مدل‌سازی رفتار طیفی بافت خاک در کانون‌های ریزگرد استان خوزستان با استفاده از تصاویر ابر طیفی و مدل جنگل تصادفی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه شهید چمران اهواز، اهواز، ایران

2 خاکشناسی، دانشکده کشاورزی، دانشگاه شهید چمران اهواز، اهواز، ایران

3 هیئت علمی پژوهشی، پژوهشکده حفاظت خاک و آبخیزداری، تهران، ایران

4 گروه خاکشناسی، دانشکده کشاورزی، دانشگاه تربیت مدرس، تهران، ایران

چکیده

بافت خاک نقش مهمی در مقاومت خاک به فرسایش بادی دارد. تصاویر ابر طیفی با مزیت هزینه پایین و سرعت عمل بالا، ابزار مناسبی برای بررسی ویژگی‌های خاک از جمله بافت محسوب می‌شوند. هدف این مطالعه ارزیابی رفتار طیفی درصد رس، شن و سیلت در خاک‌های مستعد تولید ریز گرد استان خوزستان با استفاده از مدل PLS-RF است. در ابتدا فاکتورهای اصلی با مدل رگرسیون حداقل مربعات جزئی تعیین و سپس مدل جنگل تصادفی روی فاکتورهای تعیین‌شده اجرا گردید. در مرحله بعد عملکرد طیف اصلی و پیش‌پردازش‌های: فیلتر ساویتزکی و گلای، فیلتر ساویتزکی و گلای به همراه مشتق اول، فیلتر ساویتزکی و گلای به همراه مشتق دوم، روش نرمال‌سازی استاندارد و روش حذف پیوستار در حذف نویز و افزایش دقت مدل PLS-RF مقایسه شد. نتایج نشان داد که روش حذف پیوستار در دو ویژگی درصد رس (98/1= PRDCAL) و درصد سیلت) 65/1= PRDCAL) و روش مشتق دوم برای درصد شن (97/1= PRDCAL)، بهترین عملکرد را داشته‌اند. همچنین طول موج کلیدی برای درصد رس در طول موج‌های1200-1210، 1800 و 2200 نانومتر، برای درصد شن در محدوده طول موج‌های 1400 -1450، 1910-1930، 2200 و 2220 نانومتر و برای درصد سیلت خاک در محدوده طول ‌موج‌های 1320، 1615، و 2200 نانومتر مشاهده گردید.

