استفاده از مدل رگرسیون حداقل مربعات جزئی در تخمین مقادیر فلزات سنگین در خاک به روش طیف سنجی مرئی مادون قرمز نزدیک
محل انتشار: پنجمین همایش سراسری کشاورزی و منابع طبیعی پایدار
سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 988
فایل این مقاله در 7 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
NACONF05_180
تاریخ نمایه سازی: 11 آبان 1395
چکیده مقاله:
مدیریت و بهرهبرداری از خاک ها نیازمند کسب اطلاعات مناسب، ارزان و به موقع از خصوصیات فیزیکو- شیمیایی آنهاست. روشهای سنتی تعیین خصوصیات خاک مستلزم صرف هزینه و زمان زیادی میباشند؛ بنحوی که عموماً بهره-برداران تمایل چندانی به استفاده از نتایج اندازهگیریهای آزمایشگاهی در مدیریت آب و خاک ندارند . طیف سنجی انعکاسیدر محدوده ی طیفی 2500-400 نانومتر (VNIR)، یک روش جایگزین مناسب برای تخمین خصوصیات خاک می باشد.هدف از این مطالعه، ارزیابی نتایج استفاده از طیف سنج آزمایشگاهی (اسپکترو رادیومتریک) جهت برآورد غلظت عناصر سربو نیکل در خاکهای تحت آبیاری با آب حاصل از تصفیه لجن فاضلاب در محدوده ی شهر ری و در نهایت مقایسه ی ایننتایج با نتایج حاصل از اندازه گیریهای دستگاه جذب اتمی می باشد. علاوه بر آن، یکی دیگر از اهداف این پژوهش، معرفییک رابطه ی بهینه شده با دقت بالا جهت برآورد میزان عناصر فلزی سنگین در خاک از طریق کربن آلی خاک است. در اینمطالعه از مدل رگرسیون حداقل مربعات جزئی به منظور برآورد غلظت فلزات سنگین استفاده شد و برای ارزیابی عملکرد اینمدل از روش ریشه دوم میانگین مربعات خطا استفاده گردید. نتایج این تحقیق نشان داد که مقادیر برآورد شده با استفاده ازطیف های اشتقاقی، شباهت بیشتری را با نتایج حاصل از اندازه گیری های دستگاه جذب اتمی دارا می باشند؛ به طوری کهروابط ریاضی پیش بینی شده برای برآورد عناصر مورد آزمایش، مقادیر (R(2 بیشتر و خطای کمتری را در مقایسه با نتایجحاصل از این برآوردها با استفاده از طیف های Continuum Removal نشان دادند.
کلیدواژه ها:
نویسندگان
رامین سمیعی فرد
گروه علوم و مهندسی خاک، دانشگاه شهید چمران اهواز
علی کشاورزی
گروه علوم و مهندسی خاک، دانشگاه تهران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :