شاخص طیفی برای نقشه برداری محتوای ماده آلی خاک سطحی بر اساس داده های فراطیفی ماهواره ای ZY1-02D ​​در استان جیانگ سو، چین

تخمین محتوای ماده آلی خاک (SOMC) برای ارزیابی کیفیت خاک ضروری است. در مقایسه با سنجش از دور چندطیفی سنتی برای نقشه برداری SOMC، توزیع SOMC در یک منطقه خاص را می توان با استفاده از داده های سنجش از دور فراطیفی به سرعت به دست آورد. تصویرگر پیشرفته فراطیفی (AHSI) روی ماهواره ZY1-02D ​​می تواند به طور همزمان اطلاعات طیفی را در ۱۶۶ باند از مرئی (۴۰۰ نانومتر) تا مادون قرمز موج کوتاه (۲۵۰۰ نانومتر) بدست آورد و منبع داده مهمی را برای نقشه برداری SOMC فراهم می کند. در این مطالعه، شاخص‌های طیفی مرتبط با SOMC (SIs) مناسب برای این ماهواره در شهرستان شویانگ، استان جیانگ سو مورد تجزیه و تحلیل و ارزیابی قرار گرفت. یک سری SI برای مناطق پوشیده از خاک و پوشش گیاهی (عمدتاً محصولات برنج و نهال درختان) به ترتیب با ترکیب دگرگونی‌های طیفی (مانند ریشه متقابل و ریشه مربع) و فرمول‌های شاخص دو باند (مانند نسبت و تفاوت) ساخته شد. . SI بهینه بر اساس ضریب همبستگی پیرسون تعیین شد. ρ) و کیفیت داده های ماهواره ای، و برای نقشه برداری و برآورد سطح SOMC اعمال می شود. نتایج نشان می دهد که: (۱) SI با بالاترین ρدر ناحیه خاک لخت، شاخص نسبت بازتاب اصلی در ۶۵۴ و ۶۷۹ نانومتر است (OR-RI (۶۵۴۶۷۹) )، در حالی که SI در ناحیه پوشش گیاهی ریشه دوم تفاوت بین بازتاب متقابل در ۵۵۱ و ۱۹۹۸ نانومتر است. V-RR-DSI (۵۵۱,۱۹۹۸ )؛ (۲) روند توزیع فضایی نتایج SOMC منطقه ای به دست آمده با مدل های رگرسیون خطی OR-RI (۶۵۴,۶۷۹) و V-RR-DSI (۵۵۱,۱۹۹۸)با نمونه ها مطابقت دارد. (۳) بر اساس SIs بهینه، ماشین بردار پشتیبان و مجموعه درختان به ترتیب برای پیش‌بینی SOMC خاک لخت و مناطق پوشیده از پوشش گیاهی شهرستان شویانگ استفاده شد. ضریب تعیین نتایج پیش‌بینی ترکیبی خاک و پوشش گیاهی ۷۷۵/۰، ریشه میانگین مربعات خطا ۷۲/۳ گرم بر کیلوگرم و انحراف پیش‌بینی باقی‌مانده ۱۲/۲ است. نتایج نشان می‌دهد که SIs پیشنهادی برای داده‌های فراطیفی ماهواره‌ای ZY1-02D ​​پتانسیل زیادی برای نقشه‌برداری SOMC دارد.

کلید واژه ها:

داده های ماهواره ای فراطیفی ; مواد آلی خاک ; تبدیل طیفی ; تجزیه و تحلیل طیفی ; شاخص طیفی

۱٫ مقدمه

ماده آلی خاک (SOM) برای مواد مغذی خاک و یک شاخص کلیدی برای ارزیابی محیط خاک [ ۱ ] و امنیت غذایی [ ۲ ] ضروری است. این مواد مغذی را برای رشد محصول فراهم می کند [ ۳ ، ۴ ، ۵ ] و نقش حیاتی در تشکیل خاک، حفاظت، حفاظت از محیط زیست، و توسعه پایدار کشاورزی و جنگلداری ایفا می کند. ۲ ].]. تغییرات در فراوانی و خواص SOM عمیقاً بر بسیاری از فرآیندها در اکوسیستم خاک تأثیر می گذارد. بنابراین، پایش SOM برای پیگیری شرایط محیطی خاک ضروری است. تخمین سنتی محتوای ماده آلی خاک (SOMC) عمدتاً بر جمع آوری تعداد زیادی نمونه خاک و تجزیه و تحلیل شیمیایی آزمایشگاهی متکی است. این روش نسبتا دقیق است، اما تغییر وضعیت طبیعی خاک و از دست دادن جرم در طول فرآیند نمونه برداری و اندازه گیری اجتناب ناپذیر است [ ۶ ]. همچنین زمان‌بر و پر زحمت است و دستیابی به تحقیقات در مقیاس بزرگ در زمان کوتاه دشوار است [ ۷ ]. روش‌های سنجش پروگزیمال خاک می‌توانند به اندازه‌گیری‌های غیرمخرب دست یابند، اما فقط ویژگی‌های خاک را در نقطه نمونه‌برداری می‌توان به دست آورد. ۸ ]]. بنابراین، به دست آوردن توزیع فضایی SOM در مقیاس منطقه ای چالش برانگیز است [ ۹ ].
سنجش از دور ماهواره ای مزایای نظارت سریع، پوشش گسترده و هزینه کم را دارد [ ۹ ]. به طور خاص، داده های ماهواره ای فراطیفی دارای اطلاعات طیفی غنی هستند که امکان پیش بینی توزیع فضایی SOMC در مقیاس بزرگ و با دقت بالا را فراهم می کند [ ۱۰ ]. ماهواره ZY1-02D ​​که در سپتامبر ۲۰۱۹ به فضا پرتاب شد، دارای یک تصویرگر پیشرفته ابرطیفی (AHSI) است که می تواند به طور همزمان اطلاعات طیفی را در ۱۶۶ باند از مرئی (۴۰۰ نانومتر) تا امواج کوتاه مادون قرمز (۲۵۰۰ نانومتر) با عرض ۶۰ کیلومتر به دست آورد. [ ۱۱ ]. AHSI می تواند جزئیات طیفی ویژگی های جذب SOM را از صدها باند باریک پیوسته بدست آورد [ ۱۰ , ۱۲ ]]، آن را به یک منبع داده مهم برای نقشه برداری SOM تبدیل می کند.
در سال های اخیر، بسیاری از محققان نظارت بر SOMC توسط سنجش از دور ماهواره ای را مورد مطالعه قرار داده اند. به عنوان مثال، تیواری و همکاران. [ ۱۳ ] از الگوریتم‌های شبکه عصبی مصنوعی (ANN) برای مدل‌سازی و نقشه‌برداری کربن آلی خاک (SOC) در دهلی نو، هند، بر اساس تصاویر EO1-Hyperion استفاده کرد. عمادی و همکاران [ ۱۴ ] SOC را در شمال ایران با استفاده از الگوریتم های ANN، جنگل تصادفی (RF) و ماشین بردار پشتیبان (SVM) بر اساس داده های Landsat 8 و MODIS ترسیم کرد. سازمان غذا و کشاورزی سازمان ملل متحد (FAO) [ ۱۵ ] راهنمایی گام به گام برای توسعه شبکه های ۱ کیلومتری برای ذخایر SOC در کتاب آشپزی نقشه برداری کربن آلی خاک ارائه کرد. ونتر و همکاران [ ۱۶] از نقشه های ماهواره ای با وضوح بالا برای نقشه برداری از ذخایر و روندهای SOC در آفریقای جنوبی استفاده کرد و عمق آن به ۳۰ سانتی متر رسید. برنامه کوپرنیک اتحادیه اروپا از ماهواره سنتینل برای تخمین SOC در زمین های زراعی اروپا استفاده کرد [ ۱۷ ]. اندزلی و همکاران [ ۱۸ ] بودجه جهانی کربن روزانه شامل SOC سطح (۰-۵ سانتی متر عمق) را با محصول SMAP سطح ۴ کربن (L4C) تخمین زد. با این حال، سنجش از دور ماهواره‌ای تنها می‌تواند برای تخمین محتوای مواد آلی خاک سطحی مورد استفاده قرار گیرد، و ارزیابی دقیق مقدار واقعی SOC ذخیره‌شده در لایه‌های دیگر هنوز یک چالش بزرگ است.
ویژگی های جذب بازتاب طیفی خاک عمدتاً به دلیل رنگ ها و ترکیب ارتعاشات اساسی ناشی از کشش و خمش گروه های NH، OH و CH است [ ۱۹ ]. همبستگی منفی معنی‌دار بین SOM و بازتاب طیفی خاک، پایه‌ای برای پیش‌بینی توزیع فضایی SOM است [ ۲۰ ]. در منطقه خاک برهنه، محققان اشکال مختلفی از شاخص های طیفی خاک (SIs) را برای تخمین SOMC پیشنهاد کرده اند. برای مثال، کریشن و همکاران. [ ۲۱] از اولین شاخص نرخ جذب مشتق (FDAI)، شاخص نسبت جذب I (ARI I) و شاخص نسبت جذب II (ARI II) برای تخمین SOMC در ایلینوی، ایالات متحده استفاده کرد. بر اساس ویژگی های جذبی اجزای بیوشیمیایی خاک، Bartholomeus و همکاران. [ ۲۲ ] چندین SI ساخت که همبستگی قوی با SOC دارند. جین و همکاران [ ۲۳] همبستگی بین شاخص تفاوت (DI)، شاخص نسبت پوشش گیاهی (RI)، شاخص تفاوت نرمال شده پوشش گیاهی (NDI) و SOMC را تجزیه و تحلیل کرد. اما اکثر این شاخص ها بر اساس طیف خاک آزمایشگاهی ساخته شدند. با توجه به تفاوت بین نمونه‌های خاک آزمایشگاهی و خاک‌های مزرعه و تأثیر مقیاس مشاهده، زمانی که این شاخص‌ها مستقیماً روی داده‌های ماهواره‌ای اعمال می‌شوند، دستیابی به نتایج رضایت‌بخش چالش برانگیز است.
در منطقه پوشیده از پوشش گیاهی، SOM نقش حیاتی در رشد محصول دارد. به عنوان مثال، اسید هیومیک موجود در SOM منبع ضروری SOC در منطقه پوشش گیاهی است. اسید هیومیک می تواند رشد گیاه را تحریک کرده و کاتیون های کلوئیدی را جذب کند [ ۳ ، ۲۴ ، ۲۵ ]. سلولز، لیگنین و سایر اجزای پوشش گیاهی معمولاً تحت تأثیر SOM قرار می گیرند که منجر به تغییر در ویژگی های جذب طیف تاج پوشش گیاهی می شود [ ۲۶ ]]. در منطقه پوشیده از پوشش گیاهی، با توجه به این مکانیسم تعامل غیرمستقیم بین SOM و طیف تاج پوشش گیاهی، محققان سعی کردند SOMC را با SIs پوشش گیاهی مرتبط کنند که می تواند محتوای کلروفیل، رطوبت و محتوای سلولز را نشان دهد. در مطالعات قبلی، برخی از SI های پوشش گیاهی برای ارزیابی SOMC استفاده شده است، مانند شاخص گیاهی نرمال شده (NDVI)، شاخص پوشش گیاهی افزایش یافته (EVI)، شاخص تنش رطوبتی (MSI) و شاخص جذب سلولز (CAI) [ ۲۶ ، ۲۷ ، ۲۸ ، ۲۹ ]. با این حال، این شاخص ها عمدتا برای نشان دادن پارامترهای فیزیکوشیمیایی پوشش گیاهی طراحی شده اند و توانایی بسیار محدودی برای توصیف SOM دارند.
بنابراین، در این مطالعه، شهرستان شویانگ از استان جیانگ سو به عنوان منطقه مورد مطالعه انتخاب شد و SI های مبتنی بر ماهواره ساخته شدند که به محتوای مواد آلی خاک سطحی در خاک برهنه و مناطق پوشیده از پوشش گیاهی حساس هستند. در بخش ۲ ، منطقه مورد مطالعه، داده‌های نمونه‌برداری خاک و داده‌های ماهواره‌ای معرفی می‌شوند و فرآیند ساخت SI و روش‌های ارزیابی به تفصیل شرح داده می‌شوند. سپس، در بخش ۳ ، همبستگی بین طیف های تبدیل شده و SOMC تجزیه و تحلیل می شود، SI های بهینه به دست می آیند، و اثرات کاربرد SI های بهینه ارزیابی می شوند. در بخش ۴ملاحظات برای غربالگری SIs، لزوم ساخت SIs به طور جداگانه در خاک برهنه و مناطق پوشیده از پوشش گیاهی، و تاثیر انواع کاربری زمین بر SOMC مورد بحث قرار گرفته است.

