مدل‌سازی رقومی جزء شن خاک با داده‌های ابرطیفی

سابقه و هدف: جزء شن از مهمترین اجزای بافت خاک بوده که برای عملیات مدل‌سازی زیست‌محیطی و پهنه‌بندی رقومی خاک، باید مورد توجه واقع شود. از طرفی، بدلیل تغییرپذیری مکانی این جزء؛ تشخیص، پهنه‌بندی و پایش آن، در مقیاس‌های وسیع، با استفاده از شیوه‌های سنتی رایج و عملیات تجزیه و تحلیل معمول آزمایشگاهی، بسیار وقت‌گیر و پر هزینه است. از نقطه‌نظر دیگر؛ دورسنجی هوایی و فضایی در قیاس با طیف‌سنجی میدانی و آزمایشگاهی دارای نواقصی همچون اثرات جوی، آثار ساختاری و ترکیبی طیفی، پایین‌تر بودن تفکیک طیفی و مکانی، اختلالات هندسی و نیز فرآیند اختلاط طیفی می‌باشد. لذا برای غلبه بر این نواقص و برای مطالعۀ عوامل دارای تغییرپذیری مکانی، نیازمند فن‌آوری مناسبی می‌باشد. با ظهور طیف‌سنجی بازتابی پراکنشی آزمایشگاهی که از لرزش‌های بنیادین، فرعی و ترکیبی گروههای عاملی(fgs) بهره می‌برد، آن، بعنوان ابزاری نویدبخش در مطالعۀ اجزای خاک، معرفی شد. طی تحقیق حاضر، از طیف‌سنجی بازتابی مجاورتی، برای مدل‌سازی ابرطیفی اجزای شن در قسمت‌هایی از استان مازندران استفاده شد. مواد و روش‌ها: جمعاً 128 نمونه از عمق 20 سانتیمتری سطح خاک، بر اساس روش نمونه‌برداری srs و با کمک اطلاعات جانبی همچون: زمین‌شناسی، کاربری‌اراضی، نقشۀ راه‌ها، و خاک‌شناسی استان، جمع‌آوری شد. در ابتدا، مجموع نمونه‌ها به دو قسمت برای عملیات واسنجی و اعتبارسنجی، تقسیم شد. با بهره‌گیری از تحلیل‌ابرطیفی، رگرسیون‌چندمتغیرۀ plsr و بر اساس تکنیک loocv و عملیات پیش‌پردازش طیفی همچون: میانگین‌گیری، هموارسازی و مشتق اول طیفی بر اساس الگوریتم ساویتسکیگولای، مدل تخمینی بر مبنای شاخص‌های تحلیلی همچون همبستگی دوطرفۀ پیرسون (r)، ضریب تبیین (r2)، میانگین مربعات خطای اعتبارسنجی (rmse)، و نیز شاخص‌های اعتبارسنجی rpd و rpiq، ایجاد و بررسی شد. یافته‌ها: تحقیق حاضر بر مبنای مدل‌سازی ابرطیفی شن منطقه در زیرمجموعۀ واسنجی مشتمل بر 96 و نیز زیرمجموعۀ اعتبارسنجی مشمتل بر 32 نمونه، نشان داد، 2 و 4 lv اول از مجموع 7 lv، بهترین تخمین در خاک‌های منطقۀ مورد مطالعه را نشان می‌دهد. از آنجاییکه این تعداد عامل منتخب، قادرند بیش از 60% واریانس متغیر شن و نیز 98% واریانس داده‌های طیفی را متمرکز کنند؛ نتیجتاً فرآیند واسنجی مدل تخمینی، بر اساس چهار فاکتور اول و شیوۀ loocv سراسری انجام شد. بهترین مدل ابرطیفی تخمین‌گر اجزای شن با این خصوصیات واسنجی شد، rc: 76/0، r2c: 57/0، rmsec: 77/9 و sec: 82/9. همچنین مقادیر ضریب r بین متغیر شن و باندهای طیفی موثر بدین ترتیب محاسبه شد، 390: 46/0، 510540: 53/0، 680690: 55/0، 950970: 67/0، 1100: 70/0، 1410: 76/0، 18601900: 76/0، 21802220: 77/0؛ که باندهای طیفی منتخب دارای بهترین و بیشترین تاثیر در فرآیند مدل‌سازی ابرطیفی شن در خاک‌های استان بوده‌اند. بعلاوه، بارزترین دامنه‌های طیفی در فرآیند مدل‌سازی بدین تریتب بوده است: uv390، vis440540، nir740990، swir14301890، 1930، 21902240، 23302440 نانومتر که این نتایج در تطابق با برخی مطالعات انجام گرفته، بوده است. کیفیت مدل ابرطیفی واسنجی‌شدۀ‌شن با استفاده از آزمون‌هایی همچون هتلینگ، لوریج تعدیلی و واریانس باقیمانده‌ها نیز مورد بررسی قرار گرفت. مشخصات عملیات صحت‌سنجی بدین ترتیب بوده است: rp: 83/0، r2p: 68/0، rmsep: 68/8، sep: 72/8 و انحراف: 26/1. نتیجه‌گیری: نتایج، حاکی از تحلیل مناسب ابرطیفی در برآورد مقادیر شن منطقه بوده است. بدین ترتیب بر مبنای lv2، rpdc: 51/1، rpiqc: 44/2؛ rpdp: 78/1، rpiqp: 45/2 و نیز بر اساس lv4، rpdc: 54/1، rpiqc: 48/2، rpdp: 75/1 و rpiqp: 41/2، محاسبه گردید. مقادیر rpiq بالاتر از 2، بیانگر توانایی مناسب و کیفیت‌خوب مدل در برآورد مقادیر شن استان مازندران با استفاده از داده‌های‌ابرطیفی بوده است. نتایج تحقیق حاضر می‌تواند نقطۀ آغازی در پهنه‌بندی دقیق‌تر جزء شن بافت خاک، بر مبنای سکوهای دورسنجی باشد. همچنین، با مشخص شدن طول‌موج‌های کلیدی در فرآیند مدلینگ؛ فرآیند آپ‌اسکیلینگ(بیش‌مقیاس‌سازی) و نیز آمادهسازی سنجنده‌های ابرطیفی هوایی و فضایی، می‌تواند بهبود یافته که منجر به دقیق‌تر شدن مطالعات ابرطیفی اجزای بافت نیز خواهد شد.

