Comparison of soil organic carbon estimation using remote sensing and Near Infrared spectrum in forest and agricultural land uses in Gyan area, Hamadan province
Subject Areas : Natural resources and environmental managementSoheilasadat Hashemi 1 , Parinaz Abdoli 2
1 - Assistant prof. Soil Science Department. Malayer University
2 - MSc student, Malayer university
Keywords: remote sensing, Landuse change, Band7, Near-Infrared,
Abstract :
In this study, the relationship between spectral reflections using Landsat 8 satellite sensors and near infrared spectrum with 48 soil samples were investigated in agricultural and forestry uses in Gyan Nahavand, Hamadan province . Soil samples were collected from 0-30 cm depth, randomly. The analysis of the correlation between main bands, artificial bands and soil surface organic carbon, as well as vegetation indices, composition of indicators and soil surface organic carbon were performed. Spectral analysis of soils using field spectrometer with wavelength range of 350-2500 nm was conducted. After recording the spectra, a variety of pre-processing methods were evaluated. The results showed that in the remote sensing method, only the 11 band shows a significant correlation at the level of 5% with organic carbon in agricultural. Also, band composition (band7/ band8) had a significant correlation at the level of 1% with organic carbon content. Three vegetation indices, NDVI, DVI and RAI with organic carbon showed a significant correlation at the level of 5%. The correlation between the calculated organic carbon in the laboratory and the image in agricultural land use was achieved R2 = 0.36. While the correlation of calculated organic carbon in the laboratory and the image was calculated (R2=0.32) at all points. In the spectroscopy method, the highest correlations were observed at wavelengths of 1404, 1907, and 2216, respectively. Among the fitted models given by the multiple regression, stepwise model is proposed for the estimation of organic carbon, a suitable model. Consequently if the number of samples is very low, the laboratory method may be appropriate, but if the number of samples is too high, the spectroscopy method is appropriate to save time, and in order to save costs. Due to the high cost of spectroscopy in Iran, the method of remote sensing is propose as appropriate method.
_||_
مقایسه برآورد کربن آلی خاک با استفاده از طیفسنجی فروسرخ نزدیک و تصاویر ماهوارهای در کاربریهای کشاورزی و جنگل در منطقه گیان
چکيده
در این مطالعه ارتباط بین انعکاس طیفی کربن آلی خاک از ماهوارهای لندست 8 و طیفسنجی فروسرخ، در 48 نمونه خاک در کاربریهای کشاورزی و جنگل بکر در دشت گیان نهاوند، استان همدان، مورد بررسی قرار گرفت. نمونههای خاک از عمق 0 تا 30 سانتیمتری بهطور تصادفی جمعآوری شدند. آنالیز همبستگی بین باندهای اصلی، باندهای ترکیبی، شاخصهای گیاهی و ترکیب شاخصها با میزان کربن آلی خاک انجام گرفت. همچنین آنالیز طیفی خاک با کمک دستگاه طیفسنج در طول موج 350 تا 2500 نانومتر انجام شد. پس از ثبت طیفها پیشپردازش آنها مورد ارزیابی قرار گرفت. نتایج نشان داد که در روش سنجش از دور تنها باند 11، با میزان کربن آلی خاک در اراضی کشاورزی همبستگی مثبت معنیداری در سطح 5 درصد دارد. همچنین نسبت باند 7 به باند 8، همبستگی مثبت معنیداری با کربن آلی خاک در سطح 1 درصد داشت. سه شاخص گیاهی NDVI، DVI و RAI، با کربن آلی خاک در سطح 5 درصد همبستگی معنیداری نشان دادند. همبستگی بین کربن آلی محاسبه شده در آزمایشگاه با تصاویر ماهوارهای در کاربری کشاورزی برابر 36/0 R2 = بود. در حالیکه همبستگی کربن آلی با تصاویر ماهوارهای برای کل نقاط مورد مطالعه برابر 32/0 R2= بدست آمد. در روش طیفسنجی بالاترین همبستگی در طول موجهای 1404، 1907 و 2216 نانومتری مشاهده شد. در بین مدلهای برازش داده شده به کمک رگرسیون چندتایی، مدل گام به گام بهترین مدل برای تخمین کربن آلی پیشنهاد شد. بهطور کلی اگر تعداد نمونهها خیلی کم باشد، روش آزمایشگاهی مناسب بوده، اما اگر نمونهها زیاد باشد، روش طیفسنجی برای صرف زمان و هزینه مناسب است. در ایران بدلیل قیمت بالای روش طیفسنجی، روش سنجش از دور برای تخمین پیشنهاد میگردد.
واژههاي کليدي: تغییر کاربری، باند 7، سنجش از دور، فروسرخ نزدیک
مقدمه
مقدار کربن آلی خاک بهعنوان یکی از مهم‌ترین شاخصهای مرتبط با کیفیت خاک مطرح و در بسیاری از روابط کیفی خاک مدنظر قرار گرفته است. در بسیاری از موارد کاهش مقدار کربن آلی خاک بهعنوان مناسبترین روش ارزیابی شروع تخریب اراضی مورد توجه میباشد (2). اطلاع از مقدار کربن آلی خاک به‌ویژه در مقیاس مکانی بزرگ نیاز به نمونهبرداری زیاد خاک و اندازه‌گیری‌های متعدد آزمایشگاهی است که خود هزینه و زمان زیادی را می‌طلبد. مقدار ماده آلی سطحی خاک در طبیعت دارای تغییرات زمانی و مکانی بوده، که برآورد میزان آن توسط تکنیک‌های نوین از جمله سنجش از دور قابل بررسی است. با استفاده از دادههای سنجش از راه دور میتوان با صرف وقت و هزینه کمتر به اطلاعات دقیق‌تر و قابل اطمینانی در رابطه با ویژگیهای محیط و تغییرات آنها در مکان و زمان دست یافت (17). وانگ و همکاران (25) با کمک تصاویر لندست TM و مدل PALSAR محتوی کربن آلی را در چند کاربری (کشت دیم، کشت آبی، جنگل های سوزنی برگ و پهن برگ، مراتع، بوته زارها و علفزارها) در سرزمین اسپانیا مورد بررسی قرار دادند. نتایج نشان داد که استفاده ترکیبی از هر دو تصویر دارای درجه همبستگی بیشتری برای کربن آلی است. در بین شش باند اصلی مورد استفاده، باند هفت، بیشترین همبستگی (برابر 3/0) و شاخص گیاهی NDVI نیز بالاترین همبستگی را در بین شاخصها (برابر 41/0) در بر داشت. کانکل و همکاران (15) در برآورد کربن آلی در مناطق تحت چرا در حوضه آبریز رودخانههای کرووی و مریوا در شرق استرالیا از شاخصهای گیاهی NDVI و EVI با کمک تصاویر لندست استفاده کرده و بالاترین میزان رزلوشن مکانی و طیفی برای کربن در لندست 8 و شاخص EVI مشاهده گردید. ساعتیزارعی و عطائیان (21) در بررسی تغییرات کربن خاک پس از آتشسوزی در مراتع منطقه صنعتی گنبد شهرستان همدان، با کمک شاخصهای گیاهی نشان دادند که تنها شاخص HI با کربن خاک، آنهم تنها در سایت شاهد، دارای همبستگی معنیداری بوده است. نتاﻳﺞ نشان داد ﻛﻪ ﭘﺲ از ﮔﺬﺷﺖ ﺷﺶ ﻣﺎه از وﻗﻮع آﺗﺶﺳﻮزي ﺗﻐﻴﻴﺮات ﻛﺮﺑﻦ ﺧﺎكﺑﻪ ﮔﻮﻧﻪاي ﻧﺒﻮده اﺳﺖ ﻛﻪ ﺑﺘوان با شاخصهای طیفی روند آن را بررسی کنند.