۲٫ مواد و روشها

۲٫۱٫ منطقه مطالعه

منطقه مورد مطالعه، شهرستان شویانگ (۳۳°۵۳′-۳۴°۲۵′ شمالی، ۱۱۸°۳۰′-۱۱۹°۱۰′ شرقی)، در بخش شمالی استان جیانگ سو واقع شده است (همانطور که در شکل ۱ الف نشان داده شده است). این شهرستان ۶۰ کیلومتر از شرق به غرب و ۵۵ کیلومتر از شمال به جنوب وسعت دارد و مساحت آن ۲۲۹۸ کیلومتر مربع است . زمین در غرب بالاتر و در شرق پایین تر است و ارتفاع زمین بیشتر بین ۴٫۵ تا ۷ متر است. شبکه رودخانه متراکم است. کل منطقه در یک منطقه آب و هوایی معتدل موسمی با آفتاب فراوان و میانگین بارندگی سالانه ۹۳۷٫۶۰ میلی متر قرار دارد [ ۳۰ , ۳۱ , ۳۲]. بافت خاک سطحی خاک (۰-۱۵ سانتی متر) در شهرستان شویانگ عمدتاً سیلت است و محتویات خاک رس و ماسه نسبتاً کوچک است. انواع خاک شامل کامبیزول، رگوسول، لوویسول، گریزم، آنتروسول، گلی سول، فلوویزول، نیتیسول و آرنوسول است ( شکل ۱ ب) [ ۳۳ ، ۳۴ ]، و محصولات عمدتاً برنج، گندم، ذرت و سویا هستند [ ۳۵ ]. انواع کاربری اراضی زیر کشت در منطقه مورد مطالعه عمدتاً شامل شالیزارها، اراضی دیم و نهالستان است ( شکل ۱ ج).

۲٫۲٫ اکتساب و پیش پردازش داده های ماهواره ای فراطیفی

تصویر ماهواره ای ابرطیفی مورد استفاده در این مطالعه ( شکل ۲ الف) توسط AHSI ZY1-02D ​​در ۲۲ اکتبر ۲۰۲۰ به دست آمد. پارامترهای دقیق داده های AHSI/ZY1-02D ​​در جدول ۱ نشان داده شده است. طیف AHSI از ۰٫۴ تا ۲٫۵ میکرومتر با ۱۶۶ باند متغیر است. وضوح طیفی ۷۶ باند در ناحیه مرئی و مادون قرمز نزدیک (VNIR) 10 نانومتر است، در حالی که وضوح طیفی ۹۰ باند در ناحیه مادون قرمز موج کوتاه (SWIR) 20 نانومتر است. عرض نوار AHSI 60 کیلومتر و قدرت تفکیک مکانی ۳۰ متر است.
کالیبراسیون رادیومتری و تصحیح اتمسفر (با استفاده از مدل انتقال تابشی MODTRAN) بر روی داده های L1A برای به دست آوردن بازتاب سطح انجام شد. به دلیل پاسخ طیفی کم یا جذب جوی حسگر، تنها ۱۳۰ باند در محدوده طیفی ۴۶۴-۹۹۷ نانومتر، ۱۰۲۲-۱۱۰۶ نانومتر، ۱۱۷۳-۱۳۲۴ نانومتر، ۱۴۵۹-۱۷۷۸ نانومتر در مطالعه مورد استفاده قرار گرفت و ۱۹۶ باند در محدوده طیفی ۳-۲۶ نانومتر استفاده شد. . فیلتر ساویتسکی-گولای [ ۳۶] (تعداد نقاط در سمت چپ و راست نقطه مرکزی هسته فیلتر ۳، ترتیب مشتق بر روی ۰ و درجه هموارسازی چند جمله ای ۱ بود) برای حذف نویز و صاف کردن طیف استفاده شد. به دنبال آن تصحیح. سپس تصاویر به طور یکپارچه موزاییک شده و برش داده شدند تا تصویر بازتابی پیش پردازش شده از کل شهرستان شویانگ بدست آید. پس از این، نقشه دوتایی از زمین های زیر کشت و غیر زیر کشت منطقه مورد مطالعه را با توجه به داده های بررسی زمین تهیه کردیم. در نهایت، ما تصویر بازتاب را با نقشه باینری پوشانده‌ایم و فقط سطح زمین کشت شده برای آزمایش‌های بعدی نگهداری شد. همه تصاویر به صورت مشترک ثبت و در سیستم ژئودتیک جهانی (WGS) 1984 تصحیح شدند.
زمانی که تصاویر ماهواره ای به دست آمد، شهرستان شویانگ در فصل خشک بود. منطقه خاک برهنه در تصویر عمدتاً خاکی است که به تازگی پس از برداشت ذرت شخم زده شده است و منطقه تحت پوشش گیاهی شامل محصولات برنج و نهال درختان است. در زمان تصویربرداری، پوشش گیاهی در فصل رشد بود. طیف‌های پیکسل‌های گیاهی دارای ویژگی‌های جذب طیفی پوشش گیاهی هستند (مانند لبه قرمز و قله سبز). ابتدا، نمونه های آموزشی از خاک برهنه و مناطق پوشیده از پوشش گیاهی بر اساس مقایسه بین طیف پیکسل و کتابخانه طیفی استاندارد (مانند کتابخانه طیفی USGS)، علاوه بر تفسیر بصری تصاویر ماهواره ای با وضوح بالا انتخاب شدند. Gaofen-1 و Gaofen-2). متعاقباً، لبه قرمز تفاوت شاخص گیاهی را نرمال کرد (RENDVI) [37 ، ۳۸ ] بر اساس تصویر بازتابی کل منطقه مورد مطالعه محاسبه شد. دقت طبقه بندی ۹۶٫۵۹ درصد با استفاده از ۸۸ نمونه آزمایشی به طور تصادفی انتخاب شده محاسبه شد. از شکل ۲ ج مشاهده می شود که منطقه خاک لخت عمدتاً در جنوب توزیع شده است، در حالی که منطقه پوشش گیاهی در شمال توزیع شده است.

۲٫۳٫ نمونه برداری از زمین و اندازه گیری خاک

در جولای ۲۰۲۰، ۹۲ نمونه خاک سطحی (۰ تا ۱۵ سانتی متر) از طریق طرح نمونه برداری تصادفی جمع آوری شد (حداقل فاصله بین نقاط نمونه برداری ۲ کیلومتر تعیین شد). در هر نقطه نمونه برداری (صلیب های قرمز در شکل ۱ و شکل ۲ )، پنج نمونه خاک در یک منطقه دایره ای به قطر ۱۰ متر با استفاده از روش پنج نقطه ای ( شکل ۲ ب) جمع آوری شد و سپس پنج نمونه در داخل مخلوط شدند. یک نمونه ترکیبی [ ۳۹ ]. از هر لکه یک کیلوگرمی نمونه مرکب گرفته شد، در داخل خانه خشک شد و از الک ۲ میلی متری عبور داده شد تا شن و بقایای گیاه حذف شود. سپس محتوای SOC نمونه ها در بخش ریز به روش حجمی دی کرومات پتاسیم [ ۴۰ ] تعیین شد.]. در نهایت، SOMC با ضرب ضریب تبدیل ۱٫۷۲۴ (ضریب Van Bemmelen) در محتوای SOC به دست آمد [ ۴۱ ]. مطابق شکل ۲ ج، ۹۲ نقطه نمونه برداری به دو دسته تقسیم شدند که ۳۸ نقطه نمونه برداری در منطقه خاک لخت و ۵۴ نقطه نمونه برداری در منطقه پوشش گیاهی بود.

۲٫۴٫ مواد و روش ها

۲٫۴٫۱٫ فرآیند تحقیق

نمودار جریان این تحقیق در شکل ۳ نشان داده شده است . کل فرآیند را می توان به سه مرحله اصلی تقسیم کرد: (۱) بدست آوردن SOMC و طیف بازتاب نمونه های خاک، (۲) ساخت SIs بهینه، و (۳) ارزیابی اثر کاربرد SIs بهینه.
۲٫۴٫۲٫ ساخت SI های بهینه
با توجه به اینکه بازتاب برخی از طول موج ها به SOMC حساس نیست، تبدیل های طیفی بر روی بازتاب اصلی (OR) اجرا می شوند. تبدیل های طیفی می توانند اطلاعات دقیق طیف را افزایش دهند و به استخراج ویژگی های طیفی SOM کمک کنند [ ۳۹ ، ۴۲ ]. قبل از تبدیل، باندهای با کیفیت پایین حذف می شوند تا از نویز و عدم قطعیت بیشتر جلوگیری شود. لازم به ذکر است که طیف سنجی تصویر ابزار قدرتمندی برای تخمین توزیع فضایی SOMC است. علاوه بر به دست آوردن اطلاعات طیفی، می تواند اطلاعات توزیع فضایی پیوسته را نیز مشاهده کند [ ۴۳ ، ۴۴]. بنابراین، تاثیر هر عملیات بر کیفیت تصویر باید در ساخت SI ها در نظر گرفته شود. لازم است اطمینان حاصل شود که تصاویر بازتاب سطحی و SI های بهینه توانایی بیان بصری اطلاعات سطح را از دست ندهند. در این مطالعه، تصاویر با کیفیت بهتر، تصاویر بدون خطوط موزاییک قابل توجه، نویز راه راه و سایر پدیده هایی بودند که اطلاعات واقعی ویژگی ها را از نظر جلوه های بصری محو می کنند.
در جدول ۲ ، فرمول های تبدیل های طیفی مختلف فهرست شده است. ما همبستگی بین SOMC و طیف بازتاب تحولات طیفی مختلف (از جمله OR) را محاسبه کردیم. سپس، توزیع همبستگی بین طیف های مختلف و SOMC را تجزیه و تحلیل کردیم و کیفیت تصویر بازتابی تبدیل شده را بررسی کردیم. طیف هایی با همبستگی بالاتر و کیفیت تصویر بهتر برای محاسبه SI انتخاب شدند. سپس، تجزیه و تحلیل های آماری بیشتری بر روی تمامی فرمول های شاخص انجام شد و در نهایت، چهار فرمول شاخص را انتخاب کردیم که در جدول ۳ نشان داده شده است.. همبستگی بین هر نوع شاخص طیفی (SI) و SOMC مورد تجزیه و تحلیل قرار گرفت و شاخص هایی با همبستگی بالاتر و کیفیت تصویر بهتر به عنوان SI بهینه انتخاب شدند.

