برآورد کربنات کلسیم خاک با استفاده از تصاویر ماهواره ای و طیف سنجی فروسرخ نزدیک (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
سابقه و هدف: از مزایای دانش سنجش از دور و طیف سنجی مرئی – فروسرخ نزدیک، سرعت و سادگی و هزینه اندک آن، در مقایسه با روش قدیمی است. سنجش از دور دانش گردآوری داده ها، با حداقل تماس مستقیم فیزیکی با اشیای مورد اندازه گیری است. طیف سنجی مرئی – فروسرخ نزدیک دامنه ای از جذب را با سرعت آنالیز بالا، در مقایسه با روش سنتی، برآورد می کند. هدف از این تحقیق به کاربردن داده های ماهواره لندست 8 و طیف فروسرخ نزدیک، در کاربری های کشاورزی و جنگل در دشت گیان نهاوند، استان همدان، برای تخمین کربنات کلسیم خاک است.مواد و روش ها: 48 نمونه خاک از عمق 30- 0 سانتی متری برداشته و سپس هواخشک، و از الک دومیلی متری عبور داده شد. برخی ویژگی های فیزیکی و شیمیایی خاک ها اندازه گرفته شد. به منظور مطالعات سنجش از دور، تصویر لندست 8 متعلق به تاریخ نمونه برداری (سپتامبر 2019) به کار رفت. مقادیر محاسبه شده هریک از قطعات نمونه در محیط ERDAS imagine 9.1 ایجاد شد. ارزش هر باند، برای 48 نقطه، در محیط اکسل وارد و در نهایت، مراحل توصیف های آماری متغیرها انجام شد. در روش سنجش از دور، انعکاس طیفی نمونه ها روی ده باند اصلی استخراج و پردازش شد. سپس همبستگی بین ارزش باندهای اصلی، ترکیب باندها، و شاخص های کلسیت با مقدار کلسیت خاک انجام شد. با برازش انواع رگرسیون های چندمتغیره بدون حذف داده های پرت، بهترین مدل انتخاب شد. آنالیز طیفی خاک های مورد نظر با استفاده از دستگاه طیف سنج زمینی، با دامنه طول موج 2500-350 نانومتر، انجام شد. پس از ثبت طیف ها، انواع روش های پیش پردازش مورد ارزیابی قرار گرفت. همبستگی پیرسون و رگرسیون خطی در محیط SPSS 24.1 سنجیده شد.نتایج و بحث: نتایج آزمایشگاهی نشان داد که میانگین کربنات کلسیم خاک، در کاربری کشاورزی و جنگل، به ترتیب 30 و 22/22% است. طبق نتایج، باندهای 10 و 11 رابطه معنی داری با کلسیت خاک در کاربری جنگل داشته اند (05/0>p). دوازده ترکیب باندی در سطح 5% و شش ترکیب باندی در سطح 1% با میزان کلسیت خاک، ارتباط معنی داری نشان دادند. همچنین شاخص R1 ((باند 2/ باند 5)/(باند 4/ باند 5))، با کلسیت خاک، رابطه معنی داری داشت (05/0>p). رگرسیون بین کلسیت محاسبه شده در آزمایشگاه و معادله حاصل از تصویر ماهواره ای، در کاربری های کشاورزی، برابر (45/0=r2) به دست آمد. در روش طیف سنجی، بیشترین همبستگی در طول موج 612 نانومتر (**85/0=r2) مشاهده شد. براساس مدل سازی با رگرسیون حداقل مربعات جزئی (PLSR)، مقدار ضریب تبیین در گروه کالیبراسیون درمورد کلسیت 8/0 و مقادیر RMSE برابر با 8/4%، مقدار ضریب تبیین در گروه اعتبارسنجی برابر با 5/0 و مقدار RMSE برابر با 8/7% محاسبه شد. از بین مدل های برازش یافته با رگرسیون چندمتغیره، در تصاویر ماهواره ای، مدل SMLR برای برآورد کلسیت مناسب به نظر می رسد. مدل رگرسیونی حداقل مربعات جزئی، برای برآورد کلسیت به روش طیف سنجی نیز، تقریباً مناسب بوده است.نتیجه گیری: نتایج کلی نشان داد که مدل برآوردشده از روش آماری رگرسیون، در سنجش از دور، توانسته است میزان کلسیت خاک را در اراضی کشاورزی برآورد کند و میزان به دست آمده براساس روش سنجش از دور و آزمایشگاه اختلاف ناچیزی با یکدیگر دارند. بنابراین می توان گفت روش سنجش از دور، در برآورد کلسیت خاک، موفق بوده است. نتایج طیف سنجی نیز نشان داد که مدل PLSR، در برآورد مقدار کلسیت خاک، مدل مناسبی است؛ به شرط آنکه تعداد نمونه ها بیشتر باشد. در برآورد کلی، می توان نتیجه گرفت روش طیف سنجی مرئی – فروسرخ نزدیک دارای صحت بیشتری از روش سنجش از دور و تیتراسیون است؛ منتها به تعداد نمونه های بیشتری نیاز دارد. توصیه می شود، برای افزایش صحت کار، تعداد نمونه های طیف سنجی افزایش یابد و برای مقایسه بهتر بین دو کاربری نیز، تعداد نمونه های انتخابی برابر باشد.Evaluation of Soil Calcium Carbonate Using of Satellite Images and NIR Spectroscopy
