aes 应用和环境土壤学 1687 - 7675 1687 - 7667 Hindawi 10.1155 / 2020/2158573 2158573 研究文章 使用高光谱遥感预测土壤有机碳含量在莱索托退化山地景观 Bangelesa 弗莱迪 1 https://orcid.org/0000 - 0003 - 3626 - 5839 亚当 Elhadi 1 骑士 碧玉 1 Dhau 伊诺 2 Ramudzuli Marubini 2 Mokotjomela Thabiso M。 1 Miano 特奥多罗·M。 1 学院地理考古学和环境研究 威特沃特斯兰德大学 约翰内斯堡 南非 wits.ac.za 2 地理和环境研究 林波波河大学 Sovenga 0727 南非 ul.ac.za 2020年 13 4 2020年 2020年 04 09年 2019年 11 03 2020年 13 4 2020年 2020年 版权©2020弗雷迪Bangelesa et al。 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。

土壤有机碳是土壤肥力的重要指标。本研究的目的是预测土壤有机碳含量东部山区的莱索托,非洲南部,这是一个高流行地区生物多样性以及面积广泛用于小规模的农业。是一个集成的现场和实验室方法,通过测量土壤反射光谱的使用分析光谱设备(ASD) FieldSpec®4光学传感器。陆地表面的土壤光谱收集在田间条件下,然后在实验室对土壤,为了评估字段spectroscopy-based模型的准确性。两种不同的统计模型的预测性能(随机森林和偏最小二乘回归)进行了比较。结果表明,随机森林回归能最准确地预测土壤有机碳含量在一个独立的数据集使用野外光谱数据。相比之下,偏最小二乘回归模型overfits校准数据集。重要的波长来预测土壤有机内容周围局部可见范围(400 - 700海里)。这项研究表明,土壤有机碳可以用导数场光谱学测量最准确地估计和随机森林回归。

 国家研究基金会 90526年 1。介绍

土壤有机碳(SOC)是一个重要的性质与土壤生物、物理和化学特性,是全球碳循环的重要组成部分[ 1]。SOC是列为第三最重要的全球碳汇(> 2500 Pg),包含了几乎两倍于碳在大气中(750 Pg)和陆地生活生物质(560 Pg)结合( 2- - - - - - 6]。在农业景观,SOC损耗加速土壤侵蚀的结果会导致农作物产量减少,降低水分保持能力,减少营养状态( 7- - - - - - 10]。SOC也有助于稳定的土壤和聚合物的形成,从而促进抗侵蚀( 11, 12]。然而在山风景,土壤物理性质是高度可变空间,坡度的变化,风化深度产品,斜率流程和小气候引起植被类型和土壤属性的变化和高水平的土壤侵蚀 13]。

山区高地的莱索托、非洲南部、水土流失的一个重要问题是由于地质、气候、生态、和人为因素( 14- - - - - - 16]。底层侏罗纪风化玄武岩产生了低威力的二氧化硅和膨胀性粘土矿物质的混合物( 17]。斜长石在玄武岩一直影响沸石化、绿泥石化和橄榄石被取而代之的是铁氧化物,蛇形,粘土(主要是蒙脱石)( 18]。这些风化产物使生成的土壤容易侵蚀表面层流,地下粘土膨胀,熟化土壤管道,造成滑坡和泥石流活动地下涝和失败(例如, 19])。尽管许多研究已关注计算土壤容积损失通过沟壑侵蚀(当地称为峡谷)和评估沟形态随时间的变化(例如, 20., 21),很少有研究考虑有机碳出口的产沙量( 22, 23]。然而,这是很重要的,因为SOC出口耗尽剩余的营养基础流域内的土壤,并可能导致降低农业生产力以及环境恶化和SOC可以改变下游营养状态和可能导致富营养化和其他负面影响在水生生态系统。

量化潜在的SOC的第一步从流域出口映射空间的SOC表层土壤中的存储模式。这是因为(1)SOC含量最高的土壤A层,最近的陆地表面,和(2)陆路或单流导致增强土壤侵蚀首先影响这一个地平线,因此优先失去的侵蚀。在不同的空间尺度上精确测量的SOC是具有挑战性的 24)因为它是最常见的基于网格采样的土壤。然而,这些技术非常昂贵,耗时,而不是空间上连续的( 25),需要关闭采样间隔有效地捕获SOC空间模式。在山地环境中,高密度采样分辨率尤为难以实现,因为可怜的可访问性和高的救济也因为高可变性的土壤、生态系统,和SOC发现在这些环境中。因此,有一个不断增长的需求的有效的方法量化SOC在山地环境中。

遥感技术提供一个具有成本效益的、可再生的和快速的方法量化空间分布式数据SOC ( 26]。这是可能通过土壤反射率和土壤有机质含量之间的相关性。先前的调查表明,增加的SOC值成反比的整体降低反射率的可见(Vis, 400 - 700海里),近红外(NIR, 700 - 1400 nm)和短波红外(短波红外成像,1400 - 2500海里)地区的电磁波谱( 27]。McMorrow et al。 28)观察吸收从677纳米到1108纳米与SOC和铁氧化物有关。其他吸收特性存在的范围内近红外、短波红外成像与木质素和纤维素在1120 nm和2100 nm,分别。空中和卫星平台在很大程度上导致了SOC的评估通过检查这些不同的光谱特征,但这些技术的缺点之一是,他们不能区分碳从地表植被和土壤,并生成一个混合像素信号。也很难估计SOC使用卫星和航空遥感方法在SOC土壤中的浓度小,因为它会导致一个非常微弱的信号( 29日]。

实验室和现场光谱学方法中的可见光和近红外波段(可见,400 - 2500 nm)因此有利的测量和建模SOC含量( 30.]。这些方法都是快速、无损( 31日]。在实验室控制条件下,SOC内容可以估计精度高和准确性( 32),而实地测量可能受到大气的影响条件下,土壤水分,纹理和阴影效果 33]。一些研究人员报道令人满意的结果当使用可见光光谱可见光领域预测SOC ( 34, 35];然而,结果显示不同土壤类型和水分含量,因此不能应用无处不在。Viscarra Rossel和behren 29日)认为,土壤吸收的光谱特征可能会重叠和时空上有所不同。这是一个动力开发SOC模型对不同地区或生态/地貌环境。很少有研究解决SOC模型使用实验室或现场测量在非洲南部[ 35),尤其是在山区,SOC是脆弱的土地利用变化主要是由于过度放牧,土壤侵蚀和气候变化。

