基于GF-5高光谱图像与环境协变量的土壤重金属预测及数据增强技术
《Journal of Hazardous Materials》:Soil heavy metal prediction using GF-5 hyperspectral image and environmental covariates with data augmentation
【字体:
大
中
小
】
时间:2026年06月28日
来源:Journal of Hazardous Materials 10.6
编辑推荐:
孙友新|张霞|张雅琼|王伟豪|苏岩|肖青 中国科学院航空航天信息研究院遥感数字地球国家重点实验室,北京100101,中国
摘要:高光谱图像为大规模区域土壤重金属含量的监测提供了一种高效可靠的方法。然而,忽略环境协变量以及样本量不足都会降低重金属预测模型的准确性。因此,本研究提出
孙友新|张霞|张雅琼|王伟豪|苏岩|肖青 中国科学院航空航天信息研究院遥感数字地球国家重点实验室,北京100101,中国
摘要:高光谱图像为大规模区域土壤重金属含量的监测提供了一种高效可靠的方法。然而,忽略环境协变量以及样本量不足都会降低重金属预测模型的准确性。因此,本研究提出一种整合环境协变量并采用数据增强技术的预测方法,以提高铅、锌和镍预测的可靠性与精确度。首先,通过地理检测器和Shapley加性解释方法识别关键环境协变量,并利用相关的光谱指数对它们进行特征描述。随后,提出了一种具有梯度惩罚的光谱平滑约束Wasserstein生成对抗网络(SS-WGAN-GP),用以增加样本数量,提升生成样本的可靠性和真实性。最后,使用TabNet模型构建重金属预测模型,并生成重金属空间分布图。该方法通过从内蒙古东胜煤田采集的105份表层土壤样本及对应的GF-5高光谱图像进行了验证。结果表明,环境协变量显著提升了模型精度;而通过SS-WGAN-GP技术增强样本后,铅、锌和镍的R2值分别达到了0.70、0.70和0.72。基于Nemerow污染指数对重金属含量及污染程度进行的空间映射显示,重金属含量较高的区域主要分布在矿区周边及主干道路沿线。本研究为在样本有限的条件下进行重金属预测及污染风险评估提供了可行的框架。
引言:煤炭仍是全球能源结构中的重要组成部分,约占全球能源消耗量的27%[1]。然而,煤炭开采带来了严重的环境影响[2],尤其是露天采矿活动,往往会导致矿区土壤中重金属含量升高。煤炭开采过程中产生的大量矿废也富含重金属[3],其中铅、锌和镍被认为是煤矿地区最具毒性的金属[4]。这些金属不仅会抑制作物生长,还会通过食物链的生物积累对人类健康构成威胁[5]。因此,准确监测煤矿区土壤中重金属的空间分布与含量,对于保障农业生产、改善环境质量以及保护人类健康具有重要意义。
传统的重金属监测方法成本高昂、耗时较长,且往往无法准确反映重金属的空间分布情况[6]。近年来,基于太赫兹光谱技术和电化学传感材料的多种快速重金属检测技术也被开发出来,这类技术在复杂环境基质中对重金属的敏感识别与定量分析方面展现出巨大潜力[7][8][9]。相比之下,高光谱遥感技术在重金属监测方面具有明显优势,能够通过获取连续且详细的土壤反射光谱实现快速、无接触式的重金属检测[10]。尽管重金属本身在可见近红外到短波红外波段缺乏明显的吸收特征,但土壤中的活性成分可通过吸附或络合作用与重金属发生反应,从而间接从光谱反射率中推断出重金属含量[11]。星载高光谱遥感技术为大规模重金属预测提供了不可替代的手段[12]。其中,中国发射的GF-5卫星配备了先进的高光谱成像仪(AHSI),其空间分辨率(30米)、光谱分辨率(可见近红外波段:5纳米,短波红外波段:10纳米)以及光谱范围(400–2500纳米)均远优于现有传感器,且已成功应用于土壤重金属预测领域[6]。不过,重金属含量会受到环境协变量的影响,忽视这些协变量会限制基于高光谱技术的预测精度。
研究表明,重金属含量受多种环境协变量的影响[13]。特别是土壤有机质可通过吸附和络合作用影响重金属的积累与迁移能力[14]。氧化铁由于其较高的比表面积和反应活性,能够选择性地吸附重金属离子,从而调控其在土壤中的富集程度[15]。此外,土壤pH值通过控制重金属的解吸与溶解过程,影响其含量与迁移性[16]。地形因素如坡度与朝向也会通过改变地表径流路径、侵蚀强度及沉积环境,进一步影响重金属的迁移、聚集及空间重分布[17]。在受采矿影响的区域,人类活动源的距离,如距采矿扰动区及主要运煤道路的距离,也可能通过反映采矿扰动、煤尘沉积及运输相关活动带来的潜在影响,进而影响重金属的空间分布[18][19]。先前的研究已表明,将环境协变量纳入基于遥感的重金属预测中可提升预测精度。例如,Fan等人[20]将Sentinel-2遥感数据与环境协变量相结合,用于某一研究区域的重金属估算,证实了环境协变量在提升模型性能方面的作用。然而,不同重金属对环境协变量的响应程度存在差异,其关键影响因子仍有待进一步明确。此外,现有的环境协变量数据集的空间分辨率通常低于星载高光谱图像,且其数据采集时间往往与图像获取时间不匹配。这种尺度与时间上的不一致可能会削弱环境协变量对重金属预测的贡献,进而限制预测精度。
