基于地物光譜和Landsat8遙感影像的土壤鉛含量反演研究

馬磊 顏安

摘要：隨著人類活動的影響，重金屬污染逐漸成為土壤和環境研究的重點。采用遙感技術可以克服傳統重金屬監測過程中的缺點，做到快速、高效地反映重金屬空間分布。本文以克拉瑪依市某區域為研究區，利用SVC HR-768光譜儀和Landsat8影像對41塊土壤樣品進行地物光譜和波段反射率的獲取，采用相關性分析和偏最小二乘回歸的原理，建立地物光譜與Landsat8數據的土壤鉛含量反演模型。結果表明，基于一階微分變換的地物光譜能更好地反映光譜與重金屬鉛含量的相關性，建立的模型為最優預測模型;通過波段比值和波段差值方式建立的基于Landsat8波段反射率的反演模型精度較好，能粗略預測土壤重金屬鉛的含量，并且基于Landsat8影像反演的土壤鉛含量空間分布符合土壤樣點實測值的空間分布，為今后土壤環境監測土壤重金屬含量提供數據支撐。

關鍵詞：高光譜;Landsat8;鉛;相關性分析;偏最小二乘法;土壤環境監測

中圖分類號：S127?文獻標識號：A?文章編號：1001-4942（2019）12-0120-07

Abstract?With the influence of human activities， heavy metal pollution has gradually become the focus of soil and environmental research. The application of remote sensing technology could overcome the shortcomings in the process of traditional monitoring of heavy metals and reflect the spatial distribution of heavy metals quickly and efficiently. In this study， the SVC HR-768 spectrometer and Landsat8 images were used to obtain hyperspectral data and band reflectance of 41 soil samples in Karamay City. By using the principle of correlation analysis and partial least-squares regression， the inversion model of soil lead content based on hyperspectral and Landsat8 data was established. The results showed that the first order differential transform could better reflect the correlation between the spectrum and the heavy metal lead content， and it was the best prediction model. The retrieval model based on Landsat8 spectral reflectance established by band ratio and band difference had better accuracy， and could roughly predict the content of heavy metal lead in soil， moreover， the spatial distribution of soil lead content based on Landsat8 model was consistent with the measured spatial distribution of soil sample points， and provided data support for monitoring heavy metal content in soil environment in the future.

Keywords?Hyperspectral; Landsat8; Lead; Correlation analysis; Partial least squares regression; Soil environment monitoring

土壤不僅是人們所依賴的環境，也是農業生產中不可缺少的一部分[1]。隨著人類活動的不斷產生，土壤環境將面臨巨大的壓力和挑戰，主要表現在土壤重金屬元素超標和土壤生態功能退化等方面[2]。重金屬超標會對人們的生活造成長期且緩慢的影響[3]。因此，對重金屬的監測能有效推動土壤環境的監測和保護。

目前，傳統土壤重金屬監測采用樣品采集和化學分析的方法，該方法成本較高，周期較長，并且需要消耗大量人力和物力[4]，而采用遙感技術能克服傳統土壤重金屬監測過程中存在的問題，做到大區域、高效以及環保地監測土壤重金屬含量。Cheng等[5]采集了湖北省武漢市郊區的93份土壤樣品，發現鎘含量預測與土壤有機質密切相關，采用近紅外光譜與偏最小二乘模型相結合是快速監測郊區土壤重金屬超標的一種替代方法。吳明珠等[6]通過對福州土壤光譜進行數學變換，提取520～530、1 440～1 450、2 010～2 020、2 230～2 240 nm 4個敏感波段，建立了土壤重金屬鉻的預測模型。

隨著遙感衛星的出現，利用遙感衛星數據進行土壤元素研究也逐漸增多。多光譜遙感技術能通過較少的成本研究大區域范圍內土壤元素指標的數量和分布情況[7]。Fard等[8]利用偏最小二乘法建立了反射光譜與重金屬含量之間的關系，對比了基于Landsat8波段直接反演和間接反演的模型，發現直接反演的精度高于間接反演。姚蘋等[9]利用Landsat7影像的波段像元灰度值成功反演石亭江流域中下游土壤鉛和鎳含量，證明多光譜 Landsat7影像能作為土壤鉛和鎳含量預測建模的數據源。

