类标准化土壤样品Cd含量高光谱定量反演

针对土壤Cd高光谱遥感反演精度低、特征波段难以有效识别的问题,以湖南省某典型重金属污染矿区为例,开展类标准化Cd污染土壤样品和自然污染土壤样品Cd含量高光谱定量反演对比研究。创新之处主要在于以相对清洁的背景土壤作为内控样本,通过实验室定量添加Cd标准溶液制备符合自然污染规律的类标准化Cd污染土壤样品方案的提出与对比实验的开展,研究实验过程还包括自然污染土壤样品野外采集,类标准化样品与自然样品土壤重金属、有机质含量及350～2 500 nm光谱反射率等的测定,光谱全要素主成分逐步回归土壤Cd含量反演建模。研究发现,类标准化土壤样品Cd含量高光谱反演模型精度(adjR2=0.87)明显高于野外自然污染土壤样品Cd含量高光谱反演建模结果(adjR2=0.39)。土壤Cd含量与土壤光谱反射率间确实存在一定的响应关系,但各光谱波段对土壤Cd含量及其变化产生响应的程度存在差异,其中1 000,2 000以及2 300 nm波段光谱响应信号较强。该研究创新引入的类标准化Cd污染土壤样品制备方法有助于深入探索重金属Cd污染土壤光谱特征响应规律并发现重金属Cd含量及其变化的真正指示性特征波段,可为多要素混淆污染模式下模拟反演土壤重金属含量提供先验知识。     

基于PCA的土壤Cd含量高光谱反演模型对比研究

土壤重金属污染对人类健康造成了极大的威胁,如何快速摸清土壤污染情况尤为重要。高光谱遥感具备光谱分辨率高,快速无损等优势,使其在土壤组分反演方面具有巨大的潜力。针对高光谱信息冗余及光谱变换对土壤镉（Cd）含量估算的影响进行分析,并利用变换前后的高光谱数据对比研究了不同高光谱模型对土壤Cd含量反演的性能。首先利用等离子体质谱法和FieldSpec4地物光谱仪收集了56组土壤样品的Cd含量和对应的高光谱曲线（350～2 500 nm）;为了弱化光谱测定中光亮变化和土壤表面凹凸对实验结果的影响,研究对高光谱数据进行倒数对数预处理;考虑到高光谱数据中存在大量的信息冗余,研究采用了主成分分析（PCA）对高光谱数据进行降维处理并最终保留了前12个主成分量作为特征变量。针对高光谱反演模型,研究选择了偏最小二乘（PLSR）、支持向量机（SVM）、人工神经网络（ANN）和随机森林（RF）四种回归模型建立PCA主成分与Cd含量之间的关系;最后,研究选取了决定系数（R2）、均方根误差（RMSE）和RPD三种精度评估指标评估回归模型的拟合精度,结果表明针对光谱采用PCA波段降维的方法处理后,选取的12个主成分对变化前后的光谱累计贡献率均达到99.99%,作为模型的输入变量,四种模型均具有一定的预测能力。无论光谱变换与否,PCA-RF反演模型的预测能力均为最好（R2分别为0.856和0.855,RPD均高达3.39）。利用PCA对高光谱数据降维处理可以有效降低高光谱数据冗余,有力的保证模型的预测能力。以PCA筛选出的主成分量可以作为模型极好的输入变量,以RF为基础的高光谱反演模型在反演土壤Cd含量时具有最佳效果,可为该区域及类似地区的土壤重金属污染物反演提供新的方法支撑。     

矿区土壤Cu含量高光谱反演建模

为探究高光谱遥感手段反演土壤Cu含量方法的可行性,以湖南省某矿区为例,利用ASD地物光谱仪和实验室电感耦合等离子发射光谱法测定83个土壤样品350～2 500 nm光谱信号和Cu含量。在光谱重采样、一阶/二阶微分、标准正态变换预处理对比分析基础上,分别采用主成分分析与相关分析对潜在建模变量进行初步筛选,运用逐步回归方法确定最终模型变量,建立土壤Cu含量反演模型,基于最优模型识别Cu含量光谱指示特征波段。结果表明,相对于传统主成分分析方法,标准正态变换后的光谱全要素主成分分析逐步回归建模方法因保留土壤样品弱光谱信号能有效提升土壤Cu含量估算能力,R2达0.86,模型对于预测样本的估计效果较好,建模样本和预测样本的残差分别为0.76和1.29,且通过F检验;360～400,922～1 009,1 833～1 890与2 200～2 500 nm波段对研究区土壤Cu含量有较好指示性。研究结果将丰富南方矿区土壤Cu含量估算典型案例,同时为发展基于高光谱遥感的土壤环境监测手段提供理论支撑。     

