CN112229817A - 一种苏打盐碱地重金属定量反演模型建立方法 - Google Patents
一种苏打盐碱地重金属定量反演模型建立方法 Download PDFInfo
- Publication number
- CN112229817A CN112229817A CN202011057531.6A CN202011057531A CN112229817A CN 112229817 A CN112229817 A CN 112229817A CN 202011057531 A CN202011057531 A CN 202011057531A CN 112229817 A CN112229817 A CN 112229817A
- Authority
- CN
- China
- Prior art keywords
- spectral
- index
- modeling
- alkali soil
- heavy metal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 229910001385 heavy metal Inorganic materials 0.000 title claims abstract description 43
- 239000002689 soil Substances 0.000 title claims abstract description 42
- 239000003513 alkali Substances 0.000 title claims abstract description 38
- CDBYLPFSWZWCQE-UHFFFAOYSA-L Sodium Carbonate Chemical compound [Na+].[Na+].[O-]C([O-])=O CDBYLPFSWZWCQE-UHFFFAOYSA-L 0.000 title claims abstract description 26
- 230000003595 spectral effect Effects 0.000 claims abstract description 66
- 239000011572 manganese Substances 0.000 claims abstract description 41
- 238000001228 spectrum Methods 0.000 claims abstract description 31
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims abstract description 24
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 claims abstract description 19
- 229910017052 cobalt Inorganic materials 0.000 claims abstract description 19
- 239000010941 cobalt Substances 0.000 claims abstract description 19
- GUTLYIVDDKVIGB-UHFFFAOYSA-N cobalt atom Chemical compound [Co] GUTLYIVDDKVIGB-UHFFFAOYSA-N 0.000 claims abstract description 19
- 229910052748 manganese Inorganic materials 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000009466 transformation Effects 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 238000010238 partial least squares regression Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002329 infrared spectrum Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000001391 atomic fluorescence spectroscopy Methods 0.000 description 1
