基于World_View-...键环境变量的土壤镉含量反演_李国旭.pdf

第 38 卷 第 12 期 农 业 工 程 学 报 Vol.38 No.12 224 2022 年 6 月 Transactions of the Chinese Society of Agricultural Engineering Jun.2022 基于 WorldView-3 多光谱和关键环境变量的土壤镉含量反演 李国旭1，耿 静1,2，许选虹1，谭秋园1，郭一帆3，方华军3,4（1.中山大学测绘科学与技术学院，珠海 519082；2.自然资源部华南热带亚热带自然资源监测重点实验室，珠海 519082；3.中国科学院地理科学与资源研究所生态系统观测与模拟重点实验室，北京 100101；4.中科吉安生态环境研究院，吉安 343000）摘 要：快速准确获取农田土壤重金属含量对区域土地质量评估和粮食安全至关重要。该研究以江西省仙槎河流域小龙钨矿周边农田土壤为研究对象，采用 WorldView-3 多光谱影像提取光谱反射率并进行光谱变换处理，同时考虑了地形、人类活动和土壤属性等影响农田土壤镉（Cd）含量空间分布的关键环境因子，将光谱、环境变量、光谱与环境变量分别作为模型的自变量，选取了偏最小二乘（Partial Least Squares Regression，PLSR）、支持向量机（Support Vector Machines，SVM）、BP 神经网络（Back Propagation Neural Network，BPNN）和随机森林（Random Forest，RF）4 种回归算法构建土壤 Cd 含量预测模型，并利用精度评价指标优选出最佳反演模型。结果表明：仅输入多光谱特征进行 Cd 含量反演的模型精度总体偏低，R2低于 0.2。相比之下，单独输入环境变量的模型精度结果最为理想，最优模型（RF）精度 R2可达 0.782。然而，融合光谱信息与环境变量共同建模后并未显著提高模型精度，反而导致较优模型（RF）精度略微降低，R2为 0.693。研究结果表明，关键环境协变量是决定研究区农田土壤重金属 Cd 空间分布反演的重要变量，而利用多光谱信息进行土壤重金属反演的能力有限。此外，随机森林模型是预测土壤重金属空间分布的有效手段。关键词：土壤；污染；重金属；机器学习；WorldView-3；环境变量 doi：10.11975/j.issn.1002-6819.2022.12.026 中图分类号：S127；X53 文献标志码：A 文章编号：1002-6819(2022)-12-0224-09 李国旭，耿静，许选虹，等.基于 WorldView-3 多光谱和关键环境变量的土壤镉含量反演J.农业工程学报，2022，38(12)：224-232.doi：10.11975/j.issn.1002-6819.2022.12.026 http:/www.tcsae.org Li Guoxu,Geng Jing,Xu Xuanhong,et al.Inversion of soil Cd content using WorldView-3 multispectral and key environmental variablesJ.Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2022,38(12):224-232.(in Chinese with English abstract)doi：10.11975/j.issn.1002-6819.2022.12.026 http:/www.tcsae.org 0 引 言 土壤是生态系统的重要组成部分，是人类赖以生存的重要物质基础1。然而，随着近年来中国工业和现代农业的快速发展，土壤重金属污染问题日益凸显2-3。根据全国土壤污染状况调查公报，中国耕地土壤重金属点位超标率高达 19.4%，其中镉（Cadmium，Cd）污染程度最为严重，超标率达到 7.0%4。重金属污染毒性大、迁移缓慢、隐蔽性强、不可逆转，不仅会造成农作物减产和食品安全问题，也会通过食物链富集作用对人体健康构成极大威胁5-6。如何快速准确地检测出土壤重金属污染区域并评估其污染程度，是开展土壤污染监测和土壤环境治理工作的关键。