国土资源遥感, 2019, 31(4): 96-103 doi: 10.6046/gtzyyg.2019.04.13

技术方法

基于偏最小二乘的土壤重金属镉间接反演模型

贺军亮1, 韩超山1, 韦锐1, 周智勇2, 东启亮2

1. 石家庄学院资源与环境科学学院,石家庄 050035

2. 河北省水文工程地质勘查院,石家庄 050021

Research on indirect hyperspectral estimating model of heavy metal Cd based on partial least squares regression

HE Junliang1, HAN Chaoshan1, WEI Rui1, ZHOU Zhiyong2, DONG Qiliang2

1. College of Resources and Environment Sciences, Shijiazhuang University, Shijiazhuang 050035, China

2. Hebei Investigation Institute of Hydrogeology and Engineering Geology, Shijiazhuang 050021, China

责任编辑: 陈理

收稿日期: 2018-09-6   修回日期: 2018-12-6   网络出版日期: 2019-12-15

基金资助: 国家自然科学基金青年科学基金项目“基于高光谱的滩涂土壤演化序列发育程度反演方法与机理研究”.  41201215
河北省自然科学基金项目“土壤重金属高光谱反演模型研究——以石家庄水源保护区土壤类型为例”.  D2016106013
自然资源部中国地质调查局地质调查项目“全国矿产资源开发环境遥感监测”.  121201003000172705
石家庄学院博士科研启动基金共同资助.  17BS002

Received: 2018-09-6   Revised: 2018-12-6   Online: 2019-12-15

作者简介 About authors

贺军亮(1979-),男,博士,副教授,主要从事生态环境遥感方向的研究。Email:hejunliang0927@163.com。 。

摘要

为探讨土壤重金属含量的高光谱快速监测方法,以石家庄市水源保护区褐土为研究对象,基于土壤有机质敏感波段对应的多种光谱变换指标,采用偏最小二乘回归方法,建立了土壤重金属镉(Cd)的高光谱间接反演模型。结果表明,研究区土壤样本Cd含量平均值为0.220 mg/kg,处于严重污染水平; 有机质含量与Cd含量之间显著相关,两者存在一定的吸附赋存关系; 有机质原始光谱反射率对应的敏感波段为797 nm,各种光谱变换中倒数对数的一阶微分(absorbance transformation and first derivative,ATFD)与有机质含量的相关性最大,一阶微分(first derivative,FD)与有机质含量存在最大的正相关关系; 基于建模和验证样本分析,多光谱变换指标偏最小二乘回归模型优于单光谱变换指标偏最小二乘模型和多光谱变换指标逐步回归模型,模型解释变量为1 409 nm波段处的倒数对数的二阶微分(absorbance transformation and second derivative,ATSD)和1 396 nm波段处的FD,建模和验证样本R 2分别达0.83和0.80。采用基于有机质光谱诊断特征建立多光谱变换指标集成估算模型来间接反演重金属Cd含量是可行的,所建最优模型可以为该地区重金属Cd的快速遥感监测提供参考。

关键词： 镉 ; 土壤有机质 ; 高光谱 ; 间接反演模型 ; 偏最小二乘回归

Abstract

In order to explore the feasibility of estimating the heavy metal cadmium (Cd) content in soil by hyperspectral data, the authors chose the cinnamon soil of Shijiazhuang water conservation area as the research object. Based on the multiple spectral transformation indexes corresponding to the sensitive bands of soil organic matter, the authors established the hyperspectral indirect inversion model of soil heavy metal Cd by partial least squares regression method. Some conclusions have been reached: the average Cd content of soil samples in the study area is 0.220 mg/kg, which is at the serious pollution level. There exists a significant correlation between organic matter content and Cd content, and there is a certain adsorption relationship. The sensitive band corresponding to the original spectral reflectance of organic matter is 797 nm. The correlation coefficient between the absorbance transform first derivative (ATFD) and the organic matter content is the largest among the various spectral transformations. The first derivative (FD) has the largest positive correlation with the organic matter. The modeling and verification sample analysis show that the multivariate partial least squares model is better than the univariate partial least squares model and multivariate linear stepwise regression model. The model explanatory variables are the absorbance transform second derivative (ATSD) of 1 409 nm and the FD of 1 396 nm, and the modeling and verification samples R 2 were 0.83 and 0.80. The research shows that it is feasible to estimate heavy metal Cd content indirectly by establishing multiple spectral transformation indexes estimation model based on spectral diagnostic features of organic matter. The optimal model can provide a reference for the rapid monitoring of heavy metal Cd in this area.

Keywords： Cd ; soil organic matter ; hyperspectral ; indirect estimating model ; partial least squares regression

PDF (3006KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

贺军亮, 韩超山, 韦锐, 周智勇, 东启亮. 基于偏最小二乘的土壤重金属镉间接反演模型. 国土资源遥感[J], 2019, 31(4): 96-103 doi:10.6046/gtzyyg.2019.04.13

HE Junliang, HAN Chaoshan, WEI Rui, ZHOU Zhiyong, DONG Qiliang. Research on indirect hyperspectral estimating model of heavy metal Cd based on partial least squares regression. REMOTE SENSING FOR LAND & RESOURCES[J], 2019, 31(4): 96-103 doi:10.6046/gtzyyg.2019.04.13

0 引言

土壤是不可再生的重要资源,是人类赖以生存的物质基础,保护土壤资源,防治土壤环境污染,是推进生态文明建设和维护国家生态安全的重要内容[1,2]。随着工业的发展,过量重金属通过污水排放、大气降尘等途径进入土壤,造成土壤重金属污染[3]。土壤重金属不能被土壤微生物分解,具有残留时间长、难迁移、易累积的特点,而且可通过食物链以有害的浓度在人体内蓄积,严重危害人体健康和环境安全[4,5]。