- 238000009614 chemical analysis method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000004993 emission spectroscopy Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009616 inductively coupled plasma Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000011780 sodium chloride Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000004416 surface enhanced Raman spectroscopy Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012795 verification Methods 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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- 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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G01N2021/1793—Remote sensing
- G01N2021/1797—Remote sensing in landscape, e.g. crops
Abstract
本发明涉及一种苏打盐碱地重金属定量反演模型建立方法，包括如下步骤：S1、获取苏打盐碱地重金属的原始光谱数据；S2、对获取的原始光谱数据进行预处理，获取多源光谱数据集合；S3、根据预处理后的多源光谱数据集合构建光谱指数的必要参数，获得光谱指数数据，然后分析光谱指数数据分别与样本锰(Mn)、钴(Co)和铁(Fe)含量的相关性，提取对应重金属含量相关系数高的光谱指数所对应的波段；S4、制定最佳波段组合选取原则，确定建模策略，并建立实验样品锰(Mn)、钴(Co)和铁(Fe)含量的反演预测模型；本发明提供的方法可定量估算土壤重金属含量，而且大大提高了对苏打盐碱地重金属含量的估算精度。
Description
技术领域
本发明属于盐碱地重金属含量检测技术领域，尤其涉及一种苏打盐碱地重金属定量反演模型建立方法。
背景技术
近年来，随着我国城市进度加快，城市周边耕地被大量占用，人均耕地日益减少，对盐碱地的改造已成为迫在眉睫的问题。我国盐碱地分布广泛，总面积9.91×107hm2，松嫩平原盐碱地面积占我国盐碱地总面积的9.2％。盐碱地改良及农作物选取方法与盐碱地中重金属含量密切相关，如何准确、快速确定大区域内盐碱地重金属含量已成为目前亟待解决的关键问题。
目前，传统的土壤重金属检测方法有光度法、化学分析法、原子荧光光谱法、电感耦合等离子体发射光谱法、表面增强拉曼光谱法等，这些方法虽精度高,但对于大面积检测存在周期长及成本高等问题，因此上述方法对于大面积盐碱地重金属含量检测其实用性受限。随着遥感技术的快速发展，由于其具有快速、动态获取地物连续光谱信号的特点,为发展基于遥感的土壤重金属含量检测提供了新的思路，为此如何实现利用遥感技术快速、准确、低成本地获取苏打盐碱地重金属含量的问题是本领域希望克服的。
发明内容
(一)要解决的技术问题
针对现有存在的技术问题，本发明提供一种苏打盐碱地重金属定量反演模型建立方法，能够快速高效的获取苏打盐碱地重金属的含量，且反演后的重金属含量相对误差优于10％。
(二)技术方案
为了达到上述目的，本发明采用的主要技术方案包括：
一种苏打盐碱地重金属定量反演模型建立方法，包括如下步骤：
S1、获取苏打盐碱地重金属的原始光谱数据；
S2、对获取的原始光谱数据进行预处理，获取多源光谱数据集合；
S3、根据预处理后的多源光谱数据集合构建光谱指数的必要参数，获得光谱指数数据，然后分析光谱指数数据分别与样本锰(Mn)、钴(Co)和铁(Fe)含量的相关性，提取对应重金属含量相关系数高的光谱指数所对应的波段；
S4、制定最佳波段组合选取原则，确定建模策略，并建立实验样品锰(Mn)、钴(Co)和铁(Fe)含量的反演预测模型；
所述苏打盐碱地重金属包括：锰(Mn)、钴(Co)和铁(Fe)；
所述必要参数包括：比值指数(RI)、差值指数(DI)、归一化指数(NDI)、相关系数、相对误差、拟合优度。
优选地，获取原始光谱数据后，
对原始光谱数据进行Savitzky-Golay平滑、多元散射校正、连续统去除变换处理，获取处理后的多源光谱数据集合。
优选地，利用多种预处理组合变换后获取的多源光谱数据集合构建比值指数(RI)、差值指数(DI)和归一化指数(NDI)，确定光谱指数与样品锰(Mn)、钴(Co)和铁(Fe)含量相关性最显著的敏感波段组合及对应的相关系数值；
其中，各指数计算公式如下：
DI＝Rλm-Rλn
式中：
λm为m点对应的波长位置；
λn为n点对应的波长位置；
Rλm为m点波长处对应的反射率值；
