflectance spectroscopy, Procedia Environmental Sciences, 19:494 – 503.

Debaene, G., Niedźwiecki, J. & Pecio, A., 2010, Visible and near-infrared spectrophotometer for soil analysis: preliminary results, Pol. J. Agronom. 3: 3–9.

Farmer, V.C. & Russell, J.D., 1964, The infrared spectra of layer silicates, Spectrochim. Acta. 20: 1149-1173.

Gomez, C., Rossel ,V. & McBratney, B., 2008, Soil organic carbon prediction by hyperspectral remote sensing and field vis-NIR spectroscopy: An Australian case study, Geoderma, 146:403–411.

Gholizadeh, A., Boruvkai, L., Saberioon, M.M., Kozaki, J., Vasati, R. & Nemeki, K., 2015, Comparing Different Data Preprocessing, Soil & Water Res., 10:218–227.

Khayamim, F., Khademi, H., Stenberg, B. & Wetterlind, J., 2015, Capability of vis-NIR Spectroscopy to Predict Selected Chemical Soil Properties in Isfahan Province, JWSS - Isfahan University of Technology. 19 (72): 81-92.

Klement, A., Jaksik, O., Kodesova, R., Drabek, O. & Boruvka, L., 2013, Application of VNIR diffuse reflectance spectroscopy to estimate soil organic carbon content, and content of different forms of iron and manganese, Geophysical Research Abstracts, 15:10846-1.

Lagacherie, P., Baret, F., Feret, J.B., Netto ,J.M. & Robbez-Masson, J.M., 2008, Estimation of soil clay and calcium carbonate using laboratory, field and airborne hyperspectral measurements, Remote Sensing of Environment, 112:825–835.

Lee, K.S., Lee, D.H., Sudduth, K.A., Chung, S.O., Kitchen, N.R. & Drummond, S.T., 2009, Wavelength identification and diffuse reflectance estimation for surface and profile soil properties, American Society of Agricultural and Biological Engineers, 52:683-695.

Liu, Y., Jiang, Q., Fei, T., Wang, J., Shi, T., Guo, K., Li, X. & Chen, Y., 2014, Transferability of a Visible and Near- Infrared Model for Soil Organic Matter Estimation in Riparian Landscapes, Remote Sensing, 6:4305-4322.

Martens, H. & Næs, T., 1989, Multivariate Calibration, John Wiley & Sons: Chichester, United Kingdom.

McCoy, R.M., 2005, Field Methods in Remote Sensing, A Division of Guilford Publications, Inc. Spring, NewYork, U.S, pp. 67-87.

McDowell, M.L., Bruland, G.L., Deenik, J.L., Grunwald, S. & Knox, N.M., 2012, Soil total carbon analysis in Hawaiian soils with visible, near-infrared and mid-infrared diffuse reflectance spectroscopy, Geoderma, 189:312-320.

Mouazen, A.M., Kuang, B., DeBaerdemaeker, J. & Ramon, H., 2010, Comparison between principal components, partial least squares and artificial neural network analyses for accuracy of measurement of selected soil properties with visible and near infrared 455 spectroscopy, Geoderma, 158:23-31.

Rinnan, A., Berg, F.V.D. & Engelsen, S.B., 2009, Review of the most common pre-processing techniques for near-infrared spectra, Trends in Analytical Chemistry, 28: 1201-1222.

Schwartz, G., Eshel, G. & Ben-Dor, E., 2011, Reflectance spectroscopy as a tool for monitoring contaminated soils, p. 67-90. In S. Pascucci (ed.) Soil Contamination, In Technology.

Sharma, S., Goodarzi, M., Ramon, H. & Saeys, W., 2014, Performance evaluation of preprocessing techniques utilizing expert information in multivariate calibration, Talanta, 121:105-12.

Shepherd, K.D. & Walsh, M.G., 2002, Development of reflectance spectral libraries for characterization of soil properties, Soil Sci. Soc. Am. J. 66, 988–998.

Stenberg, B., Viscarra Rossel, R.A., Mouazen, A.M. & Wetterlind, J., 2010, Visible and near infrared spectroscopy in soil science, Adv. Agron. 107, 163–215.

Shiferaw, A., and Hergarten, Ch., 2014, Visible near infra-red (VisNIR) spectroscopy for predicting soil organic carbon in Ethiopia, Journal of Ecology and the Natural Environment, 6:126-139.

Summers, D., Lewis, M., Ostendorf, B. & Chittleborough, D., 2011, Visible near-infrared reflectance spectroscopy as a predictive indicator of soil properties, Ecological Indicators, 11:123-131.

Stenberg, B., Jonsson, A. & Börjesson, T., 2002, Near infrared technology for soil analysis with implications for precision agriculture, PP. 279–284. In: A. Davies and R. Cho, (Eds.), Near Infrared Spectroscopy: Proceeding of 10th International Conference. NIR Publications, Chichester, UK.

Viscarra Rossel, R.A. & Behrens, T., 2010, Using data mining to model and interpret soil diffuse reflectance spectra, Geoderma 158, 46–54.

Viscarra Rossel, R.A., Taylor, H.J. & McBratney, A.B., 2007, Multivariate calibration of hyperspectral γ-ray energy spectra for proximal soil sensing, European Journal of Soil Science, 58:343-353.

Wold, S., Martens, H. & Wold, H., 1983, The multivariate calibration problem in chemistry solved by the PLS method, Matrix Pencils.


ارجاعات
  • در حال حاضر ارجاعی نیست.