融合光谱和空间特征的土壤重金属含量极端随机树估算

针对高光谱遥感土壤重金属含量估算研究中光谱特征信息弱、模型反演鲁棒性差的问题,提出构建污染源-汇空间特征量化污染物扩散与汇聚空间影响因子,融合光谱特征建立基于极端随机树（Extremely randomized trees,ERT）的土壤重金属含量估算模型。以济源市耕地土壤为研究区,布设采集土壤样本249个,分析了光谱特征、地形特征和污染源空间特征在土壤重金属铅（Pb）、铬（Cd）含量反演中的有效性及影响机理,采用置换重要性指数优选多源特征,通过与多种回归模型对比,评价ERT模型的预测精度。研究表明,变换后的土壤光谱特征构建ERT模型引入地形特征和污染源空间特征后精度提升显著,尤其是污染源空间特征优势更为明显,Pb的ERT模型均方根误差由43.185mg/kg下降到22.301mg/kg,下降了48.36%。Cd的ERT模型均方根误差由0.738mg/kg下降到0.371mg/kg,下降了49.73%,充分说明引入污染扩散空间特征的有效性。与其他回归模型对比,ERT估算模型在各项指标评价中优势明显,其中Pb的ERT模型的测试集R2达0.964,Cd的ERT模型R2为0.923。     

基于高光谱反演的复垦区土壤重金属含量经验模型优选

以工矿复垦区为实验区域,基于ASD Field Spec 4高光谱遥感数据,结合实测的土壤重金属含量,利用回归分析与特征选择方法,开展了基于高光谱数据的土壤重金属含量反演研究与实验并进行了经验模型优选。通过对光谱曲线进行一阶微分、对数一阶微分以及对数倒数的一阶微分等数学变换有效提高了光谱数据与土壤重金属含量的相关性。在此基础上采用偏最小二乘回归(Partial least squares regression,PLSR)、随机森林回归(Random forest regression,RFR)、支持向量机回归(Support vector machine regression,SVMR) 3种回归分析模型开展土壤重金属含量反演实验,结果表明偏最小二乘回归(PLSR)对研究区内土壤中重金属含量的反演最为有效,尤其对区域内主要障碍因子镉(Cd)元素含量的反演效果最佳,验证集决定系数R2为0. 76。基于粒子群算法(Particle swarm optimization,PSO)、遗传算法(Genetic algorithm,GA)、Relief F算法3种特征选择方法对偏最小二乘回归(PLSR)模型进行优化,结果表明粒子群算法(PSO)可有效降低特征波段变量维度,进一步提高模型反演精度,使决定系数R2由0. 76提高至0. 84。综上,基于高光谱数据,采用偏最小二乘回归(PLSR)与粒子群算法(PSO)相结合的方法,可有效对工矿复垦区土壤中的重金属含量进行测度,可为复垦区土地的质量和生态指标监测提供理论方法和技术支持。     

基于机器学习算法的土壤有机质 质量比估算

为快速高效地估测干旱、半干旱地区土壤有机质(soil organic matter, SOM)质量比,提出了一种结合竞争适应重加权法(CARS)和随机森林(RF)的估测模型.以内陆干旱区艾比湖流域为研究区,测定土壤高光谱反射率和SOM质量比,经预处理后,利用CARS对原始光谱(R)、一阶导数(R′)、吸光度(log(1/R))及吸光度一阶导数［log(1/R)］′4种光谱变量的可见-近红外光谱进行筛选,并结合RF算法,建立全谱段RF模型与CARS-RF模型.结果表明,基于CARS方法对光谱进行变量筛选后,得出4种光谱变量的优选变量集个数分别为35,26,34和121;在4种光谱变量中,R′和［log(1/R)］′的SOM估测模型精度较高,以［log(1/R)］′为基础数据获得的模型精度最高;CARS-RF模型精度优于全谱段RF模型,模型验证集决定系数(R²)、均方根误差(RMSE)、相对分析误差(RPD)分别为0.881,6.438 g/kg和2.177.该研究在预处理的基础上通过变量优选,应用较少的变量个数获得较高的估测精度,为干旱、半干旱区SOM高光谱估测提供了适宜高效的方法.     

