CN111579500A - 联合室内外光谱的波段及比值组合的重金属含量支持向量机回归方法 - Google Patents
联合室内外光谱的波段及比值组合的重金属含量支持向量机回归方法 Download PDFInfo
- Publication number
- CN111579500A CN111579500A CN202010427959.9A CN202010427959A CN111579500A CN 111579500 A CN111579500 A CN 111579500A CN 202010427959 A CN202010427959 A CN 202010427959A CN 111579500 A CN111579500 A CN 111579500A
- Authority
- CN
- China
- Prior art keywords
- soil
- spectrum
- heavy metal
- sample
- outdoor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 120
- 229910001385 heavy metal Inorganic materials 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 38
- 239000002689 soil Substances 0.000 claims abstract description 115
- 238000006243 chemical reaction Methods 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 239000008186 active pharmaceutical agent Substances 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 239000000523 sample Substances 0.000 claims description 71
- 230000002596 correlated effect Effects 0.000 claims description 27
- 230000003595 spectral effect Effects 0.000 claims description 22
- 238000002310 reflectometry Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 12
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 claims description 11
- 229910052804 chromium Inorganic materials 0.000 claims description 11
- 239000011651 chromium Substances 0.000 claims description 11
- 238000010219 correlation analysis Methods 0.000 claims description 10
- 230000001419 dependent effect Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000010987 Kennard-Stone algorithm Methods 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012353 t test Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000004069 differentiation Effects 0.000 claims description 5
- 238000003321 atomic absorption spectrophotometry Methods 0.000 claims description 4
- 239000012535 impurity Substances 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 4
- 239000004677 Nylon Substances 0.000 claims description 3
- 238000000692 Student's t-test Methods 0.000 claims description 3
- 239000000919 ceramic Substances 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 claims description 3
