文摘
粘土矿物是最被动的和重要的无机组分在土壤,但土壤矿物学分类作为土壤科学的小话题。回顾土壤矿物学已逐渐要求。粘土矿物在土壤更复杂和更少的比沉积岩的结晶,因此,他们显示更复杂的x射线衍射(XRD)模式。传统的XRD等表征手段通常是昂贵和费时的,因此它们不适合大型数据集,而可见光和近红外反射光谱(VNIR)是一种快速、有成本效益的和非破坏性技术分析土壤矿物学性质的大型数据集。本文的主要目标是让读者及时了解相关信息和理解VNIR土壤矿物学和吸引了更多的注意力从各种各样的读者重温土壤矿物学。我们开始复习VNIR原理的描述。然后我们评估常用的方法来处理土壤VNIR光谱和总结土壤矿物的光谱特征与特别注意那些< 2μm分数。我们进一步仔细审阅应用最优化方法和相关模型建立光谱土壤矿物的研究。然后我们比较光谱测量和多元校正方法,我们建议根据情况他们都产生良好的结果。最后,我们建议未来研究的一些途径,包括开发的理论校准VNIR更适合不同土壤样本在世界范围内,更好的说明粘土矿质土壤有机碳(SOC)相互作用,土壤和构建集成的概念映射通过综合信息(例如,矿物成分、土壤有机matter-SOM SOC, pH值,和水分)。
1。介绍
土壤是开放的、复杂的、动态的系统以及基本的自然环境对动物、植物、微生物和人机交互1]。土壤的矿物成分是最基本的属性,和土壤矿物质账户一般土壤容积的一半(2]。根据牧师(3),土壤中的粘土矿物上下文中是“二次< 2的无机化合物μm大小”包括铁、铝、锰氧化物(氢氧化物和氢氧化物),以及非结晶的阶段。重要的是,他们是最被动的和重要的无机组分在土壤,和他们发生通常与最紧密结合活性有机质(4,5]。粘土影响土壤功能通过他们的大部分属性和关联拥有庞大的外部/内部表面(例如,阳离子交换能力6])。努力参与全面了解土壤矿物质的本质是特别重要的,因为他们可以帮助我们解释和预测不同土壤类型函数(7]。
然而,土壤矿物学(主要是粘土矿物学)在土壤科学仍然是一个小话题。这可能是由于部分不合理的假设一个给定的土壤矿物性质相同的better-crystallized对应形成更“地质”上下文(例如,沉积高岭石会和成土的高岭石)相同的属性(4]。回顾土壤矿物学已逐渐重要,例如,土壤矿物质的方式定义和研究8]。
最常用的方法来描述土壤矿物质XRD、从根本上定性。因为土壤粘土矿物通常是更复杂的和不那么结晶比地质环境(9- - - - - -11),他们更复杂的XRD显示模式(12,13]。尽管x射线衍射定量的改进(14)、矿物特征通常是昂贵和费时的(2]。一些化学提取过程可以在铁氧化物的分析是有用的。然而,这是昂贵的,耗时的,可以使我们的科学解释土壤通过改变土壤溶液和固体阶段之间的化学平衡土壤标本(15,16]。因此,这些不适合大范围土壤常规分析的研究中,我们必须使用另一种方法目标和描述土壤矿物质。
可见光和近红外反射光谱(VNIR, 350 - 2500 nm),也就是说,可见和近红外反射的光的研究从材料表面,是一种快速、有成本效益的和非破坏性技术在土壤科学(17,18]。这种技术已经大大在土壤科学在过去几十年的发展,已经明显的指数增长在过去的20年里(19]。VNIR已经增加对土壤参数的分析,包括土壤有机碳、pH值、体积纹理,元素浓度,和阳离子交换量(20.,21]。在土壤矿物学、VNIR可以用来描述各种土壤矿物学性质如粘土矿物组成、粘粒含量、和矿物风化/变更程度,虽然石英和长石弱/不存在吸收VNIR范围(22- - - - - -24]。在本文中,我们的目标是让读者及时了解相关VNIR土壤矿物学和我们寻求吸引更多的注意力从读者重温土壤矿物学。
2。VNIR基础
