留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

结合野外光谱与实验室光谱的土壤Pb含量反演方法研究

张霞 丁松滔 岑奕 孙伟超 王晋年

张霞, 丁松滔, 岑奕, 孙伟超, 王晋年. 结合野外光谱与实验室光谱的土壤Pb含量反演方法研究[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20200386
引用本文: 张霞, 丁松滔, 岑奕, 孙伟超, 王晋年. 结合野外光谱与实验室光谱的土壤Pb含量反演方法研究[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20200386
ZHANG Xia, DING Songtao, CEN Yi, SUN Weichao, WANG Jinnian. Soil heavy metal Pb content inversion method by combining field with laboratory spectra[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20200386
Citation: ZHANG Xia, DING Songtao, CEN Yi, SUN Weichao, WANG Jinnian. Soil heavy metal Pb content inversion method by combining field with laboratory spectra[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20200386

结合野外光谱与实验室光谱的土壤Pb含量反演方法研究

doi: 10.13203/j.whugis20200386
基金项目: 

国家重点研发计划(2017YFB0503800);高分辨率对地观测系统专项(30-H30C01-9004-19/21)。

详细信息
    作者简介:

    张霞,研究员,主要从事高光谱定量遥感研究。zhangxia@radi.ac.cn

Soil heavy metal Pb content inversion method by combining field with laboratory spectra

Funds: 

National Key R&D Program of China (2017YFB0503800)

