EN中文

Remote Sensing for Natural Resources >

2025 , Vol. 37 >Issue 1: 188 - 194

DOI: https://doi.org/10.6046/zrzyyg.2023229

Hyperspectral inversion of arsenic content in soil in an oasis city

  • ZHONG Qing , 1 ,
  • MAMATTURSUN Eziz , 1, 2 ,
  • MIREGULI Ainiwaer 1 ,
  • HAO Haiyu 3
Expand
  • 1. College of Geographical Science and Tourism, Xinjiang Normal University, Urumqi 830054, China
  • 2. Xinjiang Laboratory of Lake Environment and Resources, Xinjiang Normal University, Urumqi 830054, China
  • 3. College of Physics and Electronic Engineering, Xinjiang Normal University, Urumqi 830054, China

Received date: 2023-07-24

  Revised date: 2023-11-26

  Online published: 2026-06-03

Fold

Abstract

Arsenic (As) is a metalloid element with high carcinogenicity, rendering it particularly important to detect As content in soils in a swift and accurate manner. The study focused on the topsoil in Urumqi City, where 84 soil samples were collected and tested for their As content and original spectral reflectance. This study examined the relationships of As content in the soils with the spectral reflectance under the original spectra and 12 spectral transformations using the Pearson correlation analysis, followed by screening characteristic bands. Hyperspectral models for the inversion of As content in soils were developed using partial least squares regression (PLSR), random forest regression (RFR), and support vector machine regression (SVMR). Finally, the prediction performance of the hyperspectral models was elevated based on the coefficients of determination (R2), root-mean-square errors (RMSEs), and mean absolute errors (MAEs). The results indicated that applying differential transformations to the original spectral data can effectively enhance the spectral features and improve the correlation between spectral reflectance and As content in soils. The prediction performance of the hyperspectral models decreased in the order of RFR, SVMR, and PLSR. The RFR model based on root-mean-square second order differentiation (RMSSD-RFR) exhibited the best fitting effects and the highest prediction stability, with R2 of 0.821, a RMSE of 0.143 mg/kg, and a MAE of 0.523 mg/kg. This study provides a scientific basis for developing hyperspectral models for the inversion of As content in soils in an oasis city.

Key words： urban soil; As; hyperspectral inversion; spectral transformation; inversion model

Cite this article

ZHONG Qing , MAMATTURSUN Eziz , MIREGULI Ainiwaer , HAO Haiyu . Hyperspectral inversion of arsenic content in soil in an oasis city[J]. Remote Sensing for Natural Resources, 2025 , 37(1) : 188 -194 . DOI: 10.6046/zrzyyg.2023229

