樂安河流域土壤重金屬含量高光譜間接反演模型及其空間分布特征研究

蘭 澤 英， 劉 洋

(1.廣東工業大學管理學院，廣東 廣州 510060；2.廣州市城市規劃勘測設計研究院，廣東 廣州 510060)

?

樂安河流域土壤重金屬含量高光譜間接反演模型及其空間分布特征研究

蘭 澤 英1， 劉 洋2

(1.廣東工業大學管理學院，廣東 廣州 510060；2.廣州市城市規劃勘測設計研究院，廣東 廣州 510060)

選取江西省樂安河及其支流流域作為研究區域，探討了使用土壤高光譜數據間接反演其重金屬(Cu、Zn、Pb)含量的方法。選用偏最小二乘模型對土壤有機質含量進行高光譜反演，引入人工神經網絡回歸模型建立土壤有機質含量與重金屬含量的相關關系，從而提取出土壤中痕量級的重金屬元素，并針對其空間分布情況進行關聯分析和對比分析。實驗結果表明，此方法在反演Cu、Zn元素時可有效反映其空間分布特征，具有在類似泛濫平原區域推廣的適宜性，也為該區域土壤及水文生態環境監測提供了相關參考。

土壤重金屬含量；高光譜反演；偏最小二乘回歸(PLS)；人工神經網絡

0 引言

大量研究表明，遙感高光譜數據結合GIS野外采樣分析已被成功應用于土壤重金屬含量調查。1991年巴西科學家基于AVIRIS影像，探討了3處樣本采集區的土壤TiO2、Fe2O3、Al2O3光譜反射率與化學成分的關系[1]。近年來Kemper等通過逐步線性回歸分析(MLR)和神經網絡(ANN)方法預測重金屬元素濃度與特征光譜反射率之間的擬合關系[2]；Phoebe等利用高光譜調查棄礦及礦山廢物的重金屬元素分布[3]；Shrestha等利用TM7光譜反射率統計預測土壤中Fe、Zn、Se的含量[4]；Evangelou等基于Aster、TM等數據定量預測土壤中Hg的含量[5]。然而，采用上述直接估算法探測流域土壤中的重金屬含量，其精度和穩定性受限[6,7]，主要原因在于流域范圍內的重金屬含量通常屬于痕量級，即使在重污染區域，即土壤重金屬含量大于三級臨界值的區域(參見《土壤環境質量標準》)[8]，其診斷性光譜特征也很容易湮沒在其他土壤組分的影響之中，不足以被光譜儀直接檢測出來，因此需要考慮間接量化的模型和方法。

土壤重金屬含量與土壤的理化性質聯系緊密[7-12]，進入土壤的外源重金屬可以被土壤粘土礦物、鐵氧化物和有機質等吸附，這些土壤成分具有典型光譜特征，因此，使用高光譜數據探測土壤成分(如有機質含量、土壤質地、pH值等)并通過重金屬與這些土壤成分的相關分析可間接估算土壤中的重金屬含量[2，6]。本文選取江西省樂安河及其支流流域作為研究區域，根據高光譜遙感數據及GIS采樣數據的相關分析，建立高光譜數據和土壤重金屬含量的間接反演模型，討論土壤重金屬元素的空間分布特征，從而為類似泛濫平原區域土壤重金屬監測提供技術支持和參考依據。

1 研究區域與實驗數據

1.1 研究區域及其土壤理化特性分析

研究區域包括江西省境內的樂安河及其支流(即大塢河和洎水河)流域。如圖1所示，樂安河發源于懷玉山麓，向東注入鄱陽湖，全長275 km，流域面積8 534 km2。該區域的典型性表現在：1)樂安河中游、大塢河、洎水河沿岸分布著大量銅礦、金礦、鉛鋅礦和化工加工廠，其中包括亞洲最大的露天開采銅礦“德興銅礦”(圖1)，開采廢水排入樂安河及其沿岸土壤，暴露出土壤重金屬污染問題[13]。2)樂安河下游直接匯入鄱陽湖——中國最大的濕地生態區域，分析樂安河沿岸的土壤重金屬污染對于研究鄱陽湖生態環境有重要意義。3)1994年10月，聯合國CERP計劃曾對樂安河沿岸土壤的化學特性進行過研究，顯示出Cu、Pb、Zn 3種重金屬含量超標，本文再次對該流域土壤重金屬含量進行測定，可以對比分析近20年來土壤污染的變化趨勢，從而為當地實施環境保護政策提供依據。

