利用高光谱遥感预测土壤有机碳

利用高光谱遥感与可见光-近红外段光谱预测土壤有机碳(Soilorganiccarbonpredictionbyhyperspectralremotesensingandfieldvis-NIRspectroscopy)摘要本文利用可见光和近红外反射(vis-NIR)高光谱图像的最接近遥感数据。预测土壤有机碳(S0C)的结果进行比较，土样采集在Narrabri地区,在澳大利亚新南威尔士(NSW)的北方占据优势的是Vertisols(变性土)，这个地区Vis-NIR的光谱采集用AgriSpec便携式光谱仪(350-2500nm)和远距离机载高光谱传感器卫星(400-2500nm)。，利用偏最小二乘法回归法(PLSR)，偏最小二乘回归法(PLSR:partialleastsquaresregression)：是一种新型的多元统计数据分析方法，它主要研究的是多因变量对多自变量的回归建模，特别当各变量内部高度线性相关时，用偏最小二乘回归法更有效。另外，偏最小二乘回归较好地解决了样本个数少于变量个数等问题。偏最小二乘法是集主成分分析、典型相关分析和多元线性回归分析3种分析方法的优点于一身。它与主成分分析法都试图提取出反映数据变异的最大信息，但主成分分析法只考虑一个自变量矩阵，而偏最小二乘法还有一个“响应”矩阵，因此具有预测功能。)使用的近距离与星载遥感光谱资料预测土壤有机碳含量。近距离和远距离遥感数据的光谱分辨率是不会影响预测精度的。然而，在相同光谱分辨率情况下，利用高光谱预测土壤有机碳含量精度没有用Agrispec便携式光谱仪(resampled)的精度高。结果显示，用土卫七(Hyperion就是土卫七，围绕着土星运转，1848年9月16日发现Hyperion是世界上第一个成功发射的星载民用成像光谱仪，也是是目前少数几个仍在轨运行的星载高光谱成像仪。其搭载卫星EO-1(EarthObserving-1)是美国NASA为接替Landsat7而研制的新型地球观测卫星，于2000年11月21日发射升空。其任务主要是通过空间飞行和在轨运行来验证与下一代对地卫星成像相关的高级技术oEO-1的设计寿命为12〜18个月，原计划运行1年，但目前卫星仍运行正常。EO-1上的Hyperion成像光谱仪是全球第一个星载民用成像光谱仪，既可以用于测量目标的波谱特性，又可对目标成像0Hyperion以推扫方式获取可见光-近红夕卜(VNIR,400〜1000nm)和短波红外(SWIR,900~2500nm)的光谱数据，共计242个波段(其中可见光35个波段，近红外35个波段，短波红外172个波段))野外观测具有相似性。说明利用高光谱遥感对土壤有机碳的预测是有可能的。这些技术的使用将促进土壤数字制图的实施。简介研究在环境监测、模拟和精准农业需要良好的质量和便宜的土壤数据。因此我们需要发展更多的时间一一有效的科学方法进行土壤分析。可见光和近红外反射(vis-NIR)光谱是一种物理无损、快速、重现性好的方法，提供廉价的的土壤物理、化学，生物学特性的预测方法根据其和反射波长范围从400到2500nm(Ben-Dor和Banin,1995分；李维等问题,2000年、2002年杜恩等问题，2002分;牧人和沃尔什，2002年,伊斯兰教等问题,2003)。反射信号的产生的是由被禁锢的C、N、H、0,P、S原子之间的震动。弱的色彩和组合的基础振动是由于拉伸和弯曲的NH,OHandCH团体主导dominatetheNIR(700-2500nm)可见光(400-700海里)两部分电磁(EM)光谱(Ben-Dor等问题,1999)。土壤有机碳(SOC)起着非常重要的作用,显著影响土壤环境多种化学物理过影响土壤的形状和性质对土壤反射光谱。宽光谱范围由不同的工人评估SOC发现的表明：SOC是一个重要的土壤碳组成在整个光谱。光谱表明其能力，以准确地阻止-我的系统芯片(S0C)的内容(例如。里维斯实验室等问题,1999分;张和Laird,2002),直接在田野一个手提斯派克-米(例句。巴恩斯等问题,2003)。成像光谱法也可以用来评价土壤性质。但条件下土壤里去的表面可影响光谱信号。