高标准基本农田建设区域土壤重金属含量的高光谱反演

张秋霞，张合兵，刘文锴,2，赵素霞



高标准基本农田建设区域土壤重金属含量的高光谱反演

张秋霞1，张合兵1※，刘文锴1,2，赵素霞1

（1. 河南理工大学测绘与国土信息工程学院，焦作 454000； 2. 华北水利水电大学资源与环境学院，郑州 450046）

为快速高效的获取高标准基本农田建设区域土壤重金属信息，以新郑市高标准基本农田建设区域为研究对象，共采集154个土壤样品，在室内利用ASD Field Spec3型地物光谱仪获得土壤高光谱数据，对土壤样品在400～2 400 nm的光谱反射率进行多元散射校正（multiplicative scatter correction，MSC）和Savitzky-Golay（SG）平滑后，进行一阶微分（first order differential reflectance，FDR）和二阶微分（second order differential reflectance，SDR）变换，并与Cr、Cd、Zn、Cu、Pb 5种重金属含量进行相关性分析，遴选出通过= 0.01显著性检验的高光谱特征波段作为反演模型的自变量，采用116个建模集样本构建偏最小二乘模型（partial least square regress , PLSR），通过精度检验筛选每个土壤重金属的最佳反演模型，并采用最佳地统计插值方法对高标准基本农田建设区域土壤重金属进行空间插值。结果表明：Cr的SDR-PLSR模型为最佳反演模型（=0.88，RPD=1.68），Cd的R-PLSR模型为最佳反演模型（=0.70，RPD=1.50），Zn的R-PLSR模型为最佳反演模型（=0.88，RPD=2.05），Cu的R-PLSR模型为最佳反演模型（=0.99，RPD=3.36），Pb的SDR-PLSR模型为最佳反演模型（=0.93，RPD=3.16）；采用构建的土壤重金属的最佳模型，对土壤重金属含量进行空间插值，结合高标准农田建设标准可知Zn含量符合土壤环境质量Ⅱ类标准且均低于土壤背景值，Cr、Cd、Cu和Pb符合土壤环境质量Ⅱ类标准，但是部分区域超过了土壤背景值。该研究为高光谱反演模型用于高标准基本农田建设区域土壤基础信息的实时监测提供了参考。

土壤；光谱分析；重金属；高光谱；反演；偏最小二乘回归；高标准基本农田

0 引 言

《高标准农田通则》和《高标准基本农田建设标准》指出，基本农田是指依据一定时期人口和社会经济发展对农产品的需要，根据土地利用总体规划确定的不得占用的耕地[1]。而高标准基本农田是一定时期内，通过农村土地整治建设形成的集中连片、设施配套、高产稳产、生态良好、抗灾能力强，与现代农业生产和经营方式相适应的基本农田[2]。高标准基本农田建设对于增强中国粮食安全保障能力、加快中国农业现代化发展，以及深化和扩展耕地数量、质量和生态全面管护内涵等具有重要意义[3]。但在建设高标准基本农田的过程中，大多重点强调对土地平整，道路、沟渠与其他工程的配套设施提高，而盲目的田间工程建设，易造成土地质量退化及土壤污染，影响农作物的产量。因此，分析并显示高标准基本农田建设区域土壤生态的空间分布差异，具有极大的重要性和迫切性。及时快速的获取高标准基本农田建设区域土壤重金属信息，了解土壤生态状况，保障高标准基本农田持续利用，成为目前需要关注和解决的科学问题。

当前围绕高标准基本农田建设的研究，大多数为高标准基本农田划定[4-6]、潜力评价[7-8]、适宜性评价[9-11]、建设时序与模式分区[12-14]、工程实施与效果评价[15]等，但高标准基本农田建设过程中，如何快速获取土壤重金属信息仍是重点。传统的土壤重金属测定虽然精度高，但耗时、费用高、环保性差，无法全面获取数据，而高光谱遥感技术具有高分辨率及其高效率、无损害、安全、环保等特性，很好的克服了传统方法的不足，为大范围获取高标准基本农田建设区域土壤重金属信息提供了可能。近年来，多数学者运用高光谱技术对土壤重金属进行了定量反演，为高标准基本农田建设区域土壤重金属反演提供了理论基础和技术依据。Kemper等[16]利用光谱反演了西班牙Aznalcollar矿区土壤重金属含量，Pb和Hg取得了较好的预测效果，Cu、Zn、Cr的预测精度不高。Siebielec等[17]利用光谱对波兰Tarnowskie Gory 矿区土壤中的Fe、Cr、Cu、Ni、Zn 的含量成功被预测，Pb的预测效果不佳。吕杰等[18]估算尾矿土壤Cu含量获得了较高的精度。宋练等[19]对重庆市万盛采矿区的土壤重金属建立的模型能很好的反演出土壤的重金属As，Cd，Zn含量。王菲等[20]探索光谱与山东省莱州市焦家金成矿带重金属铬浓度的相关关系，选取最优模型通过地理插值得到重金属铬浓度的空间分布。Tan等[21]认为利用高光谱遥感技术来定量估算矿区复垦农田重金属元素砷、锌、铜、铬和铅的含量是可行的。Kooistra等[22]发现利用的反射光谱可以较好地反演土壤重金属Zn、Cd的污染水平，PLSR模型是定量分析莱茵河流域土壤成分及重金属含量的有效途径。李刚等[23]对京藏高速公路及其周边地区的土壤重金属含量（砷、镉、铜、铅、锌）进行预测效果比较理想。Ren等[24]分析湖南宝山矿附近的农田土壤的高光谱数据，应用PLSR定量反演土壤重金属As和Cu的含量，监测土壤重金属污染。Wang等[25]对江苏宜兴市农田土壤重金属含量进行室内光谱反演，结果表明Pb、Zn、Cu的达到了预测效果，但As不理想。夏芳等[26]分析浙江省农田耕层土样土壤重金属的高光谱反演，结果表明Ni、Cr的模型具有一般的定量预测能力，Cu、As、Hg、Zn、Cd、Pb只具备区别高值和低值的预测能力。Shi等[27]统计土壤重金属通过遥感光谱反演文献，发现研究的区域分布在三角洲、郊区、河流沉积区、污染区和矿区等，而使用最为广泛的方法就是PLSR。对比研究结果表明，多数学者运用高光谱技术对矿区、复垦区、农田等土壤重金属进行了定量反演，但少有对高标准基本农田建设区域的土壤重金属反演。

