基于SGA-RF算法的農業土壤鎘濃度反演研究

王軒慧 陳建毅 鄭西來 朱 成 王軒力 單春芝

(1.中國海洋大學海洋環境與生態教育部重點實驗室， 青島 266100; 2.青島農業大學理學與信息科學學院， 青島 266109; 3.中國聯合網絡通信有限公司濟南軟件研究院項目管理部， 濟南 250000; 4.山西工程技術學院信息工程與自動化系， 陽泉 045000; 5.國家海洋局北海環境監測中心， 青島 266033)

0 引言

農業土壤重金屬污染已成為我國主要的環境問題之一[1-2]。土壤中的鎘會在農作物中富集并進入食物鏈，從而對人類健康造成嚴重威脅[3-4]。因此，密切監測農業土壤中的重金屬鎘超標情況對于防止農產品污染，保障人體健康有著重要意義。

目前，常規化學方法對土壤重金屬濃度的測定不僅周期長，成本高，而且會產生大量危害環境的廢棄物[5]。相比之下，可見/近紅外光譜技術具有成本低、效率高、環境污染少等優點[6-7]，逐漸成為有效監測土壤重金屬污染情況的重要手段[8-9]。CHEN等[10]采用正交信號校正預處理方法和反向傳播神經網絡建立污水灌溉區的重金屬鎘反演模型。GHOLIZADEH等[11]結合各種預處理方法與支持向量機回歸建立土壤重金屬含量與反射光譜之間的對應關系。TAYEBI等[12]使用可見/近紅外反射光譜和偏最小二乘(PLSR)模型來預測農業土壤中重金屬鐵的濃度，指出二階微分預處理與PLSR結合建立的模型反演精度較高。

盡管上述方法成功地將可見/近紅外光譜技術應用于土壤重金屬高光譜反演領域，但由于原始光譜數據中存在大量冗余和不相關特征，從而嚴重影響了反演模型的性能。特別是農業土壤中重金屬鎘所對應的可見/近紅外光譜波段非常少，因而直接使用原始光譜構建回歸反演模型不僅準確率和穩定性偏低，而且運算效率較差。因此，只有通過使用特征選擇方法才能選出具有最小冗余度且最具代表性的敏感波段，進一步有效地提高農業土壤鎘回歸反演模型的預測能力[13]。JIANG等[14]利用遺傳算法結合PLSR建立土壤鎘含量反演模型。雖然上述方法取得了一定成果，但是該方法對相鄰光譜波段的特征值進行了融合，這會導致部分潛在重要特征的丟失。XIA等[15]采用相關系數法結合PLSR成功反演長江流域沉積物中的鎘含量。但基于相關系數法的特征選擇方法只適用于線性統計方法建立的模型，對于非線性相關及樣本分布不均勻的情況，反演精度較低。

本文在重金屬鎘高光譜反演領域，針對上述特征選擇技術的不足，提出一種基于斯皮爾曼等級相關分析的遺傳隨機森林(Spearman’s rank correlation coefficient-based genetic algorithm using random forest，SGA-RF)特征選擇算法?；诖蠊梁恿饔虮韺愚r業土壤可見/近紅外高光譜數據，通過與傳統遺傳算法和基于K近鄰的遺傳算法進行比較，探討SGA-RF算法在農業土壤重金屬高光譜反演領域應用的可能性，以期為利用高光譜技術檢測農業土壤中低含量重金屬污染狀況提供一定的理論依據。

1 SGA-RF特征選擇算法

圖1 SGA-RF特征選擇流程圖Fig.1 Flow chart of SGA-RF feature selection

SGA-RF特征選擇算法流程如圖1所示。該算法由2個子算法組成，是一種基于Wrapper[16]型的特征選擇方法。首先，為了消除冗余和無關信息，采用斯皮爾曼相關分析特征選擇方法(算法1)對2 051個預處理后的初始特征集合進行預選，得到了彼此無關聯的特征波段子集作為算法2的輸入。其次，在遺傳隨機森林算法(算法2)中采用基于隨機森林袋外誤差的適應度函數來評價個體的優劣，最終選出適應度函數最小值所對應的特征子集為最優特征波段子集。最后，利用最優特征波段子集構建隨機森林回歸(Random forest regression, RFR)反演模型。

