基于偏最小二乘的土壤重金属铜含量高光谱估算

为探究高光谱数据估算土壤重金属铜含量的可行性，以石家庄市水源保护区褐土为研究对象，对不同光谱变换数据与重金属铜含量做了相关分析，建立了土壤重金属铜的单光谱变换指标偏最小二乘模型和多光谱变换指标偏最小二乘模型。结果表明：光谱反射率（R）经倒数一阶微分（RTFD）变换后与铜含量的相关性有所提高；光谱敏感波段为418、427、435、446、490、673、1 909、1 920和2 221 nm，基本位于土壤氧化铁、粘土矿物的特征吸收区域；对土壤重金属铜含量估算效果最好的单光谱变换指标偏最小二乘模型为RTFD模型，其模型决定系数（R²）为0.649，均方根误差（RMSE）为1.477；多光谱变换指标偏最小二乘模型R²和RMSE分别为0.751和1.162，建模效果优于单光谱变换指标模型。研究结果可为北方地区褐土类型土壤重金属铜的高光谱估算提供借鉴。     

基于偏最小二乘的土壤重金属铜含量高光谱估算

为探究高光谱数据估算土壤重金属铜含量的可行性,以石家庄市水源保护区褐土为研究对象,对不同光谱变换数据与重金属铜含量做了相关分析,建立了土壤重金属铜的单光谱变换指标偏最小二乘模型和多光谱变换指标偏最小二乘模型。结果表明:光谱反射率(R)经倒数一阶微分(RTFD)变换后与铜含量的相关性有所提高;光谱敏感波段为418、427、435、446、490、673、1 909、1 920和2 221 nm,基本位于土壤氧化铁、粘土矿物的特征吸收区域;对土壤重金属铜含量估算效果最好的单光谱变换指标偏最小二乘模型为RTFD模型,其模型决定系数(R2)为0.649,均方根误差(RMSE)为1.477;多光谱变换指标偏最小二乘模型R2和RMSE分别为0.751和1.162,建模效果优于单光谱变换指标模型。研究结果可为北方地区褐土类型土壤重金属铜的高光谱估算提供借鉴。     

一种基于分段偏最小二乘模型的土壤重金属遥感反演方法

土壤中重金属由于其毒性而成为最有害的环境污染物之一,利用遥感进行土壤重金属检测和分布制图是目前最为高效的手段。采用哨兵二号（Sentinel-2）多光谱影像与实测样品光谱数据,对山西省铜矿峪铜矿尾矿库及其周边农田土壤的铜（Cu）含量进行估算,利用68个土壤样品的反射光谱,优选出适合土壤铜含量预测的波段,结合分段偏最小二乘法（Piecewise Partial Least Squares Regression,P-PLSR）,对土壤铜含量进行估算,将模型用于Sentinel-2影像获得了Cu含量的空间分布。通过P-PLSR对实测样品光谱建模反演Cu含量的决定系数（R²）为0.89,预测偏差比（RPD）为2.82;利用Sentinel-2多光谱影像获得了该区域Cu元素含量空间分布,其Cu含量的估算精度R²为0.74,RPD为1.73,Cu含量高值区空间分布与尾矿库关系密切。Sentinel-2多光谱数据具有高空间分辨率（10、20和60 m）、高时间分辨率和幅宽大（290 km）等优势,通过敏感波段选择并建立反演模型,可实现大范围土壤环境制图。     

吐鲁番盆地葡萄园土壤重金属铅含量高光谱估算

土壤重金属铅污染作为现代工矿业发展的产物,已逐渐入侵到农业生产和农产品中。高光谱技术由于具有宏观、快速、高效的特点已成为土壤重金属监测的重要手段。以新疆吐鲁番盆地葡萄园土壤Pb元素为研究对象,分析土壤原始光谱在内的15种光谱变换下的土壤光谱反射率数据与土壤Pb含量的关系,构建土壤Pb含量偏最小二乘回归（PLSR）模型和地理加权重回归（GWR）模型,对比分析并探讨运用土壤高光谱估算葡萄园土壤Pb含量的可行性。结果表明：土壤原始光谱反射率通过光谱变换能有效增强葡萄园土壤Pb元素的光谱特征及模型估算精度,其中,平方根二阶微分（SRSD）变换的PLSR模型和GWR模型估算能力最优。采用GWR模型比PLSR模型更好的解释葡萄园土壤重金属Pb含量高光谱估算。从模型稳定性和精确性来看,在平方根二阶微分变换中GWR模型R²从PLSR模型的0.262提高至0.866, 平方根误差减少了1.009。采用GWR模型可有效提高估算葡萄园土壤Pb含量的精度,为中国葡萄园基地土壤重金属污染以及土壤环境安全研究提供有益借鉴。     

