基于高光譜技術的場地土壤重金屬污染快速調查研究

摘要：為了準確預測場地土壤重金屬分布狀況，實現土壤重金屬污染快速調查，以某廢棄助劑廠填埋區土壤為研究對象，基于高光譜數據，利用單變量回歸模型、偏最小二乘回歸模型和支持向量機模型估算土壤重金屬Cr、Ni、Cu、Zn、Cd、Pb、As和Hg的含量。結果表明，土壤光譜反射率與各重金屬含量均呈負相關；偏最小二乘回歸模型和支持向量機模型對8種重金屬的預測精度均優于單變量回歸模型，偏最小二乘回歸模型為Cd、Pb、Cr和Ni的最佳估算模型，支持向量機模型為Cu、As、Zn和Hg的最佳預測模型；研究區土壤重金屬反演結果在趨勢上與實驗室分析結果基本一致，高值區和極值點分布亦較為吻合，能夠圈定存在重金屬污染風險的區域，同時提供技術支撐，實現場地土壤重金屬污染的快速調查。

關鍵詞：土壤；重金屬；高光譜反射率；偏最小二乘回歸模型；支持向量機模型

中圖分類號：S153.6 文獻標識碼：A 文章編號：1008-9500（2024）06-0-06

DOI：10.3969/j.issn.1008-9500.2024.06.052

Study on Rapid Investigation of Heavy Metal Pollution in Site Soil Based on Hyperspectral Technology

CHEN Haofeng1，2， FANG Yanqi1，2， YANG Kui1，2， PENG Jiangying1，2， ZHAO Guofeng1，2， JIA Shuo1，2

（1. Jiangsu Province Engineering Research Center of Airborne Detecting and Intelligent Perceptive Technology;

2. Geological Exploration Technology Institute of Jiangsu Province， Nanjing 210049， China）

Abstract： In order to accurately predict the distribution of heavy metals in the soil of the site and achieve rapid investigation of soil heavy metal pollution， the soil in the landfill area of a certain waste additive factory is taken as the research object， based on hyperspectral data， univariate regression model， partial least squares regression model， and support vector machine model are used to estimate the content of heavy metals such as Cr， Ni， Cu， Zn， Cd， Pb， As， and Hg in the soil. The results show that there is a negative correlation between soil spectral reflectance and the content of various heavy metals; the partial least squares regression model and support vector machine model have better prediction accuracy for 8 heavy metals than univariate regression model， and the partial least squares regression model is the best estimation model for Cd， Pb， Cr， and Ni， while the support vector machine model is the best prediction model for Cu， As， Zn， and Hg; the trend of soil heavy metal inversion results in the research area is basically consistent with the laboratory analysis results， and the distribution of high value areas and extreme points is also relatively consistent， which can delineate areas with heavy metal pollution risks and provide technical support to achieve rapid investigation of soil heavy metal pollution on the site.

Keywords： soil; heavy metals; hyperspectral reflectance; partial least squares regression model; support vector machine model

隨著現代工業的飛速發展，社會經濟發展水平不斷提高，但重金屬污染給生態環境造成嚴重危害。當前，土壤重金屬檢測多采用地球化學分析法，但該方法需要投入較多的人力和物力，分析周期較長。高光譜遙感以其動態、快速、宏觀獲取地表信息的特點，已廣泛應用于土壤重金屬檢測[1-2]。解憲麗等[3]研究表明，土壤重金屬含量與光譜反射率存在顯著相關關系。黃長平等[4]使用偏最小二乘回歸模型預測土壤Cu含量，獲得較為可靠的結果。鐘亮等[5]對農業土壤重金屬進行研究，結果顯示，不同重金屬預測結果存在一定的差異。王穎等[6]利用地理加權模型估算礦區土壤砷含量，驗證高光譜技術應用于土壤砷含量預測的可行性。

揚州市某廢棄助劑廠周圍水系復雜，緊挨農田。研究區屬亞熱帶季風氣候區，年平均氣溫為15 ℃，年平均降水量為1 030 mm，年平均相對濕度為67%，無霜期為217 d。氣候溫和，雨量充沛，四季分明，日光充足，無霜期長。土壤類型主要為黏土，土層較厚。因此，有必要對研究區開展土壤重金屬污染快速調查，避免對環境造成污染，保障周邊居民身體健康。以廢棄助劑廠土壤高光譜數據為基礎，分別采用單變量回歸法、偏最小二乘回歸法[7]和支持向量機[8]建立8種土壤重金屬含量預測模型，驗證區域土壤重金屬含量反演實現場地土壤重金屬污染快速調查的可行性，以期為土壤重金屬污染快速調查提供參考。