此外,由于土壤采样和实验室分析既耗时又昂贵,可用样本数量有限,且其空间分布较为稀疏,这也是制约重金属预测模型精度与通用性的重要因素。数据增强是一种直接解决样本不足问题的方法,旨在通过从原始数据中生成具有代表性的新样本,来扩大数据集规模并减少过拟合现象。常见的数据增强方法包括数据扰动、Mixup和SMOTE[21][22][23]。但这些方法通常依赖简单的线性变换或局部插值策略,难以捕捉高光谱数据中复杂的非线性结构。因此,生成的样本在多样性及物理合理性方面存在局限,其在高光谱数据预测任务中的性能提升效果往往较为有限。与传统的插值方法相比,生成对抗网络通过无监督学习来模拟数据分布,能够生成超出现有数据线性组合范围的高度逼真样本[24]。不过,传统基于Jensen–Shannon散度的GAN容易出现梯度消失和模式崩溃等不稳定问题。而带有梯度惩罚的Wasserstein生成对抗网络通过引入Wasserstein距离与梯度约束,使得学习过程更加稳健,同时也能提升合成输出的真实性与整体一致性。WGAN-GP在农业遥感应用中表现优异,可用于作物物候期判断、分类及产量预测等领域[24]。尽管如此,在高光谱数据生成任务中,WGAN-GP仍可能引入高频噪声或减弱局部吸收特征。
目前,偏最小二乘回归算法是重金属预测研究中常用的建模方法[25]。但由于其本质为线性建模,面对具有复杂非线性关系的光谱数据时,其性能较为有限。相比之下,机器学习算法在捕捉土壤参数与光谱数据之间的非线性关系方面具有更强能力,因此被广泛用于重金属预测研究[26]。近年来,深度学习凭借其端到端的特征学习能力,通过自动从光谱数据中提取深层特征,在土壤参数预测领域取得了显著成果[27]。其中,TabNet是一种专为表格数据设计的可解释深度学习架构[28],它通过引入稀疏注意力机制,实现对关键特征的动态、自适应且分层的选择,从而在保持高可解释性的同时提升模型的表达能力[29]。不过,TabNet的性能对超参数设置十分敏感,不当的配置可能导致性能下降甚至过拟合[30]。
因此,本研究旨在将关键环境协变量纳入模型,并结合数据增强策略,利用高光谱卫星影像提升煤矿区土壤中铅、锌和镍含量的预测精度。具体目标如下:1)识别影响重金属含量的关键环境协变量,并用光谱指数对其表示;2)开发SS-WGAN-GP模型以扩充训练样本,提高数据多样性并降低过拟合风险;3)基于GF-5高光谱影像,运用经过优化的HGS-TabNet模型预测重金属含量,并对多金属污染状况进行分级与评估。该方法的有效性通过GF-5高光谱影像及实测土壤数据得到了验证。
研究区域与土壤样本数据:本研究聚焦于中国内蒙古自治区鄂尔多斯市东胜煤田内的一个区域,这里是我国已探明储量最大的煤田。该地区属于温带大陆性气候,年降水量较低。地势从西向东逐渐降低,海拔高度大致在850至2,149米之间。鄂尔多斯市拥有丰富的煤炭资源,已探明储量为20.175万亿吨。自1990年以来……
方法:所提出方法的整体工作流程如图2所示。首先,通过将图像像素与土壤样本的地理位置对应,从GF-5高光谱影像中获取像素光谱。随后,利用GD和SHAP方法识别影响铅、锌和镍含量的关键环境协变量,并构建相应的光谱指数来描述这些协变量,确保其在空间分辨率和数据采集时间上与……保持一致。
结果:采用系统抽样法对土壤样本进行划分[46]。首先根据重金属含量将土壤样本由高到低排序,每三个连续样本中,前两个作为训练集样本,第三个则留作测试集样本。这样一来,训练集与测试集的比例为2:1,分别为70个样本和35个样本。如表2所示,锌的……含量最高。
关键环境协变量识别与光谱表征:GD和SHAP分析的结果表明,氧化铁是控制土壤中铅含量的主要环境协变量,而土壤有机质则在锌和镍的空间分布中起着更为重要的作用。这些结果从模型角度揭示了矿区重金属的分布特征,与土壤胶体对金属阳离子的吸附机制高度吻合。
结论:本研究旨在在样本数量有限的条件下,提升基于高光谱影像的土壤重金属含量预测的可靠性与精确度。我们假设,将建模与关键环境协变量相结合,并通过数据增强技术增加样本数量与多样性,可以有效提升重金属预测模型的精确度与泛化能力。为此,本研究首先运用GD和SHAP方法识别了关键环境协变量……
环境意义:矿区的重金属严重威胁着生态系统与人类健康。在样本有限的条件下,监测这些重金属的空间分布及风险热点仍是一项重要的环境挑战。本研究提出了一个融合环境协变量与深度学习数据增强技术的高光谱分析框架。通过估算铅、锌和镍污染的空间分布特征并系统评估相关风险,该研究有助于更准确地评估土壤中的重金属含量。
作者贡献说明:苏岩负责软件使用、研究工作及数据整理;王伟豪负责模型验证、软件应用及研究工作;肖青负责研究指导、研究工作及资金申请;张霞负责论文撰写与编辑、模型验证、方法设计及资金申请;孙友新负责论文初稿撰写、结果可视化、模型验证、方法设计及概念构思;张雅琼负责论文撰写与编辑、模型验证、方法设计及数据整理。
利益冲突声明:作者声明不存在任何可能影响本文研究工作的已知财务利益或个人关系。
致谢:本研究得到了国家自然科学基金(项目编号42371360)和中国科学院战略性先导科技专项(项目编号XDA28080500)的支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号