采用無人機載高分辨率光譜儀反演土壤有機碳含量

祝元麗，王冬艷，張 鶴，石 璞,

采用無人機載高分辨率光譜儀反演土壤有機碳含量

祝元麗1，王冬艷1，張 鶴2，石 璞1,2※

（1. 吉林大學地球科學學院，長春 130012；2. 比利時法語魯汶大學地球與生命研究所，比利時新魯汶 1348）

小型無人機（Unmanned Aerial Vehicle，UAV）平臺與土壤高光譜技術的有機結合可作為一種快速、準確獲取高分辨率土壤有機碳（Soil Organic Carbon，SOC）空間信息的手段，適用于精準農業管理和土地監測，但目前該方面應用不多。該研究選取中國東北黑土和比利時黃土研究區，通過構建與UAV兼容的土壤高光譜數據獲取平臺，研究其在暗室和野外自然光條件下快速反演SOC含量的能力；進行多源光譜數據修正，探索暗室SOC模型直接應用到野外條件的可行性。結果表明：1）暗室條件下構建的基于UAV兼容光譜數據（FX）的偏最小二乘回歸（Partial Least Squares Regression，PLSR）模型能準確預測2個研究區的SOC含量（相對分析誤差大于1.6，2≥0.65）；2）野外自然光條件下構建的SOC預測模型精度略有下降（2=0.58），但SOC含量估算值與實測值的值域相近，說明仍能捕捉SOC含量在其值域的變化；3）利用校準標樣對不同光照條件下的FX數據進行修正，將基于實驗室光譜數據的PLSR模型應用于野外光譜數據，為實現無需實地采樣即可利用無人機載高光譜數據進行SOC快速調查奠定了基礎。

無人機；高光譜；土壤；有機碳；偏最小二乘回歸；便攜地物光譜儀

0 引 言

土壤有機碳（Soil Organic Carbon，SOC）作為土壤總碳庫的核心組成部分[1]，其含量動態對農用地生產力和土壤生態系統服務功能的演變具有重要控制作用[2-3]。因此，精準農業管理亟需對田塊尺度SOC時空分布特征進行高分辨率、高精度的量化與監測。傳統的濕式化學測定SOC的方法通常依賴于野外土樣采集和實驗室儀器分析，時間和經濟成本較高，難以進行大尺度和多頻次的SOC監測[4]。近年來，快速發展的可見光-近紅外高光譜技術被廣泛用于SOC含量反演，以解決對SOC大數據的需求與高成本之間的矛盾[5]。依賴于土壤光譜反射率與SOC含量之間的光譜響應關系，眾多國內外學者采用室內光譜傳感器將土壤高光譜技術發展為量化SOC的常規手段[6-8]。然而，基于室內光譜儀的SOC反演所獲取的通常為密度較低的點狀SOC數據，難以滿足精準農業背景下SOC空間分布快速可視化的要求。

小型商用無人機（Unmanned Aerial Vehicle，UAV）平臺具有機動靈活的優勢，近年來被廣泛應用于國土資源空間調查。前人通過將UAV與高光譜技術有機結合進行了植被長勢監測、精準分類與地物識別、病蟲害監測、生產量和產量估算等多元化應用[9]，而利用該技術進行土壤屬性尤其是SOC監測的應用卻為數不多。Aldana-Jague等[10]采用小型UAV載多光譜相機，并結合Structure-from-motion算法，在英國洛桑實驗站進行了農田裸土SOC反演的測試，證明了UAV平臺與土壤光譜數據的有機結合在預測SOC方面的廣闊前景。然而，上述研究采用的多光譜相機僅配備6個波段，存在波段寬度大（>10 nm）、光譜分辨率低的局限性[11-12]，影像特征點匹配難度較大，導致幾何校正效率與精度低，無法提供詳細的地物光譜特征信息。OceanOptics FX光譜儀可提供350～1 000 nm波段范圍內超高光譜分辨率（0.39 nm）的數據，通常用于水質檢測和食品質量控制等。與傳統推掃式光譜成像儀相比，該光譜儀體積小、質量輕，可與負荷有限的小型UAV飛行平臺兼容，在田塊尺度SOC的快速量化和監測方面具備潛在的適應性，但其預測精度還需測試與驗證。

野外環境下進行無人機平臺光譜數據獲取還受到不同光照條件等外部環境的影響。Ben-dor等[13]通過使用澳大利亞Lucky Bay土壤標樣（Internal Soil Standard，ISS）對不同環境下獲取的土壤光譜數據進行標準化修正，進而提升了多源光譜數據間的可比性和可傳遞性。但目前該修正方法多應用于基于ASD系列光譜儀獲取的室內光譜數據，還未有研究對UAV載高分辨光譜儀獲取的不同光照環境下的光譜數據進行測試。