ضریب همبستگی پیرسون ( ρ) برای تعیین همبستگی بین دو متغیر در تحلیل همبستگی اتخاذ شد. فرمول آن به شرح زیر است:

ρX,Y=cov(X,Y)σXσY=E((XμX)(YμY))σXσY,

جایی که σX، σYانحراف استاندارد آرایه های X و Y به ترتیب هستند.μX، μYبه ترتیب مقادیر میانگین X و Y هستند.

۲٫۴٫۳٫ ارزیابی کاربرد SI های بهینه
به منظور ارزیابی توانایی SI بهینه برای توصیف SOMC، ما عملکرد برنامه را از دو جنبه تجزیه و تحلیل کردیم. یکی SI های بهینه را با شاخص های SOM سنتی مقایسه می کند. در خاک برهنه و مناطق پوشیده از پوشش گیاهی، ما یک SI بهینه با بالاترین همبستگی را انتخاب کردیم. ما همبستگی بین سایر شاخص‌های سنتی و SOMC را برای مقایسه محاسبه کردیم و مبانی انتخاب شاخص‌های سنتی در جدول ۴ آمده است. مدل رگرسیون خطی (LR) که رابطه بین هر شاخص و SOMC را توصیف می کند به صورت جداگانه ایجاد شد و ضریب تعیین مربوطه ( R2 )) برای ارزیابی عملکرد هر شاخص محاسبه شد. علاوه بر این، مدل‌های LR از SIهای بهینه در اینجا نیز برای به دست آوردن نقشه وارونگی SOMC برای تشخیص سطوح SOMC استفاده شدند.
دیگری از SI های بهینه برای ساخت مدل های پیش بینی SOMC برای ارزیابی عملکرد برنامه آنها استفاده می کند. همه SIs بهینه برای ساخت مدل مربوطه در خاک برهنه و مناطق پوشیده از پوشش گیاهی انتخاب شدند. با در نظر گرفتن افزونگی داده‌ها ناشی از همبستگی زیاد بین شاخص‌ها، تحلیل مؤلفه‌های اصلی (PCA) برای کاهش ابعاد به‌کار گرفته شد. PCA به صورت خطی پیش بینی کننده ها را برای حذف ابعاد اضافی تبدیل می کند و مجموعه جدیدی از متغیرها به نام اجزای اصلی را تولید می کند [ ۴۵ ، ۴۶ ].
از نظر مدل وارونگی، SVM و مجموعه درختی (TE) عملکرد خوبی در تخمین ویژگی‌های خاک توسط سنجش از دور ماهواره‌ای نشان می‌دهند. جورج و همکاران [ ۴۷ ] از شاخص‌های فراطیفی مختلف تولید شده توسط داده‌های EO-1 Hyperion و روش SVM برای ترسیم سطوح مختلف شدت شوری خاک در منطقه Mathura در دشت هندو-گنگتیک هند استفاده کرد و دقت طبقه‌بندی کلی ۷۸٫۱۳ درصد بود. بر اساس داده های GF-5، منگ و همکاران. [ ۴۸] از مدل TE برای پیش بینی SOMC در شهرستان مینگشوی، استان هیلونگجیانگ، چین استفاده کرد و ریشه میانگین مربعات خطای مدل ۳٫۳۶ گرم بر کیلوگرم بود. در این مطالعه، شش مدل SVM (SVM خطی، SVM درجه دوم، SVM مکعبی، SVM گوسی ریز، SVM گاوسی متوسط، SVM گاوسی درشت) و دو مدل TE (درختان تقویت‌شده، درختان کیسه‌ای) برای تخمین SOMC در خاک لخت و پوشش گیاهی مقایسه شدند. -مناطق سرپوشیده به منظور جلوگیری از برازش بیش از حد، از روش اعتبارسنجی متقاطع K-fold برای تأیید صحت مدل‌سازی استفاده شد. برای خاک برهنه و مناطق تحت پوشش گیاهی، مدل با بالاترین دقت هر یک بر روی تصویر منطقه مربوطه اعمال شد. نتایج وارونگی خاک لخت و مناطق پوشیده از پوشش گیاهی برای به دست آوردن توزیع SOMC در کل منطقه ادغام شدند.

علاوه بر این، ما R2 ، ریشه میانگین مربعات خطا (RMSE) و انحراف پیش‌بینی باقی‌مانده (RPD) را برای ارزیابی توانایی توصیف SOMC مدل وارونگی ساخته‌شده توسط SIs بهینه اتخاذ کردیم به طور کلی، یک مدل به خوبی تثبیت شده معمولا دارای ۲ و RPD بالا و RMSE پایین است [ ۲۳ ، ۳۹ ]. طبق تحقیقات یوان و همکاران. [ ۴۹ ]، مقادیر RPD برای تفسیر عملکرد مدل به پنج سطح تقسیم می‌شوند، RPD < 1.4 (غیرقابل قبول)، ۱٫۴ ≤ RPD < 1.8 (عادلانه)، ۱٫۸ ≤ RPD < 2.0 (خوب)، ۲٫۰ ≤ RPD < 2.5 (بسیار خوب)، و RPD ≥ ۲٫۵ (عالی). فرمول محاسبه آنها به شرح زیر است:

R2=1ni=1(yˆiyi)2ni=1(yiy¯)۲,
RMSE=ni=1(yiyˆi)2n−−−−−−−−−−−−−√,
RPD=ni=1(yiy¯)۲/n−−−−−−−−−−−−−−√RMSE,

جایی که yiارزش واقعی است y¯مقدار میانگین است yi، yˆiمقدار برازش است و nتعداد نمونه است.

۳٫ نتایج

۳٫۱٫ آمار توصیفی نمونه ها

جدول ۵ آمار SOMC نمونه های خاک در شهرستان شویانگ را نشان می دهد. SOMC محدوده ای از ۱۰٫۲۷ تا ۴۷٫۸۰ گرم بر کیلوگرم را نشان می دهد. مقدار میانگین و انحراف معیار به ترتیب ۲۵٫۱۷ و ۷٫۸۸ گرم بر کیلوگرم است. ضریب تغییرات متوسط ​​۳۱٫۳۲ درصد است. این نمونه ها بیشتر به خاک لخت و مناطق پوشیده از پوشش گیاهی طبقه بندی می شوند. حداقل SOMC نمونه‌ها از هر دو منطقه مشابه هستند و هر دو تغییرات متوسطی دارند. با این حال، حداکثر SOMC در منطقه پوشیده از پوشش گیاهی می تواند به ۴۷٫۸۰ گرم در کیلوگرم برسد که بسیار بیشتر از منطقه خاک لخت است. علاوه بر این، میانگین SOMC در منطقه تحت پوشش گیاهی حدود ۳٫۰۰ گرم بر کیلوگرم بیشتر از منطقه خاک لخت است.

۳٫۲٫ ویژگی های طیفی بازتاب پیکسل سایت های نمونه

بر اساس تصاویر پردازش شده، طیف بازتاب پیکسل ها در ۹۲ نقطه نمونه برداری استخراج شد. در ناحیه خاک برهنه، از شکل ۴ a مشاهده می شود که با افزایش SOMC در کل محدوده ۴۰۰-۲۵۰۰ نانومتر، طیف بازتاب کاهش می یابد. در محدوده ۵۰۰-۶۰۰ نانومتر، شیب منحنی با افزایش SOMC کاهش می یابد. یک جذب طیفی در محدوده ۲۱۵۰-۲۲۵۰ نانومتر وجود دارد. اینها با نتایج مطالعات قبلی مطابقت دارد. بارتولومئوس و همکاران [ ۲۲ ] دریافتند که در محدوده ۴۰۰ تا ۷۰۰ نانومتر، نیمرخ طیفی مسطح تری در SOMC بالاتر وجود دارد و جین و همکاران. [ ۲۳] دریافت که یک جذب طیفی در ۲۲۰۰ نانومتر وجود دارد. در کل، منحنی‌های طیفی بازتاب استخراج‌شده می‌توانند به وضوح الگوهای تغییرات طیفی خاک را در SOMC‌های مختلف به تصویر بکشند.
در ناحیه پوشیده از پوشش گیاهی، همانطور که در شکل ۴ ب نشان داده شده است، با افزایش SOMC در محدوده ۱۱۰۰-۲۵۰۰ نانومتر، طیف بازتاب کاهش می یابد. در مطالعات قبلی، Bartholomeus و همکاران. [ ۵۳ ] همچنین دریافتند که در محدوده ۲۰۰۰-۲۲۰۰ نانومتر، با افزایش SOMC، سلولز نیز افزایش یافته و در نتیجه بازتاب کم در این ناحیه طیفی ایجاد می‌شود. به طور کلی، منحنی های طیفی بازتاب استخراج شده به خوبی می توانند الگوهای تنوع طیفی پوشش گیاهی را در SOMC های مختلف نشان دهند.