VNIR电磁频谱的一部分包括有形的(350 - 780 nm)和近红外范围(780 - 2500海里),这与光学辐射范围(100 - 1000海里;图1)。有时候,350 - 1000年的波长范围是称为VNIR(可见近红外光谱),和1000 - 2500的范围称为短波红外成像(短波红外)遥感文献[25]。人类的眼睛和大脑可以处理光谱信息的可见区域,看颜色,而现代光谱学可以观察到精确的细节在一个更广泛的波长范围。
2.1。吸收、散射和排放
当光子进入一个固态、液态或气态物质,他们要么被吸收,从其表面反射,或者通过它(26]。反射过程被定义为散射,散射光子可以检测和测量。光子也可以发现当他们发出一个表面温度高于绝对零度(25]。三个一般的物理过程(即。,electronic transitions, vibrational transitions, and rotational transitions) result in the absorption bands in the spectra of materials. The absorption bands in the VNIR range are derived from both the electronic and vibrational transitions [27,28]。
2.2。吸收VNIR地区的原因
2.2.1。电子转换
离散离子和原子有独立的能量状态。一个光子发射时从一个原子的电子移动到低能量状态。当一个原子吸收特定波长的光子,电子从相对较低的电子状态移动到更高的一个(25]。这些电子过程发生,因为他们的高能源和机动性。电子过程主要是由于(1)晶体场的影响。因为铁是一个很常见的过渡元素在矿物,可见地区常见的电子流程显示是由于空d轨道Fe-oxide矿物质(24,29日]。电子能级是受到很多因素的影响,包括原子的价态(如铁2 +和菲3 +),配体的类型,它占据了位置的不对称,金属离子和配体之间的距离,和网站的变形程度28]。(2)电荷转移:它是由矿物学,比晶体场数百倍的效果。它的主要原因是红色的氢氧化物和铁氧化物。此外,导带和颜色中心还可以导致一些矿物质(电子转换25]。
2.2.2。振动转换
债券在晶格或分子振动像弹簧。每个分子的分子质量和强度债券主导他们的振动频率25]。VNIR范围的吸收波段观测结果的分子振动(30.]。土壤矿物质(如层状硅酸盐和碳酸盐矿物),特别是,有独特的吸收特性VNIR地区由于色彩和振动组合相关的分子键的拉伸和弯曲等地,碳氢键,碳碳,h (31日]。
3所示。光谱测量
3.1。光谱预处理
原始光谱通常预处理通过各种方法来突出特性和消除信号噪声(32]。促进土壤光谱矿物识别处理,土壤矿物的准确性预测是大大提高了通过使用各种预处理方法(33]。下面的光谱预处理方法已经被使用在以前的土壤矿物学研究。
3.1.1。连续去除方法
连续去除方法旨在消除背景噪音和隔离特定的吸收特性进行识别和分析34]。连续体通常是决定使用局部极大值来生成一个边界点(图的船体2(一个))[22]。所有的边界点是由直线段拟合,然后,计算连续去除通过删除原始反射强度相应强度的连续体(图2 (b))[23]。连续去除分析是一个特别健壮的工具检测和预测铁氧化物和层状硅酸盐矿物。因此,它是可行的代替统计方法应用于土壤矿物学研究[10,20.,22,24]。
(一)
(b)
吸收乐队VNIR地区可以通过几何参数描述来自连续删除曲线(图2 (b))。四个参数直接显示在图2 (b),其中包括位置(P),宽度(W)、深度(D)和半宽度(应用,缩写为“F”)。参数不对称()计算如下: 在哪里代表的是左边的一半宽度最大,半极大处代表正确的宽度(20.]。
3.1.2。平滑技术
平滑技术用于提取信息的最大数量从每个光谱可能通过减少背景噪音的影响(32]。常用的平滑技术包括Savitzky-Golay变换(SG [35]),诺里斯平滑滤波器(NG [36),平均光谱(37]。SG平滑消除地面干扰噪声和基线浮动的影响,从而提高了信噪比。NG平滑消除粒度变化的影响不同质地土壤样本时,水分和粒度32]。
