جستجوی مقالات مرتبط با کلیدواژه « رگرسیون حداقل مربعات جزئی » در نشریات گروه « آب و خاک »
تکرار جستجوی کلیدواژه « رگرسیون حداقل مربعات جزئی » در نشریات گروه « کشاورزی »-
تعیین سریع، دقیق و کم هزینه ویژگی های خاکی در برنامه ریزی و مدیریت اراضی از اهمیت قابل توجهی برخوردار است. هدف از این پژوهش ارزیابی بازتاب طیفی نزدیک، به عنوان تکنیکی سریع، مقرون به صرفه و غیرمخرب در تخمین برخی ویژگی های خاک (شن، سیلت، رس، pH و کربنات کلسیم معادل (CCE)) با استفاده از روش های رگرسیون حداقل مربعات جزیی (PLSR) و رگرسیون حداقل مربعات جزیی توام با بازنمونه گیری (bagging-PLSR) بود. بدین منظور، 220 نمونه مرکب خاک از عمق 0 تا 20 سانتی متری در شهریور 1398 از دشت قروه استان کردستان جمع آوری شد. سپس ویژگی های انتخابی خاک با روش های آزمایشگاهی استاندارد اندازه گیری شد. بازتاب طیفی نزدیک نمونه ی خاک ها در محدوده 350 تا 2500 نانومتر (Vis-NIR) با بهره گیری از دستگاه اسپکترورادیومتر آزمایشگاهی اندازه گیری شد. پس از ثبت طیف ها، انواع مختلف روش های پیش پردازش مورد ارزیابی قرار گرفت. نتایج نشان داد که روش PLSR مقادیر R2 بین 58/0 تا 76/0 به دست می دهد، درحالی که این مقادیر در bagging-PLSR بین 59/0 تا 74/0 متغیر می باشد. مقادیر RMSE معادل با 43/17، 65/7، 83/7، 94/7 و 66/0 در روش PLSR و همچنین مقادیر 66/16، 63/7، 13/8، 71/7 و 45/0 در روش bagging-PLSR به ترتیب برای شن، سیلت، رس، CCE و pH خاک به دست آمد. بر اساس مقادیر RPD (نسبت برآورد به انحراف)، در برآورد مقدار شن و CCE بهترین عملکرد توسط مدل bagging-PLSR به دست آمد؛ این در حالی است که در برآورد رس و pH خاک مدل PLSR دقیق ترین بود. نتایج پیش بینی هر دو مدل برای سیلت یکسان بود (53/1 = RPD). در کل نتایج نشان داد که مدل های PLSR و bagging-PLSR در برآورد ویژگی های خاکی مورد مطالعه از دقت قابل قبولی برخوردار می باشند.
کلید واژگان: کربنات کلسیم معادل, طیف سنجی مرئی &ndash, مادون قرمز نزدیک, رگرسیون حداقل مربعات جزئی, ویژگی های خاکی}The rapid, accurate, and low-cost determination of soil properties has particularly important for land planning and management. The objective of this study was to evaluate the Vis-NIR spectral reflectance of soils, as a rapid, cost-effective, and non-destructive technique, for estimating some soil properties [sand, silt, clay, pH, and calcium carbonate equivalent (CCE)] by partial least-square regression (PLSR) and bagging-PLSR methods. For this purpose, a total of 220 composite soil samples were collected from 0-20 cm depth in Ghorveh Plain, Kurdistan province, in September 2019. The selected soil properties were measured by standard laboratory methods. The proximal spectral reflectance of soil samples was also measured within the 350-2500 nm range (Vis-NIR) using a handheld spectroradiometer. Different pre-processing methods were assessed after recording the spectra. The results indicated that the R2 values for the PLSR method ranged from 0.58 to 0.76, while the bagging-PLSR produced R2 values between 0.59 and 0.74. The RMSE values obtained for sand, silt, clay, CCE, and pH were 17.43, 7.65, 7.83, 7.94, and 0.66, respectively for the PLSR, and 16.66, 7.63, 8.13, 7.71, and 0.45 for the bagging-PLSR. Based on the ratio of prediction to deviation (RPD) values, the bagging-PLSR model achieved the best performance in predicting sand and CCE. However, for clay and pH prediction, the PLSR model was the most accurate. Both the PLSR and bagging-PLSR models yielded identical predictions for silt content, with an RPD value of 1.53. Overall, the results showed that PLSR and bagging-PLSR models have acceptable accuracy for estimating the proposed properties of the soils.
Keywords: CCE, soil properties, Partial least-squares regression, Visible, near-infrared spectroscopy} -
مطالعه حاضر با هدف برآورد درصد ذرات خاک با استفاده از روش طیف سنجی مریی و مادون قرمز نزدیک در منطقه سمیرم استان اصفهان انجام بود. تعداد 200 نمونه خاک سطحی (10 سانتی متری) از منطقه سمیرم اصفهان (طول جغرافیایی 17 51 تا 3 52 شرقی وعرض جغرافیایی 42 30 تا 51 31 شمالی) جمع آوری گردید. نمونه ها هواخشک شدند و از الک دو میلی متری عبور داده شدند و درصد ذرات خاک در آزمایشگاه با روش هیدرومتری تعیین شد. همچنین طیف سنجی نمونه های خاک با استفاده از دستگاه طیف سنج زمینی انجام گرفت. سپس روش های پیش پردازش مشتق اول با فیلتر ساویتزکی گلای، تصحیح پخشیده چندگانه و متغیر نرمال استاندارد بر روی طیف ها انجام شدند. برای برقراری ارتباط بین درصد ذرات خاک با ویژگی های طیفی آن از مدل های رگرسیون حداقل مربعات جزیی، ماشین بردار پشتیبان و شبکه عصبی استفاده گردید. بهترین نتیجه برای برآورد سیلت با استفاده از شبکه عصبی مصنوعی با روش پیش پردازش تصحیح پخشیده چندگانه با RPD (نسبت انحراف معیار به RMSE) بیشتر از 2، 98/0=R2 و کمترین مقدار g/Kg 08/1=RMSE به دست آمد. نتایج مطلوبی نیز برای مدل شبکه عصبی مصنوعی به ترتیب با روش های پیش پردازش تصحیح پخشیده چندگانه و متغیر نرمال استاندارد برای مقادیر رس (RPD بیشتر از 2، 94/0=R2 و کمترین مقدار g/Kg 21/1=RMSE-) و شن (انحراف پیش بینی باقی مانده بیشتر از 2، 84/0=R2 و کمترین مقدار g/Kg08/1=RMSE) به دست آمد. به طور کلی، براساس نتایج این مطالعه، طیف سنجی مریی مادون قرمز نزدیک در برآورد درصد ذرات خاک موفق بوده است و قابلیت جانشینی با روش های آزمایشگاهی را دارد.
