基于GA-SVM的耕地土壤重金属含量高光谱反演方法的研究

为提高耕地土壤重金属含量高光谱反演模型精度,以岳阳县某地区耕地土壤重金属铁（Fe）、砷（As）、铬（Cr）为例,提出了一种遗传算法（GA）优化支持向量机（SVM）的重金属含量反演模型。在对光谱进行SG平滑和10 nm重采样后,利用一阶/二阶微分、倒数对数和连续统去除光谱变换方法增强光谱特征,通过相关性分析筛选最优变换光谱,使用皮尔森相关系数与主成分分析提取各重金属光谱特征变量,分别建立SVM和GA-SVM土壤重金属高光谱反演模型并进行精度验证。结果表明,二阶微分变换光谱与各重金属含量相关性整体最突出;三种重金属在可见光波段490 nm、500 nm、510 nm和530 nm具有共同敏感特征;经GA算法优化SVM参数后,对比SVM回归模型,预测精度有明显提高,其重金属Fe、As和Cr的验证集R2分别为0.968、0.821和0.976;研究结果可为应用遥感技术反演耕地土壤重金属含量提供新的参考。     

星载高分五号高光谱耕地主要土壤类型土壤有机质含量 估测——以黑龙江省建三江农垦区为例

为了评价国产星载高分五号(GF-5)高光谱影像估测土壤有机质(SOM)含量的潜力,以及不同土壤类型对SOM含量光谱估测精度的影响,本研究以黑龙江省建三江农垦区为研究对象,获取了覆盖研究区域的GF-5高光谱影像和188个土壤样本。对提取的样点GF-5光谱反射率数据进行了反射率倒数、对数、一阶微分等9种光谱数学变换,并采用相关系数法确定了SOM含量的光谱敏感波段。采用偏最小二乘回归(PLSR)线性统计建模方法,对研究区域全部土壤类型以及草甸土、沼泽土、黑土等主要土壤类型,分别构建了光谱全波段和敏感波段的SOM含量估测模型,并进行了精度评价。结果表明,基于GF-5光谱数据的研究区域全部土壤类型的SOM含量估测精度不理想,最优模型精度决定系数(R2)为0.265,均方根误差(RMSE)为4.647%,相对分析误差(RPD)为1.135;不同类型土壤在SOM含量光谱估测精度差异较大,草甸土和沼泽土的SOM含量估测精度不高,但黑土的SOM含量估测精度较高,其中全波段光谱反射率对数一阶微分(LnR)′的SOM含量估测精度最高,R~2=0.729,RMSE=1.065%,RPD=1.850,SOM含量估测模型可用。按照不同土壤类型构建SOM含量估测模型可以进一步挖掘GF-5高光谱遥感估测SOM含量的潜力。     

基于高光谱的土壤不同颗粒含量预测分析

以典型黄河下游冲积平原区的土壤为研究对象,分析土壤高光谱特征,探讨土壤质地不同粒级颗粒含量的统一估测途径,为土壤质地快速监测评价提供技术支持。选择原始光谱,及其倒数、对数、标准正交变换、多元散射变化、一阶微分、二阶微分共7种光谱变换形式,首先主成分降维,然后分别建立土壤黏粒、粉粒和砂粒含量的支持向量机预测模型,采用决定系数、均值绝对误差、均方根误差3种精度指标来衡量模型的预测能力。结果表明:原始光谱的对数为最佳光谱变换形式,具有最佳的土壤不同颗粒含量估测能力,决定系数R2 ≥ 0.6853,均值绝对误差MAE ≤ 0.1193,均方根误差RMSE ≤ 0.1683;黏粒含量的变化范围相对集中,预测能力整体表现的相对较强,R2 = 0.8127,MAE = 0.0820,RMSE = 0.1248。通过筛选最佳光谱变换处理,主成分降维,支持向量机预测,建立了土壤中黏粒、粉粒和砂粒含量的统一估测途径,实现了简单快捷的高光谱估测。     

