智慧农业团队在农田土壤重金属遥感监测方面取得系列重要进展
发布者:管理员发布时间:2025-05-26作者:查燕来源:智慧农业团队点击量:
近日,中国农业科学院农业资源与农业区划研究所智慧农业团队在农田土壤重金属浓度分布遥感监测方面取得系列重要进展。相关研究成果分别以“Retrieval of chromium and mercury concentrations in agricultural soils: Using spectral information, environmental covariates, or a fusion of both?”和“A Spectral Hierarchical Machine Learning forPredicting Arsenic Concentration in FarmlandSoil Using Sentinel-2 Imagery”为题,发表于环境科学与生态学领域1区Top期刊《Ecological Indicators》(IF = 7.0)和地球科学领域1区Top期刊《IEEE Transactions on Geoscience and Remote Sensing》(IF = 7.5)。
土壤健康是维系地球生命系统、保障粮食安全与实现生态可持续发展的重要基础。随着城市化和工业化进程不断加快,大量重金属不断积聚于农田土壤,导致土壤质量退化,严重影响农作物生产和人类健康。因此,如何准确高效获取大范围农田土壤重金属浓度空间分布信息,成为当前亟待解决的重要科学问题。多光谱卫星遥感凭借其高时空分辨率、广覆盖和成本低等优势,在大范围农田土壤重金属监测中展现出巨大潜力。然而,受限于土壤环境复杂性及光谱信息不足,基于多光谱遥感的重金属浓度反演仍面临机理不明与精度有限等挑战。
为解决这些问题,团队提出融合光谱信息与环境变量的机器学习建模策略,以提升重金属浓度反演的准确性。结果表明,融合光谱信息与环境变量,采用极端梯度提升(XGBoost)模型建模,在农田土壤铬(Cr)与汞(Hg)浓度反演中表现最佳,显著优于支持向量机(SVM)和后向传播神经网络(BPNN)模型(Wang et al., Ecological Indicators , 2024)。而在分层建模策略中,基于土壤有机质SOM分层的Cubist模型在土壤砷(As)浓度反演中取得了更高的预测精度,超越了全局CNN模型(Wang et al., IEEE Transactions on Geoscience and Remote Sensing , 2025 ) 。因此,融合光谱分层与环境变量的建模方法可有效应对土壤环境复杂性对预测性能的影响,为农田土壤重金属污染的高效监测与早期预警提供了新视角。
图1 融合多光谱卫星数据与环境协变量的土壤重金属反演技术路线
图2基于全局和分层模型的土壤砷浓度反演验证精度对比
中国农业科学院农业资源与农业区划研究所智慧农业团队博士后王丽为第一作者,查燕副研究员为通讯作者,研究得到北方干旱半干旱耕地高效利用全国重点实验室、国家重点研发计划、国家自然科学基金、中国博士后科学基金等项目资助与支持。
【引文方式及原文链接】
Wang L, Zhou Y, Sun X, et al. Retrieval of chromium and mercury concentrations in agricultural soils: Using spectral information, environmental covariates, or a fusion of both? Ecological Indicators, 2024, 167: 112594.
Wang L, Zhou Y, Zhou Z, et al. A Spectral Hierarchical Machine Learning forPredicting Arsenic Concentration in FarmlandSoil Using Sentinel-2 Imagery. IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING,2025, 63: 1-14.
原文链接:
https://doi.org/10.1016/j.ecolind.2024.112594
https://doi.org/10.1109/TGRS.2025.3532678