模拟多光谱的土壤重金属含量反演研究初探

郭云开，曹小燕，谢　琼，周峰松

(长沙理工大学交通运输工程学院，湖南长沙410004)



模拟多光谱的土壤重金属含量反演研究初探

郭云开，曹小燕，谢琼，周峰松

(长沙理工大学交通运输工程学院，湖南长沙410004)

摘要：根据多光谱传感器的光谱响应函数，采用实测ISI921VF反射光谱数据模拟Landsat卫星ETM+传感器多光谱数据，在模拟光谱的基础上，通过光谱特征提取、构建土壤指数对土壤重金属Cu,Pb,As进行预测分析。研究显示，Cu,Pb与模拟ETM+光谱的B2,B3波段显著相关，As与DSI,RSI,NDSI相关系数在0.6以上，基于模拟多光谱建立的Cu,As模型精度较高，平均相对误差分别为7.9%，2.7%，表明模拟的Landsat卫星ETM+传感器多光谱具有预测耕地土壤重金属的潜力，为实现大范围监测土壤重金属污染提供新思路。

关键词：土壤重金属；Landsat ETM+；模拟多光谱；土壤指数；敏感参数

随着我国耕地土壤重金属污染的面积不断扩大、污染事故的频频发生，人们越加意识到土壤重金属污染监测与治理的重要性，传统的重金属原位监测技术精度较高，但因其需耗费大量的人力物力，无法适用于大范围重金属污染监测需求，而遥感技术具有快速、宏观的特性，表现出其他方法无法比拟的优点。目前已有不少学者利用遥感技术对土壤重金属污染监测进行研究探索，并取得一定的成果，如Malley和Williams利用湖泊沉积物的反射光谱快速预测重金属含量[1]；Ren等对矿区农用地中的反射光谱与重金属进行研究，发现反射光谱对As和Cu元素有一定的指示性[2]；国内吴昀昭等应用农田土壤光谱反射率估算土壤表层Hg元素的浓度[3]；李巨宝等采用偏最小二乘方法，构建基于土壤反射光谱的Se,Zn,Fe含量预测模型[4]。

由于高光谱遥感数据资源有限，且空间分辨率低，进行大面积重金属遥感监测试验仍存在很大困难，因此基于地面实测反射高光谱的土壤重金属预测是目前研究的主要手段，且依旧处于实验室模拟阶段。与高光谱数据相比，卫星多光谱数据具有空间分辨率高、数据源广、易于获取、数据质量较好等优势，对于空间动态分析来说，比高光谱数据更具有实用性，有利于土壤重金属含量的大面积反演研究。基于此，本文根据多光谱传感器的光谱响应函数，采用实测反射光谱模拟Landsat 卫星ETM+传感器多光谱数据，研究利用多光谱数据预测耕地土壤重金属污染的可行性，从而更好地为利用多光谱数据监测土壤重金属含量提供支持。

1多光谱模拟方法

1.1　多光谱传感器选择

对于定量遥感反演，要求所选择的多光谱遥感数据除了具有较高的光谱分辨率外，还应具有足够的空间分辨率；其次为了真实反映实地土壤信息，地面反射光谱试验应与卫星遥感数据获取时间同步。在中巴资源卫星、GF卫星、IKONOS、Landsat 等众多多光谱遥感卫星中，Landsat7 卫星具有较丰富的波谱信息，其数据质量、中等空间分辨率以及较高的时效性较适合本文的需求。Landsat7卫星遥感影像1~3波段为可见光波段，4，5，7为红外波段，这6个波段是本研究主要模拟波段；波段6为热红外波段，一般用于反演地表温度；波段8是全色波段，通过全色波段与可见光-近红外波段融合，可使影像最大空间分辨率达到15 m，影像数据的获取时间与实地数据获取时间一致。

1.2　Landsat7卫星传感器的半带宽与光谱响应函数

即使同一地物，在不同测量尺度下的波谱也会存在很大差异，如何将地面反射光谱转换到Landsat 卫星ETM+传感器光谱尺度并减少光谱的损失是光谱模拟的关键。目前，将两者关联的主要途径是计算实测光谱反射率对应波段范围均值，将此均值与影像对应像元反射率进行回归分析，这种方法实际上没有考虑影像波谱与地面波谱的更进一步响应[5]。张婷等人利用传感器的光谱响应函数拟合实测端元光谱，并同均值拟合的实测端元光谱相比，表明响应函数拟合光谱精度更高外，同时保证光谱信息的最大程度保留[5-6]。