基于特征变量筛选的无人机多光谱遥感土壤含水量反演

土壤含水量是影响农作物生长的重要因素之一,对作物估产和旱情监测具有重要作用。在土壤含水量反演时,一般是提取多个光谱变量进行反演,但变量之间包含的光谱信息可能存在冗余重叠,为提取有效特征变量,使其相互独立,论文选取特征变量筛选方法,并验证其在土壤含水量反演中的适用性。研究基于无人机多光谱影像计算归一化植被指数（Normalized Difference Vegetation Index, NDVI）等12种植被指数,结合无人机热红外数据计算地表温度（Land Surface Temperature, LST）和对应温度植被干旱指数（Temperature Vegetation Dryness Index, TVDI）,以及miniSAR数据处理得到的4种后向散射系数,采用XGBoost特征变量和最优子集选择算法（Best Subset Selection, BSS）筛选最优变量组合,然后利用偏最小二乘回归（Partial Least Squares Regression, PLSR）和随机森林回归（Random Forest Regression, RFR）算法反演实验区冬小麦抽穗期的土...     

粮食主产区耕地土壤重金属高光谱综合反演模型

粮食主产区的耕地土壤重金属污染已成为影响粮食安全和人居环境安全的突出问题。高光谱遥感技术为快速高效获取土壤重金属含量提供了新的途径,也为土壤总金属污染的监测和防治提供了技术保障。以河南省粮食主产区新郑市为研究对象,共采集191个耕地土壤样品,利用Rank-KS法划分为144个建模集样本和47个验证集样本;在室内利用ASD Field Spec 3型地物光谱仪获取土壤高光谱数据,对耕地土壤样品在400~2 400 nm的光谱反射率与Cr、Cd、Zn、Cu、Pb 5种重金属元素进行相关性分析,筛选出5种重金属均通过P=0.01显著性检验的共用高光谱特征波段作为反演模型的自变量;采用基于OLS的固定影响变系数面板数据模型,对新郑市144个建模集样本的5种土壤重金属面板数据构建高光谱综合反演模型。结果表明:面板数据模型整体显著,拟合优度较高(R~2=0.993 7,F统计量为1 365.94)。模型精度检验Cu的相对分析误差为2.046,Pb的相对分析误差为3.432,都具有较好的预测精度;Cr、Cd、Zn的相对分析误差在1.4~1.8之间,具有一般的定量预测能力。面板数据模型通过一次建模综合反演多种土壤重金属,计算简便、速度快,可以用于新郑市耕地土壤重金属的高光谱快速监测。     

基于优化光谱指数的土壤有机质含量估算

基于高光谱数据快速监测土壤有机质含量对于评价土壤肥沃程度具有重要意义。本文试图寻求估算土壤有机质含量的最佳光谱参数,实现土壤养分无损监测。使用ASD Field-Spec3高光谱仪对野外采集的土壤样品进行室内光谱测定,并通过重铬酸钾氧化容量法测定土壤样品有机质质量比;利用两波段优化算法对构建的新算法(SOM_(CI/ND))进行波段优化,筛选基于不同光谱数据(原始光谱反射率及其对应的4种数学变换)运算下的最敏感波段组合,从而建立土壤有机质质量比高光谱估算模型。结果表明:通过归一化光谱指数(I_(ND))和概念指数(I_(CI))比值构建的新算法(SOM_(CI/ND))优化后与土壤有机质质量比之间的相关性显著提高,在光谱原始数据及其平方根、倒数变换形式下,相关系数绝对值达到0.82,且敏感的组合波段集中在2220 nm～2240 nm和2160 nm～2195 nm。基于平方根波段优化的估算模型效果最佳,估算精度为R_p~2为0.84,RMSE_P为2.24 g/kg,RPD为2.89。因此,对光谱数据的适当数学变换有利于优化光谱指数更好地估算土壤有机质质量比,进一步实现土壤有机质质量比高精度动态监测。     

