基于高光譜遙感的鎘污染潛在風(fēng)險估算

王丹羽,王 汶*,趙彥云

基于高光譜遙感的鎘污染潛在風(fēng)險估算

王丹羽1,王 汶1*,趙彥云2

(1.中國人民大學(xué)環(huán)境學(xué)院,地理空間信息研究中心,北京 100872；2.中國人民大學(xué)統(tǒng)計學(xué)院,北京 100872)

為探究高光譜遙感快速監(jiān)測鎘污染的可行性,本文利用2002年以來農(nóng)田土壤重金屬鎘實測數(shù)據(jù),鎘的標(biāo)準原子光譜曲線數(shù)據(jù),HSI(Hyperspectral Imaging Radiometer)高光譜遙感衛(wèi)星數(shù)據(jù),選取長江流域10個地區(qū)作為研究區(qū),基于隨機森林法估算鎘污染的潛在風(fēng)險空間分布值.結(jié)果表明:通過原子標(biāo)準光譜曲線選擇特征波段是可行的,能夠極大簡化特征波段選取流程;隨機森林法具有估算土壤重金屬鎘含量的能力,預(yù)測準確度較高;長江流域鎘污染超標(biāo)問題普遍存在,大部分研究區(qū)超標(biāo)率高于8%,其中上游地區(qū)鎘污染較中下游地區(qū)更為嚴重,上游研究區(qū)鎘污染超標(biāo)率均大于20%.

高光譜遙感；重金屬鎘；隨機森林；HSI

重金屬對土壤的侵襲并在土壤中不斷累積是自然環(huán)境中十分普遍的現(xiàn)象,包括鎘在內(nèi)的土壤重金屬引發(fā)的土壤污染問題給糧食安全帶來了威脅與挑戰(zhàn).因此,治理重金屬污染迫在眉睫.建立一個快速、宏觀和動態(tài)的監(jiān)測和評估系統(tǒng),對農(nóng)業(yè)生態(tài)系統(tǒng)中與重金屬污染有關(guān)的風(fēng)險水平進行監(jiān)測意義重大.

傳統(tǒng)的土壤重金屬檢測主要采用野外采樣－實驗室理化分析的方法[3-5],這種方法具有精度高、預(yù)測結(jié)果更準確的特點,但需要消耗大量的人力、物力、財力和時間,不適合監(jiān)測大空間范圍內(nèi)污染物含量分布的連續(xù)信息,對生態(tài)環(huán)境信息的綜合分析能力較弱,難以發(fā)展成效率高、用途廣、速度快的生態(tài)環(huán)境污染監(jiān)測技術(shù)[6-7].近年來,高光譜遙感已被廣泛應(yīng)用于許多領(lǐng)域,包括環(huán)境、植被、土壤和水體等[8-9],其動態(tài)性和高效率的優(yōu)勢為快速獲取地球表面物質(zhì)的物理和化學(xué)信息帶來了新的思路.研究人員已經(jīng)建立了表面反射率和土壤參數(shù)之間的各種估計模型,證明了高光譜對重金屬估算具有可行性.

前人在土壤重金屬反演方面做了大量的研究,主要集中在特征光譜提取方法和模型優(yōu)化方面[1,10-11],模型選取以線性回歸模型為主,利用非線性模型進行反演的研究較少;反演方法集中于光譜的數(shù)學(xué)變換,未根據(jù)物質(zhì)本身的特征光譜曲線進行估算;高光譜數(shù)據(jù)來源主要為覆蓋范圍較小、耗費較高且大部分研究者難以獲取的地面光譜數(shù)據(jù)或機載光譜數(shù)據(jù),未利用覆蓋范圍廣、更容易獲取的高光譜遙感衛(wèi)星數(shù)據(jù)進行土壤表層反演估算.本研究針對鎘的特征光譜曲線,以長江流域10個典型區(qū)為例,通過研究區(qū)鎘含量傳統(tǒng)檢測值數(shù)據(jù);利用HJ-1A星空間調(diào)制型干涉高光譜成像儀 (HSI)高光譜遙感數(shù)據(jù)進行土壤表層鎘含量反演;采用隨機森林的方法建立研究區(qū)鎘含量估算模型,實現(xiàn)研究區(qū)重金屬鎘污染分級特征表達.

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

長江流域(90°E～122°E,24°N～35°N)橫跨中國東部、中部和西部3大經(jīng)濟區(qū),共計19個省、市、自治區(qū),總面積180萬km2,流域內(nèi)有豐富的自然資源.研究區(qū)鎘污染形勢嚴峻[12],一方面,人口眾多,人類活動復(fù)雜,對環(huán)境影響大;另一方面,長江流域是重要的糧食產(chǎn)區(qū),土壤鎘污染給糧食安全帶來的影響巨大.本文根據(jù)數(shù)據(jù)可得性、可用性和差異性,選取長江流域10個典型區(qū)域作為研究區(qū).表1展示了研究區(qū)的地理位置、氣候類型、土地利用方式以及經(jīng)濟水平等信息.

