Search for a command to run...
AbstractSoil salinization is one of the most common land degradation processes and is a severe environmental hazard. The primary objective of this study is to investigate the potential of predicting salt content in soils with hyperspectral data acquired with EO-1 Hyperion. Both partial least-squares regression (PLSR) and conventional multiple linear regression (MLR), such as stepwise regression (SWR), were tested as the prediction model. PLSR is commonly used to overcome the problem caused by high-dimensional and correlated predictors. Chemical analysis of 95 samples collected from the top layer of soils in the Yellow River delta area shows that salt content was high on average, and the dominant chemicals in the saline soil were NaCl and MgCl2. Multivariate models were established between soil contents and hyperspectral data. Our results indicate that the PLSR technique with laboratory spectral data has a strong prediction capacity. Spectral bands at 1487–1527, 1971–1991, 2032–2092, and 2163–2355 nm possessed large absolute values of regression coefficients, with the largest coefficient at 2203 nm. We obtained a root mean squared error (RMSE) for calibration (with 61 samples) of RMSEC = 0.753 (R2 = 0.893) and a root mean squared error for validation (with 30 samples) of RMSEV = 0.574. The prediction model was applied on a pixel-by-pixel basis to a Hyperion reflectance image to yield a quantitative surface distribution map of soil salt content. The result was validated successfully from 38 sampling points. We obtained an RMSE estimate of 1.037 (R2 = 0.784) for the soil salt content map derived by the PLSR model. The salinity map derived from the SWR model shows that the predicted value is higher than the true value. These results demonstrate that the PLSR method is a more suitable technique than stepwise regression for quantitative estimation of soil salt content in a large area.À titre de risque environnemental important, la salinisation des sols représente l'un des processus les plus répandus de dégradation des terres. L'objectif principal de cette étude est d'examiner le potentiel des données hyperspectrales acquises par le capteur Hyperion de EO-1 pour la prévision du contenu en sel des sols. La régression des moindres carrés partiels (PLSR) et la régression linéaire multiple conventionnelle (MLR), telle que la régression séquentielle (SWR), ont été testées comme modèle de prévision. La méthode PLSR est utilisée couramment pour pallier le problème causé par les variables explicatives à haute dimensionnalité et corrélées. L'analyse chimique de 95 échantillons prélevés dans la couche supérieure des sols dans la région du delta du fleuve Jaune montre que la teneur en sel était en moyenne élevée et que les composés chimiques dominants dans le sol salin étaient le NaCl et le MgCl2. Des modèles multivariés ont été établis entre les teneurs des sols et les données hyperspectrales. Nos résultats indiquent que la technique PLSR conjointement avec des données spectrales de laboratoire possède des capacités élevées de prévision. Les bandes spectrales à 1487–1527, 1971–1991, 2032–2092 et 2163–2355 nm montrent des valeurs absolues élevées de coefficients de régression. La plus importante se situait à 2203 nm. Nous avons obtenu une erreur quadratique pour l'étalonnage (avec 61 échantillons) de RMSEC = 0,753 (R2 = 0,893) et pour la validation (avec 30 échantillons) de RMSEV = 0,574. Le modèle de prévision a été appliqué sur une base pixel par pixel à une image de réflectance de Hyperion pour donner une carte quantitative de la répartition en surface de la teneur en sel des sols. Le résultat a été validé avec succès à partir de 38 points d'échantillonnage. Nous avons obtenu des estimations de RMSE = 1,037 (R2 = 0,784) pour la carte de teneur en sel dérivée du modèle PLSR. La carte de salinité dérivée du modèle SWR montre que la valeur prédite est plus élevée que la valeur réelle. Ces résultats démontrent que la méthode PLSR est une technique plus adéquate pour l'estimation de la teneur en sel des sols dans les régions de plus grande étendue.[Traduit par la Rédaction]