标识

应用与环境土壤科学
PDF
应用与环境土壤科学/2020/文章

研究文章|开放获取

体积 2020 |物品ID 2158573 | https://doi.org/10.1155/2020/2158573

Freddy Bangelesa，Elhadi Adam，Jasper Knight，Inos Dhau，Marubini Ramudzuli，Thabiso M. Mokotjomela, "基于高光谱遥感的莱索托退化山地土壤有机碳含量预测",应用与环境土壤科学, 卷。2020, 物品ID2158573, 11 页面, 2020． https://doi.org/10.1155/2020/2158573

基于高光谱遥感的莱索托退化山地土壤有机碳含量预测

Freddy Bangelesa.,1. Elhadi Adam.,1. 碧玉骑士,1. 伊诺Dhau,2. Marubini Ramudzuli.,2. 和 Thabiso m . Mokotjomela1.

1.地理考古和环境研究学院，Witwatersrand大学，约翰内斯堡，南非

2.林波波大学地理与环境学系，南非索文加0727

学术编辑：特奥多罗M。米亚诺
已收到 04年9月2019年
认可的 2020年3月11日
发表 4月13日20日

摘要

土壤有机碳是土壤肥力的重要指标。本研究的目的是预测南部非洲莱索托东部山区土壤有机碳含量，该地区是生物多样性高度地方性的地区，也是广泛用于小规模农业的地区。通过使用分析光谱设备(ASD) FieldSpec®4光学传感器测量土壤的反射光谱，采用了一种综合的现场和实验室方法。在野外条件下采集地表土壤光谱，然后在实验室中采集土壤光谱，以评估基于野外光谱的模型的准确性。比较两种不同统计模型(随机森林和偏最小二乘回归)的预测性能。结果表明，随机森林回归能够较准确地预测土壤有机碳含量。相比之下，偏最小二乘回归模型过拟合校准数据集。预测土壤有机含量的重要波长分布在可见光范围(400-700 nm)附近。研究表明，利用导数场光谱测量和随机森林回归可以最准确地估计土壤有机碳。

1.介绍

土壤有机碳（SOC）是与土壤生物，物理和化学特性有关的重要性质，并构成全球碳周期的主要成分[1.］.SOC被列为全球第三重要的碳汇(>2500 Pg)，其碳含量几乎是大气(750 Pg)和陆地生物生物量(560 Pg)总和的两倍[2.–6.]. 在农业景观中，土壤侵蚀加速导致的有机碳消耗可导致作物产量降低、水分保持能力降低和营养状况降低[7.–10］.有机碳还有助于土壤的稳定和团聚体的形成，从而提高抗侵蚀能力[11,12］.然而，在山地景观中，土壤物理性质在空间上很大，在坡度陡坡，风化产品深度的变化，坡度过程和微气密导致植被类型和土壤性质的变化以及土壤侵蚀的高率[13］.

在南部非洲莱索托的山地高地，由于地质、气候、生态和人为因素的综合作用，土壤侵蚀是一个严重的问题[14–16]. 下伏侏罗纪玄武岩的风化产生了低强度的二氧化硅和膨胀粘土矿物混合物[17］.基础内的Plagioclase受烧氮化和氯化影响，特别是橄榄石已被氧化铁，蛇形和粘土（主要是蒙脱石）所取代[18］.这些风化产物使所产生的土壤易受表层板流、地下粘土膨胀、崩解和土壤管道的侵蚀，以及地下内涝和破坏(例如，[19])。虽然许多研究关注的是计算通过沟壑(当地称为dongas)侵蚀的土壤体积损失和评估沟壑形态随时间的变化(例如，[20.,21]，很少有研究将有机碳输出视为产沙量的一部分[22,23］.然而，这一点很重要，因为有机碳出口会耗尽流域内土壤的剩余养分，并可能导致农业生产力下降和环境退化，而有机碳可能改变下游营养状况，并可能导致水生生态系统内的富营养化和其他负面后果。

量化集水区潜在SOC输出的第一步是绘制表层土壤中SOC储存的空间模式。这是因为（1）土壤A层中SOC含量最高，最靠近地表，（2）导致土壤侵蚀加剧的地表或薄层流首先影响该A层，因此优先通过侵蚀流失。在不同的空间尺度上精确测量SOC是一项挑战[24]因为它已被最常基于农田土壤的采样网格。然而，这些技术是昂贵的，耗时的，而不是空间上连续[25]，并且需要一个紧密的采样间隔来有效地捕捉SOC空间格局。在山区环境中，由于可达性差和地势高，以及这些环境中土壤、生态系统和SOC的高变异性，高密度采样分辨率尤其难以实现。因此，对山地环境中有机碳定量的有效方法的需求越来越大。

遥感技术提供了一种经济高效、可重复和快速的方法，用于量化SOC上的空间分布数据[26]. 通过土壤反射率和土壤有机质含量之间的相关性，这是可能的。先前的研究表明，SOC值的增加与可见光（Vis，400–700）反射率的总体减少成反比 纳米），近红外（近红外，700-1400 纳米）和短波红外（SWIR，1400-2500 电磁频谱的（nm）区域[27］.McMorrow等人[28]在677 ~ 1108 nm范围内观察到与SOC和铁氧化物相关的吸收。在近红外光谱(NIR)和SWIR光谱(SWIR)范围内，木质素和纤维素的其他吸收特征分别出现在1120 nm和2100 nm。机载和卫星平台通过检查这些不同的光谱特征，对SOC的评估做出了很大的贡献，但这些技术的一个缺点是，它们不能区分碳与地表植被和土壤，而且它们产生的是混合像素信号。当土壤中有机碳浓度很小时，利用卫星和航空遥感方法估算有机碳也很困难，因为这会导致信号非常微弱[29］.

