樂(lè)安河流域土壤重金屬含量高光譜間接反演模型及其空間分布特征研究

蘭 澤 英， 劉 洋

(1.廣東工業(yè)大學(xué)管理學(xué)院，廣東 廣州 510060；2.廣州市城市規(guī)劃勘測(cè)設(shè)計(jì)研究院，廣東 廣州 510060)

?

樂(lè)安河流域土壤重金屬含量高光譜間接反演模型及其空間分布特征研究

蘭 澤 英1， 劉 洋2

(1.廣東工業(yè)大學(xué)管理學(xué)院，廣東 廣州 510060；2.廣州市城市規(guī)劃勘測(cè)設(shè)計(jì)研究院，廣東 廣州 510060)

選取江西省樂(lè)安河及其支流流域作為研究區(qū)域，探討了使用土壤高光譜數(shù)據(jù)間接反演其重金屬(Cu、Zn、Pb)含量的方法。選用偏最小二乘模型對(duì)土壤有機(jī)質(zhì)含量進(jìn)行高光譜反演，引入人工神經(jīng)網(wǎng)絡(luò)回歸模型建立土壤有機(jī)質(zhì)含量與重金屬含量的相關(guān)關(guān)系，從而提取出土壤中痕量級(jí)的重金屬元素，并針對(duì)其空間分布情況進(jìn)行關(guān)聯(lián)分析和對(duì)比分析。實(shí)驗(yàn)結(jié)果表明，此方法在反演Cu、Zn元素時(shí)可有效反映其空間分布特征，具有在類(lèi)似泛濫平原區(qū)域推廣的適宜性，也為該區(qū)域土壤及水文生態(tài)環(huán)境監(jiān)測(cè)提供了相關(guān)參考。

土壤重金屬含量；高光譜反演；偏最小二乘回歸(PLS)；人工神經(jīng)網(wǎng)絡(luò)

0 引言

大量研究表明，遙感高光譜數(shù)據(jù)結(jié)合GIS野外采樣分析已被成功應(yīng)用于土壤重金屬含量調(diào)查。1991年巴西科學(xué)家基于AVIRIS影像，探討了3處樣本采集區(qū)的土壤TiO2、Fe2O3、Al2O3光譜反射率與化學(xué)成分的關(guān)系[1]。近年來(lái)Kemper等通過(guò)逐步線(xiàn)性回歸分析(MLR)和神經(jīng)網(wǎng)絡(luò)(ANN)方法預(yù)測(cè)重金屬元素濃度與特征光譜反射率之間的擬合關(guān)系[2]；Phoebe等利用高光譜調(diào)查棄礦及礦山廢物的重金屬元素分布[3]；Shrestha等利用TM7光譜反射率統(tǒng)計(jì)預(yù)測(cè)土壤中Fe、Zn、Se的含量[4]；Evangelou等基于Aster、TM等數(shù)據(jù)定量預(yù)測(cè)土壤中Hg的含量[5]。然而，采用上述直接估算法探測(cè)流域土壤中的重金屬含量，其精度和穩(wěn)定性受限[6,7]，主要原因在于流域范圍內(nèi)的重金屬含量通常屬于痕量級(jí)，即使在重污染區(qū)域，即土壤重金屬含量大于三級(jí)臨界值的區(qū)域(參見(jiàn)《土壤環(huán)境質(zhì)量標(biāo)準(zhǔn)》)[8]，其診斷性光譜特征也很容易湮沒(méi)在其他土壤組分的影響之中，不足以被光譜儀直接檢測(cè)出來(lái)，因此需要考慮間接量化的模型和方法。

