CN115825388A - 一种重金属估算模型的训练方法、估算方法、装置及设备 - Google Patents

一种重金属估算模型的训练方法、估算方法、装置及设备 Download PDF

Info

Publication number
CN115825388A
CN115825388A CN202211511635.9A CN202211511635A CN115825388A CN 115825388 A CN115825388 A CN 115825388A CN 202211511635 A CN202211511635 A CN 202211511635A CN 115825388 A CN115825388 A CN 115825388A
Authority
CN
China
Prior art keywords
heavy metal
detected
area
sampling
data
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
CN202211511635.9A
Other languages
English (en)
Inventor
王惠敏
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.)
Meihang Remote Sensing Information Co ltd
Aerial Photogrammetry and Remote Sensing Co Ltd
Original Assignee
Meihang Remote Sensing Information Co ltd
Aerial Photogrammetry and Remote Sensing Co Ltd
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 Meihang Remote Sensing Information Co ltd, Aerial Photogrammetry and Remote Sensing Co Ltd filed Critical Meihang Remote Sensing Information Co ltd
Priority to CN202211511635.9A priority Critical patent/CN115825388A/zh
Publication of CN115825388A publication Critical patent/CN115825388A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本申请提供一种重金属估算模型的训练方法、估算方法、装置及设备，涉及重金属检测技术领域。该方法获取待检测区域内多个采样点的土壤样本的重金属含量以及多个采样点的位置坐标；获取高光谱卫星采集的待检测区域的高光谱影像数据；对待检测区域的高光谱影像数据进行混合像元进行分解，得到待检测区域的土壤分布影像图；根据多个采样点的位置坐标，从土壤分布影像图中获取多个采样点的光谱数据；根据多个采样点的土壤样本的重金属含量以及多个采样点的光谱数据，建立待检测区域的重金属估算模型。从而，通过采用高光谱卫星采集的高光谱影像数据建立重金属估算模型，用于重金属含量估计，节省了重金属检测所需的人力、物力。

Description

一种重金属估算模型的训练方法、估算方法、装置及设备
技术领域
本发明涉及重金属检测技术领域，具体而言，涉及一种重金属估算模型的训练方法、估算方法、装置及设备。
背景技术
近年来，我国的环境污染问题越来越严重，尤其是土壤中的重金属污染严重影响着人们的健康。为预防土壤中的重金属污染，需要对土壤中的重金属含量进行监测。
现有技术中多采用高光谱影像法获取土壤中的重金属含量。高光谱具有多个波段，能较好地获取与土壤重金属相关的光谱信息。在实验室或者野外的条件下，使用地物光谱仪测定的高光谱数据反演土壤重金属的研究较多。此高光谱数据是地物光谱仪对准单个土壤样本所测，数据中只有每个样本的光谱曲线。若想对研究区域进行大面积估算，依靠逐一对单个土壤样本进行测量，不仅效率低下，还耗费大量的人力物力。
发明内容
本发明的目的在于，针对上述现有技术中的不足，本申请提供了一种重金属估算模型的训练方法、估算方法、装置及设备，以解决现有技术中重金属检测效率较低等问题。
为实现上述目的，本申请实施例采用的技术方案如下：
第一方面，本申请实施例提供一种重金属估算模型的训练方法，所述方法包括：
获取待检测区域内多个采样点的土壤样本的重金属含量以及所述多个采样点的位置坐标；
获取高光谱卫星采集的所述待检测区域的高光谱影像数据；
对所述待检测区域的高光谱影像数据进行混合像元进行分解，得到所述待检测区域的土壤分布影像图；
根据所述多个采样点的位置坐标，从所述土壤分布影像图中获取所述多个采样点的光谱数据；
根据所述多个采样点的土壤样本的重金属含量以及所述多个采样点的光谱数据，建立所述待检测区域的重金属估算模型。
可选地，所述对所述待检测区域的高光谱影像数据进行混合像元进行分解，得到所述待检测区域的土壤分布影像图，包括：
从所述待检测区域的高光谱影像数据中提取所述待检测区域内每个像元的各种地物的纯净光谱数据；所述各种地物包括：土壤地物；
根据土壤地物的纯净光谱数据在所述高光谱影像数据中所述每个像元的混合光谱数据中的占比，确定土壤地物在所述每个像元的丰度值；
根据土壤地物在所述每个像元的丰度值，从所述待检测区域中确定土壤地物所在的区域；
根据所述高光谱影像数据以及所述土壤地物所在的区域，得到所述待检测区域的土壤分布影像图。
可选地，所述根据所述多个采样点的土壤样本的重金属含量以及所述多个采样点的光谱数据，建立所述待检测区域的重金属估算模型之前，所述方法还包括：
从每个采样点的光谱数据中选择所述每个采样点的最优波段组合的光谱数据；
所述根据所述多个采样点的土壤样本的重金属含量以及所述多个采样点的光谱数据，建立所述待检测区域的重金属估算模型，包括：
根据所述多个采样点的土壤样本的重金属含量以及所述多个采样点的最优波段组合的光谱数据，建立所述待检测区域的重金属估算模型。
可选地，所述从每个采样点的光谱数据中选择所述每个采样点的最优波段组合的光谱数据，包括：
依次对所述每个采样点的光谱数据进行多次蒙特卡洛采样，得到多次光谱波段采样数据；