土壤重金属含量的调查监测是进行土壤污染有效防治的前提。高光谱遥感具有快速、无损、光谱分辨率高等特点,可以在土壤定量遥感监测中发挥重要作用[6,7]。Kemper等[8]利用多元线性逐步回归等方法基于土壤反射光谱与重金属的相关分析构建模型,反演了Aznalcollar矿区土壤Pb,As,Fe和Hg的含量; 郭云开等[9]基于水稻冠层光谱变化特征,利用最小二乘方法拟合建立了Zn,Pb和Cd等土壤重金属含量的反演模型; 程先锋等[10]在兰坪铅锌矿区利用逐步回归方法构建了土壤重金属含量的高光谱估算模型。

一般情况下,土壤重金属含量较低,属于痕量级,即使在重污染状态下,重金属元素的直接光谱响应也非常微弱[11]。但是,当土壤有机质含量高时,对重金属的富集具有一定的吸附作用,使得利用有机质光谱特征间接反演重金属含量成为可能[12]。贺军亮等[13]利用水稻土有机质的敏感波段构建了有机质光谱诊断指数,用于重金属Cu和Pb含量间接反演模型的构建; 兰泽英等[14]在乐安河流域采用土壤高光谱数据间接反演了Cu,Zn和Pb的含量,为该区域土壤生态环境监测提供了相关参考。除原始光谱反射率外,微分、倒数和对数等多种光谱变换指标能够从不同角度和程度上突出反演对象的光谱特征,降低背景噪声的影响[13,14,15]。前人所构建的重金属最优反演模型大多采用其中一种指标作为自变量建模,多种光谱变换指标的集成建模有可能会提高模型的估算精度和稳定度。

本文以石家庄市地表水源保护区土壤重金属Cd为研究对象,基于间接反演的研究机理,尝试通过多种光谱变换和相关性分析方法提取有机质光谱诊断特征,并建立多指标集成估算模型来间接反演重金属Cd的含量,进一步丰富土壤重金属高光谱反演研究的案例,以期为土壤定量遥感研究提供科学参考。

1 研究区及数据源

1.1 研究区概况

石家庄市地表水源保护区位于石家庄市西部的平山县和井陉县境内,保护区范围为N38°01'~38°45',E113°34'~114°18'。一级保护区包括滹沱河干流、岗南水库和黄壁庄水库。一级保护区之外按缓冲距离和行政区划设二级和三级保护区。整个保护区地势西高东低,高差悬殊。虽然该保护区是石家庄市生活用水的主要供应地,也是北京市备用水源地,但是该区矿产开发历史悠久,人地矛盾突出,铁矿和石灰矿等矿产资源开采存在尾矿威胁、植被破坏、水土流失和土壤污染等状况,对保护区生态安全造成了一定影响。考虑到土壤空间分布的不均匀性及研究区地形的影响,参考研究区内主要采矿点和主要冶炼企业的区位,在研究区共采集69个土壤样品,土壤类型以褐土为主,采集深度为0~20 cm,同时利用GPS对采样点进行了定位(图1)。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   研究区采样点分布

Fig.1   Sampling point distribution in the study area


所有样点采集的土壤样品带回室内后经风干、研磨、过筛(100目)后备用。土壤有机质含量采用重铬酸钾法测定,重金属Cd全量利用电感耦合等离子体质谱仪ICP-MS检测方法测定。

1.2 土壤光谱采集

土壤反射光谱测量在南京师范大学地理科学学院实验室完成。土壤反射率采用美国ASD公司生产的FieldSpec Pro便携式地物光谱仪测定,光谱采集范围为350~2 500 nm。光谱采集工作在室内进行,把卤素灯作为唯一光源。将土壤样品置于放在黑色绒布上的直径10 cm、深2 cm玻璃培养皿内,用工具将表面刮平。光源入射角为45°,距离土壤样品30 cm,采集枪垂直于土壤样品并保持15 cm的距离。每次测定之前都需要进行白板校正,每个样品测10次光谱曲线,取其平均值[16]。受检测周期长、土样残留水分以及光谱测量背景环境等影响,全光谱范围两端噪声较大,剔除光谱两端和水汽吸收影响较大的波段,最终保留1 640个有效波段进行后续建模研究。

1.3 光谱数据预处理

光谱变换可以很大程度上消除土壤背景的影响,进一步提高光谱信噪比,突出光谱的吸收和反射特征[17]。本文光谱实测值为土壤光谱反射率,采用以下方法对原始光谱反射率进行变换: 一阶微分(first derivative,FD)、二阶微分(second derivative,SD)、倒数变换(reciprocal transformation,RT)、倒数的一阶微分(reciprocal transformation and first derivative,RTFD)、倒数的二阶微分(reciprocal transformation and second derivative,RTSD)、倒数的对数变换(absorbance transformation,AT)、倒数对数的一阶微分(absorbance transformation and first derivative,ATFD)、倒数对数的二阶微分(absorbance transformation and second derivative,ATSD)、连续统去除(continuum removal,CR)。将有机质含量实测值与以上各光谱数据进行相关性分析,在每项变换通过0.01水平显著性检验的波段中,找出相关系数绝对值最大处所对应的波段,作为该变换下有机质的敏感波段。光谱变换工作在Origin2017和ENVI5.3软件中进行,相关性分析在SPSS24软件中进行。

2 研究方法

2.1 建模方法选择

FD,SD,RT和AT等多种光谱变换指标能够从不同角度和程度上突出反演对象的光谱特征,考虑间接反演误差累积的可能影响,有必要对以上各光谱变换指标进行筛选。筛选方法采用多元线性逐步回归方法(multiple linear stepwise regression,MLSR),保留对模型精度影响较大的变换指标。

