img

官方微信

遥感技术与应用, 2019, 34(5): 998-1004 doi: 10.11873/j.issn.1004-0323.2019.5.0998

模型与反演

基于偏最小二乘的土壤重金属铜含量高光谱估算

贺军亮,1,2, 崔军丽3, 张淑媛1, 李仁杰2, 查勇4

1. 石家庄学院资源与环境科学学院, 河北 石家庄 050035

2. 河北师范大学 资源与环境科学学院/河北省环境演变与生态建设实验室, 河北 石家庄 050024

3. 河南大学 黄河文明与可持续发展研究中心, 河南 开封 475001

4. 南京师范大学 虚拟地理环境教育部重点实验室, 江苏 南京 210046

Hyperspectral Estimation of Heavy Metal Cu Content in Soil based on Partial Least Square Method

He Junliang,1,2, Cui Junli3, Zhang Shuyuan1, Li Renjie2, Zha Yong4

1. College of Resources and Environment Sciences, Shijiazhuang University, Shijiazhuang 050035, China

2. College of Resources and Environment Sciences/Hebei Key Laboratory of Environmental Change and Ecological Construction, Hebei Normal University, Shijiazhuang 050024, China

3. Key Research Institute of Yellow River Civilization and Sustainable Development, Henan University, Kaifeng 475001, China

4. Key Laboratory of Ministry of Education for Virtual Geographic Environment, Nanjing Normal University, Nanjing 210046, China

收稿日期: 2018-07-24   修回日期: 2018-10-21   网络出版日期: 2019-11-28

基金资助: 国家自然科学基金青年科学基金项目.  41201215
河北省自然科学基金项目.  D2016106013

Received: 2018-07-24   Revised: 2018-10-21   Online: 2019-11-28

作者简介 About authors

贺军亮(1979-),男,河北新乐人,副教授,主要从事生态环境遥感研究E-mail:hejunliang0927@163.com , E-mail:hejunliang0927@163.com

摘要

为探究高光谱数据估算土壤重金属铜含量的可行性,以石家庄市水源保护区褐土为研究对象,对不同光谱变换数据与重金属铜含量做了相关分析,建立了土壤重金属铜的单光谱变换指标偏最小二乘模型和多光谱变换指标偏最小二乘模型。结果表明:光谱反射率(R)经倒数一阶微分(RTFD)变换后与铜含量的相关性有所提高;光谱敏感波段为418、427、435、446、490、673、1 909、1 920和2 221 nm,基本位于土壤氧化铁、粘土矿物的特征吸收区域;对土壤重金属铜含量估算效果最好的单光谱变换指标偏最小二乘模型为RTFD模型,其模型决定系数(R2)为0.649,均方根误差(RMSE)为1.477;多光谱变换指标偏最小二乘模型R2和RMSE分别为0.751和1.162,建模效果优于单光谱变换指标模型。研究结果可为北方地区褐土类型土壤重金属铜的高光谱估算提供借鉴。

关键词: 高光谱 ; 重金属铜 ; 倒数一阶微分 ; 多变换偏最小二乘模型

Abstract

In order to explore the feasibility of estimating the heavy metal Cu content in soil by hyperspectral data, based on the study of the cinnamon soil of the water source protected area in Shijiazhuang, the correlation analysis between the different spectral data and the heavy metal copper content was made. The univariate partial least squares model of soil heavy metal Cu and a partial least squares model of multivariate were established. The results showed that the correlation between the spectral reflectance and the Cu content was improved by the Reciprocal Transformation First Derivative (RTFD). The spectral sensitivity bands were 418, 427, 435, 446, 490, 673, 1 909, 1 920, 2 221 nm, which was located in the characteristic absorption region of soil iron oxide and clay minerals. The univariate partial least squares model with the best estimation effect on soil heavy metal Cu content was RTFD model, and its model determination coefficient R2 was 0.649, Root Mean Square Error (RMSE) was 1.477. The multivariate partial least squares model R2 and RMSE were 0.751 and 1.162, and the modeling effect was better than the univariate model. The research results can provide a reference for the hyperspectral estimation of heavy metal Cu in cinnamon soil in northern China.