传统的土壤重金属含量检测方法通常是将野外采集的土壤样品带回实验室进行化学分析，该类方法具有检测精度高的优势，但费时、费力、滞后性强，且难以实 收稿日期：2022-04-19 修订日期：2022-06-10 基金项目：国家自然科学基金项目（32101301）；广东省基础与应用基础研究基金项目（2020A1515110172）；中科吉安生态环境研究院院长基金项目（ZJIEES-2021-01）；井冈山农高区科技计划项目（井农科字202151 号）作者简介：李国旭，研究方向为土壤重金属光谱分析及定量反演。Email： 通信作者：耿静，博士，助理教授，研究方向为土壤定量遥感。Email： 时获取大范围重金属污染信息。遥感技术具有宏观、快速、动态无损监测的特点，为获取大范围土壤污染信息，监测土壤生态环境动态变化提供了可行、有效的技术手段7-8。现有研究大多基于土壤反射光谱与重金属含量的相关性分析，确定土壤重金属元素的光谱特征波段，并构建反演模型，从而实现重金属含量的估算9。如 Guan等10对比分析了多元逐步回归和偏最小二乘回归方法在不同重金属元素含量反演的适用性。尹芳等11以Sentinel-2 卫星影像为主要数据源，基于偏最小二乘法构建了重金属 Cu 含量的遥感反演模型。王腾军等12以陕西省大西沟铁矿为研究区，利用随机森林对土壤重金属 As、Cu 和 Pb 进行反演制图。然而，一般情况下，土壤中重金属元素的含量处在较低水平，即使在重度污染情况下，重金属元素的直接光谱响应也非常微弱13，利用土壤光谱曲线难以直接探测重金属元素自身的光谱响应特征14。此外，由于土壤类型和成土环境的差异，导致即使是同种重金属元素，其光谱特征也并不完全一致15-16。因此，仅依赖土壤重金属元素的光谱响应特征估算重金属含量存在反演精度低、模型普适性差的问题。根据土壤-景观模型理论17-18，土壤是在母质、地形、气候、生物、人类活动等成土因子影响下发生、发展和演化，进而形成的一种特殊而复杂的自然体。成土环境要素对土壤属性的空间分布具有重要的指示作用3,19-20。例如，刘焕军等21以黑土区土壤有机碳为研究对象，发第 12 期 李国旭等：基于 WorldView-3 多光谱和关键环境变量的土壤镉含量反演 225 现在使用多光谱遥感反演时引入地形因子作为辅助变量输入后，预测模型的精度与稳定性较不加地形因子显著提高。然而，目前利用多光谱影像和环境变量协同反演土壤参数的研究多集中于土壤 pH、有机碳、全氮、全磷、全钾等属性特征22，而在土壤重金属含量反演方面少见报道。因此，本文以江西省仙槎河流域小龙钨矿周边农田为研究对象，利用 WorldView-3 多光谱信息、影响 Cd 空间分布的关键环境变量以及融合光谱与环境变量作为反演模型的输入参数；采用偏最小二乘法、BP 神经网络、随机森林、支持向量机 4 种方法构建土壤 Cd 含量反演模型，并对比精度评价指标优选最佳预测模型，从而获取研究区农田土壤重金属 Cd 含量空间分布图。研究结果可为探索基于多光谱遥感与多源环境变量进行区域土壤重金属污染监测的可行性方法提供一种新的思路。1 材料与方法 1.1 研究区概况 仙槎河流域位于江西省中南部，隶属于吉安市（1145811516E，26362650N）（图 1），地处中国南方典型红壤丘陵区，属于亚热带季风湿润性气候。根据江西省第二次土壤普查资料23，研究区土壤类型以红壤和潴育型水稻土为主。研究区内矿藏资源丰富，根据历史调查和统计资料，在仙槎河流域涉及重金属排放的工业企业主要为上游的江西小龙钨业有限公司，小龙钨矿位于南岭成矿区、赣中南成矿带。该矿区始建于 1934年，历经四十多年的大规模机械化开采，导致资源枯竭。然而，由于通过上游河道水进行田间灌溉以及广泛的施用化肥，一定程度上造成了该区域的耕地土壤重金属污染，并对当地的粮食安全与生态环境构成了一定的威胁。a.研究区采样点分布 a.Distribution of soil sampling points b.土地利用分类 b.Land use classification c.研究区影像 c.Study area image 图 1 研究区采样点分布、土地利用方式及真彩色影像 Fig.1 Distribution of soil sampling points,land use pattern and true color image of study area 1.2 土壤样品采集与处理 参考研究区内冶炼企业的区位及其采矿点，并考虑到研究区农田的分布、地形以及道路可达性等因素综合选取了 203 个采样点，其分布如图 1a 所示。