电子科技大学自动化工程学院, 四川 成都 611731 电子科技大学长三角研究院(湖州), 浙江 湖州 313001
研究高效、 准确、 便捷的土壤重金属检测方法对于了解土壤的污染状况以及开展污染防治工作具有重要的意义。 由于X射线荧光光谱分析（XRF）技术具备快速、 准确、 无损检测、 样品制备简单等优势, 在土壤重元素定量检测获得广泛应用。 XRF仪器测试标准样品的荧光光谱并建立校准曲线, 通过反演计算得到待测样品的元素含量。 由于样品元素间存在基体效应, 以及荧光谱特征峰存在叠加干扰, 未经优化的校准曲线的线性度较差, 这给反演计算来困难。 为了解决上述问题, 分别利用小波变换、 非对称加权惩罚最小二乘法(arPLS)对光谱进行去噪和扣除本底基线, 提高校准曲线的决定系数（R2）; 运用竞争性自适应重加权算法（CARS）, 针对不同目标元素优化变量选取; 进一步地, 基于选取的变量建立粒子群算法（PSO）优化的支持向量机回归（SVR）模型, 并通过该模型反演计算各元素含量, 提高定量分析的准确度和预测的泛化能力。 实验结果显示, 经过小波去噪和arPLS本底扣除后的校准曲线的决定系数（R2）有明显提升, Cr、 Cu、 Zn、 As、 Pb分别从0.965、 0.979、 0.971、 0.794、 0.915提高为0.979、 0.987、 0.981、 0.828、 0.953; 通过CARS选取的谱线变量的个数大幅度减少, 从2 048个通道降低到30个以下, 为原来变量个数的1.5%, 提高了变量选择的精准性; 与偏最小二乘法（PLS）、 未优化的SVR模型进行对比, 采用CARS变量选择和PSO优化的SVR模型进行含量预测, 训练集R2C与测试集R2P的决定系数分别在0.99、 0.90以上, 预测准确性有明显提高。 因此, 所提出的竞争性自适应重加权算法和PSO优化的SVR定量分析模型对于土壤重金属元素定量分析具有较好的理论指导和应用价值。
X射线荧光光谱 土壤重金属 竞争性自适应重加权算法 粒子群算法 支持向量机回归模型 X-ray fluorescence spectroscopy Soil heavy metals Competitive adaptive reweighted sampling Particle swarm optimization Support vector regression 光谱学与光谱分析
2023, 43(12): 3742
1 长安大学地质工程与测绘学院，陕西 西安 710064
2 长安大学土地工程学院，陕西 西安 710064
及时准确地掌握土壤重金属含量和分布尤为重要，基于高分五号卫星高光谱影像，对潼关县土壤Cd含量进行大范围反演。为准确筛选Cd元素的特征波段，提高模型反演精度，通过特征编码和随机变异，耦合竞争性自适应重加权算法与遗传算法（CARS-GA），按照先全局后局部的搜索策略对Cd元素的特征波段进行搜索，并在标准正态变换（SNV）、一阶微分（FD）两种光谱增强方式下，比较基于CARS-GA方法与其他波段选择方法（相关系数分析法、CARS算法）构建的偏最小二乘模型（PLSR）精度，最后选择最优模型应用到整个潼关县裸地区域。实验结果表明：采用CARS-GA算法进行波段选择时，基于2种光谱变换数据构建的PLSR模型精度均明显高于相关系数分析法和CARS算法所构建的模型精度，FD光谱变换中验证集的决定系数分别提高了0.288、0.093，SNV变换光谱中验证集的决定系数分别提高了0.372、0.088。该结果表明了利用CARS-GA算法进行波段选择可有效增强Cd含量估测模型的鲁棒性，从而为环境污染评价及生态保护提供更好的数据支撑。
高光谱 遥感 土壤重金属 波段选择 竞争性自适应重加权算法 遗传算法 激光与光电子学进展
2023, 60(17): 1728001
1 北京林业大学林学院, 北京 100083
2 广西大学林学院, 广西 南宁 530005