表1 研究區(qū)概況

1.2 數(shù)據(jù)來源及預(yù)處理

土壤污染常常表現(xiàn)為面源污染,具有治理難度大、污染物分布潛伏期長的特點[13],因此在5a、10a甚至更久的時間,土壤重金屬鎘污染數(shù)值等級及空間分布不會有太大的差異;同時,土壤污染測定難度也更大,數(shù)據(jù)更新速度較慢,因此為了滿足大區(qū)域尺度的研究,實測數(shù)據(jù)選擇使用了2002～2015年的數(shù)據(jù),衛(wèi)星遙感數(shù)據(jù)為2008年以來的數(shù)據(jù).

研究區(qū)土壤表層土壤重金屬鎘含量統(tǒng)計數(shù)據(jù)通過Duan等[14]公開發(fā)表的論文數(shù)據(jù)集和國家生態(tài)科學(xué)數(shù)據(jù)中心資源共享服務(wù)平臺[15]獲得,“某市(縣)重金屬”關(guān)鍵詞搜索,同一地區(qū)以最新年尾為準.研究共挑選了850篇公開發(fā)表的論文,測量了2358個樣本,其中150個在研究區(qū)內(nèi).研究利用ArcGIS軟件對上述資料進行了統(tǒng)計分析與制圖處理.本文采用隨機采樣法,在所有樣品經(jīng)過風(fēng)干、粉碎、篩分和溶解之后,用土壤表層(0～10cm或0～20cm)的原子吸收分光光度法測定單個樣品中重金屬鎘的濃度,土壤樣品分析測試的平均偏差低于10%.為保證分析結(jié)果的可靠性,在展開各項分析前需對重金屬樣本數(shù)據(jù)進行檢驗處理以剔除異常樣本.這些異常樣本通常位于礦區(qū)和工業(yè)區(qū),樣本點的土壤金屬含量可能存在異常值,給模型擬合帶來偏差,因此予以剔除.研究通過數(shù)據(jù)分布直方圖剔除異常值,剩余2286個數(shù)據(jù).

本文使用的HJ-1A星HSI數(shù)據(jù)采用干涉成像光譜技術(shù),其光譜分辨率最高達2.08nm,波長范圍為450～950nm,共115個波段.HJ-1A星HSI數(shù)據(jù)具有較高的光譜分辨率,可在對地觀測的同時獲取眾多連續(xù)波段的地物光譜圖像,達到從空間直接識別地球表面物體的目的[16].HSI-L2產(chǎn)品經(jīng)過輻射校正和系統(tǒng)幾何糾正.幾何定位精度在1km左右,誤差分布較均勻.HSI數(shù)據(jù)預(yù)處理流程如圖1.

圖1 高光譜遙感數(shù)據(jù)預(yù)處理流程

HSI-L2級產(chǎn)品數(shù)據(jù)集為輻射亮度產(chǎn)品,以無符號整型數(shù)據(jù)記錄,數(shù)值范圍為0～65535.實際上,由于地物的輻射亮度值很小,在產(chǎn)品產(chǎn)生時乘以擴大系數(shù)100,因此在應(yīng)用時,只需要將各波段數(shù)值除以系數(shù)100,即可得到單位W/(m2×sr×mm)的絕對輻射亮度值圖像.

HSI-L2數(shù)據(jù)都采用HDF5格式,無法直接通過遙感圖像軟件進行處理,因此需要通過中國資源衛(wèi)星中心提供的軟件將其轉(zhuǎn)換為GeoTIFF格式.

在HSI-L2數(shù)據(jù)的部分波段上能看到明顯的條紋,嚴重影響了圖像的質(zhì)量和應(yīng)用.研究通過Matlab對影像進行條帶去除,并通過ENVI進行了FLAASH大氣校正.

此外,考慮到研究區(qū)內(nèi)秋冬季節(jié)植被覆蓋少從而更容易獲取土壤表面的影像數(shù)據(jù),本研究選擇2008年以來秋冬季(10月～次年3月)且云量少于5%的影像共410幅進行實驗.

1.3 研究方法

1.3.1 建模因子選取 鎘的光譜曲線從ASD標(biāo)準光譜庫中獲得.反射強度大于1000的波段為441.30～ 466.24,533.75～538.19,643.85,734.57nm.研究認為,在光譜進行微分變換前,在可見光波段的土壤鎘含量探測能力要強于近紅外波段[17-18],因此可將標(biāo)準光譜反射強度大的波段作為重金屬鎘的特征波段.對應(yīng)HSI-L2數(shù)據(jù)的6個特征波段為B31、B32、B33、B64、B83、B84.

土壤鎘含量與特征波段反射率為非線性關(guān)系,且這6個波段與實測鎘含量的相關(guān)系數(shù)較高,因此在建模中排除了線性模型的使用.由于數(shù)據(jù)集體量較小,使用深度神經(jīng)網(wǎng)絡(luò)進行建模極易出現(xiàn)過擬合的現(xiàn)象[19].隨機森林算法本質(zhì)上是一種適用于小規(guī)模數(shù)據(jù)的機器學(xué)習(xí)算法,它通過構(gòu)建決策樹來進行數(shù)據(jù)分類.隨機森林算法具有對參數(shù)不敏感、不容易過擬合和訓(xùn)練速度快等優(yōu)點,在使用條件上與本實驗的條件和需求相符,因此研究采用隨機森林算法對土壤表層鎘含量進行估算建模.