因此本研究试图使用光谱测量(i)估计SOC内容在野外和实验室条件下,(ii)比较两种不同的建模方法的性能(偏最小二乘回归(PLSR)和非线性随机森林(RF))在预测SOC的内容,和(3)评估的作用光谱衍生品在确定模型输出。这个分析的目的是确定更好的SOC建模方法利用遥感数据,这将使SOC的更快和更准确的评估,特别是在低山等领域。

 2。材料和方法 2.1。研究区域

研究区是在莱索托,东部南部非洲(图 1)。在这个地区,Drakensberg-Maluti山脉升至3482米海拔Thabana Ntlenyana,河谷下切到侏罗纪玄武岩和低营养的耐旱性的草原出现在平顶山峰会( 36, 37]。年平均降水量775毫米,夏季(下降85% 38]。冬季月平均气温从−6.3°C到5.1°C,和意味着夏季最高温度范围从16.5°C在高海拔地区29°C的低地( 39]。莱索托有高度退化山地景观( 40, 41]。

在莱索托东部研究区域的位置,显示土壤样本的位置/ ASD数据点,和土壤有机碳值(g 100 g−1)。

大多数人(86%)取决于自给农业( 42),并增加人口和气候变化意味着牛羊放牧从河谷扩大到高海拔的牧场,导致过度放牧和生态完整性的丧失在这些领域( 43, 44]。因此,在莱索托(农业生产率一直在下降 45]。

 2.2。土壤采样和光谱测量

进行了实地考察在莱索托(图东部Mokhotlong河沿岸 12015年10月)(南国春/夏季)。这条河流动从东到西,切开侏罗纪玄武岩,形成一个高度蜿蜒的河流模式与基岩热刺和陡峭的山谷。河水泛滥平原非常狭窄的小片农田位于河道附近,在山坡上的沉积物,梯田存在较低的山谷山坡(图 2)。高海拔地区山谷两侧和顶部的高原峰会(∼2600 - 2900 m a.s.l。)并不是封闭的特点是丛状的草原( 37]。

从东部莱索托,照片显示字段(a)平玄武岩高原表面与深深下切河谷,(b)耐旱性的和低营养的灌木繁茂的草原退化土地表面,(c)的农田在较低的山谷斜坡上;可见的树木沿着河利润率和缺乏重要的植被在上谷的斜坡上,和(d)沿着低的山谷山坡梯田,取而代之的是草原在陡峭山坡上方。在山玄武岩沉积表面保留峰会。

 2.3。光谱测量

土壤光谱反射率测量领域的使用分析光谱设备(ASD) FieldSpec®4光学传感器(分析光谱设备,Inc .,博尔德有限公司,美国)。这台仪器测量波长从350年到2500年和3 - 10 nm光谱分辨率。光谱被记录为该地区350 - 1000年采样间隔为1.4 nm,和2为该地区1000 - 2500 nm。在研究区(ASD采样点 n= 109)随机生成ArcMap内使用Hawth的分析工具。所有点都转换为经度和纬度,手持GPS用于导航到这些位置。一旦采样点位于,10 m×10 m的情节吸引,采样点的坐标视为重心的阴谋。在每个情节,3次要情节2 m×2 m维被随机选择为了考虑情节中的任何变化。5光谱测量从最低点在约1米高度和5°的视野在土壤表面进行扫描每一个次要情节和平均给共有15光谱测量每个情节。为每一个测量,白色的参考板被用来校准大气条件和太阳辐照度。表面(前5厘米)的土壤样本∼400克来自这三个次要情节后续实验室分析。

 2.4。在实验室光谱测量

光谱测量在现场收集的109份土壤样本是在实验室。所有的测量是在样品被风干,轻轻压碎杵和臼均匀细颗粒泥沙。在一个黑色背景板进行了测量。使用ASD的土壤进行扫描与白色的比较和参考面板完全相同的方法。

 2.5。SOC分析

在实验室、土壤样本先干,轻轻压碎。在这个混合样本,损失点火(法)方法被用来量化SOC浓度( 46]。子样品(∼20 g)在马弗炉燃烧430年8小时oc法是测量的区别燃烧后烘干的土壤质量和土壤质量,除以烘干的土壤质量( 47]。缺失值被转换为SOC的0.55倍( 48]。

 2.6。光谱预处理和转换

在建模之前,嘈杂的光谱被移除,以纠正低强度辐射光谱边缘出现。下面的光谱400海里了。水蒸气吸收特性介于1350 - 1460,1790 - 1960和2350 - 2500纳米,这可以影响模型也被删除( 49, 50]。相同的操作是标准化实验室光谱数据完成的。实验室和现场光谱一阶导数变换和Savitzky-Golay平滑为了提高光谱信号( 51]。Savitzky-Golay平滑首次申请减少噪声影响导数变换之前因为导数光谱对噪声敏感 52)(图 3)。相同的方法进行现场和实验室光谱测量。

光谱数据与被嘈杂的地区(300 - 399,1350 - 1640,1790 - 1960,和2350 - 2500海里):(一)untransformed和(b)一阶导数变换。蓝线表示野外光谱数据和红线表示实验室光谱数据。

 2.7。统计分析

所有统计分析是实现R程序v3.1.3 [ 53]。在建模之前,70%的数据(训练集)随机选择培训实验室和现场数据的模型和其他(30%)作为测试数据集。检查数据集内的SOC值的正常使用拟合优度检验Kolmogorov-Smirnov为了选择最合适的统计检验。我们使用了克鲁斯卡尔-沃利斯检验( 54]比较训练、测试和完整的数据集,因为缺乏正常的测试数据集。学生的 t以及被用来比较平均的平均场光谱实验室光谱数据,这都是正态分布。为了识别异常值,霍特林的 T2分布与野外光谱数据进行多变量分析( 55]。

2.7.1。偏最小二乘回归(PLSR)

PLSR方法是为了实现构建预测模型独立变量很多,吵,和高度共线如高光谱反射率数据( 56]。该方法使用正交因素或组件,称为潜变量,因变量的新独立变量。这些潜在变量只是最初的独立变量的线性组合,但与主成分回归,他们提取这样解释的依赖和独立变量之间的协方差。PLSR由Martens和Næs[详细讨论 57]。最优数量的因素,通过分析交叉验证方法,以减少过度拟合( 58]。交叉验证的均方根误差(RMSECV)是为了评估最优数量的最小化RMSECV的组件。

PLSR使用许多算法进行特征选择。在这个研究中,变量在投影重要性(VIP)使用,以确定关键的波长。VIP的逻辑积累每个变量的重要性被反映在每个组件的重量。贵宾提供排名列表变量和一个阈值在0.83和1.21之间的用于选择关键波长( 59]。在这项研究中,波长峰值极限在哪里上面贵宾阈值(1)被选为关键波长( 60]。