کلید واژگان: روش های پیش پردازش, رگرسیون حداقل مربعات جزئی, شبکه عصبی مصنوعی, رگرسیون ماشین بردار پشتیبان, طیف سنجی}The present research performed to estimate soil texture using visible near-infrared spectrometry in Semirom, Isfahan. A total number of 200 soil samples (0-10 cm) were collected from the Semirom area (51º 17' - 52º 3' E; 30º 42' - 31º 51' N), Isfahan. The samples were air dried and passed through a 2 mm sieve, and soil particles percentage was determined in the laboratory using hydrometry method. Reflectance spectra of all samples were measured using an ASD field spectrometer. Different pre-processing methods i.e., First Derivatives and Savitzky-Golay Filter, Multiplicative Scatter Correction and Standard Normal Variable were applied and performed on spectral data. The Partial Least Squares Regression, Support Vector Machine Regression and Artificial Neural Network models were used to estimate soil texture. The best result was obtained for Silt estimation, with excellent values of RPD >2, R2 =0.98 and RMSE=1.08 using Artificial Neural Network model with MSC pre-processing technique. The results indicated the desirable capability of Artificial Neural Network model with MSC and SNV pre-processing techniques in estimating the Clay (RPD >2, R2=0.94 and RMSE=1.21) and Sand (RPD >2, R2=0.84 and RMSE=6.24) contents of the soils, respectively. In general, based on the results of this study, VNIR spectroscopy was successful in estimating soil particles percentage and showed its potential for substituting laboratory analyses.
Keywords: Artificial Neural Network, Partial Least Squares Regression (PLSR), Pre-processing methods, Spectroscopy, Support Vector Machine Regression} -
شناخت عوامل موثر در ایجاد رسوب، نقش مهمی در درک پدیده فرسایش و عواقب آن داشته و از اصول مهم مدیریت بهینه یک حوزه آبخیز به شمار می رود. در بررسی ارتباط میان پارامترهای محیطی و هیدروژیومورفولوژیک حوزه آبخیز با فرسایش و رسوب تاکنون بیشتر بر ویژگی های کمی رسوبات تاکید شده، در حالی که در این پژوهش ارتباط کربن آلی رسوب به عنوان یک شاخص مهم کیفیت با پارامترهای اقلیمی شامل بارندگی متوسط سالانه، دمای میانگین سالانه، توپوگرافی شامل ارتفاع، درصد شیب، جهت شیب و عامل زمین شناسی (سازند) در سطح استان اردبیل بررسی شده است. 98 نمونه رسوب پس از جمع آوری از سطح محدوده مطالعاتی، در آزمایشگاه به روش والکلی بلک اصلاح شده برای استخراج میزان کربن آلی تجزیه و آزمایش شده و با استفاده از روش های آماری رگرسیون گام به گام و رگرسیون حداقل مربعات جزیی (PLSR) مورد آنالیز و تحلیل قرار گرفتند. یافته های پژوهش نشان داد از میان پارامترهای هیدروژیومورفولوژیک، دو پارامتر جهت شیب و مقاومت سازند نسبت به فرسایش به ترتیب با ضرایب رگرسیونی 293/0- و 078/0- به عنوان عوامل تاثیرگذار بر کربن آلی رسوب شناخته شدند که همبستگی و ارتباط معکوسی با آن دارند و جهت شیب تاثیر معنی دارتری نسبت به عامل سازند برای تبیین تغییرات کربن آلی رسوب دارد که خروجی هر دو مدل رگرسیونی تقریبا مشابه می باشد. بنابراین کربن آلی رسوب علاوه بر کمیت و مقدار رسوبات می تواند به عنوان شاخصی مهم برای بررسی وضعیت فرآیندهای تخریب و فرسایش حوزه آبخیز و همچنین هدررفت کربن آلی خاک مورد توجه قرار گیرد.
کلید واژگان: کربن آلی, رسوب, رگرسیون گام به گام, رگرسیون حداقل مربعات جزئی, متغیرهای محیطی}Recognition of effective Parameters in sediment Production has an important role in understanding the phenomenon of erosion and its consequences and is one of the important principles of optimal management of a watershed. In the study of the relationship between watershed environmental and hydro geomorphological parameters with erosion and sediment, the quantity and amount of sediment has been considered so far, while in this research, has been studied the relationship between important climatic parameters including average annual rainfall, average annual temperature, altitude, slope, aspect and geological factor (formation) with sediment organic carbon as an important parameter and qualitative indicator in some of the Ardabil province watersheds. 98 samples of sediment after collecting from the study area, were analyzed in the laboratory by Walkley - Black method to extract the amount of organic carbon, then performed statistical analyze on samples using stepwise regression and partial least squares regression (PLSR) models. Findings showed that among the hydrogeomorphological parameters, slope and formation with regression coefficients of - 0.293 and -0.078, respectively, were identified as factors affecting the sediment organic carbon, so that both parameters have an inverse correlation with the sediment organic carbon and aspect parameter is more effective than the formation and output of both regression models is almost the same. Therefore, sediment organic carbon, in addition to the quantity and amount of sediments, can be considered as an important indicator for studying the degradation processes, watershed erosion and loss of soil organic carbon.
Keywords: Organic carbon, Sediment, Stepwise Regression, PLSR, Environmental variables} -
ظرفیت تبادل کاتیونی (CEC) از مهم ترین ویژگی های شیمیایی خاک است که در حاصلخیزی خاک نقش بسزایی دارد. با این حال، روش های استاندارد آزمایشگاهی برای اندازه گیری CEC دشوار، هزینه بر و زمان بر است. این پژوهش با هدف برآورد CEC خاک با به کارگیری روش های نوین مانند 1) توابع انتقالی خاک (PTF) بر اساس ویژگی های زودیافت خاک با استفاده از رگرسیون خطی چندگانه (MLR)، 2) طیف سنجی خاک (,Vis - NIR2500 تا 400 نانومتر) با استفاده از رگرسیون حداقل مربعات جزیی (PLSR) و رگرسیون بردار پشتیبان (SVR) انجام شده است. همچنین با استفاده از نتایج تجزیه و تحلیل ضریب رگرسیون، طول موج های کلیدی برای برآورد CEC معرفی شدند. برای این منظور، CEC در آزمایشگاه با استفاده از روش سدیم استات برای 72 نمونه خاک جمع آوری شده از خاک های آهکی استان فارس اندازه گیری شد و بازتاب طیفی نمونه های خاک با دستگاه طیف سنج اندازه گیری شد. این روش ها از مجموعه واسنجی (70% داده ها) ساخته شده و با مجموعه اعتبارسنجی (30% داده ها) ارزیابی شدند. نتایج نشان داد دقت نتایج روش طیف سنجی از دقت نتایج PTF بیشتر بود. در این پژوهش، طول موج های 566، 854، 1354، 1418، 1906، 2071، 2203، 2319 و 2341 نانومتر به عنوان طول موج های کلیدی برای برآورد CEC خاک به دست آمد. مدل SVR در مقایسه با PLSR عملکرد بهتری داشت. به طور کلی این پژوهش نشان داد که روش طیف سنجی (Vis- NIR) یک روش امیدوارکننده برای برآورد CEC خاک می باشد.
کلید واژگان: رگرسیون بردار پشتیبان, رگرسیون حداقل مربعات جزئی, رگرسیون خطی چندگانه, طول مو ج های کلیدی}Cation exchange capacity (CEC) is one of the most important soil chemical properties that plays an important role in soil fertility. However, standard laboratory methods for measuring CEC are difficult, costly, and time-consuming. The aim of this study was to use new methods such as 1) Pedotransfer Functions (PTF) based on the basic soil properties using Multiple Linear Regression (MLR), 2) soil spectroscopy (Vis–NIR, 400 – 2500 nm) using Partial Least Squares Regression (PLSR), and Support Vector Regression (SVR), for estimating soil CEC. Also, from the regression coefficient analysis, key wavelengths were introduced. For this purpose, CEC was measured using the sodium acetate method for 72 soil samples collected, and spectral reflection of soil samples was determined using spectroscopy. These methods are made from a calibration set (70% of data) and evaluated with a validation set (30% of data). The results showed that Vis - NIR method performed better than PTF. In this study, wavelength ranges around 566, 854, 1354, 1418, 1906, 2071, 2203, 2319, and 2341 nm were investigated as the key wavelengths for estimation of CEC. Furthermore, the results of prediction models showed that SVR has a better performance than PLSR. This study proved that Vis-NIR is a promising method for soil CEC estimation.