0 引言

城市土壤是生态环境的重要组成部分,城市土壤环境健康关系到生态系统安全以及居民身体健康[1]。砷(As)元素是一种类金属元素,在土壤环境中难降解、可迁移转化,多以有毒化合物形式存在,生物毒性强,具有强致癌性[2⇓-4]。因此,快速、准确地监测土壤中As元素含量尤为重要。传统的土壤As含量监测方法效率低,耗时耗力且监测范围有限,所用试剂也会对土壤造成二次污染[5-6]。高光谱技术具有光谱分辨率高、成本低、效率高、用时短等特点,可以快速无损地对土壤中多种元素进行分类和定量分析,进行大范围的原位监测,避免复杂的采样步骤,对环境监测和进一步的决策支持具有重要意义[7-8]。
部分学者利用高光谱遥感技术,构建了特定区域土壤中As元素含量高光谱估算模型,并取得了一定的成果。杨君怡等[9]利用偏最小二乘回归(partial least squares regression,PLSR)方法建立了肇庆市土壤As含量高光谱反演模型,发现土壤As含量的最佳估测模型是基于反射率倒数对数的一阶微分的PLSR模型; 郑光辉等[10]发现土壤中有机质会掩盖部分特征信息,有机质含量较低时,苏南某市的土壤As含量与光谱数据所构建的高光谱估算效果更好; 李志远等[11]利用多元线性逐步回归、单光谱变换指标PLSR和多光谱变换指标偏最小二乘回归(M-PLSR)方法构建石家庄市土壤As含量估算模型,发现采取M-PLSR方法土壤As含量模型估算值与实测值最为接近; 王泽强等[12]将随机森林(random forest,RF)模型与“时间-空间-光谱”3个组合特征进行结合,对山东省济南市长清区土壤As含量进行了空间预测,并得到了最佳的空间预测精度,其决定系数R2为0.90,均方根误差(root mean square error,RMSE)为0.77 mg/kg,四分位数间距(ratio of performance to inter-quartile range,RPIQ)为5.68; 史广等[13]基于多源环境数据和RF、反距离权重插值(inverse distance weighted,IDW)、逐步线性回归模型,对中国西南部农田土壤中As的空间分布进行模拟,发现RF模型的模拟结果比较符合研究区的实际污染状况; 袁自然等[14]提出一种特征提高型竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)选取特征波段的粒子群算法(particle swarm optimization,PSO)优化支持向量机(support vector machine,SVM)的农田土壤As含量高光谱估测分析方法,有效提高了洪湖市农田土壤As含量高光谱估算精度。此外,易兴松等[15]利用PLSR模型对贵州省贵定县土壤As含量进行高光谱估算,发现基于一阶微分的400~2 400 nm的便携式地物光谱仪ASD获取的光谱数据结合PLSR模型的预测精度最高,其R2值为0.69,RMSE为0.149 mg/kg,相对分析误差(relative percent deviation,RPD)为1.36。
以上研究表明,土壤As含量高光谱估算模型的预测精度会受到区域位置、土壤类型以及污染水平等因素的影响,且As在土壤中难降解、可迁移转化,过度累积易造成土壤污染及潜在健康、生态风险问题。麦麦提吐尔逊·艾则孜等[16]经过研究发现干旱区绿洲土壤对部分重金属的吸附能力很大,因此,有必要研究绿洲城市土壤As含量高光谱估算方法,以期对土壤As含量进行快速精确的实时动态监测。基于此,以新疆乌鲁木齐市土壤As含量作为研究对象,对土壤原始光谱数据进行微分变换和Pearson相关性分析智能选取特征波段,构建随机森林回归(random forest regression,RFR),PLSR和支持向量机回归(support vector machine regression,SVMR)3种模型,进行土壤As含量的高光谱反演预测,并对比以上3种模型的高光谱反演预测结果,确定适合研究区实际情况的土壤As含量的最佳预测模型,以期为快速、精确地实现土壤As含量预测提供理论参考与更具适用性的技术手段。

1 研究区概况及数据源

1.1 研究区概况

乌鲁木齐市人口众多,工业发达,地处亚欧大陆腹地、天山山脉中段北麓、准噶尔盆地南缘,是新疆首府和西北地区第二大城市,也是丝绸之路经济带上的核心城市之一,在“一带一路”倡议中占据重要地位。气候属温带大陆性干旱气候,多年平均气温为6.7 °C,多年平均降水量为280 mm,多年平均蒸发量为2 730 mm,土壤类型主要为灰漠土。

1.2 土样采集与测定

2021年4月在新疆乌鲁木齐市采集了84个表层(0~20 cm)土壤样品(如图1所示)。在每个样点,100 m×100 m内布设9个子样点,用非金属采样工具采集约1 kg土样,密封保存。所有土样室内自然风干,剔除杂物后研磨,过20目尼龙筛后分成2份,一份用于As含量测定,一份用于光谱测量。土样经过四酸法消解后,利用原子荧光光度计(AFS-933)测定了As元素的含量,检测依据为GB/T 22105.2—2008。As元素含量测定过程中,利用国家土壤标准参比物质(GSS-12,北疆土壤)、平行样和重复样进行质量控制,测试回收率为93.66%,在允许范围内。
图1 研究区位置及采样点分布