一些财产可能变更在时间和空间:学位吗土壤结壳由于rain-drop影响，土壤质地、土壤水分、表面粗糙度和植被或作物残留物覆盖。这些不安因素引起土壤反射率的方式或超过光谱响应有机物质(巴恩斯等问题，2003)。此外也可土壤特性估计子-由于辐射对退化ject和大气的影响，光谱和空间分辨率(Lagacherie等问题,2008)。——因为这些干扰因素涌现，很少有研究恶魔-strated能够较准确地确定系统芯片(SOC)内容airborne-hyperspectral传感器(例句。Ben-Dor,2002分;Selige等问题等问题,2006分;史蒂文斯等问题,2006年)，在这其中没有一名来自卫星超级-光谱传感器。作为remotely-sensed高光谱卫星的资料提供一个对观福音书的观点和一个重复的覆盖两个im-portant优越性进行观察和超级-到地面机载数据光谱的研究潜力的高光谱卫星数据成为SOC的一个重要问题的预测数字土壤测绘发展。定量光谱分析用vis-NIR土壤反射率光谱法要求复杂的统计方法来识别从土壤属性的响应谱特性。各种方法已被用来与土土壤光谱属性。部分最小二乘回归(PLSR)是一种最为通用的技术光谱校准和预测等问题e.g.McCarty,2002分;张和Laird,2002)。ViscarraRossel丁晓萍。(2006)提供了一个回顾定量的预测比较文学不同土壤属性使用多元统计技术和光谱响应可见，近红外光谱及中北部红外(我,2500-25000海里)的地区电磁波谱。其中,ViscarraRossel丁晓萍。(2006年)恢复文学比较土壤有机碳的定量预测使用PLSR和光谱响应在可见光、近红外和我的地区电磁波谱。本文的目的是(1)评估潜在的手段-利用高光谱里做SOC卫星遥感器(400-2500海里)和(2)比较这些预测土壤有机碳的使用field-collectedvis-NIR光谱。在这两个例子都偏最小-广场回归(PLSR)用来spectralmeasurements联系系统芯片(SOC)的内容。这项研究的实施是在Narrabri附近北西方新南威尔士(NSW)，澳大利亚。2。材料和方法2.1。土样在澳大利亚西北部地区新南威尔士(-32。12'27”S,149。36'31”E),—共有146个表层土壤(0-10cm)样本。这一地区是由变性土主导。在Narrabri西北部(-30。11'45”S),2006,10.收集了88个样本,和58个土样在城镇Narrabri（30°18'27"S,149°45'4"E）在2006,12。在2006年10月收集88年的土壤样品,72个样本取在土壤干燥，棉花作物。为每一个研究棉花作物，一个vi-近红外反射光谱和土壤样品在0-10厘米深在中心收集20X20米地区，另外四repli-在街角佳肴进行周边（图1a和c）。在88年的土壤样本，收集2006年10月，16个是剖面收集（图1a组和b组）旅行是一个股票路线varyingwidth荒废的走廊宽100到500米未开发。像在产区他们所代表的地区栽培比较有用的土壤。在2006年12月，土壤样品在草场上收集。在每一个比如，两vis-NIR光谱和土壤样品的深度收集0-10厘米有收集。01购血Calr«iCicje9E^jliiEiincnMirEinci^。图1•一）位置的测量，在棉花作物和股票路线,在一个土卫七的形象。b）散射路线遵循一个断面的股票。每一个C）棉花作物，四个复制在中心进行了测量，半径20米。SOC含量测定这些土样中-frared（我）光谱研究。我的分析，样品是地面到200年为分析gm整洁的施行。和平号光谱每一个土样用张量测量_Fourier反式-37从光学Bruker形式红外光谱仪（麻萨诸塞州，美国）。Spectrawere记录到25000纳米from2500（4000-400cm—l）8厘米-1扫描分辨率和64/秒。预测土壤有机碳的含量土壤样品各利用偏最小二乘回归（PLSR）从我对新南威尔士北部导出校准ViscarraRossel丁晓萍。（2008）。校准用13因素和验证测试集的根均方误差（RMSE）的模型马/公斤,R20.15为0.91。更多细节和方法论校准，可以发现，在ViscarraRossel丁晓萍。