Digital modeling of soil sand constituent using hyperspectral data

Background Objective:Sand fraction is one of the most important soil textural segments which should be highlighted for environmental modeling operations and digital soil mapping projects. Identification, mapping and monitoring of sand content over wide scales using traditional procedures is timeconsuming and costly. Also spaceborne and airborne spectroscopy(remote sensing) have some defects compared to the laboratory and field spectroscopy. Hence, to overpower the imperfection of RS technology in relation to investigating the factors with spatial changeability, an apt technology is required. With the advent of Lab Diffuse reflectance Spectroscopy(LDRS) which exploits the fundamental vibration, overtones and combination of functional groups, that became a promising tool related. The present research intends to hyperspectral modeling of sand fraction utilizing the proximal soil sensing tech in some parts of Mazandaran province.Materials and Methods:In accord with supplementary data layers(geology,pedology,landuse,etc.) and stratified randomized sampling method, eventually, 128 samples from 20cm of soil surface of Mazandaran province (scattered parts), were gathered. First of all, sampleset subdivided into two subsets: calibration and validation. Afterwards, using the hyperspectral analyses, multivariate regression analysisPLSR method with the leaveoneoutcrossvalidation technique and some preprocessing algorithms such as: spectral averaging,smoothing and 1stderivative(SavitzkyGolayderivation algorithm), the definitive calibration model with two four latent vectors according to indices such as R,R2,RMSE,RPD and RPIQ were made. Results Discussion:During the present research based on the sand hyperspectral modeling in the calibration subset containing 96 samples as well as the validation subset composing of 32 standalone samples, it has been showed the first two and four LVs out of the seven LVs can provide the best estimate of the soils of the study province. Consequently, the calibration process of sand hyperspectral model was done based on the first four LVs and the full LOOCV procedure. Because these number of LVs are able to concentrate the infovariance of sand variable more than 60% and likewise, the infovariance of spectral variables more than of 98%. The best calibrated hyperspectral model predicting sand components resulted with these specs: Rc=0.76,R2C=0.57,RMSEc= 9.77 and SEc of about 9.82. The correlation coefficients(R) of sand contents with the effective spectral domains were calculated as: UV390nm=0.46, Vis510to540nm about 0.53, 680to690 about 0.55, NIR 950to970 about 0.67 and 1100nm=0.70, SWIR1410 nm=0.76, 1860to1900 about 0.76, 2180to2220 about 0.77; which the specified spectral bands(spectral ranges) with the maximum of R contents indicating their highly impact and influence as the independent predictors on the sand parameter hyperspectral modeling processes at the studied soils of Mazandaran province. Furthermore, the most influential spectral domains involved in the modeling process of sand particles were determined as follows: UV390nm,Vis440540nm,NIR740990nm,SWIR14301890,1930,21902240,23302440nm, which these results were in agreement with others. The quality of calibrated sand hyperspectral model via assays such as Hotelling, adjusted leverage and residual variances was also confirmed. The accuracy assessment specs were as: Rp=0.83,R2p=0.68,RMSEp=8.68,SEp=8.72 and bias=1.26. Conclusion:Results indicate the apt hyperspectral analyses to estimate the sand based on LV=2: RPDc=1.51,RPIQc=2.44,RPDp=1.78 and RPIQp=2.45, additionally for LV=4:RPDc=1.54,RPIQc=2.48,RPDp=1.75 and RPIQp=2.41 have been gained. On the basis of the RPIQ values which were more than 2, it can be concluded the models are able to estimate the sand contents of Mazandaran soils satisfactorily and showing the acceptable quality of the predicting models utilizing the hyperspectral data. Our results can be the starting point to accurate mapping of sand constituents of soil texture using the RS platforms. It is noteworthy, the characterization of key wavelengths in the hyperspectral modeling of sand components, the upscaling operation as well as constructing the new airborne/satellite hyperspectral sensors can be bettered using the principle wavebands affecting the hyperspectral process so that providing the more precise hyperspectral studying of soil texture constituents using the aerial or space platforms.