基于光谱分析的土壤重金属含量估算研究——以三江源区玉树县和玛多县为例

以三江源区玉树县和玛多县为研究区,利用实验室测定的As、Cu、Pb、Zn、Cr、Cd、Hg元素含量和室内采集的土壤原始光谱及其4种转换形式,建立了光谱指标与重金属含量的多元回归模型,利用决定系数(R2)、相对分析误差(RPD)及均方根误差(RMSE)评价模型的精度。研究结果表明,土壤As、Cu、Pb、Zn、Cr、Cd含量与SOM、Fe、Mn、Al、Mg等元素具有显著相关关系,Hg元素则未达到显著性水平。As、Cu、Pb、Zn、Cr和Cd元素估算模型回归方程R2达到了0.5以上,均通过了显著性检验,其中Pb、Zn和Cr元素验证样本RPD均达到了1.4以上,模型具备粗略估算能力;As、Cu和Cd元素验证样本RPD均低于1.4,模型不具备粗略估算能力。Hg元素估算模型回归方程的R2为0.28,未能通过显著性检验,无法用于对Hg含量的估算。     

基于近红外光谱的土壤全氮含量估算模型

土壤全氮是诊断土壤肥力水平和指导作物精确施肥所需的重要信息,建立土壤全氮的近红外光谱估测模型并对建模波段进行优化选择对于土壤养分信息快速获取和精确农业发展具有重要意义。该研究以中国中、东部地区5种主要类型土壤为研究对象,利用近红外光谱仪采集土壤样品的光谱信息,结合近红外区域分子振动特点选取全谱、合频、一倍频、二倍频和N-H基团及其组合的8个波段,采用多元散射校正等多种预处理方法组合进行处理,结合偏最小二乘法(PLS)对每个波谱区域进行定标建模。结果表明,利用4000～5500cm-1波谱区域结合附加散射校正处理过的原始光谱建立的模型精度表现最好,其内部互验证决定系数达到0.90,均方根误差为0.16。经不同类型土壤的观测资料检验,模型验证决定系数为0.91,均方根误差为0.15,相对分析误差RPD为3.40,表明模型具有极好的预测能力。因此,利用近红外光谱可以实现土壤全氮的快速估测,且以合频波段(4000～5500cm-1)为建模区域可以得到更好的预测效果。     

基于VNIR和机器学习算法的原状土剖面Cu含量预测

快速测量土壤剖面重金属含量是评估土壤重金属污染状况并选择相应修复技术的关键。为了探讨可见光-近红外光谱法（Visible and Near-Infrared Reflectance Spectroscopy,VNIR）预测原状土壤剖面重金属含量的潜力,以江西省两个典型工矿厂周边农田土壤为研究对象,共采集了19个深度约100 cm的完整土壤剖面样品,分别测定土壤剖面样品的VNIR数据及其Cu含量。采用偏最小二乘回归法（Partial Least Squares Regression,PLSR）、Cubist混合线性回归决策树（Cubist Regression Tree,Cubist）、高斯过程回归（Gaussian Process Regression,GPR）和支持向量机（Support Vector Machine Regression,SVM）方法研究不同光谱预处理方法对土壤Cu含量预测精度的影响。结果显示,Cubist、GPR和SVM这三种机器学习算法的预测精度普遍高于PLSR,其中一阶导数（First-Order Derivative,FD）预处理的SVM模型预测精度最高（R2=0.95,均方根误差为7.94 mg/kg,相对分析误差为4.34）。这表明利用VNIR和机器学习可以对原状土壤剖面Cu含量进行有效预测,为快速监测Cu及其他重金属含量的相关研究提供参考。     

