土壤重金属污染遥感监测研究进展

沈文娟，蒋超群，侍昊，王春红，李明诗

(1.南京林业大学 林学院，南京 210037；2.江苏省环境监测中心，南京 210036)

1 引 言

土壤是人类生存环境的重要载体，并且是农业生产的重要资源，每年受到不同来源的污染影响，土壤污染作为重要的环境问题之一被广泛提及[1-2]。重金属污染由于其持续残留性和毒性的特征而显得尤其危险[1]。土壤重金属的来源总结为两种途径：一是来自于成土母质；二是来自于人类各种生产活动[3-4]。土壤重金属污染主要涉及Cu、Zn、Pb、Hg、Cd、As这几种典型的元素，而其他的重金属富集污染则不明显[5]。所以需要及时且准确地监测重金属污染，以保护土壤资源并确保其可持续性。

传统的监测土壤重金属污染的方式，由于劳动强度大且耗时间，不利于广泛推广[6]。目前遥感用于大尺度的监测土壤重金属等理化特性方面的研究工作开展的不多，已有的研究多局限于基于采样点的野外和实验室光谱分析[7-8]，构建常规的统计方法[7，9-10]。然而，传统的采样分析、单一的实验室光谱学分析在污染监测的实时性、方法的全面性以及结果精度的高效性方面有待改善。近年来，基于地面光谱分析[11]和多、高光谱影像预测的方法被广泛提及，特别是高光谱遥感数据[2，12-13]，而高光谱模型模拟多光谱数据的预测方法仍需探索[14]。此外，高光谱数据对于Cd、Hg等毒性较强且无光谱特征的元素检测存有困难[15]，但以其具备的评价生物物理参数并检测空间变化的能力，成为基于地表方法检测土壤重金属污染的首要选择，且因其提供特定和关键的时间信息而被广泛应用。本研究强调使用高精度的遥感影像结合其他多源数据为大地域的监测和制图土壤重金属污染的空间分布、污染等级提供更为可靠、便捷的方式，特别是结合多时相的卫星和航空高光谱构建可靠的模型，实现大尺度的连续动态监测。

2 地面实测光谱监测土壤重金属污染

光谱分析法是指利用光谱学的原理和实验方法以确定物质的结构和化学成分的分析方法[16]。目前光谱仪测得的目标光谱具有很高的光谱分辨率(约2nm)，因此物质的紫外光谱、可见光、近红外光谱和热红外光谱能够用来精确的估计某些成分的含量。一般光谱学研究的方法，即在实验室条件下获取经过制样处理的土壤样品的光谱，可以精确估计土壤的多种重要理化性质[17]。由于光谱分析的测量快速性和使用广泛性，在理论探索和实用性方面被广泛应用，目的是建立光谱分析原理的土壤污染参数模型，以便快速监测土壤污染。此外，能实现土壤污染参数的现场实时测量，以适应现代土壤污染调查模式。

解宪丽等[7]选择江西贵溪铜冶炼厂污染区采集土样，分析了9种重金属元素与土壤可见光-近红外反射光谱之间的相关性及其相关的原因。研究表明土壤重金属含量与反射光谱之间存在显著相关。Chi等[18]研究镉、铜、锌对于植被近红外、可见光反射的影响，结果表明随着植被叶子所含重金属含量的增加，植被叶绿素相应减少，可见光光谱反射增强，近红外光谱减少，红边移动范围减少。在土壤重金属含量的预测方面，人们较多利用可见光和近红外光谱，而较少利用热红外光谱，李淑敏等[10]利用光谱分析方法探究了北京地区农业土壤中8种重金属含量与热红外发射率的关系，研究土壤中重金属的热红外特征光谱和估算模型，为可见光和近红外遥感提供必要的补充信息，提高土壤重金属含量的估算精度。Thakur等[19]发现重金属镉减缓了大豆叶子的蒸腾率，增加了叶表面的温度，植被叶温的变化结合热红外遥感能够预测土壤重金属污染，结果表明受胁迫的叶子其叶温比未受胁迫的高3℃，而且在重金属的诱导下叶子的蒸腾、叶温等直接或间接与作物的生产力相关。此外，中红外漫反射光谱可以作为一种快速、非破坏方法预测土壤重金属元素含量，且比可见光-近红外精度高。邬登巍等[9]以南京江宁区和八卦洲采集的共161个土壤样品为例，对土壤中的8种重金属原始数据进行了预测。结果表明经校正的中红外光谱对异地样品预测的均方根误差是可见光-近红外光谱的21%～73%，比后者更能预测样品中土壤重金属元素含量。

