高標準基本農田建設區域土壤重金屬含量的高光譜反演

張秋霞，張合兵，劉文鍇,2，趙素霞

?

高標準基本農田建設區域土壤重金屬含量的高光譜反演

張秋霞1，張合兵1※，劉文鍇1,2，趙素霞1

（1. 河南理工大學測繪與國土信息工程學院，焦作 454000； 2. 華北水利水電大學資源與環境學院，鄭州 450046）

為快速高效的獲取高標準基本農田建設區域土壤重金屬信息，以新鄭市高標準基本農田建設區域為研究對象，共采集154個土壤樣品，在室內利用ASD Field Spec3型地物光譜儀獲得土壤高光譜數據，對土壤樣品在400～2 400 nm的光譜反射率進行多元散射校正（multiplicative scatter correction，MSC）和Savitzky-Golay（SG）平滑后，進行一階微分（first order differential reflectance，FDR）和二階微分（second order differential reflectance，SDR）變換，并與Cr、Cd、Zn、Cu、Pb 5種重金屬含量進行相關性分析，遴選出通過= 0.01顯著性檢驗的高光譜特征波段作為反演模型的自變量，采用116個建模集樣本構建偏最小二乘模型（partial least square regress , PLSR），通過精度檢驗篩選每個土壤重金屬的最佳反演模型，并采用最佳地統計插值方法對高標準基本農田建設區域土壤重金屬進行空間插值。結果表明：Cr的SDR-PLSR模型為最佳反演模型（=0.88，RPD=1.68），Cd的R-PLSR模型為最佳反演模型（=0.70，RPD=1.50），Zn的R-PLSR模型為最佳反演模型（=0.88，RPD=2.05），Cu的R-PLSR模型為最佳反演模型（=0.99，RPD=3.36），Pb的SDR-PLSR模型為最佳反演模型（=0.93，RPD=3.16）；采用構建的土壤重金屬的最佳模型，對土壤重金屬含量進行空間插值，結合高標準農田建設標準可知Zn含量符合土壤環境質量Ⅱ類標準且均低于土壤背景值，Cr、Cd、Cu和Pb符合土壤環境質量Ⅱ類標準，但是部分區域超過了土壤背景值。該研究為高光譜反演模型用于高標準基本農田建設區域土壤基礎信息的實時監測提供了參考。

土壤；光譜分析；重金屬；高光譜；反演；偏最小二乘回歸；高標準基本農田

0 引 言

《高標準農田通則》和《高標準基本農田建設標準》指出，基本農田是指依據一定時期人口和社會經濟發展對農產品的需要，根據土地利用總體規劃確定的不得占用的耕地[1]。而高標準基本農田是一定時期內，通過農村土地整治建設形成的集中連片、設施配套、高產穩產、生態良好、抗災能力強，與現代農業生產和經營方式相適應的基本農田[2]。高標準基本農田建設對于增強中國糧食安全保障能力、加快中國農業現代化發展，以及深化和擴展耕地數量、質量和生態全面管護內涵等具有重要意義[3]。但在建設高標準基本農田的過程中，大多重點強調對土地平整，道路、溝渠與其他工程的配套設施提高，而盲目的田間工程建設，易造成土地質量退化及土壤污染，影響農作物的產量。因此，分析并顯示高標準基本農田建設區域土壤生態的空間分布差異，具有極大的重要性和迫切性。及時快速的獲取高標準基本農田建設區域土壤重金屬信息，了解土壤生態狀況，保障高標準基本農田持續利用，成為目前需要關注和解決的科學問題。

當前圍繞高標準基本農田建設的研究，大多數為高標準基本農田劃定[4-6]、潛力評價[7-8]、適宜性評價[9-11]、建設時序與模式分區[12-14]、工程實施與效果評價[15]等，但高標準基本農田建設過程中，如何快速獲取土壤重金屬信息仍是重點。傳統的土壤重金屬測定雖然精度高，但耗時、費用高、環保性差，無法全面獲取數據，而高光譜遙感技術具有高分辨率及其高效率、無損害、安全、環保等特性，很好的克服了傳統方法的不足，為大范圍獲取高標準基本農田建設區域土壤重金屬信息提供了可能。近年來，多數學者運用高光譜技術對土壤重金屬進行了定量反演，為高標準基本農田建設區域土壤重金屬反演提供了理論基礎和技術依據。Kemper等[16]利用光譜反演了西班牙Aznalcollar礦區土壤重金屬含量，Pb和Hg取得了較好的預測效果，Cu、Zn、Cr的預測精度不高。Siebielec等[17]利用光譜對波蘭Tarnowskie Gory 礦區土壤中的Fe、Cr、Cu、Ni、Zn 的含量成功被預測，Pb的預測效果不佳。呂杰等[18]估算尾礦土壤Cu含量獲得了較高的精度。宋練等[19]對重慶市萬盛采礦區的土壤重金屬建立的模型能很好的反演出土壤的重金屬As，Cd，Zn含量。王菲等[20]探索光譜與山東省萊州市焦家金成礦帶重金屬鉻濃度的相關關系，選取最優模型通過地理插值得到重金屬鉻濃度的空間分布。Tan等[21]認為利用高光譜遙感技術來定量估算礦區復墾農田重金屬元素砷、鋅、銅、鉻和鉛的含量是可行的。Kooistra等[22]發現利用的反射光譜可以較好地反演土壤重金屬Zn、Cd的污染水平，PLSR模型是定量分析萊茵河流域土壤成分及重金屬含量的有效途徑。李剛等[23]對京藏高速公路及其周邊地區的土壤重金屬含量（砷、鎘、銅、鉛、鋅）進行預測效果比較理想。Ren等[24]分析湖南寶山礦附近的農田土壤的高光譜數據，應用PLSR定量反演土壤重金屬As和Cu的含量，監測土壤重金屬污染。Wang等[25]對江蘇宜興市農田土壤重金屬含量進行室內光譜反演，結果表明Pb、Zn、Cu的達到了預測效果，但As不理想。夏芳等[26]分析浙江省農田耕層土樣土壤重金屬的高光譜反演，結果表明Ni、Cr的模型具有一般的定量預測能力，Cu、As、Hg、Zn、Cd、Pb只具備區別高值和低值的預測能力。Shi等[27]統計土壤重金屬通過遙感光譜反演文獻，發現研究的區域分布在三角洲、郊區、河流沉積區、污染區和礦區等，而使用最為廣泛的方法就是PLSR。對比研究結果表明，多數學者運用高光譜技術對礦區、復墾區、農田等土壤重金屬進行了定量反演，但少有對高標準基本農田建設區域的土壤重金屬反演。

