近日，我校统计与数学学院教师阿如汗作为第一作者完成的研究成果“Inversion of low heavy metal content in Soil-Scutellaria baicalensissystems using optimized spectral indices and LSSVM”发表于统计与生态交叉领域权威期刊《International Journal of Applied Earth Observation and Geoinformation》，该期刊为中科院一区TOP期刊，影响因子为8.6，同时列入我校核心期刊目录B类期刊。

随着中药材种植区土壤重金属污染日益凸显，用药安全面临严峻挑战。传统化学检测方法普遍存在成本高、效率低、难以满足大范围快速监测需求等局限。当前相关研究多聚焦于利用高光谱数据对土壤重金属污染进行直接监测，但往往忽视了重金属在土壤—植被中的迁移能力并非恒定这一关键特征。针对这一问题，该研究提出了一种基于作物叶片及植被冠层高光谱信息、结合多种光谱指数间接估算土壤重金属含量的新方法，为中药材种植区重金属污染监测提供了新的研究思路。

该研究以黄芩（Scutellaria baicalensis）为对象，采集野外实测地面高光谱数据，采用Savitzky-Golay平滑、归一化（NOR）、多元散射校正（MSC）、标准正态变换（SNV）等多种信号处理方法，并结合一阶导数（FD）、二阶导数（SD）及倒数对数（LOG）变换，构建了优化光谱指数—归一化指数（NDI）与比值指数（RI）。在此基础上，研究进一步引入天鹰优化算法（AO）对最小二乘支持向量机（LSSVM）模型参数进行全局优化，建立了黄芩叶片重金属含量的高光谱估算模型，系统分析了土壤-植被系统中铬（Cr）、镍（Ni）两种重金属的迁移、富集与相关性特征。

研究结果表明：土壤与植株不同部位之间的Cr、Ni含量均呈极显著正相关，其中叶片可作为间接估算根系、茎秆及土壤重金属含量的有效指示器官；经过导数与归一化组合预处理的光谱指数，显著提升了重金属反演精度，其中SG+NOR+FD和SG+NOR+SD组合表现最优；与传统LSSVM模型相比，AO-LSSVM模型的性能提升明显，验证集R²由0.38提升至0.48（Cr），RMSE降低约36%；此外，基于富集特征的分组反演策略，进一步实现了对根、茎及土壤重金属含量的间接估算，相关模型R²均超过0.33。研究表明，该方法在中药材种植区重金属污染的非破坏性、快速化和高效率监测方面具有良好的应用前景。

该研究将高维光谱数据降维、非线性关系拟合及参数全局寻优等统计方法有效应用于生态环境监测领域，充分体现了统计学在跨学科实证研究中的方法优势与工具价值。同时，研究在光谱信号降噪、特征提取、优化算法设计和机器学习建模等方面展现出扎实的数理统计与计算智能研究基础，对推动资源与环境统计领域的深度融合具有积极意义。

（文/蔡富娟 初审/李文龙 审核/朱吉勒 于剑英 责编/李晓庆）