土壤铜污染光谱特征波段分析、界限浓度划分及含量预测

土壤重金属污染高光谱预测的大部分研究集中在重金属浓度的预测上,但是预测模型精度不高,或精度较高而均方根误差较大。利用土壤Cu污染在538~834 nm波段区间的光谱数据检测土壤Cu污染的界限浓度及光谱特征波段区间,并根据界限浓度建立土壤Cu浓度的预测模型。先对土壤Cu污染光谱数据进行一阶导数处理,利用一阶导数距离检测土壤Cu污染的界限浓度及光谱特征波段;再利用经验模态分解(Empirical Mode Decomposition,EMD)和多重分形理论预测土壤Cu污染浓度,旨在为土壤重金属污染的高光谱研究提供依据,精确土壤重金属污染光谱的研究范围,为利用界限浓度建立土壤重金属浓度预测模型提供新思路。结果表明,538~834 nm波段区间土壤Cu污染的界限浓度为120~160μg?g~(-1),根据一阶导数距离最大值和多重分形谱参量将土壤Cu污染划分为60~120μg?g~(-1)和160~740μg?g~(-1)两个浓度区间,其预测土壤Cu污染的特征波段分别为730~760 nm和540~590 nm;根据划分的界限浓度,利用土壤Cu污染光谱多重分形谱参量、538~834 nm波段区间反射率最大值、一阶导数最大值、及实测土壤含水率、实测土壤有机质含量等参数,分别建立20~120μg?g~(-1)和160~740μg?g~(-1)两个浓度区间土壤Cu含量MLR预测模型,R2在0.99以上,RMSE最大为47.3。因此,多重分形谱参量Δα值和一阶导数距离最大值可作为土壤Cu污染界限浓度划分和光谱特征波段提取的依据,其界限浓度为120~160μg?g~(-1),光谱特征波段区间为730~760 nm和540~590 nm;该文构建的MLR模型可有效预测土壤Cu浓度。     

工业区土壤高光谱特性及其重金属含量预测研究——以上海市闵行区为例

土壤的高光谱能够反映土壤信息,利用光谱数据能够快速高效地预测土壤重金属含量。以上海闵行工业区土壤为研究对象,分析研究区土壤光谱曲线所包含的土壤信息,通过光谱反射数据多种低阶微分变换形式以增强光谱特征,并通过相关分析获取土壤铜(Cu)、铬(Cr)、锰(Mn)、铅(Pb)、锌(Zn)含量的特征波段位置,构建土壤重金属高光谱反演模型。结果表明,工业区土壤重金属Cu、Cr、Mn、Pb、Zn存在明显积累,含量平均值依次为29.38、106.32、583.14、34.13、111.15 mg·kg-1,均超过上海市土壤环境背景值,且表现出复合污染和同源性的特点;土壤光谱曲线除受铁氧化物(409.55 nm)、有机质(825～900 nm)、水(1 400～1 425 nm)的影响存在光谱曲线吸收带外,走势均随波长增加而上升;最优特征波段均出现在近红外波段范围内,Cu为1 440.21 nm,Cr为834.44 nm,Mn为984.98 nm,Pb为1 440.21 nm,Zn为1 642.50 nm;利用特征波段光谱反射率的低阶微分变换形式作为建模因子建立土壤重金属含量的高光谱反演模型,发现均方根二阶微分(RMSTD)变换、倒数一阶微分(RTFD)变换、倒数对数二阶微分(ATSD)变换相较于原始一阶微分(FD)、二阶微分(SD)变换更能提高预测精度,多元逐步回归线性模型(SMLR)建模效果优于偏最小二乘回归(PLSR)模型,SMLR建模R2均大于0.65,验证R2除Mn外(R2=0.400)均大于0.5。基于SMLR建立的高光谱反演模型具有较高的预测精度、稳定性与可靠性,对工业区土壤重金属含量进行高光谱反演建模具有可行性。     