土壤重金屬含量與土壤的理化性質(zhì)聯(lián)系緊密[7-12]，進(jìn)入土壤的外源重金屬可以被土壤粘土礦物、鐵氧化物和有機(jī)質(zhì)等吸附，這些土壤成分具有典型光譜特征，因此，使用高光譜數(shù)據(jù)探測(cè)土壤成分(如有機(jī)質(zhì)含量、土壤質(zhì)地、pH值等)并通過(guò)重金屬與這些土壤成分的相關(guān)分析可間接估算土壤中的重金屬含量[2，6]。本文選取江西省樂(lè)安河及其支流流域作為研究區(qū)域，根據(jù)高光譜遙感數(shù)據(jù)及GIS采樣數(shù)據(jù)的相關(guān)分析，建立高光譜數(shù)據(jù)和土壤重金屬含量的間接反演模型，討論土壤重金屬元素的空間分布特征，從而為類(lèi)似泛濫平原區(qū)域土壤重金屬監(jiān)測(cè)提供技術(shù)支持和參考依據(jù)。

1 研究區(qū)域與實(shí)驗(yàn)數(shù)據(jù)

1.1 研究區(qū)域及其土壤理化特性分析

研究區(qū)域包括江西省境內(nèi)的樂(lè)安河及其支流(即大塢河和洎水河)流域。如圖1所示，樂(lè)安河發(fā)源于懷玉山麓，向東注入鄱陽(yáng)湖，全長(zhǎng)275 km，流域面積8 534 km2。該區(qū)域的典型性表現(xiàn)在：1)樂(lè)安河中游、大塢河、洎水河沿岸分布著大量銅礦、金礦、鉛鋅礦和化工加工廠，其中包括亞洲最大的露天開(kāi)采銅礦“德興銅礦”(圖1)，開(kāi)采廢水排入樂(lè)安河及其沿岸土壤，暴露出土壤重金屬污染問(wèn)題[13]。2)樂(lè)安河下游直接匯入鄱陽(yáng)湖——中國(guó)最大的濕地生態(tài)區(qū)域，分析樂(lè)安河沿岸的土壤重金屬污染對(duì)于研究鄱陽(yáng)湖生態(tài)環(huán)境有重要意義。3)1994年10月，聯(lián)合國(guó)CERP計(jì)劃曾對(duì)樂(lè)安河沿岸土壤的化學(xué)特性進(jìn)行過(guò)研究，顯示出Cu、Pb、Zn 3種重金屬含量超標(biāo)，本文再次對(duì)該流域土壤重金屬含量進(jìn)行測(cè)定，可以對(duì)比分析近20年來(lái)土壤污染的變化趨勢(shì)，從而為當(dāng)?shù)貙?shí)施環(huán)境保護(hù)政策提供依據(jù)。

圖1 樂(lè)安河研究區(qū)域及其沿岸采礦點(diǎn)分布

Fig.1 The study area and the coastal mining sites of Lean River

與Kooistra的研究區(qū)類(lèi)似[6]，本區(qū)域?qū)儆诘湫偷姆簽E平原地區(qū)，河谷分布大量的潮土，其成土母質(zhì)主要為河流現(xiàn)代沖積物。露天有色金屬選礦廠排出的污水中的重金屬離子和天然水體中的懸浮物結(jié)合，隨著河水上漲逐漸沉積在泛濫平原土壤表層。另一方面，土壤有機(jī)質(zhì)具有天然的螯合和絡(luò)合效果，通過(guò)其團(tuán)粒結(jié)構(gòu)可以將重金屬離子吸附住，重金屬離子的活性降低后，以比較穩(wěn)定的化合物形式“固定”下來(lái)，不被植被和其他成分吸收和轉(zhuǎn)移，從而堆積形成受污染的流域土壤。因此，理論上流域土壤中重金屬的含量及分布特征與有機(jī)質(zhì)的含量及分布特征有強(qiáng)烈的正相關(guān)關(guān)系。根據(jù)這一理化性質(zhì)，本研究以土壤有機(jī)質(zhì)作為數(shù)據(jù)反演的媒介，建立高光譜數(shù)據(jù)和土壤重金屬(Cu、Pb、Zn)含量的間接量化模型。