為此，本文選取可與UAV兼容的高分辨率FX可見光-近紅外光譜儀，測試其提供的高分辨率光譜數據（400～1 000 nm）進行中國東北黑土帶和比利時黃土帶不同土壤類型SOC含量反演的適用性。在此基礎上，通過對實驗室暗室條件和野外自然光條件下光譜數據進行修正，對實驗室SOC光譜反演模型的野外應用進行初步探索，以建立快速、準確和詳細地評估農田SOC時空變化的技術體系，為維持土地生產力和土壤生態系統功能服務。

1 材料與方法

1.1 研究區概況

為測試便攜式高光譜儀針對不同土壤類型的適用性，本文選取了比利時黃土帶和中國東北黑土帶2個研究區。比利時黃土帶研究區位于比利時中部瓦隆區Gembloux至Lincent的9.7 km寬、40 km長的狹長地帶（西南角：50°36′N、4°39′E；東北角：50°42′N、5°4′E）（圖1a），該地區是比利時的重要糧食產區，主要農作物有甜菜、玉米和馬鈴薯等。區內地勢起伏，氣候為溫帶海洋性氣候，平均溫度介于2.3 ℃（1月）和17.8 ℃（7月）之間，年平均降水量為790 mm[5]。該地區的主要土壤類型為風成黃土衍生的淋溶土。中國東北黑土帶研究區（44°13′N～44°50′N、124°46′E～126°20′E）位于吉林省中部（圖1b），區內耕地土壤肥沃，地形坡面長而緩。氣候屬于溫帶大陸性季風氣候，平均溫度介于?11.0 ℃（1月）和25.0 ℃（7月）之間，年平均降水量達到577 mm，玉米是當地的主要糧食作物。該地區的土壤類型主要為黑土和黑鈣土，表層土壤中的有機碳含量普遍較高。

1.2 土壤樣品采集及有機碳測試

比利時黃土帶研究區采樣時間為2018年10月，共采集表土（0～10 cm）樣品83個。中國東北黑土帶研究區土壤的采集于2019年5月進行，共采集表土（0～10 cm）樣品203個。2個研究區土壤采樣點的空間分布如圖1所示。

2個研究區遵循相同的樣品采集、實驗室樣品預處理和SOC含量測定步驟：1）根據分層隨機取樣的原則選取采樣點，利用國際土壤參考資料和信息中心SoilGrids數據產品中的地區SOC分布，將SOC含量（質量分數，下同）劃分為5個不同的區間（0.5%～0.9%，>0.9%～1.3%，>1.3%～1.7%，>1.7%～2.1%，>2.1%～2.5%），并在同一SOC區間內隨機選擇采樣點，以期為建立SOC高光譜反演模型提供完整的樣本數據。土樣采集過程中，用手持GPS（Garmin Etrex32X，瑞士）記錄每個采樣點的地理坐標，每個采樣點采集約500 g土壤。2）所采集土樣在實驗室烘干（72 h），并研磨過2 mm篩。處理后的土樣采用四分法分成2份，分別進行SOC含量測定和土壤光譜數據數據獲取。其中，對供SOC含量測定的樣品進一步研磨過100m篩。土樣的總碳含量測定使用VarioMax CN分析儀（Elementar GmbH，德國，精度：<0.5%）通過干燒原理進行。對于10% HCl處理下出現明顯反應的樣品，使用壓力鈣計法[14]測量無機碳含量，然后從總碳中減去無機碳含量，得到SOC含量。

1.3 土壤光譜數據采集

為確保穩定的光線條件和一致的儀器配置及參數設定，2個研究區供試土壤的高光譜數據采集均在比利時法語魯汶大學地球與生命科學系進行。采用與UAV兼容的OceanOptics FX和傳統的ASD FieldSpec 3 FR 2種不同型號的光譜儀進行土壤光譜數據獲取，并在下文將其分別命名為FX和ASD光譜數據。為避免數據采集過程中外部光源的干擾，2種地物光譜儀的數據采集過程首先在暗室進行，測量光源選用ASD公司生產的接觸探頭，該探頭內置100 W鹵素反射燈（圖2）。測量過程中，將約60 g土壤樣品置于直徑9 cm培養皿中，并將接觸探頭與土壤表面輕觸進行光譜數據采集。在暗室條件下共產出4種數據集，即NE-FX、BE-FX、NE-ASD、BE-ASD，分別對應東北黑土帶（NE）和比利時黃土帶（BE）的2種光譜數據源（FX和ASD）。此外，為測試FX光譜儀在野外預測SOC的可行性，在室外自然光條件下對比利時供試土壤進行光譜數據采集，得到BE-FXO數據源。