 2.7.2。随机森林(RF)回归

RF回归是一个机器学习算法基于分类和回归树( 61年, 62年]。模型使用递归分区数据(光谱)分割成不同的均匀的组织,叫回归树(ntree)。每棵树单独种植的最佳规模基于引导样本训练数据集(70%)没有任何修剪(连续选择的输入变量在每一个节点)。在射频回归,一个随机变量的子集(mtry)被选中来确定每个节点的分裂( 61年]。模型使用一个确定性算法选择的数量和变量的随机样本训练数据集。在每棵树,树中的数据不包括(的out-of-bag (OOB)数据,数据集总数的30%)预测,OOB错误产生的均方误差通过区别OOB数据和数据用于种植回归树( 61年, 63年]。OOB误差提供了一个估计的重要变量通过计算多少OOB误差增加一个变量改变时,当所有其他保持不变( 64年]。这个属性允许操作员选择或火车RF模型专注于某些特性。在这项研究中,RF算法实现对现场和实验室光谱数据集。由于大量的变量,模型优化计算强烈并没有实现。默认设置为mtry(波长)的总数的1/3和ntree(500)使用。

递归特征选择( 65年至少确定)进行预测SOC的波长数量浓度与最大的准确性。消除算法的递归特性是一个包装器特征选择方法,该方法使用所有功能(变量)作为起点 66年]。模型精度较低的远离当前的子集。程序结束时给定的数字变量是下降的 66年]。递归的组合特征选择的重要变量排名根据均方误差百分比减少帮助我们识别关键的波长。

 2.8。模型验证

许多参数可以用来评估模型的性能在光谱学。光谱模型通常是评估的确定系数( R2)和均方根误差(RMSE)。其他参数如Akaike信息准则(AIC)和比率预测偏差(RPD)也可以使用。在这项研究中,所有这些参数用于完整性。均方根误差的校准(RMSEC)和验证(RMSEP)计算如下: (1) RMSEC = ∑ y 米 − y p 2 N , RMSEP = ∑ y 米 − y v 2 N , 在哪里 y 米实验室测量,测量值 yp预计值来源于使用PLSR或射频频谱数据, y v 预计值获得使用验证组和吗 N是样品的数量。模型的系数最低RMSE具有最好的性能。模型精度和模型之间的另类投资会议是一种妥协吝啬( 67年),计算如下: (2) 另类投资会议 = n ln RMSE + 2 p , 在哪里 n的样品和数量吗 p特性用于预测的数量。模型与最小的AIC具有最好的性能。RPD也用来比较不同数据集的模型的性能,以及它们的实用性。这个指标是一种规范化的方式预测的均方根为了比较校准模型的测量变量有不同的方差( 68年),计算如下: (3) RPD = 方差 y RMSEP , 方差( y)指参考数据的标准差(校准数据集)和RMSEP指预测的均方根误差。

六个类别的解释所显示Viscarra Rossel et al。 69年采用如下:一个RPD值> 2.5意味着优秀的模型/预测;2.0 < RPD < 2.5显示很好的定量模型/预测;1.8 < RPD < 2.0表明好的模型/预测,定量预测是可能的;1.4 < RPD < 1.8意味着公平/预测模型可以用于评估和相关性;1.0 < RPD < 1.4显示可怜的模型/预测,只有在高和低价值区分;和RPD < 1.0表示很差/预测模型,和他们的使用不可辨。

 3所示。结果 3.1。SOC样本分析

94年收集到的109份土壤样本为SOC的内容进行分析,剔除离群值。霍特林的测试检测到4水平切断限制的异常值6.32845和3.98695垂直切断的极限。SOC的校准数据集的统计描述,验证数据集,整个数据集提出了表 1。SOC值从1.93 g 100克不等−110.6 g 100 g−1平均值为5.04 g 100克−1和标准偏差为2.11。Kolmogorov-Smirnov试验表明,所有数据集都不是正态分布( p < 0.05 值为0.0126,0.0020和0.2100对整个数据集,校准数据和验证数据集,分别)。所有子集偏态分布。偏态分布的克鲁斯卡尔-沃利斯检验表明,这三个数据集之间没有显著差异达到5%显著水平( p 值= 0.64)。因此,校准和验证数据集统计代表整个数据集。

描述性统计的SOC (g 100 g−1)值在整个、校准和验证数据集。

数据集 N 最小值 马克斯 的意思是 中位数 性病 偏态 峰度
整个数据集 94年 1.93 10.66 5.14 4.97 2.13 0.47 2.27
校准数据集 65年 2.17 9.57 4.97 4.87 1.99 0.42 2.04
验证数据集 29日 1.94 10.67 5.55 5.55 2.42 0.39 2.19
3.2。现场和实验室光谱的比较

现场和实验室测量的平均反射率值计算94个样本。一般来说,SOC在实验室测量的反射率值都高于测量,证实了单侧学生的 t在5%的水平,以及(意义 p 值= 0.024)。皮尔森相关测试表明,这两种光谱测量在5%显著水平(有关 R= 0.99, p 值< 2.2 e−16)。

 3.3。关键的波长选择 3.3.1。变量选择的贵宾

VIP算法计算了PLSR对现场和实验室光谱。算法选择80、720、57、881个重点实验室一阶导数光谱波长,原始实验室光谱、一阶导数光谱,分别和生场光谱。57的位置选定波长的一阶导数光谱呈现在图 4。

场光谱一阶导数和位置的关键波长选择VIP(红点)和射频递归特征选择(蓝点)。

 3.3.2。数量的变量选择的递归特征选择

递归特征选择是计算领域和实验室光谱。每个模型的最小数量的波长将提供最好的预测使用随机森林方法被确定。最低数量的关键波长(49)获得了一阶导数光谱均方根误差为0.61 g 100 g−1;图中展示了这些波长的位置 4。使用105波长产生RMSE最低(0.62 g 100克−1实验室的一阶导数光谱数据。实验室原始光谱数据,使用105年的变量产生最低的RMSE (0.61 g 100 g−1)。场原始光谱数据,使用789年的变量产生最低的交叉验证错误(1.059)。

 3.3.3。关键的波长的位置

表 2显示的位置关键波长选择VIP算法和递归特征选择方法对所有的组合模型。为了解释的目的,波长的官能团和振动模式也提出了。递归特征选择算法选择一半左右的关键波长数据集之间的400和700 nm范围。VIP算法实现下一阶导数光谱数据(实验室和领域)也选择最关键的波长范围是相同的。然而,原始光谱数据下的VIP算法实现(现场和实验室)没有选择关键波长在可见光谱中,最波长在2000 - 2200,1400 - 1500和1350 - 1450海里。