以斯皮爾曼等級相關分析作為SGA-RF算法的特征預選方法，主要目的是有效減少初始特征集維數并剔除原始光譜特征波段之間的冗余和無關信息。該算法包括：①數據準備階段(步驟1～步驟2)，通過計算兩兩特征波段之間的斯皮爾曼等級相關系數將強相關的特征波段存入二維矩陣X中。②算法的核心組成部分(步驟3～步驟8)，通過遍歷矩陣X構造所有相關特征的分組Y。③算法輸出部分(步驟9～步驟11)，通過對特征波段集合Q與Y中每組代表波段求并集得到最優光譜特征波段子集。算法的具體描述如算法1所示。

(1)算法1——基于斯皮爾曼等級相關分析的特征選擇算法

輸入：①預處理后的光譜特征集合M。②循環變量i1。③循環變量j1。④循環變量b1。⑤循環變量c1。⑥最大波長數L2 051。

輸出：所有相關光譜特征分組集合Y(所有相關的分組)；最優光譜特征子集F。

步驟1: 計算Mi與Mj兩個特征波段之間的斯皮爾曼等級相關系數，即

(1)

式中N——樣本數量

d——兩列成對變量的等級差分集合

在式(1)中,對Mi與Mj進行排序(同時為升序或降序)，得到兩個元素等級集合m和n，其中mi為mi在Mi中的等級，ni為ni在Mj中的等級。將集合m、n中的元素對應相減得到一個排行差分集合d，其中di=mi-ni，1≤i≤N。如果ρ的絕對值(|ρ|)大于或等于0.8且標準偏差p小于10%，則特征值Mi與Mj被認為是顯著相關的，將Mi與Mj存入矩陣X中，X為二維矩陣。

步驟2:重復執行步驟1，直至j達到最大波長數L。

步驟3:把i賦值給j，重復執行步驟1～步驟2，直至i達到最大波長數L。

步驟4：把X中的第一行兩個元素賦值給Yb。設置ismatch為0，a為1。

步驟5:取出矩陣Xa中第a行的第1個元素Xa1。如果矩陣Yb中不含有Xa1，轉入步驟6；否則設置ismatch為1，再判斷矩陣Y中是否含有Xa2，如果矩陣Y中不含Xa2，將Xa2存入Yb中,轉入步驟7。

步驟6:取出矩陣Xa中第a行的第2個元素Xa2。如果矩陣Yb中含有Xa2，設置ismatch為1，并判斷矩陣Yb中是否含Xa1，如果矩陣Yb中不含有Xa1，將Xa1存入Yb中。

步驟7:如果ismatch為1，在X中剔除Xa，得到新的矩陣Xa與Yb。

步驟8:重復執行步驟5～步驟7，直到遍歷完Xa的所有元素。Yb中存儲一組顯著相關的特征波段，Xa為去掉與Yb相關特征波長之后的剩余特征波長變量。若Yb中含有不相鄰波段，對該組進行標注。

步驟9:重復執行步驟4～步驟8，直到遍歷完X的所有元素，輸出所有相關特征的分組Y，通過計算MY(Y在M中的余集)得到特征波段集合Q。

步驟10:計算Yc這一組內部所有斯皮爾曼相關系數的平均值和相應的標準偏差，保留與待測組分相關性最大的特征波段作為這一組的代表性特征波段。

步驟11:重復執行步驟10，直至處理完Y的所有分組，每組代表波段組成集合P。

步驟12:通過計算集合Q∪P，輸出最優光譜特征子集F。

采用算法1的特征選擇方法，不僅能夠剔除原始全光譜的所有相關特征值，而且大幅度地縮減了下一步特征精選(算法2)的篩選范圍，能夠達到提高算法反演精度和執行效率的雙重目的。對于波長特征選擇，遺傳算法是一種非常有效的方法。適應度函數[17]的設計在遺傳特征選擇算法中起著至關重要的作用，但是常規的適應度函數與具體的解決問題領域聯系不夠緊密，導致最終篩選出的特征子集建立的模型預測精度較低。為此提出了一種新型的適應度函數，綜合考慮了特征子集的回歸性能和算法的運行效率，該算法的具體描述如算法2所示。

(2)算法2——遺傳隨機森林的特征選擇算法

輸入：①光譜特征集合F。②每一個體的染色體長度(基因)m集合F中元素的數量。③染色體的基因位數p1。④初始群體包含的個體數f。⑤最大迭代次數Generations200。⑥停滯代數StallGenLimit100。⑦交叉概率pn0.8。⑧變異算子pm0.5。

