CN114021900A - 反演土壤重金属污染风险等级的方法 - Google Patents

反演土壤重金属污染风险等级的方法 Download PDF

Info

Publication number
CN114021900A
CN114021900A CN202111197959.5A CN202111197959A CN114021900A CN 114021900 A CN114021900 A CN 114021900A CN 202111197959 A CN202111197959 A CN 202111197959A CN 114021900 A CN114021900 A CN 114021900A
Authority
CN
China
Prior art keywords
heavy metal
soil
risk level
metal pollution
inverting
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
Application number
CN202111197959.5A
Other languages
English (en)
Inventor
侯德义
贾茜越
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202111197959.5A priority Critical patent/CN114021900A/zh
Publication of CN114021900A publication Critical patent/CN114021900A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Processing Of Solid Wastes (AREA)

Abstract

本发明涉及土壤重金属污染检测技术领域，具体而言，涉及一种反演土壤重金属污染风险等级的方法。反演土壤重金属污染风险等级的方法包括建模并利用所得模型反演未采样点的土壤重金属污染风险等级；建模的方法包括：构建地物特征变量；卫星多光谱指数构建；地物特征变量及多光谱指数与土壤重金属污染相关性分析；建模，并对模型进行筛选。该方法引入了地物特征变量并结合使用卫星多光谱影像，从而能够大范围及实时进行采集和检测，且具有高检测精度。