计算所述多次光谱波段采样数据的验证参数；
分别从所述多次光谱波段采样数据中确定最优验证参数对应的光谱波段采样数据为所述最优波段组合的光谱数据。
可选地，所述依次对所述每个采样点的光谱数据进行多次蒙特卡洛采样，得到多次光谱波段采样数据，包括：
按照预设比例对所述每个采样点的光谱数据进行随机采样，得到采样子集光谱数据；
根据预设采样次数计算所述采样子集光谱数据的保留率；
在所述采样子集光谱数据中，根据所述保留率得到光谱波段采样数据；本轮得到的所述光谱波段采样数据作为下一轮蒙特卡洛采样的总数。
可选地，所述从每个采样点的光谱数据中选择所述每个采样点的最优波段组合的光谱数据，包括：
从每个采样点的光谱数据中进行多轮选择，得到每轮选择对应的所述每个采样点的最优波段组合的光谱数据；
所述根据所述多个采样点的土壤样本的重金属含量以及所述多个采样点的最优波段组合的光谱数据，建立所述待检测区域的重金属估算模型，包括：
根据所述多个采样点的土壤样本的重金属含量以及每轮选择对应的所述多个采样点的最优波段组合的光谱数据，建立每轮选择对应的所述待检测区域的重金属估算模型；
在多轮选择对应的多个所述待检测区域的重金属估算模型中，选择精度参数最高的重金属估算模型作为所述待检测区域的重金属估算模型。
第二方面，本申请实施例提供一种土壤重金属估算方法，所述方法包括：
获取高光谱卫星采集的待检测区域的高光谱影像数据；
对所述待检测区域的高光谱影像数据进行混合像元进行分解，得到所述待检测区域的土壤分布影像图；
采用预先建立的所述待检测区域的重金属估算模型，对所述土壤分布影像图进行处理，得到所述待检测区域内各个土壤位置点的重金属含量。
第三方面，本申请实施例提供一种重金属估算模型的训练装置，所述装置包括：
第一获取模块，用于获取待检测区域内多个采样点的土壤样本的重金属含量以及所述多个采样点的位置坐标；
第二获取模块，用于获取高光谱卫星采集的所述待检测区域的高光谱影像数据；
第一分解模块，用于对所述待检测区域的高光谱影像数据进行混合像元进行分解，得到所述待检测区域的土壤分布影像图；
第三获取模块，用于根据所述多个采样点的位置坐标，从所述土壤分布影像图中获取所述多个采样点的光谱数据；
建立模块，用于根据所述多个采样点的土壤样本的重金属含量以及所述多个采样点的光谱数据，建立所述待检测区域的重金属估算模型。
第四方面，本申请实施例提供一种土壤重金属估算装置，所述装置包括：
第四获取模块，用于获取高光谱卫星采集的待检测区域的高光谱影像数据；
第二分解模块，用于对所述待检测区域的高光谱影像数据进行混合像元进行分解，得到所述待检测区域的土壤分布影像图；
处理模块，用于采用预先建立的所述待检测区域的重金属估算模型，对所述土壤分布影像图进行处理，得到所述待检测区域内各个土壤位置点的重金属含量。
第五方面，本申请实施例提供一种训练设备，包括：训练处理器、训练存储介质，所述训练处理器与所述训练存储介质之间通过总线通信连接，所述训练存储介质存储有所述训练处理器可执行的程序指令，所述训练处理器调用所述训练存储介质中存储的程序，以执行如第一方面任一所述的重金属估算模型的训练方法的步骤。
相对于现有技术而言，本申请具有以下有益效果：
本申请提供一种重金属估算模型的训练方法、估算方法、装置及设备，该方法获取待检测区域内多个采样点的土壤样本的重金属含量以及多个采样点的位置坐标；获取高光谱卫星采集的待检测区域的高光谱影像数据；对待检测区域的高光谱影像数据进行混合像元进行分解，得到待检测区域的土壤分布影像图；根据多个采样点的位置坐标，从土壤分布影像图中获取多个采样点的光谱数据；根据多个采样点的土壤样本的重金属含量以及多个采样点的光谱数据，建立待检测区域的重金属估算模型。从而，通过采用高光谱卫星采集的高光谱影像数据建立重金属估算模型，并依据该模型对重金属含量进行估计，高效地估算了待检测区域的土壤重金属含量，节省了重金属检测所需的人力、物力。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的一种重金属估算模型的训练方法的流程示意图；
图2为一种混合像元分解方法的流程示意图；
图3为本申请实施例提供的一种采用最优波段进行重金属估算模型的训练方法的流程示意图；
图4为本申请实施例提供的一种选择得到最优波段组合的光谱数据的方法的流程示意图；
图5为本申请实施例提供的一种得到多次光谱波段采样数据的方法的流程示意图；
图6为本申请实施例提供的一种基于多轮选择的最优波段组合的光谱数据的重金属估算模型的训练方法的流程示意图；
图7为本申请实施例提供的一种土壤重金属估算方法的流程示意图；
图8为本申请实施例提供的一种重金属估算模型的训练装置的示意图；
图9为本申请实施例提供的一种土壤重金属估算装置的示意图；
图10为本申请实施例提供的一种训练设备的示意图；
图11为本申请实施例提供的一种估算设备的示意图。
图标：801-第一获取模块、802-第二获取模块、803-第一分解模块、804-第三获取模块、805-建立模块、901-第四获取模块、902-第二分解模块、903-处理模块、1001-训练处理器、1002-训练存储介质、1101-估算处理器、1102-估算存储介质。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
此外，若出现术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，在不冲突的情况下，本发明的实施例中的特征可以相互结合。
为研究大面积区域的土壤重金属含量，本申请提供了一种重金属估算模型的训练方法、估算方法、装置及设备，通过采用高光谱卫星采集的高光谱影像数据建立重金属估算模型，并依据该模型对重金属含量进行估计，高效地估算了待检测区域的土壤重金属含量，节省了检测所需的人力、物力。
如下先通过具体示例对本申请提供的一种重金属估算模型的训练方法进行解释说明。图1为本申请实施例提供的一种重金属估算模型的训练方法的流程示意图，该方法的执行主体为训练设备，该训练设备可以是具有计算处理功能的台式电脑、笔记本电脑等，在此不作限制。如图1所示，该方法包括：
S101、获取待检测区域内多个采样点的土壤样本的重金属含量以及多个采样点的位置坐标。
首先，将待检测区域进行网格划分，将待检测区域划分为多个子区域。具体的网格并不限定，只要可以将待检测区域近似均匀地划分成多个尺寸相似的子区域即可。在每个子区域中确定至少一个采样点，示例地，在矿区、工厂、居民区等潜在污染源附近可以加密采样点，以便更好地分析土壤中有害物质的来源。
