【技术实现步骤摘要】
本专利技术属于遥感和机器学习领域，具体涉及一种基于无人机影像和机器学习的土壤重金属含量识别方法。
技术介绍
1、由于工业、农业等人类活动的影响，众多场地的土壤受到重金属的污染。目前重金属污染问题在全球范围内都很普遍，且对污染场地附近的生态环境及人体健康带来严重威胁。由于重金属具有积蓄性及持久性的问题，随着时间的推移土壤重金属通入暴露途径(土壤颗粒呼吸吸入、摄入以及皮肤的接触)，最终到达人体的具体组织，对于人体造成危害。对于污染场地重金属污染程度的评估及重金属污染场地的修复方案的制定，确定当前污染场地的土壤污染分布特征是进行评估及修复的前提。
2、重金属污染场地普遍存在着污染物分布分散及迁移性较强的特征，对于当前污染场地重金属的污染物分布往往通过较为密集的网格布点进行采样，通过室内实验的方式，确定采集土壤样品的重金属含量，然后通过插值方法确定场地整体的污染物分布状况。当前通过采样确定土壤重金属分布的方法一般可以分为地球化学分析和地球物理探测方法两类。
3、地球化学分析是通过采集土壤样品，并在实验室中使用化学分析方法测定土壤中重金属的含量。常用的分析方法包括原子吸收光谱法、电感耦合等离子体发射光谱法等。这些方法可以提供准确的重金属含量数据。但是地球化学分析的主要缺点是采样和分析过程费时费力，需要大量的实地工作和实验室设备。此外，由于土壤的异质性和采样点的局部性，只能提供有限范围内的土壤重金属信息。因此，对于大范围的污染场地，地球化学分析可能需要耗费大量时间和资源。
4、地球物理探测方法通过测量土壤
5、但是上述传统方法耗费时间长且成本较高。而且插值方法的原理是空间的自相关性，即假设两点的空间距离越近，这两点的污染物的含量越接近。因此这个方法存在着局限性，对于污染场地土壤非均质性较高的场景适用性较差。因此提出一种节约成本的，工作效率高且适用于土壤非均质性较高场地的重金属污染识别预测方法是必要的。
技术实现思路
1、本专利技术的目的在于解决现有技术中污染场地土壤重金属污染物的快速识别的技术难点，并提供一种基于无人机影像和机器学习的土壤重金属含量识别方法。
2、本专利技术所采用的具体技术方案如下：
3、一种基于无人机影像和机器学习的土壤重金属含量识别方法，其包括：
4、s1、获取由无人机上搭载的多类别相机采集的目标场地的rgb影像、多光谱影像和数字高程影像；
5、s2、从所述rgb影像中识别出目标场地内存在的重金属污染源位置，并计算目标场地内的每个待识别点位与每个重金属污染源的空间距离，作为第一输入特征；从所述多光谱影像中提取出目标场地内每个待识别点位处的重金属相关遥感指数，作为第二输入特征；从所述数字高程影像中提取出目标场地内每个待识别点位处的地形指数，作为第三输入特征；
6、s3、将所述第一输入特征、所述第二输入特征和所述第三输入特征作为模型输入，由经过训练的机器学习模型预测目标场地内每个待识别点位处的重金属含量。
7、作为优选，所述无人机上搭载的多类别相机分别为用于采集rgb影像的可见光相机、用于采集多光谱影像的多光谱相机和用于采集和数字高程影像的激光雷达扫描仪。
8、作为优选，所述无人机上搭载的多光谱相机的多光谱检测波段包括蓝光波段、绿光波段、红光波段、红边波段和近红外波段；所述蓝光波段的波长为450nm，带宽35nm；所述绿光波段的波长为555nm，带宽27nm；所述红光波段的波长为660nm，带宽22nm；所述红边波段的波长为720nm，带宽10nm；所述近红外波段的波长为840nm，带宽30nm。
9、作为优选，所述重金属污染源包括工厂、道路、河流、铁路和村庄。
10、作为优选，作为第二输入特征的所述重金属相关遥感指数为归一化差异植被指数ndvi、亮度指数bi、颜色指数ci、差异植被指数dvi、绿光归一化差值植被指数gndvi、红外百分比植被指数ipvi、归一化差异红边指数ndre、比值植被指数rvi、土壤调节植被指数savi、转换型土壤调节植被指数atsavi、第2大气阻抗植被指数arvi2、蓝色宽动态范围植被指数bwdrvi、绿色叶绿素指数cigreen、叶红边绿素指数cirededge、叶绿素植被指数cvi、增强型植被指数evi、第2增强型植被指数evi2、第2-2增强型植被指数evi2-2、绿叶指数gli、绿蓝归一化差异植被指数gbndvi、绿红归一化差异植被指数grndvi、强度i、对数比logr、归一化绿红差异指数ngrdi、蓝色归一化差异植被指数bndvi、校正转换植被指数ctvi、归一化红/绿差异红度指数ri、泛归一化差异植被指数pndvi、第1红边比值指数rri1、红蓝氧化铁比值io、红绿比值rgr、红/近红外比值srred/nir、第2土壤和大气抗性植被指数sarvi2、近红外/红比值算术平方根sqrt(ir/r)、转换型归一化差异植被指数tndvi、宽动态范围植被指数wdrvi中的部分或全部。
11、作为优选，作为第二输入特征的所述述重金属相关遥感指数共14种，分别为叶绿素植被指数cvi、第2增强型植被指数evi2、亮度指数bi、差异植被指数dvi、绿光归一化差值植被指数gndvi、归一化差异红边指数ndre、土壤调节植被指数savi、绿蓝归一化差异植被指数gbndvi、强度i、归一化绿红差异指数ngrdi、蓝色归一化差异植被指数bndvi、归一化红/绿差异红度指数ri、红蓝氧化铁比值io和红绿比值rgr。
12、作为优选，作为第三输入特征的所述地形指数由坡度和高程计算得到，计算公式为：
13、
14、式中：t是待识别点位处的地形指数；e是待识别点位处的高程；e0是目标场地的平均高程；s是待识别点位处的坡度；s0是目标场地的平均坡度。
15、作为优选，所述机器学习模型为极端梯度提升树xgboost、随机森林rf、k最近邻分类模型knn、支持向量机svm或梯度提升树gbdt。
16、本专利技术相对于现有技术而言，具有以下有益效果：
17、本专利技术针对污染场地的重金属分布识别，提出了一种新的思路，即结合无人机技术、光谱影像和机器学习算法进行污染场地重金属的识别预测。本专利技术通过在无人机上安装不同的相机，可以获得该地点的rgb可见光影像、数字高程模型和多光谱影像；而rgb可见光影可以识别工厂和道路等污染源的位置，这对预测污染物的分布至关重本文档来自技高网...
