基于高光谱遥感的镉污染潜在风险估算

王丹羽,王 汶*,赵彦云

基于高光谱遥感的镉污染潜在风险估算

王丹羽1,王 汶1*,赵彦云2

(1.中国人民大学环境学院,地理空间信息研究中心,北京 100872；2.中国人民大学统计学院,北京 100872)

为探究高光谱遥感快速监测镉污染的可行性,本文利用2002年以来农田土壤重金属镉实测数据,镉的标准原子光谱曲线数据,HSI(Hyperspectral Imaging Radiometer)高光谱遥感卫星数据,选取长江流域10个地区作为研究区,基于随机森林法估算镉污染的潜在风险空间分布值.结果表明:通过原子标准光谱曲线选择特征波段是可行的,能够极大简化特征波段选取流程;随机森林法具有估算土壤重金属镉含量的能力,预测准确度较高;长江流域镉污染超标问题普遍存在,大部分研究区超标率高于8%,其中上游地区镉污染较中下游地区更为严重,上游研究区镉污染超标率均大于20%.

高光谱遥感；重金属镉；随机森林；HSI

重金属对土壤的侵袭并在土壤中不断累积是自然环境中十分普遍的现象,包括镉在内的土壤重金属引发的土壤污染问题给粮食安全带来了威胁与挑战.因此,治理重金属污染迫在眉睫.建立一个快速、宏观和动态的监测和评估系统,对农业生态系统中与重金属污染有关的风险水平进行监测意义重大.

传统的土壤重金属检测主要采用野外采样－实验室理化分析的方法[3-5],这种方法具有精度高、预测结果更准确的特点,但需要消耗大量的人力、物力、财力和时间,不适合监测大空间范围内污染物含量分布的连续信息,对生态环境信息的综合分析能力较弱,难以发展成效率高、用途广、速度快的生态环境污染监测技术[6-7].近年来,高光谱遥感已被广泛应用于许多领域,包括环境、植被、土壤和水体等[8-9],其动态性和高效率的优势为快速获取地球表面物质的物理和化学信息带来了新的思路.研究人员已经建立了表面反射率和土壤参数之间的各种估计模型,证明了高光谱对重金属估算具有可行性.

前人在土壤重金属反演方面做了大量的研究,主要集中在特征光谱提取方法和模型优化方面[1,10-11],模型选取以线性回归模型为主,利用非线性模型进行反演的研究较少;反演方法集中于光谱的数学变换,未根据物质本身的特征光谱曲线进行估算;高光谱数据来源主要为覆盖范围较小、耗费较高且大部分研究者难以获取的地面光谱数据或机载光谱数据,未利用覆盖范围广、更容易获取的高光谱遥感卫星数据进行土壤表层反演估算.本研究针对镉的特征光谱曲线,以长江流域10个典型区为例,通过研究区镉含量传统检测值数据;利用HJ-1A星空间调制型干涉高光谱成像仪 (HSI)高光谱遥感数据进行土壤表层镉含量反演;采用随机森林的方法建立研究区镉含量估算模型,实现研究区重金属镉污染分级特征表达.

1 数据与方法

1.1 研究区概况

长江流域(90°E～122°E,24°N～35°N)横跨中国东部、中部和西部3大经济区,共计19个省、市、自治区,总面积180万km2,流域内有丰富的自然资源.研究区镉污染形势严峻[12],一方面,人口众多,人类活动复杂,对环境影响大;另一方面,长江流域是重要的粮食产区,土壤镉污染给粮食安全带来的影响巨大.本文根据数据可得性、可用性和差异性,选取长江流域10个典型区域作为研究区.表1展示了研究区的地理位置、气候类型、土地利用方式以及经济水平等信息.

表1 研究区概况

1.2 数据来源及预处理

土壤污染常常表现为面源污染,具有治理难度大、污染物分布潜伏期长的特点[13],因此在5a、10a甚至更久的时间,土壤重金属镉污染数值等级及空间分布不会有太大的差异;同时,土壤污染测定难度也更大,数据更新速度较慢,因此为了满足大区域尺度的研究,实测数据选择使用了2002～2015年的数据,卫星遥感数据为2008年以来的数据.

