高光譜遙感數據在農作物重金屬脅迫調查中的應用

李力生, 彭瑪麗

(四川金核礦業有限公司,四川成都 610052)

?

高光譜遙感數據在農作物重金屬脅迫調查中的應用

李力生, 彭瑪麗

(四川金核礦業有限公司,四川成都 610052)

利用高光譜遙感數據對四川崇州地區研究作物進行光譜角匹配識別，結合光化學植被指數，有效劃分了可評價區域。隨后對采樣點處遙感光譜信息進行了提取，運用線性回歸及多元回歸方法，建立了光學信息與土壤各重金屬含量間的經驗模型，并結合潛在生態危害指數法進行脅迫等級的劃分，取得了良好的調查效果。

高光譜遙感回歸；經驗模型；重金屬脅迫

隨著我國農業的快速發展，農業土壤重金屬污染問題越來越被重視，如何準確、高效地進行土壤重金屬污染調查對后期修復治理尤為重要。高光譜遙感技術具有覆蓋廣、光譜信息全、實時快速等特點，近年來被廣泛的運用于農業、環境等領域。研究區“十萬畝良田”示范基地位于崇州市最宜發展農業的西南平原，土壤肥沃，水系發達，是成都重點打造的農產品示范項目。筆者通過對研究區土壤重金屬As、Cr、Cd、Pb、Hg含量和光學信息間的回歸分析，建立經驗模型，以達到預測區域性土壤重金屬脅迫等級的目的。

1　數據和方法

1.1影像數據該研究采用HJ-1A號衛星高光譜遙感數據，地面分辨率為100 m×100 m，光譜涵蓋460～950 nm，有115個譜段。由于高光譜數據波譜前段有明顯條帶現象，且前段波譜受干擾較大，研究主要使用紅谷至紅外波段(660～900 nm[1-2]共計42個譜段)。

1.2地物識別為從遙感影像上快速獲取研究作物分布情況，使用ENVI軟件對研究作物進行光譜角匹配識別(SAM)，目標波譜采用10個實地調查點中最相近的4個波譜，調整Rule Threshold至剛好完整覆蓋實地調查的10個樣點，且未包含5個非研究植物點。研究通過Vegetation Index Calculator工具計算植被指數[3]，提取光化學植被指數(圖1)、類胡蘿卜素反射指數中無值像元可得非植被覆蓋區域(圖1中藍色區域)，通過對比發現光化學植被指數(PRI)不僅能識別植物與非植物(建筑、水體等)而且還具有一定識別條帶干擾的作用，是植被指數中識別無效區的最佳指數。對比SAM識別結果和光化學植被指數識別的非植物區(圖2)，可見重合部分較少，SAM識別作物效果良好。

圖1　光化學植被指數(PRI)Fig.1　Photochemical vegetation index(PRI)

圖2　研究作物及非植物區Fig.2　Research crops and non plant area

1.3實地調查及采樣該研究采樣點布設遵循全面、代表、客觀、隨機性原則，采用棋盤式布點法等距采樣，鑒于研究區為不規則形狀，設左上角任一點為原點，以1 000 m為調查采樣間距，結合ArcGIS軟件，布置采樣點。綜合SAM識別結果和提取無效區ROI，剔除不在作物區域或在無效區域上的點后，確立了44個有效調查采樣點。由于一個采樣點所占影像像元大小為100 m×100 m(設為1個采樣單元)，因此需在采樣單元中使用對角線法設置5個點采集土壤樣本。最終各單元土壤重金屬值為5個采樣土壤去除異常值后的平均值。實地調查采樣后可知44個點中有42個為研究作物，識別正確率達95%，識別效果優異。

1.4數據分析基于數學回歸思想，采用IBM SPSS22軟件進行數據處理，選用線性回歸和多元回歸建立經驗模型[2，4]，分析土壤重金屬元素含量與光學信息間的關系。光學信息為660～900 nm波段上的微分光譜、光譜特征參數以及植被指數[5-7]，結合實際光譜確定具體研究光學參數見表1[2,7-9]。

表1　土壤重金屬各光學參數

1.5評價方法重金屬脅迫評價采用潛在生態危害指數法，該方法是一種綜合考慮土壤重金屬含量、重金屬的生態、環境效應與毒理等因素的科學評價方法[10]。計算公式為：

2　結果與分析

2.1擬合模型將42個采樣點的各光學信息與實際重金屬數據帶入SPSS中進行回歸分析，通過不斷對比各回歸結果，獲得土壤各重金屬最優擬合模型見表2。

表2　土壤各重金屬最優擬合模型

2.2重金屬脅迫評價通過樣品分析可知土壤RI最高值為145，42個采樣點均處在污染指數RI輕微生態危害階段，反映了研究區重金屬總體綜合污染程度輕微。但單項污染中Hg污染系數大于40的有10個單元，均為中度生態危害；Cd污染系數大于40的有20個單元，其中1個為強生態危害、19個為中等生態危害；As、Cr、Pb均小于40，生態危害輕微。由于擬合模型預測值區間的限定，因此理論可預測RI值區間為(44，156)，區間外模型可能不適用，為適應研究區污染狀況，該研究在可預測區間內對重金屬脅迫等級進行劃分，劃分后單項污染系數和脅迫等級分級標準見表3。

表和RI分級標準

使用ENVI Band Math波段運算工具及Density Slice工具[3]，構建相關模型，生成模型參數，提取研究無效區后，生成可預測區域的污染指數圖(圖3)和脅迫等級圖(圖4)。

