Hyperspectral benchmark dataset on soil moisture

该数据集是在2017年5月在德国卡尔斯鲁厄进行的一次为期五天的野外测量活动中收集的。测量中心是一个未受干扰的土壤样本，该样本由裸露的土壤组成，无任何植被，取自德国瓦尔德布龙附近地区。使用了Cubert UHD 285高光谱快照相机和TRIME-PICO时域反射计传感器来记录土壤湿度和温度等数据。

This dataset was collected during a five-day field measurement campaign conducted in Karlsruhe, Germany, in May 2017. The measurement center was an undisturbed soil sample, consisting of bare soil without any vegetation, taken from the vicinity of Waldbronn, Germany. A Cubert UHD 285 hyperspectral snapshot camera and a TRIME-PICO time-domain reflectometry sensor were used to record data such as soil moisture and temperature.

原始信息汇总

数据集概述

基本信息

• 名称： Hyperspectral benchmark dataset on soil moisture
• 简称： KarLy (Karlsruhe Lysimeter)
• 地点： Karlsruhe, Germany
• 时间： 2017年5月
• 作者：
  • Felix M. Riese, M.Sc.
  • Dr. rer.nat. Sina Keller
• 机构： Karlsruhe Institute of Technology, Institute of Photogrammetry and Remote Sensing
• 许可证： CC BY 4.0

数据描述

• 测量背景： 该数据集基于2017年在Karlsruhe进行的五天田间活动，使用未受干扰的土壤样本作为测量中心。土壤样本为裸土，无植被，取自德国Waldbronn附近地区。
• 传感器部署：
  • Cubert UHD 285 高光谱快照相机，记录50x50图像，125个光谱带，范围从450 nm至950 nm，光谱分辨率为4 nm。
  • TRIME-PICO时域反射计(TDR)传感器，深度2 cm，测量土壤湿度百分比。
• 数据处理： 原始传感器数据预先使用Hyperspectral Processing Scripts for the HydReSGeo Dataset进行处理。

数据变量

• datetime: 测量日期和时间（CEST）
• soil_moisture: 土壤湿度（%）
• soil_temperature: 土壤温度（°C）
• 454, 458, … 946, 950: 高光谱波段（nm）

引用信息

• 文献： Felix M. Riese and Sina Keller, “Introducing a Framework of Self-Organizing Maps for Regression of Soil Moisture with Hyperspectral Data,” in IGARSS 2018 - 2018 IEEE International Geoscience and Remote Sensing Symposium, Valencia, Spain, 2018, pp. 6151-6154.
• 数据集： Felix M. Riese and Sina Keller, "Hyperspectral benchmark dataset on soil moisture", Dataset, Zenodo, 2018.

搜集汇总

数据集介绍

构建方式

该数据集通过在2017年5月于德国卡尔斯鲁厄进行的一项为期五天的野外实验中构建而成。实验的核心是一个未经扰动的土壤样本，该样本为裸土且无植被覆盖，取自德国Waldbronn地区。实验中使用了Cubert UHD 285高光谱快照相机，记录了50x50像素的图像，包含125个光谱波段，波长范围为450 nm至950 nm，光谱分辨率为4 nm。同时，TRIME-PICO时域反射传感器被用于测量2厘米深度处的土壤湿度。原始传感器数据在处理前已通过专门的高光谱处理脚本进行了预处理。

特点

该数据集的显著特点在于其结合了高光谱成像技术与土壤湿度测量，提供了丰富的光谱信息和精确的土壤湿度数据。数据集包含了时间戳、土壤湿度、土壤温度以及从454 nm到950 nm的多个高光谱波段。这种多模态数据的结合为研究土壤湿度的时空变化提供了强有力的工具，尤其适用于遥感与地理信息科学领域的研究。

使用方法

该数据集适用于多种研究场景，尤其是土壤湿度与高光谱数据关系的分析。用户可以通过提供的Jupyter Notebook示例脚本（example.ipynb）快速上手，进行数据加载、预处理及分析。数据集的变量包括时间戳、土壤湿度、土壤温度以及多个高光谱波段，用户可根据研究需求选择合适的变量进行建模或分析。此外，数据集遵循CC BY 4.0许可，用户在使用时需引用相关文献。

背景与挑战

背景概述

高光谱土壤湿度基准数据集（Hyperspectral benchmark dataset on soil moisture）由卡尔斯鲁厄理工学院（Karlsruhe Institute of Technology）的光学测量与遥感研究所于2017年创建。该数据集的核心研究问题是通过高光谱成像技术与时间域反射法（TDR）传感器相结合，精确测量土壤湿度。主要研究人员Felix M. Riese和Sina Keller在2018年IEEE国际地球科学与遥感研讨会（IGARSS 2018）上发表了相关研究成果，展示了如何利用自组织映射（Self-Organizing Maps）框架进行土壤湿度的高光谱回归分析。该数据集的发布为土壤湿度监测与遥感技术的发展提供了重要的基准，推动了高光谱数据在农业、环境科学等领域的应用。

当前挑战

该数据集在构建过程中面临多项挑战。首先，高光谱数据的采集与处理需要高精度的设备与复杂的算法，以确保数据的质量与一致性。其次，土壤湿度的测量受环境因素（如温度、光照等）影响较大，如何在不同条件下保持测量的准确性是一个关键问题。此外，数据集的多样性与代表性也需考虑，以确保其在不同土壤类型和气候条件下的适用性。最后，如何有效地将高光谱数据与土壤湿度进行关联分析，并开发出高效的回归模型，是该领域研究的核心挑战之一。

常用场景

经典使用场景

该数据集的经典使用场景主要集中在土壤湿度预测与分析领域。通过结合高光谱数据与时间域反射测量（TDR）传感器测得的土壤湿度数据，研究者能够构建高精度的土壤湿度预测模型。这种模型不仅能够帮助理解土壤湿度的时空变化规律，还能为农业灌溉、环境监测等领域提供关键数据支持。

衍生相关工作

基于该数据集，研究者开发了多种土壤湿度预测模型，如自组织映射（SOM）框架等，这些模型在IGARSS 2018等国际会议上得到了广泛关注。此外，该数据集还激发了其他研究者对高光谱遥感技术在土壤科学中应用的进一步探索，推动了相关领域的技术进步和方法创新。

数据集最近研究

最新研究方向

在土壤湿度监测领域，高光谱数据集的应用正逐步成为前沿研究的热点。该数据集通过结合高光谱成像技术和时间域反射测量（TDR）传感器，提供了精确的土壤湿度测量数据，为研究者提供了丰富的实验基础。近年来，研究者们致力于开发基于自组织映射（SOM）的回归框架，以实现高光谱数据与土壤湿度之间的精准关联。这一方向不仅推动了遥感技术在农业和环境监测中的应用，还为全球气候变化研究提供了重要的数据支持。此外，该数据集的开放共享模式，促进了跨学科的合作与创新，进一步提升了其在科学研究中的影响力。