其次，在采样时使用RTK(实时动态，Real Time Kinematic)实时获取每个采样点高精度位置坐标。
最后，选定采样点位置坐标后，在采样点及周围直径一米的前后左右四个点各采集土样约400g，采集土壤表层5厘米的土壤，混合装入密封袋，因此每个土壤样本质量应不少于2kg。在采集土壤样本时做好记录及拍照工作，以便后续查看此样本点的地理状况。将采集的土壤样本去除杂物，风干研磨，过筛。使用电感耦合等离子质谱仪(ICP-MS)对土壤样本进行测量，得到土壤中的铅、铜、镍等重金属含量。进而得到多个采样点的土壤样本的重金属含量。
S102、获取高光谱卫星采集的待检测区域的高光谱影像数据。
通过获取高光谱卫星采集的待检测区域的高光谱影像，并对高光谱影像做进一步的图像预处理，包括：几何校正、辐射校正、大气校正、裁剪等。进而得到待检测区域的高光谱影像数据。
几何校正：采用ENVI 5.3，输入GF-5影像，选择“RPC OrthorectificationWorkflow”工作流，并输入DEM数据与影像的预设分辨率。示例地，DEM数据选择使用GMTED2010(The Global Multi-resolution Terrain Elevation Data 2010，全球大陆范围内的高程数据集)。GMTED2010的分辨率为7.5秒(约200米)。影像的预设分辨率可以为30米。处理完成后即可得到几何校正后的高光谱影像。卫星遥感图像在采集过程中，传感器高度和姿态角的变化、大气折光、地球曲率、地形起伏、地球旋转和传感器本身结构性能等都会引起图像几何变形。几何变形使图像中的几何图形与该物体在所选定的地图投影中的几何图形产生差异，使图像产生了几何形状或位置的失真，主要表现为位移、旋转、缩放、仿射、弯曲和更高阶的弯曲，或表现为象元相对地面实际位置产生挤压、伸展、扭曲或偏移。通过几何校正可以消除上述的误差影响。
辐射校正：采用“Radiometric Calibration”工具，输入几何校正后的高光谱影像，采用预设的辐射校正参数对几何校正后的高光谱影像进行辐射校正。示例地，预设的辐射校正参数可设置为：Output Interleave为“BIL”、Output Data Type为“Float”，ScaleFactor为“0.1”，启动“Apply FLAASH Settings”按钮，即可完成校正，得到辐射校正后的高光谱影像。辐射校正可以尽可能消除因传感器自身条件、太阳位置和角度条件及某些不可避免的噪声等引起的传感器的测量值与目标的光谱反射率或光谱辐射亮度等物理量之间的差异。
大气校正：采用“FLAASH Atmospheric Correction”工具，输入辐射校正后的高光谱影像，获取高光谱影像的经纬度坐标，设置传感器高度为705km，地面高程根据待检测区域的高程设定，像元尺寸为30米，影像获取时间为当前处理时间，然后选择大气模式(例：中纬度夏天)和气溶胶模式(例：乡村)，得到大气校正后的高光谱影像。大气校正的目的是消除大气和光照等因素对地物反射的影响，获取真实的地物反射率。
裁剪：调用“Subset Data from ROIs”，输入大气校正后的高光谱影像与待检测区域的范围，即可裁剪出待检测区域的高光谱影像。进而，得到待检测区域的高光谱影像数据。
示例地，高光谱卫星可以为高分五号卫星。高光谱数据的光谱范围为0.4-2.5μm，共318个通道，空间分辨率为30米，光谱分辨率为5-10nm。
S103、对待检测区域的高光谱影像数据进行混合像元进行分解，得到待检测区域的土壤分布影像图。
高光谱影像的空间分辨率较大(例如，30米)，存在较多的混合像元，即一个像元中有多种地物(例如，裸土、植被、水体、建筑物和道路)。可使用混合像元分解对高光谱影像进行分解，剥离其他地物，以获得待检测区域的土壤分布影像图，作为后续建立重金属估算模型的土壤重金属的影像图。
S104、根据多个采样点的位置坐标，从土壤分布影像图中获取多个采样点的光谱数据。
土壤分布影像图携带待检测区域的每个位置坐标以及该坐标对应的光谱数据。
根据多个采样点的位置坐标，从土壤分布影像图中获取多个采样点在土壤分布影像图中对应的位置坐标，进而确定该位置坐标对应的光谱数据为多个采样点的光谱数据。
S105、根据多个采样点的土壤样本的重金属含量以及多个采样点的光谱数据，建立待检测区域的重金属估算模型。
根据多个采样点的土壤样本的重金属含量以及多个采样点的光谱数据，可以建立待检测区域的重金属含量与光谱数据之间的映射关系。即为待检测区域的重金属估算模型。根据该重金属估算模型，可进一步地估算整个待检测区域的重金属含量。
示例地，首先将土壤样本按每种重金属的含量从低到高排序，每三个样本中抽取两个作为校正集，另一个作为预测集。样本排序后，按照排序编号，1-3号样本中选择两个作为校正集，另一个作为预测集，4-6号样本中选择两个作为校正集，另一个作为预测集，依此类推。光谱数据为自变量X，重金属含量为因变量Y，光谱数据与重金属含量一一对应，重金属估算模型就是X与Y之间的映射关系。校正集光谱数据为X1，校正集重金属含量为Y1，预测集光谱数据为X2，预测集重金属含量为Y2。首先使用校正集的光谱数据(X1)和重金属含量(Y1)建立起重金属估算模型，然后将校正集的光谱数据(X1)输入到模型中，通过模型计算出校正集预测的重金属含量(Y1 ′)，Y1与Y1 ′之间的误差就是校正集精度。最后将预测集的光谱数据(X2)输入到模型中，模型计算出预测的重金属含量(Y2 ′)，Y2与Y2 ′之间的误差就是预测集精度。可根据校正集精度、预测集精度对模型进行评价。
可选地，可采用Ridge(岭回归)算法建立重金属估算模型：Ridge是一种回归方法，可通过Python语言sklearn包中的linear_model.RidgeCV函数实现，具体地，需要设置其中的alphas参数，一般可设置为0.00000001。
通过采用高光谱卫星采集的高光谱影像数据建立重金属估算模型，并依据该模型对重金属含量进行估计，高效地估算了待检测区域的土壤重金属含量，节省了重金属检测所需的人力、物力。
可选地，在根据多个采样点的土壤样本的重金属含量以及多个采样点的光谱数据，建立待检测区域的重金属估算模型之前，还可包括：对每个采样点的光谱数据进行高光谱预处理。进而，根据多个采样点的土壤样本的重金属含量以及预处理后的多个采样点的光谱数据，建立待检测区域的重金属估算模型。