关键位置波长选择VIP算法和递归特征选择方法对所有的组合模型。

VIP (PLSR) 射频
波长(nm) 可能的任务 实验室 场 实验室 场
生 FD 生 FD 生 FD 生 FD
2200 - 2450 梳子碳氢键stret - - - - - - - - - - - - - - - - - - - - - - - - + - - - - - - - - - - - - - - - - - -
2000 - 2200 梳子- h stret,梳子O-stret + + - - - - - - - - - - - - - - - - - - + + - - - - - - +
1790 - 1960 水 + + + + + - - - - - - + - - - - - -
1650 - 1780 1日公开的碳氢键stret + - - - - - - + + - - - - - - - - - - - - - - - - - - + - - - - - -
1400 - 1500 1日公开- h stret stret地 + + - - - - - - + + - - - - - - - - - - - - - - - - - - + + - - - - - -
1300 - 1420 梳子碳氢键stret + - - - - - - - - - - - - - - - - - - + - - - - - - + - - - - - -
1350 - 1460 水 + - - - - - - + + + - - - - - - - - - - - - - - - - - - +
1100 - 1225 2日公开的碳氢键stret + - - - - - - + - - - - - - + + + + +
950 - 1100 2日公开- h stret stret地 - - - - - - - - - - - - - - - - - - + + + + +
850 - 950 3日公开的碳氢键stret + - - - - - - + + + + + + + +
775 - 850 3日公开- h stret + - - - - - - + + + + + + +
400 - 700 矿物质(铁氧化物) - - - - - - + + + + + + + + + + + + + + + + + + +
3.4。模型开发

总共16模型已经开发出来,8场光谱数据与实验室光谱数据和8。对于每个光谱数据(现场或实验室),4模型开发了射频和别人赢钱使用不同的转换:原始数据,一阶导数(FD),关键波长(K)和一阶导数和关键的组合(FD-K)波长。RPD作为排名的最重要的标准模型。

3.4.1。从实验室光谱数据模型

结果两种不同的建模方法用于预测SOC (PLSR和RF)使用实验室光谱数据展示在表 3。波长选择和光谱一阶导数的影响的模型。选择最佳的预测模型根据其性能对拟合验证数据集。

性能的所有射频回归和PLSR模型校准和验证实验室数据集(RMSEC和RMSEP g 100克−1)。

模型 校准设置 验证设置
模型 预处理 RMSEC R c2 另类投资会议 RMSEP R p2 RPD
实验室光谱 PLSR 没有一个 0.60 0.90 126年 0.87 0.86 2.27
FD 0.46 0.94 90.98 0.99 0.82 2.00
K 0.12 0.99 82年 0.95 0.84 2.10
FD-K 0.63 0.89 131.8 0.99 0.82 2.00
射频 没有一个 0.65 0.89 - - - - - - 0.79 0.82 3.03
K 0.80 0.84 - - - - - - 0.79 0.86 3.03
FD 0.64 0.89 - - - - - - 0.79 0.84 3.03
FD-K 0.59 0.90 - - - - - - 0.64 0.87 3.77

结果表明,PLSR overfits校准数据集 Rc2在0.99和0.89之间,但相对较低的精度预测新数据集。PLSR模型是非常好的模型/预测(2.0 < RPD < 2.5),而射频模型被认为是优秀的模型/预测(RPD > 2.5)。最好的预测模型实验数据得到L-FD-RF-K (RPD = 3.77, R p2= 0.87,RMSEP = 0.64 g 100 g−1)。

 3.4.2。从野外光谱数据模型

表 4显示了8种不同的模型使用领域开发的数据集。结果表明,PLSR模型可能overfit校准数据集。所有射频模型展示优秀的模型/预测(RPD > 2.5)。野外光谱数据的最佳预测模型实现F-FD-RF-K (RPD = 3.77, R p2= 0.88,RMSEP = 0.64 g 100 g−1),其次是F-FD-RF (RPD = 3.03, R p2= 0.89,RMSEP = 0.79 g 100 g−1)。至于RF算法,一阶导数和关键波长选择提高F-PLSR的性能。相比F-PLSR (RPD = 1.88, R p2= 0.80,RMSEP = 1.05 g 100 g−1),F-FD-PLSR (RPD = 2.26, R p2= 0.86,RMSEP = 0.88 g 100 g−1)和F-PLRS-K (RPD = 2.27, R p2= 0.86,RMSEP = 0.75 g 100 g−1)预测精度较高的SOC含量一个独立的数据集。

性能的所有射频回归和PLSR模型校准和验证领域数据集(RMSEC和RMSEP g 100克−1)。

模型 校准设置 验证设置
模型 预处理 RMSEC R c2 另类投资会议 RMSEP R p2 RPD
场光谱 PLSR 没有一个 0.89 0.99 -123年 1.05 0.80 1.88
FD 0.550 0.99 -186年 0.88 0.86 2.26
K 0.67 0.86 63年 0.75 0.86 2.97
FD-K 0.64 0.89 132年 1.04 0.80 1.90
射频 没有一个 0.9 0.79 - - - - - - 0.79 0.76 3.03
FD 0.74 0.85 - - - - - - 0.79 0.89 3.03
K 0.87 0.80 - - - - - - 0.87 0.77 3.03
FD-K 0.60 0.90 - - - - - - 0.64 0.88 3.77
4所示。讨论

这项研究强调了领域之间的关系的复杂性和实验室测量土壤的光谱特征及其关系的SOC。这里采用的遥感方法适用于访问和geomorphically变量山风景。研究区域的复杂性是由高可变性的描述土壤属性包括SOC值(表 1)。这可以解释为研究区域的地貌环境的特点是陡峭bedrock-controlled斜坡走资料,underfit河谷( 70年],有限的贫瘠土壤氮的生物利用度 37]。这些土壤积累平玄武岩风化表面和与河流冲积平原和梯田。农民使用这些小规模农业后者的位置(图 2)。

高土壤变化导致高 R2,RPD RMSEP值( 71年, 72年]。这也可以解释为什么结果从我们的射频模型比结果更准确,Viscarra Rossel和behren 29日]发现使用72波段在实验室条件下,略优于Nawar和Mouazen 73年)最近在实验室条件下发现的。他们最好的预测射频模式了 R20.84,RMSEP 0.14 g 100 g−1和RPD = 2.55,相对较低的SOC在整个数据集。然而,我们获得的结果与PLSR模型的范围内Viscarra Rossel和behren 29日和李et al。 74年发现类似的实验室条件下,史蒂文斯et al。 75年)和Viscarra Rossel和behren 29日发现类似的场的条件下,使用相同的回归方法。

