基于特征的比较高,请回归预测技术的三个南非退化生态系统中土壤成分

文摘

选择土壤成分的准确评估可以提供有价值的指标来识别和监控土地变化加上退化在半干旱地区频繁的现象。两种方法的量化土壤有机碳、铁氧化物和粘土含量根据现场和实验室自然表面的光谱测试。(1)物理方法基于光谱吸收特性分析。对于每个土壤组成,一组诊断光谱特征选择和与化学参考数据由多个线性回归(高)技术。(2)偏最小二乘回归(PLS)作为一个专门统计多元方法适用于比较。回归模型开发基于大量的地面参考数据收集的163个采样站点的丛林生物群系,南非,土地变化观察到由于密集的过度放牧。评估其预测性能的方法和意义关于未来的量化土壤成分在大面积使用成像光谱。

1。介绍

土壤上层的地球表面是最重要的能源和营养流层植被的发展,因此所需的关键重要性进行景观分析。描述生态系统的土壤条件及其时空变化土壤健康的重要指标,尤其是在农业生态系统与作物生产直接相关。在半干旱地区,加上退化和水土流失土地覆盖变化频繁的现象可能是长期管理实践的结果或可能与气候变化有关。特别是在土壤碳的消耗库存以土壤退化和侵蚀为主(1)和直接原因不仅环保而且经济问题。半干旱的亚热带丛林生物群系的南非东开普省土地变化观察到由于几十年的过度放牧山羊。这造成了独特的生态系统改变从茂密的灌木地植被的固碳率高,周边土壤系统开放的研制。土壤化学和物理属性可以作为示踪剂,评估和监测等现象。然而,映射的空间分布和时间发展有限使用传统的土壤分析,因为这需要密集采样和分析工作。

尽管如此,字段和成像光谱提供了一个——高效的工具,用于映射的选择对大面积土壤化学和物理属性。土壤成分可以根据诊断确定固有的土壤的反射光谱吸收特征。一般来说,量化诊断光谱特性的直接应用目的是有限的许多特性受到(1)的重叠光谱特性和(2)附加其他的影响,主要是物理,土壤性质(如表面粗糙度)影响光谱反射率无意义的。

介绍了两种方法的量化土壤有机碳、铁氧化物和粘土含量基于实地和实验室光谱。首先是物理方法基于光谱吸收特性分析。对于每个土壤组成,一组独特的光谱特性在光谱的选择根据他们的存在和他们各自的文档文献。他们是与化学有关的地面通过多元线性回归技术参考信息。这种方法建立了利用几个光谱特性和特点以及各种属性描述这些收集最物理特征所提供的信息内容。测试如果结合几个光谱特性的优势,虽然每个光谱特性可能影响,将导致预测模型及统计技术的性能。第二种方法,常用的偏最小二乘回归(PLS)作为一个专门统计多元方法适用于比较。请技术是否适合映射的几个土壤成分是众所周知的(例如,2])。研究了两种方法的预测性能和意义三个光谱数据集以现场和实验室和两个光谱分辨率(全ASD HyMap传感器的分辨率和光谱分辨率)。本研究的目的是允许一个健壮的量化碳库存半干旱土壤和另外提供指标与土地退化的生态系统功能。

在下一步中,这些方法将被应用为未来大规模量化土壤成分南非研究网站的灌木丛生态区。高光谱图像(大约320公里²)HyMap机载传感器(3)在2009年收购了这个区域的,加上一个广泛的光谱和化学地面参考数据的集合(163参考图)。在灌木丛生态区,准确的空间信息可以用来量化的后果不可持续的土地管理技术和检测侵蚀或退化地区的初级阶段。

2。状态的艺术土壤光谱

许多研究存在的上部土层描述基于光谱数据从实验室或现场环境。例子包括土壤有机碳(例如,4- - - - - -7)、土壤铁氧化物(如[8- - - - - -10]),土壤质地与粘土含量(例如,7,11,12])。

与越来越多的最后几年里,机载光谱仪数据用于预测土壤成分。直接转移的方法在实验室或现场数据开发的机载扫描仪是有限的技术方面根据传感器系统等空间和光谱分辨率较低,信噪比增加,大气影响,双向反射效果,在像素光谱混合。最近的总结主要研究利用成像光谱研究土壤特性可以在Ben-Dor et al。13]。

Viscarra Rossel et al。2)大纲的潜力不同的谱域结合不同方法的推导定量土壤利用土壤光谱信息。偏最小二乘回归(PLS)为多元校正过程是一个行之有效的方法对这些目的,通常是用于以前的研究(例如,14- - - - - -16])。请统计导出适用于光谱特征之间的关系来描述土壤化学和光谱信息。然而,请模型的意义和可转移性建立在本地观测区域范围内往往是有限的,因为他们的高度的适应(见,例如,15])。允许一个映射为生态系统的土壤成分的区域范围,需要更健壮的算法。在先前的研究中,方法直接应用光谱吸收特性或乐队指数被认为是更合适的,因为他们是基于物理(例如,17])。这些方法看起来更健壮和允许转移到地区相似的环境条件。在以下论文中,一个特殊的焦点被设置为研究应用土壤光谱特征参数量化,特别是基于机载传感器。

土壤有机碳的稳定的重要性和生育能力及其对全球碳循环的贡献导致全球倡议量化生态系统碳储量及其变化。因此,有非常强烈的努力为这些目的使用光谱导致各种研究的量化处理土壤有机碳(例如,14,15,18,19])。旁边的多元技术,特别是估计土壤有机碳是基于全面降低反射率在可见光及近红外光谱区域(见[4])也使用光谱指数(例如,4,6])。

以类似的方式,几项研究已经应用吸收特征参数的量化铁氧化物含量。里希特et al。20.]所以乐队使用900 nm的深度特性和评价光谱变量土壤质地对预测精度的影响,实验室的设置。铁氧化物的浓缩Israelian沙丘(rubification)被映射Ben-Dor et al。21使用属于接近机载传感器),红色指数的应用程序作为一个iron-related乐队指数。

粘土矿物的大规模映射,Chabrillat et al。22)应用的不同形状2200纳米蒙脱石的特性,伊利石、高岭石和检测和地图的空间分布从空中AVIRIS HyMap数据科罗拉多州,美国,而戈麦斯et al。23和也Lagacherie et al。24)成功应用的连续删除带深度量化粘土含量2200纳米特性。

