مقايسه روش‌هاي PLSR و PCR در برآورد برخي فلزات سنگين با استفاده از داده‌هاي طيف‌سنجي در دامنه VNIR/SWIR

Comparing PLSR and PCR Models for Assessing Soil Heavy Metals based on VNIR/SWIR Spectral data

اين مطالعه با هدف بررسي توانايي داده‌هاي طيفي در محدوده مرئي، فروسرخ نزديك و فروسرخ كوتاه (400 -2450 نانومتر) در برآورد فلزات آهن، منگنز، نيكل و كروم با استفاده از روش‌هاي رگرسيون حداقل مربعات جزئي (PLSR) و رگرسيون مؤلفه اصلي (PCR) انجام شد. ارزيابي انواع روش‌هاي پيش‌پردازش داده‌هاي طيفي از جمله مشتق اول (FD)، مشتق دوم (SD)، تصحيح پخشيده چندگانه (MSC) و متغير نرمال استاندارد (SNV) در مدل‌سازي انجام شد. جهت ارزيابي مدل 80 درصد داده‌ها براي كاليبراسيون مدل و 20 درصد براي صحت‌سنجي مدل به صورت تصادفي تقسيم شدند. همچنين جهت اعتبارسنجي از روش Leave one out-cross validation استفاده شد و مقادير ضريب تبيين (R2)، ريشه ميانگين مربعات خطا (RMSE) و درصد انحراف نسبي (RPD) تعيين گرديد. نتايج نشان داد براي فلزات آهن، منگنز و كروم روش PLSR همراه با پيش‌پردازش SD نتايج كارامد و قابل قبولي دارد در حالي كه براي نيكل نتايج مدل‌هاي ايجاد شده ضعيف مي‌باشد.

Two statistical models including Partial Least Squares Regression (PLSR) and Principal Component Regression (PCR) were comparatively performed to determine prediction accuracy of Visible and Near-Infrared (VNIR) and Short-Wave Infrared (SWIR) reflectance spectroscopy (400-2450 nm) in quantifying Fe, Mn, Ni and Cr concentration in contaminated soils. Different spectral pre-processing techniques such as First and Second Derivatives (FD and SD), Multiplicative Scatter Correction (MSC) and Standard Normal Variate (SNV) were also applied to select the best model. The ability of predictive models were evaluated by splitting soil samples into two random groups (80% and 20%). The first part (80%) was used to evaluate calibration and validation sets using cross‐validation method and the second part (20%) was applied to test models. Coefficient of determination (R2), Root Mean Square Error (RMSE) and Residual Prediction Deviation (RPD) were also calculated to evaluate models. The results indicated that the PLSR model with SD pre-processing was more accurate technique for predict­ing Fe, Mn and Cr concentration. Whereas for Ni, the predictive models didn’t give acceptable and appropriate prediction performance.