برآورد مقدار كربن آلي خاك با استفاده از داده‌هاي ابرطيفي در گستره VIS-NIR-SWIR

سابقه و هدف: مقدار كربن آلي خاك به‌عنوان يكي از مهم‌ترين ويژگي‌هاي خاك، اهميت بسياري در توسعه و مديريت پايدار كشاورزي دارد. مقدار مواد آلي خاك كه عموماً بر اساس مقدار كربن آلي آن اندازه‌گيري مي‌شود، معمولاً به‌عنوان شاخص كليدي كيفيت و عملكرد خاك قلمداد مي‌گردد. وجود مواد آلي مكفي خاك، تاثيرات مثبتي بر باروري خاك، ظرفيت نگهداشت آب خاك و ترسيب كربن دارد. پژوهش‌هاي اخير نشان داده است كه فعاليت‌هاي انساني همانند عمليات مكانيكي كاشت و فعاليت‌هاي توسعه اي اقتصادي منجر به درخطر افتادن محتواي مواد آلي خاك شده است. بنابراين پايش مستمر ميزان كربن آلي خاك مي‌تواند نقشي مهمي در كنترل كيفيت و عملكرد خاك داشته باشد. از آن‌جا كه روش‌هاي معمول آزمايشگاهي اندازه‌گيري كربن آلي خاك، به‌ويژه در مقياس‌هاي مكاني بزرگ، عمدتاً پرهزينه و زمان بر هستند به همين دليل، روش هاي ارزيابي سريع، كم هزينه و با دقت ميزان كربن آلي خاك، مي‌تواند يك اقدام بسيار ارزشمند براي مديريت بلندمدت خاك باشد. هدف از انجام اين پژوهش مطالعه رفتار طيفي خاك به‌منظور برآورد مقدار كربن آلي خاك با استفاده از روش‌هاي رگرسيون حداقل مربعات جزيي (PLSR) و رگرسيون حداقل مربعات جزيي توام با بازنمونه‌گيري (bagging-PLSR) و نيز بررسي اثر روش‌هاي مختلف پيش‌پردازش داده‌هاي طيفي بر دقت برآورد كربن آلي خاك بود. مواد و روش‌ها: تعداد 200 نمونه خاك در مقياس حوزه آبخيز (داده‌هاي واسنجي) و 40 نمونه در مقياس مزرعه (داده‌هاي اعتبارسنجي) از دو عمق خاك (صفر تا 10 و 10 تا 30 سانتي‌متر خاك) به‌صورت نمونه‌برداري مركب در يك شعاع 10 متري جمع‌آوري و پس از هوا خشك كردن از الك 2 ميلي متر عبور داده شد. برخي ويژگي‌هاي فيزيكوشيميايي خاك ها در آزمايشگاه اندازه گيري شد. پس از آن، بازتاب طيفي خاك در گستره مريي، مادون‌قرمز نزديك و مياني (2500-350 نانومتر) با استفاده از دستگاه اسپكترو راديومتر اندازه گيري و ارتباط بين 2000 باند با مقدار كربن آلي خاك مورد بررسي قرار گرفت. يافته‌ها: بر اساس نتايج به‌دست آمده، بهترين روش هاي پيش پردازش به‌منظور واسنجي مدل PLSR شامل حذف روند به روش موجك (94/1=RPD) و SNV توام با فيلتر ميانه (92/1=RPD) بود. تعداد فاكتور مناسب مدل‌هاي تخمينگر در دو روش PLSR و bagging-PLSR برابر 17 به‌دست آمد. نتايج اعتبارسنجي مدل‌ها به‌ازاي تمامي روش‌هاي پيش‌پردازش نشان داد، روش‌هاي PLSR و bagging-PLSR به‌ترتيب با گستره مقادير RMSE برابر با %11/1-167/0 و % 03/1-142/0 در برآورد مقدار كربن آلي خاك همراه بودند. همچنين، به‌ازاي مقادير كربن آلي > 2/1 درصد، دقت تخمين در هر دو روش كاهش يافت. نتيجه‌گيري: يافته هاي پژوهش نشان داد كه استفاده از بازتاب طيفي خاك در محدوده مريي، مادون‌قرمز نزديك و مادون‌قرمز مياني (VIS، NIR و SWIR) مي‌تواند مقدار كربن آلي خاك را مورد مطالعه قرار دهد. همچنين منحني‌هاي طيفي خاك‌هاي مختلف سه مشخصه جذب در طول‌‌موج‌هاي 1414، 1913 و 2207 نانومتر را نشان داد كه مربوط به مقدار آب موجود در شبكه كاني‌هاي رسي خاك و رطوبت هيگروسكوپي خاك بوده و مي‌تواند به‌عنوان مشخصه‌هاي منحصربه‌فرد هر خاك محسوب شود. اين باندها اهميت زيادي در برآورد مقدار كربن آلي خاك دارند. پيش‌پردازش داده هاي طيفي خاك و انتخاب مناسب ترين روش پيش‌پردازش، يكي از مهم‌ترين عوامل تاثيرگذار بر دقت روش‌هاي رگرسيون حداقل مربعات جزيي (PLSR) و رگرسيون حداقل مربعات معمولي با بازنمونه‌گيري (bagging-PLSR) در برآورد مقدار كربن آلي خاك بود. بر اساس نتايج به‌دست آمده، روش bagging-PLSR نسبت به روش PLSR دقت بالاتري در برآورد مقدار كربن آلي خاك نشان داد.

