文摘
土壤高光谱反射率图像得到了六耕种(土壤)农田使用机载成像光谱仪(400 - 2450纳米,10纳米的分辨率,2.5米空间分辨率)。表面土壤样本()分析了碳含量、粒度分布、15个性状重要元素(Mehlich-III提取)。当部分最小二乘(PLS)回归imagery-derived反射率光谱被用来预测分析物的浓度,13 19分析物被预测的铝,包括碳(0.65),(0.76),(0.75),铁和泥沙含量(0.79)。比较15光谱的数学预处理治疗表明,一个简单的一阶导数在几乎所有分析物时感觉很好。结果请因素系数导出为一个向量,用于计算预测土壤属性为每个领域的地图。图像的平滑低通滤波器光谱数据提取之前改善预测精度。生成的栅格地图显示变化与地形因素,表明土壤的再分配和水分的影响政权攷虑空间变异性。高分辨率的地图土壤分析物浓度可用于提高农田的精密环境管理。
1。介绍
空间的评估土壤特性对理解农业生态系统的动力很重要。网站特定的数据可以提供信息,是保持健康的关键土壤和作物生产足够的营养供应,防止损失的营养和沉积物环境和评估转让土地和大气之间的元素如碳。研究表明碳含量等土壤特性与现场地形、土壤质地、电导率、土壤反射率(1- - - - - -4]。一项由Venteris et al。5)记录的积累在低碳领域的领域从更高的地区土壤易位后,产生的碳损失和提高地区土壤退化,和汤普森等。6]soil-landscape建模技术用于评估土壤质地的地形分布和碳含量。这些地理方法占28%到68%的变化测量碳和环境的复杂性和管理实践证明影响土壤特性。最近对土壤健康和可持续的种植制度研究证明了改进的基于知识的系统管理的潜力分布的土壤属性(7]。现代农业管理依赖于土壤中分辨率地图来自照片和地形的解释。准确映射的土壤属性是由困难由于高空间变化观察到在农田,土壤属性的空间评估误差可能来自不足或有偏见的抽样的景观,和高成本与收集和分析土壤样本往往限制了农民和土地管理者信息。然而,遥感技术的进步现在提供工具支持地理空间映射的土壤特性,应用在农业和环境管理。
漫反射光谱提供了一种快速、无损的方法测量土壤属性基于土壤的反射光谱(8- - - - - -10]。越来越多的文献支持使用光谱反射率确定土壤特性,主要使用实验室仪器测量土壤反射率在可见近红外(400 - 700海里)(700 - 2500 nm)和中红外波长(2500 - 25000海里)。偏最小二乘(PLS)回归已成为一个成功的最优化方法提取预测信息从光谱反射率数据集10- - - - - -12]。请方法,描述高杠杆正交因素内观察到光谱差异和匹配他们类似的因素,描述观察到的在测量相应的依赖变量的方差。它已经成功地用来预测土壤碳含量(实验室分析的结果13,14),粒度分布(13,15,16)和元素养分含量(14,17,18),结果有时接近分析实验室检测的准确性(12,19]。44项研究的回顾(20.)记录与预测的土壤碳的范围从0.45到0.98,平均值为0.86。预测精度取决于信号:噪声相关的光谱数据,,像大多数分析校准,也深受值测量数据集的分布。PLS-derived预测方程,像大多数分析校准,是最有效的未知数倒塌的时候与观察的范围用于创建预测方程,获得最好的成功当一个足够数量的本地获得样本包含在校准数据集(12,21]。
传感器技术的进步使得卫星和机载高光谱图像的集合,允许收购幽灵似地详细地理空间反射数据字段和景观尺度。通过结合PLS回归土壤反射率数据来源于机载图像属性,土属性可以开发的高分辨率的地图,从而克服与地理空间插值的土壤测试数据相关的错误。在文献中报道,例如,(16,19,22),说明遥感方法潜力巨大地图表面土壤性质。然而,还需要更多的研究来优化数据分析过程和提高预测能力(19]。分离信号从噪声谱数据处理的一个重要组成部分。几何和大气的调整首先需要获取地理空间代表土壤反射光谱的地图。平均的图像可以平滑空间相邻的像素,例如使用低通滤波器。这可以减少噪音,探测器阵列内的随机信号变化的结果,同时增加相关的信号数量的观察。也是常见的光谱在各方面,通常由平均相邻波段或计算第一和第二衍生品。众多的数学预处理已经评估了应用请从农业土壤光谱反射率数据(8,14,23,24]。