3所示。研究区和数据收集

亚热带丛林是一个独特的植被类型位于半干旱的山谷,覆盖大约17%的南非的东开普省(25]。其中,70%以上的植被单位视为“适度”“严重”退化26]。丛林是一个不寻常的植被类型为半干旱环境从一个几乎完全覆盖茂密的植被存在于原始的条件。丛林植被组成组件的多汁的灌木Portulacaria身兼(27),占大比例的碳生物量和周边的土壤。密集的山羊养殖自1900年代初以来导致的损失身兼p .,宽的变换部分丛林植被开放研制系统,这是伴随着严重的生物多样性的丧失和生态系统碳储量25]。栅栏农场之间不同的利用显示原始和改变了植被在直接附近(图1)。

研究区位于城市附近的伊丽莎白港(33.0°S / 25.3°E;参见图2)。这是选择在灌木丛生态区的程度公里,包括最高的方差各种错综复杂的植被类。它将两部分分开的一个国家公园。地形高程变化从300年到930年的北部,130年到400年南方部分。研究区与月度温暖半干旱气候冬季平均气温从13°C到25°C(在夏季(数据28])。平均年降水量200 - 400毫米。底层泥岩和砂岩的发展导致了肥沃的土壤和桑迪在表面(主要是始成土和淋溶土),(自己的调查和29日])。

3.1。现场取样

163年两个抽样活动自然、非农网站采样为地面真理,96年9月2009年6月和67年/ 2009年10月。故事情节被随机分布在地形单元和研究区域的两个部分,如图2。大部分的采集标本在裸露的土壤是占主导地位的土地覆盖的地区分数。网站的数量和可变性采样会导致完全覆盖土壤的方差。每个点被选为代表的典型条件调查周围的区域。对于每一个情节,一般的地址信息(GPS坐标、地形信息、土地利用等),现场接触土壤和土壤的光谱样本收集。额外的信息关于植被覆盖密度和类型,以及表面条件评估中心的点米)及其周边(米)。土壤样本的代表点包括顶层最大深度约1厘米,仅限于地壳如果物理表面土壤结皮出席。38块,野外光谱测量不可能是由于阴条件;因此土壤野外光谱采样站点的只有125。

机载HyMap成像光谱仪数据获得2009年10月在研究区地面分辨率为3.3 m。这些数据用于适当的光谱重采样点的光谱数据集而不是本研究的范围,因此这里描述不详细。

3.2。实验室化学分析

土壤样品化学分析有机碳和亚硫酸氢可榨出的铁使用Walkley-Black分析[30.),分别citrate-bicarbonate-dithionite提取方法(CBD, [31日])。粒径在5个分数决定吸管法(32]。分析显示桑迪和肥沃的土壤有机碳含量普遍偏低。没有一个直方图分布显示了正态分布(图3)。所有参数,低浓度表示。对有机碳,只有两个样品超过3.5%,显示高5.9%和5.7的内容。这两个样本在不同寻常的网站,因为样本是在一个地区受到放牧动物的粪便,在另一个示例网站部分草层覆盖裸露的土壤表面,可能会导致增加土壤碳的输入。铁氧化物,它们主要是底层的风化过程的结果砂-泥岩范围高达10.6%。实地调查表明,粘土和砂的分布上覆土壤底层的材料直接相关。粘土和砂浓度的增加,泥岩、砂岩,分别发生接近水面。所有样本用于进一步分析,尽管一些样品的化学内容不同于其他人群的分布(见图3)。

3.3。光谱参考数据

测量协议导致三个光谱数据集字段和实验室环境,(1)insitu公司现场原状土表面的光谱,(2)裸露的土壤光谱,在最终呈现小石块的封面,和(3)实验室光谱。

spectroradiometric测量的便携式FieldSpec Pro 2光谱仪(分析光谱设备,Inc .)使用。进行了测量与裸露的纤维(FOV 25°),直接转换为使用Spectralon反射面板作为参考。测量身高在1.15米保持不变,导致足迹直径大约50厘米。场所的安静的裸露的土壤部分非常小,另一个身高0.5米的应用。如果小石子(毫米厘米范围)覆盖表面,改变表面的测量进行了第一只(insitu公司),然后从裸露的土壤表面的石头盖小心地删除。石头覆盖大约一半的网站很低(< 3%)。尽管如此,特别是在地区土壤浅和发展在泥岩、它和范围的风险高50%左右。

样本干后,溶解聚合物,和土壤渗分数小于2毫米了光谱测量在实验室。恒照明条件由两个石英卤素灯(300 W) 30°的天顶角和谱仪探针和样品表面之间的距离15厘米。5测量后被裸露的纤维,再由90°和测量每个样本被降低土壤表面的光照效果。使用Savitzky-Golay平均场和实验室光谱平滑滤波器(33]。此外,光谱测量领域,范围的大气水乐队插值从1345年到1445 nm和1800 - 1960 nm)。

自量化方法开发应用到高光谱图像,每个数据集用于完整的ASD分辨率为2087光谱实验室数据和1829年乐队的乐队现场数据集,分别为(382 - 2468 nm, 1海里重采样),另外重新取样116校准HyMap图像的光谱特征选择乐队(456 - 2455纳米,光谱分辨率13 - 17海里)。

不同的测量设置反映在统计(图的谱库4)。的平均反射率光谱测量在实验室高于两个区域的数据集,因为事先预处理应用样品(均质化和筛分)防止阴影效应可能是由于土壤聚合或外来物质(图4(一))。控制的实验室条件下导致非常低的标准差。尽管如此,实地测量的光谱差异影响拉伸,不特定的土壤成分的特征,如表面状况和照明效果(数字4 (b)和4 (c))。insitu公司实地测量,平均土壤反射率降低小石块上覆土壤表面。详细的统计数据显示,石头的存在还介绍了进一步变化的测量,因此,标准差是高于相应的裸露的土壤实地测量。裸露的土壤野外光谱特别是现在大极端最大和最小光谱(图4 (c))。土壤物理外壳存在,光滑的土壤表面结合减少了土壤表面的粒子的大小增加土壤反射率。因此单个样品的反射率测量现场环境中超过了相应的实验室光谱反射率。

4所示。方法

应用两种方法建立定量关系的化学内容调查土壤成分和光谱信号。是一个基于物理模型的方法,光谱特性分析是加上多元线性回归技术,而方法B应用偏最小二乘回归作为一个专门多元统计方法。75%的数据(94个样本数据集,123个样本进行实验室数据集)是由随机分层抽样选择基于每个土壤成分的化学参考培训和用于模型校准,而剩下的25%(31岁,分别地。,40个样品作为测试集验证模型。训练集和测试集的分布从而代表化学引用值发生在南非研究区域。即使测试样品不用于模型校准,他们不能被视为完全独立于训练集由于空间距离的测量。

4.1。方法一:多元线性回归的光谱特征参数

这种方法适用于一系列的光谱特性,发现在之前的文献特征对土壤有机碳、铁氧化物和粘土含量对随后的多元线性回归分析。因为特定的光谱属性相关的物理吸收过程,这种方法被认为是一个物理模型。这是利用开发的几个光谱特性和特征的组合。通过参数化的光谱特性,利用现有的基于物理信息。

