Tropical altitudinal gradient soil organic carbon estimation with VIS-NIR (400-1000 nm) imaging spectroscopy

Show full item record



Permalink

http://urn.fi/URN:NBN:fi:hulib-202012165313
Title: Tropical altitudinal gradient soil organic carbon estimation with VIS-NIR (400-1000 nm) imaging spectroscopy
Author: Sädekoski, Niklas
Contributor: University of Helsinki, Faculty of Science
Publisher: Helsingin yliopisto
Date: 2020
URI: http://urn.fi/URN:NBN:fi:hulib-202012165313
http://hdl.handle.net/10138/323213
Thesis level: master's thesis
Abstract: Maaperä on suurin aktiivisesti kiertävä maanpäällinen hiilivarasto, joka on heikentynyt suuresti viimeisen 100-200 vuoden aikana ihmistoiminnan seurauksena. Tilanteen parantamiseksi vaaditaan laajamittaista maaperän hiilen seurantaa ja kehittyneempiä metodeja tätä varten. Tässä tutkimuksessa demonstroidaan näkyvän valon ja infrapunan aallonpituuksilla toimivan hyperspektrikameran toimivuutta maaperän orgaanisen hiilen ennustamisessa. Tähän käytetään kahta monimuuttujamenetelmää, PLS-regressiota, sekä lasso regressiota, jota ei ole aikaisemmin tähän tarkoitukseen käytetty. 191 maaperänäytettä kerättiin Taitavuorilta Keniasta trooppiselta seudulta nousevan rinteen ympäriltä, viiden eri maankäytön alueelta, jotka ovat: peltometsäviljely, pelto, metsä, pensasmaa sekä sisal plantaasi. Näytteet kuvattiin hyperspektrikamera Specim IQ:lla sekä laboratoriossa, että kentällä. Kuvista tuotettiin kolme datasettiä, yksi kuvien keskiarvoisella spektrillä, toinen segmentoitujen kuvien osien keskiarvoisilla spektreillä ja kolmas segmentoitujen kuvien osien keskiarvoisilla spektreillä siten, että ääriarvot suodatettiin pois. Sekä PLS-regressio- sekä lasso regressiomallit antoivat hyviä tuloksia kaikilla dataseteillä (PLSR: R2min = 0.85, RMSEmin = 0.78, lasso: R2min=0.85, RMSEmin=0.80) viitaten sekä laitteen tuottaman datan, että lasso regression soveltuvan maaperän orgaanisen hiilen mallintamiseen. Segmentoitujen osa-kuvien käyttö mallien opettamisessa paransi tuloksia PLSR malleissa, mutta ei vaikuttanut merkittävästi lasso regressiomallien tuloksiin. Vaikka laboratoriossa kuvannettu data antoikin hyviä tuloksia, kenttäolosuhteissa kuvaaminen oli haasteellista ja tulokset tällä datalla olivat heikkoja. Tulevien tutkimusten tulisikin keskittyä kenttämenetelmien kehittämiseen ja löytämään ratkaisuja maaperän hiilen luotettavaan mittaamiseen suoraan maasta, tai lähellä tutkittavaa kohdetta siirreltävien laboratorio järjestelyiden avulla. Tämä parantaisi hiilimittausten saavutettavuutta ja mahdollistaisi niiden paremman hyödyntämisen esimerkiksi täsmäviljelyssä.Soil is the largest actively cycling terrestrial carbon pool, which has been severely distrubed in the last 100-200 years by human actions. To improve the situation, extensive monitoring of soil carbon and new methods for monitoring are required. This study demonstrates the capability of a portable hyperspectral device operating in the visible-near infrared (VIS-NIR) spectrum for soil organic carbon (SOC) prediction. Two multivariate methods, partial least squares regression (PLSR) and for this purpose previously untested lasso regression were used for prediction. 191 soil samples were collected from Taita Hills, Kenya. The samples represent a tropical altitudinal gradient with five land uses: agroforestry, field, forest, shrubland and sisal plantation. The samples were imaged with hyperspectral camera, Specim IQ in laboratory and in field conditions, and the carbon content of the samples was determined with a dry-oxidization analyzer. Three datasets were derived from the images, one containing the mean spectra of the complete imaged samples, one with segmented sub-image spectra and one with segmented sub-image spectra where outlier spectra were removed. Both multivariate methods were tested with all three datasets with good prediction accuracies (PLSR: R2min = 0.85, RMSEmin = 0.78, lasso: R2min=0.85, RMSEmin=0.80), demonstrating the feasibility of both the device and lasso regression as SOC prediction tools. Using the segmented sub-image datasets improved the results with PLSR but had no significant effect on lasso regression prediction results. While good results were gained with laboratory imagery, the field imaging conditions were difficult, and the data performed poorly. Future research should focus on finding solutions to reliably estimate SOC content in situ or with portable laboratory setups to make SOC measurements more widely accessible and agile for e.g. precision agriculture purposes.
Subject: Soil organic carbon
VIS-NIR
imaging spectroscopy
partial least squares regression
lasso regression
Specim IQ
Discipline: none


Files in this item

Total number of downloads: Loading...

Files Size Format View
Sadekoski_Niklas_Pro_Gradu_2020.pdf 5.710Mb PDF View/Open

This item appears in the following Collection(s)

Show full item record