比较射频PLSR,我们的研究结果发现,射频优于PLSR预测SOC值在一个独立的数据集。射频的预测性能可以用这一事实来解释机器学习算法不太敏感的非线性和复杂的数据 29日]。的弱点PLSR准确预测SOC值在一个新的数据集也被报道在一些研究(例如, 75年, 76年])。

很难比较实验室和领域模型的性能,因为它们都实现非常相似的结果与输入变量的不同组合。然而,李et al。 74年]发现PLSR模型实现更好的准确性在他们实验室光谱数据字段数据。这些结果也表明了,实验室测量的反射率是视觉上高于场反射。这是因为在田间土壤水分的存在( 77年]这就增加了向前散射的光,提高吸收波长( 78年]。然而,Viscarra Rossel et al。 79年]发现现场和实验室测量,因为他们之间没有显著差异把光谱波段对水的吸收。这可能是一个合适的方法占在现场样品中土壤水分的变化。

光谱导数和关键的影响波长选择改善原始模型是明显的在这个研究。这也被其他研究人员报告(例如, 80年, 81年])。彭et al。 81年8)评估的影响不同的预处理方法和显示,包括一阶导数取得最好的结果。李等人。 74年]证明了一阶导数的优越性与改善PLSR SG平滑。Vasques et al。 80年)也使用SG平滑,提高SOC模型结果。Viscarra Rossel和behren 29日)提高了射频方法通过使用离散小波变换算法作为特征选择方法。这些以前的研究显示关键的波长选择的重要性。我们的研究结果表明,400至700纳米波长是最重要的预测SOC(图的内容 4),这也是依照一些先前的研究 29日, 82年]。

根据Viscarra Rossel和希克斯 83年),可见部分土壤光谱主要是与铁氧化物、针铁矿和赤铁矿。不同土壤生色团包括叶绿素、tannis腐殖质物质,氧化铁,粘土矿物可能也解释了高光谱数据之间的相关性和SOC在可见区域( 34]。Viscarra Rossel et al。 79年]发现相关性与波长在410、570和660海里的可见光谱的一部分。在实验室条件下,王et al。 72年]报告了440,560,625,740,和1336海里的主要光谱波段预测SOC。Nocita et al。 84年)指出,580年和680年之间的光谱区nm足以预测SOC。我们的结果显示一些其他重要的波长在2000 - 2200和1400 - 1500海里。有机官能团的分子振动和转动的主要因素是导致吸收近红外光谱区域。波长2000 - 2200纳米左右,例如,可能是由于羰基的影响C = O / CH伸展振动( 83年)或粘土矿物( 85年)(表 2)。谱峰周围1455海里可以归因于水的存在但由于光谱重叠的现象,所讨论的Viscarra Rossel和behren 29日]。然而,斯图尔特( 86年)认为1400和1500 nm之间的光谱部分第一泛音- h拉伸和第一泛音地伸展。

 5。结论和更广泛的影响

这项研究表明,SOC值退化山地景观可以使用不同的建模方法预测基于现场和实验室光谱测量。最好的模型被证明是射频因为PLSR模型更有可能overfit校准数据集。也有一些细微的差别,当这些模型应用于现场和实验室数据:PLSR模型略好实验室与现场数据相比,而与射频模型没有区别。最好的模型结果与转换光谱数据,与关键波长在可见范围预测SOC值主要是局部的(400 - 700海里)。这些结果具有重要意义,因为他们显示不同的模型可以产生不同的结果的准确性,即使基于相同的数据集。这对运营商的选择当谈到数据集分析准确预测为目的的SOC值。

这项研究的结果也有更广泛的影响SOC含量的准确预测莱索托等退化山地景观。SOC值(图的空间变异性 1)表明,实地的方法就不太可能能够准确地捕捉这种可变性,即使有高分辨率采样。不同的光谱分析技术的应用意味着更好的SOC含量预测模型可以建立,不仅使用卫星和地面遥感数据,在这项研究中所述。这将允许更好的理解空间格局的SOC访问山风景。此外,量化碳储存在土壤中,和耦合这个地表土壤侵蚀模型(例如。 13]),可能意味着碳从山出口可以计算。这是至关重要的碳预算以及对土壤养分状况的评价。

