渭-库绿洲耕层土壤砷含量高光谱估测研究

以新疆渭干河-库车河三角洲绿洲耕层土壤为研究对象，通过对原始光谱反射率(R)、包络线去除(CR)和一阶微分(R′)变换光谱数据结合连续小波变换生成小波系数，筛选出与砷含量具有极显著相关性的特征波段(P<0.001),运用偏最小二乘回归、BP神经网络、随机森林回归及支持向量机回归分析方法建立耕层土壤砷含量的高光谱估测模型。结果表明，经一阶微分结合连续小波变换处理后，光谱数据与砷含量之间的相关性提升尤为明显。综合考虑各模型估测精度及稳定性，认为R′-CWT-2⁶-SVMR模型可作为研究区耕层土壤砷含量的最佳估算模型，其训练集和验证集的决定系数(R²)分别为0.753和0.740,均方根误差(RMSE)分别为1.350 mg/kg和1.819 mg/kg,相对分析误差(RPD)分别为2.03和2.00。     

基于地理加权回归模型的葡萄园土壤砷含量高光谱反演

以吐鲁番盆地葡萄园土壤中砷（As）为研究对象,分析15种光谱变换下的土壤光谱反射率数据与土壤As含量的相关性,构建土壤As含量预测的偏最小二乘回归（PLSR）模型和地理加权回归（GWR）模型。结果表明：葡萄园土壤原始光谱率（R）经一阶微分（FD）、平方根一阶微分（SRFD）、平方根二阶微分（SRSD）、倒数二阶微分（RTSD）、对数一阶微分（LTFD）、倒对数一阶微分（ATFD）变换对As光谱特征的增强作用最突出。模型预测结果表明,采用基于LTFD变换的GWR模型可有效提高葡萄园土壤As含量的预测精度。     

空间关联随机森林模型结合Sentinel-2影像估算潍北地区裸土期土壤盐分

土壤盐分含量(SSC)是评价土地退化和肥力水平的重要指标，实现SSC状态和空间分异的快速准确监测对区域环境的优化管理极为关键。选取潍北平原为研究区，野外采集233处土壤样品并获取同时相Sentinel-2多光谱影像，进一步将特征光谱波段和构建的最优光谱指数作为输入自变量，测试得到的SSC实测值为因变量，最后将空间关联函数引入到随机森林中去建立基于空间关联随机森林算法的SSC遥感估算模型，完成区域尺度上的SSC反演估算与空间制图。结果表明：影像的B3、B8和B11是SSC的特征波段，通过波段比值变换能够增强卫星光谱信号对SSC的吸收响应，筛选得到的最优光谱指数分别为RI₃₄(波段3和波段4的反射率比值)、RI₇₁₁(波段7和波段11的反射率比值)、ND₆₁₁(波段6和波段11的反射率归一化值)和D₄₅(波段4和波段5的反射率差值);仅用特征波段或最优光谱指数来构建模型不能取得满意的SSC估算精度，空间关联随机森林模型的SSC估算精度要高于随机森林模型；在将上述特征波段和最优光谱指数共同输入空间关联随机...     

遥感技术在湖泊叶绿素ａ 监测中的应用研究———以太湖为例

水质遥感技术在湖泊水质监测领域内的应用具有十分积极的意义。在总结现有水质遥感反演方法的基础上，选取了遥感指数法和神经网络法两种理论完全不同的反演方法，构建太湖叶绿素a与MODIS影像波段间的函数关系，并从反演能力和反演精度两个角度对上述方法进行了比较研究。结果表明，神经网络模型的非线性特征能够敏感地把握住叶绿素a浓度变化在反射波谱信息上的微小响应，较为成功地反演出叶绿素a与反射光谱信息间的非线性关系。神经网络模型的反演能力和反演精度均优于遥感指数方法，具有较好的应用前景。     

高光谱遥感在土壤重金属污染监测中的应用

综述了高光谱遥感直接监测土壤重金属污染及利用植被重金属胁迫光谱数据间接监测重金属污染区域的各种方法,分析了反演模型存在的问题,提出了引入人工智能技术、高维矩阵和数据挖掘算法,以及寻求更好的数据同化模型等提高反演精度的后续研究方向。     

基于特征选择和机器学习的阳澄湖叶绿素a遥感反演研究

利用2016-2020年Sentinel-2多光谱遥感影像和同步实测叶绿素a浓度数据,提出了一种基于特征选择和机器学习的叶绿素a遥感反演方法,并应用于阳澄湖.结果表明,特征选择方法在反演模型的自变量选取上具有较好的应用效果,基于此建立的随机森林模型在阳澄湖叶绿素a反演上具有较优的验证精度;2016-2020年阳澄湖叶绿...     