Keywords: Hyperspectral ; Heavy metal copper ; Reciprocal Transformation First Derivative (RTFD) ; Multivariate Partial Least Squares model

PDF (833KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

贺军亮, 崔军丽, 张淑媛, 李仁杰, 查勇. 基于偏最小二乘的土壤重金属铜含量高光谱估算. 遥感技术与应用[J], 2019, 34(5): 998-1004 doi:10.11873/j.issn.1004-0323.2019.5.0998

He Junliang, Cui Junli, Zhang Shuyuan, Li Renjie, Zha Yong. Hyperspectral Estimation of Heavy Metal Cu Content in Soil based on Partial Least Square Method. Remote Sensing Technology and Application[J], 2019, 34(5): 998-1004 doi:10.11873/j.issn.1004-0323.2019.5.0998

1 引 言

铜是生命活动所需的微量元素之一,近年来随着工业化的发展,过量铜元素通过污水排放、大气降尘等途径进入土壤,使土壤中的铜含量高于其自然背景值,造成土壤重金属铜的污染,危害人类生产活动及社会可持续发展[1]。高光谱遥感分辨率较高,可以快速、无损地获取土壤的连续光谱信息,已被广泛应用于土壤重金属污染的研究中[2,3]。贺军亮等[4]以江苏省昆山市潴育型水稻土为研究对象,发现土壤有机质对重金属有不同程度的吸附作用,并利用有机质的光谱特征间接估算了土壤重金属Cu和Pb的含量。龚绍琦等[5]测定了如东县洋口镇滨海盐土的反射光谱数据,利用一阶微分、倒数对数和连续统去除法进行光谱预处理,并运用多元逐步回归法估算出了土壤Cr、Cu、Ni 3种元素的含量。王维等[6]利用高光谱遥感获得江西省亚热带丘陵红壤的光谱数据,与土壤铜含量进行相关分析,得出光谱特征波段为830、1 000和2 250 nm,并以特征波段数据为自变量建立了土壤重金属Cu的估算模型。袁中强等[7]以四川若尔盖湿地为研究区,利用偏最小二乘法分别建立了土壤重金属含量的反射率、一阶微分、倒数对数等3种光谱变换模型,对比分析发现一阶微分模型的预测效果最好。涂宇龙等[8]以湖南省某矿区为例,对光谱进行了重采样、一阶微分、二阶微分以及标准正态变换等预处理,并用逐步回归法建立了重金属Cu的估算模型,发现标准正态变换后的光谱能够提高研究区土壤Cu含量的估算能力。综上,对于土壤重金属铜的研究多集中在南方亚热带地区,土壤类型多为肥力较差的水稻土、红壤等,并且多用单种光谱变换数据建模来估算土壤重金属的含量。

将以石家庄市地表水源保护区褐土为对象开展重金属铜的高光谱估算模型研究。该保护区是石家庄市生活用水的主要供应地,也是北京市的备用水源地,具有重要的战略地位[9]。但是该地开发历史悠久,铁矿、石灰矿等矿产资源开采造成的尾矿污染较为严重,威胁当地土壤及水环境质量。因此对该地区进行土壤重金属含量的监测十分必要。偏最小二乘模型在普通回归建模的过程中加入了信息综合和筛选技术,可以集多元线性回归分析、典型相关分析和主成分分析的基本功能为一体,能够有效的区分变量信息和噪声,提高模型的解释度和精确性[10]。并且考虑到不同形式的光谱变换能够反映出不同的光谱特征,多种光谱变换数据集成建模能够综合反映各种光谱变换形式的特点。以下研究将分析不同土壤光谱变换形式与铜元素含量的相关关系,然后选用相关性较好的几种光谱变换数据建立多光谱变换指标偏最小二乘(Multivariate Partial Least Squares,M-PLS)模型,并与单光谱变换指标偏最小二乘(Univariate Partial Least Squares,U-PLS)模型进行对比分析,探索利用偏最小二乘方法和高光谱数据估算土壤重金属铜含量的可行性,以期为今后相关研究提供借鉴。

2 数据和方法

2.1 土壤样品采集

研究区位于石家庄市西部平山县和井陉县境内,处于113°34′~114°18′E,38°01′~38°45′N之间,地势西高东低,高差悬殊,土壤类型主要为褐土[11]。考虑到土壤空间分布的不均匀性及研究区地形的影响,参考研究区内主要采矿点和主要冶炼企业的区位,采集土壤样品共63个(图1),样本取土深度为0~20 cm,同时用GPS对采样地点进行定位。所有样点采集的土壤样品带回室内后经风干、研磨、过筛(100目),变成粉状土以备土壤基本理化性质和可见光-红外光谱学特性测定试验所用。土壤铜含量采用电感耦合等离子体质谱仪ICP-MS检测方法测定。