Fig.1 Location of the study area and sampling sites

1.3 光谱数据测定与处理

利用便携式地物光谱仪(ASD FieldSpec 3),在室外空旷且干扰因素少的区域测定土样光谱数据,光谱波长范围为350~2 500 nm。测定光谱数据时,在2 m×2 m的黑色卡纸上放40 cm×40 cm的白板进行定标,以获取绝对反射率。测定时光谱仪传感器探头垂直于土壤表面。每个土壤样品的光谱数据测定15次,传感器探头每隔10 min对准白板进行优化。利用ViewSpecPro软件对测定的15条光谱曲线进行均值化处理,将其算术平均值作为土样原始光谱反射率。对均值处理后的所有光谱曲线统一去除350~399 nm,1 350~1 430 nm,1 781~1 970 nm和2 401~2 500 nm噪声较大的异常波段,共输出1 730个波段用于后续建模研究。采用Savitzky-Golay法对土样原始光谱进行平滑处理,去除“毛刺”噪声。不同土样的光谱曲线如图2所示,不同样本的光谱曲线形态较为相似,平滑后的光谱曲线在1 780 nm和1 970 nm波长附近变化明显,数值略有提高。
图2 原始和Savitzky-Golay平滑处理后的光谱反射率曲线

Fig.2 Original and Savitzky-Golay smoothing spectral reflectance curves

2 研究方法

2.1 光谱变换与特征波段选取

光谱测定中存在随机误差,且As在土壤中含量低,光谱响应信号微弱[17],采用原始数据光谱直接反映特征波段比较困难,需根据As的光谱吸收特征筛选特征波段。因此,对平滑处理后的原始光谱数据分别进行一阶微分(FD)、二阶微分(SD)、倒数一阶微分(RTFD)、倒数二阶微分(RTSD)、对数一阶微分(LTFD)、对数二阶微分(LTSD)、均方根一阶微分(RMSFD)、均方根二阶微分(RMSSD)、倒数的对数一阶微分(ATFD)、倒数的对数二阶微分(ATSD)、对数的倒数一阶微分(RLFD)、对数的倒数二阶微分(RLSD)等光谱变换。对土壤样品As的实测值与原始光谱数据和12种光谱变换后的数据进行Pearson相关性检验,筛选出相关系数较强的光谱特征波段。平滑处理、光谱变换及相关性分析均在MATLAB(R2019b)软件中完成。

2.2 模型建立与检验

采用RFR,PLSR和SVMR这3种回归方法进行反演建模。RFR模型的核心算法是利用多棵决策树对样本进行训练并预测的机器学习算法,集合众多决策树,采用Bootsrap重抽样方法随机抽样构建不同的分类模型并组成多分类模型系统,泛化能力高[18]。PLSR模型是1993年提出的双线性模型,综合了主成分分析、典型相关分析和线性回归分析的特点,可以解决多重线性回归中的多重共线性问题,常用作高光谱数据建模的通用方法[19-20]。SVMR模型是非线性预测模型,主要基于内核的机器学习方法,使用特定的传递核函数将光谱数据矩阵映射到高维特征空间,并建立一个超平面作为决策曲面,以间隔最大化分割原则对不同样本进行分割,进而对土壤重金属含量进行反演预测[15]。模型的构建在Python软件中完成。
把Pearson相关性分析筛选的特征波段作为自变量,土壤As含量作为因变量,利用RFR,PLSR和SVMR模型对土壤As含量进行回归分析,并采用R2,RMSE和平均绝对误差(mean absolute error,MAE)作为评价指标。RMSE和MAE的值越小,模型预测能力越好,模型鲁棒性越高; R2为负值,说明模型的预测能力不好,R2为正值,且越趋近于1,说明预测模型的拟合程度越好,拥有更好的稳定性。