۳٫۳٫ همبستگی بین طیف تبدیل شده و SOMC

از آنجا که تبدیل های طیفی پیچیده مانند دیفرانسیل مرتبه دوم ممکن است نویز بیشتری را به تصویر وارد کند [ ۳۹ ]، این باندها باید حذف شوند (همانطور که در جدول ۶ نشان داده شده است ). در OR، RR و SRR، بیشتر باندهای حذف شده به دلیل پاسخ طیفی کم یا جذب جوی سنسور است و تعداد کل باندهای با کیفیت پایین ۳۶ است. اما پس از تبدیل دیفرانسیل، تعداد باندهای کم کیفیت باندها به میزان قابل توجهی افزایش یافته است. در این میان، FDR کمترین افزایش را دارد. تعداد باندهای بی کیفیت در SDR به ۱۴۷ می رسد که بیشترین افزایش را دارد و کیفیت تصویر آن نسبتاً ضعیف است. همبستگی بین SOMC و طیف تبدیل شده در جدول ۷ نشان داده شده است.
در منطقه خاک برهنه، OR، RR و SRR دارای طیف های خاک برهنه ای نیستند که همبستگی قابل توجهی با SOMC دارند، در حالی که تبدیل های دیفرانسیل می توانند برخی از نوارهای حساس را به دست آورند (| ρ| > 0.320، p <0.05). تبدیل دیفرانسیل مرتبه اول بر اساس OR، RR و SRR می تواند به طور موثر همبستگی با SOMC را بهبود بخشد. برای طیف‌های پس از تبدیل‌های دیفرانسیل مرتبه‌های مختلف، نتایج نشان می‌دهد که هر چه مرتبه بالاتر باشد، همبستگی با SOMC بالاتر است، که نشان می‌دهد تبدیل دیفرانسیل وسیله‌ای موثر برای بهبود همبستگی با SOMC برای طیف‌های خاک است. همانطور که با نتایج کلی تبدیل های مختلف نشان داده شده است، می توان دریافت که این طول موج های حساس عمدتاً در حدود ۶۶۰، ۱۴۵۹ و ۱۷۷۹ نانومتر متمرکز شده اند که با مطالعات Jin و همکارانش مطابقت دارد. [ ۲۳ ]، وانگ و همکاران. [ ۳۹ ] و گوو و همکاران. [ ۶۱ ].
در منطقه تحت پوشش گیاهی، OR، RR و SRR می توانند همبستگی با SOMC را بهبود بخشند و تعداد نوارهای حساس را افزایش دهند (| ρ| > 0.268، p <0.05). با این حال، تبدیل دیفرانسیل مرتبه اول بر اساس RR و SRR باعث کاهش همبستگی با SOMC و کاهش تعداد باندهای حساس می شود. برای طیف‌های پس از تبدیل‌های دیفرانسیل مرتبه‌های مختلف، نتایج نشان می‌دهد که هر چه مرتبه بالاتر باشد، همبستگی با SOMC کمتر است. از نتایج کلی تبدیل های مختلف می توان دریافت که این طول موج های حساس عمدتاً در حدود ۶۸۰ نانومتر و ۱۷۴۵-۱۷۷۹ نانومتر متمرکز شده اند که با طول موج های حساس به دست آمده در مطالعات Bartholomeus و همکاران مطابقت دارد. [ ۵۳ ]، ژانگ و همکاران. [ ۲۶ ] و Fourty و همکاران. [ ۵۵]. با در نظر گرفتن همبستگی با SOMC و کیفیت تصویر، OR، RR، FDR و RFDR برای محاسبه SI انتخاب شدند.

۳٫۴٫ همبستگی بین SIs و SOMC

شانزده نوع SI با چهار طیف تبدیل شده (OR، RR، FDR و RFDR) و چهار فرمول شاخص (DI، RI، NDI و DSI) محاسبه شد. همه باندهای موجود از طیف تبدیل شده در محاسبه جایگزین شدند. سپس، همبستگی آن‌ها با SOMC نمونه‌های خاک در خاک لخت و مناطق پوشیده از پوشش گیاهی مورد تجزیه و تحلیل قرار گرفت. نمودارهای ماتریس ضریب همبستگی در شکل ۵ و شکل ۶ نشان داده شده است. همچنین حداکثر ضریب همبستگی (| ρحداکثر ) بین هر نوع SI و SOMC در خاک لخت و مناطق پوشیده از پوشش گیاهی در جدول ۸ و جدول ۹ فهرست شده است. با توجه به عملکرد انواع SI ها در منطقه خاک لخت و منطقه پوشش گیاهی، | ρ| بیش از ۰٫۶۰۰ به عنوان آستانه برای به دست آوردن SI بهینه استفاده شد.
در ناحیه خاک برهنه از شکل ۵ و جدول ۸ قابل مشاهده استکه برای همان انواع تبدیل طیفی، NDI می تواند همبستگی بین SOMC و سه نوع طیف تبدیل شده (RR، FDR و RFDR) را به حداکثر برساند. علاوه بر این، RI همچنین می تواند به همبستگی بالایی بین SOMC و سه نوع طیف تبدیل شده (OR، RR و RFDR) دست یابد. در چهار فرمول شاخص، DSI کمترین همبستگی را با SOMC دارد. در میان چهار نوع SI ساخته شده بر اساس RR، ۱۴ SI با همبستگی بیشتر از ۰٫۶ با SOMC و به دنبال آن ۱۲ SI بر اساس OR وجود دارد. برای فرمول شاخص یکسان، شاخص‌های محاسبه‌شده از OR و RR عموماً همبستگی بالاتری با SOMC نسبت به FDR و RFDR دارند. در منطقه خاک لخت، OR-RI بیشترین همبستگی را با SOMC در ترکیب ۶۵۴ و ۶۷۹ نانومتر دارد (OR-RI (۶۵۴۶۷۹) )، با | ρ| تا ۰٫۶۲۷٫
در ناحیه پوشیده از پوشش گیاهی، از شکل ۶ و جدول ۹ مشاهده می شود که برای همان انواع تبدیل طیفی، DSI می تواند بالاترین همبستگی را بین SOMC و دو نوع طیف تبدیل شده (RR و FDR) بدست آورد. علاوه بر این، DI همچنین به همبستگی بالایی بین SOMC و سه نوع طیف تبدیل شده (RR، FDR و RFDR) دست می یابد. در میان چهار نوع SI ساخته شده بر اساس RR، تعداد SI با همبستگی بیشتر از ۰٫۶ با SOMC به ۱۸۰ عدد می رسد که بسیار بیشتر از طیف های دیگر است. برای فرمول شاخص یکسان، شاخص‌های محاسبه‌شده از OR و RR همبستگی قابل‌توجهی با SOMC نسبت به FDR و RFDR دارند. در منطقه پوشیده از پوشش گیاهی، RR-DSI بیشترین همبستگی را با SOMC در ترکیب ۵۵۱ و ۱۹۹۸ نانومتر دارد (RR-DSI).(551,1998) ، با | ρ| تا ۰٫۶۳۹٫
از آنجایی که مقادیر OR-NDI و RR-NDI مخالف یکدیگر هستند و طول موج های استفاده شده یکسان است، انتخاب یکی از آنها کافی است. هنگام مدل‌سازی، SI بهینه به‌دست‌آمده توسط OR-NDI اتخاذ شد. بنابراین، ۲۴ SI بهینه برای منطقه خاک لخت و ۱۸۹ برای منطقه تحت پوشش گیاهی وجود دارد.

۳٫۵٫ کاربرد بهینه SIs

۳٫۵٫۱٫ خصوصیات SOMC در نمونه های خاک

طبق جدول ۸ و جدول ۹ ، OR-RI (۶۵۴۶۷۹) و RR-DSI (۵۵۱،۱۹۹۸) به ترتیب بیشترین همبستگی را با SOMC در خاک برهنه و مناطق پوشیده از پوشش گیاهی دارند (حرف V به RR- اضافه می شود. DSI (۵۵۱,۱۹۹۸) به عنوان پیشوند (V-RR-DSI (۵۵۱,۱۹۹۸) )، که نشان دهنده SI بهینه در منطقه پوشیده از پوشش گیاهی است. این دو شاخص برای ساخت مدل های LR و مقایسه آنها با سایر شاخص های سنتی انتخاب شدند ( جدول ۴ ). همبستگی های SOMC و SI های مختلف در شکل ۷ نشان داده شده است.
در ناحیه خاک لخت، R2 مدل ساخته شده توسط OR-RI ۶۵۴,۶۷۹) ۰٫۳۹۸ است، بسیار بزرگتر از R2 مدل های ساخته شده توسط سایر شاخص ها. در منطقه پوشیده از پوشش گیاهی، R2 مدل ساخته شده توسط V-RR-DSI ۵۵۱,۱۹۹۸) ۰٫۴۰۸ است، در حالی که سایر شاخص ها همه کمتر از ۰٫۲ هستند. به طور کلی، OR-RI (۶۵۴,۶۷۹) و V-RR-DSI (۵۵۱,۱۹۹۸) در این مطالعه به خوبی SOMC را در خاک برهنه و مناطق پوشیده از پوشش گیاهی مشخص می‌کنند.
۳٫۵٫۲٫ شناخت سطوح SOMC در نمونه های خاک
با توجه به روابط خطی نشان داده شده در شکل ۷ ، SOMC در منطقه خاک لخت توسط OR-RI (۶۵۴۶۷۹) محاسبه شد ، در حالی که SOMC در منطقه پوشش گیاهی توسط V-RR-DSI (۵۵۱،۱۹۹۸) محاسبه شد . پس از ادغام SOMC های خاک برهنه و مناطق تحت پوشش گیاهی، SOMC کل زمین زیر کشت در شهرستان شویانگ به دست آمد. بر اساس توزیع عددی SOMC، SOMC محاسبه شده و اندازه گیری شده به طور مشابه با روش فاصله مساوی به پنج سطح تقسیم شد، همانطور که در شکل ۸ نشان داده شده است.
به طور کلی، سطوح SOMC در منطقه کشت شده شهرستان شویانگ با روند نشان داده شده توسط SOMC نمونه های خاک سازگار است ( شکل ۸ a). همه آنها نشان می دهند که توزیع فضایی سطح SOMC در شهرستان شویانگ در شمال شرق بالا، در شمال غرب کم و در جنوب متوسط ​​است. مناطق با بالاترین سطح SOMC در مناطق پوشیده از پوشش گیاهی در شمال شرقی متمرکز شده اند، جایی که بیشتر مناطق از ۳۰ گرم بر کیلوگرم بیشتر است. کمترین سطح SOMC در مناطق خاک برهنه در شمال غربی، عمدتاً زیر ۱۵ گرم بر کیلوگرم یافت می شود. تصویر دقیق ( شکل ۸ ب) نشان می دهد که نتایج محاسبه شده با استفاده از OR-RI (۶۵۴,۶۷۹) و V-RR-DSI (۵۵۱,۱۹۹۸) می تواند به خوبی نمونه های خاک را با سطوح مختلف SOMC تشخیص دهد.
۳٫۵٫۳٫ برآورد SOMC در نمونه های خاک
همانطور که در بخش ۳٫۴ ذکر شد ، ۲۴ SI خاک و ۱۸۹ SI پوشش گیاهی در مدل پیش بینی به کار گرفته شد. داده‌های مدل‌سازی خاک برهنه و مناطق پوشیده از پوشش گیاهی به ترتیب برای اعتبارسنجی متقاطع به ۱۰ برابر تقسیم می‌شوند. PCA با نرخ واریانس توضیحی ۹۹٫۹۹٪ برای کاهش ابعاد استفاده شد و مجموعه جدیدی از متغیرها برای مدل سازی تولید شد. در میان هشت مدل وارونگی معرفی شده در بخش ۲٫۴٫۳ ، الگوریتم‌های SVM خطی و درخت تقویت‌کننده حداقل مربعات به ترتیب بالاترین دقت پیش‌بینی را در خاک برهنه و مناطق پوشیده از پوشش گیاهی به دست آوردند.
دقت پیش‌بینی SOMC بر اساس پیش‌بینی ترکیبی خاک و پوشش گیاهی در شکل ۹ نشان داده شده است . به طور کلی، نتایج پیش‌بینی‌شده رابطه خطی خوبی با SOMC نمونه‌ها دارد. ۲ _RMSE و RPD نتایج پیش‌بینی ترکیبی خاک و پوشش گیاهی به ترتیب ۰٫۷۷۵، ۳٫۷۲ گرم بر کیلوگرم و ۲٫۱۲ هستند که نشان می‌دهد مدل بسیار خوب است. به طور خاص، RMSE نمونه های خاک برهنه و پوشش گیاهی به ترتیب ۴٫۵۹ و ۲٫۹۶ گرم بر کیلوگرم است. اکثر پراکنده ها به خط ۱:۱ بسیار نزدیک هستند، به خصوص در منطقه پوشیده از پوشش گیاهی. حدود ۸۸٫۰۴٪ از نتایج پیش بینی شده در خطای مورد انتظار (۸۰٪ خطوط دقت) توزیع شده است. مشاهده می‌شود که SIs بهینه پیشنهاد شده در این مطالعه پتانسیل زیادی در پیش‌بینی SOMC در خاک برهنه و مناطق پوشیده از پوشش گیاهی دارد.