1.3.2 隨機森林回歸模型 隨機森林(RF)是一種基于決策樹的集成學(xué)習(xí)算法,其通過Bootstrap取樣法從個訓(xùn)練樣本中有放回地隨機選取個樣本得到個子集,并對每個子集單獨訓(xùn)練一棵決策樹,將棵決策樹預(yù)測結(jié)果的平均值作為回歸隨機森林的輸出.

本文以分類回歸樹(CART)為基本單元建立隨機森林回歸模型.CART算法生成回歸樹的步驟如下:

(1)對于由訓(xùn)練數(shù)據(jù)集所構(gòu)成的輸入空間,通過遍歷特征及其對應(yīng)的取值,利用平方誤差最小準則選擇最優(yōu)的和,優(yōu)化目標(biāo)為

(2)用選定的最優(yōu)和,將輸入空間劃分為1和2兩個子空間,并決定相應(yīng)的輸出均值1和2.

(3)對1和2兩個子空間繼續(xù)執(zhí)行步驟(1)～(2),直至沒有特征可以繼續(xù)劃分.此時,所有節(jié)點即可構(gòu)成回歸樹.

在隨機森林算法的建模過程中,利用土壤表層實測鎘含量數(shù)據(jù)作為數(shù)據(jù)集,按照7:3的比例劃分為訓(xùn)練集和驗證集進行模型訓(xùn)練.所建模型以6個特征波段的反射率對數(shù)為自變量,以該點的實際土壤表層鎘含量為因變量進行隨機森林模型的訓(xùn)練.

2 結(jié)果與討論

2.1 模型精度分析

研究使用sklearn庫的隨機森林模型進行訓(xùn)練和預(yù)測,使用pandas和numpy庫進行數(shù)學(xué)分析和評價指標(biāo)的計算,并利用matplotlib進行圖像的繪制.隨機森林回歸模型以重金屬鎘元素的特征波段作為輸入變量,以其真實的含量值作為輸出.在建立模型的過程中需要確定兩個關(guān)鍵參數(shù):決策樹數(shù)量和決策樹特征數(shù)量,實驗中通過網(wǎng)格搜索和交叉驗證確定上述參數(shù)的取值.將平均絕對百分誤差(MAPE)和相對分析誤差(RPD)作為判斷依據(jù),若使模型輸出的MAPE均值最小,RPD均值最大,則為最佳參數(shù).按照上述方法確定隨機森林回歸模型的決策數(shù)量為10,決策樹特征數(shù)量為6.建模結(jié)果如圖2所示:

圖2 隨機森林模型反演重金屬鎘的實測與預(yù)測曲線

由圖2可見,預(yù)測數(shù)據(jù)集曲線與實測數(shù)據(jù)集曲線走向基本保持一致,預(yù)測結(jié)果較好.在模型訓(xùn)練收斂后,采用均方誤差(MSE)、均方根誤差(RMSE)、平均絕對誤差(MAE)、平均絕對百分比誤差(MAPE)對模型的結(jié)果進行精度評價分析.精度驗證結(jié)果見表2.

表2 隨機森林反演重金屬鎘精度驗證

為進一步驗證模型的可靠性,并觀察模型對不同研究區(qū)的驗證結(jié)果,選用皮爾森相關(guān)系數(shù)對研究結(jié)果進行二次驗證.皮爾森相關(guān)系數(shù)適用于:(1)變量之間是線性關(guān)系,都是連續(xù)數(shù)據(jù);(2)變量的總體是正態(tài)分布,或接近正態(tài)分布的單峰分布;(3)變量的觀測值是成對的,每對觀測值之間相互獨立.

研究數(shù)據(jù)符合皮爾森相關(guān)系數(shù)的3個特點.將研究區(qū)同一位置的實測采樣點與估算結(jié)果進行皮爾森相關(guān)性分析,從而二次驗證隨機森林模型估算的效果,結(jié)果如表3所示.

表3 研究區(qū)模型進度二次驗證

注:結(jié)果為正數(shù)即為正相關(guān),負數(shù)則為負相關(guān).結(jié)果的絕對值分級如下:0.8～1.0極強相關(guān),0.6～0.8強相關(guān),0.4～0.6中等程度相關(guān),0.2～0.4弱相關(guān),0～0.2無相關(guān).

由表3可知,除涼山彝族自治州外的其余10個研究區(qū)實測采樣點與對應(yīng)的估算結(jié)果相關(guān)系數(shù)均大于0.6,說明這些點的模型擬合效果較好,最終反演得到的估算結(jié)果具有說服力,只有涼山彝族自治州在模擬運算中不具備良好的相關(guān)性結(jié)果,因此隨機森林算法模型對涼山地區(qū)的估算效果較差.