1.3.1 ASD光譜數據采集

ASD光譜數據采集過程全部在暗室條件下進行（圖 2a）。在上述的光源設置及樣品準備基礎上，參照Shi等[5]的儀器校正及測試步驟，對供試土壤在350～2 500 nm波段范圍進行數據采集。每個土樣被重復掃描30次，并取其平均值作為儀器輸出數據。進行光譜數據分析與建模之前，對數據進行降噪處理，刪除波段范圍兩端的低信噪比數據，僅保留400～2 450 nm波段范圍。

1.3.2 FX光譜數據采集

FX光譜儀搭載CMOS探測器，積分時間低至10s，最快掃描速度為每秒可以獲取4 500條光譜數據。FX光譜數據采集過程在暗室和自然光2種條件下進行：在暗室條件下（圖2c），采用與ASD相同的數據采集步驟和光源條件，經降噪處理后輸出400～900 nm波段范圍的數據；在室外自然光照條件下，同樣首先用白色校正板進行儀器校正，并將裝有土樣的培養皿置于FX光纖探頭下，探頭與樣品表面的距離保持在7.5 cm（圖2b）。每10個樣品重復一次儀器校正，以確保儀器的穩定性和輸出數據的高質量。光譜數據采集選擇晴朗天氣以避免云層對光線的干擾，并在2019年4月21日12:00—14:00日照條件最佳的時間段進行。

1.4 SOC光譜預測模型開發

圖3描述了SOC預測模型的構建與驗證流程：1）采用FX和ASD光譜儀對中國東北和比利時研究區的土壤樣本進行暗室和室外自然光條件下的光譜測量；2）將預處理的光譜數據與SOC實測數據相結合基于PLSR法構建SOC預測模型，對不同區域、不同光譜儀、不同光照條件下的預測模型表現力進行評估，以測試FX數據預測SOC的能力；3）對比利時供試土壤實驗室和室外自然光條件下的FX數據進行光譜修正，并將實驗室模型應用到野外光譜數據中，以評估修正后的模型在野外的適用性。

注：RPD為相對分析誤差；RPIQ為性能與四分位間距的比率射程；ISS為特定標準材料；VIP為方差重要性預測指數；下同。

1.4.1 SOC光譜反演模型構建與驗證

基于不同的土壤類型（東北黑土帶和比利時黃土帶）、光照條件（暗室和自然光）和光譜儀（FX和ASD），共獲得5組光譜數據（NE-FX、BE-FX、NE-ASD、BE-ASD、BE-FXO）。對5組光譜數據源進行獨立的SOC預測模型構建與驗證，以對比分析FX和ASD預測不同土壤類型SOC含量的精度。

首先，選擇光譜反射率倒數的對數、一階導數輔以Savitzky-Golay三次多項式平滑處理、標準正態變量3種方式對原始土壤光譜數據進行預處理，最終選擇SOC預測模型精度最高的預處理方式。預處理過后，SOC預測模型的開發采用偏最小二乘法（Partial Least Squares Regression，PLSR）進行，將預處理后的光譜數據以3∶1的比例隨機分為建模數據集和驗證數據集，使用建模數據集校準PLSR預測模型，校準過程結合十折交叉驗證來優化建模參數；然后，使用驗證數據集對模型的預測效果進行評估，采用驗證的決定系數（2）、均方根誤差（Root Mean Square Error，RMSE）、相對分析誤差（Relative Prediction Error，RPD）、性能與四分位間距的比率射程（Ratio of Performance to Inter Quartile Range，RPIQ）作為模型的評價標準[15]。RPD值可以用來解釋模型的預測能力，當RPD>1.4時，表明模型可以進行預測[11]。此外，為了檢測影響SOC預測的主要光譜波段，進行方差重要性預測指數（Variance Importance Projection，VIP）的計算，VIP可以直觀地反映出每個波段在解釋SOC時的重要性，VIP>1被認為是檢測相關譜帶重要性的臨界值[16]。