本研究主要采用 5点混合采样法采集农田 020 cm 约 1 kg 表层土壤，将土壤样品密闭封装后放入冷藏箱保存，并利用手持 GPS 记录中心点的经纬度坐标。将样品带回实验室内后，放在干燥通风中处自然晾干。干燥后除去碎石砾、植物根系等杂质，并将土壤研磨过 0.15 mm 筛，装入干净密封袋保存。土壤镉含量的大致测定步骤为：将约 0.1 g 土壤放入微波消解仪中，分别加入 5 mL 硝酸，2 mL 氢氟酸和 3 mL双氧水至消解罐内，消解后加入 1 ml 高氯酸赶除氢氟酸，最后定容至 50 mL 比色管，静置过夜后利用电感耦合等离子体质谱仪（ICP-MS，Thermo Fisher，USA）进行测定。土壤有机碳利用碳氮元素分析仪（Vario Macro cube，Germany）测定；土壤 pH 利用 pH 计（Mettler Toledo，Switzerland）测定，土水比为 12.5。1.3 遥感影像获取与光谱分析 本研究采用 WorldView-3 遥感影像提供光谱信息，波谱范围覆盖可见光、近红外和短波红外，包括一个全色波段（0.31 m 分辨率）、8 个可见光-近红外波段（1.24 m 分辨率）和 8 个短波红外波段（3.7 m 分辨率），具体波段信息如表 1 所示。为了与地面采样时间（2020 年 12 月）最为接近，并综合考虑天气及影像拍摄周期时间，获取研究区 2020 年 2 月 26 日 WorldView-3 遥感影像进行反演。表 1 WorldView-3 卫星光谱参数 Table 1 WorldView-3 spectral information 波段编号Band number波段 名称 Band name 波谱范围 Wavelength/nm 波段 编号 Band number 波段名称 Band name波谱范围Wavelength/nm 1 Coastal Blue 400450 9 SWIR-1 1 1951 2252 Blue 450510 10 SWIR-2 1 5501 5903 Green 510580 11 SWIR-3 1 6401 6804 Yellow585625 12 SWIR-4 1 7101 7505 Red 630690 13 SWIR-5 2 1452 1856 Red Edge705745 14 SWIR-6 2 1852 2257 NIR-1 770895 15 SWIR-7 2 2352 285可见光-近红外VNIR8 NIR-2 8601 040 短波 红外SWIR 16 SWIR-8 2 2952 365 农业工程学报（http:/www.tcsae.org）2022 年 226 利用ENVI 5.3软件对WorldView-3可见光-近红外波段以及短波红外波段影像进行辐射定标、FLAASH 大气校正，获取研究区地表反射率；随后利用 WorldView-3影像内置 RPC 文件以及 ASTER GDEM 对其进行正射校正。经过正射校正后，可见光-近红外波段几何精度较高，故以可见光-近红外波段为基础对短波红外影像进行配准，使其配准误差小于 0.5 个像元；最后统一各波段空间分辨率并进行波段合成获得最终光谱数据。根据土壤样品实测点的经纬度提取WorldView-3遥感影像相应的原始光谱反射率。考虑到土壤 Cd 的含量较低，光谱信息较为微弱，本研究通过光谱变换以降低影像背景噪声，增强样本间光谱特征差异。因此，本研究对原始光谱反射率进行了一阶微分和倒数对数变换（图 2）。通过SPSS Statistics 22 软件对原始光谱反射率及其变换形式与土壤 Cd 含量进行 Pearson 相关性分析，获取每个波段与土壤 Cd 含量的相关系数 r，相关系数通过 P=0.05 水平显著性检验来确定敏感波段。此外，本研究将原始光谱及其变换形式光谱变量与土壤 Cd 含量的相关性进行排序，对于同一波段，选用相关性最高的光谱变换方式对应的光谱数据称为组合光谱，作为光谱输入变量参与建模。a.全样本原始光谱反射率曲线 a.Raw spectral reflectance curve of soil samples b.全样本一阶微分光谱反射率曲线 b.The first order differential spectral reflectance curve of soil samples c.