2.2 重金屬鎘風(fēng)險等級劃分

由于高光譜衛(wèi)星遙感距離地球表面遠,是一種不與土壤接觸,只通過地表反射率進行定量分析的方法,因此地表反射光譜經(jīng)過大氣層時會對光線造成一定的改變,最終導(dǎo)致高光譜衛(wèi)星遙感定量分析土壤重金屬鎘含量過程中精確度的損失.為了使本研究的評價結(jié)果更具可信度,研究根據(jù)《土壤環(huán)境質(zhì)量農(nóng)用地土壤污染風(fēng)險管控標(biāo)準(試行)》[20]中對重金屬污染物鎘的風(fēng)險等級進行篩選評價,對研究區(qū)的鎘污染潛在風(fēng)險進行定性分析.

由表4可知,重金屬污染物鎘在水田和其他土地利用類型中的標(biāo)準不同,同時,在不同pH值下的評價標(biāo)準也不同,因此在對重金屬污染物鎘進行風(fēng)險等級評價時,除了模型預(yù)測結(jié)果重金屬鎘含量數(shù)據(jù)外,還需要結(jié)合土地利用類型數(shù)據(jù)和土壤表層pH值數(shù)據(jù).將重金屬污染物鎘的風(fēng)險等級劃分為低風(fēng)險、高風(fēng)險、超標(biāo)共3個等級,不同風(fēng)險等級的篩選值不同,應(yīng)對方法和處理措施也不同,具體如下:

表4 土壤環(huán)境質(zhì)量農(nóng)用地重金屬鎘污染風(fēng)險管控標(biāo)準

(1)低風(fēng)險:當(dāng)土壤表層中重金屬鎘含量￡低風(fēng)險值時,表示農(nóng)用地土壤表層重金屬鎘污染風(fēng)險低,一般情況下可以忽略;>低風(fēng)險值時,農(nóng)用地表層土壤可能存在重金屬鎘污染風(fēng)險,應(yīng)加強對土壤表層環(huán)境重金屬鎘污染和農(nóng)產(chǎn)品質(zhì)量協(xié)同監(jiān)測.

(2)高風(fēng)險:當(dāng)土壤表層中的重金屬鎘含量>低風(fēng)險值、￡高風(fēng)險值時,存在食用農(nóng)產(chǎn)品質(zhì)量不符合質(zhì)量安全標(biāo)準等土壤表層重金屬鎘污染風(fēng)險,應(yīng)當(dāng)采取農(nóng)藝調(diào)控、替代種植等安全利用土壤的措施.

(3)超標(biāo):當(dāng)土壤表層中的重金屬鎘含量>高風(fēng)險值時,食用農(nóng)產(chǎn)品不符合質(zhì)量安全標(biāo)準等農(nóng)用地土壤表層重金屬鎘污染風(fēng)險高,且無法通過安全利用的措施降低食用農(nóng)產(chǎn)品不符合質(zhì)量安全標(biāo)準等農(nóng)用地土壤表層重金屬鎘污染風(fēng)險,應(yīng)當(dāng)采取禁止種植食用農(nóng)產(chǎn)品、退耕還林等嚴格的土壤管控措施.地表重金屬鎘的風(fēng)險等級劃分結(jié)果如圖3所示.

本研究中攀枝花、涼山彝族自治州、畢節(jié)市屬于長江上游流域;湘西土家族苗族自治州、岳陽市、武漢市、黃石市、上饒市屬于長江中游流域;安慶市、合肥市屬于長江下游流域.研究發(fā)現(xiàn),高值區(qū)多出現(xiàn)在富含金屬礦產(chǎn)、工業(yè)發(fā)達和人口密度較大的區(qū)域,并且沉積物污染處于增加趨勢.由圖3可知,研究區(qū)大部分地區(qū)土壤表層重金屬鎘污染風(fēng)險等級為高風(fēng)險的占比最大,各個地區(qū)均存在鎘污染超標(biāo)情況,按照上下游分布來看,上游整體的污染風(fēng)險和超標(biāo)地區(qū)占比要大于下游地區(qū),這與姜宇等[21-22]的研究結(jié)果一致.

圖4 研究區(qū)土壤表層重金屬鎘污染風(fēng)險等級占比

上游:長江上游流域受人類活動影響較小,并且受國家政策的保護,其污染源主要為沉積物源區(qū)不同礦物元素的沉積分選以及巖石自然風(fēng)化等自然源[23],一些工業(yè)區(qū)主要受人為源影響.攀枝花市位于長江上游下部,礦區(qū)工業(yè)活動以及中國西南地區(qū)城市化進程的加快,都會造成重金屬累積.Wu等[24-25]發(fā)現(xiàn),上游中下部地區(qū)釩鈦磁鐵礦基地——攀枝花地區(qū)的工業(yè)活動對長江上游重金屬分布也有一定影響;涼山彝族自治州在本研究中預(yù)測結(jié)果不佳,其中涼山彝族自治州的模型擬合效果較差,這可能是由于涼山彝族自治州山體較多、山形高大、下墊面狀況復(fù)雜造成空間分辨率差的遙感影像易受干擾,另外,研究的實測采樣點集中于同一山谷分布聚集,不能很好地體現(xiàn)空間異質(zhì)性,對建模結(jié)果造成影響;畢節(jié)市的煤炭蘊藏量長江以南之冠,當(dāng)?shù)孛禾抠Y源具有分布廣、儲量大、質(zhì)量優(yōu)、易開采等優(yōu)勢,這同時可能導(dǎo)致了土壤表層重金屬鎘污染的加劇.