Keywords: Support Vector Regression, Partial least squares regression, Multiple Linear Regression, Key Wavelength} -
سطح وسیعی از اراضی شور و نیمه شور استان خوزستان به علت عدم پوشش سطحی و مقاومت کم خاک در برابر باد فرساینده به کانون های مستعد تولید ریزگرد تبدیل شده اند. هدف از این پژوهش مدل سازی شوری خاک مناطق حساس به تولید ریزگرد استان خوزستان با روش طیف سنجی امواج مرئی و مادون قرمز نزدیک (2500-350 نانومتر) بود. از مدل های چند متغیره رگرسیون حداقل مربعات جزئی، شبکه عصبی مصنوعی و مدل جنگل تصادفی برای مدل سازی شوری خاک به کار گرفته شد. طیف بازتابی خاک با دستگاه طیف سنج زمینی (FieldSpec) تعیین شد. همچنین روش های پیش پردازش فیلتر ساویتزی گولای، مشتق اول به همراه فیلتر ساویتزی گولای (FD-SG)، مشتق دوم به همراه فیلتر ساویتزی گولای (SD-SG)، روش نرمال سازی استاندارد (SNV) و روش حذف پیوستار (CR)، جهت حذف نویز و افزایش دقت مدل های چند متغیره مورد استفاده قرار گرفت. نتایج نشان داد که مدل ترکیبی حداقل مربعات جزئی- شبکه عصبی مصنوعی با معیارهای ارزیابی (65/2 - 40/3 =(RPDcal در برآورد شوری خاک دقت مناسبی دارد. در مقابل مدل ترکیبی حداقل مربعات - جنگل تصادفی نیز کمترین دقت (98/1-85/0= (RPDcal را نشان داد. پیش پردازش طیف اصلی در دو مدل شبکه عصبی و رگرسیون حداقل مربعات جزئی سبب افزایش نسبی دقت مدل شد درحالی که در مدل جنگل تصادفی پیش پردازش سبب کاهش دقت برآورد مدل، نسبت به طیف اصلی شد. محدوده 1800،1900، 2000، 2300 و 1500 نانومتر به عنوان طول موج کلیدی متاثر از شوری خاک شناسایی شد. از طول موج های کلیدی به دست آمده، می توان در مطالعات دورسنجی و تهیه نقشه شوری مناطق حساس به تولید گرد و غبار استان خوزستان استفاده کرد.کلید واژگان: رگرسیون حداقل مربعات جزئی, پیش پردازش, فیلتر ساویتزی گولای, طول موج کلیدی, مدل جنگل تصادفی}A broad area of saline and semi-saline lands of Khuzestan province have changed into centers susceptible to dust production due to eroded wind and lack of surface coating and low soil resistance. The objective of this study was to model the soil salinity of sensitive areas to dust production in Khuzestan Provenience usin spectrometry method of visible and near-infrared wavelengths (2500-350 nm). The least square multivariate regression model, artificial neural network and random forest model were used to estimate soil salinity. The main soil spectrum was determined using the FieldSpect machine. Also, preprocessing methods including Savitzky-Golay filter, the first derivative with the Savitzky-Golay filter (FD-SG), the second derivative with the Savitzky-Golay filter (SD-SG), the standard normalization method (SNV), and the continuum remove method (CR) were used to eliminate the noise and to increase the accuracy of the multivariate model. The results showed that the combined model partial least squares-artificial neural network model with assessment criteria (RPDcal = 3.40-2.65) has high accuracy for salinity estimation. In contrast, the combined model of least squares - random forest showed the lowest accuracy (RPDcal = 0.85-1.98). Preprocess of the main spectrum in two models (neural network and partial least squares regression) increased the relative accuracy of the model; while in the random forest model, preprocess reduced the accuracy of the model compared to the main spectrum. The ranges of 1800, 1900, 2000, 2300 and 1500 nm were recognized as "the key wavelengths" impressed by soil salinity. The key wavelengths can be used in remote sensing studies and mapping of soil salinity in areas sensitive to dust production in Khuzestan province.Keywords: Partial least squares regression, Preprocessing, Savitzky-Golay filter, Key wavelengths, Random forest model}
-
ماده آلی خاک به دلیل تاثیر بر روی خصوصیات فیزیکی، شیمیایی و بیولوژیکی خاک به عنوان شاخصی از کیفیت خاک و حاصلخیزی آن محسوب می گردد. هدف از این پژوهش بررسی اثر رطوبت بر رفتار طیفی خاک به منظور برآورد مقدار ماده آلی با استفاده از روش طیفی سنجی مرئی- مادون قرمز نزدیک بود. همچنین عملکرد روش های مختلف پیش پردازش در مدل سازی مقایسه شد. به همین منظور تعداد 50 نمونه خاک از لایه سطحی (0 تا 30 سانتی متر) به صورت تصادفی از برخی از شهرستان های استان تهران جمع آوری شد. نمونه ها هوا خشک شده و از الک 2 میلی متری عبور داده شدند. مقدار ماده آلی و بافت خاک در آزمایشگاه اندازه گیری شد. برای اندازه گیری بازتاب طیفی، نمونه های خاک در آون خشک (105 درجه، به مدت 24 ساعت) و با سطوح 5، 10، 15 و 20 درصد وزنی (گرم آب/ گرم خاک) رطوبت دهی شدند. سپس بازتاب طیفی نمونه خاک های موردمطالعه با استفاده از دستگاه اسپکترورادیومتر زمینی در دامنه طول موج مرئی- مادون قرمز نزدیک (2500-350 نانومتر) در تاریکخانه اندازه گیری شد.نتایج حاصل از ارزیابی متقابل نشان داد که روش پیش پردازش SNV عملکردی بهتر در پیش-بینی کربن آلی خاک دارد. بهترین نتیجه در رطوبت آون خشک برای گروه اعتبارسنجی با مقدار R2 و RMSE به ترتیب 83/0 و 422/0 حاصل شد. همچنین R2 و RMSE به ترتیب 75/0 و 543/0 در رطوبت 5 درصد؛ 70/0، 553/0 در رطوبت 10 درصد؛ 60/0، 558/0 در رطوبت 15 درصد به دست آمد.کلید واژگان: بازتاب طیفی, پیش پردازش, رگرسیون حداقل مربعات جزئی, مرئی- مادون قرمز نزدیک}Soil organic matter is considered as an indicator of soil quality and its fertility due to its impact on the physical, chemical and biological properties of soil. The purpose of this study was to investigate the effect of moisture on soil spectral behavior in order to estimate the amount of organic matter using visible-near infrared spectroscopy. Also, the performance of different preprocessing methods was compared in modeling. For this purpose, 50 soil samples from a surface layer (0-30 cm) were randomly collected from some cities in Tehran province. The samples were air-dried and passed through a 2 mm sieve. The amount of organic matter and soil texture were measured in the laboratory. To measure spectral reflectance, soil samples are dry in the oven and they were hydrated with levels of 5, 10, 15 and 20 wt.% (Grams of water / g of soil). Then, Soil samples were scanned using a FieldSpec Pro Spectroradiometer with a measurement range of 350–2500 nm. The results of the cross-evaluation indicated that SNV pre-processing method was better in predicting organic carbon content of soil. The best result for the validation group was obtained in dry oven moisture with R2 and RMSE values of 0.83 and 0.422 respectively. Also, R2 and RMSE were 0.75 and 0.543, respectively, at 5% moisture content, 0.70, 0.553 at 10% moisture, 0.605, 0.558 in moisture content of 15%.Keywords: partial least squares regression, preprocessing, spectral reflection, visible-near infrared}