矿产资源开采中产生的废渣废液长期堆存后产生的渗滤液向土壤中扩散易造成周围土壤的重金属污染, 影响作物生长; 人类通过食物链食用含重金属元素的果实后, 会引起神经系统的神经衰弱、 手足麻木, 消化系统的消化不良, 血液中毒和肾损伤等症状; 这种对生态环境和人身安全的污染和损害是十分严重的。 因此如何快速有效摸清矿区周围农作物土壤污染情况尤为重要。 多光谱遥感由于具备光谱分辨率高、 实时无损、 大面积监测等优势, 在突破植被屏障监测土壤重金属上具有巨大的潜力。 以平谷区主要的农作物桃树为研究对象, 利用桃叶的高光谱数据、 土壤采样数据, 分析桃叶光谱曲线的响应特性, 对桃叶反射光谱进行一阶/二阶微分、 标准正态、 连续去统等四种变换, 结合相关分析及多元线性回归模型确定光谱特征变量, 构建植被指数HMSVI; 结果表明HMSVI与土壤中Cd, AS和Pb含量的相关性较常用植被指数高。 运用线型回归方法进行元素含量与植被指数HMSVI建模后, 选取拟合较好的模型, 实现了叶片高光谱与土壤重金属含量的统计建模, 最后利用Sentinel-2遥感影像反演三种重金属含量空间分布, 并对结果进行精度验证。 结果表明: 受重金属胁迫叶片的平均光谱反射率高于正常叶片且红边位置发生了“蓝移”现象。 780, 945和1 375 nm三个波段对三种重金属污染都较为敏感, 利用三个波段构建的植被指数建立的反演模型能较好的用于桃林土壤重金属元素含量预测, 其预测模型分别为Y=0.44X+0.193, Y=7.436lnX+13.161, Y=-15.359X+13.583X2+23.541, 且具有较好稳定性和适宜性。 空间反演结果表示, 三种重金属高值区均大面积的分布在平谷区刘家店尾矿库、 万庄尾矿库、 金海湖尾矿库附近, 西部相比东部矿区重金属污染更为严重。 研究结果可以为北京平谷区桃林重金属污染的预防与治理提供基础数据支持。
土壤重金属 特征波段 多光谱遥感影像 反演 空间分布 Soil heavy metals Characteristic band Multispectral remote sensing image Inversion Spatial distribution 光谱学与光谱分析
2022, 42(11): 3552
1 长安大学地质工程与测绘学院，陕西 西安 710054
2 自然资源部退化及未利用土地整治工程重点实验室，陕西 西安 710016
3 苍穹数码技术股份有限公司，陕西 西安 710001
4 长庆工程设计有限公司，陕西 西安 710018
随着高光谱成像技术的发展，利用国产高光谱影像进行大范围土壤参数反演成为了可能，但其反演精度仍有待提高。因此，以陕西大西沟矿区为例，以GF-5高光谱卫星影像以及实测的土壤样本数据为数据源，提出了一种基于遗传算法特征选择的XGBoost土壤铜元素反演模型（GA-XGBoost）。首先，对预处理后的影像数据进行连续统去除等光谱变换，并利用蒙特卡罗交叉验证法（MCCV）剔除异常土壤样本；最后，分别建立基于相关系数与遗传算法特征选择的XGBoost重金属含量反演模型。实验结果表明，相同光谱变换条件下，与基于相关系数特征选择的XGBoost模型相比，所提GA-XGBoost模型性能均有明显改善，其中基于连续统去除变换的GA-XGBoost模型反演效果最优，均方根误差为4.85 mg·kg-1，拟合优度达0.84，相对预测误差值为2.0。利用该模型进行研究区土壤Cu含量空间分布反演结果表明，该区域开采区周边及道路两侧受到Cu的污染较严重，这一规律与实地调查结果一致。
光谱学 遥感 高光谱 土壤重金属 极端梯度提升算法 遗传算法 激光与光电子学进展
2022, 59(12): 1230001
土壤中过高的重金属含量危害巨大, 不仅造成了严重的环境污染, 而且通过食物链进入人体对人体健康造成严重威胁, 所以对重金属检测十分重要。 X射线荧光光谱法具有检测时间短、 无损检测、 检测成本低等特点被广泛使用, 然而检测的光谱数据因受到土壤含水量因素的严重干扰, 导致直接对土壤重金属含量估算精度较低。 以河北省保定市满城区土样为研究对象, 对采集的土样进行除杂、 过筛、 烘干后加入一定量重金属溶液制备不同含水量不同重金属的样本进行检测。 对实验中异常数据计算了马氏距离和进行NJW聚类予以剔除, 分析了土壤含水量对土壤重金属光谱的影响, 结果表明不同含水量间光谱重复性差, 随着土壤含水量的增加光谱强度呈非线性降低。 