1.2 實(shí)驗(yàn)數(shù)據(jù)獲取及其預(yù)處理

首先自上游到下游進(jìn)行野外采樣，樣點(diǎn)盡量分布在流域兩岸，并在靠近采礦區(qū)的地方(樂(lè)安河中游、大塢河、洎水河沿岸)、緩坡以及利于水中懸浮物沉積的一側(cè)適當(dāng)?shù)孛芗贾?，且采樣點(diǎn)距河流的平均直線(xiàn)距離為10 m。為盡可能與1996年CERP項(xiàng)目的研究結(jié)果進(jìn)行比對(duì)，分別在流域的上中下游地區(qū)，至少有兩個(gè)以上采樣點(diǎn)與CERP項(xiàng)目的采樣點(diǎn)重合。對(duì)每個(gè)采樣點(diǎn)，按梅花形收集5個(gè)子集，再混合成一個(gè)組合樣本[14，15]，最終選擇了71個(gè)土壤采樣點(diǎn)。

對(duì)土壤樣本進(jìn)行實(shí)驗(yàn)室分析與預(yù)處理，主要包括高光譜數(shù)據(jù)獲取與選擇、土壤有機(jī)質(zhì)含量和幾種重金屬含量測(cè)定。使用ASD fieldSpec 3儀器測(cè)定土壤樣本的高光譜數(shù)據(jù)，共測(cè)量2 151個(gè)波段。為消除高光譜數(shù)據(jù)的階越現(xiàn)象和噪聲，采用二階微分技術(shù)和平滑技術(shù)進(jìn)行處理[16]，得到光譜匹配濾波曲線(xiàn)(圖2)?？梢钥闯觯?個(gè)波段特征規(guī)律明顯，其中1 415 nm、1 930 nm和2 200 nm波段與反演土壤含水量的特征波段相近，為了減小含水量對(duì)光譜反射率的影響，將其剔除，最后選擇415 nm、485 nm、770 nm和920 nm波段作為土壤樣本的光譜特征波段。根據(jù)《土壤環(huán)境監(jiān)測(cè)技術(shù)規(guī)范》[8]，采用經(jīng)典的重鉻酸鉀-濃硫酸油浴消解法，經(jīng)化合反應(yīng)后測(cè)定土壤樣本有機(jī)質(zhì)含量；考慮到操作的安全性和便捷性，采用XRF(X Ray Fluorescence)儀器[16-18]，通過(guò)X射線(xiàn)熒光的能量特性，測(cè)定土壤樣本的重金屬含量。

圖2 高光譜匹配濾波曲線(xiàn)

Fig.2 The continuum removal curve of hyperspectral data

2 土壤重金屬含量間接反演模型建立

2.1 基于偏最小二乘法的土壤有機(jī)質(zhì)高光譜反演

為建立土壤樣本高光譜數(shù)據(jù)與有機(jī)質(zhì)含量之間的反演模型，本文嘗試了多種數(shù)據(jù)回歸方程，并進(jìn)行了對(duì)比分析。將土壤光譜特征波段和有機(jī)質(zhì)含量的相關(guān)數(shù)據(jù)分別帶入表1所示的回歸模型。計(jì)算結(jié)果顯示，其效果都不甚理想，最高的三次函數(shù)模型相關(guān)性系數(shù)僅達(dá)到0.51。

表1 傳統(tǒng)的土壤有機(jī)質(zhì)高光譜反演模型對(duì)比分析

Table 1 Comparative analysis of soil organic matter content based on the traditional hyperspectral inversion models