样点实测光谱分析法具有的优点有：分析速度较快，操作方便，无需纯样品，可直接进行光谱分析；可同时测定多种化学性质相近的元素或化合物，灵敏度高；样品的损坏小。地面实测光谱分析优点十分突出，但也有其局限性，光谱定量分析建立在相对比较的基础上，必须有一套标准样品作为基准，而且要求标准样品的组成和结构状态应与被分析的样品基本一致，为实际的操作带来不便。

3 遥感监测土壤重金属污染

3.1 基于多光谱遥感影像的土壤重金属污染监测

多光谱遥感成像技术能够以较低的成本研究大区域范围内土壤类型分布和属性时空变化特征，是重要的土壤信息源。然而多光谱传感器提供的土壤信息十分有限，采用常规的分析手段无法从中提取物质成分和含量的高精度信息和光谱特征，因此不适合高精度的土壤属性定量遥感分析，而主要用于较大比例尺的土壤属性制图、评价、监测和时空变异研究。

王璐等[8]开展了利用多光谱(TM和ASTER)遥感模拟波段估算重金属含量的研究，根据传感器的光谱响应函数，将原始土壤光谱曲线转换为模拟的TM和ASTER工作波段，表明多光谱数据具有估算土壤重金属元素含量的潜力，然而所得的光谱模拟数据并未考虑植被覆盖影响、大气效应、混合像元等干扰元素，因而从模拟光谱层次的研究到遥感影像层次的应用还需要考虑更多因素。刘焕军等[20]以黑龙江黑土带典型区为例，利用区域土壤样本和Landsat-5 TM遥感影像，评估有机质含量与土壤反射率的定量关系，建立区域土壤有机质(SOM)遥感预测模型。模型的构建即对TM各波段反射率进行倒数、对数、差值、比值等运算，构建光谱指数。结果表明由于本研究区土壤有机质含量空间差异较大，进而在影像上呈现出不同的裸土反射率大小和反射率曲线形状特征，使得模型的建立较为成功。Sridhar等[21]探讨了几种重金属和养分在大豆生长中的聚集，并使用遥感光谱和Landsat TM影像分析评价土壤重金属的化学特性，并探索了植被胁迫监测由单一植物向大区域尺度水平的发展。

多光谱遥感影像中包含的是自然条件下的土壤光谱信息，不可避免地包含环境噪声以及光谱混合现象，会极大地削弱甚至掩盖土壤的光谱特征。随着研究方法和技术的改进，为基于影像层面的土壤重金属污染的探索提供了新思路。若结合多源遥感数据来探索土壤重金属污染，特别是连续时相的多光谱数据，能够弥补短期监测的不全面性，预测潜在的污染区域，如基于连续时相的Landsat数据用于动态监测土壤污染，其优势在于减少了使用高光谱分辨率数据和标准化学分析和采样技术的花费，能预测污染恢复带来的影响。此外，基于遥感和实际观测数据，结合已有成熟的监测土壤重金属污染的技术应用于其他的研究区域，将有助于进一步改善预测的精度。

3.2 基于高光谱遥感的土壤重金属污染监测

3.2.1 遥感光谱监测土壤重金属污染的比较

高光谱成像技术综合了地物高光谱和高空成像技术，与多光谱成像技术相比，目前高光谱成像技术能够提供最高10nm光谱分辨率的目标信息，其高光谱影像立方体可用于精确识别地物类型和定量反演地物属性。研究表明许多地表物质的吸收特征在吸收峰深度一半处的宽度为20nm～40nm。然而传统的多光谱遥感影像，光谱分辨率只有100nm，在可见光和近红外光谱区域只有几个波段。因此，根据高光谱遥感光谱分辨率高，波段多的这一特点，许多在宽波段遥感中不可探测的重金属的光谱特性，可以运用高光谱遥感区分并探测出来。