需強調的是，上述建模和驗證數據集的3∶1隨機分配和PLSR模型校準和驗證過程共重復100次，即得出100組數據隨機分配條件下的模擬結果，目的是評估多次重復模擬下利用PLSR構建SOC預測模型的魯棒性。最終2、RMSE、RPD、RPIQ結果均取100次模擬的平均值。光譜數據的預處理、PLSR建模以及模型驗證過程均通過R軟件完成。

1.4.2 不同數據源間光譜數據修正與模擬

由于不同測量條件間存在的光照、測量距離等固有差異，比利時黃土帶供試土壤在暗室和自然光條件下采集的BE-FX和BE-FXO 2種數據源不具有可比性和傳遞性。因此，在不進行光譜數據修正的情況下，基于BE-FX數據源的PLSR模型無法直接用于BE-FXO數據的SOC預測。這意味著未來將FX光譜儀實裝無人機平臺進行野外數據獲取時，還需在研究區進行額外的土壤樣品采集和SOC含量測定，才能開發對應的基于無人機平臺光譜數據的SOC預測模型。為解決這一問題，Ben-dor等[13]提出土壤光譜數據標準化處理步驟。該步驟選用源自澳大利亞Lucky Bay的石英砂礫作為特定標準材料（稱作Internal Soil Standard，ISS）對不同光譜數據源進行對準與修正。修正公式如下：

本文利用式（1）對BE-FX和BE-FXO進行修正，即將2種數據源的原始光譜乘以修正系數，得到BE-FX-C和BE-FXO-C數據集。最后，運用1.4.1節建模方法建立基于BE-FX-C數據的PLSR模型，并將該模型應用于BE-FXO-C數據，以評估基于實驗室光譜數據的PLSR模型是否可直接應用于野外光譜數據，實現未來無人機應用中避免額外野外采樣和實驗室測試的目的。

2 結果與分析

2.1 供試土壤有機碳及光譜特性

中國東北黑土帶（NE）和比利時黃土帶（BE）供試土壤的SOC含量均呈正態分布（圖4a），2個研究區大部分土壤樣品的SOC質量分數在1%～2%之間。其中，東北黑土帶土壤的平均SOC質量分數（1.51%）較比利時黃土帶（1.30%）高。圖4b是ASD光譜儀采集的中國東北黑土帶研究區和比利時黃土帶研究區樣本土壤原始光譜平均反射曲線，2個研究區的反射率曲線形態一致：大體上呈現均為向上凸起的拋物線型，在可見光波段反射率較低，在近紅外波段相對較高，走勢上具有相似性：均在可見光波段的400～780 nm上升較快，在短波近紅外（780～1 100 nm）和部分長波近紅外波段（1 100～1 300 nm）相對較緩，在長波近紅外的1 500～1 800 nm波段，坡度較緩，形成了1個較高的反射率高臺，在2 150 nm附近出現了反射峰，達到反射率的最大值，之后反射率開始下降。其中土壤光譜曲線在1 400、1 900和2 200 nm處存在較為明顯的水分吸收峰，通常被認為與黏土礦物中所含的水分子和羥基有關[17]。圖4c是基于FX光譜儀采集的2個研究區樣本土壤的光譜平均反射曲線，均發現與圖4b中對應波段的光譜曲線的趨勢相似，在400～900 nm波段范圍內上升。

盡管土壤的光譜曲線在形態上基本相似，但不同的土壤類型因有機碳含量不同，對土壤的光譜曲線有一定的影響。基于ASD光譜儀和FX光譜儀采集的光譜數據，均能發現中國東北黑土的平均反射率低于比利時黃土，這是由于黑土顏色較深，表現出較高的吸收度，導致反射率偏低[7]。

2.2 暗室條件下SOC光譜反演評估

利用ASD和FX數據集，在2個研究區建立基于PLSR的SOC預測模型，結果如圖5所示。散點圖中的誤差棒為100次重復模擬結果的標準差，以揭示PLSR模型的魯棒性。通過2、RMSE、RPD和RPIQ等模型表現力評價指標，發現暗室條件下采集的4種光譜數據源均能較好地預測SOC含量：4個PLSR模型驗證的2均不小于0.65，RPD均大于1.6。其中，中國東北黑土帶研究區SOC預測模型的精度指標表現更好，原因可能是東北黑土帶土壤樣品個數（203）較比利時黃土帶（83）更多，因此可以覆蓋更寬的SOC值域和更詳細的土壤光譜信息。最后，對比ASD和FX光譜數據在2個研究區的表現力，可以看出雖然ASD光譜數據衍生的SOC預測模型的精度更高，但基于FX光譜數據的SOC預測模型依然可以較好地捕捉到SOC含量在其值域的變化，2不小于0.65，RPD大于1.6，并且SOC含量估算值與實測值的值域相近。基于2種數據源的SOC預測模型的RMSE差別不大，這證明了利用FX光譜儀覆蓋的400～900 nm光譜數據進行SOC含量預測的可行性。