Description

反演土壤重金属污染风险等级的方法
技术领域
本发明涉及土壤重金属污染检测技术领域，具体而言，涉及一种反演土壤重金属污染风险等级的方法。
背景技术
土壤污染调查是土壤污染防治相关政策体系构建的基础，也是疑似污染地块进入用地流程的把门人，更是污染地块开展修复及风险管控的重要依据。然而，传统的土壤污染调查具有人力及物力消耗大、耗时长等缺陷。同时，传统土壤污染调查中通常使用克里金插值进行地块尺度的土壤污染分布空间反演。但是土壤污染异质性较强，很难满足克里金插值中的均一性假设，要求空间各点具有一致的方差及均值。此外，克里金插值本质上仅包含采样点土壤污染物浓度及距离两个自变量，如果要提高反演精度，仅能通过添加采样点的方式进行，由此将增加采样的人力、物力及时间等成本，而且无法进行实时检测。
另外，土壤中的重金属含量较低，远低于氮、磷等物质，直接使用卫星或无人机光谱数据进行反演重金属的难度较大。场地无人机或卫星多光谱数据的噪声远高于实验室中获取的光谱数据，因此需要更为复杂的降噪技术或特征处理技术去除环境噪声的影响。
发明内容
基于此，本发明提供了一种反演土壤重金属污染风险等级的方法，所述方法能够进行大范围及实时检测。
本发明一方面，提供一种反演土壤重金属污染风险等级的方法，包括以下步骤：
根据研究区中采样点的相关信息建模并利用所得模型反演未采样点的土壤重金属污染风险等级；
所述建模的方法包括以下步骤：
获取所述研究区内的地物的位置，通过欧氏距离及梯度计算公式构建所述采样点与各所述地物的特征变量；
对所述研究区的卫星多光谱影像进行校正和去除噪声后，构建单波段、双波段及三波段多光谱指数，所述单波段光谱指数包括ln(a)、1/a、1/ln(a)和
Figure BDA0003303811380000021
所述双波段光谱指数包括a×b、a/b、
Figure BDA0003303811380000022
和(a-b)/(a+b)，所述三波段光谱指数包括(a+b)/c、(a×b)/c、(a-b)/c和
Figure BDA0003303811380000023
其中a、b、c为波段值；
根据所述特征变量及所述多光谱指数与土壤重金属浓度之间的响应关系，提取关键特征变量；
将所述采样点的土壤重金属污染风险等级作为因变量，所述关键特征变量为自变量构建随机森林模型、神经网络模型及支持向量机模型，并根据评价指标筛选最优模型。
可选的，如上述所述的反演土壤重金属污染风险等级的方法，选取所述采样点的方法包括系统采样法、对角线采样法、梅花型采样法、棋盘式采样法或蛇形采样法。
可选的，如上述所述的反演土壤重金属污染风险等级的方法，获取所述地物的位置所采用的方法为标注遥感图像，获取所述遥感图像的工具为遥感卫星或无人机。
可选的，如上述所述的反演土壤重金属污染风险等级的方法，获取所述卫星多光谱影像采用的工具为Landsat系列卫星、Spot系列卫星、Sentinel系列卫星、资源系列卫星或高分辨率系列卫星。
可选的，如上述所述的反演土壤重金属污染风险等级的方法，所述评价指标包括准确率、F1-score、低风险采样点的F1-score、中风险采样点的F1-score、高风险采样点的F1-score及Kappa系数。
可选的，如上述所述的反演土壤重金属污染风险等级的方法，划分所述采样点的土壤重金属污染风险等级的方法包括：测定所述采样点的土壤样本的pH及重金属浓度，并确定重金属的筛选值及管制值。
可选的，如上述所述的反演土壤重金属污染风险等级的方法，所述土壤样本预先除去了碎石和动植物残骸。
可选的，如上述所述的反演土壤重金属污染风险等级的方法，所述校正和去除噪声的方法包括几何校正和大气校正。
可选的，如上述所述的反演土壤重金属污染风险等级的方法，所述大气校正的模型包括6S大气校正模型、Flaash模型或Mortran模型。
可选的，如上述所述的反演土壤重金属污染风险等级的方法，所述重金属为As、Pb、Ni及Cr中的一种或多种。
本发明经研究发现，现有方法在使用无人机高光谱进行反演时，需要依赖室内检测样本的高光谱进行变换校正，并非直接使用室外光谱进行反演，由此导致检测成本高、无法进行大范围检测，且难以实现实时检测。