-
تکنیک طیف سنجی مرئی- مادون قرمز نزدیک روشی غیر مخرب، سریع، ارزان و دارای حداقل آماده سازی نمونه به منظور برآورد خصوصیات خاک و بدون ضرر برای محیط زیست محسوب می گردد. با توجه به اینکه مطالعات اندکی در رابطه با کاربرد این روش در تعیین ویژگی های خاک های کشورمان انجام شده است، این مطالعه با هدف ارزیابی روش طیف سنجی انعکاسی در برآورد برخی خصوصیات خاک در منطقه بردسیر در استان کرمان انجام شد. تعداد 150 نمونه مرکب خاک سطحی، از چهار کاربری مختلف از عمق 20-0 سانتی متری جمع آوری گردید و مقادیر کربن آلی، درصد آهک، درصد شن، درصد سیلت و درصد رس وpH خاک با روش های استاندارد آزمایشگاهی اندازه گیری شد. طیف سنجی انعکاسی نمونه های هوا خشک شده تحت شرایط کنترل شده آزمایشگاهی، با استفاده از دستگاه طیف سنج زمینی در محدوده طول موج 2500-350 نانومتر انجام شد. پس از ثبت طیف ها، انواع روش های پیش پردازش مورد ارزیابی قرار گرفت. واسنجی بین داده های طیفی و آزمایشگاهی به روش اعتبار سنجی متقابل با استفاده از مدل رگرسیون حداقل مربعات جزئی انجام شد. نتایج نشان داد که مقادیر ضریب تبیین برای کربن آلی، آهک، درصد شن، درصد سیلت، درصد رس و pH به ترتیب 68/0، 62/0، 64/0، 66/0، 3/0 و 01/0 می باشد. با توجه به مقادیر RPD (Ratio of Prediction to Deviation) ، پیش بینی مدل برای درصد شن و سیلت کاملا مناسب برای کربن آلی و آهک مناسب و برای درصد رس و pH ضعیف می باشد. بهترین روش پیش پردازش برای کربن آلی متغیر نرمال استاندارد (SNV) و برای آهک، درصد شن و درصد سیلت روش مشتق اول به همراه فیلتر ساویتزکی و گلای تعیین گردید. نتایج بر قابلیت تکنیک طیف سنجی مرئی- مادون قرمز در تخمین مکانی چندین ویژگی خاک به صورت همزمان، دلالت دارد. لذا این روش می تواند به عنوان روشی جایگزین برای روش های مرسوم آزمایشگاهی در تعیین برخی ویژگی های خاک مطرح باشد.
کلید واژگان: اعتبار سنجی, پیش پردازش طیفی, رگرسیون حداقل مربعات جزئی, طیف سنجی انعکاسی}Soil spectroscopy in the visible and near infrared (Vis-NIR) range has widely been used as a rapid, cost-effective, and non-destructive technique to predict soil properties. Since little data is available about soil properties determined by using this technique, the present research was carried out to evaluate the efficiency of Vis-NIR spectroscopy to estimate several soil properties in Bardsir area, Kerman Province. About 150 complex surface soil samples were collected from four different land uses from depth of 0-20 cm. Soil organic carbon, equivalent calcium carbonate, pH, and the amount of silt, clay and sand particles were measured by routine laboratory methods. Reflectance spectra were obtained from air-dried samples under controlled laboratory conditions using an ASD FieldSpec Pro spectroradiometer in 350-2500 nm wavelength range. Partial least squares regression was used for calibration of spectral and laboratory data using cross validation. Coefficient of variation for organic carbon, equivalent calcium carbonate, sand, silt, clay, and pH values were 0.68, 0.62, 0.64, 0.66, 0.3, and 0.01, respectively. Based on RPD values (Ratio of Prediction to Deviation), the precision of the prediction model for sand and silt contents was quite suitable, and for organic carbon and equivalent calcium carbonate it was suitable. [H1] However, the predictions of the model for clay content and pH were poor.Furthermore, standard normal variate (SNV) was the best pre-processing method to predict organic carbon, whereas, first derivative with SG smoothing (FD-SG) showed better estimation for carbonate, sand, and silt. Consequently, Vis-NIR spectroscopy is capable of predicting several soil properties at the same time. As the model accuracy is acceptable, it has the potential to substitute conventional laboratory analyses of selected soil properties.
Keywords: Validation, Spectral pre-processing, Partial least-squares regression, Reflective spectroscopy} -
کانی های رسی جزء اصلی و بنیادی خاک هستند و تعیین مقدار آنها در مدیریت خاک ها از اهمیت ویژه ای برخوردار است. لذا، این مطالعه با اهداف بررسی توانایی روش طیف سنجی مرئی-مادون قرمز نزدیک در تعیین مقدار کانی های رسی غالب خاک های استان اصفهان و بررسی محدودیت های احتمالی در تعیین مقدار کانی های رسی اجرا شد. آنالیزهای کانی شناسیبر روی 100 نمونه خاک سطحی جمع آوری شده از کل استان اصفهان، با استفاده از دستگاه XRD و بصورت نیمه کمی انجام شد. آنالیز طیفی نمونه های خاک با استفاده از دستگاه طیف سنج زمینی با دامنه طول موج 350 تا 2500 نانومتر انجام شد. بعلاوه، رگرسیون حداقل مربعات جزئی و طیف های حذف پیوستار برای مدلسازی به کار رفت. نتایج کاربرد روش حذف پیوستار در پیش بینی مقادیر سه کانی ایلیت، اسمکیتت و پالیگورسکیت از عدم توانایی این روش حکایت داشت. مقایسه دو روش رگرسیون حداقل مربعات جزئی و حذف پیوستار در پیش بینی کانی های خاک نشان داد که قابلیت روش رگرسیون حداقل مربعات جزئی بسیار بیشتر از حذف پیوستار است. بررسی علل عدم موفقیت روش طیف سنجی در برآورد کانی های رسی خاک نشان داد که اختلاط هر یک از کانی ها (پالیگورسکیت، اسمکتیت و ایلیت) با یکدیگر تاثیر چشمگیری بر موقعیت جذبی سایر کانی ها گذاشته و پیش بینی مقدار کانی را مشکل می سازد. در مناطق خشک و نیمه خشک، با تنوع کانی شناسی فراوان و حضور گچ و کربنات ها، سیستم خاک پیچیده تر شده و امکان کسب اطلاع از طیف ها مشکل می شود و بنابراین، پیش بینی مقادیر کانی ها با دقت کمی همراه است.