中游:長江中游流域的工業(yè)和經(jīng)濟迅速發(fā)展,受人類活動的影響較大,其污染源主要為人為源.長江中游武漢段的沉積物重金屬研究發(fā)現(xiàn),鎘是該段污染程度最高的重金屬元素,另外Zn、Cu也有一定程度的積累,它們表現(xiàn)出更高的生物有效性,會構(gòu)成較大的生態(tài)風(fēng)險,目前已確定城市污水和工業(yè)廢水的排放為該段的主要污染源[26].Fang等[27]對湖南湘江的沉積物重金屬研究也發(fā)現(xiàn),鎘是污染最嚴重的元素,重金屬污染主要來自于自然過程和人類活動(當(dāng)?shù)亻_采和冶煉礦石等).Luo等[28]對長江中下游平原 62個湖泊的表層沉積物進行分析,發(fā)現(xiàn)受到位于長江中游及其南岸的礦山和現(xiàn)代工業(yè)的嚴重污染,長江中游和南岸湖泊具有較高的金屬積累量;上饒市處于鄱陽湖湖積沖積平原東部,地勢平坦,土壤肥沃,河網(wǎng)交錯、水源豐富,屬農(nóng)業(yè)土壤,是發(fā)展農(nóng)業(yè)的天然場所,生產(chǎn)糧食的理想基地,全區(qū)土地總面積占全省土地總面積的13.65%,其中耕地面積占全區(qū)總土地面積的73.76%[29],因此受農(nóng)業(yè)種植影響導(dǎo)致高風(fēng)險區(qū)域占比大的可能性極高.

下游:作為中國最發(fā)達的地區(qū)之一,具有非?；钴S的陸海相互作用,其近海沉積物主要由黏性淤泥和粉砂組成[30],最容易感受到上游土壤徑流以及沿岸人為擾動的影響,其沉積物中的重金屬來源于化學(xué)風(fēng)化、大氣沉降、陸地遷移,各形態(tài)間轉(zhuǎn)化以及周圍陸地的人類活動,其中最主要來自陸地遷移及人類活動[31-32].

2.3 討論

針對研究存在的不足,可以在以下幾個方面進行提高:隨機森林建模的方法對于溫帶季風(fēng)氣候區(qū)存在估算值與實際值呈負相關(guān)的可能性,在后續(xù)的研究中,可將是否存在這種關(guān)系作為研究的重點;鎘污染模型的選擇復(fù)雜多樣,需要在條件允許的情況下多進行一些方法的對比研究,以期篩選出最優(yōu)模型,提高土壤表層鎘污染風(fēng)險等級估算的精度;在研究條件允許的情況下,在遙感數(shù)據(jù)預(yù)處理的步驟加入對高光譜遙感數(shù)據(jù)混合像元的分解,從而進一步提高模型估算的精度;影響高光譜衛(wèi)星遙感測定地表土壤中重金屬鎘分布狀況的研究的因素很多,例如大氣狀況、植被覆蓋或其他地表覆蓋物、傳感器質(zhì)量及穩(wěn)定性、其他人為因素等,期待后續(xù)研究針對這些影響因素進一步評估與分析.

3 結(jié)論

3.1 本研究以長江流域除青藏高原部分中根據(jù)自然地理條件和人口經(jīng)濟數(shù)據(jù)選取的12個地區(qū)為研究區(qū),利用2008年以來的HJ-1A星HSI傳感器高光譜遙感衛(wèi)星數(shù)據(jù)、標(biāo)準原子光譜數(shù)據(jù)、150個土壤重金屬鎘實測數(shù)據(jù)為基礎(chǔ),綜合土地利用數(shù)據(jù)、pH值數(shù)據(jù)等,選取了隨機森林法建模,利用相關(guān)性分析對模型進行二次驗證,實現(xiàn)了對地表重金屬鎘的污染風(fēng)險的評估.

3.2 直接通過鎘原子標(biāo)準光譜曲線選取反射峰(吸收峰)的波段作為對應(yīng)鎘元素在高光譜遙感中的特征波段的方法是可行的,能夠通過特征波段建立起較為準確的預(yù)測模型;隨機森林建模的方法對于大尺度區(qū)域土地表重金屬鎘污染的風(fēng)險監(jiān)測在長江流域除青藏高原外的大部分抽樣地區(qū)具有可信度,尤其是亞熱帶季風(fēng)氣候區(qū),對于溫帶季風(fēng)氣候區(qū)存在估算值與實際值呈負相關(guān)的可能性.