基于WorldView-3多光谱和关键环境变量的土壤镉含量反演

快速准确获取农田土壤重金属含量对区域土地质量评估和粮食安全至关重要。该研究以江西省仙槎河流域小龙钨矿周边农田土壤为研究对象,采用WorldView-3多光谱影像提取光谱反射率并进行光谱变换处理,同时考虑了地形、人类活动和土壤属性等影响农田土壤镉（Cd）含量空间分布的关键环境因子,将光谱、环境变量、光谱与环境变量分别作为模型的自变量,选取了偏最小二乘（Partial Least Squares Regression,PLSR）、支持向量机（Support Vector Machines,SVM）、BP神经网络（Back Propagation Neural Network,BPNN）和随机森林（Random Forest,RF）4种回归算法构建土壤Cd含量预测模型,并利用精度评价指标优选出最佳反演模型。结果表明：仅输入多光谱特征进行Cd含量反演的模型精度总体偏低,R2低于0.2。相比之下,单独输入环境变量的模型精度结果最为理想,最优模型（RF）精度R2可达0.782。然而,融合光谱信息与环境变量共同建模后并未显著提高模型精度,反而导致较优模型（RF）精度略微降低,R2为0.693。研究结果表明,关键环境协变量是决定研究区农田土壤重金属Cd空间分布反演的重要变量,而利用多光谱信息进行土壤重金属反演的能力有限。此外,随机森林模型是预测土壤重金属空间分布的有效手段。     

辽宁省黄土状母质发育土壤有机质含量高光谱预测模型的构建

  目的  建立辽宁省黄土状母质发育土壤有机质含量的高光谱预测模型,以便快速获取土壤样品的有机质含量。  方法  对省域内黄土状母质发育土壤进行了样品采集,获取样品有机质含量和高光谱数据;选择原始光谱及其一阶微分、二阶微分、倒数对数、倒数对数一阶微分、倒数对数二阶微分6种光谱变换数据作为自变量,与土壤有机质含量进行相关分析,选取特征波段,分别建立多元逐步线性回归（SMLR）、偏最小二乘回归（PLSR）和主成分回归（PCR）3种土壤有机质高光谱线性预测模型,并进行了支持向量机（SVM）方法的非线性模型拟合。  结果  土壤有机质含量与其光谱反射率呈负相关关系,对光谱进行不同的数学变换,可以提高土壤有机质含量与光谱反射率的相关性,其中一阶微分和二阶微分的提升效果最佳;相同光谱数据在不同模型中建模精度存在显著差异,以原始光谱反射率一阶微分为自变量的PLSR模型精度最高,建模集和验证集的决定系数（R2）分别为0.958和0.976;3种线性方法建立的最佳预测模型的检验精度为:PLSR > SMLR > PCR。  结论  PLSR模型是辽宁省黄土状母质发育土壤有机质含量的最佳高光谱预测模型,且基于特征波段的建模效果优于全波段;SVM非线性模型的预测精度较低。     

基于近红外光声光谱的土壤有机质含量定量建模方法

该研究的目的在于应用近红外光声光谱技术结合不同的定量分析方法实现5种不同类型土壤有机质含量的快速估测。对中国中、东部地区5种不同类型土壤风干样本进行光谱扫描,经过多元散射校正、一阶导数、二阶导数及平滑等预处理后,应用逐步多元回归(SMLR)、主成分分析(PCR)、偏最小二乘法(PLS)和偏最小二乘法-反向传播神经网络(PLS-BPNN)等方法建立土壤有机质含量的定量估测模型。结果显示,不同预处理方法对所建土壤有机质含量估测模型的预测精度有较大影响,总体表现为多元散射校正+Norris一阶导数>多元散射校正>Norris一阶导数>标准正态化>Norris二阶导数>吸光度>Savitzky-Golay平滑后一阶导数>Savitzky-Golay平滑后二阶导数。对于4种不同建模方法,均以多元散射校正+Norris一阶导数滤波平滑后的光谱建模精度最高,其中采用PLS-BPNN方法建模效果最好,其次是PLS、SMLR和PCR。采用PLS-BPNN建立有机质校正模型具有极高的预测精度,建模决定系数和均方根偏差分别为0.97和1.88,模型测试决定系数和均方根偏差分别为0.97和1.72。因此,基于多元散射校正+Norris一阶导数光谱建立的PLS-BPNN模型可能是土壤有机质含量估测建模的最优方法。     