  • 摘要: 重金属污染日益加剧,重金属在土壤中的聚集不仅破坏了生态平衡,也对人类的健康生活造成了影响,因此快捷、准确地获取土壤中的重金属含量成为土壤污染监制与治理的重要环节。高光谱遥感技术的发展,使得快速低成本反演土壤重金属含量成为可能。针对野外光谱受环境因素(土壤粒径、含水量等)的影响,且现有研究中普遍存在样本量不足的问题,本文提出结合野外光谱与实验室光谱构建机理模型的方法,首先,采用直接矫正(direct standardization,DS)算法对野外光谱进行环境因素校正,其次,通过引入实验室光谱联合建模的方式,提高样本的差异性,进一步地,提取铁氧化物特征谱段用于建模以增加反演的机理性。利用河北雄安一般农作区的70个土壤样本野外光谱数据研究表明,未经DS校正的野外光谱全谱段单独建模反演精度R2仅为0.22,而本文方法的反演精度R2可达0.91,模型具有出色的估算能力,表明在去除环境因素对野外光谱影响基础上综合利用野外光谱与实验室光谱的铁氧化物特征谱段建模能够显著提高Pb含量反演精度。
  • [1] Wong, S., Li, X., Zhang, G., Qi, S., Min, Y. Heavy metals in agricultural soils of the Pearl River Delta, South China[J]. Environmental Pollution,2002,119(1), 33-44.
    [2] Gmochowska, W., Pietranik, A., Tyszka, R., Ettler, V., MihaljevičGmochowska, W., Pietranik, A., Tyszka, R., Ettler, V., Mihaljeviibution of Pb, Cd and Hg in Wrocłoction of Pb, Cd and Hg in W., Tyszka, R., Ettler, V.[J], Mihalje Geochemistry, 2019, 79(3), 434-445.
    [3] Khosravia, V., DoulatiArdejani, F., Yousefic, S., Aryafarc, A., 2018. Monitoring soil lead and zinc contents via combination of spectroscopy with extreme learning machine and other data mining methods[J]. Geoderma, 318, 29-41.
    [4] Guerrero, C., Zornoza, R., Gomez, I. &Mataix-Beneyto, J. 2010. Spiking of NIR regional models using samples from target sites:effect of model size on prediction accuracy[J]. Geoderma, 158, 66-77.
    [5] Ge, Y., Morgan, C.L.&Ackerson, J.P. 2014. VisNIR spectra of dried ground soils predict properties of soils scanned moist and intact[J]. Geoderma, 221,61, 22
    [6] Zou, B.,JiangX.,Feng H.,Tu,Y.,Tao C. Multisource spectral-integrated estimation of cadmium concentrations in soil using a direct standardization and Spiking algorithm.[J]. The Science of the Total Environment, 2020,701.[Doi: 10.1016/j.scitotenv.2019.134890]
    [7] Rathod, P.H., Rossiter, D.G., Noomen, M.F., van der Meer, F.D., 2013. Proximal spectral sensing to monitor phytoremediation of metal-contaminated soils[J]. International Journal of Phytoremediation 15(5), 405-426.
    [8] Wu, Y., Chen, J., Ji, J., Gong, P., Liao, Q., Tian, Q., Ma, H., 2007. A mechanism study of reflectance spectroscopy for investigating heavy metals in soils[J]. Soil Science Society of America Journal 71(3), 918.
    [9] Malley, D., Williams, P., 1997. Use of near-infrared reflectance spectroscopy in prediction of heavy metals in freshwater sediment by their association with organic matter[J]. Environmental Science & Technology 31(12), 3461-3467.
    [10] Sun, W., Xia, Z., Sun, X., Sun, Y., & Yi, C. Predicting nickel concentration in soil using reflectance spectroscopy associated with organic matter and clay minerals[J]. Geoderma, 2018, 327, 25-35.[DOI: 10.1016/j.geoderma.2018.04.019]
    [11] Zhang,X., Sun, W., Cen, Y., Zhang, L., Wang, N. Predicting cadmium concentration in soils using laboratory and field reflectance spectroscopy[J], Science of Total Environment, 2019, 650:321-334.
    [12] Kooistra, L., Salas, E. A. L., Clevers, J., Wehrens, R., Leuven, R., Nienhuis, P. H., &Buydens, L. M. C. Exploring field vegetation reflectance as an indicator of soil contamination in river floodplains[J]. Environmental Pollution, 2004, 127(2), 281-290.[Doi: 10.1016/s0269-7491(03)00266-5]
    [13] Galvve, L.S., Vitorello,ÍG Variability of Laboratory Measured Soil Lines of Soils from Southeastern Brazil[J]. Remote Sensing of Environment,1998,63(2), 166-181.
    [14] Ji, W., et al. Accounting for the effects of water and the environment on proximally sensed vis-NIR soil spectra and their calibrations[J]. European Journal of Soil Science 66. 3(2015):555-565.
    [15] Leardi, R., Amparo,L.G. Genetic algorithms applied to feature selection in PLS regression:how and when to use them[J]. Chemometrics & Intelligent Laboratory Systems, 1998, 41(2):195-207.
    [16] Vohland, M., Besold, J., Hill, J., FrJnd, H.-C., 2011. Comparing different multivariate calibration methods for the determination of soil organic carbon pools with visible to near infrared spectroscopy[J]. Geoderma 166(1), 198-205.
    [17] Wang, J., Cui, L., Gao, W., Shi, T., Chen, Y., Gao, Y., 2014. Prediction of low heavy metal concentrations in agricultural soils using visible and near-infrared reflectance spectroscopy[J]. Geoderma 216, 1-9.
    [18] Wang,J., Cui,L., Gao,W., Shi,T., Chen,Y., Gao,Y. Prediction of low heavy metal concentrations in agricultural soils using visible and near-infrared reflectance spectroscopy[J]. Geoderma,2014,216.
    [19] Vohland, M., Besold, J., Hill, J., & Fr,nd, H. C. Comparing different multivariate calibration methods for the determination of soil organic carbon pools with visible to near infrared spectroscopy[J]. Geoderma, 2011, 166(1), 0-205.[DOI: 10.1016/j.geoderma.2011.08.001]
    [20] Saeys, W., Mouazen, A.M., Ramon, H. Potential for onsite and online analysis of pig manure using visible and near infrared reflectance spectroscopy[J]. Biosystems Engineering, 2005, 91(4), 393-402.[DOI: 10.1016/j.biosystemseng.2005.05.001]
  • [1] 陈志坤, 江俊君, 姜鑫维, 白露, 蔡之华.  一种基于改进双边滤波的鲁棒高光谱遥感图像特征提取方法 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20180267
    [2] 祁琼, 张弛, 袁全, 李慧芳, 沈焕锋, 程青.  顾及空间与光谱差异的单幅遥感影像自适应云雾去除方法 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20170411
    [3] 李阳腾龙, 岑敏仪.  高铁无砟轨道钢轨精调优化算法 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20160111
    [4] 张良培, 刘蓉, 杜博.  使用量子优化算法进行高光谱遥感影像处理综述 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20180231
    [5] 于颖, 宋张亮, 范文义, 杨曦光.  植被冠层光谱和叶片光谱的尺度转换 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20160552
    [6] 安如, 陆彩红, 王慧麟, 姜丹萍, 孙梦秋, JonathanArthur Quaye Ballard.  三江源典型区草地退化Hyperion高光谱遥感识别研究 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20150168
    [7] 林娜, 杨武年, 王斌.  利用核方法进行高光谱遥感图像线性解混 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20140787
    [8] 王毅, 李季.  基于SVM的高光谱遥感图像亚像元定位 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20150443
    [9] 高孝杰, 简季, 戴晓爱, 陈婉佳.  基于Fréchet距离的光谱曲线匹配应用分析 . 武汉大学学报 ● 信息科学版, doi: 10.13203/j.whugis20140147
    [10] 彭小婷, 高文秀, 王俊杰.  基于包络线去除和偏最小二乘的土壤参数光谱反演 . 武汉大学学报 ● 信息科学版,
    [11] 林娜, 杨武年, 王斌.  高光谱遥感影像核最小噪声分离变换特征提取 . 武汉大学学报 ● 信息科学版,
    [12] 谭琨, 杜培军, 王小美.  利用分离性测度多类支持向量机进行高光谱遥感影像分类 . 武汉大学学报 ● 信息科学版,
    [13] 杜培军, 王小美, 谭琨, 夏俊士.  利用流形学习进行高光谱遥感影像的降维与特征提取 . 武汉大学学报 ● 信息科学版,
    [14] 宋沙磊, 李平湘, 龚威, 汪金平.  基于水稻高光谱遥感数据的PLS波长选择研究 . 武汉大学学报 ● 信息科学版,
    [15] 舒宁, 苏俊英.  高光谱影像纹理特征编码分形特征研究 . 武汉大学学报 ● 信息科学版,
    [16] 张睿, 马建文.  一种SVM-RFE高光谱数据特征选择算法 . 武汉大学学报 ● 信息科学版,
    [17] 杜培军, 唐宏, 方涛.  高光谱遥感光谱相似性度量算法与若干新方法研究 . 武汉大学学报 ● 信息科学版,
    [18] 张立福, 张良培, 村松加奈子, 藤原昇.  利用MODIS数据计算陆地植被指数VIUPD . 武汉大学学报 ● 信息科学版,
    [19] 张立福, 张良培, 村松加奈子, 藤原昇.  基于高光谱卫星遥感数据的UPDM分析方法 . 武汉大学学报 ● 信息科学版,
    [20] 张良培, 李德仁.  鄱阳湖地区高光谱遥感数据的定标研究 . 武汉大学学报 ● 信息科学版,
  • 加载中
计量
  • 文章访问数:  30
  • HTML全文浏览量:  4
  • PDF下载量:  2
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-11-15