以下4.4.1。选择的光谱特性

诊断光谱特性的选择是基于他们的存在在光谱和著名的文学作品,例如,(7,8,34- - - - - -40]。从现有的信息只选择最重要和强大的功能来提高算法的鲁棒性。功能独特的土壤成分是首选,但并不是所有的光谱特性可以满足这个需求。表1列出了光谱特性,选择用于本研究的总结和引用先前的研究,这些特性被描述为丰富土壤或nonsynthetic矿物粉末。

选中的光谱特征分为三种特性:吸收特性(AF)的特征光谱曲线(CF)和特性的连续光谱的凸包(高频)。与这三种类型假设中描述的所有特定的光谱特征覆盖以前的研究作为重要的土壤有机碳、铁氧化物和粘土含量。

光谱检测和评估的土壤有机碳具有挑战性,因为许多有机材料所固有光谱特性通常是弱匹配的复杂化学有机物。在吸收以往的研究发现有机物分子和组合的特点,选择波长范围在1730和2330海里,因为他们被认为是最独特的先前的研究。尤其是吸收约1730纳米有机碳是独一无二的,因为在这个波长区域没有其他共同矿物质的吸收存在于土壤和岩石发生。在这两个波长区域,几个第二和第三的泛音吸收的功能组分配到纤维素、木质素、淀粉、果胶、葡聚糖、蛋白质、蜡和腐殖酸结合土壤有机质的组成部分重叠和导致明显的吸收(例如,5,34])。organic-carbon-rich土壤的一般减少反射,例如,可见由于腐殖酸的黑暗,包括光谱连续的一个特征。几项研究采用不同的波长区域为了描述该属性(例如,5,6])或测试各种光谱指数的性能检测土壤有机碳(例如,4])。在这项研究中,这两个范围可见地区450至740海里,在不久的短波红外介于1460和1750 nm之间用来描述特征减少反射产生的土壤有机碳的存在(高频)。

两种有机物的选择特征模糊,但仍可以应用自当地条件研究区域排除任何影响。首先,这适用于附近的吸收2330海里,这也是固有的碳酸盐矿物,但由于没有碳酸盐岩基岩在研究区沉积物和碳酸盐沉淀只出现在本地和主要在更深的土壤层。第二,除了土壤有机碳的影响,总体反射率也受土壤含水量和粒度分布的影响。然而,土壤水分的影响可以忽略,因为所有土壤干燥的日子和时间前的调查。这也是由当地气象数据显示(41]。晶粒尺寸的影响对整体反射和特性接近碳特性还包括在2330 nm作为粘土含量的测定的光谱特性,但它是不可能解决每个成分的比例。

测定土壤铁氧化物,我们应用强大的吸收发生在可见范围大约在550年,700 nm,接近900海里。他们由于电子跃迁的bi -和三价铁离子化合物最常见的铁氧化物针铁矿和赤铁矿(例如,[34,35,39])。电子跃迁乐队通常表现为广泛的吸收。减少反射蓝色对紫外线的地区的广泛吸收带紫外线范围是由不同的作者描述(例如,38,39]),包括光谱曲线的两个特性:首先,反射率的变化在蓝色波长范围光谱曲线的斜率之间的550和590海里(CF)第二,连续体的形状包含整个VIS范围(450到740纳米,高频)接曲线的形状与减少550纳米吸收的影响。

粘土含量的光谱测定使用知名AlOH吸收特性约2200海里,是内在的粘土矿物,和一个小羟基功能约2340海里。因为特性源于基本的官能团,泛音吸收固有的粘土矿物,它们的存在是明显的,窄的吸收。随着伊利石和蒙脱石作为主要粘土矿物在研究区,2206年被选为中心的波长2200 nm的吸收。此外,粒度分布的光谱效应作为土壤粘粒含量的间接指标。越来越内容的细粒度大小的影响导致反射率的增加(例如,34,42])分析了形状和意味着反射光谱曲线的活力和近红外光谱/短波红外成像范围(高频)。

4.1.2。特征参数化

在特性参数,分析了光谱数据集选择的三种类型的光谱特征进行了介绍和转移到数值参数描述光谱的形状特性(见图5)。这些光谱特征变量用于随后的回归分析。表1应用光谱特性的列表参数用于参数化。

光谱吸收特性(AF)从连续删除参数化反射光谱分离从整体反射和允许相互比较的趋势(见图5(一个))。连续去除(见[43])计算单独定义区间的特性映射(CR在表1)。房颤是通过以下六个变量,描述相似的光谱吸收特性分析由不同的作者描述(例如,[37,44,45):深度()和波长()的最大吸收,吸收深度应根据各自的文学特征波长()、特征宽度(),两者之间的距离确定功能的肩膀(之间的区域),归一化连续和光谱曲线()和不对称()。注意,对于附近的房颤1730海里,只有五个变量计算因为没有中心波长()自定义此功能由几种弱吸收波长重叠在这个地区(见表1和2)。描述重要的光谱曲线的形状在一个波长范围定义,介绍了两个特点。(1)曲线的特性(CF)描述反射率的变化发生在一个特定的波长范围(见图5 (b)),例如,引发的一个强大的铁氧化物吸收紫外线。他们只有通过特征光谱曲线的斜率(从一条线),计算在给定的波长范围(见表1)。(2)凸包的特点(高频)描述土壤成分的影响广泛的光谱范围,不能产生一个明显的吸收(见图5 (c))。VIS地区之一(450到740海里)和第二个短波红外成像范围(1460 - 1750海里)。这些波长区域的两个高频用于多个土壤成分的测定。高频特性参数化意味着斜率()和平均反射率()光谱的凸包的波长范围,这样他们只描述定义不同的光谱形状没有影响当地的吸收。这两个变量的高频特性计算通过使用一条线。

的参数化光谱和导致光谱变量大小的矩阵。表2显示数量的光谱特性进行分析测定的土壤有机碳、铁氧化物、粘土、以及随之而来的数字变量描述光谱形状和随后用于回归分析模型参数的内容。

4.1.3。MLR模型校准,即分析

多元线性回归分析是用于建立光谱变量之间的函数关系和化学参考数据。图6总结关键步骤工作流程应用的基于功能的回归方法。高钙进行单独为每个土壤成分使用地面参考数据收集领域的活动。产生的群光谱变量参数化的最初选择的光谱特性对三个参数进行检查,以确保他们适合高分析:(1)每个变量的值的归一化标准差(标准差与均值)必须高于0.001排除非常小的变量只会导致适应不良的统计回归分析。如此低的标准差,例如,将达到的深度吸收功能,只有弱建立或只发生在一些光谱。(2)光谱变量导致冗余值可能是由于降低了光谱分辨率(例如,和),(3)变量的方差分析确定变量与一个高度不变的部分,可能是由上级的控制因素(例如,传感器带位置)。这些类型的光谱变量不适合回归分析并排除在分析之外。