Rλn为n点波长处对应的反射率值。
优选地，所述步骤S4中的选取规则和建模方法确定步骤如下：
S401、设置初始选取阈值为τ＝0.6，提取对应于相关系数R>0.6的所有敏感波段组合的光谱指数，并利用随机森林、偏最小二乘回归进行建模，获取各方法单次建模的拟合优度；
S402、单次建模完成后，τ的值依次递增0.1，每增加一次重复步骤S401，当τ的值达到1.0后，停止循环；
S403、对比两种方法多次建模的精度，确定最佳建模方法，并确定最佳波段选取原则。
优选地，最佳建模方法为随机森林方法。
优选地，最佳波段选取原则是：Mn选取相关系数>0.70的波段组合共219组。
优选地，Co选取相关系数>0.80的波段组合共1377组。
优选地，Fe选取相关系数>0.80的波段组合共52组。
(三)有益效果
本发明的有益效果是：本发明提供的一种苏打盐碱地重金属定量反演模型建立方法具有以下有益效果：
(1)利用本发明的光谱数据预处理方法可有效提高光谱数据的维度信息，增强部分光谱特征，为后续建模方法提供有效的数据支撑。
(2)利用本发明的最佳波段选取原则可准确提取锰(Mn)、钴(Co)和铁(Fe)含量的敏感波段，减少了建模数据的冗余信息，提高了建模数据的准确性。
(3)利用本发明中的建模反演方法可快速准确地反演苏打盐碱地重金属锰(Mn)、钴(Co)和铁(Fe)含量，降低检测成本，为盐碱地改良提供有效数据。
附图说明
图1为本发明提供的一种苏打盐碱地重金属定量反演模型建立方法的流程示意图；
图2为本发明实施例中盐碱地土壤样本原始光谱曲线示意图；
图3为本发明实施例中所建模型预测的Co含量与实际Co含量对比示意图；
图4为本发明实施例中所建模型预测的Fe含量与实际Fe含量对比示意图；
图5为本发明实施例中所建模型预测的Mn含量与实际Mn含量对比示意图。
具体实施方式
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。
如图1所示：本实施例中提供一种苏打盐碱地重金属定量反演模型建立方法，包括如下步骤：
S1、获取苏打盐碱地重金属的原始光谱数据；
S2、对获取的原始光谱数据进行预处理，获取多源光谱数据集合；
S3、根据预处理后的多源光谱数据集合构建光谱指数的必要参数，获得光谱指数数据，然后分析光谱指数数据分别与样本锰(Mn)、钴(Co)和铁(Fe)含量的相关性，提取对应重金属含量相关系数高的光谱指数所对应的波段；
S4、制定最佳波段组合选取原则，确定建模策略，并建立实验样品锰(Mn)、钴(Co)和铁(Fe)含量的反演预测模型；
所述苏打盐碱地重金属包括：锰(Mn)、钴(Co)和铁(Fe)；
所述必要参数包括：比值指数(RI)、差值指数(DI)、归一化指数(NDI)、相关系数、相对误差、拟合优度。
本实施例中获取原始光谱数据后，对原始光谱数据进行Savitzky-Golay平滑、多元散射校正、连续统去除变换处理，获取处理后的多源光谱数据集合。
需要说明的是：本实施例中的多种预处理方法包括：Savitzky-Golay平滑、多元散射校正、连续统去除变换及其组合共6种变换方式。
本实施例中利用多种预处理组合变换后获取的多源光谱数据集合构建比值指数(RI)、差值指数(DI)和归一化指数(NDI)，确定光谱指数与样品锰(Mn)、钴(Co)和铁(Fe)含量相关性最显著的敏感波段组合及对应的相关系数值；
其中，比值指数(RI)、差值指数(DI)和归一化指数(NDI)的计算公式为：
DI＝Rλm-Rλn (2)
式中：
λm为m点对应的波长位置；
λn为n点对应的波长位置；
Rλm为m点波长处对应的反射率值；
Rλn为n点波长处对应的反射率值。
本实施例中所述步骤S4还包括如下子步骤：
S401、设置初始选取阈值为τ＝0.6，提取对应于相关系数R>0.6的所有敏感波段组合的光谱指数，并利用随机森林、偏最小二乘回归进行建模，计算各方法单次建模的拟合优度。
S402、单次建模完成后，τ的值依次递增0.1，每增加一次重复步骤S401，当τ的值达到1.0后，停止循环。
S403、对比两种方法多次建模的精度，确定最佳建模方法，并确定最佳波段选取原则。
本实施例中所述步骤S4之后还包括：最佳波段选取原则和最佳建模方法的确定。
最佳建模方法为随机森林方法，最佳波段选取原则是：Mn选取相关系数>0.70的波段组合共219组，Co选取相关系数>0.80的波段组合共1377组，Fe选取相关系数>0.80的波段组合共52组。
本实施例中提供的基于可见光-近红外光谱数据的苏打盐碱地重金属定量反演模型建立方法，包括对原始光谱数据进行Savitzky-Golay平滑、多元散射校正、连续统去除变换及其组合变换的预处理方法，比值指数(RI)、差值指数(DI)和归一化指数(NDI)的计算方法，苏打盐碱地重金属锰(Mn)、钴(Co)和铁(Fe)含量最佳波段选取原则和最佳建模方法的确定。
如前所述的一种苏打盐碱地重金属定量反演模型建立方法，如下步骤：
A)原始光谱数据预处理方法