基于可见-近红外反射光谱的油区农田土壤石油烃含量估测研究

利用可见-近红外光谱技术,研究油区农田土壤在颗粒为2mm、0.25 mm和0.15 mm时的光谱(原始、一阶微分、连续统去除、多次散射校正)反射率与石油烃含量变化的关系,建立并利用偏最小二乘回归模型估测了石油烃含量.结果表明:原始、连续统去除、多次散射校正光谱的反射率对石油烃含量变化的响应在350 ～ 600 nm最敏感(P＜0.05),一阶微分光谱的敏感波段为2 280 nm(|r|=0.81,P＜0.01);光谱预处理能明显提高石油烃含量的估测精度,但土壤研磨对估测精度的影响因光谱预处理方法而异.基于可见-近红外光谱技术,本研究确立了估测油区农田土壤石油烃含量的颗粒粒径(2 mm)和光谱预处理方法(一阶微分),实现了石油烃含量的快速、有效估测,探索了一种可替代传统分析技术的新方法.     

河北铅锌尾矿库区土壤重金属含量高光谱反演方法对比

为更好地研究利用光谱反映的土壤重金属信息，实现具有多重金属复合污染问题的铅锌矿区土壤重金属含量高光谱快速估测，该研究以河北省某铅锌矿区为例，首先对研究区土壤的Cu、Cr、Ni、Zn、Cd、Pb污染状况进行了评价分析，其次基于实验室高光谱数据，组合变换光谱、特征变量和反演算法形成不同反演策略，通过各反演策略下的重金属反演精度比较，定量分析不同光谱预处理、特征选择和建模算法的优劣与适应性，构建最优反演模型。研究结果表明：1）研究区土壤Cr、Ni清洁程度较好，其余Cu、Zn、Cd、Pb均有不同程度污染；参比当地土壤背景值，区域内梅罗综合污染指数均值29.7，为重度污染，潜在生态风险因子均值1330.3，处于高生态风险状态；2）光谱预处理可以增强土壤重金属信息表达。其中，光谱微分效果较好，但易受噪声影响，而多元散射校正、标准正态变量、倒数对数变换可以进行光谱去噪，提升处理效果；3）特征选择方法中，相关系数法选择特征波段数目多，不同重金属反演R² 差异较大；Boruta法选择特征波段数目少，不同重金属反演R² 差异较小；4）BPNN、XGBoost可以较好描述重金属含量与光谱的非线性关系，相较于其他算法具有更好表现，分别实现了Cr、Ni、Zn和Pb、Cd的最优反演，SVMR实现了Cu的最优反演。研究表明，不同的光谱预处理、特征选择与建模算法对于土壤重金属含量的反演均具有较大影响，选择合适的处理、建模算法可以有效提升反演精度。该研究为进一步实现高效、准确、大范围遥感监测铅锌矿区土壤重金属污染状况提供参考依据。     

基于高光谱的北京铁矿区土壤重金属镍元素含量反演研究

运用高光谱数据对北京典型铁矿区土壤重金属镍含量进行建模反演,探索高光谱遥感技术在土壤重金属污染快速监测上应用的可行性。使用便携式地物光谱仪采集研究区土壤样本光谱反射率数据,光谱反射率数据经多种数学变换后,经逐步回归方法筛选最佳特征波段,利用多元线性回归（SLR）和偏最小二乘回归（PLSR）方法建立模型以光谱反射数据对土壤重金属镍元素含量进行反演。基于光谱二阶微分的多元线性回归模型（SD-MLR）的稳定性和精度最高（R2 = 0.842,RMSE = 4.474）,能够良好地预测研究区土壤镍元素含量。光谱数据数学变换能够有效提高其与土壤镍元素含量间的相关性。不同的光谱变换形式建立模型的预测能力和精度有如下关系,光谱二阶微分 > 光谱倒数对数一阶微分 > 光谱一阶微分 > 光谱倒数对数 > 光谱连续统去除 > 原始光谱。采用光谱二阶微分建立多元线性回归模型为研究区土壤镍元素含量反演的最佳模型,可为土壤重金属污染快速监测提供技术参考。     