图1

图1   研究区位置及采样点分布图

Fig.1   The location of study area and distribution

of sampling points


2.2 光谱测定

土壤反射光谱测定仪器采用美国ASD (Analytical Spectral Device)公司生产的FieldSpec Pro便携式光谱仪,测定的波段范围在350~2 500 nm,在350~1 000 nm之间采样间隔为1.4 nm,1 000~2 500 nm的采样间隔为2 nm,重采样间隔为1 nm。光谱测量在暗室中进行,光源为专用卤素光灯。将土壤样品置于放在黑色绒布上的直径10 cm、深2 cm玻璃培养皿内,用工具将表面刮平。光源入射角度为45°,与土壤样品表面的距离为30 cm。光谱仪探头距离土样表面15 cm,观测视场角为5°。每次测定前先用白板进行定标,每个土样测10次,求算术平均值后作为该样本的代表性光谱曲线。

2.3 光谱数据预处理

考虑到土样残留水分、光谱测量背景环境等的影响,删除头尾波动较大的光谱波段,最终保留1 640个波段用于光谱估算模型的研究。为了进一步消除光谱背景噪声的影响,提高信噪比,突出细小峰值,提高光谱特征,对土壤光谱反射率(R)进行一阶微分(FD)、二阶微分(SD)、倒数变换(RT)、倒数对数变换(AT)、倒数的一阶微分(RTFD)、倒数的二阶微分(RTSD)、倒数对数的一阶微分(ATFD)、倒数对数的二阶微分(ATSD)和连续统去除(CR)等9种形式的光谱变换。

3 结果与分析

3.1 铜元素含量的统计分析

石家庄市水源保护区土壤重金属铜含量的统计特征值如表1。区域内铜元素含量的平均值为24.757 mg/kg,高于河北省背景值[12],土壤受到了重金属铜的污染。利用单因子指数法能够反映土壤污染程度,其计算公式为:

Pi=Ci/Si

其中Pi为土壤中污染物的环境质量指数,Ci为实测值,Si为背景值。

表1   土壤重金属铜含量的统计特征值(单位:mg/kg)

Table 1  Statistical characteristics of heavy metal Cu in soil (Unit:mg/kg)

元素最大值最小值平均值标准差河北省背景值
Cu30.12120.68924.7572.40921.8

新窗口打开| 下载CSV


表2为研究区土壤重金属铜的单因子污染指数统计分析表,其中污染指数的最大值为1.382,最小值为0.949。12.7%样点污染指数0.7<P≤1,处于污染等级的警戒级;87.3%样点的污染指数P>1,受到了重金属铜的轻度污染[13,14]。总体来说,研究区土壤中重金属铜已有一定程度的累积,应该加强对土壤重金属铜含量的动态监测。

表2   土壤重金属铜的污染指数统计分析

Table 2  Statistical analysis of pollution index of heavy metal Cu in soil

项目最大值最小值平均值0.7<P ≤1P >1
Cu1.3820.9491.136样点个数占比样点个数占比
812.7%5587.3%

新窗口打开| 下载CSV


3.2 研究区土壤光谱特征分析

研究区土壤样品类型主要为褐土,图2为土壤样品的光谱曲线图。从图中可以看出,各土壤样品的光谱曲线形态特征基本一致,只是由于土壤组分含量各不相同,导致土壤光谱反射率高低不同。在可见光波段,土壤反射率较低,但增速较大,在760 nm之后的近红外波段,反射率变化总体较为平稳。光谱曲线在450 nm附近有铁锰氧化物的微弱吸收峰,在600 nm和800 nm附近存在有机质的反射峰;在1 400、1 900和2 200 nm处出现明显的吸收波谷,主要是土壤粘土矿物和硅酸盐类矿物中所含的水分子所致[15]

图2

图2   研究区土壤样品的光谱曲线图

Fig.2   Spectral curve of soil samples in the study area


3.3 土壤重金属铜含量与光谱指标的相关分析

为了探讨不同光谱变换指标与重金属铜含量的关系,将铜元素含量与各种光谱变换数据进行相关分析,最大相关系数及其对应的特征波段如表3所示。

表3   土壤重金属铜含量与光谱指标的最大相关系数

Table 3  The maximum correlation coefficients of soil heavy metal Cu content and spectral index