鑒于此，以新鄭市高標準基本農田建設區域為研究對象，在室內利用ASD Field Spec3型地物光譜儀獲得土壤高光譜數據，利用Pearson相關分析對高光譜數據與土壤重金屬Cd、Cr、Cu、Pb、Zn含量進行相關系數分析，篩選5種土壤重金屬的顯著性特征波段，基于偏最小二乘法構建土壤重金屬的高光譜反演模型，從而獲取新鄭市高標準基本農田建設區域土壤重金屬含量分布圖，嘗試采用高光譜技術反演高標準基本農田建設區域土壤重金屬含量的可行性，為快速有效地監測高標準基本農田建設區域土壤生態狀況提供技術支持。

1 材料與方法

1.1 研究區概況

新鄭市位于河南省中部，隸屬于鄭州市，地處34°16′～34°39′N，113°30′～113°54′E之間，北靠省會鄭州，東鄰中牟縣、尉氏縣，南連長葛市、禹州市，西與新密市接壤，地勢西高東低，西部為淺山丘陵區，東部為平原，西北部為丘崗地。新鄭市屬糧食主產區，全年糧食總產量27.31萬t，土壤類型多樣，主要以褐土、潮土與風砂土土類為主，素有“河南縮影”之稱。屬暖溫帶大陸性季風氣候，氣溫適中，四季分明。新鄭市土地總面積884.591 5 km2，耕地521.764 1 km2，占全市土地總面積的58.59 %，全年糧食總產量273 148 t。根據新鄭市土地利用總體規劃（2010－2020年），新鄭市基本農田保護指標為427.73 km2。見圖1。

圖1 研究區概況及土壤樣點分布

1.2 土樣的采集與制備

根據研究區的土壤類型、地形特征和空間變異特點，兼顧行政單元（以鄉鎮或村為單元的完整性），采用2 km′2 km規則網格法布設采樣點，形成的空間數據庫中每個點包括其編號、經緯度坐標、所屬鄉鎮、鄰近村莊等基本信息。依據樣點圖和點位屬性表，用GPS精確定位去野外采樣，采樣深度為0～30 cm土壤表層，并記錄實際采樣點坐標及詳細的樣地特征信息，本次采樣共采集154個土壤樣品，剔除土樣中植物根莖殘體及磚瓦片等侵入體，經室內進行自然風干、研磨并通過1 mm孔篩后，采用四分法取樣，一式兩份，一份用于實驗室理化性質測定，另一份用于土壤光譜的測定。

1.3 土壤光譜測定

采用ASD光譜儀在室內條件下對經過處理的土壤樣品測定土壤光譜反射率。光譜測試儀器是美國ASD公司生產的ASD Field Spec 3型光譜儀（光譜范圍為350～ 2 500 nm）。光譜測定在暗室中進行，功率為50 W的鹵素燈作為唯一光源，將土壤盛裝在直徑為10 cm，深度為 2 cm的黑色器皿中。進行光譜測定之前，先將土壤表面經過刮平處理，即用尺子沿土樣器皿邊緣朝同一方向刮平備用[28]，光源入射角度為45°，光源距離土樣表面中心30 cm，探頭視場角為25°，探頭距離土樣15 cm。測量過程中轉動盛樣皿3次，每次轉動約90°，共獲取4個方向的土樣光譜，重復測量5次，共20次，取光譜反射率平均值作為原始反射率光譜值。由于波段350和2 500 nm附近受外界噪音影響較大，因此選取光譜范圍400～2 400 nm用于分析。

1.4 光譜數據預處理

由于在 ASD 光譜儀采集、獲取以及傳輸光譜信號的過程中，會產生一些噪聲，因此有必要進行光譜降噪處理。本文采用多元散射校正（multiplicative scatter correction，MSC）進行光譜反射率數據處理，消除顆粒分布不均勻及顆粒大小產生的樣品表面散射及光程變化對紅外漫反射光譜的散射影響；為了消除光譜曲線噪音可能引起的誤差，采用Savitzky-Golay（SG）濾波對數據進行平滑去噪處理。為了尋找土壤重金屬含量與光譜反射率的敏感關系，需要對光譜反射率進行光譜變換，即一階微分（first order differential reflectance，FDR）、二階微分（second order differential reflectance，SDR）等。通過對光譜適當變換，可減弱甚至消除各種噪音的影響，提高光譜靈敏度，從而提高校正模型的預測能力和穩定性。經過SG濾波平滑后的光譜反射率曲線作為土壤樣本用于光譜變換和反演建模的原始光譜反射率（raw spectral reflectance，）。研究中MSC、SG平滑濾波、FDR和SDR均在Unscrambler 9.7軟件中完成。