۴٫ بحث

۴٫۱٫ کیفیت تصویر طیف های تبدیل شده و SI ها

مطالعات قبلی نشان داده اند که تبدیل طیفی و محاسبه شاخص طیف بازتاب اصلی می تواند همبستگی بین طیف و SOMC را بهبود بخشد. به عنوان مثال، وی و همکاران. [ ۷ ] همبستگی بین بازتاب خاک و SOMC را با تبدیل‌های طیفی دیفرانسیل مرتبه صحیح بهبود بخشید. نتایج این مطالعه نیز این موضوع را تایید می کند. همانطور که در جدول ۷ نشان داده شده است ، OR خاک باند همبستگی معنی داری با SOMC ندارد، در حالی که ضریب همبستگی بین SDR و SOMC بیشتر از ۰٫۴۵۰ است که در سطح ۰٫۰۱ معنی دار است.
با این حال، فرآیند تصویربرداری ماهواره‌ای اغلب تحت‌تاثیر جذب جوی، ناپایداری حسگر و عوامل دیگر قرار می‌گیرد [ ۶۲ ]، که به ناچار منجر به درجه خاصی از آلودگی صوتی در داده‌ها می‌شود (مانند نویز گاوسی، نویز نواری [ ۶۳ ]، نویز ضربه‌ای، نویز سررسید و نویز مختلط) [ ۶۴]. با افزایش پیچیدگی تبدیل طیفی و تعداد باندهای درگیر در محاسبه، عدم قطعیت کیفیت تصویر نیز افزایش می یابد. در این مطالعه، کیفیت تصویر پس از تبدیل تک باند، مانند جذر متقابل و جذر، بهتر از تمایز مرتبه اول است. با افزایش ترتیب تبدیل دیفرانسیل، کیفیت تصویر کاهش می یابد. این عمدتا به دلیل افزایش باندهای درگیر در محاسبه است (همانطور که در شکل ۱۰ نشان داده شده است ). نتایج مشابهی در مطالعات قبلی گزارش شده است. به عنوان مثال، وانگ و همکاران. [ ۳۹ ] دریافتند که بهره برداری از اطلاعات طیفی تصویر توسط مشتقات کسری مرتبه بالاتر مضر است.
بنابراین، در این مطالعه، علاوه بر محاسبه همبستگی بین بازتاب و SOMC، کیفیت تصویر بازتاب تبدیل شده نیز در هنگام ساخت SI در نظر گرفته شد. نوارهای با نویز سنگین حذف شدند. به منظور کاهش تأثیر نویز بر نتایج پیش‌بینی، ابتدا باید از SIهای ساده مبتنی بر تبدیل طیفی تک باند استفاده شود.
علاوه بر این، این مطالعه عمدتا بر اساس داده های پاییز AHSI/ZY1-02D ​​شهرستان شویانگ انجام شد. SIهای بهینه به‌دست‌آمده برای تصاویر انواع خاک لخت کامبیسول، ریگوسول و لوویسول و تصاویر فصل رشد برنج در دلتای رودخانه یانگ تسه مناسب هستند. بنابراین، عملکرد کاربرد SIs بهینه در مناطق مختلف، فصول رشد پوشش گیاهی و داده‌های نوع خاک باید بیشتر مورد مطالعه قرار گیرد.

۴٫۲٫ مزایای ساخت SI به طور جداگانه در منطقه خاک برهنه و منطقه پوشیده از پوشش گیاهی

خاک لخت و پوشش گیاهی در بیشتر زمین های زیر کشت وجود دارد. با این حال، مکانیسم های پاسخ طیفی این دو متفاوت است. بنابراین، SI ها بر اساس خاک برهنه و مناطق پوشیده از پوشش گیاهی به طور جداگانه ساخته شدند. در این مطالعه، طول موج‌های طیفی حساس SOM در ناحیه خاک برهنه در nm 550-600، ۶۵۰-۷۰۰ نانومتر، ۱۱۰۰-۱۲۰۰ نانومتر، ۱۴۵۰-۱۵۰۰ نانومتر، حدود ۲۰۰۰ نانومتر، و ۲۰۰۰-۲۰۰۰ نانومتر متمرکز شده است . ) که موقعیت های جذب پارامترهای خاک مانند رطوبت خاک، آهن و SOM هستند. این طول موج های حساس همچنین می توانند تعامل بین SOM و رطوبت خاک و اکسیدهای آهن را تا حدودی توضیح دهند. در منطقه پوشیده از پوشش گیاهی، توزیع طول موج های حساس ۵۰۰-۶۰۰ نانومتر، ۷۰۰-۷۵۰ نانومتر، ۱۱۰۰-۱۳۰۰ نانومتر و ۱۹۰۰-۲۳۵۰ نانومتر است ( شکل ۶).). جذب در ۱۱۲۰-۱۲۰۰ نانومتر و ۱۹۴۰-۲۱۰۰ نانومتر عمدتاً توسط لیگنین، سلولز، رطوبت و سایر پارامترهای گیاهان ایجاد می شود. این یافته ها با مطالعات هونگ و همکارانش مطابقت دارد. [ ۶۵ ] و لو و همکاران. [ ۶۶ ]. مکانیسم مستقیم SOM بر روی طیف پیکسل های خاک برهنه به کشش و ارتعاش پیوندهای شیمیایی متکی است [ ۱۹ ]. در منطقه پوشیده از پوشش گیاهی، SOM بر رشد پوشش گیاهی، سلولز، لیگنین و سایر پارامترهای فیزیکوشیمیایی تأثیر می گذارد و بیشتر بر طیف تاج پوشش گیاهی تأثیر می گذارد. در خاک برهنه و مناطق پوشیده از پوشش گیاهی، توزیع طول موج های حساس به SOMC کاملاً متفاوت است، که نشان دهنده لزوم ساخت SI به طور جداگانه است.
ρ| از SI بهینه با بالاترین همبستگی به دست آمده در منطقه خاک لخت ۰٫۶۲۷ (OR-RI (۶۵۴۶۷۹) ) و در منطقه پوشش گیاهی ۰٫۶۳۹ است (V-RR-DSI (۵۵۱،۱۹۹۸) ). برای مقایسه، ساخت شاخص و تحلیل همبستگی نیز برای تمام نقاط نمونه با هم انجام شد. شکل ۱۱ همبستگی بین SOMC و SI را نشان می دهد که با ترکیب های مختلف تبدیل های طیفی و فرمول های شاخص ساخته شده اند. مشاهده می شود که بالاترین ضریب همبستگی ۰٫۵۰۱ ( p <0.001) است که کمتر از ضریب همبستگی شاخص های ساخته شده به طور جداگانه است و مزیت ساخت SI ها را به طور جداگانه نشان می دهد.

۴٫۳٫ تأثیر انواع خاک و نوع کاربری اراضی کشت شده بر SOMC

انواع خاک در زمین های زیر کشت منطقه مورد مطالعه در شکل ۱ ب نشان داده شده است و عمدتاً کامبیسول، ریگوسول و لوویزول هستند. با توجه به پایگاه داده جهانی خاک (نسخه ۱٫۱) ارائه شده توسط فائو، تفاوت معنی داری در میزان کربن آلی خاک سطحی در بین این سه نوع خاک وجود نداشت. بر اساس نتایج توزیع سطوح SOMC به دست آمده توسط OR-RI (۶۵۴,۶۷۹) و V-RR-DSI (۵۵۱,۱۹۹۸) ( شکل ۸ a)، نتایج آماری SOMC انواع مختلف خاک در جدول ۱۰ نشان داده شده است. میانگین مقادیر سه نوع خاک به ترتیب ۲۴٫۳۹، ۲۴٫۳۹ و ۲۴٫۰۵ گرم بر کیلوگرم است و تفاوت بین آنها بسیار ناچیز است که با مطالعات قبلی مطابقت دارد.۳۳ ].
انواع کاربری اراضی زیر کشت در منطقه مورد مطالعه عمدتاً شامل شالیزارها، اراضی دیم و نهالستان است ( شکل ۱ ج). بر اساس نتایج توزیع سطوح SOMC به دست آمده توسط OR-RI (۶۵۴,۶۷۹) و V-RR-DSI (۵۵۱,۱۹۹۸) ( شکل ۸ a)، نتایج آماری SOMC انواع مختلف کاربری اراضی زیر کشت نشان داده شده است. جدول ۱۱ . شکل ۱۲ a-c توزیع SOMC را به ترتیب در شالیزار، زمین خشک و نهالستان نشان می دهد.
از شکل ۱۲ می توان دید که مقادیر SOMC سه نوع زمین همگی به طور معمول توزیع شده اند. به طور کلی، SOMC در مزارع شالیزاری بالاترین رتبه را دارد و پس از آن در زمین های خشک قرار دارد و در نهالستان ها پایین تر است. در شالیزار، SOMC بیشتر در ۲۵-۲۶ گرم بر کیلوگرم متمرکز است. در زمین های خشک، SOMC بیشتر در ۲۳-۲۴ گرم بر کیلوگرم متمرکز است، در حالی که SOMC در مهد کودک در ۲۱-۲۲ گرم بر کیلوگرم متمرکز است. حداکثر مقادیر توزیع SOMC در شالیزار، دیم و نهالستان به ترتیب ۴۲/۴۹، ۷۵/۴۸، ۴۳/۴۵ گرم بر کیلوگرم و میانگین مقادیر ۳۴/۲۵، ۲۳/۲۳، ۷۳/۲۱ گرم بر کیلوگرم است. در مطالعات قبلی نیز گزارش های مشابهی وجود داشته است. مطالعات برد و همکاران [ ۶۷ ] و هوانگ و همکاران. [ ۶۸] نشان داد که نرخ کانی‌زایی پایین و ضریب humification بالای مواد آلی تازه در خاک‌های غرقابی منجر به محتوای SOC در خاک برنجی شد که ۱۱ تا ۵۶ درصد بیشتر از خاک خشک بود. گائو و همکاران [ ۶۹ ] دریافتند که تبدیل شالیزارها به مهدکودک منجر به کاهش SOC می‌شود.
وست و همکاران [ ۷۰ ] و ویزمایر و همکاران. [ ۷۱ ] اشاره کرد که انواع مختلف کاربری زمین به طور قابل توجهی بر ظرفیت ذخیره‌سازی کربن خاک و توزیع SOMC تأثیر می‌گذارد که در این مطالعه نیز تأیید شده است. نتایج همچنین نشان می‌دهد که SIs پیشنهادی در این مطالعه می‌تواند به طور موثری توزیع فضایی SOMC را در شهرستان شویانگ نشان دهد.