研究区土壤表层土壤重金属镉含量统计数据通过Duan等[14]公开发表的论文数据集和国家生态科学数据中心资源共享服务平台[15]获得,“某市(县)重金属”关键词搜索,同一地区以最新年尾为准.研究共挑选了850篇公开发表的论文,测量了2358个样本,其中150个在研究区内.研究利用ArcGIS软件对上述资料进行了统计分析与制图处理.本文采用随机采样法,在所有样品经过风干、粉碎、筛分和溶解之后,用土壤表层(0～10cm或0～20cm)的原子吸收分光光度法测定单个样品中重金属镉的浓度,土壤样品分析测试的平均偏差低于10%.为保证分析结果的可靠性,在展开各项分析前需对重金属样本数据进行检验处理以剔除异常样本.这些异常样本通常位于矿区和工业区,样本点的土壤金属含量可能存在异常值,给模型拟合带来偏差,因此予以剔除.研究通过数据分布直方图剔除异常值,剩余2286个数据.

本文使用的HJ-1A星HSI数据采用干涉成像光谱技术,其光谱分辨率最高达2.08nm,波长范围为450～950nm,共115个波段.HJ-1A星HSI数据具有较高的光谱分辨率,可在对地观测的同时获取众多连续波段的地物光谱图像,达到从空间直接识别地球表面物体的目的[16].HSI-L2产品经过辐射校正和系统几何纠正.几何定位精度在1km左右,误差分布较均匀.HSI数据预处理流程如图1.

图1 高光谱遥感数据预处理流程

HSI-L2级产品数据集为辐射亮度产品,以无符号整型数据记录,数值范围为0～65535.实际上,由于地物的辐射亮度值很小,在产品产生时乘以扩大系数100,因此在应用时,只需要将各波段数值除以系数100,即可得到单位W/(m2×sr×mm)的绝对辐射亮度值图像.

HSI-L2数据都采用HDF5格式,无法直接通过遥感图像软件进行处理,因此需要通过中国资源卫星中心提供的软件将其转换为GeoTIFF格式.

在HSI-L2数据的部分波段上能看到明显的条纹,严重影响了图像的质量和应用.研究通过Matlab对影像进行条带去除,并通过ENVI进行了FLAASH大气校正.

此外,考虑到研究区内秋冬季节植被覆盖少从而更容易获取土壤表面的影像数据,本研究选择2008年以来秋冬季(10月～次年3月)且云量少于5%的影像共410幅进行实验.

1.3 研究方法

1.3.1 建模因子选取 镉的光谱曲线从ASD标准光谱库中获得.反射强度大于1000的波段为441.30～ 466.24,533.75～538.19,643.85,734.57nm.研究认为,在光谱进行微分变换前,在可见光波段的土壤镉含量探测能力要强于近红外波段[17-18],因此可将标准光谱反射强度大的波段作为重金属镉的特征波段.对应HSI-L2数据的6个特征波段为B31、B32、B33、B64、B83、B84.

土壤镉含量与特征波段反射率为非线性关系,且这6个波段与实测镉含量的相关系数较高,因此在建模中排除了线性模型的使用.由于数据集体量较小,使用深度神经网络进行建模极易出现过拟合的现象[19].随机森林算法本质上是一种适用于小规模数据的机器学习算法,它通过构建决策树来进行数据分类.随机森林算法具有对参数不敏感、不容易过拟合和训练速度快等优点,在使用条件上与本实验的条件和需求相符,因此研究采用随机森林算法对土壤表层镉含量进行估算建模.

1.3.2 随机森林回归模型 随机森林(RF)是一种基于决策树的集成学习算法,其通过Bootstrap取样法从个训练样本中有放回地随机选取个样本得到个子集,并对每个子集单独训练一棵决策树,将棵决策树预测结果的平均值作为回归随机森林的输出.

