پی ریزی توابع انتقالی طیفی نقطه ای در برآورد فرسایش پذیری خاک در گستره VIS-NIR-SWIR

آب و خاک

مقاله 2، دوره 31، شماره 3 - شماره پیاپی 53، مرداد 1396، صفحه 797-810   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v31i3.52932

نویسندگان

یاسر استواری^{* 1}؛ شجاع قربانی دشتکی¹؛ حسینعلی بهرامی²؛ مهدی نادری¹؛ مژگان عباسی¹

¹دانشگاه شهرکرد

²تربیت مدرس

چکیده

استفاده از انعکاس‌ طیفی خاک در دامنه 350 تا 2500 نانومتر و توابع طیفی حاصل از آن به عنوان روشی سریع، کم‌مخرب و تاحدی کم‌هزینه در برآورد ویژگی‌های دیریافت خاک مرسوم شده است، ولیکن تاکنون از این روش در برآورد فرسایش‌پذیری استفاده نشده است. لذا هدف از این مطالعه، پی‌ریزی توابع انتقالی طیفی نقطه‌ای خاک و مقایسه آن با توابع انتقالی خاک و رابطه‌ی ویشمایر و اسمیت (1978) در برآورد فرسایش‌پذیری است. برای این منظور فرسایش‌پذیری با استفاده از 40 کرت استاندارد در بالادست سد سیوند و با استفاده از باران طبیعی و منحنی‏های بازتاب طیفی با استفاده از دستگاه اسپکترومتر زمینی و در شرایط نور طبیعی اندازه‌گیری شد. نتایج نشان داد میانگین فرسایش‌پذیری اندازه‌گیری شده (mm-1 t h MJ−1 014/0) حدود 18/2 برابر کمتر از میانگین فرسایش‏پذیری برآورد شده حاصل از رابطه‌ی ویشمایر و اسیمت (mm-1t h MJ−1 030/0) بود. بر خلاف رابطه‌ی ویشمایر و اسمیت که در آن کربنات کلسیم معادل در نظر گرفته نشده است، در تابع انتقالی پی‌ریزی شده این ویژگی به عنوان متغیر موثر وارد مدل شد. با بررسی همبستگی بین فرسایش‌پذیری و بازتاب‌های طیفی، طیف‌های مرئی (532 ،622)، مادون قرمز کوتاه (14422227، 2327 و 2343 نانومتر) جهت پی‌ریزی توابع انتقالی طیفی‌ نقطه‏ای انتخاب شدند. بر اساس آماره‌های ارزیابی R2 ، RMSE و ME، توابع انتقالی خاک کارآیی بالاتری نسبت به توابع انتقالی طیفی‌ و رابطه‌ی ویشمایر و اسمیت در برآورد فرسایش‌پذیری داشت. تابع انتقالی طیفی نقطه‌ای با داشتن مقداری اریبی در تخمین‌ها کارآیی بالاتری نسبت به رابطه‌‌ی ویشمایر و اسمیت در برآورد فرسایش‌پذیری داشت.

کلیدواژه‌ها

انعکاس طیفی؛ سد سیوند؛ رادیواسپکترومتر؛ فرسایندگی باران؛ USLE

مراجع

1. Abbasi Y., Ghanbarian-Alavijeh B., Liaghat A.M., and Shorafa M. 2011. Evaluation of pedotransfer functions for estimating soil water retention curve of saline and saline-alkali soils of Iran. Pedosphere, 21(2): 230-237.

2. Alexakis D., Diofantos G., and Hadjimitsis A. 2013. Integrated use of remote sensing, GIS and precipitation data for the assessment of soil erosion rate in the catchment area of “Yialias” in Cyprus. Atmospheric Research, 1-13.

3. Arnoldus J.M.J. 1977. Methodology used to determine the maximum potential average annual soil loss due to sheet and rill erosion in Morocco. Food. Agric. Org., Soils Bull, 34: 39–51.

4. Babaeian E., Homaee M., and Norouzi A.A. 2014. Deriving and validating parametric spectrotransfer functions for estimating soil hydraulic properties in VIS-NIR-SWIR range. Soil and Water resource conservation, 3(3) : 21-36. (in Persian with English abstract)

5. Clark R.N., King T.V.V., Klejwa M., Swayze G.A., and Vergo N. 1990. High spectral resolution reflectance spectros- copy of minerals, Journal of Geophysics Research , 95: 12.

