تحلیل روش طیف‌سنجی مادون‌قرمز و روش‌های پیش‌پردازش در پیش‌بینی شوری خاک

آب و خاک

مقاله 9، دوره 33، شماره 1 - شماره پیاپی 63، اردیبهشت 1398، صفحه 117-130   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v33i1.74144

نویسندگان

ساغر فهندژ سعدی؛ مسعود نوشادی^*

دانشگاه شیراز

چکیده

میزان شوری خاک یکی از عوامل تأثیرگذار بر مدیریت آبیاری و مزرعه می‌باشد اما اندازه‌گیری شوری با روش‌های معمول آزمایشگاهی امری وقت‌گیر وپر هزینه می‌باشد. لذا استفاده از روش طیف‌سنجی مادون‌قرمز در اندازه‌گیری میزان شوری خاک به‌عنوان روشی سریع و غیرمخرب ارزشمند خواهد بود. در این تحقیق طیف‌های بازتابی، جذبی و مشتق اول طیف بازتابی خاک‌های با شوری طبیعی و مصنوعی در سطوح مختلف شوری  (dS.m-1 2/1 تا 5/307) در بافت‌های خاک سبک تا سنگین توسط روش‌های مختلف هموارسازی پردازش‌شده و جهت پیش‌بینی شوری خاک از مدل رگرسیونی حداقل مربعات جزئی (PLSR) استفاده شد، با توجه به ضرایب تبیین (R2) و مجذور میانگین مربعات خطا (RMSE) استفاده از طیف جذبی نسبت به طیف‌های بازتابی و مشتق اول طیف بازتابی نتایج دقیق‌تری را ارائه نمود. همچنین پیش‌بینی شوری خاک با استفاده از طیف جذبی در هر دو دسته خاک سنگین و سبک روشی کارآمد و موفق بود، هرچند این روش در خاک‌های با بافت سنگین (836/0 =R2) نتایج دقیق‌تری را در پیش‌بینی شوری خاک نسبت به خاک سبک (756/0 =R2) ارائه کرد. همچنین مشخص گردید که روش‌های پردازش میانگین متحرک و فیلتر ساویتزکی- گلای بیشترین تأثیر را بر بهبود نتایج پیش‌بینی شوری خاک ارائه نمودند.

کلیدواژه‌ها

بافت خاک؛ پیش‌پردازش؛ شوری خاک؛ طیف‌سنجی؛ مادون‌قرمز؛ هموارسازی

مراجع

1- 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. Journal of Water and Soil Resources Conservation 3(3): 21-36. (In Persian)

2- Debaene G., Niedzwiecki J., and Pecio A. 2010. Visible and near-infrared spectrophotometer for soil analysis: preliminary results. Polish Journal of Agronomy 3: 3-9.

3- Eijsackers H. 2004. Leading concepts towards vital soil. In: Vital Soil: Function, Value, and Properties (eds P. Doelman & H. Eijsackers), pp. 1–20. Developments in Soil Science, 29. Elsevier, Amsterdam.

4- Farifteh J., Van der Meer F., Atzberger C., and Carranza E.J.M. 2007. Quantitative analysis of salt-affected soil reflectance spectra: A comparison of two adaptive methods (PLSR and ANN). Remote Sensing of Environment 110(1): 59-78.

5- Gras J.P., Barthès B.G., Mahaut B., and Trupin S. 2014. Best practices for obtaining and processing field visible and near infrared (VNIR) spectra of topsoil. Geoderma 215: 126–134.

6- Guerrero C., Rossel R.A.V., and Mouazen A.M. 2010. Special issue ‘Diffuse reflectance spectroscopy in soil science and land resource assessment’. Geoderma 158(1): 1-2.

7- Hong Y., Yu L., Chen Y., Liu Y., Liu Y., Liu Y., and Cheng H. 2017. Prediction of soil organic matter by VIS–NIR spectroscopy using normalized soil moisture index as a proxy of soil moisture. Remote Sensing 10(1): 28.

8- Janik L.J., Forrester S.T., and Rawson A. 2009. The prediction of soil chemical and physical properties from mid-infrared spectroscopy and combined partial least-squares regression and neural networks (PLS-NN) analysis. Chemometrics and Intelligent Laboratory Systems 97(2): 179-188.