輸出：最優光譜特征子集E。

步驟1(參數編碼): 用一串含有mp個0/1字符(基因)的字符串(染色體串)來表示每種區間組合。若基因為1表示該特征被選中，基因為0表示該特征未被選中。

步驟2(種群初始化):隨機產生fm個字符作為初始群體。

步驟3(新的適應度函數)：本算法中的適應度函數被定義為隨機森林袋外誤差和特征維度的加權和，即

(2)

式中α——RFR袋外誤差，是衡量RFR模型性能的重要指標

β——特征子集含有的特征值數量，直接決定算法的運行效率

ω——回歸精度在適應度函數中所占的比重

m——染色體長度(原始特征值數量)

步驟4(復制)：采用精英保留策略。設置精英個數c1為2，按照式(2)計算所有個體的適應度，選出適應度最低的前兩名個體不進行配對交叉自動推到下一代。

步驟5(選擇): 采用錦標賽選擇策略。當精英子代從當前種群移除后，對剩余m-2個個體執行錦標賽選擇算法。設置參加錦標賽的個體個數為2，依據式(2)評估所有個體的適應度，從種群中選出2個最優個體作為父代個體。

步驟6(交叉): 對錦標賽策略生成的父代個體進行交叉操作。選用的交叉函數是算術交叉類型的異或運算，對兩個父類染色體進行異或操作產生交叉子代。產生交叉子代的數量為c2=round((m-c1)pn)。

步驟7(變異): 變異操作采用均勻變異的方式，最終產生變異子代的數量c3=m-c1-c2。

步驟8(生成子代個體): 精英子代，交叉子代和變異子代的所有個體組成了新一代種群。利用式(2)的適應度函數評價新一代種群的適應性。

步驟9:迭代步驟4～步驟8，直到滿足停止條件。停止條件包含如下兩類：①最大迭代次數達到設定值Generations。 ②停滯代數達到設定值StallGenLimit。

步驟10:輸出最優光譜特征子集E。

傳統的適應度函數一般只考慮回歸模型中的交叉驗證均方根誤差和相關系數，提出的適應度函數綜合考慮特征子集的回歸性能和算法的運行效率。由式(2)可以得出，當隨機森林的袋外誤差取得最小值，并且選出的特征值數量最少時，本文算法設計的適應度函數取得最小值。

在變異操作算法中，首先生成符合某一范圍內均勻分布的隨機數集合(RD)，每個隨機數的值與染色體中每個基因座上的原有基因相關聯。然后從左到右掃描染色體，將每個RD的值與變異算子pm進行比較。如果位置i處的RD小于pm，則位置i處的基因被翻轉；否則，該基因不被翻轉。

2 實驗

2.1 數據來源

在青島市大沽河流域采集具有代表性的農田表層土壤樣品124個，攤開并置于陰涼處，待自風干后，去除土樣中的石子和動植物殘體等明顯雜物，用研缽研磨，再過100目篩子保存于自封袋中待測。準確稱取0.250 0 g樣品于150℃下以“HNO3-HF-H2O2”消解體系和密封高壓釜消解罐法進行消解，利用電感耦合等離子體發射光譜儀(ICP-OES，Optima 8000，PerkinElmer，USA)來檢測124個樣品的鎘含量，并保留每份土樣剩余部分用于高光譜數據采集。

2.2 光譜采集及預處理

本次實驗選取ASD FieldSpec 3型便攜式光譜儀測量土壤樣品的光譜反射率。將土壤樣品放入直徑10 cm、厚度約為2 cm的培養皿中。在50 W鹵素燈作為光源的暗室中測量土壤樣品的光譜，光源距樣品35 cm，天頂角為30°，光譜儀探頭安裝在樣品垂直上方15 cm處。每次實驗開始之前和每測量10組樣品之后使用具有100%反射率的標準化白板進行校正。每個土樣測量時轉動培養皿3次，每次轉動90°，每個方向上取樣10次，4個方向上共得到40條光譜測量值，算術平均后作為該樣品的最終光譜反射率。