因而，進(jìn)一步引入偏最小二乘模型(Partial Least Squares，PLS)進(jìn)行測(cè)試。作為一種數(shù)學(xué)優(yōu)化技術(shù)，它在普通回歸方程難以解決的問(wèn)題上表現(xiàn)優(yōu)異，因此有“第二代回歸分析方法”之稱(chēng)[16-19]。由于SIMCA-P軟件中已經(jīng)實(shí)現(xiàn)了這種算法，因而直接將相關(guān)數(shù)據(jù)代入其中，對(duì)土壤樣本的有機(jī)質(zhì)含量進(jìn)行高光譜反演。圖3a是偏最小二乘模型的回歸系數(shù)圖，直觀上顯示其收斂性比較理想。圖3b實(shí)線(xiàn)部分是模型的回歸結(jié)果，它與土樣實(shí)測(cè)值之間的相關(guān)性為R2=0.9842，均方根誤差達(dá)到0.9511，表現(xiàn)優(yōu)異。為進(jìn)一步驗(yàn)證該模型的精度，隨機(jī)選擇了10個(gè)土樣進(jìn)行測(cè)試，如圖3b虛線(xiàn)部分所示，檢驗(yàn)精度為61.84%，基本合格；但是檢驗(yàn)樣本偏度和均方根誤差達(dá)11.23和4.56，發(fā)現(xiàn)是隨機(jī)選擇的個(gè)別檢驗(yàn)樣本和樣本整體趨勢(shì)之間有較大差異，導(dǎo)致偏移。但整個(gè)模型的精度和效果比傳統(tǒng)經(jīng)典模型有了質(zhì)的提高，結(jié)果令人滿(mǎn)意。因此，最終選定偏最小二乘回歸法作為有機(jī)質(zhì)含量的高光譜反演模型。

圖3 基于偏最小二乘法的高光譜反演有機(jī)質(zhì)含量模型

Fig.3 Analysis of the PLS based hyperspectral inversion model

2.2 土壤重金屬含量量化分析模型建立與評(píng)價(jià)

根據(jù)前文對(duì)實(shí)驗(yàn)區(qū)土壤理化性質(zhì)的分析，認(rèn)為土壤重金屬含量與有機(jī)質(zhì)含量之間存在正相關(guān)關(guān)系。為此，引入人工神經(jīng)網(wǎng)絡(luò)算法進(jìn)行回歸分析。本文借鑒相關(guān)研究成果，基于Matlab平臺(tái)實(shí)現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)回歸模型。首先對(duì)71個(gè)土壤樣本進(jìn)行隨機(jī)分類(lèi)，其中訓(xùn)練樣本占70%(49個(gè))，驗(yàn)證樣本占15%(11個(gè))，測(cè)試樣本占15%(11個(gè))；分別對(duì)Cu、Zn、Pb 3種重金屬含量進(jìn)行神經(jīng)網(wǎng)絡(luò)回歸計(jì)算，其回歸模型的擬合結(jié)果分析如下：

Cu元素回歸模型的整體擬合效果比較理想。如圖4a所示，縱坐標(biāo)表示重金屬含量，橫坐標(biāo)代表有機(jī)質(zhì)含量，黑色曲線(xiàn)為擬合曲線(xiàn)，圓點(diǎn)代表樣本標(biāo)準(zhǔn)值。圖中除個(gè)別樣點(diǎn)的誤差系數(shù)較大外，其他樣點(diǎn)基本平均分布在曲線(xiàn)兩側(cè)，總體相關(guān)性R達(dá)0.7763；觀察模型預(yù)測(cè)值與實(shí)際值間的偏離情況(圖4b)，發(fā)現(xiàn)大部分樣本的擬合情況令人滿(mǎn)意。Zn量化模型的整體擬合效果最佳。如圖5a所示，樣點(diǎn)基本平均分布在曲線(xiàn)兩側(cè)，總體相關(guān)性R達(dá)0.9370,大部分預(yù)測(cè)值與實(shí)際值的擬合情況非常好(圖5b)。Pb量化模型的整體擬合效果不理想。如圖6a所示，只有少數(shù)樣點(diǎn)平均分布在曲線(xiàn)兩側(cè)，總體相關(guān)性?xún)H0.4317；同時(shí)，Pb樣本的預(yù)測(cè)值偏差較大(圖6b)。分析其原因，一方面是間接量化模型所造成的誤差累積；另一方面是由于該金屬的復(fù)雜相關(guān)性造成了預(yù)測(cè)值的不準(zhǔn)確。土壤中Pb屬于極穩(wěn)定的重金屬，隨時(shí)間的推移逐漸沉積在土壤中，一般元素或其他條件很難對(duì)其沉積起到作用，因此很難通過(guò)外部的單一條件(如有機(jī)質(zhì)含量等)對(duì)其進(jìn)行準(zhǔn)確的量化分析。