3 结果与分析

3.1 土壤As含量统计分析

对84个土壤样品的As含量进行统计分析,结果如表1所示。
表1 各数据集As含量描述性统计

Tab.1 Descriptive statistics of As content in each dataset

组别 样品数 范围/(mg·kg-1) 平均值/(mg·kg-1) 标准差/(mg·kg-1) 变异系数 土壤背景值/(mg·kg-1)
全部 84 6.00~13.80 10.28 1.32 0.13 11.20
校准集 64 6.84~13.80 10.30 1.25 0.12
验证集 20 6.00~11.80 10.07 1.47 0.15
参考乌鲁木齐市土壤背景值[21],采集的土样As含量平均值为10.28 mg/kg,低于土壤背景值,As含量最大值为13.80 mg/kg,等于相应背景值的1.23倍,表明部分样点土壤As含量富集较明显。为保证校准集与验证集As含量范围一致,将64个土样作为校准集,用于建模; 20个土样作为验证集,用于检验模型。表1可见,校准集和验证集的As含量平均值、标准差和变异系数基本一致,表明划分比较合理,可以用于后续建模。

3.2 相关性检验与特征波段筛选

将土壤As含量实测值与土壤原始光谱数据和12种光谱变换数据的波段进行Pearson相关性检验,得到土壤As含量与光谱数据的相关系数(图3)。其中,达极显著水平(P<0.01)的相关系数临界值为±0.278,对应的自由度为83。红色曲线代表原始光谱数据与土壤As含量之间相关性,蓝色曲线为12种光谱变换数据与土壤As含量之间相关性。土壤原始光谱数据与As含量的相关性差,没有对应的特征波段。由图3可以看出,变换后的土壤光谱数据与As含量的相关性均有不同程度的提高,显著相关的波段数量也明显增多。根据土壤光谱数据与As含量的相关系数的大小,筛选出各种光谱数据变换形式下绝对值大于0.278的波段作为特征波段,用于建立土壤As含量高光谱反演预测模型。
图3 土壤As含量与光谱反射率及其变换的相关系数

Fig.3 Correlation coefficient between soil As content and spectral radiance and spectral transformation

3.3 不同反演模型对As含量反演的影响

基于Python软件,将64个样本作为校准集进行建模,并将模型的随机种子数设为91。由于RFR模型具有随机性,决策树的数量会干扰模型的预测性能,在考虑模型性能、模型运行时间和样本数量等因素后,将RF的决策树的数量设为7。用原始光谱数据和12种微分变换筛选出的特征波段作为模型的自变量X,As含量作为因变量Y,利用RFR,PLSR和SVMR这3种回归模型进行建模比对,验证特征波段对不同模型预测能力的影响,优选出研究区土壤As含量的最佳预测模型(表2)。
表2 反演模型精度参数统计

Tab.2 Statistics of precision parameter of inversion model

光谱变换 RFR PLSR SVMR
R2 RMSE/
(mg·kg-1)		 MAE/
(mg·kg-1)		 R2 RMSE/
(mg·kg-1)		 MAE/
(mg·kg-1)		 R2 RMSE/
(mg·kg-1)		 MAE/
(mg·kg-1)
R① 0.604 0.280 0.802 0.555 0.240 0.798 0.697 0.107 0.894
FD 0.644 0.134 0.748 0.646 0.159 0.832 0.459 0.031 1.008
SD 0.678 0.230 0.652 0.653 0.170 0.807 0.231 0.029 1.051
RTFD 0.575 0.130 0.780 0.646 0.157 0.829 0.614 0.034 0.968
RTSD 0.626 0.183 0.739 0.632 0.168 0.828 0.277 0.031 1.040
LTFD 0.626 0.163 0.768 0.657 0.163 0.819 0.585 0.036 0.982
LTSD 0.669 0.208 0.692 0.623 0.165 0.843 0.177 0.029 1.059
RMSFD 0.641 0.121 0.769 0.646 0.163 0.828 0.541 0.036 0.991
RMSSD 0.821 0.143 0.523 0.588 0.181 0.852 0.252 0.031 1.049
ATFD 0.605 0.168 0.775 0.657 0.163 0.819 0.585 0.036 0.982
ATSD 0.679 0.219 0.720 0.623 0.165 0.843 0.177 0.029 1.059
RLFD 0.591 0.154 0.777 0.556 0.280 0.804 0.334 0.031 1.037
RLSD 0.710 0.219 0.680 0.498 0.208 0.886 0.209 0.031 1.054

