-
题名云南墨江矿区周边山地农田土壤重金属的高光谱反演
被引量：3
- 1
-
-
作者
田安红
李智缘
付承彪
朱大明
-
机构
昆明理工大学国土资源工程学院
昆明理工大学信息工程与自动化学院
-
出处
《农业工程学报》
北大核心
2025年第5期191-200,F0003,共11页
-
基金
国家自然科学基金项目(42361007,42067029)
云南省科技厅项目(202205AC160005)
云南省“兴滇英才支持计划”青年人才项目(KKXX202303001)。
-
文摘
为探究矿区周边山地农田土壤重金属的污染状况,实现在复合污染情境下山地农田土壤中多种重金属含量的高效反演。以云南省墨江县某金矿附近的农田区域为例,获取121个土壤样品实验室高光谱数据和重金属砷(As)、铬(Cr)、铜(Cu)、镍(Ni)的含量数据,构建高精度的高光谱反演模型,实现对不同重金属含量的定量反演。结果表明:1)内梅罗污染指数法显示研究区土壤处于重度污染状态,潜在生态风险指数法显示该区域处于中等生态风险水平。2)一阶微分、二阶微分、标准正态变量以及倒数的对数能有效增强光谱响应,竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)的高效波段筛选能力结合迭代保留信息变量(iteratively retains informative variables,IRIV)算法的变量精炼优势,能够实现在土壤重金属反演中的敏感波段选择,该方法在特征波段数量、计算运行时间和模型反演精度方面都比单独的CARS和IRIV方法更有效。3)对比发现反向传播神经网络(back-propagation neural network,BPNN)在As反演中取得最佳反演精度,支持向量机(support vector machine,SVM)为Cr、Cu和Ni的最优反演模型,As、Cr、Cu、Ni最优反演模型的R^(2)分别为0.90、0.93、0.67、0.94,均方根误差(root mean squared error of external validation,RMSE)分别为87.33、142.63、2.63、70.31 mg/kg,相对分析误差(relative percent difference,RPD)分别为3.25、3.84、1.74、4.17。4)重金属的空间分布结果显示,高值区域主要集中在研究区的上下部分,而低值区域则主要分布在边缘,整体呈现从中心向四周逐渐降低的趋势。该研究可为监测矿区附近农田土壤重金属复合污染状况提供参考依据。
-
关键词
高光谱
反演
机器学习
土壤重金属
iriv算法
特征波段选择
-
Keywords
hyperspectral
inversion
machine learning
soil heavy metals
iriv algorithm
feature band selection
-
分类号
X53
[环境科学与工程—环境工程]
-