3.3 長江流域除青藏高原地區(qū)地表重金屬鎘污染狀況不樂觀,在隨機森林法建議的預(yù)測模型下,12個研究區(qū)大部分地區(qū)地表重金屬鎘污染風(fēng)險等級為高風(fēng)險的占比最大,各個地區(qū)均存在鎘污染超標(biāo)情況,上游整體的污染風(fēng)險和超標(biāo)地區(qū)占比要大于中游、下游地區(qū).上游地區(qū)的地表重金屬鎘污染主要由礦產(chǎn)資源相對豐富、工業(yè)活動技術(shù)落后且活躍造成;中游地區(qū)的地表重金屬鎘污染主要由于工業(yè)經(jīng)濟的迅速發(fā)展和人類活動導(dǎo)致;下游地區(qū)的地表重金屬鎘污染與農(nóng)業(yè)種植、人口密度大、人類活動歷史悠久污染程度大有關(guān).

[1] 環(huán)境保護部和國土資源部.全國土壤污染狀況調(diào)查公報 [J]. 資源與人居環(huán)境, 2014,(4):26-27.

Ministry of Environmental Protection and Ministry of Land and Resources. National soil contamination survey bulletin [J]. Resources and Habitat, 2014,(4):26-27.

[2] 胡青青,聶超甲,沈 強,等.礦業(yè)廢棄復(fù)墾地主導(dǎo)作物重金屬健康風(fēng)險評價 [J]. 農(nóng)業(yè)環(huán)境科學(xué)學(xué)報, 2019,38(3):534-543.

Hu Q Q, Nie C J, Shen Q, et al. Health risk assessment of heavy metals in dominant crops on mining abandoned reclamation sites [J]. Journal of Agro-Environment Science, 2019,38(3):534-543.

[3] 艾孜提艾力·克依木,李新國.基于連續(xù)小波變換的土壤重金屬含量反演模型 [J]. 環(huán)境科學(xué)與技術(shù), 2022,45(1):201-207.

Ai K, Li X G. Inversion model of soil heavy metal content based on continuous wavelet transform [J]. Environmental Science and Technology, 2022,45(1):201-207.

[4] 王惠敏,譚 琨,武復(fù)宇,等.基于光譜吸收特征的土壤重金屬反演及吸附機理研究(英文) [J]. 光譜學(xué)與光譜分析, 2020,40(1):316-323.

Wang H M, Tan K, Wu F Y, et al. Inversion and sorption mechanism of heavy metals in soil based on spectral absorption characteristics [J]. Spectroscopy and Spectral Analysis, 2020,40(1):316-323.

[5] 郭 飛,許 鎮(zhèn),馬宏宏,等.基于PCA的土壤Cd含量高光譜反演模型對比研究 [J]. 光譜學(xué)與光譜分析, 2021,41(5):1625-1630.

Guo F, Xu Z, Ma H H, et al. A comparative study of hyperspectral inversion models for soil Cd content based on PCA [J]. Spectroscopy and Spectral Analysis, 2021,41(5):1625-1630.

[6] 賀軍亮,韓超山,韋 銳,等.基于偏最小二乘的土壤重金屬鎘間接反演模型 [J]. 國土資源遙感, 2019,(4):96-103.

He J L, Han C S, Wei R, et al. A partial least squares based indirect inversion model for soil heavy metals Cd [J]. Remote Sensing for Land and Resources, 2019,(4):96-103.

[7] 郭學(xué)飛,曹 穎,焦?jié)櫝?等.基于高光譜的北京鐵礦區(qū)土壤重金屬鎳元素含量反演研究 [J]. 土壤通報, 2021,52(4):960-967.

Guo X F, Cao Y, Jiao R C, et al. Hyperspectral-based inversion study of heavy metal nickel content in soils of iron ore mining areas in Beijing [J]. Chinese Journal of Soil Science, 2021,52(4):960-967.

[8] 馮麗慧.礦區(qū)塌陷區(qū)遙感影像改進自適應(yīng)維納濾波算法 [J]. 金屬礦山, 2016,(7):151-154.

Feng H L. Improved adaptive wiener filtering algorithm for remote sensing images of mine subsidence area [J]. Metal Mine, 2016,(7): 151-154.

[9] 浦瑞良,宮 鵬.森林生物化學(xué)與CASI高光譜分辨率遙感數(shù)據(jù)的相關(guān)分析 [J]. 遙感學(xué)報, 1997,(2):115-123.

Pu R L, Gong P. Correlation analysis of forest biochemistry with CASI remote sensing data at high spectral resolution [J]. National Remote Sensing Bulletin, 1997,(2):115-123.

[10] Bowers S A. Reflection of radiant energy from soils [Z]. Kansas State University, 1971.

[11] 何 飛.行星空間環(huán)境光學(xué)遙感 [J]. 科學(xué)通報, 2020,65:1305-1319.

He F, Optical remote sensing of planetary space environment [J]. Chinese Science Bulletin, 2020,65:1305-1319.