在这篇文章中,我们有三个目标:(1)评估30的光谱组合数学预处理和图像平滑技术来识别最有效的方法,为遥感数据的偏最小二乘(PLS)分析土壤特性(2)开发和验证请预测土壤浓度19实验室基于数据从机载高光谱图像中提取和分析物(3)出口请矢量地理空间图像处理软件和计算高分辨率光栅的地图预测土壤特性。6最近耕种农田集中取样提供校准数据集。
2。材料和方法
2.1。现场取样
2007年4月10日,我们收集了315个土壤样本(图六个字段1)位于工作粮食农场东部海岸的切萨皮克湾(伊斯顿附近的德玛瓦半岛半岛,MD)。每个字段(寺庙1 s, 7.3公顷;庙1 n, 7.1公顷;寺2,8.9公顷;庙3 18.1公顷;梅森,14.6公顷;施克拉德9.8公顷)被选为提供制服,光滑,裸露土之土壤条件,最近已经耕种(犁板耕耘、中耕机领域和磁盘),和几乎没有植物或植物残渣。土壤条件适度干燥时取样,六天的温暖的春天的天气因为前面的大量降雨(25毫米4月04,2007)。所有字段都是相对平坦的斜率(0%对5%)。土壤类型包括适度排水良好淤泥这种(Pineyneck PiA Mattapex-Butlertown MtA)、排水不良淤泥这种(奥赛罗Ot)和透水性良好的桑迪这种(游戏内Indleside)。 Although the majority of Eastern Shore farms are managed using no-till practices, the tilled fields were otherwise typical of regional cash grain crop management strategies.
(一)
(b)
(c)
(d)
(e)
(f)
取样位置(315)建立了约40米的间隔在每个字段的横断面。横断面建立了用拖拉机拉凿犁柄通过土壤在20厘米深度。所有抽样发生4月10日,2007年,在一个漫长的一天的实地考察大型抽样船员。土壤耕法已经混合从铧式犁翻耕法,这个新的耕作,创建了一个区域的扰动土背后的凿犁柄表面收集土壤样本(~ 400 g)在每个位置。因为凿犁柄没有转化的土壤,这种抽样方法近似条件裸露的土壤表面所观察到的成像分光光度计。样本容量范围从30到86场。建立了全球定位系统(GPS)点为每个采样位置使用手持特林布尔Geo-XT单位分表的准确性,计算> 20序列坐标读数的平均值。
土壤样本空气干燥(> 48小时)和地面通过一个2毫米筛。沙子、淤泥和粘土含量测定采用比重计法粒度分析(25]。标准土壤养分分析特拉华州大学的土壤测试实验室(http://ag.udel.edu/other_websites/DSTP/),使用Mehlich三世分析(26]钾(K)、钙(Ca),镁(毫克)、锰(Mn)、锌(锌)、铁(Fe)、氮(N)、磷(P)、铜(铜)、(B),硼硫(S),和铝(Al)。磷饱和度计算百分比的比率磷铁和铝的内容。有机质含量(OM)是由损失点火。次级样本roller-milled 12小时前元素分析碳(C)和氮(N)内容使用TruSpec CN干燥燃烧分析仪(美国密歇根州圣约瑟夫Leco Corp .)。所有样品都包含重要的无机碳。当天作为土壤的野外采样,机载光谱图像了。
2.2。图像采集
机载高光谱成像光谱仪(HyperSpecTIR)用于本研究把扫帚传感器开发的SpecTIR公司(美国内华达州里诺)。178年辐照度测量光谱通道与大约400至2450海里soi决议(27]。Orthorectification成立一个像素内(< 2.5)宽容。面临一个向上辐射传感器测量入射太阳辐射是用来校准图像地面反射率和限制大气影响下飞机的空间。