①R为未经过变换的原始光谱曲线。

由表2可知,在RFR模型中,除RTFD和RLFD这2种变换形式外,其余10种微分变换筛选出的特征波段与As含量的模型反演预测能力均高于原始光谱数据与As含量的模型反演预测能力,表明微分变换后模型反演预测能力会显著提高。在PLSR模型中,除RLSD变换形式下的模型反演预测能力低于原始光谱数据建模外,其余11种微分变换筛选的特征波段参与构建的模型反演预测能力均高于原始光谱数据建模。在SVMR模型中,12种微分变换形式下的模型反演预测能力均低于原始光谱数据与As含量的模型反演预测能力,微分变换后,筛选出的相关性高的光谱波段数量也明显增加,但是建模效果并不明显,说明SVMR模型的反演预测能力更易受到波段数量的影响。
原始光谱数据参与构建的3种模型中,SVMR的反演预测能力比RFR和PLSR模型的反演预测能力要好。但经过微分变换和特征波段筛选的光谱数据参与构建的3种模型中,RFR和PLSR的反演预测能力比SVMR模型要好。RFR模型中,基于RMSSD-RFR模型的反演预测能力最好,其R2为0.821,RMSE为0.143 mg/kg,MAE为0.523 mg/kg,其他光谱变换方式建模的R2均超过0.575。PLSR模型反演预测的结果波动范围小,基于LTFD-PLSR和ATFD-PLSR模型的反演预测效果最好,R2均为0.657,除RLSD-PLSR模型的R2为0.498外,其余光谱变换方式建模的R2均超过0.556。SVMR模型所用的光谱指标与RFR和PLSR模型相同,原始光谱数据建模的R2为0.697,12种微分变换方式建模的R2范围为0.177~0.614,RMSE均小于0.1 mg/kg,MAE的波动范围在0.968~1.059 mg/kg之间。

3.4 最优模型对比与讨论

实测值与模型预测值对比如图4所示。从图4可见,RFR模型的拟合效果好,稳定性强,预测能力良好; PLSR模型的预测能力较稳定; SVMR模型预测结果的范围波动较大,且其原始光谱数据的建模效果优于微分变换的光谱数据建模。3种模型的反演预测能力为RMSSD-RFR > R-SVMR > LTFD-PLSR = ATFD-PLSR。可以看出,RMSSD-RFR模型拟合效果优于PLSR模型和SVMR模型,说明RFR建模对研究区As含量高光谱估算具有更高的稳定性和可靠性。
图4 实测值与模型预测值比较