土壤水分去除算法的田间原位光谱反演棉田有机质

田间原位可见-近红外光谱(VIS-NIR)能够有效的提高土壤属性的检测效率,但由于原位土壤中水分因素的影响,土壤属性的预测精度很难达到预期。如何有效去除土壤中的水分对土壤其他属性光谱预测的影响,是利用田间原位光谱高精度预测土壤属性所面临的难题,也是土壤光谱技术由室内转向田间的突破口。该问题的有效解决,可减除土壤样品的采集与室内预处理等过程,实现土壤属性的田间原位光谱测定。以新疆南部地区阿拉尔垦区十二团棉田为研究区,采用网格采样法共采集了116个0～20 cm深度的表层土壤样品,剔除1个异常值样品,得到115个有用样品,利用SR-3500型便携式地物光谱仪采集了231个样点的田间原位光谱数据,土样经风干、研磨和过筛等处理后测定其室内光谱和有机质含量。利用Kennard-Stone算法将115个土样分为69个转换子集及46个预测集,采用外部参数正交化法(EPO)、光谱直接转换法(DS)及光谱间接转换法(PDS)三种去除水分算法结合原位光谱反射率(R)、反射率一阶微分(R′)、反射率对数(LOG(R))以及反射率倒数(1/R)四种数学变换方式,运用随机森林(RF)模型进行不同组合模型的构建及精度评价。结果表明：(1)土壤有机质含量越高,土壤光谱反射率越低。土壤田间原位光谱反射率低于土壤室内光谱反射率;(2)室内光谱反射率与土壤有机质含量之间的相关性大于田间原位光谱,室内光谱经一阶微分变换后与土壤有机质含量之间的相关性显著提升。(3)土壤室内光谱反射率模型预测精度(R2=0.86, RPD=2.08, RMSE=1.55 g·kg-1, MAPE= 0.14)高于田间原位光谱反射率模型(R2=0.71, RPD=1.49, RMSE=2.17 g·kg-1, MAPE=0.20)。在去除水分算法模型中,以EPO一阶微分模型去除水分效果最好,决定系数R2由0.71提高到0.83,RPD由1.49提高到2.04,RMSE由2.17 g·kg-1降低至1.58 g·kg-1,MAPE由0.20降低至0.14。本研究实现了去除土壤水分因素的影响,提高了田间原位光谱预测土壤有机质的精度,为南疆棉田大尺度土壤有机质的预测及土壤肥力的评价提供了重要的参考。     

连续小波变换的土壤有机质含量高光谱估测

土壤有机质含量的高光谱估测可快速、准确监测土壤肥力,对现代化农业生产进行精准施肥提供科学依据。以新疆渭干河-库车河三角洲绿洲耕层土壤为研究对象,对采集的98个土壤样品的原始光谱反射率R分别进行传统倒数对数lg(1/R)、一阶微分R′和倒数对数一阶微分[lg(1/R)]′数学变换,以及基于小波母函数Bior1.3不同尺度分解的连续小波变换（CWT）,并与实测土壤有机质含量进行相关分析,从而筛选出各类变换下与土壤有机质含量密切相关的特征波段和小波系数（p<0.01）。分别以原始光谱反射率（R）以及不同变换处理下的特征波段反射率和敏感小波系数作为自变量,土壤有机质含量作为因变量,采用偏最小二乘回归和支持向量机回归方法构建土壤有机质含量的估测模型。结果表明：（1）各类光谱变换方法有效提升光谱与土壤有机质含量之间的敏感性,其中经CWT变换后的土壤光谱反射率与有机质含量的相关性得到显著提高,相关系数由0.39提高到0.54（p<0.01）。（2）传统的[lg(1/R)]′变换构建的支持向量机回归模型,其决定系数（R2）高于lg(1/R)和R′变换构建的模型,说明倒数对数一阶微分变换可有助于提高估测模型的精度,且支持向量机回归模型的精度和稳定性高于偏最小二乘回归模型。（3）经过CWT分解后,以原始光谱反射率在不同尺度上的敏感小波系数作为自变量建立的模型,估测精度和稳定性均有明显的提高,构建的R-CWT-23-SVMR模型的决定系数（R2）为0.84,均方根误差（RMSE）为1.48,相对分析误差（RPD）等于2.11,模型精度达到最高并拥有极好的预测能力。高光谱数据经多种变换处理后可有效去除白噪声,而连续小波变换处理比传统的数学变换方法更适合于挖掘土壤有效信息,实现光谱信号的近似特征和细节特征的有效分离,建立的反演模型可更加精准估测土壤有机质含量。     