飞机飞行在1800米高度的地面速度210公里的人力资源10:00和14:00小时,4月10日,2007年。在这个高度上,图像覆盖一片宽800米(320邻2.5像素)。飞行路径被空运与太阳的原则平面平行。修正了航迹照明测试,但没有改善的结果,因此不采用。一些传感器错误识别,故障检测器元素在特定波段产生错误的结果,导致沿径分段预测分析物浓度的地图。这些错误被纠正的15个最明显的空间平滑通过替换每个错误的反射率值与平均值的两个相邻检波器元素特定错误的波段。虽然很明显从预测图像的目视检查坏探测器元素,只有15个最明显的错误被纠正。
土壤光谱与每个采样位置关联被覆盖从图像中提取GPS点shapefile(< 1米geopositioning错误)的取样位置和选择与每个底层像素相关联的数据。这样做是对原始图像存在1个像素的提取和空间平滑的图像低通滤波器应用(中提取)。图像处理是使用环境4.7进行的。每个像素的高程数据来自模激光雷达数字高程图,重新取样分辨率2.5米,垂直精度为0.20 m。2.5米分辨率湿润指数也从激光雷达数据计算,使用传奇软件应用连续两个迭代的一个增强的李过滤器。这种方法接近上坡的累积影响贡献区域。近红外反射光谱为每个315干,地面土壤样本也获得了在实验室使用台光谱仪和控制光源,方法和结果请在McCarty et al。28]。
2.3。光谱数据处理
15光谱的数学方法进行评估使用SAS 9.12版本。程序修改为高光谱数据处理(23]。其中包括untransformed光谱、一阶导数差距从1到64,和二阶导数差距从1到64。这些数学方法分别应用平滑和不光滑光谱,导致共有30个数据组合,使用独立的预测计算请每个实验室使用所有315个样本的分析物。光谱数据和分析物值意味着中心之前,请分析。中使用的许多因素都被媒体请选择回归算法(24]在SAS Proc请从四到十不等。没有执行测试异常值,观测值也都包括在分析中。拟合优度决心使用重复分析交叉验证,结果作为确定系数()。排名分析是用来测试数学之间的显著差异的治疗方法,对所有分析物预测。
一旦选择最好的数学处理,请工具箱版本。4.0(美国韦纳奇特征向量研究洗),在Matlab(版本7.0)环境中操作,用于执行请分析使用mean-centered光谱和分析物的数据从五个六个字段(269个样本)。拟合优度决心使用重复分析交叉验证,结果作为确定系数()和剩余均方误差(RMSE)。剩余的数据字段(寺庙1 s, 46样本)被视为未知样本和预测请系数,与预测精度报告为偏见(观测值)的平均预测值-平均除以平均预测值(偏差/意味着(pred))以及标准差的验证(24,18.8节)除以标准预测误差(sd / se pred)。
使用Matlab的允许请因素的数学压扁成178乐队系数向量,这个向量的标量积和每个像素的imagery-derived光谱是用来计算预测分析物浓度。这个计算是为高光谱图像的每个像素使用IDL代码运行的环境内4.7编程环境来计算合适的数学。通过这种方式,地理空间领域的地图预测分析物浓度。
3所示。结果与讨论
3.1。土壤测试结果
观察分析物浓度的6个采样中描述字段表1。土壤干燥时取样,水分含量从10%到23%不等的多数(91%)的样品(表1)。总的来说,观察碳含量的分布值并不大,从0.6到2.0%(表1)。梅森的网站,最近刚刚从长期传统的粮食生产有机粮食生产,表现出较低的土壤碳(平均0.7%)内容相对于其他领域(1.2 - 1.4%)的手段。施克拉德网站收到了牛粪的长期应用和表现出有些增加土壤C(平均1.4%)相对于其他领域。剩下的4个字段(表1:庙1 s,庙1 n,寺庙2,和寺庙3)是由一位农民,和受到类似的管理(传统corn-wheat /大豆旋转)。总体而言,碳含量很低,是典型的马里兰州东海岸农田。剩下的分析物浓度在正常范围内的农业土壤,虽然网站之间的差异并不大。