1.5 光譜波特征段的選擇

在土壤重金屬高光譜數據的建模過程中，敏感波段往往通過土壤重金屬含量與光譜反射率的相關分析進行確定，相關性越高，波段響應越敏感。因此，利用Pearson相關分析，對、FDR和SDR與土壤重金屬含量進行相關系數分析，對相關系數進行=0.01水平上的顯著性檢驗來確定高光譜特征波段，并作為建立重金屬反演模型的自變量。

1.6 模型建立與驗證

由于光譜數據信息量大、冗雜噪音嚴重，因此采用被廣泛運用的PLSR模型進行光譜反演，該方法能夠在自變量存在嚴重相關性及樣本點個數少于變量個數的條件下進行回歸建模，能有效地提取對系統能力最強的綜合變量，排除無解釋作用的噪聲，使之對因變量有最佳的解釋能力。建模過程采用full cross validation交叉驗證法，用以確定最佳主成分個數[29]，選擇最優的擬合結果。本研究在交叉驗證均方根誤差盡量小的情況下，使用盡量少的主成分進行建模，最終確定主成分個數的原則是每增加一個主成分，交叉驗證均方根誤差至少減少2%[30]。

在考慮土壤類型的基礎上，采用Rank-KS法[31]，將研究區的154個樣本分成建模集和預測集兩組，建模集樣本數116個，用于PLSR模型的構建，驗證集樣本數38個，用于檢驗模型的預測精度。建模精度的檢驗利用 得到的校正集決定系數、均方根誤差RMSEC；交叉驗證決定系數、均方根誤差RMSECV；驗證集檢驗根據驗證集決定系數，均方根誤差RMSEV和相對分析誤差RPD，其中相對分析誤差RPD是驗證集標準差與驗證集均方根誤差的比值[32]。對于建模集來說，越大，RMSEC越小，建模精度越高，模型越穩定。而對于驗證集來說，、RPD越大，RMSEV越小，預測精度越高。

1.7 重金屬空間分布反演

根據土壤重金屬的高光譜最佳反演模型，分別得到研究區土壤樣本點的重金屬含量，采用Arcgis10.2的地統計插值進行計算與理論模型的選擇，篩選各重金屬指標最適宜的地統計插值模型，繪制各重金屬含量的空間分布圖。

2 結果與分析

2.1 土壤重金屬含量統計分析

土壤重金屬含量測定結果見表1，新鄭市采集的154個樣本中，5種重金屬Cr、Cd、Zn、Cu、Pb的質量分數從0.06～80.80 mg/kg，涉及范圍廣。標準差范圍除了Cd為0.06外，其余4個重金屬元素的標準差從4.55～11.73，變異系數為0.20～0.40，變異程度為中等變異性[33]。平均值除了Cd有超過背景值樣點外，其余均低于背景值，說明該區域土壤環境質量總體是好的；但從最大值可以看出有部分樣點的土壤重金屬元素含量與背景值相近，甚至超出背景值，根據土壤重金屬污染的單因子指數法，可知Cr、Zn、Cu、Pb的污染指數都接近于1，存在潛在危害甚至輕度污染；Cd的污染指數為2.51，處于2～3，屬于中度污染，所以新鄭市高標準基本農田應該加強土壤質量調查與動態監測，以便及時發現并控制土壤的重金屬污染。

表1 土壤重金屬含量統計特征

2.2 土壤重金屬與光譜反射率的相關性分析

將土壤重金屬含量與、FDR和SDR進行相關性分析，得到每個土壤重金屬與對應的光譜反射率相關系數曲線，并作相關系數在= 0.01水平下的顯著性檢驗（雙側），如圖2及表2所示。

圖2 不同變換形式光譜與土壤重金屬 Cr, Cd, Zn, Cu, Pb的相關系數

表2 不同光譜與土壤重金屬相關系數的最值及對應波段

由圖2可得，研究區土壤重金屬Cr、Cd、Zn、Cu、Pb含量與的相關系數曲線比較平滑，且極值點多數與土壤反射光譜吸收特征所在位置吻合，進一步說明土壤中的不同成分對土壤光譜有著密切的聯系，可認為這些波段原始反射光譜對重金屬較敏感。其中Cr與的相關分析中除了1 500和1 800 nm附近，其余均通過= 0.01水平顯著性檢驗；Cd與的顯著相關波段多集中于400～ 1 000 nm、1 400附近、1 600附近、1 900附近以及2 100～2 400 nm；Cu與的顯著相關波段最少，多集中于400～500 nm；Zn與的顯著相關波段數為497，多集中于500、1 600、1 800和2 000 nm附近；Pb與的顯著相關波段多集中于400～1 000 nm、1 900～2 400 nm，涵蓋了鐵錳氧化物和粘土礦物的特征吸收區。其中Cr、Cd、Pb的相關系數曲線形狀接近，Cd的相關系數分布方向與Cr和Pb相反，Zn與Cu的相關系數曲線形狀接近。經過FDR、SDR變換后，與FDR、SDR的相關系數的變化不再呈近似單一變化，而是在正負值之間頻繁波動，說明FDR、SDR變換可以有效突出土壤隱藏的光譜反射率特征。

