Технологии гиперспектрального дистанционного зондирования почвы: обзор

14.1 Введение



Почва определяется как верхний слой земной коры Земли, где литосфера, биосфера, атмосфера и гидросфера взаимодействуют друг с другом (Бен-Дор и др., 2009 г.). Характеристики почвы, включая как физическую, так и химическую информацию, обеспечивают важную поддержку для понимания преобразований, происходящих в экологических системах (Висенте и Фильо, 2011 год). Быстрая и надежная оценка характеристик почвы является важным шагом в управлении сельским хозяйством и природными ресурсами (Дас и др., 2015 г.). Традиционными методами наблюдения за свойствами почвы являются отбор проб в полевых условиях и лабораторный анализ. После этого свойства почвы обычно наносятся на карту с использованием метода интерполяции для преобразования точечных данных в поверхность. Этот процесс является дорогостоящим, трудоемким и не может предоставить точную информацию для больших пространственных территорий (Чой и др., 2008 г.).

В конце 1990-х годов, наряду с бурным развитием технологии дистанционного зондирования (ДЗ), было внедрено прогнозное картографирование почвы. Данные дистанционного зондирования (с воздуха или спутника) обычно охватывают большую пространственную область и могут собираться по определенным графикам, обеспечивая непрерывное наблюдение за почвой.Сильвестри и др., 2003 г.). По сравнению с прямыми полевыми измерениями исследования почвы с помощью ДЗ являются своевременными, неразрушающими и раскрывают пространственную структуру свойств почвы. Однако мультиспектральное широкополосное ДЗ имеет ограничение в количественной оценке физических и химических свойств, прежде всего, из-за низкого спектрального разрешения, что приводит к потере критически важной информации, доступной в конкретных узких диапазонах (Саху и др., 2015 г.).



Методы гиперспектрального дистанционного зондирования (HRS), позволяющие точно регистрировать спектр и детально анализировать спектральные свойства поверхности почвы, вызывают растущий интерес почвоведов и исследователей.Тонг и др., 2014 г.).

За последние 40 лет было множество применений HRS для изучения почв, что вызывает необходимость составить всесторонний обзор этого наследия. Такой обзор будет иметь решающее значение для понимания текущих возможностей и будущих проблем исследований почвы на основе HRS. Цели этой главы — дать обзор области применения HRS для определения свойств почвы, включая минералы, питательные вещества, органический углерод, влажность, засоление и текстуру почвы, а затем определить возможности и проблемы и представить предложения по новому направлению продвижения его развития.



14.2 Применение гиперспектрального дистанционного зондирования для идентификации минералов почвы



Традиционное картирование полезных ископаемых, основанное на геологических изысканиях, трудоемко, дорого и неэффективно. Такие традиционные исследования включают обширные полевые работы, структурное картирование, изучение форм рельефа, петрографию, а также минералогический и геохимический анализ.Кусума и др., 2012; Рамакришнан и др., 2013; Рамакришнан и Бхарти, 2015 г.). ДЗ, с другой стороны, может обеспечить гораздо менее дорогое решение для легкого доступа и получения информации о полезных ископаемых на большой пространственной территории. Это связано с тем, что спектральная информация, полученная дистанционными датчиками, может использоваться для вывода о минералах гидротермальных изменений или зонах минеральных изменений, которые в дальнейшем связаны с различными типами систем минерализации (Каррино и др., 2018 г.). Достижения в технологии HRS позволяют картировать глинистые минералы, сульфатные минералы, карбонатные минералы, оксиды железа и кремнезем для дальнейшей оценки пространственных изменений (Меер и др., 2012 год). Применение HRS для идентификации минералов в почве имеет долгую историю. В 1981 году шаттл с мультиспектральным инфракрасным радиометром был проверен на возможность использования пяти близко расположенных спектральных каналов в диапазоне 2,2-2,5мкм для непосредственного выявления полезных ископаемых (Гетц и др., 1982 г.), и это было самое начало таких применений (Гетц, 2009 г.). Было подтверждено, что этот конкретный спектральный диапазон обладает хорошей способностью обнаружения многих типов минералов (Рис. 14 1).

За последние три десятилетия были предприняты обширные исследовательские попытки с использованием наземных, воздушных и космических гиперспектральных датчиков для определения и картирования минералов почвы. Последние применения HRS для распознавания минеральных веществ в почве перечислены и обобщены вТаблица 14 1.

В прошлом различными агентствами был спроектирован и разработан ряд бортовых и космических систем HRS, а также были проведены многочисленные исследования минералов почвы (горных пород) с использованием наборов данных дистанционного зондирования. Более того, многие исследования загрязнения почв, в частности, проводились с использованием технологии HRS (Онг и Кудахи, 2014 г.; Дэвис и Кэлвин, 2017 г.; Чжао и др., 2018 г.). Хотя большинство из них были предварительными исследованиями для решения конкретных проблем, важно понимать, что HRS может быть успешно реализован в исследованиях почвы для определения и картирования почвенных минералов, а также мониторинга загрязнения почвы. Поэтому ожидается, что HRS будет иметь важные перспективы применения при разведке полезных ископаемых почвы.

РИСУНОК 14–1. Определенный спектральный диапазон для обнаружения различных типов минералов.

Таблица 14–1. Применение гиперспектрального дистанционного зондирования для распознавания минералов почвы за последние пять лет.

14.3 Применение гиперспектрального дистанционного зондирования для прогнозирования питательных веществ в почве



Являясь окончательными показателями плодородия почвы, питательные вещества играют ключевую роль в продуктивности сельского хозяйства, продовольственной безопасности и агроэкологической устойчивости (Новак и др., 2015 г.). Своевременное и точное картирование питательных веществ в почве может быть особенно полезным для сокращения потерь питательных веществ в почве и, следовательно, для улучшения управления сельскохозяйственными удобрениями. Мониторинг питательных веществ в почве на сельскохозяйственных угодьях традиционно основан только на отборе проб в полевых условиях и лабораторном анализе, которые неэффективны и отнимают много времени. С другой стороны, поскольку HRS способен улавливать малейшие спектральные изменения питательных веществ в почве, данные, предоставляемые HRS, стали важным источником информации для моделирования питательных веществ.Сонг и др., 2018 г.).

Согласно записям, доступным на Web of Science, существует лишь несколько исследований, посвященных мониторингу питательных веществ в почве на основе информации HRS.Сонг и др. (2018)собрали 1297 образцов почвы и измерили содержание общего азота (TN), доступного в почве фосфора (AP) и доступного в почве калия (AK) в Цзэнчэне, к северу от дельты Жемчужной реки, Китай. В их исследовании изображения HRS (115 каналов) китайского спутника Environmental 1A (HJ1A) использовались в качестве вспомогательных переменных после прохождения процесса уменьшения размерности с использованием корреляционного анализа Пирсона и анализа главных компонент. Они сравнили различные модели прогнозирования, включая простую линейную регрессию, метод опорных векторов (SVM), случайный лес и нейронную сеть обратного распространения ошибки (BPNN), и все модели были обучены как на полевых выборках, так и на предварительно обработанных переменных HRS. Проверка модели была основана на 324 независимых точках данных. В их исследовании сравнивались возможности различных моделей линейного, нелинейного машинного обучения и гибридного кригинга в прогнозировании содержания питательных веществ в почве (TN, AP и AK) с использованием изображений HRS в качестве вспомогательных переменных. Они пришли к выводу, что применение гиперспектральной визуализации в ближнем ИК-диапазоне (видимый ближний инфракрасный диапазон) очень эффективно.

Данные с использованием модели BPNN оказались наиболее эффективным методом картирования и мониторинга питательных веществ в почве в региональном масштабе (Сонг и др., 2018 г.).