光谱响应函数是表征传感器性能的一个重要指标，当光谱响应达到50%时，其所对应的波长范围称为半带宽(Full Width at Half Maximum，FWHM)，同时传感器还存在FWHM波段外(光谱响应小于50%)的光谱响应，即为传感器的光谱响应范围，这就是不同传感器类型获取的光谱产生差异的原因[6]。事实上，传感器并不能完全接收和记录光谱响应范围内的入射辐亮度，光谱响应函数就是传感器在各波长处所接收的辐亮度与入射辐亮度的比值，遥感数据获取的官方网站一般会提供相应传感器的光谱响应函数(见表1)。图1为Landsat 7卫星传感器的光谱响应函数，每个波长对应一定的波谱响应范围，响应范围内的最大辐射值即为该波段的中心波长。

表1　Landsat7卫星ETM+传感器的光谱响应参数　μm

图1　Landsat ETM+传感器的光谱响应函数

1.3　多光谱传感器光谱模拟

根据传感器的辐射传输定律，各波段的光谱辐射能量即为该波段范围内能力响应的总和，因此光谱模拟实际上是根据已知传感器的光谱响应函数(Landsat ETM+)对响应辐射能量进行重采样的过程。根据Landsat7传感器的各波段波谱响应函数，将预处理后的高光谱数据重采样为多光谱数据，则模拟的多光谱反射率为

(1)

式中：Ri是待模拟波段的光谱反射率；fi(λ)是Landsat7波段i在波长λ处的光谱响应函数；r(λ)是地面光谱各波长处的反射率；λmax和λmin分别是地面反射光谱波长取值范围的最大值和最小值。

2试验数据与处理

2.1　实地数据采集

本文选择株洲清水塘工业区为试验区域，于2013年1月进行实地数据采集。地面高光谱采集仪器为ISI921VF-128型地物光谱仪，其波段范围380～1 050 nm，光谱分辨率为5 nm。光谱测量于当地10:00~14:00时间段进行，探测高度1.3 m左右，每个数据至少测量10次以获得均值，并采用双向反射因子对测量结果进行校正。同时采集相应的土壤样品，取样深度20 cm，共采集45个田块。土样采集后去除样品中的石块、植物根系和凋落物后在实验室自然风干，压磨后过尼龙筛制样供测试用。研究采用电位法测定土壤PH值，采用ICP-AES法测定土样中的有机质、Fe,Cu、砷为As,Pb等组分全量，测试结果见表2。

表2　2013年1月株洲清水塘土壤重金属含量的统计特征值

2.2　光谱数据处理

1) 光谱变换。 在光谱测量中，由于受到观测条件以及测量仪器系统性的影响，使光谱曲线存在“毛刺”噪声，本文采用加权移动平均法WMAM对光谱平滑去噪。预处理后根据式(1)将实测反射光谱模拟为Landsat7卫星 ETM+传感器光谱，同时将模拟光谱进行一阶微分(R′)、倒数对数(lg(1/R))变换，以消除基线漂移并降低背景信息的干扰，增强光谱差异。一阶微分算式[7]为

(2)

式中：Ki+1，Ki，Ki-1为相邻波长；R(Ki+1)，R(Ki-1)为对应波长反射率；R′(Ki)为波长Ki的一阶微分。

2) 光谱吸收深度。 除光谱变换外，光谱吸收反射特征也是描述土壤波谱特征的重要参数。通过折线连接反射光谱曲线上的峰值点所得到的曲线称为“包络线”，将包络线与土壤光谱反射率进行比值计算可获得连续统去除光谱[8]。模拟光谱经过连续统去除后，有效增强光谱曲线的吸收和反射特征，在550 nm处出现一个比较明显的吸收谷，提取此处的吸收峰深度HR可用于探究土壤重金属的光谱响应特性。 其算式为

(3)

(4)

式中： HR，Rcr(k)，R(k)，R(c)分别是吸收深度、连续统去除后的值、原始光谱和光谱包络线，k为波长。

3)土壤指数。 已有研究表明，土壤光谱经过一定的波段组合有利于提高土壤光谱的表征能力[9]，研究根据模拟光谱的差异显著波段(B2，B1波段)构建3种土壤指数参与分析，包括土壤差值土壤指数(Difference Soil Index，DSI)、比值土壤指数(Ratio Soil Index，RSI)和归一化土壤指数(Normalized Difference Soil Index，NDSI)，定义为

(5)

RSI=B1/B2，

(6)

(7)