土壤有机质含量高光谱估测模型构建及精度对比

土壤有机质含量对作物的生长发育有着显著影响。为实现对苹果果园土壤有机质含量快速、实时估测,本研究以山东省烟台市栖霞市苹果园为研究区,采集100个土壤样本,利用ASD FieldSpec3便携式地物光谱仪获取其高光谱反射率,利用定量化学方法测定土壤有机质含量。采用移动平均法对高光谱数据进行预处理,分析果园土壤的反射光谱特征,研究光谱反射率与其有机质含量的相关关系,筛选土壤有机质含量的敏感波长并构建光谱指数后,分别建立多元线性回归模型（MLR）、支持向量机（SVM）和随机森林（RF）模型,并对模型精度进行验证比较。结果表明,筛选出的土壤有机质含量的敏感波长为678、709、1931、1939、1996和2201 nm。用筛选出的波长构建光谱参数,最终构建的光谱指数分别为NDSI_{（678,709）}、NDSI_{（678,1931）}、NDSI_{（678,2201）}、NDSI_{（709,1939）}和NDSI_{（1939,2201）}。建立的MLR、SVM和RF回归模型中,以RF模型精度最优,其校正样本集R²为0.8804,RMSE为0.1423,RPD达到2.25;验证模型的R²为0.7466,RMSE为0.1266,RPD为1.79,建立的RF定量模型反演苹果果园土壤有机质含量效果较好。因此,可以利用RF方法快速预测苹果果园土壤有机质含量,了解土壤养分分布状况,指导农民合理施肥,从而提高果园生产管理效率。     

LIBS结合化学计量学方法在土壤镉检测中的应用

土壤的重金属污染影响农业和食品安全,对重金属污染的快速检测是一个亟需解决的问题。该研究应用激光诱导击穿光谱（Laser induced breakdown spectroscopy,LIBS）结合化学计量学方法对土壤中的镉（Cd）元素进行定量分析。根据土壤重金属污染的不同程度,制作含有Cd元素的15个浓度梯度的土壤样本,并采集各个样本的LIBS谱线。采用光谱预处理方法来减少试验误差和噪声。选取了Cd元素的分析谱线与分析谱线区间,建立基于偏最小二乘回归（Partial least squares regression,PLSR）和反向传播人工神经网络（Back propagation-artificial neural network,BP-ANN）方法Cd元素含量回归模型。分析表明,非线性BP-ANN模型的预测性能优于线性PLSR模型,这可能是因为非线性模型能够通过自适应较好地解决土壤基体效应的影响。研究表明,LIBS技术结合多元化学计量学方法能够对土壤重金属镉进行准确检测,这为分析检测类似重金属元素提供思路,也为开发大田土壤营养元素和重金属检测仪器提供理论基础和技术支撑。      

基于高光谱数据的土壤有机质含量反演模型比较

以土壤多样化的陕西省横山县为研究区域,比较了3种基于高光谱数据的土壤有机质含量反演模型,在实验室利用ASD Field Spec FR地物光谱仪对横山县野外采集的土壤样品进行光谱测定,并通过重铬酸钾氧化容量法测定土壤有机质含量。然后对原始光谱反射率的倒数进行微分运算获得其一阶导数光谱,将原始光谱反射率、一阶导数光谱分别与土壤有机质含量进行相关性分析,得到相关性系数r较高的特征波段的一阶导数光谱,直接建立基于一阶导数光谱的多元线性逐步回归分析(MLSR)模型。同时针对这些相关性系数较高的特征波段的一阶导数光谱进行主成分分析(Principal component analysis,PCA),利用主成分分析得到的结果分别建立BP神经网络反演模型(PCA-BP)和多元线性逐步回归分析模型(PCA-MLSR)。用上述3种方法进行土壤有机质含量反演,并对3种反演结果进行精度验证与比较。实验分析结果表明:在3种模型中,基于主成分分析结果构建的PCA-BP模型在土壤有机质含量反演中决定系数(R2)最高,为0.893 0,均方根误差(RMSE)为0.118 5%;其次为运用全部主成分PCA分析结果构建的多元线性逐步回归模型,R2为0.740 7,RMSE为0.161 3%;而采用一阶导数光谱反射率构建的多元线性逐步回归模型中,最佳反演模型R2仅为0.689 9,RMSE为0.171 0%。由此说明,PCA-BP模型有机质含量反演精度明显高于多元线性逐步回归模型,利用全部主成分进行多元逐步回归,其有机质含量反演精度优于仅用累计方差贡献率大于90%的主成分进行多元逐步回归的精度,可以更好地反演土壤有机质的含量。     