城市居民区土壤重金属含量高光谱反演研究

为探讨运用土壤光谱估算城市居民区土壤重金属含量的可能性,以上海闵行居民区土壤重金属Cu、Pb、Zn元素为研究对象,通过采集土壤样本,分析土壤光谱信息,构建基于高光谱的土壤重金属多元线性逐步回归(MLSR)和偏最小二乘回归(PLSR)模型。结果表明:通过倒数一阶和对数一阶微分变换能有效增强土壤重金属的光谱特征;土壤Cu、Pb和Zn元素最优波段分别出现在1 042.7 nm、706.84 nm和1404.8 nm处;从模型稳定性和精确性来看,PLSR模型较优于MLSR模型。土壤Cu、Zn元素验证RMSE值仅为研究区该重金属含量均值的10%左右,拟合精度高。与Cu、Zn元素相比,Pb元素决定系数R~2在0.64～0.88,模型稳定性较好。通过对光谱数据的预处理,采用偏最小二乘回归模型可有效提高估算城市居民区土壤重金属含量的精度。     

基于特征筛选结合PSO-BPNN和GA-BPNN算法的土壤重金属高光谱定量反演

以连州地区土壤重金属含量为研究对象,分析包括土壤原始光谱在内的经过数学变换后的光谱数据与重金属含量之间的相关性,再采用VISSA-IRIV算法进行光谱特征提取,分别建立偏最小二乘回归(PLSR)、BP神经网络(BPNN)、粒子群优化BP神经网络、遗传算法优化BP神经网络模型,对比获取土壤重金属元素Cr、Cu含量最优反演模型。结果表明：VISSA-IRIV算法实现了对光谱数据的高效降维;BPNN模型预测效果明显优于PLSR模型;经过优化的BP神经网络模型反演精度和稳定性得到了极大地提升,其中Cr、Cu元素的最佳反演模型组合分别为FD-GABPNN(R²=0.87、RMSE=13.82、RPD=2.95)、SNV-FD-PSO-BPNN(R²=0.92、RMSE=4.25、RPD=3.41)。该研究对土壤重金属含量的准确、快速分析提供了一种有效的方法,对实现土壤重金属污染治理具有重要的现实意义。     

基于光学与SAR因子的森林生物量多元回归估算

基于福建省Landsat-8 OLI影像,利用混合像元分解模型从实测样地数据中筛选出“纯净”的植被像元,并将筛选出的样地分为针叶林、阔叶林和混交林3种植被类型,依次提取3种不同植被类型“纯净”植被像元的树高、林龄、坡度属性信息以及对应的光学NDVI、RVI植被因子和合成孔径雷达（SAR）HH、HV极化后向散射因子,分别构成不同植被类型的“含光学特征多元因子”（NDVI、RVI、树高、林龄、坡度）和“含SAR特征多元因子”（HH、HV、树高、林龄、坡度）,开展对比研究。采用含光学特征的多元因子回归模型先估测不同植被类型的森林叶生物量,然后根据叶生物量与地上生物量的关系间接估测森林地上生物量。同时,采用含SAR特征的多元因子回归模型直接估测森林的地上生物量。最后,对比分析这两组多元回归模型的估测精度。结果表明：不同植被类型的含光学特征多元回归模型的验证精度（针叶林：R²为0.483,RMSE为29.522 t/hm²;阔叶林：R²为0.470,RMSE为21.632 t/hm²;混交林：R²为0.351,RSME为25.253 t/hm²）比含SAR特征多元回归模型的验证精度（针叶林：R²为0.319,RMSE为28.352 t/hm²;阔叶林：R²为0.353,RMSE为18.991t/hm²;混交林：R²为0.281,RMSE为26.637 t/hm²）略高,说明在福建省森林生物量估算中采用含光学特征的多元回归模型（先估测叶生物量进而间接估测地上生物量）比利用含SAR特征的多元回归模型（直接估测地上生物量）更具优势。     