کلید واژگان: پالیگورسکیت, ایلیت, اسمکتیت, رگرسیون حداقل مربعات جزئی, طیف حذف پیوستار}Clay minerals constitute a fundamental fraction of soils and their quantitative information is important in soil management. Therefore, the objectives of this research were to evaluate the ability of vis-NIR spectroscopy to quantify the dominant clay minerals of soils and to determine the limitations of this approach. One hundred surface soil samples were collected from the Isfahan province. Semi-quantitative mineralogical analyses were performed by XRD. Soil spectral analyses were carried out by a field spectrometer using 350-2500 nm wavelength range. Partial least squares regression and continuum-removed spectra were used for modeling. Modeling by continuum-removed spectra could not precisely predict dominant clay minerals. Clay minerals estimation by partial least square regression was more accurate than continuum-removed spectra. It appears that mixing the clay fraction with each mineral (palygorskite, smectite and illite) significantly influences the special absorption features of mineral and makes it difficult to estimate clay minerals accurately. In arid and semi-arid regions, mineralogical diversity is high and the presence of gypsum and carbonates increases the complexity of the soil system. Therefore, information from spectra is difficult to obtain and clay minerals could not be accurately estimated.
Keywords: Palygorskite, Illite, Smectite, Partial least square regression, Continuum removed spectrum} -
نشریه علوم آب و خاک (علوم و فنون کشاورزی و منابع طبیعی)، سال بیست و یکم شماره 4 (پیاپی 82، زمستان 1396)، صص 201 -214طیف سنجی بازتابندگی روشی سریع و غیرمخرب برای پیش بینی های ارزان قیمت مشخصات فیزیکوشیمیایی و بیولوژی خاک می باشد. روش های سنتی تعیین خصوصیات خاک مستلزم صرف هزینه و زمان زیادی بوده به نحوی که عموما بهره برداران تمایل چندانی به استفاده از نتایج طیف سنج های آزمایشگاهی در مدیریت آب و خاک ندارند. طیف سنجی انعکاسی در محدوده طیفی 400 تا 2500 نانومتر (VNIR)، می تواند به عنوان یک روش جایگزین مناسب برای تخمین خصوصیات خاک مورد استفاده قرار گیرد. هدف از این مطالعه، ارزیابی نتایج استفاده از طیف سنج آزمایشگاهی در برآورد غلظت عناصر سرب (Pb) و نیکل (Ni) در خاک های تحت آبیاری با آب حاصل از تصفیه لجن فاضلاب در محدوده شهر ری و درنهایت مقایسه این نتایج با نتایج حاصل از طیف سنج های دستگاه جذب اتمی می باشد. در این مطالعه از مدل رگرسیون حداقل مربعات جزئی برای برآورد غلظت فلزات سنگین در ارتباط با محتوی کربن آلی خاک استفاده شد و برای ارزیابی عملکرد این مدل از روابط محاسباتی خطای جذر میانگین مربعات استفاده گردید. در این پژوهش پس از تصحیحات طیفی مربوط به حذف باندهای جذب آب ونیز حذف طیف های ناکار آمد در برآورد فلزات سنگین، از طریق مشتق گیری ریاضیاتی از مقادیر طیفی و همچنین به دست آوردن طیف های حذف پایستار، روش های برآورد این عناصر مورد بررسی قرار گرفتند. نتایج نشان داد مقادیر برآورد شده با استفاده از طیف های مشتق تطابق بیشتری را با نتایج حاصل از طیف سنج های دستگاه جذب اتمی دارا می باشند.کلید واژگان: طیف سنجی انعکاسی, طیف سنجی جذب اتمی, فلزات سنگین, رگرسیون حداقل مربعات جزئی, مادون قرمز نزدیک و مرئی}Reflectance spectroscopy is a fast and safe method to predict soil physicochemical and biological properties in low cost ways. Traditional methods to determine soil properties require spending a lot of time and money so that farmers are generally reluctant to use the results of laboratory measurements in soil and water management. Reflectance spectroscopy in the spectral range of 400-2500 nm (VNIR) is an alternative method for estimating the soil properties. The aim of this study was to evaluate the results of laboratory spectrometer to estimate the concentration of Lead (Pb) and Nickel (Ni) in soils irrigated with water from treatment of urban sewage sludge of Rey city and finally to compare these results with the results of measurements of atomic absorption spectrometry. In this study, the Partial Linear Square Regression (PLSR) model was used to estimate the concentration of heavy metals and Residual Mean Square Error (RMSE) was used to evaluate the performance of this model. In this research, after spectral corrections related to elimination of the water absorption bands as well as elimination of the inefficient spectrum from heavy metals estimations, the methods of estimating these elements were studied through mathematical derivation of spectral values and also the acquisition of the continuum removal spectra. The results show that the estimated values from first derivate spectra are more consistent with the results of atomic absorption spectrometers.Keywords: Reflectance Spectroscopy, Atomic Adsorption Spectroscopy, Heavy Metals, PLSR, Visible, Near Infrared}
-
شور شدن خاک ها در جهان به گونه ای روزافزون روبه گسترش است و درنتیجه تولید محصولات کشاورزی در مواجهه با این تنش کاهش می یابد. سیاست گذاران و تصمیم سازان در راستای برنامه ریزی برای تطبیق با تغییرات اقلیمی و افزایش نیاز به غذا نیازمند پایش کمی مستمر شوری خاک می-باشند. شاخص های طیفی حاصل از سنجنده های ماهواره ای و یا سنجنده های نزدیک به سطح زمین به طور روزافزونی برای پایش شوری خاک مورداستفاده قرار می گیرند به نحوی که تا کنون تعداد زیادی شاخص برای پایش شوری خاک معرفی شده اند. برای مدل سازی و سنجش اعتبار مدل حاصله روش های رگرسیونی مختلفی مورداستفاده قرار گرفته که مهم ترین آن ها رگرسیون خطی چندگانه (شامل رگرسیون گام به گام، انتخاب رو به جلو و حذف رو به عقب) و رگرسیون حداقل مربعات جزئی است. در این پژوهش به منظور ارزیابی این دو روش در مدل سازی تغییرات شوری خاک از اندازه-گیری های آزمایشگاهی و الکترومغناطیسی شوری خاک مربوط به 97 نقطه در سال 1392 و 225 نقطه در سال 1393 در بخشی از دشت سبزوار- داورزن به مساحت حدود 50 هزار هکتار استفاده شد. تعداد 23 شاخص طیفی از تصاویر ماهواره لندست 8 مربوط به تاریخ های نمونه برداری استخراج و به همراه مدل رقومی ارتفاع به عنوان متغیر مستقل مورداستفاده قرار گرفت. روش های مختلف رگرسیون خطی چندمتغیره با استفاده از داده های سال اول به عنوان آموزش و سال دوم به عنوان آزمون و بالعکس هرچند ضریب تبیین بین حدود 22 تا 88 درصد ایجاد کرد، ولی این همبستگی در دسته اعتبار سنجی از 29 درصد تجاوز نکرد. به علت وجود هم راستایی خطی چندگانه در بین متغیرهای مستقل روش رگرسیون خطی چندگانه برای تمام متغیر ها قابل کاربرد نبود. حذف متغیرهای دارای هم راستایی خطی، تبدیل لگاریتمی و تصادفی کردن کل داده ها در دو دسته آموزش و آزمون، ضریب رگرسیون مدل و اعتبار آن را به طور قابل قبولی افزایش داد. استفاده از رگرسیون حداقل مربعات جزئی با استفاده از داده های اصلی و تبدیل لگاریتمی شده سال اول و دوم به عنوان آموزش و آزمون و بالعکس نیز در دسته آموزش ضریب تبیین بین 39 تا 85 درصد ایجاد کرد، ولی از برآورد در دسته آزمون ناتوان بود. تصادفی کردن داده ها و تقسیم مجدد آن ها به دو دسته آموزش و آزمون موجب ارتقای چشمگیر ضریب تعیین در دسته اعتبارسنجی شد. تکرار عملیات تصادفی کردن نشان داد که روش از ثبات لازم برای برآورد ضرایب متغیرها برخوردار است.