通过超光谱分析和遗传算法-部分最小平方回归估计水中的低度重金属
Yukun Lin1, Jiaxin Gao2, Yaojen Tu1
1School of Environmental and Geographical Sciences, Shanghai Normal University, Shanghai 200234, China; Yangtze River Delta Urban Wetland Ecosystem National Field Scientific Observation and Research Station, Shanghai 200234, China.
The Science of the total environment
|January 21, 2024
概括
超光谱成像可以准确地检测水中的低重金属度. 机器学习模型,特别是GA-PLSR,在使用组合光谱特征的铜和铁检索方面表现出强的性能.
科学领域:
- 环境科学 环境科学
- 遥感 遥感 遥感 遥感
- 分析化学 分析化学
背景情况:
- 评估水体中的重金属度对于环境健康至关重要.
- 现有的高光谱研究往往忽略了低重金属度.
- 在现场的超光谱数据为详细的水质监测提供了潜力.
研究的目的:
- 开发和验证一种机器学习模型,使用高光谱数据准确确定水中的低度铜 (Cu) 和铁 (Fe).
- 为了确定用于重金属检索的最佳光谱特征和波长.
- 为了比较不同机器学习模型的重金属反转的性能.
主要方法:
- 从上海大连湖收集的现场高光谱数据.
- 采用经验分析和基于算法 (随机森林) 的特征选择,考虑原始,第一阶段和第二阶段的衍生反射率.
- 利用遗传算法-部分最小平方回归 (GA-PLSR) 来开发Cu和Fe的预测模型.
- 根据与TOC,Chl-a和TP的相关性,选择了经验特征.
主要成果:
- 实证和算法选择特征的整合改善了模型性能.
- 在497nm,665nm,686nm,831nm和935nm附近确定了Cu检索的最佳波长.
- 对于Fe检索的最佳波长被确定为大约700,746,801,948和993纳米.
- 该GA-PLSR模型的性能优于PLSR和RF模型,Cu的R2值为0.75,Fe的R2值为0.73.
结论:
- 超光谱遥感与机器学习 (GA-PLSR) 相结合,有效监测水中的重金属低度.
- 结合经验和基于算法的特征选择,可以提高预测的准确性.
- 这项研究为重金属水质评估提供了一个强大的方法.