全样本倒数对数光谱反射率曲线 c.Reciprocal logarithmic spectral reflectance curve of soil samples 图 2 土壤样本光谱反射率曲线 Fig.2 Spectral reflectance curve of soil samples 1.4 环境变量提取与分析 参考前人研究成果6,20,24，并结合研究区的特点及实际情况，本研究选取人类活动、地形因子、土壤属性等影响土壤 Cd 空间分布的环境变量作为模型的输入参数。前人研究在仙槎河流域的土壤重金属源解析结果表明，土壤重金属 Cd 的“人为源”一方面是钨矿企业开采活动造成的累积；另一方面，过量施用化肥、杀虫剂与塑料薄膜等农业用品也是土壤 Cd 的重要来源25。因此，本研究选取离矿区距离和居民地面积两项指标分别表征工矿业与农业等人类活动因子。其中，采用 ArcGIS 10.5距离分析工具计算每个采样点至小龙钨矿位置的距离，并生成离矿区距离的空间分布图（图 3c）。为了获取居民地的分布区域，本研究基于 Google Earth Engine 云平台获取研究区 2020 年 46 月 Sentinel-2 地表反射率中值合成影像，并通过 ENVI 5.3 软件中支持向量机算法对该影像进行监督分类，将土地利用类型主要分为森林、水体、农田、居民地、道路及裸地，总体分类精度为 97.92%（图 1b）。提取上述影像分类结果中的居民地区域并进行二值化，通过 Matlab R2021b 矩阵运算计算栅格中每个像元周边 1km 内的居民地面积（图 3b）。此外，由于研究区东部山区海拔较高，地形因子主要通过控制地表径流、土壤侵蚀等过程影响土壤重金属空间分布6。本研究中选用 DEM 表征地形因子，数据来源于 ASTER GDEM 数字高程模型（图 3a）。考虑到土壤中重金属含量一般较低，而土壤有机质对土壤重金属的富集具有一定的吸附作用。同时，土壤 pH 通过改变土壤重金属的形态及其迁移能力而影响其空间分布26。因此，本研究选取土壤有机碳和 pH 表征土壤属性因子，并利用 ArcGIS 软件进行克里金法插值获得其空间分布（图 3d3e）。所有环境变量的分辨率最终统一至 10 m 便于后续建模分析。1.5 模型预测及精度评价 本文选择线性模型偏最小二乘回归（Partial Least Squares Regression，PLSR），以及非线性模型支持向量机回归（Support Vector Machine，SVM），BP 神经网络（Back Propagation Neural Network，BPNN）和随机森林（Random Forest，RF）建立土壤 Cd 含量预测模型。PLSR是一种多变量回归分析方法，通过最小化误差的平方可以在新的维度找到一组数据的最佳拟合函数，能够较好消除自变量间的多重共线性11。SVM 以内核统计学理论为基础，可利用有限的样本信息平衡模型的复杂程度和学习能力，具有高维模式的识别能力。BPNN 是一种按误差反向传播的多层反馈神经网络，其原理是利用梯度下降法实现实际输出值与期望输出值的误差达到最小，具有较强的非线性预测能力27。RF 是一种基于决策树的集成学习算法，其通过 Bootstrap 取样法随机抽样构建不同的决策树，将所有决策树预测结果的平均值作为回归随机森林的输出12。RF通过引入随机性来处理过拟合现象，而且对异常值和噪声具有较高的容忍度，泛化能力较强。本研究采用十折交叉验证法评价模型精度，评价指标包括决定系数（coefficient of determination，R2）、均方根误差（Root Mean Square Error，RMSE）、平均绝对误差（Mean Absolute Error，MAE）。第 12 期 李国旭等：基于 WorldView-3 多光谱和关键环境变量的土壤镉含量反演 227 a.研究区高程 a.Study area elevation b.周边居民地面积 b.Surrounding residential area c.离矿区距离 c.Distance from mining area d.土壤酸碱度 d.Soil pH e.土壤有机碳 e.Soil organic carbon 图 3 关键环境变量空间分布图 Fig.3 Spatial distribution of key environmental variables 2 结果与分析 2.1 土壤 Cd 含量统计分析及其与光谱反射率的相关性 采集的 203 个土壤样品 Cd 含量基本统计特征如表 2 所示，Cd 含量的变化范围为 0.112.97 mg/kg，平均值为 0.53 mg/kg，是土壤背景值的 4.9 倍。