Ю и др. (2018)предложил новый метод HRS для моделирования свойств почвы и их исследование Район расположен в районе Шэньчжа на плато Цянтан, на северо-западе Цинхай-Тибетского нагорья, где преобладающим растительным покровом являются альпийские луга. В их исследовании гиперспектральные данные были получены в общей сложности на 67 точках выборки. В то же время на местах были получены образцы почвы и измерены свойства почвы, включая органический углерод, TN, общий калий и общий фосфор. Были проанализированы корреляции свойств почвы с исходными каналами и расширенными спектральными переменными, полученными как по полевым, так и по спутниковым гиперспектральным данным. Регрессионные модели, объясняющие взаимосвязи, получили дальнейшее развитие для картирования свойств почвы. Результаты показали, что (1) свойства почвы имели значительную корреляцию с диапазонами видимого NIR и длинами волн 1720–1738 нм, и (2) модели ступенчатой ​​регрессии, основанные на спутниковых гиперспектральных изображениях, получили расширенные спектральные переменные и дали разумные пространственные данные. Получены распределения свойств почвы и значения относительных среднеквадратических ошибок 68,9%, 46,3%, 31,4% и 45,5% для почвенного органического углерода, TN, общего фосфора и общего калия соответственно. Таким образом, это исследование показало, что метод, основанный на гиперспектральных данных, обеспечивает большой потенциал для прогнозирования свойств почвы. Их исследование изучило взаимосвязь между содержанием в почве, таким как органический углерод, TN, общий калий и общий фосфор, и гиперспектральной отражательной способностью полога Stipa purpurea. Это создало регрессионные модели свойств почвы со спектральными переменными, полученными на основе гиперспектральных данных, и разработало новый метод для картирования свойств почвы альпийских лугов, где доминирует S. purpurea, и дальнейшей оценки условий роста S. purpurea на основе HRS ((Ю и др., 2018 г.).

Количество статей, опубликованных по технологии HRS для мониторинга питательных элементов почвы, невелико, и даты этих публикаций недавние, что означает, что этот аспект HRS только начинается. В настоящее время существует множество типов гиперспектральных сенсоров, и аналогичные исследования еще предстоит провести в других районах и для разных видов земного покрова.


14.4 Применение гиперспектрального дистанционного зондирования для оценки органического углерода в почве

Органический углерод почвы (SOC) играет важную роль во многих химических и физических процессах в почвенной среде.Гомес и др., 2008a.). SOC обеспечивает основной источник питательных веществ для растений, способствует агрегации частиц, развивает структуру почвы, увеличивает емкость хранения воды и обеспечивает среду обитания для почвенной биоты.Шуновер и Крим 2015). Пространственное распределение концентрации SOC в поверхностной почве является важным свойством почвы при выращивании сельскохозяйственных культур, определяющим применение удобрений и химикатов (Чен и др., 2000 г.). Для картирования концентрации SOC на сельскохозяйственных полях применялись различные подходы, в которых традиционные методы картирования запасов SOC включают сбор и анализ точечных образцов почвы, калибровку функции пространственного прогнозирования и интерполяцию функции по всей исследуемой территории (Минасный и др., 2013.). Эти методы дорогие и отнимают много времени из-за большого количества образцов, необходимых для получения высокой пространственной изменчивости SOC (Стивенс и др., 2010 г.). За последние несколько лет HRS предоставила мощный инструмент для многомасштабного и быстрого мониторинга SOC, и было протестировано множество наземных, воздушных и космических гиперспектральных датчиков (Таблица 14 2).

Космические гиперспектральные датчики применяются меньше, чем воздушные гиперспектральные датчики.Таблица 14 2. Поскольку спутниковые гиперспектральные данные дистанционного зондирования обеспечивают синоптическое изображение и повторяющийся охват, что является двумя важными преимуществами по сравнению с наземными наблюдениями и гиперспектральными данными с воздуха, изучение потенциала спутниковых гиперспектральных данных для прогнозирования SOC становится основной проблемой для разработки цифрового картографирования почвы.

Таблица 14–2 Современные исследования оценки содержания органического углерода в почве с использованием гиперспектрального дистанционного зондирования.

Оценка SOC с использованием бортовых и спутниковых гиперспектральных датчиков в основном ограничивалась небольшими сельскохозяйственными территориями или участками с голой почвой и все еще находится на стадии тестирования. Кроме того, в большинстве исследований для прогнозирования SOC использовался простой статистический метод, имеющий ряд недостатков, связанных с физической интерпретацией результатов и сложностью переноса моделей с одного датчика на другой (Гомес и др., 2008а; Пеон и др., 2017a, b).



14.5 Применение гиперспектрального дистанционного зондирования для определения влажности почвы



Влажность почвы является важнейшим процессом в круговороте воды и ее оценка имеет первостепенное значение при прогнозировании изменений водного баланса региона (Сальвуччи и др., 2002 г.). Информация о влажности почвы важна для планирования орошения и повышения урожайности сельскохозяйственных культур, а также для управления водными ресурсами в контексте изменения климата и для оценки воздействия антропных экосистем (Крапез и Олиосо, 2011 г.). Прямые измерения влажности почвы обычно (особенно в больших масштабах) являются дорогостоящими, трудоемкими, инвазивными и зависят от пользователя и метода (Верикекен и др., 2010 г.). В качестве альтернативы данным наземных точек данные ДЗ рассматривались как многообещающий подход для оценки характеристик влажности почвы в различных ландшафтах и ​​районах отбора проб, предоставляя региональное описание перераспределения воды с различным временным и пространственным разрешением (Маккейб и Вуд, 2006 г.). HRS считается многообещающим инструментом для быстрого количественного определения влажности почвы, и некоторые его применения были протестированы (Таблица 14 3).

В прошлом были проведены многочисленные исследования, в основном в искусственной среде лаборатории или на открытом воздухе, чтобы охарактеризовать физические процессы, связывающие влажность почвы с ее отражательной способностью. Хотя новые исследования показали, что профильную влажность почвы можно хорошо оценить путем ассимиляции данных HRS в гидрологическую модель, они могут служить лишь в качестве тематических исследований, с которых другие пользователи HRS могут начать, чтобы создать количественные карты влажности почвы. . Этот подход еще не полностью изучен и не разработан в этом инновационном направлении, хотя он кажется многообещающим и необходимым, поскольку существует множество проблем, таких как низкое соотношение сигнал/шум, ненадежный отклик спектральных полос, влияние атмосферы на необработанные данные, необходимость для размещения образцов на земле, а отсутствие физических или химических моделей на основе пикселей изображений, связанных с содержанием влаги в почве, остается нерешенной.



14.6 Применение гиперспектрального дистанционного зондирования для определения засоления почвы



Засоление почв долгое время оставалось одной из основных и наиболее распространенных проблем деградации земель и существенно ограничивало урожайность сельскохозяйственных культур (Эпштейн и др., 1980 г.). Картирование и мониторинг засоленных почв необходимы для принятия правильных и своевременных решений по изменению методов управления или проведению рекультивации и реабилитации.

Таблица 14–3 Современные исследования по определению влажности почвы с помощью гиперспектрального дистанционного зондирования.

(Меттернихт и Цинк, 2003 г.). Обычные методы, доступные для выявления и мониторинга этих засоленных почв, являются дорогостоящими, отнимают много времени и требуют интенсивного отбора проб для характеристики пространственной изменчивости (Шепард и Уолш, 2002 г.). Предоставляя быстрые, своевременные, относительно дешевые и повторяющиеся данные, HRS играет важную роль в обнаружении, картировании и мониторинге особенностей поверхности, подверженной воздействию соли. Были протестированы возможности HRS для картирования солености, а для выявления и мониторинга районов, затронутых солью, использовались различные авиационные и космические гиперспектральные датчики (Таблица 14 4).