3.1.3。导数算法
导数算法可以快速识别特征光谱的位置最低,最大和拐点值(32]。此外,变化的影响在光学设置和样品研磨后消除导数变换(38]。由于导数光谱噪声往往会放大变换,平滑技术是常用的在导数算法(37]。后的光谱曲线的一阶导数,例如,善于辨别针铁矿和赤铁矿和评估他们的富足,在435年和535年两座山峰为针铁矿和一个吸收纳米赤铁矿(图∼570海里3)[39]。
(一)
(b)
(c)
(d)
3.2。土壤矿物的光谱特征
3.2.1之上。Fe-Oxide矿物质
Fe-oxide矿物已知成土的指标调查土壤温度和水分的政权,这是成土的气候演变直接相关(24,40]。Fe-oxide VNIR地区矿产的主要活性成分是(350 - 1000 nm),因为大多数电子转换是由各种各样的铁氧化物(41,42]。最常见的Fe-oxide矿物在土壤是针铁矿(α-FeOOH)和赤铁矿(α菲2O3),它可以追踪气候变化(43,44]。针铁矿和赤铁矿展览诊断光谱特性VNIR地区和吸收乐队通常广泛而光滑的(图3)。附近的强吸收带920海里表明针铁矿的存在(图3(一个)),和四个吸收乐队在420年,480年、600年和1700年纳米可以用来映射分布(39]。赤铁矿是由三个吸收带520,650和880 nm (45]。针铁矿和赤铁矿有一个吸收带大约500海里(480 520针铁矿和赤铁矿,职责。);针铁矿的乐队(480海里)与强烈的反射,狭窄而赤铁矿(520海里)的乐队是广泛的反射率较低(图3(一个))。吸收VNIR地区引起铁氧化物的鲜艳的颜色,例如,红色黄色针铁矿和赤铁矿(37]。土壤光谱曲线代表样本混合物,吸收带的宽度在∼870海里(W870年)是高当土壤样本包含更多的铁氧化物(46]。800 - 1000 nm范围的凹形状的结晶度Fe-oxide矿物质。当一个土样由结晶良好的矿物质,相应的光谱揭示了对称和更深层次的功能在这个范围内47]。
3.2.2。粘土矿物
粘土矿物经常用作气候指标由于其本质是直接影响现场的温度和降水量在成土作用[9,48]。随着气候条件的转变,从冷却/干燥温暖/潮湿的,占主导地位的粘土矿物从绿泥石、伊利石→蛭石→蒙脱石→高岭土(24,49]。占主导地位的粘土土壤中显示诊断吸收短波红外成像领域(39]。这些吸收带一般是由振动引起的转换和显示锋利和狭窄的特性(图4)。诊断乐队主要集中在∼1400海里(色彩引起的哦),∼1900海里(色彩由水分子),音调和∼2200海里(组合造成Al-OH [50,51])。此外,一些弱吸收乐队在2300 - 2500海里地区相关Fe-OH的存在和/或Mg-OH粘土矿物(24]。
一些粘土矿物的光谱特征显示在图4和表1。绿泥石是一组包含特定的八面体阳离子的粘土矿物,如铁、镁、和艾尔。52]。他们的反射光谱表现出弱吸收带大约1400海里和三重吸收特性接近2300海里。乐队在2250年和2350年纳米相关Fe-OH Mg-OH,分别为(53]。伊利石的特点是三位著名吸收1400∼∼1900,∼2200海里。两个次要诊断Al-OH吸收峰值接近2344和2445纳米改性铁和Mg tschermak阳离子交换(24,31日]。蛭石有两个大规模吸收附近的1400和1900海里,两个弱吸收2200和2300海里(39]。蒙脱石有三个强大的和尖锐的吸收带1400∼∼1900∼2200海里,类似于但通常比伊利石。
此外,组合乐队的振动产生的吸收水导致弱的肩膀附近1468 nm和1970 nm为蒙脱石光谱(37]。高岭石是由两个光谱对比:一个是1400海里(1390和1410海里)附近,另一个是附近2200海里(2160和2210海里)。
3.2.3。碳酸盐
