本文選題：礦區(qū)土壤 + 重金屬含量�。� 參考：《中國礦業(yè)大學》2017年碩士論文

【摘要】：隨著煤礦資源的開采,土壤重金屬污染問題也逐漸加劇。研究煤礦區(qū)土壤重金屬污染,對人類的健康以及社會資源可持續(xù)發(fā)展至關(guān)重要。傳統(tǒng)的土壤重金屬含量檢測方法耗時耗力;高光譜成像儀波段眾多、光譜分辨率高、信息量大,它的出現(xiàn)為礦區(qū)土壤重金屬的反演研究提供了新的思路。傳統(tǒng)的線性或非線性反演方法存在模型泛化能力不足、運行效率低等問題,由于隨機森林融合了多棵決策樹進行訓練,預測性能有很大提高,成為近些年研究的熱點。論文以江蘇徐州銅山柳新礦區(qū)為研究區(qū),采用ASD FieldSpec 3 Hi-Res地物光譜儀和Hyspex成像光譜儀對該區(qū)的土壤重金屬含量進行估計,主要結(jié)論如下:(1)在基于實驗室高光譜數(shù)據(jù)的土壤重金屬定量估算研究中,采用局部相關(guān)最大去噪方法以及多種變量選擇和建模方法進行。預處理結(jié)果表明,局部相關(guān)最大方法在最大化去噪的同時又能留存與重金屬元素相關(guān)的光譜信息,可以得到更高的相關(guān)性和更多的相關(guān)性波段。對偏最小二乘模型、支持向量機模型、基于遞歸特征去除的支持向量機模型、The Least Absolute Shrinkage and Selection Operator、嶺回歸、彈性網(wǎng)絡(luò)、嶺回歸系數(shù)篩選法以及隨機森林、正則化隨機森林、引導隨機森林、引導正則化隨機森林模型進行比較研究。反演結(jié)果表明基于隨機森林的正則化變量選擇方法可以提取出最優(yōu)的波段,效率較高。對Cr的預測中,正則化隨機森林最優(yōu),Rp2、RMSEp、MREp分別為0.8708,3.0687,0.0467;對Cu的預測中,正則化隨機森林最優(yōu),Rp2、RMSEp、MREp分別為0.8215,3.7583,0.1657;對Pb的預測中,引導正則化隨機森林最優(yōu),Rp2、RMSEp、MREp分別為0.8363,2.4325,0.1191。(2)采用ASD獲取的原始光譜對大氣校正后的Hyspex影像光譜進行重金屬預測研究。室內(nèi)反演結(jié)果表明,隨機森林模型是最優(yōu)的模型,對Cr的預測中,引導隨機森林最優(yōu),Rp2、RMSEp、MREp分別為0.7179,15.8920,0.2530;對Cu的預測中,正則化隨機森林最優(yōu),Rp2、RMSEp、MREp分別為0.6388,11.7921,0.8174;對Pb的預測中,引導隨機森林最優(yōu),Rp2、RMSEp、MREp分別為0.3661,5.3969,0.3617;野外反演結(jié)果整體優(yōu)于室內(nèi)反演結(jié)果,并且隨機森林模型表現(xiàn)最優(yōu),對Cr的預測中,正則化隨機森林最優(yōu),Rp2、RMSEp、MREp分別為0.4113,15.0728,0.2473;對Cu的預測中,正則化隨機森林最優(yōu),Rp2、RMSEp、MREp分別為0.4146,13.1818,0.9933;對Pb的預測中,正則化隨機森林最優(yōu),Rp2、RMSEp、MREp分別為0.5710,4.9364,0.2719。(3)通過研究航空高光譜的混合像元分解問題,構(gòu)建了基于混合像元分解的航空高光譜影像數(shù)據(jù)的重金屬含量反演。解混光譜與原始光譜反演結(jié)果表明,前述的方法的反演精度均得到了提高,驗證了混合像元分解在光譜反演中的有效性。在解混光譜反演中,對比分析各模型,隨機森林能獲取較好的反演精度,其中,對Cr的預測最優(yōu)模型為正則化隨機森林,Rp2、RMSEp、MREp分別為0.7358,6.0063,0.0965;對Cu預測中,引導正則化隨機森林最優(yōu),Rp2、RMSEp、MREp分別為0.7017,7.2088,0.3734;對Pb預測中,引導正則化隨機森林最優(yōu),Rp2、RMSEp、MREp分別為0.7424,2.8030,0.1385。將各個航空光譜預測模型提取的特征波段應用于航空影像重金屬預測,實現(xiàn)重金屬含量制圖。結(jié)果表明,隨機森林模型最穩(wěn)定,預測的重金屬含量值分布集中,均值與實測值接近,進一步驗證了該方法的有效性。
[Abstract]:In this paper , we estimate the content of heavy metals in soil by using ASD FieldSpec 3 Hi - Res and Hyspex imaging spectrometer . ( 3 ) The inversion of heavy metal content of aerial hyperspectral image data based on mixed image element decomposition was constructed by studying the decomposition of mixed image element of aerial hyperspectral image . The results show that the inversion precision of the method is improved . The optimal model for the prediction of Cr is 0.7358 , 6.0063 and 0.1385 , respectively . The results show that the stochastic forest model is the most stable and the forecast heavy metal content value distribution is concentrated . The mean value is close to the measured value , and the validity of the method is further verified .
【學位授予單位】：中國礦業(yè)大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：X53;X87

【參考文獻】

相關(guān)期刊論文 前10條

1 譚琨;葉元元;杜培軍;張倩倩;;礦區(qū)復墾農(nóng)田土壤重金屬含量的高光譜反演分析(英文)[J];光譜學與光譜分析;2014年12期

2 姚闊;郭旭東;周冬;南穎;石曉平;;高光譜遙感土地質(zhì)量指標信息提取研究進展[J];地理與地理信息科學;2014年06期

3 彭小婷;高文秀;王俊杰;;基于包絡(luò)線去除和偏最小二乘的土壤參數(shù)光譜反演[J];武漢大學學報(信息科學版);2014年07期

4 鄭永紅;張治國;姚多喜;陳孝楊;;煤礦復墾區(qū)土壤重金屬含量時空分布及富集特征研究[J];煤炭學報;2013年08期

5 李澤安;;高維數(shù)據(jù)挖掘中基于正則化估計的特征提取算法[J];合肥工業(yè)大學學報(自然科學版);2012年12期

6 胡芳;藺啟忠;王欽軍;王亞軍;;土壤鉀含量高光譜定量反演研究[J];國土資源遙感;2012年04期

7 李淑敏;李紅;孫丹峰;周連第;鮑京;;利用光譜技術(shù)分析北京地區(qū)農(nóng)業(yè)土壤重金屬光譜特征[J];土壤通報;2011年03期

8 徐明星;吳紹華;周生路;廖富強;馬春梅;朱誠;;重金屬含量的高光譜建模反演:考古土壤中的應用[J];紅外與毫米波學報;2011年02期

9 鄭光輝;周生路;吳紹華;;土壤砷含量高光譜估算模型研究[J];光譜學與光譜分析;2011年01期

10 王璐;藺啟忠;賈東;石火生;黃秀華;;基于反射光譜預測土壤重金屬元素含量的研究[J];遙感學報;2007年06期

，

本文編號：1984705