本研究通過地物光譜與Landsat8多光譜影像波段分別與重金屬鉛含量進行相關性分析，提取相關性較大的波段用于建立偏最小二乘回歸預測模型，采用決定系數和均方根誤差對比不同遙感數據條件下重金屬鉛的預測模型精度，最后通過Landsat8反演模型預測鉛含量的空間分布，預測結果符合實際鉛含量的空間分布，說明利用多光譜數據反演土壤某些重金屬元素含量具有可行性。

1?材料與方法

1.1?研究區概述

研究區位于新疆維吾爾自治區克拉瑪依市境內，為東經85°15′～86°00′、北緯45°38′～46°13′區域，自然坡降約3%，平均海拔在300 m左右。研究區屬于典型的溫帶大陸性荒漠氣候，寒暑差異懸殊，冬季積雪較厚，主要農作物有小麥、玉米和棉花等。

1.2?土壤樣品采集

采集日期為2017年4月5日，在研究區設置采樣間距為300 m×300 m，共采集0～20 cm土層土壤樣品41個。采集土樣的同時利用手持 GPS 記錄所取樣點的經緯度，并填寫野外土壤樣點記錄表，研究區采樣點如圖1所示。土壤樣品經風干、磨碎、過0.25 mm篩后分別用于光譜測量和化學測定。模型建立時，每3個樣點作為一組，每組從中隨機抽取一個作為驗證樣點，最終得建模樣品27份，驗證樣品14份。

1.3?光譜數據的獲取

1.3.1?地物光譜的獲取?本研究用于暗室光譜測量的儀器為SVC HR-768型地物光譜儀，范圍為350～2 500 nm。在暗室，將樣點土壤裝在直徑為15 cm、深約2.5 cm的黑色器皿內，并用木板刮去超出器皿的土壤，保證待測土壤表面平整光滑。采用1 000 W的鹵素燈提供光源，光源照射方向與垂直方向夾角為30°，光源距土壤樣品的距離為30 cm，光譜儀裸露光纖距離土壤約15 cm。光譜測定前，光譜儀和鹵素燈先預熱0.5 h，測定時，每3～5個樣點測一次白板，保證測定的精度。光譜儀設置10次平均，每個土壤樣品分別測3個方向，每次旋轉90°，將30條區域平均后作為該樣點土壤的實測光譜數據。

1.3.2?Landsat8多光譜數據的獲取?采用Landsat8作為多光譜數據源，數據來源于美國地質調查局（United States Geological Survey，http：//glovis.usgs.gov/）。Landsat8共有11個波段，從中選取可見光到紅外光的前8個波段，空間分辨率為30 m。對遙感影像進行輻射定標、大氣校正等處理后，根據采樣點地理坐標位置，從Landsat8影像上提取采樣點的多光譜波段數據。

1.4?地物光譜數據預處理

由于光譜儀在測定中會受到光源、視場及儀器本身等因素的影響，產生不同程度的噪聲，因此需要對原始數據進行去噪處理[10]。本研究采用9點加權平均移動法進行光譜曲線的平滑降噪處理。

為方便提取土樣光譜數據中的特征波段，增強可見光區域光譜差異，將平滑處理后的土樣光譜曲線進行一階微分處理。以一階微分曲線峰和谷的斜率表示原始反射率變換的最大值和最小值[11]。

一階微分計算公式：

1.5?土壤重金屬含量反演方法

偏最小二乘法（partial least square，PLS）集中了主成分分析、典型相關分析和線性回歸分析方法的特點，很好地解決了多重共線性問題，并且容許樣本點個數少于變量個數[12]。因此作為本次研究的預測方法。