鉴于此，以新郑市高标准基本农田建设区域为研究对象，在室内利用ASD Field Spec3型地物光谱仪获得土壤高光谱数据，利用Pearson相关分析对高光谱数据与土壤重金属Cd、Cr、Cu、Pb、Zn含量进行相关系数分析，筛选5种土壤重金属的显著性特征波段，基于偏最小二乘法构建土壤重金属的高光谱反演模型，从而获取新郑市高标准基本农田建设区域土壤重金属含量分布图，尝试采用高光谱技术反演高标准基本农田建设区域土壤重金属含量的可行性，为快速有效地监测高标准基本农田建设区域土壤生态状况提供技术支持。

1 材料与方法

1.1 研究区概况

新郑市位于河南省中部，隶属于郑州市，地处34°16′～34°39′N，113°30′～113°54′E之间，北靠省会郑州，东邻中牟县、尉氏县，南连长葛市、禹州市，西与新密市接壤，地势西高东低，西部为浅山丘陵区，东部为平原，西北部为丘岗地。新郑市属粮食主产区，全年粮食总产量27.31万t，土壤类型多样，主要以褐土、潮土与风砂土土类为主，素有“河南缩影”之称。属暖温带大陆性季风气候，气温适中，四季分明。新郑市土地总面积884.591 5 km2，耕地521.764 1 km2，占全市土地总面积的58.59 %，全年粮食总产量273 148 t。根据新郑市土地利用总体规划（2010－2020年），新郑市基本农田保护指标为427.73 km2。见图1。

图1 研究区概况及土壤样点分布

1.2 土样的采集与制备

根据研究区的土壤类型、地形特征和空间变异特点，兼顾行政单元（以乡镇或村为单元的完整性），采用2 km´2 km规则网格法布设采样点，形成的空间数据库中每个点包括其编号、经纬度坐标、所属乡镇、邻近村庄等基本信息。依据样点图和点位属性表，用GPS精确定位去野外采样，采样深度为0～30 cm土壤表层，并记录实际采样点坐标及详细的样地特征信息，本次采样共采集154个土壤样品，剔除土样中植物根茎残体及砖瓦片等侵入体，经室内进行自然风干、研磨并通过1 mm孔筛后，采用四分法取样，一式两份，一份用于实验室理化性质测定，另一份用于土壤光谱的测定。

1.3 土壤光谱测定

采用ASD光谱仪在室内条件下对经过处理的土壤样品测定土壤光谱反射率。光谱测试仪器是美国ASD公司生产的ASD Field Spec 3型光谱仪（光谱范围为350～ 2 500 nm）。光谱测定在暗室中进行，功率为50 W的卤素灯作为唯一光源，将土壤盛装在直径为10 cm，深度为 2 cm的黑色器皿中。进行光谱测定之前，先将土壤表面经过刮平处理，即用尺子沿土样器皿边缘朝同一方向刮平备用[28]，光源入射角度为45°，光源距离土样表面中心30 cm，探头视场角为25°，探头距离土样15 cm。测量过程中转动盛样皿3次，每次转动约90°，共获取4个方向的土样光谱，重复测量5次，共20次，取光谱反射率平均值作为原始反射率光谱值。由于波段350和2 500 nm附近受外界噪音影响较大，因此选取光谱范围400～2 400 nm用于分析。

1.4 光谱数据预处理

由于在 ASD 光谱仪采集、获取以及传输光谱信号的过程中，会产生一些噪声，因此有必要进行光谱降噪处理。本文采用多元散射校正（multiplicative scatter correction，MSC）进行光谱反射率数据处理，消除颗粒分布不均匀及颗粒大小产生的样品表面散射及光程变化对红外漫反射光谱的散射影响；为了消除光谱曲线噪音可能引起的误差，采用Savitzky-Golay（SG）滤波对数据进行平滑去噪处理。为了寻找土壤重金属含量与光谱反射率的敏感关系，需要对光谱反射率进行光谱变换，即一阶微分（first order differential reflectance，FDR）、二阶微分（second order differential reflectance，SDR）等。通过对光谱适当变换，可减弱甚至消除各种噪音的影响，提高光谱灵敏度，从而提高校正模型的预测能力和稳定性。经过SG滤波平滑后的光谱反射率曲线作为土壤样本用于光谱变换和反演建模的原始光谱反射率（raw spectral reflectance，）。研究中MSC、SG平滑滤波、FDR和SDR均在Unscrambler 9.7软件中完成。

