作者单位
摘要
1 青海大学地质工程系, 青海 西宁 810016
2 青海大学地质工程系, 青海 西宁 810016 青藏高原北缘新生代资源环境重点实验室, 青海 西宁 810016
土壤水分在一定程度上决定着地区的生态承载力和土壤理化性质。 准确、 快速的获取土壤水分含量, 对生态环境监测、 土壤退化恢复等具有重要意义。 高光谱遥感在土壤参数反演方面应用广泛, 但对高寒草甸土壤的高光谱特征与参数反演研究有待深入。 为建立适用于高寒脆弱生态系统的高寒草甸土壤含水量高光谱反演模型, 以黄河源区的河南县为例, 利用多元线性逐步回归(MLSR)、 偏最小二乘回归(PLSR)和BP神经网络(BPNN)对土壤样本含水量与土壤光谱及其数学变换的特征波段进行建模, 由决定系数(R2)、 均方根误差(RMSE)和预测残差比(RPD)对模型精度进行验证。 结果表明: (1) 在可见光-近红外波段, 土壤样本的光谱反射率在710、 780和950 nm附近存在强弱不同的水分吸收区间, 且随着含水量的增加, 反射率呈现先迅速降低, 后缓慢增加的趋势。 (2) 通过连续投影算法(SPA)筛选的光谱特征波段作为自变量, 含水量作为因变量, 分别通过MLSR和PLSR建立反演模型, 其中一阶微分(FD)、 对数一阶微分(FDL)变换对应的PLSR模型可实现高寒草甸土壤水分的粗略反演, 且FD变换对应的PLSR模型精度较高。 (3)BPNN反演模型中, 除去包络(CR)建模外, 其余模型R2均大于0.9, RMSE在0.048~0.074之间。 其中FD、 FDL、 LG变换光谱对应的BPNN模型反演精度较高, 验证结果的R2均大于0.8, RPD均大于2.5, 精度最高的为对数(LG)变换对应的BPNN模型, R2、 RMSE和RPD分别达到0.967、 0.038和5.039。 因此, BPNN模型能较精确的实现黄河源区高寒草甸土壤含水量的高光谱反演, 为该地区乃至其他高寒地区生态环境监测与土壤恢复提供技术基础和数据支撑。
高光谱反演 高寒草甸 机器学习 SPA算法 黄河源 Hyperspectral inversion Alpine Meadow Machine Learning SPA Yellow River Source 
光谱学与光谱分析
2023, 43(6): 1961
赖思翰 1,*刘严松 1,2,3李成林 1王地 1[ ... ]沈茜 4
作者单位
摘要
1 自然资源部构造成矿成藏重点实验室(成都理工大学), 四川 成都 610059
2 中国地质调查局成都地质调查中心, 四川 成都 610081
3 中国地质大学(北京), 北京 100083
4 四川三合空间科技有限公司, 四川 成都 610094
稀散元素矿产资源是国民经济中的关键性矿产资源, 元素含量的提取是矿产资源潜力评价、 靶区优选的基础。 现有稀散元素含量分析面临快速检测、 潜力评价的需求, 基于高光谱的稀散元素含量反演是解决此问题的一种途径。 因此, 采集西藏斯弄多-则学矿集区的铅锌矿石, 开展铅锌矿石稀散元素镉(Cd)含量的高光谱反演方法与反演模型研究。 选用ASD Field Spec 3地物光谱仪及配套软件进行光谱数据采集和预处理; 在光谱特征分析基础上, 开展一阶微分(FD)、 二阶微分(SD)、 倒数的对数(AT)、 倒数对数的一阶微分(AFD)、 倒数对数的二阶微分(ASD)光谱数据变换处理, 结合皮尔森相关性系数(r)筛选特征波段, 进行随机森林(RF)、 人工神经网络(ANN)、 支持向量机(SVM)模型构建与反演, 选用决定系数(R2)和均方根误差(RMSE)评价反演模型效果与预测精度。 结果表明: 样品反射率集中于40%~60%区间; 1 420、 1 920和2 200 nm处形成吸收峰; 特征波段覆盖可见光和近红外波段, 771~2 051 nm为特征波段的最优区间。 SD光谱变换的降维效果最好, 筛选出15个特征波段; 其次为ASD和AFD光谱变换, 分别筛选出8个和2个特征波段。 FD与AT光谱变换未筛选出特征波段。 SD筛选的特征波段用于反演, 镉元素含量预测效果最好的是SD-ANN模型(R2=0.884, RMSE=2.679), 其次是SD-SVM模型(R2=0.830>0.8, RMSE=1.382), SD-RF模型预测效果最差(R2=0.505<0.6)。 ASD筛选的特征波段用于反演, 镉元素含量预测最好的是ASD-SVM模型(R2=0.857, RMSE=2.198), 其次是ASD-ANN模型(R2=0.846, RMSE=2.625)。 对比分析, 镉元素含量的高光谱反演模型效果为: SD-ANN>ASD-SVM>ASD-ANN>SD-SVM>ASD-RF>SD-RF。 该研究总结了铅锌矿石稀散元素镉的高光谱特征, 建立了镉元素含量的高光谱反演方法及模型, 为镉等稀散元素含量的高光谱反演、 无损检测、 快速分析提供了参考, 为高海拔勘探区稀散元素矿产资源的潜力评价、 靶区优选提供了科学支持。