示例地，高光谱预处理可以为高光谱去噪处理。可基于SG算法消除每个采样点的光谱数据中的噪声。具体地，采用Python语言scipy包中的signal.savgol_filter函数实现，可将预设参数代入在此函数中，例如，设置窗口宽度(window_length)为3、多项式次数(polyorder)为2与导数阶数(deriv)为1。采用SG算法，既要消除噪声，又要保留光谱的特征信息。窗口宽度越大，光谱越平滑，光谱特征信息丢失越多；多项式次数的值要小于窗口宽度，多项式次数的值越大，曲线越贴近真实曲线；多项式次数的值越小，曲线越平滑。导数阶数多设置为1阶或2阶，一阶导数与土壤重金属的相关性更强，建模精度更高，可选择选择一阶导数。
可选地，对每个采样点的光谱数据进行高光谱预处理之前，还包括：对每个采样点的光谱数据中预设水汽影响波段的光谱数据进行剔除。进而，对每个采样点的光谱数据进行高光谱预处理，包括：对剔除后得到的每个采样点的光谱数据进行高光谱预处理。
示例地，预设水汽影响波段为940nm、1400nm、1900nm的光谱数据为水汽影响严重的波段，可将其进行剔除。
综上，在本实施例中，获取待检测区域内多个采样点的土壤样本的重金属含量以及多个采样点的位置坐标；获取高光谱卫星采集的待检测区域的高光谱影像数据；对待检测区域的高光谱影像数据进行混合像元进行分解，得到待检测区域的土壤分布影像图；根据多个采样点的位置坐标，从土壤分布影像图中获取多个采样点的光谱数据；根据多个采样点的土壤样本的重金属含量以及多个采样点的光谱数据，建立待检测区域的重金属估算模型。从而，通过采用高光谱卫星采集的高光谱影像数据建立重金属估算模型，并依据该模型对重金属含量进行估计，高效地估算了待检测区域的土壤重金属含量，节省了重金属检测所需的人力、物力。
在图1所示的一种重金属估算模型的训练方法的基础上，本申请实施例还提供了一种混合像元分解方法。图2为一种混合像元分解方法的流程示意图。如图2所示，S103中的对待检测区域的高光谱影像数据进行混合像元进行分解，得到待检测区域的土壤分布影像图，包括：
S201、从待检测区域的高光谱影像数据中提取待检测区域内每个像元的各种地物的纯净光谱数据。
示例地，各种地物至少包括：土壤地物。利用纯净像元指数(PPI)，选择多种常见地物的纯净光谱作为端元(例如，裸土、植被、水体、建筑物和道路，具体的地物类型根据影像而定，包含影像上的典型地物即可)。并采用多种常见地物的纯净光谱在待检测区域的高光谱影像数据中对照提取每个像元的多种常见地物的纯净光谱数据，包括土壤地物的纯净光谱数据。
S202、根据土壤地物的纯净光谱数据在高光谱影像数据中每个像元的混合光谱数据中的占比，确定土壤地物在每个像元的丰度值。
将高光谱影像数据中每个像元的土壤地物的纯净光谱数据与混合光谱数据的比值，作为土壤地物在每个像元的丰度值。
示例地，还可以采用完全约束最小二乘算法获得每个像元多种地物类型的丰度值和残差值，进而得到土壤地物在每个像元的丰度值。
S203、根据土壤地物在每个像元的丰度值，从待检测区域中确定土壤地物所在的区域。
为精准地得到土壤地物所在的像元，可预设土壤丰度阈值，例如：0.7。将土壤地物丰度值大于预设土壤丰度阈值的像元确定为土壤像元。将待检测区域中的所有土壤像元组成的区域作为土壤地物所在的区域。
S204、根据高光谱影像数据以及土壤地物所在的区域，得到待检测区域的土壤分布影像图。
在待检测区域的高光谱影像数据中，根据土壤地物所在的区域，确定对应的待检测区域的土壤分布影像图。
可选地，在待检测区域的高光谱影像数据中，可将非土壤地物所在的区域的高光谱影像数据进行掩膜处理，得到待检测区域的土壤分布影像图。进而，待检测区域的土壤分布影像图中只包含土壤地物，精准地得到待检测区域的土壤分布影像图。
综上，在本实施例中，从待检测区域的高光谱影像数据中提取待检测区域内每个像元的各种地物的纯净光谱数据；各种地物包括：土壤地物；根据土壤地物的纯净光谱数据在高光谱影像数据中每个像元的混合光谱数据中的占比，确定土壤地物在每个像元的丰度值；根据土壤地物在每个像元的丰度值，从待检测区域中确定土壤地物所在的区域；根据高光谱影像数据以及土壤地物所在的区域，得到待检测区域的土壤分布影像图。从而，通过对像元进行分解，精准地得到待检测区域的土壤分布影像图。
在图1所示的一种重金属估算模型的训练方法的基础上，本申请实施例还提供了一种采用最优波段进行重金属估算模型的训练方法。图3为本申请实施例提供的一种采用最优波段进行重金属估算模型的训练方法的流程示意图。如图3所示，在S105中的根据多个采样点的土壤样本的重金属含量以及多个采样点的光谱数据，建立待检测区域的重金属估算模型之前，该方法还包括：
S301、从每个采样点的光谱数据中选择每个采样点的最优波段组合的光谱数据。
为使得所建立的重金属估算模型更加精准，在建立重金属估算模型之前，对每个采样点的光谱数据进行多次选择得到多个波段组合。进而，选择每个采样点的最优波段组合，并确定每个采样点的最优波段组合的光谱数据。
进一步地，S105中的根据多个采样点的土壤样本的重金属含量以及多个采样点的光谱数据，建立待检测区域的重金属估算模型，包括：
S302、根据多个采样点的土壤样本的重金属含量以及多个采样点的最优波段组合的光谱数据，建立待检测区域的重金属估算模型。
得到每个采样点的最优波段组合的光谱数据之后。根据多个采样点的土壤样本的重金属含量以及多个采样点的最优波段组合的光谱数据，得到多段重金属含量以及多个最优波段组合的光谱数据之间的映射关系，进而建立待检测区域的重金属估算模型，使得重金属估算模型更加精准。
综上，在本实施例中，从每个采样点的光谱数据中选择每个采样点的最优波段组合的光谱数据；根据多个采样点的土壤样本的重金属含量以及多个采样点的最优波段组合的光谱数据，建立待检测区域的重金属估算模型。从而，使得重金属估算模型更加精准。
在图3所示的一种采用最优波段进行重金属估算模型的训练方法的基础上，本申请实施例还提供了一种选择得到最优波段组合的光谱数据的方法。图4为本申请实施例提供的一种选择得到最优波段组合的光谱数据的方法的流程示意图。如图4所示，S301中的从每个采样点的光谱数据中选择每个采样点的最优波段组合的光谱数据，包括：
S401、依次对每个采样点的光谱数据进行多次蒙特卡洛采样，得到多次光谱波段采样数据。