Fig.4 Comparison of measured and predicted values of modeling

李志远等[11]把河北石家庄矿区的土壤作为研究对象,对土壤中As含量进行高光谱估算,发现M-PLSR建模效果最佳,其R2为0.659,RMSE为0.312 mg/kg; 李全坤等[22]的研究结果表明,浙江温岭土壤以水稻土、黄壤和红壤为主,其最优预测模型为PLS模型,R2为0.755,RMSE为0.720 mg/kg; 杨君怡等[9]研究发现,广东肇庆土壤以红壤为主,土壤As含量最优预测模型为FD-PLSR模型,其R2为0.790,RMSE为0.832 mg/kg; 郭云开等[23]对湖南岳阳耕地土壤中As含量高光谱反演,结果表明,遗传算法结合SVM模型为最优预测模型,其R2为0.821,RMSE为0.084 mg/kg; 对新疆吐鲁番葡萄园土壤的相关研究结果表明[24],基于LTFD的地理加权回归模型为葡萄园土壤As含量最优预测模型,其R2为0.935,RMSE为0.402 mg/kg; 袁自然等[14]的研究表明,湖北洪湖黄壤和棕壤中As含量最优预测模型为PSO-SVM模型,其R2为0.982,RMSE为0.522 mg/kg。与以上研究区土壤As含量高光谱估算研究成果相比,本研究构建的土壤As含量最优高光谱反演模型为RMSSD-RFR模型,R2和RMSE分别为0.821和0.143 mg/kg,属于中等水平。不同研究结果得到的土壤As含量高光谱反演模型估算精度有一定差异,这可能与区域土壤类型、土地利用方式、土壤中As元素生物地球化学特征以及模型的适用性和鲁棒性等不同有关。

4 结论

本文利用不同光谱分析方法处理后的光谱数据,对比研究了RFR,PLSR和SVMR等机器学习法对典型绿洲城市——乌鲁木齐市土壤As含量的预测能力,得出以下结论:
1)乌鲁木齐市土壤中As元素的含量平均值为10.28 mg/kg,低于相应土壤背景值,As含量最大值为相应背景值的1.23倍,表明部分区域土壤As含量富集较明显。
2)光谱变换能够增强光谱特征,提高土壤高光谱数据与As含量之间的相关性。运用原始光谱数据和微分变换后的光谱数据构建RFR,PLSR和SVMR模型,结果表明模型的反演预测能力均有相应的变化,3种模型均具有一定的预测能力。
3)3种模型的反演预测能力由高到低依次为: RFR>SVMR>PLSR,其中RMSSD-RFR的反演预测能力最高,其R2为0.821,RMSE为0.143 mg/kg,MAE为0.523 mg/kg,说明RFR模型拟合效果好,具有较高的稳定性和预测能力,可以为构建绿洲城市土壤As含量高光谱估算模型提供支持。同时,由于区域位置、土壤类型和污染水平存在差异,构建的最佳模型是否适用其他土壤类型和地区需进一步深入研究。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
郭学飞, 曹颖, 焦润成, 等. 基于高光谱的北京铁矿区土壤重金属镍元素含量反演研究[J]. 土壤通报, 2021, 52(4):960-967.

Guo X F, Cao Y, Jiao R C, et al. An inversion of soil nickel contents with hyperspectral in iron mine area of Beijing[J]. Chinese Journal of Soil Science, 2021, 52(4):960-967.

[2]
温其谦, 阎秀兰, 申俊峰, 等. 半壁山金矿矿业活动区砷赋存的矿物特征及其对农田土壤砷累积的影响[J]. 环境科学, 2019, 40(11):5090-5097.

Wen Q Q, Yan X L, Shen J F, et al. Mineral characteristics of arsenic in the active area of the Banbishan gold mine and its effect on arsenic accumulation in farmland soil[J]. Environmental Science, 2019, 40(11):5090-5097.

[3]
邵金秋, 温其谦, 阎秀兰, 等. 天然含铁矿物对砷的吸附效果及机制[J]. 环境科学, 2019, 40(9):4072-4080.

Shao J Q, Wen Q Q, Yan X L, et al. Adsorption and mechanism of arsenic by natural iron-containing minerals[J]. Environmental Science, 2019, 40(9):4072-4080.

[4]
贺军亮, 张淑媛, 查勇, 等. 高光谱遥感反演土壤重金属含量研究进展[J]. 遥感技术与应用, 2015, 30(3):407-412.

DOI

He J L, Zhang S Y, Zha Y, et al. Review of retrieving soil heavy metal content by hyperspectral remote sensing[J]. Remote Sensing Technology and Application, 2015, 30(3):407-412.

[5]
Tan K, Wang H M, Chen L H, et al. Estimation of the spatial distribution of heavy metal in agricultural soils using airborne hyperspectral imaging and random forest[J]. Journal of Hazardous Materials, 2020,382:120987.

