排序方式： 共有3条查询结果，搜索用时 0 毫秒
1
1.
重金属污染种类的判别是作物生长环境监测的重要组成部分。该研究旨在提出一种由叶片光谱构建的铜铅污染判别特征(Copper and Lead Contamination Discriminating Features,CLCDF),以实现作物铜、铅污染判别。以典型作物玉米为试验对象,运用包络线去除与导数处理叶片光谱,基于该研究提出的归一化铜铅污染指数(NormalizedDifference Copper and Lead Contamination Index,NDCLCI)构建叶片CLCDF,在CLCDF分布域内建立判别平面(Discriminating Plane,DP)。依据CLCDF与DP的位置关系,得出直观的污染种类判别规则,并利用判别距离(Discriminating Distance,DD)对判别规则进行量化。基于训练集数据进行试验,提取到189种用于判别铜、铅污染的DP,同时获取了对应的污染种类判别规则,判别正确率为100%。使用验证集数据进行验证,189种DP中的88种判别效果较好,判别正确率为78.22%。该研究结果证明,基于CLCDF的铜铅污染判别方法效果良好且稳定。 相似文献
2.
为了区分玉米叶片重金属胁迫种类，提出一种基于高光谱的铜铅胁迫识别方法。分别以叶片0.1~2.0阶分数阶导数(FOD)光谱中红边位置与任意两波长处的光谱值构建玉米叶片的红边铜铅敏感指数(RECLSI)集群，计算各集群中指数与胁迫类型的相关系数，以相关系数最大值、最小值对应的RECLSI构建铜铅识别特征(CLIF)，在CLIF的二维分布出现与胁迫类型相关的聚类时建立胁迫识别界限(SIB)，从而实现铜铅胁迫识别。研究表明：各RECLSI集群中指数与胁迫类型相关系数的最大值、最小值随FOD光谱阶次的增加分别呈先升后降、先降后升的趋势，其中相关系数最大值、最小值的极点分别出现在1.3、1.4阶FOD光谱对应的RECLSI集群中；0.7~1.5阶FOD光谱的CLIF二维分布呈现出与胁迫类型相关的聚类，根据CLIF-SIB能够不同程度地实现铜铅胁迫识别；1.2阶FOD光谱的CLIF-SIB识别效果最好，试验集精度为100%，验证集精度为81.25%。基于FOD光谱的CLIF-SIB玉米叶片铜铅胁迫识别方法在部分阶次能够获得良好且稳定的识别结果，具有可行性和有效性。 相似文献
3.
为更好地研究利用光谱反映的土壤重金属信息，实现具有多重金属复合污染问题的铅锌矿区土壤重金属含量高光谱快速估测，该研究以河北省某铅锌矿区为例，首先对研究区土壤的Cu、Cr、Ni、Zn、Cd、Pb污染状况进行了评价分析，其次基于实验室高光谱数据，组合变换光谱、特征变量和反演算法形成不同反演策略，通过各反演策略下的重金属反演精度比较，定量分析不同光谱预处理、特征选择和建模算法的优劣与适应性，构建最优反演模型。研究结果表明：1）研究区土壤Cr、Ni清洁程度较好，其余Cu、Zn、Cd、Pb均有不同程度污染；参比当地土壤背景值，区域内梅罗综合污染指数均值29.7，为重度污染，潜在生态风险因子均值1330.3，处于高生态风险状态；2）光谱预处理可以增强土壤重金属信息表达。其中，光谱微分效果较好，但易受噪声影响，而多元散射校正、标准正态变量、倒数对数变换可以进行光谱去噪，提升处理效果；3）特征选择方法中，相关系数法选择特征波段数目多，不同重金属反演R2 差异较大；Boruta法选择特征波段数目少，不同重金属反演R2 差异较小；4）BPNN、XGBoost可以较好描述重金属含量与光谱的非线性关系，相较于其他算法具有更好表现，分别实现了Cr、Ni、Zn和Pb、Cd的最优反演，SVMR实现了Cu的最优反演。研究表明，不同的光谱预处理、特征选择与建模算法对于土壤重金属含量的反演均具有较大影响，选择合适的处理、建模算法可以有效提升反演精度。该研究为进一步实现高效、准确、大范围遥感监测铅锌矿区土壤重金属污染状况提供参考依据。 相似文献
1