对每个采样点的光谱数据进行多次蒙特卡洛采样，得到多次对应的光谱波段采样数据。示例地，在蒙特卡洛采样的基础上，可采用CARS(竞争性自适应重加权采样法，competitive adapative reweighted sampling)算法对每个采样点的光谱数据进行采用处理，得到多次对应的光谱波段采样数据，例如，采样5次。使得采样数据更加多样化。
S402、计算多次光谱波段采样数据的验证参数。
在多次光谱波段采样数据的基础上，计算多次光谱波段采样数据的验证参数。示例地，该验证参数表征了光谱波段采样数据的离散程度，离散程度越小的采样数据越好，离散程度越大的采样数据越差。例如，该验证参数可以为采样数据的均方根误差，采样数据的均方根误差可以基于所有的采样数据计算而得到。
S403、分别从多次光谱波段采样数据中确定最优验证参数对应的光谱波段采样数据为最优波段组合的光谱数据。
示例地，若该验证参数为采样数据的均方根误差，则选择均方根误差最小的光谱波段采样数据为最优波段组合的光谱数据。该组光谱波段采样数据的均方根误差最小，则离散程度越小，数据越集中，得到更加精准的光谱数据。
综上，在本实施例中，依次对每个采样点的光谱数据进行多次蒙特卡洛采样，得到多次光谱波段采样数据；计算多次光谱波段采样数据的验证参数；分别从多次光谱波段采样数据中确定最优验证参数对应的光谱波段采样数据为最优波段组合的光谱数据。从而，通过计算验证参数，得到更加精准的光谱数据。
在图4所示的一种选择得到最优波段组合的光谱数据的方法的基础上，本申请实施例还提供了一种得到多次光谱波段采样数据的方法。图5为本申请实施例提供的一种得到多次光谱波段采样数据的方法的流程示意图。如图5所示，S401中的依次对每个采样点的光谱数据进行多次蒙特卡洛采样，得到多次光谱波段采样数据，包括：
S501、按照预设比例对每个采样点的光谱数据进行随机采样，得到采样子集光谱数据。
在每个采样点的光谱数据中有多个波段，按照预设比例对每个采样点的光谱数据中的多个波段进行随机采样，得到采样子集光谱数据。并以该采样子集光谱数据作为训练集建立偏最小二乘回归模型。示例地，预设比例可设为90％。
基于建立的偏最小二乘回归模型，记录每个波段的回归系数绝对值。进而根据每个波段的回归系数绝对值计算得到每个波段的回归系数绝对值权重。具体的计算公式如下公式(1)所示：
Figure BDA0003969308320000161
其中，|bi|为第i个波段变量的回归系数，ωi为第i个波段的回归系数绝对值权重。
S502、根据预设采样次数计算采样子集光谱数据的保留率。
在得到采样子集光谱数据之后，可根据每个波段的回归系数绝对值权重，将回归系数绝对值权重较大的波段保留，将回归系数绝对值权重较小的波段删除。
具体地，可根据采样子集光谱数据的保留率去除回归系数绝对值权重较小的波段。保留率可以根据指数衰减函数计算得到，具体的计算公式如下公式(2)所示：
Ri＝μe-ki (2)
其中，Ri为第i次采样子集光谱数据的保留率，μ、k为常数(可由预设采样次数计算得到)。
具体地，在第一次采样并进行相应计算时，所有的波段都参与了偏最小二乘回归模型分析，因此此时保留率为1。在最后一次采样并计算时，仅有两个波段被使用，此时保留率为2/n，其中n为原始波段的总数。
根据上述情况，根据预设采样次数可计算得到μ、k，具体的计算方式如下公式(3)、(4)所示：
Figure BDA0003969308320000162
Figure BDA0003969308320000163
其中，N为预设采样次数。
S503、在采样子集光谱数据中，根据保留率得到光谱波段采样数据。
根据保留率可获知波段的保留数量，即保留率与原始波段的总数的乘积。再根据回归系数绝对值权重，由大到小将多个波段进行排列，选取由回归系数绝对值权重最大的波段开始向后选取保留数量的波段，作为光谱波段采样数据。即，保留了回归系数绝对值较大的波段作为光谱波段采样数据。
需要说明的是，对每个采样点的光谱数据进行多次蒙特卡洛采样时，本轮得到的光谱波段采样数据作为下一轮蒙特卡洛采样的总数，以此循环，得到预设采样次数轮光谱波段采样数据，精准地得到了光谱波段采样数据。
综上，在本实施例中，通过按照预设比例对每个采样点的光谱数据进行随机采样，得到采样子集光谱数据；根据采样子集光谱数据计算采样子集光谱数据的保留率；在采样子集光谱数据中，根据保留率得到光谱波段采样数据；本轮得到的光谱波段采样数据为下轮蒙特卡洛采样的总数。从而，精准地得到了光谱波段采样数据。
图6为本申请实施例提供的一种基于多轮选择的最优波段组合的光谱数据的重金属估算模型的训练方法的流程示意图。如图6所示：S301中的从每个采样点的光谱数据中选择每个采样点的最优波段组合的光谱数据，包括：
S601、从每个采样点的光谱数据中进行多轮选择，得到每轮选择对应的每个采样点的最优波段组合的光谱数据。
在进行选择每个采样点的最优波段组合的光谱数据时，进行多轮采样选择，即，得到每个采样点的最优波段组合的光谱数据之后，再基于每个采样点全部的光谱数据，再选择每个采样点的最优波段组合的光谱数据。得到每轮选择对应的每个采样点的最优波段组合的光谱数据，扩充建立重金属估算模型的最优波段组合样本量，便于得到更加精准的重金属估算模型。
进一步地，则S302中的根据多个采样点的土壤样本的重金属含量以及多个采样点的最优波段组合的光谱数据，建立待检测区域的重金属估算模型，包括：
S602、根据多个采样点的土壤样本的重金属含量以及每轮选择对应的多个采样点的最优波段组合的光谱数据，建立每轮选择对应的待检测区域的重金属估算模型。
在得到每轮选择对应的多个采样点的最优波段组合的光谱数据之后，基于多个采样点的土壤样本的重金属含量以及每轮选择对应的多个采样点的最优波段组合的光谱数据，可以得到每轮对应的多段重金属含量以及多个最优波段组合的光谱数据之间的映射关系。进而建立每轮选择对应的待检测区域的重金属估算模型，得到多个待检测区域的重金属估算模型。
S603、在多轮选择对应的多个待检测区域的重金属估算模型中，选择精度参数最高的重金属估算模型作为待检测区域的重金属估算模型。
在得到多个待检测区域的重金属估算模型之后。可基于多个模型中的数据，计算得到模型的精度参数。
示例地，模型的精度参数可以包括：校正集精度评价指数有决定系数
Figure BDA0003969308320000181
均方根误差(RMSEC)、平均绝对误差(MAEC)，预测集精度评价指数有决定系数