高光谱成像的土壤剖面水分含量反演及制图

传统土壤水分的获取方法仅可获得离散的土壤水分点位数据,难以获得剖面上精细且连续的水分含量分布图。研究了野外条件下利用近红外高光谱（882～1 709 nm）成像反演剖面土壤水分含量（SMC）,并实现精细制图的可行性。研究剖面位于江苏省东台市,我们利用近红外高光谱成像仪对剖面进行了5天原位连续观测,共采集了280个土样用于烘干法测定SMC。原始高光谱图像经数字量化值（DN）校正、黑白校正、拼接、几何校正、剪切和掩膜等一系列预处理后,提取各采样点的平均光谱反射率。提取光谱（Raw）经吸光度[LOG₁₀(1/R)],Savitzky-Golay平滑（SG）、一阶微分（FD）、二阶微分（SD）、多元散射校正（MSC）和标准正态变量（SNV）转换后,采用偏最小二乘回归（PLSR）和最小二乘支持向量机（LS-SVM）方法建立SMC预测模型,并对比分析不同光谱预处理方法与建模方法组合条件下SMC的预测精度。结果表明,光谱反射率随SMC增加逐渐降低,不同光谱预处理方法的预测精度有所差异,除MSC方法外,同一光谱预处理方法的LS-SVM模型预测精度均高于PLSR模型,并且基于LOG₁₀(1/R)光谱的LS-SVM模型对SMC预测精度最高,其建模集的决定系数（R2_c）和均方根误差（RMSE_c）分别为0.96和0.65%,预测集的决定系数（R2_p）、均方根误差（RMSE_p）和相对分析误差（RPD_p）分别为0.88,1.05%和2.88。利用最优模型进行剖面SMC的高空间分辨率精细制图,通过比较SMC反演图中提取的预测值与实测值关系发现预测精度较高（R2: 0.85～0.95, RMSE: 0.94%～1.02%）,且两者在剖面中的变化趋势基本一致,说明SMC反演图不仅能很好地反映出土壤水分在整个剖面中毫米级的含量分布信息,也可反映出同一位置处不同天数间的含量差异。因此,利用近红外高光谱成像结合优化的预测模型,能够实现土壤剖面SMC的定量预测及精细制图,有助于快速、有效监测田间剖面土壤水分状况。     