光谱变换指标最大相关波段/nm相关系数
R418-0.608**
FD446-0.563**
SD2 221-0.419**
RT4270.551**
AT4270.589**
RTFD490-0.648**
RTSD1 909-0.506**
ATFD673-0.559**
ATSD1 920-0.471**
CR435-0.457**

注:**表示在0.01(双尾)的基础上显著相关

新窗口打开| 下载CSV


通过相关分析可得,反射率R经RTFD变换后光谱特征更加明显,与重金属铜的相关系数显著提高;其他光谱变换的效果则不明显。表中相关性最高的特征波段为418、427、435、446、490、673、1 909、1 920和2 221 nm。其中418、427、435、446和490 m处存在土壤氧化铁的微弱吸收峰;1 909、1 920 nm是土壤水分子的吸收峰;2 221 nm处是粘土矿物中金属-OH振动合频产生的吸收峰[16,17]。由此可见,土壤重金属铜与铁氧化物、粘土矿物等具有一定的赋存共生关系。

3.4 U-PLS模型

研究中PLS模型均在The Unscrambler 9.7软件中完成。由于SD、RTSD、ATSD、CR 4种光谱变换指标与重金属铜的相关性较低,在以下建模过程中将不对其进行讨论。

从63个土壤样本中随机挑选出42个用来建立模型,剩余21个用作模型的检验。考虑到模型自变量越多,光谱噪声等影响也可能会越大,影响模型的稳定性和估算能力[18]。在此分别选取R、FD、RT、AT、RTFD、ATFD 6种光谱指标与重金属铜相关性较强(双尾显著性检验≤0.01)的前10个波段作为模型的自变量,土壤重金属铜的含量为因变量,建立U-PLS模型(表4)。根据决定系数R2最大和均方根误差(Root Mean Square Error,RMSE)最小的原则选择最佳模型。其中以RTFD为自变量的U-PLS模型R2为0.649,RMSE为1.477,模型估算预测效果最好;以FD、ATFD为自变量的模型效果则较差,R2分别为0.311和0.299,其RMSE均达到2以上。

表4   单光谱变换指标偏最小二乘(U-PLS)模型结果

Table 4  The results of Univariate Partial Least Squares model

光谱变换指标建模集验证集
R2RMSER2RMSE
R0.4851.7900.4421.908
FD0.3112.0700.2612.196
RT0.4361.8720.3941.989
AT0.4761.8050.4371.917
RTFD0.6491.4770.5691.677
ATFD0.2992.0890.2652.190

新窗口打开| 下载CSV


以21个验证样本的重金属铜含量为横坐标,模型预测值为纵坐标,选取建模效果最好的RTFD变换U-PLS模型绘制其实测值与预测值的对比散点图(图3)。模型验证R2为0.569,RMSE为1.677,各验证样点基本分布在1∶1线附近,模型预测效果较为理想。

图3

图3   RTFD-U-PLS模型验证集实测值与预测值的散点图

Fig.3   Scatter plot of measured and predicted values of

RTFD-U-PLS model verification set


3.5 M-PLS模型

同时选用R、FD、RT、AT、RTFD、ATFD 6种光谱变换指标中与铜含量相关性最高的特征波段为自变量,重金属铜含量为因变量,用与U-PLS模型相同的建模样本来构建M-PLS模型(表5)。模型的决定系数R2为0.751,RMSE为1.162,相比建模效果最好的U-PLS模型其R2增长了0.102,RMSE降低了0.315,对重金属铜含量的预测效果明显提升。

表5   多光谱变换指标偏最小二乘(M-PLS)模型结果

Table 5  The results of Multivariate Partial Least Squares Model

重金属建模集验证集
CuR2RMSER2RMSE
0.7511.1620.6861.247

新窗口打开| 下载CSV


图4为M-PLS模型验证集实测值与预测值的散点图。M-PLS模型检验R2为0.686,RMSE为1.247,散点图中偏离1∶1线的样点个数相比图3有所减少,各样点较为均匀的分布在1∶1线附近,预测值与土壤重金属铜含量的实测值基本接近,模型精度相比单变换模型有明显提高。

图4

图4   M-PLS模型验证集实测值与预测值的散点图

Fig.4   Scatter plot of measured and predicted values of M-PLS model verification set