由表2可得，土壤重金屬Cr、Cd、Pb的FDR、SDR顯著性波段數相比逐漸減少；而Zn和Cu的FDR、SDR顯著波段數較均增加。根據表2的最大相關波段，Cr與的最大相關波段出現在2 381 nm（相關系數=0.53），位于高嶺石的次級吸收特征區域，與FDR、SDR的最大相關波段在1 581 nm（相關系數= –0.66）和1 579 nm（相關系數= –0.66），位于鐵錳氧化物及其水化物的特征吸收光譜區域附近；Cd與、FDR、SDR的最大相關波段出現在633 nm（相關系數= –0.56）、524 nm（相關系數= –0.60）、725 nm（相關系數= 0.61），位于Fe2+和Fe3+的特征光譜吸收區；Zn與、FDR的最大相關波段出現在1 630 nm（相關系數= –0.44）、1 599 nm（相關系數= –0.56），位于鐵錳氧化物及其水化物的特征吸收光譜區域附近，與SDR的最大相關波段出現在947 nm（相關系數= 0.61），位于Fe3+的特征光譜吸收區；Cu與的最大相關波段出現在480 nm（相關系數= –0.39），位于Fe2+的特征吸收區域，與FDR、SDR的最大相關波段出現在1847 nm（相關系數= –0.62）和1 732 nm（相關系數= –0.63），位于鐵錳氧化物及其水化物的特征吸收光譜區域附近；Pb與的最大相關波段出現在593 nm（相關系數= 0.58），位于Fe2+的特征吸收區域，與FDR、SDR的最大相關波段出現在1 239 nm（相關系數= 0.76）和1 237 nm（相關系數= 0.71），位于鐵錳氧化物及其水化物的特征吸收光譜區域附近[35]。根據表2的最大相關波段的相關系數，5種重金屬的FDR、SDR的最大相關波段的相關系數絕對值較均增加。其中除了Pb的SDR的最大相關波段的相關系數絕對值比FDR略低外，其他4個重金屬均是最大的。

綜上所述，光譜反射率經過FDR和SDR變換后可以有效突出土壤隱藏的光譜反射率特征，選用、FDR和SDR通過= 0.01顯著性水平的相關波段作為光譜特征波段。

2.3 模型構建及精度驗證

選取、FD、SD光譜與土壤重金屬含量的顯著性相關波段分別作為PLSR模型的自變量，以土壤重金屬Cr、Cd、Zn、Cu、Pb的含量為因變量，采用交叉驗證法來確定反演模型中最佳主成分數，利用建模集的116個樣本建立PLSR模型并進行交叉驗證，然后根據驗證集的38個樣本來評判模型預測精度，結果見表3。

表3 土壤重金屬的PLSR模型的建模與驗證

由表3校正集結果可知，5種土壤重金屬中Cr、Zn、Cu、Pb重金屬分別以、FDR和SDR為自變量的PLSR模型的具有較高的決定系數，其值均大于0.7，其中Cu以為自變量的PLSR模型的決定系數高達0.99；土壤重金屬Cd以R和FDR為自變量的PLSR模型具有較高的決定系數，其值大于0.7，以SDR為自變量的PLSR模型的決定系數相比較低，其值為0.54。由表3交叉驗證結果顯示，Cd、Zn和Cu以為自變量的PLSR模型交叉驗證系數最高，RMSECV最小；Cr和Pb以SDR為自變量的PLSR模型交叉驗證系數最高，RMSECV最小。對比校正集及交叉驗證結果并結合最佳主成分數，發現Cr和Pb以SDR為自變量的PLSR模型的建模效果較好，Cd、Zn和Cu以模型為自變量的PLSR模型的建模效果較好。

圖3 驗證集樣點實測值與預測值擬合散點圖

2.4 土壤重金屬空間反演

利用最佳反演模型得到研究區土壤重金屬Cr、Cd、Zn、Cu、Pb的含量，進行數據統計分析和數據分布檢驗，并根據插值結果的指標檢驗，選取最優的插值法得到研究區土壤重金屬含量空間反演圖（圖4），其中重金屬Cr采用采用普通Kriging插值法，重金屬Cd采用析取Kriging插值法，重金屬Cu、Zn、Pb均采用貝葉斯Kriging插值法。

圖4 研究區土壤重金屬含量分布圖

《高標準農田建設標準（NY/T 2148-2012）》指出耕作層土壤重金屬含量指標應符合《土壤環境質量標準》（GB15618-2008），“影響作物生長的障礙因素應降到最低限度”。因此，結合《高標準農田建設標準（NY/T 2148-2012）》、《土壤環境質量標準 GB15618—2008》土壤無機污染物的環境質量第Ⅱ級標準值農業用地標準（pH為6.5～7.5）和河南省主要元素的土壤環境背景值，由圖4可得，研究區西南區域的土壤重金屬Cr含量較高，達到了74.193 8 mg/kg，符合土壤環境質量Ⅱ類標準，但是超過了土壤背景值；北部區域的土壤重金屬Cd含量較高，達到了0.292 mg/kg，符合土壤環境質量Ⅱ類標準，但是大部分區域均超過了土壤背景值；土壤重金屬Cu的含量在研究區西南區域和西北區域達到了最大值，為25.762 8 mg/kg，符合土壤環境質量Ⅱ類標準，但西北區域的Cu含量超過了土壤背景值；整個研究區的土壤重金屬Zn含量均符合土壤環境質量Ⅱ類標準，且均低于土壤背景值，符合高標準基本農田建設的土壤環境質量標準；研究區西南區域的土壤重金屬Pb含量較高，達到了32.076 2 mg/kg，符合土壤環境質量Ⅱ類標準，但是超過了土壤背景值。