使用Kennard-Stone[18]算法從原始光譜數據集(包含124個樣本)中選出100個樣本作為校驗集，剩余的24個樣本作為預測集用于模型驗證。剔除具有低信噪比的350～399 nm、2 451～2 500 nm兩個邊緣波段，在400～2 450 nm波段上對原始光譜數據采用多種預處理方法?；陔S機森林回歸模型，不同預處理方法所建模型的預測性能如表1所示。

由表1可得，一階微分處理方法所建立的RFR模型結果最優，此時預測集相關系數、相對分析誤差最大，分別為0.897 3和1.26，均方根誤差達到最小值0.079 4。可見，一階微分預處理最適于獲取含量較少組分的光譜信息，與文獻[19]研究結果一致。因此，后續特征選擇與建模均在一階微分分析基礎上進行。

大沽河流域124個土壤樣本的原始可見/近紅外光譜曲線如圖2a所示。從圖2a可以看出，所有樣本的反射率曲線特征基本相似。與文獻[20]報道的一致，大多數土壤光譜在波長1 400 nm、1 800～2 000 nm和2 200～2 400 nm附近都會出現明顯的水分吸收峰。圖2b為最優預處理方式(一階微分)后的光譜曲線。從圖2b可以看出，一階微分預處理不僅能夠加強原始光譜的3個強吸收峰，而且能夠明顯增強原始光譜中1 000 nm和高于2 200 nm的弱吸收峰。這表明一階微分預處理方法能夠增強樣品之間的光譜特征差異，較適應于農業土壤鎘元素的高光譜響應。

表1 不同光譜預處理方法的隨機森林建模結果Tab.1 Prediction results of RFR modeling by using different pre-processing methods

注：D1表示對光譜矩陣求一階導，D2表示對光譜矩陣求二階導，SNV(Standard normal variate transformation)表示對光譜矩陣進行標準正態變量變換，S-G(Savitzky-Golay)表示對光譜矩陣進行Savitzky-Golay卷積平滑。

3 結果與討論

3.1 基于斯皮爾曼等級相關分析的特征選擇算法結果分析

一般來說，特征值之間的相關性是通過相關系數來衡量的。由于斯皮爾曼等級相關系數對數據條件的要求沒有皮爾遜相關系數嚴格，并且可以使用單調函數來描述變量之間的相關性，因此SGA-RF算法選用斯皮爾曼等級相關分析作為特征預選方法剔除冗余特征。對于初始的2 051個特征波段應用斯皮爾曼等級相關系數分析，在校驗集上篩選的特征波長變量分布如圖3所示。

圖2 124個土壤反射光譜Fig.2 Soil reflectance spectra of 124 soil samples

圖3 算法1篩選的波長變量分布圖(不相鄰波段之間的相關性用紅色豎線表示)Fig.3 Distribution diagrams of spectral features selected by algorithm 1 (there was also a correlation between nonadjacent bands, which were shown on red long string)

算法1將原始全光譜變量從2 051個減少到108組特征波段,每組內部選出與鎘濃度相關性最強的特征值為該組代表波段，所有代表波段在400～2 450 nm的分布如圖3a所示。為了更加清晰地觀察不相鄰波段之間是否存在相關性，將圖3a中藍色框內的局部波長變量放大于圖3b中，將圖3a中紫色框內的局部波長變量放大于圖3c中。其中，對特征值的標注已在算法1中步驟8完成。在圖3c中以2 446 nm為代表波段的這一組被標識為黑色，表明該組內部所有成員均為相鄰波段。在圖3a中以999 nm為代表波段的這一組被標識為紅色，表明該組內部包含不相鄰波段。以特征波段999 nm與1 829 nm的相關性為例，算法1判定二者具有相關性；但是采用傳統遺傳算法的區間分割法，二者不具有相關性，原因是999 nm和1 829 nm肯定不會被劃分到同一個子區間內部。因此，傳統遺傳算法按照固定區間大小均分原始光譜，會導致部分潛在重要特征值的丟失。

從圖3a可以看出，預選出的108個特征波段主要位于1 550～1 850 nm和2 300～2 450 nm的范圍內。分析圖3b 可得，1 550～1 720 nm范圍內共有9組特征波段內部含有不相鄰波段。由圖3c可得，1 800～2 450 nm范圍內共有7組特征波段內部含有不相鄰波段。108組相關特征中共有17組內部存在不相鄰波段之間具有相關性的現象?？梢姡噜彶ǘ沃g存在高相關性的概率較大，但是不相鄰波段之間也有可能存在相關性。因此，基于斯皮爾曼等級相關分析的特征選擇方法克服了傳統遺傳算法只對相鄰波段特征值進行融合的局限性，采用一種更加合理的方法縮減遺傳算法的自變量個數，使得遺傳算法能夠在冗余度最小且最具代表性的敏感波段中進行全局搜索，最終達到優化反演模型，提高預測能力的目的。