基于无人机遥感图像纹理与植被指数的土壤含盐量反演

基于无人机遥感技术获取农田土壤盐分信息为盐渍化治理提供了快速、准确、可靠的理论依据。本文在内蒙古河套灌区沙壕渠灌域试验地上采集了取样点0～20cm的土壤含盐量，并使用M600型六旋翼无人机平台搭载Micro-MCA多光谱相机采集图像。利用Otsu算法对多光谱图像进行图像分类（土壤背景和植被冠层），基于分类结果分别提取剔除土壤背景前后的光谱指数和图像纹理特征，采用支持向量机（SVM）和极限学习机（ELM）构建土壤含盐量监测模型，其4种建模策略分别为:未剔除土壤背景的光谱指数(策略1)、剔除土壤背景后的光谱指数(策略2)、未剔除土壤背景的光谱指数+图像纹理特征(策略3)、剔除土壤背景的光谱指数+图像纹理特征(策略4)，通过比较4种建模策略的模型精度以筛选出最优变量组合。结果表明：策略3、4所计算出的土壤含盐量反演精度高于策略1、2，策略1~4验证集决定系数R2v分别为0.614、0.640、0.657、0.681，因此利用图像纹理特征+植被指数对提高土壤含盐量的反演精度有重要意义。对比策略3、4，图像纹理特征+植被指数受到土壤背景的影响，策略4精度低于策略3精度，其R2v分别为0.614、0.657；各变量处理的最优模型均为ELM模型，建模集R2c分别为0.625、0.644、0.618、0.683，标准均方根误差分别为0.152、0.134、0.206、0.155。相比于SVM模型,ELM模型提高了土壤含盐量的反演精度。     

基于CWT-sCARS的东北旱作农田土壤有机质高光谱反演

精准高效获取不同类型土壤的有机质含量,对促进东北土壤退化防治和耕地质量提升有重要意义.本研究以东北旱作农田典型土壤类型为研究对象,采集了黑土、黑钙土、潮土和棕壤共118个土壤样品,采用倒数对数、一阶微分、连续统去除和连续小波变换分别对其光谱曲线进行预处理.通过稳定性竞争自适应重加权采样(sCARS)算法筛选敏感波段,并...     

基于高光谱的黑土区土壤重金属含量估测

以黑龙江省讷河市采集的80份黑土样品和高光谱实测数据为数据源,对黑土中铜(Cu)、锌(Zn)、锰(Mn)重金属元素的光谱反射率及其特征变化进行研究,分析了光谱反射率、光谱反射率一阶微分变换、光谱反射率连续统去除变换、光谱反射率连续统去除一阶微分变换与元素铜、锌、锰含量的相关性,并利用相关系数法提取敏感波段。利用核主成分分析(Kernel principal component analysis,KPCA)方法对高光谱敏感波段数据进行降维及特征提取,将特征信息作为极限学习机(Extreme learning machine,ELM)模型建模的样本数据,构建KPCA-ELM估测模型,进行黑土重金属含量的定量估算。结果表明:KPCA具有较强的非线性特征提取能力,可以有效地选择最佳变量集合,KPCA-ELM模型预测土壤元素含量效果理想,3种重金属元素含量估测的决定系数均达到0.6以上,其中,锌元素预测精度最高,决定系数和均方根误差分别为0.805和3.275 mg/kg,比特征提取前模型预测精度优化了14.0%和18.5%,说明构建的KPCA-ELM模型是一种快速可行的重金属含量高光谱估测方法。     

基于分数阶微分的荒漠土壤铬含量高光谱检测

为解决高光谱检测土壤中痕量级重金属含量存在的困难,提高土壤重金属铬含量检测的准确度,利用新疆准东煤田周边168个荒漠土壤样本的重金属铬含量及其对应的高光谱数据,运用分数阶微分算法进行光谱数据预处理,最后利用全部波段进行偏最小二乘建模并进行可视化分析,旨在探讨分数阶微分预处理在高光谱数据估算荒漠土壤重金属铬含量的可能性。结果表明:原始光谱与吸光率变换的分数阶微分模型均在1.8阶微分处达到了最好的精度效果。吸光率变换1.8阶微分模型为最优模型,模型的校正均方根误差为7.68 mg/kg,R_c~2=0.83,预测均方根误差为8.39 mg/kg,R_p~2=0.78,相对分析误差为2.14。最后利用铬含量实测值与光谱预测值通过反距离加权法插值获得研究区土壤重金属铬含量的空间分布,说明利用该方法对土壤重金属铬含量定量检测并进行大尺度的空间分布反演在一定程度上是可行的,为荒漠土壤重金属污染状况的高光谱检测提供了一定的科学依据和技术支持。     

