برآورد مقدار کربن آلی خاک با استفاده از داد‌های طیفی در گستره VIS-NIR-SWIR-TIR

آب و خاک

مقاله 8، دوره 35، شماره 4 - شماره پیاپی 78، مهر و آبان 1400، صفحه 567-581   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.2021.71065.1062

نویسندگان

حمید رضا متین فر^{* 1}؛ محبوبه جلالی²؛ زهرا دیبایی³

¹دانشگاه لرستان. گروه آموزشی مهندسی کشاورزی خاکشناسی

²گروه علوم و مهندسی خاک، دانشگاه لرستان

³گروه علوم و مهندسی خاک - دانشگاه لرستان

چکیده

شناخت توزیع مکانی کربن آلی خاک یکی از ابزارهای کاربردی در پیشبرد مدیریت پایدار اراضی و محیط زیست می‌باشد. داده­کاوی و مدل‌سازی مکانی همراه با تکنیک‌های یادگیری ماشینی به منظور بررسی میزان کربن آلی خاک مبتنی بر داده‌های سنجش از دور به صورت گسترده مورد توجه قرار گرفته است. هدف از این مطالعه،استفاده از تصاویر با دامنه طیفی مرئی تا مادون قرمز حرارتی و داده‌های زمینی برای مدل‌سازی میزان کربن آلی خاک می­باشد. با استفاده از الگوی نمونه‌برداری تصادفی156نمونه از خاک سطحی (30-0 سانتی­متر) جمع‌آوری شد. داده‌ها به دو دسته 80 درصد برای آموزش و 20 درصد جهت اعتبارسنجی دسته‌بندی شدند و از سه الگوریتم یادگیری ماشین شامل جنگل تصادفی، کوبیست و رگرسیون حداقل مربعات جزئی برای براورد و تهیه نقشه کربن آلی خاک استفاده شد. متغیرهای کمکی جهت پیش‌بینی کربن آلی خاک شامل باندها و شاخص‌های منتج از سنجنده‌ی OLI و TIRS لندست 8 می­باشد. به منظور کاهش حجم داده‌ها و انتخاب ویژگی‌هایی با بیشترین تأثیر بر براورد کربن آلی خاک، از روش آنالیز مؤلفه‌های اصلی استفاده شد. آنالیز مؤلفه‌های اصلی داده‌­های سنجش از دور منجر به گزینش 4 متغیر کمکی TSAVI، RVI، Band10 و Band11 به­عنوان مؤثرترین عوامل کمکی محیطی انتخاب گردیدند. همچنین مقایسه رویکردهای مختلف تخمین نشان داد که مدل جنگل تصادفی به ترتیب با مقادیر ضریب تبیین، خطای جذر میانگین مربعات و میانگین مربعات خطا 74/0، 17/0 و 02/0 بهترین کارایی را نسبت به سایر رویکردهای مورد استفاده در برآورد کربن آلی خاک سطحی در منطقه مطالعاتی ارائه نمود. به طور کلی نتایج این مطالعه بر قابلیت دادهای سنجش از دور و مدل یادگیری جنگل تصادفی در تخمین مکانی کربن آلی خاک به طور همزمان دلالت دارد. لذا می‌تواند به عنوان روشی جایگزین برای روش‌های مرسوم آزمایشگاهی در تعیین برخی ویژگی‌های خاک از جمله کربن آلی خاک مورد توجه قرار گیرد.