稀散元素 镉含量分析 高光谱反演 可见光-近红外光谱 铅锌矿石 Rare-dispersed element Cadmium content analysis Hyperspectral inversion Visible and near infrared spectroscopy Lead zinc ore 
光谱学与光谱分析
2023, 43(4): 1275
作者单位
摘要
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
3 国土资源部土地整治中心, 北京 100035
4 中国科学院遥感与数字地球研究所, 北京 100094
5 中国农业大学资源与环境学院, 北京 100193
矿产资源对工业和国民经济的发展有重要的作用, 但是随着矿业开采规模的扩大, 资源枯竭、 经营不善而形成的矿业废弃地越来越多。 由于长时间受到采矿的影响, 矿业废弃地土壤中存在大量的重金属元素, 高浓度重金属可能会对环境和人体产生影响。 土地复垦是整治污染、 退化土壤再利用的重要方法, 对重构后的土壤进行重金属含量检测是衡量土地复垦成效的重要指标, 需要长期进行跟踪监测。 传统的化学检测方法效率低、 成本高、 无法实现重金属大范围检测。 高光谱是一种新兴的、 发展潜力巨大的技术, 在环境保护, 资源利用, 区域可持续发展等方面有着广泛的应用。 经过近几十年的快速发展, 仪器精度逐渐提高, 检测方法逐渐成熟, 为实现土壤重金属高效、 便捷检测提供了可能。 正常土壤重金属含量一般相对较低, 采用光谱测量重金属含量较为困难, 但铁矿开采区矿业废弃地由于土壤中的铁元素较多, 会使土壤中的重金属的存在和聚集形式发生变化, 影响重金属对光谱的响应, 从而使土壤光谱反射率与重金属含量之间关系更加明显。 以湖北省大冶市复垦矿区研究区, 采样化学检测方法获取土壤重金属(As, Cr, Zn)含量; 借助于美国ASD公司生产的FieldSpec4地物光谱仪(350~2 500 nm)获取土壤反射率, 应用一阶微分、 倒数对数、 连续统去除法分别对反射率曲线进行预处理, 提取出光谱特征波段, 分析三种重金属元素与光谱特征间的相关性并建立逐步回归模型。 研究表明, 光谱数据预处理可使光谱特征波段更加明显, 其中一阶微分和连续统去除法的效果最为明显。 3种重金属元素的特征波段为495, 545, 675, 995, 1 425, 1 505, 1 935, 2 165, 2 205, 2 275和2 355 nm。 将土壤重金属含量与光谱特征波段之间做相关性分析, 三种重金属都表现出了与光谱曲线的相关性, 相关系数大部分都达到了0.5以上, 最大相关系数为0.663, 由于重金属种类和预处理方式的不同会导致相关性系数存在明显的差异。 利用与土壤重金属相关性最大的特征波段建立三种重金属反演模型, 并以反演模型r大小选择每种重金属的最优反演模型。 由于重金属种类的不同, 模型的选择也有差异, Cr和Zn一阶微分逐步回归为最佳反演模型, 重金属As连续统去除法逐步回归为最佳反演模型。 通过检验, 三种重金属中Cr反演效果最好, RMSE为2.67, 其次是Zn和As。 对比当前不同检测手段可知, 基于土样和光谱数据预处理的土壤重金属含量地物光谱仪高光谱反演是比较理想的。 可为矿业废弃地土壤重金属高光谱反演提供参考。
矿业废弃地 重构土壤 重金属 高光谱反演 Mining wasteland Reconstruction of soil Heavy metal Hyperspectral inversion 
光谱学与光谱分析
2019, 39(4): 1214
滕靖 1,2,3何政伟 1,2,3倪忠云 2,4赵印泉 2,4张志 1,2,3
作者单位
摘要
1 地质灾害防治与地质环境保护国家重点实验室(成都理工大学), 四川 成都 610059
2 地学空间信息技术国土资源部重点实验室, 四川 成都 610059
3 成都理工大学地球科学学院, 四川 成都 610059
4 成都理工大学旅游与城乡规划学院, 四川 成都 610059