随后计算特征变量标准化允许回归系数的比较和排名。与化学相关的参考价值考虑土壤成分,进行多元回归分析导致最初的关系没有进一步干预。分析交叉验证进行分析的光谱变量集合意义和为了检查样本人口的离群值。光谱变量回归分析被认为是无关紧要的,如果一个回归系数的绝对值的平均值小于两倍标准偏差(见[46)确定分析交叉验证。光谱变量发现微不足道的被排除在进一步分析,因为他们为模型开发和提供无附加价值可能提供统计适应。一个示例被确定为离群值的绝对偏差从所有人的意思高于两倍标准差确定分析交叉验证。样品确认为异常值可以通过手动交互从人口在这一步如果一个合适的理由是著名的(例如,抽样问题或分析)。最后建立多元线性回归模型的基础上,显著的特征变量,包括所有样本。培训土壤参数预测模型校准光谱数据的光谱分辨率。模型在测试集验证评估来评估每个模型的可预测性。

4.2。方法B:偏最小二乘回归

相比之下,校准模型都是建立在相同的光谱数据集使用偏最小二乘回归,因为它是一种行之有效的最优化技术,经常应用于土壤光谱。请基于投影的预测()和反应()变量为一组潜在的变量(或请因素)和相应的分数,减少数据的维数,同时最大化之间的协方差和变量。的详细描述请技术是由(47]。请建模软件应用(就算48]。

光谱数据的预处理与一个或两个总共11操作方法的结合(转换反射()5光散射和基线修正如乘法散射校正(MSC)、标准正态变量变换(SNV),小波消除趋势,等等,第一和二阶导数的计算,意味着定心,方差数据的规模,后两种的组合)。每个预处理设置的性能评价分析交叉验证(简历)。对于每一个设置,最优数量的潜在变量用于建模的变化了均方根误差(均方根)和Akaike信息准则(AIC)的潜在变量的函数。请确定因素的最优数量内的局部最小值的均方根和AIC稳定这两个因素的趋势。一个预处理设置结合其相应的最优数量的请因素表现最好的交叉验证被选中,随后用于模型校准基于训练集的观察。校准模型进一步应用于测试集验证目的(见图6)。

如果几个预处理设置提供类似的简历精度,然后为每个设置模型进行了标定和验证。精度最高的PLS模型校准和验证,以及它们之间的最小差异被选中。这种方式最重要和健壮请预测模型的检索和过度拟合模型是预防。

5。结果与讨论

对于每个土壤组成、模型使用两种建模方法,建立三个光谱数据集,和两个光谱分辨率,导致12模型组成。所有样品,虽然分成训练集和测试集,是申请建模。为每个方法和模型性能评估数据集和比较基于模型的相关系数()预测和测量成分、均方根误差(均方根),和性能比偏差(RPD)。RPD被定义为参考样本的标准差的比值除以RMS。这样做是对校准和验证使用相应的数据集的训练数据样本(94 123场和实验室测量)和测试数据(31/40)样品(见表3和5)。

善良的预测评估的定性分类Chang et al。9]。他们建议大于0.80和RPD值大于2.0作为优秀的指标预测模型。在0.50和0.80之间和RPD值在2.0和1.4之间,被认为是中等品质的模型为定量预测在大多数应用程序是有用的。模型与低于0.50和RPD低于1.4排名不是可用的。

5.1。方法一:多元线性回归的光谱特征参数

建立校正模型的细节给出了表使用方法3。光谱变量发现微不足道的数量和排除在最终在交叉验证模型发展取决于它的变化。因此,重要的变量的数量变化对所有模型建立了一个特定的参数。表4给五个光谱变量,显示每一个基于特征的回归方程系数最高回归模型,因此是最重要的发展模式。他们的影响力决定基于回归系数和给定的%总结所有回归系数的绝对值。签署的负面影响表示消极的回归系数。回归系数的绝对值,从而影响由此决定的,主要取决于参与的数量和特征光谱变量。因此,不能指望他们的绝对值为不同的模式是相同的。尽管如此,他们的范围是重要的和用于识别最重要的光谱变量。

土壤有机碳
土壤有机碳的所有预测模型提供优秀的标定精度在0.75和0.81之间,RMS_卡尔在0.45%左右,和所有RPD_卡尔高于2.0。良好的相关性也代表散点图的测量与计算土壤有机碳浓度作为模范地显示为模型建立在裸露的土壤光谱HyMap的光谱分辨率(图8)。测试集验证的准确性好尤其是对实验室数据和校准(RPD在相同的范围_瓦尔接近2.0)。这些模型特别显示良好的均方根_瓦尔0.35%左右。然而验证精度略低,但合理的字段数据集(在0.49和0.62之间,RMS_瓦尔在0.54%和0.43之间,RPD_瓦尔在1.26和1.57之间)。

模型适用于12至15 16计算光谱变量。模型开发基于领域的光谱,专注于几个变量影响,光谱变量描述两个船体(见表特性是非常重要的4)。在这些模型中,,,主导因素的回归关系(见图5光谱变量)的缩写。他们一起占超过60%的影响。两个最后的负面影响,因为它是期待,因为增加土壤有机碳含量减少反射明显,从而影响斜率和平均反射率。尽管预计相同的效果,其系数是正的。在实验室模型开发基于数据集,分布在多个光谱变量影响,特别是描述1730海里的吸收是主要的变量。,,显示为重要因素。

校准和验证精度表明,所有预测模型对土壤有机碳的高质量根据应用的分类(9]。所有模型达到优良的标准基于RPD预测模型_卡尔,而他们在中等收入模型验证性能好。光谱变量的选择占最影响回归关系非常不变,似乎合理的尤其是对字段数据,变量的谱连续显示为最具影响力的人。然而,为实验室数据集的影响明显不同,更连接到特定的吸收约1730海里。

铁氧化物
校准铁氧化物的预测模型在0.62和0.75之间,RMS_卡尔0.80%左右,RPD_卡尔在1.64和2.01之间。再次与更好的性能实验室光谱。即使值为所有铁氧化物预测模型是合理的,RPD低_卡尔值已经表明减少可预测性。与非常低的验证结果证实了这一点(0.17 - 0.26),增加了RMS_瓦尔和低RPD_瓦尔。特别是模型建立在实验室土壤光谱提供显著降低验证精度。验证样本的散点图揭示了贫穷的预测一个样本的特征是异常高反射率的活力和光谱变化可能不代表。在基于功能的铁氧化物的总量预测模型不达到土壤有机碳的质量预测模型与验证精度更糟。