通過計算PLSR模型中各波段的VIP值來分析不同波段在SOC預測模型中的重要性，VIP值大于1作為界定顯著波段的閾值。從圖6可以看出，2個研究區和2種光譜數據源對應的VIP曲線具有高度相似性。具體來說，可見光（400～800 nm）波段在FX和ASD 2種數據源的SOC模型中均起到了最重要作用。其中，基于FX光譜數據的PLSR模型受藍光和綠光波段（400～600 nm）的控制作用較大，尤其是在東北黑土帶，而對于比利時黃土帶，基于FX光譜數據的PLSR模型還發現在850 nm左右的重要波段。可見光波段在SOC光譜預測模型中的重要性已被多次提及[7,15,18]，這是由于土壤發色團和有機質本身黑色的影響，決定了在視覺上表現為暗黑色的土壤比亮色的SOC含量更高。此外，基于ASD光譜數據的PLSR模型還在短波紅外區域（1 900 nm，2 200～2 400 nm等）出現了顯著波段，這主要是由于土壤有機化合物中NH、CH和CO等基團的分子振動的倍頻與合頻吸收對上述波段反射率的影響[7,15]，進而與SOC含量相關。鑒于可見光波段在SOC預測中的主導作用，證明了覆蓋可見光波段范圍的FX光譜數據可以較好地預測SOC含量。

2.3 不同源光譜數據修正及模擬

與暗室條件下獲取的光譜數據相比，室外自然光條件下獲取的光譜數據因光線條件的不穩定、室外濕度變化等外部條件的影響，信噪比通常較低。因此，這類野外光譜數據用作SOC含量預測時，模型精度需進一步測試。本文利用BE-FXO數據集建立PLSR預測模型，發現該類數據可以較準確地預測比利時黃土帶供試土壤的SOC含量（RPD>1.4，2=0.58）（圖7a）。與基于BE-FX數據的SOC預測模型表現力進行對比，BE-FXO數據建立的模型表現力略有下降，其中2由0.65降至0.58，RMSE由0.26%上升至0.29%，但仍能捕捉SOC含量在其值域的變化。

以往的研究表明，基于實驗室光譜建立的土壤成分反演模型常常難以直接應用到野外研究中[19]，因此在上文利用不同光照條件下FX光譜數據進行獨立SOC模型構建與驗證的基礎上，繼續探索是否可以將暗室光譜數據庫構建的模型直接應用于野外光譜數據以進行SOC快速預測，即利用BE-FX數據進行SOC模型構建與校準，并將該模型應用于BE-FXO數據進行SOC預測。該方法在無人機載土壤光譜探測領域具有廣闊的應用前景，因為目前利用高光譜預測土壤屬性還依賴于在研究區內進行獨立的土壤樣品采集并建立土壤屬性數據庫，以供光譜反演模型的構建與校準。在未來的應用中，如果可以依靠已存的土壤測量數據和實驗室光譜數據構建預測模型，并直接應用于無人機平臺獲取的光譜數據，將極大程度上節省人力物力，充分發揮遙感優勢[16,20]。

為此，本文采用了多源光譜數據修正的方法。應用修正系數對BE-FX和BE-FXO數據集進行修正（具體步驟見1.4.2），得到BE-FX-C和BE-FXO-C數據集。將基于BE-FX-C數據集構建的PLSR模型應用于BE-FXO-C數據集，驗證結果（2=0.53，RMSE=0.29%，RPD=1.45，RPIQ=1.75）顯示該方法雖然使模型的精度略有下降（圖7b），但SOC含量估算值與實測值的值域相近，說明其預測精度仍能捕捉SOC的值域變化，且模型表現力指標與前人在相同研究區利用空載Airborne Prism Experiment高光譜影像進行SOC預測所取得的精度類似（2=0.56，RMSE=0.3%）[21]，證明了利用該類修正方法進行SOC含量無人機光譜反演的可行性。