為了避免建模的主成分過多，導致預測重金屬Pb的模型出現過擬合現象，本研究采用交叉驗證法中的外部證實算法來選擇偏最小二乘回歸模型中的最佳主成分數。具體做法：先用建模樣點建立主成分個數為1的預測模型，將驗證樣點中對應反射率帶入該模型，計算出預測的Pb含量，再計算預測值和實測值的均方根誤差（root mean square error，RMSE）;不斷增加主成分個數，重復計算不同主成分個數的均方根誤差，直到新增主成分使得預測RMSE的減少不超過2%為止，此時的成分數為最佳主成分數，相應偏最小二乘回歸模型為預測土壤重金屬最優模型。

1.6?精度評價

在模型的驗證中，采用決定系數（coefficient of determination，R2）和均方根誤差RMSE來判斷，決定系數與所建立模型的穩定性呈現正比例關系，均方根誤差RMSE與建立模型的預測能力呈現反比例關系，因此模型建立和驗證的精度通過R2和RMSE來評價。

式中，n為樣本數，Yi為實測值，Y^i為預測值，Y為實測值均值。其中，R2越大，RMSE越小，建模效果越好，建立的模型為土壤重金屬鉛的最優模型。

2?結果與分析

2.1?地物光譜模型的建立

利用SPSS軟件中的相關分析功能對鉛含量與實測地物光譜的原始和一階微分處理后的光譜波段進行相關分析。由圖2可知，原始反射率與重金屬Pb含量呈單一正相關性，并且相關系數曲線變化較為平緩;反射率經一階微分處理后與Pb含量的相關曲線則呈現上下波動。根據光譜反射率曲線特征劃分波段范圍，選擇特征波段范圍內相關系數最大的波段為敏感波段。敏感波段選取結果如表1所示。以0.01水平顯著相關性判斷：原始光譜曲線的敏感波段在 377.4、399.0、418.9、421.9、465.8、603.6 nm 附近;一階微分變換后的曲線敏感波段在395.9、414.3、465.8、1 436.0、1 571.6、1 668.2、2 057.2、2 265.2 nm 附近。以0.05水平顯著相關性判斷：原始曲線的敏感波段在 873.6、1 022.0、1 382.6、1 917.4 nm附近;一階微分變換后曲線的敏感波段在377.4、958.5 nm 附近。

利用選取的原始光譜及其一階微分光譜的敏感波段的反射率作為自變量，樣本實測值作為因變量，通過驗證均方根誤差來選擇偏最小二乘回歸模型的最佳主成分。由表2可見，2種模型中，原始光譜反射率模型的決定系數較低，經過一階微分變換后的模型決定系數明顯提高。一階微分可以消除一定的基線變動和平緩背景干擾的影響，提供更高分辨率的光譜和更清晰的光譜輪廓，從而增強土壤中重金屬的光譜信息[13]。因此基于一階微分光譜建立的土壤鉛含量反演模型為最佳模型，模型如下：

式中，Y為Pb含量預測值，Xn為第n波段所代表的反射率值。

2.2?多光譜模型的建立

由表3可見，Landsat8影像存在10個與重金屬Pb含量相關的波段組合，其中B1-B7、B2-B7這2個波段組合達到極顯著水平（P<0.01），B3-B4、B1-B4、B2-B4、B3-B7、B1/B3、B1/B4、B2/B4和B3/B4這8個波段組合達到顯著水平（P<0.05）。B1、B2、B3、B4、B7雖然與土壤重金屬Pb含量相關不顯著，但其組合后與土壤重金屬Pb含量則具有較高的相關性，因此，選用這10個影像波段組合建立重金屬鉛的反演模型。

將Landsat8與重金屬Pb含量相關的波段作為自變量，土壤重金屬含量作為因變量，采用偏最小二乘回歸法建立反演模型。建模R2為0.37，驗證R2為0.47，建模和預測效果相對較好（表4）。