为解决传统的土壤地球化学测量方法成本高、 效率低等问题, 研究了利用可见-近红外光谱技术检测土壤重金属含量的简易方法。 研究对西范坪矿区土壤反射光谱进行微分、 连续统去除等六种变换, 利用逐步回归法和皮尔逊相关系数选出对土壤铜含量敏感的特征波段, 组成综合特征变量集, 再应用不同的特征变量选取方法和参数建立估算模型并检验。 结果表明: 不同的光谱变换方法对土壤铜含量信息提取能力不同, 每种光谱变换都对应特定的敏感波谱区间; 基于综合光谱变换信息建立的土壤铜含量反演模型精度优于基于单种光谱变换信息建立的模型; 利用综合光谱变换信息建立土壤铜含量反演模型, 后向剔除法优于前向引入法和逐步回归法, 当Removal取0.20时得到最优回归模型, 其模型决定系数R2和预测模型决定系数R2pre分别达到了0.851和0.830, 建模均方根误差RMSEC和预测均方根误差RMSEP分别为0.349和0.468 mg·kg-1, 能较好地检测土壤铜含量, 同时为其他土壤重金属元素的光谱检测提供了思路。
土壤地球化学 光谱变换 特征变量选取 高光谱反演模型 西范坪矿区 Soil geochemistry Spectral transformation Characteristic variable selection Hyperspectral inversion model Xifanping mining area 
光谱学与光谱分析
2016, 36(11): 3637
作者单位
摘要
1 福建师范大学环境科学与工程学院, 福建 福州350007
2 福建师范大学地理科学学院, 福建 福州350007
高光谱遥感技术已成为当前遥感领域的前沿技术, 因其高分辨率的特点, 可利用地物反射光谱特征定量反演地物的物理化学性质。 目前土壤环境质量愈来愈受到关注, 土壤重金属含量与土壤环境质量安全密切相关, 以往土壤高光谱遥感技术研究多注重于土壤有机成分如土壤碳氮的光谱反演模型, 对土壤重金属含量的高光谱反演研究普遍较少。 土壤重金属污染已经成为影响土壤质量安全的关键因素, 对土壤重金属尤其是污染元素普查是当务之急。 传统土壤重金属的测试方法要求条件较高, 测试周期较长, 试图建立土壤高光谱与土壤铬元素(ICP-MS测定)含量之间的定量预测模型, 以实现土壤铬元素的快速准确预测。 采集福州市土壤样品135个, 对土壤样品在350~2 500 nm的光谱反射率进行倒数、 对数、 微分等六种变换, 筛选出对土壤总铬含量敏感的光谱波段, 最后获得福州土壤铬元素高光谱反演优化模型。 研究结果表明: 亚热带红壤总铬的敏感光谱波段为: 可见光520~530 nm和近红外1 440~1 450, 2 010~2 020, 2 230~2 240 nm; 亚热带地区土壤总铬—高光谱反演的优化模型为: y=120.768e-7.037x(相关系数R为0.568, 均方根误差为0.619 μg·g-1, 检验相关系数R为0.484, 均方根误差为1.426 μg·g-1), 该模型可以用于福州地区土壤全铬的光谱快速监测。
土壤 总铬 高光谱反演模型 Soil Total chromium Hyperspectral inversion model 
光谱学与光谱分析
2014, 34(6): 1660
栾福明 1,2,*张小雷 1,2熊黑钢 3,4张芳 4王芳 1,2
作者单位
摘要
1 中国科学院新疆生态与地理研究所, 新疆 乌鲁木齐830011
2 中国科学院大学, 北京100049
3 北京联合大学应用文理学院, 北京100083
4 新疆大学资源与环境科学学院, 新疆 乌鲁木齐830046
以新疆奇台县为研究区域, 选取该县40个土壤样本, 采用多元线性逐步回归法和人工神经网络法两种方法分别建立了土壤有机质含量的反演模型, 并对模型进行了检验。 结果发现: 不同模型的精度值各异, 其拟合效果从高到低依次为人工神经网络(ANNs)集成模型>单个人工神经网络(ANNs)模型>多元逐步回归(MLSR)模型。 人工神经网络的线性和非线性逼近能力较强, 而其集成模型作为提高反演模型精度的重要手段, 相关系数高达0.938, 均方根误差和总均方根误差最小, 分别仅为2.13和1.404, 对土壤有机质含量的预测能力与实测光谱非常接近, 分析结果达到了较实用的预测精度, 为最优拟合模型。
奇台 土壤有机质 高光谱反演分析 多元逐步回归 人工神经网络 Qitai county Soil organic matter Hyperspectral inversion analysis Stepwise multiple regression Artificial neural network 
光谱学与光谱分析
2013, 33(1): 196

关于本站 Cookie 的使用提示

中国光学期刊网使用基于 cookie 的技术来更好地为您提供各项服务,点击此处了解我们的隐私策略。 如您需继续使用本网站,请您授权我们使用本地 cookie 来保存部分信息。
全站搜索
您最值得信赖的光电行业旗舰网络服务平台!