HRS широко используется для выявления и картирования засоленных территорий, и многие исследования показали, что гиперспектральные данные можно использовать для количественной оценки характеристик засоленных почв в различных масштабах. Эти исследования в основном идентифицировали и картировали засоленные почвы, но не характеризовали их по степени тяжести. Более того, большинство этих исследований остаются на экспериментальной стадии, а конкретные примеры применения менее очевидны. Кроме того, различные методы линейной, нелинейной регрессии и классификации изображений RS используются для выявления и картирования засоления почвы, что создает путаницу при выборе моделей или методов. Все эти проблемы указывают на то, что по-прежнему существует необходимость исследования универсальных количественных моделей и методов и широкого применения их в практической работе для проверки их фактического эффекта.

Таблица 14–4 Современные исследования по выявлению засоления почв с помощью гиперспектрального дистанционного зондирования (HRS).

14.7 Применение гиперспектрального дистанционного зондирования для определения текстуры почвы

Текстура почвы, определяемая размером частиц, а именно песка, ила и глины, является важной переменной окружающей среды земли, поскольку она играет ключевую роль в деградации почвы и процессах переноса воды, контролируя качество почвы и ее продуктивность (Гилель 1980; Блюм и др., 2010 г.). Знание изменчивости текстуры почвы имеет решающее значение для реализации стратегии управления сельским хозяйством с учетом специфики участка, которые позволяют более эффективно использовать такие ресурсы, как вода и удобрения, тем самым снижая затраты и воздействие на окружающую среду (Кастальди и др., 2015 г.). Для приложений необходимы методы картирования текстуры почвы в различных масштабах, но, как правило, необходимо собрать и проанализировать большое количество образцов, чтобы адекватно оценить пространственную изменчивость текстуры почвы традиционными способами (Курсио и др., 2013 г.). Дорогостоящие традиционные методы и полевые исследования в настоящее время вынуждают пользователей разрабатывать методы косвенной оценки на основе удаленных датчиков (наземных или воздушных), включая спектроскопию отражения (Браун и др., 2006; Бен-Дор и др., 2009 г.). Потенциал оценки текстуры почвы с помощью HRS рассматривался во многих исследованиях (Таблица 14 5).

Было показано, что лабораторная и аэрофотоспектроскопия обнаженных почв имеет значительный потенциал для оценки текстуры почвы с многообещающими результатами. Однако существует лишь несколько исследований, которые определяют текстуру почвы непосредственно по спутниковым гиперспектральным изображениям. Хотя этот подход имеет большой потенциал для цифрового картографирования почвы с использованием спутниковых гиперспектральных изображений, оценка текстуры почвы по данным изображений, полученных космическими системами, является более сложной задачей, главным образом из-за атмосферных искажений и низкого пространственного и спектрального разрешения датчиков.Малдер и др., 2011 г.). Чтобы иметь возможность в полной мере использовать данные с будущих гиперспектральных спутников, необходима информация по нескольким вопросам, связанным с пространственными и спектральным разрешением датчиков и диапазоном, а также вопросы калибровки и проверки по-прежнему необходимы. Разработка более физически обоснованных моделей в этом контексте могла бы стать реальным шагом вперед к обобщению подходов к оценке, но в настоящее время это все еще кажется недостижимой целью (Каса и др., 2013 г.).

Таблица 14–5 Современные исследования по оценке текстуры почвы с использованием гиперспектрального дистанционного зондирования (HRS).

14.8 Возможности и проблемы

В этой главе рассматривается применение HRS для извлечения свойств почвы, включая идентификацию минералов, питательных веществ, органического углерода, влаги, засоленности и текстуры почвы. Чтобы лучше продемонстрировать применение HRS в почве, была создана синоптическая схема, показывающая различные платформы HRS с разнообразными приложениями и то, как они могут поддерживать мониторинг почвы (Рис. 14 2). Хотя HRS дает новое понимание теории и методологии изучения свойств почвы, предстоит проделать большую работу, как экспериментальную, так и теоретическую, прежде чем будут полностью поняты физические и химические процессы, предсказывающие эти параметры почвы.

С увеличением разрешения гиперспектральных датчиков ДЗ получается все больше и больше измерений. В то же время объем получаемых данных ДЗ также демонстрирует очевидный рост. Получая большое количество гиперспектральных данных , люди также сталкиваются с проблемой, как максимально эффективно использовать эти огромные данные. Хотя в технологии гиперспектральных данных достигнут некоторый прогресс классификации и извлечения информации, они все еще отстают от развития сенсоров в целом. Таким образом, предстоит еще пройти долгий путь в области исследований по классификации гиперспектральных данных и извлечению информации. Как эффективно обеспечить интеллектуальный анализ данных HRS, извлечение информации, высокоэффективное сжатие данных и высокоскоростную передачу данных — одни из наиболее важных проблем, которые предстоит решить в будущем.

РИСУНОК 14–2 Синоптическая схема, показывающая различные гиперспектральные платформы дистанционного зондирования с разнообразными приложениями и то, как они могут поддерживать мониторинг почвы.

С одной стороны, новые технологии интеллектуального анализа данных, такие как глубокое обучение, предоставляют возможности для эффективной обработки больших объемов данных HRS. Глубокое обучение предлагает метод, позволяющий компьютерам автоматически изучать особенности шаблона и включать изучение функций в процесс построения модели, тем самым уменьшая неполноту, вызванную искусственными конструктивными особенностями. В настоящее время некоторые приложения машинного обучения с глубоким обучением в качестве основного метода достигли превосходной производительности распознавания или классификации, превосходящей существующие алгоритмы. С другой стороны, ввиду огромного количества данных HRS, из исходных данных измерений необходимо извлекать более эффективные параметры характеристик для мониторинга атрибутов почвы. Есть два способа реализовать этот процесс, а именно выбор диапазона и извлечение признаков. Хорошо известно, что полосы с большим количеством информации, меньшей корреляцией данных, большой спектральной разницей свойств почвы и хорошей разделимостью должны быть выбраны в качестве лучших рабочих каналов и которые имеют индексы извлечения или методы, которые легко реализовать с более высокой точностью извлечения. следует развивать. Однако из-за разных объектов и регионов исследований лучшие спектральные параметры или характеристические показатели одного и того же почвенного признака также различны. Большинство существующих спектральных индексов основаны на ограниченных наборах данных, что делает модели мониторинга недостаточно универсальными в выборе и применении характеристических параметров.

В процессе своего развития почвоведение сталкивается со многими техническими трудностями и проблемами. Этих проблем невозможно избежать при внедрении технологии HRS в восстановление параметров почвы. Например, изучение механизмов взаимодействия между параметрами почвы всегда было горячей точкой исследований в почвоведении, и трудно создать модель мониторинга HRS на физической и химической основе. Но это также дает новую техническую идею для мониторинга свойств почвы с помощью HRS, например, нацеливаясь на параметры со слабыми спектральными характеристиками отражения, мы пытаемся косвенно обнаружить их по другим параметрам, тесно связанным с их физическими и химическими свойствами в почве. При этом для рабочих площадей с растительным покровом контроль свойств почвы осуществляется косвенно через спектральные характеристики растительности. В этом случае механизмы взаимодействия растительности и почвы также должны быть интегрированы в построение модели мониторинга HRS.

Среди конкретных методов построения моделей широко используются методы линейного математического анализа, в том числе регрессия главных компонент, множественная линейная регрессия, частичная регрессия наименьших квадратов и одномерная линейная регрессия. В некоторых исследованиях изучались методы нелинейного математического анализа, такие как SVM, генетический алгоритм и технология искусственных нейронных сетей. Эти нелинейные методы могут в некоторой степени компенсировать недостатки линейных методов и повысить точность прогнозирования моделей. На основе этих исследований следует опробовать новые методы моделирования искусственного интеллекта, такие как линейная и нелинейная связь, машинное обучение, а также изучить их применение для мониторинга свойств почвы. Более того, переход от эмпирической модели к физической модели повысит универсальность и надежность данной модели.

