CN110174359B - 一种基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法 - Google Patents

Abstract

本发明属于土壤环境监测与评价领域，具体涉及一种基于高斯过程回归的航空高光谱遥感技术针对于土壤重金属浓度评估方法。该方法包括：1)采集研究区土壤样本，测定重金属浓度；2)获取研究区成像光谱数据；3)将成像光谱数据转换为成像反射率数据；4)将成像反射率数据通过混合像元分解方法提取得到研究区土壤分布图，获得仅具有土壤属性的成像反射率数据；5)利用高斯过程回归方法针对测定的重金属浓度和仅具有土壤属性的成像反射率数据进行建模；6)将获得的成像反射率数据输入建立好的模型，得到研究区内土壤重金属浓度的预测值。本方法具有非接触性、大范围连续地理空间、快速高效进行土壤重金属浓度评估的特点。

Description

一种基于高斯过程回归的航空高光谱影像土壤重金属浓度评 估方法

技术领域

发明涉及土壤环境监测与评价领域，具体涉及一种基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法。

背景技术

近年来，我国环境污染问题持续严重，为了更加高效的对土壤中重金属浓度进行监测评估，通过新技术新方法对土壤重金属浓度进行监测很有必要。传统土壤重金属浓度监测方法为野外土壤采样进行实验室化验测定，这种方法过于耗时耗力，而且获取的土壤重金属为点状信息，即使通过地理学空间插值方法也无法得到可信度较高的面状信息，不能对区域内连续地理空间进行分析判断。

常用的土壤重金属含量估算建模算法有偏最小二乘回归(PLS)、多元线性回归(MLR)等。其中偏最小二乘是土壤重金属含量估算建模中使用最广泛的算法。目前，土壤重金属相关研究较多针对地面实验室光谱进行分析，而基于成像高光谱遥感进行土壤重金属含量估算研究极少，原因是航空成像高光谱数据本身特点与地面实验室光谱数据特性差异较大，使得室内光谱得到的结论不能简单迁移至成像高光谱研究，从而一定程度限制了高光谱遥感在土壤重金属含量估算与制图中的应用。

中国专利申请号201710900422.8，申请日为2017年9月28日的申请案公开了基于无人机高光谱反演土壤中重金属污染监测方法，其监测方法的具体步骤如下：现场采样；样本预处理；使用X射线荧光分析仪采集样本的重金属污染源的主要研究元素的含量；利用地物光谱仪采集样本的实验室高光谱反射率；对原始光谱反射率数据分别进行数据处理；对使用偏最小二乘回归算法分别将已经测得的主要研究元素的含量分别与实验室高光谱原始反射率数据、倒数、对数、一阶微分以及二阶微分数据进行相关性分析并对模型进行验证优化，获得最优的变换方法，使用搭载高光谱成像光谱仪的无人机采集研究区高光谱反射率数据作为待测数据，大面积反演重金属含量。上述方法中X射线荧光分析仪所测定的土壤重金属浓度的精确度远远达不到数据分析的精度要求，同时，该方法虽然可以一定程度上服务于土壤重金属空间分布制图，但基于旋翼的无人机高光谱数据获取能力较低，无法大范围应用；且其数据分析方法过于传统，也未给出实例验证结果。重金属的特征波段之间存在非线性空间关系，传统的偏最小二乘方法在面对大范围研究区域时所产生的空间异质性问题不能有效的克服。

如中国专利申请号201710640033.6，申请日为2017年12月25日的申请案公开了获取待测土壤的高光谱遥感的反射率光谱；根据所述反射率光谱，获取与所述待测重金属类别对应的预设波段的反射率；根据所述反射率，利用预先建立的土壤重金属含量估算模型计算土壤中待测重金属的含量。其利用反射率光谱中的预设波段(土壤中用于吸附和固定所述待测重金属的活性物质的特征光谱的敏感波段)的反射率计算土壤中待测重金属的含量，可以得到高精度的土壤重金属含量，减少波段冗余。该专利为室内分析结果，野外大范围推广应用还有待验证。

高斯过程回归(Gaussian Process Regression,GPR)是使用高斯过程(GaussianProcess,GP)先验对数据进行回归分析的非参数模型(non-parameteric model)。GPR在各类低维的回归问题中均可应用，尤其是时间序列数据的预测，包括冒纳罗亚观测站的全球对流层平均二氧化碳浓度、风速、土壤温度、太阳辐射的有关变量等。上述属于时间序列数据的预测，而将GPR用于高光谱影像在空间维和光谱维的多特征数据评估土壤重金属浓度目前未有文献报道。

发明内容

1.要解决的问题

针对于现有技术中的探测技术在成像光谱数据质量方面的不足、数据获取能力低、分析结果精度不足的问题，通过高斯过程回归方法与航空高光谱影像结合建立研究区土壤重金属预测模型，进而实现超过100km²覆盖区的非接触性、大范围连续地理空间、快速高效研究区土壤重金属浓度制图。