圖1 樂安河研究區域及其沿岸采礦點分布

Fig.1 The study area and the coastal mining sites of Lean River

與Kooistra的研究區類似[6]，本區域屬于典型的泛濫平原地區，河谷分布大量的潮土，其成土母質主要為河流現代沖積物。露天有色金屬選礦廠排出的污水中的重金屬離子和天然水體中的懸浮物結合，隨著河水上漲逐漸沉積在泛濫平原土壤表層。另一方面，土壤有機質具有天然的螯合和絡合效果，通過其團粒結構可以將重金屬離子吸附住，重金屬離子的活性降低后，以比較穩定的化合物形式“固定”下來，不被植被和其他成分吸收和轉移，從而堆積形成受污染的流域土壤。因此，理論上流域土壤中重金屬的含量及分布特征與有機質的含量及分布特征有強烈的正相關關系。根據這一理化性質，本研究以土壤有機質作為數據反演的媒介，建立高光譜數據和土壤重金屬(Cu、Pb、Zn)含量的間接量化模型。

1.2 實驗數據獲取及其預處理

首先自上游到下游進行野外采樣，樣點盡量分布在流域兩岸，并在靠近采礦區的地方(樂安河中游、大塢河、洎水河沿岸)、緩坡以及利于水中懸浮物沉積的一側適當地密集布置，且采樣點距河流的平均直線距離為10 m。為盡可能與1996年CERP項目的研究結果進行比對，分別在流域的上中下游地區，至少有兩個以上采樣點與CERP項目的采樣點重合。對每個采樣點，按梅花形收集5個子集，再混合成一個組合樣本[14，15]，最終選擇了71個土壤采樣點。

對土壤樣本進行實驗室分析與預處理，主要包括高光譜數據獲取與選擇、土壤有機質含量和幾種重金屬含量測定。使用ASD fieldSpec 3儀器測定土壤樣本的高光譜數據，共測量2 151個波段。為消除高光譜數據的階越現象和噪聲，采用二階微分技術和平滑技術進行處理[16]，得到光譜匹配濾波曲線(圖2)。可以看出，有7個波段特征規律明顯，其中1 415 nm、1 930 nm和2 200 nm波段與反演土壤含水量的特征波段相近，為了減小含水量對光譜反射率的影響，將其剔除，最后選擇415 nm、485 nm、770 nm和920 nm波段作為土壤樣本的光譜特征波段。根據《土壤環境監測技術規范》[8]，采用經典的重鉻酸鉀-濃硫酸油浴消解法，經化合反應后測定土壤樣本有機質含量；考慮到操作的安全性和便捷性，采用XRF(X Ray Fluorescence)儀器[16-18]，通過X射線熒光的能量特性，測定土壤樣本的重金屬含量。

圖2 高光譜匹配濾波曲線

Fig.2 The continuum removal curve of hyperspectral data

2 土壤重金屬含量間接反演模型建立

2.1 基于偏最小二乘法的土壤有機質高光譜反演

為建立土壤樣本高光譜數據與有機質含量之間的反演模型，本文嘗試了多種數據回歸方程，并進行了對比分析。將土壤光譜特征波段和有機質含量的相關數據分別帶入表1所示的回歸模型。計算結果顯示，其效果都不甚理想，最高的三次函數模型相關性系數僅達到0.51。

表1 傳統的土壤有機質高光譜反演模型對比分析

Table 1 Comparative analysis of soil organic matter content based on the traditional hyperspectral inversion models

因而，進一步引入偏最小二乘模型(Partial Least Squares，PLS)進行測試。作為一種數學優化技術，它在普通回歸方程難以解決的問題上表現優異，因此有“第二代回歸分析方法”之稱[16-19]。由于SIMCA-P軟件中已經實現了這種算法，因而直接將相關數據代入其中，對土壤樣本的有機質含量進行高光譜反演。圖3a是偏最小二乘模型的回歸系數圖，直觀上顯示其收斂性比較理想。圖3b實線部分是模型的回歸結果，它與土樣實測值之間的相關性為R2=0.9842，均方根誤差達到0.9511，表現優異。為進一步驗證該模型的精度，隨機選擇了10個土樣進行測試，如圖3b虛線部分所示，檢驗精度為61.84%，基本合格；但是檢驗樣本偏度和均方根誤差達11.23和4.56，發現是隨機選擇的個別檢驗樣本和樣本整體趨勢之間有較大差異，導致偏移。但整個模型的精度和效果比傳統經典模型有了質的提高，結果令人滿意。因此，最終選定偏最小二乘回歸法作為有機質含量的高光譜反演模型。