与地面光谱技术相比，高光谱能够制作更大比例尺和更详细的专题图，特别是土壤属性制图是高光谱数据的主要应用目标。但是，由于获取高光谱数据的代价相对高昂、探测范围较小、过程复杂、数据量大等因素，高光谱成像技术在土壤学领域仍然处于探索与初级应用阶段。使用高光谱数据的研究在大大提高对目标地物定性研究水平的同时对目标地物的定量研究更是有了重大的突破。但是存在的不足是地物特征光谱数据库数据不足；特征光谱数据准确性不高；分析方法陈旧，应用范围较窄，不能很好地适应于高光谱数据分析及普遍使用以及降噪程度不够等造成的对目标物定量研究准确度不高等方面的问题[22]。尽管存在不足，尝试使用新的数据和方法基于遥感高光谱方式探测土壤重金属污染，仍是现阶段研究的热点。

3.2.2 高光谱遥感监测的常规应用

高光谱技术方法作为一种能够动态、快速、宏观地获取地表信息的遥感技术，不仅能够监测无光谱特征的土壤重金属成分，还不会对污染土壤及其附属植被产生直接伤害，已广泛应用于环境、地质和土壤等多个领域。

(1)高光谱监测土壤重金属吸附或赋存关系的应用

由于土壤重金属含量低，反映在土壤光谱信息很微弱，通过直接分析重金属元素的特征光谱来估算其含量比较困难，而同类元素容易相互聚集共生，用相关系数可以反映土壤元素之间的共生程度[12]。最近专家研究表明，根据土壤有机质、铁锰氧化物以及粘土矿物等对重金属的吸附或赋存作用，可以通过无光谱特征物质与有光谱特征物质之间的相关性，利用粘土矿物和铁锰氧化物在土壤光谱曲线中典型的光谱特征，间接地预测土壤重金属含量，实现监测无光谱特征的土壤重金属的含量[12，23-26]。采样点个数和采样频次的多少影响结果精度。已有研究为土壤重金属含量的快速监测和大尺度的土壤重金属污染评价提供技术支撑，为进一步应用空间或航空遥感进行高光谱遥感定量监测土壤重金属污染提供技术和理论支持。

(2)地表高光谱监测土壤重金属的应用

近表面的遥感技术预测作物重金属污染有两个特点：一是重金属胁迫下作物的生物化学数据能与冠层的光谱反射测量同步获取，相反，使得航空高光谱影像与作物的生物化学数据同步测量则较困难；二是在野外环境下，近端遥感能获取到作物的许多反射光谱数据用于探索光谱和重金属含量的关系[27]。Liu等[28]基于实验室高光谱数据探索重金属Pb、Cu、Zn在芦苇中的含量，构建叶绿素含量和高光谱数据的线性关系，研究结果具有一定的说服力，但是21个采样点用于建模和验证，影响模型的稳定性，若将其用于其他区域、物种或者重金属类型则需要进一步验证。可尝试通过增加采样点的数量，改善波段选择方式，使用更多的特征方法等提高模型的稳定性和精度。

未来研究的趋势是建立起植被重金属胁迫的即时监测技术，最大限度地减少土壤重金属污染带来的危害。或者综合多源数据进行长时间序列的连续监测，做到区域的宏观调控，并能预测潜在的危险分布。已有遥感研究[29]表明区域植被由于受高人为干扰的影响出现急剧衰减的现象，特别是土壤中富集的大量重金属成为限制植被生长的主要因子之一。土壤重金属的存在会影响微生物媒介处理率，如分解，这一化学分析过程对于土壤肥力和长时间的森林生产力贡献巨大。所以进行森林生物量测算时，不仅要考虑地上部分结构对于生物量的影响，还要将土壤的化学特性及其影响考虑进来，有利于构建全面的森林生物量量化指标体系。