2.技术方案

为了解决上述问题，本发明所采用的技术方案如下：

步骤1)、采集研究区土壤样本：研究区选择我国东北重工业地区的黑土地区，在研究区内进行均匀选取采样点，但每个采样点位置的确定需要结合影像空间分辨率与采样点处的地形地貌综合考虑，应尽量选择地表属性比较单一的区域确定土壤采样点位置，这样便于后期准确获取影像中采样点处对应的光谱，具体进行时依据面积大于3*3范围影像空间分辨率单位的区域内确定采样点位置。

每处采样点按照梅花桩式方法采集4～6个地表2cm厚度的土壤样本；每个采样点处坐标记录通过实时动态差分定位方法(RTK)精密确定，实际操作中通过基准站-移动站方式实现，基准站假设在研究区海拔最高处山顶，且山顶无遮挡物。

步骤2)、土壤样本中重金属浓度及有机质等要素实验室化学测定；通过电感耦合等离子体质谱(ICP-MS)方法及国标要求操作对土壤重金属的浓度进行化验测定；

步骤3)、利用航空机载平台及成像光谱仪获取研究区成像光谱数据；通过镜头焦距、行高设置、航线规划等，调整成像光谱仪系统所获取数据空间分辨率；成像光谱数据分析过程中，空间分辨率太低则混合像元问题严重，不利于后期建模分析；通过调整镜头焦距及机载平台的飞行航高确定本发明使用数据空间分辨率为4.5m；

步骤4)、航空高光谱数据预处理，所述预处理包括几何校正、辐射定标、大气校正和条带拼接，航空机载平台获取的数据无地理空间坐标，通过机载定向定位系统将成像空间坐标系依次转换至地理空间坐标系完成几何校正，使得每一个影像像元具有地理空间坐标；在几何校正的基础上将成像光谱仪获取的数字信号，根据辐射定标参数转换为入瞳处光谱辐射强度，使得影像数据具有光谱物理意义；再结合前期获取的气象相关数据，通过Mondtran大气辐射传输模型完成大气校正；通过预处理之后，原始数据转换为研究区成像反射率数据，该成像反射率数据具有“图谱合一”(地理空间属性与光谱空间属性)的特点；

步骤5)、将步骤4)得到的成像反射率数据通过混合像元分解方法提取得到研究区土壤分布图，获得仅具有土壤属性的成像反射率数据；

步骤6)、利用高斯过程回归方法对土壤重金属浓度与步骤5)获得的成像反射率数据之间进行建模，包括以下步骤：

6-1)将步骤1)中测定的重金属浓度与采样点处对应的成像反射率数据组合，形成研究数据集；

6-2)通过皮尔逊相关分析计算采样点重金属浓度与成像反射率数据的相关性，将相关性较高的成像反射率数据作为建模准备数据；

6-3)将研究数据集划分训练数据集和验证数据集；所述训练数据集和验证数据集的比例为2：1；重金属浓度的最高值与最低值所在样本包含于训练集数据集；

6-4)通过高斯过程回归方法在训练数据集上针对测定的重金属浓度和仅具有土壤属性的成像反射率数据进行建模，通过所述验证数据集进行模型精度检验。

步骤7)、将研究区土壤成像反射率数据(研究区土壤影像数据)输入建立好的模型，得到关于土壤重金属浓度预测值和大范围连续地理空间制图。

本发明的方法利用高斯过程回归方法进行重金属的特征光谱波段之间的复杂线性关系拟合，拟合效果较好，利于推广。

作为本发明更进一步的改进，所述步骤3)中的光谱数据为HyMap-C系统获取的影像块，是具有超过136个光谱波段覆盖光谱范围为0.4～2.5μm的影像数据。

作为本发明更进一步的改进，所述步骤6)中，通过高斯过程回归方法在训练数据集上进行重金属浓度与光谱波段之间的模型建立的具体步骤如下：

a)将选择好的训练数据集输入高斯过程回归模型；

b)通过10折交叉验证方法对于高斯过程回归模型的参数不断进行调整；

c)设置50次循环，不断重复a)和b)，在循环的所有结果中选择模型出现

最高和RMSE_C最小时模型的参数设置为最佳模型；所述的

为模型在训练数据集中的决定系数评价指标，RMSE_C为模型在训练数据集中的均方根误差评价指标。

d)将验证数据集输入c)中得到的最佳模型中进行验证数据集精度验证，记录验证数据集的

和RMSE_P评价结果；所述

为模型在验证数据集中的决定系数评价指标，RMSE_P为模型在验证数据集中的决定系数评价指标；

e)对验证数据集结果进行分析总结。

3.有益效果

相比于现有技术，本发明的有益效果为：

(1)本发明的基于高斯过程回归的航空高光谱影像的土壤重金属浓度评估方法，克服现有探测技术在成像光谱数据质量方面的不足、数据获取能力有限、分析结果精度低的缺陷，通过航空高光谱影像技术，同时引入高斯过程回归方法用于建立研究区土壤重金属预测模型，进而实现超过100km²覆盖区的非接触性、大范围连续地理空间的土壤重金属浓度制图。