根据土壤环境质量农用地土壤污染风险管控标准（GB 156182018），该区域的平均 Cd 含量虽然低于农用地土壤污染风险管制值，但高于风险筛选值。基于土壤重金属污染的单因子指数法，得出 Cd 的污染指数为 4.90，表明该地区属于重度污染28，因此需要加强农田土壤 Cd 含量的动态监测。表 2 土壤 Cd 含量统计特征 Table 2 Statistical characteristics of sampled soil Cd content 项目 Items 最大值 Max/(mgkg-1)最小值 Min/(mgkg-1)平均值 Mean/(mgkg-1)标准差 Standard deviation/(mgkg-1)变异系数 Variation coefficient 偏度 Skewness 峰度 Kurtosis背景值29 Background values/(mgkg-1)污染指数 Average of pollution indexCd 2.97 0.11 0.53 0.48 0.91 2.64 8.12 0.108 4.90 由于土壤 Cd 含量样本数据存在右偏，分布不符合正态分布，所以利用 Box-Cox 对 Cd 含量进行变换处理30，使其含量更接近于正态分布。将该结果与原始光谱及光谱变换结果进行相关性分析，并将相关系数在 P=0.05水平下进行显著性检验，如表 3 所示。结果表明，Cd 含量与原始光谱反射率显著相关的波段集中在红边、近红外和短波红外波段，且存在显著正相关关系。将原始光谱反射率经过一阶微分变换后，部分波段相关性有明显提高。但经过倒数对数变换后，相关性反而降低，说明一阶微分变换可有效突出土壤 Cd 的光谱反射率特征。农业工程学报（http:/www.tcsae.org）2022 年 228 表 3 不同光谱反射率与土壤 Cd 含量相关性分析 Table 3 Correlation coefficient between transformed spectral reflectance and soil Cd content 波段名称 Band name 原始光谱 Raw spectrum 一阶微分 First order differential 倒数对数 Reciprocal logarithm 组合光谱 Composite spectrum Coastal Blue-0.074 0.057-0.074 Blue-0.029 0.140*0.026 0.140*Green 0.043 0.052-0.043 0.052 Yellow 0.006-0.060-0.001-0.060 Red 0.000 0.300*0.013 0.300*Red Edge 0.238*0.314*-0.215*0.314*NIR1 0.291*0.290*-0.253*0.291*NIR2 0.287*0.137-0.244*0.287*SWIR1 0.255*-0.024-0.219*0.255*SWIR2 0.177*-0.174*-0.165*0.177*SWIR3 0.186*0.224*-0.170*0.224*SWIR4 0.188*-0.180*-0.169*0.188*SWIR5 0.159*-0.221*-0.151*-0.221*SWIR6 0.144*-0.173*-0.140*-0.173*SWIR7 0.154*-0.090-0.149*0.154*SWIR8 0.154*-0.145*0.154*注：*、*分别表示在 0.05 水平和 0.01 水平（双侧）上显著相关。Note:*,*indicate significant correlation at the 0.05 level and 0.01 level(two-sided),respectively.2.2 模型构建及精度验证 本研究依次选取光谱信息、环境变量、融合光谱信息和环境变量分别作为输入变量参与建模，不同输入变量情景下的模型精度评价结果如表 4 所示。其中，选取原始光谱反射率、一阶微分、倒数对数变换及组合光谱作为 4 种模型自变量，以土壤 Cd 含量为因变量的模型结果表明：无论将光谱进行何种变换，仅单一输入光谱信息的模型精度均较差。