در کنار علم سنجش از دور، استفاده از طیفسنجی انعکاسی مرئی- فروسرخ نزدیک در دو دهه اخیر توجهات زیادی را به خود جلب کرده است. از مهم‌ترین مزایای تکنیک طیفسنجی مرئی- فروسرخ نزدیک این است که این روش غیرمخرب، سریع، ارزان، دارای حداقل آماده‌سازی نمونه و بدون ضرر و تخریب برای محیط زیست میباشد (9). طیفسنج مرئی فروسرخ روشی سریع است که برای تجزیه و تحلیل برخی ترکیبات ضروری خاک مانند کانی‌های رسی و ماده آلی که به شدت بر شرایط رشد گیاه و تغذیه گیاه تاثیر می‌گذارند، مناسب است (26). پژوهش‌ها نشان داده است که در گستره مرئی و فروسرخ نزدیک (طول موج 400 تا 3000 نانومتر) و فروسرخ میانی (طول موج 3000 تا 30000 نانومتر) میتوان مقدار ماده آلی خاک را مورد مطالعه قرار داد. همچنین، گستره 400 تا 2500 نانومتر برای مطالعه مقدار ماده آلی خاک توصیه شده است (6). حسنی و همکاران (10) در مطالعه برخی ویژگیهای خاکهای نواحی تهران، اصفهان، قم، مرکزی و یزد، با کاربریها و منشاء متفاوت نشان دادند که همبستگی بین طیف بازتاب خاک و مقدار کربن آلی خاک برابر (49/0=R2 ) بوده و در دامنه مرئی، طیف بازتابی قابل توجه بوده است. عسکری و همکاران (2) طی مطالعه بر روی دو سیستم قابل کشت و علفزارها در ایرلند نشان دادند که طیف مرئی و فروسرخ نزدیک، میتواند شاخصهای خاک را در ارتباط با کیفیت ساختمان خاک با قابلیت اطمینان خوب، پیش‌بینی کند. بندور و بنین (6) با مطالعه بر روی 91 نمونه خاک تحت کشت در اسرائیل نشان دادند، طول موجهای 1400، 1900 و 2200 نانومتر باندهایی هستند که به بسیاری از ویژگیهای خاک از جمله مقدار کربن آلی خاک حساس هستند. بنگلسا و همکاران (5) طی مطالعهی در جهت تخمین کربن خاک در نواحی کوهستانی به شدت تخریب یافته در جنوب آفریقا با دستگاه طیفسنجی، از دو روش آماری PLSR و RF استفاده کردند. نتایج نشان داد که مدل RF دارای ضریب تببین بالاتری است. مدل PLSR دارای تناسب بهتری برای دادههای آزمایشگاهی طیفسنجی بود، اما مدل RF برای دادههای آزمایشگاهی و مزرعهای طیفسنجی، تفاوتی نشان نداد. ایشان بهترین دامنه طیفی برای بیان کربن آلی خاک را طیف مرئی عنوان کردند.
تغییر کاربری اراضی منجر به هدررفت کربن آلی خاک، کاهش قابلیت دسترسی و نگه‌داری عناصر غذایی، تغییر جامعه بیولوژیک خاک، تخریب ساختمان خاک، کاهش نفوذپذیری و هدایت هیدرولیکی خاک، افزایش رواناب سطحی، افزایش فرسایش و افزایش چگالی ظاهری خاک شده است. با توجه به تغییر کاربری اراضی مرتع و جنگل به کشاورزی در منطقه گیان، شهرستان نهاوند، و هم چنین وسعت زیاد و هزینه بالای اندازهگیری آزمایشگاهی، تصمیم بر آن شد که تغییرات ایجاد شده در میزان کربن آلی خاک در کاربریهای متفاوت، با کمک سنجش از دور و طیفسنجی بررسی شده و دو روش نامبرده با روش آزمایشگاهی مورد مقایسه قرار گرفته، تا بهترین روش برای چنین تغییراتی معرفی گردد.
مواد و روش‌ها
معرفی منطقه مورد مطالعه: منطقه مورد مطالعه واقع در دشت گیان، جنوب شهرستان نهاوند، استان همدان است. موقعیت جغرافیایی منطقه بر روی نقشه ایران در عرض جغرافیایی "5 ʹ11 ̊34 شمالی و طول جغرافیائی "56 ʹ14 ̊48 شرقی قرار گرفته است. دارای 1563 متر ارتفاع از سطح دریا است. اراضی منطقه از نظر ژئومورفولوژی در دشت دامنه‌ای و مخروط افکنه رسوب واریزه‌ای واقع شده است. بطور کلی از نظر آب و هوایی محدوده مورد مطالعه بر اساس روش دومارتن دارای اقلیم نیمهخشک با زمستان‌های سرد و تابستان‌های ملایم و خشک میباشد. متوسط نزولات جوی سالانه 354 میلی‌متر و متوسط دمای سالیانه 8/12 درجه سانتی‌گراد است. منطقه مورد مطالعه دارای رژیم رطوبتی زریک و رژیم حرارتی مزیک میباشد (4). شکل 1 موقعیت دشت گیان در استان همدان را همراه با نقاط نمونهبرداری نشان می‌دهد.
شکل 1.موقعيت منطقه مطالعاتي و نقاط نمونهبرداري بر روي حوضه مورد مطالعه
Fig1.Study area location and sampling points on the studied catchment
مطالعات صحرائي و آزمايشگاهي: نمونهبرداری خاک از عمق (30-0 سانتی‌متر) در دو کاربری جنگل طبیعی (با گونه غالب چنار، زبان گنجشک و بلوط) و کشاورزی (عمدتا کشت کلزا و چغندرقند) در منطقه گیان، در هفته اول مهرماه 1398 صورت گرفت. بعد از انجام نمونهبرداری و آماده‌سازی از بین 63 نقطه نمونهبرداری، 48 نمونه جهت تعیین پارامترهای خاک در نظر گرفته شد. برخی خصوصیات فیزیکی و شیمیائی خاکی از جمله، بافت خاک به روش هیدرومتر، مقدار کربنات کلسیم معادل با روش تیتراسیون، ظرفیت تبادل کاتیونی (CEC)، pH خاک در سوسپانسیون 1:5 خاک و آب مقطر، قابلیت هدایت الکتریکی (EC) در عصاره سوسپانسیون 1:5 خاک و آب مقطر، و کربن آلی (24) اندازهگیری شدند.
مطالعات تصویر ماهوارهای: جهت مطالعات سنجش از دور، از تصویر لندست 8 مربوط به سپتامبر 2019 برابر با اواخر مهرماه 1398، استفاده شد. شکل 2 تصویر دشت گیان و نقاط نمونهبرداری را بر روی تصویر ماهوارهای نشان می‌دهد. مقادیر محاسبه شده هر یک از قطعات نمونه در محیط ERDAS imagine 9.1 ایجاد گردید. تعیین محل قطعه نمونه با توجه به ابعاد پیکسل در درون آن بوده و محل دقیق آن عملا امکان‌پذیر نیست، لذا چهار پیکسل اطراف را بررسی کرده و میانگین آنها در نظر گرفته شد. ولیو هر باند برای 48 نقطه در محیط Excel وارد شد و در نهایت مراحل توصیف‌های آماری متغییرها انجام گرفت. تست همبستگی پیرسون و رگرسیون خطی در محیط SPSS 24.1 انجام شد. در این پژوهش، 9 شاخص پوشش گیاهی شامل NDVI، DVI، MSI، RAI، SAVI، ARVI، IPVI،MSR ، OSAVI و دو شاخص روشنایی شامل BI، NDBI و ترکیب شاخصها و ترکیب باندهای اصلی برای کربن آلی مورد استفاده قرار گرفت (جدول 1).
شکل 2.پراکنش نقاط نمونهبرداری بر روی تصویر ماهوارهای
Figure 2.The scattering of sample points on satellite image
جدول 1. مشخصات شاخصهای طیفی و معادلات آنها
Table 1.Spectral Indices properties and their equations
شاخصIndex | نام کامل شاخص | معادله Equation | ||||||||
NDVI
| Normalized Difference Vegetation Index | (Band5-Band4)/(Band5+Band4) | ||||||||
DVI
| Difference Vegetation Index | Band5-Band4 | ||||||||
MSI
| Moisture Stress Index | Band6/Band5 | ||||||||
RAI
| Rainfall Anomlay Index | Band5/(Band4+Band6) | ||||||||
SAVI
| Soil Adjusted Vegation Index | (Band5-Band4)/(Band5+Band4+L)(1+L) L=1 پوشش گیاهی کم | ||||||||
AVRI
| Atmospherically Resistant Vegetation Index | (Band5-Band2)/(Band5+Band2) | ||||||||
IPVI
| Infrared Percentage Vegetation Index | Band5/(Band4+Band5) | ||||||||
MSR
| Modified Simple Ratio | Band5/Band4 | ||||||||
OSAVI
| Optimized Soil Adjusted Vegetation Index
| 1.16 | ||||||||
NDBI
| Normalized Difference Brightness Index | (Band10-Band5)/(Band10+Band5) | ||||||||
BI | Brightness Index |
| ||||||||
| نوع کاربری Land use | کربن آلی خاک (%)O.C | آهک Calcium Carbonate (%) | هدایت الکتریکی EC(dSm-1)
| اسیدیته pH | ظرفیت تبادل کاتیونی CEC (Cmolckg-1) | ||
حداقل Minimum | کشاورزیAgriculture | 1/0 | 15 | 09/0 | 7 | 9/26 | ||
جنگلForest | 6/0 | 5/10 | 16/0 | 7 | 2/27 | |||
حداکثر Maximum | کشاورزیAgriculture | 8/2 | 5/47 | 45/0 | 9/7 | 40 | ||
جنگل Forest | 6/2 | 7/39 | 32/0 | 6/7 | 6/47 | |||
میانگینMean | کشاورزیAgriculture | 1/1 | 30 | 21/0 | 4/7 | 4/32 | ||
جنگل Forest | 9/1 | 2/22 | 23/0 | 5/7 | 5/38 | |||
آنالیز تصاویر ماهوارهای لندست: ماتریس همبستگی بین باندهای مختلف تصویر ماهوارهای لندست در جدول 3 نشان داده شده است. همانطور که در جدول 3 مشاهده میشود، باند 5 همبستگی کمتری با سایر باندها دارد.