（2008）。2.2。vis-NIR测量领域146年的反射率测定土壤样品在场上的表现与AgriSpec便携式光谱仪（分析谱设备，圆石市，科罗拉多州）。这AgriSpec光谱仪拥有一个光源用接触测量探针（分析谱设备、大胆、科罗拉多）。它提供了一个完整的光谱覆盖范围（350-2500海里）和快速的数据采集（每秒10扫描）。一个白色的spectralon面板（5x5公分）反射率因子提供了绝对的领域测量。表面扫描是一个核心和10个扫描10厘米每个样本进行了。spectralon面板的系统在每个采样测量测量，用50次重复。一个spectrumrecorded由AgriSpec仪器及对应一个土样的旅行路线（SOC）是4.49%股票代表图2。2.3。土卫七高光谱数据两个里取得了高光谱数据的Namoi流域32°（澳大利亚-12的年代,149。2736'31”E）。第一个是ac-2006年12月13quired在23:51但在草场土（图3和c）和第二个节目是在2007年1月17日获得但在种植土壤23:47股票路线旅行（图3a组和b组）。船上的土卫七EO-1卫星传感器测量光芒从400年到2500年海里，与242年与approxi光谱波段-mately10海里的光谱分辨率和30米的空间分辨率。swathwidth的图像的theHyperion7.6公里（图。3a）。然而，在尽管辐射和几何改正，信噪比比（SNR）低（〜50:1）。详细描述里特点、操作和应用，可以发现，在Folkman丁晓萍。（2001）。推导出表面反射光芒数据光芒数据必须要纠正对太阳能辐射和大气这样的效果,例如双向传输，多次散射,和路径的光芒。Severalmethods可以被使用，其中涉及了需要原位反射光谱测量在地上，和/或使用大气校正算法的辐射传输。在这里一高继发有效传递算法来获得里反射光辉，没有相关的知识。这algorithmis的大气清除程序”（ATREM）开发的高和Goetz（1990）高丁晓萍。（1993年）和使用一个近似辐射传输代码被称为“模拟太阳光谱卫星信号（5S）”（Tanre等问题，1986）。最后,channelswith和一个非常lowSNR位于大气吸收光谱中。因此工作

使用152里进行了乐队。本文的主要目的之一就是比较采用SOC的预测高光谱遥感器的卫星土卫七(400-2500海里)采用field-collectedSOC的预测vis-NIR光谱。对完成这个比较，事AgriSpeespKOUfdwiihdu%輕血iajMctnlresoboticiiiApnSpec

AgriSpeespKOUfdwiihdu%輕血iajMctnlresoboticiiiApnSpec

spertnmi250MO75010001250I5D2500^dvelfehgth(fim)图2。一个AgriSpec情节的高分辨率频谱(2151光谱波段)的土样对股票路线旅行，一个AgriSpec光谱resampled低光谱分辨率土卫七相似的数据(152光谱波段)相同的土壤样品，和土卫七光谱的股票的路线。土样的旅行路线的股票(SOC)含量达4.49%是resampled遮盖的数据和光谱覆盖范围里吗出图2。而且土卫七相应谱同样的旅行路线也反映出股票在图2。在图2spectrumwhich里包含的噪声，可以进行对比的AgriSpec谱resampled里的光谱分辨率。2.4。土壤有机碳的预测偏最小二乘回归(PLSR)击出。一一离开过用于SOC验证预测领域都使用光谱与土卫七remotely-sensed卫星的资料。根是方误差(RMSE),的判定系数(R2)比例性能偏差(可)被用来评估、-土壤有机碳的预测模型性能良好。我们使用ParLeS软件(ViscarraRossel,2008)的光谱及最优化分析。可计算的是为了解释这种预测eachmodel能力(张和Laird,2002)。是可之间的比率标准偏差的方法和参考RMSE。张和Laird(2002)三类可定义:A组(RPDN2)模型能准确地预测财产问题,B类(1.4〜之间时，可2)是一个中级班这可能是某些尚未受到足够注意的模型，可以改善,模特吗落在类别C(RPDb1.4)没有预测能力。