本文以分类回归树(CART)为基本单元建立随机森林回归模型.CART算法生成回归树的步骤如下:

(1)对于由训练数据集所构成的输入空间,通过遍历特征及其对应的取值,利用平方误差最小准则选择最优的和,优化目标为

(2)用选定的最优和,将输入空间划分为1和2两个子空间,并决定相应的输出均值1和2.

(3)对1和2两个子空间继续执行步骤(1)～(2),直至没有特征可以继续划分.此时,所有节点即可构成回归树.

在随机森林算法的建模过程中,利用土壤表层实测镉含量数据作为数据集,按照7:3的比例划分为训练集和验证集进行模型训练.所建模型以6个特征波段的反射率对数为自变量,以该点的实际土壤表层镉含量为因变量进行随机森林模型的训练.

2 结果与讨论

2.1 模型精度分析

研究使用sklearn库的随机森林模型进行训练和预测,使用pandas和numpy库进行数学分析和评价指标的计算,并利用matplotlib进行图像的绘制.随机森林回归模型以重金属镉元素的特征波段作为输入变量,以其真实的含量值作为输出.在建立模型的过程中需要确定两个关键参数:决策树数量和决策树特征数量,实验中通过网格搜索和交叉验证确定上述参数的取值.将平均绝对百分误差(MAPE)和相对分析误差(RPD)作为判断依据,若使模型输出的MAPE均值最小,RPD均值最大,则为最佳参数.按照上述方法确定随机森林回归模型的决策数量为10,决策树特征数量为6.建模结果如图2所示:

图2 随机森林模型反演重金属镉的实测与预测曲线

由图2可见,预测数据集曲线与实测数据集曲线走向基本保持一致,预测结果较好.在模型训练收敛后,采用均方误差(MSE)、均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)对模型的结果进行精度评价分析.精度验证结果见表2.

表2 随机森林反演重金属镉精度验证

为进一步验证模型的可靠性,并观察模型对不同研究区的验证结果,选用皮尔森相关系数对研究结果进行二次验证.皮尔森相关系数适用于:(1)变量之间是线性关系,都是连续数据;(2)变量的总体是正态分布,或接近正态分布的单峰分布;(3)变量的观测值是成对的,每对观测值之间相互独立.

研究数据符合皮尔森相关系数的3个特点.将研究区同一位置的实测采样点与估算结果进行皮尔森相关性分析,从而二次验证随机森林模型估算的效果,结果如表3所示.

表3 研究区模型进度二次验证

注:结果为正数即为正相关,负数则为负相关.结果的绝对值分级如下:0.8～1.0极强相关,0.6～0.8强相关,0.4～0.6中等程度相关,0.2～0.4弱相关,0～0.2无相关.

由表3可知,除凉山彝族自治州外的其余10个研究区实测采样点与对应的估算结果相关系数均大于0.6,说明这些点的模型拟合效果较好,最终反演得到的估算结果具有说服力,只有凉山彝族自治州在模拟运算中不具备良好的相关性结果,因此随机森林算法模型对凉山地区的估算效果较差.

2.2 重金属镉风险等级划分

由于高光谱卫星遥感距离地球表面远,是一种不与土壤接触,只通过地表反射率进行定量分析的方法,因此地表反射光谱经过大气层时会对光线造成一定的改变,最终导致高光谱卫星遥感定量分析土壤重金属镉含量过程中精确度的损失.为了使本研究的评价结果更具可信度,研究根据《土壤环境质量农用地土壤污染风险管控标准(试行)》[20]中对重金属污染物镉的风险等级进行筛选评价,对研究区的镉污染潜在风险进行定性分析.

