采用无人机载高分辨率光谱仪反演土壤有机碳含量

祝元丽，王冬艳，张 鹤，石 璞,

采用无人机载高分辨率光谱仪反演土壤有机碳含量

祝元丽1，王冬艳1，张 鹤2，石 璞1,2※

（1. 吉林大学地球科学学院，长春 130012；2. 比利时法语鲁汶大学地球与生命研究所，比利时新鲁汶 1348）

小型无人机（Unmanned Aerial Vehicle，UAV）平台与土壤高光谱技术的有机结合可作为一种快速、准确获取高分辨率土壤有机碳（Soil Organic Carbon，SOC）空间信息的手段，适用于精准农业管理和土地监测，但目前该方面应用不多。该研究选取中国东北黑土和比利时黄土研究区，通过构建与UAV兼容的土壤高光谱数据获取平台，研究其在暗室和野外自然光条件下快速反演SOC含量的能力；进行多源光谱数据修正，探索暗室SOC模型直接应用到野外条件的可行性。结果表明：1）暗室条件下构建的基于UAV兼容光谱数据（FX）的偏最小二乘回归（Partial Least Squares Regression，PLSR）模型能准确预测2个研究区的SOC含量（相对分析误差大于1.6，2≥0.65）；2）野外自然光条件下构建的SOC预测模型精度略有下降（2=0.58），但SOC含量估算值与实测值的值域相近，说明仍能捕捉SOC含量在其值域的变化；3）利用校准标样对不同光照条件下的FX数据进行修正，将基于实验室光谱数据的PLSR模型应用于野外光谱数据，为实现无需实地采样即可利用无人机载高光谱数据进行SOC快速调查奠定了基础。

无人机；高光谱；土壤；有机碳；偏最小二乘回归；便携地物光谱仪

0 引 言

土壤有机碳（Soil Organic Carbon，SOC）作为土壤总碳库的核心组成部分[1]，其含量动态对农用地生产力和土壤生态系统服务功能的演变具有重要控制作用[2-3]。因此，精准农业管理亟需对田块尺度SOC时空分布特征进行高分辨率、高精度的量化与监测。传统的湿式化学测定SOC的方法通常依赖于野外土样采集和实验室仪器分析，时间和经济成本较高，难以进行大尺度和多频次的SOC监测[4]。近年来，快速发展的可见光-近红外高光谱技术被广泛用于SOC含量反演，以解决对SOC大数据的需求与高成本之间的矛盾[5]。依赖于土壤光谱反射率与SOC含量之间的光谱响应关系，众多国内外学者采用室内光谱传感器将土壤高光谱技术发展为量化SOC的常规手段[6-8]。然而，基于室内光谱仪的SOC反演所获取的通常为密度较低的点状SOC数据，难以满足精准农业背景下SOC空间分布快速可视化的要求。

小型商用无人机（Unmanned Aerial Vehicle，UAV）平台具有机动灵活的优势，近年来被广泛应用于国土资源空间调查。前人通过将UAV与高光谱技术有机结合进行了植被长势监测、精准分类与地物识别、病虫害监测、生产量和产量估算等多元化应用[9]，而利用该技术进行土壤属性尤其是SOC监测的应用却为数不多。Aldana-Jague等[10]采用小型UAV载多光谱相机，并结合Structure-from-motion算法，在英国洛桑实验站进行了农田裸土SOC反演的测试，证明了UAV平台与土壤光谱数据的有机结合在预测SOC方面的广阔前景。然而，上述研究采用的多光谱相机仅配备6个波段，存在波段宽度大（>10 nm）、光谱分辨率低的局限性[11-12]，影像特征点匹配难度较大，导致几何校正效率与精度低，无法提供详细的地物光谱特征信息。OceanOptics FX光谱仪可提供350～1 000 nm波段范围内超高光谱分辨率（0.39 nm）的数据，通常用于水质检测和食品质量控制等。与传统推扫式光谱成像仪相比，该光谱仪体积小、质量轻，可与负荷有限的小型UAV飞行平台兼容，在田块尺度SOC的快速量化和监测方面具备潜在的适应性，但其预测精度还需测试与验证。