此外，與圖7a中基于BE-FXO數據的PLSR模型對比，交叉使用不同源光譜數據進行SOC預測（圖 7b），其RMSE仍然保持在0.29%，這意味著經修正后的不同源光譜數據具有高度可比性和傳遞性，可以有效地降低野外環境對野外光譜的影響。在該修正方法的支持下，未來基于高光譜數據的SOC含量預測可以免除因獨立SOC模型構建而帶來的額外土樣采集等成本支出，極大地提高了野外光譜數據的利用效率，同時也證實了實驗室模型遷移至野外應用的潛質。總而言之，本文通過有機集成多源光譜數據修正、實驗室SOC預測模型構建以及無人機兼容的高分辨率光譜數據獲取平臺，實現了不同研究區SOC含量高效精準量化，為未來無人機載高光譜數據在土壤環境監測、數字土壤制圖、精準農業等領域的廣泛應用提供了一定的技術參考。

最后，作為對一種與UAV兼容的便攜式地物光譜儀的初步測試，本文研究結果證明了該類光譜數據預測SOC含量的能力以及其在無人機平臺的廣闊前景。需要注意的是，本研究中的BE-FXO光譜數據是在與野外條件相似的環境下采集（自然光照條件和傳感器參數設定等），并非在飛行過程中獲取。后續研究需要考慮實際飛行條件下不同采樣點環境因素（如光照條件、土壤水分、土壤表面粗糙度）差異性對野外光譜數據的影響[22-23]，通過光譜修正的方法，提高實驗室預測模型對野外無人機載光譜數據的適用范圍。

3 結 論

探索了無人機（Unmanned Aerial Vehicle，UAV）兼容的高分辨率光譜儀對快速預測農田土壤有機碳（Soil Organic Carbon，SOC）含量的適用性。立足于中國東北黑土帶和比利時黃土帶2個研究區，使用無人機載OceanOptics FX光譜儀在暗室和自然光條件下進行光譜數據采集，并構建SOC預測模型。結果表明：

1）暗室條件下獲取的FX光譜數據構建的偏最小二乘回歸模型能準確地預測2個研究區土壤的SOC含量，這歸功于FX光譜儀覆蓋的400～900 nm波段范圍為SOC建模提供了重要的土壤光譜特性；

2）利用室外自然光條件下獲取的FX光譜數據受外部不穩定條件的影響，構建的SOC預測模型精度略有下降，但SOC含量估算值與實測值的值域相近，說明仍能捕捉SOC含量在其值域的變化；

利用校準標樣對不同光照條件下的FX光譜數據進行修正，可以實現SOC預測模型在不同源光譜數據間的轉移應用。這意味著未來依賴于已有的土壤光譜數據庫，基于無人機平臺的土壤高光譜數據可直接進行模型驗證與SOC含量預測，免去了額外土樣采集的困擾，拓寬了該類平臺的應用前景和范圍。后續研究中應考慮無人機實際飛行條件下土壤粗糙度、土壤水分等干擾因素對光譜數據質量的影響和可行的修正辦法。

[1]Li Y W, Duan X W, Li Y, et al. Interactive effects of land use and soil erosion on soil organic carbon in the dry-hot valley region of southern China[J]. Catena, 2021, 201: 105187.

[2]He L Y, Lu S X, Wang C G, et al. Changes in soil organic carbon fractions and enzyme activities in response to tillage practices in the Loess Plateau of China[J]. Soil and Tillage Research, 2021, 209: 104940.

[3]Xu Erqi, Zhang Hongqi, Xu Yongmei. Exploring land reclamation history: Soil organic carbon sequestration due to dramatic oasis agriculture expansion in arid region of Northwest China[J]. Ecological Indicators, 2020, 108: 105746.

[4]朱登勝，吳迪，宋海燕，等. 應用近紅外光譜法測定土壤的有機質和pH值[J]. 農業工程學報，2008，24(6)：196-199. Zhu Dengsheng, Wu Di, Song Haiyan, et al. Determination of organic matter contents and pH values of soil using near infrared spectroscopy[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2008, 24(6): 196-199. (in Chinese with English abstract)

[5]Shi P, Castaldi F, van Wesemael B, et al. Vis-NIR spectroscopic assessment of soil aggregate stability and aggregate size distribution in the Belgian Loam Belt[J]. Geoderma, 2020, 357: 113958.

[6]Stenberg B, Viscarra Rossel R A, Mouazen A M, et al. Visible and near infrared spectroscopy in soil science[J]. Advances in Agronomy, 2010, 107: 163-215.