- 229910052736 halogen Inorganic materials 0.000 claims description 3
- 150000002367 halogens Chemical class 0.000 claims description 3
- 229920001778 nylon Polymers 0.000 claims description 3
- 238000007873 sieving Methods 0.000 claims description 3
- 239000002344 surface layer Substances 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000010238 partial least squares regression Methods 0.000 description 2
- 238000002835 absorbance Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 229910052785 arsenic Inorganic materials 0.000 description 1
- 229910052793 cadmium Inorganic materials 0.000 description 1
- 230000000711 cancerogenic effect Effects 0.000 description 1
- 231100000315 carcinogenic Toxicity 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002734 clay mineral Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- UQSXHKLRYXJYBZ-UHFFFAOYSA-N iron oxide Inorganic materials [Fe]=O UQSXHKLRYXJYBZ-UHFFFAOYSA-N 0.000 description 1
- 235000013980 iron oxide Nutrition 0.000 description 1
- VBMVTYDPPZVILR-UHFFFAOYSA-N iron(2+);oxygen(2-) Chemical class [O-2].[Fe+2] VBMVTYDPPZVILR-UHFFFAOYSA-N 0.000 description 1
- 239000003041 laboratory chemical Substances 0.000 description 1
- 229910052745 lead Inorganic materials 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- -1 organic matters Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 229910052725 zinc Inorganic materials 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种联合室内外光谱的波段及比值组合的重金属含量支持向量机回归方法，其步骤包括：步骤S1：土壤样品采集及土壤光谱测定；步骤S2：KS‑DS算法构建光谱转换模型；步骤S3：光谱预处理及相关分析；步骤S4：融合室内外光谱的支持向量机重金属含量反演模型构建，进行检测。本发明具有原理简单、反演精度高、检测效果好等优点。
Description
技术领域
本发明主要涉及到土壤重金属检测技术领域，特指一种联合室内外光谱的波段及比值组合的重金属含量支持向量机回归方法。
背景技术
土壤中重金属的大量累积可污染农作物、通过食物链危害人体健康，引发致癌风险。准确、高效测定土壤重金属含量进而有效开展重金属污染土壤综合防治正逐渐成为全球范围关注的热点。目前，土壤重金属含量调查多借助实地采样和原子吸收分光光度法实验室化学分析测定。该方法虽精度高、可靠性强，但成本高，且耗时耗力。
高光谱技术以其波段数多，分辨率高，光谱连续性强的优势，已被广泛应用于复杂土壤组分的定量化反演研究中。土壤高光谱遥感反演在土壤黏土矿物、铁氧化物、有机质、水分以及氮等组分的含量预测等方面得到了成功应用。同时，高光谱技术在土壤重金属污染监测的研究中也发现，重金属污染土壤的光谱曲线与不受重金属污染的土壤光谱曲线存在显著差异。国内外研究人员以河漫滩平原、矿区、农田为例，先后探究了土壤光谱与Cd、Zn、Cu、As、Pb等重金属含量间的响应关系；成功建立了光谱吸收谷面积、不对称度等光谱特征参量与重金属含量间的经验统计模型；在对光谱进行平滑、微分、吸收度变换等预处理的基础上，将不同波段反射率比值、差值与重金属含量进行了曲线拟合，开展了强相关性波段与重金属含量的多元回归建模，基于光谱主成分的多元回归建模，以及偏最小二乘回归(PLSR)建模。