3.2。选择的数学处理
高光谱数据处理的SAS“猎枪”方法曾被用来提供一个阶乘的比较各种数学方法的影响请分析土壤光谱(23]。这种方法被用来比较不同光谱预处理包括共有15 1号和2号衍生品与各种缺口宽度(表2)。结果表明没有统计学差异的大部分治疗,用最简单的治疗方法(2)没有导数,一阶导数差距往往导致最合适。这导致了这样的结论:请数据挖掘技术能够从untransformed光谱提取出信号的大部分信息数据,而不需要数学预处理。
有一些参数,不同的数学方法更适合特定的分析物,由于光线的物理相互作用与特定的成分。一些证据显示这是钾,一阶导数的差距8增加从0.514(一阶导数差距2)到0.578(表2)。然而,必须采取谨慎防止过度拟合的数据集,并需要进一步的研究来证明数学的选择多样性治疗使用特定分析物。最终,一阶导数差距2被选为最佳数学整体治疗虽然轻微,但不显著,表现在一些情况下(表2)。
3.3。偏最小二乘回归:校准数据集
一旦数学最好的治疗方法是决定,请回归了在Matlab使用校准数据集的269个样本(所有的抽样地点从五个六个字段),结果报告在表3。应该注意的是,315个样本的光谱数据用于计算SAS请在表2前一版本中提取的图像处理输出15乐队错误尚未纠正和航迹的照明应用。这种差异导致略低被用于表2比表3,但并不认为数学治疗的相对性能的影响。使用Matlab请269个样本,13 19分析物被预测的(表3(一)),剩下的七个预测:N (P < 0.30),(< 0.36),铜(< 0.36),B (< 0.17), S (P < 0.28),和饱和度(< 0.13)。观测值和预测值的比较选择的分析物(碳、淤泥、铝和铁)如图2。
(一)
(b)
(c)
(d)
预测精度为碳(下跌好结果的范围内(0.45 - 0.98)44的调查研究发现(20.]但有点可怜与结果相比其他一些研究发现例如,(11,14,15]。有些穷人碳可能导致的结论是,传感器没有捕捉到一个好的反射信号由于噪声增加常与机载传感器,来源于大气影响和sensor-soil-sun几何变化图像。实际上,一些研究发现遥感光谱减少了信号:相对于实验室测量噪声(24]。然而,碳请结果报道McCarty et al。28),计算出所有315个土壤样本在这个数据集,使用重复分析相关性来确定拟合优度,表明光谱的机载传感器一样有效(),从近红外光谱分光光度计(台式实验室)在预测土壤碳浓度。其余12分析物在考虑中,机载传感器表现出减少精度相对于实验室分光光度计在三个案例(变化0.03−−0.08)和表现出增加了9例(变化的精度0.01到0.20)。
这些观察结果导致这样的结论:机载传感器提供了一个可行的选择映射土壤属性和在这个实验中观察到的有些可怜的预测精度明显源于特性与当地土壤环境或校准数据集,而非机载传感器的有效性。观察分析物浓度的分布和范围内校准数据集可以产生实质性影响的预测精度,预测精度偏低,碳含量在这项研究中观察到()可能与有限的土壤碳含量和较低的值范围内发现校准数据集(0.6%到2.0%)。
对于其他分析物,预测精度(表3(一))比有其他研究发现(8,15,17,18]。利用主成分回归,Chang et al。18]预测学家tanya Melich三世被分析物的浓度,类似于这项研究中,发现铜和P有可怜的预测、淤泥和粘土含量预测和其他一些分析物,包括铁、镁、锰、钾、pH值、预测。并不总是知道的直接行动成功的预测分析物的反射信号或相反的分析物浓度与其他因素共变影响光谱响应(29日]。磷,例如,没有预期的反射共振和通常是糟糕的预测(例如,0.36在这项研究中,0.40 (18,低见0.10在其他研究8,29日]),但偶尔会和相当准确的预测(8,29日),可能由于与光谱响应因素共变与不稳定有机物质有关。
3.4。验证