جدول 3.ماتریس همبستگی بین باندهای مختلف تصویر ماهوارهای لندست Table 3. The correlation coefficient between different bands of landsat sattelite image | ||||||||||
نام باند | باند2 | باند3 | باند4 | باند5 | باند6 | باند7 | باند8 | باند9 | باند10 | باند11 |
باند2 | 1 | 989/0 ** | 989/0 ** | 123/0ns | 972/0 ** | 947/0 ** | 946/0 ** | 847/0 ** | 669/0 ** | 276/0 ** |
باند3 |
| 1 | 984/0 ** | 217/0ns | 978/0 ** | 915/0 ** | 939/0 ** | 874/0 ** | 628/0 ** | 276/0ns |
باند4 |
|
| 1 | 139/0ns | 978/0 ** | 941/0ns | 949/0 ** | 871/0 ** | 675/0 ** | 3/0* |
باند5 |
|
|
| 1 | 197/0ns | 95/0-ns | 202/0ns | 421/0 ** | 222/0-ns | 005/0-ns |
باند6 |
|
|
|
| 1 | 936/0 ** | 922/0 ** | 885/0ns | 688/0ns | 336/0 * |
باند7 |
|
|
|
|
| 1 | 880/0 ** | 758/0 ** | 809/0 ** | 328/0 ** |
باند8 |
|
|
|
|
|
| 1 | 850/0 ** | 677/0 ** | 288/0 ** |
باند9 |
|
|
|
|
|
|
| 1 | 546/0 ** | 287/0 ** |
باند10 |
|
|
|
|
|
|
|
| 1 | 494/0 * |
باند11 |
|
|
|
|
|
|
|
|
| 1 |
* ، ** به ترتیب در سطح احتمال 5 و 1 درصد معنیدار میباشد و ns معنیدار نمیباشد. *,** are Significant at 5 and 1 (%) probability level, respectively and no significant.
| ||||||||||
همبستگی باندهای اصلی با کربن آلی: میزان انعکاس طیفی نمونهها بر روی 10 باند اصلی و پردازش شده، استخراج گردید. آنالیز بررسی همبستگی پیرسون بین باندهای اصلی و میزان کربن آلی انجام گردید. هیچ‌گونه همبستگی بین 10 باند اصلی و کربن آلی وجود نداشت.
همبستگی ترکیب باندهای اصلی با کربن آلی: نتایج نشان داد که از بین 29 ترکیب باند اصلی، 28ترکیب باند در سطح 5% و یک نسبت باندی (باند 8/ باند 7)، در سطح 1% با مقدار کربن آلی خاک، همبستگی مثبت معنیدار دارد (جدول 4).
Sig
| ترکیب باندها | شماره | Sig | ترکیب باندها | شماره |
027/0 | Band2/)Band5-Band2( | 13 | 032/0 | Band5/Band2
| 1 |
027/0 | Band5/)Band5-Band2( | 14 | 027/0 | Band5/Band6
| 2 |
03/0 | Band5/Band7 | 15 | 002/0 | Band7/Band8
| 3 |
049/0 | Band5/)Band5+Band7( | 16 | 016/0 | Band7/Band6
| 4 |
049/0 | Band7/)Band5+Band7( | 17 | 04/0 | Band7-Band6
| 5 |
043/0 | Band5/)Band5-Band9( | 18 | 02/0 | )Band7-Band6(/)Band7+Band6(
| 6 |
044/0 | Band9/)Band5-Band9( | 19 | 047/0 | Band8/Band9
| 7 |
03/0 | )Band5-Band2(/)Band5+Band2( | 20 | 047/0 | Band5-Band2
| 8 |
042/0 | (Band3+Band4)/Band5 | 21 | 028/0 | Band2/Band5
| 9 |
02/0 | Band3/(Band3+2) | 22 | 019/0 | Band5/(Band3+1)
| 10 |
02/0 | (Band5-1)/(Band3+1) | 23 | 045/0 | )Band4-Band5)/Band3
| 11 |
04/0 | (Band3+Band4)/(Band5+Band7+1) | 24 | 045/0 | (Band5-Band4)/(Band3+1) | 12 |
جدول 4.همبستگی بین ترکیب باندهای اصلی
Table 4.The correlation between main bands combinations
همبستگی شاخصهای گیاهی با کربن آلی: نتایج نشان داد که از بین 9 شاخص پوشش گیاهی، سه شاخص DVI،NDVI و RAI با مقدار کربن آلی سطحی خاک، همبستگی معنیداری در سطح احتمال 5% نشان دادند. همانطور که در جدول 5 نشان داده شده، 2 شاخص روشنایی با مقدار کربن آلی سطحی خاک، همبستگی معنیداری ندارند.
جدول 5. همبستگی شاخصهای گیاهی و روشنایی با میزان کربن آلی خاک
Table 5. The correlation of vegetation indices combinations with soil organic carbon
Sig | شاخص | Sig | شاخص |
091/0 | IPVI | 018/0 | NDVI |
277/0 | NDBI | 017/0 | DVI |
22/0 | ARVI | 16/0 | MSI |
062/0 | SR | 017/0 | RAI |
277/0 | BI | 12/0 | SAVI |
|
| 069/0 | OSAVI |
همبستگی ترکیب شاخصهای گیاهی با کربن آلی: نتایج نشان داد که از بین 24 ترکیب شاخص پوشش گیاهی، 13 ترکیب شاخص گیاهی با مقدار کربن آلی سطحی خاک دارای همبستگی معنیدار در سطح احتمال 5% هستند (جدول 6). شاخص MSI با ماده آلی همبستگی نداشت، اما در جدول 6 مشاهده میشود که ترکیب این شاخص با شاخصهای NDVI، DVI و RAI با میزان کربن آلی همبستگی دارد.
جدول 6. همبستگی ترکیب شاخصهای گیاهی با میزان کربن آلی خاک
Table 6. Correlation of vegetation indices combinations with soil organic carbon
Sig | ترکیب شاخص | شماره | Sig | ترکیب شاخص | شماره |
74/0 | MSI+RAI | 13 | 017/0 | DVI+MSI | 1 |
058/0 | RAI-MSI | 14 | 017/0 | DVI-MSI | 2 |
166/0 | RAI/MSI | 15 | 120/0 | DVI/MSI | 3 |
05/0 | RAI-MSI/RAI+MSI | 16 | 053/0 | DVI-MSI/DVI+MSI | 4 |
793/0 | MSI+NDVI | 17 | 017/0 | DVI+RAI | 5 |
069/0 | MSI-NDVI | 18 | 017/0 | DVI-RAI | 6 |
132/0 | MSI/NDVI | 19 | 027/0 | DVI/RAI | 7 |
028/0 | MSI-NDVI/MSI+NDVI | 20 | 028/0 | DVI-RAI/DVI+RAI | 8 |
017/0 | RAI+NDVI | 21 | 017/0 | DVI+NDVI | 9 |
034/0 | RAI-NDVI | 22 | 017/0 | DVI-NDVI | 10 |
064/0 | RAI/NDVI | 23 | 526/0 | DVI/NDVI | 11 |
024/0 | RAI-NDVI/RAI+NDVI | 24 | 33/0 | DVI-NDVI/DVI+NDVI | 12 |
بررسی همبستگی باندهای اصلی با کربن آلی در کاربری کشاورزی: همبستگی باندهای اصلی با میزان کربن آلی در کاربری کشاورزی انجام شد و فقط باند 11 با میزان کربن آلی در سطح 5% همبستگی نشان داد (049/0Sig=). رگرسیون خطی به روش Enter انجام شد و معادله برای کربن آلی در کاربری کشاورزی محاسبه گردید (رابطه 1). مقادیر باندها در معادله قرار داده شده است و در نهایت میزان کربن آلی جدید محاسبه شد. همبستگی کربن آلی محاسبه شده توسط معادله و کربن آلی اندازهگیری شده در آزمایشگاه در کاربری کشاورزی در شکل 3 نشان داده شده است.