Introduction: One of the advantages of remote sensing and visible-near infrared (Vis–NIR) spectroscopy is the speed, simplicity, and cost-effectiveness of analysis compared to traditional methods. Remote sensing is a scientific discipline that involves collecting data while minimizing direct physical contact with the objects being studied. To fully leverage the rapid analysis capabilities of Vis–NIR spectroscopy, it is essential to exploit its advantages over conventional analytical techniques. The aim of this research is to utilize Landsat 8 satellite sensors and the near-infrared spectrum for agricultural and forestry applications in the Gyan Nahavand plain of Hamadan Province to estimate soil calcium carbonate.Material and methods: Forty-eight soil samples were collected from the surface layer (0-30 cm), followed by air drying and sieving to a 2-mm particle size. Several physicochemical characteristics of the soils were analyzed. A Landsat 8 image from September 2019 was utilized for remote sensing studies. The calculated values for each sample unit were generated using ERDAS Imagine 9.1 software. The values for each band at the 48 sampling points were entered into Excel, and the variables were statistically described. In the remote sensing method, the spectral reflectance of the samples was extracted and processed across ten primary bands. In addition to the primary bands, combinations of bands and calcite indices were also employed. Correlations between the values of the primary bands, band compositions, calcite indices, and the amount of soil calcite were analyzed. The best model was selected by fitting various multivariate regressions without excluding outlier data. Spectral analysis of the targeted soils was conducted using a FieldSpec 3 spectroradiometer, with a wavelength range of 350-2500 nm. After recording the spectra, various preprocessing methods were evaluated. The Pearson correlation test and linear regression analyses were performed using SPSS 24.1 software.Results and discussion: Laboratory results indicated that the average soil calcium carbonate content in agricultural and forested areas was 30% and 22.22%, respectively. The findings revealed that bands 10 and 11 exhibited a significant correlation with soil calcite in forested areas (p < 0.05). Twelve band compositions at the 5% significance level and six band compositions at the 1% significance level demonstrated a significant correlation with the amount of soil calcite. Additionally, the R1 index ((Band5/Band4)/(Band5/Band2)) showed a significant correlation with soil calcite (p < 0.05). The correlation between the measured calcite in the laboratory and the equation derived from satellite imagery was found to be moderate (r² = 0.45) for agricultural use. In the spectroscopic analysis, the highest correlation was observed at a wavelength of 612 nm (r² = 0.85**). Based on modeling using Partial Least Squares Regression (PLSR), the determination coefficient for the calibration group for calcite was 0.8, with a Root Mean Square Error (RMSE) of 4.8%. In the validation group, the determination coefficient was 0.5, and the RMSE was 7.8%. Among the models fitted using multivariate regression with satellite images, the Stepwise Multivariate Linear Regression (SMLR) model is recommended as a suitable approach for estimating calcite. The Partial Least Squares Regression (PLSR) model has also proven to be nearly suitable for estimating calcite using the spectroscopic method.Conclusion: The overall results indicate that the model developed using regression statistical methods in remote sensing has effectively estimated the amount of soil calcite in agricultural lands. The quantities obtained through remote sensing and laboratory analyses show minimal differences. Therefore, it can be concluded that the remote sensing method is successful in estimating soil calcite levels. Additionally, the results from spectrometry demonstrate that the PLSR model is suitable for estimating soil calcite, provided that a larger number of samples is utilized. In general, we can conclude that the Vis-NIR spectroscopy method offers greater accuracy compared to remote sensing and titration methods, although it requires a more extensive sample set. It is recommended to increase the number of spectroscopic samples to enhance the accuracy of the findings and to ensure that the same number of samples is used for a more effective comparison between the two land uses.
تبلیغات