本发明使用卫星多光谱影像采集有利于进行大区域，多时相土壤重金属污染风险等级反演，利用地物标记、欧氏距离及梯度构建了与土壤重金属污染响应性极高的地物特征变量，实现高分辨率遥感影像的结构化，并优化了模型精度。同时，构建了基于多光谱的土壤重金属污染单波段、双波段及三波段光谱指数，扩充了多光谱数据，降低了环境噪声对光谱数据的影响，同时提升了光谱数据与土壤重金属污染的相关性，实现多光谱影像数据的最大化利用，并从源头优化了模型精度。即本发明通过地物特征变量及多光谱指数的构建，开发了适用于土壤重金属风险等级反演的变量，提高了光谱数据与土壤重金属的相关性，以此实现土壤重金属的高精度反演。另外，构建的反演模型可以解析多光谱数据与土壤重金属污染风险之间的高维非线性关系。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一个实施例中反演土壤重金属污染风险等级的工艺流程图；
图2中(a)为本发明一个实施例中大气校正前土壤像元多光谱曲线，(b)为大气校正后土壤像元多光谱曲线；
图3为本发明一个实施例中地物特征变量及多光谱指数与土壤砷污染响应关系；
图4为本发明一个实施例中模型精度评价结果图。
具体实施方式
现将详细地提供本发明实施方式的参考，其一个或多个实例描述于下文。提供每一实例作为解释而非限制本发明。实际上，对本领域技术人员而言，显而易见的是，可以对本发明进行多种修改和变化而不背离本发明的范围或精神。例如，作为一个实施方式的部分而说明或描述的特征可以用于另一实施方式中，来产生更进一步的实施方式。
因此，旨在本发明覆盖落入所附权利要求的范围及其等同范围中的此类修改和变化。本发明的其它对象、特征和方面公开于以下详细描述中或从中是显而易见的。本领域普通技术人员应理解本讨论仅是示例性实施方式的描述，而非意在限制本发明更广阔的方面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本发明一方面，提供一种反演土壤重金属污染风险等级的方法，包括以下步骤：
根据研究区中采样点的相关信息建模并利用所得模型反演未采样点的土壤重金属污染风险等级；
所述建模的方法包括以下步骤：
获取所述研究区内的地物的位置，通过欧氏距离及梯度计算公式构建所述采样点与各所述地物的特征变量；
对所述研究区的卫星多光谱影像进行校正和去除噪声后，构建单波段、双波段及三波段多光谱指数，所述单波段光谱指数包括ln(a)、1/a、1/ln(a)和
Figure BDA0003303811380000061
所述双波段光谱指数包括a×b、a/b、
Figure BDA0003303811380000062
和(a-b)/(a+b)，所述三波段光谱指数包括(a+b)/c、(a×b)/c、(a-b)/c和
Figure BDA0003303811380000063
其中a、b、c为波段值；
根据所述特征变量及所述多光谱指数与土壤重金属浓度之间的响应关系，提取关键特征变量；
将所述采样点的土壤重金属污染风险等级作为因变量，所述关键特征变量为自变量构建随机森林模型、神经网络模型及支持向量机模型，并根据评价指标筛选最优模型。
在一些实施方式中，反演土壤重金属污染风险等级的方法具体包括以下步骤：
第一步，采样：依据平均分布原则在研究区内随机选取采样点，并采集土壤样本；
第二步，对土壤样本进行预处理：去除土壤样本中的碎石和动植物残骸，测定土壤样本的pH及重金属浓度，并确定重金属的筛选值及管制值以对土壤样本的重金属污染风险等级进行划分标记；
第三步，获取研究区的遥感图像：采集研究区的高分辨率遥感图像，并通过图像标注工具获取研究区内地物的位置；
第四步，构建地物特征变量：通过欧氏距离计算公式及梯度计算公式构建采样点与各地物的特征变量；
第五步，卫星多光谱影像采集及校正：根据采样时间下载卫星多光谱影像，对卫星多光谱影像进行几何校正、大气校正；
第六步，卫星多光谱指数构建：提取采样点在所述卫星多光谱影像中的像元值，构建单波段、双波段及三波段多光谱指数，单波段光谱指数包括ln(a)、1/a、1/ln(a)和
Figure BDA0003303811380000071
双波段光谱指数包括a×b、a/b、
Figure BDA0003303811380000072
Figure BDA0003303811380000073
和(a-b)/(a+b)，三波段光谱指数包括(a+b)/c、(a×b)/c、(a-b)/c和
Figure BDA0003303811380000074
其中a、b、c为波段值；
第七步，地物特征变量及多光谱指数与土壤重金属污染相关性分析：利用相关性分析获取地物特征变量及多光谱指数与土壤重金属浓度之间的响应关系，提取关键特征变量；
第八步，建模：将土壤样本的重金属污染风险等级作为因变量，关键特征变量为自变量构建随机森林模型、神经网络模型及支持向量机等机器学习模型，并对各模型参数进行优化；