高光谱方法进行重金属污染土壤光谱测量，目前仍处于野外采集土壤样品，室内处理与分析的阶段，虽然结果精度有所提高，却大大降低了时效性。此外，野外实时监测高光谱方法也有待进一步发展。已有研究[17]总结在结合典型土壤光谱库，确定合适的水分和环境等参数，建立经验模型和扩展算法，将低光谱数据扩展成高光谱数据，对于土壤定量遥感将具有十分重要的研究和应用价值。

3.2.3 高光谱遥感监测土壤重金属的新方向

(1)空载或星载高光谱的应用

伴随地面、航空、航天多源信息不断集成，结合不同高光谱数据，将逐步实现从重金属污染的定性分析向定量分析发展。Pascucci等[30]使用航空和卫星高光谱影像以及实地的采样，用于探测光谱影像识别矿物的分布并制图显示重金属污染在土壤中的扩散，结果表明高光谱遥感数据在地表矿物和废弃物制图方面表现出高效、快速和重复的特性，并能够提供污染区域的位置。该方法仍需通过实地测量增加连续数量的采样点做进一步验证。Choe等[31]使用地理化学、野外光谱学以及高光谱遥感来研究西班牙某矿区重金属污染的分布，基于土壤重金属吸附矿物的特性和土壤重金属的光谱特征参数作为足迹来跟踪金属，并扩展地表获取的光谱参数到高光谱影像上，最终利用高光谱影像完成反演和定量化制图重金属分布。

空载或星载传感器由于距离地表较远，而且只能获取表层土壤光谱，不存在绝对的高精度。其他的遥感光谱学分析，如微波，能够用于探测土壤水分、质地等，但是空间分辨率相对较低；实验室地物光谱仪的测量可测得较高精度的土壤光谱，但是将实验室里建立的模型推广应用于其他遥感数据，必须消除环境、水分、质地、类型等对土壤光谱的影响，目前还没有报道相关的研究成果。尝试多源数据整合的方法，充分发挥各种数据源的综合优势，将有助于提高土壤重金属监测的精度。

(2)土壤重金属高光谱监测算法的改进

目前利用遥感技术监测土壤组成与反射光谱间关系的常用统计分析方法有多元逐步回归分析[25]、主成分分析[1]和偏最小二乘回归(PLSR)分析[32-35]。神经元网络算法、小波分析、遗传算法等应用不多见。尽管有研究表明，土壤属性与光谱之间存在着非常显著的相关性，但是在综合应用各种遥感数据时，有必要采用非线性和非统计学方法分析和识别各种因素的非线性作用。

温健婷等[33]利用高光谱遥感数据进行了南京郊外土壤重金属元素铅的含量反演，凸显出遗传算法在高光谱反演重金属波段选择中具备的优势。Liu等[2]运用小波变换结合分析技术来提取胁迫下的水稻高光谱数据参数，其中分形分析能从遥感影像、叶或者冠层的反射光谱中了解植被的健康状况，植被高光谱数据展示出小波变换用于光谱平滑和噪音移除的优势，而小波变换作为光谱分析的方法能够消除噪声、放大来自重金属胁迫植被的信息。Liu等[36]创建BP网络模型来评价重金属胁迫下水稻叶绿素含量，结果表明构建的最优BP网络得到的实测叶绿素含量与预测值的R2为0.9014，RMSE为2.58，BP模型比起多变量光谱指数和单一光谱指数统计模型的预测效果好。Liu等[27]基于野外尺度重金属评价模型(FHMA)改进为区域尺度(RHMA)的模型来评价水稻重金属Cd、Cu的含量。RHMA模型是基于遥感影像的像元建立的，包含的分段函数起到将光谱数据从野外尺度向区域尺度转变的作用。现有的遥感方法用于监测重金属污染多关注光学数据分辨率的尺度转换问题，很少有研究关注重金属污染评价模型由野外到大区域尺度的转换。