尽管上述土壤重金属含量高光谱反演建模中，具有花费较少、效率较高的优势，但由于室内、室外大气等环境条件不同导致的土壤光谱差异，使得室内光谱难以有效直接应用于野外大范围土壤重金属污染调查；单波段容易造成地物的可辨识性不强，土壤背景信息不容易分离，影响重金属反演效果；土壤成分复杂，重金属含量线性回归效果不理想。
为此，亟需找到一种可在野外直接利用土壤室外光谱大范围高效反演土壤重金属含量的方法。
发明内容
本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种原理简单、反演精度高、检测效果好的联合室内外光谱的波段及比值组合的重金属含量支持向量机回归方法。
为解决上述技术问题，本发明采用以下技术方案：
一种联合室内外光谱的波段及比值组合的重金属含量支持向量机回归方法，其特征在于，步骤包括：
步骤S1：土壤样品采集及土壤光谱测定；
步骤S2：KS-DS算法构建光谱转换模型；即，构建选取的转换集样品的室内、室外光谱转换模型；
步骤S3：光谱预处理及相关分析；即，采用构建的土壤室内外光谱转换模型将土壤样品室外光谱进行光谱转换，得到转换后的土壤室外光谱数据；构建强相关波段及波段比值组合模型，波段光谱反射率与样本重金属含量间Pearson相关系数找出指示土壤重金属含量差异的强相关波段；用每个强相关波段分别与其他强相关波段做比值处理，并逐一与重金属含量做相关分析，找出强相关波段比值；
步骤S4：融合室内外光谱的支持向量机重金属含量反演模型构建，进行检测。即，构建融合室内外光谱的支持向量机重金属含量反演模型；强相关性波段和波段比值组合作为模型的输入变量，土壤铬含量为因变量，用训练样本训练支持向量机模型，用训练好的模型反演重金属含量。
作为本发明的进一步改进：所述步骤S1包括：
步骤S101：土壤样品采集：采用格网取样法采集自然污染土壤表层样品；
步骤S102：土壤光谱测定：野外采集土样时，同步采集室外土壤光谱；室外光谱采用地物光谱仪测量，测试前进行白板定标，获取绝对反射率；每个土样测试过程中重复测定350-2500nm光谱波段范围若干条反射光谱曲线，取算术平均值作为该土样的实际反射光谱数据；同样方法测量室内土壤样本得到室内光谱曲线。
作为本发明的进一步改进：所述步骤S101中，将土壤样品带回室内，首先在阴凉通风室内风干，去除土壤中杂质；然后采用陶瓷用具研磨、过100目尼龙筛，以备土壤基本理化性质和光谱学特性测定试验所用；然后采用原子吸收分光光度法测定土壤重金属含量。
作为本发明的进一步改进：所述步骤S102中，测试光源为1000W卤素灯，5°视场角，光源照射方向与垂直方向夹角15°；光源距离设置为30cm，探头距离5cm；测量过程探头保持与土壤样本平面成45°角。
作为本发明的进一步改进：所述步骤S2包括：
步骤S201：利用Kennard-Stone算法通过计算采样土壤室内光谱之间的欧氏距离，选择转换集样品；
步骤S202：采用直接校正算法构建选取的转换集样品的室内、室外光谱转换模型；采用构建的土壤室内外光谱转换模型将土壤样品室外光谱进行光谱转换，得到转换后的土壤室外光谱数据。
作为本发明的进一步改进：所述Kennard-Stone算法具体实现步骤为：首先，选择两两样本之间距离最大的两个样本作为第一个和第二个转换集样品；然后，分别计算剩余的样本与已选样本之间的距离；对于每个剩余样本而言，其与已选样品之间的最短距离被选择，然后选择这些最短距离中相对最长的距离所对应的样本，作为第三个转换集样品；重复直至所选的转换集样品的个数等于事先确定的数目为止。
作为本发明的进一步改进：所述步骤S3包括：
步骤S301：光谱去噪：采用光谱去噪方法，去除首尾信噪比较低的波段350-380nm和2410-2500nm，室外光谱还去掉受水汽影响严重的波段1880-1965nm；
步骤S302：光谱微分：用差分近似对离散光谱数据进行微分，方法如下：
式中，Ri表示第i个波段光谱的反射率，wi表示第i个波段的波长；
步骤S303：光谱重采样：对各样本光谱的350-2500nm间的1024个波段进行间隔为10nm的采样，算术平均值计算后的重采样波段数为198个；
步骤S304：相关分析：波段光谱反射率与样本重金属含量间Pearson相关系数用于表征指示土壤重金属含量差异的强相关波段，计算公式为：
式中，Xi代表光谱第i个波段反射率，Y代表样本重金属含量，σ代表标准差，相关系数t检验过程中0.05水平显著的波段为强相关波段；用每个强相关波段分别与其他强相关波段做比值处理，并逐一与重金属含量做相关分析，t检验过程中0.05水平显著波段比值为强相关波段比值。
作为本发明的进一步改进：所述步骤S4包括：
步骤S401：强相关性波段和波段比值组合作为模型的输入变量，土壤铬含量为因变量，70％土壤样本为训练样本，30％样本为测试样本，粒子群算法搜索支持向量机SVM参数，训练SVM模型；
步骤S402：用训练好的SVM模型反演重金属含量。