最优化的预测土壤属性通常是验证通过预测分析物浓度的样品并不包括在校准数据集,和比较观测值的预测结果。这可以通过计算重复分析或leave-ten-out预测,或通过选择一组不同的样本随机,空间,甚至基于样本分布的范围内观测值(2418节)。我们选择采取严格的验证通过移除整个农业领域包括46个样本(庙1 s)的数据集,留下269个样本进行校准。这个领域是四殿字段,收到类似的作物管理(旋转着/小麦全覆盖作物的耕作和没有使用),它表现出被分析物浓度的中档(表六个字段1,图2)。46的预测值计算时验证样品和观测值相比,偏差范围从1%到22%的观察分析物的浓度(表3(b))。7的分析物表现出sd / se pred > 1.20(粗体文本表3(b))使用从平滑图像提取的光谱,表明这些元素的预言是有用的(沙子、淤泥、钙、镁、锰、铁、铝),而只有一个分析物(Fe)展出sd / se pred > 1.20使用从未平滑图像提取的光谱,表明空间平滑有助于增加信号:噪音谱数据集。
3.5。预测地图
178年对于每个分析物,请回归向量系数出口从Matlab应用于mean-centered红外反射光谱一阶导数光谱与高光谱图像的每个像素计算预测的2.5米的栅格地图分析物浓度。预测地图选择的分析物(碳、淤泥、铁和铝)派生以这种方式使用不光滑和平滑图像(图3)。Ben-Dor et al。19]讨论了需要关注图像处理方法提取最大光谱图像的信息。在这项研究中,平滑的高光谱图像低带通滤波器光谱数据提取之前导致有些未平滑图像(表相比,提高了预测精度3(a))。虽然这个结果意味着平滑程度的九个相邻像素(56.2米2)提供了一个更好的平均表示每个采样点的土壤特性比个人6.25米2像素,它更有可能增加的准确性与平滑图像是由于改进的信号和减少传感器探测器元素变化(噪音),结果从九coaddition相邻光谱。平滑也普遍改善的范围和分布预测分析物(表中找到每个字段值图像4),可能由于探测器内的畸变校正元素。然而,应该注意的是,不连续(分段)在植物的飞行路径明显平滑和未平滑预测图像(图3),指示的影响变量沿着传感器阵列探测器元件灵敏度和传感器技术的持续改进的必要性。一些被认为是额外的图像调整,包括航迹照明,从反射转换来,也是光谱平滑(没有显示)。然而,这些操作改进的结果,他们因此避免。
(一)
(b)
3.6。地形分析
目视判读的地形特征相对于预测分析物地图显示碳积累,淤泥,铁,铝低地区(图4)。这一结果与先前的研究在爱荷华州,在协议联系增加了土壤C碳含量低的地区土壤再分配过程(3),一项由Terra et al。1)检测到一个相关的土壤属性与地形指数和导电性碳含量50%的观察到的变化来解释。其他研究已经评估之间的联系等地形和土壤成分有机碳在景观尺度,显示累积斜坡和山谷底部的底部(30.]。本研究的工作是由规模,反映microtopographic土壤在相对平坦的海拔梯度分布过程边坡(0% - -5%),以及造型的土壤水分分布的影响和空间变量引起的土壤生物过程之间的异质性和氧化还原平衡状态好氧的和缺氧的条件。了解土壤分布模式分析物,hydrogeomorphic控制这些模式的影响,可以提供更大的确定性的影响土壤侵蚀和土壤生态学的命运碳和养分。
(一)
(b)
(c)
(d)
调查潜在原因的空间分布预测分析物值,2.5米海拔地图(re-sampled模激光雷达民主党)被用来计算一个规范化的高程值(observed-field意味着高度)和土壤湿度指数(连续两次迭代的传奇故事增强了李过滤器)的每个像素预测分析物的地图。(表规范化标高变量有点相关5(一))预测浓度的铝(0.39,不光滑和空间平滑图像,分别),没有很好地与预测浓度的淤泥,铁和碳。湿润指数同样与预测铝浓度(),是一个更好的预测土壤碳,解释观察到的变化(表的17%5(b))。在所有情况下,地形变量与空间平滑预测比那些由未平滑图像。地形指数的比较差的相关性观察到在这项研究可能表明,土壤碳和元素养分含量变化更多相关领域管理和肥料应用程序比高度和土壤再分配,或者更复杂的比测量topography-influenced生态和物理过程在起作用。斜率浅浮雕(< 2%),沟排水、沿海平原土壤等样本在这项研究中,由于侵蚀土壤再分配可能局限于短距离(< 1 - 10 m),之前转换领域内湿地地区展览留存的氧化还原能力的活动,会影响铁和铝的转换,增加脱氮和碳积累。在这种景观,空间分布的土壤碳和养分含量很可能受到排水状况和土地利用历史的复杂的相互作用,不轻易的特点(5),最终它可能更可行的地图地表土壤参数使用遥感技术比基于测量和预测他们的理解网站特定的进程。