4 整合多源数据监测土壤重金属污染

光谱学的反演研究虽取得了一定的成就，但是反演的数据多来自于实验室或者野外的试验，对于大区域尺度的研究不具备优势。现有的研究手段，一方面表现出近表面遥感技术监测重金属污染的优势，另一方面也预示着研究尺度的有限性决定监测土壤重金属污染结果的有效性。所以在数据获取方式或者数据关联性以及模型方法改进方面将呈现新的发展趋势。

许多研究提倡通过整合一些变量，如生物预测变量、物理土壤参数、化学测量等，评估重金属污染类型、程度及其分布和影响。物理参数中，土壤磁化率的测量能快速且高效地区分重金属污染，许多空间变化的控制因子使得土壤磁化率的测量变的可靠、有效、敏感，该方法快速、非破坏性的特性，能补充传统化学分析的不足，并允许短时间广域的测定。D’Emilio等[29]提供整合高分辨率的多光谱数据和基于地表技术即土壤磁化率分析和化学分析方法预测高人为干扰区域的土壤重金属分布，结果表明NDVI值的异常分布和土壤磁化率值具备显著负相关关系，为减少预测使用的时间和费用提供可能性；空间卫星探测和实地调查能用于区分污染的高危险区域，为化学分析优化采样点数量；整合数据的方法也有助于识别植被破坏的高危区域，有助于达到预防和保护植被的效果。Chen等[37]整合Cu和Pb含量、DEM、遥感影像、土地利用数据制图Cu和Pb的污染分布，识别了重金属污染源和传输途径，得到了污染的高危险区域，而地形作为最重要的因子控制着Cu和Pb的空间分布，降雨形成的径流量是重金属污染的主要传输者。所以结合多源数据，精确地制图并可视化显示重金属污染能够更好地理解污染的状况。

就土壤定量化技术的发展趋势而言，土壤重金属污染监测逐步向精度更高的微观探索技术和节约时间成本的中观甚至宏观监测技术发展；遥感、GPS及其他科学手段能做到的仅是大面积、快速估算土壤重金属含量，而非准确值，因而监测的进一步精准化是学者研究的热点；可以用遥感技术对土壤重金属监测进行实地定位[38]或者分析不同时相遥感影像动态变化。Wu等[39]结合RS和GIS技术，构建了土壤重金属污染的早期预警系统，旨在避免或消除重金属污染的危险。该系统包括重金属的探测、土地利用变化建模、重金属累积动态模拟和危险预警，能够预测重金属累积过程，也可以提供决策信息。

5 结束语

野外和室内光谱学分析土壤重金属光谱特征，与基于遥感影像的光谱特征提取用于构建光谱特征参数与土壤重金属含量的关系，两者存在很大的不同。前者需要通过实地采样，采样点的数量和频率对于模型构建的稳定性影响较大，同时仅局限于某个时刻、某个位置的取样，实时性比较差，只适合小范围的监测，要执行重复且大区域的监测成本高，增加采样的数量必然会产生更多的不确定性和误差，影响监测的结果精度；后者的优势较明显，遥感探测的大面积、多时相、无破坏性特征，遥感影像获取的多途径，为提取影像光谱特征构建与土壤重金属含量值的关系提供了可能性。现有使用单一时间段影像用于分析的较多，对于使用连续时相影像用于检测大区域尺度的土壤重金属分布的研究较少。少量相关研究也只是处于理论探索阶段，未来的探索旨在充分发挥连续时相影像动态监测的优势，逐步将土壤重金属的分析由定性向定量分析发展。此外，预测模型的构建是分析的关键之处。变量间非线性关系的考虑使得模型能够应对参数的多变性，避免受到不同地理位置、土壤性质等的限制，形成应对不同空间尺度的遥感模型。

遥感用于区域土壤重金属监测时需要考虑尺度变化对土壤重金属光谱特征波段的影响，随着尺度的不断增大，需要考虑的环境因素也必然会越来越复杂和多样化。还有土壤本身的诸多特性，特别是对光谱有较大影响的因素以及元素本身的多种地球化学行为也会给区域监测带来干扰。此外，建立在影像基础上的土壤重金属污染量化分析会随着定量模型的完善和连续数据的使用呈现新的局面，这也是定量遥感发展的必然趋势。同样地，定量模型的不确定性影响着结果的全面性。

参考文献：

[1] CAI L M，XU Z C，REN M Z，et al.Source identification of eight hazardous heavy metals in agricultural soils of Huizhou，Guangdong Province，China[J].Ecotoxicology and Enivironmental Safety，2012，(78)：2-8.