与现有技术相比，本发明的优点在于：
1、本发明的联合室内外光谱的波段及比值组合的重金属含量支持向量机回归方法，考虑到土壤室内、室外光谱内在的关联一致性，同时顾及地理环境要素对于土壤光谱反射率值的变化影响，选择合适的转换集，构建室内、室外土壤光谱的关联转换模型，采用构建的土壤室内外光谱转换模型将土壤样品室外光谱进行光谱转换，得到转换后的土壤室外光谱数据，消除环境条件导致的土壤光谱差异；考虑单波段容易造成地物的可辨识性不强，土壤背景信息不容易分离，通过比值增强加强地物之间的对比度，减弱背景而突出地物信息，建立强相关波段及波段比值组合模型来进行重金属浓度的反演；考虑土壤成分复杂，重金属含量线性回归效果不理想，引入能够较好地解决小样本、非线性、高维数和局部最小点等实际问题的支持向量机模型，以强相关波段及波段比值组合为输入自变量，土壤重金属含量为因变量，构建融合室内外光谱的支持向量机重金属含量反演模型，以提高反演精度。
2、本发明的联合室内外光谱的波段及比值组合的重金属含量支持向量机回归方法，针对单波段容易造成地物的可辨识性不强，通过比值增强加强地物之间的对比度；针对土壤光谱各波段之间的环境条件和变化是相同的，所以对波段间进行比值运算，可以减弱背景而突出局部地物信息，达到增强目标地物的效果。本发明通过构建强相关波段及波段比值组合模型来进行重金属浓度的反演。
2、本发明的联合室内外光谱的波段及比值组合的重金属含量支持向量机回归方法，采用支持向量机(SVM)的方式，不仅结构简单,而且能够较好地解决小样本、非线性、高维数和局部最小点等实际问题，SVM进行土壤参数预测的研究也取得了较好的进展。本发明以强相关波段及波段比值组合为输入自变量，土壤重金属含量为因变量，构建了融合室内外光谱的支持向量机重金属含量反演模型。即，本发明以强相关波段及波段比值组合为输入自变量，土壤重金属含量为因变量，构建融合室内外光谱的支持向量机重金属含量反演模型，以提高反演精度。
附图说明
图1是本发明方法的流程示意图。
图2是本发明在具体应用实例中室外光谱处理的流程示意图；其中(a)为室外光谱的示意图；(b)为室外转换光谱的示意图；(c)为室外光谱预处理的示意图。
图3是本发明在具体应用实例中铬含量与波段相关性的示意图；其中(a)为铬含量与波段相关性示例的示意图；(b)为铬含量与波段比值相关性示例的示意图；(c)为铬含量强相关波段及波段比值组合示例的示意图；(d)为铬含量回归模型散点图示例的示意图。
具体实施方式
以下将结合说明书附图和具体实施例对本发明做进一步详细说明。
如图1-图3所示，本发明的联合室内外光谱的波段及比值组合的重金属含量支持向量机回归方法，其步骤为：
步骤S1：土壤样品采集及土壤光谱测定；
步骤S2：KS-DS算法构建光谱转换模型；即，构建选取的转换集样品的室内、室外光谱转换模型；
步骤S3：光谱预处理及相关分析；即，采用构建的土壤室内外光谱转换模型将土壤样品室外光谱进行光谱转换，得到转换后的土壤室外光谱数据；构建强相关波段及波段比值组合模型，波段光谱反射率与样本重金属含量间Pearson相关系数找出指示土壤重金属含量差异的强相关波段；用每个强相关波段分别与其他强相关波段做比值处理，并逐一与重金属含量做相关分析，找出强相关波段比值；
步骤S4：融合室内外光谱的支持向量机重金属含量反演模型构建，进行检测。即，构建融合室内外光谱的支持向量机重金属含量反演模型。强相关性波段和波段比值组合作为模型的输入变量，土壤铬含量为因变量，用训练样本训练支持向量机模型，用训练好的模型反演重金属含量。
在具体应用实例中，步骤S1的具体步骤包括：
步骤S101：土壤样品采集：采用格网取样法采集自然污染土壤表层(0-20cm)样品。
如具体应用中，为了消除或者减弱土壤中的水分、粒径、杂质等对土壤光谱数据的影响，将土壤样品带回室内，首先在阴凉通风室内风干，去除土壤中石块、植物碎片等杂质；然后采用陶瓷用具研磨、过100目尼龙筛，以备土壤基本理化性质和光谱学特性测定试验所用。采用原子吸收分光光度法测定土壤重金属含量；
步骤S102：土壤光谱测定：野外采集土样时，同步采集室外土壤光谱。室外光谱采用PSR-3500便携式地物光谱仪测量，测试前进行白板定标，获取绝对反射率；每个土样测试过程中重复测定350-2500nm光谱波段范围10条反射光谱曲线，取算术平均值作为该土样的实际反射光谱数据；同样方法测量室内土壤样本得到室内光谱曲线，如测试光源为1000W卤素灯，5°视场角，光源照射方向与垂直方向夹角15°；光源距离设置为30cm，探头距离5cm；测量过程探头保持与土壤样本平面成45°角。
在具体应用实例中，步骤S2的具体步骤包括：
步骤S201：利用Kennard-Stone算法通过计算采样土壤室内光谱之间的欧氏距离，选择转换集样品。Kennard-Stone算法具体实现步骤为：首先，选择两两样本之间距离最大的两个样本作为第一个和第二个转换集样品；然后，分别计算剩余的样本与已选样本之间的距离；对于每个剩余样本而言，其与已选样品之间的最短距离被选择，然后选择这些最短距离中相对最长的距离所对应的样本，作为第三个转换集样品；重复直至所选的转换集样品的个数等于事先确定的数目为止。