(2)本发明的基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法，将高斯过程回归方法用于高光谱影像在空间维和光谱维的多特征数据预测土壤重金属浓度，首先将测定的土壤重金属浓度与采样点处的成像反射率数据(光谱数据)组合，形成研究数据集，再通过计算相关性，将相关性较高的成像反射率数据(光谱数据)作为建模准备数据，从而将研究数据集划分训练数据集和验证数据集并通过高斯过程回归方法在训练数据集上进行模型建立，验证数据集用于精度检验，利用上述方法对具有重金属的特征光谱波段之间的复杂线性关系进行拟合，拟合效果好，利于推广。

附图说明

图1为本发明方法分析评估的吉林伊通研究区土壤重金属As浓度分布图。

具体实施方式

下面结合具体实施例对本发明进一步进行描述。

实施例

本实施例的基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法，包括以下步骤：

第一步，采集研究区土壤样本：研究区选择我国东北重工业地区的黑土地研究区，在研究区内主要沿河流分布进行均匀选取采样点，但每个采样点位置的确定需要结合影像空间分辨率与采样点处的地形地貌综合考虑，应尽量选择地表属性比较单一的区域确定土壤采样点位置，这样便于后期准确获取影像中采样点处对应的光谱；每处采样点按照梅花桩式方法采集4～6个地表2cm厚度的土壤样本；研究区共采集样本95个；每个采样点处坐标记录通过实时动态差分定位法(RTK)精密确定，实际操作中通过华测RTK基准站-移动站方式实现，基准站假设在研究区海拔最高处山顶，且山顶无遮挡物。

第二步，土壤样本中重金属浓度及有机质等要素实验室化学测定；通过电感耦合等离子体质谱(ICP-MS)方法及国标要求操作对土壤重金属As的浓度进行化验测定；

第三步，利用航空机载平台及成像光谱仪获取研究区成像光谱数据；通过镜头焦距、行高设置、航线规划等，调整成像光谱仪系统所获取数据空间分辨率；成像光谱数据分析空间分辨率太低则混合像元问题严重，不利于后期建模分析；通过调整镜头焦距及机载平台的飞行航高确定本发明使用数据空间分辨率为4.5m；成像光谱飞行数据获取在当日10:30至14:00期间进行，以保证成像数据光谱辐射质量满足分析要求，飞行条带按30％旁向重叠设置，最终获取研究区成像光谱9个条带数据；航空飞行时应同时获取当地气象数据，以服务于后期的大气校正；

第四步，航空高光谱数据预处理，包括几何校正、辐射定标、大气校正和条带拼接等；航空机载平台获取的数据无地理空间坐标，通过机载定向定位系统将成像空间坐标系依次转换至地理空间坐标系完成几何校正，使得每一个影像像元具有地理空间坐标；在几何校正的基础上将成像光谱仪获取的数字信号，根据辐射定标参数转换为入瞳处光谱辐射强度，使得影像数据具有光谱物理意义；再通过前期第三步获取的气象相关数据，通过Mondtran大气辐射传输模型完成大气校正；通过预处理之后，原始数据转换为研究区成像反射率数据，具有“图谱合一”(地理空间属性与光谱空间属性)的特点；

航空成像高光谱评估土壤重金属浓度与室内光谱评估相比，其难点在于：成像高光谱拥有成千上万的光谱数据，而其中研究区范围较大的话土壤光谱的差异性会逐渐增大，同时土壤重金属浓度的差异也会增大，也就是说土壤重金属浓度样本存在光谱和重金属浓度的天然差异；本发明利用高斯过程回归方法采用非参数统计、贝叶斯概率近似推断等策略的特点，应用在航空成像高光谱影像评估土壤重金属的方法中，能够提供具有强解释性的概率模型。

第五步、将第四步得到的成像反射率数据通过混合像元分解方法提取得到研究区土壤分布图，获得仅具有土壤属性的成像反射率数据；利用高斯过程回归方法对土壤重金属浓度与获得的仅具有土壤属性的成像反射率数据之间进行建模，包括以下步骤：

5-1)将采样点重金属浓度数据与影像中采样点位置对应处的光谱数据组合，形成研究数据集；并将数据集按照2：1比例划分训练数据集和验证数据集，划分时重金属浓度的最高值与最低值所在样本包含于训练集数据集；

