基于高光谱遥感方法的土壤重金属污染检测应用

2023-01-10温志纯

能源与环境 2022年5期

温志纯

（广东顺德顺冠检测有限公司广东佛山 528300）

0 引言

随着我国城镇化建设的推进以及工农业的不断发展，土壤污染问题日益突出，而在众多的土壤污染源中，重金属污染位居首位。据相关报道［1-2］，我国近年来重金属土壤污染事件频发，其中主要以铜、汞、砷、铅、镉、铬、锌、镍等重金属为主，局部地区还有锰、钴、硒、钒、锑、铊等。土壤中的重金属污染正在严重破坏自然环境，多呈现出积累性、隐蔽性、持久性和难可逆性，因此对土壤中重金属含量进行检测势在必行。

常规的检测方法有传统的野外采样和室内化学分析方法，如原子荧光光谱检测仪和原子发射光谱检测仪等，这些方法虽然具有测量精确度高、准确性强等优点，但是既浪费时间也浪费人力物力，并且很难获取大面积空间上连续的污染物含量分布信息，无法满足检测土壤重金属污染需要迅速且范围广的要求［3］。高光谱遥感的方法具有宏观、实时、原位的检测特点，能够满足土壤重金属污染检测的需求，在航空遥感、航天遥感和便携式高光谱仪等领域的应用，实现由点到面、由定性到定量的大面积原位立体检测分析。因此，现代高光谱遥感技术的发展为土壤重金属信息的检测提供了新的视角。

我国对高光谱遥感技术方法的研究起步相比国外较晚。1981 年，徐彬彬等［4］测定了土壤样品360 nm～2 500 nm 波段范围内的反射率，将土壤光谱反射率曲线划分为平直型、缓斜型、陡坎型和波浪型4 种类型。关天康［5］团队将高光谱技术应用到农田土壤重金属的CaCl2提取态含量的研究中，结果表明，水稻叶片高光谱数据分析土壤中CaCl2提取态重金属的含量，构建了很好的线性相关关系，因此为大面积动态立体检测农田土壤重金属污染状况与预报灾害提供了新的思路和研究方法；建立了基于偏最小二乘回归法（PLSR）分析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，并且利用最佳的统计插值法对土壤重金属进行空间插值，讨论了利用此方法对农田建造区实施的重要性。

从1920 年以来，国外学者利用高光谱遥感技术检测对矿区土壤、耕地土壤以及城市土壤进行了研究。众多学者根据土壤的光谱反射率数据和土壤的反射光谱来分析其区别并进行分类，实现了间接预测土壤中重金属的含量。SAURAV 等［6］对采集的土壤光谱曲线进行了相应的数学变换，使用数学中倒数的一阶微分和二阶微分等方法，利用多元线性回归方法找出相应的敏感波段，建立对应的模型。目前，对于使用高光遥感技术来对土壤中重金属进行预测以及研究的技术越来越成熟，具体体现在建立的模型多元化以及模型精度的高准确性。

1 高光谱遥感方法

高光谱遥感是近些年来迅速发展起来的一种全新遥感技术，是指利用很多很窄（通常＜10 nm）的电磁波波段从目标物体获取相关数据的方法［4］。高光谱遥感又称高光谱分辨率遥感，是集探测器、微弱信号检测、精密光学机械、信息处理、计算机于一体的综合性技术［5］。高光谱图像由成像光谱仪获取，成像光谱仪为每个像元提供数十至数百个窄波段光谱信息，产生一条完整而连续的光谱曲线。在成像过程中，它利用成像光谱仪以纳米级的光谱分辨率，以几十或几百个波段同时对地表地物成像，在获取地表空间图像的同时，将传统的图像维与光谱维信息融合为一体，能够获得地物的连续光谱信息，实现了地物空间信息、光谱信息、辐射信息的同步获取。

高光谱成像获取的图像包含了丰富的空间、光谱和辐射三重信息，因而在相关领域具有巨大的应用价值和广阔的发展前景［6］。由于高光谱遥感能提供精细的光谱信息，有些学者将高光谱遥感的研究从最开始的矿物识别扩展到了植被与生态、水体、环境资源勘探等方面，目前主要集中在水文地质和地球环境等研究领域。

我国的高光谱遥感技术发展处于国际前列，由中科院自主研发的高光谱图像处理与分析通用软件系统（HIPAS）被国际同行评为全球六大高光谱图像处理软件之一，取得了具有国际重大影响的相关成果，并实现了向美、日、德、意等发达国家在高光谱遥感应用方面的技术输出［7］。