[6]
晏红波, 韦晚秋, 卢献健, 等. 基于高光谱特征的土壤含水量遥感反演方法综述[J]. 自然资源遥感, 2022, 34(2):1-9.doi:10.6046/zrzyyg.2021126.

Yan H B, Wei W Q, Lu X J, et al. A review of remote sensing inversion methods for estimating soil water content based on hyperspectral characteristics[J]. Remote Sensing for Natural Resources, 2022, 34(2):1-9.doi:10.6046/zrzyyg.2021126.

[7]
Sawut R, Kasim N, Abliz A, et al. Possibility of optimized indices for the assessment of heavy metal contents in soil around an open pit coal mine area[J]. International Journal of Applied Earth Observation and Geoinformation, 2018,73:14-25.

[8]
王嘉芃, 徐建国, 沈家晓, 等. 德兴铜矿矿山重金属污染修复效果高光谱遥感评价[J]. 自然资源遥感, 2023, 35(3):284-291.doi:10.6046/zrzyyg.2022196.

Wang J P, Xu J G, Shen J X, et al. Evaluating the remediation effect of heavy metal pollution in the Dexing copper mine based on hyperspectral remote sensing[J]. Remote Sensing for Natural Resources, 2023, 35(3):284-291.doi:10.6046/zrzyyg.2022196.

[9]
杨君怡, 钱乐祥, 郑艳伟, 等. 基于高光谱的土壤砷和铜元素含量估算[J]. 科技通报, 2018, 34(11):112-119,124.

Yang J Y, Qian L X, Zheng Y W, et al. Estimation of the content of arsenic and copper in soil based on hyperspectral data[J]. Bulletin of Science and Technology, 2018, 34(11):112-119,124.

[10]
郑光辉, 周生路, 吴绍华. 土壤砷含量高光谱估算模型研究[J]. 光谱学与光谱分析, 2011, 31(1):173-176.

Zheng G H, Zhou S L, Wu S H. Prediction of As in soil with reflectance spectroscopy[J]. Spectroscopy and Spectral Analysis, 2011, 31(1):173-176.

[11]
李志远, 邓帆, 贺军亮, 等. 土壤重金属砷的高光谱估算模型[J]. 光谱学与光谱分析, 2021, 41(9):2872-2878.

Li Z Y, Deng F, He J L, et al. Hyperspectral estimation model of heavy metal arsenic in soil[J]. Spectroscopy and Spectral Analysis, 2021, 41(9):2872-2878.

[12]
王泽强, 张冬有, 徐夕博, 等. 基于遥感时-空-谱特征及随机森林模型的土壤重金属空间分布预测[J]. 环境科学, 2024, 45(3):1713-1723.

Wang Z Q, Zhang D Y, Xu X B, et al. Distribution prediction of soil heavy metals based on remote sensing temporal-spatial-spectral features and random forest model[J]. Environmental Science, 2024, 45(3):1713-1723.

[13]
史广, 刘庚, 赵龙, 等. 基于多源环境数据和随机森林模型的农田土壤砷空间分布模拟[J]. 环境科学学报, 2020, 40(8):2993-3000.

Shi G, Liu G, Zhao L, et al. Prediction of arsenic for farmland soil based on multi source environmental data and random forest model[J]. Acta Scientiae Circumstantiae, 2020, 40(8):2993-3000.

[14]
袁自然, 魏立飞, 张杨熙, 等. 优化CARS结合PSO-SVM算法农田土壤重金属砷含量高光谱反演分析[J]. 光谱学与光谱分析, 2020, 40(2):567-573.

Yuan Z R, Wei L F, Zhang Y X, et al. Hyperspectral inversion and analysis of heavy metal arsenic content in farmland soil based on optimizing CARS combined with PSO-SVM algorithm[J]. Spectroscopy and Spectral Analysis, 2020, 40(2):567-573.