反演模型的构建采用偏最小二乘回归方法。偏最小二乘法是一种数学优化技术,通过最小化误差的平方和找到一组数据的最佳函数匹配[18]。前人所构建的重金属最优反演模型大多只采用一种光谱指标作为自变量建模,即单光谱变换指标偏最小二乘(univariate partial least squares regression,U-PLSR)模型。多种光谱变换数据集成建模能够综合反映各种光谱变换形式的特点,通过尝试建立多光谱变换指标偏最小二乘(multivariate partial least squares regression,M-PLSR)模型,并与U-PLSR模型进行对比分析。

2.2 模型精度评价

Rank-KS方法可有效提升建模样本与验证样本选择的合理性[19]。采用Rank-KS方法将69个样本分为2组,其中46个样本用来建模,23个样本用来验证模型精度。在模型精度分析过程中,主要参考拟合优度调节参数R2,并结合均方根误差(root mean square error,RMSE)和相对分析误差(relative percent deviation,RPD)等参数进行模型对比。R2和RPD越高,RMSE越小,说明模型的拟合程度越好。RPD为样本标准差和RMSE的比值,可以用来判断模型的预测能力。当RPD<1.4时,认为该模型不具有预测能力; 当1.4≤RPD<2时,可以对样本进行粗略预测; 当RPD≥2时,模型具有极好的预测能力[20]。

3 结果分析

3.1 Cd特征量统计与污染现状分析

表1为Cd的特征量统计值。所采集土壤样本中,Cd的含量分布范围为0.138~0.359 mg/kg,平均值达0.220 mg/kg。总体样本、建模样本和验证样本的各统计量值都较为接近,标准差较小,说明Rank-KS选取样本较为合理,分类数据具有一定的代表性。

表1   Cd特征量统计

Tab.1  Statistical characteristics of heavy metal Cd in soil

统计量总体样本建模样本验证样本
样本数/个694623
最大值/(mg·kg-1)0.3590.3430.359
最小值/(mg·kg-1)0.1380.1380.156
平均值/(mg·kg-1)0.2200.2150.229
标准差/(mg·kg-1)0.0480.0430.055
变异系数/%21.7319.8324.14

新窗口打开| 下载CSV


采用单因子污染指数评价法[21]对研究区Cd的污染现状进行评价分析,其计算公式为

Pi=Ci/Si ,

式中: Pi为土壤中污染物的环境质量指数; Ci为实测值; Si为背景值。

石家庄地区Cd的背景值为0.08 mg/kg,当污染指数P≥1时,可以认定该地区存在Cd污染,指数越大污染状况越严重[22]。根据统计可以得出所有样本的污染指数P>1,92.8%的样本的污染指数P>2。因此,土壤样本采集区域存在较为严重的Cd污染,需要加强对该地区Cd含量的全面监测。

表2   土壤重金属Cd的污染指数统计

Tab.2  Statistical analysis of pollution index of heavy metal Cd in soil

P[1,2)[2,3)[3,4)≥4
样本个数545154

新窗口打开| 下载CSV


3.2 MLSR模型分析

经计算,总体样本的重金属Cd和有机质含量的相关系数达到0.7,并通过了0.01水平的显著性检验,说明两者之间存在一定的吸附赋存关系[12,14]。根据吸附机理,将有机质含量与各光谱变换指标进行相关性分析,分析结果如表3所示。

表3   土壤有机质含量与光谱变量的最大相关系数

Tab.3  Maximum correlation coefficients of soil organic matter content and spectral variables

光谱变量敏感波段/nm相关系数
R①797-0.468**②
RT7970.437**
AT7970.448**
FD1 3960.721**
SD1 408-0.601**
RTFD837-0.670**
RTSD2 204-0.394**
ATFD1 394-0.766**
ATSD1 4090.676**
CR1 9090.666**

①R为光谱反射率; ②**表示通过0.01水平的显著性检验。

新窗口打开| 下载CSV


从表3可以看出,原始光谱反射率在797 nm波段处与有机质含量存在最大相关性,与前人研究结果一致[23],ATFD与有机质含量的相关性最大,且呈负相关,FD与有机质含量存在最大的正相关关系。根据有机质含量与光谱变量的相关分析,将各敏感波段对应的光谱变换指标作为Cd估算模型的自变量因子,Cd含量实测值作为因变量,构建MLSR模型。经MLSR分析,保留对模型精度影响较大的变换指标(ATSD1409和FD1396),模型散点图及验证结果如图2和表4所示,具体模型为

Y=0.432+1 389.565 XATSD-66.253 XFD 。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   MLSR模型散点图

Fig.2   Scatter plots of the two sets of samples of fitting and testing for MLSR


表4   MLSR模型结果

Tab.4  Results of MLSR model

参数建模样本验证样本
R20.810.75
RMSE0.020.03
RPD2.311.23

新窗口打开| 下载CSV


建模样本MLSR模型R2为0.81,说明该模型对数据具有良好的解释能力。其RMSE仅为0.02,RPD为2.31,说明模型误差较小并具有良好的预测能力。而验证样本在R2和RMSE与建模样本相近的情况下,RPD却只有1.23,模型预测能力较差。通过图2可以看出,建模样本MLSR模型的趋势线与1:1线夹角较小,模型预测值与实测值较为接近; 验证样本的趋势线与1:1线夹角较大,说明模型存在一定误差,模型稳定度有待进一步提高。

3.3 U-PLSR模型分析

经过3.2节MLSR分析,筛选出对模型精度影响较大的变换指标(ATSD和FD)。分别采用ATSD和FD光谱指标作为自变量,构建U-PLSR模型。ATSD-U-PLSR模型散点图及验证结果如图3和表5所示,具体模型为