OC= -102.673+5.759LogBand2-4.507LogBand3+2.104LogBand4+3.491LogBand5-1.838LogBand6+2.803LogBand7-4.825LogBand8+14.185LogBand9+6.699LogBand10+1.759LogBand11 رابطه (1)
شکل 3.رگرسیون بین میزان کربن آلی محاسبه شده توسط معادله و کربن آلی اندازهگیری شده در آزمایشگاه
Figure 3.The regression between calculated organic carbon by equation with achived organic carbon in laboratory in agriculture land use
همبستگی باندهای اصلی با کربن آلی در کاربری جنگل: بین باندهای اصلی و محتوی کربن آلی در کاربری جنگل همبستگی مشاهده نشد. هر چند که معادله ایجاد شده نشان دهنده نزدیکی مقادیر کربن آلی محاسبه شده با مقادیر آزمایشگاهی است، اما این نزدیکی را میتوان بدلیل تعداد کم نمونههای جنگل دانست (شکل 4).
شکل 4.مقایسه میانگین میزان کربن آلی محاسبه شده توسط دادههای ماهوارهای و اندازهگیری شده در آزمایشگاه در دو کاربری
Figure 4. The mean comparison among calculated organic cabone in the laboratory and satellite image in two land use
بازتاب طیفی خاک:
مقدار رطوبت خاک، ماده آلی، اکسیدهای آهن و آلومینیوم، مقدار و نوع رس از اجزای اصلی خاک هستند که طیف بازتابی را بهطور مستقیم تحت تاثیر قرار می‌دهند و در این مورد با نام متغیرهای اولیه شناخته می‌شوند (22). طیف بازتابی خام 17 نمونه خاک (شکل 5، a) و همچنین مشتق اول آنها (شکل5، b) نمایش داده شده است. مشتق اول بهطور کلی عوارض جذبی را بزرگ‌نمایی می‌کند، که نشان‌دهنده مقدار مواد مختلف موجود در خاک است و موجب کم شدن تغییرات بین نمونهها میشود. قله‌های جذب بهطور کلی در نمودار مشتق اول بهطور بارزتری دیده می‌شوند (شکل5، b).
شکل 5.طیف بازتاب اصلی (a) و مشتق شده (b) از 17 نمونه خاک
Figure 5. The origin(a) and derivative(b) reflection spectrum from 17 soil samples
همانگونه که در شکل 6 نمایش داده شده است، ضریب همبستگی بین کربن آلی خاک و بازتاب طیفی مثبت است. اما در طول موجهای طیفی متفاوت همبستگی منفی نیز دارد. بالاترین همبستگی در طول موج 1404، 1907 و 2216 نانومتری مشاهده شد.
شکل 6.همبستگی بین کربن آلی خاک و انعکاسهای طیفی خاک
Figure 6.The correlation between soil organic carbon and reflect spectrums
تحلیل مولفه‌های اصلی در طیفسنجی: روش تحلیل مولفه اصلی روشی است که متغیرهای موجود در یک فضای چندبعدی همبسته را به یک مجموعه از مولفه‌های غیرهمبسته خلاصه می‌کند، که هر یک از آنها ترکیب خطی از متغیرهای اصلی میباشند. مولفه‌های غیرهمبسته به‌دست آمده مولفه‌های اصلی (PC) نامیده می‌شوند، که از بردارهای ویژه ماتریس همبستگی متغیرهای اصلی به‌دست می‌آیند. اولین مولفه بیشترین اطلاعات را با خود به‌همراه دارد و از نقطهنظر آماری بیشترین واریانس را توضیح می‌دهد. مولفه دوم بیشترین اطلاعات باقیمانده که توسط مولفه اول توضیح داده نشده است، را بیان می‌کند. با انتخاب چند مولفه اصلی اول، سایر مولفه‌ها از محاسبات بعدی حذف می‌شوند (7). شکل (7، a)، نمودار امتیاز را برای دادههای محاسبه این تحقیق نشان می‌دهد. با استفاده از این نمودار میتوان نمونه‌هایی که دارای طیف متفاوت از سایر نمونهها هستند را شناسایی کرد و چنانچه پس از بررسی‌های لازم داده پرت تشخیص داده شود، میتوان از مجموعه دادهها حذف نمود. شکل (7، b) نمودار امتیاز حذف دادههای پرت را نشان می‌دهد. این نمونهها دارای طیف مرئی-فروسرخ متفاوتی در مقایسه با سایر نمونههای خاک هستند. با بررسی نمودارهای تاثیر، میتوان دریافت که این گروه از خاکها با خصوصیات طیفی متفاوت از سایر خاکها تاثیر چشم‌گیری بر مدل رگرسیونی دارند. همانطور که در شکل (7، a) مشاهده شد، در نمودار مولفه‌های اصلی بدون حذف دادههای پرت، مولفه اول 91 درصد از واریانس دادهها را توجیه می‌کند و مولفه دوم 7 درصد از تغییرات را توجیه می‌کند. همانطور که در شکل (7، b) مشاهده میشود، در نمودار مولفه‌های اصلی با حذف دادههای پرت، مولفه اول 83 درصد از دادههای واریانس را توجیه می‌کند و مولفه دوم 14 درصد از تغییرات را توجیه می‌کند.
شکل 7.آنالیز مولفهی اصلی بدون حذف دادهها (a) و با حذف دادههای پرت (b)
Figure 7.Principal component analysis without deleting of data (a) and with deleting of data (b)
مدلسازی ویژگیهای طیفی خاک با کمک رگرسیون PLSR انجام شد. مقدار R2 و RMSE بدست آمده توسط رگرسیون برای کربن آلی خاک در جدول 6 نشان داده شده است. ضریب تبیین و میزان مجذور مجموع مربعات خطا برای کربن آلی خاک بهترتیب برابر 5/0 و 4/0 درصد در گروه کالیبراسیون و 4/0 و 6/0 درصد در گروه اعتبارسنجی محاسبه گردید (جدول 7). مقادیر R2 در سری اعتبارسنجی کمتر از سری کالیبراسیون و مقادیر RMSE در سری اعتبارسنجی بیش‌تر از مقادیر مشابه آن در سری کالیبراسیون است، ولی با این وجود کارکرد آماری آن تغییر چندانی نداشته است. هنگامی که از نمونههای مستقل برای اعتبارسنجی استفاده میشود، رسیدن به سطوح برآوردی مشابه غیرمعمول است، حتی اگر هر دو سری دادهها خاستگاه مکانی مشابهی داشته باشند. نتایج نشان می‌دهد که وقتی سری کالیبراسیون کمتر از سری اعتبارسنجی باشد، از کیفیت برآوردها کاسته میشود و این موضوع در روش PLSR صادق است.
جدول7. مدل کربن آلی خاک در روش PLSR
Table 7.The soil organic carbon model by PLSR method
| Calibration | Validation | |||
| R2 | RMSE | R2 | RMSE | |
کربن آلی خاک | 5/0 | 4/0 | 4/0 | 6/0 | |
با استفاده از مدل رگرسیونی MLR، معادله جدیدی برای میزان کربن آلی تعریف گردید (رابطه 2). از طریق این معادله (2)، میزان کربن آلی برای 7 نمونه خاک به دست آمد (جدول 8).
%OC=0.0886 PC1+0.0006 رابطه (2)
جدول 8. کربن آلی محاسبه شده با کمک مدل رگرسیونی MLR
Table 8.The organic carbon calculated with MLR equation
نمونه خاک | 1 | 4 | 14 | 20 | 38 | 40 | 46 |
کربن آلی محاسبه شده | 03/0 | 09/0 | 002/0 | 5/0 | 1/0 | 09/0 | 1/0 |
همانطور که در جدول (7) مشاهده شد، میزان کربن آلی به دست آمده از طریق معادله (2)، با میزان کربن آلی به دست آمده در آزمایشگاه و تصاویر ماهوارهای، مطابقت ندارد. همچنین با توجه به ولیو مدل MLR، میتوان گفت که مدل ضعیف بوده و علت، میتواند تعداد کم نمونهها باشد.