基于铁氧化物特征光谱和改进遗传算法反演土壤Pb含量

近年来,高光谱的快速发展使野外实时监测土壤重金属含量成为可能。然而高光谱分辨率数据在提高信息量的同时也造成了信息冗余,该研究针对光谱冗余问题,提出一种基于铁氧化物特征光谱和改进遗传(Improved Genetic Algorithm,IGA)特征优选算法的反演方法:依据Pb在土壤中的吸附机理,提取土壤光谱中的铁氧化物特征谱段用于Pb含量反演,减少数据冗余的同时提高方法的机理性。改进遗传算法解决传统遗传算法(Genetic Algorithm,GA)"过早收敛"的问题,增强算法的有效光谱的提取能力。使用雄安新区农田野外土壤样本构建偏最小二乘回归模型(Partial Least Square Regression,PLSR)反演土壤Pb含量,研究表明:相对于全谱段建模,基于铁氧化物特征谱段的IGA-PLSR模型的R~2和RPD分别提升了0.397、1.037,RMSE下降了1.958 mg/kg;改进后的IGA-PLSR在运行初期能够跳出局部解区域寻找更加有效的光谱波段组合,平均的R~2、RPD分别为0.822、2.377,RMSE为2.221mg/kg,相对于传统GA-PLSR算法的精度(平均R2、RPD为0.782、2.117,RMSE为2.487 mg/kg)有显著提升。该研究表明,从反演机理和波段选择算法两方面提出的反演方法有利于提高土壤Pb含量的估算精度。该研究为雄安地区农田土壤Pb含量的高光谱估算提供了参考。     

苏北滨海土壤碳酸钙含量反射光谱估算研究

土壤属性的快速、精确测定是实现现代精细农业的基础。本研究分析了江苏省北部滨海土壤的属性特征以及碳酸钙的可见-近红外反射光谱特征,探讨利用可见-近红外光谱估算滨海土壤碳酸钙含量的可行性,比较不同光谱反射率数据集、不同预处理方法以及不同建模方法定量反演的优劣。结果表明:(1)苏北滨海土壤有机质含量较低、碳酸钙含量较高,其光谱曲线在2 340 nm处有较明显的碳酸钙吸收特征;(2)滨海土壤碳酸钙含量与土壤的可见-近红外波段反射率呈正相关,且碳酸钙含量高低对于土壤的近红外波段反射率的影响高于可见光波段;(3)可见-近红外反射光谱可用于估算滨海土壤碳酸钙含量。就建模结果而言,381~2 459 nm波段反射光谱数据集、log(1/R)预处理、偏最小二乘回归三者结合的效果比较理想。     

基于IRIV算法优选大豆叶片高光谱特征波长变量估测SPAD值

在植物叶绿素特征波长变量筛选过程中,与叶绿素关系较弱的波长变量极易被忽略,导致这些弱信息变量包含叶绿素的有效信息丢失,因此,确定叶片光谱中弱信息变量对揭示叶绿素高光谱响应规律具有重要意义。该研究以江汉平原大豆鼓粒期的叶片为研究对象,采集80组大豆叶片高光谱和SPAD(soil and plant analyzer development)值,分析SPAD值与大豆叶片反射率相关关系和光谱波长变量自相关关系,基于迭代和保留信息变量法(iteratively retains informative variables,IRIV)筛选大豆叶片的特征波长变量,建立偏最小二乘回归(partial least squares regression,PLSR)和支持向量机(support vector machine,SVM)模型估测SPAD值。结果表明,大豆叶片SPAD值与光谱反射率在可见光波段具有极显著负相关,在近红外波段存在不显著的正相关性(P0.01);可见光、近红外2波段的波长变量之间相关性较弱,但2波段内变量之间的相关性较强;基于IRIV算法确定了大豆叶绿素的特征波长变量,利用特征波长变量建立的估测模型的估测能力高于仅利用强信息波长变量建立的估测模型,表明弱信息变量对估测叶片SPAD值具有重要意义;IRIV-SVM模型估测能力最优,验证集R2和相对分析误差(RPD)分别为0.73、1.82。该文尝试证明了光谱中弱信息变量的重要性,为揭示叶片高光谱响应机理提供了理论依据。     