基于Sentinel多源遥感数据的河北省景县农田土壤水分协同反演

植被覆盖层对微波遥感反演地表土壤水分产生重要影响。以河北省景县为研究区,基于Sentinel-1 SAR遥感数据和Sentinel-2光学遥感数据,采用改进水云模型和Oh模型的组合方法,对植被覆盖地表土壤水分进行定量反演研究。结果表明:在Sentinel-1 VV极化条件下,改进水云模型和Oh模型的组合方法具有较高的反演精度,决定系数(R~2)为0.653 0,均方根误差(RMSE)为0.040 1 cm~3·cm~(-3),平均绝对误差(MAE)为0.032 7 cm~3·cm~(-3),这3项反演精度评价指标均优于VH极化。该方法在获取高空间分辨率和高精度的植被覆盖区农田土壤水分信息方面具有较高的应用价值。     

基于高光谱的邯郸市土壤重金属统计估算模型研究

土壤重金属富集严重制约城市发展,对居民健康造成潜在威胁。该研究旨在定量估算土壤重金属含量,提高土壤重金属监测时效性,从而为土壤保护管理工作提供决策参考和理论支持。该文依据化学检测所得土样重金属含量与地物光谱仪(ASD)获取的土壤反射光谱数据,通过对土壤重金属光谱特性的分析,确定光谱反演特征波段,研究并建立了邯郸市土壤重金属基于不同光谱变换指标的多元逐步回归(SMLR)和偏最小二乘回归(PLSR)统计估算模型,通过模型验证与对比,探索邯郸市土壤各重金属含量的最优反演模型。结果表明:(1)微分处理能普遍改善模型预测效果,二阶微分指标的PLSR与MLSR模型效果较佳;(2)PLSR与SMLR两种建模方法相比,总体上PLSR建模和预测的均方根误差RMSE较小、模型修正系数Adjust R~2较大,表明PLSR模型预测效果更好;(3)基于反射率倒数对数的二阶导数的PLSR模型反演效果较优,其中Cu、Ni、Zn、Hg,检验精度Adjust R2均超过0.8。     

中国1961-2000年月平均气温空间插值方法与空间分布

利用地理信息系统软件ARC/INFO,在考虑海拔高度对气温影响和没有考虑海拔高度对气温影响的两种情况下,分别运用样条插值法、普通克立格法和逆距离权重法对中国623个气象站1961—2000年40 a的逐月平均气温进行了空间插值,并利用交叉检验方法对插值精度进行了评估,结果表明:考虑了海拔高度影响的3种插值方法的精度都有比较明显的提高,对于普通克立格法,平均绝对误差(MAE)从1.44℃降到0.82℃,均方根误差(RMSE)从2.31℃降到1.28℃;对于逆距离权重法,MAE从1.52℃降到0.88℃,RMSE从2.38℃降到1.34℃;对于样条插值法,MAE从1.54℃降到0.87℃,RMSE从2.49℃降到1.35℃。在6种插值方法中,考虑了海拔高度影响的普通克立格法是最优空间插值方法。     

干旱区绿洲耕层土壤重金属铬含量的高光谱估测

土壤重金属铬含量的高光谱估测技术较传统测量方法具有无污染、方便快捷进行动态监测的优势。对新疆渭干河-库车河三角洲绿洲耕层土壤98个样品的原始光谱反射率R分别进行倒数1/R、对数lg(R)、倒数对数lg(1/R)以及微分变换。不同处理结果与实测土壤重金属铬含量进行相关分析从而筛选出具有极显著相关的特征波段(P0.001)。以不同变换处理下的特征波段反射率作为自变量,土壤铬含量为因变量,采用多元线性逐步回归、偏最小二乘回归、BP神经网络和随机森林回归方法构建土壤重金属铬含量的高光谱估测模型,并对最优估测结果进行克里格空间插值。结果表明,(1)原始光谱反射率的微分变换处理可有效提升光谱与土壤重金属铬含量之间的敏感性,其中经微分变换后的土壤光谱反射率与铬含量的相关系数由0.487显著提高到0.669(P0.001)。(2)综合比较各模型的训练集和验证集估测结果,经倒数对数一阶微分[lg(1/R)]′处理后的BP神经网络模型具有较高的估测精度和很强的稳定性,可作为研究区土壤重金属铬含量的最优估测模型,其决定系数(Rd~2)在0.8以上,均方根误差(RMSE)小于6.5,相对分析误差(RPD)大于2。(3)研究区土壤重金属铬含量具有中等空间变异性,低含量区域主要分布在新和县和沙雅县的外缘地带,而位于库车市东北部区域的耕层土壤铬含量达到最高水平。受人类活动影响该绿洲的土壤污染问题日趋严重,耕层土壤重金属铬含量呈现出较高含量的空间分布。     