1.5 光谱波特征段的选择

在土壤重金属高光谱数据的建模过程中，敏感波段往往通过土壤重金属含量与光谱反射率的相关分析进行确定，相关性越高，波段响应越敏感。因此，利用Pearson相关分析，对、FDR和SDR与土壤重金属含量进行相关系数分析，对相关系数进行=0.01水平上的显著性检验来确定高光谱特征波段，并作为建立重金属反演模型的自变量。

1.6 模型建立与验证

由于光谱数据信息量大、冗杂噪音严重，因此采用被广泛运用的PLSR模型进行光谱反演，该方法能够在自变量存在严重相关性及样本点个数少于变量个数的条件下进行回归建模，能有效地提取对系统能力最强的综合变量，排除无解释作用的噪声，使之对因变量有最佳的解释能力。建模过程采用full cross validation交叉验证法，用以确定最佳主成分个数[29]，选择最优的拟合结果。本研究在交叉验证均方根误差尽量小的情况下，使用尽量少的主成分进行建模，最终确定主成分个数的原则是每增加一个主成分，交叉验证均方根误差至少减少2%[30]。

在考虑土壤类型的基础上，采用Rank-KS法[31]，将研究区的154个样本分成建模集和预测集两组，建模集样本数116个，用于PLSR模型的构建，验证集样本数38个，用于检验模型的预测精度。建模精度的检验利用 得到的校正集决定系数、均方根误差RMSEC；交叉验证决定系数、均方根误差RMSECV；验证集检验根据验证集决定系数，均方根误差RMSEV和相对分析误差RPD，其中相对分析误差RPD是验证集标准差与验证集均方根误差的比值[32]。对于建模集来说，越大，RMSEC越小，建模精度越高，模型越稳定。而对于验证集来说，、RPD越大，RMSEV越小，预测精度越高。

1.7 重金属空间分布反演

根据土壤重金属的高光谱最佳反演模型，分别得到研究区土壤样本点的重金属含量，采用Arcgis10.2的地统计插值进行计算与理论模型的选择，筛选各重金属指标最适宜的地统计插值模型，绘制各重金属含量的空间分布图。

2 结果与分析

2.1 土壤重金属含量统计分析

土壤重金属含量测定结果见表1，新郑市采集的154个样本中，5种重金属Cr、Cd、Zn、Cu、Pb的质量分数从0.06～80.80 mg/kg，涉及范围广。标准差范围除了Cd为0.06外，其余4个重金属元素的标准差从4.55～11.73，变异系数为0.20～0.40，变异程度为中等变异性[33]。平均值除了Cd有超过背景值样点外，其余均低于背景值，说明该区域土壤环境质量总体是好的；但从最大值可以看出有部分样点的土壤重金属元素含量与背景值相近，甚至超出背景值，根据土壤重金属污染的单因子指数法，可知Cr、Zn、Cu、Pb的污染指数都接近于1，存在潜在危害甚至轻度污染；Cd的污染指数为2.51，处于2～3，属于中度污染，所以新郑市高标准基本农田应该加强土壤质量调查与动态监测，以便及时发现并控制土壤的重金属污染。

表1 土壤重金属含量统计特征

2.2 土壤重金属与光谱反射率的相关性分析

将土壤重金属含量与、FDR和SDR进行相关性分析，得到每个土壤重金属与对应的光谱反射率相关系数曲线，并作相关系数在= 0.01水平下的显著性检验（双侧），如图2及表2所示。

图2 不同变换形式光谱与土壤重金属 Cr, Cd, Zn, Cu, Pb的相关系数

表2 不同光谱与土壤重金属相关系数的最值及对应波段

由图2可得，研究区土壤重金属Cr、Cd、Zn、Cu、Pb含量与的相关系数曲线比较平滑，且极值点多数与土壤反射光谱吸收特征所在位置吻合，进一步说明土壤中的不同成分对土壤光谱有着密切的联系，可认为这些波段原始反射光谱对重金属较敏感。其中Cr与的相关分析中除了1 500和1 800 nm附近，其余均通过= 0.01水平显著性检验；Cd与的显著相关波段多集中于400～ 1 000 nm、1 400附近、1 600附近、1 900附近以及2 100～2 400 nm；Cu与的显著相关波段最少，多集中于400～500 nm；Zn与的显著相关波段数为497，多集中于500、1 600、1 800和2 000 nm附近；Pb与的显著相关波段多集中于400～1 000 nm、1 900～2 400 nm，涵盖了铁锰氧化物和粘土矿物的特征吸收区。其中Cr、Cd、Pb的相关系数曲线形状接近，Cd的相关系数分布方向与Cr和Pb相反，Zn与Cu的相关系数曲线形状接近。经过FDR、SDR变换后，与FDR、SDR的相关系数的变化不再呈近似单一变化，而是在正负值之间频繁波动，说明FDR、SDR变换可以有效突出土壤隐藏的光谱反射率特征。