因此，可见光和近红外条带（Vis-Nir，400-2500nm）中的实验室和现场光谱方法是有利的测量和建模SoC内容[30.］.这些方法既快速，无损[31］.在受控实验室条件下，可以高精度和准确性估算SOC含量[32]，而基于现场的测量可能受大气条件，土壤水分，质地和阴影效果的影响[33］.当使用VIS-NIR光谱预测该领域的SOC时，一些研究人员报告了令人满意的结果[34,35];然而，结果根据土壤型和水分含量而变化，因此不能到处施加。Viscarra Rossel和Behrens [29]，认为土壤吸收光谱特征可能会重叠，并在空间和时间上发生变化。这是开发不同区域或生态/地貌背景的SOC模型的动力。在南部非洲，利用实验室或实地测量处理SOC建模的研究很少[35]，特别是在山区，其中SOC是脆弱的土地利用变化主要是由过度放牧，土壤侵蚀和气候变化。

因此，本研究试图（i）在现场和实验室条件下使用光谱测量来估计SOC含量，（ii）比较两种不同建模方法（偏最小二乘回归（PLSR）和非线性随机森林（RF））在预测SOC含量方面的性能，（iii）评估光谱导数在确定模型输出中的作用。本分析的目的是利用遥感数据确定更好的SOC建模方法，这将使SOC的评估更快速、更准确，尤其是在山区等鲜为人知的地区。

2。材料和方法

2．1.研究区域

研究区域位于南部非洲莱索托东部（图1.)．在该地区，德拉克森斯堡山脉的山脉升至3482米A.L.在Thabana Ntlenyana，河谷陷入侏罗纪玄武岩，以及在平顶山峰上存在的低营养素曲折草原[36,37]. 年平均降雨量为775 mm，85%在夏季下降[38］.平均冬季月度温度范围为-6.3°C至5.1°C，平均夏季最大温度范围为16.5°C，在低地的高度高度至29°C [39］.莱索托有一个高度退化的山地景观[40,41］.


图1
研究区域在莱索托东部的位置，显示了土壤样品/ASD数据点的位置，以及土壤有机碳值(g 100 g−1.)．

大部分人口（86%）依靠自给自足的农业[42]人口和气候变化增加意味着牛和绵羊放牧已经从河谷到高海拔牧场扩展，导致这些领域的过度沉沦和生态完整性丧失[43,44］.因此，莱索托的农业生产率一直在下降[45］.

２.２.土壤取样和光谱测量

在莱索托东部的Mokhotlong河进行了实地调查(图)1.)于2015年10月(南国春/夏)。这条河自东向西流，穿过了侏罗纪的玄武岩，形成了高度蜿蜒的河流格局，有基岩支脉和陡峭的山谷两侧。河漫滩非常狭窄，河道附近有小型条状农田，在有斜坡沉积物的地方，沿着较低的山谷斜坡有梯田(图)2.)．山谷两侧和高原峰顶(约2600-2900米a.s.l)的高海拔地区不是封闭的，其特征是丛状草原[37］.

（一种）
（一种）
（b）
（b）
（C）
（C）
（d）
（d）
图2.
莱索托东部的野外照片显示(a)平坦的玄武岩高原表面上有很深的河谷，(b)旱生植物和低营养的灌丛草地，退化的地表，(c)低山谷斜坡上的农田;注意河流边缘有树木，而河谷上部斜坡上没有显著的植被，以及(d)河谷下部斜坡上的梯田被陡峭的上部斜坡上的草地所取代。山顶周围保存有玄武岩沉积面。
2.3。场中的光谱测量

使用分析光谱装置（ASD）FieldSpec®4光学传感器（分析光谱设备，Inc.，Bolder，Co，USA）在现场中测量土壤光谱反射率。该仪器测量350至2500nm的波长，并具有3-10nm光谱分辨率。对于区域350-1000nm的区域350-1000nm的测定间隔记录光谱，对于区域1000-2500nm为2nm。研究区的ASD采样点（N = 使用Hawth的分析工具在ArcMap中随机生成109个样本。所有的点都被转换成纬度和经度，手持GPS被用来导航到野外的这些位置。一旦确定了采样点，10 米乘10 在将采样点坐标视为绘图质心的位置绘制m。在每个地块内，3个子地块（共2个子地块） 米乘2 随机选择m个维度，以考虑地块内的任何变化。在大约1.5米处的最低点进行了五次光谱测量 在每个子地块中扫描高度为m且土壤表面上方视野为5°的子地块，并取平均值，每个地块总共进行15次光谱测量。对于每次测量，使用白色参考面板校准大气条件和太阳辐照度。A曲面（前5） cm）土壤样品∼400 从这三个子批次中的每一个子批次中提取g进行后续实验室分析。

2.4. 实验室中的光谱测量

在该领域收集的109种土壤样品上的光谱测量在实验室中进行。所有测量均在样品上进行，样品干燥，并将杵和砂浆轻轻地压碎成均匀的细沉积物。测量是在黑色背景板上制作的。使用ASD与白色参考板扫描土壤以进行比较，并与现场完全相同的方法。

2．5．SOC分析

在实验室中，土壤样品首先进行干燥，轻轻粉碎。在此混合试样，使用上点火（LOI）方法的损失进行量化SOC浓度[46］.将子样本（〜20g）燃烧在430℃的马弗炉中8小时oCLOI测量为烘干土壤质量和燃烧后土壤质量之间的差值除以烘干土壤质量[47］.将LOI值转换为SOC，因子为0.55 [48］.

2.6. 光谱预处理与变换

在建模之前，去除光谱的噪声端以校正出现在光谱边缘处的低强度辐射。除去低于400nm的光谱。还移除了可能影响模型的1350-1460,1790-1960和2350-2500nm之间的水蒸气吸收特征[49,50］.同样的操作对实验室光谱数据进行了标准化。采用实验室和野外光谱一阶导数变换和Savitzky-Golay平滑来增强光谱信号[51]. Savitzky–Golay平滑最初用于在导数变换之前降低噪声效应，因为导数光谱对噪声敏感[52] （数字3.)．外勤和实验室光谱测量都采用了同样的方法。


图3.
去除噪声区域(300-399,1350-1640,1790-1960,2350-2500 nm)的光谱数据:(a)未变换和(b)一阶导数变换。蓝线表示野外光谱数据，红线表示实验室光谱数据。
2.7。统计分析

所有统计分析都实施在R程序V3.1.3 [53］.在建模之前，将随机选择70％的数据（训练数据集）以培训实验室和现场数据的模型以及其余的（30％）作为测试数据集。使用Kolmogorov-Smirnov良好拟合测试检查数据集中的SOC值的正常性，以选择最合适的统计测试。我们使用了Kruskal-Wallis测试[54]来比较训练、测试和整个数据集，因为测试数据集缺乏正态性。学生的T- 然后使用最低用于将平均场光谱与平均实验室谱数据进行比较，这均正常分布。为了识别异常值，热身的T2.使用现场光谱数据进行多变量分析的分布[55］.