圖3　可預測RI值分布Fig.3　Predictable RI value distribution

圖4　可預測脅迫等級分布Fig.4　Predictable stress level distribution

從圖4可看出，研究區內可評價區域絕大部分處于脅迫等級Ⅰ、Ⅱ級，農作物受重金屬脅迫較小，整體生態環境質量良好；作物脅迫Ⅲ級地塊呈零散分布，究其原因可能是脅迫地塊農作中未合理進行農藥施用或周圍存在排污地物(養殖場、工廠、垃圾堆積地)導致。

2.3模型檢驗對42對重金屬實測值和模型預測值進行誤差分析，獲得的平均絕對百分誤差、平均誤差及均方根誤差[4]見表4。

表4各重金屬實測值和模型預測值誤差

Table 4Error of heavy metal measured value and model predicted value

重金屬Heavymetal平均絕對百分誤差Meanabsolutepercentageerror∥%平均誤差Averageerror均方根誤差RootmeansquareerrorAs20.42972.0251052.398869Cd16.27320.0412940.047292Cr1.55041.4207221.774667Hg13.1950.0126970.014906Pb5.14471.7440672.122031RI7.3256.3164978.011817

由表4可知，As、Cd、Hg元素的平均絕對百分誤差較大，誤差相對真實值百分比較高；RI雖然平均絕對百分誤差較小，但平均誤差、均方根誤差數值較大，反映出預測值和真值在數值上偏差較大。該項目著重研究脅迫程度，且運用表3脅迫分級標準判別42個調查點實際與預測脅迫程度，有36個判別正確，正確率達到85.7%，由此可見誤差在可接受范圍內，構建模型有良好的脅迫預測效果。

為檢驗模型在未知點預測的效果，研究對比了10個未知點的實際重金屬數據及模型預測數據，獲得相關誤差見表5。在脅迫等級的劃分中，10個點脅迫等級判別正確率達到了90%，證明了模型在脅迫等級劃分中的有效性。

由表4、5可知，構建模型對土壤重金屬含量、污染指數、脅迫等級有良好的預測效果，能粗略地預測種植研究作物的土壤中重金屬的含量，并能較為準確地劃分污染脅迫等級。

表5　10個檢驗點誤差情況

3　結論

該研究以崇州十萬畝良田區為研究區域，運用統計學方法回歸擬合構建土壤重金屬與光學信息間的數學模型，用以預測土壤重金屬值及脅迫情況。該方法能快速有效地獲取區域土壤重金屬含量粗略信息及較為準確地作物重金屬脅迫情況，但是構建模型的預測值與真實值間仍有一定的誤差，因此不能完全精確的獲取土壤重金屬值。該研究流程適用于區域性農耕土壤重金屬含量及脅迫粗略調查，能為今后農耕土壤治理修復、土地規劃等提供依據，奠定農業綠色健康可持續發展的基礎。

該研究獲取的遙感影像有明顯條帶現象，光譜信息的真實性有一定削減，勢必對研究有根本上的影響，并且傳統條帶處理手段可能引入新的干擾也不宜使用，同時遙感影像固有的易受外界干擾的影響的性質也不利于研究。因此，獲取及使用高質量的高光譜遙感影像有利于提高研究的真實性、可靠性。

[1] 關麗，劉湘南.兩種用于作物冠層葉綠素含量提取的改進光譜指數[J].地球科學進展，2009,24(5):548-554.

[2] 王平.農作物重金屬污染脅迫遙感弱信息增強與計算[D].長春：東北師范大學，2010.

[3] 李小娟，宮兆寧，劉曉萌，等.ENVI遙感影像處理教程(升級版)[M].北京：中國環境科學出版社，2008.

[4] 吳石林，張玘.誤差分析與數據處理[M].北京：清華大學出版社，2010.

[5] 浦瑞良，宮鵬.高光譜遙感及其應用[M].北京：高等教育出版社，2000.

[6] 劉偉東.高光譜遙感土壤信息提取與挖掘研究[D].北京：中國科學院研究生院，2002.

[7] 王紀華，趙春江，黃文江.農業定量遙感基礎與應用[M].北京：科學出版社，2008.

[8] 田國良，包佩麗，李建軍，等.土壤中鎘、銅傷害對水稻光譜特性的影響[J].環境遙感，1990,5(2):140-150.

[9] 于飛，邱政芳，齊國輝，等.土壤鉻含量對蘋果葉片鎘含量及葉綠素含量影響[J].河北林果研究，2008，23(1):45-48.

[10] 趙沁娜，徐啟新，楊凱.潛在生態危害指數法在典型污染行業土壤污染評價中的應用[J].華東師范大學學報(自然科學版)，2005(1)：111-116.

Application of Hyperspectral Remote-sensing Data in Investigation of Heavy Metal Stress for Crops

LI Li-sheng, PENG Ma-li

(Sichuan Jinhe Mining Co. Ltd., Chengdu, Sichuan 610052)

The appraisable area was divided effectively by using hyperspectral remote-sensing data to differentiate the corner matching for research crops of Chongzhou area, Sichuan, combining with the photochemical vegetation index. By extracting the remote sensing spectral information from the sampling positions, a classical model for optical information and soil heavy metal contents was established with linear regression and multiple regression method. On the basis of the above work and the stress grade division of potential ecological risk assessment, this research has achieved prominent survey effect.

Hyperspectral remote sensing regression; Empirical model; Heavy metal stress

李力生(1992- )，男，四川成都人，從事遙感及物探技術研究。

2016-06-24

S 127

A

0517-6611(2016)24-238-03