9- Khayamim F., Khademi H. ,Stenberg B., and Wetterlind J. 2015. Capability of vis-NIR Spectroscopy to Predict Selected Chemical Soil Properties in Isfahan Province. Journal of Water and Soil Science, Journal of Science and Technology of Agriculture and Natural Resources 19(72): 81-92. (In Persian)

10- Liu W., Baret F., Gu X., Tong Q., Zheng L., and Zhang B. 2002. Relating soil surface moisture to reflectance. Remote Sensing of Environment 81: 238–246.

11- Liu Y., Pan X., Wang C., Li Y., and Shi R. 2015. Predicting soil salinity with Vis–NIR spectra after removing the effects of soil moisture using external parameter orthogonalization. PloS one, 10(10), e0140688.

12- McCarty G.W., Reeves J.B., Reeves V.B., Follett R.F., and Kimble J. M. 2002. Mid-infrared and near-infrared diffuse reflectance spectroscopy for soil carbon measurement. Soil Science Society of America Journal 66(2): 640-646.

13- Mousavi F., Abdi E., Ghalandarzadeh A., Bahrami H., Majnounian B., and Mirzaei S. 2018. Estimate of soil cation exchange capacity using reflectance spectrometry. Journal of Forest Research and Development 4(3): 347-361. (In Persian)

14- Nawar S., Buddenbaum H., and Hill J. 2014. Estimation of soil salinity using three quantitative methods based on visible and near-infrared reflectance spectroscopy: a case study from Egypt. Arabian Journal of Geosciences 1-14.

15- Ranjbar R., Owliaie H., Ranjbar H., and Adhami E. 2018. Change detection of soil salinity using remote sensing in Zahed Shahr, Fars province. Journal of RS and GIS for Natural Resources 9(3): 115-128.

16- Rinnan Å., van den Berg F., and Engelsen S.B. 2009. Review of the most common pre-processing techniques for near-infrared spectra. TrAC Trends in Analytical Chemistry 28(10): 1201-1222.

17- Savitzky A., and Golay M.J. 1964. Smoothing and differentiation of data by simplified least squares procedures. Analytical Chemistry 36(8): 1627-1639.

18- Schneider W. E., and Young R. 1997. Spectroradiometry methods. Application note (A14), 49.

19- Stenberg B., Rossel R.A.V., Mouazen A.M., and Wetterlind J. 2010. Chapter five-visible and near infrared spectroscopy in soil science. Advances in Agronomy 107: 163-215.

20- Summers D., Lewis M., Ostendorf B., and Chittleborough D. 2011. Visible near-infrared reflectance spectroscopy as a predictive indicator of soil properties. Ecological Indicators 11(1): 123-131.

21- Vasques G.M., Grunwald S., and Sickman J.O. 2008. Comparison of multivariate methods for inferential modeling of soil carbon using visible/near-infrared spectra. Geoderma 146 (1–2): 14–25.

22- Viscarra Rossel R.V., Walvoort D.J.J., McBratney A.B., Janik L.J., and Skjemstad J.O. 2006a. Visible, near infrared, mid infrared or combined diffuse reflectance spectroscopy for simultaneous assessment of various soil properties. Geoderma 131(1–2): 59–75.

23- Wander M.M., and Drinkwater L.E. 2000. Fostering soil stewardship through soil quality assessment. Applied Soil Ecology 15: 61–73.

24- Wang Q., Li P., and Chen X. 2012. Modeling salinity effects on soil reflectance under various moisture conditions and its inverse application: A laboratory experiment. Geoderma 170: 103-111.

25- Wang J., Ding J., Abulimiti A., and Cai L. 2018. Quantitative estimation of soil salinity by means of different modeling methods and visible-near infrared (VIS–NIR) spectroscopy, Ebinur Lake Wetland, Northwest China. PeerJ, 6, e4703.

26- Weng Y., Gong P., and Zhu Z. 2008. Reflectance spectroscopy for the assessment of soil salt content in soils of the Yellow River Delta of China. International Journal of Remote Sensing 29(19): 5511-5531.

27- Workman J. 2004. Near-infrared spectrophotometers. Near-Infrared Spectroscopy in Agriculture, (nearinfraredspe), 11-31.

28- Xian-Li X.I.E., Xian-Zhang P.A.N., and Bo S.U.N. 2012. Visible and near-infrared diffuse reflectance spectroscopy for prediction of soil properties near a copper smelter. Pedosphere 22(3): 351-366.