圖3 基于偏最小二乘法的高光譜反演有機質含量模型

Fig.3 Analysis of the PLS based hyperspectral inversion model

2.2 土壤重金屬含量量化分析模型建立與評價

根據前文對實驗區土壤理化性質的分析，認為土壤重金屬含量與有機質含量之間存在正相關關系。為此，引入人工神經網絡算法進行回歸分析。本文借鑒相關研究成果，基于Matlab平臺實現了人工神經網絡回歸模型。首先對71個土壤樣本進行隨機分類，其中訓練樣本占70%(49個)，驗證樣本占15%(11個)，測試樣本占15%(11個)；分別對Cu、Zn、Pb 3種重金屬含量進行神經網絡回歸計算，其回歸模型的擬合結果分析如下：

Cu元素回歸模型的整體擬合效果比較理想。如圖4a所示，縱坐標表示重金屬含量，橫坐標代表有機質含量，黑色曲線為擬合曲線，圓點代表樣本標準值。圖中除個別樣點的誤差系數較大外，其他樣點基本平均分布在曲線兩側，總體相關性R達0.7763；觀察模型預測值與實際值間的偏離情況(圖4b)，發現大部分樣本的擬合情況令人滿意。Zn量化模型的整體擬合效果最佳。如圖5a所示，樣點基本平均分布在曲線兩側，總體相關性R達0.9370,大部分預測值與實際值的擬合情況非常好(圖5b)。Pb量化模型的整體擬合效果不理想。如圖6a所示，只有少數樣點平均分布在曲線兩側，總體相關性僅0.4317；同時，Pb樣本的預測值偏差較大(圖6b)。分析其原因，一方面是間接量化模型所造成的誤差累積；另一方面是由于該金屬的復雜相關性造成了預測值的不準確。土壤中Pb屬于極穩定的重金屬，隨時間的推移逐漸沉積在土壤中，一般元素或其他條件很難對其沉積起到作用，因此很難通過外部的單一條件(如有機質含量等)對其進行準確的量化分析。

圖4 Cu含量量化模型效果分析

Fig.4 Analysis of the Cu contents quantitative model

圖5 Zn含量量化模型效果分析

Fig.5 Analysis of the Zn contents quantitative model

圖6 Pb含量量化模型效果分析

Fig.6 Analysis of the Pb contents quantitative model

此外，圖4b、圖5b、圖6b圈線內標注的樣點誤差都比較突出，對比《土壤環境質量標準》的數值[8]發現，這些樣本的重金屬實測值屬于極小(即含量小于一級土壤臨界值)或極大(即含量大于三級土壤臨界值)范圍。究其原因，在重金屬含量實測值極小的區域，表明土樣未受污染，它與有機質含量之間的相關性并不顯著，本文的量化模型會高估其含量；而在受重度污染的地區，重金屬元素除與土壤有機質結合以外，還會以鐵、錳等化合物以及游離態等其他形式存在，本文的量化模型忽視了其他元素的影響，造成了重金屬含量的低估。由此可見，上述土壤重金屬含量間接量化模型是可以投入到實際的環境污染監測中的，但具有地域適宜性，即適宜在土壤受到典型重金屬污染(即土壤環境質量執行三級標準)的地區使用。

3 研究區土壤重金屬空間分布特征分析

3.1 研究區土壤重金屬含量空間分布

分別對樂安河、大塢河、洎水流域的土壤重金屬含量進行統計，結果如下：銅含量均值分別為0.284 mg/g、0.788 mg/g、0.226 mg/g，為國家標準的5～20倍，各流域的銅污染都比較嚴重，以大塢河尤為突出；鋅含量均值分別為0.256 mg/g、0.115 mg/g、0.218 mg/g，位于1級和2級土壤標準之間，鋅含量正常；鉛含量均值分別為0.082 mg/g、0.066 mg/g、0.18 mg/g，主要是洎水河流域存在較嚴重的鉛污染。

根據上述統計結果，對受典型重金屬污染的區域進行具體分析：在大塢河流域，如圖7a所示，上游樣點010、011和012未流經采礦區，Cu含量明顯很低；自樣點013開始(包括樣點013、014、033和034)，Cu含量大幅度提高，在樣點034處達到峰值3.425 mg/g，經觀察，它們均屬于大塢河流經德興銅礦后受到典型污染的樣點；在下游地區，由于河水自凈和礦區一些污染處理措施后，污染情況得到一定改善。在洎水河流域，Pb含量分布呈兩級模式(圖7b)，上游和中游Pb含量整體比較穩定，保持在0.10 mg/g左右；而下游地區，樣點046、047、048和050的Pb含量出現大幅提高，并在樣點047處達到峰值(0.672 mg/g)。此處正是中下游大量采礦點的排水區，造成洎水河下游Pb含量激增。