基于光学与SAR因子的森林生物量多元回归估算

基于福建省Landsat-8 OLI影像，利用混合像元分解模型从实测样地数据中筛选出“纯净”的植被像元，并将筛选出的样地分为针叶林、阔叶林和混交林3种植被类型，依次提取3种不同植被类型“纯净”植被像元的树高、林龄、坡度属性信息以及对应的光学NDVI、RVI植被因子和合成孔径雷达（SAR）HH、HV极化后向散射因子，分别构成不同植被类型的“含光学特征多元因子”（NDVI、RVI、树高、林龄、坡度）和“含SAR特征多元因子”（HH、HV、树高、林龄、坡度），开展对比研究。采用含光学特征的多元因子回归模型先估测不同植被类型的森林叶生物量，然后根据叶生物量与地上生物量的关系间接估测森林地上生物量。同时，采用含SAR特征的多元因子回归模型直接估测森林的地上生物量。最后，对比分析这两组多元回归模型的估测精度。结果表明：不同植被类型的含光学特征多元回归模型的验证精度（针叶林：R²为0.483，RMSE为29.522 t/hm²；阔叶林：R²为0.470，RMSE为21.632 t/hm²；混交林：R²为0.351，RSME为25.253 t/hm²）比含SAR特征多元回归模型的验证精度（针叶林：R²为0.319，RMSE为28.352 t/hm²；阔叶林：R²为0.353，RMSE为18.991t/hm²；混交林：R²为0.281，RMSE为26.637 t/hm²）略高，说明在福建省森林生物量估算中采用含光学特征的多元回归模型（先估测叶生物量进而间接估测地上生物量）比利用含SAR特征的多元回归模型（直接估测地上生物量）更具优势。     

基于KNN-FIFS的内蒙古根河森林郁闭度遥感估测研究

为探索国产高分一号宽幅（GF-1 Wide Field of View,GF-1 WFV）数据以及具有宽覆盖、红边波段（Red-Edge band,RE）的高分六号（GF-6）卫星数据在森林郁闭度（Forest Canopy Closure,FCC）定量反演中的潜力,本研究以GF-1 WFV多光谱数据为基础,添加哨兵2号（Sentinel-2A）红边波段,模拟GF-6红边波段特性,并提取相关纹理信息（Texture Information,TI）、植被指数（Vegetation Index,VI）和红边指数（Red- edge Index,RI）,同时添加太阳入射角的余弦值cosi和1/cosi进一步探究了地形因素（Topographic Factors,TF）对FCC估测的影响,利用快速迭代特征选择的k-NN（k-Nearest Neighbor with Fast Iterative Features Selection,KNN-FIFS）模型,实现了内蒙古大兴安岭根河研究区FCC的定量反演,并对比逐步多元线性回归（Stepwise Multiple Linear Regressions,SMLR）和支持向量机（Support Vector Machine,SVM）估测结果。通过44块调查样地实测数据验证发现：基于GF-1 WFV估测的FCC与实测数据具有很好的一致性,R²=0.52,RMSE=0.08;GF-1 WFV+VI+TI估测结果为R²=0.56,RMSE=0.08;GF-1 WFV+RE+RI+TI的精度明显提高,R²=0.63,RMSE=0.07;GF-1 WFV+RE+RI+TI+TF的精度最高,R²=0.68,RMSE=0.07,并高于SMLR（R²=0.39,RMSE=0.10）和SVM（R²=0.49,RMSE=0.10）方法。KNN-FIFS方法比SMLR和SVM方法更适用于FCC遥感估测,且添加红边信息经地形校正后,能有效提高FCC的估测精度。     