式中：B1，B2分别表示模拟光谱中第一、第二波段反射率。

3结果与分析

3.1　模拟土壤光谱分析

遥感影像预处理后，根据实测采样点的地理坐标，获取对应点影像像元光谱反射率，并与模拟的Landsat7卫星ETM+传感器多光谱曲线进行对比分析，见图2。由图2可知，多光谱数据为包含7个波段的折线，实测反射光谱为光滑连续曲线，模拟多光谱数据只含有4个(B1~B4)波段，B5，B7波段反射率为0，这是由于用于模拟多光谱的数据光谱范围为380～1 050 nm，其中模拟多光谱与实测光谱相关性较高，表明使用光谱响应函数模拟的多光谱数据保留原始数据的大部分信息。Landat7卫星传感器所获取的影像空间分辨率较低(30 m)，单个像元中的光谱信息可能既包含土壤反射信息，同时也包含其他覆盖地物反射信息在内，即Landat7影像像元为混合像元。而土壤作为一种弱信息，其反射率更易受到周围环境的影响，这给影像定量反演土壤信息带来很大困难，图2中对比分析显示 ，影像多光谱反射率明显高于实测土壤光谱反射率，这主要是由于植被光谱影响所致，尤其在可见光波段差异较明显(380~760 nm之间)，绿光波段出现一个小的反射峰(550 nm)，红光波段出现吸收峰(650 nm)，近红外波段受背景影响较小(760~1 080 nm)。通过分析实测光谱曲线可知，试验区土壤光谱曲线除在670 nm附近存在明显吸收峰，同时在500 nm与900 nm附近还出现微弱的吸收特征，除吸收波谷外，土壤光谱反射率在整个区间呈上升的趋势，在680～720 nm区间光谱反射率上升最快，720～920 nm区间光谱变化较平缓，而在920 nm向长波方向光谱反射率缓慢下降。

图2　不同尺度光谱反射率对比分析

3.2　模拟光谱参数与土壤重金属的相关性分析

为了探讨模拟多光谱对土壤重金属元素的可遥感性, 采用逐步回归分析技术将重金属含量分别与模拟光谱反射率及其光谱变换形式进行相关分析。从光谱及其变换数据与土壤元素含量的相关曲线得知，Cu含量与lg(1/R)相关性最大，诊断波谱位于可见光黄-黄红光波段，对应于ETM+多光谱数据中的B2，B3波段，最大相关系数为0.6；Pb含量与原始光谱R达到极显著负相关，红光波段相关性最大，相关系数为0.45，由此可见Cu，Pb的敏感波段与土壤的特征波段较一致；而一阶微分光谱R′与As含量具有较高的相关水平，最大特征波段位于可见光黄光波段，即ETM+多光谱数据中的B1波段，最大相关系数为0.52，3种元素与模拟光谱参数的相关性都达到极显著水平，如图3所示。

土壤吸收深度、土壤指数与土壤重金属的相关分析显示如表3所示，土壤吸收深度与Cu有一定的相关性，而与其他两种元素并未表现出敏感性，表明Pb表现出的光谱敏感性可能是由于与Cu等元素赋存共生而引起。模拟光谱波段构建的指数对As最为敏感，尤其是RSI指数敏感度最高，相关系数为0.629的极显著相关，这表明本文构建的土壤指数能有效综合可见光光谱差异信息，提高模拟光谱对As的敏感性。

图3　模拟ETM+光谱参数与土壤3种重金属含量的相关分析

表3　土壤重金属与模拟多光谱反射率的相关水平

注：*. 在0.01置信水平上显著相关，**. 在0.05置信水平上极显著相关

3.3　预测模型构建

本文从三个方面研究模拟多光谱参数与土壤重金属含量的相关性，根据土壤重金属与土壤光谱参数的相关分析，获取各重金属元素的敏感光谱参数作为输入，以此建立土壤重金属含量估算模型，模型函数包括线性模型、指数模型、对数模型、多项式拟合模型、幂指数模型等，模型参数估计采用最小二乘法实现，使实际观测值与预测值之差的平方和为最小，采用最小二乘拟合不仅能够兼顾方程的近似程度，使整体误差达到最小，还有益于抑制测量误差。拟合中变量的密切程度通过相关系数R来判定，其表达式为

(8)

由于不同的重金属与不同的土壤光谱参数敏感性不同，而Cu,As等重金属敏感光谱参数较多，根据不同的情况选择敏感度较高的光谱参数参与建模。As回归模型选择的自变量参数为微分光谱R′,RSI；Cu回归模型选择的自变量参数为B2,B3；Pb回归模型选择的自变量参数为B3，以所选择的光谱参数为自变量，对应的土壤重金属含量为因变量，建立重金属模拟光谱分析模型，回归结果如表4所示。

土壤重金属单元预测模型及精度分析结果显示(见表4)，Cu的两个变量的最佳拟合模型都为二次多项式模型，且Lg(1/B2)的二次拟合模型最优，决定系数在0.6以上，均方根误差较小，平均相对误差为7.96%；模拟波段B3对土壤Pb含量变化较为敏感，对Pb的预测效果较好，最佳预测精度为81.58%；光谱微分技术和构建土壤指数能够有效提高As对模拟多光谱的敏感性，相比而言，比值土壤指数RSI的指数模型更适用于土壤As含量的预测，决定系数为0.643，最佳预测精度为94.47%。

