برآورد سرعت آستانه فرسایش بادی با روش طیف‌سنجی در مناطق مستعد تولید ریزگرد در خوزستان

سرعت آستانه فرسایش یک عامل مهم در ارزیابی فرسایش‌پذیری خاک یک منطقه به شمار می رود که اندازه‌گیری آن زمان‌بر و پرهزینه است. استفاده از طیف بازتابی خاک در برآورد سرعت آستانه فرسایش، سبب کاهش هزینه و افزایش سرعت عمل می‌شود. هدف از این پژوهش مقایسه کارایی و دقت مدل‌های رگرسیونی حداقل مربعات جزئی (plsr)، ماشین بردار پشتیبان (svr) و شبکه عصبی (ann) در برآورد سرعت آستانه فرسایش در مناطق مستعد تولید گرد و غبار استان خوزستان است. برای این منظور ابتدا تعداد 91 نمونه خاک از قسمت‌های مرکزی و جنوبی مناطق مستعد تولید ریزگرد استان جمع‌آوری شد و سرعت آستانه فرسایش با استفاده از تونل باد تعیین گردید. در ادامه طیف بازتابی نمونه‌های خاک با دستگاه طیف‌سنج به دست آمد. روش‌های پیش‌پردازش بر روی طیف اصلی اجرا شد و مدل‌سازی با استفاده از سه مدل plsr، svr و ann انجام گرفت. نتایج نشان داد که میانگین سرعت آستانه فرسایش در منطقه 9.7  متر بر ثانیه و حداقل آن 5.25  متر بر ثانیه به دست آمد، همچنین سرعت آستانه همبستگی معنی‌داری با سدیم محلول(0.58 =r) و نسبت جذب سدیمی (0.48 =r) در سطح احتمال 5 درصد نشان داد. مدل ann در پیش‌پردازش مشتق دوم بهترین دقت برآورد (2.52= prd) و مدل svr در طیف اصلی (0.56= prd) کمترین دقت برآورد را داشت. در پایان طول موج کلیدی سرعت آستانه فرسایش منطقه در محدوده‌های 1850 و 1930 نانومتر به دست آمد.با توجه به همبستگی بین بازتاب خاک با سرعت آستانه فرسایش (0.76=r)، از این روش می‌توان برای ارزیابی فرسایش پذیری مناطق مستعد تولید ریزگرد استفاده کرد.

Estimation of Wind Erosion Threshold Friction Velocity in Areas Prone to Dust Production by Spectroscopy inKhuzestan

Threshold friction speed is an important factor for assessing the soil erodibility, but its measurement is time consuming and costly. Estimating threshold friction velocity by use of soil reflectance increases operating speed and reduces cost. The aim of this study was to compare the efficiency and accuracy of partial least squares regression (PLSR), support vector regression (SVR) and artificial neural network (ANN) regression models in estimating the threshold friction velocity in dustprone areas of Khuzestan Province. For this purpose, 91 soil samples were collected from the central and southern parts of dustprone areas of the province and the threshold friction velocity was determined using wind tunnels. Then, the reflectance spectra of soil samples were obtained with a spectrometer. Preprocessing methods were performed on the main spectrum and modeling was performed using, PLSR, SVR and ANN models. The results showed that the threshold friction velocity in the region was 9.7 m/s and the minimum was 5.25 m/s.  Also, the threshold friction velocity was significantly (p<0.05) correlated with dissolved sodium (r= 0.58) and sodium adsorption ratio (R= 0.48). The ANN model had the best estimation accuracy in the second derivative preprocessing (PRD = 2.52) and the SVR model had the lowest estimation accuracy in the main spectrum (PRD = 0.56). Finally, the key wavelength of the threshold friction velocity was in the range of 1850 and 1930 nm. Because of the soil reflectance correlation with threshold friction velocity (r=0.76), the spectroscopy method can be used to assess the soil erodibility in areas prone to dust production.