其中，以原始光谱为自变量的BPNN 模型的决定系数最高，但仅为 0.194（表 4），远远达不到定量反演的精度要求。对于 PLSR、RF、SVM三种模型，一阶微分变换和组合光谱的建模精度略优于原始光谱。将光谱数据经过倒数对数变换后，模型精度均有所降低，这与相关性分析结果一致。相比之下，当模型仅输入 DEM、离矿区距离、居民地面积、土壤有机碳和 pH 等 5 个关键环境变量时，4 种模型精度均显著提高。其中，RF、BPNN、SVM、PLSR 的模型精度 R2分别达到 0.782、0.541、0.573、0.184。但是，通过融合不同光谱信息与 5 个环境变量后，其四种模型精度相比单独输入环境变量均略微降低。其中，RF 和 BPNN 模型以光谱的倒数对数变换，SVM 以组合光谱，PLSR 以一阶微分变换的模型决定系数最高，分别为 0.693，0.430，0.433 和 0.205。总体来说，非线性模型的精度显著优于线性模型，其中 RF模型的预测效果最优。表 4 土壤 Cd 含量的模型构建与精度评价 Table 4 Accuracy assessment of soil Cd content using different models 随机森林 RF BP 神经网络 BPNN 支持向量机 SVM 偏最小二乘回归 PLSR 模型 Model 光谱变换Spectral transformations R2 RMSE/(mgkg-1)MAE/(mgkg-1)R2 RMSE/(mgkg-1)MAE/(mgkg-1)R2 RMSE/(mgkg-1)MAE/(mgkg-1)R2 RMSE/(mgkg-1)MAE/(mgkg-1)原始光谱 0.094 0.986 0.806 0.1940.936 0.729 0.1280.962 0.773 0.115 0.9700.794 一阶微分 0.159 0.934 0.755 0.1720.953 0.734 0.1820.928 0.734 0.139 0.9560.770 倒数对数 0.094 0.987 0.807 0.0810.990 0.806 0.1210.966 0.779 0.094 0.9830.805 仅光谱Spectrum 组合光谱 0.148 0.942 0.764 0.1850.942 0.737 0.1780.931 0.744 0.128 0.9620.786 仅环境变量Environment variable/0.782 0.384 0.294 0.5410.536 0.417 0.5730.518 0.381 0.184 0.729 0.549 原始光谱 0.688 0.577 0.433 0.3710.838 0.644 0.4080.792 0.596 0.186 0.9200.721 一阶微分 0.669 0.605 0.464 0.3700.849 0.655 0.4110.786 0.584 0.205 0.9130.701 倒数对数 0.693 0.448 0.336 0.4300.801 0.613 0.4140.788 0.593 0.160 0.9350.733 融合光谱和环境变量Spectrum and environment variable 组合光谱 0.669 0.602 0.455 0.3770.848 0.651 0.4330.775 0.586 0.181 0.9230.735 2.3 空间反演制图及其不确定性分析 虽然融合光谱与环境变量后，与仅输入环境变量的模型精度相比未有明显提升，且呈略微下降趋势。但本研究仍进一步从土壤Cd空间预测图比较两种输入变量情景下模型结果差异。首先，将研究区 WorldView-3 影像农田区域的光谱倒数对数反射率与 5 个环境变量均统一至 10 m 空间分辨率。其次，分别基于上述构建的两个最优模型，即单独输入环境变量和融合光谱参数（倒数对数变换）与环境变量的 RF 模型，反演得到研究区农田土壤 Cd 含量的空间分布图（图 4）。从反演结果看，融合光谱和环境变量与仅输入环境变量两种模型预测的农田土壤 Cd 含量范围大致相同，分别为 0.1371.851 mg/kg和 0.1361.822 mg/kg。同时，二者预测的空间分布结果均表明研究区农田土壤 Cd 含量具有高度空间异质性，且均呈现由西北向东南增加的分布趋势（图 4a-b）。