2.5。土壤样本集，用于比较vis-NIR领域里的数据第一aimof本文试图通过对比SOCmade的预测(我)利用光谱与土卫七的光谱分辨率(152光谱乐队)和(2)利用光谱在球场上与收集AgriSpec仪器(2151光谱波段)。进行分析、四的土壤样本集进行了研究。每一集都有一个特定的土壤样本分布、数量的数据和系统芯片(SOC)的内容范围。这个角色一土壤样品的特性表1给出了集合。第一个土壤样本集称为“种植土壤”包含了所有的土壤样品(72)收集Narrabri西北部的在2006年10月在棉花作物。所有的土壤样品的这一套有系统芯片(SOC)contentbetween0.54和1%,显示出SOC内容distribu倾斜-小轿车(表1)。第二个土壤样本集称为“草地土壤”内容土壤样品收集的途径pasturages和股票有一个内容优于1%。(SOC)土壤sampleswere收集50八16在pasturages股票路线，但在这些土壤样品,18岁有一个碳含量低至1%。因此第二个土样的设置被称为“草地土壤”包含56泥土样本。这些土样有一个系统芯片(SOC)含量在5.1%-1.08之间,这些系统芯片(SOC)内容显示倾斜的分布(表1)。第三的土壤样本集包括所有的土壤样品收集到的有关这个领域(146)和被称为“总土壤数据库”。土壤样品有0.002〜之间时,SOC的内容5.1%,显示这些内容distributionwithSOC泊松60.9%SOC值法的远程到1%(表1)。第四土壤样品集称为“土壤里在图像”由72泥土样本。这第四个土样的平均值集包含5个土样每个棉田测量(图1c),添加到牧场土壤样本股票路线位于土卫七的图像。这碳含量的“土壤在土卫七”形象表现出泊松分配刍)刍)11仲阳E149c40PE149*45'£14^"4^ECroppingsobJs&ITavetlitiigstockroutes(OtEObcr2006}88$oi]samplesP靜富sbLbc14^"4^ECroppingsobJs&ITavetlitiigstockroutes(OtEObcr2006}88$oi]samplesP靜富sbLbcRlrirOE谄亦小O冲PasturesoiEsW4£EI神炖(December2006)

58soilsamples图3。土卫七Namoi)图像山谷,b)在实地研究区2006年10月，和c)在实地研究区在2006年12月。分别为1.7、1.67和1.11。光谱的习惯该预测模型构建的光谱相关里与52泥土样本。然后,cross-prediction—步术从土卫七的每个像素的光谱测试区域。该测试区域对应一个部分的草地带研究在野外旅行在2006年12月。该地区被选因为系统芯片(SOC)非均质性和土壤成分多样性(农作物、草场光秃秃的干燥的土壤、河流网络)。3。预测结果与AgriSpec土壤有机碳的光谱3.1。预测含少量土壤有机碳的"种植土壤”被用来确定低碳的内容采用频谱估计的决议,AgriSpec吗土卫七高光谱仪器。Baumgardner丁晓萍。(1970)表示女口果SOC跌至2%以下，它只有一个最小spectralresponse影响。作为themaximumvalueSOC的这种“种植土壤”1%的光谱响应土壤样品要研究贫穷地被影响SOC的内容。十字架上的评定系统芯片(SOC)内容为“种植土壤“提供一个价格的可分别为1.03和0.98分别采用高分辨率谱(2151AgriSpec光谱乐队）和AgriSpec光谱resampled低光谱决议里类似的数据（152光谱波段）。图4礼物的预测值与实测vs.碳含量两种类型的光谱。所以从没有SOC模型可交叉验证使用我们的“种植土壤”的预报能力，无论光谱决议。3.2。含高浓度预测土壤有机碳的量“草地土壤”被用来确定中、高内容可以估计SOC的光谱分辨率AgriSpec和高光谱仪器里。十字架valida-碳含量对其为“草地土壤“提供一个价格，可为1.32利用AgriSpec为1.33,高分辨率谱（2151光谱波段）和AgriSpecsp3.3。对土壤含有碳预测广泛的系统芯片（SOC）所有的146个样本，其所含的“彻底土壤数据库”,是用来推导了使用两光谱校准PLSR的决议AgriSpec和高光谱仪器里。