Predicting water quality in mine-affected environments: A hyperspectral remote sensing study in the Iberian pyrite Belt
Melisa Isgró · Maria Dolores Basallote · L. Barbero
用无人机高光谱与机器学习反演矿区酸性废水pH、硫酸盐和铁浓度。
无人机高光谱成像+5种机器学习算法，结合LASSO/PCA降维与SHAP解释。
MLP对pH最佳(R²=0.952)，RF结合LASSO对Fe和SO₄²⁻最佳。
可将该高光谱-机器学习框架迁移到农业面源污染水体监测，并探索跨区域迁移学习。
该研究将无人机高光谱与机器学习结合用于酸性矿山废水水质反演，方法新颖、数据扎实，对矿区农业水环境监测具有参考价值，但属细分领域国际论文，公共影响有限。
在酸性矿山排水（AMD）环境中监测水质需要高分辨率数据，以捕捉地球化学过程与水文动态之间复杂的相互作用。本研究将基于无人机（UAV）的高光谱成像与机器学习相结合，估算了伊比利亚黄铁矿带（伊比利亚半岛西南部）Tharsis和Lagunazo废弃矿区九个水体的pH、硫酸盐（SO₄²⁻）和铁（Fe）浓度，这些水体跨越了广泛的水化学梯度。利用原位测量数据进行训练，评估了五种算法：随机森林（RF）、k近邻（KNN）、偏最小二乘回归（PLSR）、XGBoost和多层感知机（MLP），并结合降维技术（LASSO和PCA）进行比较。使用全光谱集的MLP模型在pH估算中表现最佳（R² = 0.952），而使用LASSO筛选特征的RF模型在Fe（R² = 0.861）和SO₄²⁻（R² = 0.880）估算中表现最优。SHapley加法解释（SHAP）证实模型决策与已知的光谱吸收特征相一致。在以往高光谱AMD研究的基础上，本工作通过以下方面推进了该领域的技术水平：（i）利用无人机尺度的高光谱数据解析单个水体内部的精细空间变异性，（ii）明确区分光学活性与非光学活性水质参数，以及（iii）系统比较多种机器学习回归算法以反演化学组成多样系统中的pH、铁和硫酸盐。通过将高分辨率影像与水化学数据相结合，本研究为在与环境管理相关的空间尺度上监测受AMD影响的地表水提供了一个稳健的框架。