在土壤中,碳酸盐从表面淋溶时间和积累在地下一定深度(54]。碳酸盐岩的存在被广泛用作基本土壤特征来描述土壤类型和量化土壤侵蚀22]。碳酸盐VNIR域特征通过几个吸收,引起色彩和组合的基本振动的有限公司32−离子(图5)[31日,37]。∼2350海里的强吸收带和三个弱吸收乐队1900∼∼2000∼2160 nm为狩猎和索尔兹伯里(55]因为碳酸盐在近红外区域,∼2350纳米吸收(图显示明显的双频带结构5)。
3.3。预测的连续光谱
作为讨论的部分3.1。1,几个吸收带的几何特征可以通过连续删除提取方法。这些参数(例如,P,D,)连续去除谱是描述和预测土壤中矿物成分的关键。Viscarra Rossel et al。23]定量估计,矿物成分通过连续去除方法。土壤矿物的成分如高岭石、伊利石、Al-smectite,针铁矿、赤铁矿被认为是在这项研究中,和参数D是选择的预测。光谱预测通常与XRD分析解释的一致性。根据Dufrechou et al。20.),参数D1400∼∼1900∼2200海里强烈影响了大量的高岭石,伊利石,蒙脱石在土壤混合物。此外,蒙脱石丰富的估计显示可靠性与XRD结果相比。五个参数(P,D,W,F,)是用于工作,赵et al。24)评估的效用连续去除方法。我们将这些参数与XRD和DRS的结果分析,发现一些参数擅长矿产预测的内容。此外,一些参数(例如,在∼2200海里)被证实为土壤风化和古气候重建可靠的代理。
4所示。最优化方法
VNIR光谱土壤混合物通常软弱,由于(1)非特异性低浓度的特定土壤矿物质,(2)散射效应引起的土壤结构,(3)重叠的吸收的土壤属性,和(4)影响的具体成分,如石英(37]。所有这些因素对VNIR分析构成挑战。因此,需要数学从光谱中提取有用的信息和与土壤属性(45]。VNIR土壤研究的发展是不可能没有的并行应用最优化方法(56]。
建立一个预测(即土壤矿物丰度模型。,multivariate calibration) is an important first step in chemometric analysis. Overall, we should understand the data and the objective of the modeling prior to building a model. Then, the spectral dataset is preprocessed and subdivided. Finally, we can proceed to build, evaluate, and select models [57]。
4.1。之前模型建立
任何模型建立过程的第一步光谱土壤学研究是了解数据集的特征。我们需要考虑三个主要概念在理解数据集的过程(57]:(1)了解反应的分布(即。,结果):响应数值或分类。在模型建立过程中土壤矿物分析、结果(例如,粘土/ Fe-oxide矿物质)的内容描述数值。了解反应的特点提供了更好的方法将数据划分到校准和验证集;(2)了解预测的性质:光谱数据集的预测数字,因为他们通常是350和2500 nm之间的光谱信号。事实上,这些预测是高度相关的,导致数值冗余信息。不同的预测适用于不同类型的模型。例如,偏最小二乘法可用于相关预测因子,而递归分区可以管理缺失的预测信息58];(3)预测集的数量之间的关系( )和样本集( ):当土壤矿物的研究,建立一个模型数据集通常有更少的样品(比预测)()。因此,一个模型可以处理数据集的地方者优先。
了解数据集后,预处理过程通常用于改善模型的性能(47,59]。用于土壤矿物的一个模型研究中,数据转换为多个预测包含以下方法:(1)数据简化:主成分分析(PCA (60)是一种常用的数据简化技术。在这种技术中,数据集的数量在很大程度上减少了寻找原则组件(PC)的线性组合获取最大可能的方差的预测;(2)消除预测:在某些情况下,删除之前预测建模具有潜在的优势。例如,艾德琳et al。59]显示性能的预测模型是全球稳定和精确的光谱分辨率时从3降低到60 nm。此外,基于光谱信号的模型数据集,光谱被转化为明显的吸光度:开发一个回归模型之前,和光谱预处理方法中讨论部分3也有潜力模型性能改善(18,23]。
