برآورد درصد ذرات خاک با استفاده از روش طیف‌سنجی مرئی-مادون قرمز نزدیک در منطقه سمیرم اصفهان

مطالعه حاضر با هدف برآورد درصد ذرات خاک با استفاده از روش طیف‌سنجی مرئی و مادون قرمز نزدیک در منطقه سمیرم استان اصفهان انجام بود. تعداد 200 نمونه خاک سطحی (10 سانتی‌متری) از منطقه سمیرم اصفهان (طول جغرافیایی΄ 17 ˚ 51 تا΄3˚ 52 شرقی وعرض جغرافیایی΄ 42 ˚30 تا ΄51˚ 31 شمالی) جمع‌آوری گردید. نمونه‌ها هواخشک شدند و از الک دو میلی‌متری عبور داده شدند و درصد ذرات خاک در آزمایشگاه با روش هیدرومتری تعیین شد. همچنین طیف‌سنجی نمونه‌های خاک با استفاده از دستگاه طیف‌سنج زمینی انجام گرفت. سپس روش‌های پیش‌پردازش مشتق اول با فیلتر ساویتزکی گلای، تصحیح پخشیده چندگانه و متغیر نرمال استاندارد بر روی طیف‌ها انجام شدند. برای برقراری ارتباط بین درصد ذرات خاک با ویژگی‌های طیفی آن از مدل‌های رگرسیون حداقل مربعات جزئی، ماشین بردار پشتیبان و شبکه عصبی استفاده گردید. بهترین نتیجه برای برآورد سیلت با استفاده از شبکه عصبی مصنوعی با روش پیش‌پردازش تصحیح پخشیده چندگانه با rpd (نسبت انحراف معیار به rmse) بیشتر از 2، 0.98=r2 و کمترین مقدار g/kg 1.08=rmse به‌دست آمد. نتایج مطلوبی نیز برای مدل شبکه عصبی مصنوعی به ترتیب با روش‌های پیش‌پردازش تصحیح پخشیده چندگانه و متغیر نرمال استاندارد برای مقادیر رس (rpd بیشتر از 2، 0.94=r2 و کمترین مقدار  g/kg 1.21=rmse-) و شن (انحراف پیش‌بینی باقی‌مانده بیشتر از 2، 0.84=r2 و کمترین مقدار g/kg1.08=rmse) به‌دست آمد. به طور کلی، براساس نتایج این مطالعه، طیف‌سنجی مرئی مادون قرمز نزدیک در برآورد درصد ذرات خاک موفق بوده است و قابلیت جانشینی با روش‌های آزمایشگاهی را دارد.

estmiating of soil particles percentage using visible-near infra-red (nir) spectrometry in semirom area, isfahan

the present research performed to estimate soil texture using visible near-infrared spectrometry in semirom, isfahan. a total number of 200 soil samples (0-10 cm) were collected from the semirom area (51º 17’ - 52º 3’ e; 30º 42’ - 31º 51’ n), isfahan. the samples were air dried and passed through a 2 mm sieve, and soil particles percentage was determined in the laboratory using hydrometry method. reflectance spectra of all samples were measured using an asd field spectrometer. different pre-processing methods i.e., first derivatives and savitzky-golay filter, multiplicative scatter correction and standard normal variable were applied and performed on spectral data. the partial least squares regression, support vector machine regression and artificial neural network models were used to estimate soil texture. the best result was obtained for silt estimation, with excellent values of rpd >2, r2 =0.98 and rmse=1.08 using artificial neural network model with msc pre-processing technique. the results indicated the desirable capability of artificial neural network model with msc and snv pre-processing techniques in estimating the clay (rpd >2, r2=0.94 and rmse=1.21) and sand (rpd >2, r2=0.84 and rmse=6.24) contents of the soils, respectively. in general, based on the results of this study, vnir spectroscopy was successful in estimating soil particles percentage and showed its potential for substituting laboratory analyses.