نوع مقاله : مقاله پژوهشی

نویسندگان

• زهرا رزقی ¹
• مهدی همایی ²
• علی‌اکبر نوروزی ³

¹ کارشناس ارشد خاکشناسی، دانشکده کشاورزی، دانشگاه تربیت مدرس، تهران

² استاد، دانشکده کشاورزی، دانشگاه تربیت مدرس، تهران

³ دانشیار، پژوهشکده حفاظت خاک و آبخیزداری، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران

چکیده

آگاهی از بافت به‌دلیل تأثیر مستقیم آن بر دیگر ویژگی­‌های خاک برای مطالعات کشاورزی، منابع­ طبیعی، هیدرولوژی و غیره از اهمیت زیادی برخوردار است. تعیین بافت خاک در پهنه­‌های گسترده مستلزم صرف وقت و هزینه‌­های زیاد است. به همین دلیل، پژوهشگران به‌دنبال راه­‌هایی برای تعیین این ویژگی مهم خاک در مقیاس­‌های وسیع هستند. یکی از این روش‌­ها، استفاده از بازتاب ­طیفی خاک سطحی است. در این روش، انتخاب روش واسنجی، دقت اندازه‌گیری ویژگی­‌های ­خاک را به‌شدت از خود متأثر می­‌سازد. در این پژوهش، عملکرد دو روش رگرسیونی کمینه­ مربعات ­جزئی (PLSR) و رگرسیون مؤلفه‌های ­اصلی (PCR) برای شناسایی روش مناسب برای ارزیابی شن، سیلت و رس ­خاک مقایسه شد. به همین منظور، 50 نمونه خاک از استان تهران گردآوری و به‌عنوان مجموعه داده برای روش واسنجی و اعتبارسنجی مورد استفاده قرار گرفت. نمونه‌­ها با پنج سطح رطوبتی صفر، پنج، 10، 15 و 20 درصد وزنی و با استفاده از اسپکترورادیومتر زمینی با محدوده اندازه­‌گیری 2500-350 نانومتر اسکن شدند. طیف‌ها نیز با استفاده از سه روش پیش ­پردازش SG، FD-SG و Normal+SG تصحیح شد. نتایج ضریب تبیین (R²) حاصل از ارزیابی متقابل نشان داد که مدل PLSR عملکردی بهتر از PCR دارد. روش پیش ­پردازش Normal+ SG برای بافت لوم رسی و روش SG برای بافت لوم رس شنی برآورد بهتری از خصوصیات مورد اندازه­گیری نشان داد. مقدار R²  برای رس 0.74، 0.81، 0.97 و 0.87 به‌ترتیب در رطوبت­‌های صفر، پنج، 15 و 20 درصد در بافت لوم رسی و 0.95 و 0.61 در سطوح صفر و پنج درصد در بافت لوم رس شنی به­دست آمد. سیلت با مقدار R² 0.67 در رطوبت­ پنج درصد در بافت لوم رسی و 0.97 در رطوبت 20 درصد در بافت لوم رس شنی برآورد بهتری داشت. شن نیز با R² برابر با 0.86 و 0.72 به‌ترتیب در رطوبت­‌های پنج و 10 درصد در بافت لوم رسی برآورد شد.

کلیدواژه‌ها

• اسپکترورادیومتر
• بازتاب طیفی
• پیش‌پردازش طیفی
• رگرسیون کمینه مربعات جزئی
• رگرسیون مؤلفه‌های اصلی

عنوان مقاله [English]

Quantitative estimation of soil texture components using spectroscopy in the visible-near infrared region

نویسندگان [English]

• Zahra Rezghi ¹
• Mehdi Homaee ²
• Aliakbar Noroozi ³

¹ MSc, Faculty of Agriculture, Tarbiat Modares University, Tehran, Iran

² Professor, Faculty of Agriculture, Tarbiat Modares University, Tehran, Iran

³ Associate Professor, Soil Conservation and Watershed Management Research Institute, Agricultural Research, Education and Extension Organization (AREEO), Tehran, Iran

چکیده [English]

Knowledge about soil texture is very important in agricultural studies due to its direct impact on other soil properties. However, determining the soil texture in vast areas requires a lot of time and money. For this reason, researchers are looking for ways to determine this important feature of the soil on a large scale. One of these methods is the use of surface soil spectrometry. In this method, the choice of calibration method significantly affects the accuracy of measuring the characteristics of the surface. In this study, the performance of two regression techniques, namely, partial least-squares regression (PLSR), principal component regression (PCR) were compared to identify the best method to assess sand, silt and clay. For this purpose, 50 soil samples from Tehran province were collected and used as a data set for Calibration and Validation. Soil samples with different moisture levels (oven dry, 5, 10, 15 and 20 w/w) were scanned using a FieldSpec Pro Spectroradiometer with a measurement range of 350–2500 nm. The spectra were subjected to three pre-processed techniques, e.g., Savitzky–Golay (SG) smoothing, first derivative with SG smoothing (FD-SG), Normalization with SG smoothing (Normal-SG). The R² results from cross-validation indicated that the PLSR model had a better performance than PCR. Normal + SG pre-processing method for clay loam texture and SG method for sandy clay loam texture showed better estimation of measured properties. The amount of R² for clay was 0.74, 0.81, 0.97 and 0.87, respectively, in moisture content of oven dry, 5, 15 and 20% in   clay loam texture And 0.95 and 0.61 at oven dry and 5% levels in sandy clay loam. Silt was better predicted by R² 0.67 in moisture content of 5% in clay loam texture and R² 0.97 in moisture content of 20% at sandy clay loam texture. Sand was also predicted (R²₌ 0.86 and 0.72) in moisture content of 5 and 10% in clay loam texture.

کلیدواژه‌ها [English]

• Partial least-squares regression
• Principal component regression
• Spectral pre-processing
• Spectral reflectance
• Spectroradiometer