4.2。候选人模型
一旦我们完全理解数据集,下一步是设置几个候选模型。最常用的类型的土壤矿物分析模型是一个回归模型,它被定义为一个模型,预测数值结果(57]。建立一个回归模型相关土壤VNIR光谱数据的基本作用是最优化分析(61年]。回归模型分为线性和非线性回归。线性回归是光谱土壤学的主要校准方法,包括偏最小二乘回归(PLSR [62年])和主成分回归(PCR (63年])。非线性数据管理通过数据挖掘技术,即多元自适应回归样条函数(火星38]),神经网络(NN [64年]),和回归树分析(等65年])。
4.2.1。准备线性回归模型
PLSR和PCR可以处理高度共线和预测是有效的情况下,预测的数量远远超出可用样本的数量(37]。此外,PLSR和PCR密切相关和相似预测错误(在大多数情况下61年]。无论如何,PLSR算法通常是首选在光谱土壤学分析,因为(1)最大化之间的协方差响应变量和预测模型更可翻译的,和(2)这是一个更快的算法(45]。
PLSR已经被成功地用于预测风化的矿物学成分水平的土壤。Viscarra Rossel et al。2准确预测浓度的高岭石,伊利石,蒙脱石(在矿物混合物),尽管铁氧化物对测量有偏见的预测。萨默斯et al。66年)和Ostovari et al。67年)表明,善于预测CaCO PLSR方法3内容与值0.69和0.71的土壤样本来自澳大利亚和伊朗,分别。总土壤中粘土含量和自由铁也被证明是可预测属性PLSR模型(68年,69年]。
4.2.2。非线性回归模型
使用模型在本质上是非线性的(即。,data mining techniques) has gained increasing attention in recent years [37,61年]。更详细的描述非线性模型可以在库恩和约翰逊(57]。先前的研究已经表明,非线性回归模型或非线性和线性模型的结合可能提供更好的预测土壤属性。Mouazen et al。70年)表明,结合PLSR-NN模型比PLSR模型更好的预测土壤属性。Viscarra Rossel和behren45提出结合FS贵宾安和FS火星ann模型是最好的模型预测粘土含量、pH值、土壤有机碳(SOC)模型的吝啬和准确性都考虑在内。穆德et al。71年)确定土的矿物成分与指数高斯耦合等模型优化结果。高岭石的丰度和方解石与可接受预测RMSE值(< 0.1)在两个实验室和现场样本。
4.3。模型评价
两种技术通常用于测试模型的预测性能(33,56]。首先,土壤光谱数据库配置随机分为校准数据集和验证数据集(72年]。校准数据集(通常∼2/3的完整数据库)是用来推导模型,在验证数据集(通常包含完整的数据库的1/3)是专门预留验证导出模型。这个过程是用于获得现实的预测精度的估计。第二个是一个过程称为交叉验证。它使用“leave-group-out”方法(即重复随机二次抽样验证方法(73年采用])和验证校准数据的预测能力。校准数据集包含样品从总数据库构建()。土壤属性值−预计样品进行验证。土壤矿物相对丰度的预测是通过重复交叉验证过程(74年]。
就算3.0版本通常是用于多元校正性能(75年]。偏差和预测模型的精度评估通过调整确定系数(观测值和预测值之间),平均误差(我) 和均方根误差(RMSE) 在哪里数据集的数量,是观测值,代表了预报值(18,23]。
我们折中模型吝啬和模型精度找到最满意的模型76年]。Akaike信息准则(AIC)是表现最好的算法选择建议45]: 在哪里是许多因素,n是用于预测样本的数量。最好的模型会有最小AIC值。
4.4。特征选择