由表2可得，土壤重金属Cr、Cd、Pb的FDR、SDR显著性波段数相比逐渐减少；而Zn和Cu的FDR、SDR显著波段数较均增加。根据表2的最大相关波段，Cr与的最大相关波段出现在2 381 nm（相关系数=0.53），位于高岭石的次级吸收特征区域，与FDR、SDR的最大相关波段在1 581 nm（相关系数= –0.66）和1 579 nm（相关系数= –0.66），位于铁锰氧化物及其水化物的特征吸收光谱区域附近；Cd与、FDR、SDR的最大相关波段出现在633 nm（相关系数= –0.56）、524 nm（相关系数= –0.60）、725 nm（相关系数= 0.61），位于Fe2+和Fe3+的特征光谱吸收区；Zn与、FDR的最大相关波段出现在1 630 nm（相关系数= –0.44）、1 599 nm（相关系数= –0.56），位于铁锰氧化物及其水化物的特征吸收光谱区域附近，与SDR的最大相关波段出现在947 nm（相关系数= 0.61），位于Fe3+的特征光谱吸收区；Cu与的最大相关波段出现在480 nm（相关系数= –0.39），位于Fe2+的特征吸收区域，与FDR、SDR的最大相关波段出现在1847 nm（相关系数= –0.62）和1 732 nm（相关系数= –0.63），位于铁锰氧化物及其水化物的特征吸收光谱区域附近；Pb与的最大相关波段出现在593 nm（相关系数= 0.58），位于Fe2+的特征吸收区域，与FDR、SDR的最大相关波段出现在1 239 nm（相关系数= 0.76）和1 237 nm（相关系数= 0.71），位于铁锰氧化物及其水化物的特征吸收光谱区域附近[35]。根据表2的最大相关波段的相关系数，5种重金属的FDR、SDR的最大相关波段的相关系数绝对值较均增加。其中除了Pb的SDR的最大相关波段的相关系数绝对值比FDR略低外，其他4个重金属均是最大的。

综上所述，光谱反射率经过FDR和SDR变换后可以有效突出土壤隐藏的光谱反射率特征，选用、FDR和SDR通过= 0.01显著性水平的相关波段作为光谱特征波段。

2.3 模型构建及精度验证

选取、FD、SD光谱与土壤重金属含量的显著性相关波段分别作为PLSR模型的自变量，以土壤重金属Cr、Cd、Zn、Cu、Pb的含量为因变量，采用交叉验证法来确定反演模型中最佳主成分数，利用建模集的116个样本建立PLSR模型并进行交叉验证，然后根据验证集的38个样本来评判模型预测精度，结果见表3。

表3 土壤重金属的PLSR模型的建模与验证

由表3校正集结果可知，5种土壤重金属中Cr、Zn、Cu、Pb重金属分别以、FDR和SDR为自变量的PLSR模型的具有较高的决定系数，其值均大于0.7，其中Cu以为自变量的PLSR模型的决定系数高达0.99；土壤重金属Cd以R和FDR为自变量的PLSR模型具有较高的决定系数，其值大于0.7，以SDR为自变量的PLSR模型的决定系数相比较低，其值为0.54。由表3交叉验证结果显示，Cd、Zn和Cu以为自变量的PLSR模型交叉验证系数最高，RMSECV最小；Cr和Pb以SDR为自变量的PLSR模型交叉验证系数最高，RMSECV最小。对比校正集及交叉验证结果并结合最佳主成分数，发现Cr和Pb以SDR为自变量的PLSR模型的建模效果较好，Cd、Zn和Cu以模型为自变量的PLSR模型的建模效果较好。

图3 验证集样点实测值与预测值拟合散点图

2.4 土壤重金属空间反演

利用最佳反演模型得到研究区土壤重金属Cr、Cd、Zn、Cu、Pb的含量，进行数据统计分析和数据分布检验，并根据插值结果的指标检验，选取最优的插值法得到研究区土壤重金属含量空间反演图（图4），其中重金属Cr采用采用普通Kriging插值法，重金属Cd采用析取Kriging插值法，重金属Cu、Zn、Pb均采用贝叶斯Kriging插值法。

图4 研究区土壤重金属含量分布图

《高标准农田建设标准（NY/T 2148-2012）》指出耕作层土壤重金属含量指标应符合《土壤环境质量标准》（GB15618-2008），“影响作物生长的障碍因素应降到最低限度”。因此，结合《高标准农田建设标准（NY/T 2148-2012）》、《土壤环境质量标准 GB15618—2008》土壤无机污染物的环境质量第Ⅱ级标准值农业用地标准（pH为6.5～7.5）和河南省主要元素的土壤环境背景值，由图4可得，研究区西南区域的土壤重金属Cr含量较高，达到了74.193 8 mg/kg，符合土壤环境质量Ⅱ类标准，但是超过了土壤背景值；北部区域的土壤重金属Cd含量较高，达到了0.292 mg/kg，符合土壤环境质量Ⅱ类标准，但是大部分区域均超过了土壤背景值；土壤重金属Cu的含量在研究区西南区域和西北区域达到了最大值，为25.762 8 mg/kg，符合土壤环境质量Ⅱ类标准，但西北区域的Cu含量超过了土壤背景值；整个研究区的土壤重金属Zn含量均符合土壤环境质量Ⅱ类标准，且均低于土壤背景值，符合高标准基本农田建设的土壤环境质量标准；研究区西南区域的土壤重金属Pb含量较高，达到了32.076 2 mg/kg，符合土壤环境质量Ⅱ类标准，但是超过了土壤背景值。

