高光谱遥感土壤重金属污染研究综述

付 馨，赵艳玲，李建华，曾纪勇，王亚云，何厅厅

（中国矿业大学（北京）土地复垦与生态重建研究所，北京100083）

随着现代工业的飞速发展，重金属污染问题日益严重，给人类生存及周边环境造成了极大的危害。传统土壤重金属检测多采用化学分析法，此方法特征显著、精度较高，但分析周期长、受野外环境和样本质量的限制大，需要较高人力、物力投入。高光谱遥感方式能够动态、快速、宏观地获取地表信息，且不会对污染土壤及其附属植被产生直接伤害，已广泛应用于环境、地质和土壤等多个领域。然而，目前利用遥感高光谱方法针对土壤重金属污染的研究尚不成熟，其主要原因在于污染土壤中重金属元素的含量甚微，反映在光谱中的信号也较为微弱，以现有技术对土壤重金属含量进行直接定量探测具有很大难度。尽管如此，利用遥感高光谱方式对土壤重金属污染探测，以其高效、便捷、无损等优势，具有巨大研究价值。

1 土壤光谱与重金属含量相关性

1.1 相关性依据

土壤作为岩矿的风化产物，是气候和生物活动共同作用的结果，是复杂的动态系统，其光谱特征受到土壤生物地球化学、几何光学散射以及外部环境等的影响。由于土壤中重金属含量甚微，很难直接研究其光谱特征。但是，外源重金属可以被土壤中的粘土矿物、铁氧化物和有机质等物质吸附［1－2］，而这些组份一方面影响土壤光谱形态和反射率的大小，同时也常常在土壤光谱中显示其特定的光谱吸收特征，为高光谱土壤污染信息的提取提供了理论依据［3－4］。从量子物理角度分析，土壤反射光谱特征起因于其化学成分的电子跃迁及分子振动，而转动与振动能级间距小，振动或者振动及转动能级跃迁所产生的吸收响应在红外波段［5］，从微观角度为遥感高光谱土壤重金属研究提供了依据。

1.2 影响因子

土壤作为一种复杂的混合物，由各种物理和化学性质各不相同的物质组成，而这些物质不同程度的对土壤光谱产生影响。成土矿物（特别是氧化铁）、含水量、有机物和土壤质地是土壤光谱特性的主要影响因子［4］。不同种类土壤具有不同光谱特征，对于同一类型或成分相近的土壤，其光谱特征与土壤粒度、含水量以及土壤有机质含量有关［6］。因此，对土壤重金属含量的研究需要最大限度去除或忽略土壤粒度、含水量及有机质的影响。实验室常用方法为对土样进行研磨、过滤、烘干，而野外土壤重金属含量探测则选取土壤背景值单一，且受植被、人为影响较为接近的区域进行研究，即假设研究区土壤颗粒大小、水分含量相似，有机物构成及含量基本无差别，影响土壤光谱差异的主要因素为重金属。

1.3 光谱仪的基本配置

目前，国际上使用的光谱仪有多种品牌，如FieldSpec、PIMA、SPECTRO SPC190、TRISTAN、Oxford Instruments等。光谱测试范围可以从紫外光到短波红外到短波红外、热红外，甚至X涉嫌。测试对象包括固体、液体等，依据波长范围和测试对象又可以分出不同型号。国内常用于土壤光谱测量的仪器，以FieldSpec便携式分光辐射光谱仪居多，以测量土壤反射率和辐射率为主，波长范围0.35～2.5μm，波长精度±1nm［6］。

1.4 土壤重金属含量反演

1.4.1 土壤光谱数据预处理

在重金属污染土壤采样过程中，难免受到环境随机因素影响以及光谱仪本身噪声影响，因此需要对采集光谱数据进行预处理。针对不同探测元件接合部分可能出现偏差，可对光谱数据进行断点修正处理；对于不存在此类问题的光谱数据，则可运用卷积法，直接对其进行平滑和去噪处理。提取土壤光谱中重金属情况，常用光谱处理方法如下。

