通过将高光谱和地化学数据与PCA整合并优化倒置模型来估计土壤的污染
Fei Guo1,2,3, Zhen Xu4, Honghong Ma1,2,3
1Institute of Geophysical & Geochemical Exploration, Chinese Academy of Geological Sciences, Langfang 065000, China.
Sensors (Basel, Switzerland)
|November 27, 2025
概括
这项研究通过将减少的超光谱数据与土壤成分融合,增强了土壤监测. 随机森林模型实现了最高的准确性,改善了重金属污染评估.
科学领域:
- 环境科学 环境科学
- 地质科学是地球科学.
- 遥感 遥感 遥感 遥感
背景情况:
- 土壤污染对环境和健康构成重大风险.
- 准确和高效的土壤监测技术至关重要.
研究的目的:
- 开发一种新的多源数据融合方法,用于增强土壤度的高光谱反转.
- 整合缩小尺寸的光谱数据与相关的土壤成分.
主要方法:
- 主要组件分析 (PCA) 用于高光谱数据的维度减少.
- 评估的部分最小平方回归 (PLSR),人工神经网络 (ANN) 和随机森林 (RF) 模型.
- 对比了四种输入变量组合,包括原始/减少的光谱数据和土壤成分.
主要成果:
- 随机森林 (RF) 模型,使用PCA减少的光谱和土壤组件,实现了最高的反转精度 (R2 = 0.86).
- 这种多源数据融合方法显著优于PLSR (R2 = 0.75) 等简单模型.
结论:
- 该研究证实了多源数据融合在提高土壤估计准确性的有效性.
- 随机森林模型在处理环境监测的复杂,高维数据方面表现出卓越的能力.