第九步，最优模型筛选：通过准确率、F1-score、低风险采样点的F1-score、中风险采样点的F1-score、高风险采样点的F1-score及Kappa系数对模型精度进行评价，筛选精度最高的模型作为最优土壤重金属污染风险等级模型；
第十步，反演土壤重金属污染风险：获取研究区内未采样点的地物特征变量及多光谱指数，利用最优土壤重金属污染风险等级模型反演未采样点的土壤重金属污染风险等级。
在一些实施方式中，选取采样点的方法根据土壤组成、受污染程度、地势平坦度及面积大小选用任意一种常用的方法即可，包括但不限于系统采样法、对角线采样法、梅花型采样法、棋盘式采样法、蛇形采样法等。其中，对角线式采样法具体为对角线分5等分，以等分点为采样分点，适用于灌溉农田土壤；梅花桩式采样法具体为：5个左右样本，适用于面积较小，地势平坦，土壤组成和受污染程度相对比较均匀的地块；棋盘式采样法具体为：10个～20个左右样本，适宜中等面积、地势平坦、土壤不够均匀的地块和受污泥、垃圾等固体废物污染的土壤；蛇形采样法具体为：15个左右样本，适宜于面积较大、土壤不够均匀且地势不平坦的地块，多用于农业污染型土壤。
在一些实施方式中，每个采样点通常需要采集多个土壤样本，例如可以为3个、5个、8个、10个等。
在一些实施方式中，除去土壤样本中的碎石和动植物残骸之后还包括对土壤样本进行干燥的步骤，干燥方法可以为风干。
在一些实施方式中，根据土壤样本的性质选用合适的国家标准确定重金属的筛选值及管制值，例如农用地可以选用GB 15618-2018标准，建设用地可以选用GB 36600-2018标准。当土壤样本中重金属浓度小于筛选值时，将样本标记为低风险；当土壤样本中重金属浓度在筛选值和管制值之间时，将样本标记为中风险；当土壤样本中重金属浓度高于管制值时，将样品标记为高风险。
在一些实施方式中，地物包括与土壤污染相关的地物，如工厂厂房、废水池、原材料及固废存储区、室外活动区、植被、地表水等。
在一些实施方式中，获取研究区的遥感图像的工具为遥感卫星或无人机。
在一些实施方式中，图像标注工具可以为Lableme软件、Yolo_mark软件、PhotoShop软件等。优选为Lableme软件。
在一些实施方式中，梯度包括横向梯度和纵向梯度。
在一些实施方式中，采样点与地物特征之间的距离(欧氏距离)公式如下：
Figure BDA0003303811380000081
横向梯度地物特征的计算公式如下：
Figure BDA0003303811380000091
纵向梯度地物特征的计算公式如下：
Figure BDA0003303811380000092
式中，xj为采样点j的横坐标，yj为采样点j的纵坐标，xi为地物i的横坐标，yi为地物i的纵坐标。
在一些实施方式中，获取所述卫星多光谱影像采用Landsat系列卫星、Spot系列卫星、Sentinel系列卫星、资源系列卫星或高分辨率系列卫星。其中，可以为Landsat 7、Landsat 8等，Spot系列卫星可以选用Spot 1～7、Sentinel系列卫星可以为Sentinel S1A、Sentinel S1B、Sentinel S2A、Sentinel S2B、Sentinel S3A、Sentinel S3B、SentinelS5P，资源系列卫星主要选用陆地资源卫星，高分辨率系列卫星可以选用worldview系列1、2、3、4卫星、geoeye卫星、快鸟卫星、ikonos卫星、pleiades卫星、kompsat2卫星、komposat3卫星、kompsat-3a卫星、高景一号、高分二号卫星、吉林一号卫星等。选定卫星后下载卫星资源即可，需要说明的是，所下载的卫星影像的采集时间应接近采样时间，且影像中研究区内的云量为0。
在一些实施方式中，校正和去除噪声的方法包括几何校正和大气校正。
在一些实施方式中，大气校正的模型包括6S大气校正模型、Flaash模型或Mortran模型。
在一些实施方式中，几何校正采用的方法为在研究区内选择地面控制点，通过灰度值重采样计算影像各处幅度值。
在一些实施方式中，大气校正的方法如下：对卫星影像进行辐射定标，通过Flaash大气校正模型对影像进行辐射校正，并将影像的像元值转换为大气表观反射率。
在一些实施方式中，地物特征变量及多光谱指数与土壤重金属污染相关性分析所采用的方法可以为皮尔森相关法、斯皮尔曼等级相关法等。
在一些实施方式中，关键特征变量根据地物特征变量及多光谱指数与土壤重金属浓度之间的响应关系的高低进行确定，选取响应关系高的变量作为关键特征变量。
在一些实施方式中，对模型中的参数进行优化时，利用十折交叉验证法来评估模型的精度。
