土壤重金屬污染高光譜遙感定量監測

董霖欣，李 帥

（成都理工大學 地球科學學院，四川 成都 610059）

1 背景與現狀

1.1 研究背景與意義

土壤為人類提供了維持生存所必須的物質基礎，對人類來說十分重要。但目前隨著工農業和城鎮化的不斷發展，“人口-資源-環境”之間的矛盾日益嚴峻，土壤污染程度呈現越來越嚴重的趨勢，這一結果對土壤環境及其質量、生態多樣性、食品安全性和土地可持續利用等都造成了威脅，所帶來的環境風險不可小覷。在造成土壤污染的眾多元素中，重金屬污染值得被高度重視，現已成為學術界的研究熱點之一。

十八大以來，習近平總書記多次強調我們應該“堅持節約資源和保護環境基本國策，努力走向社會主義生態文明新時代”，指出“綠水青山就是金山銀山”這一科學論斷。正是基于這樣的背景，本研究將目標重點放在了土壤重金屬污染這一問題上，旨在利用高光譜遙感技術對土壤重金屬含量進行正確且高效的監測，并做出相關的決策分析，為生態環境的可持續發展提供分析和決策的依據。

1.2 國內外研究現狀

目前，國內外光譜數據的采集分為室內實驗光譜、野外采集光譜及遙感光譜三種。許多國內外學者、技術單位已開始利用高光譜遙感手段進行相關土壤重金屬污染的研究。

石安等人以浙江省溫嶺市為例，利用高光譜遙感反演技術研究了2006年至2016年前后十年的水稻土中Cd、Cu、Ni、Pb、Zn等重金屬元素隨時間的變化趨勢。結果表明，電子垃圾是土壤重金屬元素的主要污染源，且近十年來，土壤中重金屬的濃度有持續增加的趨勢[1]。

張秋霞等人構建了基于偏最小二乘模型（PLSR）的新鄭市高標準基本農田建設區域土壤重金屬的高光譜反演模型；并利用最佳地統計插值法對土壤重金屬進行空間插值，探討了高光譜反演在高標準基本農田建設區的必要性和可行性[2]。

葉元元等人利用河北省平泉縣境內的碾子溝多金屬礦區的室內土壤可見-近紅外反射光譜來定量估算土壤重金屬含量。運用多元線性回歸、偏最小二乘回歸、最小二乘-支持向量機回歸方法，建立回歸分析模型定量估算土壤重金屬含量，并對回歸模型進行了驗證[3]。

2 材料與方法

2.1 土壤重金屬污染

重金屬元素在廣泛且復雜的環境條件下產生，由于每個區域的母質、土壤形成因素、成土過程及其他屬性各不相同，因此會導致重金屬在土壤中的不同區域存在不同的濃度。在大多數地區，重金屬含量處于較低的水平，并不會對生物圈造成危害。然而，土壤重金屬污染來源廣泛，且具有隱蔽性、滯后性、累積性等特點，可直接通過土壤或間接通過空氣、水等介質以及食物鏈對人體健康產生急性或慢性毒性[4]。

根據《全國土壤污染狀況調查公報》顯示，2005年4月至2013年12月我國開展了首次全國土壤污染狀況調查（實際調查面積約630萬平方公里），全國土壤污染物總體超標率為16.1%，鎘、鎳、砷、銅等無機污染物超標點位數占全部超標點位的82.8%。而近年來，隨著工農業的快速發展，例如礦山開采、金屬冶煉、農藥生產等重金屬排放行為的日益增多，造成土壤重金屬污染事件發生率逐年提高。

2.2 技術方法

遙感技術是地面各種景物進行探測和識別的一種綜合技術，具有時效性好、節省人力物力、可實現大面積同步觀測的特點。不同于傳統遙感手段只可利用有限的波段數的弊端，起源于20世紀90年代的高光譜遙感技術的波段數可多達幾十到上百個。隨著波段數的增加，地物的光譜曲線逐漸變得細致和平滑，最終利用高光譜遙感影像可以得到連續的光譜曲線。光譜可看作是識別地物的“指紋”，利用高光譜技術“圖譜合一”的特征，我們可以更為精確地進行地物識別與精準分類。

2.3 監測系統搭建

2.3.1 系統模型構建

本研究主要致力于采用以高光譜遙感定量反演為主、輔以少量實地采樣數據分析的方法，針對土壤重金屬污染問題進行分析監測，結合互聯網大數據平臺以及物聯網技術構建一個可實現實時監測和輔助分析決策的云服務系統。

系統功能架構呈現“一個中心、四大基本點”的模式。“一個中心”指的是土壤重金屬污染反演這一核心板塊，其主要任務是最終呈現出基于高光譜遙感定量反演技術得到的土壤重金屬污染情況空間分布圖。“四大基本點”具體指的是在充分利用反演數據的基礎上搭建的四大板塊，旨在為生態環境的可持續發展提供分析和決策的依據。具體系統功能結構如圖1所示。