内陆水体悬浮物波段比值优化模型及藻类丰度对模型精度影响研究

内陆水体中浮游植物的存在对悬浮物（TSM）遥感反演模型精度具有一定的影响,藻类丰度会导致水体遥感反射率降低。实验基于中国、澳大利亚和美国内陆水体的372个采样点（4个数据集）水质分析和光谱实测数据,构建内陆水体遥感反射率与TSM的相关关系,建立最优波段比模型（OBR）,并分析了藻类颗粒物存在对该模型精度的影响。由于水质的不均一性,不同区域的水质参数敏感波段存在差异,因此各数据集用于建模的最优波段比值不同。结果表明,OBR模型精度较高,误差较小,中国水体模型验证均具有较好效果（石头口门水库：R²=0.87,RMSE=14.1 mg/L;查干湖：R²=0.82,RMSE=23.6 mg/L）,澳大利亚水体模型验证效果最佳,R²值高达0.95（RMSE=4.2 mg/L）,美国水体模型精度较低（R²=0.78,RMSE=3.7 mg/L）。研究发现,模型精度受水体叶绿素（Chla）浓度和Chla/TSM比率影响,当水体以TSM浓度较高的非藻类颗粒物为主时（如中国石头口门水库和南澳洲地区水体数据集）,最优波段比值模型表现更好;而当水体以浮游植物为主时,水体中的浮游植物的丰度会使光谱信号复杂化,从而限制或降低TSM浓度遥感算法的精度（如美国印第安纳州中部水库数据集）。     

联合无人机激光雷达和高光谱数据反演玉米叶面积指数

叶面积指数（Leaf Area Index,LAI）是作物长势监测及产量估算的重要指标,准确高效的LAI反演对农田经济的宏观管理具有重要作用。研究探索了联合无人机激光雷达（Light Detection and Ranging,LiDAR）和高光谱数据反演玉米叶面积指数的潜力,并分析了LiDAR数据不同采样尺寸、高度阈值、点密度对LAI反演精度的影响同时确定三者的最优值。该研究分别从重采样的LiDAR数据和高光谱影像中提取了LiDAR变量和植被指数,然后基于偏最小二乘回归（Partial Least Square Regression,PLSR）和随机森林（Random Forest,RF）回归两种算法分别利用LiDAR变量、植被指数、联合LiDAR变量和植被指数构建预测模型,并确定反演玉米LAI的最优预测模型。结果表明：反演玉米LAI的最优采样尺寸、高度阈值、点密度分别为5.5 m、0.55 m、18 points/m2,研究发现最高的点密度（420 points/m2）并没有产生最优的玉米LAI反演精度,因此单独依靠增加点密度的方法提高LAI的反演精度并不可靠。基于LiDAR变量获...     

多层土壤观测数据同化的森林碳、水通量模拟

为充分考虑森林生态系统土壤水分的垂直运动及改善碳、水通量的模拟精度，利用Biome-BGC MuSo模型模拟了长白山森林通量站点的碳、水通量，该模型包含了多层土壤模块、物候模块以及管理模块；其次，利用集合卡尔曼滤波算法将站点观测的多层土壤参数同化到Biome-BGC MuSo模型中，并用站点涡动通量数据进行了验证。结果表明：与Biome-BGC模型模拟结果相比，Biome-BGC MuSo改善了站点净生态系统交换量（Net ecosystem exchange, NEE）、生态系统呼吸量（Ecosystem respiration, ER）和蒸散发（Evapotranspiration, ET）模拟精度，站点观测的时序土壤温度和水分数据同化到Biome-BGC MuSo后，碳、水通量模拟结果有了进一步的提升（NEE: R² = 0.70, RMSE = 1.16 gC·m^–2·d^–1; ER: R² = 0.85, RMSE = 1.97 gC·m^–2·d^–1 ; ET: R² = 0.81, RMSE = 0.70 mm·d^–1）。数据-模型同化策略为森林生态系统碳、水同量的模拟提供了科学的方法。     

土壤重金属Cu含量遥感反演的波段选择与最佳光谱分辨率研究

高光谱数据以其高光谱分辨率和多而连续的光谱波段为预测土壤重金属污染提供了有力工具,但波段选择方法与光谱分辨率的影响不容忽视。利用实验室测定的181个土壤光谱样本数据,利用逐步回归法进行土壤Cu含量反演的波段选择,进而利用偏最小二乘方回归PLSR方法建模,分析了波段数对Cu含量反演的影响;此外,采用高斯响应函数重采样方法,探讨了光谱分辨率降低对反演精度的影响。实验表明,预测重金属元素Cu含量的最佳波段数为10个,模型可决系数R2=0.7523,拟合均方根误差RMSE=0.4699;预测Cu含量的最佳光谱采样间隔为32 nm,R2=0.7028,RMSE=0.5147。该结果可能为将来设计低廉实用的高光谱卫星传感器提供指标论证,为模拟卫星传感器波段预测土壤重金属含量提供理论依据。     

Inversion of a radiative transfer model for estimating vegetation LAI and chlorophyll in a heterogeneous grassland