采用Savitzky-Golay卷积平滑去噪法和线性本底法对光谱进行预处理, 以解决因环境、 仪器本身带来的噪声和基线漂移等问题。 然后针对于土壤含水量这一主要干扰, 采用非负矩阵分解算法进行处理, 并使用峰值信噪比这一评价模型确定端元数目, 结果表明当端元数目增至10时峰值信噪比趋于稳定波动很小, 非负矩阵分解处理后相同重金属含量不同含水量间光谱重复性好、 相似性好, 并计算了光谱间的相关系数进一步证明了光谱间的相似性。 去除含水量对于光谱干扰后建立了偏最小二乘法预测模型, 为了验证预测模型的精度, 建立了未去除含水量的偏最小二乘法预测模型和使用外部参数正交化法去除含水量建立的偏最小二乘法预测模型, 并使用评价参数决定系数(R2)、 交叉验证均方根误差(RMSECV)、 平均绝对误差(MAE)和相对分析误差(RPD)进行评价。 验证结果表明, 相比较未去除含水量建立的模型, 使用非负矩阵分解去除含水量建立的偏最小二乘法模型R2和RPD分别提高了0.019 7和1.029 2, RMSECV和MAE分别降低了2.386 3和1.439 6; 相对于外部参数正交化法建立的偏最小二乘法模型, R2和RPD分别提高了0.009 9和0.108 1, RMSECV和MAE分别降低了0.244 7和0.356 6, 说明了经过非负矩阵分解去噪后建立的模型有效提高了预测的精度和鲁棒性。 非负矩阵分解可以有效消除土壤含水量对光谱的影响, 在此基础上建立的偏最小二乘法模型实现了土壤重金属含量的反演, 为重金属定量检测提供了一定的技术支持。
土壤重金属 X射线荧光光谱 非负矩阵分解 偏最小二乘法 Soil heavy metals Energy dispersive X-ray fluorescence spectra Non-negative matrix factorization Partial least squares
1 燕山大学电气工程学院河北省测试计量技术及仪器重点实验室, 河北 秦皇岛 066004
2 河南理工大学资源与环境学院, 河南 焦作 454000
3 中国地质调查局水文地质环境地质调查中心, 自然资源部地质环境监测工程技术创新中心, 河北 保定 071051
4 河北先河环保科技股份有限公司, 河北 石家庄 050035
结合X射线荧光光谱法, 针对土壤中重金属元素Zn含量的预测问题, 提出基于深度卷积神经网络回归预测模型。 对原始土壤进行相关预处理, 用粉末压片法制作土壤压片, 采用X射线荧光光谱法(X-Ray-fluorescence, XRF)获取土壤光谱, 相比于传统检测方式, XRF法具有检测速度快、 精度高、 操作简单、 不破坏样品属性并且可实现多种重金属元素同时检测等优点, 故将XRF与深度卷积神经网络相结合, 实现对土壤中重金属Zn元素含量的精确预测。 采用箱型图来剔除X射线荧光光谱中的异常数据, 采用熵权法结合多元散射校正来对样品盒数据进行校正, 采用Savitzky-Golay平滑去噪法以及线性本底法对光谱数据进行预处理, 可以有效地解决由外界环境和人为因素产生的噪声及基线漂移等问题。 针对卷积神经网络结构的特殊性, 将获取的一维光谱数据向量, 采用构建光谱数据矩阵的方式来进行处理, 将同一浓度、 同一含水率下5组平行光谱数据向量转化为二维光谱信息矩阵, 以该矩阵作为深度卷积神经网络预测模型的输入, 以适应卷积层的操作要求, 利用深度卷积神经网络特殊的结构模式, 能有效提取土壤光谱数据特征, 提高了深度卷积神经网络预测模型的学习能力, 降低模型的训练难度。 深度卷积神经网络预测模型采用3层卷积层搭建, 使用ReLU激活函数激活, 采用最大池化方式, 减少数据的维度, 增加Dropout层, 防止过拟合, 使用ADAM优化器对预测模型进行优化。 实验以平均相对误差(mean relative error, MRE)、 损失函数(LOSS)、 平均绝对误差(mean absolute error, MAE)确定了模型的最优学习率为10-3以及最优迭代次数为3000, 并将深度卷积神经网络预测模型与BP预测模型、 ELM预测模型、 PLS预测模型进行对比, 以均方误差(mean square error, MSE)、 均方根误差(root mean square error, RMSE)、 以及拟合系数R2来分析比较预测模型的好坏, 结果表明, 基于深度卷积神经网络预测模型在对土壤中重金属Zn元素含量预测方面优于BP, ELM, PLS三种预测模型, 提高了预测精度。