在遥感土壤水分可以成为干扰变量最优化分析,减弱土壤的反射信号的特定波段与水有关的吸收光谱(31日]。土壤水分的315个样本包含在本研究介于5%和42%之间,与大多数样本附近的下降意味着15%的水分。当含水率观察时成立的一阶导数光谱土壤样本作为第177个预测变量(正常化的适当意味着定心和变异),请相关的预测精度模型C、淤泥、铝和铁没有改善(变化< 0.02)。同样,当淤泥作为额外的预测变量,可能占土壤粒度分布和光谱反射率之间的干扰,请相关的预测精度模型C、淤泥、铝和铁没有改善。这些研究结果验证,请分析是一种有效的方法,可以成功地从遥感图像中提取预测信息原位农业土壤。
4所示。结论
目前机载收购高光谱反射率图像可以提供必要的数据绘制了土壤属性以高效、快速的方式,和未来的改进传感器技术将改善信号:遥感图像噪声和空间分辨率。遥感研究的结果,进行相对平坦,适度排水,海岸平原粉砂壤土土壤,表明请框架是健壮、光谱可以保持简单的数学方法,用一阶导数差距2提供所有分析物的良好效果。空间平滑反射图像的使用低波段滤波器改善结果,可能通过减少噪声固有的可变性在分光光度计的探测器阵列。十五19检测分析物的预测(与从0.51到0.79 C,沙子,淤泥,粘土、pH值、OM、钾、钙、镁、锰、锌、铁、铝含量;表3)。预测精度为碳不是特别好()选择采样领域,也许由于低浓度和有限范围的观察到的变化(0.5%到2%)校准的数据集,但预测精度为其他分析物与那些被发现在其他研究8,15,18]。预测映射的值选择分析物,特别是铝,相关现场地形,表明环境过程对土壤性质的影响。还需要进一步的研究来理解的相互作用可衡量的地形和水文变化这一相对平坦的农业景观管理的内在变量如耕作、作物轮作,添加肥料,肥料也影响土壤化学和物理性质。
遥感方法使用多光谱和高光谱图像预测土壤属性必然是有限的投入分析领域很少作物残留物或植被(裸露的土壤)。因此,技术,根据相关性推断土壤属性数据来源于更容易测量的参数,如地形、湿润,种植模式可以提供。在这项研究中使用的字段被精心挑选大量的表面残留物可以忽略不计,绿色植被、水文活跃地区。如果这种技术在大范围内实施,带过滤可以用来删除等non-soil领域分析基于阈值的关联与生物质谱指数(例如,归一化植被指数(32)、作物残留物(如纤维素吸附指数(33]),或土壤水分(例如,水吸附(13,31日])。
随着高光谱图像变得更容易获得,以较低的成本,应用偏最小二乘(PLS)回归土壤光谱反射率数据可以提供一种有效的方法来计算高分辨率光栅地图的重要土壤属性包括纹理、pH值、碳和养分含量。这些信息可以用于通知农民决策、支持农业领域的精密环境管理,增加可持续作物生产,并有助于减少养分,沉积物,并从农业系统碳损失。
确认
本文中大大受益,两个匿名评论者的评论,和项目从已知的科学的同事,也感谢输入去Drs,谢谢。瑟宾特里Slonecker克雷格•道奇乐团的家伙,和保罗Doraiswamy末。提供的技术援助是魏仁芳Prabhakara和贝斯加德纳博士,亚历克斯·怀特和实验室和野外工作和安东尼奥·佩雷拉。感谢特拉华大学的土壤测试实验室,有效样本处理。由于奥利弗Weatherbee和SpecTIR机载图像公司收购。支持这个项目是由美国农业部提供Choptank河保护效果评估项目。任何使用贸易、公司或产品名称仅用于描述,并不意味着美国政府支持的。