优化光谱指数建立水稻叶片SPAD的高光谱反演模型

利用高光谱反射率光谱的特征波段构建光谱指数,建立叶绿素含量反演模型是实现水稻生产精准调控和科学管理的必要手段之一。为了建立适用于拔节孕穗期水稻叶片叶绿素相对含量（SPAD）的高光谱反演模型,分别获取了拔节孕穗期水稻叶片的高光谱和SPAD数据,利用小波分析法对原始光谱反射率曲线进行降噪处理,并对基于积分运算的光谱指数NAOC进行简化,获得了基于双波段简化运算的优化光谱指数。利用相关分析法计算由原始反射率光谱R和数学变换光谱LgR、1/R和R构建的优化光谱和变换光谱指数与水稻叶片SPAD的相关系数,获得了以积分限（a,b）为横、纵坐标的相关系数二维矩阵,并绘制相关性等势图,得到相关系数最高的3个波段组合：R（641,790）（0.872 6）,R（653,767）（0.871 7）和R（644,774）（0.871 6）,计算出20个原始样本中3个积分波段组合所对应的60个优化光谱指数值,按照2∶1的比例划分为建模集和验证集,建立了三种水稻叶片SPAD反演模型：偏最小二乘回归（PLSR）、支持向量机（SVM）和BP神经网络模型。结果显示：利用优化光谱和变换光谱指数建立的3种水稻叶片SPAD反演模型决定系数R2均大于0.79,归一化均方根误差NRMSE则小于5.4%。其中BP神经网络相对于其他两种模型具有较高的拟合度,预测精度也相对较高,建模集R2=0.842 6,NRMSE=5.152 7%;验证集R2=0.857,NRMSE=4.829 9%。总体来看,基于双波段简化运算后的优化光谱和变换光谱指数建立拔节孕穗期水稻叶片SPAD反演模型是可行的;对比分析3种模型反演结果发现,BP神经网络对水稻叶片SPAD的反演效果较好。该工作对提高拔节孕穗期水稻精准调控技术和建立水稻生产的科学管理体系具有一定的参考价值。     

双包络去除和OPLS的土壤有机碳含量反演

土壤有机碳(SOC)对土壤肥力至关重要,可见-近红外光谱能对其实现快速反演,为区域监测和定量遥感提供基础。针对包络去除(CR)仅提供反射光谱的单向吸收特征,多元回归中预测信息缺失、拟合结果未充分反映波段特征,利用世界土壤数据库245份中国土样的可见-近红外光谱,首次提出双包络去除(BCR)与正交偏最小二乘(OPLS)结合的反演方法BCR-OPLS,同时纳入光谱反射率及上、下边包络去除量,讨论组分参考值偏态分布时幂函数或对数缩放在回归时的优化作用,建立多种土壤的综合与分类估计模型,并导出适用特定类型土壤的SOC指数。结果表明,对多种土壤有机碳含量反演,相较PLSR模型(决定系数R2和估计根均方误差RMSEE分别为0.69和0.45%),BCR-OPLS模型的预测能力明显改善(R2和RMSEE分别为0.9和0.26%);而对单一类型土壤的反演精度则进一步提升,根据载荷趋势和变量重要性建立的SOC指数,预测如黄色铁铝土的有机碳含量时(以400,590和920 nm),其反演结果R2达到0.94、RMSEE达到0.21%。双包络去除与OPLS相结合,增强了光谱特征诊断的鲁棒性,提高了不同类型土壤的综合与分类SOC全谱反演精度,基于直观的图谱表达可构建简单的波段预测关系,深化了物理经验吸收与统计多元回归之间的联系。     

基于Sentinel-2卫星数据的水稻叶片叶绿素含量反演研究

叶绿素含量是评价农作物健康状况、生产能力和环境胁迫的重要指标,实时、快速、准确获取农作物叶片叶绿素含量对监测农作物生长状况具有重要意义。遥感是获取区域和全球农作物叶片叶绿素含量的有效途径,但已有的作物叶片叶绿素含量遥感反演研究未充分考虑下垫面背景的干扰,影响了反演精度。为此,以Sentinel-2遥感卫星影像为数据源,结合典型水稻田的观测数据,使用PROSAIL辐射传输模型建立了水稻田叶片叶绿素含量反演查找表,评估了利用绿光波段和不同红边波段构建的叶绿素指数（CI）和两个不同红边波段构建的Zarco and Miller指数（ZM）反演叶片叶绿素含量的差异,引入G（Greenness index）指数减小背景干扰对叶片叶绿含量反演的影响。研究结果表明：（1）基于不同波段构建的光谱指数反演的叶片叶绿素含量精度存在差异,其中CI₇₄₀(R2=0.79, RMSE=9.02 μg·cm-2) 反演精度最高,其次为ZM(R2=0.71, RMSE=10.53 μg·cm-2)、CI₇₀₅(R2=0.69, RMSE=9.17 μg·cm-2) 和CI₇₈₃(R2=0.67, RMSE=10.84 μg·cm-2);（2）水稻叶片叶绿素含量反演结果受背景影响明显,特别在水稻生长早期,由于背景干扰较大,反演结果明显偏低[平均相对误差（MRE）为-18.87%~-31.94%];（3）引入G指数构建的CI/G和ZM/G可以有效消除背景的影响,提高水稻叶片叶绿素含量反演精度（MRE为8.11%~18.11%）。结果对提高水稻不同叶面积指数水平下的叶片叶绿素含量遥感反演精度具有重要参考意义。     