表4　重金属与最大相关波段的拟合模型

4结束语

目前国内外对于土壤重金属污染的快速监测已进行大量探索，但由于土壤环境相对复杂及遥感数据的限制，对于大面积的宏观监测的实现仍存在很大的困难。本文选择具有较丰富光谱信息的Landsat7卫星数据作为试验，根据ETM+传感器的光谱响应函数，利用地面实测高光谱重采样为多光谱数据，构建土壤指数，提取波谱吸收深度，建立基于模拟多光谱参数的土壤重金属Cu,Pb,As含量预测模型。研究表明，基于Landsat卫星 ETM+传感器的模拟多光谱数据具有预测耕地土壤重金属的潜力，尤其是Cu，As元素，文中构建的土壤指数RSI综合了B1(0.45~0.52μm)与B2(0.52~0.60μm)的光谱信息，提高光谱的信噪比，有效提高As对模拟多光谱的敏感性。在本研究中，模拟的多光谱为理想的端元光谱，而影像多光谱为较为复杂的混合光谱，受土壤覆盖层地物光谱影响较大，如何实现模拟多光谱到影像多光谱的转换还需做进一步探讨与研究。

参考文献：

[1]MALLEY D F, WILLIAMS P C. Use of Near-Infrared Reflectance Spectroscopy in Prediction of Heavy Metals in Freshwater Sediment by Their as Sociation with Organic matter[J]．Environ Sci Technol，1997,31(6):3461-3467．

[2]REN H Y, ZHUANG D F. Estimation of As and Cu contamination in agricultural soil around a mining area by reflectance Spectroscopy：A Case Study[J]．Pedospere，2009，19(2):719-726．

[3]吴均昭．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，2006．

[4]李巨宝，田庆久，吴均昭．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．

[5]张婷，丁建丽，王飞. 基于实测端元光谱的多光谱图像光谱模拟研究[J]. 光谱学与光谱分析，2010，30(11)：2889-2893．

[6]乔延利，郑小兵，王先华，等. 卫星光学传感器全过程辐射定标[J]. 遥感学报，2006，10(5)：616-623．

[7]郭云开，张进会．南方丘陵地区陆域植被光谱处理与分析[J]. 测绘工程，2014，23(7)：1-5．

[8]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):169-177．

[9]吕超，吕游．遥感影像信息提取技术的研究与实现[J]．黑龙江工程学院学报，2014，36(1)：34-37．

[10]SHRESTHA R P. Relating soil elect rical conductivity to remote sensing and other soil properties for assessing soil salinity in northeast Thailand[J]. Land Degradation & Development , 2006 ,17 (6):677-689．

[11]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，2003，30(3):34-38．

[12]任红艳，庄大方，邱冬生，等．矿区农田土壤砷污染的可见近红外反射光谱分析研究[J]．光谱学与光谱分析，2009,29(1)：114-118．

[13]ROSSO P H, PUSHNIK J C, LAY M, et al.Reflectance properties and physiological responses of Salicornia virginica to heavy metal and petroleum contamination[J]．Environmental Pollution,2005, 137: 241-252．

[责任编辑：张德福]

Primary research on the inversion model of soil heavy metal based on simulation multi-spectral data

GUO Yun-kai，CAO Xiao-yan ，XIE Qiong，ZHOU Feng-song

(School of Transportation Engineering，Changsha University of Science and Technology，Changsha 410004,China)

Abstract：In this paper, based on the spectral response function of multi-spectral sensors, measured ISI921VF reflection spectrum data are used to simulate the multispectral data of ETM+ sensor of Landsat satellite, and based on the simulated spectrum, the extracted spectral features and constructed soil index are used to analyze and predict the soil heavy metal of Cu, Pb and As. The study shows the Cu and the Pb are significantly associated with band B3, B4 in ETM+; the correlation coefficients between the As and index DSI, RSI, NDSI are above 0.6; based on the simulated multispectral, the Cu prediction model and the As prediction model have high precision and the average relative errors are 7.9% and 2.7%, respectively. It is indicated that simulated multispectral data of ETM+ sensor of Landsat satellitecan predicts the heavy metal in farmland soil, which is a new way provided to achieve a wide range monitoring of soil heavy metal.

Key words：soil heavy metal; Landsat ETM+; simulate multi-spectral; soil index; sensitive parameters

作者简介：郭云开(1958-)，男，教授，博士生导师.

基金项目：国家自然科学基金资助项目(41471421)；湖南省自然科学基金资助项目(12JJ6031)；贵州省交通科技项目(2014-121-039)

收稿日期：2015-06-26

中图分类号：P237

文献标识码：A

文章编号：1006-7949(2015)12-0007-05