野外环境下进行无人机平台光谱数据获取还受到不同光照条件等外部环境的影响。Ben-dor等[13]通过使用澳大利亚Lucky Bay土壤标样（Internal Soil Standard，ISS）对不同环境下获取的土壤光谱数据进行标准化修正，进而提升了多源光谱数据间的可比性和可传递性。但目前该修正方法多应用于基于ASD系列光谱仪获取的室内光谱数据，还未有研究对UAV载高分辨光谱仪获取的不同光照环境下的光谱数据进行测试。

为此，本文选取可与UAV兼容的高分辨率FX可见光-近红外光谱仪，测试其提供的高分辨率光谱数据（400～1 000 nm）进行中国东北黑土带和比利时黄土带不同土壤类型SOC含量反演的适用性。在此基础上，通过对实验室暗室条件和野外自然光条件下光谱数据进行修正，对实验室SOC光谱反演模型的野外应用进行初步探索，以建立快速、准确和详细地评估农田SOC时空变化的技术体系，为维持土地生产力和土壤生态系统功能服务。

1 材料与方法

1.1 研究区概况

为测试便携式高光谱仪针对不同土壤类型的适用性，本文选取了比利时黄土带和中国东北黑土带2个研究区。比利时黄土带研究区位于比利时中部瓦隆区Gembloux至Lincent的9.7 km宽、40 km长的狭长地带（西南角：50°36′N、4°39′E；东北角：50°42′N、5°4′E）（图1a），该地区是比利时的重要粮食产区，主要农作物有甜菜、玉米和马铃薯等。区内地势起伏，气候为温带海洋性气候，平均温度介于2.3 ℃（1月）和17.8 ℃（7月）之间，年平均降水量为790 mm[5]。该地区的主要土壤类型为风成黄土衍生的淋溶土。中国东北黑土带研究区（44°13′N～44°50′N、124°46′E～126°20′E）位于吉林省中部（图1b），区内耕地土壤肥沃，地形坡面长而缓。气候属于温带大陆性季风气候，平均温度介于−11.0 ℃（1月）和25.0 ℃（7月）之间，年平均降水量达到577 mm，玉米是当地的主要粮食作物。该地区的土壤类型主要为黑土和黑钙土，表层土壤中的有机碳含量普遍较高。

1.2 土壤样品采集及有机碳测试

比利时黄土带研究区采样时间为2018年10月，共采集表土（0～10 cm）样品83个。中国东北黑土带研究区土壤的采集于2019年5月进行，共采集表土（0～10 cm）样品203个。2个研究区土壤采样点的空间分布如图1所示。

2个研究区遵循相同的样品采集、实验室样品预处理和SOC含量测定步骤：1）根据分层随机取样的原则选取采样点，利用国际土壤参考资料和信息中心SoilGrids数据产品中的地区SOC分布，将SOC含量（质量分数，下同）划分为5个不同的区间（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区间内随机选择采样点，以期为建立SOC高光谱反演模型提供完整的样本数据。土样采集过程中，用手持GPS（Garmin Etrex32X，瑞士）记录每个采样点的地理坐标，每个采样点采集约500 g土壤。2）所采集土样在实验室烘干（72 h），并研磨过2 mm筛。处理后的土样采用四分法分成2份，分别进行SOC含量测定和土壤光谱数据数据获取。其中，对供SOC含量测定的样品进一步研磨过100m筛。土样的总碳含量测定使用VarioMax CN分析仪（Elementar GmbH，德国，精度：<0.5%）通过干烧原理进行。对于10% HCl处理下出现明显反应的样品，使用压力钙计法[14]测量无机碳含量，然后从总碳中减去无机碳含量，得到SOC含量。

1.3 土壤光谱数据采集

为确保稳定的光线条件和一致的仪器配置及参数设定，2个研究区供试土壤的高光谱数据采集均在比利时法语鲁汶大学地球与生命科学系进行。采用与UAV兼容的OceanOptics FX和传统的ASD FieldSpec 3 FR 2种不同型号的光谱仪进行土壤光谱数据获取，并在下文将其分别命名为FX和ASD光谱数据。为避免数据采集过程中外部光源的干扰，2种地物光谱仪的数据采集过程首先在暗室进行，测量光源选用ASD公司生产的接触探头，该探头内置100 W卤素反射灯（图2）。测量过程中，将约60 g土壤样品置于直径9 cm培养皿中，并将接触探头与土壤表面轻触进行光谱数据采集。在暗室条件下共产出4种数据集，即NE-FX、BE-FX、NE-ASD、BE-ASD，分别对应东北黑土带（NE）和比利时黄土带（BE）的2种光谱数据源（FX和ASD）。此外，为测试FX光谱仪在野外预测SOC的可行性，在室外自然光条件下对比利时供试土壤进行光谱数据采集，得到BE-FXO数据源。