2.7.1. 偏最小二乘回归（PLSR）

实现了PLSR方法，以便在独立变量很多，嘈杂和高度共线的情况下构建预测模型，例如高光谱反射数据[56］.该方法使用正交因素或组件，称为潜在变量，作为从属变量的新的独立变量。这些潜在的变量是原始独立变量的线性组合，但与主成分回归相比，它们被提取，使得它们可以在依赖和独立变量之间解释尽可能多的协方差。PLSR由Martens和Næs详细讨论[57]. 通过留一交叉验证方法使用最佳因子数，以最小化过度拟合[58］.为了评价该RMSECV最小化部件的最佳数量，使用交叉验证（RMSECV）的根均方误差。

PLSR使用许多算法进行特征选择。在本研究中，使用投影（VIP）的可变重要性以识别键波长。VIP的逻辑是累积每个变量由每个组件反射的每个变量的重要性。VIP提供排名变量的列表和0.83和1.21之间的阈值，用于选择键波长[59］.本研究选取峰值大于VIP阈值1的波长作为关键波长[60］.

2.7.2。随机森林(RF)回归

RF回归是一种基于分类和回归树的机器学习算法[61,62］.该模型使用递归分割将数据(谱)分割成不同的同质组，称为回归树(ntree)。每棵树都是基于训练数据集的bootstrap样本(70%)，在没有任何修剪(在每个节点上连续选择输入变量)的情况下，独立生长到其最优大小。在RF回归中，选择一个随机变量子集(mtry)来确定每个节点的分裂[61］.该模型使用确定性算法从训练数据集中选择随机样本和变量的数量。在每棵树中，预测不包括在树中的数据(out- bag (OOB)数据，占总数据集的30%)，并通过OOB数据与用于生长回归树的数据之间的差异产生均方误差的OOB误差[61,63］.OOB误差提供了对重要变量的估计，通过计算当一个变量改变时OOB误差增加多少，而其他变量保持不变[64］.该属性使操作者选择或训练RF模型集中于某些功能。在这项研究中，RF算法适合于野外和实验室光谱数据集来实现。由于大量的变量，模型优化是计算密集型的没有实现的。用于mtry的默认设置和ntree（500）（波长总数的1/3）。

递归特征选择[65，以确定最准确预测SOC浓度的最少波长数。递归特征消除算法是一种以所有特征(变量)为起点的包装特征选择方法[66］.低精度模型从当前子集移除。当变量给出的数字是下跌过程结束[66］.将递归特征选择与按均方误差减少百分比排序的重要变量相结合，帮助我们识别关键波长。

2.8。模型验证

许多参数可用于评估光谱学中模型的性能。光谱模型通常在其确定系数方面进行评估（R2.）和均方根误差（RMSE）。也可以使用其他参数，例如Akaike信息标准（AIC）和对偏差（RPD）的比率预测。在本研究中，所有这些参数都用于完整性。校准（RMSEC）和验证（RMSEP）的根均方误差计算如下： 在哪里YM来自实验室测量的测量值，YP是使用PLSR或RF从光谱数据得出的预测值， 预测值是使用验证集获得的吗N为样本数。RMSE系数最小的模型性能最好。AIC是模型准确性和模型简约性之间的折衷[67，计算如下: 在哪里N是样品数量和P用于预测的特征的数量。AIC最小的模型性能最好。RPD还用于比较不同数据集模型的性能，以及它们的实用性。这个度量是一种将预测的均方根值归一化的方法，以便比较被测变量具有不同方差的校准模型[68]，计算如下： 在哪里stdev（Y)指参考数据（校准数据集）的标准偏差，RMSEP指预测的均方根误差。

Viscarra Rossel等人建议的六类解释。[69]采用如下：RPD值> 2.5表示出色的型号/预测;2.0

3.结果

3.1. SOC样本分析

收集的109个土壤样品中，分析了94个用于SoC含量，不包括异常值。Hotelling的测试检测到4个异常值，水平切断限制为6.32845，垂直切断限制为3.98695。表中介绍了校准数据集，验证数据集和整个数据集的SOC的统计描述1.. SOC值范围为1.93 g 100 G−1.To10.6. g 100 g−1.平均为5.04克100克−1.标准偏差为2.11。Kolmogorov-Smirnov检验表明，所有数据集都不是正态分布( 整个数据集、校准数据集和验证数据集的值分别为0.0126、0.0020和0.2100）。所有子集都有一个偏态分布。Kruskal–Wallis偏态分布检验表明，在5%显著水平上，三个数据集之间没有显著差异( 值= 0.64）。因此，校准和验证数据集统计地表示整个数据集。
数据集 N 最小值 最大限度 的意思是 中值的 性病 偏斜 峰度
整个数据集 94 1.93 10.66 5.14 4.97 2.13 0.47 2.27
校准数据集 65 2.17 9.57 4.97 4.87 1.99 0.42 2.04
验证数据集 29 1.94 10.67 5.55 5.55 2.42 0.39 2.19
表格1
SOC的描述性统计(以g 100g为单位)−1.）整个，校准和验证数据集中的值。
3.2。现场和实验室光谱的比较

计算了所有94个样品的现场和实验室测量的平均反射率值。一般来说，实验室测量的SOC反射率值高于现场测量的SOC反射率值，由一名单尾学生的研究证实T-测试（5%水平的显著性， 值= 0.024）。Pearson的相关性测试表明，光谱测量均在5％显着水平中强烈相关（R = 0.99, 值<2.2E−16)．

3.3。关键波长选择
3.3.1。VIP选择的变量数

利用PLSR计算了野外光谱和实验室光谱的VIP算法。该算法分别为一阶导数实验室光谱、原始实验室光谱、一阶导数场光谱和原始场光谱选择了80、720、57和881个关键波长。一阶导数场谱的57个选择波长的位置如图所示4.．


图4.
场光谱首先衍生和VIP（红色点）和RF递归特征选择（蓝点）选择的键波长的位置。
3.3.2。由递归特征选择选择的变量数量

计算了野外光谱和实验室光谱的递归特征选择。确定了使用随机森林方法能够提供最佳预测的每个模型的最小波长数。一阶导数场谱的均方根误差(RMSE)为0.61 g 100 g，得到的关键波长最少(49个)−1.；这些波长的位置如图所示4.．使用105波长产生最低的RMSE (0.62 g 100 g)−1.）对于第一衍生实验室谱数据。对于实验室原始光谱数据，使用105个变量产生最低的RMSE（0.61g 100 g−1.). 对于野外原始光谱数据，使用789个变量产生的交叉验证误差最小（1.059）。