مقایسه سه روش برآورد کربن آلی خاک: میزان کربن آلی خاک بدست آمده در روش آزمایشگاهی، سنجش از دور و طیفسنجی فروسرخ در شکل 8 نشان داده شده است. همانگونه که مشاهده میشود، مدل برآورد شده از رگرسیون گام به گام در روش سنجش از دور، به خوبی توانسته است میزان کربن آلی را برآورد نماید و میزان کربن به‌دست آمده از روش سنجش از دور و آزمایشگاه اختلاف ناچیزی با یکدیگر دارند. اما در روش طیف فروسرخ نزدیک، مدل برآورد شده برای بررسی کربن آلی، مدل ضعیفی بوده است و علت تعداد کم نمونههای اندازهگیری شده توسط طیف فروسرخ است. در نتایج دیگر محققان، تعداد نمونههای طیفسنجی شده، بیش از 50 نمونه خاک بوده است.
شکل 8.مقایسه میزان کربن آلی خاک حاصله از روشهای آزمایشگاهی، سنجش از دور و طیفسنجی فروسرخ
Figure 8. Comparison of soil organic carbon achived from laboratory analysis, satellite images and near infrared spectrum methods
بحث
با توجه به نتایج حاصله، باند 5 کمترین همبستگی را با سایر باندها داشته و لذا تابش‌های ثبت شده در این باند، از سایر باندها متمایز خواهد بود. نتایج تحقیق پورمحمدی و همکاران (18) نیز نشان داد که باند 5 در لندست 7، همبستگی کمتری با سایر باندها دارد. همچنین نتایج نشان داد که هیچ‌گونه همبستگی بین 10 باند اصلی و کربن آلی وجود ندارد. ژیژالا و همکاران (28) جهت برآورد کربن آلی خاک از تصاویر ماهوارهی لندست 8 و 4 سنسور استفاده کردند. مقایسه برآورد کالیبراسیون و اعتبارسنجی نشان داد که باندهای اصلی لندست 8 به نسبت دارای توانایی تخمین کربن پس از سایر سنسورها بوده است. نتایج حاصله از شاخصهای گیاهی با میزان کربن خاک نشان داد که شاخص MSI با ماده آلی همبستگی نداشت، اما ترکیب این شاخص با شاخصهای NDVI، DVI و RAI با میزان کربن آلی همبستگی دارد. دلیل آن را، میتوان ترکیب جدیدی از سیگنال‌های باندهای رادیومتری با یکدیگر دانست. شاخصهای گیاهی اساسا به صورت کسری یا خطی، سیگنال‌های باندهای رادیومتری را ترکیب می‌کنند (19). نتایج بررسی تست همبستگی پیرسون هم نشان داد که قوی‌ترین رابطه بین کربن آلی خاک و انعکاسهای ماهواره عموما در دو محدوده طیفی اتفاق افتاده است. 1- محدوده طیفی مرئی، ناحیه‌ای در مرز بین محدوده سبز و قرمز و بیش‌تر در محدوده قرمز 2- محدوده طیفی فروسرخ میانی. مشابه این نتایج، ری و همکاران (20) نشان دادند که ماده آلی بیشترین همبستگی را در ناحیه فروسرخ میانی و مرئی دارد. در نتیجه ترکیب باندهایی که در این محدوده طیفی قرار دارند، میتواند همبستگی معنیداری با کربن آلی داشته باشند. عباسنژاد و خواجهالدین (1) بیان کردند که ﺑﺎﻧﺪ آﺑﯽ و ﻗﺮﻣﺰ ﺑﯿﺸﺘﺮﯾﻦ ﻫﻤﺒﺴﺘﮕﯽ را ﺑﺎ ﻣﯿﺰان ﮐﺮﺑﻦ ﺧﺎك ﺳﻄﺤﯽ و ﺑﺎﻧـﺪ ﻗﺮﻣﺰ ﺑﯿﺸﺘﺮﯾﻦ همبستگی را با کربن خاک عمقی دارد. علت آن را ﺟﺬب ﺷﺪﯾﺪ دو ﻃﻮل ﻣﻮج ﻗﺮﻣﺰ و آﺑﯽ ﺗﻮﺳﻂ ﭘﯿﮕﻤﺎنﻫﺎي ﻓﻌـﺎل ﺑـﺮگ در ﻓﺘﻮﺳـﻨﺘﺰ دانستند ﮐـﻪ ﺑـﺎ اﻓﺰاﯾﺶ ﻣﯿﺰان ﺑﯿﻮﻣﺲ ﮔﯿﺎﻫﯽ، ﺟﺬب اﯾﻦ دو ﻃﻮل ﻣﻮج ﻃﯿﻒ اﻟﮑﺘﺮوﻣﻐﻨﺎﻃﯿﺲ ﺗﺸﺪﯾﺪ ﻣﯽﯾﺎﺑﺪ. سه شاخص گیاهی DVI،NDVI و RAI با مقدار کربن آلی سطحی خاک، همبستگی معنیداری در سطح احتمال 5% نشان دادند. همبستگی باندهای اصلی با میزان کربن آلی در کاربری کشاورزی نشان داد که تنها باند 11 با میزان کربن خاک در سطح 5 درصد همبستگی دارد. رگرسیون مقادیر کربن آلی خاک حاصله از دادههای رقومی در نمونههای کاربری کشاورزی با میزان کربن خاک حاصله از نتایج آزمایشگاهی دارای ضریب 36/0 بودند. اما بین باندهای اصلی و محتوی کربن آلی در کاربری جنگل همبستگی مشاهده نشد.
در نتایج طیفسنجی مشاهده شده که بازتاب خاک بهطور کلی در محدوده مرئی پایین و در محدوده فروسرخ بالا بود و همچنین، در طول موجهای 1400، 1900 و 2200 نانومتر عوارض جذبی بارزی در طیفها دیده شد. این باندها در حقیقت به OH آب آزاد در 1400 و 1900 نانومتر و همچنین، OH شبکه رس در طول موجهای 1400 و 2200 نانومتر (12) مربوط است. قله‌های جذب در نمودار مشتق اول بهطور بارزتری دیده شدند. با توجه به شکل (5)، با افزایش طول موج از دامنه مرئی، مقدار بازتاب طیفی خاک به تدریج افزایش یافته و حداکثر به مرز 55 درصد می‌رسد، از طرفی، در طول موجهای بین 1370 تا 1500، 1860 تا 2050 و 2200 تا 2230 نانومتر مقادیر بازتاب طیفی خاکها به شدت کاهش یافته است. این طول موج‌ها، مربوط به جذب آب بر روی سطوح رس‌ها (طول موج 1414)، پیوندهای H-O-H مولکول‌های آب حبس شده در شبکه رس‌ها (طول موج 1913) و پیوندهای OH با فلزات آلومینیوم، آهن و سیلیس (طول موج 2207) است (7). بابائیان و جلالی (3) در جهت تخمین کربن آلی خاک با کمک دادههای طیفسنجی نشان دادند که نمودارهای طیفی خاکها در سه طول موج 913، 1414 و 2207 نانومتری مربوط به مقدار آب موجود در ساختار رس و آب هیگروسکوپی خاک میباشند. این باندها در تخمین کربن آلی خاک موثر هستند. پیشپردازش دادههای طیفی خاک و انتخاب روش مناسب در پیشپردازش از عوامل مهم برای تخمین کربن خاک در روش PLSR است. هندرسون (11) نشان داد که مواد آلی خاک بخصوص بالاتر از 2 درصد، منجر به کاهش انعکاس طیفی در دامنه 520 تا 800 نانومتر میشود. ایشان بیان داشتند که هومیک اسید منجر به کاهش انعکاس طیفی در دامنه مرئی میشود، در حالیکه فولوویک اسید بر روی انعکاس اثری ندارد. بالاترین همبستگی در طول موج 1404، 1907 و 2216 نانومتری مشاهده شد. در مطالعات قبلی صورت گرفته نیز، طول موجهای 1400، 1900 و 2200 نانومتری نشان دهنده محتوی کربن آلی خاک بوده است (6). حسنی و همکاران (10) همبستگی 49/0 را برای کربن آلی خاک با بازتاب طیفی نشان دادند. مدلسازی ویژگیهای طیفی خاک با کمک رگرسیون PLSR نیز نشان داد که مقادیر R2 در سری اعتبارسنجی کمتر از سری کالیبراسیون و مقادیر RMSE در سری اعتبارسنجی بیش‌تر از مقادیر مشابه آن در سری کالیبراسیون است. در برخی پژوهش‌های انجام شده، مقدار RMSE تخمین کربن آلی به روش PLSR برابر 36/0 درصد به دست آمده است (24)، که در مقایسه با نتایج پژوهش حاضر با خطای بیشتری همراه است. همچنین در برخی مطالعات، تنها گستره‌های 500 تا 900 و 1350 تا 1460 نانومتر مورد استفاده قرار گرفته است. نتایج این مطالعات نشان داده است که مدل PLSR در برآورد مقدار کربن آلی خاک