基于遥感影像的木兰溪水质参数反演

水质监测对水环境评价及污染预防至关重要，但地面监测成本高、监测面积有限等，难以满足实时、大范围监测的要求。为了更好地解决该问题，基于遥感影像的空中监测技术越来越得到研究人员的青睐。以木兰溪为研究区，利用和地面监测数据同步的Landsat-8卫星遥感影像数据，对木兰溪的典型水质参数总磷、总氮、溶解氧、高锰酸盐指数的反演问题进行研究。首先，根据Landsat-8的水体敏感波段，分别选取总磷、总氮、溶解氧、高锰酸盐指数的反演特征波段组合为(b1-b2)/(b2+b3),(b1-b2)/(b3-b4),b2/(b1+b4),b1/b2;其次，利用反演特征波段组合分别构建总磷、总氮、溶解氧、高锰酸盐指数浓度的SVR(Support Vector Regression)反演模型，通过IPSO算法对SVR模型的参数进行优选；然后，将IPSO-SVR反演模型和统计回归反演模型、广义回归神经网络(GRNN)反演模型在验证集上进行评估，以平均绝对误差和均方根误差作为评价指标进行对比分析，结果表明IPSO-SVR反演模型的平均绝对误差和均方根误差最小，说明IPSO-SVR反演模型具有较高的精度和较好的实用性...     

山区土壤重金属空间插值性能的改进

山区土壤重金属监测中,密集均匀的布点采样困难大,成本高。根据稀疏非均匀样本数据准确预测山区土壤重金属空间分布,对可视化描述检测元素的分布及趋势具有重要意义。基于云南省楚雄市南部山区表层土壤中重金属锰、钒的采样数据,对集成径向基函数神经网络(IRBFANNs)和传统插值方法:反距离(IDW)、普通克里格(OK)、径向基函数神经网络(RBFANNs),进行了不同等级采样密度下的插值性能比较。结果表明,样本点数量减少时,传统预测方法的插值精度都有所下降,而IRBFANNs算法在样本点较少情况下能够保持最好的插值精确度和稳定性,有效改进了空间插值性能。     

t分布受控遗传算法优化BP神经网络的PM2.5质量浓度预测

根据齐齐哈尔大学监测点2014年3—5月PM2?5质量浓度及其对应的每小时的气象因素、气体污染物浓度，建立基于t分布受控遗传算法的BP神经网络模型（ BPM?TCG），对PM2?5质量浓度进行模拟预测。并将其与BP神经网络模型、遗传算法优化BP神经网络模型（ BP?GA）进行对比分析。3种模型预测结果表明：BPM?TCG模型预测精度最高，泛化能力最好。 BPM?TCG模型对PM2?5质量浓度的准确预测为预防和控制PM2?5提供依据。     

长江南京段近岸沉积物和土壤中重金属分布特征分析

通过测定沉积物和土壤中Cd、Pb、Cr、Zn、Cu、Ni 6种重金属元素的平均含量,计算其富集因子,分析长江南京段近岸沉积物和土壤中重金属的空间分布特征,结果表明,几种重金属在沉积物中的富集次序为:CdPbCr1NiCuZn,在土壤中为:CdZnCu1CrPbNi,除Zn和Cu外,其他几种金属在沉积物中的富集程度高于土壤,同时Cd的含量超过土壤环境质量三级标准。以Cd和Pb为例分析了重金属含量与沉积物粒级之间的关系,回归分析显示,Cd、Pb的含量与颗粒物的粒级呈显著的相关性,与细颗粒物的含量有密切关系,细颗粒携带的重金属,在长江水力分选作用下到达下游,成为沉积物中重金属的主要来源。     

基于BP神经网络的贵阳市空气质量指数预报模型

采用贵阳市2013年1月1日—2015年12月31日的空气质量指数(AQI)日均值,常规的地面和高空观测资料,基于不同季节,调整BP神经网络的隐藏层个数和隐藏层节点数,建立不同的BP神经网络预报模型,进行参数检验,最终选取预报效果最好的模型带入实况进行检验。结果表明,夏季的预报效果最好,采用的模型TS评分为81.6%,平均绝对误差为9.1,正确率为97.4%,用该模型检验预报效果,实况和预报的相关系数为0.71,平均误差为9;而冬季的预报效果明显低于其他季节,采用的模型TS评分为65.7%,平均绝对误差为19.5,正确率为72.9%,用该模型检验预报效果,实况和预报的相关系数为0.79,平均误差为19。而且BP神经网络模型的预报效果同隐藏层个数与隐藏层节点数没有显著关系。     

基于小波分析优化PM 2.5浓度预测模型

采用多元线性回归方法(MLR)和BP神经网络方法(BPNN),按1 h、3 h、6 h、12 h、24 h、48 h预测时长对贵港市2015—2018年PM_2.5浓度建模并检验对比模型准确率。结果表明,基于MLR与BPNN都能对PM_2.5浓度作预测,预测效果随着预测时长的增加而下降,MLR、BPNN模型预测结果平均绝对误差(MAE)分别为4.01μg/m³~15.48μg/m³、3.89μg/m³~15.63μg/m³。采用小波分析方法对污染物数据优化并再次建模,结果表明,小波-多元线性回归(W-MLR)模型与小波-神经网络(W-BPNN)模型均得到优化,3 h~24 h预测时长优化效果尤为显著,W-MLR、W-BPNN模型预测结果分别使MAE降低1.6%~13.5%、0.8%~9.8%,且后者预测效果优于前者。     

基于BP神经网络的儿童卧室内灰尘PAEs浓度预测

在实测数据的基础上,以邻苯二甲酸酯(PAEs)的各类影响因素为自变量,PAEs浓度为因变量,采用Back-propagation(BP)神经网络建立儿童卧室内PAEs浓度预测模型.结果表明,该模型的预测效果较理想,其中,STD比值均＞0.5,NMB均接近0,EMR均＜19％.以室内环境与儿童健康(CCHH)课题组天津地...     