Y=0.445 2+1 271.535 XATSD 。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   ATSD-U-PLSR模型散点图

Fig.3   Scatter plots of the two sets of samples of fitting and testing for ATSD-U-PLSR


表5   ATSD-U-PLSR模型结果

Tab.5  Results of ATSD-U-PLSR model

参数建模样本验证样本
R20.780.80
RMSE0.0030.006
RPD14.409.10

新窗口打开| 下载CSV


与MLSR模型结果对比,ATSD-U-PLSR建模样本的R2降低了0.03,RMSE提高了0.017,重金属Cd实测值和预测值的拟合度下降,但RPD提高了12.09; 验证样本R2,RMSE和RPD分别提高了0.05,0.024和7.87,相比MLSR模型数据预测能力有大幅提升。

FD-U-PLSR模型散点图及验证结果如图4和表6所示,具体模型为

Y=0.287 9+151.316 6 XFD 。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   FD-U-PLSR模型散点图

Fig.4   Scatter plots of the two sets of samples of fitting and testing for FD-U-PLSR


表6   FD-U-PLSR模型结果

Tab.6  Results of FD-U-PLSR model

参数建模样本验证样本
R20.240.41
RMSE0.0050.010
RPD7.795.76

新窗口打开| 下载CSV


从图4和表6可以看出,FD-U-PLSR模型建模样本与验证样本的拟合度均过低,R2仅分别为0.24和0.42。虽然总体样本FD光谱变量与有机质含量存在最大的正相关关系,但是相对于集成多光谱变换指标构建的MLSR模型,FD-U-PLSR模型估算误差较大,反映出单光谱变换指标估算模型的不稳定性。

3.4 M-PLSR模型分析

在MLSR和U-PLSR模型对比分析的基础上,考虑不同光谱变换形式提高光谱信噪比的能力差异,分别基于建模样本和验证样本数据集,进一步建立M-PLSR模型。所建模型解释变量与MLSR模型一致,仍为ATSD与FD。M-PLSR模型散点图及验证结果如图5和表7所示,具体模型为

Y=0.452 1+1 379.77 XATSD-34.186 1 XFD 。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   M-PLSR模型散点图

Fig.5   Scatter plots of the two sets of samples of fitting and testing for M-PLSR


表7   M-PLSR模型结果

Tab.7  Results of M-PLSR model

参数建模样本验证样本
R20.830.80
RMSE0.020.006
RPD2.469.32

新窗口打开| 下载CSV


M-PLSR模型建模样本与验证样本R2都超过了0.8,RPD都超过了2,RMSE也较低,并且验证样本与建模样本的预测精度相近。与MLSR模型和U-PLSR模型相比,M-PLSR模型拟合优度有所提高,模型稳定度得到明显增强。

4 结论与讨论

以石家庄市水源保护区褐土为研究对象,采用偏最小二乘法构建土壤重金属Cd的高光谱间接反演模型,具体结论如下:

1)石家庄市水源保护区内土壤样本采集区重金属Cd含量的平均值为0.220 mg/kg,高于背景值,并且总体样本的污染指数均大于1,存在较为严重的Cd污染。

2)研究区土壤重金属Cd和有机质含量在0.01水平上显著相关,相关系数达到0.7,两者之间存在一定的吸附赋存关系,基于土壤有机质的光谱特征间接反演重金属Cd含量具有一定的合理性。

3)有机质的原始光谱反射率对应的敏感波段为797 nm,各种光谱变换中倒数对数的一阶微分与有机质含量的相关性最大,可达到-0.766,一阶微分与有机质含量存在最大的正相关关系,达到0.721。

4)采用多元线性逐步回归方法筛选确定的模型解释变量为ATSD1409和FD1396。对于所建多光谱变换指标偏最小二乘模型,其建模样本和验证样本的R2分别为0.83和0.80,模型预测值与重金属Cd含量实测值较为接近,整体拟合效果优于单光谱变换指标模型。

与以往基于单光谱变换指标的建模方法研究不同,采用多种光谱变换指标进行集成建模,具有更好的建模效果和预测能力,可以对重金属Cd含量起到较好的预测作用。然而,由于影响土壤重金属反射光谱特征的因素不是单一的,仅仅考虑重金属与有机质的光谱响应特征还不全面。因此,在进一步研究工作中,可以尝试考虑其他因素如铁锰氧化物的综合影响,提取多因素特征波段构建多光谱变换指标估算模型。

此外,由于气候、地质地貌等条件的影响,不同地区土壤具有其独特的区域性。选取石家庄市水源保护区褐土为研究样本,土样经过研磨、风干处理后,虽然基本消除了土壤质地、土壤湿度等对土壤光谱的影响,但是所建立的土壤重金属Cd含量的估算模型是否适用于其他地区,有待进一步研究。

参考文献

周际海, 黄荣霞, 樊后保 , 等.

污染土壤修复技术研究进展

[J]. 水土保持研究, 2016,23(3):366-372.

[本文引用: 1]

Zhou J H, Huang R X, Fan H B , et al.

A review on the progresses of remediation technologies for contaminated soils

[J]. Research of Soil and Water Conservation, 2016,23(3):366-372.

[本文引用: 1]

史舟, 王乾龙, 彭杰 , 等.

中国主要土壤高光谱反射特性分类与有机质光谱预测模型

[J]. 中国科学(地球科学), 2014,44(5):978-988.

[本文引用: 1]

Shi Z, Wang Q L, Peng J , et al.

Development of a national VNIR soil-spectral library for soil classification and prediction of organic matter concentrations

[J]. Science China(Earth Sciences), 2014,44(5):978-988.

[本文引用: 1]

刘硕, 吴泉源, 曹学江 , 等.