1.3.1 ASD光谱数据采集

ASD光谱数据采集过程全部在暗室条件下进行（图 2a）。在上述的光源设置及样品准备基础上，参照Shi等[5]的仪器校正及测试步骤，对供试土壤在350～2 500 nm波段范围进行数据采集。每个土样被重复扫描30次，并取其平均值作为仪器输出数据。进行光谱数据分析与建模之前，对数据进行降噪处理，删除波段范围两端的低信噪比数据，仅保留400～2 450 nm波段范围。

1.3.2 FX光谱数据采集

FX光谱仪搭载CMOS探测器，积分时间低至10s，最快扫描速度为每秒可以获取4 500条光谱数据。FX光谱数据采集过程在暗室和自然光2种条件下进行：在暗室条件下（图2c），采用与ASD相同的数据采集步骤和光源条件，经降噪处理后输出400～900 nm波段范围的数据；在室外自然光照条件下，同样首先用白色校正板进行仪器校正，并将装有土样的培养皿置于FX光纤探头下，探头与样品表面的距离保持在7.5 cm（图2b）。每10个样品重复一次仪器校正，以确保仪器的稳定性和输出数据的高质量。光谱数据采集选择晴朗天气以避免云层对光线的干扰，并在2019年4月21日12:00—14:00日照条件最佳的时间段进行。

1.4 SOC光谱预测模型开发

图3描述了SOC预测模型的构建与验证流程：1）采用FX和ASD光谱仪对中国东北和比利时研究区的土壤样本进行暗室和室外自然光条件下的光谱测量；2）将预处理的光谱数据与SOC实测数据相结合基于PLSR法构建SOC预测模型，对不同区域、不同光谱仪、不同光照条件下的预测模型表现力进行评估，以测试FX数据预测SOC的能力；3）对比利时供试土壤实验室和室外自然光条件下的FX数据进行光谱修正，并将实验室模型应用到野外光谱数据中，以评估修正后的模型在野外的适用性。

注：RPD为相对分析误差；RPIQ为性能与四分位间距的比率射程；ISS为特定标准材料；VIP为方差重要性预测指数；下同。

1.4.1 SOC光谱反演模型构建与验证

基于不同的土壤类型（东北黑土带和比利时黄土带）、光照条件（暗室和自然光）和光谱仪（FX和ASD），共获得5组光谱数据（NE-FX、BE-FX、NE-ASD、BE-ASD、BE-FXO）。对5组光谱数据源进行独立的SOC预测模型构建与验证，以对比分析FX和ASD预测不同土壤类型SOC含量的精度。

首先，选择光谱反射率倒数的对数、一阶导数辅以Savitzky-Golay三次多项式平滑处理、标准正态变量3种方式对原始土壤光谱数据进行预处理，最终选择SOC预测模型精度最高的预处理方式。预处理过后，SOC预测模型的开发采用偏最小二乘法（Partial Least Squares Regression，PLSR）进行，将预处理后的光谱数据以3∶1的比例随机分为建模数据集和验证数据集，使用建模数据集校准PLSR预测模型，校准过程结合十折交叉验证来优化建模参数；然后，使用验证数据集对模型的预测效果进行评估，采用验证的决定系数（2）、均方根误差（Root Mean Square Error，RMSE）、相对分析误差（Relative Prediction Error，RPD）、性能与四分位间距的比率射程（Ratio of Performance to Inter Quartile Range，RPIQ）作为模型的评价标准[15]。RPD值可以用来解释模型的预测能力，当RPD>1.4时，表明模型可以进行预测[11]。此外，为了检测影响SOC预测的主要光谱波段，进行方差重要性预测指数（Variance Importance Projection，VIP）的计算，VIP可以直观地反映出每个波段在解释SOC时的重要性，VIP>1被认为是检测相关谱带重要性的临界值[16]。

需强调的是，上述建模和验证数据集的3∶1随机分配和PLSR模型校准和验证过程共重复100次，即得出100组数据随机分配条件下的模拟结果，目的是评估多次重复模拟下利用PLSR构建SOC预测模型的鲁棒性。最终2、RMSE、RPD、RPIQ结果均取100次模拟的平均值。光谱数据的预处理、PLSR建模以及模型验证过程均通过R软件完成。