Почва – это взаимосвязанная и взаимодействующая совокупность минералов, органических веществ, воды, воздуха и других веществ. Его спектральные характеристики отражения также являются всесторонним отражением различных физических и химических свойств. Поэтому при обсуждении метода модели необходимо также учитывать различные типы грунтов из-за больших различий в их составе. Поскольку составы разных почв весьма различны, их спектральные кривые отражения весьма различаются даже при одинаковых параметрах почвы. Когда технология HRS используется для мониторинга свойств почвы в крупных регионах, часто задействуются разные типы почвы. Поэтому определение методов снижения воздействия компонентов и установления связи между спектральной отражательной способностью и целями мониторинга для различных почв является сложной задачей. Даже для одного и того же типа почвы ее свойства, такие как содержание влаги в почве и органическое вещество, влияют на отражательную способность вместе. Только различив их совокупное влияние на отражательную способность, можно лучше реализовать их количественный мониторинг. Поэтому при применении HRS для мониторинга параметров почвы больше внимания следует уделять применению многомерных моделей, включающих множество параметров, а не однофакторных моделей.

Почвенные спектры обладают не только высоким сходством и пространственной изменчивостью, но и сильной временной динамикой. Особенно при мониторинге свойств почвы на территориях, покрытых растительностью, спектральное изменение свойств почвы со временем будет более отчетливым из-за влияния сезонных особенностей растительности. Таким образом, если в полной мере использовать преимущества HRS в различении тонких деталей поверхности и объединить это с временными и динамическими характеристиками почвенных свойств, точность обнаружения и мониторинга почвенных свойств будет значительно повышена. Однако в настоящее время из-за избыточности спектрального разрешения и ограничения временного разрешения данных HRS, а также сложности соответствующих моделей все еще необходимы дальнейшее накопление данных и исследование методов для реализации мониторинга параметров почвы с учетом динамического процесса роста растительности.

Благодаря успешной разработке и запуску наземных, воздушных и космических гиперспектральных датчиков во всем мире стало легче получать надежные и оперативные гиперспектральные данные о земной поверхности. Более того, новые возможности технологии HRS — высокое пространственное разрешение, высокое спектральное разрешение и высокое временное разрешение — становятся все более очевидными. Однако на оптические средства HRS могут влиять многие факторы, такие как пыль, ржавчина, вспашка, гранулометрический состав, растительный покров, замусоренность, физические и биогенные корки, что делает использование одного типа оптических данных HRS довольно ограниченным и проблематичным при стремлении к количественно точной информации. Датчики с различными режимами работы и диапазонами длин волн могут предоставлять различные средства и методы обнаружения, которые могут формировать дополнительные наборы информации для повышения точности мониторинга. По этой причине объединение нескольких данных и многомасштабная ассимиляция данных станут еще одной горячей точкой исследований в мониторинге свойств почвы с помощью HRS. Объединение гиперспектральных данных с данными других типов датчиков, таких как световое обнаружение и определение дальности (LiDAR), радар с синтезированной апертурой (SAR) и изображениями с высоким пространственным разрешением, будет иметь широкие перспективы применения, если оно сможет расширить диапазон мониторинга или повысить точность обнаружения. Кроме того, при постоянном совершенствовании временного и пространственного разрешения данных HRS и разнообразии методов получения данных (например, наземных, воздушных и космических), ассимиляция данных HRS имеет большой потенциал для применения. Многомасштабная ассимиляция данных повысит точность мониторинга процесса земной поверхности и будет способствовать комплексному применению данных HRS с разным разрешением (временным, пространственным и спектральным) в почвоведении.






Благодарности

Это исследование было поддержано Национальным фондом естественных наук Китая (грант № 41871357), Сычуаньским проектом фундаментальной науки и технологий (грант № 18YYJC1148), Отделением горных наук Исследовательского и образовательного центра Катманду, CAS-TU, Чэнду, Китай (грант № Y8R3310310), Программа «Сто молодых талантов» Института горных опасностей и окружающей среды (грант № SDSQB-2015-02), Проект «Один-три-пять» Китайской академии наук (грант №. SDS-135 1708) и Программа сети научно-технических услуг Китайской академии наук (грант № Y8R2020022).

Конфликт интересов

Авторы заявили об отсутствии конфликта интересов.

Список сокращений

AK доступный калий

ANN искусственная нейронная сеть

AP доступный фосфор

BPNN нейронная сеть обратного распространения ошибки

HJ1A Китайский экологический спутник 1А

HRS гиперспектральное дистанционное зондирование

MLR множественная линейная регрессия

PLSR частичная регрессия наименьших квадратов

RS дистанционное зондирование

SLR линейная регрессия

SOC органический углерод почвы

SVM Метод опорных векторов

TN общий азот

VIS-NIR видимый-ближний инфракрасный диапазон




Рекомендации

Асадзаде С., Фильо CRS, 2016. Исследование возможностей суперспектральных данных WorldView-3 для прямого обнаружение углеводородов. 173, 162 173.

Бабаеян Э., Хомаи М., Монцка К., Верикекен Х., Норузи А.А., 2015. На пути к восстановлению гидравлических характеристик почвы. свойства по данным гиперспектрального дистанционного зондирования. Зона Вадозе J. 14 (3), 1 17.

Баджва, С.Г., Тиан, Л.Ф., 2005. Характеристика плодородия почвы на сельскохозяйственных полях с использованием гиперспектрального дистанционного зондирования. Пер. АСАБЕ 48 (6), 2399 2406.

Бартоломеус Х., Куистра Л., Стивенс А., ван Леувен М., ван Весемаэль Б., Бен-Дор Э. и др., 2011. Картирование органического углерода в почве частично засаженных растительностью сельскохозяйственных полей с помощью визуализирующей спектроскопии. Межд. Дж. Прил. Земля Обс. 13, 81 88.

Бен-Дор, Э., Шабрилья, С., Дематте, Дж.Э.М., Тейлор, Г.Р., Хилл, Дж., Уайтинг, М.Л. и др., 2009. Использование спектроскопических изображений для изучения свойств почв. 113, 38 55.

Бен-Дор, Э., Паткин, К., Банин, А., Карниели, А., 2002. Картирование некоторых свойств почвы с использованием DAIS-7915 данных гиперспектрального сканера—тематическое исследование глинистых почв в Израиле. Межд. J. Дистанционное зондирование 23, 1043–1062.


Блюм Х.П., Брюммер Г., Хорн Р., Канделер Э., Кёгель-Кнабнер И., Кречмар Р. и др., 2010. Шеффер/ Schachtschabel Lehrbuch der Bodenkunde, шестнадцатое изд. Spektrum Akademischer Verlag, Гейдельберг.

Буасье Д.Е., Севин Ф., Кудахи Б., Мангеас Т., Шеврель М., Онг С. и др., 2017. Картирование геологии реголита методом опорных векторов: исследование выветрелых никелевых перидотитов, Новая Каледония. Межд. Дж. Прил. Земля Обс. Геоинф. 64, 377 385.

Браун, Д.Д., Шеперд, К.Д., Уолш, М.Г., Мэйс, М.Д., Рейнш, Т.Г., 2006. Глобальная характеристика почв с помощью Спектроскопии диффузного отражения ВНИР. Геодерма 132, 273 290.

Каррино, Т.А., Кроста, А.П., Толедо, КЛБ, Сильва, А.М., 2018. Гиперспектральное дистанционное зондирование применительно к минералам. разведка на юге Перу: подход к интеграции нескольких данных на золоторудном месторождении Чапи Кьяра. Межд. Дж. Прил. Земля Обс. Геоинф. 64, 287 300.

Каса Р., Кастальди Ф., Паскуччи С., Паломбо А., Пиньятти С., 2013. Сравнение разрешения датчиков и стратегий калибровки для оценки текстуры почвы на основе гиперспектрального дистанционного зондирования. Геодерма 197 198,

17 26.

Кастальди Ф., Каса Р., Кастриньяно А., Паскуччи С., Паломбо А., Пиньятти С., 2014. Оценка свойств почвы в полевом масштабе по спутниковым данным: сравнение пространственных и непространственных методов. Евро. Дж. Почвоведение. 65 842 851.