步骤S202：采用直接校正算法(DirectStandardization，DS)构建选取的转换集样品的室内、室外光谱转换模型；采用构建的土壤室内外光谱转换模型将土壤样品室外光谱进行光谱转换，得到转换后的土壤室外光谱数据；
在具体应用实例中，步骤S3的具体步骤包括：
步骤S301：光谱去噪：为保证光谱测量过程中数据的有效性与增强光谱特征差异，采用光谱去噪方法，去除首尾信噪比较低的波段350-380nm和2410-2500nm，室外光谱还去掉受水汽影响严重的波段1880-1965nm；
步骤S302：光谱微分：微分在信号提取中可以消除部分共有系统误差。但顾及微分信号提取中对噪声的放大，本发明用差分近似对离散光谱数据进行微分，方法如下：
式中，Ri表示第i个波段光谱的反射率，wi表示第i个波段的波长；
步骤S303：光谱重采样：高光谱数据相邻波段往往高度相关，存在信息冗余。重采样能降低波段之间的相关性，提高数据处理效率、方便模型建立。本研究对各样本光谱的350-2500nm间的1024个波段进行间隔为10nm的采样，算术平均值计算后的重采样波段数为198个；
步骤S304：相关分析：相关性分析可以反映两个变量间线性关系的强弱，本发明波段光谱反射率与样本重金属含量间Pearson相关系数可用于表征指示土壤重金属含量差异的强相关波段，计算公式为：
式中，Xi代表光谱第i个波段反射率，Y代表样本重金属含量，σ代表标准差，相关系数t检验过程中0.05水平显著的波段为强相关波段；用每个强相关波段分别与其他强相关波段做比值处理，并逐一与重金属含量做相关分析，t检验过程中0.05水平显著波段比值为强相关波段比值。
在具体应用实例中，步骤S4的具体步骤包括：
步骤S401：强相关性波段和波段比值组合作为模型的输入变量，土壤铬含量为因变量，70％土壤样本为训练样本，30％样本为测试样本，粒子群算法(PSO)搜索支持向量机(SVM)参数，训练SVM模型；
步骤S402：用训练好的SVM模型反演重金属含量。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。
Claims (8)
1.一种联合室内外光谱的波段及比值组合的重金属含量支持向量机回归方法，其特征在于，步骤包括：
步骤S1：土壤样品采集及土壤光谱测定；
步骤S2：KS-DS算法构建光谱转换模型；即，构建选取的转换集样品的室内、室外光谱转换模型；
步骤S3：光谱预处理及相关分析；即，采用构建的土壤室内外光谱转换模型将土壤样品室外光谱进行光谱转换，得到转换后的土壤室外光谱数据；构建强相关波段及波段比值组合模型，波段光谱反射率与样本重金属含量间Pearson相关系数找出指示土壤重金属含量差异的强相关波段；用每个强相关波段分别与其他强相关波段做比值处理，并逐一与重金属含量做相关分析，找出强相关波段比值；
步骤S4：融合室内外光谱的支持向量机重金属含量反演模型构建，进行检测。即，构建融合室内外光谱的支持向量机重金属含量反演模型；强相关性波段和波段比值组合作为模型的输入变量，土壤铬含量为因变量，用训练样本训练支持向量机模型，用训练好的模型反演重金属含量。
2.根据权利要求1所述的联合室内外光谱的波段及比值组合的重金属含量支持向量机回归方法，其特征在于，所述步骤S1包括：
步骤S101：土壤样品采集：采用格网取样法采集自然污染土壤表层样品；
步骤S102：土壤光谱测定：野外采集土样时，同步采集室外土壤光谱；室外光谱采用地物光谱仪测量，测试前进行白板定标，获取绝对反射率；每个土样测试过程中重复测定350-2500nm光谱波段范围若干条反射光谱曲线，取算术平均值作为该土样的实际反射光谱数据；同样方法测量室内土壤样本得到室内光谱曲线。
3.根据权利要求2所述的联合室内外光谱的波段及比值组合的重金属含量支持向量机回归方法，其特征在于，所述步骤S101中，将土壤样品带回室内，首先在阴凉通风室内风干，去除土壤中杂质；然后采用陶瓷用具研磨、过100目尼龙筛，以备土壤基本理化性质和光谱学特性测定试验所用；然后采用原子吸收分光光度法测定土壤重金属含量。
4.根据权利要求2所述的联合室内外光谱的波段及比值组合的重金属含量支持向量机回归方法，其特征在于，所述步骤S102中，测试光源为1000W卤素灯，5°视场角，光源照射方向与垂直方向夹角15°；光源距离设置为30cm，探头距离5cm；测量过程探头保持与土壤样本平面成45°角。
5.根据权利要求1-4中任意一项所述的联合室内外光谱的波段及比值组合的重金属含量支持向量机回归方法，其特征在于，所述步骤S2包括：
步骤S201：利用Kennard-Stone算法通过计算采样土壤室内光谱之间的欧氏距离，选择转换集样品；
步骤S202：采用直接校正算法构建选取的转换集样品的室内、室外光谱转换模型；采用构建的土壤室内外光谱转换模型将土壤样品室外光谱进行光谱转换，得到转换后的土壤室外光谱数据。