3.2 系數對適應度函數的影響

適應度函數的表達式(式(2))中包含一個權重參數ω，取值范圍為[0,1]，該參數表示袋外誤差在整個適應度函數中所占比重。為了找到適應度函數取最小值時所對應的權重參數ω，需要考察不同權重對反演結果的影響。表2給出了不同權重參數ω所對應的適應度以及相對應的相關系數、均方根誤差和預測相對分析誤差。

從表2可以看出，當權重參數ω為0.3，適應度函數取得最小值。因此，最優權重參數ω為0.3。

3.3 特征選擇結果分析

在算法2中，遺傳算法種群規模被定義為100，運行總代數為200，基因位數設為1。

表2 不同權重參數ω所對應的適應度以及相對應的相關系數、均方根誤差和預測相對分析誤差Tab.2 Values of fitness function (fi) and corresponding R, RMSE and RPD according to several ω values

圖4 SGA-RF算法特征選擇過程適應度函數進化曲線Fig.4 Evolution curves of fitness function during feature selection process of SGA-RF

由圖4可得，從第109代到第200代，適應度在0.014～0.016 5之間，變動幅度很小。最佳個體的適應度為0.015 397 7，平均值約為0.019 616 8。因此，可以判斷SGA-RF算法沒有出現過早收斂現象，原因是SGA-RF算法設置了正確有效的適應度，同時采用精英保留策略和錦標賽選擇算法確保了該算法的必然收斂。

采用SGA-RF特征波段選擇方法最終選出37個敏感波段，它們在400～2 450 nm波段的分布圖如圖5所示。圖中黑色曲線為某個土壤樣本的原始光譜曲線，紅色空心圓圈表示特征波段所在位置。圖5b和圖5c分別放大了圖5a中矩形框和正方形框內的敏感波段密集區域。

圖5 基于SGA-RF算法的鎘可見/近紅外光譜特征波段分布圖Fig.5 Visible/NIR spectra distribution diagrams for soil Cr based on variables selected by SGA-RF (shown in red hollow circle markers)

由圖5可知，重金屬鎘的敏感波段主要位于1 600～1 800 nm和2 350～2 450 nm的范圍內。已有研究表明，位于這2個范圍的吸收峰主要與有機化合物中的O—H、 N—H和C—H基團有關[21]。這可能與重金屬鎘的有機化合物吸附有關，吸附機理有待進一步深入研究。

3.4 與其他特征選擇算法的比較與分析

為了驗證算法1，分別對不采用算法1的遺傳隨機森林算法(GA-RF)和采用算法1做預選的SGA-RF算法進行建模性能比較，結果如表3所示。兩種算法均采用RFR建立回歸模型。

表3 評估算法1對本文算法預測效果的影響Tab.3 Impact of algorithm 1 on predictive effect by using SGA-RF

由表3可以看出，與GA-RF算法相比，SGA-RF算法不僅建模時間短，特征值數量少，而且模型性能明顯較高。因為算法1在有效剔除初始特征集冗余信息的同時能夠保留與鎘元素相關性最強的重要特征，大幅度減少特征精選階段的輸入特征值維數，不僅減少了計算復雜度，而且提高了模型反演能力。

為了進一步驗證SGA-RF特征選擇算法的有效性，本文算法與其他3類特征選擇方法進行對比，結果如表4所示。這3類特征選擇方法分別為：全光譜不做特征波段選擇方法、單一特征選擇方法和以K最近鄰法構建適應度函數的遺傳算法 (SGA-KNN)。單一特征選擇方法包含兩種方法：原始遺傳算法與偏最小二乘算法結合的特征波段選擇方法(GA-PLSR)和斯皮爾曼等級相關分析(Spearman Rank)方法。這3類特征選擇算法均采用RFR作為回歸模型，并以選出特征波段的數量、建模時間、相關系數、均方根誤差和預測相對分析誤差作為模型的評價指標。