多光譜預測土壤重金屬Pb模型如公式（5）所示。

式中，Y為Pb含量預測值，Xn為第n波段所代表的反射率值。

2.3?基于地物光譜與Landsat8波段建立模型的對比

將驗證樣點的反射率帶入基于地物光譜和Landsat8波段反演模型中，利用驗證樣點的Pb含量實測值和預測值繪制散點圖，如圖3所示。橫坐標代表驗證樣點的Pb含量實測值，縱坐標代表驗證樣點的Pb含量預測值。

基于原始地物光譜、一階微分地物光譜和Landsat8波段建立的土壤Pb含量預測模型三者間比較，模型穩定性和建模精度為一階微分地物光譜>Landsat8波段>原始地物光譜;而所建立的回歸模型經驗證后，模型穩定性和建模精度為Landsat8波段>一階微分地物光譜>原始地物光譜。證明：基于一階微分地物光譜的偏最小二乘回歸模型的建模精度與穩定性最高，驗證精度與穩定性較高，為預測土壤重金屬Pb含量的最優模型;基于Landsat8影像波段的偏最小二乘回歸模型建模和驗證的精度與穩定性較高，可以粗略地預測研究區土壤重金屬Pb含量。

2.4?基于多光譜模型的土壤鉛空間分布反演

模型的精度評價僅能反映土壤鉛模型預測值與實測值之間數值的差異，很難發現土壤鉛預測的空間分布是否符合實際情況。因此，本研究采用ArcGIS中的地統計插值法，得到土壤重金屬實測值的空間分布圖（圖4）。再采用ENVI平臺上的波段計算和裁剪功能，利用預處理后的Landsat8影像波段反射率反演出研究區農田土壤鉛的空間分布狀況（圖5）。

對比發現，實測Pb含量和Landsat8反演的土壤Pb含量都主要集中在研究區東部，呈自西向東增加的趨勢。基于Landsat8數據反演的鉛含量在研究區西部存在少量條形的含量較高區域，經證實，這些區域為道路及其周邊土壤。根據Shi等[14]的觀點，人類活動是表層土壤鉛污染的重要來源，工業廢棄物、汽車尾氣、生活垃圾等人為污染源是城市表層土壤鉛污染最可能的來源。道路及其周邊表層土壤中鉛的高含量與使用含鉛汽油導致的汽車尾氣排放的大氣沉積有關。因此，基于Landsat8數據反演的土壤鉛空間分布符合實際土壤重金屬鉛的空間分布，說明利用遙感技術反演土壤某些重金屬元素含量具有可行性。

3?討論

重金屬元素由于在土壤中的含量較低，在反射光譜中很難有固定的特征范圍[15]。農業土壤的重金屬含量很少達到高污染水平，因此，從重金屬對光譜吸收特征的角度，利用光譜直接預測農業土壤重金屬含量將變得非常困難。

Hong等[16]研究了湖北省武漢市反射光譜與農業土壤中Pb和Zn含量間的關系，發現Pb和Zn的光譜檢測主要依賴于它們與土壤有機質的共變。土壤有機質是土壤中所有含碳的有機物質，有機質主要通過螯合和絡合作用與重金屬離子結合，是吸附重金屬離子最主要的土壤組分。因此，可以利用有機質與光譜之間的特征，達到預測土壤重金屬含量的目的。本研究對此也進行了探索研究：首先計算了41個樣點的土壤有機質含量與光譜反射率的相關性，然后利用Microsoft Excel的趨勢線功能并基于各波段反射率對重金屬進行擬合，結果（表5）顯示，反射率與有機質的相關性越高，反射率與Pb含量的擬合效果越好，這與Hong等[16]的結論一致。表明，雖然重金屬元素不能直接影響土壤光譜產生固定的光譜特征，但可以通過它們與土壤有機質含量的協同變化，利用反射光譜對其含量進行預測。

