基于野外實測光譜的金礦區土壤重金屬鉻監測研究*

王 菲 曹文濤 康日斐 曹見飛 吳泉源

(山東師范大學地理與環境學院，山東 濟南 250014)

土壤是人類生存的重要物質基礎，由于人類活動影響，土壤環境面臨著嚴峻的重金屬污染問題，其中金礦及其周邊區域為典型的重金屬污染地區。隨著金礦的開采，伴生元素被遷移到環境中，礦渣、尾礦中的鉻會擾亂自然界中鉻的正常分布，使土壤中鉻含量增加甚至超標，造成重金屬污染。鉻含量超標易造成農作物減產，還可通過地球化學鏈、食物鏈進入生物體[1]，對人類健康造成危害。

傳統土壤重金屬監測手段費時費力，且僅適用于小尺度監測。高光譜遙感技術的快速發展為大面積監測土壤中重金屬濃度提供一種有效手段。許多學者發現，土壤中的某些重金屬與可見光—近紅外光譜有較好的相關性?；谠撀撓?，研究者們成功地利用反射光譜預測了多地區的土壤重金屬含量[2-9]。然而，現階段用于重金屬反演的光譜多用于實驗室內測量，無法真實反映土壤在野外環境中的光譜響應。本研究以山東省萊州市焦家金成礦帶為研究區，采集土樣進行重金屬鉻含量的化學分析和光譜野外實測。利用主成分回歸法和多元逐步回歸法研究了原始光譜及其一階微分、二階微分轉換光譜指標的建模精度。應用反演模型和空間插值技術得到研究區鉻濃度分布情況，旨在為焦家金成礦帶土壤重金屬鉻的監測和防治提供理論與技術支撐。

1 研究區概況

焦家金成礦帶位于膠東半島西北部，地理坐標為東經120°05′～120°15′，北緯37°20′～37°32′，屬于溫帶季風性氣候，年平均降水量為600～700 mm，土壤類型主要是棕壤土(pH 6.0～7.0)、褐土(pH 7.0～7.5)。大地構造位置處于華北地臺南緣膠北隆起區，古老的變質基底、多期多成因的巖漿活動和以北東向斷裂為主的構造格架，構成了研究區的成礦地質背景。

研究區內礦區眾多，多為金礦，其中焦家金礦早在1980年建成并投入生產。由于礦產企業生產工藝落后，礦渣、尾礦無害化處理設施不足和金屬冶煉過程產生的廢水、廢氣、廢渣排放等原因，造成金礦及周邊地區土壤中重金屬鉻含量明顯增加。

圖1 研究區及采樣點Fig.1 Study area and sampling sites

2 數據采集

2.1 土樣采集與化驗

本次采樣時間為2014年11月13—19日，共設85個采樣點，具體分布見圖1。為保證采樣點覆蓋整個研究區，首先將區域劃分成10行×10列的大網格，在大網格中設置精細小網格(3行×3列)，隨機選取小網格，并在其中任意位置劃30 m×30 m的樣方。樣方位置的土地利用類型涉及耕地、林地、草地、園地、采礦用地等，其中采礦用地及其附近多設采樣點，而東南部丘陵區因巖石裸露地區多，土壤覆蓋少，采樣點相對稀疏。樣方內采用多點混合法進行采樣，沿樣方對角線采點，在兩條對角線的4等分點處采樣，每個點用木鏟取0～20 cm表層土，剔除雜物后均勻混合，記錄采樣點坐標并拍照。對85份土樣進行現場光譜野外實測，光譜測量后選取其中35份土樣裝入聚乙烯塑料袋中帶回實驗室，置于木盤中通風陰干，用木棍壓碎并過100目尼龍篩，采用電感耦合等離子體原子發射光譜法(ICP-AES)測定鐵、鉻兩種金屬元素含量。35份土樣中鐵、鉻元素的實測值見圖2。

圖2 35份土樣中鐵、鉻的質量濃度Fig.2 Concentration of Fe and Cr in 35 soil samples

2.2 土壤光譜測量

土壤野外光譜測量使用美國ASD公司生產的FieldSpec便攜式手持地物光譜儀，探測器采用低噪聲512像素光電二極管陣列檢測器(PDA)，采樣間隔為1 nm，光譜分辨率為3 nm，波長范圍325～1 075 nm，共750個波段。測量土壤為每樣方內的表層土混合土樣。地面光譜測量時，天氣狀況良好，晴朗無云，以自然光為光源，測量前將光譜儀開機預熱15～30 min，進行白板定標。測量時探頭朝下正對土壤，與水平面法線的夾角保持在±10°以內，距離待測土壤表面50 cm，每份土樣測量10條光譜數據并做好記錄。