کلید واژگان: اعتبار سنجی, رگرسیون خطی چندمتغیره, رگرسیون حداقل مربعات جزئی, سنجش ازدور, شاخص های طیفی}IntroductionSoil salinization is increasing across developing world countries and agricultural production is decreasing as a result of this stress. Climate change could adversely affect soil salinization trend through the decrease in rainfall and increased evapotranspiration in arid regions. Policy and decision makers require continuous and quantitative monitoring of soil salinity to adapt with the adverse effects of climate change and increasing need for food. Indices derived from near surface or satellite based sensors are increasingly applied for monitoring of soil salinity so a considerable number of these indices are introduced already for soil salinity monitoring. Different regression methods have been already used for modeling and verification of developed models amongst them multiple linear regression (including stepwise, forward selection and backward elimination) and partial least square regression are the most important methods.Materials And MethodsTo evaluate different approaches for modeling soil salinity against remotely sensed data, an area of about 50000 ha was selected in Sabzevar- Davarzan plain during 2013 and 2014 years. The locations of sampling points were determined using Latin Hypercube Sampling (LHS) strategy. Sampling density was 97 points for 2013 and 25 points for 2014. All points were sampled down to 90 cm depth in 30 cm increments. Totally 366 soil samples were analyzed in the laboratory for electrical conductivity of saturated extract. Electromagnetic induction device (EM38) was also used to measure bulk soil electrical conductivity for the sampling points at the first year and sampling points and 8 points around it at the second year. Totally 97 and 225 EM measurements were also recorded for first and second years respectively. Mean measured soil EC data were calibrated against the EM measurements. Finding the fair correlations, the EM and EC data could be converted to each other. 23 spectral indices derived from Landsat 8 images in the sampling dates along with DEM were used as independent variables. Multiple Linear Regression (MLR) and Partial Least Square Regression (PLSR) methods were evaluated for their fitness in predicting soil salinity from independent variables in different calibration and verification datasets.Results And DiscussionDifferent multiple linear regression approaches using the first year data for training and second year data for testing the models and vice versa were evaluated which produced determination coefficients of about 22 to 88 percent in the training dataset but this regression did not reach to 29 percent in the test dataset. Due to the multiple co-linearity amongst the independent variables the multiple linear regression methods were not applicable to all variables. Excluding the co-linear variables, log- transforming and randomizing them into train and test datasets improved the determination coefficient of model and its validation at an acceptable level. Application of partial least square regression using the original and log- transformed data of first and second years as train and test datasets and vice versa introduced determination coefficients of about 39 to 85 percent in the training dataset but were not able to predict in the test dataset. Random dividing of all data into train and test datasets considerably increased the determination coefficient in the verification dataset. Repeating the randomization showed that the approach has the required consistency for predicting the coefficients of variables.ConclusionsWide range of independent variable could be used for predicting soil salinity from remotely sensed data and indices. On the other hand the independent variables generally show multi-colinearity amongst themselves. Correlation matrix, variance inflation factor and tolerance indices could be used to identify multi-colinearity. Removing or scaling the variable with high colinearity could improve the regression. Different data transformation methods including log- transformation could also significantly improve the strength of regression. In this research EM data showed more significant correlations with spectral indices in comparison with laboratorial measured EC data. As the EM38 device measures the reflectance in special range of spectrum this higher correlation could be expected. Such models should be calibrated and verified against ground truth data. Generally a part of data set is used for calibrating (making the model) and the remained for verifying (testing the model). Random dividing of the total data of 2 years into calibration (2/3 of data) and verification (1/3 of data) could significantly improve the regression in the verification data set. This procedure increases the range of variability for data used for calibration and verification and prevents outlier predictions.Keywords: Multiple linear regression, Partial least square regression, Remote sensing, Spectral indices, Verification}
-
سابقه و هدفمقدار کربن آلی خاک به عنوان یکی از مهمترین ویژگی های خاک، اهمیت بسیاری در توسعه و مدیریت پایدار کشاورزی دارد. مقدار مواد آلی خاک که عموما بر اساس مقدار کربن آلی آن اندازه گیری می شود، معمولا به عنوان شاخص کلیدی کیفیت و عملکرد خاک قلمداد می گردد (24). وجود مواد آلی مکفی خاک، تاثیرات مثبتی بر باروری خاک، ظرفیت نگهداشت آب خاک و ترسیب کربن دارد (35؛ 26؛ 25؛ 30). تحقیقات اخیر نشان داده است که فعالیت های انسانی همانند عملیات مکانیکی کاشت و فعالیت های توسعه ای اقتصادی منجر به درخطر افتادن محتوای مواد آلی خاک شده است (23؛ 22). بنابراین پایش مستمر میزان کربن آلی خاک می تواند نقشی مهمی در کنترل کیفیت و عملکرد خاک داشته باشد. از آنجا که روش های معمول آزمایشگاهی اندازه گیری کربن آلی خاک، به ویژه در مقیاس های مکانی بزرگ، عمدتا پرهزینه و زمان بر هستند به همین دلیل، روش های ارزیابی سریع، کم هزینه و با دقت میزان کربن آلی خاک، می تواند یک اقدام بسیار ارزشمند برای مدیریت بلندمدت خاک باشد. هدف از انجام این پژوهش مطالعه رفتار طیفی خاک به منظور برآورد مقدار کربن آلی خاک با استفاده از روش های رگرسیون حداقل مربعات جزئی (PLSR) و رگرسیون حداقل مربعات جزئی توام با بازنمونه گیری (bagging-PLSR) و نیز بررسی اثر روش های مختلف پیش پردازش داده های طیفی بر دقت برآورد کربن آلی خاک بود.مواد و روش هاتعداد 200 نمونه خاک در مقیاس حوزه آبخیز (داده های واسنجی) و 40 نمونه در مقیاس مزرعه (داده های اعتبارسنجی) از دو عمق خاک (صفر تا 10 و 10 تا 30 سانتیمتر خاک) به صورت نمونه برداری مرکب در یک شعاع 10 متری جمع آوری و پس از هوا خشک کردن از الک 2 میلی متر عبور داده شد. برخی ویژگی های فیزیکوشیمیایی خاک ها در آزمایشگاه اندازه گیری شد. پس از آن، بازتاب طیفی خاک در گستره مرئی، مادون قرمز نزدیک و میانی (2500-350 نانومتر) با استفاده از دستگاه اسپکترو رادیومتر اندازه گیری و ارتباط بین 2000 باند با مقدار کربن آلی خاک مورد بررسی قرار گرفت.یافته هابر اساس نتایج به دست آمده، بهترین روش های پیش پردازش به منظور واسنجی مدل PLSR شامل حذف روند به روش موجک (94/1=RPD) و SNV توام با فیلتر میانه (92/1=RPD) بود. تعداد فاکتور مناسب مدل های تخمینگر در دو روش PLSR و bagging-PLSR برابر 17 بدست آمد. نتایج اعتبارسنجی مدل ها به ازای تمامی روش های پیش پردازش نشان داد، روش های PLSR و bagging-PLSR به ترتیب با گستره مقادیر RMSE برابر با % 11/1-167/0 و % 03/1-142/0 در برآورد مقدار کربن آلی خاک همراه بودند. همچنین، به ازای مقادیر کربن آلی >2/1 درصد، دقت تخمین در هر دو روش کاهش یافت.نتیجه گیرییافته های پژوهش نشان داد که استفاده از بازتاب طیفی خاک در محدوده مرئی، مادون قرمز نزدیک و مادون قرمز میانی(VIS، NIR و SWIR) می تواند مقدار کربن آلی خاک را مورد مطالعه قرار دهد. همچنین منحنی های طیفی خاک های مختلف سه مشخصه جذب در طول موج های 1414، 1913 و 2207 نانومتر را نشان داد که مربوط به مقدار آب موجود در شبکه کانی های رسی خاک و رطوبت هیگروسکوپی خاک بوده و می تواند به عنوان مشخصه های منحصربه فرد هر خاک محسوب شود. این باندها اهمیت زیادی در برآورد مقدار کربن آلی خاک دارند. پیش پردازش داده های طیفی خاک و انتخاب مناسب ترین روش پیش پردازش، یکی از مهم ترین عوامل تاثیرگذار بر دقت روش های رگرسیون حداقل مربعات جزئی(PLSR) و رگرسیون حداقل مربعات معمولی با بازنمونه گیری(bagging-PLSR) در برآورد مقدار کربن آلی خاک بود. بر اساس نتایج به دست آمده، روشbagging-PLSR نسبت به روش PLSR دقت بالاتری در برآورد مقدار کربن آلی خاک نشان داد.