在一些实施方式中，对随机森林模型参数进行优化的方式为对决策树个数进行优化。
在一些实施方式中，对神经网络模型参数进行优化的方式为对激活函数及隐藏层神经元个数进行优化。
在一些实施方式中，对支持向量机模型进行优化的方式为对核函数进行优化。
在一些实施方式中，准确率的计算公式如下：
Figure BDA0003303811380000101
式中，T为预测正确的样本数，N为样本总量；
F1-score的计算公式为：
Figure BDA0003303811380000102
Figure BDA0003303811380000111
Figure BDA0003303811380000112
式中，TP阳性样本预测为阳性的样本数，FP为阴性样本预测为阳性的样本数，FN为阳性样本预测为阴性的样本数；
Kappa系数计算公式为：
Figure BDA0003303811380000113
式中，po及模型的准确率，pe为混淆举证中所有类别实际与预测数量乘积之和与总样本数的平方。
在一些实施方式中，重金属为As、Pb、Ni及Cr中的一种或多种。
以下结合具体实施例对本发明的反演土壤重金属污染风险等级的方法作进一步详细的说明。
实施例1
图1为本实施例反演土壤重金属污染风险等级的流程图。以农田中重金属砷为检测对象，具体步骤如下：
第一步，采样：利用系统采样法在研究区内于2017年9月选取采样点，并采集土壤样本，布点数量为365个；
第二步，对样本进行预处理：风干样本，并去除土壤样本中的碎石及植物残骸，利用玻璃电极-饱和甘汞电极法测定土壤样本的pH值，并利用ICP-MS测定土壤中的砷浓度，根据GB 15618-2018标准确定砷的筛选值及管制值以对土壤样本的砷污染风险等级进行划分标记。当土壤样本砷浓度小于筛选值时，将土壤样本标记为低风险；当土壤样本中砷浓度在筛选值和管制值之间时，将土壤样本标记为中风险；当土壤样本中砷浓度高于管制值时，将土壤样品标记为高风险；
第三步，获取研究区的遥感图像：利用无人机采集研究区的高分辨率遥感图像，并通过Lableme图像标注工具获取研究区内地物的位置，所述地物包括工厂厂房、废水池、原材料及固废存储区、室外活动区、植被及地表水；
第四步，构建地物特征变量：通过欧氏距离及梯度构建采样点与各地物的特征变量，计算公式如下：
采样点与地物特征之间的距离(欧氏距离)计算公式：
Figure BDA0003303811380000121
横向梯度地物特征的计算公式：
Figure BDA0003303811380000122
纵向梯度地物特征的计算公式：
Figure BDA0003303811380000123
式中，xj为采样点j的横坐标，yj为采样点j的纵坐标，xi为地物i的横坐标，yi为地物i的纵坐标；
第五步，卫星多光谱影像采集及校正：在美国地质勘探局下载2017年10月21日的Landsat-8多光谱影像，并通过Envi Classic 5.3软件，利用研究区的标准影像对采集的Landsat-8多光谱影像进行几何校正，将误差控制在0.5个像元内，随后利用Envi 5.3对校正后的影像进行辐射定标，并对影像进行Flaash大气校正，校正前后的光谱曲线分别如图2中的(a)和(b)所示；
第六步，卫星多光谱指数构建：如表1所示，通过变换组合单波段指数、双波段指数及三波段指数，构建511个多光谱指数；
表1各波段的多光谱指数
Figure BDA0003303811380000131
注：a、b、c表示任意一个波段值
第七步，地物特征变量及多光谱指数与土壤重金属污染相关性分析：通过皮尔森相关性分析获取地物特征变量及多光谱指数与土壤砷浓度之间的响应关系。如图3所示，发现地物特征变量与土壤砷污染相关性较高，最高的相关系数绝对值可以达到0.39；
第八步，建模：基于随机森林模型、神经网络模型及支持向量机分别构建土壤砷污染风险等级模型，并优化模型参数。对随机森林模型，主要对决策树个数进行优化，优化为69个；对于神经网络模型，主要对激活函数及隐藏层神经元个数进行优化；对于支持向量机，主要对核函数进行优化；
第九步，最优模型筛选：通过准确率、F1-score、低风险采样点的F1-score、中风险采样点的F1-score、高风险采样点的F1-score及Kappa系数对模型精度进行评价，评价结果如图4所示，发现随机森林模型的精度最高，模型的准确率达0.83，可对高风险采样点实现100％识别，
其中，准确率的计算公式如下：
Figure BDA0003303811380000141
