基于偏最小二乘的土壤重金属铜含量高光谱估算
1.
2.
3.
4.
Hyperspectral Estimation of Heavy Metal Cu Content in Soil based on Partial Least Square Method
1.
2.
3.
4.
收稿日期: 2018-07-24 修回日期: 2018-10-21
基金资助: |
|
Received: 2018-07-24 Revised: 2018-10-21
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:
关键词:
Keywords:
本文引用格式
贺军亮, 崔军丽, 张淑媛, 李仁杰, 查勇.
He Junliang, Cui Junli, Zhang Shuyuan, Li Renjie, Zha Yong.
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
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
其中
表1 土壤重金属铜含量的统计特征值 (mg/kg)
Table 1
元素 | 最大值 | 最小值 | 平均值 | 标准差 | 河北省背景值 |
---|---|---|---|---|---|
Cu | 30.121 | 20.689 | 24.757 | 2.409 | 21.8 |
表2 土壤重金属铜的污染指数统计分析
Table 2
项目 | 最大值 | 最小值 | 平均值 | 0.7<P ≤1 | P >1 | ||
---|---|---|---|---|---|---|---|
Cu | 1.382 | 0.949 | 1.136 | 样点个数 | 占比 | 样点个数 | 占比 |
8 | 12.7% | 55 | 87.3% |
3.2 研究区土壤光谱特征分析
图2
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
光谱变换指标 | 最大相关波段/nm | 相关系数 |
---|---|---|
R | 418 | -0.608** |
FD | 446 | -0.563** |
SD | 2 221 | -0.419** |
RT | 427 | 0.551** |
AT | 427 | 0.589** |
RTFD | 490 | -0.648** |
RTSD | 1 909 | -0.506** |
ATFD | 673 | -0.559** |
ATSD | 1 920 | -0.471** |
CR | 435 | -0.457** |
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
光谱变换指标 | 建模集 | 验证集 | ||
---|---|---|---|---|
R2 | RMSE | R2 | RMSE | |
R | 0.485 | 1.790 | 0.442 | 1.908 |
FD | 0.311 | 2.070 | 0.261 | 2.196 |
RT | 0.436 | 1.872 | 0.394 | 1.989 |
AT | 0.476 | 1.805 | 0.437 | 1.917 |
RTFD | 0.649 | 1.477 | 0.569 | 1.677 |
ATFD | 0.299 | 2.089 | 0.265 | 2.190 |
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
重金属 | 建模集 | 验证集 | ||||
---|---|---|---|---|---|---|
Cu | R2 | RMSE | R2 | RMSE | ||
0.751 | 1.162 | 0.686 | 1.247 |
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
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
Hyper-spectral Inversion of Soil Cu Content based on BP Network Model
[J]. ,
土壤Cu含量高光谱反演的BP神经网络模型
[J]. ,
A Predictive Model for The Hyperspectral Character of Saltmarsh Soil to Its Heavy Metal Content at Chongming Dongtan
[J]. ,
崇明东滩盐沼土壤重金属含量的高光谱估算模型
[J]. ,
Study on the Prediction of Soil Heavy Metal Elements Content based on Mid-Infrared Diffuse Reflectance Spectra
[J]. ,
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]. ,
Studying on Retrieval of Soil Heavy Metal Content Using the Organic Matter Identification Index
[J]. ,
土壤重金属含量光谱估算模型的初步研究
[J]. ,
Study on Heavy Metal Element Content in the Coastal Saline Soil by Hyperspectral Remote Sensing
[J]. ,
滨海盐土重金属含量高光谱遥感研究
[J]. ,
Study on Heavy Metal Cu based on Hyperspectral Remote Sensing
[J]. ,
基于高光谱的土壤重金属铜的反演研究
[J]. ,
Inversion on Contents of Heavy Metals in Soils of Wetlands in Zoigê Plateau based on Remote Sensing Data
[J]. ,
若尔盖湿地土壤重金属元素含量的遥感反演
[J]. ,
Hyperspectral Remote Sensing based Modeling of Cu Content in Mining Soil
[J]. ,
矿区土壤Cu含量高光谱反演建模
[J]. ,
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]. ,
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]. ,
Model of Simple Partial Least Squares Regression and Its Application
[J]. ,
单因变量的偏最小二乘回归模型及其应用
[J]. ,
Study on Correlativity of Land Utilization Change and Water Quality in the Surface Headwaters Protection Area of Shijiazhuang
[J]. ,
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]. ,
Distribution and Risk Assessment of Soil Heavy Metals in the North Suburb of Shijiazhuang City
[J]. ,
石家庄北郊土壤重金属分布特征及风险评价
[J]. ,
Heavy Metal Pollution Characteristics and Ecological Risk Analysis for Soil in Phyllostachys Praecox Stands of Lin'an
[J]. ,
临安市雷竹林土壤重金属污染特征及生态风险评价
[J]. ,
Hybrid Inversion Model of Heavy Metals with Hyperspectral Reflectance in Cultivated Soils of Main Grain Producing Areas
[J]. ,
粮食主产区耕地土壤重金属高光谱综合反演模型
[J]. ,
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]. ,
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]. ,
Retrieval and Analysis of Heavy Metal Content in Soil based on Measured Spectra in the Lanping Zn-Pb Mining Area, Western Yunnan Province
[J]. ,
滇西兰坪铅锌矿区土壤重金属含量的高光谱反演分析
[J]. ,
Remote Sensing Inversion of Soil Zinc Pollution in Gejiu Mining Area of Yunnan, Yunnan Province
[J]. ,
云南个旧矿区土壤锌污染遥感反演研究
[J]. ,
Novel Hyperspectral Reflectance Model for Estimating Black-soil Organic Matter in Northeast China
[J]. ,
Estimation Model of Desert Soil Organic Matter Content Using Hyperspectral Data
[J]. ,
荒漠土壤有机质含量高光谱估算模型
[J]. ,
Application of GWR Model in Hyperspectral Prediction of Soil Heavy Metals
[J]. ,
GWR模型在土壤重金属高光谱预测中的应用
[J]. ,
Hyperspectral Reflectance Models for Retrieving Heavy Metal Content: Application in the Archaeological Soil
[J]. ,
重金属含量的高光谱建模反演:考古土壤中的应用
[J]. ,
Study on Band Selection and Optimal Spectral Resolution for Prediction of Cu Contamination in Soils
[J]. ,
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]. ,
/
〈 | 〉 |