3 讨 论

高光谱遥感技术对土壤重金属含量的高光谱反演研究多集中于矿区，对矿区土壤污染监测和治理是可行准确、有效的方法。《高标准基本农田建设标准》中明确提出“坚持数量、质量、生态并重，确保基本农田数量稳定、质量提高，促进农村地区经管优化、生态良好”、“增加高标准基本农田面积，提高耕地质量，加强生态环境建设，发挥生产、生态、景观的综合功能”、“建成后的耕地质量等别达到所在县的较高等别”等要求，说明高标准基本农田作为耕地的精华部分，要求耕地数量稳定、质量提高、生态良好。“十三五”规划（2016－2020年）要求全面划定永久基本农田，大规模推进农田水利、土地整治、中低产田改造和高标准农田建设。高标准基本农田建设的重点在于坚持耕地质量与高标准农田基础工程同步建设，在加强农田基础设施建设的同时，把土壤改良、培肥地力、耕地质量监测网点建设等作为高标准农田建设项目实施的重要内容。而土壤重金属污染是高标准基本农田建设区域土壤生态的直接表现，为了保证土壤生态良好，应实施实时监测土壤重金属信息，加强土壤生态建设，有针对性的改善土壤现有状况，并保证在高标准基本农田田间工程建设过程中，土壤免受二次污染，以此保障土壤生态良好和粮食生产安全。因此，将高光谱引入对高标准基本农田建设区域土壤信息的获取，有助于实时监测高标准基本农田建设区域土壤的污染状况，为高标准基本农田建设过程中土壤信息的获取提供一种新的技术手段。研究发现利用高光谱对高标准基本农田建设区域土壤重金属含量的反演是可行的，借助地统计学方法对高光谱反演模型插值能够较好反演研究区空间分布规律[[1]7]，为实时、快速、准确的获取高标准基本农田建设区域的土壤生态状况提供了可能，为实现高标准基本农田建设提供数据基础与技术支持，为探索高标准基本农田建设区域项目区优选决策与建设提供参考，推进高标准基本农田建设的实施。

通过构建高标准基本农田建设区域土壤重金属高光谱PLSR反演模型，比较分析精度检验结果可知，Cr和Pb以SDR为自变量的PLSR模型为最佳模型，Cu、Cd和Zn以为自变量的PLSR模型为最佳模型。从相对分析误差RPD来看，Cr的SDR-PLSR模型的RPD均位于1.4和1.8之间，具备一定的预测能力；Cd的R-PLSR模型的RPD均位于1.4和1.8之间，具备一定的预测能力；Zn的R-PLSR模型的RPD位于2.0和2.5之间，具有很好的定量预测能力；Cu在R-PLSR模型的RPD大于2.5，具有极好的预测能力；Pb的SDR-PLSR模型的RPD均大于2.5，具有极好的预测能力。

采用构建的土壤重金属的最佳模型，对土壤重金属含量进行空间插值，并结合高标准农田建设标准可知，除了Zn含量符合土壤环境质量Ⅱ类标准且均低于土壤背景值外，Cr、Cd、Cu和Pb虽符合土壤环境质量Ⅱ类标准，但是部分区域超过了土壤背景值，因此，高标准基本农田的建设迫切要求遥感技术能够提供给其快速、准确的土壤重金属信息。而在高标准基本农田研究中，对土壤重金属信息的分析和估算，高光谱遥感技术具有广阔的应用前景，利用高光谱遥感技术对土壤重金属进行动态监测，能够为实现高标准基本农田建设提供数据基础和技术支持，为高标准基本农田建设区域的优选提供参考依据。

土壤光谱是土壤属性的综合反映。高标准基本农田建设过程中，土壤有机质、氮磷钾等养分、土壤水分、土壤质地等基础信息也是至关重要的，本文仅对土壤重金属进行光谱反演，没有涉及其他土壤属性，不同的有机质对重金属的吸附强度也是不同的。因此，今后将进一步研究有机物等土壤属性对重金属含量估算的影响，及其他土壤属性的反演分析，为实现高标准基本农田建设提供数据基础与技术支持。由于土壤的区域独特性，以及野外环境的不确定性，是否能将室内光谱数据模型应用到野外以及高光谱影像中仍是今后研究的重点。

4 结 论

本文以新郑市高标准基本农田建设区域土壤为研究对象，利用154个土壤样本的重金属含量数据及对应的室内高光谱数据，构建基于PLSR模型的新郑市高标准基本农田建设区域土壤重金属的高光谱反演模型；并利用最佳地统计插值法对土壤重金属Cr、Cd、Zn、Cu、Pb进行空间插值，探讨了高光谱反演在高标准基本农田建设区的必要性和可行性。结论如下：

1）对原始光谱反射率进行MSC和SG平滑预处理基础上进行FDR和SDR变换，有效突出了土壤隐藏的光谱反射率特征。通过对、FDR和SDR分别与土壤重金属Cr、Cd、Zn、Cu、Pb进行相关性分析，5种重金属的FDR和SDR的最大相关系数波段的相关系数绝对值较均增加；并遴选出= 0.01水平的显著性检验的波段作为最佳光谱特征波段。

2）基于偏最小二乘法，以3种光谱变换的光谱特征波段为自变量，构建新郑市高标准基本农田建设区域的土壤重金属反演模型；比较3种光谱变换下建立的土壤重金属的PLSR模型精度检验结果，Cr的SDR-PLSR模型的RPD为1.68，Cd的R-PLSR模型的RPD为1.50，均位于1.4和1.8之间，具有一般的预测能力；Zn的R- PLSR模型的RPD为2.05，位于2.0～2.5之间，具有很好的预测能力；Cu在R-PLSR模型的RPD为3.36，Pb的SDR-PLSR模型的RPD为3.16，均大于2.5，具有极好的预测能力。结合散点图中多数样本实测值与预测值都集中在1∶1线附近，Cr和Pb的SDR-PLSR模型为最佳反演模型，Cd、Zn和Cu的R-PLSR模型为最佳反演 模型。