[12] Yuan X, Xue N, Han Z. A meta-analysis of heavy metals pollution in farmland and urban soils in China over the past 20 years [J]. Journal of Environmental Sciences, 2021,101:217-226.

[13] 郭西亞,高 敏,張 杰,等.陽澄湖沉積物重金屬空間分布及生物毒害特征 [J]. 中國環(huán)境科學(xué), 2019,39(2):802-811.

Guo X Y, Gao M, Zhang J, et al. Spatial distribution and biotoxic characteristics of heavy metals in sediments of Yangcheng Lake [J]. Chinese Environmental Science, 2019,39(2):802-811.

[14] Duan Q, Lee J, Liu Y, et al. Distribution of heavy metal pollution in surface soil samples in China: a graphical review [J]. Bulletin of environmental contamination and toxicology, 2016,97(3):303-309.

[15] 宋 歌,施建平,侯衛(wèi)龍,等.1995～2011年CERN土壤環(huán)境元素含量數(shù)據(jù)集 [J]. 中國科學(xué)數(shù)據(jù)(中英文網(wǎng)絡(luò)版), 2017,2(1):11-26,130- 148.

Song G, Shi J P, Hou W L, et al. CERN soil environmental elemental content dataset from 1995 to 2011 [J]. China Scientific Data, 2017, 2(1):11-26,130-148.

[16] 鈕立明,蒙繼華,吳炳方,等.HJ-1A星HSI數(shù)據(jù)2級產(chǎn)品處理流程研究 [J]. 國土資源遙感, 2011,(1):77-82.

Niu L M, Meng J H, Wu B F, et al. HJ-1A star HSI data level 2 product processing flow study [J]. Remote Sensing for Land and Resources, 2011,(1):77-82.

[17] 何 挺.土地質(zhì)量高光譜遙感監(jiān)測方法研究 [D]. 武漢:武漢大學(xué), 2003.

He T. Research on hyperspectral remote sensing monitoring method for land quality [D]. Wuhan: Wuhan University, 2003.

[18] 蘭 淼,楊 斌,宋 強,等.礦區(qū)土壤重金屬Cd高光譜建模與模型適應(yīng)性分析 [J]. 安徽工程大學(xué)學(xué)報, 2021,36(5):47-55.

Lan M, Yang B, Song Q, et al. Hyperspectral modeling and model adaptation analysis of heavy metal Cd in mining soils [J]. Journal of Anhui Polytechnic University, 2021,36(5):47-55.

[19] 鄒 濱,涂宇龍,姜曉璐,等.土壤Cd含量實驗室與野外DS光譜聯(lián)合反演 [J]. 光譜學(xué)與光譜分析, 2019,39(10):3223-3231.

Zou B, Tu Y L, Jiang X L, et al. Combined laboratory and field DS spectral inversion of soil Cd content [J]. Spectroscopy and Spectral Analysis, 2019,39(10):3223-3231.

[20] 生態(tài)環(huán)境部.土壤環(huán)境質(zhì)量農(nóng)用地土壤污染風(fēng)險管控標(biāo)準(節(jié)選) [J]. 腐植酸, 2018,(4):58-61.

Ministry of Ecology and Environment. Soil environmental quality soil contamination risk control standards for agricultural land [J]. Humic Acid, 2018,(4):58-61.

[21] 姜 宇,郭慶軍,鄧義楠.長江流域沉積物和土壤重金屬分布規(guī)律研究進展 [J]. 生態(tài)學(xué)雜志, 2022,41(4):804-812.

Jiang Y, Guo Q J, Deng Y N. Progress of research on the distribution patterns of heavy metals in sediments and soils in the Yangtze River Basin [J]. Chinese Journal of Ecology, 2022,41(4):804-812.

[22] 盛維康,侯青葉,楊忠芳,等.湘江水系沉積物重金屬元素分布特征及風(fēng)險評價 [J]. 中國環(huán)境科學(xué), 2019,39(5):2230-2240.

Sheng W K, Hou Q Y, Yang Z F,et al. Distribution characteristics and risk evaluation of heavy metal elements in sediments of Xiangjiang River water system [J]. China Environmental Science, 2019,39(5): 2230-2240.

[23] Wu W, Zheng H, Xu S, et al. Trace element geochemistry of riverbed and suspended sediments in the upper Yangtze River [J]. Journal of Geochemical Exploration, 2013,124:67-78.

[24] Bing H, Zhou J, Wu Y, et al. Current state, sources, and potential risk of heavy metals in sediments of Three Gorges Reservoir, China [J]. Environmental Pollution, 2016,214:485-496.

[25] Yuan Q, Wang P, Wang C, et al. Metals and metalloids distribution, source identification, and ecological risks in riverbed sediments of the Jinsha River, China [J]. Journal of Geochemical Exploration, 2019, 205:106334.

[26] Yang Z, Wang Y, Shen Z, et al. Distribution and speciation of heavy metals in sediments from the mainstream, tributaries, and lakes of the Yangtze River catchment of Wuhan, China [J]. Journal of Hazardous Materials, 2009,166(2/3):1186-1194.