Savitzky-Golay平滑算法不受样本数据限制,适用于各种信号的平滑去噪，相比其他算法具有更稳定、误差更小的平滑去噪效果。其计算公式为：
式中：
是平滑后光谱数据向量中的一个元素；Wj是移动窗口平滑中的权重因子,取值为多项式的拟合系数,窗口长度为2r+1。
多元散射校正可以提高原吸收光谱的信噪比,对消除光谱数据的线性散射干扰有较好的效果,该算法多用于光谱数据和浓度信息线性相关性较好的情况。具体计算过程如下：
计算待校正光谱的平均光谱：
一元线性回归：
多元散射校正:
式中：A为定标光谱数据矩阵；
表示样品经Savitzky-Golay平滑处理后近红外光谱在各个波长点处求平均值所得到的平均光谱矢量；mi和bi分别表示所测近红外光谱与平均光谱进行一元线性回归后所得到的相对偏移系数与平移量。
连续统去除法可以有效地突出光谱曲线吸收和反射特征,并将其归一到一个一致的光谱背景上,有利于和其他光谱曲线进行特征数值比较,从而提取出特征波段进行分类识别，其计算公式为：
Rc(λ)＝Rcr(λ)-R(λ) (5)
其中Rc、Rcr和R分别是去包络(特征吸收)、包络线和光谱反射率值,λ是波长。
B)光谱指数计算方法
比值指数(RI)、差值指数(DI)和归一化指数(NDI)的计算公式为：
DI＝Rλm-Rλn (7)
式中：
λm为m点对应的波长位置；
λn为n点对应的波长位置；
Rλm为m点波长处对应的反射率值；
Rλn为n点波长处对应的反射率值。
C)最佳波段组合的选取方法
为了更准确的建立苏打盐碱地重金属的定量反演模型，本发明提出以下方法来确定最佳建模方法和最佳波段选取原则，其步骤如下：
步骤1：设置初始选取阈值为τ＝0.6，提取对应于相关系数R>0.6的所有敏感波段组合的光谱指数，并利用随机森林、支持向量机进行建模，计算各方法单次建模的拟合优度。
步骤2：单次建模完成后，τ的值依次递增0.1，每增加一次重复步骤S401，当τ的值达到1.0后，停止循环。
步骤3：对比两种方法多次建模的精度，确定最佳建模方法，并确定最佳波段选取原则。
下面以吉林省白城市镇赉县盐碱地重金属含量反演为例。首先现场采集了若干样本进行光谱测试，获取光谱数据，并对光谱数据进行了预处理，构建三种光谱指数，确定最佳波段选取原则和最佳建模方法进行反演和精度验证，以此来验证本发明的效果。
1)样本采集和光谱测试
本研究的实验样品采自吉林省白城市镇赉县，将采集的样本在实验室内自然风干，去除石块和植物根系后研磨，过100目筛，共制成粉末状样本65件，每件样品分成两份，分别用于化学分析和光谱测试。利用美国SVC HR-1024便携式地物光谱仪对65件粉末状样品进行光谱测试，实验在10:00～14:00进行。测量时要求天空晴朗无云，太阳高度角在45°左右。为避免测量背景影响，将被测样品放置于边长为6cm的圆形黑色小盒中，测量时要求样品表面平整，光谱仪镜头垂直于样品观测面，采样积分时间设置为2s，视场角为4°，取3次测试的反射率均值绘制该样品的光谱曲线，如图2所示。
2)光谱数据预处理
光谱数据在获取过程中易受到环境、仪器的影响,获得的光谱中包括噪音光谱数据和地物光谱数据，通过光谱数据预处理及各种转换可以增强土壤原始光谱曲线的阶跃、峰、谷等细节特征,有利于地物识别和重金属信息的提取,提高信噪比。利用Savitzky-Golay平滑、多元散射校正、连续统去除变换及其组合变换对原始光谱数据进行预处理，得到预处理后的光谱数据。
3)构建光谱指数
为更好研究光谱指数与重金属含量之间的关系，减少测试环境、天气状况、太阳高度角等众多因素对光谱特征的影响，本发明构建了比值指数(RI)、差值指数(DI)和归一化指数(NDI)三种光谱指数，利用公式(6)、(7)、(8)对预处理后的光谱数据进行计算可得到光谱指数数据。
4)确定最佳波段选取原则和最佳建模方法
为了更准确的建立苏打盐碱地重金属的定量反演模型，基于以下方法来确定最佳建模方法和最佳波段选取原则，其步骤如下：
步骤1：设置初始选取阈值为τ＝0.6，提取对应于相关系数R>0.6的所有敏感波段组合的光谱指数，并利用随机森林、偏最小二乘回归进行建模，计算各方法单次建模的拟合优度。
步骤2：单次建模完成后，τ的值依次递增0.1，每增加一次重复步骤S401，当τ的值达到1.0后，停止循环。
步骤3：对比两种方法多次建模的精度，确定最佳建模方法，并确定最佳波段选取原则。
5)最佳波段选取原则和最佳建模方法确定后，利用上述最佳波段选取原则选取光谱指数数据作为建模输入数据，利用最佳建模方法建立吉林省白城市镇赉县盐碱地重金属锰(Mn)、钴(Co)和铁(Fe)含量的定量反演模型，并利用检验样本对模型的准确性进行验证，锰(Mn)、钴(Co)和铁(Fe)含量的反演结果如图3、图4、图5，其误差统计如表1所示。
表1重金属含量反演误差统计表
以上结合具体实施例描述了本发明的技术原理，这些描述只是为了解释本发明的原理，不能以任何方式解释为对本发明保护范围的限制。基于此处解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些方式都将落入本发明的保护范围之内。