圖4 Cu含量量化模型效果分析

Fig.4 Analysis of the Cu contents quantitative model

圖5 Zn含量量化模型效果分析

Fig.5 Analysis of the Zn contents quantitative model

圖6 Pb含量量化模型效果分析

Fig.6 Analysis of the Pb contents quantitative model

此外，圖4b、圖5b、圖6b圈線(xiàn)內(nèi)標(biāo)注的樣點(diǎn)誤差都比較突出，對(duì)比《土壤環(huán)境質(zhì)量標(biāo)準(zhǔn)》的數(shù)值[8]發(fā)現(xiàn)，這些樣本的重金屬實(shí)測(cè)值屬于極小(即含量小于一級(jí)土壤臨界值)或極大(即含量大于三級(jí)土壤臨界值)范圍。究其原因，在重金屬含量實(shí)測(cè)值極小的區(qū)域，表明土樣未受污染，它與有機(jī)質(zhì)含量之間的相關(guān)性并不顯著，本文的量化模型會(huì)高估其含量；而在受重度污染的地區(qū)，重金屬元素除與土壤有機(jī)質(zhì)結(jié)合以外，還會(huì)以鐵、錳等化合物以及游離態(tài)等其他形式存在，本文的量化模型忽視了其他元素的影響，造成了重金屬含量的低估。由此可見(jiàn)，上述土壤重金屬含量間接量化模型是可以投入到實(shí)際的環(huán)境污染監(jiān)測(cè)中的，但具有地域適宜性，即適宜在土壤受到典型重金屬污染(即土壤環(huán)境質(zhì)量執(zhí)行三級(jí)標(biāo)準(zhǔn))的地區(qū)使用。

3 研究區(qū)土壤重金屬空間分布特征分析

3.1 研究區(qū)土壤重金屬含量空間分布

分別對(duì)樂(lè)安河、大塢河、洎水流域的土壤重金屬含量進(jìn)行統(tǒng)計(jì)，結(jié)果如下：銅含量均值分別為0.284 mg/g、0.788 mg/g、0.226 mg/g，為國(guó)家標(biāo)準(zhǔn)的5～20倍，各流域的銅污染都比較嚴(yán)重，以大塢河尤為突出；鋅含量均值分別為0.256 mg/g、0.115 mg/g、0.218 mg/g，位于1級(jí)和2級(jí)土壤標(biāo)準(zhǔn)之間，鋅含量正常；鉛含量均值分別為0.082 mg/g、0.066 mg/g、0.18 mg/g，主要是洎水河流域存在較嚴(yán)重的鉛污染。

根據(jù)上述統(tǒng)計(jì)結(jié)果，對(duì)受典型重金屬污染的區(qū)域進(jìn)行具體分析：在大塢河流域，如圖7a所示，上游樣點(diǎn)010、011和012未流經(jīng)采礦區(qū)，Cu含量明顯很低；自樣點(diǎn)013開(kāi)始(包括樣點(diǎn)013、014、033和034)，Cu含量大幅度提高，在樣點(diǎn)034處達(dá)到峰值3.425 mg/g，經(jīng)觀察，它們均屬于大塢河流經(jīng)德興銅礦后受到典型污染的樣點(diǎn)；在下游地區(qū)，由于河水自?xún)艉偷V區(qū)一些污染處理措施后，污染情況得到一定改善。在洎水河流域，Pb含量分布呈兩級(jí)模式(圖7b)，上游和中游Pb含量整體比較穩(wěn)定，保持在0.10 mg/g左右；而下游地區(qū)，樣點(diǎn)046、047、048和050的Pb含量出現(xiàn)大幅提高，并在樣點(diǎn)047處達(dá)到峰值(0.672 mg/g)。此處正是中下游大量采礦點(diǎn)的排水區(qū)，造成洎水河下游Pb含量激增。