[27] Fang X, Peng B, Wang X, et al. Distribution, contamination and source identification of heavy metals in bed sediments from the lower reaches of the Xiangjiang River in Hunan province, China [J]. Science of the Total Environment, 2019,689:557-570.

[28] Luo M, Yu H, Liu Q, et al. Effect of river-lake connectivity on heavy metal diffusion and source identification of heavy metals in the middle and lower reaches of the Yangtze River [J]. Journal of Hazardous Materials, 2021,416:125818.

[29] 陶美霞,胡 虎,胡蘭文,等.上饒市某銅礦廢棄地土壤重金屬污染特征及健康風(fēng)險評價 [J]. 生態(tài)環(huán)境學(xué)報, 2018,27(6):1153-1159.

Tao M X, Hu H, Hu L W, et al. Characteristics of heavy metal contamination and health risk evaluation of soil at a copper mine abandoned site in Shangrao City [J]. Ecology and Environment, 2018, 27(6):1153-1159.

[30] He Z, Li F, Dominech S, et al. Heavy metals of surface sediments in the Changjiang (Yangtze River) Estuary: distribution, speciation and environmental risks [J]. Journal of Geochemical Exploration, 2019, 198:18-28.

[31] Li L, Jiang M, Liu Y, et al. Heavy metals inter-annual variability and distribution in the Yangtze River estuary sediment, China [J]. Marine pollution bulletin, 2019,141:514-520.

[32] 周廣強,謝 英,吳劍斌,等.基于WRF-Chem模式的華東區(qū)域PM2.5預(yù)報及偏差原因 [J]. 中國環(huán)境科學(xué), 2016,36(8):2251-2259.

Zhou G Q, Xie Y, Wu J B, et al. Based on WRF-Chem model, the PM2.5forecast and deviation reason in East China region [J]. China Environmental Science, 2016,36(8):2251-2259.

致謝：本實驗的現(xiàn)場采樣數(shù)據(jù)是由Duan等人和國家生態(tài)科學(xué)數(shù)據(jù)中心資源共享服務(wù)平臺等完成的公開數(shù)據(jù)集,在此表示感謝.

Potential risk assessment of cadmium pollution using hyperspectral remote sensing.

WANG Dan-yu1, WANG Wen1*, ZHAO Yan-yun2

(1.Center for Spatial Information, School of Environment and Natural Resources, Renmin University of China, Beijing 100872, China；2.School of Statistics, Renmin University of China, Beijing 100872, China)., 2022,42(11)：5276～5284

Cadmium (Cd), one of the major heavy metal pollutants in soil, is known to be hazardous and difficult to manage. An understanding of its quantitative spatial distribution characteristics in soil and the development of rapid monitoring methods are very helpful for ecosystem security and human health. This study utilised the Random Forest model to estimate the spatial distribution of potential Cd pollution risk levels in the Yangtze River basin, using soil Cd field data (2002～2015) collected from 10sites along the river basin and HSI hyperspectral remote sensing satellite data. The results showed that: (1) Using atomic standard spectral curve can greatly simplify the process of characteristic bands selection for Cd in soil; (2) Random Forest modelling is a good method for estimating the Cd content in soil at a high accuracy; (3) Cd pollution is widespread in the Yangtze River basin area. The majority of the study areas were found having more than 8% higher Cd in soil than the Chinese Environmental Quality Standard for Cd pollution, with the upstream area more serious than the rest of the basin. The main conclusions are: (1) It is feasible to use the standard spectral curve of Cd atoms for hyperspectral band selection for Cd risks inversion. A more accurate prediction model can be established through the selected characteristic bands. (2) The Random Forest modelling approach for large scale risk monitoring of Cd pollution in soil showed its credibility in most of the sampling areas in the Yangtze River basin except areas in the Qinghai-Tibet Plateau, especially in the Subtropical Monsoon Climate zone. (3) The Random Forest model prediction showed that Cd pollution exceeded the Environmental Quality Standard in all study areas, where most areas had a large portion of land surfaces at high risk levels. Along the river basin, the overall Cd pollution risk and the proportion of areas exceeding the standard in the upstream area is greater than that in the midstream and downstream areas. This finding agreed with the results of other studies. (4) The study showed that the surface Cd pollution in the upstream area is mainly caused by relatively abundant mineral resources and the backward and active of industrial activities, where in the midstream area is mainly due to the rapid industrial and economic development; and in the downstream area is related to agricultural cultivation, high population density and long history of human activities at a high pollution level.

hyperspectral remote sensing；heavy metal Cd；random forest；HSI

X53

A

1000-6923(2022)11-5276-09

王丹羽(1996-),女,河北石家莊人,中國人民大學(xué)碩士研究生,主要從事資源與環(huán)境可持續(xù)發(fā)展遙感研究.

2022-04-28

中國人民大學(xué)科學(xué)研究基金資助重大規(guī)劃項目(17XNLG09)

* 責(zé)任作者, 教授, wenw@ruc.edu.cn