注：Cu、Pb含量單位為mg/kg。

圖7 典型采樣點的Cu、Pb含量

Fig.7 The Cu，Pb content of the typical sampling sites

針對污染最為典型的流域(即樂安河中游、大塢河、洎水河)的重金屬空間分布情況做進一步分析。基于ArcGIS平臺，對采樣數據進行空間二次插值(圖8,見封2)，可分別得到該區域連續的Cu、Pb元素的空間分布圖。圖8中，紅色代表污染等級最高，藍色為最低。可以看出，在受典型重金屬污染的流域中：大塢河流經整個采礦區，是土壤重金屬主要污染支流，受到了極為嚴重的銅污染；洎水河源于德興銅礦東南部山區，流經德興銅礦的尾礦區，其下游受到了比較嚴重的銅、鉛污染。樂安河中游接收大塢河、洎水河支流的水流匯入，顯示出一定程度的銅、鉛污染，其下游流域至鄱陽湖口地區，重金屬含量較低，但存在潛在威脅。

3.2 土壤重金屬污染與CERP項目對比分析

本研究與1996年的CERP項目相比共有8個完全相同的采樣點，分別位于樂安河上游(A01和A03)、大塢河(A04和A05)、洎水河(J10)、樂安河中游(A07和A08)、樂安河下游(A13)。將兩組重金屬含量數據做對比分析，黑線為CERP項目數據，灰線為本次研究數據(圖9)。

圖9 CERP項目和本研究的土壤Cu、Zn、Pb含量對比

Fig.9 Comparison of the Cu,Zn,Pb contents in soil between the CERP project and this project

通過比較發現：1)兩次調查的重金屬含量折線圖具有類似的形態，除了CERP項目的Zn含量數據出現一個激變峰值，其他樣點的走勢圖(尤其是Cu和Pb)呈現出相似的空間分布特征。2)Cu、Pb含量的峰值區均位于德興銅礦以及小型礦山密集區域附近。在樂安河上游海口處，本研究的Cu含量明顯高于CERP項目，原因是1996年此處位于德興銅礦上游，未受到銅礦污染，如今隨著銅礦規模不斷擴大，新開的礦山已經往上游延伸。3)總體而言，Cu和Zn含量都較1996年發布的結果有所降低，但Pb含量整體提高，因此不能簡單地說明研究區重金屬污染情況是否有所緩解。進一步分析發現，土壤中的重金屬含量受土壤類型、水文、地貌、河流中懸浮物等因素影響，且重金屬含量測定方法也存在差異，因而本文盡量選擇相對穩定的元素來做比較，顯然Pb含量更具有代表性，顯示隨著采礦點規模的擴大，研究區的重金屬污染仍然很嚴重，甚至有加深的趨勢。

4 結論

本研究采用高光譜遙感間接反演的方式測定了土壤中的重金屬含量(Cu、Zn、Pb)，是對土壤理化特性的深入應用，與傳統的純化學測定法相比，在精度類似的同時極大提高了工作效率。作為一種更加自動化、智能化的低成本數據處理方法，可以滿足大范圍的流域土壤重金屬含量監測，從而有望在類似泛濫平原區域替代傳統的化學分析法。此外，將流域土壤的重金屬分布特征及變化趨勢映射在GIS空間分布圖中，集成了遙感影像和GIS地形數據，可以擴大數據的應用尺度，快速獲取決策信息。本研究結果顯示流域土壤中存在不同程度的重金屬污染，且與沿岸銅礦和鉛鋅礦區的開采、冶煉、排污活動密切關聯，呈現出自采礦點污染源向下游漫延且逐年加劇的趨勢。該結論為進一步評估與治理流域土壤及下游鄱陽湖的生態環境提供直觀的數據支持。

未來研究中將嘗試利用機載或星載的高光譜遙感數據代替地面分光計所獲取的遙感數據進行反演模型的構建，以期進一步降低估算成本、提升計算效率并擴大研究區域范圍。

[1] LOZET J,MATHIEU C.Dictionary of Soil Science[M].Rotterdam,Balkema,1991.348-352.

[2] KEMPER T,SOMMER S.Estimate of heavy metal contamination in soils after a mining[J].Accident Using Reflectance Spectroscopy,2002,36:2742-2747.

[3] PHOEBE L,HAUFF D C,PETERS,et al.Hyperspectral Investigations of Mine Waste and Abandoned Mine Lands[R].The Dragon Calibration Site Case Study,2002.64-72.