6.根据权利要求5所述的联合室内外光谱的波段及比值组合的重金属含量支持向量机回归方法，其特征在于，所述Kennard-Stone算法具体实现步骤为：首先，选择两两样本之间距离最大的两个样本作为第一个和第二个转换集样品；然后，分别计算剩余的样本与已选样本之间的距离；对于每个剩余样本而言，其与已选样品之间的最短距离被选择，然后选择这些最短距离中相对最长的距离所对应的样本，作为第三个转换集样品；重复直至所选的转换集样品的个数等于事先确定的数目为止。
7.根据权利要求1-4中任意一项所述的联合室内外光谱的波段及比值组合的重金属含量支持向量机回归方法，其特征在于，所述步骤S3包括：
步骤S301：光谱去噪：采用光谱去噪方法，去除首尾信噪比较低的波段350-380nm和2410-2500nm，室外光谱还去掉受水汽影响严重的波段1880-1965nm；
步骤S302：光谱微分：用差分近似对离散光谱数据进行微分，方法如下：
式中，Ri表示第i个波段光谱的反射率，wi表示第i个波段的波长；
步骤S303：光谱重采样：对各样本光谱的350-2500nm间的1024个波段进行间隔为10nm的采样，算术平均值计算后的重采样波段数为198个；
步骤S304：相关分析：波段光谱反射率与样本重金属含量间Pearson相关系数用于表征指示土壤重金属含量差异的强相关波段，计算公式为：
式中，Xi代表光谱第i个波段反射率，Y代表样本重金属含量，σ代表标准差，相关系数t检验过程中0.05水平显著的波段为强相关波段；用每个强相关波段分别与其他强相关波段做比值处理，并逐一与重金属含量做相关分析，t检验过程中0.05水平显著波段比值为强相关波段比值。
8.根据权利要求1-4中任意一项所述的联合室内外光谱的波段及比值组合的重金属含量支持向量机回归方法，其特征在于，所述步骤S4包括：
步骤S401：强相关性波段和波段比值组合作为模型的输入变量，土壤铬含量为因变量，70％土壤样本为训练样本，30％样本为测试样本，粒子群算法搜索支持向量机SVM参数，训练SVM模型；
步骤S402：用训练好的SVM模型反演重金属含量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010427959.9A CN111579500A (zh) | 2020-05-20 | 2020-05-20 | 联合室内外光谱的波段及比值组合的重金属含量支持向量机回归方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010427959.9A CN111579500A (zh) | 2020-05-20 | 2020-05-20 | 联合室内外光谱的波段及比值组合的重金属含量支持向量机回归方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111579500A true CN111579500A (zh) | 2020-08-25 |
Family
ID=72119024
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010427959.9A Pending CN111579500A (zh) | 2020-05-20 | 2020-05-20 | 联合室内外光谱的波段及比值组合的重金属含量支持向量机回归方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111579500A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113310934A (zh) * | 2021-05-10 | 2021-08-27 | 华中农业大学 | 骆驼奶中掺加奶牛奶及其掺加比例的快速鉴定方法 |
| CN113310930A (zh) * | 2021-05-10 | 2021-08-27 | 华中农业大学 | 高温灭菌奶、巴氏杀菌奶和掺加高温灭菌奶的巴氏杀菌奶的光谱鉴定方法 |
| CN113310928A (zh) * | 2021-05-10 | 2021-08-27 | 华中农业大学 | 保质期内和过期高温灭菌牛奶的快速鉴定方法 |
| CN113310936A (zh) * | 2021-05-10 | 2021-08-27 | 华中农业大学 | 四种高温灭菌商品牛奶的快速鉴定方法 |
| CN113310932A (zh) * | 2021-05-10 | 2021-08-27 | 华中农业大学 | 巴氏杀菌水牛鲜奶中掺加高温灭菌奶的快速鉴别方法 |
| CN113310937A (zh) * | 2021-05-10 | 2021-08-27 | 华中农业大学 | 高温灭菌牛奶、巴氏杀菌奶牛鲜奶及奶粉复原牛奶的快速鉴定方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106918565A (zh) * | 2017-03-02 | 2017-07-04 | 中南大学 | 基于室内标样高光谱特征的土壤重金属Cd含量反演建模及其光谱响应特征波段识别方法 |