龙口煤矿区土壤重金属污染评价与空间分布特征

[J]. 环境科学, 2016,37(1):270-279.

[本文引用: 1]

Liu S, Wu Q Y, Cao X J , et al.

Pollution assessment and spatial distribution characteristics of heavy metals in soils of coal mining area in Longkou City

[J]. Environmental Science, 2016,37(1):270-279.

[本文引用: 1]

王燕, 李贤庆, 宋志宏 , 等.

土壤重金属污染及生物修复研究进展

[J]. 安全与环境学报, 2009,9(3):60-65.

[本文引用: 1]

Wang Y, Li X Q, Song Z H , et al.

Review on the research advances of the pollution and bioremediation of heavy metals in the soil

[J]. Journal of Safety and Environment, 2009,9(3):60-65.

[本文引用: 1]

马文超, 刘媛, 孙晓灿 , 等.

镉在土壤-香根草系统中的迁移及转化特征

[J]. 生态学报, 2016,36(11):3411-3418.

DOI:10.5846/stxb201506261297      Magsci     [本文引用: 1]

以无植物组处理为对照,采用盆栽试验方式探讨不同Cd浓度胁迫条件下香根草根际土壤中重金属Cd的积累、迁移及转化特征。土壤Cd处理设4个浓度梯度,分别为0、2、20、80mg/kg土壤干重。结果表明:(1)香根草可以显著降低土壤中生物有效态Cd和总Cd含量。(2)香根草各部分Cd积累量随处理浓度的增加和处理时间的延长而增加,90d时80mg/kg处理组地上部分和根的Cd积累量分别高达180.42mg/kg和241.54mg/kg。(3)各浓度Cd处理下,富集系数随着Cd处理浓度的增加而显著降低,随处理时间的延长而升高。(4)香根草地上部分Cd含量小于根部,各处理转移系数均小于1。随着处理时间的延长,中低浓度处理组的转移系数稍有降低,高浓度处理组的转移系数则显著上升。(5)种植香根草使其根际土中残渣态的Cd转化为生物有效态Cd,提高Cd清除效率。研究结果表明,香根草能够有效地吸收土壤中的Cd,降低土壤中总Cd含量,提高土壤安全性,可作为Cd污染地区植物修复的备选物种。

Ma W C, Liu Y, Sun X C , et al.

Transfer and transformation characteristics of cadmium from soil to Vetiveria zizanioides

[J]. Acta Ecologica Sinica, 2016,36(11):3411-3418.

Magsci     [本文引用: 1]

阿尔达克·克里木, 张东 , 等.

基于高光谱的ASTER影像土壤盐分模型校正及验证

[J]. 农业工程学报, 2016,32(12):144-150.

Magsci     [本文引用: 1]

快速准确地获取土壤盐分信息是监测和治理土壤盐渍化现象的重要前提。该文以新疆维吾尔自治区典型盐渍化区域--艾比湖流域为研究区，analytical spectral devices（ASD）光谱仪采集的土壤高光谱数据和advanced space borne thermal emission and reflection radiometer（ASTER）影像为数据源，结合实测土壤盐分含量信息，对遥感定量反演土壤盐渍化现象进行研究。再经过光谱反射率数学变换后，结合相关性分析，利用多元回归方法分别建立基于重采样后的高光谱和影像光谱的土壤含盐量估算模型，对遥感影像光谱盐分估算模型进行校正，以提高遥感定量监测盐渍化土壤的精度。结果表明：ASTER影像光谱反射率二阶导数变换和ASD重采样光谱的对数的二阶导数变换所建立的盐分估算模型最佳，决定系数R2分别为0.59和0.82。经ASD重采样光谱模型校正后的ASTER影像光谱的盐分估算模型精度R2为0.91，有效地提高大尺度条件下土壤盐渍化反演精度。研究为大尺度土壤盐分定量遥感监测提供了一种有效方法。

Kelimu A, Zhang D , et al.

Calibration and validation of soil salinity estimation model based on measured hyperspectral and ASTER image

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016,32(12):144-150.

Magsci     [本文引用: 1]

刘焕军, 张柏, 刘殿伟 , 等.

松嫩平原典型土壤高光谱定量遥感研究

[J]. 遥感学报, 2008,12(4):647-654.

Magsci     [本文引用: 1]

为实现松嫩平原典型土壤理化参数时空信息的快速获取,为定量遥感、精准农业等相关研究服务,以松嫩平原典型土壤的高光谱反射率为研究对象,分析土壤反射光谱特征及其与土壤理化参数的关系,建立基于反射光谱指数的土壤理化参数遥感估算模型;提取黑土光谱特征点,建立黑土反射光谱曲线模拟函数.结果表明:松嫩平原不同土壤光谱特征差异主要在450-600,600-800 nm两个吸收谷部分,土壤有机质是黑土反射光谱特征的决定因素;不同于南方土壤,铁对松嫩平原典型土壤反射光谱特征的影响较小;随着含水量的增加,土壤水分对土壤光谱反射率的作用过程可以用三次方程定量描述;基于土壤反射率及反射光谱特征的土壤理化参数光谱预测模型可以用于土壤相关理化参数的快速测定;基于光谱特征点的黑土反射光谱曲线模拟函数可以准确描述黑土的反射光谱特征,这一方法可以用于高光谱数据压缩和基于多光谱数据的高光谱反射率重建.

Liu H J, Zhang B, Liu D W , et al.

Study on quantitatively remote sensing typical soils in Songnen Plain,Northeast China

[J]. Journal of Remote Sensing, 2008,12(4):647-654.

Magsci     [本文引用: 1]

Kemper T, Sommer S .

