基于半监督决策森林的高光谱遥感土壤质量监测

With the improvement of social industrialization, the aggravation of soil pollution is becoming more and more serious. Therefore, the quick and accurate monitoring of soil quality becomes a hotspot of research in hyperspectral remote sensing to ensure the safety of agricultural production. However, there are a series of problems to be resolved by using hyperspectral technology in soil quality monitoring applications. In the view of unstable retrieval model and poor universality which caused by mixed pixels, weak spectral information and lack of prior knowledge, the soil quality monitoring system based on the semi-supervise decision forest algorithm using hyperspectral technology has been constructed. This proposal will study the scientific contents such as unmixing using spatial-spectrum information and classification of soil types, feature mining using Monte Carlo tree and Deep Neural Network, integrated semi-supervised regression model and Hapke physical model for soil quality factor model. What’s more, it investigates the mechanism of soil reflection model, optimizes the machine learning algorithm and explores the ensemble learning strategy etc.. Finally, these algorithms are implemented the soil quality monitoring in the typical areas, and then the quantitative inversion algorithms of soil quality are concluded. Advance in cross-integration of remote sensing science, soil science，machine learning and other disciplines, this study can effectively improve the accuracy and reliability of hyperspectral remote sensing information processing under the condition of lack of prior knowledge, and enhance the soil quality monitoring application of hyperspectral remote sensing.

随着工业化的发展，一些地区的土壤污损现象日趋严重。为保证农业生产的安全，进行土壤质量的高光谱遥感监测成为了研究热点，但通过高光谱遥感技术对土壤质量的监测存在一系列的问题需要解决。针对高光谱遥感的混合像元、光谱弱信息和先验知识不足造成的地物要素提取精度过低、反演模型不稳定、普适性差等问题，构建半监督决策森林的高光谱遥感土壤质量监测体系，研究空谱信息结合的土壤混合像元分解、基于蒙特卡洛树搜索与深度神经网络的特征挖掘和集成半监督回归与Hapke物理模型的土壤质量反演算法，探索土壤反射模型的机理、学习机的优化算法、集成学习的策略等关键问题。通过典型区域土壤质量监测的实例进行算法评价，归纳适用于土壤质量定量反演的算法。研究成果能促进遥感科学、土壤学、机器学习等学科的交叉融合，有效提高先验知识不足情况下高光谱遥感影像信息处理的精度和可靠性，推进高光谱遥感信息处理在土壤质量监测的应用。

土壤是我国最重要的自然资源之一，其健康状况密切关系到粮食安全、生态安全和水安全等诸多环节。科学合理地监测土壤属性的时空变化是土壤环境质量评价的基本任务，而高光谱遥感技术则为大尺度土壤空间特性评估提供了解决工具。本研究针对现有土壤成分高光谱统计反演方法的缺陷，探究可用于土壤有机质、水分、重金属含量反演的吸收特征，提出了基于Stacking的土壤重金属反演方法；研究土壤辐射传输模型相关理论，构建了顾及光谱机理的土壤理化参数反演模型。.研究的主要工作和结论如下：.1）针对传统方法存在的过拟合和模型不稳定问题，提出基于Stacking的重金属反演方法。结果表明其无论是稳定性还是抗过拟合能力均是最优，能够一定程度克服不平衡数据和小样本集数据所带来的问题。.2）针对实验室光谱，利用包络线去除提取了9个光谱吸收特征参数：D420、D480、D610、D700、D840、D1780、D2200、A2200、lgA2200，并通过土壤有机质吸附特性解析了特征机理。而针对航空高光谱数据，则提取了7个光谱吸收特征参数：D600、D1300、D1630、D2000、D2200、A2200、lgA2200，并实现了土壤重金属高光谱反演。.3）构建了基于改进Hapke光散射模型的土壤水分光谱反射率模型和归一化差分土壤水分指数模型。通过研究Hapke模型进而计算体散射分量，建立了土壤光学参数与含水量之间的解析式，构建了应用于土壤水分光谱反射率建模的SMR-Hapke模型。同时，基于短波红外的水分敏感波段，进一步简化SMR-Hapke模型使其转换为线性形式，结合多光谱卫星遥感数据中常用的2190nm和1610nm波段，构建了新型归一化差分土壤水分光谱指数，与其他常见土壤水分指数相比，该指数具有明确的物理意义。.4）建立了基于单次散射反照率与多元曲线分辨的土壤有机质反演方法（SSA-MCR）。通过分析土壤光谱非线性混合的理论背景，使用Hapke模型将非线性的土壤光谱转换至物理上线性组合的单次散射反照率空间，进而结合多元曲线分辨思想与非负矩阵分解算法，从土壤单次散射反照率矩阵中分解有机质基向量和质量分数向量，实现完全约束最小二乘算法的土壤有机质的反演。