圖1 高光譜遙感土壤重金屬污染監測系統功能結構圖

2.3.2 重點板塊呈現

土壤重金屬污染情況反演板塊是本研究的核心功能板塊，主要流程是利用高光譜遙感衛星數據，結合傳統數學分析模型與機器學習模型，對指定區域的土壤重金屬污染情況定量反演。實現可實時、直觀地查詢到相關區域的土壤重金屬污染情況，從而達到測繪遙感信息的可視化表達的目的。具體的技術原理如圖2所示。

圖2 土壤重金屬污染情況反演板塊技術原理路線圖

該板塊的核心部分為反演模型的選取。本研究主要討論并采用了基于多種評價模式的四種反演模型，根據精度要求不同，可選用不同模型。

首先，傳統方法上，主要采用線性模型中的偏最小二乘回歸（PLSR）。該方法由于其簡便和魯棒性，被普遍應用于土壤光譜特性建模中。然而，此方法不能很好地發掘復雜的高維非線性數據，因而其結果精度較為一般。

其次，為了能在高維變量中篩選出一定數量的特征變量，本研究考慮使用相關的機器學習方法。針對非線性模型，則采用基于核的方法，如支持向量機（SVM）。而遞歸特征去除的支持向量機（RFE-SVM）方法則克服了SVM模型在精簡特征變量方面的局限性，將遞歸特征去除策略應用于該模型。

此外，為了克服遞歸的過程使得運行的時間變得更長的缺陷，考慮采用引入正則化變量的方法進行回歸分析，如L1正則化（LASSO）、嶺回歸（Ridge）、嶺回歸系數法（Ridge_C）和彈性網絡（EN）等回歸系數篩選法。

最后，為進一步提高模型精度和在大量數據集中獲得推廣能力，還可采用機器學習方法中的隨機森林模型進行進一步的研究。隨機森林作為較新的一種集成學習方法，它是多棵決策樹的組合，并且基于隨機森林模型已經提出了多種有效的策略，在回歸分析中呈現了廣泛的應用前景[5]。

系統設計時，該板塊基于HTML5 Canvas技術自動創建一個調色板，調色板是土壤重金屬污染時空變化模擬子系統渲染過程的顏色控制部分。調色板按照冷色到暖色漸變過渡的配色方案，對于污染較輕的區域采用冷色的藍色色系渲染，對于污染嚴重的區域采用紅色色系渲染，色系之間的鮮明對比可直觀展示目標區域的污染狀況。

需要指出的是，考慮到一些地區植被覆蓋較多，會對高光譜遙感影像數據的獲取造成一定的影響，因而對于該類地區還需結合合成孔徑雷達數據（SAR）進行土壤重金屬含量的反演。

3 分析與展望

3.1 結果分析

在建立土壤重金屬含量反演模型的過程中，光譜模型的精度會受到很多因素的影響。相關研究表明，遙感技術估測土壤中重金屬含量所建立的模型擬合精度可達到75%~80%，平均相對誤差為30%~40%，驗證精度為60%~70%[6]。

隨著科技的發展，高光譜遙感數據在反演土壤重金屬污染這一方面取得了一定的研究進展。土壤重金屬污染監測系統的建立將為土壤重金屬污染防治提供科學的輔助決策，對于提高土壤環境資源的利用率、實現土壤質量監測數據管理科學化、改善生態環境、保護人類健康等具有重要的社會意義和推廣意義。

3.2 未來展望

本研究基于衛星遙感數據，旨在利用高光譜遙感定量反演技術，將互聯網與遙感信息產業相結合，實現從處理分析到共享應用全鏈條的貫穿，從而高效精準地處理遙感信息數據，催生新的產業鏈應用，促進相關數據服務模式的變革。將數據、算法、算力等要素植入到遙感系統應用中，使得土壤重金屬污染的監測從原有的依靠大量人工實測，轉向系統平臺式的動態實時監測。

當下，正處于信息通信技術快速發展的時代，時空基礎數據將會被各行各業應用。再結合當前蓬勃發展的5G、物聯網、云計算和人工智能等新技術，這一切都為系統功能的實現以及進一步的發展奠定了堅實的基礎，同時也使得在技術應用層面具有更好的前景。

此外，本研究方向將傳統的環保技術與遙感信息技術相結合。前者是當前所重點關注的領域，備受世人矚目；后者雖然產業產值小、能耗小，但信息量巨大，服務面幾乎涵蓋全社會。要將網上的Cyber空間與現實的GIS空間進行融合，從而實現萬物互聯、萬物智慧，這是遙感信息行業的任務，該項任務具有新的更為廣闊的前景。