特征选择主要用于去除冗余和/或noninformative预测模型(57),可以提高模型精度。一些模型如PLSR、火星和RT将提供一个默认特征选择过程。
变量投影(VIP)的重要性b系数PLSR模型帮助我们获得的分数衡量预测的统计学意义,选择最重要的77年]。VIP的分数预测计算如下: 在哪里代表总数的预测变量,是一个潜在的变量选择的最优数量PLSR模型,的装船重量吗潜变量,代表了调整系数的确定潜变量PLSR模型(78年]。预测(如波长)选择和被认为是非常重要的,如果(1)贵宾超过一个阈值(Chong和小君77年])和(2)b系数高于b系数基于所有光谱波段(23]。
根据戈麦斯et al。22),选择的重要的光谱波段PLSR模型相关的高岭石和伊利石等粘土矿物。此外,代理选定的贵宾和光谱特性b圆满系数方法包含足够的信息来评估研究土壤属性。根据Viscarra Rossel和behren45),结合神经网络和特征选择模型(FS贵宾安)是最好的方法来预测粘土含量和pH值和生产小RSME和AIC值。
5。对比光谱测量和多元校正
矿物的相对丰度在一个土壤样本的预测可以通过光谱分析(例如,连续删除)或最优化方法(例如,PLSR和NN) [20.,24,45,47]。尽管这两种类型的方法关联光谱信号与土壤矿物的信息,他们在许多方面都有所不同,包括集中光谱波段,复杂性,和它们是如何应用。
5.1。集中光谱波段
专注于特定的吸收光谱分析乐队代表相应的土壤矿物质,而多元回归算法通常使用的信号来自整个350 - 2500 nm地区。在某些情况下,350 - 400和2450 - 2500 nm范围删除低仪器信噪比(59,79年]。因此,多变量回归模型处理超过1000多光谱bands-many集中乐队的数量连续去除研究。此外,几个几何参数可以从每个乐队中提取光谱测量,包括P,W,D,F,,只有每个乐队的深度信息可以从一个最优化研究。注意,一些算法本质上提供了一个特征选择方法(例如,SMLR和PLSR),它已被证明最重要的功能由一个回归模型的选择,我们应该最关注在光谱测量的研究22]。
5.2。复杂性
理论上,多元校正是非常复杂的,因为它涉及到大量的算法和因为不同算法有潜力成为组合成更好的预测模型,根据不同的情况(45,70年,79年]。然而,在实践中,多元建模和预测是没有那么复杂。由于执行和快速运行软件的发展如就算和辨音器(75年,80年),艰难的计算过程可以更容易完成。另一方面,光谱测量研究花费更多的时间,因为我们必须(1)确定一个土壤矿物光谱特征的基础上,(2)从乐队中提取参数,(3)与这些参数与土壤矿物的信息。
5.3。应用程序首选项
的几何特征光谱更适合监测土壤矿物质的分子结构变化,因为变化的吸收带是由电子转换(如铁2 +对菲3 +)和分子振动(例如,Al-OH与H2O)。因此,光谱测量被广泛和成功的应用于(1)测量矿物物理化学变化非常敏感,在变质程度53,81年),(2)地图和监控矿物侵蚀、沉积和风化的矿物质(24,51),(3)探索外星生命水和潜在的对象(10,21]。最优化方法经常用于监测总体土壤属性,因为几乎所有的信号VNIR域参与建模过程。几种土壤属性是成功地由一个适当的多元校正技术,包括土壤粘土(23,69年),有机物(32,67年),和含氮量82年,83年]。