式中，T为预测正确的样本数，N为样本总量；
F1-score的计算公式为：
Figure BDA0003303811380000142
Figure BDA0003303811380000143
Figure BDA0003303811380000144
式中，TP阳性样本预测为阳性的样本数，FP为阴性样本预测为阳性的样本数，FN为阳性样本预测为阴性的样本数；
Kappa系数计算公式为：
Figure BDA0003303811380000151
式中，po及模型的准确率，pe为混淆举证中所有类别实际与预测数量乘积之和与总样本数的平方；
第十步，反演土壤重金属污染风险：获取研究区内未采样点的地物特征变量及多光谱指数，利用随机森林模型对整个研究区内土壤砷污染风险等级进行反演。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种反演土壤重金属污染风险等级的方法，其特征在于，包括以下步骤：
根据研究区中采样点的相关信息建模并利用所得模型反演未采样点的土壤重金属污染风险等级；
所述建模的方法包括以下步骤：
获取所述研究区内的地物的位置，通过欧氏距离及梯度计算公式构建所述采样点与各所述地物的特征变量；
对所述研究区的卫星多光谱影像进行校正和去除噪声后，构建单波段、双波段及三波段多光谱指数，所述单波段光谱指数包括ln(a)、1/a、1/ln(a)和
Figure FDA0003303811370000011
所述双波段光谱指数包括a×b、a/b、
Figure FDA0003303811370000012
和(a-b)/(a+b)，所述三波段光谱指数包括(a+b)/c、(a×b)/c、(a-b)/c和
Figure FDA0003303811370000013
其中a、b、c为波段值；
根据所述特征变量及所述多光谱指数与土壤重金属浓度之间的响应关系，提取关键特征变量；
将所述采样点的土壤重金属污染风险等级作为因变量，所述关键特征变量为自变量构建随机森林模型、神经网络模型及支持向量机模型，并根据评价指标筛选模型。
2.根据权利要求1所述的反演土壤重金属污染风险等级的方法，其特征在于，选取所述采样点的方法包括系统采样法、对角线采样法、梅花型采样法、棋盘式采样法或蛇形采样法。
3.根据权利要求1所述的反演土壤重金属污染风险等级的方法，其特征在于，获取所述地物的位置所采用的方法为标注遥感图像，获取所述遥感图像的工具为遥感卫星或无人机。
4.根据权利要求1所述的反演土壤重金属污染风险等级的方法，其特征在于，获取所述卫星多光谱影像采用的工具为Landsat系列卫星、Spot系列卫星、Sentinel系列卫星、资源系列卫星或高分辨率系列卫星。
5.根据权利要求1所述的反演土壤重金属污染风险等级的方法，其特征在于，所述评价指标包括准确率、F1-score、低风险采样点的F1-score、中风险采样点的F1-score、高风险采样点的F1-score及Kappa系数。
6.根据权利要求1所述的反演土壤重金属污染风险等级的方法，其特征在于，划分所述采样点的土壤重金属污染风险等级的方法包括：测定所述采样点的土壤样本的pH及重金属浓度，并确定重金属的筛选值及管制值。
7.根据权利要求6所述的反演土壤重金属污染风险等级的方法，其特征在于，所述土壤样本预先除去了碎石和动植物残骸。
8.根据权利要求1所述的反演土壤重金属污染风险等级的方法，其特征在于，所述校正和去除噪声的方法包括几何校正和大气校正。
9.根据权利要求8所述的反演土壤重金属污染风险等级的方法，其特征在于，所述大气校正的模型包括6S大气校正模型、Flaash模型或Mortran模型。
10.根据权利要求1～9任一项所述的反演土壤重金属污染风险等级的方法，其特征在于，所述重金属为As、Pb、Ni及Cr中的一种或多种。
CN202111197959.5A 2021-10-14 2021-10-14 反演土壤重金属污染风险等级的方法 Pending CN114021900A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111197959.5A CN114021900A (zh) 2021-10-14 2021-10-14 反演土壤重金属污染风险等级的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111197959.5A CN114021900A (zh) 2021-10-14 2021-10-14 反演土壤重金属污染风险等级的方法

