从植被高光谱遥感到土壤重金属污染诊断的研究进展

涂晔昕　费腾

摘要：随着遥感技术的迅速发展，高光谱遥感由于其对微量元素的探测能力强，为诊断土壤重金属污染提供了可靠的基础数据。综述了国内外对高光谱监测植被/土壤重金属的研究现状，探讨了从植被高光谱到土壤重金属诊断的局限性，并对其进行了展望。

关键词：高光谱遥感；土壤；重金属；光谱特征；物理模型

中图分类号：X820.2 文献标识码：A 文章编号：0439-8114（2016）06-1361-08

DOI：10.14088/j.cnki.issn0439-8114.2016.06.001

土壤对植物的生长、繁殖以及分布都有着重要影响。随着工业的快速发展及人类活动的加剧，中国农业土地资源正遭受着重金属污染风险[1]。土壤中的重金属具有毒性，且易被植物吸收[2]，食用受重金属污染后的土壤上生长的农作物，严重威胁人们的生命健康。因此，对土壤重金属含量的监测十分必要。

传统的在野外采集土壤样方，利用化学手段和仪器测定土壤中重金属含量的方法，在小尺度上能获得最为准确的信息。受土壤空间异质性以及采样成本等的限制，野地实测的方法对重金属的动态变化监测有着一定的局限性：其对重金属含量的监测只针对某一时间点对当前土壤重金属含量的实测值，现有土壤数据精度和适用程度受到很大制约；若进行大范围样方数据的收集需要耗费大量人力、物力，短时间内实现重复周期性取样难度大。传统的遥感技术虽可提供大面积连续的监测，但一般波段宽度为100～200 nm量级，丢失了大量对地物识别有用的信息，不利于对土壤重金属的监测[3]。

高光谱遥感（Hyperspectral remote sensing）技术记录地物多个窄波段反射率，使得本来在常规遥感中不能识别的地物，在高光谱曲线中就能得到有效的识别[4]，增加了反演所需的信息量。随着国内外各类高光谱成像仪技术的发展和进步，为监测土壤重金屬提供了可能。

利用高光谱监测土壤中重金属含量的方法大致分为两类：一是通过土壤光谱数据监测土壤重金属含量。由于土壤本身是一种复杂的混合物，由很多物理和化学性质不同的物质组成，如矿物质、水、有机物等，它们都会影响土壤的反射和吸收光谱特征[5-8]。并且，大部分的地表由植被覆盖，土壤光谱无法直接测得。二是通过植被光谱数据，反演土壤中的重金属含量。本文将着重综述第二种方法。大量的研究表明，通过高光谱遥感技术实现植物重金属含量的定量反演，与传统的重金属浓度测量方法显著相关。目前，中国正致力于绘制全国重金属“人体污染图”[9]，将高光谱遥感的优势，运用到土壤重金属污染监测上，已有许多有价值的相关研究，本文尝试以如下顺序归纳这些研究：①介绍在以往研究中代理作物以及遥感监测空间尺度的选取；②详细阐述植被重金属模型的应用情况及发展方向；③总结高光谱遥感技术在土壤重金属污染诊断中面临的挑战并展望其未来的研究热点。

1 国内外研究现状

1.1 植物的重金属富集和光谱表征

地面植被与土壤重金属含量存在相互作用关系。土壤重金属能影响到植物叶面积、冠层形态、内在生理特征，从而与植物的光谱特性密切相关[10]。植物根系能不同程度地吸收重金属并将其转移到地上部，从而降低土壤中重金属的含量[11]。

不同植物对重金属敏感性不同，重金属胁迫导致植物体内生物化学成分发生改变，使电磁波谱反射特性不同。近年来，国内外学者对选取波谱特征表现明显的物种进行了大量的尝试。代理作物涉及谷物、果蔬、经济作物等各类植物。

对谷物类进行研究的有：李坤权等[12]指出重金属（以镉为例）在水稻体各器官的分配呈现根>茎叶>子粒的特点。Shi等[13]分别建立水稻的实验室和野地光谱数据与土壤中重金属含量的模型，r（相关系数）>0.5。Ren等[14]通过采集水稻冠层叶片光谱数据并实验室测得其叶绿素含量和铅含量，但由于样本数太少，并未取得理想的结果。Li等[15]利用不同浓度的砷含量的培养皿，观察同一品种水稻在光谱维上的特征表现的特点，提取相关参数，建立水稻光谱指数和叶片叶绿素含量的模型。