OLI与6SV的褐土带煤炭开采沉陷区土壤有机碳反演

遥感反演已广泛应用于区域土壤理化性质的动态监测,但是鲜有针对有机碳含量低、下垫面不均一等土壤光谱特性不显著区域的研究。黄土高原褐土带地形多样,丘陵广布,有机碳含量低。采煤活动引起大面积土壤退化,土壤光谱特性受到强烈干扰,制约了区域尺度土壤有机碳(soil organic carbon)含量遥感反演精度。以山西省褐土带典型采煤沉陷区为例,借助地表反射率和室外实地采集的样本数据对褐土带煤矿开采沉陷区土壤有机碳含量进行反演。采用结合高空间、时间分辨率辅助气象数据的6SV(second simulation of a satellite signalin the solar spectrum-vector)模型和FLAASH(fast line-of-sight atmospheric analysis of spectral hypercubes)模型对研究区Landsat8 OLI影像的大气校正方法进行对比实验,分析其对褐土带采煤沉陷区土壤光谱曲线及有机碳含量的影响,识别敏感波段。选择原始光谱反射率(R)和平方根()、倒数的对数log(1/R)、一阶微分(R′)等数学变换形式,利用多元线性回归(MLR)、BP神经网络(BP neural net)和偏最小二乘回归(PLSR)建立土壤有机碳反演模型。结果表明：6SV模型大气校正的效果要优于FLAASH模型,可以有效消除大气、地形对于反射率的干扰,可见光波段反射率降低而近红外波段明显上升,不同有机质含量等级土壤反射光谱特性分明;640～670,850～880,1 570～1 600和2 110～2 290 nm波段对土壤有机碳含量指示性强;相较于多元线性回归(决定系数R2为0.765)、BP神经网络(R2为0.767),偏最小二乘回归模型反演精度最高(R2为0.778);结合高空间、时间分辨率辅助气象数据的6SV大气校正模型与偏最小二乘回归建模能显著提高褐土带采煤沉陷区土壤有机碳的反演精度。在此基础上预测研究区2013年-2015年土壤有机碳含量,研究发现：研究区土壤有机碳含量中部高,两侧低,复垦使土壤有机碳含量得到恢复。研究结果可用于揭示黄土高原褐土带采煤沉陷区土壤有机碳含量的时空分布特征,为改进区域土壤光谱分析、土地复垦评价、建立褐土带采煤沉陷区碳通量观测网络和土壤碳库估算提供理论和技术支持,对研究区域甚至全球范围褐土带生态可持续发展提供依据。     

北京市平谷区桃林土壤重金属元素含量反演估测

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。     

土壤重金属砷的高光谱估算模型

砷是严重危害人体的重金属之一。利用高光谱技术进行土壤重金属砷含量的估测具有很大的应用潜力,但受区域和土壤背景的影响,估算模型适用性和精度都会有很大的差异。针对石家庄市地表水源地保护区土壤砷含量的高光谱估算,在水源地保护区的主要采矿地和冶炼企业进行了土壤实地采样和实验室重金属分析,对土壤样本的原始光谱反射率采用Savitzky-Golay 7点平滑处理,进行一阶微分（FD）、二阶微分（SD）、倒数（RT）、倒数一阶微分（RTFD）、倒数二阶微分（RTSD）、倒数对数（AT）、倒数对数一阶微分（ATFD）、倒数对数二阶微分（ATSD）、连续统去除（CR）9种光谱变换后,再对重金属砷实测含量与经光谱变换后的光谱指标进行相关分析,并提取各光谱指标的最大敏感波段。运用多元线性逐步回归（MLSR）、单光谱变换指标偏最小二乘回归（U-PLSR）和多光谱变换指标偏最小二乘回归（M-PLSR）方法构建土壤重金属砷含量估算模型,最后通过相关系数r、均方根误差（root mean square error, RMSE）和统计值F来比对建模效果。结果表明：研究区部分土壤样本重金属砷含量已经出现了轻度污染,大部分样本处于污染的临界状态;经连续统去除变换后的光谱特征与砷的相关性最大,一阶微分与砷含量存在最大负相关性;相较于多元线性逐步回归和单光谱变换指标偏最小二乘回归,采取多光谱变换指标偏最小二乘回归方法土壤重金属砷含量模型估算值与实测值最为接近,建模R2达到0.852,RMSE和F值分别达到0.147和32.384,多光谱变换指标建模集成效果显著。因此研究结果可以为石家庄水源地保护区主要采矿地和冶炼企业重金属砷污染高光谱快速监测提供科学依据。     