十字架评审为系统芯片（SOC）内容为“总土壤数据库”提供了一个可达1.87利用AgriSpec为1.92，高分辨率谱（2151光谱波段光谱）和AgriSpecresampled低光谱决议theHyperion相似的数据（152光谱波段）。图6presentsmeasuredSOCvs.预测值2类型的光谱。预测R2，可obtainedwithRMSE和“彻底土壤数据库”有更好的thanwith"草地土壤”和“种植土壤”。对土壤与碳含量在5.1%-0.002之间，两AgriSpecandHyperion光谱分辨率的交叉验证提供。和光谱决议并没有改变模型的准确性。4。预测结果与土卫七土壤有机碳的光谱从第三节，两AgriSpec光谱分辨率和土卫七提供优良的交叉验证的土壤样本集的时候了全面。使用theAgriSpec光谱的lowspectralresampled决议里类似的数据（152光谱波段）同样有用的决议high-spectralAgriSpec仪器。“在土卫七土壤意象”是用来确定系统芯片（SOC）内容可以估计高光谱数据里。十字架评审内容为SOC”在土卫七土壤的图像”TameI匚har^ccerLjrLeaMEes^ilsannpleseB：imnimiiin,cnaximurn-mean.Mari^nce曲忙I匚devi^n^iiforthefodc"qlIsample左帀SoiluiinpLe□escrlpcionoffieldSample^num.betMinimumSD€CCdKflTMaximumSDCcoiuencMean5口匚coiiTencMedLaaStandardDevianotiTrapping5£ilU"Canati讯申72ljaa0.70Q.的QUTascufesolIs"Patcureanilsmckredrew5E1.D35.102.J12.DEd阴Tocal5DI1Pa&iure,scockrouceaandconcncrops14BD_aazSJJD1.2Ea£overHj/periDn.Imagej"Paicure,£[ockroucesanccononcrapsloca直亡on.Hyperioi^lm咚ee72[10025.101551jS71J03b)b)lillIIiIIIIII234$6789101112131415Num>^rof123456789101112131415NumberofImcotsFig.4.Column:a：sho'^srhecross,vakdatecroocineansquareerror；RMSE：ofpfeciccionagaitYStthenumberoffactors:NF}:b：shows【beobse(\ecagainscchecrossvalidatedPLSSpredicnansofSOCcontent：X)forthedroppingsour.MiAgnSpccspectralresolution0,13-ResampledAgriSpec0.12-with彳Hyperion0.11-spectralresolution0.1-SOCcontents(%)observedSOCcontexits(%)olwerved0.4Oj60.8112providedaRPDof1.69.1.75and1.43respectivelyusingrheAgriSpechighresolutionspeccra(2151spectralbands),rheAgriSpecspectraresampiedtothelowspectralresolutionsimilartochatoftheHyperiondata(152spectralbands；2ndtheHyperionhyperspecrraldau.Fig.7presentsmeasuredvs.predictedvaluesofSOCforthe3typesofspectra・BothAgriSpechighresolutionspectra(2151spectralbaids)a