3 光譜數據預處理與變換

為提高反演精度，需在建模前排除無關信息及噪音。獲取數據后，首先去除每份土樣中明顯錯誤的曲線，剩下的光譜曲線計算算術平均值作為該樣本的實際光譜反射數據。平滑降噪則采用5點一次平滑法。通過平滑，有效降低了光譜數據的噪聲，提高信噪比。

圖3 85份土樣的原始光譜及其微分曲線Fig.3 The raw spectra and deviation spectral curves of 85 soil samples

光譜變換作為一種能有效突出光譜特征的手段被廣泛應用。大量研究表明，光譜經一階微分、二階微分變換后，在土壤與地表參量的定量反演中可以取得較好效果[10-14]。微分處理能消除平緩背景干擾產生的影響，使光譜數據的輪廓變得更加清晰，在提高原始光譜分辨率的同時還具有放大微小峰值的效果[15]。因此,本研究通過微分變換對原始光譜提取一階微分和二階微分兩種光譜指標,85份土樣的原始光譜及其微分曲線見圖3。

4 建模與反演

4.1 相關性分析

自然土壤中鉻的平均質量濃度為50～100 mg/kg，總體較低，對土壤光譜曲線的影響較微弱，而鐵元素在土壤中以游離鐵離子、鐵氧化物和絡合物等形式大量存在，對土壤光譜反射率影響明顯。鐵的氧化物對土壤中重金屬鉻有一定吸附作用，若兩者含量相關性較高，則測量的土壤光譜在反映鐵元素的同時也能體現鉻的光譜特征，因此可以利用土壤光譜對與鐵含量相關性較高的重金屬進行預測，這是反射光譜預測重金屬含量的基本原理[16-17]。經化驗，35份土樣中鐵質量濃度最大值為267.0 mg/kg，鉻質量濃度最大值為71.8 mg/kg，兩者最小值則分別為173.0、22.9 mg/kg(見表1)。由鐵、鉻在35份土樣中的濃度分布情況(見圖2)可知，鐵、鉻最大值均出現在第6個土樣，最小值則均出現在第24個土樣，且鐵、鉻的濃度曲線變化趨勢相同，這在一定程度上說明了兩者的相關性。用皮爾森法對土樣中鐵、鉻濃度的相關性進行分析，土樣中鐵、鉻濃度的相關系數達0.863，P為0，呈顯著相關，因此可以利用反射光譜對土壤中的鉻含量實施監測。

表1 35份土樣的鐵、鉻質量濃度統計結果

注：1)指《土壤環境質量標準》(GB 15618—1995)中土壤pH在6.5～7.5時的二級標準。

4.2 回歸方法介紹

主成分回歸分析是多元回歸分析方法中的一種，該方法通過對全部光譜信息進行壓縮，將高度相關的波長點歸于一個獨立變量，提取為數不多的獨立變量建立回歸方程，消除變量之間的多重共線性問題，通過內部檢驗來防止過度擬合。多元逐步回歸分析是基于多元回歸分析發展起來的一種數學分析方法，能有效提高變量選擇的準確性。該方法的優點在于可以保證選入方程的自變量都與因變量顯著相關[18]。

表2 土壤重金屬鉻與光譜指標的回歸方程1)

注：1)Y為土樣中鉻的實測值，mg/kg；X1～X19分別為從微分光譜數據中抽取的第1～19個主成分；X1 075、X513為原始光譜在1 075、513 nm處的反射率；X1 066、X369、X1 052為原始光譜反射率在1 066、369、1 052 nm處的一階微分值；X373、X573、X914為原始光譜反射率在373、573、914 nm處的二階微分值。

表3 模型參數比較

多元逐步回歸分析與主成分回歸分析的不同之處在于，主成分分析的目的在于降維，將全部光譜信息歸約到少數成分，同時最大程度地保留原信息量；而多元逐步回歸的目的是剔除影響不顯著的變量，僅利用個別突出影響波段實現擬合。

4.3 模型建立與驗證

將35份土樣分為兩組，25份土樣為建模樣本，10份土樣為驗證樣本，并保證建模樣本和驗證樣本盡量均勻分布于研究區內。在分析反射光譜與鉻濃度的相關性并結合光譜特征吸收區域的基礎上，依次利用主成分回歸法和多元逐步回歸法，建立原始光譜及微分光譜指標與土壤鉻濃度的6個回歸模型。其中，多元逐步回歸法選入和剔除自變量的概率參數分別為0.05、0.10，置信水平為0.95。主成分回歸法同樣在置信水平0.95的條件下進行。本研究依據決定系數(R2)最高、(F)檢驗通過(P<0.05)及標準誤差最小的原則，進行重金屬鉻最佳反演模型的選擇?；貧w方程見表2。