1）重采样处理。为消除光谱数据采集过程中相邻波段间的数据冗余，一般采用10nm间隔重采样进行算术平均值运算，所得光谱曲线较为平滑，可较好保持原始曲线光谱特征［7］。

2）基线校正。基线校正主要目的为消除背景或漂移对信号对光谱数据的影响［8－9］，常用对校正结果影响较大的一阶微分处理。由于出现拟合现象，会获得非常好的回归，预测行为指数很高。该情况下所建模型不是很好，对样品的预测会产生较大的偏差［10－11］。

3）变量标准化。变量标准化适用于扣除样品光谱中由于样品的颗粒度和附加散射等引起的线性平移，从而选择分类结果错误概率最小的特征作为最有效特征。针对不同的光谱仪，光谱测量范围和光谱数据会有一定差别，常用标准正交变换法和二项式插值法进行变量标准化，减小类内光谱间差异，增加类别间距离，有助于提高判别分析的准确度［12－14］。

4）微分处理。微分方法又称求导法，可消除部分基线和其它背景的干扰，分辨重叠峰，从而提高光谱敏感度。研究表明，光谱的低阶微分处理对噪声影响敏感性较低，在实际应用中较有效。一般认为，可用一阶微分处理技术去除部分线性或接近线性的背景、噪声光谱对目标光谱的影响［15－16］。

1.4.2 土壤光谱特征选择

针对不同种类重金属污染的土壤，应选择涵盖了该类重金属污染的主要特征光谱，将其最大限度的区别于其他种类重金属污染土壤，强化最具可分性的光谱波段。特征选择的方式可概括为两种，即光谱特征位置搜索和光谱距离统计［4］。由于光谱曲线的不连续性，处理时用连续的折线近似作为光谱曲线的包络线。将包络线去除后的光谱曲线特征更加明显，且归一化到区间（0，1）内，大大提高了光谱特征位置搜索的准确性。光谱距离统计的实现基于可分性准则存在，一般而言，J－M距离和基于熵函数的可分性准则效果较为理想，离散度衡量次之，归一化距离再次之［17－18］。

2 不同重金属种类污染土壤光谱特性

传统意义上的重金属是指密度在4.0g／cm3以上的约60种元素，或者密度在5.0g／cm3以上的45种元素［19］。由于污染的普遍性和光谱的特殊性，国内外对于重金属Fe和Cu研究较多，本文将做重点归纳。对于其他污染较为严重和常见的重金属，如Cr、Pb、Cd、Zn、Hg等，本文也将现有结论整理总结。

2.1 重金属铁污染土壤光谱特性

铁在土壤中存在形式主要是氧化铁。氧化铁是影响土壤光谱反射特性的重要土壤成分，其含量的增加会使反射率减小［20］。一般来说，土壤的氧化铁含量与反射率之间存在一定负相关。在氧化铁含量增加时，可见光与近红外部分吸收增强，而在波段0.5～0.7μm的吸收增强幅度不大，其相关性不明显［21］。重金属铁的敏感波段与有机质一样，主要位于可见光和近红外，定量区分有机质和氧化铁对光谱反射率的贡献难度较大，因此通过遥感技术精确估算土壤氧化铁含量的难度很大［22］。1964年，Obulhov和Orlov指出，在土壤光谱曲线的0.7μm和0.9μm 处，存在三氧化二铁的吸收带［23］。1976年，Montgomery的研究表明，游离态氧化铁的存在对整个可见光和近红外区域的光谱都有很大影响［24］。Baumgardner等［25］研究表明，在细沙质土壤870nm处的铁吸收峰表现明显，且氧化铁含量越高，吸收峰越宽；而且有机质的存在并不能掩盖铁对土壤反射率的贡献；土壤反射率和铁氧化物含量在中远红外波段具有更强的相关性［26］。何挺等［27］研究表明：①土壤中氧化铁含量与反射率呈负相关，氧化铁含量增加会导致土壤反射率下降；②经一阶微分变换，反射率平方根在1674nm处对氧化铁有较好的敏感性；③利用红波段和蓝波段平均反射率的对数可构成土壤氧化铁指数，对土壤氧化铁有较好的相关性。2008年，通过对中国江宁地区和八卦洲地区重金属污染土壤进行研究［5］，得出土壤重金属元素的预测精度顺序与它们和铁的相关性顺序一致，即与Fe元素的相关性越高，该元素的预测精度也越高，且土壤的总铁含量增加会降低土壤反射率。2.2 重金属铜污染土壤光谱特性

