土壤重金属含量的高光谱遥感反演方法综述

土壤重金属含量的高光谱遥感反演方法综述摘要：随着工业生产规模的扩大、城市环境污染的加剧和农用化学物质种类、数量的增加，土壤重金属污染因其程度加剧、面积扩大而备受关注。

重金属污染物在土壤中移动差、滞留时间长、难被微生物降解，并可经水、植物等介质最终影响人体健康，因此对重金属污染的定量监测非常有必要并且意义重大。

高光谱遥感技术的发展为宏观、快速获取土壤重金属元素信息提供了新的契机，目前国内外学者基于土壤反射光谱特征，运用多种统计分析方法成功地预测了多种土壤重金属元素的含量。

介绍了土壤的光谱特征及光谱特征波段的提取，对利用高光谱遥感技术估算土壤重金属含量的主要方法进行了总结，对影响模型精度的主要因素进行了讨论，介绍了模型在模拟多光谱数据方面的应用，最后对模型反演过程出现的不足及今后的研究方向进行了展望。

关键词：土壤重金属；高光谱遥感；估算方法；统计分析；预测精度中图分类号：tp79；s158；s153.6 文献标识码：a 文章编号：0439-8114（2013）06-1248-06土壤是人类赖以生存的主要自然资源之一，也是人类生态环境的重要组成部分[1]。

随着工业的发展和农业生产的现代化，大量污染物进入土壤环境，其中重金属是重要的污染物质之一[2]。

土壤污染中重金属主要指汞、镉、铅、铬以及类金属砷等生物毒性显著的物质，也指具有一定毒性的一般重金属如锌、铜、钴、镍、锡等，目前最令研究者关注的重金属是汞、镉、铅等。

土壤重金属污染不仅会造成农作物减产，质量下降，严重者会通过食物链影响人体健康，因此对土壤重金属含量进行监测非常必要。

传统的野外采样和室内化学分析方法具有测量精度高、准确性强等优点，但相对费时费力，而且很难获取大面积空间上连续的污染物含量分布信息。

遥感技术因其多时相、大面积等特点逐渐被研究者应用于土壤性质的监测，高光谱遥感则以其多且连续的光谱波段特点被应用于监测土壤重金属含量，可以实现大范围、非破坏性和非接触元素的快速测样[3，4]。

由于土壤中重金属含量低，对土壤光谱曲线影响微弱，直接分析土壤样品重金属元素的特征光谱来估算其含量比较困难。

通过借助重金属元素与土壤有机质、黏土矿物、铁锰氧化物、碳酸盐矿物之间的吸附或赋存关系，可以间接反演土壤重金属元素含量，反演精度在一定程度上取决于重金属元素与这些组分之间的相关性[5-7]。

近年来国内外学者在土壤重金属遥感反演研究方面已经取得长足进展，多数研究基于实验室的土壤光谱分析。

例如有学者基于土壤可见-近红外、近-中红外反射光谱特征，实现了对矿区用地[8，9]、农业用地[10，11]、潮滩[12，13]等研究区土壤重金属元素含量的反演研究。

如kemper 等[8]利用土壤反射光谱反演了aznalcollar矿区土壤as、hg、pb以及fe元素的含量。

国内的wu 等[10]利用实验室土壤的反射光谱模拟hymap、aster以及tm影像波段，实现了大面积监测南京江宁地区土壤hg污染，发现估测土壤中hg的最佳波段和土壤fe的吸收波段一致，且相关分析表明土壤hg的含量与土壤反射率成负相关关系。

另外moros等[12]在研究中发现了土壤重金属元素和有机物质之间的相关性，基于土壤可见-近红外和中红外反射光谱，建立偏最小二乘回归模型，实现了对河滩土壤中as、cd、co等元素污染水平的定量监测。

土壤反射光谱特征与重金属元素含量之间的定量反演研究，可为进一步应用空间或航空遥感技术进行高光谱遥感定量监测土壤重金属污染提供技术和理论支持，为土壤中重金属含量的快速监测和大面积的土壤重金属污染评价提供技术支撑。