[15]
易兴松, 兰安军, 文锡梅, 等. 基于ASD和GaiaSky-mini的农田土壤重金属污染监测[J]. 生态学杂志, 2018, 37(6):1781-1788.

Yi X S, Lan A J, Wen X M, et al. Monitoring of heavy metals in farmland soils based on ASD and GaiaSky-mini[J]. Chinese Journal of Ecology, 2018, 37(6):1781-1788.

[16]
麦麦提吐尔逊·艾则孜, 阿吉古丽·马木提, 艾尼瓦尔·买买提. 新疆焉耆盆地辣椒地土壤重金属污染及生态风险预警[J]. 生态学报, 2018, 38(3):1075-1086.

Mamattursun E, Ajigul M, Anwar M. Soil heavy metal pollution and ecological risk warning assessment of pepper field in Yanqi Basin,Xinjiang[J]. Acta Ecologica Sinica, 2018, 38(3):1075-1086.

[17]
安柏耸, 王雪梅, 黄晓宇, 等. 基于连续小波变换的土壤重金属镉含量的高光谱估测[J]. 地球与环境, 2023, 51(2):246-253.

An B S, Wang X M, Huang X Y, et al. Hyperspectral estimation of heavy metal cadmium content in soil based on continuous wavelet transform[J]. Earth and Environment, 2023, 51(2):246-253.

[18]
Liu W W, Li M J, Zhang M Y, et al. Hyperspectral inversion of mercury in reed leaves under different levels of soil mercury contamination[J]. Environmental Science and Pollution Research International, 2020, 27(18):22935-22945.

DOI PMID

[19]
Leone A P, Viscarra-Rossel R A, Amenta P, et al. Prediction of soil properties with PLSR and vis-NIR spectroscopy:Application to Mediterranean soils from southern Italy[J]. Current Analytical Chemistry, 2012, 8(2):283-299.

[20]
Wei L F, Pu H C, Wang Z X, et al. Estimation of soil arsenic content with hyperspectral remote sensing[J]. Sensors, 2020, 20(14):4056.

[21]
阿地拉·艾来提, 麦麦提吐尔逊·艾则孜, 靳万贵, 等. 新疆库尔勒市道路积尘重金属污染及健康风险评价[J]. 中国地质, 2020, 47(6):1915-1925.

Adila H, Mamattursun E, Jin W G, et al. Pollution and health risks assessment of heavy metals of road dust in Korla City,Xinjiang[J]. Geology in China, 2020, 47(6):1915-1925.

[22]
李全坤, 赵万伏, 文宇博, 等. 基于可见—近红外反射光谱的典型农田重金属污染风险分类研究[J]. 高校地质学报, 2022, 28(6):799-813.

Li Q K, Zhao W F, Wen Y B, et al. Classification of heavy metal contamination risk in typical agricultural soils by visible and near infrared reflectance spectroscopy[J]. Geological Journal of China Universities, 2022, 28(6):799-813.

[23]
郭云开, 张思爱, 谢晓峰, 等. 基于 GA-SVM 的耕地土壤重金属含量高光谱反演方法的研究[J]. 土壤通报, 2021, 52(4):968-974.

Guo Y K, Zhang S A, Xie X F, et al. The hyperspectral inversion method of heavy metal contents in cultivated soils based on GA-SVM[J]. Chinese Journal of Soil Science, 2021, 52(4):968-974.

[24]
阿依努尔·麦提努日, 麦麦提吐尔逊·艾则孜, 李新国. 基于地理加权回归模型的葡萄园土壤砷含量高光谱反演[J]. 环境监测管理与技术, 2021, 33(4):45-48.

Aynur M, Mamattursun E, Li X G. Hyperspectral inversion of arsenic content in vineyard soil based on geographically weighted regression model[J]. The Administration and Technique of Environmental Monitoring, 2021, 33(4):45-48.

Options
Outlines

/

〈 〉