对果蔬类进行研究的有：Caselles等[16]在不同浓度的铬含量培养皿中种植黄瓜苗，观察其根、茎、叶、果的健康状况并同时检测其体内叶绿素a和叶绿素b的含量。选取谷物、果蔬等多种物种进行研究的有：Rai等[17]对农用地、工业区、矿井附近的蔬菜（菠菜和土豆）对比谷物类（小麦、水稻、玉米）内的铅、镉、铬、铁、锌、钴进行研究，重金属和金属元素在植物体内的富集量为菠菜>土豆>谷物类。

根据2014年全国土壤污染调查显示，重金属镉成为中国土壤污染中的首要污染物，镍和砷为仅次于镉的污染物[18]。Kancheva等[10]在受镉胁迫的土壤中培育苜蓿、春小麦和豌豆，研究表明不同物种在不同浓度镉环境下的光谱曲线表现为不同的形式。熊愈辉[11]在总结国内外相关研究后指出，土壤中镉易在蕨类、向日葵体内富集。对镉耐性和富集能力较强的植物还有叶下珠、麦瓶草、长叶莴苣、田旋花、风滚草、大麻以及镉积累型玉米、紫羊茅和烟草等[19-23]。

合理选取重金属富集能力较强且光学表征能力强的物种，是确定研究尺度和建立土壤重金属污染监测模型的基础。

1.2 观测的空间尺度

获得土壤或植被高光谱反射率数据的方法通常有4种：①在实验室通过分光光度计获得高光谱数据[24]；②通过地面光谱辐射计获取野外实测光谱数据[13，25，26]；③利用机载成像仪获得高光谱影像[7，27，28]；④通过星载成像光谱仪获得大范围高光谱影像[29-31]。

将植被/土壤样本进行实验室光谱测定的有：Liu等[24]将涝原土壤进行实验室有机物化验，通过高光谱反演有机物含量（r2=0.53），并建立土壤有机物与铅、铜、锌含量的关系测定，以此监测重金属污染情况。Tan等[32]在研究垃圾站和煤矸石再利用土壤中砷富集情况时，在实验室测得土壤高光谱数据进行砷含量的反演，模型相关系数达到0.94。Thomas等[33]对矿难地区土壤进行实验室分析，建立光学模型监测土壤中砷、汞、铅、硫、锑污染情况，模型r2>0.72。实验室法的局限在于采样的时间要尽量靠近光谱测量的时间，需要有严格的样品采集和处理过程，样品需具有代表性，并且要收集足够多的样本以便光谱测量[34]。

采用野外实测光谱的有：Song等[26]利用便携式光谱仪直接采集矿区附近裸土和溪流的高光谱数据，反演土壤和水体中重金属铝、铜、铬的含量（r2>0.51）。关丽等[25]利用便携式地物波谱仪测量水稻冠层及土壤高光谱数据，同步采集土壤样本、水稻植株样本进行实验室化验分析，得到镉污染下水稻生理特征参数在高光谱指数空间的聚集规律。Shi等[13]通过实验室野地和测得的水稻冠层数据进行土壤砷含量反演，发现野地数据建立模型精度更高（r2=0.71）。通过地面光谱仪获得高光谱数据时，要考虑采样区的风向、光照条件、温度条件、大气条件、操作人的熟练程度和周围是否有工厂等[2]对测量精度的影响。

与实验室和野外数据相比，机载和星载高光谱视野更广，监测范围更大[35]。逐步发展成熟的航空成像光谱仪如AVIRIS（Airborne visible infrared imaging spectrometer）、Hymap（Hyperspactral mapper）；EO-1（Earth Observing -1）所搭载的星载高光谱成像仪（Hyperion），中国发射的TG-1（Tiangong-1）等，为人们提供了丰富的高光谱数据。Wu等[30]通过遥感反演土壤中镍、铬、钴、铜、砷、铁、铅、镉、汞9种物质的污染情况时，由于受大尺度研究区域和当时天气的限制，野外测光谱数据较为困难。他们利用HyMap高光谱影像对土壤中的重金属成分进行预测，发现镍和铬的反演模型效果最好（r2>0.71）。Choe等[29]利用HyMap影像绘制重金属污染梯度地图，与地面实测数据对比，发现其在监测铅、锌、砷污染的潜力r2>0.5。Liu等[31]利用Hyperion数据验证野外实测光谱数据模型，对水稻中镉和铜的监测，模型的r2>0.7，具有普遍适应性。高光谱机载/卫星遥感，具有广阔的应用前景。