کلیدواژه‌ها

توزیع مکانی؛ طیف مرئی مادون قرمز؛ کربن آلی خاک؛ مدل‌سازی؛ سنجنده لندست 8

مراجع

• Baret F., and Guyot G. 1991. Potentials and limits of vegetation indices for LA APAR assesment. Remote Sensing of Environment 35: 161-173.
• Camdevyren H., Demyr N., Kanik A., and Keskyn S. 2005. Use of principal component scores in multiple linear regression models for prediction of Chlorophyll-a in reservoirs. Ecological Modelling 181: 581-589.
• Chang C.-W., Laird D.A., Mausbach M.J., and Hurburgh C.R. 2001. Near-infrared reflectance spectroscopy – principal components regression analyses of soil properties. Soil Science Society of America Journal 65(2): 480–490.
• Chang C.W., Laird D.A., and Hurburgh Jr C.R. 2005. Influence of soil moisture on near-infrared reflectance spectroscopic measurement of soil properties. Soil Science 170(4): 244-255.
• Chen D.Z., Zhang J.X., and Chen J.M. 2010. Adsorption of methyl tert-butyl ether using granular activated carbon: Equilibrium and kinetic analysis. International Journal of Environmental Science & Technology 7(2): 235-242.
• Chen F., Kissel D.E., West L.T., and Adkins W. 2000. Field-scale mapping of surface soil organic carbon using remotely sensed imagery. Soil Science Society of America Journal 64(2): 746-753.
• Dalal R.C., and Henry R.J. 1986. Simultaneous determination of moisture, organic carbon, and total nitrogen by near infrared reflectance spectrophotometry 1. Soil Science Society of America Journal 50(1): 120-123.
• Dashti A., Soodi M., and Amani N. 2015. Evaluation of Cr (VI) induced Neurotoxicity and Oxidative Stress in PC12 Cells. Modares Journal of Medical Sciences: Pathobiology 18(1): 55-65.
• Datta A., Setia R., Barman A., Guo Y., and Basak N. 2019. Carbon Dynamics in Salt-affected Soils. Springer Nature Singapore Pte Ltd. https://doi.org/10.1007/978-981-13-5832-6_12 .
• De Santana F B., de Souza A M., and Ronei Poppi J. 2018. Visible and near infrared spectroscopy coupled to random forest to quantify some soil quality parameters. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy 191: 454–462.
• Eswaran H., Van Den Berg E., and Reich P. 1993. Organic carbon in soils of the world. Soil Science Society of America Journal 57(1): 192-194.
• Falahatkar S., Hosseini S.M., Ayoubi S., and Salmanmahiny A. 2016. Predicting soil organic carbon density using auxiliary environmental variables in northern Iran. Archives of Agronomy and Soil Science 62(3): 375-393.
• FAO I. 2015. Status of the World’s Soil Resources (SWSR)–technical summary. Food and Agriculture Organization of the United Nations and Intergovernmental Technical Panel on Soils, Rome, Italy.
• Gelsleichter Y.A., dos Anjos L.H.C., Costa E.M., Valente G., Debiasi P., Homem Antunes M.A., and Robson Altiellys Tosta Marcondes. 2019. Machine Learning Algorithms for Soil Properties Prediction with Treated Vis–NIR Spectrums from the Itatiaia National Park.Geoderma. doi:10.20944/preprints 201911.0053.v1.
• Habibzade A.M., Nikjou R., and Peyrovan H.R. 2013. Survey amount of runoff and sediment in Marn East Azerbaijan. Rangeland Scientific Research Journal 17(43): 71-91. (In Persian)
• He T., Wang J., Lin Z., and Cheng Y. 2009. Spectral features of soil organic matter. Geo-spatial Information Science 12(1): 33-40.
• He Y., Huang M., García A., Hernández A., and Song H. 2007. Prediction of soil macronutrients content using near-infrared spectroscopy. Computers and Electronics in Agriculture 58(2): 144-153.
• Heng T., Heuvelink G.B., Kempen B., Leenaars J.G., Walsh M.G., Shepherd K.D., and Tondoh J.E. 2015. Mapping soil properties of Africa at 250 m resolution: Random forests significantly improve current predictions. PloS one. 10:6.
• Huete A., Huete A.R. 1988. Soil-adjusted vegetation index (SAVI). Remote Sensing of Environment. Remote Sensing of Environment 25: 295-309.
• Ingram L.J., Stahl P.D., Schuman G.E., Buyer J.S., Vance G.F., Ganjegunte G.K., and Derner J.D. 2008. Grazing impacts on soil carbon and microbial communities in a mixed-grass ecosystem. Soil Science Society of America Journal 72(4): 939-948.
• Jamshidi M., Delavar M.A., Taghizadehe-Mehrjerdi R., and Brungard C. 2019. Evaluating Digital Soil Mapping Approaches for 3D Mapping of Soil Organic Carbon. Soil Research Journal (Soil and Water Sciences) 33(2): 228-240. (In Persian)
• Kumar N., Velmurugan A., Hamm N.A., and Dadhwal V.K. 2018. Geospatial mapping of soil organic carbon using regression kriging and remote sensing. Journal of the Indian Society of Remote Sensing 46(5): 705-716.
