矿区土壤重金属Pb、Cd污染状况高光谱分类建模

doi:10.13474/j.cnki.11-2246.2019.0290

测绘通报 ›› 2019, Vol. 0 ›› Issue (9): 82-84,89.doi: 10.13474/j.cnki.11-2246.2019.0290

矿区土壤重金属Pb、Cd污染状况高光谱分类建模

钱佳^1,2, 郭云开^1,2, 章琼^1,2, 蒋明^1,2

1. 长沙理工大学交通运输工程学院, 湖南长沙 410014;
2. 长沙理工大学测绘遥感应用技术研究所, 湖南长沙 410076

收稿日期:2019-02-26 出版日期:2019-09-25 发布日期:2019-09-28
作者简介:钱佳(1996-),男,硕士生,主要从事土壤环境遥感监测研究工作。E-mail:qianjia1996@163.com
基金资助:
国家自然科学基金（41671498；41471421）

Pollution classification of heavy metals Pb and Cd in mining area based on hyperspectral

QIAN Jia^1,2, GUO Yunkai^1,2, ZHANG Qiong^1,2, JIANG Ming^1,2

1. School of Traffic and Transportation Engineering, Changsha University of Science & Technology, Changsha 410014, China;
2. Institute of Surveying and Mapping Remote Sensing Application Technology, Changsha University of Science & Technology, Changsha 410076, China

Received:2019-02-26 Online:2019-09-25 Published:2019-09-28

摘要/Abstract

摘要： 针对矿区土壤重金属含量高度变异性及样本不均衡导致重金属污染状况分类误差较大的问题，本文在光谱预处理及光谱变换基础上，采用主成分分析（PCA）对光谱进行降维处理，并通过SMOTE算法生成虚拟样本均衡各污染等级样本，最后应用随机森林（RF）对Cd、Pb进行回归与分类。研究结果表明：定量反演重金属Pb、Cd含量精度很低；在定性分析试验中对降维前光谱样本应用SMOTE算法，土壤重金属Pb、Cd污染等级分类精度较原始样本分类精度均有较大提升，且少数类别误判率也降低明显。其研究为大面积监测矿区土壤重金属污染状况提供了一种有效、精确的方法。

关键词: SMOTE算法, 高光谱, 土壤重金属, 随机森林, 分类

Abstract: In view of the high variability of soil heavy metal content and the imbalanced samples lead to the high classification error of heavy metal pollution in mining area.Based on the spectral preprocessing and spectral transformation, this paper uses principal component analysis (PCA) for spectral dimension, and applies SMOTE algorithm to generate virtual samples balance each pollution grade sample, and heavy metal Cd and Pb are regressed and classified by random forest(RF). The results show that the quantitative inversion precision of heavy metals Pb and Cd is bad. In the qualitative analysis experiment, SMOTE algorithm was applied to spectral samples before dimension reduction. The classification accuracy of Pb and Cd pollution levels in soil was greatly improved compared with that of the original samples, and the misjudgment rate of a few categories was also significantly decreased. The study provides an effective and accurate method for monitoring soil heavy metal pollution in a large area.

Key words: SMOTE algorithm, hyper-spectral, soil heavy metal, random forest, classification

中图分类号:

P237

钱佳, 郭云开, 章琼, 蒋明. 矿区土壤重金属Pb、Cd污染状况高光谱分类建模[J]. 测绘通报, 2019, 0(9): 82-84,89.

QIAN Jia, GUO Yunkai, ZHANG Qiong, JIANG Ming. Pollution classification of heavy metals Pb and Cd in mining area based on hyperspectral[J]. 测绘通报, 2019, 0(9): 82-84,89.