1.3 模型类别及应用

人们利用获取的光谱数据，对植被/土壤和光谱的相互作用建立模型。一般来说，模型可分为经验模型和物理模型两种。利用统计学知识建立的经验模型，可以暂时回避地面情况不实和光学信号-对象之间机理过于复杂的问题；物理模型通过找出产生观察数据的原因，利用物理机理建立模型[36]。物理模型是对现实的抽象，对于研究光谱的物理意义，具有很高的研究价值。

针对上述两种模型的优缺点表述见表1：经验模型由于受大气特征、地形等背景因素的限制，普适性较低，对因果关系的解释较为困难；物理模型则由于假设条件太多，需要的参数较多，模型比较复杂。在计算效率方面，经验模型参与建模的波段数、光谱指数数目的选取，物理模型输入参数的引入，以上指标数目的增加，在模型精度有所提高的同时，往往伴随着计算量的增大[37]。是否要用精度较低的近似分析来替代新参数，以获得更高的计算效率，这也是人们在建立模型时应该权衡的。

1.3.1 经验模型 建立经验模型时，通常采用的方法有：一是对采集到的光谱数据直接进行回归分析，以获得最适宜的光谱波段、相关系数和统计方程等，并对其进行评价[38，39]。二是通过选择不同光谱变化形式即光谱指数（Spectral index，SI）[40，41]，建立预测模型。

用多元回归法建立经验模型时，研究中常常选取的重要波段如表2所示。

也有研究利用已有光谱指数进行经验模型的建立，见表3。

光谱指数不仅与叶片生理特征、土壤状态等有关，也反映研究目标受胁迫的情况。关丽等[25]建立MCARI-NDWI、MCARI-RVSI、MCARI-RVI、NDWI-RVSI、NDWI-RVI 和RVSI-RVI 反演水稻镉污染时，分析了不同镉浓度胁迫下这些光谱指数在特征空间中聚集性，并建立了水稻镉污染胁迫遥感识别模型。Liu等[24]通过检测土壤中有机质的含量，发现土壤中有机质分别能解释59%、51%和50%试验区内土壤铅、铜、锌的污染情况。Li等[15]的研究表明，红边位置的波长值与植被中叶绿素含量密切相关，预测值达到了与实验室化学分析相近的水平，由于叶绿素对镉的敏感性，红边位置可作为监测重金属含量的重要参数。有研究表明随着重金属镉污染浓度处理水平的不同，红边位置会向长波方向移动，出现了“红移”现象，且随着处理浓度的增大而移动程度不同[46]。Ren等[14]还发现不仅是红边位置的波长值，红边的标准化波长吸收深度、移动距离也可作为建模的重要参数。

将重要波段或光谱指数，利用统计方法建立光学-经验模型的方法有：建立线性回归模型如多元逐步线性回归（Stepwise multiple linear regression，SMLR）、主成分回归（Principal component regression，PCR）、偏最小二乘法（Partial least squares regression， PLSR）、非线性模型如支持向量机回归（Support vector machines regression，SVR）、多元自适应回归（Multivariate adaptive regression， MAR）、自适应神经模糊推理（Adaptive neural fuzzy inference system，ANFIS）等。用SMLR拟合优点是可以将选取的重要波段线性组合，但缺点是容易过度拟合造成重要信息丢失[26，29，45]。由于高光谱波段较窄，利用PLSR可以克服波段多重共线的问题，它将所有光谱压缩成几个变量，建立模型。SVR的优势是建立波谱间的非线性关系。有报道指出，PLSR和SVR结合使用，比单独利用SMLR精度高，但缺点是利用所有波段建模增加了模型的复杂性[5，47，48]。ANFIS作为一种新型的基于机器学习的建模方法，在处理非精确数据，近似推理和非线性建模方面有突出的表现。各回归方法对比见表4。

對没有达到精度要求的经验模型要进行修正，常见的方法有两种：一种是利用不同尺度数据，如上文提到的实验室、野外、机载、星载遥感影像建模，利用不同模型中用到的相关性高的参数对模型进行修正[49，50]。另一种是用去除离群点，插值，重采样对模型进行修正[51]。