但是，仅输入环境变量的空间预测图在研究区东南部存在明显的条带效应，这可能与部分环境因子由地统计插值生成空间数据有关。为进一步定量分析模型预测结果的不确定性31，本研究将上述两种输入变量情景下的最优 RF 模型分别运行 100 次，并计算出土壤 Cd 含量预测值的标准差，其空间分布如图 4c-d 所示。标准差的空间分布与范围大小可反映由于建模方法、输入变量、采样点分布及数量等造成的不确定性32。融合光谱和环境变量与仅输入环境变量两种输入变量情景下预测结果的标准差范围相近，分别为 00.062 mg/kg 和 00.060 mg/kg。但是，融合光谱和环境变量模型结果的不确定性较低的区域（即标准差低于 0.011 mg/kg）面积占比为 80%，而在仅输入环境变量的模型中该区域占比为 71%。因此，融合光谱信息的空间图在区域预测中不确定性较低，且条带效应不明显。第 12 期 李国旭等：基于 WorldView-3 多光谱和关键环境变量的土壤镉含量反演 229 a.融合光谱及环境变量反演结果 a.Spectrum and environment variable inversion result b.环境变量反演结果 b.Environment variable inversion result c.融合光谱及环境变量反演标准差 c.Spectrum and environment variable inversion SD d.环境变量反演标准差 d.Environment variable inversion SD 图 4 两种输入变量情景下研究区农田土壤 Cd 含量预测图与标准差图 Fig.4 Predicted maps and standard deviation(SD)of farmland soil Cd content in the study area under two covariate sets scenarios 3 讨 论 土壤安全关系国家粮食安全和人民群众健康，由矿山开发导致的周边农田土壤重金属污染问题已得到政府和社会各界的高度关注。高光谱遥感具有快速、无损、大范围监测且成本低的技术优势33，因此，以往研究大多利用高光谱技术反演土壤重金属含量。国内外学者陆续在土壤重金属高光谱遥感监测理论和方法体系方面取得了长足的进展，但仍面临一些现实的困难。例如，由于星载高光谱传感器较为稀缺，多数研究采用实验室或野外近地传感高光谱技术进行土壤重金属含量反演8,34-35，虽然精度较高但多基于实验室和田间尺度，难以快速获取大范围的重金属污染信息。航空高光谱技术可以实现重金属含量的定量估算，但是由于其覆盖范围有限、影像获取成本较高，在实际应用中仍难以实现大尺度范围的土壤重金属监测。其次，高光谱数据波段多且窄，波段间相关性高，光谱数据冗余，导致模型算法复杂度高、信息提取速度慢。此外，当前学者们建立的某些土壤重金属高光谱反演模型虽然精度较高，但仅考虑了土壤光谱特征，忽视了成土环境要素对土壤属性空间分布特征的影响，导致模型大多只适用于特定区域的特定样本，模型鲁棒性差，难以在大范围进行推广应用9。相比之下，多光谱影像获取相对容易，信息冗余小，数据处理方便，但是受限于光谱波段少、光谱分辨率低等因素，导致土壤重金属与光谱反射率敏感性弱，直接利用多光谱信息进行重金属含量反演精度低，难以满足实际应用需求。本文结果表明 WorldView-3 多光谱数据与土壤Cd 含量之间的相关性较低。通过一阶微分对光谱数据进行变换后，部分波段的光谱数据与土壤 Cd 含量之间的相关性得到一定程度的提高，但仅仅依靠 WorldView-3 光谱数据构建的重金属Cd反演模型远远达不到定量反演的要求。这可能是由于多光谱遥感图像波段少，光谱分辨率低，对土壤 Cd 含量微观差异敏感性不高。数字土壤制图（DSM）方法根据土壤-景观模型理论，利用与土壤发生相关或与土壤协同空间变化的地理环境数据来推测土壤属性的空间分布17。多数研究表明，重金属 Cd 的空间分布受自然以及人为因素共同影响26,36。例如，土壤对重金属 Cd 的吸附能力随土壤有机质含量的增加而增强37，而土壤 pH 能够影响重金属在土壤中的迁移能力38。此外，人类活动对土壤环境的扰动也会进一步加剧土壤中重金属的空间变异39。