Estimate of heavy metal contamination in soil after a mining accident using reflectance spectroscopy

[J]. Environmental Science and Technology, 2002,36(12):2742-2747.

[本文引用: 1]

郭云开, 曹小燕, 石自桂 .

水稻冠层光谱变化特征的土壤重金属全量反演研究

[J]. 遥感信息, 2015,30(3):116-123.

[本文引用: 1]

Guo Y K, Cao X Y, Shi Z G .

Inversion model of total amount of soil heavy metal based on spectral characteristics of rice canopy

[J]. Remote Sensing Information, 2015,30(3):116-123.

[本文引用: 1]

程先锋, 宋婷婷, 陈玉 , 等.

滇西兰坪铅锌矿区土壤重金属含量的高光谱反演分析

[J]. 岩石矿物学杂志, 2017,36(1):60-69.

[本文引用: 1]

Cheng X F, Song T T, Chen Y , et al.

Retrieval and analysis of heavy metal content in soil based on measured spectra in the Lanping Zn-Pb mining area,western Yunnan Province

[J]. Acta Petrologica et Mineralogica, 2017,36(1):60-69.

[本文引用: 1]

吴昀昭 .

南京城郊农业土壤重金属污染的遥感地球化学基础研究

[D]. 南京:南京大学, 2005.

[本文引用: 1]

Wu Y Z .

Heavy Metal Pollution in Suburban Soils of the Nanjing Area:A Feasibility Study of Remote-Sensing Geochemistry

[D]. Nanjing:Nanjing University, 2005.

[本文引用: 1]

Moros J, Vallejuelo F O D, Gredilla A ,et al.

Use of reflectance infrared spectroscopy for monitoring the metal content of the estuarine sediments of the Nerbioi-Ibaizabal River (Metropolitan Bilbao,Bay of Biscay,Basque Country)

[J]. Environmental Science and Technology, 2009,43(24):9314-9320.

[本文引用: 2]

贺军亮, 蒋建军, 孙中伟 , 等.

土壤重金属含量光谱估算模型的初步研究

[J]. 农机化研究, 2009,31(9):22-25.

[本文引用: 2]

He J L, Jiang J J, Sun Z W , et al.

Studying on retrieval of soil heavy metal content using the organic matter identification index

[J]. Journal of Agricultural Mechanization Research, 2009,31(9):22-25.

[本文引用: 2]

兰泽英, 刘洋 .

乐安河流域土壤重金属含量高光谱间接反演模型及其空间分布特征研究

[J]. 地理与地理信息科学, 2015,31(3):26-31.

[本文引用: 3]

Lan Z Y, Liu Y .

Research on indirect hyperspectral estimating model and the spatial distribution characteristics of heavy metal contents in basin soil of Lean River

[J]. Geography and Geo-Information Science, 2015,31(3):26-31.

[本文引用: 3]

王菲, 曹文涛, 康日斐 , 等.

基于野外实测光谱的金矿区土壤重金属铬监测研究

[J]. 环境污染与防治, 2016,38(2):13-18.

[本文引用: 1]

Wang F, Cao W T, Kang R F , et al.

Study on monitoring of soil heavy metal Cr in golden mining areas based on field measured spectrum

[J]. Environmental Pollution and Control, 2016,38(2):13-18.

[本文引用: 1]

江振蓝, 杨玉盛, 沙晋明 .

GWR模型在土壤重金属高光谱预测中的应用

[J]. 地理学报, 2017,72(3):533-544.

DOI:10.11821/dlxb201703013      Magsci     [本文引用: 1]

<p>目前土壤重金属高光谱反演模型大多忽视了重金属与光谱变量间相关关系的空间异质性,这与实际情况不相吻合,而地理权重回归（GWR）模型能有效地揭示变量间关系的空间异质性。本文以福州市土壤重金属Cd、Cu、Pb、Cr、Zn、Ni为对象,构建土壤重金属预测的GWR高光谱模型,并将预测结果与普通最小二乘法回归（OLS）结果进行比较分析,探讨GWR模型在土壤重金属高光谱预测中的适用性及局限性。结果表明：① GWR模型在土壤重金属高光谱预测中适用与否取决于重金属对光谱变量影响的空间异质性程度：对于Cr、Cu、Zn、Pb等对光谱变量影响空间异质性大的元素,其GWR预测精度较OLS提高明显,表现为GWR模型的调节<italic>R</italic><sup>2</sup>较OLS模型有了明显提高,分别为OLS模型的2.69倍、2.01倍、1.87倍和1.53倍;而AIC值以及残差平方和较OLS模型却明显降低,AIC值减少量均大于3个单位,残差平方和则仅分别为OLS模型的25.33%、30.09%、47.22%和86.84%;对于Cd和Ni等对光谱变量影响空间异质性小的元素,相较于OLS模型,GWR模型的调节<italic>R</italic><sup>2</sup>分别提高了0.015和0.007,残差平方和分别减少了5.97%和4.18%,但AIC值却分别增加了2.737和2.762,GWR预测效果改善不明显;② 光谱变换可以有效增强土壤重金属的光谱特征,其中以光谱的倒数变换效果最好,而且该变换及其微分形式可以很好地提高模型的预测效果;③ GWR模型的应用前提是变量间关系的空间非平稳性,适合在与土壤光谱变量间关系具有显著空间异质性的重金属高光谱预测中推广。</p>

Jiang Z L, Yang Y S, Sha J M .

Application of GWR model in hyperspectral prediction of soil heavy metals

[J]. Acta Geographica Sinica, 2017,72(3):533-544.

Magsci     [本文引用: 1]

乔星星, 冯美臣, 杨武德 , 等.

变换光谱数据对土壤氮素PLSR模型的影响研究

[J]. 地球信息科学学报, 2016,18(8):1123-1132.