3.3.3。关键波长的位置

表格2.示出了由VIP算法和模型的所有组合递归特征选择方法既选择的键的波长的位置。为了解释的目的，波长的官能团和振动模式也被呈现。The recursive feature selection algorithm selects around half of the key wavelengths in all datasets between the range 400 and 700 nm. The VIP algorithm implemented under the first derivative spectral data (laboratory and field) also selects most of the key wavelengths in the same range. However, the VIP algorithm implemented under the raw spectral data (field and laboratory) did not select key wavelengths within the visible spectrum, and most wavelengths selected are around 2000–2200, 1400–1500, and 1350–1450 nm.
贵宾（PLSR） RF.
波长(nm) 可能的任务 实验室 场 实验室 场
未经加工的 FD. 未经加工的 FD. 未经加工的 FD. 未经加工的 FD.
2200 - 2450 梳子碳氢键stret — — — — + — — —
2000 - 2200 梳齿N-H型拉伸，梳齿O型拉伸 ++ — — — + + — +
1790–1960 水 + + + + + — + —
1650 - 1780 第一个明显的C-H拉伸 + — ++ — — — + —
1400–1500 第一明显的N-H街和O-H街 ++ — ++ — — — ++ —
1300–1420 梳子碳氢键stret + — — — + — + —
1350–1460 水 + — ++ + — — — +
1100-1225 第二节C-H街 + — + — + ++ + +
950–1100 第二段明显的N-H街和O-H街 — — — + + + + +
850-950. 第三个明显的C-H拉伸 + — + + ++ + ++ +
775-850. 第3个公开N-H级 + — + + ++ + + +
400 - 700 矿物质（Fe氧化物） — +++ + +++ +++ +++ +++ +++
表2.
VIP算法选择的关键波长的位置和模型的所有组合的递归特征选择方法。
3．4．模型开发

总共开发了16种型号，8个具有现场光谱数据和8个具有实验室光谱数据的型号。对于每个光谱数据（现场或实验室），使用推进转换的RF和4种型号开发了4个模型：原始数据，第一导数（FD），键波长（k）和第一导数和键的组合（FD-K）波长。RPD被用作排名这些模型的最重要标准。

3.4.1。模型来自实验室光谱数据

使用实验室光谱数据预测SOC (PLSR和RF)的两种不同建模方法的结果如表所示3.．还提出了波长选择和光谱首先衍生物对模型的影响。根据其对拟合到验证数据集的性能来选择最佳预测模型。
模型 校准装置 验证集
模型 预处理 RMSEC RC2. 另类投资会议 RMSEP RP2. rpd.
实验室光谱 PLSR 没有一个 0.60 0.90 126 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 0.95 0.84 2.10
FD-K 0.63 0.89 131.8 0.99 0.82 2.00
RF. 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
表3
所有RF回归和PLSR模型在校准和验证实验室数据集的性能(RMSEC和RMSEP在g 100 g−1.)．

结果表明，PLSR对标定数据集进行过拟合RC2.在0.99到0.89之间，但对新数据集的预测精度相对较低。PLSR模型是很好的模型/预测(2.0 < RPD < 2.5)，而RF模型被认为是很好的模型/预测(RPD > 2.5)。实验数据的最佳预测模型为L-FD-RF-K (RPD = 3.77，RP2.= 0.87, RMSEP = 0.64 g−1.)．

3.4.2。来自现场光谱数据的模型

表格4.显示了使用现场数据集开发的8种不同模型。结果表明，PLSR模型可能过度拟合校准数据集。所有射频模型均显示了出色的模型/预测（RPD > 2.5). 利用F-FD-RF-K（RPD）模型对场谱数据进行了最佳预测 = 3.77,RP2. = 0.88, and RMSEP = 0.64 g 100 g−1.)，其次为F-FD-RF (RPD = 3.03，RP2.= 0.89, RMSEP = 0.79 g−1.)．在RF算法方面，一阶导数和关键波长选择提高了F-PLSR的性能。与F-PLSR相比(RPD = 1.88，RP2.= 0.80, RMSEP = 1.05 g−1.)、F-FD-PLSR (RPD = 2.26，RP2. = 0.86, and RMSEP = 0.88 g 100 g−1.)和F-PLRS-K (RPD = 2.27，RP2. = 0.86, and RMSEP = 0.75 g 100 g−1.）预测具有更高精度的独立数据集中的SOC内容。
模型 校准装置 验证集
模型 预处理 RMSEC RC2. 另类投资会议 RMSEP RP2. rpd.
田间光谱 PLSR 没有一个 0.89 0.99 -123 1.05 0.80 1.88
FD. 0.550 0.99 -186 0.88 0.86 2.26
K 0.67 0.86 63 0.75 0.86 2.97
FD-K 0.64 0.89 132 1.04 0.80 1.90
RF. 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
表4.
所有RF回归和PLSR模型在校准和验证现场数据集的性能(RMSEC和RMSEP在g 100 g−1.)．

4.讨论

本研究强调了土壤光谱特征的现场和实验室测量之间关系的复杂性及其与SOC的关系。这里采用的遥感方法适用于难以接近和地貌多变的山区景观。研究区域的复杂性表现为土壤性质的高度可变性，包括SOC值（表1）1.)．这可以通过研究区域的地貌背景来解释，其特征在于陡峭的基岩控制斜面，阶梯式曲线，底部河谷河谷[70，以及氮生物有效性有限的贫瘠土壤[37］.这些土壤积聚在平坦的玄武岩风化表面，与河流泛滥平和梯田相关联。生存农民使用这些后一个地点进行小规模农业（图2.)．

高土壤变异性导致高R2.、RPD和RMSEP值[71,72］.这也可以解释为什么我们的RF模型的结果比Viscarra Rossel和Behrens的结果更准确29]研究发现用在实验室条件下72个波段，并略好于什么纳瓦尔和Mouazen [73]最近发现在实验室条件下。他们最好的预测射频模型有一个R2.0.84，RMSEP为0.14g 100 g−1.， RPD = 2.55，整个数据集SOC范围较低。然而，我们用PLSR模型得到的结果在Viscarra Rossel和Behrens [29和Li等人[74]在类似的实验室条件下发现，史蒂文等人。[75]和维斯卡拉·罗塞尔及贝伦斯[29]，采用相同的回归方法。

RF到PLSR相比，我们的研究结果发现，RF性能优于在一个独立的数据集的预测值SOC PLSR。RF的预测性能可以通过以下事实：机器学习算法对非线性和复杂的数据不太敏感来解释[29］.一些研究也报道了PLSR在新数据集中准确预测SOC值方面的弱点(例如，[75,76])。