3）利用构建的土壤重金属含量最佳模型，采用最佳地统计插值法对新郑市高标准基本农田建设区域的土壤重金属进行空间插值，结合高标准农田建设标准，对新郑市高标准基本农田建设区域的土壤重金属状况进行分析，除了Zn含量符合土壤环境质量Ⅱ类标准且均低于土壤背景值外，Cr、Cd、Cu和Pb虽符合土壤环境质量Ⅱ类标准，但是部分区域超过了土壤背景值，因此，在高标准基本农田建设区域采用高光谱遥感技术实施土壤重金属信息监测工作具有现实意义。

[1] 中华人民共和国国土资源部. 基本农田划定技术规程：TD/T1032-2011[S].北京：中国标准出版社，2011.

[2] 中华人民共和国国土资源部.高标准基本农田建设标准：TD/T1033-2012[S].北京：中国标准出版社，2012.

[3] 刘新卫，李景瑜，赵崔莉.建设4亿亩高标准基本农田的思考与建议[J].中国人口·资源与环境，2012，22(3)：1－5.

[4] 王新盼，姜广辉，张瑞娟，等. 高标准基本农田建设区域划定方法[J]. 农业工程学报，2013，29(10)：241－250.Wang Xinpan, Jiang Guanghui, Zhang Ruijuan, et al. Zoning approach of suitable areas for high quality capital farmland construction[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013,29(10): 241－250. (in Chinese with English abstract)

[5] 任艳敏，唐秀美，刘玉，等. 考虑耕地生态质量的基本农田划定方法[J].农业工程学报，2014，30(24)：298－307.Ren Yanmin, Tang Xiumei, Liu Yu, et al. Demarcating methodof prime farmland considering ecological quality of cultivated land[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014,30(24): 298－307. (in Chinese with English abstract)

[6] 钱凤魁，王秋兵，李娜. 基于耕地质量与立地条件综合评价的高标准基本农田划定[J]. 农业工程学报，2015，31(18)：225－232.Qian Fengkui, Wang Qiubing, Li Na. High-standard prime farmland planning based on evaluation of farmland quality and siteconditions[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(18): 225－232. (in Chinese with English abstract)

[7] 杨伟，谢德体，廖和平，等. 基于高标准基本农田建设模式的农用地整治潜力分析[J]. 农业工程学报，2013，29(7)：219－229.Yang Wei, Xie Deti, Liao Heping, et al. Analysis of consolidation potential of agricultural land based on constructionmode of high-standard basic farmland[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(7): 219－229. (in Chinese with English abstract)

[8] 王晨，汪景宽，李红丹，等. 高标准基本农田区域分布与建设潜力研究[J]. 中国人口×资源与环境. 2014(S2)：226－229.Wang Chen,Wang Jingkuan, Li Hongdan, et al.Research on regional distribution and potentialityof high—standard basic farmland[J]. China Population, Resources and Environment. 2014(S2): 226－229. (in Chinese with English abstract)

[9] 林勇刚，陈凌静，王锐. 重庆城市发展新区高标准基本农田建设适宜性评价研究：以潼南县柏梓镇为例[J]. 江西农业学报，2015，27(2)：111－115.Lin Yonggang, Chen Lingjing, Wang Rui. Study on suitability evaluation of high－standard basic farmland construction in developmental zone of chongqingcity: Taking Baizi Town of Tongnan County as an example[J]. Acta Agriculturae Jiangxi, 2015, 27(2): 111－115. (in Chinese with English abstract)

[10] 崔勇，刘志伟. 基于GIS的北京市怀柔区高标准基本农田建设适宜性评价研究[J]. 中国土地科学，2014，(9)：76－81.Cui Yong, Liu Zhiwei.A GIS-based approach for suitability evaluation of high standard primary farmland consolidation: A case from Huairou in Beijing[J]. China Land Sciences, 2014, (9):76－81. (in Chinese with English abstract)

[11] 赵素霞，牛海鹏，张捍卫，等. 基于生态位模型的高标准基本农田建设适宜性评价[J]. 农业工程学报，2016，32(12)：220－228.Zhao Suxia, Niu Haipeng, Zhang Hanwei, et al. Suitability evaluation on high quality capital farmland consolidation based on niche-fitness model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(12): 220－228. (in Chinese with English abstract)

[12] 冯锐，吴克宁，王倩. 四川省中江县高标准基本农田建设时序与模式分区[J]. 农业工程学报，2012，28(22)：243－251. Feng Rui, Wu Kening, Wang Qian. Time sequence and mode partition of high-standard prime farmland construction in Zhongjiang county, Sichuan province[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(22): 243－251. (in Chinese with English abstract)

[13] 薛剑，韩娟，张凤荣，等. 高标准基本农田建设评价模型的构建及建设时序的确定[J]. 农业工程学报，2014，30(5)：193－203.Xue Jian, Han Juan, Zhang Fengrong, et al. Development of evaluation model and determination of its construction sequence for well-facilitied capital farmland[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(5): 193－203. (in Chinese with English abstract)

[14] 李发志，孙华，江廷美，等. 高标准基本农田建设区域时序划分[J]. 农业工程学报，2016，32(22)：251－258. Li Fazhi, Sun Hua, Jiang Tingmei, et al. Time sequence division of high-standard prime farmland construction area[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(22): 251－258. (in Chinese with English abstract)

[15] 蔡洁，李世平. 基于熵权可拓模型的高标准基本农田建设项目社会效应评价[J]. 中国土地科学，2014(10)：40－47.Cai Jie,Li Shiping. Social effects evaluation of high-standard primary farmland construction project based on entropy-weighted method and extension model[J]. China Land Sciences, 2014(10): 40－47. (in Chinese with English abstract)

[16] Kemper T, Sommer S. Estimate of heavy metal contamination in soils after a mining accident using reflectance spectroscopy[J]. Environmental Science & Technology, 2002, 36(12): 2742－ 2748.