4?結論

本研究以實測地物光譜和Landsat8多光譜影像波段為遙感數據源，利用偏最小二乘回歸分析方法，結合實地采集土樣的Pb含量數據，分析了土壤重金屬Pb含量與兩種光譜數據的相關性，并分別建立了基于兩種光譜數據的土壤重金屬Pb含量預測模型，實現了對克拉瑪依市某區域土壤重金屬Pb含量的反演研究，得到如下結論：

（1）對地物光譜進行一階微分變換能更好地提取光譜特征波段，所建立的模型為最優模型，能滿足預測重金屬Pb含量的精度要求。

（2）多光譜影像通過波段差值以及波段比值等方式也能使組合波段與土壤重金屬具有較高的相關性，并且基于Landsat8影像數據預測的土壤Pb含量空間分布與基于土壤實測樣點鉛含量的空間分布相符，證明Landsat8影像對部分土壤重金屬具有較好的響應能力，其時間和空間覆蓋能力可對將來大區域的土壤重金屬含量反演提供幫助。

參?考?文?獻：

[1]?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（4）： 169-177.

[2]?石偉. 汾河水庫周邊土壤養分和重金屬空間分布風險評價[D]. 太原： 山西大學， 2011.

[3]?中國重金屬污染現狀及國內外植物修復技術發展分析[J]. 有色冶金節能， 2017， 33（4）： 62-64.

[4]?吳健生， 宋靜， 鄭茂坤， 等. 土壤重金屬全量監測方法研究進展[J]. 東北農業大學學報， 2011， 42（5）： 133-139.

[5]?Cheng H， Shen R L， Chen Y Y， et al. Estimating heavy metal concentrations in suburban soils with reflectance spectroscopy[J]. Geoderma， 2019， 336： 59-67.

[6]?吳明珠， 李小梅， 沙晉明. 亞熱帶土壤鉻元素的高光譜響應和反演模型[J]. 光譜學與光譜分析， 2014， 34（6）： 1660-1666.

[7]?沈文娟， 蔣超群， 侍昊， 等. 土壤重金屬污染遙感監測研究進展[J]. 遙感信息， 2014， 29（6）： 112-117， 124.

[8]?Fard R S， Matinfar H R. Capability of vis-NIR spectroscopy and Landsat 8 spectral data to predict soil heavy metals in polluted agricultural land[J]. Arabian Journal of Geosciences， 2016， 9： 745.

[9]?姚蘋， 張東， 張世熔， 等. 基于RS和GIS的石亭江中下游土壤鉛和鎳含量預測建模研究[J]. 農業環境科學學報， 2014， 33（1）： 95-102.

[10]單海斌， 蔣平安， 顏安， 等. 基于高光譜數據的北疆綠洲農田灰漠土有機質反演[J]. 農業資源與環境學報， 2018， 35（3）： 276-282.

[11]郭云開， 劉磊， 劉寧， 等. 基于支持向量機回歸的水稻地重金屬Fe含量估算[J]. 北京測繪， 2017（6）： 10-13.

[12]金劍， 周顯平. 內蒙古中西部栗鈣土重金屬Cd含量定量反演研究——以白云鄂博礦區為例[J]. 內蒙古科技大學學報， 2017， 36（3）： 280-284.

[13]郭云開， 石自桂. 不同尺度反演土壤重金屬銅含量研究[J]. 北京測繪， 2016（3）： 20-23.

[14]Shi T Z， Hu Z W， Shi Z， et al. Geodetection of factors controlling spatial patterns of heavy metals in urban topsoil using multisource data[J]. Science of The Total Environment， 2018， 643： 451-459.

[15]吳昀昭. 南京城郊農業土壤重金屬污染的遙感地球化學基礎研究[D]. 南京：南京大學， 2005.

[16]Hong Y S， Shen R L， Cheng H， et al. Estimating lead and zinc concentrations in periurban agricultural soils through reflectance spectroscopy： effects of fractional-order derivative and random forest[J]. Science of The Total Environment， 2019， 651： 1969-1982.