کلیدواژه‌ها


Ben-Dor, E., Chabrillat, S., Demattê, J., Taylor, G., Hill, J., Whiting, M., Sommer, S., 2009. Using imaging spectroscopy to study soil properties. Remote Sensing of Environment 113, 38-55.
Bilgili, A.V., Van Es, H., Akbas, F., Durak, A., Hively, W, 2010. Visible-near infrared reflectance spectroscopy for assessment of soil properties in a semi-arid area of Turkey. Journal of Arid Environments 74(2), 229-238.
Breiman, L., 1999. Using adaptive bagging to debias regressions. Technical Report 547, Statistics Dept. UCB.
Breiman, L., 2001. Random forests. Machine learning 45(1), 5-32.
CAMO, A., 1998. The Unscrambler User Manual. CAMO ASA Norway.
Chabrillat, S., Goetz, A.F., Krosley, L., Olsen, H.W., 2002. Use of hyperspectral images in the identification and mapping of expansive clay soils and the role of spatial resolution. Remote Sensing of Environment 82(2-3), 431-445.
Chang, C-W., Laird, D.A., Mausbach, M.J., 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.
Chen, X-W., Liu, M., 2005. Prediction of protein–protein interactions using random decision forest framework. Bioinformatics 21(24), 4394-4400.
Curcio, D., Ciraolo, G., D’Asaro, F., Minacapilli, M., 2013. Prediction of soil texture distributions using VNIR-SWIR reflectance spectroscopy. Procedia Environmental Sciences 19, 494-503.
Daempanah, R., Haghnia, Gh., Alizadeh, A., Karimi, A., 2011. Mapping Salinity and Sodicity of Surface Soil by Remote Sensing and Geostatistic Methods in South Side of Mah Valat County. Journal of Water and Soil 25, 498-508.
Dotto, A.C., Dalmolin, R.S.D., Pedron, F.d.A., Caten, A.T., Ruiz, L.F. C., 2014. Digital mapping of soil properties: particle size and soil organic matter by diffuse reflectance spectroscopy. Revista Brasileira de Ciência do Solo 38(6), 1663-1671.
Farifteh, J., Van der Meer, F., Atzberger, C., Carranza, E. 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.
Fearn, T., Riccioli, C., Garrido-Varo, A., Guerrero-Ginel, J.E., 2009. On the geometry of SNV and MSC. Chemometrics and Intelligent Laboratory Systems 96(1), 22-26.
Genuer, R., Poggi, J-M., Tuleau, C., 2008. Random Forests: some methodological insights. arXiv preprint arXiv:0811.3619.
Harrison, T.N., 2012. Experimental VNIR reflectance spectroscopy of gypsum dehydration: Investigating the gypsum to bassanite transition. American Mineralogist 97(4), 598-609.
Hassani, A., Bahrami, H., Noroozi, A., Oustan, S., 2014. Visible-near infrared reflectance spectroscopy for assessment of soil properties in gypseous and calcareous soils. Journal of Watershed Engineering and Management 6, 125-138.
He, T., Wang, J., Lin, Z., Cheng, Y. 2009. Spectral features of soil organic matter. Geo-spatial Information Science 12(1), 33-40.
Heidarian, P., joudaki, M., Darvishi Khatoni, j., Shahbazi, R., 2015. Recognized Dust Sourcesin Khuzestan Province. Geological Survey and Mineral Exploration of Iran.
Hillel, D., 1980. Applications of soil physics. Academic Press, San Diego.
Ji, W., Adamchuk, V.I., Biswas, A., Dhawale, N.M., Sudarsan, B., Zhang, Y., Rossel, R.A.V., Shi, Z. 2016. Assessment of soil properties in situ using a prototype portable MIR spectrometer in two agricultural fields. Biosystems Engineering 152, 14-27.
Khayamim, F., Khademi, H., Stenberg, B., Wetterlind, J., 2015. Capability of vis-NIR Spectroscopy to Predict Selected Chemical Soil Properties in Isfahan Province. JWSS-Isfahan University of Technology 19(72), 81-92.
Mohamed, E., Saleh, A., Belal, A., Gad, A.A., 2018. Application of near-infrared reflectance for quantitative assessment of soil properties. The Egyptian Journal of Remote Sensing and Space Science, 21(1), 1-14.
Mutanga, O., Skidmore, A.K., 2003. Continuum-removed absorption features estimate tropical savanna grass quality in situ. Paper presented at the Earsel workshop on imaging spectroscopy.
Nawar, S., Buddenbaum, H., Hill, J., Kozak, J., 2014. Modeling and mapping of soil salinity with reflectance spectroscopy and landsat data using two quantitative methods (PLSR and MARS). Remote Sensing 6(11), 10813-10834.
Nocita, M., Stevens, A., Toth, G., Panagos, P., Van Wesemael, B., Montanarella, L., 2014. Prediction of soil organic carbon content by diffuse reflectance spectroscopy using a local partial least square regression approach. Soil Biology and Biochemistry 68, 337-347.
Post, J.L., Noble, P.N., 1993. The near-infrared combination band frequencies of dioctahedral smectites, micas, and illites. Clays and Clay Minerals 41(6), 639-644.
Pu, R., Ge, S., Kelly, N., Gong, P., 2003. Spectral absorption features as indicators of water status in coast live oak (Quercus agrifolia) leaves. International Journal of Remote Sensing 24(9), 1799-1810.
Ranjbar, F., Jalali, M., 2016. The combination of geostatistics and geochemical simulation for the site-specific management of soil salinity and sodicity. Computers and Electronics in Agriculture 121, 301-312.
Rossel, R.V., Cattle, S.R., Ortega, A., Fouad, Y., 2009. In situ measurements of soil colour, mineral composition and clay content by vis–NIR spectroscopy. Geoderma 150(3-4), 253-266.
Rossel, R.V., Walvoort, D., McBratney, A., Janik, L.J., Skjemstad, J., 2006. Visible, near infrared, mid infrared or combined diffuse reflectance spectroscopy for simultaneous assessment of various soil properties. Geoderma 131(1-2), 59-75.
Shi, Z., Wang, Q., Peng, J., Ji, W., Liu, H., Li, X., Rossel, R.A.V., 2014. Development of a national VNIR soil-spectral library for soil classification and prediction of organic matter concentrations. Science China Earth Sciences 57(7), 1671-1680.
Silva, E.B., Ten Caten, A., Dalmolin, R.S.D., Dotto, A.C., Silva, W.C., Giasson, E., 2016. Estimating Soil Texture from a Limited Region of the Visible/Near-Infrared Spectrum Digital Soil Morphometrics,  Springer, pp. 73-87.
Sjöström, M., Wold, S., Lindberg, W., Persson, J.-Å., Martens, H., 1983. A multivariate calibration problem in analytical chemistry solved by partial least-squares models in latent variables. Analytica Chimica Acta 150, 61-70.
Vasques, G., Grunwald, S., Sickman, J., 2008. Comparison of multivariate methods for inferential modeling of soil carbon using visible/near-infrared spectra. Geoderma 146(1-2), 14-25.
Wang, J., Ding, J., Abulimiti, A., 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.
Wang, J., Tiyip, T., Ding, J., Zhang, D., Liu, W., Wang, F., 2017. Quantitative estimation of organic matter content in arid soil using vis-NIR spectroscopy preprocessed by fractional derivative. Journal of Spectroscopy.
Wenjun, J., Zhou, S., Jingyi, H., Shuo, L., 2014. In situ measurement of some soil properties in paddy soil using visible and near-infrared spectroscopy. Plos one 9(8), 105708.
Xu, C., Zeng, W., Huang, J., Wu, J., van Leeuwen, W., 2016. Prediction of soil moisture content and soil salt concentration from hyperspectral laboratory and field data. Remote Sensing 8(1), 42.
Xuemei, L., Jianshe, L., 2013. Measurement of soil properties using visible and short wave-near infrared spectroscopy and multivariate calibration. Measurement 46(10), 3808-3814.