۵٫ نتیجه گیری ها

داده های AHSI ماهواره تازه پرتاب شده ZY1-02D ​​یک منبع داده مهم برای پایش کیفیت خاک فراهم می کند. برای دستیابی سریع به ارزیابی SOMC در مقیاس بزرگ، در این مطالعه، SOM SI های مناسب برای این ماهواره ساخته شد. SI بهینه که حساس ترین به SOMC در خاک برهنه و مناطق پوشیده از پوشش گیاهی هستند مورد تجزیه و تحلیل قرار گرفتند. همچنین عملکرد کاربردی این شاخص‌ها مورد ارزیابی قرار گرفت. نتایج به دست آمده به شرح زیر است:
  • در منطقه خاک لخت، SI های ساخته شده بر اساس OR و RR همبستگی بالاتری با SOMC دارند. برای همان طیف تبدیل شده، SI های محاسبه شده توسط RI و NDI دارای بالاترین همبستگی با SOMC و به دنبال آن DI هستند. در بین تمام SI های ساخته شده، OR-RI (۶۵۴۶۷۹) بیشترین همبستگی را با SOMC دارد و ضریب همبستگی آن است. ۰٫۶۲۷٫ در منطقه پوشیده از پوشش گیاهی، همبستگی بین SOMC و SI بر اساس RR بالاتر از سایر طیف های تبدیل شده است. در بین فرمول های شاخص مختلف، همبستگی بین SI های محاسبه شده توسط DSI و DI و SOMC بیشتر از RI و NDI است. ضریب همبستگی بین V-RR-DSI (۵۵۱,۱۹۹۸) و SOMC 0.639- است که بالاترین میزان در بین تمام SI های محاسبه شده است.
  • نتایج نشان می‌دهد که از SI بهینه می‌توان برای ارائه روند توزیع فضایی SOMC و شناسایی سطوح SOMC استفاده کرد. بر اساس SI های بهینه، SOMC پیش بینی شده توسط مدل رابطه خطی خوبی با SOMC واقعی نمونه ها دارد. R2 ، RMSE و RPD نتایج پیش‌بینی ترکیبی خاک و پوشش گیاهی به ترتیب ۰٫۷۷۵، ۳٫۷۲ گرم بر کیلوگرم و ۲٫۱۲ است .
به طور کلی، SI های بهینه ساخته شده در این مطالعه پایدار، ساده برای محاسبه هستند و می توانند به عنوان پارامترهای ضروری برای تخمین SOMC مورد استفاده قرار گیرند و پتانسیل زیادی در پیش بینی SOMC با استفاده از داده های AHSI/ZY1-02D ​​نشان می دهند. علاوه بر این، عملکرد کاربرد SIs بهینه در مناطق مختلف، فصول رشد پوشش گیاهی و انواع خاک باید بیشتر مورد مطالعه قرار گیرد.