[2] LIU M L，LIU X N，DING W C，et al.Monitoring stress levels on rice with heavy metal pollution from hyperspectral reflectance data using wavelet-fractal analysis[J].International Journal of Applied Earth Observation and Geoinformation，2011，(13)：246-255.

[3] 刘玉燕，刘敏，刘浩峰.城市土壤重金属污染特征分析[J].土壤通报，2006，37(l)：184-189.

[4] JIM C Y.Soil characteristics and management in an urban Park in Hong Kong[J].Environmental Management，1998，22(5)：683-695.

[5] 张甘霖，赵玉国，杨金玲，等.城市土壤的环境问题及其研究进展[J].土壤学报，2006，44(5)：925-933.

[6] HANG X S，WANG H Y，ZHOU J M，et al.Risk assessment of potentially toxic element pollution in soils and rice (oryza sativa) in a typical area of the yangtze river delta[J].Environmental Pollution，2009，(157)：2542-2549.

[7] 解宪丽，孙波，郝红涛.土壤可见光-近红外反射光谱与重金属含量之间的相关性[J].土壤学报，2007，44(6)：982-993.

[8] 王璐，蔺启忠，贾东，等.基于反射光谱预测土壤重金属元素含量的研究[J].遥感学报，2007，11(6)：906-913.

[9] 邬登巍，吴昀昭，马宏瑞.基于中红外漫反射光谱的土壤重金属元素含量预测研究[J].光谱学与光谱分析，2010，30(6)：1498-1502.

[10] 李淑敏，李红，孙丹峰，等.基于热红外特征光谱的土壤重金属含量估算模型研究[J].红外，2010，31(7)：33-38.

[11] RATHOD P H，ROSSITER D G，NOOMEN M F，et al.Proximal spectral sensing to monitor phytoremediation of metal-contaminated soils[J].International Journal of Phytoremediation，2013，15(5)：405-426.

[12] 龚绍琦，王鑫，沈润平，等.滨海盐土重金属含量高光谱遥感研究[J].遥感技术与应用，2010，25(2)：169-177.

[13] 黄长平，刘波，张霞，等.土壤重金属Cu含量遥感反演的波段选择与最佳光谱分辨率研究[J].遥感技术与应用，2010，25(3)：353-357.

[14] 肖捷颖，王燕，张倩，等.土壤重金属含量的高光谱遥感反演方法综述[J].湖北农业科学，2013，52(6)：1248-1253.

[15] 付馨，赵艳玲，李建华，等.高光谱遥感土壤重金属污染研究综述[J].中国矿业，2013，22(1)：65-68.

[16] 张顺平，孙向阳，祁娜，等.光谱分析法在土壤污染监测中的应用研究进展[J].吉林农业科学，2012，37(4)：21-24.

[17] 汪善勤，舒宁.土壤定量遥感技术研究进展[J].遥感信息，2007，22(6)：89-93.

[18] CHI G Y，SHI Y，CHEN X，et al.Effects of metal stress on visible/near-infrared reflectance spectra of vegetation[J].Advanced Materials Research，2012，(347-353)：2735-2738.

[19] THAKUR A K，SINGH K J.Leaf temperature as thermal bio-indicator of heavy metal pollutants[J].Journal of Agricultural Science and Technology，2012，(2)：131-137.

[20] 刘焕军，赵春江，王纪华，等.黑土典型区土壤有机质遥感反演[J].农业工程学报，2011，27(8)：211-215.

[21] SRIDHAR B B M，VINCENT K R，ROBERTS J S，et al.Remote sensing of soybean stress as an indicator of chemical concentration of biosolid amended surface soils[J].International Journal of Applied Earth Observation and Geoinformation，2011，(13)：676-681.