由表4可知,重金属污染物镉在水田和其他土地利用类型中的标准不同,同时,在不同pH值下的评价标准也不同,因此在对重金属污染物镉进行风险等级评价时,除了模型预测结果重金属镉含量数据外,还需要结合土地利用类型数据和土壤表层pH值数据.将重金属污染物镉的风险等级划分为低风险、高风险、超标共3个等级,不同风险等级的筛选值不同,应对方法和处理措施也不同,具体如下:

表4 土壤环境质量农用地重金属镉污染风险管控标准

(1)低风险:当土壤表层中重金属镉含量£低风险值时,表示农用地土壤表层重金属镉污染风险低,一般情况下可以忽略;>低风险值时,农用地表层土壤可能存在重金属镉污染风险,应加强对土壤表层环境重金属镉污染和农产品质量协同监测.

(2)高风险:当土壤表层中的重金属镉含量>低风险值、£高风险值时,存在食用农产品质量不符合质量安全标准等土壤表层重金属镉污染风险,应当采取农艺调控、替代种植等安全利用土壤的措施.

(3)超标:当土壤表层中的重金属镉含量>高风险值时,食用农产品不符合质量安全标准等农用地土壤表层重金属镉污染风险高,且无法通过安全利用的措施降低食用农产品不符合质量安全标准等农用地土壤表层重金属镉污染风险,应当采取禁止种植食用农产品、退耕还林等严格的土壤管控措施.地表重金属镉的风险等级划分结果如图3所示.

本研究中攀枝花、凉山彝族自治州、毕节市属于长江上游流域;湘西土家族苗族自治州、岳阳市、武汉市、黄石市、上饶市属于长江中游流域;安庆市、合肥市属于长江下游流域.研究发现,高值区多出现在富含金属矿产、工业发达和人口密度较大的区域,并且沉积物污染处于增加趋势.由图3可知,研究区大部分地区土壤表层重金属镉污染风险等级为高风险的占比最大,各个地区均存在镉污染超标情况,按照上下游分布来看,上游整体的污染风险和超标地区占比要大于下游地区,这与姜宇等[21-22]的研究结果一致.

图4 研究区土壤表层重金属镉污染风险等级占比

上游:长江上游流域受人类活动影响较小,并且受国家政策的保护,其污染源主要为沉积物源区不同矿物元素的沉积分选以及岩石自然风化等自然源[23],一些工业区主要受人为源影响.攀枝花市位于长江上游下部,矿区工业活动以及中国西南地区城市化进程的加快,都会造成重金属累积.Wu等[24-25]发现,上游中下部地区钒钛磁铁矿基地——攀枝花地区的工业活动对长江上游重金属分布也有一定影响;凉山彝族自治州在本研究中预测结果不佳,其中凉山彝族自治州的模型拟合效果较差,这可能是由于凉山彝族自治州山体较多、山形高大、下垫面状况复杂造成空间分辨率差的遥感影像易受干扰,另外,研究的实测采样点集中于同一山谷分布聚集,不能很好地体现空间异质性,对建模结果造成影响;毕节市的煤炭蕴藏量长江以南之冠,当地煤炭资源具有分布广、储量大、质量优、易开采等优势,这同时可能导致了土壤表层重金属镉污染的加剧.

中游:长江中游流域的工业和经济迅速发展,受人类活动的影响较大,其污染源主要为人为源.长江中游武汉段的沉积物重金属研究发现,镉是该段污染程度最高的重金属元素,另外Zn、Cu也有一定程度的积累,它们表现出更高的生物有效性,会构成较大的生态风险,目前已确定城市污水和工业废水的排放为该段的主要污染源[26].Fang等[27]对湖南湘江的沉积物重金属研究也发现,镉是污染最严重的元素,重金属污染主要来自于自然过程和人类活动(当地开采和冶炼矿石等).Luo等[28]对长江中下游平原 62个湖泊的表层沉积物进行分析,发现受到位于长江中游及其南岸的矿山和现代工业的严重污染,长江中游和南岸湖泊具有较高的金属积累量;上饶市处于鄱阳湖湖积冲积平原东部,地势平坦,土壤肥沃,河网交错、水源丰富,属农业土壤,是发展农业的天然场所,生产粮食的理想基地,全区土地总面积占全省土地总面积的13.65%,其中耕地面积占全区总土地面积的73.76%[29],因此受农业种植影响导致高风险区域占比大的可能性极高.