کلیدواژگان
بازتاب طیفی خاک؛ پیش پردازش طیفی؛ رگرسیون حداقل مربعات جزئی؛ کربن آلی خاک
عنوان مقاله [English]
Estimating Soil Organic Carbon Using Hyperspectral Data in Visible، Near-infrared and Shortwave-infrared (VIS-NIR-SWIR) Range
چکیده [English]
Background and objectives: Soil organic carbon is a main soil property and particularly important for development and sustainable management of agricultural systems. Soil Organic Matter content، which is typically measured in the form of soil organic carbon SOC content، is commonly regarded as a key indicator of soil quality and utilization (Liu et al.، 2015). The presence of SOM has been proved to be beneficial for soil productivity، water holding capacity، and carbon sequestration (Prescott et al.، 2000; Munson and Carey، 2004; Seely et al.، 2010; Six and Paustian، 2014). Earlier studies showed that SOM is vulnerable to anthropogenic activities such as farming practices، and other economic development activities (Huang et al.، 2007; Kissling et al.، 2009; Mao، et al.، 2014). Conventional laboratory analyses for measuring soil organic carbon، especially in large scale، are expensive and time consuming. For this reason، fast and accurately assess the amount of organic carbon can be a very valuable measure for long-term management of soil. The objectives of this study were: i) studying of proximal spectral reflectance of soils for estimating soil organic carbon by PLSR and bagging-PLSR methods and ii) investigating the effects of different preprocessing methods on performance of estimated soil organic carbon.
Materials and methods: A total of 200 composite soil samples on watershed scale (calibration data) and 40 soil samples on farm scale (validation data) from two different depth (0-10 and 10-30 cm) collected within a radius of 10 meters and after air drying، they were passed through 2 mm sieve. Some physicochemical characteristics of soils were measured in the laboratory. Consequently، proximal spectral reflectance of the soil samples within the VIS-NIR and SWIR (400-2500 nm) range was measured using a handheld spectroradiometer apparatus and correlation between 2000 bands and soil organic carbon were determined.
Results: Results indicated that the best preprocessing methods to calibrate PLSR model were wavelet deterending (RPD=1.94) and SNV with median filter (RPD=1.92). The best PLSR and bagging-PLSR model for the estimation was obtained with 17 factors. Bagging-PLSR method has high performance (RMSE=0.142-1.03 %) than PLSR method (RMSE=0.167-1.11 %) for estimating soil organic carbon. In both methods، the accuracy was decreased while soil organic carbon was bigger than 1.2 percent.
Conclusion: Using the soil spectral reflectance in the range of VIS، NIR and SWIR can examine the soil organic carbon. The spectral curves of different soils showed three absorbance properties at wavelengths 1414، 1913 and 2207 that was the amount of water in clay network and soil hygroscopic water، so they can be considered as a unique characteristics for each soil. These spectral bands are very important to estimate the amount of soil organic carbon. Soil spectral data pre-processing and selection of the most suitable pre-processing method was one of the most important factors affecting the accuracy of bagging-PLSR and PLSR method to estimate the amount of soil organic carbon. Based on the results، the method of bagging-PLSR showed higher accuracy than the PLSR method to estimate the amount of soil organic carbon.
کلیدواژگان [English]
Soil spectral reflectance، Spectral preprocessing، PLSR، Soil organic carbonسابقه و هدفمقدار کربن آلی خاک به عنوان یکی از مهمترین ویژگی های خاک، اهمیت بسیاری در توسعه و مدیریت پایدار کشاورزی دارد. مقدار مواد آلی خاک که عموما بر اساس مقدار کربن آلی آن اندازه گیری می شود، معمولا به عنوان شاخص کلیدی کیفیت و عملکرد خاک قلمداد می گردد (24). وجود مواد آلی مکفی خاک، تاثیرات مثبتی بر باروری خاک، ظرفیت نگهداشت آب خاک و ترسیب کربن دارد (35؛ 26؛ 25؛ 30). تحقیقات اخیر نشان داده است که فعالیت های انسانی همانند عملیات مکانیکی کاشت و فعالیت های توسعه ای اقتصادی منجر به درخطر افتادن محتوای مواد آلی خاک شده است (23؛ 22). بنابراین پایش مستمر میزان کربن آلی خاک می تواند نقشی مهمی در کنترل کیفیت و عملکرد خاک داشته باشد. از آنجا که روش های معمول آزمایشگاهی اندازه گیری کربن آلی خاک، به ویژه در مقیاس های مکانی بزرگ، عمدتا پرهزینه و زمان بر هستند به همین دلیل، روش های ارزیابی سریع، کم هزینه و با دقت میزان کربن آلی خاک، می تواند یک اقدام بسیار ارزشمند برای مدیریت بلندمدت خاک باشد. هدف از انجام این پژوهش مطالعه رفتار طیفی خاک به منظور برآورد مقدار کربن آلی خاک با استفاده از روش های رگرسیون حداقل مربعات جزئی (PLSR) و رگرسیون حداقل مربعات جزئی توام با بازنمونه گیری (bagging-PLSR) و نیز بررسی اثر روش های مختلف پیش پردازش داده های طیفی بر دقت برآورد کربن آلی خاک بود.مواد و روش هاتعداد 200 نمونه خاک در مقیاس حوزه آبخیز (داده های واسنجی) و 40 نمونه در مقیاس مزرعه (داده های اعتبارسنجی) از دو عمق خاک (صفر تا 10 و 10 تا 30 سانتیمتر خاک) به صورت نمونه برداری مرکب در یک شعاع 10 متری جمع آوری و پس از هوا خشک کردن از الک 2 میلی متر عبور داده شد. برخی ویژگی های فیزیکوشیمیایی خاک ها در آزمایشگاه اندازه گیری شد. پس از آن، بازتاب طیفی خاک در گستره مرئی، مادون قرمز نزدیک و میانی (2500-350 نانومتر) با استفاده از دستگاه اسپکترو رادیومتر اندازه گیری و ارتباط بین 2000 باند با مقدار کربن آلی خاک مورد بررسی قرار گرفت.یافته هابر اساس نتایج به دست آمده، بهترین روش های پیش پردازش به منظور واسنجی مدل PLSR شامل حذف روند به روش موجک (94/1=RPD) و SNV توام با فیلتر میانه (92/1=RPD) بود. تعداد فاکتور مناسب مدل های تخمینگر در دو روش PLSR و bagging-PLSR برابر 17 بدست آمد. نتایج اعتبارسنجی مدل ها به ازای تمامی روش های پیش پردازش نشان داد، روش های PLSR و bagging-PLSR به ترتیب با گستره مقادیر RMSE برابر با % 11/1-167/0 و % 03/1-142/0 در برآورد مقدار کربن آلی خاک همراه بودند. همچنین، به ازای مقادیر کربن آلی >2/1 درصد، دقت تخمین در هر دو روش کاهش یافت.