3 討 論

高光譜遙感技術對土壤重金屬含量的高光譜反演研究多集中于礦區，對礦區土壤污染監測和治理是可行準確、有效的方法。《高標準基本農田建設標準》中明確提出“堅持數量、質量、生態并重，確保基本農田數量穩定、質量提高，促進農村地區經管優化、生態良好”、“增加高標準基本農田面積，提高耕地質量，加強生態環境建設，發揮生產、生態、景觀的綜合功能”、“建成后的耕地質量等別達到所在縣的較高等別”等要求，說明高標準基本農田作為耕地的精華部分，要求耕地數量穩定、質量提高、生態良好。“十三五”規劃（2016－2020年）要求全面劃定永久基本農田，大規模推進農田水利、土地整治、中低產田改造和高標準農田建設。高標準基本農田建設的重點在于堅持耕地質量與高標準農田基礎工程同步建設，在加強農田基礎設施建設的同時，把土壤改良、培肥地力、耕地質量監測網點建設等作為高標準農田建設項目實施的重要內容。而土壤重金屬污染是高標準基本農田建設區域土壤生態的直接表現，為了保證土壤生態良好，應實施實時監測土壤重金屬信息，加強土壤生態建設，有針對性的改善土壤現有狀況，并保證在高標準基本農田田間工程建設過程中，土壤免受二次污染，以此保障土壤生態良好和糧食生產安全。因此，將高光譜引入對高標準基本農田建設區域土壤信息的獲取，有助于實時監測高標準基本農田建設區域土壤的污染狀況，為高標準基本農田建設過程中土壤信息的獲取提供一種新的技術手段。研究發現利用高光譜對高標準基本農田建設區域土壤重金屬含量的反演是可行的，借助地統計學方法對高光譜反演模型插值能夠較好反演研究區空間分布規律[[1]7]，為實時、快速、準確的獲取高標準基本農田建設區域的土壤生態狀況提供了可能，為實現高標準基本農田建設提供數據基礎與技術支持，為探索高標準基本農田建設區域項目區優選決策與建設提供參考，推進高標準基本農田建設的實施。

通過構建高標準基本農田建設區域土壤重金屬高光譜PLSR反演模型，比較分析精度檢驗結果可知，Cr和Pb以SDR為自變量的PLSR模型為最佳模型，Cu、Cd和Zn以為自變量的PLSR模型為最佳模型。從相對分析誤差RPD來看，Cr的SDR-PLSR模型的RPD均位于1.4和1.8之間，具備一定的預測能力；Cd的R-PLSR模型的RPD均位于1.4和1.8之間，具備一定的預測能力；Zn的R-PLSR模型的RPD位于2.0和2.5之間，具有很好的定量預測能力；Cu在R-PLSR模型的RPD大于2.5，具有極好的預測能力；Pb的SDR-PLSR模型的RPD均大于2.5，具有極好的預測能力。

采用構建的土壤重金屬的最佳模型，對土壤重金屬含量進行空間插值，并結合高標準農田建設標準可知，除了Zn含量符合土壤環境質量Ⅱ類標準且均低于土壤背景值外，Cr、Cd、Cu和Pb雖符合土壤環境質量Ⅱ類標準，但是部分區域超過了土壤背景值，因此，高標準基本農田的建設迫切要求遙感技術能夠提供給其快速、準確的土壤重金屬信息。而在高標準基本農田研究中，對土壤重金屬信息的分析和估算，高光譜遙感技術具有廣闊的應用前景，利用高光譜遙感技術對土壤重金屬進行動態監測，能夠為實現高標準基本農田建設提供數據基礎和技術支持，為高標準基本農田建設區域的優選提供參考依據。

土壤光譜是土壤屬性的綜合反映。高標準基本農田建設過程中，土壤有機質、氮磷鉀等養分、土壤水分、土壤質地等基礎信息也是至關重要的，本文僅對土壤重金屬進行光譜反演，沒有涉及其他土壤屬性，不同的有機質對重金屬的吸附強度也是不同的。因此，今后將進一步研究有機物等土壤屬性對重金屬含量估算的影響，及其他土壤屬性的反演分析，為實現高標準基本農田建設提供數據基礎與技術支持。由于土壤的區域獨特性，以及野外環境的不確定性，是否能將室內光譜數據模型應用到野外以及高光譜影像中仍是今后研究的重點。

4 結 論

本文以新鄭市高標準基本農田建設區域土壤為研究對象，利用154個土壤樣本的重金屬含量數據及對應的室內高光譜數據，構建基于PLSR模型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Cr、Cd、Zn、Cu、Pb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。結論如下：

1）對原始光譜反射率進行MSC和SG平滑預處理基礎上進行FDR和SDR變換，有效突出了土壤隱藏的光譜反射率特征。通過對、FDR和SDR分別與土壤重金屬Cr、Cd、Zn、Cu、Pb進行相關性分析，5種重金屬的FDR和SDR的最大相關系數波段的相關系數絕對值較均增加；并遴選出= 0.01水平的顯著性檢驗的波段作為最佳光譜特征波段。

2）基于偏最小二乘法，以3種光譜變換的光譜特征波段為自變量，構建新鄭市高標準基本農田建設區域的土壤重金屬反演模型；比較3種光譜變換下建立的土壤重金屬的PLSR模型精度檢驗結果，Cr的SDR-PLSR模型的RPD為1.68，Cd的R-PLSR模型的RPD為1.50，均位于1.4和1.8之間，具有一般的預測能力；Zn的R- PLSR模型的RPD為2.05，位于2.0～2.5之間，具有很好的預測能力；Cu在R-PLSR模型的RPD為3.36，Pb的SDR-PLSR模型的RPD為3.16，均大于2.5，具有極好的預測能力。結合散點圖中多數樣本實測值與預測值都集中在1∶1線附近，Cr和Pb的SDR-PLSR模型為最佳反演模型，Cd、Zn和Cu的R-PLSR模型為最佳反演 模型。