本研究区土壤重金属Cd一方面主要来源于上游小龙钨矿开采和加工过程中的对外排放，受地形地貌影响，经地表径流汇入仙槎河并向下游迁移，并随灌溉水进入农田；另一方面，过量农业化肥、杀虫剂与塑料薄膜等农资产品的使用也是造成农田 Cd 富集的重要因素。因此，本研究将 5 个关键的环境协变量（DEM、土壤有机碳、pH、离矿区距离与居民地面积）作为模型输入参数建模，结果发现采用 RF、BPNN、SVM、PLSR 四种模型精度均比单独输入多光谱信息显著提高。进一步，本研究将多光谱与环境变量融合进行建模，结果发现这种方式比单独输入环境变量的最优模型精度结果略微降低，这与前人研究中融合多光谱影像与环境协变量有效提高土壤重金属含量反演模型精度的研究结果不一致40-41。这可能与本研究中光谱变量在土壤 Cd 含量 RF 模型中的相对贡献较低有关。根据 RF 模型的重要性排序结果发现，5 个关键环境变量的相对重要性高于74%（图 5），显著高于多光谱波段。这表明利用多光谱遥感技术进行土壤重金属反演存在一定的局限性，而环境变量是土壤 Cd 空间反演预测的关键参数。此外，在RF 模型训练过程中，若加入不相关的冗余特征可能会引入噪声，增加复杂度，并降低整体准确性和模型泛化能力42-43。总体而言，基于环境协变量可较为合理地预测矿区周边农田土壤重金属含量，这对于利用关键环境变量指导土壤样品采集、参与土壤属性预测提供一定的借鉴意义，有助于实现大范围土壤重金属的高效监测。而利用多光谱遥感技术进行土壤重金属监测与预测仍存在一定的局限性。为了深入理解土壤重金属光谱反射率特征及其他因素的影响，未来研究可尝试利用高光谱信息结合环境变量以提农业工程学报（http:/www.tcsae.org）2022 年 230 高土壤重金属预测模型的准确性和适用性。图 5 融合光谱信息与环境变量的 RF 模型变量重要性排序 Fig.5 Relative importance ranking of spectral and environmental variables in RF model 4 结 论 本文以江西省仙槎河流域小龙钨矿区周边农田土壤为研究对象，利用 203 个土壤样本的重金属 Cd 含量实测数据、WorldView-3 多光谱影像以及地形因子、土壤属性因子和人类活动因子等环境协变量数据，分别以光谱、环境变量、光谱与环境变量作为模型自变量，并采用偏最小二乘回归、BP 神经网络、随机森林、支持向量机四种算法，通过十折交叉验证优选土壤 Cd 含量反演模型，从而得到研究区农田土壤 Cd 含量空间分布图。本文的主要结论如下：1）利用一阶微分对 WorldView-3 原始光谱数据进行变换，一定程度上提高了光谱数据与土壤 Cd 含量之间的相关性，但仅仅依靠 WorldView-3 光谱数据进行重金属含量建模精度较差，无法达到定量反演的要求。2）仅输入关键环境变量的随机森林模型结果最优（R2=0.782,RMSE=0.384），融合经倒数对数变换的光谱信息与环境变量的 RF 模型精度略微降低（R2=0.693,RMSE=0.448）。利用以上两种模型反演的土壤 Cd 含量空间分布趋势相近，但是仅输入环境变量的空间预测图部分存在条带效应，而融合光谱信息与环境变量的空间制图效果连续性更好。3）研究区农田土壤 Cd 含量的空间制图结果表明重金属 Cd 含量呈现高度的空间异质性，随着离矿区距离的减小，土壤 Cd 含量呈现增加趋势，并且 Cd 含量在居民地密集区域存在富集现象，与实际情况相符。参 考 文 献 1 赵其国，骆永明.论我国土壤保护宏观战略J.中国科学院院刊，2015，30(4)：452-458.Zhao Qiguo,Luo Yongming.The macro strategy of soil protection in ChinaJ.Bulletin of Chinese Academy of Sciences,2015,30(4):452-458.(in Chinese with English abstract)2 宋姿蓉，俄胜哲，袁金华，等.不同有机物料对灌漠土重金属累积特征及作物效应的影响J.中国农业科学，2019，52(19)：3367-3379.Song Zirong,E Shengzhe,Yuan Jinhua,et al.Heavy metal accumulation in irrigated desert soils and their crop effect after applying different organi