1 數據與方法

1.1 數據來源

2020年5月，在研究區采集土壤樣品，采樣深度為10～20 cm，每份樣品質量約為2 kg。剔除雜物后，將土壤裝入帶有編號的樣品袋，共采集147份土壤樣品。將采集的土壤樣品進行曬干、雜質篩選、研磨與過篩（篩孔直徑0.85 mm）后重新封裝，用于高光譜檢測。同時，篩選32份土壤樣品送往實驗室，測定Cr、Ni、Cu、Zn、Cd、Pb、As和Hg的含量。以功率恒定的鹵素燈為光源，使用地物波譜儀在室內對土壤樣品進行高光譜檢測，測量時間為晚上，規避外界光源干擾。每份土壤樣品重復測定5次，剔除異常后求算數平均值，并進行濾波平滑處理，獲得各土壤樣品的光譜反射率。

1.2 評價方法

以單變量回歸法、偏最小二乘回歸法和支持向量機構建土壤重金屬含量預測模型，對比分析各重金屬含量估算效果，選取最優模型對研究區土壤重金屬含量進行估算，土壤樣品按照3∶1的比例劃分訓練集和測試集[9]。使用決定系數（R2）和均方根誤差（Root Mean Squared Error，RMSE）來評價模型精度，其中R2用于檢驗模型穩定性，RMSE用來反映模型估算能力。R2越大，RMSE越小，模型估算越準確。

2 結果與分析

2.1 土壤重金屬含量統計特征

實驗室對32份土壤樣品的8種重金屬含量進行測定，結果如表1所示。數據顯示，研究區8種重金屬含量均存在異常值，說明研究區各重金屬含量存在異常。Cr、Ni和Hg的變異系數大于100%，呈強變異性；Cu、Zn、Cd、Pb和As的變異系數大于10%，但小于100%，呈中等變異性。因此，土壤樣品檢測數據具有離散性。

2.2 土壤光譜特征

如圖1所示，研究區土壤樣品的光譜反射率變化曲線形態相似，整體變化較小。土壤樣品光譜特征顯示，波長為400～800 nm時，土壤樣品光譜反射率上升較快，斜率較陡；波長為800～1 360 nm時，反射率上升變慢，斜率較緩；波長為1 450～1 520 nm時，反射率變化曲線近似平行于橫軸；波長為1 560～2 138 nm時，反射率上升緩慢；波長大于2 138 nm時，反射率呈下降趨勢，斜率較緩。研究區土壤樣品光譜反射率曲線在波長1 410 nm、1 910 nm和2 210 nm處存在光譜吸收特征峰，這是由土壤吸附H2O及其OH基團振動的倍頻與合頻產生，波長2 210 nm處的吸收峰是黏土礦物中金屬-OH振動合頻產生[10]。

2.3 土壤重金屬含量與光譜反射率的相關性分析

32份土壤樣品中，8種重金屬含量與各波段光譜反射率的相關性分析結果如圖2所示。數據顯示，8種重金屬含量均與反射率呈負相關，說明土壤重金屬含量越高，反射率越低。其中，As含量與反射率的相關性最弱，波長為1 913 nm時，相關系數為-0.491；Cr、Ni含量與反射率的相關系數均大于-0.6，極小值分別出現于波長1 800 nm、476 nm附近；Hg含量與反射率的相關系數最小值為-0.678，出現在波長993 nm處；Cu、Zn、Cd和Pb含量與反射率的相關性總體較強，最小相關系數均小于-0.7，呈顯著相關。

2.4 單變量回歸模型土壤重金屬含量估算

結合圖2的相關性分析結果，以不同波段的光譜反射率（x）為橫坐標，以土壤重金屬含量（y）為縱坐標，建立8種重金屬的單變量回歸模型，結果如表2所示。8種重金屬含量預測模型均通過顯著性檢驗，表明單變量回歸模型成立，但模型準確性存在較大差異。其中，Cd和Pb的決定系數較好，分別為0.811和0.765，Cr、Ni、Zn和Cu的均方根誤差較大。

2.5 偏最小二乘回歸模型土壤重金屬含量估算

使用偏最小二乘回歸法建立土壤中8種重金屬含量的估算模型，結果如表3所示。除Hg以外，各重金屬訓練集R2均取得較好的結果，均大于0.9。測試集R2的表現存在一定差異，其中，Cu、Cd和Pb的決定系數較大，R2分別為0.906、0.926和0.882，Cr和Ni的決定系數與訓練集相比下降明顯。相比訓練集，測試集的RMSE有顯著的提升，這與土壤樣品存在異常值有直接關系。總之，從R2和RMSE可以看出，偏最小二乘回歸模型具有較高的精度。

2.6 支持向量機模型土壤重金屬含量估算

將各土壤樣品的光譜反射率數據進行一階導數變換，增大其特征的差異性，降低線性背景和噪聲干擾，再采用自適應重加權采樣法進行特征選擇，獲得各重金屬的特征波段，建立支持向量機模型，估算土壤中8種重金屬含量，結果如表4所示。數據顯示，各重金屬支持向量機模型訓練集、測試集的R2和RMSE較為相近，二者的R2精度較好，說明該模型具有較好的泛用性和適應性，能夠實現土壤重金屬含量估算。

