高光谱遥感数据在农作物重金属胁迫调查中的应用

李力生, 彭玛丽

(四川金核矿业有限公司,四川成都 610052)



高光谱遥感数据在农作物重金属胁迫调查中的应用

李力生, 彭玛丽

(四川金核矿业有限公司,四川成都 610052)

利用高光谱遥感数据对四川崇州地区研究作物进行光谱角匹配识别，结合光化学植被指数，有效划分了可评价区域。随后对采样点处遥感光谱信息进行了提取，运用线性回归及多元回归方法，建立了光学信息与土壤各重金属含量间的经验模型，并结合潜在生态危害指数法进行胁迫等级的划分，取得了良好的调查效果。

高光谱遥感回归；经验模型；重金属胁迫

随着我国农业的快速发展，农业土壤重金属污染问题越来越被重视，如何准确、高效地进行土壤重金属污染调查对后期修复治理尤为重要。高光谱遥感技术具有覆盖广、光谱信息全、实时快速等特点，近年来被广泛的运用于农业、环境等领域。研究区“十万亩良田”示范基地位于崇州市最宜发展农业的西南平原，土壤肥沃，水系发达，是成都重点打造的农产品示范项目。笔者通过对研究区土壤重金属As、Cr、Cd、Pb、Hg含量和光学信息间的回归分析，建立经验模型，以达到预测区域性土壤重金属胁迫等级的目的。

1　数据和方法

1.1影像数据该研究采用HJ-1A号卫星高光谱遥感数据，地面分辨率为100 m×100 m，光谱涵盖460～950 nm，有115个谱段。由于高光谱数据波谱前段有明显条带现象，且前段波谱受干扰较大，研究主要使用红谷至红外波段(660～900 nm[1-2]共计42个谱段)。

1.2地物识别为从遥感影像上快速获取研究作物分布情况，使用ENVI软件对研究作物进行光谱角匹配识别(SAM)，目标波谱采用10个实地调查点中最相近的4个波谱，调整Rule Threshold至刚好完整覆盖实地调查的10个样点，且未包含5个非研究植物点。研究通过Vegetation Index Calculator工具计算植被指数[3]，提取光化学植被指数(图1)、类胡萝卜素反射指数中无值像元可得非植被覆盖区域(图1中蓝色区域)，通过对比发现光化学植被指数(PRI)不仅能识别植物与非植物(建筑、水体等)而且还具有一定识别条带干扰的作用，是植被指数中识别无效区的最佳指数。对比SAM识别结果和光化学植被指数识别的非植物区(图2)，可见重合部分较少，SAM识别作物效果良好。

图1　光化学植被指数(PRI)Fig.1　Photochemical vegetation index(PRI)

图2　研究作物及非植物区Fig.2　Research crops and non plant area

1.3实地调查及采样该研究采样点布设遵循全面、代表、客观、随机性原则，采用棋盘式布点法等距采样，鉴于研究区为不规则形状，设左上角任一点为原点，以1 000 m为调查采样间距，结合ArcGIS软件，布置采样点。综合SAM识别结果和提取无效区ROI，剔除不在作物区域或在无效区域上的点后，确立了44个有效调查采样点。由于一个采样点所占影像像元大小为100 m×100 m(设为1个采样单元)，因此需在采样单元中使用对角线法设置5个点采集土壤样本。最终各单元土壤重金属值为5个采样土壤去除异常值后的平均值。实地调查采样后可知44个点中有42个为研究作物，识别正确率达95%，识别效果优异。

1.4数据分析基于数学回归思想，采用IBM SPSS22软件进行数据处理，选用线性回归和多元回归建立经验模型[2，4]，分析土壤重金属元素含量与光学信息间的关系。光学信息为660～900 nm波段上的微分光谱、光谱特征参数以及植被指数[5-7]，结合实际光谱确定具体研究光学参数见表1[2,7-9]。

表1　土壤重金属各光学参数

1.5评价方法重金属胁迫评价采用潜在生态危害指数法，该方法是一种综合考虑土壤重金属含量、重金属的生态、环境效应与毒理等因素的科学评价方法[10]。计算公式为：

2　结果与分析

2.1拟合模型将42个采样点的各光学信息与实际重金属数据带入SPSS中进行回归分析，通过不断对比各回归结果，获得土壤各重金属最优拟合模型见表2。

表2　土壤各重金属最优拟合模型

2.2重金属胁迫评价通过样品分析可知土壤RI最高值为145，42个采样点均处在污染指数RI轻微生态危害阶段，反映了研究区重金属总体综合污染程度轻微。但单项污染中Hg污染系数大于40的有10个单元，均为中度生态危害；Cd污染系数大于40的有20个单元，其中1个为强生态危害、19个为中等生态危害；As、Cr、Pb均小于40，生态危害轻微。由于拟合模型预测值区间的限定，因此理论可预测RI值区间为(44，156)，区间外模型可能不适用，为适应研究区污染状况，该研究在可预测区间内对重金属胁迫等级进行划分，划分后单项污染系数和胁迫等级分级标准见表3。

表和RI分级标准

使用ENVI Band Math波段运算工具及Density Slice工具[3]，构建相关模型，生成模型参数，提取研究无效区后，生成可预测区域的污染指数图(图3)和胁迫等级图(图4)。