2005年，吴昀昭对重金属元素光谱特性进行研究，发现重金属元素Cu在土壤中的含量超过4000mg／kg浓度时，才会在土壤光谱上有响应，否则此光谱特征会被其他成分的特征所掩盖［5］。2008年，杨璐等对铜含量1000～5000mg／kg的重金属污染土壤进行高光谱实验，得出利用高光谱遥感直接监测重金属铜污染土壤是不可行的结论［1］。2008年，任红艳博士对宝山矿区农田土壤－水稻系统重金属污染进行光谱探测，得出结论：540nm、670nm以及2100～2190nm为预测重金属Cu模型的关键波段［2］。通过对铜冶炼厂污染区可见光－近红外反射光谱的研究，Cu作为研究区主要污染物，在土壤反射光谱的许多光谱区域都是活跃的，与反射光谱之间的相关性主要受有机质的影响［28］。2010年，黄长平等对土壤重金属Cu含量遥感反演的波段选择与最佳光谱分辨率进行研究，得到预测重金属元素Cu含量的最佳波段数为10个，最佳光谱采样间隔为32nm［29］。2011年，王维等基于高光谱的土壤重金属铜的反演，得到土壤重金属Cu与Mg、Fe的相关性显著（n＝34，P＝0.05），而与土壤有机质相关性较差［30］。

2.3 其他重金属污染土壤光谱特性

1970年，Hunt和Salisbury指出，土壤中一些矿物质在近红外区具有清晰的光谱纹迹［31］。李巨宝等［32］研究表明，高光谱、多光谱和平均值都可用于预测Fe、Zn、Se元素的含量，且其含量与光谱的平均反射率呈负相关，而位于短波红外的TM7波段为最佳波段。1997年，Malley和 Williams［33］利用反射光谱快速预测了湖泊沉积物重金属含量。基于Cd、Zn含量与土壤有机质之间的正相关，Kooistra等［34］使用反射光谱预测了莱茵河流域土壤Cd和Zn的污染。利用重金属元素与Fe的相关性，Kemper［35］使用反射光谱成功预测了矿区土壤As、Fe、Hg以及Pb的含量。通过对重金属元素以及土壤光谱特征分析，重金属元素Ni、Cr和Cu在VNIR波段具有晶体场效应引起的诊断性光谱特征，而重金属元素Zn、Hg、Cd和Pb则没有光谱特征［5］。其中，Ni、Cr、Cu与反射率的相关性最高，Hg和Cd与反射率的相关性最低。解宪丽等研究探讨了可见一近红外反射光谱与土壤铜、铅、锌、镉等9种重金属元素之间的相关性，得出Pb、Zn、Co、Ni主要受黏土矿物和铁锰氧化物的影响；Cr与反射光谱之间的相关性同时受有机质和黏土矿物的影响［28］。蒋建军等［36］以土壤有机质为中介，得出利用有机质诊断指数反演土壤Cd含量的方法是可行的，且土壤Cd含量和土壤有机质含量存在正相关关系的结论。龚绍琦等通过对土壤反射光谱的测量和同步的土壤化学分析，研究了土壤重金属Cr、Cu、Ni与土壤粘土矿物、铁锰氧化物以及碳酸盐之间的赋存关系，并得出结论：这3种重金属与波长429nm、470nm、490nm、1430nm、2398nm、2455nm 处，光谱变量具有很好的相关性［37］。