下游:作为中国最发达的地区之一,具有非常活跃的陆海相互作用,其近海沉积物主要由黏性淤泥和粉砂组成[30],最容易感受到上游土壤径流以及沿岸人为扰动的影响,其沉积物中的重金属来源于化学风化、大气沉降、陆地迁移,各形态间转化以及周围陆地的人类活动,其中最主要来自陆地迁移及人类活动[31-32].

2.3 讨论

针对研究存在的不足,可以在以下几个方面进行提高:随机森林建模的方法对于温带季风气候区存在估算值与实际值呈负相关的可能性,在后续的研究中,可将是否存在这种关系作为研究的重点;镉污染模型的选择复杂多样,需要在条件允许的情况下多进行一些方法的对比研究,以期筛选出最优模型,提高土壤表层镉污染风险等级估算的精度;在研究条件允许的情况下,在遥感数据预处理的步骤加入对高光谱遥感数据混合像元的分解,从而进一步提高模型估算的精度;影响高光谱卫星遥感测定地表土壤中重金属镉分布状况的研究的因素很多,例如大气状况、植被覆盖或其他地表覆盖物、传感器质量及稳定性、其他人为因素等,期待后续研究针对这些影响因素进一步评估与分析.

3 结论

3.1 本研究以长江流域除青藏高原部分中根据自然地理条件和人口经济数据选取的12个地区为研究区,利用2008年以来的HJ-1A星HSI传感器高光谱遥感卫星数据、标准原子光谱数据、150个土壤重金属镉实测数据为基础,综合土地利用数据、pH值数据等,选取了随机森林法建模,利用相关性分析对模型进行二次验证,实现了对地表重金属镉的污染风险的评估.

3.2 直接通过镉原子标准光谱曲线选取反射峰(吸收峰)的波段作为对应镉元素在高光谱遥感中的特征波段的方法是可行的,能够通过特征波段建立起较为准确的预测模型;随机森林建模的方法对于大尺度区域土地表重金属镉污染的风险监测在长江流域除青藏高原外的大部分抽样地区具有可信度,尤其是亚热带季风气候区,对于温带季风气候区存在估算值与实际值呈负相关的可能性.

3.3 长江流域除青藏高原地区地表重金属镉污染状况不乐观,在随机森林法建议的预测模型下,12个研究区大部分地区地表重金属镉污染风险等级为高风险的占比最大,各个地区均存在镉污染超标情况,上游整体的污染风险和超标地区占比要大于中游、下游地区.上游地区的地表重金属镉污染主要由矿产资源相对丰富、工业活动技术落后且活跃造成;中游地区的地表重金属镉污染主要由于工业经济的迅速发展和人类活动导致;下游地区的地表重金属镉污染与农业种植、人口密度大、人类活动历史悠久污染程度大有关.

[1] 环境保护部和国土资源部.全国土壤污染状况调查公报 [J]. 资源与人居环境, 2014,(4):26-27.

Ministry of Environmental Protection and Ministry of Land and Resources. National soil contamination survey bulletin [J]. Resources and Habitat, 2014,(4):26-27.

[2] 胡青青,聂超甲,沈 强,等.矿业废弃复垦地主导作物重金属健康风险评价 [J]. 农业环境科学学报, 2019,38(3):534-543.

Hu Q Q, Nie C J, Shen Q, et al. Health risk assessment of heavy metals in dominant crops on mining abandoned reclamation sites [J]. Journal of Agro-Environment Science, 2019,38(3):534-543.

[3] 艾孜提艾力·克依木,李新国.基于连续小波变换的土壤重金属含量反演模型 [J]. 环境科学与技术, 2022,45(1):201-207.

Ai K, Li X G. Inversion model of soil heavy metal content based on continuous wavelet transform [J]. Environmental Science and Technology, 2022,45(1):201-207.