松花江哈尔滨江段高锰酸盐指数的遥感反演

以松花江哈尔滨江段高锰酸钾指数为研究对象,于2012年7月14～15日,测定了11个断面31个采样点的高锰酸钾指数数据,同步获取了采样点水质高光谱反射率数据,使用相关性统计分析和多元非线性回归分析方法,用其中21个样点数据构建反演模型,得到模型决定系数(R2)为0.890,用10个样点数据进行验证,得到预测值的均方根误差(RMSE)为0.439 mg·L-1,平均绝对偏差(MAD)为0.365 mg·L-1,平均绝对偏差率(MADR)为8.43%.     

镉污染胁迫下水稻生理生态表征高光谱识别模型

利用水稻生长季节多个时相的ASD实测高光谱数据和同步获取的土壤-作物特征参数,系统分析了高光谱遥感指数与镉污染胁迫下水稻生理生态参数变化特征之间的响应关系.选择叶绿素含量、水分含量、细胞结构和叶面积指数4个重要生理生态参数作为水稻镉污染胁迫响应因子,通过理论分析和实验验证,得到对上述因子变化敏感的高光谱遥感指数及其响应规律.在此基础上建立MCARI-NDWI、MCARI-RVSI、MCARI-RVI、NDWI-RVSI、NDWI-RVI和RVSI-RVI模型,揭示了不同污染程度条件下响应因子在各光谱指数空间中的表征规律.     

基于ASD和FISS的植被叶片氮素含量反演研究

地面成像光谱系统能够在更为微观的尺度上满足多元化应用需求,实现对植物群体、单个植株的快速精细探测,获取精细的植被生理参量的空间信息,从而弥补大尺度远距离遥感难以发挥作用的领域。本文采用ASD地物光谱仪和新型地面成像光谱系统FISS,以大豆叶片为研究对象,获取大豆叶片ASD光谱及FISS成像光谱数据,探讨大豆植株叶片的图像特征、反射率光谱、导数光谱、光谱指数等光谱特征变量与叶片氮素含量的相关性,建立植株叶片氮素含量的估算模型。研究结果表明：FISS地面成像光谱仪和ASD地面非成像光谱仪对氮素具有敏感指示的波段区间一致,480~520 nm和680~720 nm区间的波段范围与氮素含量具有较高的相关性;导数光谱特征所得精度要比原始光谱特征所得精度高,说明导数光谱对氮素含量的指示更为敏感,可以更加有效地提取氮素含量信息;反演模型对氮素含量反演精度的影响低于光谱特征对精度的影响。研究表明FISS数据由于其独特的测量方式和图谱合一的特点,可以更加准确地用于植被氮素含量的反演,实现植被叶片氮素含量的快速实时无损监测及图像可视化表达。     

基于高光谱数据藻类水华重要参数——叶绿素a的定量反演模型研究

水库富营养化导致的水华问题严重影响了饮用水的利用和保护,而水体叶绿素a在营养化水体中比例稳定,可以在很大程度上反映水体的营养状况,是水华监测的重要参数。目前,大多数研究集中在较为典型的富营养化水体,对中/贫营养化水体的研究较少。以莆田东圳水库为研究区,随机选取112组叶绿素a浓度数据和高光谱数据中的72组数据进行模型构建,剩余40组数据用于模型验证。在对叶绿素a浓度和光谱反射率曲线进行相关分析的基础上,通过对水体光学特性的分析和统计分析,筛选出单波段、波段比值、三波段、四波段、荧光峰高度、荧光峰位置、峰谷距离等特征参数建立反演模型。通过模型精度验证的对比分析,确定了最优叶绿素a浓度的反模型。结果表明,经过900 nm处归零化预处理的单波段模型和四波段模型对东圳水库水体叶绿素a浓度的反演效果最佳,其决定系数R²均为0.91,平均绝对误差MAE分别为1.82μg/L和2.81μg/L,MAPE分别为22.53%和21.53%。对于叶绿素a浓度较低、跨度较小的库区水域,波段算法类模型建模精度优于荧光算法类模型。该研究结果可以为后续东圳水库的常规水质监测和水华预警提供一定...     