图3　可预测RI值分布Fig.3　Predictable RI value distribution

图4　可预测胁迫等级分布Fig.4　Predictable stress level distribution

从图4可看出，研究区内可评价区域绝大部分处于胁迫等级Ⅰ、Ⅱ级，农作物受重金属胁迫较小，整体生态环境质量良好；作物胁迫Ⅲ级地块呈零散分布，究其原因可能是胁迫地块农作中未合理进行农药施用或周围存在排污地物(养殖场、工厂、垃圾堆积地)导致。

2.3模型检验对42对重金属实测值和模型预测值进行误差分析，获得的平均绝对百分误差、平均误差及均方根误差[4]见表4。

表4各重金属实测值和模型预测值误差

Table 4Error of heavy metal measured value and model predicted value

重金属Heavymetal平均绝对百分误差Meanabsolutepercentageerror∥%平均误差Averageerror均方根误差RootmeansquareerrorAs20.42972.0251052.398869Cd16.27320.0412940.047292Cr1.55041.4207221.774667Hg13.1950.0126970.014906Pb5.14471.7440672.122031RI7.3256.3164978.011817

由表4可知，As、Cd、Hg元素的平均绝对百分误差较大，误差相对真实值百分比较高；RI虽然平均绝对百分误差较小，但平均误差、均方根误差数值较大，反映出预测值和真值在数值上偏差较大。该项目着重研究胁迫程度，且运用表3胁迫分级标准判别42个调查点实际与预测胁迫程度，有36个判别正确，正确率达到85.7%，由此可见误差在可接受范围内，构建模型有良好的胁迫预测效果。

为检验模型在未知点预测的效果，研究对比了10个未知点的实际重金属数据及模型预测数据，获得相关误差见表5。在胁迫等级的划分中，10个点胁迫等级判别正确率达到了90%，证明了模型在胁迫等级划分中的有效性。

由表4、5可知，构建模型对土壤重金属含量、污染指数、胁迫等级有良好的预测效果，能粗略地预测种植研究作物的土壤中重金属的含量，并能较为准确地划分污染胁迫等级。

表5　10个检验点误差情况

3　结论

该研究以崇州十万亩良田区为研究区域，运用统计学方法回归拟合构建土壤重金属与光学信息间的数学模型，用以预测土壤重金属值及胁迫情况。该方法能快速有效地获取区域土壤重金属含量粗略信息及较为准确地作物重金属胁迫情况，但是构建模型的预测值与真实值间仍有一定的误差，因此不能完全精确的获取土壤重金属值。该研究流程适用于区域性农耕土壤重金属含量及胁迫粗略调查，能为今后农耕土壤治理修复、土地规划等提供依据，奠定农业绿色健康可持续发展的基础。

该研究获取的遥感影像有明显条带现象，光谱信息的真实性有一定削减，势必对研究有根本上的影响，并且传统条带处理手段可能引入新的干扰也不宜使用，同时遥感影像固有的易受外界干扰的影响的性质也不利于研究。因此，获取及使用高质量的高光谱遥感影像有利于提高研究的真实性、可靠性。

[1] 关丽，刘湘南.两种用于作物冠层叶绿素含量提取的改进光谱指数[J].地球科学进展，2009,24(5):548-554.

[2] 王平.农作物重金属污染胁迫遥感弱信息增强与计算[D].长春：东北师范大学，2010.

[3] 李小娟，宫兆宁，刘晓萌，等.ENVI遥感影像处理教程(升级版)[M].北京：中国环境科学出版社，2008.

[4] 吴石林，张玘.误差分析与数据处理[M].北京：清华大学出版社，2010.

[5] 浦瑞良，宫鹏.高光谱遥感及其应用[M].北京：高等教育出版社，2000.

[6] 刘伟东.高光谱遥感土壤信息提取与挖掘研究[D].北京：中国科学院研究生院，2002.

[7] 王纪华，赵春江，黄文江.农业定量遥感基础与应用[M].北京：科学出版社，2008.

[8] 田国良，包佩丽，李建军，等.土壤中镉、铜伤害对水稻光谱特性的影响[J].环境遥感，1990,5(2):140-150.

[9] 于飞，邱政芳，齐国辉，等.土壤铬含量对苹果叶片镉含量及叶绿素含量影响[J].河北林果研究，2008，23(1):45-48.

[10] 赵沁娜，徐启新，杨凯.潜在生态危害指数法在典型污染行业土壤污染评价中的应用[J].华东师范大学学报(自然科学版)，2005(1)：111-116.

Application of Hyperspectral Remote-sensing Data in Investigation of Heavy Metal Stress for Crops

LI Li-sheng, PENG Ma-li

(Sichuan Jinhe Mining Co. Ltd., Chengdu, Sichuan 610052)

The appraisable area was divided effectively by using hyperspectral remote-sensing data to differentiate the corner matching for research crops of Chongzhou area, Sichuan, combining with the photochemical vegetation index. By extracting the remote sensing spectral information from the sampling positions, a classical model for optical information and soil heavy metal contents was established with linear regression and multiple regression method. On the basis of the above work and the stress grade division of potential ecological risk assessment, this research has achieved prominent survey effect.

Hyperspectral remote sensing regression; Empirical model; Heavy metal stress

李力生(1992- )，男，四川成都人，从事遥感及物探技术研究。

2016-06-24

S 127

A

0517-6611(2016)24-238-03