结合野外光谱与实验室光谱的土壤Pb含量反演方法研究

doi: 10.13203/j.whugis20200386
    基金项目:

    国家重点研发计划(2017YFB0503800);高分辨率对地观测系统专项(30-H30C01-9004-19/21)。

    作者简介:

    张霞,研究员,主要从事高光谱定量遥感研究。zhangxia@radi.ac.cn

摘要: 重金属污染日益加剧,重金属在土壤中的聚集不仅破坏了生态平衡,也对人类的健康生活造成了影响,因此快捷、准确地获取土壤中的重金属含量成为土壤污染监制与治理的重要环节。高光谱遥感技术的发展,使得快速低成本反演土壤重金属含量成为可能。针对野外光谱受环境因素(土壤粒径、含水量等)的影响,且现有研究中普遍存在样本量不足的问题,本文提出结合野外光谱与实验室光谱构建机理模型的方法,首先,采用直接矫正(direct standardization,DS)算法对野外光谱进行环境因素校正,其次,通过引入实验室光谱联合建模的方式,提高样本的差异性,进一步地,提取铁氧化物特征谱段用于建模以增加反演的机理性。利用河北雄安一般农作区的70个土壤样本野外光谱数据研究表明,未经DS校正的野外光谱全谱段单独建模反演精度R2仅为0.22,而本文方法的反演精度R2可达0.91,模型具有出色的估算能力,表明在去除环境因素对野外光谱影响基础上综合利用野外光谱与实验室光谱的铁氧化物特征谱段建模能够显著提高Pb含量反演精度。

English Abstract

张霞, 丁松滔, 岑奕, 孙伟超, 王晋年. 结合野外光谱与实验室光谱的土壤Pb含量反演方法研究[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20200386
引用本文: 张霞, 丁松滔, 岑奕, 孙伟超, 王晋年. 结合野外光谱与实验室光谱的土壤Pb含量反演方法研究[J]. 武汉大学学报 ● 信息科学版. doi: 10.13203/j.whugis20200386
ZHANG Xia, DING Songtao, CEN Yi, SUN Weichao, WANG Jinnian. Soil heavy metal Pb content inversion method by combining field with laboratory spectra[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20200386
Citation: ZHANG Xia, DING Songtao, CEN Yi, SUN Weichao, WANG Jinnian. Soil heavy metal Pb content inversion method by combining field with laboratory spectra[J]. Geomatics and Information Science of Wuhan University. doi: 10.13203/j.whugis20200386
参考文献 (20)

目录

    /

    返回文章
    返回