Figure BDA0003969308320000182
均方根误差(RMSEP)、平均绝对误差(MAEP)、相对分析误差(RPD)、四分位相对预测误差(RPIQ)。其中，
Figure BDA0003969308320000183
越大，RMSEC越小，MAEC越小，表示校正集数据建立的模型精度越高；
Figure BDA0003969308320000184
越大，RMSEP越小，MAEP越小，RPD越大，RPIQ越大，表示模型的预测能力越好。
在本实施例中，可以以
Figure BDA0003969308320000185
作为评价指标，
Figure BDA0003969308320000186
最大即精度参数最高，将
Figure BDA0003969308320000187
最大的重金属估算模型作为待检测区域的重金属估算模型。得到精度最高的重金属估算模型。
综上，在本实施例中，从每个采样点的光谱数据中进行多轮选择，得到每轮选择对应的每个采样点的最优波段组合的光谱数据；根据多个采样点的土壤样本的重金属含量以及每轮选择对应的多个采样点的最优波段组合的光谱数据，建立每轮选择对应的待检测区域的重金属估算模型；在多轮选择对应的多个待检测区域的重金属估算模型中，选择精度参数最高的重金属估算模型作为待检测区域的重金属估算模型。从而，通过计算精度参数，得到精度最高的重金属估算模型。
图7为本申请实施例提供的一种土壤重金属估算方法的流程示意图，该方法的执行主体为估算设备，该估算设备可以是具有计算处理功能的台式电脑、笔记本电脑等，在此不作限制。如图7所示，该方法包括：
S701、获取高光谱卫星采集的待检测区域的高光谱影像数据。
通过获取高光谱卫星采集的待检测区域的高光谱影像，并对高光谱影像做进一步的图像预处理，包括：几何校正、辐射校正、大气校正、裁剪等。进而得到待检测区域的高光谱影像数据。具体的处理方式，与上述图1对应的实施例所述的内容类似，此处不再赘述。
S702、对待检测区域的高光谱影像数据进行混合像元进行分解，得到待检测区域的土壤分布影像图。
高光谱影像的空间分辨率较大，存在较多的混合像元，通过使用混合像元分解对高光谱影像进行分解，剥离其他地物，以获得待检测区域的土壤分布影像图，作为后续大面积估算土壤重金属的影像图。具体的分解方式，与上述图2对应的实施例所述的内容类似，此处不再赘述。
S702、采用预先建立的待检测区域的重金属估算模型，对土壤分布影像图进行处理，得到待检测区域内各个土壤位置点的重金属含量。
土壤分布影像图进行处理，获取待检测区域内各个土壤位置点的坐标与高光谱数据的对应关系。采用预先建立的待检测区域的重金属估算模型，获取待检测区域的重金属估算模型中高光谱数据与重金属含量的对应关系。根据待检测区域的重金属估算模型中高光谱数据与重金属含量的对应关系，以及待检测区域内各个土壤位置点的坐标与高光谱数据的对应关系，得到待检测区域内各个土壤位置点的重金属含量。以此，通过重金属估算模型对重金属含量进行估计，高效地估算了待检测区域的土壤重金属含量，节省了重金属检测所需的人力、物力。
综上，在本实施例中，获取高光谱卫星采集的待检测区域的高光谱影像数据；对待检测区域的高光谱影像数据进行混合像元进行分解，得到待检测区域的土壤分布影像图；采用预先建立的待检测区域的重金属估算模型，对土壤分布影像图进行处理，得到待检测区域内各个土壤位置点的重金属含量。从而，通过重金属估算模型对重金属含量进行估计，高效地估算了待检测区域的土壤重金属含量，节省了重金属检测所需的人力、物力。
下述对用以执行的本申请所提供的装置、设备及存储介质等进行说明，其具体的实现过程以及技术效果参见上述，下述不再赘述。
图8为本申请实施例提供的一种重金属估算模型的训练装置的示意图，如图8所示，该装置包括：
第一获取模块801，用于获取待检测区域内多个采样点的土壤样本的重金属含量以及多个采样点的位置坐标。
第二获取模块802，用于获取高光谱卫星采集的待检测区域的高光谱影像数据。
第一分解模块803，用于对待检测区域的高光谱影像数据进行混合像元进行分解，得到待检测区域的土壤分布影像图。
第三获取模块804，用于根据多个采样点的位置坐标，从土壤分布影像图中获取多个采样点的光谱数据。
建立模块805，用于根据多个采样点的土壤样本的重金属含量以及多个采样点的光谱数据，建立待检测区域的重金属估算模型。
进一步地，第一分解模块803，具体用于从待检测区域的高光谱影像数据中提取待检测区域内每个像元的各种地物的纯净光谱数据；各种地物包括：土壤地物；根据土壤地物的纯净光谱数据在高光谱影像数据中每个像元的混合光谱数据中的占比，确定土壤地物在每个像元的丰度值；根据土壤地物在每个像元的丰度值，从待检测区域中确定土壤地物所在的区域；根据高光谱影像数据以及土壤地物所在的区域，得到待检测区域的土壤分布影像图。
进一步地，第三获取模块804，还用于从每个采样点的光谱数据中选择每个采样点的最优波段组合的光谱数据。
进一步地，建立模块805，具体用于根据多个采样点的土壤样本的重金属含量以及多个采样点的最优波段组合的光谱数据，建立待检测区域的重金属估算模型。
进一步地，第三获取模块804，具体用于依次对每个采样点的光谱数据进行多次蒙特卡洛采样，得到多次光谱波段采样数据；计算多次光谱波段采样数据的验证参数；分别从多次光谱波段采样数据中确定最优验证参数对应的光谱波段采样数据为最优波段组合的光谱数据。
进一步地，第三获取模块804，具体还用于按照预设比例对每个采样点的光谱数据进行随机采样，得到采样子集光谱数据；根据预设采样次数计算采样子集光谱数据的保留率；在采样子集光谱数据中，根据保留率得到光谱波段采样数据；本轮得到的光谱波段采样数据作为下一轮蒙特卡洛采样的总数。
进一步地，第三获取模块804，具体用于从每个采样点的光谱数据中进行多轮选择，得到每轮选择对应的每个采样点的最优波段组合的光谱数据；
进一步地，建立模块805，具体用于根据多个采样点的土壤样本的重金属含量以及每轮选择对应的多个采样点的最优波段组合的光谱数据，建立每轮选择对应的待检测区域的重金属估算模型；在多轮选择对应的多个待检测区域的重金属估算模型中，选择精度参数最高的重金属估算模型作为待检测区域的重金属估算模型。
图9为本申请实施例提供的一种土壤重金属估算装置的示意图，如图9所示，该装置包括：
第四获取模块901，用于获取高光谱卫星采集的待检测区域的高光谱影像数据。