| CN108152235A (zh) * | 2018-03-21 | 2018-06-12 | 中南大学 | 一种联合土壤室内外光谱的重金属含量反演方法 |
| CN110991064A (zh) * | 2019-12-11 | 2020-04-10 | 广州城建职业学院 | 土壤重金属含量反演模型生成方法、系统、存储介质及反演方法 |
-
2020
- 2020-05-20 CN CN202010427959.9A patent/CN111579500A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106918565A (zh) * | 2017-03-02 | 2017-07-04 | 中南大学 | 基于室内标样高光谱特征的土壤重金属Cd含量反演建模及其光谱响应特征波段识别方法 |
| CN108152235A (zh) * | 2018-03-21 | 2018-06-12 | 中南大学 | 一种联合土壤室内外光谱的重金属含量反演方法 |
| CN110991064A (zh) * | 2019-12-11 | 2020-04-10 | 广州城建职业学院 | 土壤重金属含量反演模型生成方法、系统、存储介质及反演方法 |
Non-Patent Citations (6)
| Title |
|---|
| 叶元元: "多金属矿区土壤重金属的高光谱定量估算研究", 《硕士电子期刊出版信息》, pages 33 - 34 * |
| 宋练等: "万盛采矿区土壤Ａｓ，Ｃｄ，Ｚｎ重金属含量光谱测量与分析", 《光谱学与光谱分析》 * |
| 宋练等: "万盛采矿区土壤Ａｓ，Ｃｄ，Ｚｎ重金属含量光谱测量与分析", 《光谱学与光谱分析》, 31 December 2014 (2014-12-31), pages 812 - 817 * |
| 王惠敏: "基于光谱吸收特征的土壤有机质与重金属含量估算研究", 《硕士电子期刊》 * |
| 王惠敏: "基于光谱吸收特征的土壤有机质与重金属含量估算研究", 《硕士电子期刊》, 15 November 2019 (2019-11-15), pages 51 - 63 * |
| 解宪丽等: "土壤可见光－近红外反射光谱与重金属含量之间的相关性", 《土壤学报》, pages 984 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113310934A (zh) * | 2021-05-10 | 2021-08-27 | 华中农业大学 | 骆驼奶中掺加奶牛奶及其掺加比例的快速鉴定方法 |
| CN113310930A (zh) * | 2021-05-10 | 2021-08-27 | 华中农业大学 | 高温灭菌奶、巴氏杀菌奶和掺加高温灭菌奶的巴氏杀菌奶的光谱鉴定方法 |
| CN113310928A (zh) * | 2021-05-10 | 2021-08-27 | 华中农业大学 | 保质期内和过期高温灭菌牛奶的快速鉴定方法 |
| CN113310936A (zh) * | 2021-05-10 | 2021-08-27 | 华中农业大学 | 四种高温灭菌商品牛奶的快速鉴定方法 |
| CN113310932A (zh) * | 2021-05-10 | 2021-08-27 | 华中农业大学 | 巴氏杀菌水牛鲜奶中掺加高温灭菌奶的快速鉴别方法 |
| CN113310937A (zh) * | 2021-05-10 | 2021-08-27 | 华中农业大学 | 高温灭菌牛奶、巴氏杀菌奶牛鲜奶及奶粉复原牛奶的快速鉴定方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111579500A (zh) | 联合室内外光谱的波段及比值组合的重金属含量支持向量机回归方法 | |
| Hong et al. | Estimating lead and zinc concentrations in peri-urban agricultural soils through reflectance spectroscopy: Effects of fractional-order derivative and random forest | |
| Zhang et al. | Prediction of soil organic matter in northwestern China using fractional-order derivative spectroscopy and modified normalized difference indices | |
| Bilgili et al. | Visible-near infrared reflectance spectroscopy for assessment of soil properties in a semi-arid area of Turkey | |