 数据可用性

土壤分析和光谱数据用于支持本研究的发现可以从相应的作者。

 的利益冲突

作者宣称没有利益冲突。

 确认

这项研究是90526年由NRF格兰特(JK)。

 Battin t·J。 Luyssaert 年代。 卡普兰 l。 Aufdenkampe 答:K。 里希特 一个。 特兰威克 l . J。 茫茫的碳循环 自然地球科学 2009年 2 9 598年 600年 10.1038 / ngeo618 2 - s2.0 - 70149104815 Tarnocai C。 Canadell j·G。 Schuur e·a·G。 Kuhry P。 Mazhitova G。 兹莫夫 年代。 土壤有机碳池在北方极地冻土地区 全球生物地球化学循环 2009年 23 2 10.1029/2008 gb003327 2 - s2.0 - 70349556766 Condron l 斯塔克 C。 奥卡拉汉 M。 克林顿 P。 黄 Z。 迪克森 g·R。 Tilston e . L。 微生物群落的作用在土壤有机质的形成和分解 土壤微生物学和可持续作物生产 2010年 柏林,德国 施普林格科学 81年 118年 Dungait J·a·J。 霍普金斯 d . W。 格雷戈里 答:S。 惠特莫尔 答:P。 土壤有机质周转是由可访问性不固执 全球变化生物学 2012年 18 6 1781年 1796年 10.1111 / j.1365-2486.2012.02665.x 2 - s2.0 - 84860690778 史密斯 P。 土壤和气候变化 当前的舆论环境的可持续性 2012年 4 5 539年 544年 10.1016 / j.cosust.2012.06.005 2 - s2.0 - 84869152276 王 D。 Chakraborty 年代。 Weindorf d . C。 合成使用VisNIR DRS和PXRF土壤特性:总碳和总氮 Geoderma 2015年 243 - 244 157年 167年 10.1016 / j.geoderma.2014.12.011 2 - s2.0 - 84920699558 米尔斯 a·J。 异常兴奋的 m V。 土壤质量下降:在南非土地利用对土壤有机质的影响和表面结壳 南非的植物和土壤》杂志上 2004年 21 5 388年 398年 10.1080 / 02571862.2004.10635071 2 - s2.0 - 15344349421 拉尔 R。 提高农作物产量,发展中国家通过恢复农田土壤有机碳池 土地退化与发展 2006年 17 2 197年 209年 10.1002 / ldr.696 2 - s2.0 - 33646052865 希勒尔 D。 罗森茨维格 C。 手册的气候变化和农业生态系统 2010年 英国伦敦 帝国大学出版社 Powlson d S。 格雷戈里 p . J。 惠利 w·R。 土壤管理与可持续农业和生态系统服务 食品政策 2011年 36 S72 S87 10.1016 / j.foodpol.2010.11.025 2 - s2.0 - 78751698739 费雷拉 l 戈麦斯 E。 Toresani 年代。 Firpo 我。 Rotondo R。 影响有机修正案在某些物理、化学和生物学性质的园艺土壤 生物资源技术 2006年 97年 4 635年 640年 10.1016 / j.biortech.2005.03.018 2 - s2.0 - 28844456834 Deraghmeh o . A。 詹森 j . R。 彼得森 c . T。 接近饱和水力特性在砂壤土的表层土壤常规和减少耕作 美国土壤科学学会杂志》上 2008年 72年 1728年 1737年 10.2136 / sssaj2007.0292 2 - s2.0 - 56749132260 史密斯 h·J。 van Zyl a·J。 Claassens 答:S。 斯科曼 j·L。 湖人 m . C。 土壤流失造型在莱索托高地水项目集水区 南非地理杂志 2000年 82年 2 64年 69年 10.1080 / 03736245.2000.9713694 2 - s2.0 - 0034522249 抓住 年代。 努瑟 M。 对一个集成德拉肯斯堡和莱索托山地环境研究方法:一个案例研究来自萨尼高原地区 南非地理杂志 2001年 83年 1 64年 68年 10.1080 / 03736245.2001.9713720 2 - s2.0 - 0034880027 Mbata j . N。 在莱索托土地利用实践:对农业生产的可持续性的影响 可持续农业杂志 2001年 18 2 - 3 5 24 10.1300 / J064v18n02_03 2 - s2.0 - 0035686616 梅多斯 m E。 霍夫曼 m . T。 的性质、程度和土地退化的原因:在南非的过去,对未来的教训? 区域 2002年 34 4 428年 437年 10.1111 / 1475 - 4762.00100 2 - s2.0 - 0036926292 贝尔 f·G。 哈斯金斯 d·R。 岩土工程的概述Katse大坝和传输隧道、莱索托、玄武岩耐用性上有一张纸条 工程地质 1997年 46 2 175年 198年 10.1016 / s0013 - 7952 (96) 00110 - x Garzanti E。 帕多安 M。 Setti M。 Lopez-Galindo 一个。 别墅 i M。 起源与风化作用控制的构成热带河流泥(南非) 化学地质学 2014年 366年 61年 74年 10.1016 / j.chemgeo.2013.12.016 2 - s2.0 - 84892467584 爱德华兹 r . J。 埃勒里 w . N。 Dunlevey J。 辉绿岩的原位风化作用形成的泥炭地:达特穆尔的起源和演化谷在夸祖鲁-纳塔尔省中部,南非 系列 2016年 143年 232年 243年 10.1016 / j.catena.2016.04.016 2 - s2.0 - 84964339335 Sonneveld m·p·W。 艾弗森 t M。 Veldkamp 一个。 多尺度分析土壤侵蚀动力学在夸祖鲁-纳塔尔省,南非 土地退化与发展 2005年 16 3 287年 301年 10.1002 / ldr.653 2 - s2.0 - 21044451584 Keay-Bright J。 Boardman J。 证据的实地研究土壤侵蚀率在中央卡鲁退化土地,南非 地貌学 2009年 103年 3 455年 465年 10.1016 / j.geomorph.2008.07.011 2 - s2.0 - 56249130028 Mchunu C。 Chaplot V。 土地退化影响土壤碳损失通过水侵蚀和二氧化碳排放 Geoderma 2012年 177 - 178 72年 79年 10.1016 / j.geoderma.2012.01.038 2 - s2.0 - 84857975408 Muller-Nedebock D。 Chivenge P。 Chaplot V。 选择性土壤有机碳损失的片蚀和主要控制 地球表面的过程和地貌 2016年 41 10 1399年 1408年 10.1002 / esp.3916 2 - s2.0 - 84961119118 库恩 n . J。 霍夫曼 T。 Schwanghart W。 Dotterweich M。 农业水土流失和全球碳循环:争议? 地球表面的过程和地貌 2009年 34 10.1002 / esp.1796 2 - s2.0 - 69249213588 Goidts E。 范Wesemael B。 地区的评估土壤有机碳变化在比利时南部农业(1955 - 2005) Geoderma 2007年 141年 3 - 4 341年 354年 10.1016 / j.geoderma.2007.06.013 2 - s2.0 - 34548455701 格尔 r . J。 大米 c·W。 新兴的技术 原位测量土壤碳 气候变化 2007年 80年 1 - 2 43 54 10.1007 / s10584 - 006 - 9150 - 2 2 - s2.0 - 33846433491 Al-Abbas a . H。 