铁氧化物的预测模型的主要部分是由18到20的21个光谱变量描述光谱特征属性。一个模型只适用于15个变量。模型开发基于领域的光谱,,,,,具有突出的重要性(见表4)。最大吸收深度通常积极签署,如预期。值得注意的是,900海里的面积吸收特性()因此负面签署。基于实验室光谱模型的开发,,,,似乎是最重要的光谱变量。还在模型建立在实验室光谱,负的系数也可以观察到的特征吸收900海里。这可能表明,随着铁氧化物的内容更加明显和陡峭的特性,尽管广泛的发生。

一起,铁氧化物的预测模型校准是中等质量。在预测精度验证显示缺陷。选择重要的光谱变量包括著名的铁吸收的属性,特别是一个约900海里。

粘土
基于粘土预测模型的校准会导致较低的相关性在0.17和0.31之间,RMS_卡尔不断对光谱分辨率高于4.0%。结果验证使用独立的测试集是穷人和没有显著相关性(RMS_瓦尔RPD多达5.13%_卡尔低于1.00)。

土壤粘粒含量预测模型是建立基于11到16个派生的光谱变量。,,,经常出现在最重要的光谱变量的多元线性回归方程中使用所有六个模型(见表4)。不过,考虑所有的模型,观察影响光谱变量是高度变异。似乎没有特定变量的选择和领域之间的联系或实验室光谱基础数据的来源。一些变量(例如,,)出现因此积极签署,然而,例如,和发生积极的和消极的。

减少校准精度,验证精度差和内没有明显的模式中光谱变量回归方程及其具体影响表明了基于回归方法未能建立土壤粘粒含量的显著预测模型。发展表示高度的统计回归关系适应和最后一个低每个模型的重要性。

5.2。方法B:偏最小二乘回归

表5概述预测模型的选择土壤成分使用偏最小二乘回归技术。不同的预处理方法的应用允许一致请预测模型的推导过程,应用4和9之间请因素进行回归分析。在超过40%的模型中,意味着定心数据显示的是最好的预处理技术,而反射转换()和一阶导数是适当的方法为每个模型的11%。在剩余的情况下,两种预处理方法表现最好的结合。请建立模型的回归系数提供信息的重要性一定波长的回归模型。尽管他们是高度变异根据每个模型的设置,他们的一些信息可以与土壤物理性质有关。

土壤有机碳的预测模型三个光谱数据集非常一致的预处理技术,只显示轻微的差异。校准精度最好的请为每个数据集的模型介于0.77和0.82之间,RPD_卡尔介于2.11和2.38之间为应用光谱分辨率较低的RMS_卡尔略高于0.4%。有机碳模型的测试集验证结果还质量好(在0.53和0.79之间,RMS_瓦尔在0.52%和0.32之间,RPD_瓦尔在1.30和2.11之间),最高精度为insitu公司现场光谱实验室光谱和低很多。尽管如此,有机碳由偏最小二乘方法建立预测模型表明良好的性能在校准和验证,不显示模型过度拟合。大多数土壤有机碳PLS模型的回归系数表示高度重视对波长的范围内,这可能与土壤颜色(见图7(一)一个例子)。另外不同的特性发生在短波红外成像可以与吸收土壤有机碳官能团的(见表1)。

铁氧化物预测模型的校准,因此请超过7个因素需要设置重要的模型。请模型显示相关性()在0.66和0.82之间的所有六个组合光谱数据和光谱分辨率。产生的均方根_卡尔在0.64和0.76之间,RPD错误_卡尔在1.73和2.39之间表明预测能力略低于有机碳。建立了铁氧化物的测试集验证预测模型显示精度降低,这是最明显的在减少和RPD, RMS的大多数模型从校准验证(RMS仅略有增加_瓦尔0.98%和0.76之间)。没有达到RPD铁氧化物模型_瓦尔1.4指示中预测模型(9]。请回归系数铁氧化物的模型(示例图7 (b))在VIS显示增加的重要性波长范围,可与铁离子的电子跃迁乐队主要是一个大约900海里(表1)。短波红外成像,2208纳米粘土吸收出现,代表一种间接关联与粘土有关的特性。事实上,铁氧化物和粘土含量的相关性可以确定基于化学参考(0.20)。

粘土的校准精度预测模型低于0.4和RPD_卡尔分别低于1.3,低于中等预测模型的精度。均方根误差不断在4.0%以上。在这些模型中,最好的相关性都达到实验室数据集。相应的验证结果也同样糟糕。回归系数是高度变异。这些估计的结果表明,土壤中粘土含量没有显著预测模型提供足够的精度可以建立在使用偏最小二乘回归技术和基于地面南非研究网站的参考数据。

5.3。比较建模方法对土壤有机碳和铁氧化物

所有功能关系建立的两种方法,光谱测量在实验室控制导致最好的模型(RMS最低_瓦尔和最高RPD_瓦尔),因为他们没有偏见的影响出现在现场环境(比较大的方差数据集在图4)。这是预期,也观察到在先前的研究(例如,24])。一般来说,insitu公司现场光谱调查通常执行最低。这很可能是由于小石头自然覆盖裸露的土壤表面和令人不安的光谱特征和化学浓度之间的相关性。的自闭症光谱分辨率重采样的现场和实验室数据集HyMap降低分辨率很低,对模型性能的影响。类似的损失模型精度减少光谱分辨率的各种报告的作者时(例如,8,24])。

有机碳预测模型,基于功能的高钙之间的性能差异(方法),请技术(方法B)很低。然而基于功能特性的方法的可预测性是略低于请技术。平均RPD_卡尔基于功能的高模型的土壤有机碳是2.15和2.27的请模型,同时验证精度是两种方法(平均均方根可比_瓦尔0.44%,RPD_瓦尔1.58两种方法)。方法最重要的光谱变量的回归模型选择非常一致,意义重大。

预测模型对铁氧化物提供方法的平均校正相关系数约0.67和0.72与RPD方法B_卡尔分别为1.77和1.95。这两种方法显示RMS_卡尔0.75%左右。RPD低_卡尔和高铁校准的均方根误差,这两种方法通常表明减少预测能力在验证结果证实使用独立的测试集(所有模型低于0.50,RPD_瓦尔0.91的平均方法的模型和方法B 1.21模型)。也因此,在铁氧化物的预测模型,采用PLS回归建立的技术表现略好。与这些结果铁氧化物的预测模型是中等质量的两种方法,虽然他们不能达到有机碳模型的预测精度。