[4] 王惠敏,谭 琨,武复宇,等.基于光谱吸收特征的土壤重金属反演及吸附机理研究(英文) [J]. 光谱学与光谱分析, 2020,40(1):316-323.

Wang H M, Tan K, Wu F Y, et al. Inversion and sorption mechanism of heavy metals in soil based on spectral absorption characteristics [J]. Spectroscopy and Spectral Analysis, 2020,40(1):316-323.

[5] 郭 飞,许 镇,马宏宏,等.基于PCA的土壤Cd含量高光谱反演模型对比研究 [J]. 光谱学与光谱分析, 2021,41(5):1625-1630.

Guo F, Xu Z, Ma H H, et al. A comparative study of hyperspectral inversion models for soil Cd content based on PCA [J]. Spectroscopy and Spectral Analysis, 2021,41(5):1625-1630.

[6] 贺军亮,韩超山,韦 锐,等.基于偏最小二乘的土壤重金属镉间接反演模型 [J]. 国土资源遥感, 2019,(4):96-103.

He J L, Han C S, Wei R, et al. A partial least squares based indirect inversion model for soil heavy metals Cd [J]. Remote Sensing for Land and Resources, 2019,(4):96-103.

[7] 郭学飞,曹 颖,焦润成,等.基于高光谱的北京铁矿区土壤重金属镍元素含量反演研究 [J]. 土壤通报, 2021,52(4):960-967.

Guo X F, Cao Y, Jiao R C, et al. Hyperspectral-based inversion study of heavy metal nickel content in soils of iron ore mining areas in Beijing [J]. Chinese Journal of Soil Science, 2021,52(4):960-967.

[8] 冯丽慧.矿区塌陷区遥感影像改进自适应维纳滤波算法 [J]. 金属矿山, 2016,(7):151-154.

Feng H L. Improved adaptive wiener filtering algorithm for remote sensing images of mine subsidence area [J]. Metal Mine, 2016,(7): 151-154.

[9] 浦瑞良,宫 鹏.森林生物化学与CASI高光谱分辨率遥感数据的相关分析 [J]. 遥感学报, 1997,(2):115-123.

Pu R L, Gong P. Correlation analysis of forest biochemistry with CASI remote sensing data at high spectral resolution [J]. National Remote Sensing Bulletin, 1997,(2):115-123.

[10] Bowers S A. Reflection of radiant energy from soils [Z]. Kansas State University, 1971.

[11] 何 飞.行星空间环境光学遥感 [J]. 科学通报, 2020,65:1305-1319.

He F, Optical remote sensing of planetary space environment [J]. Chinese Science Bulletin, 2020,65:1305-1319.

[12] Yuan X, Xue N, Han Z. A meta-analysis of heavy metals pollution in farmland and urban soils in China over the past 20 years [J]. Journal of Environmental Sciences, 2021,101:217-226.

[13] 郭西亚,高 敏,张 杰,等.阳澄湖沉积物重金属空间分布及生物毒害特征 [J]. 中国环境科学, 2019,39(2):802-811.

Guo X Y, Gao M, Zhang J, et al. Spatial distribution and biotoxic characteristics of heavy metals in sediments of Yangcheng Lake [J]. Chinese Environmental Science, 2019,39(2):802-811.

[14] Duan Q, Lee J, Liu Y, et al. Distribution of heavy metal pollution in surface soil samples in China: a graphical review [J]. Bulletin of environmental contamination and toxicology, 2016,97(3):303-309.

[15] 宋 歌,施建平,侯卫龙,等.1995～2011年CERN土壤环境元素含量数据集 [J]. 中国科学数据(中英文网络版), 2017,2(1):11-26,130- 148.

Song G, Shi J P, Hou W L, et al. CERN soil environmental elemental content dataset from 1995 to 2011 [J]. China Scientific Data, 2017, 2(1):11-26,130-148.

[16] 钮立明,蒙继华,吴炳方,等.HJ-1A星HSI数据2级产品处理流程研究 [J]. 国土资源遥感, 2011,(1):77-82.