1 土壤光谱特性及特征波段的提取土壤光谱信息是土壤表层各种属性的综合反映，其中土壤颜色、质地、有机质含量和各种矿物质成分等对土壤光谱的影响作用较为明显[14]。

土壤属性与实验室实测反射光谱的相关关系已得到证实：在可见光和近红外波段，土壤光谱的吸收特征主要是由金属离子的电子跃迁形成，在短波红外区域，土壤的吸收主要归因于有机质、层状硅酸盐、碳酸盐、硫酸盐等矿物质的各类分子团中化学键的伸展、弯曲、变形等振动[7]。

土壤中有机质、氧化铁、黏粒比例的增加，会降低土壤光谱反射率；土壤有机质与反射率较强的相关关系主要反映在可见光波段，而土壤氧化铁和黏粒则在近红外波段可以得到更精确的区分[15]。

在可见光波段，土壤光谱曲线斜率较大，429、490 nm附近是土壤氧化铁微弱的吸收峰，470 nm附近则是土壤氧化锰微弱的吸收峰，波长600 nm附近是土壤有机质典型的反射峰，815 nm附近则是有机质的次反射峰，在近红外波段，反射光谱的斜率较小，接近水平。

900 nm附近的吸收峰是土壤中3价铁所致，1 000 nm附近的吸收峰是土壤中铁的氢氧化合物特征谱带，1 400、1 900、2 200 nm附近的吸收峰是土壤硅酸盐矿物中水分子羟基伸缩振动和al—oh弯曲振动的合频谱带，湿度降低了所有光谱段的反射率并在1 400、1 900 nm处产生较强和较宽的吸收带。

2 455 nm附近的吸收峰则是土壤碳酸盐中co32-基团振动产生的谱带[16，17]。

图1为土壤样品的原始光谱曲线示意图。

通常土壤反射光谱需要预处理以突出光谱信息中的细微特征，常见预处理方法有光谱反射率的微分、倒数对数和连续统去除等，以此来获得表征不同土壤成分的特征波段。

但实际工作中需要针对不同的土壤背景条件，不同的重金属污染类型，更加系统地分析土壤反射光谱特征差异，运用合适的预处理方法和统计方法提取研究区土壤特征波段，建立土壤重金属的光谱特征数据库。

土壤重金属特征光谱的确定，可为区域土壤重金属含量反演模型的建立（包括特征波段参数选择）打下基础[11]。

2 土壤重金属含量反演的主要方法土壤中重金属元素含量很低，在土壤反射光谱的各波段没有明显的吸收特征，且土壤组成成分复杂，每个组分对反射光谱的影响是非线性混合，致使土壤的反射辐射过程复杂。

用物理模型进行反演较难，通常采用统计方法分析土壤重金属含量与反射光谱特征之间的相关性，间接实现对土壤重金属元素含量的估算。

常用方法主要包括单变量以及多元统计分析方法，多元统计方法较之单变量方法反演精度要高[16，18，19]。

也有研究同时采用以上两种方法来计算土壤重金属含量[10，18]。

2.1 单变量统计分析方法单变量统计法主要运用相关分析方法来探讨土壤重金属含量与光谱反射率之间是否存在较为显著的相关性，选择相关性最显著的波段建立模型来预测土壤重金属含量。

根据波段选择方法不同可分为单波段分析方法和波段有效变换后的分析方法。

如李淑敏等[11]利用光谱分析的方法探讨北京地区农业土壤中重金属含量与可见-近红外光谱反射率的相关关系，通过对土样原始反射光谱及其一阶、二阶微分光谱与各土壤重金属含量进行单波段分析，确定了cr、ni、cu等8种土壤重金属的特征光谱，建立了估算土壤重金属含量的回归模型。

任红艳[18]研究分析了矿区农田土壤原始反射光谱和经过连续统去除后的光谱信息，确定了土壤光谱反射率与重金属元素含量相关性最大的波段，得到了反演cu、cd等重金属元素含量的最佳拟合模型。