注：Cu、Pb含量單位為mg/kg。

圖7 典型采樣點(diǎn)的Cu、Pb含量

Fig.7 The Cu，Pb content of the typical sampling sites

針對(duì)污染最為典型的流域(即樂(lè)安河中游、大塢河、洎水河)的重金屬空間分布情況做進(jìn)一步分析?；贏rcGIS平臺(tái)，對(duì)采樣數(shù)據(jù)進(jìn)行空間二次插值(圖8,見(jiàn)封2)，可分別得到該區(qū)域連續(xù)的Cu、Pb元素的空間分布圖。圖8中，紅色代表污染等級(jí)最高，藍(lán)色為最低?？梢钥闯觯谑艿湫椭亟饘傥廴镜牧饔蛑校捍髩]河流經(jīng)整個(gè)采礦區(qū)，是土壤重金屬主要污染支流，受到了極為嚴(yán)重的銅污染；洎水河源于德興銅礦東南部山區(qū)，流經(jīng)德興銅礦的尾礦區(qū)，其下游受到了比較嚴(yán)重的銅、鉛污染。樂(lè)安河中游接收大塢河、洎水河支流的水流匯入，顯示出一定程度的銅、鉛污染，其下游流域至鄱陽(yáng)湖口地區(qū)，重金屬含量較低，但存在潛在威脅。

3.2 土壤重金屬污染與CERP項(xiàng)目對(duì)比分析

本研究與1996年的CERP項(xiàng)目相比共有8個(gè)完全相同的采樣點(diǎn)，分別位于樂(lè)安河上游(A01和A03)、大塢河(A04和A05)、洎水河(J10)、樂(lè)安河中游(A07和A08)、樂(lè)安河下游(A13)。將兩組重金屬含量數(shù)據(jù)做對(duì)比分析，黑線(xiàn)為CERP項(xiàng)目數(shù)據(jù)，灰線(xiàn)為本次研究數(shù)據(jù)(圖9)。

圖9 CERP項(xiàng)目和本研究的土壤Cu、Zn、Pb含量對(duì)比

Fig.9 Comparison of the Cu,Zn,Pb contents in soil between the CERP project and this project

通過(guò)比較發(fā)現(xiàn)：1)兩次調(diào)查的重金屬含量折線(xiàn)圖具有類(lèi)似的形態(tài)，除了CERP項(xiàng)目的Zn含量數(shù)據(jù)出現(xiàn)一個(gè)激變峰值，其他樣點(diǎn)的走勢(shì)圖(尤其是Cu和Pb)呈現(xiàn)出相似的空間分布特征。2)Cu、Pb含量的峰值區(qū)均位于德興銅礦以及小型礦山密集區(qū)域附近。在樂(lè)安河上游?？谔?，本研究的Cu含量明顯高于CERP項(xiàng)目，原因是1996年此處位于德興銅礦上游，未受到銅礦污染，如今隨著銅礦規(guī)模不斷擴(kuò)大，新開(kāi)的礦山已經(jīng)往上游延伸。3)總體而言，Cu和Zn含量都較1996年發(fā)布的結(jié)果有所降低，但Pb含量整體提高，因此不能簡(jiǎn)單地說(shuō)明研究區(qū)重金屬污染情況是否有所緩解。進(jìn)一步分析發(fā)現(xiàn)，土壤中的重金屬含量受土壤類(lèi)型、水文、地貌、河流中懸浮物等因素影響，且重金屬含量測(cè)定方法也存在差異，因而本文盡量選擇相對(duì)穩(wěn)定的元素來(lái)做比較，顯然Pb含量更具有代表性，顯示隨著采礦點(diǎn)規(guī)模的擴(kuò)大，研究區(qū)的重金屬污染仍然很?chē)?yán)重，甚至有加深的趨勢(shì)。