兩種方式建模結果的具體參數比較見表3。

在建立的主成分回歸模型中，基于原始光譜的回歸模型含5個主成分，可解釋99.82%的光譜信息；利用一階微分、二階微分光譜指標建立的回歸模型均含19個主成分，可解釋100.00%的光譜信息。原始光譜經微分變換后，回歸模型的主成分數量過多，雖涵蓋所有的光譜波段信息，但回歸方程均不能通過F檢驗(P>0.05)，表明微分光譜指標與鉻濃度間的線性關系不顯著，無法用線性回歸方程進行擬合?？梢姡?個主成分回歸模型中，基于原始光譜的回歸模型表現最優，R2為0.594，標準誤差為5.645 mg/kg，且通過F檢驗。

多元逐步回歸模型中，原始光譜模型共引入2個波段的光譜信息，模型R2為0.572，低于原始光譜的主成分回歸模型；經一階微分變換后，回歸模型擬合效果最理想，共引入3個波段的一階微分值，模型R2高達0.878，標準誤差最小，為2.906 mg/kg，方程的線性關系高度顯著(P=0)；經二階微分變換后，回歸模型對鉻濃度的擬合效果也較好，模型R2達到0.826，但預測精度略低于一階微分光譜指標模型，這主要是因為雖然微分處理有利于分解波段間的重疊、削弱波段間的自相關性，使光譜輪廓更加清晰，但隨著微分階數的增加，信噪比下降，可能會在某些波段上減弱與土壤參量的相關性，因此一階微分光譜指標模型的穩定性和預測精度要優于二階微分光譜指標模型。

綜合比較兩種方法，多元逐步回歸法建立的一階微分光譜指標模型更優，這是由于主成分回歸法利用了幾乎全部的光譜信息，這其中有些波段重金屬鉻的反射特征并不明顯，由此削弱了整體的光譜特征，降低了模型精度。而多元逐步回歸法選取的波段與鉻濃度間的相關性較大，具有一定代表性。

圖4 建模樣本鉻質量濃度實測值與預測值Fig.4 Measured Cr contents and predictive Cr contents

回歸模型建立后需要對模型進行檢驗，將驗證樣本分別帶入以上4個通過F檢驗回歸模型中，驗證樣本在原始光譜的主成分回歸模型的R2為0.468，標準誤差為6.230 mg/kg，基于原始光譜、一階微分光譜指標、二階微分光譜指標的多元逐步回歸模型的R2分別為0.514、0.910、0.779，標準誤差則分別為6.580、1.890、2.670 mg/kg。驗證樣本的R2和標準誤差同樣反映了模型擬合效果的優劣，進一步印證了基于一階微分光譜指標的多元逐步回歸模型預測效果更理想，為最優模型。為更直觀地表現4種模型的模擬結果，繪制不同模型下建模樣本中鉻元素實測值和預測值的關系圖，見圖4。

4.4 土壤重金屬鉻的反演

根據回歸分析建立的最優模型和其余50個采樣點光譜特征數據，反演得到對應采樣點的重金屬鉻含量。利用所有采樣點鉻濃度，采用地理插值法繪制研究區內鉻濃度分布圖，見圖5。

由圖5可見，研究區內鉻的濃度表現出以下分布規律：(1)研究區鉻含量呈現以礦區為中心向外遞減趨勢；(2)礦區集中程度與鉻濃度呈正比關系，即礦區越密集，土壤中鉻濃度越高；(3)結合研究區地形(見圖1)可知，平原區鉻濃度總體上高于丘陵地帶；(4)鉻質量濃度最高值出現在研究區中部，為71.8 mg/kg，該地礦區分布集中且地勢平坦，鉻元素易于積累，最低值則位于研究區東南部丘陵區，為20.9 mg/kg?？傮w而言，鉻濃度變化與礦區分布狀況表現出密切的空間相關性。

圖5 研究區重金屬鉻的質量濃度分布Fig.5 The distribution of Cr concentrations in study area

5 結 論

鐵的氧化物對重金屬鉻的吸附作用是反射光譜預測重金屬鉻的基本原理，研究區內土壤鉻含量與鐵含量相關性較高，相關系數達0.863?；诖?，本研究通過選取兩種常見的光譜數據處理方法，利用35個樣本建立土壤鉻含量與光譜信息的回歸模型，比較方程參數，選擇最優反演模型，應用地理插值法將分散點土壤鉻含量的反演數據進行空間插值，得到研究區內鉻含量的空間分布情況。得到以下結論：