[22] 南聪强，刘汉湖，范娟，等.基于GIS的瓦市镇土壤重金属元素综合评价[J].中国水土保持，2012，(10)：70-72.

[23] KEMPER T，SOMMER S.Estimate of heavy metal contamination in soil after a mining accident using reflectance spectroscopy[J].Environmental Science and Technology，2002，36(12)：2742-2747.

[24] 李巨宝，田庆久，吴昀昭.滏阳河两岸农田土壤Fe、Zn、Se元素光谱响应研究[J].遥感信息，2005，20(3)：10-13.

[25] 李娜，吕建升，ALTERMANN W.光谱分析在植被重金属污染监测中的应用[J].光谱学与光谱分析，2010，30(9)：2508-2511.

[26] 焦文涛，蒋新，余贵芬，等.土壤有机质对镉在土壤中吸附-解吸行为的影响[J].环境化学，2005，23(5)：545-549.

[27] LIU M L，LIU X N，LI J，et al.Estimating regional heavy metal concentrations in rice by scaling up a field-scale heavy metal assessment model[J].International Journal of Applied Earth Observation and Geoinformation，2012，(19)：12-23.

[28] LIU Y L，CHEN H，WU G F，et al.Feasibility of estimating heavy metal concentrations in phragmites australis using laboratory-based hyperspectral data：A case study along Le’an River，China[J].International Journal of Applied Earth Observation and Geoinformation，2010，(125)：166-170.

[29] DEMILIO M，MACCHIATO M，RAGOSTA M，et al.A method for the integration of satellite vegetation activities observations and magnetic susceptibility measurements for monitoring heavy metals in soil[J].Journal of Hazardous Materials，2012，(241-242)：118-126.

[30] PASCUCCI S，BASSANI C，CAVALLI R M，et al.Hyperspectral remote sensing capability for mapping near-surface asbestos deposits and pollutants dispersion in soils[C].Proceedings of Hyperspectral 2010 Workshop，Frascati，Italy，March，2010：17-19.

[31] CHOE E，MEER F，RUITENBEEEK F，et al.Mapping of heavy metal pollution in stream sediments using combined geochemistry，field spectroscopy，and hyperspectral remote sensing：A case study of the rodalquilar mining area，SE spain[J].Remote Sensing of Environment，2008，(112)：3222-3233.

[32] 胡芳，蔺启忠，王钦军，等.土壤钾含量高光谱定量反演研究[J].国土资源遥感，2012，(4)：157-162.

[33] 温健婷，张霞，张兵，等.土壤铅含量高光谱遥感反演中波段选择方法研究[J].地球科学进展，2010，25(6)：625-629.

[34] PALACIOS-ORUETA A，USTIN S L.Remote sensing of soil properties in the santa Monica Mountains I.Spectral analysis[J].Remote Sensing of Environment，1998，(65)：170-183.

[35] KOKALY R F，CLARK R N.Spectroscopic determination of leaf biochemistry using band-depth analysis of absorption features and stepwise multiple linear regression[J].Remote Sensing of Environment，1999，(67)：267-287.

[36] LIU M L，LIU X N，LI M，et al.Neural-network model for estimating leaf chlorophyll concentration in rice under stress from heavy metals using four spectral indices[J].Biosystems Engineering，2010，(106)：223-233.

[37] CHEN Y Y，LIU Y L.LIU Y F，et al.Mapping of Cu and Pb contaminations in soil using combined geochemistry，topography，and remote sensing：A case study in the Le’an river floodplain，China[J].International Journal of Environmental Research and Public Health，2012，(9)：1874-1886.

[38] 吴健生，宋静，郑茂坤，等.土壤重金属全量监测方法研究进展[J].东北农业大学学报，2011，42(5)：133-139.

[39] WU S H，ZHOU S L，CHEN D X.A framework of intelligent early warning system for pollution risk of heavy metals in soil[C].Intelligent System Design and Engineering Application (ISDEA)，Piscataway，NJ，USA，2010，(1)：20-23.