详细的结果表明,模型精度对土壤有机碳和铁氧化物的预测,由结合光谱特性分析和线性多元回归技术,在同一个范围统计请提供方法。不过,方法的性能略有降低对土壤有机碳和铁氧化物相比,请的方法。土壤有机碳模型的不同之处在于因此小但更明显的铁氧化物的预测。

图8散点图显示测量和计算分布的预测土壤成分使用两种建模方法和基于光场光谱分辨率的HyMap图像。这些模型进一步应用到大规模的HyMap图像预测土壤参数。他们的数据在表中突出显示3和5。残留的直方图是正态分布的。这清楚地表明,建立的模型能够模型的化学差异选择参数,即使化学内容的参考样品不是正态分布(比较图3)。

在化学参考数据,2样品对土壤有机碳和1样品铁氧化物引起注意,因为他们超过其他样本的总体布局(比较图3)。这些样品出现在图的校准散点图8对这两种方法接近1:1线,这表明它们可能有一个很大的影响在模型校准。但是当测试回归模型建立在光谱库中不包括这些样本,类似的模型和结果实现了。

5.4。预测土壤的粘粒含量

回归模型建立和评价这项研究不充分预测土壤粘粒含量。这两种方法平均校准相关性很低(0.23所有模型的平均),高RMS_卡尔RPD(平均4.41%)和低_卡尔(平均为1.15)。对这两种方法验证失败。

解释观测到的相关性差光谱和化学信息粘土含量可能导致地质变量的互层砂岩和泥岩。虽然在研究区开发在相同气候条件下,土壤的形成高度依赖土壤源材料,因此开发基于砂岩很可能有不同的化学和光谱特性的开发基于泥岩。在野外环境中存在的土壤物理外壳可能是一个额外的因素。在研究区土壤物理外壳在本地可以很好开发和达到超过1厘米的厚度。它们形成在雨滴的影响发现土壤表面,导致土壤总量和粒子运动的解体导致薄clay-rich表层低渗透的49]。对光谱分析土壤外壳是有问题的,因为表层的化学测量的野外光谱仪并不对应于化学上1厘米的大块样品在实验室分析。

6。摘要和结论

本研究提出了两种方法从光谱相关的土壤参数的量化数据。回归模型建立了土壤有机碳、铁氧化物和粘土含量基于163个样本测量在实验室环境和另外125个样本测量在两个字段设置。原始ASD的光谱数据集进行了光谱分辨率和降低分辨率匹配校准研究高光谱图像区域从空中HyMap传感器获得。第一种方法是一个物理模型基于光谱特征分析。的组合选择的光谱特性是由许多变量用于描述多元线性回归分析。第二种方法,传统的偏最小二乘回归分析被选作比较。最好的请每个光谱库模型被选中作为一个适当的预处理方法的组合和最优数量的潜在变量确定分析交叉验证。

结果表明,给出的两个方法提供类似的功能设置重要的预测模型尤其是对土壤有机碳和铁氧化物。好,中等收入预测模型可以建立(RPD_卡尔的2.191.83,铁氧化物平均模型的两种方法)。其中,有机碳模型两种方法显示最好的校准精度,RPD_卡尔2.15基于功能的回归为2.27,请与相应的RMS回归_卡尔(平均的0.44%左右每种方法的模型)。铁氧化物的模型提出了好的和介质标定精度尤其是显示减少验证性能。这两种方法未能建立重要的粘土含量预测模型(RPD_卡尔的1.15和RMS_卡尔4.41的平均模型),这可能是一个研究区域的地质变量的结果。

主要是模型建立的土壤有机碳和铁氧化物,基于功能特性的回归方法的预测性能是在相同的范围提供基于PLS回归的统计数据。同样也对这两种方法的模型,观察趋势如减少验证为铁氧化物相比精度校准模型和一般低可预测性的粘土模型。然而,基于功能特性的方法总体上略低于请执行的方法。土壤有机碳的预测差别很小(可比验证性能高和PLS模型),尽管对铁氧化物模型更明显。基于特征模型的光谱变量的回归关系非常一致,支持建立模型的意义,尽管不同的变量主要取决于实验室或现场数据为基础。特定波长的重要性请模型高度变异的结果统计建模过程。相关物理特性只出现在一些模型。

相比其他研究工作在农业环境(15,19预测模型的准确性,对这两种方法在本研究开发的略低。这可能是由于大尺寸和南非的高度变异特征研究区由于非农环境,地质和土壤类型的差异。大面积的困难来实现预测模型变化的条件(称为全球校准)在先前的研究(例如,19])。根据各地- 160数据史蒂文斯et al。19使用等请技术]预测土壤有机碳的农艺卢森堡的地区。一个RPD_瓦尔1.47获得全球校准,在相同的范围作为土壤有机碳的预测模型建立与本研究中给出的两种方法。史蒂文斯等人很可能改善这种RPD_瓦尔2.76使用本地校准基于agrogeological地区和土壤类型。在我们的例子中缺乏详细的空间连续信息匹配的变化在南非研究区域地质和土壤类型预防调查当地校准的性能。

进一步factor-lowering预测RPD有机碳的小变化测量内容在我们的研究区域。地面参考站点主要是选择有重大的裸露的土壤成分,这样也可以使用这些网站作为机载高光谱图像验证的目标。因此,没有在密集植被土壤样本地区的特点是输入的增加因此更高的浓度,增加了可变性在地面参考建模RPD直接相关。这符合报告的结果,例如,(16,19]。

这项研究的结果表明,有可能建立回归关系的物质基础上达到PLS-derived回归模型的可预测性。这可以通过一组光谱特性的应用为每个调查土壤成分和这些光谱特性的包含各种属性。统计适应在回归分析是减少到最低。因为一些每个土壤成分的光谱特性进一步结合在该方法建立一个重要的模型中,这种方法是建议类似的物理方法相比,更健壮的分析的基础上只有一个诊断光谱特性或乐队比率。此外,建立模型是相当简单和计算不成问题的有限数量的变量的回归关系。

基于物理的方法通常被认为是更健壮的专门请等统计方法相比,这种方法的可转让性,预计要高(例如,[17])。为新开发的方法,这将是测试基于高光谱图像的南非研究区域。为此,开发基于回归关系将被应用于大规模量化关键土壤参数高光谱图像的南非研究区域。要处理的图像数据获得了2009年的联合方法,允许提取土壤光谱信号从混合签名由小规模的土地覆盖的变化引起的。第一次大规模预测结果的表层土壤有机碳和铁氧化物使用校准在裸露的土壤光谱和开发使用了基于回归的方法非常有前途。然而,由于土壤粘粒含量的预测模型没有达到显著的精度,他们不适合申请的推导大规模的土壤信息。考试HyMap图像和在这项研究中提出的方法转移到图像数据超出本研究的范围。