基于高光谱技术的土壤镉污染分级评价研究

提出一种利用高光谱技术进行土壤镉污染分级评价的方法。以FieldSpec 3地物光谱仪采集厂矿区土壤光谱反射率175份,随机分成校正集（135份）和检验集（40份）。光谱经小波去噪和标准归一化（SNV）处理后,以主成分分析法（PCA）降维。将降维所得的前5个主成分数据为输入变量,分别采用Fisher线性判别、Byes逐步判别、模糊模式识别、BP-ANN判别以及SVM 5种方法建立了土壤镉污染分级评价模型,并利用40个未知样对模型进行检验。结果表明：Fisher线性判别准确率为77.5%,Byes逐步判别与模糊模式识别预测为80.0%,BP-ANN模型预测精度为82.5%,SVM模型预测精度最高,达85.0%。说明采用高光谱技术进行土壤镉污染分级评价是可行,其中SVM是建模的优选算法。     

基于高光谱的城市地面砖表面热环境特性的实验研究

地面砖是城市重要的铺装材料,它的表面特性对城市地面热环境有重要影响,反射率是影响其表面热环境特性的重要因素。由于缺乏观测手段,关于地面砖的反射率特性及其对表面温度的影响还缺乏定量的系统研究。为此,该研究选取了城市铺装常用的混凝土地面砖作为研究对象,利用高光谱技术分别对不同表面颜色、不同粗糙度的地面砖在紫外波段(UV:350~380 nm)、可见光波段(VIS:380~780 nm)、近红外波段(NIR:780~2 500 nm)以及全波段(350~2 500 nm)的反射率特征进行系统观测,同时利用热红外成像技术观测其表面温度特征。结果表明,(1)不同颜色地面砖的全波段反射率SR差异很大,黄色最高(SR=34.28%),然后依次是红色(SR=31.58%)、绿色(SR=23.62%)、灰色(SR=14.06%)。黄色地面砖反射率约为灰色砖反射率的2.5倍,二者相差较大。(2)不同地面砖在不同波段的反射率特征不同。黄色、绿色、红色地面砖在近红外波段呈现出较高的反射率,处于30.08%~41.31%,高于其可见光波段反射率SRVIS和紫外波段反射率SRUV;灰色地面砖在3个不同波段反射率无明显差异。(3)粗糙度可影响近红外波段反射率SRNIR;颜色对全波段反射率SR的影响比粗糙度更加显著。(4)反射率对表面温度影响显著,反射率越高,表面温度越低。黄色砖的全波段反射率SR比灰色砖高出20%,在13:00时,二者的表面温度差值最高达7.64℃。研究结果可为城市铺装规划设计和改善城市热环境提供参考依据。     

Johnson-Ettinger蒸气入侵风险评估模型参数修正研究

Johnson-Ettinger蒸气入侵模型(J-E模型)作为目前应用最广泛的评价蒸气入侵潜在风险的筛选工具,其模型预测结果的准确性影响蒸气入侵风险的判断。通过对J-E模型进行敏感性分析,发现对其预测结果影响较大的参数依次为土壤毛细管层含水率、空气交换指数、封闭空间的体积以及毛细管层的厚度。基于以上分析结果,提出采用美国环境保护局(US EPA)推荐的饱和含水率对毛细管层含水率进行修正,毛细管层厚度采用VG方程描述的水分特征曲线拐点处的毛细管压头进行修正。修正后的J-E模型预测结果与三维数值模拟的计算结果较为吻合,两者的差距不到1个数量级。     

基于高分二号影像的城镇黑臭水体遥感监测

基于我国首颗民用亚米级GF-2卫星遥感影像,以宁海县部分建成区水体为研究对象,根据基于典型遥感水质指标的识别法、基于反射率光谱指数BOI(Black and Odorous Water Index)的黑臭水体识别模型、NDBWI指数来开展疑似黑臭水体的遥感监控,对3种模型信息提取结果进行对比分析,并结合目视解译综合识别...     