依據文獻[21]，GA-PLSR算法采用2～20 nm不同波段間隔對原始光譜進行重采樣，每個子區間取平均數作為新的光譜自變量，以交叉驗證均方根誤差(RMSECV)最小值作為最優特征譜區篩選的標準,最終得到12 nm為最優光譜區間劃分間隔。GA-PLSR算法使用PLS-Toolbox[22]重復運行50次，以PLSR算法的RMSECV作為適應度函數。SGA-KNN算法采用文獻[23]中的基于K最近鄰分類法(KNN)的適應度函數，其中參數K選取3。上述2種算法的種群規模、運行總代數和SGA-RF算法保持一致。

表4 本文特征選擇算法與其他特征選擇算法性能比較Tab.4 Comparison of performance between proposed and other feature selection methods

由表4可知，與其他3類特征選擇算法相比，本文算法的建模時間最短，相關系數和預測相對分析誤差最高，取得最佳預測效果。全光譜和斯皮爾曼等級相關分析建模的預測相對分析誤差均在1.4以下，說明這2種方法建立土壤鎘含量預測模型的性能較差，原因是全光譜中含有大量的冗余和無關信息；斯皮爾曼等級相關分析只能去除特征波段之間的冗余，無法剔除那些與待測組分無關的特征值，導致模型精度較低。GA-PLSR算法和SGA-KNN算法建模的預測相對分析誤差均在1.0以下，說明以GA-PLSR算法和SGA-KNN算法作為特征波段選擇方法無法建立土壤鎘含量預測模型。原因為：① GA-PLSR算法不僅忽略了不相鄰波段之間的相關性，同時也沒有考慮特征波段與待測組分之間的相關性，而且該算法用于評估每個染色體的PLSR模型為線性模型。②由于KNN算法對參數K的取值，距離的度量和多重共線性都非常敏感，導致該算法對特征的回歸能力較差，并不適用于構造遺傳算法的適應度函數。③SGA-RF算法首先采用斯皮爾曼等級相關分析進行特征預選，去掉所有特征波段之間的冗余信息；其次，結合遺傳算法的全局搜索能力和RFR的較高反演能力，優選出適應度最低的特征子集。其中，在適應性函數中采用非線性模型RFR評估每個個體的性能，而RFR對于參數設置與多重共線性問題均不敏感。

在SGA-RF算法特征篩選結果的基礎上，以RFR作為回歸模型，模型校驗集和預測集樣本的估測值和實測值之間的關系如圖6所示。

圖6 SGA-RF算法結合RFR模型建模樣本、檢驗樣本的實測值與估測值比較Fig.6 Comparison of measured Cd contents and estimated values of modeling and testing samples through SGA-RF algorithm with RFR model

由圖6可得，采用SGA-RF特征選擇算法在校驗集和預測集均取得了較好的反演效果，驗證了該算法與隨機森林回歸模型相結合能夠有效解決農業土壤中痕量級重金屬含量的反演問題。

4 結論

(1)基于大沽河流域農業土壤樣本真實數據集，SGA-RF算法能夠將2 051個原始特征波段優選至37個。以選出的37個敏感波段作為自變量建立大沽河流域農業土壤鎘高光譜反演模型，該模型具有較低的預測均方根誤差(0.060 1)，較高的相關系數(0.950 2)和預測相對分析誤差(2.03)。建模結果證實了該算法在降低計算復雜度的基礎上提高了土壤鎘含量反演模型的精度。

(2)斯皮爾曼等級相關分析將原始2 051波段縮減到108組特征子集，通過分析每組特征子集的組內相關性，發現在不相鄰波段之間也存在相關性。說明基于斯皮爾曼等級的特征預選方法能夠克服傳統遺傳算法的局限性，最大限度地縮減遺傳算法的自變量個數，是SGA-RF算法的重要組成部分。

(3)以相關系數、均方根誤差和預測分析相對誤差作為評價標準，本文算法分別與其他4類特征選擇方法進行了對比。比較結果說明，SGA-RF算法可以有效剔除冗余波長變量，提取最具代表性的特征波長變量，減少建模時間，提高預測效果。

(4)SGA-RF算法有效解決了土壤重金屬鎘高光譜反演領域建模時間長，預測精度差的問題，可用于其他農業土壤的重金屬鎘污染監測與識別。