با اجزای 12 فاکتور (37/3 =RMSE، 9/0= R2) نسبت به هشت فاکتور (12/5=RMSE، 76/0= R2) دقت بالاتری دارد. در نتیجه میتوان گفت که هرچه تعداد نمونهها برای طیفسنجی بیش‌تر باشد، دقت بالاتر می‌رود و میتوان گفت که از علت‌های پایین بودن دقت برآورد کربن آلی در این پژوهش، تعداد کم نمونهها است، اما بهطور کل مدل PLSR مدل خوبی برای برآورد کربن آلی بود. میلوش و بنسا (16) برای تخمین کربن آلی خاک از 424 نمونه در طیفسنجی استفاده کردند. ایشان نیز برای کالیبراسیون و اعتبارسنجی دادهها مدل PLSR را بهکار برده و نشان دادند که دامنه طیفی مرئی-فروسرخ نزدیک دارای بیشترین ضریب تبیین (88/0) و کمترین میزان خطا (18/2) است. خیامیم و همکاران (13) از مدل PLSR برای تخمین کلسیت و گچ با کمک دادههای طیفسنجی استفاده کردند، ایشان بیان کردند که این مدل قادر است بهترتیب 52 تا 80 درصد از تغییرات کلسیت و گچ را نشان دهد. در واقع نتایج آنها بیان کننده توانایی مدل در تخمین بهتر گچ با کمترین میزان خطا و عدم توانایی برای تخمین کلسیت واقعی خاک بوده است. زو و همکاران (27) در بررسی کربن آلی توسط طیفسنجی از 108 نمونه خاک، استفاده کردند. ایشان در تحقیق خود از رگرسیون حداقل مربعات خطا استفاده کرده و اعتبارسنجی مدل را برآورد نموده و گزارش کردند که نوسانات طیفی در طول موجهای 1410، 1920 و 2210 نانومتری مشاهده شده و برای داده طیفی در ناحیه 480 تا 900 و 1170 تا 1870 نانومتری و ناحیه 400 تا 2449 نانومتری، همبستگی منفی معنیداری را نشان دادند.
محاسبه کربن آلی خاک با کمک مدل رگرسیونی MLR، نشان داد که این میزان کربن آلی به دست آمده با کربن آلی محاسبه شده در آزمایشگاه و تصاویر ماهوارهای، مطابقت ندارد. ودرلایند و همکاران (26) نشان دادند که مدل پیش‌بینی موفقیت آمیز برای کربن آلی خاک میتواند تنها از 25 نمونه خاک به‌دست آید، در حالی که کییوآنگ و موآژن (14) پیشنهاد کردند که حداقل 50 نمونه برای دقت خوب و حداقل هزینه در یک پیش‌بینی طیفی در مقایسه مزرعهای کربن آلی، مقدار رطوبت و ازت کل کافی است. ساکیردیس و همکاران (23) نیز برای برآورد برخی مشخصات خاک از جمله کربن آلی خاک از طیف مرئی و فروسرخ نزدیک استفاده نمودند. تعداد نمونه های خاک در این تحقیق بالغ بر 20000 نمونه از 23 کشور اتحادیه اروپا بود. میزان همبستگی کربن آلی برآورد شده برابر با 86/0 و میزان خطای برآورد شده برابر با 96/10 گرم در هر کیلوگرم بود. در حالی که تعداد نمونههای تحقیق حاضر برای طیفسنجی 17 نمونه بود و تعداد کم، عامل اصلی برآورد نامناسب است.
نتیجهگیری کلی
نتایج سنجش از دور در مطالعات کربن آلی خاک نشان داد در بین تمام باندهای اصلی تنها باند 11 لندست، همبستگی مثبت معنیداری (سطح 5 درصد) در کاربری کشاورزی با کربن خاک دارد. نسبت باند 7 به باند 8 نیز در سطح یک درصد، دارای همبستگی معنیدار با کربن خاک بود. این ترکیب باندی میتواند بهعنوان یک شاخص در تعیین کربن خاک تعریف گردد. در بین شاخصهای روشنایی و گیاهی نیز شاخصهای NDVI، DVI و RAI دارای همبستگی مثبتی با کربن خاک بودند. همچنین ترکیب این شاخصها با شاخص گیاهی MSI، همبستگی مثبتی با کربن خاک داشتند. لذا از هر کدام از این نسبتها و شاخصها میتوان برای بررسی میزان کربن خاک در اثر تغییر کاربری اراضی استفاده نمود. در بین مدلهای رگرسیونی مدل گام به گام، بهترین مدل در تخمین میزان کربن آلی خاک از طریق شاخصهای گیاهی، ترکیب شاخص و ترکیب باندها شناخته شد. نتایج حاصله از طیفسنجی نیز نشان داد که بالاترین همبستگی کربن خاک در طول موجهای 1404، 1907 و 2216 نانومتر به ترتیب با ضریب همبستگی (16/0R2=)، (23/0R2=) و (23/0R2= ) بدست آمد. بهطور کل مدل PLSR توانست بهعنوان بهترین مدل و مدل رگرسیونی MLR بعنوان مدل نامناسب برای تخمین محتوی کربن خاک پیشنهاد گردد. با توجه به شرایط متفاوت هر کدام از روشهای استفاده شده در این تحقیق، سنجش از دور میتواند بهعنوان روشی مناسب در تخمین کربن خاک بهکار گرفته شود. مسلما در تعداد نمونه کم خاک، روش آنالیز آزمایشگاهی از دقت نظر بالای برخوردار است. اما در تعداد نمونه بسیار، روش طیفسنجی بدلیل صرف زمان و هزینه مناسبتر است. منتها در شرایطی که هزینه طیفسنجی بالا باشد، روش سنجش از دور بهعنوان مناسبترین روش در تخمین کربن آلی خاک معرفی میگردد.
منابع
1. Abbas Nejad B, Khajedin SJ. 2014. Effect of urban reforestation on carbon sequestration in arid soils using remote sensing technology. Journal of RS and GIS for Natural Resources, 5(2): 75-88. (In Persian)
2. Askari MS, Rourke SM, Holden NL. 2015. Evaluation of soil quality for agricultural production using Visible Near Infrared spectroscopy. Geoderma, 243(244): 80-91. http://dx.doi. 10.1016/j.geoderma.2014.12.012.
3. Babaeean E, Jalali VR. 2016. Estimating soil organic carbon using hyperspectral data in visible, near-infrared and shortwave-infrared (VIS-NIR-SWIR) range. Journal of Soil Management and Sustainable Production, 6(2): 65-82. https://doi.10.22069/ejsms.2016.3143. (In Persian)
4. Banaei MH. 1998. Soil moisture and temperature regimes map of Iran. Soil and Water Research institute of Iran. (In Persian)
5. Bangelesa F, Adam E, Knight J, Dhau I, Ramudzuli Mand Mokotjomela TM. 2020. Predicting soil organic carbon content using hyperspectral remote sensing in a degraded mountain landscape in Lesotho. Applied and Environmental Soil Science, 2158573. https://doi.org/10.1155/2020/2158573.
6. Ben-Dor E, Banin A. 1995. Near infrared analysis as a rapid method to simultaneously evaluate several soil properties. Soil Science Society American Journal, 59: 364-372. https://doi.org/10.1155/2020/2158573.
7. Cozzolino D, Moron A. 2003. The potential of near infrared reflectance spectroscopy to analyze soil chemical and physical characteristics. Journal Agricultural Science, 140: 65-71. https://doi.org/10.1017/S0021859602002836.