优化光谱指数的露天煤矿区土壤重金属含量估算

光谱学提供了对土壤中许多元素进行定量分析和快速无损检测的方法。可见光和近红外反射光谱（Vis-NIR）为研究土壤重金属污染提供了一个有用的工具。于新疆准东露天煤矿区采集51个0～10 cm深度的土壤样品，在实验室中分别测定样品的有机质（SOM）含量、重金属砷（As）含量与高光谱；使用基于JAVA语言自主开发的两波段组合软件V1.0（No: 2018R11S177501）计算不同高光谱数据变换形式（原始反射率（R），倒数（1/R），对数（lgR）和平方根（）下Vis-NIR区域（400~2 400 nm）所有两波段组合得到的优化光谱指数（NPDI）与As的相关性，在最优光谱指数（|r|≥0.73和p=0.001）中通过变量重要性准则（VIP）进一步筛选VIP≥1的指数作为模型自变量，基于地理加权回归（GWR）模型估算As含量并使用四个交叉验证度量标准：相对分析误差（RPD），决定系数（R2），均方根误差（RMSE）和最小信息准则（ACI）评价模型精度，从而探讨优化光谱指数方法应用于高光谱检测露天煤矿区土壤重金属砷含量的可行性。结果表明：(1）研究区As含量离散度较高，所有样品中SOM含量均小于2％，且As含量与SOM含量在0.01的显著性水平上无显著相关性（|r|=0.113）。（2）As含量与单波段光谱反射率的相关性很低（|r|≤0.228），而通过R，1/R，lgR，计算的NPDIs与As含量的相关性在近红外（NIR，780~1 100 nm）和短波红外（SWIR，1 100~1 935 nm）光谱中发现最高的相关系数和最低的p值（|r|≥0.73和p=0.001），在长波近红外（LW-NIR）区域基于R形成的NPDIs与As含量相关性最高（|r|=0.74）。（3）VIP方法分别筛选NPDI_{R（1 417/1 246）}，NPDI_{1/R（799/953，825/947）}、NPDI_{sqrt-R（1 023/1 257，1 008/1 249，1 021/1 250，1 020/1 247）}和NPDI_{lgR（801/953，811/953，817/951，825/947，828/945）}为GWR模型自变量。(4）从4个预测模型的表现可以看出，Model-a（R）与其他三个模型（Model-b（1/R），Model-c（）和Model-d（lgR））相比，它具有最高的验证系数（R2=0.831，RMSE=4.912 μg·g-1，RPD=2.321）和最低的最小信息准则值（AIC=179.96）。优化光谱指数NPDI_{R(1 417/1 246)}有助于快速准确地估算As含量，为进一步获取地表土壤重金属污染分布信息提供理论支持和应用参考，促进露天煤矿区环境污染快速有效调查和生态可持续发展。     