【技术保护点】
1.一种基于无人机影像和机器学习的土壤重金属含量识别方法，其特征在于，包括：
2.如权利要求1所述的基于无人机影像和机器学习的土壤重金属含量识别方法，其特征在于，所述无人机上搭载的多类别相机分别为用于采集RGB影像的可见光相机、用于采集多光谱影像的多光谱相机和用于采集和数字高程影像的激光雷达扫描仪。
3.如权利要求1所述的基于无人机影像和机器学习的土壤重金属含量识别方法，其特征在于，所述无人机上搭载的多光谱相机的多光谱检测波段包括蓝光波段、绿光波段、红光波段、红边波段和近红外波段；所述蓝光波段的波长为450nm，带宽35nm；所述绿光波段的波长为555nm，带宽27nm；所述红光波段的波长为660nm，带宽22nm；所述红边波段的波长为720nm，带宽10nm；所述近红外波段的波长为840nm，带宽30nm。
4.如权利要求1所述的基于无人机影像和机器学习的土壤重金属含量识别方法，其特征在于，所述重金属污染源包括工厂、道路、河流、铁路和村庄。
5.如权利要求1所述的基于无人机影像和机器学习的土壤重金属含量识别方法，其特征在于，作为第
6.如权利要求1所述的基于无人机影像和机器学习的土壤重金属含量识别方法，其特征在于，作为第二输入特征的所述述重金属相关遥感指数共14种，分别为叶绿素植被指数CVI、第2增强型植被指数EVI2、亮度指数BI、差异植被指数DVI、绿光归一化差值植被指数GNDVI、归一化差异红边指数NDRE、土壤调节植被指数SAVI、绿蓝归一化差异植被指数GBNDVI、强度I、归一化绿红差异指数NGRDI、蓝色归一化差异植被指数BNDVI、归一化红/绿差异红度指数RI、红蓝氧化铁比值IO和红绿比值RGR。
7.如权利要求1所述的基于无人机影像和机器学习的土壤重金属含量识别方法，其特征在于，作为第三输入特征的所述地形指数由坡度和高程计算得到，计算公式为：
8.如权利要求1所述的基于无人机影像和机器学习的土壤重金属含量识别方法，其特征在于，所述机器学习模型为极端梯度提升树XGBoost、随机森林RF、K最近邻分类模型KNN、支持向量机SVM或梯度提升树GBDT。
...【技术特征摘要】
1.一种基于无人机影像和机器学习的土壤重金属含量识别方法，其特征在于，包括：
2.如权利要求1所述的基于无人机影像和机器学习的土壤重金属含量识别方法，其特征在于，所述无人机上搭载的多类别相机分别为用于采集rgb影像的可见光相机、用于采集多光谱影像的多光谱相机和用于采集和数字高程影像的激光雷达扫描仪。
3.如权利要求1所述的基于无人机影像和机器学习的土壤重金属含量识别方法，其特征在于，所述无人机上搭载的多光谱相机的多光谱检测波段包括蓝光波段、绿光波段、红光波段、红边波段和近红外波段；所述蓝光波段的波长为450nm，带宽35nm；所述绿光波段的波长为555nm，带宽27nm；所述红光波段的波长为660nm，带宽22nm；所述红边波段的波长为720nm，带宽10nm；所述近红外波段的波长为840nm，带宽30nm。
4.如权利要求1所述的基于无人机影像和机器学习的土壤重金属含量识别方法，其特征在于，所述重金属污染源包括工厂、道路、河流、铁路和村庄。
5.如权利要求1所述的基于无人机影像和机器学习的土壤重金属含量识别方法，其特征在于，作为第二输入特征的所述重金属相关遥感指数为归一化差异植被指数ndvi、亮度指数bi、颜色指数ci、差异植被指数dvi、绿光归一化差值植被指数gndvi、红外百分比植被指数ipvi、归一化差异红边指数ndre、比值植被指数rvi、土壤调节植被指数savi、转换型土壤调节植被指数atsavi、第2大气阻抗植被指数arvi2、蓝色宽动态范围植被指数bwdrvi、绿色叶绿素指数cigreen、叶红边绿素指数cirededge、叶绿素植被指数cvi、增强型植被指数evi、第2增强型植...
【专利技术属性】
技术研发人员：张帅，韩英越，陈延博，代聪，彭靖宇，刘凯，
申请(专利权)人：浙江大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。