4 結(jié)論

本研究采用高光譜遙感間接反演的方式測(cè)定了土壤中的重金屬含量(Cu、Zn、Pb)，是對(duì)土壤理化特性的深入應(yīng)用，與傳統(tǒng)的純化學(xué)測(cè)定法相比，在精度類(lèi)似的同時(shí)極大提高了工作效率。作為一種更加自動(dòng)化、智能化的低成本數(shù)據(jù)處理方法，可以滿(mǎn)足大范圍的流域土壤重金屬含量監(jiān)測(cè)，從而有望在類(lèi)似泛濫平原區(qū)域替代傳統(tǒng)的化學(xué)分析法。此外，將流域土壤的重金屬分布特征及變化趨勢(shì)映射在GIS空間分布圖中，集成了遙感影像和GIS地形數(shù)據(jù)，可以擴(kuò)大數(shù)據(jù)的應(yīng)用尺度，快速獲取決策信息。本研究結(jié)果顯示流域土壤中存在不同程度的重金屬污染，且與沿岸銅礦和鉛鋅礦區(qū)的開(kāi)采、冶煉、排污活動(dòng)密切關(guān)聯(lián)，呈現(xiàn)出自采礦點(diǎn)污染源向下游漫延且逐年加劇的趨勢(shì)。該結(jié)論為進(jìn)一步評(píng)估與治理流域土壤及下游鄱陽(yáng)湖的生態(tài)環(huán)境提供直觀的數(shù)據(jù)支持。

未來(lái)研究中將嘗試?yán)脵C(jī)載或星載的高光譜遙感數(shù)據(jù)代替地面分光計(jì)所獲取的遙感數(shù)據(jù)進(jìn)行反演模型的構(gòu)建，以期進(jìn)一步降低估算成本、提升計(jì)算效率并擴(kuò)大研究區(qū)域范圍。

[1] LOZET J,MATHIEU C.Dictionary of Soil Science[M].Rotterdam,Balkema,1991.348-352.

[2] KEMPER T,SOMMER S.Estimate of heavy metal contamination in soils after a mining[J].Accident Using Reflectance Spectroscopy,2002,36:2742-2747.

[3] PHOEBE L,HAUFF D C,PETERS,et al.Hyperspectral Investigations of Mine Waste and Abandoned Mine Lands[R].The Dragon Calibration Site Case Study,2002.64-72.

[4] SHRESTHA D P,MARGATE D E,MEER F V D,et al.Analysis and classification of hyperspectral data for mapping land degradation:An application in southern Spain[J].International Journal of Applied Earth Observation and Geoinformation,2005,7:85-96.

[5] EVANGELOU M W H.Chelate assisted phytoextraction of heavy metals from soil,mechanism,toxicity,and fate of chelating agents[J].Chemosphere,2007,68(6):989-1003.

[6] KOOISTRA L,WEHRENS R,LEUVEN R S E W,et al.Possibilities of visible-near-infrared spectroscopy for the assessment of soil contamination in river floodplains[J].Analytica Chimica Acta,2001,446(1):97-105.

[7] 劉偉東,項(xiàng)月琴,鄭蘭芬,等.高光譜數(shù)據(jù)與水稻葉面積指數(shù)及葉綠素密度的相關(guān)分析[J].遙感學(xué)報(bào),2004(4):279-253.

[8] 中華人民共和國(guó)國(guó)家標(biāo)準(zhǔn)土壤環(huán)境質(zhì)量標(biāo)準(zhǔn)(GB 15618-1995)[S].中國(guó)國(guó)家環(huán)境保護(hù)局,1995.