参考文献

[1] 蒋明,郭云开,钱佳,等.不同采样间隔下分数阶微分对土壤重金属高光谱数据的影响[J].测绘通报,2018(10):37-40.
[2] 郭云开,周烽松,丁美青,等.水稻冠层与土壤高光谱反演土壤重金属对比研究[J]. 遥感信息, 2017, 32(2): 173-179.
[3] 贾亚琪, 程志飞, 刘品祯,等. 煤矿区周边农田土壤重金属积累特征及生态风险评价[J]. 土壤通报, 2016, 47(2): 474-479.
[4] KOOISTRA L, WEHRENS R, LEUVEN R, et al. Possibilities of visible-near-infrared spectroscopy for the assessment of soil contamination in river floodplains[J]. Analytica Chimica Acta, 2001, 446(1-2): 97-105.
[5] KEMPER T, SOMMER S. Estimate of heavy metal contamination in soils after a mining accident using reflectance spectroscopy[J]. Environmental Science & Technology, 2002, 36(12): 2742-2747.
[6] 王晓华,邓喀中,杨化超.土壤重金属污染信息提取遥感模型的建立——以水口山矿区铅锌污染为例[J].测绘通报,2013(3):29-31.
[7] 郭云开,刘宁,刘磊,等.土壤Cu含量高光谱反演的BP神经网络模型[J]. 测绘科学, 2018, 43(1): 135-139.
[8] 陶超,王亚晋,邹滨,等.土壤重金属铅、锌高光谱反演模型可迁移能力分析研究[J].光谱学与光谱分析,2018,38(6):1850-1855.
[9] 赵楠,张小芳,张利军.不平衡数据分类研究综述[J].计算机科学,2018,45(S1):22-27.
[10] XIE X L,LI A B.Identification of soil profile classes using depth-weighted visible-nearinfrared spectral reflectance[J].Geoderma, 2018, 325(12): 90-101.
[11] CHAWLA N V,BOWYER K W,HALL L O,et al. SMOTE: synthetic minority over-sampling technique [J]. Journal of Articial Intelligence Research,2002,16(1): 321-357.
[12] 郭玉宝,池天河,彭玲,等.利用随机森林的高分一号遥感数据进行城市用地分类[J].测绘通报,2016(5):73-76.
[13] 冯文卿,眭海刚,涂继辉,等.高分辨率遥感影像的随机森林变化检测方法[J].测绘学报,2017,46(11):1880-1890.
[14] 涂宇龙,邹滨,姜晓璐,等.矿区土壤Cu含量高光谱反演建模[J].光谱学与光谱分析,2018,38(2):575-581.
[15] 宋海峰,陈广胜,杨巍巍.基于PCA的高光谱遥感图像分类[J].测绘工程,2017,26(12):17-20.

矿区土壤重金属Pb、Cd污染状况高光谱分类建模

Pollution classification of heavy metals Pb and Cd in mining area based on hyperspectral

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	温雨笑, 吕杰, 马庆勋, 张鹏, 徐汝岭. 高光谱和LiDAR联合反演森林生物量研究[J]. 测绘通报, 2022, 0(7): 38-42.
[2]	吕峥, 孙群, 温伯威, 马京振. 一种自身全局最优的道路网Stroke生成方法[J]. 测绘通报, 2022, 0(7): 93-99.
[3]	杨俊, 刘灵辉. 加权全极化SAR图像分类下的功能区土地时空变化特征提取[J]. 测绘通报, 2022, 0(7): 138-142,153.
[4]	郁宗桥, 王育红, 刘文宋, 左雨芳, 冯锋. 顾及GF-3影像纹理特征的洪涝范围提取方法[J]. 测绘通报, 2022, 0(5): 26-31.
[5]	谭玉慧, 刘欣怡, 张永军. 超体素约束下的主动再学习LiDAR点云分类框架[J]. 测绘通报, 2022, 0(5): 79-83,100.
[6]	窦世卿, 陈治宇, 徐勇, 郑贺刚, 苗林林, 宋莹莹. 基于多特征融合与典型降维方法的高光谱影像分类[J]. 测绘通报, 2022, 0(4): 32-36,50.
[7]	冯志立, 肖锋, 卢小平, 郝波, 王如意, 朱睿. 基于随机森林特征优选的冬小麦分类方法[J]. 测绘通报, 2022, 0(3): 70-75.
[8]	王晓晓, 韩留生, 杨骥, 李勇, 张大富, 孙广伟, 范俊甫. Sentinel-2与Landsat 8数据组合下的多特征冬小麦面积提取[J]. 测绘通报, 2022, 0(3): 111-115.
[9]	崔青林, 汪鸣泉, 黄永健. 融合随机森林模型和6种水体指数的上海市水体信息提取[J]. 测绘通报, 2022, 0(2): 106-109.
[10]	贾煜, 汪泓, 蔡宏, 张磊. 结合地形因子与分层策略的喀斯特地区无人机影像分类[J]. 测绘通报, 2022, 0(2): 121-127.
[11]	张自强, 刘涛, 杜萍, 锁旭宏, 杨国林. 图残差神经网络支持下的建筑物群组模式分类[J]. 测绘通报, 2022, 0(1): 1-7.
[12]	郭云开, 曹骁, 谢晓峰, 张思爱, 谢琼. 基于集合经验模态分解的土壤重金属Cd定量反演[J]. 测绘通报, 2022, 0(1): 44-49.
[13]	高雨, 胡召玲, 樊茹. 高分辨率影像融合算法对滨海湿地土地利用分类精度的影响[J]. 测绘通报, 2022, 0(1): 116-120.
[14]	王德强, 赵德良. 高光谱遥感异常目标探测方法性能对比分析[J]. 测绘通报, 2021, 0(9): 108-111.
[15]	黄景金, 杨郑贝, 唐长增, 任建福, 李新东, 李成, 黄灵海, 潘正强, 周国清. 自然资源统一分类标准研究——以广西阳朔县为例[J]. 测绘通报, 2021, 0(9): 136-139,156.