4 讨 论

以上研究结果表明,土壤光谱反射率与重金属铜含量具有相关关系,光谱敏感波段的选择主要依靠反射率与铜元素含量的相关性分析,其相关系数越高越有利于敏感波段的确定[19]。本文所得特征波段为418、427、435、446、490、673、1 909、1 920和2 221 nm,与江振蓝、徐明星、黄长平等的研究结果基本一致[20,21,22]

本文采用了10种光谱变换指标,发现倒数的一阶微分RTFD变换光谱与重金属铜的相关性最高,并且RTFD在单光谱变换偏最小二乘模型中的估算效果最好,这主要是由于RTFD变换能够消除部分背景噪声对光谱曲线的影响,突出光谱的微小峰值,更好的反演重金属铜在土壤中的含量特征。

在以往土壤重金属的高光谱估算模型中,常用单种光谱变换指标进行建模。这种方法较为简易、便于操作,但是所用数据指标单一,可能会存在误差影响模型的解释度。本研究中采用多种光谱变换指标建模,能够综合反映各种光谱变换形式的特点,在一定程度上可以增强变量信息,降低模型误差,提高模型精度和稳定性。

土壤反射光谱特征受土壤养分、成土母质、粒径和水分等多种条件的综合影响,并且由于气候、地质地貌等条件的影响,不同地区土壤具有其独特的区域性[23]。本文选取石家庄市水源保护区褐土为研究样本,建立的土壤重金属铜的估算模型是否对适用于其他地区,有待进一步的研究。

5 结 语

本文以石家庄市水源保护区褐土为研究对象,采用偏最小二乘法构建土壤重金属铜的高光谱估算模型,具体结论如下:

(1)石家庄市水源保护区土壤重金属铜含量的平均值为24.757 mg/kg,高于河北省背景值,并且87.3%的样点单因子指数大于1,受到了重金属铜的轻度污染。

(2)经倒数对数的一阶微分(RTFD)变换后,土壤光谱特征更加明显,与重金属铜的相关性更高。土壤特征波段为418、427、435、446、490、673、1 909、1 920和2 221 nm,基本处于土壤氧化铁、粘土矿物等特征吸收带上。

(3)RTFD单光谱变换偏最小二乘模型建模样本R2为0.649,模型误差RMSE为1.477,相比其他单变换模型精度较高。多光谱变换偏最小二乘模型R2为0.751,RMSE为1.162,建模效果相比单变换模型均有提升,验证样本R2为0.686,模型预测值与重金属铜含量实测值较为接近,模型整体拟合效果更好。

(4)土样经过研磨、风干处理后,基本消除了土壤质地、土壤湿度等对土壤光谱的影响。进一步需开展不同土壤背景条件下的光谱观测试验,以提高所建重金属估算模型的实用性。

参考文献

Guo Yunkai, Liu Ning, Liu Lei, et al.

Hyper-spectral Inversion of Soil Cu Content based on BP Network Model

[J]. Science of Surveying and Mapping, 2018,43(1): 135-139.

郭云开

刘宁, 刘磊,.

土壤Cu含量高光谱反演的BP神经网络模型

[J]. 测绘科学, 2018,43(1):135-139.

[本文引用: 1]

Liu Hua, Zhang Liquan.

A Predictive Model for The Hyperspectral Character of Saltmarsh Soil to Its Heavy Metal Content at Chongming Dongtan

[J]. Acta Ecologica Sinica, 2007, 27(8): 3427-3434.

刘华, 张利权

崇明东滩盐沼土壤重金属含量的高光谱估算模型

[J]. 生态学报, 2007, 27(8):3427-3434.

[本文引用: 1]

Wu Dengwei, Wu Yunzhao, Ma Hongrui.

Study on the Prediction of Soil Heavy Metal Elements Content based on Mid-Infrared Diffuse Reflectance Spectra

[J]. Spectroscopy and Spectral Analysis, 2010, 30(6): 1498-1502.

邬登巍, 吴昀昭, 马宏瑞

基于中红外漫反射光谱的土壤重金属元素含量预测研究

[J]. 光谱学与光谱分析, 2010, 30(6):1498-1502.

[本文引用: 1]

He Junliang, Jiang Jianjun, Sun Zhongwei, et al.

Studying on Retrieval of Soil Heavy Metal Content Using the Organic Matter Identification Index

[J]. Journal of Agricultural Mechanization Research, 2009, 31(9): 22-25.

贺军亮

蒋建军, 孙中伟,.