Publications (1)

Publication Number Publication Date
CN114021900A true CN114021900A (zh) 2022-02-08

Family

ID=80056142

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111197959.5A Pending CN114021900A (zh) 2021-10-14 2021-10-14 反演土壤重金属污染风险等级的方法

Country Status (1)

Country Link
CN (1) CN114021900A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114814167A (zh) * 2022-04-08 2022-07-29 中科吉安生态环境研究院 融合多源环境变量与光谱信息的土壤重金属含量反演方法
CN116046692A (zh) * 2023-03-23 2023-05-02 航天宏图信息技术股份有限公司 一种基于高光谱的土壤重金属污染监测方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101760474B1 (ko) * 2017-03-31 2017-07-25 (주)아세아항측 중금속 함유토양 핫스팟 탐지를 위한 초분광 영상처리 진행방법
CN110095587A (zh) * 2019-05-27 2019-08-06 生态环境部南京环境科学研究所 一种基于高光谱影像的区域生态风险评价方法
CN110514597A (zh) * 2019-09-04 2019-11-29 北京麦飞科技有限公司 基于星地遥感数据协同的农作物病虫害监测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101760474B1 (ko) * 2017-03-31 2017-07-25 (주)아세아항측 중금속 함유토양 핫스팟 탐지를 위한 초분광 영상처리 진행방법
CN110095587A (zh) * 2019-05-27 2019-08-06 生态环境部南京环境科学研究所 一种基于高光谱影像的区域生态风险评价方法
CN110514597A (zh) * 2019-09-04 2019-11-29 北京麦飞科技有限公司 基于星地遥感数据协同的农作物病虫害监测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114814167A (zh) * 2022-04-08 2022-07-29 中科吉安生态环境研究院 融合多源环境变量与光谱信息的土壤重金属含量反演方法
CN116046692A (zh) * 2023-03-23 2023-05-02 航天宏图信息技术股份有限公司 一种基于高光谱的土壤重金属污染监测方法和装置
CN116046692B (zh) * 2023-03-23 2023-06-13 航天宏图信息技术股份有限公司 一种基于高光谱的土壤重金属污染监测方法和装置

Similar Documents

Publication Publication Date Title
Bresciani et al. Mapping phytoplankton blooms in deep subalpine lakes from Sentinel-2A and Landsat-8
Wang et al. Regional suitability prediction of soil salinization based on remote-sensing derivatives and optimal spectral index
Omran Detection of land-use and surface temperature change at different resolutions
Majozi et al. Remote sensing of euphotic depth in shallow tropical inland waters of Lake Naivasha using MERIS data
Wei et al. Global estimation of suspended particulate matter from satellite ocean color imagery
Makkeasorn et al. Seasonal change detection of riparian zones with remote sensing images and genetic programming in a semi-arid watershed
CN114021900A (zh) 反演土壤重金属污染风险等级的方法
Manakos et al. Comparison between atmospheric correction modules on the basis of worldview-2 imagery and in situ spectroradiometric measurements
Rahmawati et al. Blue carbon in seagrass ecosystem: guideline for the assessment of carbon stock and sequestration in Southeast Asia
CN115330159A (zh) 沙漠生态修复效果评价方法、装置、终端设备及存储介质
Macfarlane et al. A standardised Landsat time series (1973–2016) of forest leaf area index using pseudoinvariant features and spectral vegetation index isolines and a catchment hydrology application
de Paul Obade et al. Remote sensing of soil and water quality in agroecosystems
Hill et al. Land degradation and soil erosion mapping in a Mediterranean ecosystem
Wang et al. Exploring the potential of multispectral satellite images for estimating the contents of cadmium and lead in cropland: The effect of the dimidiate pixel model and random forest
Farah et al. Mapping of soil degradation in semi-arid environments in the ouarzazate basin in the south of the central High Atlas, Morocco, using sentinel 2A data
Abd El-sadek et al. Coastal and landuse changes of Burullus Lake, Egypt: A comparison using Landsat and Sentinel-2 satellite images
CN116702065A (zh) 基于影像数据黑臭水体生态治理污染监测方法及系统
Mollaee Estimation of phytoplankton chlorophyll-a concentration in the western basin of Lake Erie using Sentinel-2 and Sentinel-3 data
Larson et al. Landsat 8 monitoring of multi-depth suspended sediment concentrations in Lake Erie’s Maumee River using machine learning
Igamberdiev et al. Determination of chlorophyll content of small water bodies (kettle holes) using hyperspectral airborne data
Budak et al. Improvement of spatial estimation for soil organic carbon stocks in Yuksekova plain using Sentinel 2 imagery and gradient descent–boosted regression tree
Beucher et al. Updating the Danish peatland maps with a combination of new data and modeling approaches
CN115561199A (zh) 一种基于卫星遥感影像的水华监测方法
CN115931783A (zh) 一种基于GEE的大尺度区域湖库叶绿素a制图方法
Wassenaar et al. Sunlit soil surface extraction from remotely sensed imagery of perennial, discontinuous crop areas; the case of Mediterranean vineyards

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