1.4.2 不同数据源间光谱数据修正与模拟

由于不同测量条件间存在的光照、测量距离等固有差异，比利时黄土带供试土壤在暗室和自然光条件下采集的BE-FX和BE-FXO 2种数据源不具有可比性和传递性。因此，在不进行光谱数据修正的情况下，基于BE-FX数据源的PLSR模型无法直接用于BE-FXO数据的SOC预测。这意味着未来将FX光谱仪实装无人机平台进行野外数据获取时，还需在研究区进行额外的土壤样品采集和SOC含量测定，才能开发对应的基于无人机平台光谱数据的SOC预测模型。为解决这一问题，Ben-dor等[13]提出土壤光谱数据标准化处理步骤。该步骤选用源自澳大利亚Lucky Bay的石英砂砾作为特定标准材料（称作Internal Soil Standard，ISS）对不同光谱数据源进行对准与修正。修正公式如下：

本文利用式（1）对BE-FX和BE-FXO进行修正，即将2种数据源的原始光谱乘以修正系数，得到BE-FX-C和BE-FXO-C数据集。最后，运用1.4.1节建模方法建立基于BE-FX-C数据的PLSR模型，并将该模型应用于BE-FXO-C数据，以评估基于实验室光谱数据的PLSR模型是否可直接应用于野外光谱数据，实现未来无人机应用中避免额外野外采样和实验室测试的目的。

2 结果与分析

2.1 供试土壤有机碳及光谱特性

中国东北黑土带（NE）和比利时黄土带（BE）供试土壤的SOC含量均呈正态分布（图4a），2个研究区大部分土壤样品的SOC质量分数在1%～2%之间。其中，东北黑土带土壤的平均SOC质量分数（1.51%）较比利时黄土带（1.30%）高。图4b是ASD光谱仪采集的中国东北黑土带研究区和比利时黄土带研究区样本土壤原始光谱平均反射曲线，2个研究区的反射率曲线形态一致：大体上呈现均为向上凸起的抛物线型，在可见光波段反射率较低，在近红外波段相对较高，走势上具有相似性：均在可见光波段的400～780 nm上升较快，在短波近红外（780～1 100 nm）和部分长波近红外波段（1 100～1 300 nm）相对较缓，在长波近红外的1 500～1 800 nm波段，坡度较缓，形成了1个较高的反射率高台，在2 150 nm附近出现了反射峰，达到反射率的最大值，之后反射率开始下降。其中土壤光谱曲线在1 400、1 900和2 200 nm处存在较为明显的水分吸收峰，通常被认为与黏土矿物中所含的水分子和羟基有关[17]。图4c是基于FX光谱仪采集的2个研究区样本土壤的光谱平均反射曲线，均发现与图4b中对应波段的光谱曲线的趋势相似，在400～900 nm波段范围内上升。

尽管土壤的光谱曲线在形态上基本相似，但不同的土壤类型因有机碳含量不同，对土壤的光谱曲线有一定的影响。基于ASD光谱仪和FX光谱仪采集的光谱数据，均能发现中国东北黑土的平均反射率低于比利时黄土，这是由于黑土颜色较深，表现出较高的吸收度，导致反射率偏低[7]。

2.2 暗室条件下SOC光谱反演评估

利用ASD和FX数据集，在2个研究区建立基于PLSR的SOC预测模型，结果如图5所示。散点图中的误差棒为100次重复模拟结果的标准差，以揭示PLSR模型的鲁棒性。通过2、RMSE、RPD和RPIQ等模型表现力评价指标，发现暗室条件下采集的4种光谱数据源均能较好地预测SOC含量：4个PLSR模型验证的2均不小于0.65，RPD均大于1.6。其中，中国东北黑土带研究区SOC预测模型的精度指标表现更好，原因可能是东北黑土带土壤样品个数（203）较比利时黄土带（83）更多，因此可以覆盖更宽的SOC值域和更详细的土壤光谱信息。最后，对比ASD和FX光谱数据在2个研究区的表现力，可以看出虽然ASD光谱数据衍生的SOC预测模型的精度更高，但基于FX光谱数据的SOC预测模型依然可以较好地捕捉到SOC含量在其值域的变化，2不小于0.65，RPD大于1.6，并且SOC含量估算值与实测值的值域相近。基于2种数据源的SOC预测模型的RMSE差别不大，这证明了利用FX光谱仪覆盖的400～900 nm光谱数据进行SOC含量预测的可行性。