基于吸收特征参数的有机质含量光谱估算模型研究

连续统去除法是简便、准确而有效地提取光谱吸收特征参数的方法之一.为此,研究利用ASD FieldSpec Pro地物光谱仪在自然环境条件下对不同有机质含量的土壤样本进行光谱测量,提取特征吸收面积来评价与有机质含量的关系,发现基于包含有机质含量敏感波段在内的450～580nm波段范围特征吸收面积建立的有机质含量对数诊断模型预测精度较高.结果表明,土壤有机质吸收特征参数估算模型为土壤肥力的快速测定提供了新的途径.     

基于光谱FOD与优化指数的银川平原土壤有机质含量反演

土壤有机质（SOM）是土壤肥力的重要组成部分,是作物生长的主要养分来源。为探究分数阶微分（FOD）联合优化光谱指数对低肥力地区SOM的反演效果,以银川平原为研究对象,对野外土壤高光谱反射率原始数据进行0~2阶FOD处理（间隔0.2阶）,构建优化光谱指数DI/RDI、DI/NDI、NDI/RDI、RDI/NDI、DI/GDI和RI/GDI,分析各指数与土壤有机质含量间的二维相关性,筛选出最佳优化光谱指数,并建立基于支持向量机（SVM）的SOM含量反演模型。结果表明：银川平原SOM含量整体偏低,其中93.05%处于四级到六级水平。土壤野外原始光谱反射率吸收特征差异明显,在1400、1900nm处有明显吸收峰。随着分数阶的不断增加,光谱反射率不断趋近于0。土壤DI/NDI、DI/GDI、RI/GDI、NDI/RDI和RDI/NDI在0~2阶最大相关系数绝对值（MACC）均小于0.80,DI/RDI在0.2~2.0阶范围内的MACC为0.9965~0.9986,其敏感波段主要集中在1450~1750nm和2100~2400nm之间。基于0.2阶微分处理的DI/RDI-SVM模型对SOM的反演精度最佳,建模决定系数R2c和验证决定系数R2p分别为0.98和0.99,相对分析误差（RPD）为4.31。研究结果可为低肥力地区的SOM含量快速、准确反演及制图提供科学依据。     

玉米生长铜铅污染信息光谱辨别研究

为辨别农作物所受重金属胁迫种类,以受重金属铜(Cu)、铅(Pb)胁迫的玉米叶片为研究对象,利用ASD地物光谱仪获得叶片高光谱数据,通过分数阶微分(FD)对原始光谱数据进行处理,采用竞争性自适应重加权采样法(CARS)提取特征波段,最后通过多层感知机(MLP)、K-最近邻(KNN)、支持向量机(SVM) 3种模型对受胁迫的叶片光谱进行辨别,选择最优的MLP构建的FD-CARS-MLP模型,进行玉米生长铜铅污染信息光谱辨别。结果表明,FD-CARS-MLP模型对于受胁迫叶片光谱辨别的能力相较于传统方式有所提高,试验集辨别精度均可达到98%以上,0.1、0.2阶分数阶微分辨别精度可达到99%以上。选取苗期与抽穗期的玉米叶片,对其进行FD-CARS-MLP模型的可行性测试,经验证可得,FD-CARS-MLP模型辨别受重金属胁迫玉米叶片光谱数据的精度更高且更稳定,可为监测谷类作物不同重金属胁迫提供技术与方法。     

土壤重金属含量光谱估算模型的初步研究

以昆山市水稻土为例,运用统计学相关分析方法,总结分析土壤有机质对不同重金属元素的吸附规律,尝试利用遥感光谱法实现对土壤重金属含量的模型估算.结果表明,研究区土壤有机质对不同重金属吸附强度由大到小的排序为:Cu>Pb>As>Zn>Cd>Ni>Cr>Hg,有机质对Cu和Pb的吸附固持强度较大,相关性显著.基于土壤有机质含量光谱诊断指数,建立了Cu和Pb的光谱估算模型,在一定程度上论证了利用土壤光谱特征间接估算土壤重金属含量的可行性,为土壤重金属污染状况的快速定量评价开辟了新途径.