导致土壤参数地图是有价值的信息量化南非研究区域内的土壤退化状态。生态区盘根错节,这些信息可以用来检测侵蚀和退化地区初级阶段关于直接选择性区域的恢复。方法一般是半干旱地区开发和不适应在研究区具体情况。转移到其他地区的类似环境条件将进一步调查。

确认

这研究是作为博士项目资助的亥姆霍兹的一部分EOS网络,协作的德国亥姆霍兹研究中心。的存在网络(一个生活的土地倡议)支持强化现场取样。DLR的同事和德国承认他们的宝贵贡献的许多地方工作。

引用

1. r·拉尔,”土壤固碳减缓气候变化。”Geoderma,卷123,不。1 - 2日,22页,2004页。视图:出版商的网站|谷歌学术搜索
2. r . a . Viscarra Rossel d·j·j . Walvoort a . b . McBratney l . j . Janik和j . o . Skjemstad”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,卷131,不。1 - 2日,59 - 75年,2006页。视图:出版商的网站|谷歌学术搜索
3. t .旋塞,r . Jenssen a·斯图尔特。威尔逊,t .盾牌,“HyMap机载高光谱传感器:系统,校准和性能,”学报第一EARSEL研讨会成像光谱苏黎世瑞士,1998年。视图:谷歌学术搜索
4. h . m . Bartholomeus m . e . Schaepman l . Kooistra a·史蒂文斯w·b·Hoogmoed和o . s . p . Spaargaren“光谱反射率为土壤有机碳量化指标为基础,“Geoderma,卷145,不。1 - 2日,几个,2008页。视图:出版商的网站|谷歌学术搜索
5. e . Ben-Dor y Inbar y陈,“有机物的反射光谱中的可见光近红外、短波红外区(400 - 2500 nm)在控制分解过程中,“环境遥感,卷61,不。1、1 - 15,1997页。视图:出版商的网站|谷歌学术搜索
6. j·希尔和b . shutt”映射复杂的模式的侵蚀和稳定在干燥的地中海生态系统”环境遥感,卷74,不。3、557 - 569年,2000页。视图:出版商的网站|谷歌学术搜索
7. r . a . Viscarra Rossel和t . behren”使用数据挖掘模型和解释土壤漫反射光谱,”Geoderma,卷158,不。1 - 2,页46 - 54岁,2010年。视图:出版商的网站|谷歌学术搜索
8. 大肠Ben-Dor和a . Banin”可见和近红外(0.4 - -1.1μ米)分析干旱和半干旱土壤。”环境遥感,48卷,不。3、261 - 274年,1994页。视图:谷歌学术搜索
9. C.-W。Chang d . a . Laird m . j . Mausbach和c r . Hurburgh“近红外反射率spectroscopy-principal组件回归分析的土壤属性,“美国土壤科学学会杂志》上,卷65,不。2、480 - 490年,2001页。视图:谷歌学术搜索
10. a . Palacios-Orueta s . l .贾斯廷,“遥感的土壤属性圣塔莫尼卡山脉光谱分析,“环境遥感,卷65,不。2、170 - 183年,1998页。视图:出版商的网站|谷歌学术搜索
11. 大肠Ben-Dor和a . Banin“近红外分析作为一个快速的方法来同时评估几个土壤属性,“美国土壤科学学会杂志》上卷,59号2、364 - 372年,1995页。视图:谷歌学术搜索
12. t·h·极冰原c·l·s·摩根·d·j·布朗和c t .标志“原位表征土壤粘粒含量与可见近红外漫反射光谱,”美国土壤科学学会杂志》上,卷71,不。2、389 - 396年,2007页。视图:出版商的网站|谷歌学术搜索
13. e . Ben-Dor s Chabrillat j . a . m . Dematte et al .,“利用成像光谱研究土壤特性,”环境遥感,卷113,不。1,S38-S55, 2009页。视图:出版商的网站|谷歌学术搜索
14. c·戈麦斯r . a . Viscarra Rossel, a . b . McBratney”土壤有机碳由高光谱遥感和实地可见光谱预测:一个澳大利亚案例研究中,“Geoderma,卷146,不。3 - 4、403 - 411年,2008页。视图:出版商的网站|谷歌学术搜索
15. a·史蒂文斯b . van Wesemael h . Bartholomeus d . Rosillon b . Tychon和e . Ben-Dor”实验室、字段和机载光谱监测农业土壤有机碳含量”Geoderma,卷144,不。1 - 2、395 - 404年,2008页。视图:出版商的网站|谷歌学术搜索
16. t . Udelhoven、c·艾默灵和t . jarm”定量分析土壤化学性质与漫反射光谱法和偏最小二乘回归分析:可行性研究,“植物和土壤,卷251,不。2、319 - 329年,2003页。视图:出版商的网站|谷歌学术搜索
17. 诉l·穆德,s . de熊先生m . e . Schaepman t·r·迈尔,“遥感在土壤和地形的使用映射审查,”Geoderma,卷162,不。1 - 2,- 2011页。视图:出版商的网站|谷歌学术搜索
18. t . Selige, j . bohn Schmidhalter,”利用高光谱图像和高分辨率的表层土映射字段数据多元回归建模过程,”Geoderma,卷136,不。1 - 2、235 - 244年,2006页。视图:出版商的网站|谷歌学术搜索
19. a·史蒂文斯t . Udelhoven a丹尼斯et al .,“测量在农田土壤有机碳在区域范围内使用机载成像光谱,”Geoderma,卷158,不。1 - 2,32-45,2010页。视图:出版商的网站|谷歌学术搜索
20. n .级t . jarm s Chabrillat c . Oyonarte p . Hostert h·考夫曼,“自由地中海土壤中氧化铁的决心使用漫反射光谱,”美国土壤科学学会杂志》上,卷73,不。1,第81 - 72页,2009。视图:出版商的网站|谷歌学术搜索
21. e . Ben-Dor n·莱文,歌手,a . Karnieli o·布劳恩和g . j .汲沦谷”在沙丘土壤rubification过程的定量映射使用机载高光谱传感器,”Geoderma,卷131,不。1 - 2日,21,2006页。视图:出版商的网站|谷歌学术搜索
22. s . Chabrillat a . f . h . Goetz l . Krosley h·w·奥尔森,”利用高光谱图像识别和映射的膨胀性粘土土壤和空间分辨率的角色,”环境遥感,卷82,不。2 - 3、431 - 445年,2002页。视图:出版商的网站|谷歌学术搜索