DOI:10.3724/SP.J.1047.2016.01123      Magsci     [本文引用: 1]

<p>光谱数据变换对消除背景、噪音影响以及提取光谱特征有重要的作用,是光谱数据分析过程中的必要步骤。为了研究光谱变换处理对土壤氮素PLSR模型的影响精度,并选择最佳光谱变换处理方法,本文对原始光谱数据进行了15种典型光谱变换,通过比较不同变换光谱与土壤氮素的相关性,实现土壤氮素的PLSR精确诊断,并综合评定最佳光谱数据变换方法。结果表明,涉及微分处理后的光谱变换,尤其是先进行开方（T<sub>8</sub>、T<sub>11</sub>）、对数（T<sub>6</sub>、T<sub>12</sub>）等变换后再进行微分处理,可提高其与土壤氮素的相关性。在引入较少因子变量个数的条件下,该方法使因变量解释量达到了98%。综合考虑模型的校正、验证效果及模型复杂度（模型最佳因子变量个数）,可得出光谱平方根的一阶微分变换处理（T<sub>8</sub>）为最佳的土壤光谱变换算法。该条件下的土壤氮素的校正模型表现为<i>R</i><sup>2</sup>=0.985、<i>RMSE</i><sub>C</sub>=0.000132、<i>F<sub>n</sub></i>=6,验证模型的表现为<i>R</i><sup>2</sup>=0.9853、<i>RMSE</i><sub>V</sub>=0.000162,结果表明基于T<sub>8</sub>的光谱数据变换可实现本试验条件下土壤氮素的光谱估算。另外,可以考虑将原始光谱的一阶微分（T<sub>9</sub>）、对数和对数倒数的一阶微分（T<sub>6</sub>、T<sub>7</sub>）以及平方根和对数的二阶微分（T<sub>11</sub>、T<sub>12</sub>）作为光谱数据变换方法。本文研究结果可为土壤氮素估算和光谱数据预处理提供技术参考。</p>

Qiao X X, Feng M C, Yang W D , et al.

Effect of spectral transformation processes on the PLSR models of soil nitrogen

[J]. Journal of Geo-Information Science, 2016,18(8):1123-1132.

Magsci     [本文引用: 1]

于雷, 洪永胜, 耿雷 , 等.

基于偏最小二乘回归的土壤有机质含量高光谱估算

[J]. 农业工程学报, 2015,31(14):103-109.

Magsci     [本文引用: 1]

为实现基于光谱分析土壤有机质含量的快速测定，该文以江汉平原公安县的土壤为研究对象，进行室内理化分析、光谱测量与处理等一系列工作，在土壤原始光谱反射率（raw spectral reflectance，R）的基础上，提取了其倒数之对数（inverse-log reflectance，LR）、一阶微分（first order differential reflectance，FDR）和连续统去除（continuum removal, CR）3种光谱指标，分析4种不同形式的光谱指标与有机质含量的相关性，对相关系数进行P=0.01水平上的显著性检验来确定显著性波段的范围，并基于全波段（400～2 400 nm）和显著性波段运用偏最小二乘回归（partial least squares regression, PLSR）建立了该区域土壤有机质高光谱的预测模型，通过模型精度的比较确定最优模型。结果表明，进行CR变换后，光谱曲线的特征吸收带更加明显，相关系数在可见光波段范围内有所提高；基于全波段的PLSR建模效果要优于显著性波段，其中以CR的预测精度最为突出，其模型的决定系数R2和相对分析误差RPD分别为0.84、2.58；显著性波段的PLSR模型与全波段对比在模型精度方面虽有一定差距，但从模型的复杂程度来比较，具有模型简单、运算量小、变量更少的特点；最后，综合比较了全波段和显著性波段4种光谱指标的反演精度，发现CR-PLSR模型的建模和预测的效果比R-PLSR、LR-PLSR、FDR-PLSR模型都要显著。该研究可为将CR-PLSR高光谱反演模型用于该区域土肥信息的遥感监测提供参考。

Yu L, Hong Y S, Geng L , et al.

Hyperspectral estimation of soil organic matter content based on partial least squares regression

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2015,31(14):103-109.

Magsci     [本文引用: 1]

刘伟, 赵众, 袁洪福 , 等.

光谱多元分析校正集和验证集样本分布优选方法研究

[J]. 光谱学与光谱分析, 2014,34(4):947-951.

URL     [本文引用: 1]

分析了校正集和验证集样品数随性质分布不均匀性对光谱多元分析校正的不良影响, 揭示了实际光谱多元校正中“均值化”现象, 即性质值小的样本预测值结果偏大, 性质值大的则偏小, 提出了一种优选样品新方法—Rank-KS。 其综合考虑光谱空间和性质空间对样本进行挑选, 将性质空间平均分为若干小区间, 在每个小区间内分别利用Kennard-Stone法和随机法进行校正集和验证集样本的挑选, 这样得到的校正集和验证集可明显改善样本数随性质分布的均匀性。 以红外光谱测定汽油中碳酸二甲酯(DMC)含量和近红外光谱测定二甲亚砜溶液二甲亚砜浓度为研究对象, 分别采用Rank-KS、 随机法、 Kennard-Stone、 浓度梯度法和SPXY等方法选择校正集和验证集样品, 使用多元线性回归和偏最小二乘法建立模型, 比较这些方法对光谱多元校正分析的影响, 结果表明Rank-KS方法可改善校正集和验证集样品数随性质分布的均匀性; 对于样本数分布中间局部样本多和两端局部少、 或者局部没有样本的样本集, 使用Rank-KS算法挑选校正集, 无论使用MLR还是PLS1建立多元分析模型, 均能明显改善其模型预测能力, 使得到的模型的预测均方根最小。

Liu W, Zhao Z, Yuan H F , et al.