土壤重金属 X射线荧光光谱 光谱信息矩阵 深度卷积神经网络 Soil heavy metals X-ray fluorescence spectroscopy Spectral information matrix Deep convolutional neural network
1 中南大学有色金属成矿预测与地质环境监测教育部重点实验室, 地球科学与信息物理学院, 湖南 长沙 410083
2 中南大学地球科学与信息物理学院, 湖南 长沙 410083
目前土壤重金属Pb的高光谱反演实验样本多源于研究区采样, 忽略了自然样本中复杂组分的光谱混杂问题, 所建立的模型精度偏低, 重金属光谱响应机理解释仍不明确。 基于此, 选取湖南省某铅锌矿区采集相对清洁背景土壤, 运用控制变量方法, 制作Pb类标准化样品40个, 同时采集矿区86个自然污染样本。 首先利用类标准化样品建立偏最小二乘回归(PLSR)定量反演模型, 提取Pb光谱反射特征波段, 然后基于特征波段进行矿区自然污染样本土壤Pb定量回归建模, 对比全波段建模结果, 验证特征波段的有效性。 实验结果表明: (1)在背景土壤性质稳定的前提下, 制作的类标准化样品具有总体一致的光谱形态, 同时Pb含量作为引起反射率变化的唯一驱动因子证实了土壤中重金属Pb光谱响应信号的存在； (2)相较于自然样本光谱反演结果, 类标准化样品能显著提升土壤Pb含量模型估算能力, 决定系数(R2p)为0.85, 相对分析误差(RPD)2.30, 有效排除其他组分对于光谱建模的干扰, 模型性能良好； 使用变量重要性投影指标(VIP)与PLSR系数提取的类标准化样品特征波段集中在970～1 000, 1 700～2 080和2 220～2 400 nm区间； (3)与全波段建模对比, 基于特征波段的矿区自然污染样本的PLSR建模结果, R2p由0.32提升至0.55, RPD由1.20提升至1.44, 表明特征波段能够较好表征Pb的响应信号, 波段提取有助于过滤噪声, 减少数据冗余同时提高模型反演精度。 提出的基于类标准化样品特征波段反演自然土壤样本Pb含量, 有效解决自然样本成分复杂, 重金属光谱信号微弱的问题, 丰富了土壤重金属遥感监测理论与应用实例。
类标准化样品 土壤重金属 特征波段 偏最小二乘回归 Near standard samples Soil heavy metal Pb Pb Feature band VIP VIP PLSR 光谱学与光谱分析
2020, 40(7): 2182
湖北大学资源与环境学院, 湖北 武汉 430002
土壤重金属污染是由于人类活动导致重金属物质大量残留在土壤中, 超过土壤环境承载力, 这种现象将造成土壤质量退化、 生态环境恶化。 高光谱遥感可以实现图谱合一, 能有效地识别出土壤中不同元素的异常情况。 为实现农田土壤重金属高效、 准确监测, 提出了一种特征提高型竞争性自适应重加权算法（CARS）选取特征波段的粒子群算法（PSO）优化支持向量机（SVM）农田土壤重金属砷(As)含量高光谱估测分析方法。 利用CARS对暗室实测光谱值进行粗选； 利用一阶导数（FD）、 高斯滤波(GF)、 归一化（N）进行特征提高； 在特征精选阶段利用皮尔逊相关系数（PCC）求取预处理后的光谱指标与土壤重金属As之间的相关系数, 获取相关性大于0.6的波段作为特征波段； 最后利用PSO对SVM所选择的核函数σ和正则化参数γ进行优化, 以均方根误差(RMSE)作为适应度函数, 通过迭代最优适应度得到SVM最优参数值。 选择江汉平原典型区域洪湖市燕窝镇的土壤为研究对象, 预测结果表明基于PSO-SVM算法其验证集的决定系数R2为0.982 3, 均方根误差RMSE为0.521 6, 平均绝对误差MAE为0.416 4。 主要结论如下： PSO算法优化SVM参数, 通过迭代更新个体极值和群体极值, 可以迅速获取全局最优解, 与支持向量机回归（SVMR）和随机森林回归（RFR）相比, 在预测精度有了较大的提高； 特征提高型CARS算法可以有效剔除无关信息, 提高相关性, 且选取波段少, 模型简单, 大大提高了效率； 可以实现土壤污染预警、 满足精准农业需求、 为后期重金属污染土地生态修复提供数据基础。