[4] SHRESTHA D P,MARGATE D E,MEER F V D,et al.Analysis and classification of hyperspectral data for mapping land degradation:An application in southern Spain[J].International Journal of Applied Earth Observation and Geoinformation,2005,7:85-96.

[5] EVANGELOU M W H.Chelate assisted phytoextraction of heavy metals from soil,mechanism,toxicity,and fate of chelating agents[J].Chemosphere,2007,68(6):989-1003.

[6] KOOISTRA L,WEHRENS R,LEUVEN R S E W,et al.Possibilities of visible-near-infrared spectroscopy for the assessment of soil contamination in river floodplains[J].Analytica Chimica Acta,2001,446(1):97-105.

[7] 劉偉東,項月琴,鄭蘭芬,等.高光譜數據與水稻葉面積指數及葉綠素密度的相關分析[J].遙感學報,2004(4):279-253.

[8] 中華人民共和國國家標準土壤環境質量標準(GB 15618-1995)[S].中國國家環境保護局,1995.

[9] BENDOR E,BANIN A.Visible and near infrared (0.4-1.1 mm) analysis of arid and semi arid soils[J].Remote Sensing of Environment,1994,48:261-274.

[10] ISLAM K,SINGH B,MCBRATNEY A B.Simultaneous estimation of several soil properties by ultra-violet,visible and near infrared reflectance spectroscopy[J].Australian Journal of Soil Research,2003,41:1-14.

[11] GROSSL P R,SPARKS D L.Evaluation of contaminant ion adsorption/desorption on goethite using pressure-jump relaxation kinetics[J].Geoderma,1995,67:87-101.

[12] NAIDU R,SUMNER M E,HARTER R.Sorption of heavy metals in strongly weathered soils:An overview[J].Environmental Geochemistry and Health,1998,20:5-9.

[13] UNESCO.Ecological Impacts of Heavy Metal Pollution from Dexing Copper Mine on Poyang Lake,China[R].1996.

[14] CHEN Q S,ZHANG H D,WANG X Y.Feasibility study on qualitative and quantitative analysis in tea by near infrared spectroscopy with multivariate calibration[J].Analytica Chimica Acta,2006,572:77-84.

[15] 李小斌,陳楚群，施平，等.珠江口海域總無機氮的遙感提取研究[J].環境科學學報,2007,27(2):313-318.

[16] CHO M A,SKIDMORE A.Estimation of green grass/herb biomass from airborne hyperspectral imagery using spectral indices and partial least squares regression[J].International Journal of Applied Earth Observation and Geoinformation,2007,9(4):414-424.

[17] FABER N M,RAJK R.How to avoid over-fitting in multivariate calibration——The conventional validation approach and an alternative[J].Analytica Chimica Acta,2007,595(1):98-106.

[18] FELIZARDO P,BAPTISTA P.Multivariate near infrared spectroscopy models for predicting methanol and water content in biodiesel[J].Analytica Chimica Acta,2007,595(1):107-113.

[19] YING Y B.Nondestructive measurement of internal quality in pear using genetic algorithms and FT-NIR spectroscopy[J].Journal of Food Engineering,2008,84:206-213.

Research on Indirect Hyperspectral Estimating Model and the Spatial Distribution Characteristics of Heavy Metal Contents in Basin Soil of Lean River

LAN Ze-ying1,LIU Yang2

(1.ManagementCollege,GuangdongUniversityofTechnology,Guangzhou510060; 2.GuangzhouUrbanPlanning&DesignSurveyResearchInstitute,Guangzhou510060,China)

At present,supervision on the heavy metal contents in soil attracts increasing attention in the field of geography.This paper selects Lean River and its tributary basin in Jiangxi Province as the study area,discusses an inversion analysis method for the heavy metals (Cu,Zn,Pb) content in soil by using the hyperspectral data.According to the physical and chemical properties of the basin soil,the PLS model is used for organic matter content inversion based on the hyperspectral data;and then,the artificial neural network model has been used to set up the correlation between the organic matter content and the heavy metal content.Finally,the spatial distribution characteristics of the heavy metals content in soil are summarized by using correlation analysis and comparative analysis methods.The experimental results provide a powerful reference for the ecological environment monitoring of the basin soil,and strongly show that this method is satisfactory,and is also suitable for promotion in similar flood plain regions.

heavy metals content in basin soil;retrieval with hyperspectral data;partial least squares regression (PLS);artificial neural network

2014-07-09；

2015-01-07

國家自然科學基金項目(41301377)

蘭澤英(1983-)，女，博士，主要從事遙感土地監測技術及應用研究。E-mail:lzy-lzy@163.com

10.3969/j.issn.1672-0504.2015.03.006

P237

A

1672-0504(2015)03-0026-06