Кастальди Ф., Паломбо А., Паскуччи С., Пиньятти С., Сантини Ф., Каса Р., 2015. Уменьшение влияния влажности почвы при оценке глины по гиперспектральным данным: тематическое исследование с использованием смоделированных данных PRISMA. Дистанционный датчик 7, 15561 15582.

Кастальди Ф., Паломбо А., Сантини Ф., Паскуччи С., Пиньятти С., Каса Р., 2016. Оценка потенциала существующие и будущих мультиспектральных и гиперспектральных сканеров для оценки текстуры почвы и органического углерода. 179, 54 65.

Кастальди Ф., Шабрийя С., Джонс А., Врейс К., Боманс Б., ван Весемаэль Б., 2018. Оценка органического углерода в почве на возделываемых землях по гиперспектральным дистанционным данным APEX с использованием верхнего слоя почвы LUCAS. 10 (2), 153.

Кастальди Ф., Уени А., Шабрилья С., Уорд К., Буттафуоко Г., Боманс Б. и др., 2019. Оценка возможностей данных Sentinel 2 по органическому углероду в почве прогнозирования на пахотных землях. ISPRS J. Фотограмма. Sens. 147, 267 282.

Шабрийя С., Гетц А.Ф.Х., Кросли Л., Олсен Х.В., 2002. Использование гиперспектральных изображений при идентификации. и картирование обширных глинистых почв и роль пространственного разрешения. 82,

431 445.

Чен Ф., Киссель Д.Э., Уэст Л.Т., Адкинс В., 2000. Картирование поверхностного органического углерода почвы в полевом масштабе с использованием изображения, полученного с помощью дистанционного зондирования. Почвоведение. Дж. 64, 746 753.

Чой, Э., ван дер Меер, Ф., ван Руитенбек, Ф., ван дер Верфф, Х., де Смет, Б., Ким, К.В., 2008. Картирование загрязнения тяжелыми металлами речных отложений с использованием комбинированной геохимии, полевой спектроскопии и гиперспектрального дистанционного зондирования: тематическое исследование горнодобывающего района Родалькилар на юго-востоке Испании.

112, 3222 3233.

Чампалини А., Андре Ф., Гарфаньоли Ф., Гранжан Г., Ламбо С., Кьярантини Л. и др., 2015. Улучшенная оценка содержания глины в почве путем объединения удаленных гиперспектральных данных и удаленного геофизическое зондирование. Дж. Прил. Геофиз. 116, 135 145.

Курчо, Д., Сираоло, Г., Асаро, Ф.Д., Минакапилли, М., 2013. Прогнозирование распределения текстуры почвы с использованием Спектроскопии отражения VNIR SWIR. Учеб. Окружающая среда. наук. 19 494 503.

Дас, Б.С., Саратджит, MC, Сантра, П., Саху, Р.Н., Шривастава, Р., Рутрей, А. и др., 2015. Гиперспектральное дистанционное зондирование: возможности, состояние и проблемы быстрой оценки почвы в Индии. Курс. наук. 108 (5), 860 868.

Дэвис, Дж. Э., Кэлвин, В. М., 2017. Картирование кислых шахтных отходов с помощью сезонных аэроспектральных изображений в различные пространственные масштабы. Окружающая среда. Науки о Земле. 76 (12), 432.

Дехаан Р.Л., Тейлор Г.Р., 2003. Конечные составляющие спектра, полученные по изображениям, как индикаторы засоления. Межд. Дж.

Дистанционный датчик 24 (4), 775 794.

Денис А., Стивенс А., ван Весемаэль Б., Удельховен Т., Тихон Б., 2014. Оценка органического углерода в почве с помощью полевой и аэроспектрометрии на голых пахотных землях: учет шероховатости поверхности почвы. Геодерма 226 227, 94 102.

ДеТар, В.Р., Чессон, Дж.Х., Пеннер, Й.В., Оджала, Дж.К., 2008. Обнаружение свойств почвы с помощью гиперспектральных измерений с воздуха на голых полях. Пер. АСАБЕ 51 (2), 463 470.

Дуткевич А., Льюис М., Остендорф Б., 2009. Оценка и сравнение гиперспектральных изображений для картирования поверхностных симптомов засоления засушливых земель. Межд. J. Remote Sens. 30 (3), 693 719.

Датта Д., Гудвелл А.Е., Кумар П., Гарви Дж.Э., Дармоди Р.Г., Берретта Д.П. и др., 2015. Об осуществимости характеристик свойств почвы по данным AVIRIS. IEEE Транс. Геосци. Дистанционный датчик 53 (9), 5133 5147.

Эйзель А., Лау И., Хьюсон Р., Картер Д., Уитон Б., Онг К. и др., 2012. Применимость теплового инфракрасного диапазона спектра для прогнозирования состояния почвы в полузасушливых сельскохозяйственных ландшафтах. Удаленный Sens. 4, 3265 3286.

Эпштейн Э., Норлин Дж.Д., Раш Д.В., Кингсбери Р.В., Келли Д.Б., Каннингем Г.А. и др., 1980. Культура сельскохозяйственных культур в солевом растворе: генетический подход. Наука 210, 399.

Фарифтех Дж., ван дер Меер Ф., Ацбергер К., Карранса Э.Дж.М., 2007. Количественный анализ засоленной почвы. Спектры отражения: сравнение двух адаптивных методов (PLSR и ANN). 110, 59 78.

Фэн Дж., Рогге Д., Ривард Б., 2018. Сравнение результатов литологического картирования по данным аэро гиперспектральной съемки. VNIR SWIR, LWIR и комбинированные данные. Межд. Дж. Прил. Земля Обс. Геоинф. 64, 340 353.

Фернандес С., Пеон Дж., Рекондо К., Каллеха Дж. Ф., Герреро К., 2016. Пространственное моделирование органического углерода в сожженные горные почвы с использованием гиперспектральных изображений, наборов полевых данных и БИК-спектроскопии (Кантабрийский Диапазон, северо-запад Испании). Земля. Дев. 27, 1479–1488.

Финн, М.П., ​​Льюис, М., Бош, Д., Хиральдо, М., Ямамото, К., Салливан, Д.Г. и др., 2011. Дистанционное зондирование влажности почвы с использованием аэрогиперспектральных данных. GIScience Remote Sens. 48 (4), 522 540.

Франческини, МХД, Дематте, ЖАМ, да Силва Терра, Ф., Висенте, Л.Е., Бартоломеус, Х., де Соуза Фильо, CR, 2015. Прогноз свойств почвы с помощью визуализирующей спектроскопии: с учетом фракционной растительности для повышения точности. Межд. Дж. Прил. Земля Обс. 38, 358 370.

Гарфаньоли Ф., Чампалини А., Моретти С., Кьярантини Л., Веттори С., 2013. Количественное картирование глины и минералов с помощью аэровизионной спектроскопии: новые данные о Муджелло (Италия) с прототипного датчика SIM-GA. Евро. J. Дистанционная чувствительность 46, 1 17.

Геригхаузен Х., Менц Г., Кауфманн Х., 2012. Пространственно явная оценка содержания глины и органического углерода в сельскохозяйственных почвах с использованием многолетних данных спектроскопии изображений. Прил. Окружающая среда. Почвоведение. 2012, 868090.

Голизаде А., Зизала Д., Саберион М., Борувка Л., 2018. Извлечение органического углерода из почвы и восстановление текстуры. и картирование с использованием проксимальной, воздушной и спектральной визуализации Sentinel-2. 218, 89 103.

Гош Г., Кумар С., Саха С.К., 2012. Гиперспектральные спутниковые данные при картировании засоленных почв с использованием линейного спектрального анализа несмешивания. Дж. Индийская соц. 40 (1), 129 136.

Гетц, AFH, 2009. Три десятилетия гиперспектрального дистанционного зондирования Земли: личный взгляд. 113, С5 С16.