Claims (8)
1.一种苏打盐碱地重金属定量反演模型建立方法，其特征在于，包括如下步骤：
S1、获取苏打盐碱地重金属的原始光谱数据；
S2、对获取的原始光谱数据进行预处理，获取多源光谱数据集合；
S3、根据预处理后的多源光谱数据集合构建光谱指数的必要参数，获得光谱指数数据，然后分析光谱指数数据分别与样本锰(Mn)、钴(Co)和铁(Fe)含量的相关性，提取对应重金属含量相关系数高的光谱指数所对应的波段；
S4、制定最佳波段组合选取原则，确定建模策略，并建立实验样品锰(Mn)、钴(Co)和铁(Fe)含量的反演预测模型；
所述苏打盐碱地重金属包括：锰(Mn)、钴(Co)和铁(Fe)；
所述必要参数包括：比值指数(RI)、差值指数(DI)、归一化指数(NDI)、相关系数、相对误差、拟合优度。
2.根据权利要求1所述的模型建立方法，其特征在于，获取原始光谱数据后，
对原始光谱数据进行Savitzky-Golay平滑、多元散射校正、连续统去除变换处理，获取处理后的多源光谱数据集合。
3.根据权利要求2所述的模型建立方法，其特征在于，
利用多种预处理组合变换后获取的多源光谱数据集合构建比值指数(RI)、差值指数(DI)和归一化指数(NDI)，确定光谱指数与样品锰(Mn)、钴(Co)和铁(Fe)含量相关性最显著的敏感波段组合及对应的相关系数值；
其中，各指数计算公式如下：
DI＝Rλm-Rλn
式中：
λm为m点对应的波长位置；
λn为n点对应的波长位置；
Rλm为m点波长处对应的反射率值；
Rλn为n点波长处对应的反射率值。
4.根据权利要求3所述的修正方法，其特征在于，所述步骤S4中的选取规则和建模方法确定步骤如下：
S401、设置初始选取阈值为τ＝0.6，提取对应于相关系数R>0.6的所有敏感波段组合的光谱指数，并利用随机森林、偏最小二乘回归进行建模，获取各方法单次建模的拟合优度；
S402、单次建模完成后，τ的值依次递增0.1，每增加一次重复步骤S401，当τ的值达到1.0后，停止循环；
S403、对比两种方法多次建模的精度，确定最佳建模方法，并确定最佳波段选取原则。
5.根据权利要求4所述的方法，其特征在于，最佳建模方法为随机森林方法。
6.根据权利要求5所述的方法，其特征在于，最佳波段选取原则是：Mn选取相关系数>0.70的波段组合共219组。
7.根据权利要求5所述的方法，其特征在于，Co选取相关系数>0.80的波段组合共1377组。
8.根据权利要求5所述的方法，其特征在于，Fe选取相关系数>0.80的波段组合共52组。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011057531.6A CN112229817A (zh) | 2020-09-29 | 2020-09-29 | 一种苏打盐碱地重金属定量反演模型建立方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011057531.6A CN112229817A (zh) | 2020-09-29 | 2020-09-29 | 一种苏打盐碱地重金属定量反演模型建立方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112229817A true CN112229817A (zh) | 2021-01-15 |
Family
ID=74119755
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011057531.6A Pending CN112229817A (zh) | 2020-09-29 | 2020-09-29 | 一种苏打盐碱地重金属定量反演模型建立方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112229817A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114018833A (zh) * | 2021-11-07 | 2022-02-08 | 福建师范大学 | 基于高光谱遥感技术估算土壤重金属含量的方法 |
-
2020
- 2020-09-29 CN CN202011057531.6A patent/CN112229817A/zh active Pending
Non-Patent Citations (6)
| Title |
|---|
| 于庆等: "山东典型污灌区冬小麦叶片重金属高光谱反演及空间分布特征", 《河南农业科学》 * |
| 吴伟斌等: "基于高光谱图像的茶树LAI与氮含量反演", 《农业工程学报》 * |
| 李喆等: "融入可见光－近红外高光谱吸收特征的新型植被指数估算天然草地FAPAR", 《光谱学与光谱分析》 * |