表2回顾一些土壤矿物学VNIR光谱使用最优化分析或预测的属性spectral-based测量。在此总结,大多数研究土壤样本用于分析,和许多不同的土壤类型(表中2)。土壤属性的预测仍然是好当有大范围的土壤类型(例如,22岁,45岁,84年和85年)。单一矿物(如高岭石和针铁矿)时更精确地预测矿物混合物用于测量(2,86年]。研究表2包括在实验室收集的数据和数据基于土壤遥感领域。在实验室里,样品预处理和照明条件可以控制消除的影响水分和土壤样品的晶粒尺寸18]。同时,VNIR光谱可能会影响到许多潜在的问题,如变量之间的距离传感器和土壤,土壤表面的污点,土壤总量的大小,和水分的数量87年]。这些潜在的问题可能会减少实地的预测精度分析[22,85年]。然而,实地VNIR光谱学是更有吸引力,因为它(1)使潜在的土壤特性分析和有前景的结果在先前的研究87年)和(2)降低了测量的成本,简化了样品制备。基于研究结果,PLSR被证明是最健壮的土壤矿物学分析方法中所有的多元校准(表2;)。擅长CR-based模型预测粘土矿物浓度(如20、47、88;)。在某些情况下,非线性模型(NN和火星)表现出更好的估计在预测土壤矿物学PLSR模型(例如,45和89年)。一般来说,当土壤矿物调查光谱学,PLSR和CR-based模型是最有前途的方法提供估计的矿产丰富。
6。结论和未来的研究方向
粘土矿物在土壤更复杂和更少的比沉积岩的结晶。传统的XRD等表征手段通常是昂贵和费时的,而VNIR是快速、有成本效益的和非破坏性技术分析大型数据集的土壤矿物学性质。土壤矿物学研究的主要力量是有直接关系的土壤矿物及其光谱、自诊断土壤矿物质的吸收波段位于VNIR地区。因此,土壤矿物学的性质可以通过光谱测量和多元校正。光谱测量集中在几何信息提取几个乐队(例如,350 - 400∼1900年,∼2200年和2450 - 2500海里),与土壤矿物质。参数来源于连续去除方法主要用于矿物识别和预测。多元校正分析,数据集包含整个VNIR域。选择土壤矿物最健壮的模型估计理解数据后,数据预处理、候选模型建立,和性能评估。
首先,VNIR大大发展土壤科学在过去的几十年里。但是,没有明确的理论计算结果还没有被发现,因为大部分土壤研究发生在区域范围内,所以他们的结果只是区域代表。因此,有必要进一步发展的理论校准VNIR更适合全球土壤样本,尽管困难由于高全球土壤变化。
其次,越来越多的领域分析VNIR获取所需的全部潜力。现场数据收集在这一领域与传统的技术相比的优势。异构性的技术和环境因素(如土壤水分、土壤表面状况、和生物残渣)将直接影响的特征吸收带,从而导致光谱测量的不确定性上升。然而,多元校正模型领域数据显示好或更好的矿产预测比实验室数据。一直缺乏有系统的研究领域的各种影响样本数据和矿物学变化,水分、有机质、和他们的相互作用。因此,未来的工作应该关注这些类型的研究,而不是实验室光谱。
第三,VNIR可能有可能帮助我们调查土壤粘土矿物和SOC之间的相互作用。对有机碳稳定机制吸引了越来越多的到期利息可能影响全球碳循环。人们普遍认为土壤粘土矿物发挥核心作用在捕捉和永久隔离大气CO2。粘土含量和粘土矿物类型产生重要影响碳封存。因为VNIR能够描述的大部分碳hydroxyl-related属性,应该允许我们研究clay-SOC交互当结合其他常见或先进的技术。
最后,综合土壤映射需要在未来大规模的土壤分析。VNIR光谱包含综合信息(如矿物成分,SOM, SOC, pH值,和水分)的土壤属性,反映土壤系统的性质。因此,我们可以利用VNIR土壤地图。需要更多的协作和战略光谱研究更好地理解完整的土壤的性质(101年,102年]。一些全球或全国光谱库(103年,104年)建立了土壤光谱建立合作网络,但更多的光谱库将促进VNIR的广泛使用,使全球范围内土壤监测成为可能。
的利益冲突
作者宣称没有利益冲突。
确认
本研究支持的特殊资助土壤矿物学(CUG170106),中国NSF(41772032和41772032),国家自然科学基金委对于年轻学者(41402036和41402036),湖北的NSF年轻学者(2016 cfb183),和中国博士后科学基金会(2015 m582301)。感谢刘佳城和冯程的有价值的建议和Yeqing刘与样本分析他的帮助。钱学森方和露露赵承认中国奖学金委员会(CSC)对金融支持(露露赵201706410017方钱,201706410017)。