结合高光谱信息的土壤有机碳密度地统计模型

传统线性回归模型在借助光谱信息进行土壤属性预测时,通常忽略了土壤自身所具有的空间异质性和依赖性,并且未考虑模型残差的空间结构。针对以上不足,该文以江汉平原232个土壤样本为研究对象,以土壤反射光谱为辅助变量,采用偏最小二乘回归、普通克里格、协同克里格以及回归克里格分别构建土壤有机碳密度预测模型,选取决定系数(R~2)、均方根误差、标准差与预测均方根误差比(ratio of performance to deviation,RPD)对模型预测精度进行对比评价。结果显示,结合高光谱信息,且同时考虑残差空间结构的回归克里格模型表现优于其他模型,预测决定系数R~2为0.617,RPD为1.614。鉴于土壤光谱信息同时还具有测定简单、省时、无损等优点,因此土壤光谱是土壤有机碳密度空间插值的理想辅助因子。     

采用SEPLS_ELM模型估算夏玉米地上部生物量和叶面积指数

利用高光谱数据进行作物生长状况监测具有无损和高效的特点,是现代精准农业发展的必要手段。该研究以连续3 a（2018-2020）不同水氮供应下夏玉米营养生长期采集的212份植物样品（地上部生物量和叶面积指数）和高光谱实测数据为数据源,分别采用偏最小二乘回归（Partial Least Squares Regression,PLS）、极限学习机（Extreme Learning Machine,ELM）、随机森林（Random Forest,RF）和基于PLS叠加策略的叠加极限学习机算法（Stacked Ensemble Extreme Learning Machine based on the PLS,SEPLS_ELM）构建了夏玉米营养生长期地上部生物量和叶面积指数估算模型。结果表明：基于PLS和ELM构建的夏玉米地上部生物量和叶面积指数估算模型的精度均较低,前者验证集R2低于0.85、均方根误差高于550 kg/hm2,后者R2低于0.90、均方根误差高于0.40 cm2/cm2。相比之下,基于RF和SEPLS_ELM构建的夏玉米营养生长期地上部生物量和叶面积指数估算模型均有着较高的估算精度,SEPLS_ELM模型表现尤为突出,其地上部生物量和叶面积指数估算模型验证集的R2分别为0.955和0.969,均方根误差分别为307.3 kg/hm2和0.24 cm2/cm2,表明叠加集成模型能够充分利用高光谱数据并提高作物地上部生物量和叶面积指数估算精度。     

基于变量优选与机器学习的干旱区湿地土壤盐渍化数字制图

土壤盐渍化是导致土壤退化和生态系统恶化的主要原因之一，对干旱区的可持续发展构成主要威胁。为了尽可能精确地监测土壤盐渍化的空间变异性，该研究收集新疆艾比湖湿地78个典型样点，其中选取54个样本作为训练集，24个样本作为独立验证集。基于Sientinel-2 多光谱传感器（Multi-Spectral Instrument，MSI）、数字高程模型（Digital Elevation Model，DEM）数据提取3类指数（红边光谱指数、植被指数和地形指数），经过极端梯度提升（Extreme Gradient Boosting，XGBoost）算法筛选有效特征变量，构建了关于土壤电导率（Electrical Conductivity，EC）的随机森林（Random Forest，RF）、极限学习机（Extra Learning Machine，ELM）和偏最小二乘回归（Partial Least Squares Regression，PLSR）预测模型，并选择最优模型绘制了艾比湖湿地盐渍化分布图。结果表明：优选的红边光谱指数基本能够预测EC的空间变化；红边光谱指数与植被指数组合建模效果总体上优于其与地形指数的组合，3类指数组合的建模取得了较为理想的预测精度，其中RF模型表现最优（验证集R2=0.83，RMSE=4.81 dS/m，RPD=3.11）；在整个研究区内，中部和东部地区土壤盐渍化程度尤为严重。因此，XGBoost所筛选出的环境因子结合机器学习算法可以实现干旱区土壤盐渍化的监测。