منابع

  1. لو، ز. وانگ، ای. Sun، OJ تغییر کربن خاک و پاسخ آن به شیوه های کشاورزی در اکوسیستم های کشاورزی استرالیا: بررسی و سنتز. ژئودرما ۲۰۱۰ ، ۱۵۵ ، ۲۱۱-۲۲۳٫ [ Google Scholar ] [ CrossRef ]
  2. نوسیتا، م. استیونز، ای. ون وسمائل، بی. آیتکنهد، ام. باخمن، ام. بارتز، بی. Dor، EB; براون، دی جی; کلروت، ام. Csorba، A.; و همکاران طیف سنجی خاک: جایگزینی برای شیمی مرطوب برای پایش خاک. Adv. آگرون. ۲۰۱۵ ، ۱۳۲ ، ۱۳۹-۱۵۹٫ [ Google Scholar ] [ CrossRef ]
  3. سیلی، بی. ولهام، سی. Blanco، JA به سمت استفاده از ماده آلی خاک به عنوان شاخص بهره وری اکوسیستم جنگل: استخراج آستانه ها، توسعه سیستم های نظارت و ارزیابی شیوه ها. Ecol. اندیک. ۲۰۱۰ ، ۱۰ ، ۹۹۹-۱۰۰۸٫ [ Google Scholar ] [ CrossRef ]
  4. شش، جی. Paustian، K. مواد آلی خاک مرتبط با سنگدانه به عنوان یک ویژگی اکوسیستم و یک ابزار اندازه گیری. بیول خاک بیوشیمی. ۲۰۱۴ ، ۶۸ ، A4. [ Google Scholar ] [ CrossRef ]
  5. کاستالدی، اف. پالمبو، ا. سانتینی، اف. پاسکوچی، اس. پیگناتی، اس. Casa, R. ارزیابی پتانسیل تصویرسازهای چندطیفی و فراطیفی فعلی و آینده برای تخمین بافت خاک و کربن آلی. سنسور از راه دور محیط. ۲۰۱۶ ، ۱۷۹ ، ۵۴-۶۵٫ [ Google Scholar ] [ CrossRef ]
  6. شی، تی. لیو، اچ. چن، ی. وانگ، جی. Wu, G. برآورد آرسنیک در خاکهای کشاورزی با استفاده از شاخصهای پوشش گیاهی فراطیفی برنج. جی. هازارد. ماتر ۲۰۱۶ ، ۳۰۸ ، ۲۴۳-۲۵۲٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  7. وی، ال. یوان، ز. وانگ، ز. ژائو، ال. ژانگ، ی. لو، ایکس. Cao, L. وارونگی فراطیفی محتوای مواد آلی خاک بر اساس مدل شاخص طیفی ترکیبی. Sensors ۲۰۲۰ , ۲۰ , ۲۷۷۷٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  8. Rathod، PH; Rossiter، DG; Noomen، MF; Rathod، PH; Rossiter، DG; نومن، حسگر طیفی پروگزیمال MF برای نظارت بر گیاه پالایی خاک‌های آلوده به فلز. بین المللی J. Phytoremediation ۲۰۱۳ ، ۱۵ ، ۴۰۵-۴۲۶٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  9. لاگاچری، پ. مک‌براتنی، AB سیستم‌های اطلاعاتی خاک و سیستم‌های استنتاج فضایی خاک: دیدگاه‌هایی برای نقشه‌برداری دیجیتالی خاک. توسعه دهنده علم خاک ۲۰۰۶ ، ۳۱ ، ۳-۲۲٫ [ Google Scholar ] [ CrossRef ]
  10. منگ، ایکس. بائو، ی. لیو، جی. لیو، اچ. ژانگ، ایکس. ژانگ، ی. وانگ، پی. تانگ، اچ. کنگ، F. مدل پیش بینی کربن آلی خاک منطقه ای بر اساس تجزیه و تحلیل موجک گسسته داده های ماهواره ای ابرطیفی. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۲۰ , ۸۹ , ۱۰۲۱۱۱٫ [ Google Scholar ] [ CrossRef ]
  11. شانگ، ک. شیائو، سی. گان، اف. وی، اچ. برآورد محتوای مس خاک در منطقه معدنی با استفاده از داده های فراطیفی ماهواره ای ZY1-02D. J. Appl. Remote Sens. ۲۰۲۱ , ۱۵ , ۰۴۲۶۰۷٫ [ Google Scholar ] [ CrossRef ]
  12. وانگ، جی. او، تی. Lv، C.; چن، ی. Jian, W. نقشه برداری مواد آلی خاک بر اساس واحدهای پاسخ طیفی تخریب زمین با استفاده از تصاویر Hyperion. بین المللی J. Appl. زمین Obs. Geoinf. ۲۰۱۰ ، ۱۲ ، S171–S180. [ Google Scholar ] [ CrossRef ]
  13. تیواری، SK; ساها، SK; کومار، اس. مدل‌سازی پیش‌بینی و نقشه‌برداری محتوای کربن خاک با استفاده از شبکه عصبی مصنوعی، داده‌های ماهواره‌ای ابرطیفی و طیف‌سنجی میدانی. Adv. Remote Sens. ۲۰۱۵ ، ۴ ، ۶۳-۷۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  14. عمادی، م. تقی زاده مهرجردی، ر. چراتی، ع. دانش، م. موسوی، ع. شولتن، تی. پیش‌بینی و نقشه‌برداری کربن آلی خاک با استفاده از الگوریتم‌های یادگیری ماشین در شمال ایران. Remote Sens. ۲۰۲۰ , ۱۲ , ۲۲۳۴٫ [ Google Scholar ] [ CrossRef ]
  15. کتاب آشپزی نقشه برداری کربن آلی خاک فائو ; فائو: رم، ایتالیا، ۲۰۱۷; شابک ۹۷۸۹۲۵۱۳۰۴۴۰۲٫
  16. ونتر، ZS; هاوکینز، HJ; کرامر، MD; Mills, AJ نقشه برداری از ذخایر کربن آلی خاک و روندها با نقشه های ماهواره ای با وضوح بالا در آفریقای جنوبی. علمی کل محیط. ۲۰۲۱ , ۷۷۱ , ۱۴۵۳۸۴٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  17. دانلون، سی جی; کالن، آر. جولیچی، ال. ویلومیر، پی. فرانسیس، CR; کوشنروس، ام. سیمپسون، دبلیو. بوریده، ع. کالنو، ام. برتونی، ر. و همکاران ماموریت Copernicus Sentinel-6: افزایش تداوم اندازه گیری های ماهواره ای سطح دریا از فضا. سنسور از راه دور محیط. ۲۰۲۱ ، ۲۵۸ ، ۱۱۲۳۹۵٫ [ Google Scholar ] [ CrossRef ]
  18. آرتور اندزلی، ک. کیمبال، جی اس. رایشل، RH; Watts، JD نظارت ماهواره ای دینامیک کربن آلی خاک سطحی جهانی با استفاده از محصول کربن سطح ۴ SMAP. جی. ژئوفیس. Res. Biogeosci. ۲۰۲۰ ، ۱۲۵ ، ۱-۱۸٫ [ Google Scholar ] [ CrossRef ]
  19. کلارک، RN; پادشاه، TVV; کلجوا، م. Swayze، GA طیف سنجی بازتابی با وضوح طیفی بالا از مواد معدنی. جی. ژئوفیس. Res. زمین جامد ۱۹۹۰ ، ۹۵ ، ۱۲۶۵۳-۱۲۶۸۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  20. Ben-dor، E. تجزیه و تحلیل مادون قرمز نزدیک به عنوان یک روش سریع برای ارزیابی همزمان چندین ویژگی خاک. علم خاک Soc. صبح. J. ۱۹۹۵ ، ۵۹ ، ۳۶۴-۳۷۲٫ [ Google Scholar ] [ CrossRef ]
  21. کریشنان، پی. الکساندر، جی دی. باتلر، بی جی; Hummel، JW Reflectance Technique برای پیش بینی مواد آلی خاک. علم خاک Soc. صبح. J. ۱۹۸۰ , ۴۴ , ۱۲۸۲-۱۲۸۵٫ [ Google Scholar ] [ CrossRef ]
  22. Bartholomeus، HM; Schaepman، ME; کویسترا، ال. استیونز، ای. Hoogmoed، WB; Spaargaren، OSP شاخص های مبتنی بر بازتاب طیفی برای کمی سازی کربن آلی خاک. ژئودرما ۲۰۰۸ ، ۱۴۵ ، ۲۸-۳۶٫ [ Google Scholar ] [ CrossRef ]
  23. جین، ایکس. دو، ج. لیو، اچ. وانگ، ز. Song، K. تخمین از راه دور محتوای ماده آلی خاک در دشت سانجیانگ، شمال غرب چین: الگوریتم باند بهینه در مقابل مدل GRA-ANN. کشاورزی برای. هواشناسی ۲۰۱۶ ، ۲۱۸ ، ۲۵۰-۲۶۰٫ [ Google Scholar ] [ CrossRef ]
  24. پرسکات، CE; مینارد، دی جی؛ لایهو، آر. هوموس در جنگل های شمال: دوست یا دشمن؟ برای. Ecol. مدیریت کنید. ۲۰۰۰ ، ۱۳۳ ، ۲۳-۳۶٫ [ Google Scholar ] [ CrossRef ]
  25. مونسون، SA; Carey، AE منابع مواد آلی و حمل و نقل در یک حوزه آبخیز معتدل تحت سلطه کشاورزی. Appl. ژئوشیمی. ۲۰۰۴ ، ۱۹ ، ۱۱۱۱-۱۱۲۱٫ [ Google Scholar ] [ CrossRef ]
  26. ژانگ، ی. گوا، ال. چن، ی. شی، تی. لو، ام. Ju، QL; ژانگ، اچ. وانگ، اس. پیش‌بینی کربن آلی خاک بر اساس داده‌های NDVI ماهانه Landsat 8 برای دشت Jianghan در استان هوبی، چین. Remote Sens. ۲۰۱۹ ، ۱۱ ، ۱۶۸۳٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  27. تاکاتا، Y. تجزیه و تحلیل تغییرات مکانی و زمانی بودجه کربن آلی خاک در شمال قزاقستان. Jpn. کشاورزی Res. Q. ۲۰۱۰ , ۴۴ , ۳۳۵-۳۴۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  28. ژائو، ام اس؛ Rossiter، DG; لی، دی سی; ژائو، YG; لیو، اف. Zhang، GL نقشه برداری مواد آلی خاک در مناطق کم ریلف بر اساس اختلاف دمای روزانه سطح زمین و شاخص پوشش گیاهی. Ecol. اندیک. ۲۰۱۴ ، ۳۹ ، ۱۲۰-۱۳۳٫ [ Google Scholar ] [ CrossRef ]
  29. کومار، پی. پاندی، رایانه شخصی؛ سینگ، بی کی؛ کتیار، س. ماندال، معاون; رانی، م. تومار، وی. Patairiya, S. برآورد ذخیره کربن آلی انباشته خاک در جنگل های استوایی با استفاده از استراتژی جغرافیایی. مصر. J. Remote Sens. Sp. علمی ۲۰۱۶ ، ۱۹ ، ۱۰۹-۱۲۳٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  30. شویانگ-اطلاعات هواشناسی-شبکه هواشناسی چین. در دسترس آنلاین: http://www.weather.com.cn/cityintro/101191302.shtml (در ۱۹ ژانویه ۲۰۲۲ قابل دسترسی است).
  31. زنگ، ی. گوا، اچ. یائو، ی. Huang, L. تشکیل خوشه های تجارت الکترونیک کشاورزی: ​​موردی از چین. رشد چانگ. ۲۰۱۹ ، ۵۰ ، ۱۳۵۶–۱۳۷۴٫ [ Google Scholar ] [ CrossRef ]
  32. یانگ، SC; هوانگ، ZM; هوانگ، سی. تسای، سی سی; Yeh, TK مطالعه موردی بر روی تأثیر جذب داده‌های مجموعه با تأخیر کل GNSS-اوج و داده‌های رادار بر پیش‌بینی بارش شدید. دوشنبه Weather Rev. ۲۰۲۰ , ۱۴۸ , ۱۰۷۵–۱۰۹۸٫ [ Google Scholar ] [ CrossRef ]
  33. پایگاه داده جهانی خاک (نسخه ۱٫۱). در دسترس آنلاین: https://geodata.pku.edu.cn/index.php?c=content&a=show&id=730# (در ۱۹ ژانویه ۲۰۲۲ قابل دسترسی است).
  34. شی، ایکس. یو، دی. سان، دبلیو. وانگ، اچ. ژائو، کیو. گونگ، Z. معیارهای مرجع مربوط به گروه‌های بزرگ طبقه‌بندی ژنتیکی خاک چین با طبقه‌بندی خاک. چانه. علمی گاو نر ۲۰۰۴ ، ۴۹ ، ۱۵۰۷-۱۵۱۱٫ [ Google Scholar ] [ CrossRef ]
  35. شین، ز. هوانگ، بی. دونگ، CS; ویسیا، اس. هو، وای؛ تیان، ک. تنوع زمانی-مکانی ماده آلی خاک و نیتروژن کل در زمین های کشاورزی و عوامل موثر بر آن در شهرستان شویانگ، استان جیانگ سو. خاک ۲۰۱۳ ، ۴۵ ، ۴۰۵-۴۱۱٫ [ Google Scholar ] [ CrossRef ]
  36. مطبوعات، WH; Teukolsky, SA فیلترهای صاف کننده Savitzky-Golay. محاسبه کنید. فیزیک ۱۹۹۰ , ۴ , ۶۶۹٫ [ Google Scholar ] [ CrossRef ]
  37. گیتلسون، ا. مرزلیاک، MN تغییرات بازتاب طیفی مرتبط با پیری پاییزی برگ‌های Aesculus hippocastanum L. و Acer platanoides L.. ویژگی های طیفی و ارتباط با تخمین کلروفیل. J. گیاه فیزیول. ۱۹۹۴ ، ۱۴۳ ، ۲۸۶-۲۹۲٫ [ Google Scholar ] [ CrossRef ]
  38. سیمز، دی. Gamon، JA روابط بین محتوای رنگدانه برگ و بازتاب طیفی در طیف گسترده ای از گونه ها، ساختارهای برگ و مراحل رشد. سنسور از راه دور محیط. ۲۰۰۲ ، ۸۱ ، ۳۳۷-۳۵۴٫ [ Google Scholar ] [ CrossRef ]
  39. وانگ، ایکس. ژانگ، اف. کونگ، اچ تی. جانسون، وی سی روش های جدید برای بهبود تخمین سنجش از دور محتوای ماده آلی خاک (SOMC) در ذخیره گاه طبیعی ملی تالاب دریاچه Ebinur (ELWNNR) در شمال غربی چین. سنسور از راه دور محیط. ۲۰۱۸ ، ۲۱۸ ، ۱۰۴-۱۱۸٫ [ Google Scholar ] [ CrossRef ]
