论文部分内容阅读
我国土壤重金属污染问题严峻,但是传统的土壤重金属监测评估方法不能满足大范围连续地理空间的需求。另外,虽然基于地面光谱反演地表土壤重金属的相关研究中成功案例较多,但只有少量的研究关注通过成像高光谱遥感手段反演估算地表土壤重金属浓度,成像光谱在研究地表土壤重金属中的极大优势没有得到充分挖掘。通过成像高光谱遥感手段监测地表土壤重金属仍然面临非常复杂的现实问题、理论摸索和技术困难,还存在极大的研究空间需要探索。因此,本文采用Hy MAP-C航空高光谱影像,以吉林省伊通县研究区为例,探索基于航空高光谱影像反演估算黑土地地表土壤重金属浓度。本文的主要工作及结论如下:(1)在重金属光谱特征选择中,竞争适应性重新加权抽样(Competitive Adaptive Reweighted Sampling,CARS)特征选择方法简洁可靠。通过C A RS和Pearson相关性两种特征选择方法对四种重金属(As,Cr,Pb,Zn)进行特征光谱选择,并验证其特征光谱的有效性。传统方法建立模型的评估结果证明CARS方法对四种重金属均能够选择出有效的特征光谱,而Pearson方法只能对其中三种重金属(As,Pb,Zn)有效。同时CARS特征选择方法是仅在反射率数据上的操作,而Pearson选择方法是在四种预处理数据上操作;而且Pearson相关性选择易受到人为影响。(2)四种重金属的光谱特征存在共性,即2.0-2.3μm光谱波长范围存在多种重金属的共同特征波段。在完成(1)中特征光谱有效性验证后,对四种重金属的特征光谱作分析总结。虽然Pearson和CARS两种选择特征方法的策略和角度不同,但是对于重金属(包括均奏效的As,Pb,Zn,以及CARS对Cr的有效特征)光谱共性分析结论相似度极高。除了光谱特征的共性外,每一种重金属均存在与其他重金属不同的光谱特征。(3)本文在重金属反演估算中引入Extra Trees方法进行探索。发现该方法建立的模型对于Pearson方法选择的线性光谱特征的拟合能力强于传统经典方法,对于CARS方法选择的非线性组合光谱特征的拟合能力略低于对应数据的SVM模型。(4)针对传统方法存在的过拟合和模型不稳定问题,本文提出基于Stacking的重金属估算方法。对比所有模型的精度评价指标,无论是基于Pearson相关法选择的线性特征还是CARS选择的非线性组合特征,发现基于Stacking方法所建立的模型无论是稳定性还是抗过拟合能力均是最优的;即其能够一定程度克服不平衡数据和小样本集数据所带来的问题。而且,即使对于空间异质性较高的重金属As,影像上基于模型反演估算的重金属浓度分布与实际验证分析重金属浓度的空间分布趋势基本一致,因此Stacking估算模型的可信度较高。