土壤重金属含量光谱估算模型的初步研究

[J]. 农机化研究, 2009, 31(9):22-25.

[本文引用: 1]

Gong Shaoqi, Wang Xin, Shen Runping, et al.

Study on Heavy Metal Element Content in the Coastal Saline Soil by Hyperspectral Remote Sensing

[J]. Remote Sensing Technology and Application, 2010, 25(2): 169-177.

龚绍琦

王鑫, 沈润平,.

滨海盐土重金属含量高光谱遥感研究

[J]. 遥感技术与应用, 2010, 25(2):169-177.

[本文引用: 1]

Wang Wei, Shen Runping, Ji Caoxiang.

Study on Heavy Metal Cu based on Hyperspectral Remote Sensing

[J]. Remote Sensing Technology and Application, 2011, 26(3): 348-354.

王维, 沈润平, 吉曹翔

基于高光谱的土壤重金属铜的反演研究

[J]. 遥感技术与应用, 2011, 26(3):348-354.

[本文引用: 1]

Yuan Zhongqiang, Cao Chunxiang, Bao Daming, et al.

Inversion on Contents of Heavy Metals in Soils of Wetlands in Zoigê Plateau based on Remote Sensing Data

[J]. Wetland Science, 2016, 14(1): 113-116.

袁中强

曹春香, 鲍达明,.

若尔盖湿地土壤重金属元素含量的遥感反演

[J]. 湿地科学, 2016, 14(1):113-116.

[本文引用: 1]

Tu Yulong, Zou Bin, Jiang Xiaolu, et al.

Hyperspectral Remote Sensing based Modeling of Cu Content in Mining Soil

[J]. Spectroscopy and Spectral Analysis, 2018,38(2):575-581.

涂宇龙

邹滨, 姜晓璐,.

矿区土壤Cu含量高光谱反演建模

[J]. 光谱学与光谱分析, 2018,38(2):575-581.

[本文引用: 1]

Liu Zheng, Dang Hongyuan, Zhao Xuyang, et al.

Study on the Evolution of Soil Erosion based on Landscape Pattern—Taking the Surface Water Source Protection Area in Shijiazhuang City as an Example

[J]. Jiangsu Agricultural Science, 2013, 41(4): 299-303.

刘征

党宏媛, 赵旭阳,.

基于景观格局的土壤侵蚀演变研究—以石家庄市地表水源保护区为例

[J]. 江苏农业科学, 2013, 41(4):299-303.

[本文引用: 1]

Deng Nianwu, Xu Hui.

Model of Simple Partial Least Squares Regression and Its Application

[J]. Engineering Joumal of Wuhan University, 2001, 34(2): 14-16.

邓念武, 徐晖

单因变量的偏最小二乘回归模型及其应用

[J]. 武汉大学学报(工学版), 2001, 34(2):14-16.

[本文引用: 1]

Zhao Qing, Liu Zheng, Zhao Xuyang.

Study on Correlativity of Land Utilization Change and Water Quality in the Surface Headwaters Protection Area of Shijiazhuang

[J]. Research of Soil and Water Conservation, 2013, 20(2): 121-126.

赵晴, 刘征, 赵旭阳

石家庄地表水源保护区土地利用变化与水质相关性研究

[J]. 水土保持研究, 2013, 20(2):121-126.

[本文引用: 1]

Yao Na, Peng Kunguo, Liu Zugen, et al.

Distribution and Risk Assessment of Soil Heavy Metals in the North Suburb of Shijiazhuang City

[J]. Journal of Agro-environment Science, 2014,33(2):313-321.

姚娜

彭昆国, 刘足根,.

石家庄北郊土壤重金属分布特征及风险评价

[J]. 农业环境科学学报, 2014,33(2):313-321.

[本文引用: 1]

Fang Xiaobo, Shi Jian, Liao Xinfeng, et al.

Heavy Metal Pollution Characteristics and Ecological Risk Analysis for Soil in Phyllostachys Praecox Stands of Lin'an

[J]. Chinese Journal of Applied Ecology, 2015, 26(6): 1883-1891.

方晓波

史坚, 廖欣峰,.

临安市雷竹林土壤重金属污染特征及生态风险评价

[J]. 应用生态学报, 2015, 26(6):1883-1891.

[本文引用: 1]

Zhang Qiuxia, Zhang Hebing, Zhang Huijuan, et al.