1.3.2 物理模型 利用經验模型估计土壤重金属污染情况通常是在特定的时间和空间特征下确定的，而且随着土壤结构和目标重金属的变化而变化[10，13，25，29，32，43]，不能直接应用到其他的研究区域。

物理模型可以克服经验模型在空间上的局限性等缺点，辐射传输模型（Radiative transfer model，RTM）和几何光学模型（Geometrical optics model， GOM）是构成物理模型的两大类。

辐射传输模型是目前应用最广泛的物理模型。基于土壤辐射传输模型起源于Hapke模型[52]，以SOILSPECT模型为代表[53]，SOILSPECT模型能较好地推导出土壤二向反射的物理特性，是土壤重金属污染检测的基础；基于植物叶片尺度的辐射传输PROSPECT模型[54，55]和冠层尺度的辐射传输SAIL（Scattering by arbitrarily inclined leaves）模型和他们的结合模型PROSPECT+SAIL简称PROSAIL（PROSPECT and Scattering by arbitrarily inclined leaves）模型[56]已经被广泛地用于估计植物的生物物理和化学物理参数，但利用和发展该模型对植被叶片中积累的重金属浓度经行反演的研究还不多见。不同辐射传输模型对比见表5。当植物受环境胁迫时，如土壤中有机物含量不同[45]，土壤受重金属污染[25]等，植被会表现出不同的光谱反射特征。据此陆成[57]、Qu等[58]通过调整输入参数，成功地监测了植被中铜的含量。利用植被的辐射传输模型，将土壤重金属污染监测与植物的生理物理参数联合起来，具有很大的前景。

土壤的几何光学模型在Irons等[59]建立的二向反射分布函数（Bidirectional reflectance distribution function， BRDF）模型基础上发展起来的；在植被方面，最具代表的为Li-Strahler模型[60，61]，多适用于森林等不连续植被冠层的反射状况，主要输入参数见表6。重金属会改变土壤和冠层植被在光谱的表现形式，如对输入参数的Rc、Rs产生影响。利用几何光学模型反演重金属虽然尚且没有典型代表，但是运用二向反射机理追踪土壤中重金属污染情况也不无可能。

2 结论与展望

2.1 结论

随着各国多方位多角度星载高光谱传感器的成功发射，获取地物的光谱资料更加便捷，监测手段也更加丰富化、多样化。科学技术的进步为模型的发展提供了很好的契机，模型逐渐实现了从经验模型到物理模型的发展，普适性和鲁棒性也有所提高。本研究集中介绍了利用高光谱监测土壤重金属污染的代理物种选取、监测尺度、建模方法，为后续的研究提供参考。

2.2 展望

综上所述，通过高光谱遥感技术监测土壤光谱信息，可以为土壤动态监测和进一步推进和完善全国性数字土壤制图提供大量的有效数据支撑。随着科学进步，在后续的研究中，建立光学-理化模型可以从以下几个方面找到突破口。

1）高光谱分辨率也意味着高冗余，传统的对于高光谱数据的处理是直接将其降维成二维的数据形式（矩阵）进行处理。近些年来，张量数据处理[65]的数学条件已经非常成熟，人们可以尝试利用它处理高光谱立方体数据。

2）各种新型工具如支持向量机、遗传算法、神经元网络等的出现，应利用其更好地为选取波段[13]和建立监测土壤重金属污染的模型服务。

3）利用好海量的遥感影像数据，应更深度和广度地进行数据挖掘，用多光谱影像或多个传感器影像融合，模拟实现高光谱影像的功能，利用多时相数据进行信息的修复等操作。

4）从超富集植物的波谱曲线中提取表征因子可以迅速、准确地诊断土壤重金属污染情况，保证农作物的健康成长，为国家在食品安全方面的宏观调控提供数据支撑。

参考文献：

[1] LIU Y， JIANG Q， FEI T， et al. Transferability of a visible and near-Infrared model for soil organic matter estimation in riparian landscapes[J]. Remote Sensing， 2014， 6（5）： 4305-4322.

[2] WEI J， CHEN M， JING S， et al. Assessment of human health risk for an area impacted by a large-scale metallurgical refinery complex in Hunan， China[J]. Human & Ecological Risk Assessment，2015，21（4）：861-881.