Radiative transfer models have seldom been applied for studying heterogeneous grassland canopies. Here, the potential of radiative transfer modeling to predict LAI and leaf and canopy chlorophyll contents in a heterogeneous Mediterranean grassland is investigated. The widely used PROSAIL model was inverted with canopy spectral reflectance measurements by means of a look-up table (LUT). Canopy spectral measurements were acquired in the field using a GER 3700 spectroradiometer, along with simultaneous in situ measurements of LAI and leaf chlorophyll content. We tested the impact of using multiple solutions, stratification (according to species richness), and spectral subsetting on parameter retrieval. To assess the performance of the model inversion, the normalized RMSE and R² between independent in situ measurements and estimated parameters were used. Of the three investigated plant characteristics, canopy chlorophyll content was estimated with the highest accuracy (R² = 0.70, NRMSE = 0.18). Leaf chlorophyll content, on the other hand, could not be estimated with acceptable accuracy, while LAI was estimated with intermediate accuracy (R² = 0.59, NRMSE = 0.18). When only sample plots with up to two species were considered (n = 107), the estimation accuracy for all investigated variables (LAI, canopy chlorophyll content and leaf chlorophyll content) increased (NRMSE = 0.14, 0.16, 0.19, respectively). This shows the limits of the PROSAIL radiative transfer model in the case of very heterogeneous conditions. We also found that a carefully selected spectral subset contains sufficient information for a successful model inversion. Our results confirm the potential of model inversion for estimating vegetation biophysical parameters at the canopy scale in (moderately) heterogeneous grasslands using hyperspectral measurements.     

多层土壤观测数据同化的森林碳、水通量模拟

为充分考虑森林生态系统土壤水分的垂直运动及改善碳、水通量的模拟精度,利用Biome-BGC MuSo模型模拟了长白山森林通量站点的碳、水通量,该模型包含了多层土壤模块、物候模块以及管理模块;其次,利用集合卡尔曼滤波算法将站点观测的多层土壤参数同化到Biome-BGC MuSo模型中,并用站点涡动通量数据进行了验证。结果表明：与Biome-BGC模型模拟结果相比,Biome-BGC MuSo改善了站点净生态系统交换量（Net ecosystem exchange, NEE）、生态系统呼吸量（Ecosystem respiration, ER）和蒸散发（Evapotranspiration, ET）模拟精度,站点观测的时序土壤温度和水分数据同化到Biome-BGC MuSo后,碳、水通量模拟结果有了进一步的提升（NEE: R² = 0.70, RMSE = 1.16 gC·m^–2·d^–1; ER: R² = 0.85, RMSE = 1.97 gC·m^–2·d^–1 ; ET: R² = 0.81, RMSE = 0.70 mm·d^–1）。数据-模型同化策略为森林生态系统碳、水同量的模拟提供了科学的方法。     

Soil Heavy Metals Estimation based on Hyperspectral in Urban Residential

To explore the possibility of using soil spectral reflectance to estimate soil heavy metal content in urban residential area，this study chooses 30 soil samples of Cu，Pb and Zn in Minhang Residential area，Shanghai Province.Through the spectral factor transform to highlight its eigenvalues，constructed Multiple Linear Stepwise Regression(MLSR) model and Partial Least Squares Regression(PLSR) model based on spectral reflectance of soil heavy metals.The results show that the reciprocal first-order and the logarithmic first-order differential transformation can effectively enhance the heavy metal soil spectral characteristics.The best characteristic bands of Cu，Pb and Zn are 1 042.7 nm、706.84 nm and 1 404.8 nm.In terms of model stability and accuracy，PLSR model is better than MLSR model.The RMSE of Cu and Zn were only about 10% of the mean value of heavy metals in the study area，and the accuracy of the model was high.Compared with Cu and Zn，the R2 of Pb is between 0.64~0.88 which with higher model stability.By preprocessing the spectral data，the partial least-squares regression can effectively improve the accuracy of estimating the heavy metal content in urban residential areas. 〖WTHZ〗Key words:〖WT〗 Urban residential area;Soil heavy metals;Hyperspectral;Multivariate Linear Stepwise Regression(MLSR) model;Partial Least Squares Regression(PLSR) model 〖HT〗〖ST〗〖HJ〗〖WT〗〖JP〗〖LM〗