8. Esbensen, KH. 2006. Multivariate Data Analysis. CAMO Software AS. 589 Pp.
9. Fatemi SB, Rezaei Y. 2013. Introduction to remote sensing. Buali Sina University press, Hamadan.
10. Hassani A, Bahrami HA, Noroozi AA, Ostan Sh. 2014. Visible-near infrared reflectance spectroscopy for assessment of soil properties in gypseous and calcareous soils. Watershed Engineering and Management, 6(2): 140-154. https://doi.10.22092/ijwmse.2014.101721.
11. Henderson TL, Baumgardner MF, Franzmeier DP, Stott DE, Coster DC. 1992. High dimensional reflectance analysis of soil organic matter. Soil Science Society of America Journal, 56(3): 865-872.
12. Hunt GR. 1980. Spectroscopy properties of rock and minerals. In: C.R. Stewart (ed), Handbook of Physical Properties of Rocks. CRC Press Inc, Florida, 259 pages.
13. Khayamim F, Wetterlind J, Khademi H, Stenberg B. 2015. Using visible and near infrared spectroscopy to estimate carbonates and gypsum in soils in arid and sub humid regions of Isfahan, Iran. Journal of Near Infrared Spectroscopy, 23: 155-165. https://doi.org/10.1255/jnirs.1157.
14. Kuang B, Mouazen AM. 2012. Influence of the number of samples on prediction error of visible and near infrared spectroscopy of selected soil properties at the farm scale. Journal Soil Science, 63(3): 421-429. https://doi.org/10.1111/j.1365-2389.2012.01456.x.
15. Kunkel VR, Wells T, Hancock GR. 2022. Modelling soil organic carbon using vegetation indices across large catchments in eastern Australia. Science of The Total Environment, 817, 152690. https://doi.org/10.1016/j.scitotenv.2021.152690
16. Miloš M, Bensab A. 2017. Prediction of soil organic carbon using VIS-NIR spectroscopy: Application to Red Mediterranean soils from Croatia. Eurasian Journal Soil Science, 6 (4): 365-373. https://doi. 10.18393/ejss.319208.
17. Mulders MA. 1987. Remote sensing in soil science. Wageningen: Elsevier.
18. Poormohamadi S, Ekhtesasi MR, Rahimian, MH. 2015. The reorganization and separation of calcite colluvium from non-calcite structure by using remote sensing and lithological characteristics combination (case study: Bhadoran area in Yazad province). Geology Engineering journal, 4: 33-45. https://doi.10.18869/acadpub.jeg.9.4.3113.
19. Rahmani N, Shahedi K, Miryaghobzadeh MH. 2011. Evaluation of vegetation indices using in remote sensing (case study: Herysk catchment). 24 th geomatics congress. Soil Survey institute. Tehran.
20. Ray SS, Singh JP, Dasa G, Panigrahy S. 2004. Use of high resolution remote sensing data for generating site specific soil management plan. Proceedings of the International Society for Photogrammetry and Remote Sensing congress, Istanbul, Turkey.
21. Saati Zarei S, Attaeian B. 2021. Investigation of firing effect in rangelands on soil organic carbon changes using remotely sensed based indices. Journal of RS and GIS for Natural Resources, 12(3): 82-100. http://dorl.net/dor / 20.1001.1.26767082.1400.12.1.1.2. (In Persian)
22. Stenberg B, Rossel RAV, Mouazen AN, Wetterlind G. 2010. Visible and near infrared spectroscopy in soil science. Advance in Agronomy, 107: 163-215.
23. Tsakiridis NL, Keramaris KD, Theocharis JB, Zalidis GC. 2020. Simultaneous prediction of soil properties from VNIR-SWIR spectra using a localized multi-channel 1-D convolutional neural network. Geoderma, 114208. https://doi.org/10.1016/j.
24. Walkley AJ, Black IA. 1934. An examination of Degtjareff method for determining soil organic matter and a proposed modification of the chromic acid titration method. Soil Science, 37: 29-38.
25. Wang X, Zhangb Y, Atkinsonc MP, Yao H. 2020. Predicting soil organic carbon content in Spain by combining Landsat TM and ALOS PALSAR images. Int J Appl Earth Obs Geoinformation, 92: 102182. https://doi.org/10.1016/j.jag.
26. Wetterlind J, Stenberg B, Raphael A, Rossel V. 2013. Soil analysis using visible and near infrared spectroscopy. Plant Mineral Nutrients, 953: 95-107. doi:10.1007/978-1-62703-152-3-6.
27. Xu L, Hong Y, Wei Y, Guo L, Shi T, Liu Y, Jiang Q, Fei S, Liu Y, Mouazen AM, Chen Y. 2020. Estimation of organic carbon in anthropogenic soil by VIS-NIR spectroscopy: Effect of variable selection. Remote Sensing, 12, 3394. doi:10.3390/rs12203394.
28. Žížala D, Minarˇík R, Zádorová T. 2019. Soil organic carbon mapping using multispectral remote sensing data: prediction ability of data with different spatial and spectral resolutions. Remote Sensing, 11, 2947; doi:10.3390/rs11242947.
Comparison of soil organic carbon estimation using remote sensing and Near Infrared spectrum in forest and agriculture land uses in Gyan area
Abstract
In this study, the relationship between soil spectral reflections using Landsat 8 satellite sensors and near infrared spectrum with 48 soil samples were investigated in agricultural and natural forestry uses in Gyan Nahavand plain, Hamadan province in Iran. Soil samples were collected from 0-30 cm depth, randomly. The analysis of the correlation between main bands, artificial bands and soil surface organic carbon, as well as vegetation indices, composition of indicators and soil surface organic carbon were performed. Spectral analysis of soils using field spectrometer with wavelength range of 350-2500 nm was conducted. After recording the spectra, a variety of pre-processing methods were evaluated. The results showed that in the remote sensing method, only the 11 band shows a significant correlation at the level of 5% with organic carbon in agricultural. Also, band composition (band7/ band8) had a significant correlation at the level of 1% with organic carbon content. Three vegetation indices, NDVI, DVI and RAI with organic carbon showed a significant correlation at the level of 5%. The correlation between the calculated organic carbon in the laboratory and the image in agricultural land use was achieved R2 = 0.36. While the correlation of calculated organic carbon in the laboratory and the image was calculated (R2=0.32) at all points. In the spectroscopy method, the highest correlations were observed at wavelengths of 1404, 1907, and 2216, respectively. Among the fitted models given by the multiple regression, stepwise model is proposed for the estimation of organic carbon, a suitable model. Conscountly if the number of samples is very low, the laboratory method may be appropriate, but if the number of samples is too high, the spectroscopy method is appropriate to save time, and in order to save costs. Due to the high cost of spectroscopy in Iran, the method of remote sensing is propose as appropriate method.
Keywords: Landuse change, Band7, Remote sensing, Near-Infrared
مقایسه برآورد کربن آلی خاک با استفاده از طیفسنجی فروسرخ نزدیک و تصاویر ماهوارهای در کاربریهای کشاورزی و جنگل در منطقه گیان
چکیده مبسوط
طرح مسئله: کربن آلی خاک کلیدی‌ترین عامل در باروری و کیفیت خاک و حفاظت محیط زیست، به ویژه در مناطق نیمهخشک بوده و ابزاری برای اصلاح تغییرات اقلیمی و کاهش گازهای گلخانه‌ای در جو زمین است. توزیع کربن آلی خاک عمدتا بوسیله گروهی عوامل شامل نوع خاک، آب و هوا، هیدرولوژی، کاربری اراضی، زمینشناسی و ...کنترل میشود. محققان از تکنیک‌ها و روشهای مختلفی از جمله نمونهبرداری شبکه‌ای و منطقه‌ای برای تعیین توزیع مواد آلی خاک استفاده می‌کنند. اما این روش مشکلاتی دارند، از جمله این که عموما هزینه نمونهبرداری و تجزیه نمونهها بالاست و همین امر تعیین کننده مقیاس نقشه‌برداری بوده و ممکن است بسیاری نقاط با مواد آلی زیاد یا کم نادیده گرفته شوند. با توجه به مسئله مطرح شده، نیاز به روشهای کم هزینه و سریع برای آنالیز خاک احساس میشود. اولین راهکار بررسی قابلیت دادههای طیفی ماهوارهای در این زمینه است و در صورت اثبات کارایی این دادهها میتواند مشکلات فوق را تا حدودی برطرف ساخت.
هدف: با توجه به اینکه ایران در موقعیت جغرافیائی خشک و نیمهخشک قرار گرفته است و بررسی محتوی مواد آلی در بسیاری از مناطق آن بسیار ضروری است، هدف از انجام این تحقیق بررسی میزان کربن آلی خاک، با دو روش سریع طیفسنجی و سنجش از راه دور و مقایسه آنها با یکدیگر و با روش آزمایشگاهی میباشد.