[7]史舟，王乾龍，彭杰，等. 中國主要土壤高光譜反射特性分類與有機質光譜預測模型[J]. 中國科學：地球科學，2014，44(5)：978-988. Shi Zhou, Wang Qianlong, Peng Jie, et al. Development of a national VNIR soil-spectral library for soil classification and prediction of organic matter concentrations[J]. Scientia Sinica, 2014, 44(5): 978-988. (in Chinese with English abstract)

[8]唐海濤，孟祥添，蘇循新，等. 基于CARS算法的不同類型土壤有機質高光譜預測[J]. 農業工程學報，2021，37(2)：105-113. Tang Haitao, Meng Xiangtian, Su Xunxin, et al. Hyperspectral prediction on soil organic matter of different types using CARS algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(02): 105-113. (in Chinese with English abstract)

[9]孫剛，黃文江，陳鵬飛，等. 輕小型無人機多光譜遙感技術應用進展[J]. 農業機械學報，2018，49(3)：1-17. Sun Gang, Huang Wenjiang, Chen Pengfei, et al. Advances in uav-based multispectral remote sensing applications[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(3): 1-17. (in Chinese with English abstract)

[10]Aldana-Jague E, Heckrath G, Macdonald A, et al. UAS-based soil carbon mapping using VIS-NIR (480–1000 nm) multi-spectral imaging: Potential and limitations[J]. Geoderma, 2016, 275: 55-66.

[11]Castaldi F, Palombo A, Santini F, et al. Evaluation of the potential of the current and forthcoming multispectral and hyperspectral imagers to estimate soil texture and organic carbon[J]. Remote Sensing of Environment, 2016, 179(15): 54-65.

[12]Gini R, Passoni D, Pinto L, et al. Use of Unmanned Aerial Systems for multispectral survey and tree classification: A test in a park area of northern Italy[J]. European Journal of Remote Sensing, 2014, 47(1): 251-269.

[13]Ben-dor E, Ong C, Lau I C. Reflectance measurements of soils in the laboratory: Standards and protocols[J]. Geoderma, 2015, 245/246: 112-124.

[14]Sherrod L, Dunn G, Peterson G, et al. Inorganic carbon analysis by modified pressure-calcimeter method[J], Soil Science Society of America Journal, 2002, 66: 299-305.

[15]Ward K J, Chabrillat S, Neumann C, et al. A remote sensing adapted approach for soil organic carbon prediction based on the spectrally clustered LUCAS soil database[J]. Geoderma, 2019, 353: 297-307．

[16]陳頌超，彭杰，紀文君，等. 水稻土可見-近紅外-中紅外光譜特性與有機質預測研究[J]. 光譜學與光譜分析，2016，36(6)：1712-1716. Chen Songchao, Peng Jie, Ji Wenjun, et al. Study on the characterization of VNIR-MIR spectra and prediction of soil organic matter in paddy soil[J]. Spectroscopy and Spectral Analysis, 2016, 36(6): 1712-1716. (in Chinese with English abstract)

[17]李碩，李春蓮，陳頌超，等. 基于野外可見近紅外光譜和水分影響校正算法的土壤剖面有機碳預測[J]. 光譜學與光譜分析，2021，41(4) ：1234-1239. Li Shuo, Li Chunlian, Chen Songchao, et al. Removing the Effects of Water From Visible-Near Infrared Spectra in Soil Profiles for the Estimation of Organic Carbon[J]. Spectroscopy and Spectral Analysis, 2021, 41(4): 1234-1239. (in Chinese with English abstract)

[18]Lazaar A, Mouazen A M, Hammouti K E, et al. The application of proximal visible and near-infrared spectroscopy to estimate soil organic matter on the Triffa Plain of Morocco[J]. International Soil and Water Conservation Research, 2020, 8: 195-204.

[19]鄒濱，涂宇龍，姜曉璐，等. 土壤Cd含量實驗室與野外DS光譜聯合反演[J]. 光譜學與光譜分析，2019，39(10)：3223-3231. Zou Bin, Tu Yulong, Jiang Xiaolu, et al. Estimation of Cd Content in Soil Using Combined Laboratory and Field DS Spectroscopy[J]. Spectroscopy and Spectral Analysis, 2019, 39(10): 3223-3231. (in Chinese with English abstract)

[20]Zhang C H, Kovacs J M. The application of small unmanned aerial systems for precision agriculture: A review[J]. Precision Agriculture, 2012, 13(6): 693-712．

[21]Shi P, Castaldi F, van Wesemael B, et al. Large-scale, high-resolution mapping of soil aggregate stability in croplands using APEX hyperspectral imagery[J]. Remote Sensing, 2020, 12: 666.

[22]Lagacherie P, Baret F, Féret J B, et al. Estimation of Soil Clay and Calcium Carbonate Using Laboratory, Field and Airborne Hyperspectral Measurements[J]. Remote Sensing of Environment, 2008, 112(3): 825-835.