Гетц, А.Ф.Х., Роуэн, Л.К., Кингстон, М.Дж., 1982. Идентификация минералов с орбиты: первоначальные результаты шаттлового мультиспектрального инфракрасного радиометра. Наука 218, 1020 1024.

Гомес К., Россель РАВ, МакБрэтни А.Б., 2008a. Прогнозирование органического углерода в почве с помощью гиперспектрального дистанционного управления зондирование и полевая видимая БИК-спектроскопия: тематическое исследование из Австралии. Геодерма 146, 403 411.

Гомес К., Лагашери П., Кулума Г., 2008b. Удаление континуума по сравнению с методом PLSR для оценки содержания глины и карбоната кальция на основе лабораторных и аэроспектральных измерений. Геодерма 148, 141 148.

Гомес К., Лагашери П., Кулума Г., 2012. Региональные прогнозы восьми общих свойств почвы и их пространственные структуры по гиперспектральным данным NIR. Геодерма 189, 176 185.

Говил Х., Гилл Н., Раджендран С., Сантош М., Кумар С., 2018. Идентификация новой минерализации цветных металлов в Кумаоне, Гималаи, Индия, с использованием гиперспектрального дистанционного зондирования и гидротермальных изменений. Рудная геология. Откр. 92, 271 283.

Хамзе, С., Насери, А.А., АлавиПана, С.К., Моджаради, Б., Бартоломеус, Х.М., Клеверс, JGPW и др., 2013.

Оценка стресса засоления на полях сахарного тростника с помощью космических гиперспектральных индексов растительности. Межд. Дж.

Прил. Земля Обс. Геоинф. 21, 282 290.

Хамзе С., Насери А.А., Алавипанах С.К., Бартоломеус Х., Герольд М., 2016. Оценка точности гиперспектральные и мультиспектральные спутниковые снимки для категориального и количественного картирования солености стрессовых сахарных полей. Межд. Дж. Прил. Земля Обс. Геоинф. 52, 412 421.

Хауброк С.Н., Шабрийя С., Кунерт М., Хостерт П., Кауфманн Х., 2008. Количественная оценка и проверка поверхностной влажности почвы на основе гиперспектральных данных и полевых измерений. Дж. Прил. Дистанционный датчик 2, 023552.

Хбирку, К., Петцольд, С., Махлейн, А.-К., Велп, Г., 2012. Воздушная гиперспектральная визуализация пространственной органики почвы. углеродная гетерогенность в полевом масштабе. Геодерма 175, 21 28.

Гилель Д., 1980. Применение физики почвы. Academic Press Inc, Амстердам.

Хайвли, В.Д., Маккарти, Г.В., Ривз, Дж.Б., Лэнг, М.В., Эстерлинг, Р.А., Делвич, С.Р., 2011. Использование воздушно-десантных средств гиперспектральных изображений для картирования свойств почвы на возделываемых сельскохозяйственных полях. Прил. Окружающая среда. Почвоведение. 2011, 358193.

Джабер, С.М., Лант, К.Л., Аль-Кинна, Мичиган, 2011. Оценка пространственных изменений содержания органического углерода в почве с помощью спутника и гиперспектральных данных Межд. J. Remote Sens. 32, 5077 5103.

Каннинг М., Зигманн Б., Джармер Т., 2016. Районирование непокрытых сельскохозяйственных почв на основе органических оценок углерода и текстуры почвы. Дистанционное зондирование 8, 927.

Крапез Дж.К., Олиосо А., 2011. Комбинация температуры, индексов растительности и альбедо, как полученные с помощью воздушного гиперспектрального дистанционного зондирования для оценки влажности почвы. КИРТ Дж. 8, 187 200.

Кумар С., Гаутам Г., Саха С.К., 2015. По данным гиперспектрального дистанционного зондирования получены спектральные индексы для характеристики засоленных почв: на примере Индо-Гангских равнин Индии. Окружающая среда. Науки о Земле 73,

3299 3308.

Кусума, К.Н., Рамакришнан, Д., Пандалаи, Х.С., 2012. Спектральные пути для эффективного разграничения богатых бокситов: тематическое исследование из бассейна реки Савитри, Махараштра, Индия, с использованием данных EO-1 Hyperion. Межд. J. Дистанционный датчик 33 (22), 7273 7290.

Лагашери П., Баре Ф., Фере Ж.Б., Мадейра-Нетто Ж., Роббез-Массон Ж.М., 2008. Оценка глинистой почвы и карбоната кальция с использованием лабораторных, полевых и аэроспектральных измерений. Дистанционный датчик Окружающая среда. 112 (3), 825 835.

Лей, Л., Ташполат, Т., Дин, Дж.Л., Цзян, Х.Н., Ардак, К., 2014. Исследование по мониторингу засоления почв на основе измеренных гиперспектральных данных и данных HSI. Спектроск. Спектр. Анальный. 34 (7), 1948–1953 гг.

Литтлфилд, Э. Ф., Кэлвин, В. М., 2014. Геотермальные исследования с использованием данных спектрометра изображения над Фиш-Лейк. Вэлли, Невада. 140, 509 518.

Лю Л., Чжоу Дж., Цзян Д., Чжуан Д., Мансарай Л.Р., Ху З. и др., 2016. Разведка минеральных ресурсов. синтетическое применение ТМ/ЭТМ 1 , данные Quickbird и Hyperion в районе Хату, Западный Джунгар, Синьцзян, Китай. наук. Отчет 6, 21851.


Лю Л., Фэн Ф., Ривард Б., Сюй X., Чжоу Дж., Хань Л. и др., 2017. Картирование изменений с использованием изображений с Тяньгун—1 гиперспектральной космической системы: пример золотой провинции Цзинтаньцзы. Китай Междунар. Дж. Прил. Земля Обс. Геоинф. 64, 275 286.

Лю, Л., Цзи, М., Бухройтнер, М., 2018. Тематическое исследование метода принудительной инвариантности для оценки засоления почвы на территории, покрытой растительностью, с использованием аэроспектральных гиперспектральных изображений. ISPRS Int. Дж. Геоинф 7, 48.

Ли Дж., Чжао Г., Чанг К., Лю Х., 2014. Метод извлечения информации о засолении земель на основе HSI. гиперспектральные и ТМ изображения. Спектроск. 34 (2), 520 525.

Ли Дж., Пу Л., Чжу М., Дай X., Сюй Ю., Чен X. и др., 2015. Мониторинг содержания солей в почве с использованием гиперспектральных данных HJ-1A: тематическое исследование прибрежных районов округа Жудонг, Восточный Китай. Подбородок. Геог. наук. 25 (2), 213 223.

Лу П., Ван Л., Ню З., Ли Л., Чжан В., 2013. Прогноз свойств почвы с использованием лабораторной визуализации. БИК-спектроскопия и изображения Гипериона. Дж. Геохим. Исследовать. 132, 26 33.

Мальтезе А., Каподичи Ф., Сираоло Г., Лоджия Г.Л., 2013. Составьте карту содержания влаги в почве под редкой растительностью и изменчивые условия неба: сравнение двух подходов тепловой инерции. Дж. Прил. Дистанционный датчик 7, 073548.

МакКейб М., Вуд Э., 2006. Влияние масштаба на дистанционную оценку суммарного испарения с использованием множественных спутниковые датчики. Дистанционный датчик окружающей среды. 105 (4), 271 285.

Меер, Ф.Д., Верфф, ХМА, Руитенбек, Ф.Дж.А., Хекер, К.А., Баккер, В.Х., Ноомен, М.Ф. и др., 2012. Мульти- и гиперспектральное геологическое дистанционное зондирование: обзор. Межд. Дж. Прил. Земля Обс. Геоинф. 14, 112 128.

Меттернихт Г.И., Цинк Дж.А., 2003. Дистанционное зондирование засоления почвы: возможности и ограничения.

Окружающая среда. 85 (1), 1 20.

