اشتقاق و اعتبارسنجی توابع انتقالی طیفی برای پیش بینی غلظت برخی فلزات سنگین در محدوده طیف مرئی تا مادون قرمز

سابقه و هدف ارتباط مستقیم بین افزایش غلظت فلزات سنگین خاک و ابتلا به سرطان های مختلف برای افرادی که در معرض آلودگی این فلزات هستند، توسط محققان مختلفی گزارش شده است. بنابراین پایش سریع و دوره ای گسترش مکانی این فلزات، بسیار با اهمیت است. اگرچه روش-های معمول اندازه گیری غلظت فلزات سنگین خاک که مبتنی بر روش هضم در اسیدهای غلیظ و قرائت توسط دستگاه ICP-OES و یا AAS انجام می گیرد از دقت کافی برخوردار است، این روش ها عمدتا وقت گیر و پرهزینه بوده و نیاز به مواد شیمیایی و کارشناسان آموزش دیده دارند. توسعه روش های اسپکتروسکوپی در دامنه طیف های مرئی تا مادون قرمز نزدیک می تواند روش جایگزین مناسبی برای انجام تخمین محتوی فلزات سنگین خاک باشد. این روش جز روش های غیرتخریبی تقسیم بندی شده، احتیاج به حداقل آماده سازی نمونه پیش از انجام آزمایش داشته و نیازمند به استفاده از هیچ گونه مواد شیمیایی( خطرناک ) نیست. همچنین قرائت های این روش حداکثر چند ثانیه طول کشیده و همزمان می توان چندین ویژگی خاک را از یک قرائت تخمین زد. اطلاعات چندانی در زمینه استفاده از بازتاب های طیفی در تخمین فلزات سنگین آرسنیک و مولیبدن با استفاده از بازتاب های طیفی در محدوده مادون قرمز نزدیک و میانی در کشور وجود ندارد. بنابراین هدف این پژوهش بررسی قابلیت شبکه های عصبی مصنوعی در تخمین غلظت این عناصر بر اساس مطالعه بازتاب های طیفی در محدوده مادون قرمز نزدیک و میانی است.
مواد و روش ها تعداد 58 نمونه سطحی از جزیره هرمز جمع آوری و غلظت فلزات سنگین مولیبدن و آرسنیک با استفاده از روش هضم چهار اسید (16) و توسط دستگاه ICP-OES تعیین شد. به منظور اندازه گیری داده های طیفی نمونه های خاک، از دستگاه اسپکترورادیومتر زمینی(Field Spec 3، Analytical Spectral Device، ASD Inc) استفاده و بازتاب طیفی نمونه های سطحی در محدوده مادون قرمز نزدیک و میانی به دست آمد. سپس با استفاده از روش شبکه عصبی مصنوعی اقدام به استخراج توابع انتقالی طیفی و تخمین غلظت فلزات آرسنیک و مولیبدن گردید.
یافته ها نتایج نشان داد که روش شبکه عصبی مصنوعی دارای قابلیت بالا در تخمین غلظت فلزات سنگین مورد مطالعه با استفاده از داده های طیفی می باشد. مقادیر ضریب همبستگی(R2) برای هر دو عنصر، مطلوب و بیشتر از 9/0 بوده است که نشان دهنده همراستایی بالای داده های واقعی و پیش بینی شده توسط مدل شبکه عصبی برای پیش بینی فلزات سنگین مورد مطالعه بوده است، در عین حال نتایج حاصل از سایر شاخص ها نشان داد که توانایی شبکه عصبی مصنوعی برای پیش بینی غلظت مولیبدن بهتر از آرسنیک بوده است، به طوری که نتایج نشان داد که مقدار خطای باقی مانده برای این عنصر کم (CRM=0.11)، ضریب آکائیک منفی(AIC=-345.8) و کارایی مدل سازی برای این عنصر نزدیک به یک بوده است (EF=0.97).
نتیجه گیری در این تحقیق از بازتابش های طیفی در محدوده مادون قرمز در تخمین محتوای مولیبدن و آرسنیک خاک استفاده شد. همچنین شبکه های عصبی مصنوعی به عنوان ابزار برقراری ارتباط بین بازتابش های طیفی و میزان فلزات سنگین به کار گرفته شد. بطور کلی نتایج نشان داد که روش شبکه عصبی مصنوعی می تواند به عنوان روشی کارا در اشتقاق توابع انتقالی طیفی و تخمین قابل اعتماد غلظت مولیبدن و آرسنیک در غلظت های بالا به کار گرفته شود.