3 问题与展望

李小文院士指出：“定量遥感反演的困难，在于应用参数往往不是控制遥感信息的主导因子，只能为遥感信息提供弱信号。”污染土壤中的重金属元素是一种弱之又弱的信号，因此要以遥感高光谱手段对土壤重金属含量进行反演，具有很大难度。

1）重金属污染对土壤的光谱信号影响微弱，因此对信号进行处理、反演和建模，都有很高要求。一方面对于现有处理方法的选择最优，另一方面尝试新的处理和反演方法。

2）土壤光谱是土壤各组分的综合反映，利用高光谱数据需排除水分、有机质等多种因素影响，从而实现对土壤重金属含量的预测。而在采集和处理中，光谱数据不可避免的受到这些因素的影响，故而精度有限，仅满足定性要求。对于进一步污染定量分析则有待研究。

3）目前研究表明，与Fe元素的相关性使得无光谱特征的重金属元素的预测成为可能。而对于Cd、Hg等毒性较强，与Fe的相关性较差元素的预测，则很难利用高光谱手段实现。

4）利用光谱仪进行重金属污染土壤光谱测量，目前仍处于野外采集土壤样品。在室内处理、检测，虽然精度有所提高，却大大降低时效性。在野外实时检测重金属污染土壤方面，有待进一步发展。

伴随配套硬件设施的逐渐成熟和光谱技术研究的不断深入，高光谱遥感在土壤重金属污染方面呈现以下发展趋势［38－39］。

1）光谱仪的光谱探测能力将不断提升。仪器便携、采样迅速、光谱分辨率提高、对采样环境要求降低，对重金属的敏感程度将不断提升。

2）光谱数据处理能力将得到更大的发展，出现更快速更精确的污染土壤重金属含量的反演算法和模型，实时、准确获取重金属污染数据。

3）地面、航空、航天多源信息集成，利用不同平台高光谱数据相结合，逐步从重金属污染的定性分析向定量分析发展。

［1］杨璐，高永光，胡振琪.重金属铜污染土壤光谱特性研究［J］.矿业研究与开发，2008（6）：68－69.

［2］任红艳.宝山矿区农田土壤－水稻系统重金属污染的遥感监测［D］.南京：南京农业大学，2008.

［3］张良培，张立福.高光谱遥感［M］.武汉：武汉大学出版社，2005.

［4］童庆禧，张兵，郑兰芬.高光谱遥感——原理、技术与应用［M］.北京：高等教育出版社，2006.

［5］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.

［6］万余庆，谭克龙，周日平.高光谱遥感应用研究［M］.北京：科学出版社，2006.

［7］丁国香.基于神经网络的土壤有机质及全铁含量的高光谱反演研究［D］.南京：南京信息工程大学，2008.

［8］陆婉珍，袁洪福，徐广通，等.现代近红外光谱分析技术［M］.北京：中国石油化工出版社，2001.

［9］褚小立，袁洪福，陆婉珍.近红外分析中光谱预处理及波长选择方法进展与应用［J］.化学进展，2004，16（4）：52－542.

［10］郑咏梅，张铁强，张军，等.平滑、导数、基线校正对近红外光谱PLS定量分析的影响研究［J］.光谱学与光谱分析，2004，24（12）：1546－1548.

［11］兰天鸽，方勇华，熊伟，等.红外光谱的自动基线校正［J］.中国光学快报，2007，5（10）：613－616.

［12］包鑫，戴连奎.一种简便的近红外光谱标准化方法［J］.光谱学与光谱分析，2008，28（4）：829－833.

［13］白继伟.基于高光谱数据库的光谱匹配技术研究［D］.北京：中国科学院遥感应用研究所，2002.