由于土壤的高光谱反射率极易受到环境差异的影响，单波段反射率建立反演模型稳定性不足，因此可用敏感波段均值处理或组合等变换后的光谱波段与土壤重金属含量进行相关分析，提高模型的稳定性，达到更高的预测精度。

蒋建军等[20]通过对敏感波段511 nm处对应的有机质诊断指数r/r450-750进行间隔10 nm的均值化处理，以敏感范围均值r507-516/r450-750取代敏感波段r/r450-750作为自变量x，建立了有机质含量的预测模型，然后根据有机质含量和重金属含量之间的关系间接反演cd含量。

此外，根据不同波段反射率提供的信息可以互相补充的特点，解宪丽等[7]提出利用波段组合方法能够显著提高光谱变量和重金属含量间的相关性的论点，所建立pb、zn等元素的反演模型的可靠性要优于单波段预测方法。

2.2 多元统计分析多元统计分析是光谱学研究中预测光谱特征物质的常用方法，因其综合使用较多的波谱段，提高了统计预测的精度[18]。

多元逐步回归分析、主成分回归（pcr）分析和偏最小二乘回归（plsr）分析是目前分析土壤组成与反射光谱间关系常用的统计方法[16]。

此外，还有研究用人工神经网络方法[9]或多种多元统计分析方法相结合[21，22]来反演土壤重金属含量。

2.2.1 多元逐步回归法多元逐步回归法是根据土壤重金属含量与土壤反射光谱的相关分析，找出与重金属元素相关性较好的光谱特征波段，对各重金属含量与特征波段的光谱变量进行多元回归分析。

根据回归系数和f统计量最高、均方根误差最小的原则，选择土壤重金属高光谱遥感监测的最佳回归模型。

多元逐步回归分析方法简单明了，常被用来确定对于某种化学成分敏感的波段，并说明敏感波段值与这种化学成分浓度有较好的相关性，据此可以用这些确定的波长位置来估计化学成分的浓度[19]。

龚绍琦等[17]通过对滨海盐土土壤光谱进行处理，通过对镉、铜、镍等重金属含量与反射光谱变量的相关分析，获得了反演土壤成分的特征波段为429、470、490、1 430、2 398、2 455 nm，利用逐步回归分析方法分别建立了反演上述几种重金属元素的最佳遥感模型。

另外王维等[23]运用土壤光谱反射率、一阶微分、倒数对数这3种光谱数据对土壤铜含量进行了多元逐步回归分析，并比较了不同光谱预处理方法对模型精度的影响。

2.2.2 主成分回归法主成分回归分析是一种多元回归分析方法，被广泛应用在化学与测谱学分析中[22]。

它利用全部光谱信息并进行压缩，将高度相关的波长点归于一个独立变量，提取为数不多的独立变量建立回归方程，通过内部检验来防止过度拟合。

用预测均方根误差（rmsep）来评价模型的预测能力。

其中：ym是土壤重金属含量实测值，yp是对应的模型预测值。

部分学者用主成分回归分析方法取得了很好的预测效果。

wu等[10]用 pcr 法建立了室内土壤光谱与hg含量的反演模型，二者相关系数r=0.69，均方根误差rmse=0.15。

任红艳等[22]利用在实验室获取的矿区农田土壤可见-近红外反射光谱与土壤as和fe的浓度数据构建了反演as和fe的pcr预测模型，并指出其预测能力要优于偏最小二乘回归预测模型。

但现有研究也证明pcr预测能力要受重金属种类的影响[24，25]，如islam等[24]用紫外-近红外-可见光谱反演了农业土壤中ca、mg等元素的含量，但对k、na元素的反演能力就差。

2.2.3 偏最小二乘回归法偏最小二乘回归方法作为一种有效的光谱分析方法，在光谱数据处理中已得到广泛应用。

该方法提供一种多对多线性回归建模的方法，当两组变量的个数很多，且都存在多重相关性，而观测数据的数量又较少时，与传统的多元线性回归分析方法相比，plsr方法解决了多元线性回归方法所面临的多重共线性问题，可概括提取光谱信息，从而较为准确地定量反演重金属元素含量。