La Distribución Espacial y Predicción de Metales Pesados en el Suelo Basada en Muestras Medidas e Imágenes Multiespectrales en el Lago Tai de China
Autores: Zhao, Huihui; Liu, Peijia; Qiao, Baojin; Wu, Kening
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
La Distribución Espacial y Predicción de Metales Pesados en el Suelo Basada en Muestras Medidas e Imágenes Multiespectrales en el Lago Tai de China
Categoría
Ciencias Medioambientales
Subcategoría
Ciencias medioambientales generales
Palabras clave
Suelo
Metales pesados
Monitoreo
Teledetección
Factores espectrales
Modelo de inversión
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
El suelo es un recurso natural importante. La cantidad excesiva de metales pesados en el suelo puede dañar y amenazar la salud humana. Por lo tanto, el monitoreo del contenido de metales pesados en el suelo es urgente. Monitorear los metales pesados en el suelo mediante métodos tradicionales requiere muchos recursos humanos y materiales. La teledetección ha mostrado ventajas en el campo del monitoreo de metales pesados. Basándonos en 971 muestras de metales pesados e imágenes multiespectrales de Sentinel-2 en el Lago Tai, China, analizamos la correlación entre seis metales pesados (Cd, Hg, As, Pb, Cu, Zn) y factores espectrales, y seleccionamos As y Hg como factores de entrada del modelo de inversión. El coeficiente de correlación del mejor modelo de As fue 0.53 (p < 0.01), y el de Hg fue 0.318 (p < 0.01). Utilizamos los métodos de regresión por mínimos cuadrados parciales (PLSR) y red neuronal de retropropagación (BPNN) para establecer modelos de inversión con diferentes combinaciones de factores espectrales utilizando 649 muestras medidas. Además, se utilizaron 322 muestras medidas para la evaluación de precisión. En comparación con el modelo PLSR, la red neuronal BP construye el modelo con mayor precisión, y B1-B4 combinado con LnB1-LnB4 construye el modelo con la mayor precisión. La precisión del mejor modelo fue verificada, con un error promedio del 19% para As y del 45% para Hg. Se analizó la distribución espacial de los metales pesados utilizando el método de interpolación de Kriging e IDW. La tendencia general de distribución de las dos interpolaciones es similar. La concentración de elementos de As tiende a aumentar de norte a sur, y el valor relativamente alto de elementos de Hg se distribuye en el este y oeste del área de estudio. Las fábricas en el área de estudio están distribuidas a lo largo de ríos y lagos, lo que es consistente con la distribución espacial de las áreas de enriquecimiento de metales pesados. Las áreas de alto valor relativo de elementos de metales pesados están relacionadas con la distribución de fábricas de productos metálicos, fábricas de porcelana refractaria, fábricas de azulejos, fábricas y empresas mineras, etc., lo que indica que la contaminación de las fábricas es la principal razón del enriquecimiento de metales pesados.
Descripción
El suelo es un recurso natural importante. La cantidad excesiva de metales pesados en el suelo puede dañar y amenazar la salud humana. Por lo tanto, el monitoreo del contenido de metales pesados en el suelo es urgente. Monitorear los metales pesados en el suelo mediante métodos tradicionales requiere muchos recursos humanos y materiales. La teledetección ha mostrado ventajas en el campo del monitoreo de metales pesados. Basándonos en 971 muestras de metales pesados e imágenes multiespectrales de Sentinel-2 en el Lago Tai, China, analizamos la correlación entre seis metales pesados (Cd, Hg, As, Pb, Cu, Zn) y factores espectrales, y seleccionamos As y Hg como factores de entrada del modelo de inversión. El coeficiente de correlación del mejor modelo de As fue 0.53 (p < 0.01), y el de Hg fue 0.318 (p < 0.01). Utilizamos los métodos de regresión por mínimos cuadrados parciales (PLSR) y red neuronal de retropropagación (BPNN) para establecer modelos de inversión con diferentes combinaciones de factores espectrales utilizando 649 muestras medidas. Además, se utilizaron 322 muestras medidas para la evaluación de precisión. En comparación con el modelo PLSR, la red neuronal BP construye el modelo con mayor precisión, y B1-B4 combinado con LnB1-LnB4 construye el modelo con la mayor precisión. La precisión del mejor modelo fue verificada, con un error promedio del 19% para As y del 45% para Hg. Se analizó la distribución espacial de los metales pesados utilizando el método de interpolación de Kriging e IDW. La tendencia general de distribución de las dos interpolaciones es similar. La concentración de elementos de As tiende a aumentar de norte a sur, y el valor relativamente alto de elementos de Hg se distribuye en el este y oeste del área de estudio. Las fábricas en el área de estudio están distribuidas a lo largo de ríos y lagos, lo que es consistente con la distribución espacial de las áreas de enriquecimiento de metales pesados. Las áreas de alto valor relativo de elementos de metales pesados están relacionadas con la distribución de fábricas de productos metálicos, fábricas de porcelana refractaria, fábricas de azulejos, fábricas y empresas mineras, etc., lo que indica que la contaminación de las fábricas es la principal razón del enriquecimiento de metales pesados.