[23]Ackerson J P, Morgon C L S, Ge Y. Penetrometer-mounted VisNIR spectroscopy: Application of EPO-PLS to in situ VisNIR spectra[J]. Geoderma, 2017, 286: 131-138.

Soil organic carbon content retrieved by UAV-borne high resolution spectrometer

Zhu Yuanli1, Wang Dongyan1, Zhang He2, Shi Pu1,2※

(1.,,130012,; 2.,,--1348,)

Soil stores more carbon in the terrestrial ecosystem than the combined vegetation and atmosphere. Soil organic carbon (SOC) as the key component of soil carbon pool is highly sensitive to earth surface evolution and anthropogenic-induced changes in climate and agricultural management practices. The spatiotemporal dynamics can exert important controls over soil productivity and ecosystem services. There is thus an increasing demand to quantify SOC at sufficiently high resolution and accuracy, thereby detecting localized soil degradation as well as ensuring sustainable agricultural management. Field-, airborne and satellite-based multi-platform Visible and Near-Infrared (Vis-NIR) reflectance spectroscopy has increasingly been used as a fast and effective tool to predict SOC, and thereby capture the variability at field to landscape scales. Comparing to the satellite-based remote sensing systems, commercially available portable Unmanned Aerial Vehicle (UAV) equipped with high-resolution Vis-NIR spectrometers can greatly improve the spatial resolution and acquisition efficiency of soil spectral information. It is also more flexible to carry out field surveys thanks to the small size, but applications of UAV-based spectroscopic assessment of SOC so far are still scarce. In this study, a UAV-compatible soil hyperspectral data acquisition platform was tested in two types of soil located in the Northeastern Black Soil Belt of China and the Belgian Loam Belt. The specific objectives were: 1) to test the ability of UAV-compatible Vis-NIR spectrometer for the accurate prediction of SOC content; and 2) to explore a spectral correction approach in a laboratory-based spectral model under field conditions. Soil hyperspectral data was gathered in a dark room and under natural sunlight. Subsequently, spectral-based SOC prediction models were developed using Partial Least Squares Regression (PLSR). Results show that: 1) PLSR models behaved excellent performances for both study sites using UAV-compatible spectral data (FX) from a dark room with the Relative Percent Difference (RPD) higher than 1.6 and2≥0.65. 2) FX spectral data acquired under natural sunlight also achieved an acceptable PLSR model (RPD=1.48,2=0.58) suitable for capturing the range of variation in SOC, although the accuracy slightly decreased, compared with the dark room. 3) A standard sand sample from Lucky Bay (Australia) was selected to correct and align the FX spectral data under two light conditions. The PLSR model using the laboratory spectra was directly applied to field spectra for the excellent performance (2= 0.53, RMSE= 0.29%, RPD = 1.45, RPIQ = 1.75). The spectral correction approach can offer promising potential in future applications to avoid the large sampling, when using UAV-based spectroscopy to rapidly assess SOC. This finding highlighted the UAV-based hyperspectral remote sensing to predict SOC in a fast, accurate and detailed fashion, providing technical reference in fields, such as digital soil mapping and precision agriculture. Future studies can explore the influence of soil surface roughness and moisture on the quality of soil spectral data acquired from UAV platforms, thereby correcting for the noise caused by external factors.

UAV; hyperspectrum; soils; organic carbon; partial least squares regression; portable spectrometer

祝元麗，王冬艷，張鶴，等. 采用無人機載高分辨率光譜儀反演土壤有機碳含量[J]. 農業工程學報，2021，37(6)：66-72.doi：10.11975/j.issn.1002-6819.2021.06.009 http://www.tcsae.org

Zhu Yuanli, Wang Dongyan, Zhang He, et al. Soil organic carbon content retrieved by UAV-borne high resolution spectrometer[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(6): 66-72. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.06.009 http://www.tcsae.org

2020-10-28

2021-01-10

國家自然科學基金項目（41807059）；吉林省科技發展計劃項目（20190103108JH）；吉林大學研究生創新基金資助項目（101832020CX221）

祝元麗，博士生，主要研究方向為土壤侵蝕。Email：yuanliz18@ mails.jlu.edu.cn

石璞，博士，副教授，博士生導師，主要研究方向為土壤退化與防治。Email：shipu@jlu.edu.cn

10.11975/j.issn.1002-6819.2021.06.009

S153.6

A

1002-6819(2021)-06-0066-07