روش تحقیق: 48 نمونه خاک از عمق 30-0 سانتیمتری برداشته شد و سپس هوا خشک شدند و از الک 2 میلیمتری عبور داده شدند. جهت مطالعات سنجش از دور، از تصویر لندست 8 مربوط به تاریخ نمونهبرداری (سپتامبر) استفاده شد. مقادیر محاسبه شده هر یک از قطعات نمونه در محیط ERDAS imagine 9.1 ایجاد گردید. تعیین محل قطعه نمونه با توجه به ابعاد پیکسل در درون پیکسل قرار گرفته و محل دقیق آن عملا امکان‌پذیر نیست، لذا چهار پیکسل اطراف را بررسی کرده و میانگین آنها در نظر گرفته شد. ولیو هر باند برای 48 نقطه در محیط Excel وارد شد و در نهایت مراحل توصیف‌های آماری متغییرها انجام گرفت. در این پژوهش، 9 شاخص پوشش گیاهی شامل NDVI، DVI، MSI، RAI، SAVI، ARVI، IPVI ،MSR ،OSAVI و دو شاخص روشنایی شامل BI، NDBI و ترکیب شاخصها و ترکیب باندهای اصلی برای پیش بینی کربن آلی استفاده شد. تست همبستگی پیرسون و رگرسیون خطی در محیط SPSS 24.1 انجام شد. برای برآورد کربن آلی به روش طیفسنجی، نمونههای خاک با استفاده از دستگاه Field spec شرکت ASD آمریکا اسکن شدند. بازتاب مطلق نمونهها در دامنه 350 تا 2500 نانومتر و با درجه وضوح یک نانومتر ثبت شدند، که در مجموع 2150 نقطه در هر طیف به‌دست آمد. از هر نمونه، تعداد 4 قرائت بازتاب متوالی گرفته شد و برای هر نمونه خاک، یک طیف که بیانگر طیف بازتابی آن بود، در فایل اصلی دادهها ثبت شد. از نرم‌افزارهای Excel، ViewSpecPro برای میانگین‌گیری، پردازش اولیه و تبدیل فرمت طیف‌های خام استفاده شد.
نتایج و بحث: در بین باندهای اصلی تنها باند 11 تصویر لندست 8 همبستگی معنیداری در سطح 5% با کربن آلی خاک در کاربری کشاورزی داشته‌است. ترکیب باندی (باند 8/باند7)، همبستگی معنیداری در سطح 1% با میزان کربن آلی خاک داشته است. این ترکیب باندی با توجه به نتایج به‌دست آمده از آن، میتواند به عنوان یک شاخص برای تعیین میزان کربن آلی خاک تعریف گردد. از میان شاخصهای پوشش گیاهی و روشنایی مورد استفاده، 3 شاخص پوشش گیاهی NDVI،DVI و RAI برای تعیین کربن آلی خاک نتیجه مثبتی بهمراه داشتند. ترکیب این شاخصها با یکدیگر و همچنین ترکیب این شاخصها با شاخص پوشش گیاهی MSI، دارای همبستگی مثبتی با کربن آلی خاک است. از بین مدلهای برازش داده شده توسط رگرسیون چند متغیره، مدل Stepwise برای برآورد کربن آلی از طریق شاخصهای پوشش گیاهی، ترکیب شاخصهای گیاهی و همچنین ترکیب باندها، مدل مناسبی بوده است. نتایج تحقیق طیفسنجی نشان داد که بیشترین همبستگی‌ها در طول موجهای 1404، 1907 و 2216 نانومتر به ترتیب با ضریب همبستگی (16/0=R2)، (23/0=R2) و (17/0=R2) همراه بودند. مقادیر R2 و RSME حاصل از مدلسازی توسط رگرسیون PLSR برای کربن آلی نشان داد که مقادیر R2در سری اعتبارسنجی کمتر از سری کالیبراسیون و مقادیر RSME در سری اعتبارسنجی بیش‌تر از مقادیر مشابه آن در سری کالیبراسیون است.
نتیجهگیری: هر یک از روشهای استفاده شده، در این تحقیق با توجه به شرایط مختلف، میتواند روش مناسبی برای اندازهگیری کربن آلی باشد. در صورتی که تعداد نمونهها خیلی کم باشد، روش آزمایشگاهی میتواند مناسب باشد، اما در صورتی که تعداد نمونهها خیلی زیاد باشد، برای صرفه‌جویی در وقت، روش طیفسنجی مناسب میباشد و برای صرفه‌جویی در هزینه، با توجه به هزینه بالای طیفسنجی در ایران، روش سنجش از دور، روش مناسبتری پیشنهاد میگردد.
واژگان کلیدی: تغییر کاربری، باند 7، سنجش از دور، فروسرخ نزدیک
Comparison of soil organic carbon estimation using remote sensing and Near Infrared spectrum in forest and agriculture land uses in Gyan area
Abstract
Statement of the Problem: Soil organic carbon, especially in semi-arid areas, is a key factor affecting productivity and quality of soils and environment protection strategies, and it serves as a tool in climate change remediation and reduction of greenhouse gasses. Organic carbon distribution is controlled by a group of factors including soil type, weather, hydrology, land use, geology and etc. Different procedures such as network and local sampling have been used in order to soil organic matter distribution determination. The high cost of sampling and sample analysis are some of the problems are accompanying these methods and these are determinant factors in mapping, so a large number of areas with high or low organic matter contents may be ignored. As a result, there is a need for fast and low cost soil analysis methods. Investigating the capability of satellite spectral data is the first approach in this way and the above problems could be solved to some degree if the ability of these data is proved.
Purpose: Given the fact that Iran is in the arid and semi-arid region and considering organic matter content is essential for many of the areas, so the aim of this study was investigating soil organic carbon content by quick spectroscopy and remote sensing and comparison of them with each other and with laboratory method.
Methodology: 48 Soil samples were taken from the soil surface (0-30 cm) followed by air drying, and sieving to a 2- mm size. The image of Landsat 8 for September 2019 was used in remote sensing studies. The calculated values of each sample unit were created in the ERDAS imagine 9.1 environment. The value of each band for 48 points were introduced into excel and the variables were statistically described. In this study, nine vegetation indices including NDVI, DVI, MSI, RAI, SAVI, ARVI, IPVI, MSR and OSAVI and two lighting index including BI and NDBI and the combination of indices and main bands were used for prediction of organic carbon content. Pearson correlation test and linear regression were performed in SPSS 24.1 environment. In order to estimate organic carbon content by method of spectroscopy, soil samples were scanned using ASD Field Spec. Absolute reflection of samples was recorded in the range of 350 to 2500 nm and at a resolution of 1 nm, so a total of 2150 points were obtained per spectrum. Four successive reflection readings were taken from each sample and for each soil sample, a spectrum representing its reflection spectrum, was recorded in the main data file.
Results and discussion: Among the main bands, only band 11 of Landsat 8 showed a significant correlation with soil organic carbon at 0.05 level in agriculture land use. The Band combination (Band7 / Band8) has a significant correlation with soil organic carbon content at 0.01 level. This band combination can be defined as an indicator for determining the amount of organic carbon in the soil. Among the vegetation and lighting indices used, three vegetation indices NDVI, DVI and RAI had positive results for determining the organic carbon content of the soil. The combination of these indices, also the combination of these indices with the MSI vegetation index has a positive correlation with soil organic carbon. Among the fitted models given by multivariate regression, the stepwise model was the proper model for estimating organic carbon through vegetation indices, combining vegetation indices, and combination of bands. The results of the spectroscopy research showed that the highest correlation with wavelengths of 1404, 1907 and 2216 nm were associated with correlation coefficient (R2 = 0.16), (R2 = 0.23) and (R2 = 0.17) respectively. The values of R2 and RSME derived from the modeling by the PLSR regression for organic carbon showed that the values of R2 in the validation series were lower than the calibration series and the RSME values in the validation series were greater than those of the calibration series.
Conclusion: According to different conditions, each of the methods used in this research can be a suitable method for measuring organic carbon. If the number of samples is very low, the laboratory method may be appropriate, but if the number of samples is too high, the spectroscopy method is appropriate to save time, and in order to save costs. Due to the high cost of spectroscopy in Iran, the method remote sensing is a more appropriate method.
Keywords: Landuse change, Band7, Remote sensing, Near-Infrared