高光谱遥感 土壤重金属 粒子群算法 特征波段 竞争性自适应重加权算法 Hyperspectral remote sensing Soil heavy metal Particle swarm optimization Characteristic bands Competitive adaptive reweighted sampling
1 中国矿业大学国土环境与灾害监测国家测绘地理信息局重点实验室, 江苏 徐州 221116
2 中国矿业大学环境与测绘学院, 江苏 徐州 221116
3 华东师范大学地理信息科学教育部重点实验室, 上海 200241
土壤中的重金属含量较少, 难以在光谱曲线上表现出明显的特征, 现有的土壤重金属反演实验多是通过统计的方法寻找重金属的敏感波段, 不能准确解释土壤重金属的反演机理, 难以建立土壤重金属反演的普适性模型, 通过分析铁锰氧化物、 有机质、 粘土矿物在土壤光谱曲线上的吸收特征, 深入研究了土壤重金属对可见光近红外光谱的影响, 分析了褐土中的重金属反演机理。 以徐州试验田为例, 共采集80个土壤样本。 首先, 利用ASD地物光谱仪测定土壤样本的光谱反射率, 并采用电感耦合等离子体质谱仪检测土壤样品中的Cr, Cd, Cu, Pb和Zn的含量。 然后, 土壤光谱经过包络线去除处理, 与重金属相关的吸收峰在480, 1 780和2 200 nm附近, 所显现的吸收峰主要受土壤中的铁锰氧化物、 有机质、 粘土矿物的影响。 在吸收峰位置提取了光谱吸收特征的四个参数： Depth480, Depth1 780, Depth2 200和Area2 200, 分析了它们随五种重金属含量变化的增减趋势, 发现四个参数数值与五种重金属含量有很强的相关性。 分析单个变量反演重金属发现, 参数Depth480反演Cr和Pb的效果较好, 参数Area2 200, Depth1 780反演Cd, Cu和Zn的效果比较好。 同时使用四个光谱吸收特征参数, 利用最小二乘法、 岭回归法、 支持向量回归法求取回归系数, 建立的五种重金属含量的反演模型比使用单变量建立的反演模型预测能力强且稳定, 五种重金属Cr, Cd, Cu, Pb和Zn反演效果最好的验证集决定系数分别是0.71, 0.84, 0.92, 0.80, 0.89。 结果表明, 在此研究区域Cr和Pb容易被铁锰氧化物吸附, 而Cd, Cu和Zn更容易被有机质、 粘土矿物吸附。 此研究为探究土壤光谱特征与土壤重金属含量之间的关系提供了参考。
土壤重金属 光谱吸收特征 反演机理 岭回归 Soil heavy metals Spectral absorption characteristics Retrieval mechanism Ridge regression
1 安徽理工大学 测绘学院, 安徽 淮南 232001
2 安徽理工大学 地球与环境学院, 安徽 淮南 232001
探讨组合模型在土壤重金属含量高光谱估算中的可行性, 以四川古蔺工矿废弃地复垦土壤为研究对象, 采集样品并测得重金属含量(Cd、Cr、Ni、As和Hg)和光谱信息; 对土壤光谱进行预处理, 探索响应波段; 利用PLS、ANN和RF构建单一估测模型; 利用熵值法进行较优模型组合。结果表明, 4种光谱预处理技术对光谱与重金属含量之间的相关性均有不同程度的提升; 单一预测模型MSC-RF模型效果最优, 可最大程度对重金属含量进行预测; 通过熵值法构建的组合预测模型较单一预测模型效果有所提升, 验证集R2最高达到0.91; 表明组合模型能够较大限度利用多种单个模型的样本信息, 减少单个模型中随机因素的影响, 增强模型的稳定性, 对矿业废弃地复垦土壤重金属含量的预测具有更好的发挥作用。
矿业废弃地 土壤重金属 高光谱 熵值法 组合模型 mining wastelands soil heavy metals hyperspectral entropy method combination model