[3] 陈述彭，童庆禧，郭华东.遥感信息机理研究[M].北京：科学出版社，1998.

[4] HUNT G R. Near-infrared（1.3-2.4） μm spectra of alteration minerals-potential for use in remote sensing[J]. IEEE Transactions on Geoscience and Remote Sensing，1979，44（12）：1974-1986.

[5] RAMOELO A， SKIDMORE A K， SCHLERF M， et al. Water-removed spectra increase the retrieval accuracy when estimating savanna grass nitrogen and phosphorus concentrations[J]. ISPRS J Photogramm Remote Sensing， 2011，66（4）：408-417.

[6] SHI T， CHEN Y， LIU Y， 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.

[7] ZABCIC N， RIVARD B， ONG C， et al. Using airborne hyperspectral data to characterize the surface pH and mineralogy of pyrite mine tailings[J]. International Journal of Applied Earth Observation and Geoinformation， 2014，32：152-163.

[8] LIU Y， JIANG Q， SHI T， et al. Prediction of total nitrogen in cropland soil at different levels of soil moisture with VIS/NIR spectroscopy[J]. Acta Agriculturae Scandinavica， Section B — Soil & Plant Science，2014，64（3）：267-281.

[9] 新華网.我国正绘制土壤重金属“人类污染图”[DB/OL].

[10] KANCHEVA R，GEORGIEV G.Assessing Cd-induced stress from plant spectral response[A].Proceedings of the Conference on Remote Sensing for Agriculture， Ecosystems，and Hydrology XVI was part of the International Symposium on Remote Sensing[C].Amsterdam，NETHERLANDS，SPIE，2014.

[11] 熊愈辉.镉污染土壤植物修复研究进展[J].安徽农业科学，2007，35（22）：5876-6878.

[12] 李坤权，刘建国，陆小龙，等.水稻不同品种对镉吸收及分配的差异[J].农业环境科学学报，2003，22（5）：529-532.

[13] SHI T， LIU H， WANG J， et al. Monitoring Arsenic contamination in agricultural soils with reflectance spectroscopy of rice plants[J]. Environmental Science and Technology， 2014， 48（11）：6264-6272.

[14] REN H， ZHUANG D， PAN J， et al. Hyper-spectral remote sensing to monitor vegetation stress[J]. Journal of Soils and Sediments，2008，8（5）：323-326.

[15] LI X， LIU X， LIU M， et al. A hyperspectral index sensitive to subtle changes in the canopy chlorophyll content under Arsenic stress[J]. International Journal of Applied Earth Observation and Geoinformation，2015，36：41-53.

[16] CASELLES J M， MORAL R， ESPINOSA A P， et al. Cadmium accumulation and dstribution in cucumber plant[J]. Journal of Plant Nutrition，2008，23（2）：243-249.

[17] RAI S， GUPTA S， MITTAL P C. Dietary intakes and health risk of toxic and essential heavy metals through the food chain in agricultural， industrial， and coal mining areas of northern India[J]. Human and Ecological Risk Assessment， 2015，21（4）：913-933.

[18] 财新网.中国土壤7%镉超标镉成首要污染物[EB/OL]. http：//chinacaixincom/2014-04-18/100666919html， 2014-04-18.

[19] 魏树和，周启星，王 新.杂草中具重金属超积累特征植物的筛选[J].自然科学进展，2003，13（12）：1259-1265.

[20] TORRESDEY J L G， VIDES J R P， MONTES M， et al. Bioaccumulation of cadmium， chromium and copper by convolvulus arvensis L.： impact on plant growth and uptake of nutritional elements[J]. Bioresource Technology， 2004， 92（3）：229-234.

[21] GUADALUPE D L R，PERALTA-VIDEA J R，MILKA M，et al. Cadmium uptake and translocation in tumbleweed （Salsola kali）， a Potential Cd-hyperaccumulator desert plant species： ICP/OES and XAS studies[J]. Chemosphere，2004，55（9）： 1159-1168.

[22] CITTERIO S， REPRINTA， SANTAGOSTINO A. Heavy metal tolerance and accumulation of Cd， Cr and Ni by Cannabis sativa L.[J]. Plant and Soil，2003，256（2）：243-253.

[23] 夏立江，王宏康.土壤污染及其防治[M].上海：華东理工大学出版社，2001.45-47.