通过计算PLSR模型中各波段的VIP值来分析不同波段在SOC预测模型中的重要性，VIP值大于1作为界定显著波段的阈值。从图6可以看出，2个研究区和2种光谱数据源对应的VIP曲线具有高度相似性。具体来说，可见光（400～800 nm）波段在FX和ASD 2种数据源的SOC模型中均起到了最重要作用。其中，基于FX光谱数据的PLSR模型受蓝光和绿光波段（400～600 nm）的控制作用较大，尤其是在东北黑土带，而对于比利时黄土带，基于FX光谱数据的PLSR模型还发现在850 nm左右的重要波段。可见光波段在SOC光谱预测模型中的重要性已被多次提及[7,15,18]，这是由于土壤发色团和有机质本身黑色的影响，决定了在视觉上表现为暗黑色的土壤比亮色的SOC含量更高。此外，基于ASD光谱数据的PLSR模型还在短波红外区域（1 900 nm，2 200～2 400 nm等）出现了显著波段，这主要是由于土壤有机化合物中NH、CH和CO等基团的分子振动的倍频与合频吸收对上述波段反射率的影响[7,15]，进而与SOC含量相关。鉴于可见光波段在SOC预测中的主导作用，证明了覆盖可见光波段范围的FX光谱数据可以较好地预测SOC含量。

2.3 不同源光谱数据修正及模拟

与暗室条件下获取的光谱数据相比，室外自然光条件下获取的光谱数据因光线条件的不稳定、室外湿度变化等外部条件的影响，信噪比通常较低。因此，这类野外光谱数据用作SOC含量预测时，模型精度需进一步测试。本文利用BE-FXO数据集建立PLSR预测模型，发现该类数据可以较准确地预测比利时黄土带供试土壤的SOC含量（RPD>1.4，2=0.58）（图7a）。与基于BE-FX数据的SOC预测模型表现力进行对比，BE-FXO数据建立的模型表现力略有下降，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含量在其值域的变化。

以往的研究表明，基于实验室光谱建立的土壤成分反演模型常常难以直接应用到野外研究中[19]，因此在上文利用不同光照条件下FX光谱数据进行独立SOC模型构建与验证的基础上，继续探索是否可以将暗室光谱数据库构建的模型直接应用于野外光谱数据以进行SOC快速预测，即利用BE-FX数据进行SOC模型构建与校准，并将该模型应用于BE-FXO数据进行SOC预测。该方法在无人机载土壤光谱探测领域具有广阔的应用前景，因为目前利用高光谱预测土壤属性还依赖于在研究区内进行独立的土壤样品采集并建立土壤属性数据库，以供光谱反演模型的构建与校准。在未来的应用中，如果可以依靠已存的土壤测量数据和实验室光谱数据构建预测模型，并直接应用于无人机平台获取的光谱数据，将极大程度上节省人力物力，充分发挥遥感优势[16,20]。

为此，本文采用了多源光谱数据修正的方法。应用修正系数对BE-FX和BE-FXO数据集进行修正（具体步骤见1.4.2），得到BE-FX-C和BE-FXO-C数据集。将基于BE-FX-C数据集构建的PLSR模型应用于BE-FXO-C数据集，验证结果（2=0.53，RMSE=0.29%，RPD=1.45，RPIQ=1.75）显示该方法虽然使模型的精度略有下降（图7b），但SOC含量估算值与实测值的值域相近，说明其预测精度仍能捕捉SOC的值域变化，且模型表现力指标与前人在相同研究区利用空载Airborne Prism Experiment高光谱影像进行SOC预测所取得的精度类似（2=0.56，RMSE=0.3%）[21]，证明了利用该类修正方法进行SOC含量无人机光谱反演的可行性。

