Технология гиперспектрального изображений обладает уникальным потенциалом для низкозатратного масштабного быстрого мониторинга тяжелых металлов в почвах. Для решения проблемы малой выборки, характерной для инверсии гиперспектральных изображений, в данной работе предложен метод инверсии тяжелых металлов в почве на основе дробного дифференцирования (Fractional Order Derivative, FOD). Во-первых, для расширения выборки используются соседние пиксели точек отбора проб почвы, что увеличивает спектральное разнообразие выборки; затем с помощью FOD выделяются спектральные признаки при сохранении информации о градиенте дифференциального спектра; далее с помощью конкурентной адаптивной повторной выборки (Competitive Adaptive Reweighted Sampling, CARS) отбираются оптимальные полосы, и строится модель инверсии методом частичных наименьших квадратов (Partial Least Squares Regression, PLSR). В качестве данных исследования использовались 72 образца почвы и воздушные гиперспектральные изображения с южного рудника Хуаншань города Хами в Синьцзян-Уйгурском автономном районе для инверсии трех тяжелых металлов: свинца (Pb), цинка (Zn) и никеля (Ni). Результаты показывают, что расширение выборки не только смягчает переобучение модели, но и повышает точность инверсии тяжелых металлов; дробное дифференцирование оптимального порядка эффективно усиливает спектральные признаки и улучшает точность инверсии; по сравнению с методом коэффициента корреляции (CC) и генетическим алгоритмом (GA), отбор полос с помощью CARS обеспечивает лучшую точность инверсии тяжелых металлов Pb, Zn, Ni в исследуемом районе с коэффициентами R² 0.7974, 0.8690 и 0.8303 соответственно, что свидетельствует о хорошей устойчивости метода.

дробное дифференцирование;гиперспектральные изображения;CARS;тяжелые металлы в почве;малая выборка;видимое и ближнее инфракрасное излучение;коротковолновое инфракрасное излучение