[发明专利]联合室内外光谱的波段及比值组合的重金属含量支持向量机回归方法

说明书

本发明公开了一种联合室内外光谱的波段及比值组合的重金属含量支持向量机回归方法，其步骤包括：步骤S1：土壤样品采集及土壤光谱测定；步骤S2：KS‑DS算法构建光谱转换模型；步骤S3：光谱预处理及相关分析；步骤S4：融合室内外光谱的支持向量机重金属含量反演模型构建，进行检测。本发明具有原理简单、反演精度高、检测效果好等优点。

技术领域

本发明主要涉及到土壤重金属检测技术领域，特指一种联合室内外光谱的波段及比值组合的重金属含量支持向量机回归方法。

背景技术

土壤中重金属的大量累积可污染农作物、通过食物链危害人体健康，引发致癌风险。准确、高效测定土壤重金属含量进而有效开展重金属污染土壤综合防治正逐渐成为全球范围关注的热点。目前，土壤重金属含量调查多借助实地采样和原子吸收分光光度法实验室化学分析测定。该方法虽精度高、可靠性强，但成本高，且耗时耗力。

高光谱技术以其波段数多，分辨率高，光谱连续性强的优势，已被广泛应用于复杂土壤组分的定量化反演研究中。土壤高光谱遥感反演在土壤黏土矿物、铁氧化物、有机质、水分以及氮等组分的含量预测等方面得到了成功应用。同时，高光谱技术在土壤重金属污染监测的研究中也发现，重金属污染土壤的光谱曲线与不受重金属污染的土壤光谱曲线存在显著差异。国内外研究人员以河漫滩平原、矿区、农田为例，先后探究了土壤光谱与Cd、Zn、Cu、As、Pb等重金属含量间的响应关系；成功建立了光谱吸收谷面积、不对称度等光谱特征参量与重金属含量间的经验统计模型；在对光谱进行平滑、微分、吸收度变换等预处理的基础上，将不同波段反射率比值、差值与重金属含量进行了曲线拟合，开展了强相关性波段与重金属含量的多元回归建模，基于光谱主成分的多元回归建模，以及偏最小二乘回归(PLSR)建模。

尽管上述土壤重金属含量高光谱反演建模中，具有花费较少、效率较高的优势，但由于室内、室外大气等环境条件不同导致的土壤光谱差异，使得室内光谱难以有效直接应用于野外大范围土壤重金属污染调查；单波段容易造成地物的可辨识性不强，土壤背景信息不容易分离，影响重金属反演效果；土壤成分复杂，重金属含量线性回归效果不理想。

为此，亟需找到一种可在野外直接利用土壤室外光谱大范围高效反演土壤重金属含量的方法。

发明内容

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种原理简单、反演精度高、检测效果好的联合室内外光谱的波段及比值组合的重金属含量支持向量机回归方法。

为解决上述技术问题，本发明采用以下技术方案：

一种联合室内外光谱的波段及比值组合的重金属含量支持向量机回归方法，其特征在于，步骤包括：

步骤S1：土壤样品采集及土壤光谱测定；

步骤S2：KS-DS算法构建光谱转换模型；即，构建选取的转换集样品的室内、室外光谱转换模型；

步骤S3：光谱预处理及相关分析；即，采用构建的土壤室内外光谱转换模型将土壤样品室外光谱进行光谱转换，得到转换后的土壤室外光谱数据；构建强相关波段及波段比值组合模型，波段光谱反射率与样本重金属含量间Pearson相关系数找出指示土壤重金属含量差异的强相关波段；用每个强相关波段分别与其他强相关波段做比值处理，并逐一与重金属含量做相关分析，找出强相关波段比值；

步骤S4：融合室内外光谱的支持向量机重金属含量反演模型构建，进行检测。即，构建融合室内外光谱的支持向量机重金属含量反演模型；强相关性波段和波段比值组合作为模型的输入变量，土壤铬含量为因变量，用训练样本训练支持向量机模型，用训练好的模型反演重金属含量。

作为本发明的进一步改进：所述步骤S1包括：

步骤S101：土壤样品采集：采用格网取样法采集自然污染土壤表层样品；