此外，与图7a中基于BE-FXO数据的PLSR模型对比，交叉使用不同源光谱数据进行SOC预测（图 7b），其RMSE仍然保持在0.29%，这意味着经修正后的不同源光谱数据具有高度可比性和传递性，可以有效地降低野外环境对野外光谱的影响。在该修正方法的支持下，未来基于高光谱数据的SOC含量预测可以免除因独立SOC模型构建而带来的额外土样采集等成本支出，极大地提高了野外光谱数据的利用效率，同时也证实了实验室模型迁移至野外应用的潜质。总而言之，本文通过有机集成多源光谱数据修正、实验室SOC预测模型构建以及无人机兼容的高分辨率光谱数据获取平台，实现了不同研究区SOC含量高效精准量化，为未来无人机载高光谱数据在土壤环境监测、数字土壤制图、精准农业等领域的广泛应用提供了一定的技术参考。

最后，作为对一种与UAV兼容的便携式地物光谱仪的初步测试，本文研究结果证明了该类光谱数据预测SOC含量的能力以及其在无人机平台的广阔前景。需要注意的是，本研究中的BE-FXO光谱数据是在与野外条件相似的环境下采集（自然光照条件和传感器参数设定等），并非在飞行过程中获取。后续研究需要考虑实际飞行条件下不同采样点环境因素（如光照条件、土壤水分、土壤表面粗糙度）差异性对野外光谱数据的影响[22-23]，通过光谱修正的方法，提高实验室预测模型对野外无人机载光谱数据的适用范围。

3 结 论

探索了无人机（Unmanned Aerial Vehicle，UAV）兼容的高分辨率光谱仪对快速预测农田土壤有机碳（Soil Organic Carbon，SOC）含量的适用性。立足于中国东北黑土带和比利时黄土带2个研究区，使用无人机载OceanOptics FX光谱仪在暗室和自然光条件下进行光谱数据采集，并构建SOC预测模型。结果表明：

1）暗室条件下获取的FX光谱数据构建的偏最小二乘回归模型能准确地预测2个研究区土壤的SOC含量，这归功于FX光谱仪覆盖的400～900 nm波段范围为SOC建模提供了重要的土壤光谱特性；

2）利用室外自然光条件下获取的FX光谱数据受外部不稳定条件的影响，构建的SOC预测模型精度略有下降，但SOC含量估算值与实测值的值域相近，说明仍能捕捉SOC含量在其值域的变化；

利用校准标样对不同光照条件下的FX光谱数据进行修正，可以实现SOC预测模型在不同源光谱数据间的转移应用。这意味着未来依赖于已有的土壤光谱数据库，基于无人机平台的土壤高光谱数据可直接进行模型验证与SOC含量预测，免去了额外土样采集的困扰，拓宽了该类平台的应用前景和范围。后续研究中应考虑无人机实际飞行条件下土壤粗糙度、土壤水分等干扰因素对光谱数据质量的影响和可行的修正办法。

[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]朱登胜，吴迪，宋海燕，等. 应用近红外光谱法测定土壤的有机质和pH值[J]. 农业工程学报，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，王乾龙，彭杰，等. 中国主要土壤高光谱反射特性分类与有机质光谱预测模型[J]. 中国科学：地球科学，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]唐海涛，孟祥添，苏循新，等. 基于CARS算法的不同类型土壤有机质高光谱预测[J]. 农业工程学报，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]孙刚，黄文江，陈鹏飞，等. 轻小型无人机多光谱遥感技术应用进展[J]. 农业机械学报，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]陈颂超，彭杰，纪文君，等. 水稻土可见-近红外-中红外光谱特性与有机质预测研究[J]. 光谱学与光谱分析，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]李硕，李春莲，陈颂超，等. 基于野外可见近红外光谱和水分影响校正算法的土壤剖面有机碳预测[J]. 光谱学与光谱分析，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]邹滨，涂宇龙，姜晓璐，等. 土壤Cd含量实验室与野外DS光谱联合反演[J]. 光谱学与光谱分析，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

祝元丽，王冬艳，张鹤，等. 采用无人机载高分辨率光谱仪反演土壤有机碳含量[J]. 农业工程学报，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

国家自然科学基金项目（41807059）；吉林省科技发展计划项目（20190103108JH）；吉林大学研究生创新基金资助项目（101832020CX221）

祝元丽，博士生，主要研究方向为土壤侵蚀。Email：yuanliz18@ mails.jlu.edu.cn

石璞，博士，副教授，博士生导师，主要研究方向为土壤退化与防治。Email：shipu@jlu.edu.cn

10.11975/j.issn.1002-6819.2021.06.009

S153.6

A

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