［14］陈述彭，童庆禧，郭华东.遥感信息机理研究［M］.北京：科学出版社，1998.

［15］浦瑞良，宫鹏.高光谱遥感及其应用［M］.北京：高等教育出版社，2000.

［16］吴昀昭，田庆久，季峻峰，等.土壤光学遥感的理论、方法及应用［J］.遥感信息，2003（1）：40－47.

［17］梅安新，彭望琭，秦其明.遥感导论［M］.北京：高等教育出版社，2001.

［18］孙家炳.遥感原理与应用［M］.武汉：武汉大学出版社，2003.

［19］黄海涛，魏彩春，梁延鹏，等.重金属污染场地修复技术的研究进展［J］.宁夏农林科技，2011，52：43－46.

［20］蒋建军，黄家柱.遥感技术应用［M］.南京：江苏教育出版社，2010.

［21］Hapke B.Bidirectional reflectance spectroscopy Theory［J］.Journal of Geophysical Research，1981，86（B4）：3039－3054.

［22］刘伟东.高光谱遥感土壤信息提取与挖掘研究［D］.北京：中国科学院遥感应用研究所，2002.

［23］Obulhov A I，and Orlov D S.Spectral reflectivity of major soil groups and the possibility of using diffuse reflection in soil investigation［J］.Sov Soil Sci，1964（2）：174－184.

［24］Montgomery O L.An investigation of the relationship between spectral reflectance and the chemical.physical and genetic characteristics of soils［D］.Purdue University，1976.

［25］Baumgardner M F，Stoner E R，Silva L F，et al.Reflective properties of soils［A］.Brady N.Advances in Agronomy，38［C］.New York：Academic Press，1985.

［26］张晋.土壤光谱特性研究［D］.西安：西北农林科技大学，2008.

［27］何挺.土壤氧化铁光谱特征研究［J］.地理与地理信息科学，2006（3）：30－34.

［28］解宪丽，孙波，郝红涛.土壤可见光—近红外反射光谱与重金属含量之间的相关性［J］.土壤学报，2007，44（6）：982－993.

［29］黄长平，刘波，童庆禧，等.土壤重金属Cu含量遥感反演的波段选择与最佳光谱分辨率研究［J］.遥感技术与应用，2010（3）：353－357.

［30］王维，沈润平，吉曹翔.基于高光谱的土壤重金属铜的反演研究［J］.遥感技术与应用，2011（6）：348－354.

［31］Hunt G R，Salisbury J W.Visible and near infrared spectra of minerals and rocks，I.Silicate Minerals［J］.Mod Geo l，1970（1）：283－300

［32］李巨宝，田庆久，吴昀昭.滏阳河两岸农田土壤Fe、Zn、Se元素光谱响应研究［J］.遥感信息，2005（3）：10－13.

［33］Malley D F，Williams P C.Use of near－infrared reflectance spectroscopy in prediction of heavy metals in freshwater sediment by their association with organic matter［J］.Environ Sci Technol，1997（31）：3461－3467.

［34］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，2001，446：97－105.

［35］Kemper T，Sommer S.Estimate of heavy metal contamination in soils after a mining accident using reflectance spectroscopy［J］.Environmental Science and Technology，2002（36）：2742－2747.

［36］蒋建军，徐军，贺军亮，等.基于有机质诊断指数的土壤镉含量反演方法研究［J］.土壤学报，2009，46（1）：177－182.

［37］龚绍琦，王鑫，沈润平，等.滨海盐土重金属含量高光谱遥感研究［J］.遥感技术与应用，2010，25（2）：101－105.

［38］余旭初，冯伍法，林丽霞.高光谱—遥感测绘的新机遇［J］.测绘科学技术学报，2006，23（2）：101－105.

［39］杨国鹏，余旭初，冯伍法，等.高光谱遥感技术的发展与应用现状［J］.测绘通报，2008（10）：1－4.