نتیجه گیرییافته های پژوهش نشان داد که استفاده از بازتاب طیفی خاک در محدوده مرئی، مادون قرمز نزدیک و مادون قرمز میانی(VIS، NIR و SWIR) می تواند مقدار کربن آلی خاک را مورد مطالعه قرار دهد. همچنین منحنی های طیفی خاک های مختلف سه مشخصه جذب در طول موج های 1414، 1913 و 2207 نانومتر را نشان داد که مربوط به مقدار آب موجود در شبکه کانی های رسی خاک و رطوبت هیگروسکوپی خاک بوده و می تواند به عنوان مشخصه های منحصربه فرد هر خاک محسوب شود. این باندها اهمیت زیادی در برآورد مقدار کربن آلی خاک دارند. پیش پردازش داده های طیفی خاک و انتخاب مناسب ترین روش پیش پردازش، یکی از مهم ترین عوامل تاثیرگذار بر دقت روش های رگرسیون حداقل مربعات جزئی(PLSR) و رگرسیون حداقل مربعات معمولی با بازنمونه گیری(bagging-PLSR) در برآورد مقدار کربن آلی خاک بود. بر اساس نتایج به دست آمده، روشbagging-PLSR نسبت به روش PLSR دقت بالاتری در برآورد مقدار کربن آلی خاک نشان داد.کلید واژگان: بازتاب طیفی خاک, پیش پردازش طیفی, رگرسیون حداقل مربعات جزئی, کربن آلی خاک}Background And ObjectivesSoil organic carbon is a main soil property and particularly important for development and sustainable management of agricultural systems. Soil Organic Matter content, which is typically measured in the form of soil organic carbon SOC content, is commonly regarded as a key indicator of soil quality and utilization (Liu et al., 2015). The presence of SOM has been proved to be beneficial for soil productivity, water holding capacity, and carbon sequestration (Prescott et al., 2000; Munson and Carey, 2004; Seely et al., 2010; Six and Paustian, 2014). Earlier studies showed that SOM is vulnerable to anthropogenic activities such as farming practices, and other economic development activities (Huang et al., 2007; Kissling et al., 2009; Mao, et al., 2014). Conventional laboratory analyses for measuring soil organic carbon, especially in large scale, are expensive and time consuming. For this reason, fast and accurately assess the amount of organic carbon can be a very valuable measure for long-term management of soil. The objectives of this study were: i) studying of proximal spectral reflectance of soils for estimating soil organic carbon by PLSR and bagging-PLSR methods and ii) investigating the effects of different preprocessing methods on performance of estimated soil organic carbon.Materials And MethodsA total of 200 composite soil samples on watershed scale (calibration data) and 40 soil samples on farm scale (validation data) from two different depth (0-10 and 10-30 cm) collected within a radius of 10 meters and after air drying, they were passed through 2 mm sieve. Some physicochemical characteristics of soils were measured in the laboratory. Consequently, proximal spectral reflectance of the soil samples within the VIS-NIR and SWIR (400-2500 nm) range was measured using a handheld spectroradiometer apparatus and correlation between 2000 bands and soil organic carbon were determined.ResultsResults indicated that the best preprocessing methods to calibrate PLSR model were wavelet deterending (RPD=1.94) and SNV with median filter (RPD=1.92). The best PLSR and bagging-PLSR model for the estimation was obtained with 17 factors. Bagging-PLSR method has high performance (RMSE=0.142-1.03 %) than PLSR method (RMSE=0.167-1.11 %) for estimating soil organic carbon. In both methods, the accuracy was decreased while soil organic carbon was bigger than 1.2 percent.ConclusionUsing the soil spectral reflectance in the range of VIS, NIR and SWIR can examine the soil organic carbon. The spectral curves of different soils showed three absorbance properties at wavelengths 1414, 1913 and 2207 that was the amount of water in clay network and soil hygroscopic water, so they can be considered as a unique characteristics for each soil. These spectral bands are very important to estimate the amount of soil organic carbon. Soil spectral data pre-processing and selection of the most suitable pre-processing method was one of the most important factors affecting the accuracy of bagging-PLSR and PLSR method to estimate the amount of soil organic carbon. Based on the results, the method of bagging-PLSR showed higher accuracy than the PLSR method to estimate the amount of soil organic carbon.Keywords: Soil spectral reflectance, Spectral preprocessing, PLSR, Soil organic carbon} -
گندم دیم منبع غذایی اصلی غالب کشورهای درحال توسعه است که عوامل مختلفی بر تولید آن موثر است. هدف از این پژوهش ارائه مدلی است که عملکرد دانه گندم دیم را بر اساس ویژگی های فیزیکی و شیمیایی خاک برآورد کند. بدین منظور، مقادیر عملکرد دانه گندم دیم و ویژگی های فیزیکی و شیمیایی در سه تکرار به طور جداگانه در یک سال زراعی ،1393، در 53 مزرعه گندم دیم، در سطح استان زنجان اندازه گیری شد. با به کارگیری روش رگرسیون حداقل مربعات جزئی، مدلی برای بیان رابطه عملکرد دانه گندم دیم و ویژگی های خاک ارائه شد (40n= و 6/0R2=). سیلت و کربنات کلسیم معادل، موثرترین عوامل بر عملکرد گندم دیم و ضرایب استانداردشده آن ها در مدل برآوردکننده به ترتیب 23/0 و 24/0- بود. نتایج پژوهش حاضر نشان داد که برخی ویژگی های فیزیکی و شیمیایی خاک شامل میزان سیلت، کربنات کلسیم معادل و پتاسیم به ترتیب اولویت تاثیر بیشتری بر عملکرد دانه گندم دیم دارد.کلید واژگان: اعتبارسنجی ضربدری, تجزیه مولفه اصلی, رگرسیون حداقل مربعات جزئی}Rainfed wheat is a food resource for developing countries that various factors may contribute in its production. The aim of the present study was developing a model that estimate rainfed wheat grain yield based on physico-chemical properties of the soil. Therefore, wheat grain yield was measured at 53 rainfed wheat fields over Zanjan province in agronomical year 2014. Also, 18 soil physico-chemical properties were measured in triplicates in the fields. Using partial least square regression, a model was developed to explain the relationship between rainfed wheat grain yield and soil properties (n=40, R2= 0.6). The highest and lowest standardized coefficients of the model belonged to silt and calcium carbonate percentages which were equal to 0.23 and -0.24, respectively. The results of the present research revealed that some soil physico-chemical properties, in order of priority, including silt, calcium carbonate and potassium has more effects on rainfed wheat grain yield.Keywords: Cross validation, Principal component analysis, Partial least square regression}
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2024 magiran.com All Rights Reserved.