بهبود صحت برآورد غلظت فلزات سنگین خاک مبتنی بر بازتابندگی طیفی با کمینه سازی اثر رطوبت با الگوریتم متعامدسازی پارامتر خارجی

Abstract

رطوبت خاک به دلیل تاثیرگذاری زیاد بر بازتاب طیفی خاک و تغییرپذیری زمانی و مکانی بالا، مهمترین عامل اختلاگر در بکارگیری تکنیک طیف‌سنجی بازتابی مرئی و مادون قرمز نزدیک (VNIRS) جهت برآورد فلزات سنگین خاک به حساب می‌آید. در این پژوهش، قابلیت الگوریتم متعامدسازی پارامتر خارجی (EPO) در کاهش اثر رطوبت از بازتابندگی طیفی خاک به منظور بهبود قابلیت روش‌های یادگیری ماشین در برآورد فلزات سنگین مورد ارزیابی قرار گرفته است. بدین منظور، تعداد 129 نمونه خاک از مزارع آلوده به فلزات سنگین در استان‌های تهران، گیلان و آذربایجان شرقی برداشت شد. میزان نیکل و سرب نمونه‌های خاک هواخشک و الک‌شده در آزمایشگاه اندازه‌گیری شدند. بازتابندگی طیفی نمونه‌های خاک در ۷ سطح رطوبتی (هواخشک، ۶، ۱۲، ۱۸، ۲۴، ۳۰ و ۳۶درصد) با استفاده از طیف-سنج FieldSpec-3 و پروب تماسی در محدوده 350-2500 نانومتر در اتاق تاریک اندازه‌گیری شدند. الگوریتم EPO با استفاده از مجموعه نمونه‌های واسنجی توسعه داده شد. از الگوریتم‌های یادگیری ماشین PLSR و SVR جهت برآورد فلزات سنگین استفاده شد. نتایج نشان داد که VNIRS قابلیت بالایی در برآورد فلزات سنگین بصورت هواخشک دارد. حضور رطوبت در خاک، حتی در سطح 6%، منجر به کاهش معنی‌داری در قابلیت این تکنیک در برآورد دقیق فلزات سنگین می‌گردد. در رطوبت بیشتر از 24 درصد، عملکرد مدل‌های یادگیری ماشین برای برآورد فلزات سنگین در کلاس متوسط (1.4<RPD <2) قرار می‌گیرند. بطورکلی، بکارگیری روش EPO، از طریق اصلاح اثر رطوبت بر بازتابندگی طیفی، سبب بهبود قابلیت روش‌های یادگیری ماشین مبتنی بر VNIRS در برآورد فلزات سنگین خاک می‌شود. در میان دو روش‌ یادگیری ماشین، SVR بهترین عملکرد را برای مدل‌سازی نیکل و سرب به دست داد. نتایج حاکی از آن است که VNIRS در برآورد نیکل نسبت به سرب قابلیت بیشتری دارد.

Keywords

• آلودگی خاک
• فلزات سنگین
• طیف سنجی
• رطوبت خاک
• یادگیری ماشین