Retrieving heavy metal concentrations in urban soil using satellite hyperspectral imagery
Notice bibliographique
Résumé
Efficient prediction and precise depiction of heavy metal concentrations in urban soil are essential for mitigating non-point source pollution and safeguarding public health. Therefore, this research investigated the estimation of soil heavy metal concentrations derived from Gaofen-5 (GF-5) hyperspectral images calibrated by the direct standardization (DS) algorithm. The inversion strategy for soil heavy metal concentrations in response to the two-dimensional soil spectral index (2D-SSI) was proposed by coupling Pearson correlation coefficient (r) and competitive adaptive reweighting algorithm (CARS) for feature selection. The results indicated that the optimal models based on 2D-SSI outperform the models based on calibrated, filtered original spectral bands. For Pb, Cu, Cd, and Hg, the optimal model determination coefficients for the validation data set (RV2) were 0.871 (SVM), 0.883 (BPNN), 0.834 (PLSR), and 0.907 (PLSR), respectively. The spectral features were highlighted in the two-dimensional feature space, and the predicted distribution of heavy metal concentrations was aligned with the observed ground measurements. This study revealed that the prediction strategy based on DS-corrected GF-5 AHSI images with constructed 2D-SSI features can serve as a reliable technical approach for soil heavy metal prediction and pollution prevention.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».