很难比较实验室模型和现场模型的性能，因为它们在输入变量组合稍有不同的情况下获得非常相似的结果。然而，Li等人[74]发现PLSR模型在实验室光谱数据中比在野外数据中获得了更好的准确性。结果还表明，实验室测量的反射率在视觉上高于场反射率。这是因为田间土壤水分的存在[77]增加光的前向散射，并增强所有波长的吸收[78］.然而，Viscarra Rossel等人[79]发现场和实验室测量之间没有显着差异，因为它们取下了吸水性的光谱带。这可能是核对田间样本中土壤水分变化的合适方法。

谱衍生物和关键波长选择对提高原料模型的影响在​​本研究中是明显的。其他研究人员也报告了这一点（例如，[80,81]). 彭等人[81]评估了8种不同预处理方法的影响，结果表明，包含一阶导数的预处理方法效果最好。李等人[74证明了一阶导数与SG平滑相结合改善PLSR的优越性。Vasques等[80]还使用SG平滑，以改善SOC模型结果。Viscarra Rossel和Behrens [29]通过使用离散小波变换算法作为特征选择方法提高了RF方法。这些以前的研究表明，关键波长选择的重要性。Our results show that wavelengths between 400 and 700 nm are most important to predict SOC content (Figure4.），这也是根据以前的一些研究[29,82］.

根据Viscarra Rossel和Hicks的说法[83，土壤光谱的可见部分主要与氧化铁有关，要么是针铁矿，要么是赤铁矿。不同的土壤发色团，包括叶绿素、鞣质、腐殖质、氧化铁和粘土矿物，也可以解释光谱数据与可见区SOC之间的高相关性[34］.Viscarra Rossel等[79发现在光谱可见部分，波长约为410、570和660 nm。在实验室条件下，Wang等人[72]报道了440、560、625、740和1336 nm为预测SOC的主光谱波段。Nocita等人[84]建议光谱区域介于580和680之间 nm足以预测SOC。我们的结果显示了其他一些重要的波长在2000-2200和1400-1500左右 纳米。分子振动和有机官能团的旋转是导致近红外吸收的主要因素。波长在2000-2200左右 例如，纳米可能归因于羰基C的作用 = O/CH拉伸振动[83或粘土矿物[85)(表2.)．1455 nm附近的光谱峰可以归因于水的存在，但存在光谱重叠现象，正如Viscarra Rossel和Behrens所讨论的[29］.尽管如此，斯图尔特[86]将1400和1500nm之间的光谱部分归因于第一个泛孔N-H拉伸和首先拓展O-H拉伸。

5.结论和更广泛的含义

本研究表明，基于野外和实验室光谱测量的不同建模方法可以预测退化山地景观的有机碳值。最好的模型是RF，因为PLSR模型更有可能过拟合校准数据集。当这些模型应用于现场和实验室数据时也存在一些细微的差异:PLSR模型与实验室数据相比略好于现场数据，而与RF模型没有差异。最佳的模型结果是通过转换光谱数据获得的，预测SOC值的关键波长主要集中在可见光范围(400-700 nm)附近。这些结果很重要，因为它们表明，即使是基于相同的数据集，不同的模型可以产生不同的精度结果。当涉及到数据集分析以准确预测SOC值时，这对操作人员的选择有影响。

本研究结果对莱索托等退化山地土壤有机碳含量的准确预测具有更广泛的意义。SOC值的空间变异性(图1.)表明，即使采用高分辨率采样，单靠实地方法也不太可能准确捕捉这种变化。如本研究所述，不同光谱分析技术的应用意味着可以利用卫星而不仅仅是地面遥感数据建立更好的有机碳含量预测模型。这将有助于更好地理解不可达山地景观中有机碳的空间格局。此外，定量土壤中的碳储量，并将其与土壤侵蚀的陆面模型(例如[13)，意味着可以计算出山区的碳排放。这对碳预算和土壤养分状况评价至关重要。