玉米叶片重金属铅含量的SVD-ANFIS高光谱预测模型

重金属污染农作物后可通过食物链进入人体从而严重危害身体健康。如何快速准确地监测农作物中重金属含量已成为当今生态与粮食安全等领域的重要研究内容。常规的生化监测方法存在操作繁琐、过程长、具有破坏性等缺点,而高光谱遥感具有光谱分辨率高、信息量大、生化反演能力强、方便快捷、对监测对象无损伤等优势,因此利用高光谱遥感技术监测农作物中重金属含量已成为遥感领域的热点研究之一。以不同浓度Pb(NO₃)₂溶液胁迫下盆栽玉米植株为研究对象,基于不同铅离子(Pb2+)胁迫梯度下玉米叶片的反射光谱及其中Pb2+含量的测定数据,结合奇异值分解(SVD)理论和自适应模糊神经网络推理系统(ANFIS)结构,建立了一种Pb2+含量预测的SVD-ANFIS模型。首先对各胁迫梯度下玉米的老叶(O)、中叶(M)、新叶(N)三种叶片的反射光谱数据进行SVD处理,获取原始光谱信息的奇异值;然后选择O,M和N叶片对应的奇异值来寻求ANFIS结构的最佳输入组合,最终选定O-M（双输入）组合作为ANFIS结构的输入量,通过训练和学习获得最优模糊规则库后,ANFIS结构的输出量即为叶片中Pb2+含量,从而实现了SVD-ANFIS模型的预测性能。研究结果表明,该模型的输出误差值较小,精度较高,在模糊训练过程中隶属函数选为钟型函数时预测效果最佳。利用多参数的反向传播(BP)神经网络预测模型对SVD-ANFIS模型的预测优越性进行验证时,得到BP模型和SVD-ANFIS模型的决定系数(R2)分别为0.977 6和0.988 7,均方根误差(RMSE)分别为2.455 9和0.601 3,可见SVD-ANFIS模型的拟合度更高,预测效果更好。同时选取不同年份的Pb污染玉米叶片等光谱数据对SVD-ANFIS模型进行可行性检验,其R2和RMSE分别为0.986 4和0.887 4,说明SVD-ANFIS模型能较好的用于玉米叶片中Pb2+含量预测且具有较高的鲁棒性,可作为预测玉米叶片中重金属含量的一种方法。     

铜污染土壤光谱特征及弱差信息的LH-PSD甄测模型

土壤受重金属污染后，会影响农作物及食品安全，危及人体健康，因此寻找快速、高效甄测土壤重金属污染信息的方法尤为关键。传统化学分析方法存在过程繁杂、费时耗力等缺点，而高光谱遥感因光谱分辨率高、信息量大、快速无损等特点在环境监测等应用方面优势明显。由于电磁遥感信号反射、辐射过程复杂，通过仪器获取的土壤高光谱数据难以直接解析出重金属污染信息，因而，研究并寻求一种能够有效挖掘土壤重金属污染信息的方法对高光谱遥感监测污染意义重大。不同浓度铜(Cu)污染会使土壤理化性质改变，引发土壤光谱产生微弱变化，该研究目的是对Cu污染土壤光谱的特征及弱差信息进行识别、提取与分析，进而挖掘光谱中的重金属污染信息。采用包络线去除(CR)对光谱进行预处理，通过定义局部极大值均值(LMM)与半波高(HWH)，结合时频分析的短时傅里叶变换(STFT)及能量谱密度(PSD)，构建LH-PSD甄测模型。通过模型对极相似土壤光谱进行处理，所获PSD分布图使光谱间的微弱差异可视化显现，并显著区分了相似光谱，验证了模型对光谱特征及弱差信息的甄别能力和有效性。同时应用该模型，对不同Cu污染梯度的土壤实验光谱进行重金属污染信息的提取与分析，研究结果表明，LH-PSD甄测模型中，LMM与HWH可有效提取光谱间差异特征并以阶梯状显现。经模型处理后得到的可视化PSD分布图能直观定性判别土壤是否受重金属Cu污染，即当土壤受重金属Cu污染后，相同采样频数下，在频率为100与600 Hz附近PSD分布会出现明显空缺分离，随着Cu污染浓度的增加，在100~600 Hz之间PSD的分布呈逐渐稀疏态势。能量值E可定量化监测土壤Cu污染程度，即随着土壤中Cu污染浓度的增加，E值呈下降趋势，且与Cu含量的相关系数达到-0.910 5，显著相关。为检验模型的可靠性，研究结合栽种玉米作物的土壤光谱，经LH-PSD甄测模型对其进行分析，所得可视化的PSD分布图结果与实验分析中基本一致，且能量值E的监测结果与土壤中Cu含量相关系数达到-0.973 9，相关性显著，验证了模型的可靠性。因此，LH-PSD甄测模型实现了对土壤光谱从光谱域到时频域的甄析，为深度挖掘重金属污染的光谱特征及弱差信息提供一种新思路。     