[17] Siebielec G, Mccarty G W, Stuczynski T I. Near-and mid- infrared diffuse reflectance spectroscopy for measuring soil metal content[J]. Journal of Environmental Quality, 2004, 33(6): 2056－2069.

[18] 吕杰，郝宁燕，崔晓临. 利用可见光近红外的尾矿区农田土壤Cu含量反演[J]. 农业工程学报，2015，31(9)：265－270. Lü Jie, Hao Ningyan, Cui Xiaolin. Inversion model for copper content in farmland of tailing area based on visible- near infrared reflectance spectroscopy[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(9): 265－270. (in Chinese with English abstract)

[19] 宋练，简季，谭德军，等. 万盛采矿区土壤As,Cd,Zn重金属含量光谱测量与分析[J]. 光谱学与光谱分析，2014(03)：812－817. Song Lian, Jian Ji, Tan Dejun, et al. Estimation of soil's heavy metal concentrations(As, Cd and Zn)in Wansheng mining area with geochemistry and field spectroscopy[J]. Spectroscopy and Spectral Analysis, 2014(3): 812－817. (in Chinese with English abstract)

[20] 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(2)： 13－18.Wang Fei, Cao Wentao, Kang Rifei, et al. Study on monitoring of soil heavy metal Cr in golden mining areas based on field measured spectrum[J]. Environmental Pollution & Control, 2016(2): 13－18. (in Chinese with English abstract)

[21] Tan Kun, Ye Yuanyuan, Du Peijun, et al. Estimation of heavy metal concentrations in reclaimed mining soils using reflectance spectroscopy[J]. Spectroscopy and Spectral Analysis, 2014, 34(12):3317－3322(6).

[22] Kooistra L, Wanders J, Epema G F, et al. The potential of field spectroscopy for the assessment of sediment properties in river floodplains[J]. Analytica Chimica Acta, 2003, 484(2): 189－200.

[23] 李刚，王勇，孙连英. 基于支持向量机的土壤重金属含量预测研究[J]. 北京联合大学学报：自然科学版，2015(2)：36－40.Li Gang，Wang Yong，Sun Lianying. Study on the prediction of heavy metal content on soil based on support vector machine[J]. Journal of Beijing Union University, 2015(2): 36－40. (in Chinese with English abstract)

[24] Ren Hongyan, Zhuang Dafang, Singh.A N, et al. Estimation of As and Cu contamination in agricultural soils around a mining area by reflectance spectroscopy: A case study[J]. Pedosphere, 2009, 19(6):719－726.

[25] Wang Junjie, Cui Lijuan, Gao Wenxiu, et al.Prediction of low heavy metal concentrations in agricultural soils using visible andnear-infrared reflectance spectroscopy[J]. Geoderma,2014, 216(1): 1－9.

[26] 夏芳，彭杰，王乾龙，等. 基于省域尺度的农田土壤重金 属高光谱预测[J]. 红外与毫米波学报，2015(5)：593－598.Xia Fang, Peng Jie, Wang Qianlong, et al. Prediction of heavy metal content in soil of cultivated land: Hyperspectral technology at provincial scale[J]. J. Infrared Millim. Waves, 2015(5): 593－598. (in Chinese with English abstract)

[27] Shi Tiezhu, Chen Yiyun, Liu Yaolin,et al.Visible and near-infrared reflectance spectroscopy: An alternative for monitoring soil contamination by heavy metals[J].Journal of Hazardous Materials,2014,265: 166－176.

[28] 侯燕平，吕成文，项宏亮，等.土样处理方式对室内土壤高光谱测试稳定性影响探讨[J]. 土壤通报，2015(2)：287－291.Hou Yanping, Lü Chengwen, Xiang Hongliang, et al. Treatment effects on soil hyperspectral stability in laboratorytest[J]. Chinese Journal of Soil Science, 2015, 46(2): 287－ 291. (in Chinese with English abstract)

[29] 王慧文. 偏最小二乘回归方法及其应用[M]. 北京：国防工业出版社，1999.

[30] 袁中强，曹春香，鲍达明，等. 若尔盖湿地土壤重金属元素含量的遥感反演[J]. 湿地科学，2016(1)：113－116.Yuan Zhongqiang, Cao Chunxiang, Bao Daming, et al. Inversion on contents of heavy metals in soils of wetlands in zoigê plateau based on remote sensing data[J]. Wetland Science, 2016(01): 113－116. (in Chinese with English abstract)

[31] 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(4)：947－951.Liu Wei, Zhao Zhong, Yuan Hongfu, et al. An optimal selection method of samples of calibration set and validation set for spectral multivariate analysis[J].Spectroscopy and Spectral Analysis,2014(4): 947－951. (in Chinese with English abstract)

[32] Rossel R A V, Taylor H J, Mcbratney A B. Multivariate calibration of hyperspectral γ-ray energy spectra for proximal soil sensing[J]. European Journal of Soil Science. 2007, 58: 343－353．

[33] 郑昭佩，刘新作．土壤质量及其评价[J]. 应用生态学报，2003，14(1)：131－134．Zheng Zhaopei, Liu Xinzuo. Soil quality and its evaluation[J]. Chinese Journal of Applied Ecology, 2003, 14(1): 131－134. (in Chinese with English abstract)

[34] 邵丰收，周皓韵. 河南省主要元素的土壤环境背景值[J]. 河南农业，1998，10：28.