斯温 p . H。 包姆加德纳 m F。 有关有机质与粘土含量土壤的多光谱辐射 土壤科学 1972年 114年 6 477年 485年 10.1097 / 00010694-197212000-00011 2 - s2.0 - 84933470777 McMorrow j . M。 卡特勒 m·e·J。 埃文斯 m·G。 Al-Roichdi 一个。 高光谱指数描述高地泥炭组成 国际遥感杂志》上 2004年 25 2 313年 325年 10.1080 / 0143116031000117065 2 - s2.0 - 1242287872 Viscarra Rossel r。 behren T。 使用数据挖掘模型和解释土壤漫反射光谱 Geoderma 2010年 158年 1 - 2 46 54 10.1016 / j.geoderma.2009.12.025 2 - s2.0 - 77953621099 Wetterlind J。 斯坦伯格 B。 近红外光谱学within-field土壤特性:小地方校准与当地样本与国家图书馆相比飙升 欧洲的土壤科学》杂志上 2010年 61年 6 823年 843年 10.1111 / j.1365-2389.2010.01283.x 2 - s2.0 - 78649580472 猴 R。 Vennetier M。 Dupuy称:"现在 N。 ·鲁索斯 年代。 桶 一个。 格罗斯 R。 复苏趋势地中海土壤化学性质和微生物活动后罕见,频繁的森林大火 土地退化与发展 2013年 24 2 115年 128年 10.1002 / ldr.1109 2 - s2.0 - 84876104991 科恩 M。 Mylavarapu r S。 Bogrekci 我。 李 w·S。 克拉克 m·W。 为常规农业土壤反射光谱分析 土壤科学 2007年 172年 6 469年 485年 10.1097 / ss.0b013e31804fa202 2 - s2.0 - 34250765720 里夫斯 j·B。 Near-versus中红外漫反射光谱土壤分析强调碳和实验室和现场分析:我们需要做什么? Geoderma 2010年 158年 1 - 2 3 14 10.1016 / j.geoderma.2009.04.005 2 - s2.0 - 77953615617 Mouazen a . M。 Maleki m·R。 De Baerdemaeker J。 拉蒙 H。 在线测量的使用可见传感器选择土壤特性 土壤和耕作研究 2007年 93年 1 13 27 10.1016 / j.still.2006.03.009 2 - s2.0 - 33846147632 Nocita M。 Kooistra l 巴赫曼 M。 穆勒 一个。 鲍威尔 M。 良好的 年代。 土壤表面和表层土壤有机碳含量的预测通过使用实验室和野外光谱在奥尔巴尼灌木丛南非东开普省的生物群落 Geoderma 2011年 167 - 168 295年 302年 10.1016 / j.geoderma.2011.09.018 2 - s2.0 - 80155156921 统计局和计划 莱索托农业情况报告(1982 - 2004) 2007年 马塞卢,莱索托 统计局和计划 骑士 J。 抓住 s W。 Carbutt C。 山地地貌的影响在德拉肯斯堡阿尔卑斯高山生态系统中心,南部非洲 Geografiska编年史:系列,自然地理 2018年 One hundred. 2 140年 162年 10.1080 / 04353676.2017.1418628 2 - s2.0 - 85041595417 萨哈 t·K。 气候变化对农业生产的影响在莱索托:一个案例研究 非洲作物科学会议论文集 2011年 10 273年 277年 梅森 美国J。 陪审团 m·R。 非洲南部的气候变化和变化:反思基本流程 自然地理的进展:地球和环境 1997年 21 1 23 50 10.1177 / 030913339702100103 2 - s2.0 - 0031465846 抓住 s W。 德尚 C。 地貌和地质控制和过程后沟发展高山泥沼,莱索托 南极和北极,高山的研究 2004年 36 49 58 淋浴 k B。 帝国沟壑:土壤侵蚀和保护在莱索托 2005年 美国雅典哦 俄亥俄州大学出版社 Eash n S。 兰伯特 d . M。 Marake m V。 Thierfelder C。 沃克 f·R。 威尔科克斯 m D。 小在莱索托和莫桑比克采用保护性农业 2013年 武汉,中国 华中农业大学 努瑟 M。 田园利用率和土地覆盖变化:一个案例研究从Sanqebethu山谷,东部莱索托 Erdkunde 2002年 56 2 207年 221年 10.3112 / erdkunde.2002.02.07 2 - s2.0 - 0036304916 努瑟 M。 抓住 s W。 土地退化和水土流失的东部高地莱索托,非洲南部 大地之死 2002年 133年 291年 311年 Sicili l 保护农业和可持续作物集约化在莱索托 2010年 10 罗马,意大利 粮农组织 Konen m E。 雅可布 p . M。 巴拉 c . L。 Talaga b . J。 梅森 j . A。 使用强热失量方程预测土壤有机碳对北美国中部的土壤 美国土壤科学学会杂志》上 2002年 66年 6 1878年 1881年 10.2136 / sssaj2002.1878 舒尔特 E·E。 霍普金斯 b G。 Magdoff f·R。 Tabatabai m·A。 Hanlon 大肠。 估计体重强热失量的有机物质 土壤有机质:分析和解释 1996年 麦迪逊,美国WI SSSA 21 31日 10.2136 / sssaspecpub46.c3 Hoogsteen m·J·J。 Lantinga 大肠。 赞美上帝 e . J。 大的 J·c·J。 Tittonell p。 估计土壤有机碳损失点火:点火条件和结构水损耗的影响 欧洲的土壤科学》杂志上 2015年 66年 2 320年 328年 10.1111 / ejss.12224 2 - s2.0 - 84924249833 史密斯 >。 马丁 m E。 Plourde l Ollinger s V。 高光谱数据的分析估计的温带森林的树冠氮浓度:对比一个星载机载(aviris)和(hyperion)传感器 IEEE地球科学和遥感 2003年 41 6 1332年 1337年 10.1109 / TGRS.2003.813128 2 - s2.0 - 0042883954 Thekabail p S。 Enclona 大肠。 艾什顿 m . S。 莱格 C。 De天啊! m·J。 亥伯龙神,IKONOS,阿里和ETM +传感器研究的非洲热带雨林 环境遥感 2004年 90年 1 23 43 10.1016 / j.rse.2003.11.018 2 - s2.0 - 1242322063 Savitzky 一个。 戈利 m·j·E。 平滑和分化的数据简化的最小二乘法程序 分析化学 1964年 36 8 1627年 1639年 10.1021 / ac60214a047 2 - s2.0 - 0042553279 蔡 F。 Philpot W。 导数高光谱数据的分析 环境遥感 1998年 66年 1 41 51 10.1016 / s0034 - 4257 (98) 00032 - 7 2 - s2.0 - 0032183198 R发展核心团队 接待员:统计计算的语言和环境 2013年 奥地利的维也纳 R统计计算的基础 克鲁斯卡尔 w·H。 沃利斯 w·A。 使用等级标准之一方差分析 美国统计协会杂志》上 1952年 47 260年 583年 621年 10.1080 / 01621459.1952.10483441 2 - s2.0 - 84943709252 杰克逊 j·E。 用户指南的主要组件 1991年 纽约,纽约,美国 约翰威利& Sons 592页 荒原 年代。 van de Waterbeemd H。 请对多元线性模型 最优化方法在分子设计 1995年 德国魏因海姆 VCH 195年 218年 马顿斯 H。 na T。 马顿斯 H。 