23. c·戈麦斯,p . Lagacherie g . Coulouma”连续去除粘土和碳酸钙含量与PLSR方法估计从实验室和机载高光谱测量,”Geoderma,卷148,不。2、141 - 148年,2008页。视图:出版商的网站|谷歌学术搜索
24. p . Lagacherie f . Baret j·b·Feret j .马德拉最低和j·m·Robbez-Masson”估计土壤的粘土和碳酸钙使用实验室,字段和机载高光谱测量,”环境遥感,卷112,不。3、825 - 835年,2008页。视图:出版商的网站|谷歌学术搜索
25. r . g . Lechmere-Oertel g . i . h . Kerley, r . m .整流罩”模式和转换在半干旱的影响多汁的灌木丛,南非,”《干旱的环境,卷62,不。3、459 - 474年,2005页。视图:出版商的网站|谷歌学术搜索
26. j·w·劳埃德·e·c . van den Berg和a·r·帕尔默”模式转换和退化的丛林生物群系,南非,”报告39、陆生生态研究单位,伊丽莎白港大学2002年南非伊丽莎白港。视图:谷歌学术搜索
27. a·j·米尔斯和m . v . Fey”转换的灌木丛在东开普省稀树大草原降低土壤质量,南非,”植物和土壤,卷265,不。1 - 2、153 - 163年,2004页。视图:出版商的网站|谷歌学术搜索
28. ARC-ISCW,天气数据的三个选择在东开普省气候站ARC-ISCW比勒陀利亚,南非,2011年。
29. a·j·米尔斯和r . m .整流罩的碳封存在东开普省的灌木丛恢复两个地方,南非,”恢复生态学,14卷,不。1,38-49,2006页。视图:出版商的网站|谷歌学术搜索
30. a . Walkley和中情局黑”考试的Degtjareff方法确定土壤有机质和铬酸滴定法的修改建议,“土壤科学37卷,29-37,1934页。视图:出版商的网站|谷歌学术搜索
31. o .用m·杰克逊,“铁氧化物清除土壤和粘土的dithionite-citrate系统与碳酸氢钠缓冲,”粘土和粘土矿物7卷,第327 - 317页,1958年。视图:出版商的网站|谷歌学术搜索
32. g . w .哎呀和j·w·波特“粒度分析,”土壤分析的方法。第1部分艾德,悬疑类,页383 - 411,美国社会的农艺、土壤科学社会,麦迪逊,威斯康星州,美国,第二版,1986年版。视图:谷歌学术搜索
33. a . Savitzky和m . j . e .戈利平滑和分化的数据简化的最小二乘法程序,”分析化学,36卷,不。8,1627 - 1639年,1964页。视图:谷歌学术搜索
34. r·克拉克,“岩石和矿物的光谱,光谱原理,”遥感地球科学,3卷,页3-58,约翰威利& Sons,纽约,纽约,美国,1999年。视图:谷歌学术搜索
35. m·f·鲍姆加德纳像l·f·席尔瓦·l·l·贝赫尔和e·r·斯通内尔“土壤的反射特性,”农学的进步。38卷。,在美国,1985页。视图:谷歌学术搜索
36. g·亨特和j·索尔兹伯里矿物和岩石的可见光和近红外光谱:1。硅酸盐矿物,”现代地质学1卷,第300 - 283页,1970年。视图:谷歌学术搜索
37. c·格罗夫s钩和大肠Paylor二世,160年实验室反射光谱矿物质,0.4到2.5微米喷气推进实验室,国家航空和宇宙航行局,喷气推进实验室出版92 - 2,帕萨迪纳,加利福尼亚州,美国,1992年。
38. g·亨特,j·索尔兹伯里,c . Lenhoff”可见和近红外光谱矿物和岩石:III。氧化物和氢氧化物,”现代地质学,2卷,第205 - 195页,1971年。视图:谷歌学术搜索
39. h . r . v . Morris诉劳尔,c·a·劳森e·k·吉布森小g . a . Nace和c·斯图尔特光谱和其他物理化学性质的亚微米赤铁矿粉(α菲₂O₃)、磁赤铁矿(γ菲₂O₃)、磁铁矿(Fe₃O₄)、针铁矿(α-FeOOH)和纤铁矿(γ-FeOOH),“地球物理研究杂志》,卷90,不。4、3126 - 3144年,1985页。视图:谷歌学术搜索
40. g·r·亨特,“岩石和矿物的光谱属性,”岩石物理性质的手册r·s·卡迈克尔,艾德,1卷,第385 - 295页,CRC出版社,波卡拉顿,佛罗里达州,美国,1982年。视图:谷歌学术搜索
41. CSIR,气象数据的气候站在灌木丛生态区,南非CSIR比勒陀利亚,南非,2009年。
42. e·r·斯托纳和m . f .包姆加德纳,“表面土壤反射率的变化特点,美国土壤科学学会杂志》上,45卷,不。6,1161 - 1165年,1981页。视图:谷歌学术搜索
43. r·n·克拉克和t . l . Roush”反射光谱学:定量分析遥感技术应用,”地球物理研究杂志》,卷89,不。7,6329 - 6340年,1984页。视图:谷歌学术搜索
44. r·n·克拉克·g·a·斯韦兹k . e . Livo et al .,“成像光谱:地球和行星遥感与美国地质调查局Tetracorder和专家系统”地球物理研究杂志》上,卷108,不。12日,5 - 1,2003页。视图:谷歌学术搜索
45. f·范德梅尔先生”,在高光谱图像光谱吸收特性的分析国际期刊《应用地球观测和地质信息,5卷,不。1,55 - 68、2004页。视图:出版商的网站|谷歌学术搜索
46. w·凯斯勒,多元Datenanalyse、Wiley-VCH 1 -德国,2007年魏因海姆。
47. 美国荒原,m . Sjostrom和l·埃里克森“pls回归:化学计量学的一个基本工具,”化学计量学和智能实验室系统,卷。58岁的没有。2、109 - 130年,2001页。视图:出版商的网站|谷歌学术搜索
48. r . a . v . Viscarra Rossel”说:软件光谱数据的最优化分析,“化学计量学和智能实验室系统,卷90,不。1,第83 - 72页,2008。视图:出版商的网站|谷歌学术搜索
49. d·s·麦金太尔,”土壤渗透率测量外壳由雨滴的影响,“土壤科学卷,85年,第189 - 185页,1958年。视图:谷歌学术搜索
50. r·n·克拉克,t . v . v .国王,m . Klejwa g·a·斯韦兹和n .枝条,“高光谱分辨率反射光谱的矿物质,”地球物理研究杂志》,卷95,不。8、12 - 680年,1990页。视图:谷歌学术搜索
51. g·r·亨特,“微粒矿物的光谱特征在可见光和近红外,”地球物理学,42卷,不。3、501 - 513年,1977页。视图:谷歌学术搜索

版权

版权©2012 Anita拜耳等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。