Минасны Б., МакБрэтни А.Б., Мэлоун Б.П., Уилер И., 2013. Цифровое картирование углерода в почве. Вышел: Спаркс, ДЛ

(Ред.), «Достижения в агрономии», 118. Elsevier Academic Press Inc, Сан-Диего, Калифорния, стр. 1. 47.

Мину С., Шетти А., Минасны Б., Гомес К., 2017. Роль алгоритмов атмосферной коррекции в прогнозировании содержания органического углерода в почве на основе данных Hyperion. Межд. J. Дистанционный датчик 38 (23), 6435 6456.

Молан Ю.Е., Рефахи Д., Тарашти А.Х., 2014. Картирование минералов в районе Махерабада, восточный Иран, с использованием Данных дистанционного зондирования HyMap. Межд. Дж. Прил. Земля Обс. Геоинф. 27 (4), 117 127.

Морейра, Л.С., Тейшейра, А.С., Гальван, Л.С., 2015. Потенциал мультиспектральных и гиперспектральных данных для обнаружения засоленные почвы в Бразилии. GIScience Remote Sens. 52 (4), 416 436.

Малдер В.Л., де Брюин С., Шепман М.Э., Майр Т.Р., 2011. Использование дистанционного зондирования почвы и местности. картографирование—Обзор. Геодерма 162, 1 19.

Мерфи Р.Дж., Шнайдер С., Монтейро С.Т., 2014. Согласованность измерений положения длины волны по гиперспектральным изображениям: использование поглощения поля кристаллов трехвалентного железа при длине волны 900 нм в качестве индикатора минералогии. IEEE Trans. 52, 2843 2857.

Нето, OCR, Тейшейра, ADS, Леан, РАО, Морейра, LCJ, Гальван, LS, 2017. Гиперспектральное дистанционное зондирование для обнаружения засоления почв с использованием аэрофотоснимков ProSpecTIR-VS и сенсорного моделирования. Дистанционный датчик 2017 (9), 42.

Нотеско, Г.,Копачкова,ˇ В., Рожик П., Шварц Г., Ливне И., Дор Е.Б., 2014. Минеральная классификация поверхности земли с использованием мультиспектральных данных дистанционного зондирования LWIR и гиперспектральных SWIR. Тематическое исследование по Карьеру «Соколовский бурый уголь», Чехия. 6, 7005 7025.

Нотеско Г., Оген Ю., Бен-Дор Э., 2015. Классификация минералов Махтеша Рамона в Израиле с использованием данных дистанционного зондирования гиперспектрального длинноволнового инфракрасного диапазона (LWIR). 7, 12282 12296.

Нотеско Г., Оген Ю., Бен-Дор Э., 2016. Интеграция гиперспектрального коротковолнового и длинноволнового инфракрасного излучения. данные дистанционного зондирования для картирования полезных ископаемых Махтеша Рамона в Израиле. 8, 318.

Новак Б., Несме Т., Дэвид К., Пеллерин С., 2015. Переработка питательных веществ в органическом сельском хозяйстве связана с разнообразием в типах ферм на местном уровне. Сельское хозяйство. Экосист. Окружающая среда. 204, 17 26.


Ноканде С.М., Норузи А.А., Хомаи М., 2018. Оценка содержания органического вещества в почве по данным Hyperion отражения с использованием моделей PLSR, PCR, MinR и SWR в полузасушливых регионах Ирана. Окружающая среда. Дев 25, 23 32.

Онг, CCH, Кудахи, TJ, 2014. Картирование загрязненных почв: использование гиперспектральных данных дистанционного зондирования для прогноза pH. Евро. Дж. Почвоведение. 65 897 906.

Паскуччи С., Каса Р., Бельвизо К., Паломбо А., Пиньятти С., Кастальди Ф., 2014. Оценка содержания органического углерода в почве по данным гиперспектрального теплового инфракрасного излучения с воздуха: тематическое исследование. Евро. Дж. Почвоведение. 65 865 875.

Патцольд С., Мертенс Ф.М., Борнеманн Л., Колечек Б., Франке Дж., Фейльхауэр Х. и др., 2008. Неоднородность почвы в полевом масштабе: проблема точной защиты растений . Точность. Сельское хозяйство. 9, 367 390.

Пеон Дж., Фернандес С., Рекондо К., Каллеха Дж. Ф., 2017a. Оценка спектральных характеристик пяти гиперспектральных и мультиспектральных датчиков для оценки органического углерода в почвах на гарях. Межд. Дж. Дикий огонь 26 (3), 230 239.

Пеон Дж., Рекондо К., Фернандес С., Каллеха Х.Ф., Мигель Э.Д., Карретеро Л., 2017b. Прогнозирование верхнего слоя почвы органического углерода с использованием аэроспектральных и спутниковых гиперспектральных изображений. Дистанционное зондирование 9, 1211.

Пур Б.А., Хашим М., Маргани М., 2014. Исследование золоторудной минерализации в тропическом регионе с использованием Данных Earth Observing-1 (EO1) и JERS-1 SAR: тематическое исследование золотого месторождения Бау, Саравак, Малайзия. Араб. Дж. Геоски. 7 (6), 2393 2406.

Рамакришнан Д., Нитья М., Сингх К.Д., Бхарти Р., 2013. Полевой метод быстрой литолологической дискриминации и идентификации рудных минералов: результаты полиметаллического месторождения Мамандур, Индия. Дж. Система Земли. наук.

122 (1), 1 14.

Рамакришнан Д., Бхарти Р., 2015. Гиперспектральное дистанционное зондирование и геологические приложения. Курс. наук.

108 (5), 879 891.

Рани Н., Мандла В.Р., Сингх Т., 2017. Пространственное распределение измененных минералов в сланцевом поясе Гадаг (GSB) Карнатаки, Южная Индия, с использованием данных гиперспектрального дистанционного зондирования. Геокарто Междунар. 32 (3), 225 237.

Райли Д.Н., Аслетт З., Тараник Дж.В., 2017. Картирование породообразующих минералов пограничного каньона, Долина Смерти. Национальный парк, Калифорния, с использованием данных теплового инфракрасного гиперспектрального изображения SEBASS. Межд. Дж. Прил. Земля Обс. Геоинф. 64, 326 339.

Розеро-Власова О.А., Власова Л., Перес-Кабельо Ф., Монторио Р., Надаль-Ромероа Э., 2018. Моделирование почвы органического вещества и текстуры по спутниковым данным в районах, пострадавших от лесных пожаров и заброшенных пахотных земель в Арагон, Северная Испания. Дж. Прил. Дистанционный датчик 12 (4), 042803.

Саху, Р.Н., Рэй, С.С., Манджунат, КР, 2015. Гиперспектральное дистанционное зондирование сельского хозяйства. Курс. наук. 108 (5), 848 859.

Сальвуччи, Г.Д., Салим, Дж.А., Кауфманн, Р., 2002. Исследование обратной связи влажности почвы с осадками с помощью теста причинности Грейнджера. Адв. Водный ресурс. 25, 1305 1312.

Скафутто, РДПМ, Фильо, CRS, Райли, Д.Н., Оливейра, В.Дж., 2017. Обнаружение гиперспектральным дистанционным зондированием нефтяных углеводородов в смесях с минеральными субстратами: значение для разведки на суше и мониторинг. ISPRS J. Фотограмма. 128, 146 157.

Скафутто, RDPM, Филью, CRS, Райли, Д.Н., Оливейра, В.Дж., 2018. Оценка теплового инфракрасного гиперспектрального спектра. изображения для обнаружения береговых шлейфов метана. Значение для разведки углеводородов и мониторинг. Межд. Дж. Прил. Земля Обс. Геоинф. 64, 311 325.

Шуновер, Дж. Э., Крим, Дж. Ф., 2015. Введение в концепции почв и роль почв в управлении водоразделами. Дж. Созерцание. Вода Рес. Образование. 154 (1), 21 47.

Швангарт В., Джармер Т., 2011. Связь пространственных закономерностей содержания органического углерода в почве с топографией.—тематическое исследование из юго-восточной Испании. Геоморфология 126, 252 263.

