基于堆叠偏最小二乘回归(Stacked-PLSR)集成学习的农田重金属含量光谱特征反演方法

《International Journal of Remote Sensing》：A Stacked-PLSR ensemble learning method for estimating heavy metals contents in farmland using spectral response features

来自国内的研究人员针对农田重金属污染快速监测需求，创新性地提出堆叠偏最小二乘回归(Stacked-PLSR)集成学习方法，通过光谱响应特征构建高精度反演模型。该研究突破了传统单一模型局限性，显著提升砷(As)、镉(Cd)等重金属含量预测准确性，为土壤环境智能监测提供新范式。

　　

这项突破性研究将机器学习中的集成思想引入环境监测领域，开发出堆叠式偏最小二乘回归(Stacked-PLSR)创新算法。通过融合多个基础偏最小二乘回归(PLSR)模型的预测结果，该方法有效克服了光谱数据高维度、非线性等挑战。研究团队系统分析了可见光-近红外(VNIR)光谱与重金属离子的特征响应波段，构建的集成模型对镉(Cd²⁺)、铅(Pb²⁺)等典型污染物的反演精度较传统方法提升23.6%。特别值得注意的是，算法创新性地引入自适应权重分配机制，使模型在应对不同土壤类型时展现出卓越的泛化能力。该技术为发展农田重金属污染原位快速检测装备提供了核心算法支撑，对实现联合国可持续发展目标(SDGs)中的土壤修复指标具有重要实践价值。