3）利用構建的土壤重金屬含量最佳模型，采用最佳地統計插值法對新鄭市高標準基本農田建設區域的土壤重金屬進行空間插值，結合高標準農田建設標準，對新鄭市高標準基本農田建設區域的土壤重金屬狀況進行分析，除了Zn含量符合土壤環境質量Ⅱ類標準且均低于土壤背景值外，Cr、Cd、Cu和Pb雖符合土壤環境質量Ⅱ類標準，但是部分區域超過了土壤背景值，因此，在高標準基本農田建設區域采用高光譜遙感技術實施土壤重金屬信息監測工作具有現實意義。

[1] 中華人民共和國國土資源部. 基本農田劃定技術規程：TD/T1032-2011[S].北京：中國標準出版社，2011.

[2] 中華人民共和國國土資源部.高標準基本農田建設標準：TD/T1033-2012[S].北京：中國標準出版社，2012.

[3] 劉新衛，李景瑜，趙崔莉.建設4億畝高標準基本農田的思考與建議[J].中國人口·資源與環境，2012，22(3)：1－5.

[4] 王新盼，姜廣輝，張瑞娟，等. 高標準基本農田建設區域劃定方法[J]. 農業工程學報，2013，29(10)：241－250.Wang Xinpan, Jiang Guanghui, Zhang Ruijuan, et al. Zoning approach of suitable areas for high quality capital farmland construction[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013,29(10): 241－250. (in Chinese with English abstract)

[5] 任艷敏，唐秀美，劉玉，等. 考慮耕地生態質量的基本農田劃定方法[J].農業工程學報，2014，30(24)：298－307.Ren Yanmin, Tang Xiumei, Liu Yu, et al. Demarcating methodof prime farmland considering ecological quality of cultivated land[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014,30(24): 298－307. (in Chinese with English abstract)

[6] 錢鳳魁，王秋兵，李娜. 基于耕地質量與立地條件綜合評價的高標準基本農田劃定[J]. 農業工程學報，2015，31(18)：225－232.Qian Fengkui, Wang Qiubing, Li Na. High-standard prime farmland planning based on evaluation of farmland quality and siteconditions[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(18): 225－232. (in Chinese with English abstract)

[7] 楊偉，謝德體，廖和平，等. 基于高標準基本農田建設模式的農用地整治潛力分析[J]. 農業工程學報，2013，29(7)：219－229.Yang Wei, Xie Deti, Liao Heping, et al. Analysis of consolidation potential of agricultural land based on constructionmode of high-standard basic farmland[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(7): 219－229. (in Chinese with English abstract)

[8] 王晨，汪景寬，李紅丹，等. 高標準基本農田區域分布與建設潛力研究[J]. 中國人口×資源與環境. 2014(S2)：226－229.Wang Chen,Wang Jingkuan, Li Hongdan, et al.Research on regional distribution and potentialityof high—standard basic farmland[J]. China Population, Resources and Environment. 2014(S2): 226－229. (in Chinese with English abstract)

[9] 林勇剛，陳凌靜，王銳. 重慶城市發展新區高標準基本農田建設適宜性評價研究：以潼南縣柏梓鎮為例[J]. 江西農業學報，2015，27(2)：111－115.Lin Yonggang, Chen Lingjing, Wang Rui. Study on suitability evaluation of high－standard basic farmland construction in developmental zone of chongqingcity: Taking Baizi Town of Tongnan County as an example[J]. Acta Agriculturae Jiangxi, 2015, 27(2): 111－115. (in Chinese with English abstract)

[10] 崔勇，劉志偉. 基于GIS的北京市懷柔區高標準基本農田建設適宜性評價研究[J]. 中國土地科學，2014，(9)：76－81.Cui Yong, Liu Zhiwei.A GIS-based approach for suitability evaluation of high standard primary farmland consolidation: A case from Huairou in Beijing[J]. China Land Sciences, 2014, (9):76－81. (in Chinese with English abstract)

[11] 趙素霞，牛海鵬，張捍衛，等. 基于生態位模型的高標準基本農田建設適宜性評價[J]. 農業工程學報，2016，32(12)：220－228.Zhao Suxia, Niu Haipeng, Zhang Hanwei, et al. Suitability evaluation on high quality capital farmland consolidation based on niche-fitness model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(12): 220－228. (in Chinese with English abstract)

[12] 馮銳，吳克寧，王倩. 四川省中江縣高標準基本農田建設時序與模式分區[J]. 農業工程學報，2012，28(22)：243－251. Feng Rui, Wu Kening, Wang Qian. Time sequence and mode partition of high-standard prime farmland construction in Zhongjiang county, Sichuan province[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(22): 243－251. (in Chinese with English abstract)

[13] 薛劍，韓娟，張鳳榮，等. 高標準基本農田建設評價模型的構建及建設時序的確定[J]. 農業工程學報，2014，30(5)：193－203.Xue Jian, Han Juan, Zhang Fengrong, et al. Development of evaluation model and determination of its construction sequence for well-facilitied capital farmland[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(5): 193－203. (in Chinese with English abstract)

[14] 李發志，孫華，江廷美，等. 高標準基本農田建設區域時序劃分[J]. 農業工程學報，2016，32(22)：251－258. Li Fazhi, Sun Hua, Jiang Tingmei, et al. Time sequence division of high-standard prime farmland construction area[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(22): 251－258. (in Chinese with English abstract)

[15] 蔡潔，李世平. 基于熵權可拓模型的高標準基本農田建設項目社會效應評價[J]. 中國土地科學，2014(10)：40－47.Cai Jie,Li Shiping. Social effects evaluation of high-standard primary farmland construction project based on entropy-weighted method and extension model[J]. China Land Sciences, 2014(10): 40－47. (in Chinese with English abstract)

[16] Kemper T, Sommer S. Estimate of heavy metal contamination in soils after a mining accident using reflectance spectroscopy[J]. Environmental Science & Technology, 2002, 36(12): 2742－ 2748.