评估、验证和校准方法的选择 多元校正 1989年 纽约,纽约,美国 约翰威利& Sons 237年 266年 埃夫隆 B。 Tibshirani r . J。 介绍了引导 1993年 纽约,纽约,美国 查普曼&大厅 Mehmood T。 Liland k . H。 Snipen l Sæbø 年代。 回顾在偏最小二乘回归的变量选择方法 化学计量学和智能实验室系统 2012年 118年 62年 69年 10.1016 / j.chemolab.2012.07.010 2 - s2.0 - 84865407521 庄 I.-G。 小君 学术界。 一些变量选择方法的性能时存在多重共线性 化学计量学和智能实验室系统 2005年 78年 1 - 2 103年 112年 10.1016 / j.chemolab.2004.12.011 2 - s2.0 - 21244436700 Breiman l 随机森林 机器学习 2001年 45 1 5 32 10.1023 /:1010933404324 2 - s2.0 - 0035478854 Liaw 一个。 维纳 M。 随机森林分类和回归 R新闻 2002年 2 18 22 Maindonald J。 布劳恩 w·J。 数据分析和图形使用R:一个基于实例的方法 2006年 2日 英国剑桥 剑桥大学出版社 弓箭手 k·J。 金 r . V。 实证描述随机森林变量重要的措施 计算统计和数据分析 2008年 52 4 2249年 2260年 10.1016 / j.csda.2007.08.015 2 - s2.0 - 35748978234 盖恩 我。 Elisseeff 一个。 介绍变量和特征选择 机器学习研究杂志》上 2003年 3 1157年 1182年 难应付的 J。 陈 c . H。 特性集搜索算法 模式识别和信号处理 1978年 荷兰阿姆斯特丹 爱思唯尔 41 60 Akaike H。 高斯自回归移动平均模型的极大似然辨识 生物统计学 1973年 60 2 255年 265年 10.1093 / biomet / 60.2.255 2 - s2.0 - 0015885284 McBratney 答:B。 Minasny B。 流动商贩 G。 必要的元数据pedotransfer功能 Geoderma 2011年 160年 3 - 4 627年 629年 10.1016 / j.geoderma.2010.09.023 2 - s2.0 - 78650757811 Viscarra Rossel r。 Walvoort d·J·J。 McBratney 答:B。 Janik l . J。 Skjemstad j . O。 可见、近红外、中红外或结合漫反射光谱同时评估各种土壤属性 Geoderma 2006年 131年 1 - 2 59 75年 10.1016 / j.geoderma.2005.03.007 2 - s2.0 - 31944445266 骑士 J。 抓住 s W。 东部河网形态测量学和进化莱索托高原,南部非洲 第四纪国际 2018年 470年 4 17 10.1016 / j.quaint.2017.07.024 2 - s2.0 - 85025825618 斯坦伯格 B。 Viscarra Rossel r。 Mouazen a . M。 Wetterlind J。 可见光和近红外光谱在土壤科学 农学的发展 2010年 107年 163年 215年 10.1016 / s0065 - 2113 (10) 07005 - 7 2 - s2.0 - 77954634711 王 J。 他 T。 Lv C。 陈 Y。 剑 W。 映射基于土地退化土壤有机质谱响应单位使用Hyperion图像 国际期刊《应用地球观测和地质信息 2010年 12 S171 S180 10.1016 / j.jag.2010.01.002 2 - s2.0 - 79955112899 Nawar 年代。 Mouazen a . M。 在线可见光谱预测土壤有机碳使用机器学习 土壤和耕作研究 2019年 190年 120年 127年 10.1016 / j.still.2019.03.006 2 - s2.0 - 85062874799 李 年代。 史 Z。 陈 年代。 原位测量土壤中有机碳的概要文件使用青藏高原上的可见光谱 环境科学与技术 2015年 49 8 4980年 4987年 10.1021 / es504272x 2 - s2.0 - 84928388074 史蒂文斯 一个。 范Wesemael B。 Vandenschrick G。 图雷 年代。 Tychon B。 检测使用光谱技术在农业土壤碳股票变化 美国土壤科学学会杂志》上 2006年 70年 3 844年 850年 10.2136 / sssaj2005.0025 2 - s2.0 - 33646551179 常 C.-W。 Laird d . A。 Mausbach m·J。 Hurburgh c·R。 小 近红外反射率spectroscopy-principal组件土壤属性的回归分析 美国土壤科学学会杂志》上 2001年 65年 2 480年 490年 10.2136 / sssaj2001.652480x 旷 B。 Mouazen a . M。 校准的可见光和近红外光谱在土壤分析领域规模三个欧洲农场 欧洲的土壤科学》杂志上 2011年 62年 4 629年 636年 10.1111 / j.1365-2389.2011.01358.x 2 - s2.0 - 79960466458 罗贝尔 d·B。 Asner g . P。 水分对土壤反射率的影响 美国土壤科学学会杂志》上 2002年 66年 3 722年 727年 10.2136 / sssaj2002.7220 Viscarra Rossel r。 牛 s R。 奥尔特加 一个。 福阿德 Y。 原位测量的土壤颜色、矿物成分和粘土含量的可见光谱 Geoderma 2009年 150年 3 - 4 253年 266年 10.1016 / j.geoderma.2009.01.025 2 - s2.0 - 64549156055 Vasques g . M。 格伦沃尔德 年代。 Sickman j . O。 比较土壤碳多元推理方法建模的使用可见/近红外光谱 Geoderma 2008年 146年 1 - 2 14 25 10.1016 / j.geoderma.2008.04.007 2 - s2.0 - 48149107700 彭 X。 史 T。 首歌 一个。 陈 Y。 高 W。 估计土壤有机碳使用vi /近红外光谱学SVMR和水疗中心的方法 遥感 2014年 6 4 2699年 2717年 10.3390 / rs6042699 2 - s2.0 - 84898074912 Vohland M。 Besold J。 山 J。 沮丧 H.-C。 比较不同的多元校正方法测定土壤有机碳池可见近红外光谱 Geoderma 2011年 166年 1 198年 205年 10.1016 / j.geoderma.2011.08.001 2 - s2.0 - 80053054108 Viscarra Rossel r。 希克斯 w·S。 土壤有机碳及其分数估计可见近红外传输功能 欧洲的土壤科学》杂志上 2015年 66年 3 438年 450年 10.1111 / ejss.12237 2 - s2.0 - 84929711328 Nocita M。 史蒂文斯 一个。 托斯 G。 Panagos P。 范Wesemael B。 Montanarella l 预测土壤有机碳含量的漫反射光谱使用本地偏最小二乘回归方法 土壤生物学和生物化学 2014年 68年 337年 347年 10.1016 / j.soilbio.2013.10.022 2 - s2.0 - 84887164680 Nayak p S。 辛格 b K。 粘土的工具性特征光谱仪、x射线衍射和红外光谱 《材料科学 2007年 30. 3 235年 238年 10.1007 / s12034 - 007 - 0042 - 5 2 - s2.0 - 34250882272 斯图尔特 b . H。 红外光谱:基本面和应用程序 2004年 英国奇切斯特 约翰威利& Sons