高光谱数据中存在的大量冗余信息对高光谱估测精度产生较大影响.旨在寻求特征波段筛选的最佳算法,以实现土壤重金属铅含量的准确监测,为土壤污染防治提供参考.以新疆渭干河-库车河三角洲绿洲土壤重金属铅含量与光谱数据为数据源,利用蒙特卡洛交叉验证(MCCV)算法确定 92 个有效土壤样品,通过相关分析选取倒数对数一阶微分变换处理的光谱数据,采用随机蛙跳(RF)算法,并结合竞争性自适应重加权(CARS)算法、迭代保留有效信息变量(IRIV)算法及连续投影算法(SPA),构建 RF-CARS、RF-IRIV及 RF-SPA三种算法对波段进行筛选.以倒数对数一阶微分变换处理下的特征波段反射率为自变量,土壤重金属铅含量为因变量,采用极端梯度提升(XGBoost)和地理加权回归(GWR)方法构建土壤重金属铅含量估测模型.结果表明:(1)光谱变换处理可有效增强光谱与土壤铅含量的敏感性,其中倒数对数一阶微分变换后的土壤光谱特征更为明显,相关系数可达到 0.620(p＜0.001).(2)RF-CARS、RF-IRIV 及 RF-SPA 算法分别从高光谱数据中筛选出 6、9 和 7 个特征波段,全部位于近红外光谱区域,3 种算法具有较强的特征提取能力,极大减少光谱数据中的冗余信息.(3)基于 RF-IRIV算法构建的土壤铅含量估测模型的精度和稳定性高于 RF-CARS和 RF-SPA算法构建的模型,说明 RF-IRIV 算法能更为准确的保留与土壤铅含量相关的波段.此外,GWR模型的性能优于 XGBoost模型,构建的 RF-IRIV-GWR模型具有较好的预测能力,可作为研究区土壤铅含量的最优估测模型,其验证集的决定系数(R2)为 0.892,均方根误差(RMSE)为 0.825 mg·kg-1,相对分析误差(RPD)为 3.09.基于随机蛙跳(RF)与迭代保留有效信息变量(IRIV)算法,结合地理加权回归(GWR)建模方法在快速准确估测土壤铅含量方面具有一定优势,可进行土壤重金属污染的动态监测.
NETL
NSTL
万方数据
维普