Niu L M, Meng J H, Wu B F, et al. HJ-1A star HSI data level 2 product processing flow study [J]. Remote Sensing for Land and Resources, 2011,(1):77-82.

[17] 何 挺.土地质量高光谱遥感监测方法研究 [D]. 武汉:武汉大学, 2003.

He T. Research on hyperspectral remote sensing monitoring method for land quality [D]. Wuhan: Wuhan University, 2003.

[18] 兰 淼,杨 斌,宋 强,等.矿区土壤重金属Cd高光谱建模与模型适应性分析 [J]. 安徽工程大学学报, 2021,36(5):47-55.

Lan M, Yang B, Song Q, et al. Hyperspectral modeling and model adaptation analysis of heavy metal Cd in mining soils [J]. Journal of Anhui Polytechnic University, 2021,36(5):47-55.

[19] 邹 滨,涂宇龙,姜晓璐,等.土壤Cd含量实验室与野外DS光谱联合反演 [J]. 光谱学与光谱分析, 2019,39(10):3223-3231.

Zou B, Tu Y L, Jiang X L, et al. Combined laboratory and field DS spectral inversion of soil Cd content [J]. Spectroscopy and Spectral Analysis, 2019,39(10):3223-3231.

[20] 生态环境部.土壤环境质量农用地土壤污染风险管控标准(节选) [J]. 腐植酸, 2018,(4):58-61.

Ministry of Ecology and Environment. Soil environmental quality soil contamination risk control standards for agricultural land [J]. Humic Acid, 2018,(4):58-61.

[21] 姜 宇,郭庆军,邓义楠.长江流域沉积物和土壤重金属分布规律研究进展 [J]. 生态学杂志, 2022,41(4):804-812.

Jiang Y, Guo Q J, Deng Y N. Progress of research on the distribution patterns of heavy metals in sediments and soils in the Yangtze River Basin [J]. Chinese Journal of Ecology, 2022,41(4):804-812.

[22] 盛维康,侯青叶,杨忠芳,等.湘江水系沉积物重金属元素分布特征及风险评价 [J]. 中国环境科学, 2019,39(5):2230-2240.

Sheng W K, Hou Q Y, Yang Z F,et al. Distribution characteristics and risk evaluation of heavy metal elements in sediments of Xiangjiang River water system [J]. China Environmental Science, 2019,39(5): 2230-2240.

[23] Wu W, Zheng H, Xu S, et al. Trace element geochemistry of riverbed and suspended sediments in the upper Yangtze River [J]. Journal of Geochemical Exploration, 2013,124:67-78.

[24] Bing H, Zhou J, Wu Y, et al. Current state, sources, and potential risk of heavy metals in sediments of Three Gorges Reservoir, China [J]. Environmental Pollution, 2016,214:485-496.

[25] Yuan Q, Wang P, Wang C, et al. Metals and metalloids distribution, source identification, and ecological risks in riverbed sediments of the Jinsha River, China [J]. Journal of Geochemical Exploration, 2019, 205:106334.

[26] Yang Z, Wang Y, Shen Z, et al. Distribution and speciation of heavy metals in sediments from the mainstream, tributaries, and lakes of the Yangtze River catchment of Wuhan, China [J]. Journal of Hazardous Materials, 2009,166(2/3):1186-1194.

[27] Fang X, Peng B, Wang X, et al. Distribution, contamination and source identification of heavy metals in bed sediments from the lower reaches of the Xiangjiang River in Hunan province, China [J]. Science of the Total Environment, 2019,689:557-570.

[28] Luo M, Yu H, Liu Q, et al. Effect of river-lake connectivity on heavy metal diffusion and source identification of heavy metals in the middle and lower reaches of the Yangtze River [J]. Journal of Hazardous Materials, 2021,416:125818.

[29] 陶美霞,胡 虎,胡兰文,等.上饶市某铜矿废弃地土壤重金属污染特征及健康风险评价 [J]. 生态环境学报, 2018,27(6):1153-1159.