[24] LIU Y， LI W， WU G， et al. Feasibility of estimating heavy metal contaminations in floodplain soils using laboratory-based hyperspectral data- a case study along Lean River， China[J]. Geo-spatial Information Science， 2012， 14（1）： 10-16.

[25] 关 丽，刘湘南.镉污染胁迫下水稻生理生态表征高光谱识别模型[J].生态环境学报，2009，18（8）：488-493.

[26] SONG L， JIAN J， TAN D， et al. Estimate of heavy metals in soil and streams using combined geochemistry and field spectroscopy in Wan-sheng mining area， Chongqing， China[J]. International Journal of Applied Earth Observation and Geoinformation，2014，34：1-9.

[27] MANZO C， VALENTINI E， TARAMELLI A， et al. Spectral characterization of coastal sediments using field spectral libraries， airborne hyperspectral images and topographic LiDAR Data（FHyL）[J]. International Journal of Applied Earth Observation and Geoinformation，2015，36：54-68.

[28] DIAN Y， LI Z， PANG Y. Spectral and texture features combined for forest tree species classification with airborne hyperspectral imagery[J]. Journal of the Indian Society of Remote Sensing，2015，43（1）：101-108.

[29] CHOE E， MEER F V D， RUITENBEEK F V， et al. Mapping of heavy metal pollution in stream sediments using combined geochemistry， field spectroscopy， and hyperspectral remote sensing： a case study of the todalquilar mining area， SE Spain[J]. Remote Sensing of Environment，2008，112（7）： 3222-3233.

[30] WU Y， ZHANG X， LIAO Q， et al. Can contaminant elements in soils be assessed by remote sensing technology a case study with simulated data[J]. Soil Science，2011，176（4）： 196-205.

[31] LIU M， LIU X， 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.

[32] TAN K， IEEE， YE Y， et al. Estimation of arsenic contamination in reclaimed agricultural soils using reflectance spectroscopy and ANFIS model[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2014， 7（8）：2540-2547.

[33] THOMAS K， STEFAN S. Estimate of heavy metal contamination in soils after a mining accident using reflectance spectroscopy[J]. Environment Science and Technology，2002，36（12）：2742-2747.

[34] 盧延年，刘艳芳，陈奕云，等.江汉平原土壤有机碳含量高光谱预测模型优选[J].中国农学通报，2014，30（26）：127-133.

[35] 谭炳香，李增元，陈尔学，等.EO-1 Hyperion高光谱数据的预处理[J].遥感信息，2005（6）：36-41.

[36] 李小文，王锦地.植被光学遥感模型与植被结构参数化[M].北京：科学出版社，1995.

[37] 周照艳，岳 勇，王 涛，等.PLS因子数对定量模型性能稳定性的影响分析[J].计算机工程与设计，2014，35（5）：1788-1791.

[38] 吴长山，项月琴，郑兰芬.利用高光谱数据对作物群体叶绿素密度估算的研究[J].遥感学报，2000，4（3）：228-233.

[39] 刘伟东，项月琴，郑兰芬.高光谱数据与水稻叶面积指数及叶绿素密度的相关分析[J].遥感学报，2000，4（3）：279-283.

[40] HABOUDANE D， MILLER J R， TREMBLAY N， et al. Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture[J]. Remote Sensng of Enviornment，2002，81（2-3）：416-426.

[41] 颜春燕，牛 铮，王纪华.光谱指数用于叶绿素含量提取的评价及一种改进的农作物冠层叶绿素含量提取模型[J].遥感学报，2005，9（6）：742-750.

[42] STAZI S R， ANTONUCCI F， PALLOTTINO F， et al. Hyperspectral visible-near infrared determination of arsenic concentration in soil[J]. Communications in Soil Science and Plant Analysis，2014，45（22）：2911-2931.

[43] PANDIT C M， FILIPPELLI G M， LI L. Estimation of heavy metal contamination in soil using reflectance spectroscopy and partial least squares regression[J]. International Journal of Remote Sensing，2010，31（15）：4111-4123.

[44] SHI T， CUI L， WANG J， et al. Comparison of multivariate methods for estimating soil total nitrogen with visible/near-infrared spectroscopy[J]. Plant Soil，2013，336（1-2）：363-376.

[45] WANG J， WANG T， SKIDMORE A K， et al. Evaluating different methods for grass nutrient estimation from canopy hyperspectral reflectance[J]. Remote sensing，2015，7（5）：5901-5917.