Hybrid Inversion Model of Heavy Metals with Hyperspectral Reflectance in Cultivated Soils of Main Grain Producing Areas

[J]. Transactions of the Chinese Society of Agricultural Machinery, 2017, 48(3):148-155.

张秋霞

张合兵, 张会娟,.

粮食主产区耕地土壤重金属高光谱综合反演模型

[J]. 农业机械学报, 2017, 48(3):148-155.

[本文引用: 1]

Zhang Wei, Gao Xiaohong, Yang Yang, et al.

Estimating Heavy Metal Contents for Topsoil based on Spectral Analysis: A Case Study of Yushu and Maduo Counties in the Three-River Source Region

[J]. Soils, 2014, 46(6): 1052-1060.

张威

高小红, 杨扬,.

基于光谱分析的土壤重金属含量估算研究——以三江源区玉树县和玛多县为例

[J]. 土壤, 2014,46(6):1052-1060.

[本文引用: 1]

Cheng Xianfeng, Song Tingting, Chen Yu, et al.

Retrieval and Analysis of Heavy Metal Content in Soil based on Measured Spectra in the Lanping Zn-Pb Mining Area, Western Yunnan Province

[J]. Acta Petrologica et Mineralogica, 2017, 36(1): 60-69.

程先锋

宋婷婷, 陈玉,.

滇西兰坪铅锌矿区土壤重金属含量的高光谱反演分析

[J]. 岩石矿物学杂志, 2017, 36(1):60-69.

[本文引用: 1]

Song Tingting, Fu Xiuli, Chen Yu, et al.

Remote Sensing Inversion of Soil Zinc Pollution in Gejiu Mining Area of Yunnan, Yunnan Province

[J]. Remote Sensing Technology and Application, 2018,33(1):88-95.

宋婷婷

付秀丽, 陈玉,.

云南个旧矿区土壤锌污染遥感反演研究

[J]. 遥感技术与应用, 2018,33(1):88-95.

[本文引用: 1]

Liu H J, Zhang Y Z, Zhang B.

Novel Hyperspectral Reflectance Model for Estimating Black-soil Organic Matter in Northeast China

[J]. Environmental Monitoring & Assessment, 2009, 154(1-4):147-154.

[本文引用: 1]

Hou Yanjun, Tiyip Tashpolat, Sawut Mamat, et al.

Estimation Model of Desert Soil Organic Matter Content Using Hyperspectral Data

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(16): 113-120.

侯艳军

塔西甫拉提·特依拜, 买买提·沙吾提,.

荒漠土壤有机质含量高光谱估算模型

[J]. 农业工程学报, 2014, 30(16):113-120.

[本文引用: 1]

Jiang Zhenlan, Yang Yusheng, Sha Jinming.

Application of GWR Model in Hyperspectral Prediction of Soil Heavy Metals

[J]. Acta Geographica Sinica, 2017, 72(3): 533-544.

[本文引用: 1]

江振蓝, 杨玉盛, 沙晋明.

GWR模型在土壤重金属高光谱预测中的应用

[J]. 地理学报, 2017, 72(3):533-544.

[本文引用: 1]

Xu Mingxing, Wu Shaohua, Zhou Shenglu, et al.

Hyperspectral Reflectance Models for Retrieving Heavy Metal Content: Application in the Archaeological Soil

[J]. Journal of Infrared Millimeter Waves, 2011, 30(2): 109-114.

徐明星

吴绍华, 周生路,.

重金属含量的高光谱建模反演:考古土壤中的应用

[J]. 红外与毫米波学报, 2011, 30(2):109-114.

[本文引用: 1]

Huang Changping, Liu Bo, Zhang Xia, et al.

Study on Band Selection and Optimal Spectral Resolution for Prediction of Cu Contamination in Soils

[J]. Remote Sensing Technology and Application, 2010, 25(3):353-357.

黄长平

刘波, 张霞,.

土壤重金属Cu含量遥感反演的波段选择与最佳光谱分辨率研究

[J]. 遥感技术与应用, 2010, 25(3):353-357.

[本文引用: 1]

Yu Lei, Hong Yongsheng, Geng Lei, et al.

Hyperspectral Estimation of Soil Organic Matter Content based on Partial Least Squares Regression

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2015, 31(14): 103-109.

于雷

洪永胜, 耿雷,.

基于偏最小二乘回归的土壤有机质含量高光谱估算

[J]. 农业工程学报, 2015, 31(14):103-109.

[本文引用: 1]

/