数据可用性

土壤分析，并用于支持该研究的结果的光谱数据是请直接从相应的作者。

的利益冲突

作者声明他们没有利益冲突。

致谢

这项研究得到了NRF 90526(给JK)的资助。

参考

  1. T. J. Battin, S. Luyssaert, L. A. Kaplan, A. K. Aufdenkampe, A. Richter和L. J. Tranvik，《无限的碳循环》，自然地球科学，第2卷，第2期9，第598-600页，2009。查看在：出版商的网站|谷歌学术搜索
  2. C塔诺凯，J。G卡纳德尔，E。A.G舒尔，P。库里，G。马兹托娃和S。Zimov，“北极圈永久冻土区的土壤有机碳库，”生物地球化学期刊，第23卷，第2期。2、2009。查看在：出版商的网站|谷歌学术搜索
  3. L. Condron，C. Stark，M. O'callaghan，P.克林顿和Z.Huang，“微生物社区在土壤有机物质形成和分解中的作用”土壤微生物学与可持续作物生产迪克森(G. R. Dixon)和蒂尔斯顿(E. L. Tilston)。,PP。81–1.18,Springer Science, Berlin, Germany, 2010.查看在：谷歌学术搜索
  4. J. A. J. Dungait, D. W. Hopkins, A. S. Gregory, and A. P. Whitmore，“土壤有机质周转是由可达性而不是顽固性控制的，”全球变革生物学第18卷第2期6，PP。1781-1796,2012。查看在：出版商的网站|谷歌学术搜索
  5. P. Smith，“土壤和气候变化”环境可持续性的当前观点，第4卷，第4期。5，第539-544页，2012。查看在：出版商的网站|谷歌学术搜索
  6. D. Wang, S. Chakraborty, D. C. Weindorf et al，“VisNIR DRS和PXRF用于土壤特性的综合利用:全碳和全氮，”格索德米卡，卷。243-244，第157-167，2015。查看在：出版商的网站|谷歌学术搜索
  7. A.J米尔斯和M。vFey，“南非土壤质量下降：土地利用对土壤有机质和表面结皮的影响，”南非植物与土壤学报第21卷第2期5，pp。388-398,2004。查看在：出版商的网站|谷歌学术搜索
  8. R.拉尔，“通过在农田土壤有机碳库的恢复提高发展中国家作物产量，”土地退化与开发，卷。17，不。2，pp。197-209，2006年。查看在：出版商的网站|谷歌学术搜索
  9. D.希勒尔和C.罗森茨维格，气候变化和农业生态系统手册，帝国理工出版社，伦敦，英国，2010。
  10. D. S. Powlson，P.J. Gregory，W.R.Wally等，“与可持续农业和生态系统服务有关的土壤管理”，食品政策， vol. 36, pp. S72-S87, 2011。查看在：出版商的网站|谷歌学术搜索
  11. L费雷拉斯，E。戈麦斯，S。托雷萨尼，我。Firpo和R。Rotondo，“有机改良剂对园艺土壤某些物理、化学和生物特性的影响，”生物资源技术第97卷第1期4，页635 - 640,2006。查看在：出版商的网站|谷歌学术搜索
  12. O. A. Deragmeh，J.R.Jensen和C.T.Petersen，在常规和减少耕作下，桑迪壤土土壤中的近饱和液压性能，“美国土壤科学学会杂志，卷。72，pp。1728-1737,2008。查看在：出版商的网站|谷歌学术搜索
  13. H. J. Smith, A. J. van Zyl, A. S. Claassens, J. L. Schoeman, M. C. Laker，“莱索托高地水利工程集水区土壤流失模型”，南非地理杂志，第82卷，第2期2，页64-69,2000。查看在：出版商的网站|谷歌学术搜索
  14. S. Grab和M.Nüssers，“朝达森堡和莱索托山环境的综合研究方法：Sani Plateau地区的案例研究，”南非地理杂志，第83卷，第83期1，页64-68,2001。查看在：出版商的网站|谷歌学术搜索
  15. J. N. Mbata，“土地使用做法在莱索托：用于农业生产可持续发展的影响，”可持续农业杂志第18卷第2期2-3，页5-24,2001。查看在：出版商的网站|谷歌学术搜索
  16. 梅多斯(M. E. Meadows)和霍夫曼(M. T. Hoffman)，“南非土地退化的性质、范围和原因:过去的遗产，未来的教训?”区域，卷。34，没有。4，第428-437,2002。查看在：出版商的网站|谷歌学术搜索
  17. FG贝尔和D。RHaskins，“莱索托Katse大坝和输水隧道的岩土工程概况，以及玄武岩耐久性注释，”工程地质第46卷，第46期2，页175-198,1997。查看在：出版商的网站|谷歌学术搜索
  18. E. Garzanti, M. Padoan, M. Setti, A. López-Galindo，和I. M. Villa，“起源与风化对热带河泥成分的控制(南非)”，化学地质学，第366卷，第61-74页，2014年。查看在：出版商的网站|谷歌学术搜索
  19. RJ爱德华兹，W。NEllery和J。Dunlevey，“辉绿岩原位风化在泥炭地形成中的作用：南非夸祖鲁-纳塔尔米德兰兹省Dartmoor Vlei的起源和演化，”系列， 2016, vol. 143, pp. 232-243。查看在：出版商的网站|谷歌学术搜索
  20. M. P. W. Sonneveld，T. M.埃弗森和A. Veldkamp，“在夸祖鲁 - 纳塔尔省，南非水土流失动态的多尺度分析，”土地退化与开发，第16卷，第5期。3，页287-301,2005。查看在：出版商的网站|谷歌学术搜索
  21. J. Keay-Bright和J. Boardman，“来自南非卡鲁中部退化土地土壤侵蚀率实地研究的证据”，地貌号，第103卷。3，第455-465页，2009。查看在：出版商的网站|谷歌学术搜索
  22. C. Mchunu和V. chapplot，“土地退化通过水蚀和二氧化碳排放对土壤碳损失的影响”，格索德米卡， vol. 177-178, pp. 72-79, 2012。查看在：出版商的网站|谷歌学术搜索
  23. D.穆勒 - Nedebock，P. Chivenge和V. Chaplot“从土壤中选择性有机碳损失由片蚀和主控制，”地面处理和地貌号，第41卷。10，pp。1399-1408,2016。查看在：出版商的网站|谷歌学术搜索
  24. N. J. Kuhn, T. Hoffmann, W. Schwanghart, M. Dotterweich，“农业土壤侵蚀与全球碳循环:争议在哪里?”地面处理和地貌，卷。34,2009。查看在：出版商的网站|谷歌学术搜索
  25. E. Goidts和B.面包车Wesemael“的下农业在比利时南方土壤有机碳的变化（1955年至2005年）区域评估，”格索德米卡，第141卷，第3-4号，第341-354页，2007年。查看在：出版商的网站|谷歌学术搜索
  26. R. J. Gehl和C. W. Rice，“新兴技术原位土壤碳的测量，“气候变化，第80卷，第2期。1-2，页43-54,2007。查看在：出版商的网站|谷歌学术搜索
  27. A. H. Al-Abbas, P. H. Swain，和M. F. Baumgardner，“有机质和粘土含量与土壤多光谱辐射的关系”，土壤科学，第114卷，第2期。第6页477-485,1972。查看在：出版商的网站|谷歌学术搜索