Селиге Т., Бёнер Дж., Шмидхальтер У., 2006. Картирование верхнего слоя почвы с высоким разрешением с использованием гиперспектрального изображения и полевые данные в процедурах многомерного регрессионного моделирования. Геодерма 136, 235 244.

Шепард, К.Д., Уолш, М.Г., 2002. Разработка библиотек спектров отражения для характеристики почвы. характеристики. Почвоведение. Соц. Являюсь. Дж. 66, 988 998.

Шреста, Д.П., Маргейт, Д.Э., ван дер Меер, Ф., Ань, Х.В., 2005. Анализ и классификация гиперспектральных данные для картирования деградации земель: применение на юге Испании. Межд. Дж. Прил. Земля Обс. Геоинф. 7, 85 96.

Сильвестри, С., Марани, М., Марани, А., 2003. Гиперспектральное дистанционное зондирование солончаковой растительности, морфология и топография почвы. Физ. хим. Земля 28, 15 25.

Собрино, Х.А., Франч, Б., Маттар, К., Хименес-Муньос, Х.К., Корбари, К., 2012. Метод оценки влажности почвы с помощью воздушного гиперспектрального сканера (AHS) и данных ASTER: применение к SEN2FLEX и СЕН3ЭКСП кампании. 117, 415 428.

Сонг, К., Ма, Дж., Ли, К., Ленг, П., Чжоу, Ф., Ли, С., 2014. Первые результаты оценки поверхностной влажности почвы в площади растительности с использованием данных ASAR и Hyperion: тематическое исследование китайского бассейна реки Хэйхэ. 6, 12055 12069.

Сун, YQ, Чжао, X., Су, HY, Ли, Б., Ху, YM, Цуй, XS, 2018. Прогнозирование пространственных изменений в питательных веществах почвы с гиперспектральным дистанционным зондированием в региональном масштабе. Датчики 18, 3086.

Стейнберг, А., Шабрийя, С., Стивенс, А., Сегл, К., Ферстер, С., 2016. Прогнозирование общих свойств поверхности почвы на основе данных спектроскопии визуализации в ближнем ИК-диапазоне и смоделированных данных EnMAP: точность прогнозирования и влияние пространственного разрешения. 8, 613.

Стивенс А., ван Весемаэль Б., Ванденшрик Г., Туре С., Тихон Б., 2006. Обнаружение запасов углерода. изменение сельскохозяйственных почв с помощью спектроскопических методов. Почвоведение. Соц. Являюсь. Дж. 70, 844 850.

Стивенс А., ван Весемаэль Б., Бартоломеус Х., Розиллон Д., Тихон Б., Бен-Дор Э., 2008. Лаборатория, полевая деятельность и аэроспектроскопия для мониторинга содержания органического углерода в сельскохозяйственных почвах. Геодерма 144, 395 404.

Стивенс А., Удельховен Т., Денис А., Тихон Б., Лиой Р., Хоффманн Л. и др., 2010. Измерение органических веществ в почве. углерода в пахотных землях в региональном масштабе с использованием аэроспектроскопии изображений. Геодерма 158, 32 45.

Стивенс А., Мираллес И., ван Весемаэль Б., 2012. Прогнозы содержания органического углерода в почве с помощью аэроспектроскопии изображений: сравнение перекрестной проверки. Почвоведение. Соц. Являюсь. Дж. 76, 2174–2183.

Сан Л., Хан С., 2016. Наземное гиперспектральное дистанционное зондирование изменений горных пород, вызванных углеводородами. в цементе, Оклахома. Мар Пет. геол. 77, 1243 1253.

Суэйзи, Дж.А., Кларк, Р.Н., Гетц, AFH, Ливо, К.Е., Брейт, Г.Н., Крузе, Ф.А. и др., 2014. Расширенное картографирование глинистые изменения в Куприте, штат Невада, с использованием визуализационной спектроскопии. Экон. геол. 109, 1179 1221.

Тонг К., Сюэ Ю., Чжан Л., 2014. Прогресс в науке и технологиях гиперспектрального дистанционного зондирования в Китае за последние три десятилетия. IEEE Дж. Сел. Вершина. Прил. Земля Обс. Дистанционный Сенс 7 (1), 70 91.

Уно, Ю., Прашер, С.О., Патель, Р.М., Страчан, И.Б., Пэтти, Э., Карими, Ю., 2005. Разработка в полевых условиях модели оценки содержания органических веществ в почве в Восточной Канаде с использованием авиационных гиперспектральных изображений. Может. Биосист. англ. 47, 9 14.

Верекен Х., Вейнантс М., Жаво М., Пачепский Ю., Шаап М.Г., ван Генухтен М.Т., 2010. Использование Педотрансферные функции для оценки гидравлических свойств почвы Ван Генухтен Муалем: обзор. Зона Вадозе J. 9, 795 820.

Висенте, Л.Е., Филью, CRS, 2011. Идентификация минеральных компонентов в тропических почвах с использованием спектроскопии отражения и данных усовершенствованного космического радиометра тепловой эмиссии и отражения (ASTER). Удаленный Сенс. Окружающая среда. 115, 1824–1836 гг.

Воланд М., Людвиг М., Тиле-Брюн С., Людвиг Б., 2017. Количественная оценка свойств почвы с помощью гиперспектральных данных: выбор спектральных переменных различными методами для повышения точности и анализа прогнозов. Дистанционное зондирование 9, 1103.

Венг Ю., Гонг П., Чжу З., 2008. Оценка содержания солей в почве в дельте Желтой реки с помощью спутниковых гиперспектральных данных. Может. J. 34 (3), 259–270.

Венг Ю., Гонг П., Чжу З., 2010. Спектральный индекс для оценки засоления почвы в районе дельты Хуанхэ. Китая с использованием данных EO-1 Hyperion. Педосфера 20 (3), 378 388.

Ву Дж., Лю Ю., Ван Дж., Хе Т., 2010. Применение данных Hyperion для картирования деградации земель в Хэншань, район Китая. Межд. J. Remote Sens. 31 (19), 5145 5161.

Ю, Х., Конг, Б., Ван, Г.С., Ду, Р.С., Ци, Г.П., 2018. Прогноз свойств почвы с использованием гиперспектрального анализа. Арх. Агрон. Почвоведение. 64 (4), 546 559.

Заде М.Х., Тангестани М.Х., Ролдан Ф.В., Юста И., 2014. Субпиксельное картирование минералов медно-порфирового типа.пояса с использованием данных ЭО-1 Гиперион. Адв. Космическое разрешение. 53 (3), 440 451.

Цзэн, В.З., Лэй, Г.К., Чжан, Х.И., Хонг, М.Х., Сюй, К., Ву, Дж.В. и др., 2017. Оценка влажности корневой зоны из поверхностной почвы с использованием ограниченных данных. Экол. хим. англ. 24 (4), 501 516.

Чжан Т., Ли Л., Чжэн Б., 2013. Оценка свойств сельскохозяйственных почв с помощью визуализации и лабораторной спектроскопии. Дж. Прил. Дистанционный датчик 7, 73587.

Чжан Т., Шао Ю., Гонг Х., Ли Л., Ван Л., 2014. Распределение содержания соли и значение бледного климата Лоп Нур«Ухо»особенность: результаты анализа изображений EO-1 Hyperion. Дистанционный датчик 6, 7783 7799.

Чжао Ю. Дж., Цинь К., Сунь Ю., Лю Д. К., Тянь Ф., Пей К. К. и др., 2015. Ход геологических исследований с использованием данных воздушного гиперспектрального дистанционного зондирования в Ганьсу и Цинхае. Регионы. Акта Геол. Грех. 89 (5), 1783 1784.

Чжао Л., Ху Ю.М., Чжоу В., Лю З.Х., Пан Ю.К., Ши З. и др., 2018. Методы оценки содержания ртути в почве с использованием гиперспектрального дистанционного зондирования. Устойчивость 10, 2474.