Background and Objectives: Soil organic carbon is a main soil property and particularly important for development and sustainable management of agricultural systems. Soil Organic Matter content, which is typically measured in the form of soil organic carbon SOC content, is commonly regarded as a key indicator of soil quality and utilization, The presence of SOM has been proved to be bene?cial for soil productivity, water holding capacity and carbon sequestration. Earlier studies showed that SOM is vulnerable to anthropogenic activities such as farming practices and other economic development activities. Conventional laboratory analyses for measuring soil organic carbon, especially in large scale, are expensive and time consuming. For this reason, fast and accurately assess the amount of organic carbon can be a very valuable measure for long-term management of soil. The objectives of this study were: i) studying of proximal spectral reflectance of soils for estimating soil organic carbon by PLSR and bagging-PLSR methods and ii) investigating the effects of different preprocessing methods on performance of estimated soil organic carbon. Materials and Methods: A total of 200 composite soil samples on watershed scale (calibration data) and 40 soil samples on farm scale (validation data) from two different depths (0-10 and 10-30 cm) collected within a radius of 10 meters and after air drying, they were passed through 2 mm sieve. Some physicochemical characteristics of soils were measured in the laboratory. Consequently, proximal spectral reflectance of the soil samples within the VIS-NIR and SWIR (400-2500 nm) range was measured using a handheld spectroradiometer apparatus and correlation between 2000 bands and soil organic carbon were determined. Results: Results indicated that the best preprocessing methods to calibrate PLSR model were wavelet deterending (RPD=1.94) and SNV with median filter (RPD=1.92). The best PLSR and bagging-PLSR model for the estimation was obtained with 17 factors. Bagging-PLSR method has high performance (RMSE=0.142-1.03 %) than PLSR method (RMSE=0.167-1.11 %) for estimating soil organic carbon. In both methods, the accuracy was decreased while soil organic carbon was bigger than 1.2 percent. Conclusion: Using the soil spectral reflectance in the range of VIS, NIR and SWIR can examine the soil organic carbon. The spectral curves of different soils showed three absorbance properties at wave lengths 1414, 1913 and 2207 that was the amount of water in clay network and soil hygroscopic water, so they can be considered as a unique characteristics for each soil. These spectral bands are very important to estimate the amount of soil organic carbon. Soil spectral data pre-processing and selection of the most suitable pre-processing method was one of the most important factors affecting the accuracy of bagging-PLSR and PLSR method to estimate the amount of soil organic carbon. Based on the results, the method of bagging-PLSR showed higher accuracy than the PLSR method to estimate the amount of soil organic carbon.