有机污染物土壤吸附预测模型及其影响因素

以701种有机化合物的土壤吸附系数作为数据集,选取594种有机化合物作为训练集,剩余107种作为测试集.根据训练集化合物建立土壤吸附系数Koc与辛醇/水分配系数Kow的线性和非线性模型,应用平均残差(AE),平均绝对残差(AAE)和均方根误差(RMSE)来检验模型的预测能力,模型具有良好的预测能力.同时,比较不同类型的化合物的实测值与预测值,发现部分同系物的预测值与实测值存在系统的偏差,这些偏差主要是由吸附机理,溶解度,水解作用,挥发作用,实验误差等原因造成,这些因素均会对土壤吸附系数的预测产生影响.     

基于遥感的北京市体感温度指数反演研究

体感温度指数综合考虑了温度和湿度对人体的影响,可有效表征人体舒适度,对于研究城市热岛效应对人体健康的影响具有重要意义。基于2017年7月10日的Landsat 8卫星影像运用单通道算法反演北京市的地表温度,结合NDVI、MNDWI、海拔及水汽含量等环境因子,构建随机森林模型估算近地表气温;基于同一天的MODIS水汽产品提取大气可降水量,运用逐步回归方法建立近地表水汽含量与大气可降水量、地表温度及海拔之间的关系来估算近地表露点温度,在此基础上计算Humidex指数来表征北京市体感温度的空间分布。结果表明,模型估算的体感温度平均绝对误差(MAE)为1.40℃,均方根误差(RMSE)为1.71℃。北京市7月10日的体感温度范围为24~42℃,具有东南高西北低的分布特征。主城区和近郊区的体感温度显著高于远郊区,并向四周呈递减趋势;受空气湿度的影响,平谷南部、密云河谷一带、延怀盆地以及房山东南部等部分远郊地区的体感温度也比较高。就城市内部的体感温度而言,不同功能区的分布使得体感温度在相邻区域上存在空间差异性,东城区和西城区体感温度最高,平均值达到了39.79℃,丰台区、海淀区、石景山区和朝阳区的平均体感温度也达到了34.29℃。体感温度与气温在空间分布上具有一致性,但整体上高于气温,在主城区和各区中心区域,体感温度比气温高5℃以上。该研究尝试通过遥感手段反演北京地区体感温度指数,获取了北京市体感温度的详细空间分布信息,为城市人居环境和城市热岛效应研究提供了科学参考。     

基于SPOT5影像多辐射校正水平的植被绿量遥感估算

选用南京市SPOT5图像的灰度值(DN)、星上辐射率(SR)、表观反射率(TOA)和地物反射率(PAC)数据,提取了两种植被指数(VI),即归一化植被指数(NDVI)和比值植被指数(RVI),并与地面实测的绿量(LVV)进行相关分析,建立了165个关系模型.结果表明,LVV与VI呈极显著的相关关系,其相关系数多以相对均质植被高于植被总体,基于灰度值高于常用的地物反射率为主.LVV-VI关系模型的R~2均值以多元线性回归模型最高(0.821),指数模型最低(0.536),而1～3次多项式模型均接近0.7.每种植被样方优选出一个模型,即阔叶林LVV-7.802 RVI_(PAC)-2.455(R~2=0.827,RMSE=0.498);针阔叶混交林LVV=-15.421 RVI_(TOA)+26.971 RVI_(DN)-8.261(R~2=0.918,RMSE=0.356);灌木LVV=-342.591 NDVI_(DN)~3-20.553 NDVI_(DN)~2+14.013 NDVI_(DN)+1.509(R~2=0.764,RMSE=0.689);草地LVV=2.934 RVI_(PAC)+2.147 RVI_(TOA)-3.193(R2=0.903,RMSE=0.464);总体植被LVV=1.789RVI_(PAC)-6.814NDVIs+4.258NDVI_(PAC)+12.854 NDVI_(DN)-0.342(R~2=0.810,RMSE=0.638).这些优选模犁的自变量包括了4种辐射校正水平下提取的两种植被指数,显示基于不同辐射校正水平的植被指数在植被LVV遥感反演中具有一定的应用潜力.     