第二分解模块902，用于对待检测区域的高光谱影像数据进行混合像元进行分解，得到待检测区域的土壤分布影像图。
处理模块903，用于采用预先建立的待检测区域的重金属估算模型，对土壤分布影像图进行处理，得到待检测区域内各个土壤位置点的重金属含量。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，或，一个或多个微处理器(digital singnal processor，简称DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
图10为本申请实施例提供的一种训练设备的示意图，该训练设备可以是具备计算处理功能的设备。
该训练设备包括：训练处理器1001、训练存储介质1002。训练处理器1001和训练存储介质1002通过总线连接。
训练存储介质1002用于存储程序，训练处理器1001调用训练存储介质1002存储的程序，以执行上述方法实施例。具体实现方式和技术效果类似，这里不再赘述。
可选地，本发明还提供一种训练存储介质，包括程序，该程序在被处理器执行时用于执行上述方法实施例。
图11为本申请实施例提供的一种估算设备的示意图，该估算设备可以是具备计算处理功能的设备。
该估算设备包括：估算处理器1101、估算存储介质1102。估算处理器1101和估算存储介质1102通过总线连接。
估算存储介质1102用于存储程序，估算处理器1101调用估算存储介质1102存储的程序，以执行上述方法实施例。具体实现方式和技术效果类似，这里不再赘述。
可选地，本发明还提供一种估算存储介质，包括程序，该程序在被处理器执行时用于执行上述方法实施例。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取存储器(英文：Random Access Memory，简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种重金属估算模型的训练方法，其特征在于，所述方法包括：
获取待检测区域内多个采样点的土壤样本的重金属含量以及所述多个采样点的位置坐标；
获取高光谱卫星采集的所述待检测区域的高光谱影像数据；
对所述待检测区域的高光谱影像数据进行混合像元进行分解，得到所述待检测区域的土壤分布影像图；
根据所述多个采样点的位置坐标，从所述土壤分布影像图中获取所述多个采样点的光谱数据；
根据所述多个采样点的土壤样本的重金属含量以及所述多个采样点的光谱数据，建立所述待检测区域的重金属估算模型。
2.根据权利要求1所述的方法，其特征在于，所述对所述待检测区域的高光谱影像数据进行混合像元进行分解，得到所述待检测区域的土壤分布影像图，包括：
从所述待检测区域的高光谱影像数据中提取所述待检测区域内每个像元的各种地物的纯净光谱数据；所述各种地物包括：土壤地物；
根据土壤地物的纯净光谱数据在所述高光谱影像数据中所述每个像元的混合光谱数据中的占比，确定土壤地物在所述每个像元的丰度值；
根据土壤地物在所述每个像元的丰度值，从所述待检测区域中确定土壤地物所在的区域；
根据所述高光谱影像数据以及所述土壤地物所在的区域，得到所述待检测区域的土壤分布影像图。
3.根据权利要求1所述的方法，其特征在于，所述根据所述多个采样点的土壤样本的重金属含量以及所述多个采样点的光谱数据，建立所述待检测区域的重金属估算模型之前，所述方法还包括：
从每个采样点的光谱数据中选择所述每个采样点的最优波段组合的光谱数据；
所述根据所述多个采样点的土壤样本的重金属含量以及所述多个采样点的光谱数据，建立所述待检测区域的重金属估算模型，包括：
根据所述多个采样点的土壤样本的重金属含量以及所述多个采样点的最优波段组合的光谱数据，建立所述待检测区域的重金属估算模型。
4.根据权利要求3所述的方法，其特征在于，所述从每个采样点的光谱数据中选择所述每个采样点的最优波段组合的光谱数据，包括：
依次对所述每个采样点的光谱数据进行多次蒙特卡洛采样，得到多次光谱波段采样数据；
计算所述多次光谱波段采样数据的验证参数；
分别从所述多次光谱波段采样数据中确定最优验证参数对应的光谱波段采样数据为所述最优波段组合的光谱数据。
5.根据权利要求4所述的方法，其特征在于，所述依次对所述每个采样点的光谱数据进行多次蒙特卡洛采样，得到多次光谱波段采样数据，包括：
按照预设比例对所述每个采样点的光谱数据进行随机采样，得到采样子集光谱数据；
根据预设采样次数计算所述采样子集光谱数据的保留率；
在所述采样子集光谱数据中，根据所述保留率得到光谱波段采样数据；本轮得到的所述光谱波段采样数据作为下一轮蒙特卡洛采样的总数。
6.根据权利要求3所述的方法，其特征在于，所述从每个采样点的光谱数据中选择所述每个采样点的最优波段组合的光谱数据，包括：
从每个采样点的光谱数据中进行多轮选择，得到每轮选择对应的所述每个采样点的最优波段组合的光谱数据；
所述根据所述多个采样点的土壤样本的重金属含量以及所述多个采样点的最优波段组合的光谱数据，建立所述待检测区域的重金属估算模型，包括：
根据所述多个采样点的土壤样本的重金属含量以及每轮选择对应的所述多个采样点的最优波段组合的光谱数据，建立每轮选择对应的所述待检测区域的重金属估算模型；
在多轮选择对应的多个所述待检测区域的重金属估算模型中，选择精度参数最高的重金属估算模型作为所述待检测区域的重金属估算模型。
7.一种土壤重金属估算方法，其特征在于，所述方法包括：
获取高光谱卫星采集的待检测区域的高光谱影像数据；
对所述待检测区域的高光谱影像数据进行混合像元进行分解，得到所述待检测区域的土壤分布影像图；
采用预先建立的所述待检测区域的重金属估算模型，对所述土壤分布影像图进行处理，得到所述待检测区域内各个土壤位置点的重金属含量。
8.一种重金属估算模型的训练装置，其特征在于，所述装置包括：
第一获取模块，用于获取待检测区域内多个采样点的土壤样本的重金属含量以及所述多个采样点的位置坐标；
第二获取模块，用于获取高光谱卫星采集的所述待检测区域的高光谱影像数据；
第一分解模块，用于对所述待检测区域的高光谱影像数据进行混合像元进行分解，得到所述待检测区域的土壤分布影像图；
第三获取模块，用于根据所述多个采样点的位置坐标，从所述土壤分布影像图中获取所述多个采样点的光谱数据；
建立模块，用于根据所述多个采样点的土壤样本的重金属含量以及所述多个采样点的光谱数据，建立所述待检测区域的重金属估算模型。
9.一种土壤重金属估算装置，其特征在于，所述装置包括：
