基于粘菌算法(Slime Mould Algorithm, SMA)优化支持向量回归(Support Vector Regression, SVR)的土壤硒(Se)含量高光谱反演

《Remote Sensing Applications: Society and Environment》：Hyperspectral Inversion of Soil Selenium Content Based on Slime Mould Algorithm-Optimized Support Vector Regression

　　

摘要：硒(Selenium, Se)是生态环境中关键的微量元素，不仅直接影响作物的生长发育与品质，还通过食物链与人类健康密切相关。因此，高效、精确地监测土壤Se含量对于富硒农业资源的科学开发及饮食安全具有重要意义。然而，面对大范围、高频次的土壤监测需求，依赖高精度实验室化学分析常受限于高昂成本与冗长检测周期。相比之下，高光谱遥感技术因能获取连续精细的光谱信息，已成为一种快速、无损的替代手段，在土壤属性反演中展现出巨大潜力。研究人员选取中国云南省泸西县为研究区，采集44个土壤样品并同步获取高光谱数据，经实验室测定土壤Se含量。首先采用12种光谱变换技术增强原始光谱数据；继而运用竞争性自适应重加权采样(Competitive Adaptive Reweighted Sampling, CARS)、递归特征消除(Recursive Feature Elimination, RFE)及遗传算法(Genetic Algorithm, GA)三种方法筛选特征波长；最终基于筛选特征构建粘菌算法优化支持向量回归(Slime Mould Algorithm-optimized Support Vector Regression, SMA-SVR)模型，并与传统SVR、粒子群优化SVR(Particle Swarm Optimization-SVR, PSO-SVR)及差分进化SVR(Differential Evolution-SVR, DE-SVR)进行对比。结果表明，去趋势(Detrending, DT)、标准正态变量结合去趋势(Standard Normal Variate-Detrending, SNV-DT)及标准正态变量耦合二阶导数(Standard Normal Variate-Second Derivative, SNV-SD)三种光谱变换显著增强了光谱与Se含量的相关性，最大相关系数达0.77。基于SNV-SD-CARS框架建立的SMA-SVR模型表现最优，估算土壤Se含量的决定系数(R2)为0.723、均方根误差(Root Mean Square Error, RMSE)为0.062、预测残差偏差比(Residual Predictive Deviation, RPD)为1.901。本研究提出的SNV-SD-CARS-SMA-SVR模型为区域尺度土壤Se含量高光谱估测提供了较为可靠且具前景的技术途径。

论文解读：基于粘菌算法优化支持向量回归的土壤硒含量高光谱反演研究

硒(Selenium, Se)是人体必需的微量元素，参与抗氧化防御与免疫调节。全球大量人口面临缺硒导致的"隐性饥饿"，这主要源于农用地土壤中Se含量偏低或生物有效性不足。由于膳食Se主要来自植物对土壤Se的吸收，快速准确监测土壤Se水平对富硒资源评估与农业发展至关重要。传统土壤Se检测依赖野外采样与实验室化学分析，虽精度高但耗时费力、成本高昂，难以满足大范围高频次监测需求。可见-近红外(Visible-Near Infrared, Vis-NIR)高光谱遥感技术作为一种无损高效手段，已在土壤理化属性定量反演中广泛应用。尽管土壤Se的直接光谱响应微弱，但可借助Se与土壤有机质、氧化铁等关键组分的相关性间接反演。现有研究中高光谱数据存在高维冗余问题，需有效特征波长选择；支持向量回归(Support Vector Regression, SVR)适合小样本非线性问题，但其精度依赖惩罚系数与核函数参数的优选，传统粒子群优化(Particle Swarm Optimization, PSO)与差分进化(Differential Evolution, DE)易陷入局部最优或收敛慢。粘菌算法(Slime Mould Algorithm, SMA)具备独特动态反馈系统与较好全局搜索能力，尚未见用于土壤Se含量高光谱反演中SVR参数优化。为此，研究人员以云南省泸西县为研究区开展此项研究，旨在构建SMA-SVR模型提升土壤Se含量高光谱估测精度，成果发表于《Remote Sensing Applications: Society and Environment》。

主要关键技术方法： 研究人员于云南泸西县采集44个土壤样品并同步获取Vis-NIR高光谱数据，实验室测定Se含量后将样本划分为校正集与验证集。采用12种光谱预处理（含原始反射率RAW、去趋势DT、标准正态变量SNV、一阶/二阶导数FD/SD及其组合等）增强信号；运用竞争性自适应重加权采样(CARS)、递归特征消除(RFE)及遗传算法(GA)分别筛选特征波段；以SMA优化SVR的惩罚参数c与核参数g构建SMA-SVR模型，并与未优化SVR、PSO-SVR及DE-SVR对比，依据决定系数(R²)、均方根误差(RMSE)及预测残差偏差比(RPD)评价模型性能。

研究结果

Study Area and Sampling Sites（研究区与采样点）： 研究区为云南省红河州泸西县(24°15'–24°46' N, 103°30'–104°03' E)，面积约为167400 hm²，地处珠江流域上游，地形西低东高，海拔820–2459 m，属亚热带高原季风气候，干湿季分明。在此布设采样点并采集44个耕层土样同步测量光谱。

Statistical Analysis of Selenium Content（硒含量统计分析）： 全样本土壤Se含量为0.06–0.58 mg/kg，均值0.25 mg/kg，标准差0.14 mg/kg，变异系数(Coefficient of Variation, CV)为0.57，表明空间中等程度变异；训练集与验证集统计特征相近，保证建模与验证合理性。

Discussion（讨论）： 原始光谱(RAW)与土壤Se含量最大相关系数仅0.38，受土壤背景噪声干扰明显。多种预处理比较发现DT、SNV-DT及SNV-SD可有效提高相关性，其中SNV-SD效果较突出，最大相关系数提升至0.77。特征选择中CARS相较RFE与GA能以更少波段剔除冗余并增强模型稳健性。SMA优化SVR参数后模型较传统SVR、PSO-SVR及DE-SVR具更高R²与RPD及更低RMSE，证明SMA全局寻优能力优于PSO与DE于此问题中。小样本条件下SVR仍较深度学习法适用，SMA-SVR兼顾了参数优化与泛化能力。

Conclusions（结论）： 研究人员总结：(1)光谱预处理有效增强高光谱反射率与土壤Se含量关系，DT可作高相关基线，SNV-DT与SNV-SD为较优组合变换；(2) CARS特征选择配合SNV-SD预处理构建的SMA-SVR模型最优，验证集R²=0.723，RMSE=0.062，RPD=1.901；(3)所提SNV-SD-CARS-SMA-SVR模型为区域尺度土壤Se含量高光谱估测提供可靠且具前景的技术途径。粘菌算法优化支持向量回归可用于弱光谱响应微量元素的高光谱定量反演，对富硒土地资源调查与农产品安全监测具应用价值。