基于无人机大样方草地植被覆盖度及生物量估算方法研究

为了探讨与分析无人机大样方估算草地植被覆盖度的可行性及植被覆盖度与生物量的相关性,利用大疆Phantom3Professiona无人机获取呼伦贝尔草甸草原60 m×60 m大样方数据,利用开关中值滤波及基于维纳滤波的小波变换对图像进行去噪处理,并用直方图均衡化进行图像增强,构建过绿指数与颜色指数,根据最大熵原理,建立植被覆盖度与背景的双阈值目标函数,采用遗传算法寻找最佳分割阈值,从而估算草地植被覆盖度。结合野外同步实地照相法获取1 m×1 m样方数据,利用t检验及计算均方根误差验证基于无人机大样方估算草地植被覆盖度的精度。结果表明,利用过绿植被指数基于遗传算法的最大熵法估算无人机大样方草地植被覆盖度的精度较高(t检验P值为0.272,均方根误差为6.635 6);株高及覆盖度的交叉变量构建的拟合方程效果(R2为0.853 6,RMSE为2.442 0g·m-2,估算精度为83.41%)优于单一变量拟合方程。利用无人机数据及最大熵-遗传算法不仅可以快速、准确、高效地获取植被地面信息,同时也可以为遥感估算植被覆盖度提供地面验证,从而提高植被覆盖度估算模型的精度及模型验证的准确性。     

艾比湖流域地表水水体悬浮物、总氮与总磷光谱诊断及空间分布特征

水体悬浮物(SS)、总氮(TN)和总磷(TP)是衡量水质的一个重要指标。选择新疆艾比湖流域为靶区,基于2015年10月实测光谱数据,采用微分法和反射率变换法以及偏最小二乘法估算水体中的SS、TN和TP的质量浓度。结果表明,(1)水体悬浮物的自然对数(ln SS)的显著性波段出现在350、410、520、570、655和940 nm处,基于偏最小二乘法的ln SS均方根一阶拟合效果最好,P0.01水平下拟合系数r~2=0.3562。此外,ln SS与总氮、总磷存在显著性正相关,相关系数分别为0.506和0.505(P0.01)。(2)水体TN的显著性波段出现在393~399 nm与674~678 nm范围内,水体TN的倒数一阶拟合效果最好,P0.01水平下拟合系数r2=0.438 9;(3)水体TP的显著性波段出现在333、349、862、882和905 nm处,水体TP的倒数一阶拟合最优,P0.01显著性水平下拟合系数r~2=0.634 8。从水体SS、TN和TP浓度的空间分布可知,水体SS、TN和TP含量高值点位于艾比湖的北岸,基于最优模型反演的SS、TN和TP的浓度整体偏高,且与原始数据的空间分布相差不明显。综上所述,利用光谱数据可以精准、快速的估算水体悬浮物、总氮和总磷,可为水质的评价提供科学依据,亦可为今后利用星载高光谱传感器对艾比湖流域水质参数进行大面积估算提供新思路。     

基于多元线性模型、支持向量机(SVM)模型和地统计方法的地表水溶解性总固体(TDS)估算及其精度对比——以艾比湖流域为例

地表水溶解性总固体(TDS)是地表水各组分浓度的总指标,是地表水水化学特性长期演变的最终结果,也是表征水文地球化学作用过程的重要参数,TDS的高低直接影响地表水的含盐量.本研究以艾比湖流域为研究对象,结合实测地表水TDS数据;选用准同步的Landsat OLI数据,首先,利用光谱诊断指数选取与地表水TDS相关性较高的波段,其次,利用地统计方法、多元线性回归模型和支持向量机(SVM)模型对TDS进行预测,并对其结果进行精度比较.结果表明,SVM模型为最优估测模型,拟合决定系数R2为0.97,均方误差(RMSE)为50.59;多元线性回归模型的精度与SVM模型精度较为接近,拟合决定系数R2为0.9,RMSE为66.55;地统计克里格插值法预测精度最低,拟合决定系数R2为0.87,RMSE为95.73.遥感估测SVM模型预测值在大区域能较好地反映出艾比湖流域TDS的总体特征.该模型在水质遥感领域的应用中具有良好的可行性和有效性,其预测结果也与艾比湖流域水体TDS的实际分布相吻合,因此遥感估测SVM模型在水质估测中具有一定的应用潜力.