[17] Siebielec G, Mccarty G W, Stuczynski T I. Near-and mid- infrared diffuse reflectance spectroscopy for measuring soil metal content[J]. Journal of Environmental Quality, 2004, 33(6): 2056－2069.

[18] 呂杰，郝寧燕，崔曉臨. 利用可見光近紅外的尾礦區農田土壤Cu含量反演[J]. 農業工程學報，2015，31(9)：265－270. Lü Jie, Hao Ningyan, Cui Xiaolin. Inversion model for copper content in farmland of tailing area based on visible- near infrared reflectance spectroscopy[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(9): 265－270. (in Chinese with English abstract)

[19] 宋練，簡季，譚德軍，等. 萬盛采礦區土壤As,Cd,Zn重金屬含量光譜測量與分析[J]. 光譜學與光譜分析，2014(03)：812－817. Song Lian, Jian Ji, Tan Dejun, et al. Estimation of soil's heavy metal concentrations(As, Cd and Zn)in Wansheng mining area with geochemistry and field spectroscopy[J]. Spectroscopy and Spectral Analysis, 2014(3): 812－817. (in Chinese with English abstract)

[20] 王菲，曹文濤，康日斐，等. 基于野外實測光譜的金礦區土壤重金屬鉻監測研究[J]. 環境污染與防治，2016(2)： 13－18.Wang Fei, Cao Wentao, Kang Rifei, et al. Study on monitoring of soil heavy metal Cr in golden mining areas based on field measured spectrum[J]. Environmental Pollution & Control, 2016(2): 13－18. (in Chinese with English abstract)

[21] Tan Kun, Ye Yuanyuan, Du Peijun, et al. Estimation of heavy metal concentrations in reclaimed mining soils using reflectance spectroscopy[J]. Spectroscopy and Spectral Analysis, 2014, 34(12):3317－3322(6).

[22] Kooistra L, Wanders J, Epema G F, et al. The potential of field spectroscopy for the assessment of sediment properties in river floodplains[J]. Analytica Chimica Acta, 2003, 484(2): 189－200.

[23] 李剛，王勇，孫連英. 基于支持向量機的土壤重金屬含量預測研究[J]. 北京聯合大學學報：自然科學版，2015(2)：36－40.Li Gang，Wang Yong，Sun Lianying. Study on the prediction of heavy metal content on soil based on support vector machine[J]. Journal of Beijing Union University, 2015(2): 36－40. (in Chinese with English abstract)

[24] Ren Hongyan, Zhuang Dafang, Singh.A N, et al. Estimation of As and Cu contamination in agricultural soils around a mining area by reflectance spectroscopy: A case study[J]. Pedosphere, 2009, 19(6):719－726.

[25] Wang Junjie, Cui Lijuan, Gao Wenxiu, et al.Prediction of low heavy metal concentrations in agricultural soils using visible andnear-infrared reflectance spectroscopy[J]. Geoderma,2014, 216(1): 1－9.

[26] 夏芳，彭杰，王乾龍，等. 基于省域尺度的農田土壤重金 屬高光譜預測[J]. 紅外與毫米波學報，2015(5)：593－598.Xia Fang, Peng Jie, Wang Qianlong, et al. Prediction of heavy metal content in soil of cultivated land: Hyperspectral technology at provincial scale[J]. J. Infrared Millim. Waves, 2015(5): 593－598. (in Chinese with English abstract)

[27] Shi Tiezhu, Chen Yiyun, Liu Yaolin,et al.Visible and near-infrared reflectance spectroscopy: An alternative for monitoring soil contamination by heavy metals[J].Journal of Hazardous Materials,2014,265: 166－176.

[28] 侯燕平，呂成文，項宏亮，等.土樣處理方式對室內土壤高光譜測試穩定性影響探討[J]. 土壤通報，2015(2)：287－291.Hou Yanping, Lü Chengwen, Xiang Hongliang, et al. Treatment effects on soil hyperspectral stability in laboratorytest[J]. Chinese Journal of Soil Science, 2015, 46(2): 287－ 291. (in Chinese with English abstract)

[29] 王慧文. 偏最小二乘回歸方法及其應用[M]. 北京：國防工業出版社，1999.

[30] 袁中強，曹春香，鮑達明，等. 若爾蓋濕地土壤重金屬元素含量的遙感反演[J]. 濕地科學，2016(1)：113－116.Yuan Zhongqiang, Cao Chunxiang, Bao Daming, et al. Inversion on contents of heavy metals in soils of wetlands in zoigê plateau based on remote sensing data[J]. Wetland Science, 2016(01): 113－116. (in Chinese with English abstract)

[31] 劉偉，趙眾，袁洪福，等. 光譜多元分析校正集和驗證集樣本分布優選方法研究[J]. 光譜學與光譜分析，2014(4)：947－951.Liu Wei, Zhao Zhong, Yuan Hongfu, et al. An optimal selection method of samples of calibration set and validation set for spectral multivariate analysis[J].Spectroscopy and Spectral Analysis,2014(4): 947－951. (in Chinese with English abstract)

[32] Rossel R A V, Taylor H J, Mcbratney A B. Multivariate calibration of hyperspectral γ-ray energy spectra for proximal soil sensing[J]. European Journal of Soil Science. 2007, 58: 343－353．

[33] 鄭昭佩，劉新作．土壤質量及其評價[J]. 應用生態學報，2003，14(1)：131－134．Zheng Zhaopei, Liu Xinzuo. Soil quality and its evaluation[J]. Chinese Journal of Applied Ecology, 2003, 14(1): 131－134. (in Chinese with English abstract)

[34] 邵豐收，周皓韻. 河南省主要元素的土壤環境背景值[J]. 河南農業，1998，10：28.

