基于PCA的土壤Cd含量高光谱反演模型对比研究

摘要

土壤重金属污染对人类健康造成了极大的威胁,如何快速摸清土壤污染情况尤为重要.高光谱遥感具备光谱分辨率高,快速无损等优势,使其在土壤组分反演方面具有巨大的潜力.针对高光谱信息冗余及光谱变换对土壤镉(Cd)含量估算的影响进行分析,并利用变换前后的高光谱数据对比研究了不同高光谱模型对土壤Cd含量反演的性能.首先利用等离子体质谱法和FieldSpec4地物光谱仪收集了56组土壤样品的Cd含量和对应的高光谱曲线(350～2500 nm);为了弱化光谱测定中光亮变化和土壤表面凹凸对实验结果的影响,研究对高光谱数据进行倒数对数预处理;考虑到高光谱数据中存在大量的信息冗余,研究采用了主成分分析(PCA)对高光谱数据进行降维处理并最终保留了前12个主成分量作为特征变量.针对高光谱反演模型,研究选择了偏最小二乘(PLSR)、支持向量机(SVM)、人工神经网络(ANN)和随机森林(RF)四种回归模型建立PCA主成分与Cd含量之间的关系;最后,研究选取了决定系数(R2)、均方根误差(RMSE)和RPD三种精度评估指标评估回归模型的拟合精度,结果表明针对光谱采用PCA波段降维的方法处理后,选取的12个主成分对变化前后的光谱累计贡献率均达到99.99％,作为模型的输入变量,四种模型均具有一定的预测能力.无论光谱变换与否,PCA-RF反演模型的预测能力均为最好(R2分别为0.856和0.855,RPD均高达3.39).利用PCA对高光谱数据降维处理可以有效降低高光谱数据冗余,有力的保证模型的预测能力.以PCA筛选出的主成分量可以作为模型极好的输入变量,以RF为基础的高光谱反演模型在反演土壤Cd含量时具有最佳效果,可为该区域及类似地区的土壤重金属污染物反演提供新的方法支撑.