5-2)通过皮尔逊相关分析计算采样点重金属浓度与光谱波段的相关性，将相关性较高的光谱波段选择为建模准备数据；通过高斯过程回归方法在训练数据集上进行重金属浓度与光谱波段之间的模型建立，建模具体步骤如下：

a)将选择好的训练数据集输入高斯过程回归模型；

b)通过8折交叉验证方法对于高斯过程回归模型的参数不断进行调整；

c)设置50次循环，不断重复a)和b)，在循环的所有结果中选择模型出现

最高和RMSE_C最小时模型的参数设置为最佳模型；

d)将验证数据集输入c)中得到的最佳模型中进行验证数据集精度验证，记录验证数据集的

和RMSE_P评价结果；

e)对验证数据集结果进行分析总结。

第六步，将成像反射率数据(研究区影像数据)输入建立好的模型，得到研究范围内土壤重金属浓度预测值及大范围连续地理空间制图。

对比例

本对比例基本同实施例，区别在于分别使用传统方法，采用训练学习器调参后建立估算模型，最后将验证数据集输入模型以评价模型精度。传统方法选择偏最小二乘(PLS),以及近年来受到重点研究的支持向量机回归(SVR)和随机森林(RF)。其中PLS方法是传统室内光谱分析的经典方法，而SVR和RF则是在人工智能和机器学习领域非常受欢迎的研究方法。通过将GPR方法与经典方法、预测前沿研究领域的方法进行对比分析，可以观察得到GPR方法更适于样本数量小、重金属样本浓度极差较大的情况，所建立的模型泛化性能好，在验证数据集上的表现优于其他模型。具体的，高斯过程回归方法(GPR)方法在验证数据集上的

最的，同时RMSE_P最低。

对于重金属As，共4个估算模型的各项评价指标如下表1。

表1实例与对比例模型评价结果

Claims (7)

1.一种基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法，其特征在于：包括以下步骤：

1)采集研究区土壤样本，测定重金属浓度；

2)利用航空机载平台及成像光谱仪获取研究区成像光谱数据；

3)将步骤2)获得的成像光谱数据进行预处理，将光谱数据转换为具备地理空间属性与光谱空间属性的成像反射率数据；

4)将步骤3)得到的成像反射率数据通过混合像元分解方法提取得到研究区土壤分布图，获得仅具有土壤属性的成像反射率数据；

5)利用高斯过程回归方法在测定的重金属浓度和仅具有土壤属性的成像反射率数据之间建立模型；所述步骤5)具体包括以下步骤：

5-1)将步骤1)中测定的重金属浓度与步骤4)采样点处对应的成像反射率数据组合，形成研究数据集；

5-2)通过皮尔逊相关分析计算采样点重金属浓度与成像反射率数据的相关性，将相关性较高的成像反射率数据作为建立模型准备数据；

5-3)将研究数据集划分训练数据集和验证数据集；

5-4)通过高斯过程回归方法在训练数据集上针对重金属浓度和仅具有土壤属性的成像反射率数据进行模型建立，通过所述验证数据集进行模型精度检验；

6)将步骤4)中获得的成像反射率数据输入建立好的模型，得到研究区内土壤重金属浓度的评估值。

2.根据权利要求1所述的基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法，其特征在于：所述步骤5-3)中，重金属浓度的最高值与最低值所在样本包含于所述训练数据集。

3.根据权利要求1或2所述的基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法，其特征在于：步骤1)中依据面积大于3*3范围影像空间分辨率单位的区域内确定采样点位置。

4.根据权利要求3所述的基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法，其特征在于：所述采样点处坐标记录通过实时动态差分定位方法精密确定。

5.根据权利要求4所述的基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法，其特征在于：所述步骤3)中预处理包括几何校正、辐射定标、大气校正和条带拼接。

6.根据权利要求5所述的基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法，其特征在于：所述步骤2)中的光谱数据为HyMap-C系统获取的影像块，是具有超过136个光谱波段覆盖光谱范围为0.4～2.5μm的影像数据。

7.根据权利要求6所述的基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法，其特征在于：所述步骤5-4)中模型建立的具体步骤如下：

a)将选择好的训练数据集输入高斯过程回归模型；

b)通过10折交叉验证方法对于高斯过程回归模型的参数不断进行调整；

c)设置50次循环，不断重复a)和b)，在循环的所有结果中选择模型出现

最高和RMSE_C最小时模型的参数设置为最佳模型；所述的

为模型在训练数据集中的决定系数评价指标，RMSE_C为模型在训练数据集中的均方根误差评价指标；

d)将验证数据集输入c)中得到的最佳模型中进行验证数据集精度验证，记录验证数据集的

和RMSE_P评价结果；所述

为模型在验证数据集中的决定系数评价指标，RMSE_P为模型在验证数据集中的决定系数评价指标；

e)对验证数据集结果进行分析总结。

Images