  40. چن، اچ. پان، تی. چن، جی. انتخاب باند موج Lu، Q. برای تجزیه و تحلیل طیف‌سنجی NIR مواد آلی خاک بر اساس روش‌های هموارسازی SG و MWPLS. شیمی. هوشمند آزمایشگاه. سیستم ۲۰۱۱ ، ۱۰۷ ، ۱۳۹-۱۴۶٫ [ Google Scholar ] [ CrossRef ]
  41. لارنی، اف جی; الرت، بی اچ. روابط اولسون، AF کربن، خاکستر و مواد آلی برای کودهای دامی و کمپوست. می توان. J. Soil Sci. ۲۰۰۵ ، ۸۵ ، ۲۶۱-۲۶۴٫ [ Google Scholar ] [ CrossRef ]
  42. لو، کیو. وانگ، اس. بای، ایکس. لیو، اف. تیان، اس. وانگ، ام. Wang, J. برآورد سریع محتوای نیکل فلز سنگین خاک بر اساس غربالگری بهینه باندهای طیفی مادون قرمز نزدیک. Acta Geochim. ۲۰۲۰ ، ۳۹ ، ۱۱۶-۱۲۶٫ [ Google Scholar ] [ CrossRef ]
  43. بن دور، ای. اینبار، ی. چن، ی. طیف بازتاب مواد آلی در ناحیه مادون قرمز نزدیک به مادون قرمز و موج کوتاه مرئی (۴۰۰-۲۵۰۰ نانومتر) در طی یک فرآیند تجزیه کنترل شده. سنسور از راه دور محیط. ۱۹۹۷ ، ۶۱ ، ۱-۱۵٫ [ Google Scholar ] [ CrossRef ]
  44. ادوارد، ام. بارنز، کنت آ. سودوت، جان دبلیو. هومل، اسکات ام. لش، DLC; تکنیک‌های سنسور Chenghai Yang، Craig ST Daughtry و WCB از راه دور و زمین برای نقشه‌برداری از ویژگی‌های خاک. اشتراک. علم خاک گیاه مقعد. ۲۰۱۵ ، ۴۶ ، ۱۶۶۸-۱۶۷۶٫ [ Google Scholar ] [ CrossRef ]
  45. لادونی، م. علویف، اسکا. بهرامی، ح. نوروزی، AA سنجش از دور کربن آلی خاک در منطقه نیمه خشک ایران. Arid L. Res. مدیریت ۲۰۱۰ ، ۲۴ ، ۲۷۱-۲۸۱٫ [ Google Scholar ] [ CrossRef ]
  46. یداو، ج. Sehra، K. در مقیاس بزرگ Dual Tree Complex Wavelet Transform ویژگی‌های قوی در زیرفضای PCA و SVD برای واترمارکینگ تصویر دیجیتال. Procedia Comput. علمی ۲۰۱۸ ، ۱۳۲ ، ۸۶۳-۸۷۲٫ [ Google Scholar ] [ CrossRef ]
  47. جورج، جی. کومار، S. سنجش از دور فراطیفی در مشخص کردن شدت شوری خاک با استفاده از تکنیک SVM – مطالعه موردی دشت‌های آبرفتی. بین المللی J. Adv. از راه دور. Sens. GIS ۲۰۱۵ ، ۴ ، ۱۳۴۴-۱۳۶۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  48. منگ، ایکس. بائو، ی. بله، س. لیو، اچ. ژانگ، ایکس. تانگ، اچ. Zhang, X. مدل پیش‌بینی مواد آلی خاک با تصویر فراطیفی ماهواره‌ای بر اساس روش حذف نویز بهینه. Remote Sens. ۲۰۲۱ , ۱۳ , ۲۲۷۳٫ [ Google Scholar ] [ CrossRef ]
  49. یوان، جی. وانگ، ایکس. Yan، CX; وانگ، اس آر. Ju، XP; Li، Y. مدل بازیابی رطوبت خاک برای سنجش از دور با استفاده از اطلاعات فراطیفی منعکس شده. Remote Sens. ۲۰۱۹ , ۱۱ , ۳۶۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  50. Haubrock، SN; چابریلات، س. لمنیتز، سی. کافمن، اچ. مدل‌های کمی‌سازی رطوبت خاک سطحی از داده‌های بازتاب تحت شرایط مزرعه. بین المللی J. Remote Sens. ۲۰۰۸ ، ۲۹ ، ۳-۲۹٫ [ Google Scholar ] [ CrossRef ]
  51. نوسیتا، م. استیونز، ای. ظهر، سی. Van Wesmael, B. پیش‌بینی کربن آلی خاک برای سطوح مختلف رطوبت خاک با استفاده از طیف‌سنجی Vis-NIR. ژئودرما ۲۰۱۳ ، ۱۹۹ ، ۳۷-۴۲٫ [ Google Scholar ] [ CrossRef ]
  52. Daughtry، CST Agroclimatology: تمایز بقایای محصول از خاک توسط بازتاب مادون قرمز موج کوتاه. آگرون. J. ۲۰۰۱ ، ۹۳ ، ۱۲۵-۱۳۱٫ [ Google Scholar ] [ CrossRef ]
  53. Bartholomeusa, H. بازیابی کمی کربن آلی خاک با استفاده از طیف سنجی آزمایشگاهی و شاخص های طیفی. در مجموعه مقالات سمپوزیوم کمیسیون هفتم ISPRS «حسگر از راه دور: از پیکسل ها تا فرآیندها»، Enschede، هلند، ۸ تا ۱۱ مه ۲۰۰۶٫ [ Google Scholar ]
  54. Daughtry، CST; هانت، ای آر. McMurtrey، JE ارزیابی پوشش باقی مانده محصول با استفاده از بازتاب مادون قرمز موج کوتاه. سنسور از راه دور محیط. ۲۰۰۴ ، ۹۰ ، ۱۲۶-۱۳۴٫ [ Google Scholar ] [ CrossRef ]
  55. چهل، تی. بارت، اف. ژاکمود، اس. اشماک، جی. Verdebout، J. خواص نوری برگ با توصیف صریح ترکیب بیوشیمیایی آن: مشکلات مستقیم و معکوس. سنسور از راه دور محیط. ۱۹۹۶ ، ۵۶ ، ۱۰۴-۱۱۷٫ [ Google Scholar ] [ CrossRef ]
  56. ملیلو، جی.ام. آبر، ج.د. موراتوره، جی اف. ژوئن، N. نیتروژن و لیگنین کنترل دینامیک تجزیه بستر برگ چوب سخت. اکولوژی ۲۰۰۸ ، ۶۳ ، ۶۲۱-۶۲۶٫ [ Google Scholar ] [ CrossRef ]
  57. سرانو، ال. پنیولاس، جی. Ustin، SL سنجش از دور نیتروژن و لیگنین در پوشش گیاهی مدیترانه از داده های AVIRIS. سنسور از راه دور محیط. ۲۰۰۲ ، ۸۱ ، ۳۵۵-۳۶۴٫ [ Google Scholar ] [ CrossRef ]
  58. وانگ، ک. چی، ی. گوو، دبلیو. ژانگ، جی. چانگ، Q. بازیابی و نقشه برداری کربن آلی خاک با استفاده از تصاویر طیفی نگهبان-۲A از زمین های زراعی خالی در پاییز. Remote Sens. ۲۰۲۱ , ۱۳ , ۱۰۷۲٫ [ Google Scholar ] [ CrossRef ]
  59. ولیخه، پ. Quansah, JE; سقوط.؛ McElhenney, W. برآورد درصد رطوبت خاک با استفاده از شاخص تنش رطوبتی مبتنی بر LANDSAT. J. Remote Sens. GIS ۲۰۱۷ ، ۶ ، ۱-۵٫ [ Google Scholar ] [ CrossRef ]
  60. Marsett، RC; چی، جی. هیلمن، پی. Biedenbender، SH; واتسون، ام سی؛ عامر، اس. ولتز، ام. گودریچ، دی. Marsett, R. سنجش از دور برای مدیریت علفزار در جنوب غربی خشک. رنگل. Ecol. مدیریت ۲۰۰۶ ، ۵۹ ، ۵۳۰-۵۴۰٫ [ Google Scholar ] [ CrossRef ]
  61. گوو، پی. لی، تی. گائو، اچ. چن، ایکس. Cui, Y. ارزیابی کالیبراسیون و روش‌های انتخاب متغیر طیفی برای پیش‌بینی سه عنصر غذایی خاک با استفاده از طیف‌سنجی Vis-NIR. Remote Sens. ۲۰۲۱ , ۱۳ , ۴۰۰۰٫ [ Google Scholar ] [ CrossRef ]
  62. ژانگ، Q. یوان، Q. لی، جی. لیو، ایکس. شن، اچ. Zhang، L. حذف نویز هیبریدی در تصاویر فراطیفی با یک شبکه گرادیان فضایی-طیفی. IEEE Trans. Geosci. Remote Sens. ۲۰۱۹ , ۵۷ , ۷۳۱۷–۷۳۲۹٫ [ Google Scholar ] [ CrossRef ]
  63. لی، سی. ژو، سی. ما، ال. تانگ، ال. وانگ، ایکس. روش حذف نویز راه راه تصاویر فراطیفی تداخلی بر اساس تصحیح تداخل. فرآیند سیگنال تصویر Remote Sens. XVIII ۲۰۱۲ , ۸۵۳۷ , ۸۵۳۷۰A. [ Google Scholar ] [ CrossRef ]
  64. راستی، ب. Scheunders، P. غمیسی، پ. لیکیاردی، جی. Chanussot، J. کاهش نویز در تصاویر فراطیفی: بررسی اجمالی و کاربرد. Remote Sens. ۲۰۱۸ , ۱۰ , ۴۸۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  65. هونگ، ی. یو، ال. چن، ی. لیو، ی. لیو، ی. لیو، ی. چنگ، اچ. پیش‌بینی مواد آلی خاک با استفاده از طیف‌سنجی VIS-NIR با استفاده از شاخص رطوبت نرمال شده خاک به عنوان نماینده رطوبت خاک. Remote Sens. ۲۰۱۸ , ۱۰ , ۲۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  66. لو، ی. بای، ی. یانگ، ال. وانگ، اچ. استخراج فراطیفی محتوای مواد آلی خاک بر اساس رگرسیون اجزای اصلی. NZJ Agric. Res. ۲۰۰۷ ، ۵۰ ، ۱۱۶۹-۱۱۷۵٫ [ Google Scholar ] [ CrossRef ]
  67. پرنده، JA; ون کسل، سی. Horwath، WR تثبیت کربن ۱۳C و تثبیت ۱۵N-نیتروژن از کاه برنج در فراکسیون های هیومیک. علم خاک Soc. صبح. J. ۲۰۰۳ , ۶۷ , ۸۰۶-۸۱۶٫ [ Google Scholar ] [ CrossRef ]
  68. هوانگ، آر. لان، ام. لیو، جی. گائو، M. خاکدانه ها و توزیع کربن آلی در خاک خشک و خاک شالیزاری: نقش کاه های مختلف برگشتی. محیط زیست علمی آلودگی Res. ۲۰۱۷ ، ۲۴ ، ۲۷۹۴۲–۲۷۹۵۲٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  69. گائو، جی. پان، جی. جیانگ، ایکس. پان، جی. Zhuang، D. تغییرات ناشی از استفاده از زمین در ذخیره کربن آلی خاک سطحی مزارع شالیزاری با استفاده از تجزیه و تحلیل MODIS و TM / ETM: مطالعه موردی شهرستان Wujiang، چین. جی. محیط زیست. علمی ۲۰۰۸ ، ۲۰ ، ۸۵۲-۸۵۸٫ [ Google Scholar ] [ CrossRef ]
  70. غرب، TO; مارلند، جی. ترکیبی از ترسیب کربن، انتشار کربن، و شار خالص کربن در کشاورزی: ​​مقایسه شیوه‌های خاک‌ورزی در ایالات متحده. کشاورزی اکوسیستم. محیط زیست ۲۰۰۸ ، ۹۱ ، ۲۱۷-۲۳۲٫ [ Google Scholar ] [ CrossRef ]
  71. ویزمایر، ام. فون لوتزو، ام. اسپورلاین، پی. گئوس، یو. هانگن، ای. رایشل، آ. شیلینگ، بی. Kögel-knabner, I. اثرات کاربری زمین بر ذخیره کربن آلی در خاک های بایرن: اهمیت انواع خاک. خاک ورزی خاک Res. ۲۰۱۵ ، ۱۴۶ ، ۲۹۶-۳۰۲٫ [ Google Scholar ] [ CrossRef ]
شکل ۱٫ نمای کلی منطقه مورد مطالعه و نقاط نمونه برداری: ( الف ) مکان، ( ب ) انواع خاک، و ( ج ) انواع کاربری.
شکل ۲٫ ( الف ) تصویر ماهواره‌ای با رنگ واقعی (R: 662 نانومتر، G: 551 نانومتر، B: 482 نانومتر) داده‌های تصویرگر ابرطیفی پیشرفته (AHSI) ماهواره ZY1-02D ​​به‌دست‌آمده در ۲۲ اکتبر ۲۰۲۰، در شهرستان شویانگ ، ( ب ) طرحواره روش پنج نقطه ای، ( ج ) توزیع خاک لخت و مناطق پوشیده از پوشش گیاهی.
شکل ۳٫ نمودار جریان تحقیق.
شکل ۴٫ طیف بازتاب نمونه های خاک با محتوای مواد آلی مختلف خاک (SOMC) در ( الف ) خاک لخت و ( ب ) منطقه پوشش گیاهی.
شکل ۵٫ ماتریس ضریب همبستگی شاخص های طیفی (SIs) و SOMC نمونه های خاک در ناحیه خاک لخت.
شکل ۶٫ ماتریس ضریب همبستگی SIs و SOMC نمونه های خاک در منطقه تحت پوشش گیاهی.
شکل ۷٫ همبستگی های SOMC و SI های مختلف.
شکل ۸٫ ( الف ) شناخت سطوح SOMC در نمونه‌های خاک در ناحیه زمین کشت شده شهرستان شویانگ و ( ب ) جزئیات بزرگ شدن جزئی.
شکل ۹٫ دقت پیش‌بینی SOMC در زمین زیر کشت شهرستان شویانگ.
شکل ۱۰٫ تصاویر بازتابی پس از تبدیل های طیفی مختلف در ۶۴۵ نانومتر (از داده های AHSI/ZY1-02D). معانی OR، RR، SRR، FDR، RFDR، SRFDR و SDR با جدول ۲ مطابقت دارد.
شکل ۱۱٫ حداکثر ضریب همبستگی بین SOMC از SIs ساخته شده توسط ترکیب های مختلف تبدیل طیفی و فرمول های شاخص.
شکل ۱۲٫ توزیع SOMC در انواع کاربری های مختلف (( الف ) شالیزار، ( ب ) زمین خشک و ( ج ) نهالستان) در شهرستان شویانگ.

بدون دیدگاه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

خانهدربارهتماسارتباط با ما