An optimal selection method of samples of calibration set and validation set for spectral multivariate analysis

[J]. Spectroscopy and Spectral Analysis, 2014,34(4):947-951.

[本文引用: 1]

洪永胜, 于雷, 耿雷 , 等.

应用DS算法消除室内几何测试条件对土壤高光谱数据波动性的影响

[J]. 华中师范大学学报(自然科学版), 2016,50(2):303-308.

[本文引用: 1]

Hong Y S, Yu L, Geng L , et al.

Using direct standardization algorithm to eliminate the effect of laboratory geometric parameters on soil hyperspectral data fluctuate characteristic

[J]. Journal of Central China Normal University (Natural Sciences), 2016,50(2):303-308.

[本文引用: 1]

宋静宜, 傅开道, 苏斌 , 等.

澜沧江水系底沙重金属含量空间分布及其污染评价

[J]. 地理学报, 2013,68(3):389-397.

DOI:10.11821/xb201303010      Magsci     [本文引用: 1]

流域内矿山开采引起的河流系统重金属污染是流域开发及资源利用过程中的主要环境问题之一.本研究选取澜沧江水系底沙沉积物为介质,考察其干流及11 条主要支流的5 种重金属元素铜(Cu)、砷(As)、铅(Pb)、锌(Zn) 和铬(Cr) 含量的空间变化,并综合采用了单因子指数法和潜在生态危害指数法评价澜沧江干支流底沙沉积物中重金属污染分布现状.结果显示: (1) 澜沧江水系自上游至下游,底沙重金属含量呈减弱趋势,但各支流重金属含量分布差异较大;(2) 单因子指数法评价结果表明,干流最上游的旧州断面因区域背景值较高而致使As、Pb 呈现重污染.支流黑惠江河口的As及勐戛河的Cu为重污染,沘江断面的Pb、Zn污染指数最大,属严重污染.其它干支流样点除了少数重金属元素有中度污染外,均为无污染状态;(3) 潜在生态危害指数法指出,干流旧州断面的As及支流沘江断面Pb 的<em>E</em><sub>r</sub><sup>i</sup> 值较高,其它各采样点值均未超出40,且各支流潜在生态危害指数(RI) 值均小于150,属于低潜在生态危害的范围.本研究对澜沧江干流及其主要支流底沙沉积物中重金属污染状况进行分析与评价,分析干流主要的污染来源及各支流主要污染物,为澜沧江干支流的污染治理提供科学依据.

Song J Y, Fu K D, Su B , et al.

Spatial distribution of heavy metal concentrations and pollution assessment in the bed loads of the Lancang River System

[J]. Acta Geographica Sinica, 2013,68(3):389-397.

Magsci     [本文引用: 1]

姚娜, 彭昆国, 刘足根 , 等.

石家庄北郊土壤重金属分布特征及风险评价

[J]. 农业环境科学学报, 2014,33(2):313-321.

[本文引用: 1]

Yao N, Peng K G, Liu Z G , et al.

Distribution and risk assessment of soil heavy metals in the north suburb of Shijiazhuang City

[J]. Journal of Agro-Environment Science, 2014,33(2):313-321.

[本文引用: 1]

张娟娟, 田永超, 朱艳 , 等.

不同类型土壤的光谱特征及其有机质含量预测

[J]. 中国农业科学, 2009,42(9):3154-3163.

DOI:      Magsci     [本文引用: 1]

<P><FONT face=Verdana>【目的】构建适合土壤有机质含量估测的高光谱参数及定量反演模型。【方法】系统分析中国中、东部地区5种不同类型土壤风干样本有机质含量与350～2 500 nm波段范围高光谱反射率之间的关系,利用特征光谱参数和BP神经网络建立土壤有机质的定量估测模型。【结果】光谱一阶导数构成的两波段光谱参数与土壤有机质含量的相关性明显优于原始光谱,尤其采用Norris平滑滤波后导数光谱效果更好。光谱参数构成形式以差值指数最好,其次为比值和归一化指数。与土壤有机质含量相关程度最高的光谱参数是由可见光区554 nm和近红外区1 398 nm两个波段的一阶导数组合而成的差值指数DI(D554,D1398),两者呈显著指数曲线关系,拟合方程为y= 184.2 ×exp[-1297×DI(D554,D1398)],决定系数为0.90。经不同类型土壤的观测资料检验,模型预测决定系数为0.84,均方根误差RMSE为3.64,相对分析误差RPD为2.98,显示估测模型具有较好的预测精度。另外,利用BP神经网络结合偏最小二乘法(PLS)对导数光谱进行分析,提取贡献率达到99.56 %的前6个主成分建立了三层BP 神经网络模型,模型决定系数为0.98,经不同类型土壤的观测资料检验,模型预测决定系数为0.96,RMSE为2.24,相对偏差RPD为4.83。比较利用DI(D554,D1398)和BP网络进行土壤有机质含量的预测结果,前者精度低于后者,但可以满足土壤有机质监测的需要。【结论】利用差值光谱指数DI(D554,D1398)和BP神经网络模型均可实现对土壤有机质的精确估测。<BR></FONT></P>

Zhang J J, Tian Y C, Zhu Y , et al.

Spectral characteristics and estimation of organic matter contents of different soil types

[J]. Scientia Agricultura Sinica, 2009,42(9):3154-3163.

Magsci     [本文引用: 1]

/

〈 〉

京ICP备05055290号-2
版权所有 © 2015 《自然资源遥感》编辑部
地址:北京学院路31号中国国土资源航空物探遥感中心 邮编：100083
电话:010-62060291/62060292 E-mail:zrzyyg@163.com
本系统由北京玛格泰克科技发展有限公司设计开发