顾及土壤湿度的土壤有机质高光谱预测模型传递研究

高光谱遥感技术作为当前遥感发展的前沿科技,通过电磁波与地物的相互作用,可以定量反演地物的物理化学性质。土壤有机质是重要的土壤养分信息参数,利用高光谱遥感技术快速获取其含量信息可以为精准农业的发展提供必要的数据支撑。然而,由于受到外部参数差异的干扰,导致建模精度降低的同时,还会造成已有模型传递性的“失效”。为了消除湿度差异的干扰,进一步拓展已有模型的适用空间,以江汉平原滨湖地区为例,通过对95个土壤样本进行加湿处理,在实验室自然风干的条件下,量测得到13套不同湿度等级土壤样本的可见—近红外反射光谱数据,建立了各湿度等级下土壤有机质的光谱反演模型,研究水分差异对建模精度的影响;在此基础上,运用Direct Standardization(DS)算法对湿土光谱进行校正,进而探讨该算法在提高模型传递性能方面的潜力。结果表明：基于风干土光谱建立的模型预测精度最高,未经校正的湿土光谱无法通过该模型进行土壤有机质含量预测,预测偏差在-8.34～3.32 g·kg-1,RPD在0.64～2.04;经过DS算法校正后的湿土光谱可以通过该模型进行土壤有机质含量预测,预测偏差降低至0,RPD值提高至7.01。研究表明DS算法能有效降低湿度差异对光谱反演土壤有机质的影响,使土壤有机质光谱反演模型适用于不同水分含量的土壤样本。     

生成式对抗网络的土壤有机质高光谱估测模型

已有的土壤有机质含量估测模型大多以光谱特征波段、线性和非线性模型为基础,较少考虑通过拓展样本数据建模集来提高模型的估测能力。为进一步提高土壤有机质高光谱反演模型估测精度,提出利用生成式对抗网络(GAN)合成伪高光谱数据和有机质含量的动态估测模型。选取湖南省长沙市及周边区域的水稻田为研究对象,采集土样和实测高光谱数据(350~2 500 nm),室内化学测定有机质含量。以高光谱数据和有机质含量为基础,利用生成式对抗网络生成等量新数据, 结合原始数据建模集组成增强建模集。在GAN正式训练中,每轮训练完成后,设置4个观测点(对应增强建模集中含50,100,150和239个生成样本),动态构建交叉验证岭回归(RCV)、偏最小二乘回归(PLSR)和BP神经网络(BPNN)土壤有机质含量估测模型(分别简称GAN-RCV,GAN-PLSR和GAN-BPNN),并在相同测试集上实施模型评估。实验结果表明：(1)原始数据建模集上拟合的估测模型中,交叉验证岭回归表现最佳,决定系数(R2)和均方根误差(RMSE)分别为0.831 1和0.189 6;(2)GAN的150轮正式训练中,增强建模集上动态构建的GAN-RCV,GAN-PLSR和GAN-BPNN模型性能显著提高,具体表现为：GAN-RCV的R2取得最大值0.890 9(RMSE 0.153 7)、最小值0.850 5 (RMSE 0.18)与平均值0.868 7(RMSE 0.168 6),最大R2比建模集上拟合的RCV提高了7.2%(RMSE降低了18.9%),GAN-PLSR获得R2最大值0.855 4(RMSE 0.176 9)、最小值0.727 0 (RMSE 0.243 2)与平均值0.780 1 (RMSE 0.217 7),最大R2比建模集上拟合的PLSR提高了20.6%(RMSE降低了29.5%),GAN-BPNN表现最佳,R2取得最大值0.905 2(RMSE 0.143 3)、最小值0.801 7(RMSE 0.207 3)与平均值0.868 1(RMSE 0.168 6),最大R2比建模集上拟合的BPNN提高了30.8%(RMSE降低了44.5%);(3)随着增强建模集中生成样本数量增加,模型精度提升效果呈先升后降趋势,4个观测点中第3个观测点的模型性能提升最显著。充分的实验表明：基于GAN动态构建的有机质含量估测模型显著改善了模型预测性能。依据测试集上的评估结果,可择优使用最佳模型进行后续土壤有机质含量估测。