[46] 仲晓春，戴其根，何 理，等.不同浓度镉胁迫下水稻冠层光谱特征及其预测评价[J].农业环境科学学报，2012，31（3）：448-454.

[47] BOGREKCI I， LEE W S. Spectral phosphorus mapping using diffuse reflectance of soils and grass[J]. Biosystems Engineering， 2005， 91（3）： 305-312.

[48] ARKAN E， SHAHLAEI M， POURHOSSEIN A， et al. Validated QSAR analysis of some diaryl substituted pyrazoles as CCR2 inhibitors by various linear and nonlinear multivariate chemometrics methods[J]. European Journal of Medical and Chemistry，2010，45（8）：3394-3402.

[49] PARRY M L， ROSENZWEIG C， IGLESIAS A， et al. E ffects of climate change on global food production under SRES emissions and socio-economic scenarios[J]. Global Environmental Change，2004，14（1）：53-67.

[50] NICO A， RODRIGUEZ G F， ALESSANDRO P， et al. Wild area rersistent scatterer interferometry[A]. Proceedings of the IEEE Inernational Geoscience and Remote Ssensng Symposium[C]. Vancouver， Canada，2011：1481-1484.

[51] ZOBECK T M， PARKER N C， HASKELL S， et al. Scaling up from field to region for wind erosion prediction using a field-scale wind erosion model and GIS[A]. ENVIRONMENT A E A. Conference on Food and Forestry： Global Change and Global Challenges[M]. UNIV READING， READING， England，2000.13.

[52] HAPKE B. Bidirectional reflectance spectroscopy： 1. theory[J]. Journal of Geophysical Reseatch， 1981， 86（B4）： 3039-3054.

[53] JACQUEMOUD S， BARET F， HANOCQ J F. Modeling spectral and bidirectional soil reflectance[J]. Remote Sensing of Enviornment，1992，41：123-132.

[54] JACQUEMOUD S， USTIN S L， VERDEBOUT J， et al. Estimating leaf biochemistry using the PROSPECT leaf optical properties model[J]. Remote Sensing of Enviornment， 1996， 56（3）：194-203.

[55] JACQUEMOUD S， BARET F. PROSPECT： a model of leaf optical properties spectra[J]. Remote Sensing of Enviornment， 1990，34：75-92.

[56] JACQUEMOUD S， VERHOEF W， BARET F， et al. PROSPECT+SAIL models： A review of use for vegetation characterization[J]. Remote Sensing of Enviornment， 2009， 113（S1）：56-66.

[57] 陸 成.基于PROSPECT模型的叶片重金属铜含量反演研究[D].吉林：吉林大学，2010.26-36.

[58] QU Y， ZHU Y， GE X. A reflectance spectra model of heavy metal stressed leaves： advances in the PROSPECT model adding specific absorption coefficients of heavy metal ion[A]. Proceedings of the 35th International Symposium on Remote Sensing of Environment[C]. Inst Remote Sensing & Digital Earth， Beijing， China， 2014.

[59] IRONS J R， CAMPBELL G S， NORMAN J M， et al. Prediction and measurement of soil bidirectional reflectance[J]. IEEE Transactions on Geoscience and Remote Sensing，1992， 30（2）：249-260.

[60] LI X， STRAHLER A H. Geometric-optical bidirectional reflectance modeling of a conifer forest canopy[J]. IEEE Transactions on Geoscience and Remote Sensing，1986，24（6）：906-919.

[61] LI X， STRAHLER A H. Modeling the gap probability of a discontinuous vegetation canopy[J]. IEEE Transactions on Geoscience and Remote Sensing，1988，26（2）：161-170.

[62] VERHOEF W. Light scattering by leaf layers with application to canopy reflectance modeling： the SAIL model[J]. Remote Sensing of Enviornment，1984，16（2）：125-141.

[63] KUUSK A. A fast， invertible canopy reflectance model[J]. Remote Sensing of Enviornment，1995，51（3）：342-350.

[64] JACQUEMOUD S， VERHOEF W， BARET F. PROSPECT+SAIL models： A review of use for vegetation characterization[J]. Remote Sensing of Enviornment，2009，113（1）：56-66.

[65] LOVELOCK D， RUND H. Tensors， differential forms， and variational principles[M].New York：Dover Publication，1989.