| Lu et al. | Prediction of soil properties using laboratory VIS–NIR spectroscopy and Hyperion imagery | |
| Duda et al. | Soil characterization across catenas via advanced proximal sensors | |
| CN114018833B (zh) | 基于高光谱遥感技术估算土壤重金属含量的方法 | |
| CN108152235B (zh) | 一种联合土壤室内外光谱的重金属含量反演方法 | |
| Xu et al. | Hyperspectral imaging for high-resolution mapping of soil carbon fractions in intact paddy soil profiles with multivariate techniques and variable selection | |
| CN107607486B (zh) | 一种土壤全氮检测方法及装置 | |
| Song et al. | Chlorophyll content estimation based on cascade spectral optimizations of interval and wavelength characteristics | |
| Hong et al. | Fusion of visible-to-near-infrared and mid-infrared spectroscopy to estimate soil organic carbon | |
| CN114279982B (zh) | 水体污染信息获取方法及装置 | |
| Bogrekci et al. | Spectral soil signatures and sensing phosphorus | |
| Srivastava et al. | Development of hyperspectral model for rapid monitoring of soil organic carbon under precision farming in the Indo-Gangetic Plains of Punjab, India | |
| CN113866102A (zh) | 一种基于光谱的土壤健康调查监测方法 | |
| CN110596028A (zh) | 一种沉积型稀土La元素含量的高光谱反演方法 | |
| CN113436153A (zh) | 一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法 | |
| Goydaragh et al. | Predicting weathering indices in soils using FTIR spectra and random forest models | |
| Mitran et al. | Retrieval of soil physicochemical properties towards assessing salt-affected soils using Hyperspectral Data | |
| Gozukara et al. | Soil particle size prediction using Vis-NIR and pXRF spectra in a semiarid agricultural ecosystem in Central Anatolia of Türkiye | |
| Shang et al. | Estimation of soil copper content in mining area using ZY1-02D satellite hyperspectral data | |
| Jia et al. | Prediction of soil organic carbon contents in Tibet using a visible near-infrared spectral library | |
| Wang et al. | Vis-NIR spectroscopy coupled with PLSR and multivariate regression models to predict soil salinity under different types of land use | |
| CN115508292A (zh) | 基于机器学习的土壤剖面氮素含量高光谱检测及可视化方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200825 |