第四获取模块，用于获取高光谱卫星采集的待检测区域的高光谱影像数据；
第二分解模块，用于对所述待检测区域的高光谱影像数据进行混合像元进行分解，得到所述待检测区域的土壤分布影像图；
处理模块，用于采用预先建立的所述待检测区域的重金属估算模型，对所述土壤分布影像图进行处理，得到所述待检测区域内各个土壤位置点的重金属含量。
10.一种训练设备，其特征在于，包括：训练处理器、训练存储介质，所述训练处理器与所述训练存储介质之间通过总线通信连接，所述训练存储介质存储有所述训练处理器可执行的程序指令，所述训练处理器调用所述训练存储介质中存储的程序，以执行如权利要求1至6任一所述的重金属估算模型的训练方法的步骤。
CN202211511635.9A 2022-11-29 2022-11-29 一种重金属估算模型的训练方法、估算方法、装置及设备 Pending CN115825388A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211511635.9A CN115825388A (zh) 2022-11-29 2022-11-29 一种重金属估算模型的训练方法、估算方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211511635.9A CN115825388A (zh) 2022-11-29 2022-11-29 一种重金属估算模型的训练方法、估算方法、装置及设备

Publications (1)

Publication Number Publication Date
CN115825388A true CN115825388A (zh) 2023-03-21

Family

ID=85532654

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211511635.9A Pending CN115825388A (zh) 2022-11-29 2022-11-29 一种重金属估算模型的训练方法、估算方法、装置及设备

Country Status (1)

Country Link
CN (1) CN115825388A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US10832390B2 (en) Atmospheric compensation in satellite imagery
Liang et al. Multi-factor modeling of above-ground biomass in alpine grassland: A case study in the Three-River Headwaters Region, China
Roy et al. Multi-temporal MODIS–Landsat data fusion for relative radiometric normalization, gap filling, and prediction of Landsat data
US9466122B1 (en) Independent covariance estimation and decontamination
CN108956505B (zh) 基于Sentinel-2图像的小型水体中叶绿素a浓度的检测方法及装置
CN110174359B (zh) 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
CN109974665B (zh) 一种针对缺少短波红外数据的气溶胶遥感反演方法及系统
CN112131746B (zh) 叶绿素a浓度反演方法及系统
CN111337434A (zh) 一种矿区复垦植被生物量估算方法及系统
CN106940887B (zh) 一种gf-4卫星序列图像云与云下阴影检测方法
CN115561181B (zh) 一种基于无人机多光谱数据的水质反演方法
CN113466143B (zh) 土壤养分反演方法、装置、设备及介质
CN107895136B (zh) 一种煤矿区域识别方法及系统
CN114894995A (zh) 矿区土壤水分反演方法、设备及计算机可读存储介质
Chen et al. A mathematical morphology-based multi-level filter of LiDAR data for generating DTMs
CN115494007A (zh) 基于随机森林的土壤有机质高精度快速检测方法及装置
RU2422859C1 (ru) Способ определения загрязнения атмосферы мегаполисов
CN115825388A (zh) 一种重金属估算模型的训练方法、估算方法、装置及设备
Qu et al. Estimating vegetation fraction using hyperspectral pixel unmixing method: a case study of a karst area in China
CN113052153B (zh) 遥感反射率影像的检验方法、装置、电子设备及存储介质
Wu et al. Spatial scaling transformation modeling based on fractal theory for the leaf area index retrieved from remote sensing imagery
CN110596017B (zh) 一种基于空间权重约束和变分自编码特征提取的高光谱影像土壤重金属浓度评估方法
CN117058522A (zh) 一种融合光谱神经网络和叶面积指数的遥感地表生态变化检测方法
CN113096129B (zh) 高光谱卫星影像中的云量检测方法和装置
Lin et al. Quantification of alpine grassland fractional vegetation cover retrieval uncertainty based on multiscale remote sensing data

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