2 案例研究—高光谱土壤重金属铬检测

2.1 光谱数据采集试验

在本研究中，使用FieldSpec 手持式光谱辐射计（美国科罗拉多州博尔德分析光谱设备）在325 nm～1 075 nm 波长范围内收集采样点的光谱数据，采样间隔为1 nm，共750 个波段。为了提高测量精度，对校准板进行了提前测量。每个土壤样品用10 个光谱数据测量，加权平均值也用作样品点的实际光谱数据。在测量中，回归模型的准确度由于外部因素的影响而降低。因此，在建立模型之前，有必要对光谱数据进行预处理。本研究的预处理方法包括一阶微分方程、二阶微分方程和连续介质去除法。通过一阶微分方程、二阶微分方程和连续介质去除法的预处理算法，消除了土壤光谱数据的基线漂移，提高了光谱数据的分辨率，增强了光谱数据与土壤参数的相关性［8］。

本文研究区域是山东莱州焦家金矿的成矿带，面积约180 km2。35 个采样点主要集中在成矿带及其周边地区，采样土壤深度为0 cm～20 cm，采样点涉及田间、果园等，拍摄并记录每个采样点的GPS 坐标。每个采样点取2 个相同的土壤样品，通过土壤光谱测量和重金属元素含量测量进行测量。在土壤中加入热硝酸后，使用电感耦合等离子体原子发射光谱法（ICP-AES）测定样品土壤中的元素含量。通过实验室对土壤样品进行化学分析，得到重金属中铬元素的统计特征值：最大值为71.8 mg/kg，最小值为22.9 mg/kg，平均值为43.6 mg/kg，中值为44.6 mg/kg，标准差为20.0 mg/kg。

原始反射光谱数据处理结果如图1 所示。

图1 原始反射光谱数据处理结果

2.2 回归分析结果讨论

回归分析模型是在逐步多元回归的基础上进一步发展起来的，是对回归方法的一种优化。这种回归分析的核心思想在于根据对逐步进入回归方程的贡献的重要程度，考虑所有变量的方差。在整个回归过程中，由于新变量误差较大，回归模型会自动删除前一过程中选择的变量［9］。然而，新引入的变量在变量选择中具有显著相关性，并且将再次被选择，直到它们既没有达到消除状态，也没有达到引入状态。

本研究共有35 个样本点，选择25 个样本点学习回归模型，其余10 个样本作为测试集。根据土壤光谱特征，根据光谱变量对重金属铬含量进行逐步多元回归分析。模型的样本数为25，测试中的样本数为10。通过逐步多元回归建立，原始反射光谱模型在等式（1）中计算，一阶微分模型在等式（2）中计算，二阶微分模型在等式（3）中计算，连续介质去除模型在等式（4）中计算。

式中：X1075、X513、X1066、X369、X1052、X1373、X573、X914、X554和X1054分别代表1 075 nm、513 nm、1 066 nm、369 nm、1 052 nm、1 373 nm、573 nm、914 nm、554 nm 和1 054 nm 的预处理数据值。

在分析光谱变量与铬含量的相关性以及光谱特征的吸收区域的基础上，建立了铬含量与不同光谱变量之间的逐步多元回归模型。以一阶微分、二阶微分和连续介质去除的光谱参数为自变量，以土壤中铬含量为因变量，进行回归分析。根据回归系数R2的原理，显著性水平F 最大，标准误差最小，选择了土壤重金属铬的高光谱最优回归方程。回归分析的系数如表1 所示。

表1 回归分析系数

精度检验采用多元逐步回归分析。将剩余的10 个样本带入每个模型，得到样本的预测值。此外，测量值和预测值在图中进行了拟合，拟合度越高，表明模型的精度越高［10］。每个模型的拟合如图2 所示，水平坐标为测量值，纵向坐标为预测值。

图2 预测值和测量值对比分析图

通过建立逐步多元回归模型，我们发现4 个回归方程中回归系数和显著水平F 的降序分别为一阶微分、二阶微分、原始反射光谱和连续介质去除。通过对模型样本和测试集进行拟合，一阶微分方程Yfirst-orderdifferential=754.782X1066-22712.8X369+951.237X1052+35.962 的拟合度最高为0.91，因此我们认为用一阶微分模型测量重金属铬含量是可行的。