• Lal R. 2006. Enhancing crop yields in the developing countries through restoration of the soil organic carbon pool in agricultural lands. 2006. Land Degradation and Development 17(2): 197–209.
• Ludwig B., Khanna P.K., Bauhus J., and Hopmans P. 2002. Near infrared spectroscopy of forest soils to determine chemical and biological properties related to soil sustainability. Forest Ecology Managment 171(1-2): 121-132.
• Mahmoudzadeh H., Matinfar H.R., Taghizadeh-Mehrjardi R., and Kerry R. 2020. Spatial prediction of soil organic carbon using machine learning techniques in western Iran. 2020. Geoderma Regional 21) e00260.
• Major D.J., Baret F., and Guyot G. 1990. A ratio vegetation index adjusted for soil brightness International Journal of Remote Sensing 11: 727-740.
• Matinfar H.R., Sarvi Moganloo V., and Dibaei Z. 2017. Evaluation of the ability of red and infrared wavelengths near the OLI sensor in estimating the leaf area index of different stages of grain growth of corn (Moghan plain). In: Geomatic Tehran .(In Persian)
• Matinfar H.R., and Sadikhani R. 2015. Measurement of soil moisture using remote sensing Measurement of soil moisture using remote sensing. In: The first national conference on sustainable management of soil resources and the environment. Kerman Shahid Bahonar University. 2015 (In Persian)
• Matinfar H.R., Mahmodzadeh H., and Fariabi A. 2018. Estimation Soil Organic Matter (SOM) Content Using Visible and Near Infrared Spectral data, PLSR and PCR Statistical Models. Iranian Remote Sensing & GIS. 10(2): 15-32. (In Persian)
• McCarty G.W., Reeves J.B., Reeves V.B., Follett R.F., and Kimble J.M. 2002. Mid-infrared and nearinfrared diffuse reflectance spectroscopy for soil carbon measurements. Soil Science Society of America Journal 66: 640–646.
• Pouladi N., Møller A.B., Tabatabai S., and Greve M.H. 2019. Mapping soil organic matter contents at field level with Cubist, Random Forest and kriging. Geoderma 342: 85-92.
• Qi Y., Darilek J.L., Huang B., Zhao Y., Sun W., and Gu Z. 2009. Evaluating soil quality indices in an agricultural region of Jiangsu Province, China. Geoderma 149(3-4): 325-334.
• Rondeaux G., Steven M., and Baret F. 1996. Optimisation of soil-adjusted vegetation indices. Remote Sensing of Environment 55: 95−107.
• Robertson G.P., Gross K.L., and Hamilton S.K. L. Doug Farming for ecosystem services: an ecological approach to production agriculture. Bioscience 64: 404–415.
• Rossel R.V., McBratney P.A.B., Minasny D.B., Stenberg B., and Rossel R.A.V. 2010. Diffuse Reflectance Spectroscopy for High-Resolution Soil Sensing Proximal Soil Sensing. Soil Science. Germany, 434p.
• Smith J.A. 2004. Reflecting on the development of interpretative phenomenological analysis and its contribution to qualitative research in psychology. Qualitative Research in Psychology 1(1): 39-54.
• Song Y.Q., Yang L.A., Li B., Hu Y.M., Wang A.L., Zhou W., and Liu Y.L. 2017. Spatial prediction of soil organic matter using a hybrid geostatistical model of an extreme learning machine and ordinary kriging. Sustainability 9(5): 754.
• Sabaghzadeh S., Zare M., and Mokhtari M. 2017. Estimating of above ground biomass of Haloxylon using sattelite based vegetation indices (Case Study: Marak, Birjand). Iranian Journal of Range and Desert Research 23(4): 844-855. (In Persian)
• S. Geology Survey. 2014. Geology.com/news/2010/free-lansatimages-from-USGS-2. http://glovis.usgs.gov.
• Walkley A., and Black I.A. 1934. An examination of the Degtjareff method for determining soil organic matter, and a proposed modification of the chromic acid titration method. Soil Science 37(1): 29-38.
• Wiegand C.L., Richardson A.J., Escobar D.E., and Gerbermann A.H. 1991. Vegetation indices in crop assessments. Remote Sensing of Environment 35(2–3): 105-119.
• Wilding L.P. 1985. Spatial variability: its documentation, accommodation and implicationto soil surveys. P 166-194, In: D.R. Nielsen and J. Bouma (eds.), Soil Spatial Variability, Pudoc, Wageningen, the Netherlands.
• Walker, S.M., and Desanker, P.V. 2004. The impact of land use on soil carbon in Miombo Woodlands of Malawi. Forest Ecology and Management 203: 345–360.
• Zeraatpisheh M., Ayoubi S., Jafari A., Tajik S., and Finke P. 2019. Digital mapping of soil properties using multiple machine learning in a semi-arid region, central Iran. Geoderma 338: 445-452.
• Zhou J., Li Enming Wei., Haixia Li., Chuanqi Qiao Qiuqiu., and Danial J.A. 2019. Random Forests and Cubist Algorithms for Predicting Shear Strengths of Rockfill Materials. Appl. Sci. 9: 1621.