基于遥感植被指数的土壤重金属含量分区反演

姚 洋，欧阳渊，袁 涛，曾 涛

（1.四川省水土保持生态环境监测总站，成都 610041；2.中国地质调查局成都地质调查中心，成都 610019；3.广元市统计局，四川 广元 628017；4.成都理工大学，成都 610059）

土壤是植被生长的基础，其污染程度直接影响农作物安全，通过高效技术手段监测土壤重金属污染情况，对地区土壤污染防治和粮食安全等有着重要意义。区域土壤重金属污染监测可以分为试验采样监测、现场直接监测和遥感反演监测三种。遥感反演监测具有成本低、数据容易获取等优势。为此，本研究将利用多光谱影像数据，分区构建最佳回归模型反演区域重金属含量，并分析研究区土壤重金属含量空间分布规律，探究工业化进程和城市发展对区域土壤重金属污染的影响。

1 研究区数据源

研究区位于四川省成都市天府新区西部片区，地处成都平原西部边缘向四川盆地过渡的地带，区内地势总体较为平坦，工业化及城市化水平较高。

1.1 遥感影像数据及预处理

植被指数是根据WorldView-3 卫星遥感影像数据各波段反射率值计算得到的。全区域由WorldView-3卫星2 景0.3 m 分辨率的全色波段数据、1.2 m 分辨率的多光谱数据与7.5 m 分辨率的短波红外数据覆盖。利用ENVI 软件将原始影像进行辐射定标、大气校正、融合镶嵌等处理后，依据研究区行政区界线完成影像裁剪，最后计算波段反射率和16 个植被指数。

1.2 土壤样品数据及预处理

土壤样品采集流程参照《土壤环境监测技术规范》（HJ/T 166—2004）。样点密度按照1 km×1 km网格布设，植被区共采集300 个土壤样品，裸地区共采集150 个土壤样品。土壤样品采集后，在实验室通过电感耦合等离子体原子发射光谱法（ICP-AES）测定过滤后土壤样品的重金属含量，得到砷（As）、钴（Co）、铬（Cr）等13 种重金属含量数据。根据粗差探测法则和异常值检验方法，剔除重金属含量数据异常值。

1.3 其他数据

其他数据主要是研究区部分土地利用情况、道路交通、行政界线等栅格和矢量数据。

2 反演模型构建

为了提高建模精度，根据土地利用数据将研究区分为三大类：植被区、裸地区和非反演区。植被区和裸土区分别采用主成分回归（PCR）、多元逐步回归（MSR）和偏最小二乘回归（PLSR）三种回归分析方法构建特征光谱变量与土壤重金属含量的回归模型，并选择最佳模型进行土壤重金属含量反演。

2.1 回归分析方法

主成分回归以原数据中多个自变量通过主成分分析获得的主成分作为新的自变量进行回归分析。多元逐步回归是一种合理选择变量参与模型建立的多元回归方法。根据自变量对因变量显著性的大小，逐步纳入回归方程，并且期望剩余平方和及剩余标准差越小（一般情况下）、回归平方和越大、精度越高的最优回归方程。偏最小二乘回归是一种统计学方法，与主成分回归相比，它是在一个新的维度寻找投影预测变量与观测变量数据的线性关系。由于数据变量和都会投影到新的空间，偏最小二乘回归被称为双线性因子回归模型。

2.2 分区建模

2.2.1 植被区建模

植被区共有采样点300 个，选取其中200 个样点建立反演模型，剩余100 个样点用作反演模型精度检验。根据相关性分析，从13 种重金属中选择2 种（As、Co），分别使用主成分回归、多元逐步回归及偏最小二乘回归建立重金属含量与植被指数和单波段反射率的回归模型。

2.2.2 裸地区建模

裸地区共有采样点150 个，为建立反演模型，本文选择了100 个样点，其余50 样点用作反演模型精度检验。选择As、Co 两种重金属元素，分别使用主成分回归、多元逐步回归及偏最小二乘回归建立重金属含量与植被指数和单波段反射率的回归模型。

2.2.3 建模精度分析

在研究区两种地类（植被区和裸地区）的三种建模方式下，分别使用平均误差（）、均方根误差（）、平均绝对误差（）和平均相对误差（）四种指标来分析模型反演精度，具体结果如表1、表2所示。由表1可知，植被区100 个检验样点的结果表明，植被区重金属As 和重金属Co 使用多元逐步回归建立的模型相对优于主成分回归、偏最小二乘回归建立的模型。裸地区使用50 个检验样点对三种方法所建立的重金属模型进行反演精度检验，结果表明，重金属As、Co 通过三种回归方法所建立的反演模型精度总体较好，如表2所示。

表1 植被区各重金属模型反演精度评价

表2 裸地区各重金属模型反演精度评价

3 最佳模型下的重金属含量空间反演

通过综合分析，在植被区，确定As 元素的最佳反演模型为多元逐步回归模型，Co 元素的最佳反演模型为偏最小二乘回归模型；在裸土区，As 元素和Co 元素的最佳反演模型都为多元逐步回归模型。通过WorldView-3 单波段栅格和提取的植被指数栅格反演，得到植被区两种重金属含量空间分布，并利用样点重金属含量数据，使用克里金插值方法得到非反演区As、Co 含量的空间分布。联合植被区、裸土区和非反演区重金属空间分布情况，得到研究区土壤重金属As、Co 含量空间反演成果，如图1所示。

由图1可以看出，在建筑密集区与云区，重金属含量相对其他区域较高，其从建筑密集区向周围逐渐降低。整体来看，研究区内重金属As 与Co 含量分布都呈现西北高、东南低的总体特征，由于研究区北部及西北部紧邻成都市主城区，且西北部为主要工业集中区，工业生产和人类活动是造成区域内土壤重金属含量较高的主要因素。

图1 研究区土壤重金属As、Co 含量空间反演成果

4 结论

在土壤重金属含量与植被指数、单波段反射率的相关性分析中，植被区土壤重金属含量与植被指数的相关性强于单波段反射率，而裸地区反之，因此将研究区内不同植被覆盖情况的区域分区建模反演，这在一定程度上能够提高总体精度。对比发现，多元逐步回归和偏最小二乘回归建立的模型较好。本研究将植被区与裸地区反演结果合并，并补充云区与建筑密集区，得到土壤重金属As 和Co 的全区域含量空间分布。研究结果表明，土壤重金属As 和Co 含量较高的地区主要集中在研究区西北部和建筑密集区，土壤重金属含量较高可能是人类活动和工业生产所致。