Bioaccumulation of heavy metals in the wolf spider, <Emphasis Type="BoldItalic">Pardosa astrigera</Emphasis> L. Koch (Araneae: Lycosidae)

Previous studies have proposed that Pardosa astrigera L. Koch (Lycosidae) can be used as a biological indicator of heavy metal contamination in soil. In this study, we estimated the bioaccumulation levels and the bioconcentration factors (BCF) of four heavy metals (Cd, Cu, Pb, and Zn) in adult female P. astrigera collected from various field sites according to heavy metal content gradient and broods. The relationship between heavy metal content in the soil and that in spiders was different depending on the heavy metals and the broods. However, heavy metal content in P. astrigera increased with increasing heavy metal content in the soil. While the heavy metal content in the soil was in the order of Zn > Pb > Cu > Cd, its content in P. astrigera was in the order Zn > Cu > Cd > Pb. The BCF for Cd in both of the broods was distinctly higher than those of the other heavy metals evaluated. These results indicate that P. astrigera may be useful as a biological indicator of Cd soil contamination.     

Integrating classification and regression tree (CART) with GIS for assessment of heavy metals pollution

The classification and regression tree (CART) model integrated with geographical information systems and the assessment of heavy-metals pollution system was developed to assess the heavy metals pollution in Fuyang, Zhejiang, China. The integration of the decision tree model with ArcGIS Engine 9 using a COM implementation in Microsoft® Visual Basic 6.0 provided an approach for assessing the spatial distribution of soil Zn content with high predictive accuracy. The Zn concentration classes estimated by CART assigned the right classes with an accuracy of near 90%. This is a great improvement compared to the ordinary Kriging method for the spatial autocorrelation of the study area severely destroyed by human activities. Also, it can be used to investigate the inter-relationships between the heavy metals pollution and environmental and anthropogenic variables. Moreover, the research presents model predictions over space for further applications and investigations.     

Predictions of soil organic carbon using laboratory-based hyperspectral data in the northern Tianshan mountains, China

This paper presents a study dealing with soil organic carbon (SOC) estimation of soil through the combination of soil spectroscopy and multivariate stepwise linear regression. Soil samples were collected in the three sub-regions, dominated by brown calcic soil, in the northern Tianshan Mountains, China. Spectral measurements for all soil samples were performed in a controlled laboratory environment by a portable ASD FieldSpec FR spectrometer (350–2,500 nm). Twelve types of transformations were applied to the soil reflectance to remove the noise and to linearize the correlation between reflectance and SOC content. Based on the spectral reflectance and its derivatives, hyperspectral models can be built using correlation analysis and multivariable statistical methods. The results show that the main response range of soil organic carbon is between 400 and 750 nm. Correlation analysis indicated that SOC has stronger correlation with the second derivative than with the original reflectance and other transformations data. The two models developed with laboratory spectra gave good predictions of SOC, with root mean square error (RMSE) <5.0. The use of the full visible near-infrared spectral range gave better SOC predictions than using visible separately. The multivariate stepwise linear regression of second derivate model (model A) is optimal for estimating SOC content, with a determination coefficient of 0.894 and RMSE of 0.322. The results of this research study indicated that, for the grassland regions, combining soil spectroscopy and mathematical statistical methods does favor accurate prediction of SOC.     

乌鲁木齐市米东污灌区农田土壤重金属污染评价

对米东污灌区农田土壤重金属含量进行监测分析,利用不同的评价方法和标准对土壤重金属的环境质量进行评价。结果表明:米东污灌区农田土壤重金属含量分别为Cd(0.12±0.06)mg/kg,Cu(40.43±5.30)mg/kg,Zn(78.38±11.04)mg/kg,Pb(11.66±11.79)mg/kg,Ni(20.24±8.05)mg/kg,Cr(75.81±8.05)mg/kg。以国家土壤环境质量标准(二级)为标准评价,各元素的污染指数排序为Cu>Ni>Cr>Zn>Cd>Pb,综合污染指数为0.337,污染程度为安全。以食用农产品产地土壤环境质量要求为标准评价,各元素的污染指数排序为Cu>Ni>Cr>Zn>Cd>Pb,综合污染指数为0.343,污染程度为安全。表明米东污灌区农田土壤重金属含量尚能达到食用农产品产地土壤环境质量要求。Pb、Cu、Zn的平均含量超过乌鲁木齐市土壤背景值,这说明污灌区土壤重金属Pb、Cu、Zn近年来已有所累积,存在一定的污染风险。