(1) 主成分回歸法建立的3個方程中，基于原始光譜信息的模型擬合效果最優，R2為0.594、標準誤差為5.645 mg/kg，而基于一階微分、二階微分光譜指標的主成分回歸方程未通過F檢驗，說明光譜指標與土壤鉻含量線性關系不顯著；在統一設定的置信水平和顯著性水平下進行多元逐步回歸分析，基于3種光譜指標建立的多元逐步回歸模型均能理想地預測土壤鉻含量，其中一階微分光譜指標的多元逐步回歸模型R2達到0.878、P為0、標準誤差為2.906 mg/kg。經綜合比較，基于一階微分光譜指標的多元逐步回歸方程為最優模型。

(2) 根據反演結果可知，研究區重金屬鉻質量濃度最高值為71.8 mg/kg，最低值為20.9 mg/kg。在GB 15618—1995的二級標準中，鉻的限值為200 mg/kg(6.5≤pH≤7.5)，可見，研究區土壤中鉻含量未超標，不存在鉻污染問題。但土壤中的鉻會引起植物花葉病、抑制植物生長等，并通過生物富集危害人體健康，因此實施土壤鉻含量的監測具有現實意義。

(3) 研究區內鉻的分布呈現較強規律性：距離礦區越近的土壤鉻濃度越高，距離越遠則鉻濃度越低，鉻濃度最高值出現在研究區中部礦區密集區域；其次，丘陵地區鉻濃度總體低于平原地區。

綜上所述，利用野外實測光譜反演研究區土壤重金屬鉻含量現實、可行，在充分發揮高光譜遙感優勢的基礎上，野外實測大大提高了光譜的實效性，為研究區重金屬鉻的監測提供了理論依據和技術支持。

[1] 吳漢福，田玲，吳友剛，等．煤矸石山周圍土壤重金屬污染及生態風險評價[J].工業安全與環保，2012,38(8)：37-40．

[2] KOOISTRA L,LEUVEN R S E W,WEHRENS R,et al.A comparision of methods to relate grass reflectance to soil metal contamination[J].International Journal of Remote Sensing,2003,24(24):4995-5010.

[3] KOOISTRA L,WEHRENS R,LEUVEN R S E W,et al.Possibilties of visible-near-infrared spectroscopy for the assessment of soil contamination in river flood plains[J].Analytica Chimica Acta,2001,446(1/2):97-105.

[4] PANDIT C M,FILIPPELLI G M,LI L.Estimation of heavy-metal contamination in soil using reflectance spectroscopy and partial least-squares regression[J].International Journal of Remote Sensing,2010,31(15):4111-4123.

[5] 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(2):166-176.

[6] 任紅艷，莊大方，邱冬生，等．礦區農田土壤砷污染的可見—近紅外反射光譜分析研究[J].光譜學與光譜分析，2009，29(1)：114-118．

[7] 宋練，簡季，譚德軍，等．萬盛采礦區土壤重金屬As,Cd,Zn含量光譜測量與分析[J].光譜學與光譜分析，2014，34(3)：812-816．

[8] 李鑫龍，陳圣波，陳磊．基于地面實測光譜的多金屬礦區土壤重金屬含量反演研究[J].科學技術與工程，2014，14(7)：121-125．

[9] 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.

[10] 黃長平，劉波，張霞，等．土壤重金屬Cu含量遙感反演的波段選擇與最佳光譜分辨率研究[J].遙感技術與應用，2010，25(3)：353-357．

[11] 王維，沈潤平，吉曹翔，等．基于高光譜的土壤重金屬銅的反演研究[J].遙感技術與應用，2011，26(3)：348-354．

[12] 解憲麗，孫波，郝紅濤．土壤可見光—近紅外反射光譜與重金屬含量之間的相關性[J].土壤學報，2007，44(6)：982-993．

[13] SHI Tiezhu,CUI Lijuan,WANG Junjie,et al.Comparison of multivariate methods for estimating soil total nitrogen with visible/near-infrared spectroscopy[J].Plant and Soil,2013,366(1/2):363-375.

[14] 龔紹琦，王鑫，沈潤平，等．濱海鹽土重金屬含量高光譜遙感研究[J].遙感技術與應用，2010，25(2)：169-177．

[15] 李民贊．光譜分析技術及其應用[M].北京：科學出版社，2006．

[16] 王璐，藺啟忠，賈東，等．基于反射光譜預測土壤重金屬元素含量的研究[J].遙感學報，2007，11(6)：906-913．

[17] WU Yunzhao,CHEN Jun,WU Xinmin,et al.Possibilities of reflectance spectroscopy for the assessment of contaminant elements in suburban soils[J].Applied Geochemistry,2005,20(6):1051-1059.

[18] 肖捷穎，王燕，張倩，等．土壤重金屬含量的高光譜遙感反演方法綜述[J].湖北農業科學，2013，52(6)：1248-1253．