  28. J. M. McMorrow, M. E. J. Cutler, M. G. Evans, and A. Al-Roichdi，“表征旱地泥炭成分的高光谱指数”，国际遥感学报，卷。25，不。2，第313-325，2004。查看在：出版商的网站|谷歌学术搜索
  29. RA.维斯卡拉·罗塞尔和T。Behrens，“使用数据挖掘建模和解释土壤漫反射光谱，”格索德米卡，第158卷，第1-2期，第46-54页，2010年。查看在：出版商的网站|谷歌学术搜索
  30. J. Wetterlind和B. Stenberg，“近红外光谱法用于田间土壤表征:与添加了当地样品的国家图书馆相比的小规模本地校准”，欧洲土壤科学杂志，卷。61，没有。6，PP。823-843，2010。查看在：出版商的网站|谷歌学术搜索
  31. R盖农，M。维内蒂埃，N。杜普，S。鲁索斯，A。佩勒和R。格罗斯，“罕见和频繁的野火后地中海土壤化学性质和微生物活动的恢复趋势，”土地退化与开发，第24卷，第2期2, pp. 115-128, 2013。查看在：出版商的网站|谷歌学术搜索
  32. M科恩，R。s米拉瓦拉普，I。博格雷克奇，W。s李和M。W克拉克，“常规农业土壤分析的反射光谱法，”土壤科学第172卷第1期6，第469-485页，2007。查看在：出版商的网站|谷歌学术搜索
  33. J. B. Reeves，“与中红外线散射反射光谱，用于土壤分析，强调碳和实验室与现场分析：我们在哪里以及需要做些什么？”格索德米卡，卷。158，没有。1-2，第3-14，2010。查看在：出版商的网站|谷歌学术搜索
  34. A.M穆阿赞，M。R马莱基，J。德贝尔德梅克尔和H。Ramon，“使用VIS-NIR传感器在线测量某些选定土壤特性，”土壤与耕作研究第93卷第5期1，页13-27,2007。查看在：出版商的网站|谷歌学术搜索
  35. M.Nocita，L.Kooistra，M.Bachmann，A.Müller，M. Powell和S. Weel，通过在东部奥尔巴尼丛生生物群系中使用实验室和田间光谱来预测土壤表面和表土有机碳含量南非开普省，“格索德米卡，卷。167-168，PP。295-302，2011。查看在：出版商的网站|谷歌学术搜索
  36. 统计和规划局，莱索托农业情况报告(1982-2004年)，统计和规划局，马塞卢，莱索托，2007。
  37. J. Knight, S. W. Grab，和C. Carbutt，“非洲南部德拉肯斯堡高山中心山地地貌对高山生态系统的影响”，Geografiska Annaler：A系列，物理地理，第100卷，第2期，第140-162页，2018年。查看在：出版商的网站|谷歌学术搜索
  38. T. K. Saha，“气候变化对莱索托农业生产的影响：案例研究”非洲作物科学会议论文集，第10卷，273-277页，2011。查看在：谷歌学术搜索
  39. S. J. Mason和M. R. Jury，“南部非洲的气候变化和变化:对潜在过程的反思，”地球与环境：在物理地理科学进展第21卷第2期1，第23-50页，1997。查看在：出版商的网站|谷歌学术搜索
  40. S. W. Grab和C. Deschamps，《莱索托高山沼泽中沟壑发育的地貌和地质生态控制和过程》，北极，南极和高山研究， 2004年第36卷，第49-58页。查看在：谷歌学术搜索
  41. KB阵雨，帝国牙龈：莱索托土壤侵蚀和保护，俄亥俄州大学出版社，雅典哦，美国，2005年。
  42. N. S. ash, D. M. Lambert, M. V. Marake, C. Thierfelder, F. R. Walker, M. D. Wilcox，莱索托和莫桑比克小农户采用保护性农业，华中农业大学，武汉，2013。
  43. M.Nüsser，“牧师利用和土地覆盖变化：Sanqebethu山谷，东莱索托的案例研究，”ErdKunde.，卷。56，没有。2，pp。207-221,2002。查看在：出版商的网站|谷歌学术搜索
  44. M.Nüsser和S. W.Grab，“南部非洲东部地区的土地退化和土壤侵蚀”，模具王尔德，卷。133，pp。291-311,2002。查看在：谷歌学术搜索
  45. l . Sicili莱索托保护性农业和可持续作物集约化，卷。10，粮农组织，罗马，意大利，2010年。
  46. M. E.Konen，P.M. Jacobs，C.L.Burras，B.J.Talaga和J.A.Mason，使用北中部美国土壤的丧失点火预测土壤有机碳的方程式，“美国土壤科学学会杂志，第66卷，第6期，第1878-18812002页。查看在：出版商的网站|谷歌学术搜索
  47. E. E. Schulte和B. G.Hopkins，“通过重量损失估算有机物，”土壤有机质:分析与解释M. A. Tabatabai, E. A. Hanlon, Eds。，第21-31页，SSSA, Madison, WI, USA, 1996。查看在：出版商的网站|谷歌学术搜索
  48. M. J. Hoogsteen, E. A. Lantinga, E. J. Bakker, J. C. J. Groot, P. A. Tittonell，“通过着火损失估算土壤有机碳:着火条件和结构性水分损失的影响”，欧洲土壤科学杂志，第66卷，第2期，第320-328页，2015年。查看在：出版商的网站|谷歌学术搜索
  49. >。Smith, M. E. Martin, L. Plourde, S. V. Ollinger，“分析温带森林冠层氮浓度的高光谱数据:机载(aviris)和星载(hyperion)传感器的比较”，地球科学与遥感学报号，第41卷。6，第1332-1337页，2003。查看在：出版商的网站|谷歌学术搜索
  50. P. S. Thekabail, E. A. Enclona, M. S. Ashton, C. Legg, M. J. De Dieu，“Hyperion, IKONOS, ALI和ETM+传感器在非洲雨林研究中的应用”，环境遥感，卷。90，没有。1，pp。23-43,2004。查看在：出版商的网站|谷歌学术搜索
  51. A. Savitzky和M. J. E. Golay，“用简化的最小二乘程序平滑和微分数据”，分析化学，第36卷，第8期，第1627-1639页，1964年。查看在：出版商的网站|谷歌学术搜索
  52. F.仔和W.菲尔波特，“高光谱数据的导数分析，”环境遥感，第66卷，第1期，第41-511998页。查看在：出版商的网站|谷歌学术搜索
  53. R开发核心团队，R：统计计算的语言和环境， R统计计算基金会，维也纳，奥地利，2013。
  54. W. H. Kruskal和W. A. Wallis，《单标准方差分析中等级的使用》，美国统计协会杂志，第47卷，第47期。260页583-621,1952。查看在：出版商的网站|谷歌学术搜索
  55. j·e·杰克逊,用户指南主体组件， John Wiley & Sons，纽约，纽约，美国，1991。
  56. S. Wold，“PLS的多元线性建模”，在分子设计中的化学计量学方法， H. van de Waterbeemd, Ed.， pp. 195-218, VCH, Weinheim, Germany, 1995。查看在：谷歌学术搜索
  57. H. Martens和T. Naes，“评估、验证和校准方法的选择”，载于多元校正，H. Martens，Ed。，PP。237-266，John Wiley＆Sons，纽约，NY，1989年。查看在：谷歌学术搜索
  58. B. Efron和R. J. Tibshirani，引导引导，查普曼和霍尔，纽约，纽约，美国，1993。