| 杨灵玉等: "基于Hyperion影像植被光谱的土壤重金属含量空间分布反演-以青海省玉树县为例", 《应用生态学报》 * |
| 毛博慧等: "冬小麦苗期叶绿素含量检测光谱学参数寻优", 《农业工程学报》 * |
| 王金凤等: "基于高光谱反射率的喀斯特地区土壤重金属锌元素含量反演", 《光谱学与光谱分析》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114018833A (zh) * | 2021-11-07 | 2022-02-08 | 福建师范大学 | 基于高光谱遥感技术估算土壤重金属含量的方法 |
| CN114018833B (zh) * | 2021-11-07 | 2023-12-19 | 福建师范大学 | 基于高光谱遥感技术估算土壤重金属含量的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101915744B (zh) | 物质成分含量的近红外光谱无损检测方法及装置 | |
| CN105486655B (zh) | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 | |
| CN110531054B (zh) | 基于Bootstrap抽样的土壤有机碳预测不确定性估测方法 | |
| CN110118742A (zh) | 基于光谱分析的陆表植被冠层生态水含量遥感反演方法 | |
| CN105424641A (zh) | 一种原油种类的近红外光谱识别方法 | |
| CN111488926A (zh) | 一种基于优化模型的土壤有机质测定方法 | |
| CN108169165B (zh) | 基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法 | |
| CN110596028A (zh) | 一种沉积型稀土La元素含量的高光谱反演方法 | |
| CN102937575B (zh) | 一种基于二次光谱重组的西瓜糖度快速建模方法 | |
| US20230243744A1 (en) | Method and system for automatically detecting and reconstructing spectrum peaks in near infrared spectrum analysis of tea | |
| CN114676636A (zh) | 一种综合植被和生境特征的草原区土壤水分快速反演方法 | |
| CN116754511A (zh) | 基于光谱技术的吲哚菁绿检测方法及系统 | |
| CN101788459B (zh) | 一种准连续方式的分光波长组合方法 | |
| CN113686811A (zh) | 一种基于双传感器的光谱数据处理方法 | |
| Liu et al. | Diagnosis of citrus greening using raman spectroscopy-based pattern recognition | |
| CN112229817A (zh) | 一种苏打盐碱地重金属定量反演模型建立方法 | |
| Chen et al. | Hyperspectral detection of sugar content for sugar-sweetened apples based on sample grouping and SPA feature selecting methods | |
| CN112630180B (zh) | 水体中有机磷农药浓度检测的紫外/可见光吸收光谱模型 | |
| CN113655027A (zh) | 一种近红外快速检测植物中单宁含量的方法 | |
| CN112113930B (zh) | 一种杏果实品质多尺度表型方法 | |
| CN113484278A (zh) | 一种基于光谱和主成分分析的番茄综合品质无损检测方法 | |
| CN117194902A (zh) | 一种光谱测量过程中噪声数据滤除方法 | |
| CN117491293A (zh) | 一种基于高光谱的高陡岸坡碳酸盐岩体溶蚀快速评估方法 | |
| CN111896497A (zh) | 一种基于预测值的光谱数据修正方法 | |
| CN117095290A (zh) | 一种基于卫星遥感的碳汇监测方法 |
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 |
Application publication date: 20210115 |
|
| RJ01 | Rejection of invention patent application after publication |