2.7 模型精度分析

結合土壤的光譜反射率數據，分別采用單變量回歸法、偏最小二乘回歸法和支持向量機建立土壤重金屬含量預測模型，并通過比較各方法的精度來確定最優模型。從建模方法來看，偏最小二乘回歸模型和支持向量機模型的精度明顯優于單變量回歸模型；Cd和Pb的偏最小二乘回歸模型精度要優于支持向量機模型，Cr、Ni的偏最小二乘回歸模型R2要略小于支持向量機模型，但RMSE明顯大于支持向量機模型，其余元素相差不大。從8種重金屬來看，Cd估算精度最好，R2為0.926，RMSE為0.008；Cr、Ni、Pb、Cu、As和Zn次之，Hg最差，R2為0.743，RMSE為0.074。不同重金屬反演精度的差異與土壤樣品含量檢測數據、建模樣品數據和預測模型等都有密切關系。經模型精度分析，偏最小二乘回歸法為Cd、Pb、Cr和Ni的最佳預測模型，支持向量機為Cu、As、Zn和Hg的最佳預測模型。從精度上看，8種重金屬的預測模型可以應用于研究區土壤重金屬含量反演。

2.8 區域土壤重金屬含量反演

以147份土壤樣品為基礎，使用8種重金屬含量的最佳預測模型，開展研究區土壤重金屬含量反演。研究區土壤中，8種重金屬的實際分布和反演分布如圖3所示。比較發現，Cr、Ni、Cu、Zn、Cd、Pb、As和Hg含量的反演結果在趨勢上均與實驗室分析結果保持基本一致，高值區和極值點分布均有顯示，與實驗室分析結果較為吻合，但局部存在一定差異。這些差異的存在與模型精度有關，也與土壤樣品檢測數據的準確性有一定聯系。總體來看，研究區土壤重金屬含量的高光譜檢測結果在精度上能較好地滿足調查需求，能夠圈定存在重金屬污染風險的區域，實現場地土壤重金屬污染的快速調查。

3 結論

以廢棄助劑廠土壤樣品為研究對象，分析土壤光譜特征，開展土壤中8種重金屬含量與光譜反射率的相關性分析，然后分別利用單變量回歸模型、偏最小二乘回歸模型和支持向量機模型對研究區土壤中8種重金屬含量進行預測。結果發現，研究區土壤高光譜反射率與8種重金屬含量均呈負相關。其中，As含量與光譜反射率的相關性最弱，相關系數為-0.491；Cd含量與光譜反射率的相關性最強，相關系數為-0.877；其他6種重金屬含量與光譜反射率的相關性強于As，但弱于Cd。偏最小二乘回歸模型和支持向量機模型對土壤中8種重金屬含量的預測精度均優于單變量回歸模型，其中偏最小二乘回歸模型對Cd、Pb、Cr和Ni的預測具有明顯優勢，RMSE更小；支持向量機模型對Cu、As、Zn和Hg的估算效果最佳，R2更大。不同重金屬含量估算具有一定的差異性，Cd估算精度最好，R2為0.926，RMSE為0.008，Hg估算精度最差，R2為0.743，RMSE為0.074。研究區土壤中8種重金屬含量反演結果在趨勢上與實驗室分析結果基本一致，高值區和極值點分布亦較為吻合，能夠圈定存在重金屬污染風險的區域，同時提供重要的技術支持，實現場地土壤重金屬污染的快速調查。

參考文獻

1 肖潔蕓，周 偉，石佩琪，等.土壤重金屬含量高光譜反演[J].生態環境學報，2023（1）：175-182.

2 付 馨，趙艷玲，李建華，等.高光譜遙感土壤重金屬污染研究綜述[J].中國礦業，2012（1）：65-82.

3 解憲麗，孫 波，郝紅濤，等.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].土壤通報，2007（6）：982-993.

4 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（3）：353-357.

5 鐘 亮，錢家煒，儲學遠，等.利用高光譜遙感技術監測小麥土壤重金屬污染[J].農業工程學報，2023（5）：265-270.

6 王 穎，王志一，黃 勇，等.礦區土壤重金屬砷含量高光譜反演研究[J].世界核地質科學，2023（1）：89-97.

7 魏丹萍，鄭光輝.高光譜反射率的濱海地區土壤全磷含量反演[J].光譜學與光譜分析，2022（2）：517-523.

8 孟 珊，李新國，焦 黎，等.基于機器學習算法的湖濱綠洲土壤電導率高光譜估算模型[J].土壤通報，2023（2）：286-294.

9 肖云飛，高小紅，李冠穩，等.土壤有機質可見光-近紅外光譜預測樣本優化選擇[J].土壤，2020（2）：404-413.

10 程先鋒，宋婷婷，陳 玉，等.滇西蘭坪鉛鋅礦區土壤重金屬含量的高光譜反演分析[J].巖石礦物學雜志，2017（1）：60-69.

基金項目：江蘇省地礦局科研項目（2019KY11、202004196K1K、2021KY14）。

作者簡介：陳浩峰（1990—），男，浙江蘭溪人，碩士，工程師。研究方向：高光譜遙感。