[35] 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. Xie Xianli,Sun Bo, Hao Hongtao. Relationship between visible-near infrared reflectance spectroscopy andheavy metal of soil concentration[J].Acta Pedologica Sinica, 2007, 44(6):982－993. (in Chinese with English abstract)

Inversion of heavy metals content with hyperspectral reflectance in soil of well-facilitied capital farmland construction areas

Zhang Qiuxia1, Zhang Hebing1※, Liu Wenkai1,2, Zhao Suxia1

(1.454000,; 2.450046,)

Hyperspectral reflectance provides an alternative method to soil’s physical and chemical analysis in laboratory for the estimation of soil properties in large range. In order to achieve rapid measurement of the soil heavy metal content in well-facilitied capital farmland construction areas, 154 soil samples at 0-30 cm depth were collected as research objects, which were from well-facilitied capital farmland construction areas in Xinzheng City, Henan Province. The raw hyperspectral reflectance of soil samples was measured by the standard procedure with a spectrometer of ASD Field Spec3 equipped with a high intensity contact probe under the laboratory conditions. Meanwhile, the contents of Cr, Cd, Zn, Cu, and Pb in these soil samples were analyzed. The 116 samples were used for building hyperspectral estimation models and the other 38 samples were used for model validation. In the next, the raw spectral reflectance of 400-2400 nm after multiplicative scatter correction and Savitzky-Golay was transformed to 2 spectral indices, i.e. first order differential reflectance(FDR) and second order differential reflectance(SDR). The correlation coefficient between the 3 kinds of spectral indices and Cr, Cd, Zn, Cu, Pb content was analyzed by Pearson correlation analysis. Then, the correlation coefficients (<0.01) of the 3 spectral indices were got in significant test, which could be used to extract significant bands. At last, we used partial least squares regression (PLSR) method to build quantitative inversion models of soil heavy metal content based on significant bands for this study area, respectively. The prediction accuracies of these models were assessed by comparing determination coefficients (), root mean squared error (RMSE) and relative percent deviation (RPD) between the prediction and validation values. Based on these, the optimal models were selected. The spatial distribution map of Cr, Cd, Zn, Cu and Pb content was made by geographical interpolation. The results showed that, conducting the first order differential reflectance and second order differential reflectance transformation on raw soil spectral data, could highlight the hidden spectral reflectivity characteristics effectively. Among all of the 3 spectral indices based on PLSR model, the model of second order differential reflectance about Cr could obtain more robust prediction accuracies, its values ofwas 0.88，its values of RPD was 1.68; the model of the raw spectral reflectance () of 400-2 400 nm after multiplicative scatter correction（MSC）and Savitzky-Golay（SG）about Cd、Zn and Cu could obtain more robust prediction accuracies, their values ofwere 0.70, 0.88 and 0.99, their values of RPD were 1.50, 2.05 and 3.36 respectively; Pb could obtain more robust prediction accuracies, their values ofwas 0.93，its values of RPD was 3.16. The optimum model of soil heavy metal was used to interpolate the soil heavy metal content; the content of Zn was in accordance with the standard of soil environmental quality, and the contents of Cr, Cd, Cu and Pb met the soil environmental quality standard Ⅱ, but the contents in some well-facilitied capital farmland construction areas were more than the soil background value. This study provides a reference for the real-time monitoring of soil basic information in well-facilitied capital farmland construction areas by hyperspectral inversion model.

soils; spectrum analysis; heavy metals; hyperspectral; inversion; partial least square regression (PLSR); well-facilitied capital farmland

10.11975/j.issn.1002-6819.2017.12.030

S127

A

1002-6819(2017)-12-0230-10

2016-12-30

2017-06-12

国土资源部公益性行业科研专项（201411022）；国家自然科学基金项目（41641057）；河南省高校科技创新团队（18IRTSTHN008）

张秋霞，女，河南济源人，博士研究生，研究方向为矿区土地复垦与生态重建。焦作 河南理工大学测绘与国土信息工程学院，454000。Email：zqx_0818@163.com。

张合兵，男，河南滑县人，教授，主要从事土地空间信息获取、利用、整治及其信息化等研究。焦作 河南理工大学测绘与国土信息工程学院，454000。Email：jzitzhb@hpu.edu.cn。

张秋霞，张合兵，刘文锴，赵素霞.高标准基本农田建设区域土壤重金属含量的高光谱反演[J]. 农业工程学报，2017，33(12)：230－239. doi：10.11975/j.issn.1002-6819.2017.12.030 http://www.tcsae.org

Zhang Qiuxia, Zhang Hebing, Liu Wenkai, Zhao Suxia.Inversion of heavy metals content with hyperspectral reflectance in soil of well-facilitied capital farmland construction areas[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(12): 230－239. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.12.030 http://www.tcsae.org