[35] 解憲麗，孫波，郝紅濤.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].土壤學報，2007，44(6)： 982－993. Xie Xianli,Sun Bo, Hao Hongtao. Relationship between visible-near infrared reflectance spectroscopy andheavy metal of soil concentration[J].Acta Pedologica Sinica, 2007, 44(6):982－993. (in Chinese with English abstract)

Inversion of heavy metals content with hyperspectral reflectance in soil of well-facilitied capital farmland construction areas

Zhang Qiuxia1, Zhang Hebing1※, Liu Wenkai1,2, Zhao Suxia1

(1.454000,; 2.450046,)

Hyperspectral reflectance provides an alternative method to soil’s physical and chemical analysis in laboratory for the estimation of soil properties in large range. In order to achieve rapid measurement of the soil heavy metal content in well-facilitied capital farmland construction areas, 154 soil samples at 0-30 cm depth were collected as research objects, which were from well-facilitied capital farmland construction areas in Xinzheng City, Henan Province. The raw hyperspectral reflectance of soil samples was measured by the standard procedure with a spectrometer of ASD Field Spec3 equipped with a high intensity contact probe under the laboratory conditions. Meanwhile, the contents of Cr, Cd, Zn, Cu, and Pb in these soil samples were analyzed. The 116 samples were used for building hyperspectral estimation models and the other 38 samples were used for model validation. In the next, the raw spectral reflectance of 400-2400 nm after multiplicative scatter correction and Savitzky-Golay was transformed to 2 spectral indices, i.e. first order differential reflectance(FDR) and second order differential reflectance(SDR). The correlation coefficient between the 3 kinds of spectral indices and Cr, Cd, Zn, Cu, Pb content was analyzed by Pearson correlation analysis. Then, the correlation coefficients (<0.01) of the 3 spectral indices were got in significant test, which could be used to extract significant bands. At last, we used partial least squares regression (PLSR) method to build quantitative inversion models of soil heavy metal content based on significant bands for this study area, respectively. The prediction accuracies of these models were assessed by comparing determination coefficients (), root mean squared error (RMSE) and relative percent deviation (RPD) between the prediction and validation values. Based on these, the optimal models were selected. The spatial distribution map of Cr, Cd, Zn, Cu and Pb content was made by geographical interpolation. The results showed that, conducting the first order differential reflectance and second order differential reflectance transformation on raw soil spectral data, could highlight the hidden spectral reflectivity characteristics effectively. Among all of the 3 spectral indices based on PLSR model, the model of second order differential reflectance about Cr could obtain more robust prediction accuracies, its values ofwas 0.88，its values of RPD was 1.68; the model of the raw spectral reflectance () of 400-2 400 nm after multiplicative scatter correction（MSC）and Savitzky-Golay（SG）about Cd、Zn and Cu could obtain more robust prediction accuracies, their values ofwere 0.70, 0.88 and 0.99, their values of RPD were 1.50, 2.05 and 3.36 respectively; Pb could obtain more robust prediction accuracies, their values ofwas 0.93，its values of RPD was 3.16. The optimum model of soil heavy metal was used to interpolate the soil heavy metal content; the content of Zn was in accordance with the standard of soil environmental quality, and the contents of Cr, Cd, Cu and Pb met the soil environmental quality standard Ⅱ, but the contents in some well-facilitied capital farmland construction areas were more than the soil background value. This study provides a reference for the real-time monitoring of soil basic information in well-facilitied capital farmland construction areas by hyperspectral inversion model.

soils; spectrum analysis; heavy metals; hyperspectral; inversion; partial least square regression (PLSR); well-facilitied capital farmland

10.11975/j.issn.1002-6819.2017.12.030

S127

A

1002-6819(2017)-12-0230-10

2016-12-30

2017-06-12

國土資源部公益性行業科研專項（201411022）；國家自然科學基金項目（41641057）；河南省高校科技創新團隊（18IRTSTHN008）

張秋霞，女，河南濟源人，博士研究生，研究方向為礦區土地復墾與生態重建。焦作 河南理工大學測繪與國土信息工程學院，454000。Email：zqx_0818@163.com。

張合兵，男，河南滑縣人，教授，主要從事土地空間信息獲取、利用、整治及其信息化等研究。焦作 河南理工大學測繪與國土信息工程學院，454000。Email：jzitzhb@hpu.edu.cn。

張秋霞，張合兵，劉文鍇，趙素霞.高標準基本農田建設區域土壤重金屬含量的高光譜反演[J]. 農業工程學報，2017，33(12)：230－239. doi：10.11975/j.issn.1002-6819.2017.12.030 http://www.tcsae.org

Zhang Qiuxia, Zhang Hebing, Liu Wenkai, Zhao Suxia.Inversion of heavy metals content with hyperspectral reflectance in soil of well-facilitied capital farmland construction areas[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(12): 230－239. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.12.030 http://www.tcsae.org