Tao M X, Hu H, Hu L W, et al. Characteristics of heavy metal contamination and health risk evaluation of soil at a copper mine abandoned site in Shangrao City [J]. Ecology and Environment, 2018, 27(6):1153-1159.

[30] He Z, Li F, Dominech S, et al. Heavy metals of surface sediments in the Changjiang (Yangtze River) Estuary: distribution, speciation and environmental risks [J]. Journal of Geochemical Exploration, 2019, 198:18-28.

[31] Li L, Jiang M, Liu Y, et al. Heavy metals inter-annual variability and distribution in the Yangtze River estuary sediment, China [J]. Marine pollution bulletin, 2019,141:514-520.

[32] 周广强,谢 英,吴剑斌,等.基于WRF-Chem模式的华东区域PM2.5预报及偏差原因 [J]. 中国环境科学, 2016,36(8):2251-2259.

Zhou G Q, Xie Y, Wu J B, et al. Based on WRF-Chem model, the PM2.5forecast and deviation reason in East China region [J]. China Environmental Science, 2016,36(8):2251-2259.

致谢：本实验的现场采样数据是由Duan等人和国家生态科学数据中心资源共享服务平台等完成的公开数据集,在此表示感谢.

Potential risk assessment of cadmium pollution using hyperspectral remote sensing.

WANG Dan-yu1, WANG Wen1*, ZHAO Yan-yun2

(1.Center for Spatial Information, School of Environment and Natural Resources, Renmin University of China, Beijing 100872, China；2.School of Statistics, Renmin University of China, Beijing 100872, China)., 2022,42(11)：5276～5284

Cadmium (Cd), one of the major heavy metal pollutants in soil, is known to be hazardous and difficult to manage. An understanding of its quantitative spatial distribution characteristics in soil and the development of rapid monitoring methods are very helpful for ecosystem security and human health. This study utilised the Random Forest model to estimate the spatial distribution of potential Cd pollution risk levels in the Yangtze River basin, using soil Cd field data (2002～2015) collected from 10sites along the river basin and HSI hyperspectral remote sensing satellite data. The results showed that: (1) Using atomic standard spectral curve can greatly simplify the process of characteristic bands selection for Cd in soil; (2) Random Forest modelling is a good method for estimating the Cd content in soil at a high accuracy; (3) Cd pollution is widespread in the Yangtze River basin area. The majority of the study areas were found having more than 8% higher Cd in soil than the Chinese Environmental Quality Standard for Cd pollution, with the upstream area more serious than the rest of the basin. The main conclusions are: (1) It is feasible to use the standard spectral curve of Cd atoms for hyperspectral band selection for Cd risks inversion. A more accurate prediction model can be established through the selected characteristic bands. (2) The Random Forest modelling approach for large scale risk monitoring of Cd pollution in soil showed its credibility in most of the sampling areas in the Yangtze River basin except areas in the Qinghai-Tibet Plateau, especially in the Subtropical Monsoon Climate zone. (3) The Random Forest model prediction showed that Cd pollution exceeded the Environmental Quality Standard in all study areas, where most areas had a large portion of land surfaces at high risk levels. Along the river basin, the overall Cd pollution risk and the proportion of areas exceeding the standard in the upstream area is greater than that in the midstream and downstream areas. This finding agreed with the results of other studies. (4) The study showed that the surface Cd pollution in the upstream area is mainly caused by relatively abundant mineral resources and the backward and active of industrial activities, where in the midstream area is mainly due to the rapid industrial and economic development; and in the downstream area is related to agricultural cultivation, high population density and long history of human activities at a high pollution level.

hyperspectral remote sensing；heavy metal Cd；random forest；HSI

X53

A

1000-6923(2022)11-5276-09

王丹羽(1996-),女,河北石家庄人,中国人民大学硕士研究生,主要从事资源与环境可持续发展遥感研究.

2022-04-28

中国人民大学科学研究基金资助重大规划项目(17XNLG09)

* 责任作者, 教授, wenw@ruc.edu.cn