[9] BENDOR E,BANIN A.Visible and near infrared (0.4-1.1 mm) analysis of arid and semi arid soils[J].Remote Sensing of Environment,1994,48:261-274.

[10] ISLAM K,SINGH B,MCBRATNEY A B.Simultaneous estimation of several soil properties by ultra-violet,visible and near infrared reflectance spectroscopy[J].Australian Journal of Soil Research,2003,41:1-14.

[11] GROSSL P R,SPARKS D L.Evaluation of contaminant ion adsorption/desorption on goethite using pressure-jump relaxation kinetics[J].Geoderma,1995,67:87-101.

[12] NAIDU R,SUMNER M E,HARTER R.Sorption of heavy metals in strongly weathered soils:An overview[J].Environmental Geochemistry and Health,1998,20:5-9.

[13] UNESCO.Ecological Impacts of Heavy Metal Pollution from Dexing Copper Mine on Poyang Lake,China[R].1996.

[14] CHEN Q S,ZHANG H D,WANG X Y.Feasibility study on qualitative and quantitative analysis in tea by near infrared spectroscopy with multivariate calibration[J].Analytica Chimica Acta,2006,572:77-84.

[15] 李小斌,陳楚群，施平，等.珠江口海域總無(wú)機(jī)氮的遙感提取研究[J].環(huán)境科學(xué)學(xué)報(bào),2007,27(2):313-318.

[16] CHO M A,SKIDMORE A.Estimation of green grass/herb biomass from airborne hyperspectral imagery using spectral indices and partial least squares regression[J].International Journal of Applied Earth Observation and Geoinformation,2007,9(4):414-424.

[17] FABER N M,RAJK R.How to avoid over-fitting in multivariate calibration——The conventional validation approach and an alternative[J].Analytica Chimica Acta,2007,595(1):98-106.

[18] FELIZARDO P,BAPTISTA P.Multivariate near infrared spectroscopy models for predicting methanol and water content in biodiesel[J].Analytica Chimica Acta,2007,595(1):107-113.

[19] YING Y B.Nondestructive measurement of internal quality in pear using genetic algorithms and FT-NIR spectroscopy[J].Journal of Food Engineering,2008,84:206-213.

Research on Indirect Hyperspectral Estimating Model and the Spatial Distribution Characteristics of Heavy Metal Contents in Basin Soil of Lean River

LAN Ze-ying1,LIU Yang2

(1.ManagementCollege,GuangdongUniversityofTechnology,Guangzhou510060; 2.GuangzhouUrbanPlanning&DesignSurveyResearchInstitute,Guangzhou510060,China)

At present,supervision on the heavy metal contents in soil attracts increasing attention in the field of geography.This paper selects Lean River and its tributary basin in Jiangxi Province as the study area,discusses an inversion analysis method for the heavy metals (Cu,Zn,Pb) content in soil by using the hyperspectral data.According to the physical and chemical properties of the basin soil,the PLS model is used for organic matter content inversion based on the hyperspectral data;and then,the artificial neural network model has been used to set up the correlation between the organic matter content and the heavy metal content.Finally,the spatial distribution characteristics of the heavy metals content in soil are summarized by using correlation analysis and comparative analysis methods.The experimental results provide a powerful reference for the ecological environment monitoring of the basin soil,and strongly show that this method is satisfactory,and is also suitable for promotion in similar flood plain regions.

heavy metals content in basin soil;retrieval with hyperspectral data;partial least squares regression (PLS);artificial neural network

2014-07-09；

2015-01-07

國(guó)家自然科學(xué)基金項(xiàng)目(41301377)

蘭澤英(1983-)，女，博士，主要從事遙感土地監(jiān)測(cè)技術(shù)及應(yīng)用研究。E-mail:lzy-lzy@163.com

10.3969/j.issn.1672-0504.2015.03.006

P237

A

1672-0504(2015)03-0026-06