基于机器学习的铅锌铜矿区土壤重金属含量高光谱反演分析

来源：环境科学杂志2026年第1期北京时间：

作者：古甜甜,刘严松,胡薇,郑博骞,唐方强,任凤玲

单位：成都理工大学地球与行星科学学院, 地球勘探与信息技术教育部重点实验室, 成都 610059,成都理工大学地球与行星科学学院, 地球勘探与信息技术教育部重点实验室, 成都 610059,四川三合空间科技有限公司, 成都 610094,成都理工大学地球与行星科学学院, 地球勘探与信息技术教育部重点实验室, 成都 610059,成都理工大学地球与行星科学学院, 地球勘探与信息技术教育部重点实验室, 成都 610059,成都理工大学地球与行星科学学院, 地球勘探与信息技术教育部重点实验室, 成都 610059,成都理工大学地球与行星科学学院, 地球勘探与信息技术教育部重点实验室, 成都 610059

摘要：针对土壤中重金属含量低，弱土壤光谱信息难以通过直接分析重金属的特征光谱来估算重金属含量问题，提出结合一阶微分（FD）、二阶微分（SD）、倒数对数（AT）等多种光谱变换方法和随机森林（RF）、支持向量机（SVM）、多元逐步线性回归（SMLR）、人工神经网络（ANN）这4种机器学习算法的土壤重金属含量高光谱反演模型组合方案. 首先采集土壤样本的XRF检测数据和反射光谱并利用FD、SD和AT等数学方法进行光谱变换，然后系统分析土壤重金属含量与变换后光谱特征的相关性，据此筛选出具有代表性的特征波段，最后基于特征波段对比RF、SVM、SMLR和ANN这4种建模方法的反演效果并通过精度评估确定各元素最优模型选择. 结果表明，预处理的5种光谱变化有效地提高了图像的信噪比，减少了光谱之间的间隔和差异，除去特征波段为0的变换方式（AT和ASD），其他光谱变化表现出的效果依次为：SD>FD>AFD. 4种机器学习模型均具有一定的预测能力，且模型效果决定系数R2几乎大于0.6. 适用于该矿区预测效果最佳模型依次为：SMLR>SVM>ANN>RF. Cu和Mn元素的最佳反演模型均为SD-SMLR模型，Fe元素的最佳反演模型为SD-SVM模型，Zn元素的最佳反演模型为AFD-SMLR模型. 研究结果可为铅锌铜矿区大范围测量重金属元素含量提供技术支持，并为环境监测提供了新的发展路径.

关键词：机器学习,土壤,重金属,特征波段,高光谱反演,