  59. T.马哈茂德，K. H. Liland，L. Snipen和S.Sæbø，“在偏最小二乘回归变量选择方法的综述，”化学计量学和智能实验室系统，卷。118，pp。62-69,2012。查看在：出版商的网站|谷歌学术搜索
  60. I.-G.冲C.-H.君“的一些变量选择方法的实施时多重存在时，”化学计量学和智能实验室系统第78期1-2，第103-112页，2005。查看在：出版商的网站|谷歌学术搜索
  61. L. Breiman，《随机森林》机器学习，卷。45，不。1，pp。5-32,2001。查看在：出版商的网站|谷歌学术搜索
  62. A. Liaw和M. Weiner，《随机森林的分类和回归》，R新闻， 2002年第2卷，第18-22页。查看在：谷歌学术搜索
  63. Maindonald和w.j. Braun，使用R的数据分析和图形:基于实例的方法剑桥大学出版社，英国剑桥，第2版，2006年。
  64. K. J. Archer和R. V. Kimes，《随机森林变量重要性测度的经验表征》，计算统计和数据分析号，第52卷。4, pp. 2249-2260, 2008。查看在：出版商的网站|谷歌学术搜索
  65. I. Guyon和A. Elisseeff，“变量和特征选择的介绍”，机器学习研究杂志， 2003年第3卷，1157-1182页。查看在：谷歌学术搜索
  66. J.基特勒，《特征集搜索算法》模式识别与信号处理，C. H. Chen，Ed。，PP。41-60，Elsevier，阿姆斯特丹，荷兰，1978年。查看在：谷歌学术搜索
  67. H. Akaike，“高斯自回归移动平均模型的最大似然识别”，Biometrika，第60卷，第2期2，页255-265,1973。查看在：出版商的网站|谷歌学术搜索
  68. A. B. McBratney, B. Minasny，和G. Tranter，“土壤转移功能的必要元数据”，格索德米卡号，第160卷。3-4, pp. 627-629, 2011。查看在：出版商的网站|谷歌学术搜索
  69. R. A. Viscarra罗塞尔，D.J. J. Walvoort，A. B. McBratney，L. J. Janik的，和J. O. Skjemstad，“可见，近红外，中红外或组合的漫反射光谱的各种土壤性质的同时评估，”格索德米卡，第131卷，第2期1-2，第59-75页，2006。查看在：出版商的网站|谷歌学术搜索
  70. J. Knight和S. W. Grab，“南部非洲莱索托高地东部的排水网络形态测定和演化”，第四纪国际，第470卷，第4-17页，2018年。查看在：出版商的网站|谷歌学术搜索
  71. B. Stenberg, R. A. Viscarra Rossel, A. M. Mouazen，和J. Wetterlind，“土壤科学中的可见和近红外光谱”，农学进展， vol. 107, pp. 163 - 215,2010。查看在：出版商的网站|谷歌学术搜索
  72. 王建军，何涛，吕春梅，“基于Hyperion遥感影像的土壤有机质光谱响应单元研究”，国际应用地球观测和地理信息杂志， vol. 12, pp. S171-S180, 2010。查看在：出版商的网站|谷歌学术搜索
  73. S. Nawar和A. Mouzen，“使用机器学习的土壤有机碳的在线Vis-nir光谱预测”土壤与耕作研究，第190卷，第120-127页，2019。查看在：出版商的网站|谷歌学术搜索
  74. s李，Z。施S。Chen等人，“在青藏高原使用可见-近红外光谱法原位测量土壤剖面中的有机碳，”环境科学与技术，卷。49，没有。8，pp。4980-4987，2015。查看在：出版商的网站|谷歌学术搜索
  75. A. Stevens，B.Van WeSemael，G. Vandenschrick，S.Touré和B.Tychon，“使用光谱技术检测农业土壤的碳股票变化”，“美国土壤科学学会杂志，卷。70，否。3，pp。844-850,2006。查看在：出版商的网站|谷歌学术搜索
  76. C.-W。张，D. A. Laird, M. J. Mausbach，和C. R. Hurburgh Jr .，“近红外反射光谱-土壤性质的主成分回归分析”，美国土壤科学学会杂志，第65卷，第5期2，页480-490,2001。查看在：出版商的网站|谷歌学术搜索
  77. B. Kuang和A. Mouzen，“在三个欧洲农场的田间规模上校准可见和近红外光谱，在欧洲农场的田间分析”欧洲土壤科学杂志，卷。62，没有。4，pp。629-636，2011。查看在：出版商的网站|谷歌学术搜索
  78. D. B. Lobell和G. P. Asner，“水分对土壤反射率的影响”，美国土壤科学学会杂志，第66卷，第3期，第722-727页，2002年。查看在：出版商的网站|谷歌学术搜索
  79. RA.维斯卡拉·罗塞尔，S。R牛，A。奥尔特加和Y。Fouad，“通过可见-近红外光谱法现场测量土壤颜色、矿物成分和粘土含量，”格索德米卡号，第150卷。3-4，页253 - 266,2009。查看在：出版商的网站|谷歌学术搜索
  80. G. M. Vasques, S. Grunwald，和J. O. Sickman，“使用可见/近红外光谱推断土壤碳模型的多元方法的比较”，格索德米卡，第146期。1-2，页14-25,2008。查看在：出版商的网站|谷歌学术搜索
  81. X. Peng，T. Shi，A.歌曲，Y.陈和W. Gao，用SVMR和SPA方法使用VI / NIR光谱估算土壤有机碳，“遥感，卷。6，不。4，pp。2699-2717，2014。查看在：出版商的网站|谷歌学术搜索
  82. M. vokland，J.Besold，J. Hill和H.-C。Fründ，“比较不同的多变量校准方法，用于测定近红外光谱附近的土壤有机碳库”，“格索德米卡第166卷第1期1, pp. 198-205, 2011。查看在：出版商的网站|谷歌学术搜索
  83. R. A. Viscarra Rossel和W. S. Hicks，“通过可见-近红外传递函数估算土壤有机碳及其组分”，欧洲土壤科学杂志，卷。66，没有。3，第438-450，2015。查看在：出版商的网站|谷歌学术搜索
  84. M. Nocita, a . Stevens, G. Toth, P. Panagos, B. van Wesemael，和L. Montanarella，“使用局部偏最小二乘回归方法的漫反射光谱预测土壤有机碳含量”，土壤生物学和生物化学， vol. 68, pp. 337-347, 2014。查看在：出版商的网站|谷歌学术搜索
  85. P. S. Nayak和B.K.Singh，“XRF，XRD和FTIR的粘土乐器表征”材料科学公报，卷。30，不。3，pp。235-238,2007。查看在：出版商的网站|谷歌学术搜索
  86. b·h·斯图尔特红外光谱学：基础与应用，John Wiley和Sons，奇切斯特，英国，2004年。

版权所有©2020 Freddy Bangelesa等人。这是一篇发布在知识共享署名许可协议如果正确引用了原始工作，则允许在任何媒体中的不受限制使用，分发和再现。

更多相关文章

830 的观点| 382 下载 |1. 引文
PDF 下载引用 引文
下载其他格式更多的
ePub
XML
订购印刷品订单

相关文章

我们致力于尽可能快地分享与Covid-19相关的结果。我们将为已接受的研究文章提供无限的出版费用豁免，以及与Covid-19相关的报告和案例系列。评论文章被排除在此豁免政策之外。在此注册作为一名审稿人，帮助快速处理新提交的文件。