论文部分内容阅读
迄今为止,国际上仅有少数学者利用高光谱遥感技术预测土壤PAHs的含量。利用高光谱遥感技术预测土壤PAHs含量可有效地避免以往实验室分析中遇到的技术设备要求高、耗时长和费用高等缺点;可廉价快速地反演大范围研究区域表层土壤PAHs的含量,为土壤污染防治与管理提供科学依据。反演过程中,必然会对高维高光谱数据进行处理;利用简单的数理统计方法会造成维灾难,而利用数据挖掘的方法对用户的知识储备要求较高,故此,建立一个简单易用的用户图形界面是解决此项问题有效方法。这样的一个用户图形界面可使从事高光谱数据处理者的工作更加简便、高效。本文在山西中部某大型焦化基地采集了 36个农业表层土壤样品,用GC-MS测定了其16种优控PAHs含量;用ASDFieldSpec4光谱仪在室内采集了土样的高光谱反射率数据,并对其进行了一阶导数、二阶导数、倒数、对数等9种形式地变换。基于以上数据利用主成分回归、BP神经网络、支持向量机以及极限学习机4种方法分别建立了土壤中16种优控PAHs总含量的高光谱预测模型。此外,在MATLAB中利用工具guide创建了一个用于建立高光谱数据与某理化指标的关系模型,并可根据所建模型反演预测该理化指标的用户图形界面。本文的主要研究成果如下:(1)在9种数据形式中,反射率数据变换为反射率倒数的一阶导数、反射率倒数的二阶导数和反射率倒数的对数的一阶导数这3种形式后能够更为突出地显示其中包含的有效信息。(2)用BP神经网络、主成分回归、支持向量机和极限学习机建立的4个最佳模型的R2均大于0.70,RPD均大于1.4,可见4种模型均可用于预测,其中用反射率倒数的一阶导数建立的BP神经网络最佳模型的可决系数R2为0.88,RPD最高,达2.03,是36个模型中的最优模型。(3)建立了一个集数据转换、模型建立与反演于一体的用户图形界面。该用户图形界面主要由建模界面、反演界面以及各方法的参数设置界面组成。实现了9种数据转换形式、3种训练集与测试集的划分比例以及4种建模方法的随机组合,可简单快速地建立光谱模型:且能够调用已建立的模型进行反演预测。