6. Ghorbani-Dashtaki S., Homaee M., and Khodaberdiloo H. 2010. Derivation and validation of pedotransfer functions for estimating soil water retention curve using a variety of Soil data. Soil Use Management, 26: 68–74.

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

8. Hui L., Xiaoling C., Lim C., and Xiaobin C. 2010.Assessment of soil erosion and sediment yield in Liao watershed, Jiangxi Province, China, using USLE, GIS, and RS. Journal of Earth Science, 2(6): 941–953.

9. Irvem A., Topalog˘l.F., and Uygur V. 2007. Estimating spatial distribution of soil loss over Seyhan River Basin in Turkey. Journal of Hydrology , 336: 30– 37.

10. Khayamim F., Wetterlind J., Khademi H., Robertson J., Canod A., 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: 155–165

11. Kouli M., Soupios P., and Vallianatos F .2009. Soil erosion prediction using the revised universal soil loss equation (RUSLE) in a GIS framework, Chania, Northwestern Crete, Greece. Environment Geology, 57:483–497.

12. Ostovari Y., Asgari K., Cornelis W., and Beigi-Harchegani H. 2015. Simple methods for estimating field capacity using Mamdani inference system and regression tree. Archives of Agronomy and Soil Science. http://dx.doi.org/10.1080/03650340.2014.957687.

13. Refahi H. 2005. Water erosion and conservation. Tehran University, 680 pages.

14. Santos F.L., Reis J.L., Martins O.C., Castanheira N.L., and Serralheiro R.P. 2003. Comparative assessment of infiltration, runoff and erosion of sprinkler irrigated soils. Biosystems Engineering, 86:355–364.

15. Schmid T., and Palacios-Orueta A. Chabrillat S. BendorE and Plaza A. 2012. Spectral characteristic of land surface composition to determination soil erosion within semiarid rained cultivated areas. IGARSS, 2012: 7082-7084.

16. StatSoft .2007.STATISTICA(data analysis software system). Version 8. www.statsoft.com.

17. Tejada M., and Gonzalez J.L. 2006. The relationships between erodibility and erosion in a soil tratedwith two organic amendments. Soil and Tillage Research, 91: 186–198.

18. Thine C., Shephered K., Walsh M., Coe R. and Okwach G. 2004. Application of GIS and remote sensing in characterization of soil hydraulic properties for soil physical quality assessment. University of Nairobi, Kenya, pp:1-18.

19. Vaezi A., Bahrami H.A., Sadeghi S.H., and Mahdian M. H. 2010. Spatial variability of soil erodibility factor (K) of the USLE in North West of Iran. Journal of Agricuthre Science Technology, 12: 241-252.

20. Vaezi A.R, Sadeghi S.H.R, Bahrami H.A, and Mahdian M.H. 2008. Modeling the USLE K-factor for calcareous soils in northwestern Iran. Geomorphology, 97 : 414–423.

21. Vendramea P.R.S., March R.L., Brunetc D., and Becquerc T. 2012. The potential of NIR spectroscopy to predict soil texture and mineralogy in Cerrado Latosols. European Journal of Soil Science, 1-11.

22. Visscara-Rossel R., Walvoortb D.J.J., McBratneya A.B., Janikc L.J., and Skjemstadc J.O. 2006. Visible, near infrared, mid infrared or combined diffuse reflectance spectroscopy for simultaneous assessment of various soil properties. Geoderma, 131 : 59–75.

23. Walky A. and Black I.A. 1934. An examination of Degtgareff method for determining soil organic matter and a proposed modification of the chromic acid in soil analysis. 1. Experimental. Soil Science Society of America Journal, 79: 459-465.

24. WischmeierW.H., and Smith, D.D .1978. Predicting rainfall erosion losses: a guide to conservation planning. USDA, Agriculture Handbook No. 537, Washington, DC

25. Yu D.S., Shi X. Z., and Weindorf D.C. 2006. Relationship between permeability and erodibility of cultivated Acrisols and Cambisols in subtropical China. Pedosphere 16: 304–311.