基于投影追踪和光GBM与超光谱图像的不同农田土壤重金属度估计
Nan Lin1,2, Xiaofan Shao1, Huizhi Wu3
1College of Surveying and Exploration Engineering, Jilin Jianzhu University, Changchun 130118, China.
Sensors (Basel, Switzerland)
|May 25, 2024
概括
准确的重金属监测在农田土壤中至关重要. 这项研究使用超光谱遥感和局部回归模型改进了土壤重金属估计,提高了环境质量评估的准确性和可靠性.
科学领域:
- 环境科学 环境科学
- 土壤科学 土壤科学
- 遥感 遥感 遥感 遥感
背景情况:
- 农田土壤中的重金属污染对土壤环境质量构成重大威胁.
- 准确和快速监测重金属度对于区域环境管理至关重要.
- 超光谱遥感为土壤重金属监测提供了一个有希望的方法,但提高模型的准确性和可靠性仍然是关键的研究重点.
研究的目的:
- 开发和验证农田土壤中重金属度 (和铜) 的准确估计模型.
- 调查将土壤类型差异纳入局部回归模型的有效性.
- 为吉林省玉州市生成土壤重金属的空间分布图.
主要方法:
- 分析了来自吉林省州市农业区的440个土壤样本.
- 开发一个局部回归模型,使用投影追踪 (PP) 进行特征带选择和光梯度增强机 (LightGBM) 进行估计.
- 与传统机器学习模型相比,拟议模型的性能进行比较.
主要成果:
- 当地回归模型,考虑到土壤类型的差异,显著提高了对 (As) 和铜 (Cu) 的估计准确性.
- 投射追踪方法通过选择10-13%的光谱频段,有效地降低了模型的复杂性.
- 轻GBM模型表现出卓越的估计能力,在验证集中实现了As的0.73和Cu的0.75的确定系数 (R2).
- 空间分布图显示该地区重金属度的高变化.
结论:
- 开发的PP-LightGBM估计模型,考虑到土壤类型的变化,有效地提高了基于高光谱的土壤重金属度估计的准确性和可靠性.
- 这种方法为使用高光谱图像绘制的大规模重金属空间分布绘制和评估土壤环境质量提供了有价值的参考.
