土壤Cd含量实验室与野外DS光谱联合反演

引用本文

邹滨, 涂宇龙, 姜晓璐, 陶超, 周茉, 熊立伟. 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 Bin, TU Yu-long, JIANG Xiao-lu, TAO Chao, ZHOU Mo, XIONG Li-wei. Estimation of Cd Content in Soil Using Combined Laboratory and Field DS Spectroscopy[J]. Spectroscopy and Spectral Analysis, 2019,39(10): 3223-3231.
Doi:10.3964/j.issn.1000-0593(2019)10-3223-09 复制到剪切板

Permissions

光谱学与光谱分析所有

土壤Cd含量实验室与野外DS光谱联合反演

邹滨, 涂宇龙, 姜晓璐, 陶超, 周茉, 熊立伟

中南大学有色金属成矿预测与地质环境监测教育部重点实验室, 地球科学与信息物理学院, 湖南长沙 410083

作者简介: 邹滨, 1981年生, 中南大学地球科学与信息物理学院教授 e-mail: 210010@csu.edu.cn

收稿日期: 2018-08-23 接受日期: 2018-12-12

基金: 环保公益性行业科研专项经费项目(201509050), 中国博士后科学基金特别资助项目(2013T60780), 中南大学“创新驱动计划”项目(2015CXS005), 湖南省自然科学基金项目(2017JJ3378)和教育部重点实验室开放基金项目(2017YSJS07)资助

摘要

土壤重金属高光谱遥感建模理论上能够大大降低传统化学分析测定所需成本, 正逐步发展为有效探查土壤污染空间分布与开展污染土壤综合防治的关键技术。然而土壤重金属高光谱遥感调查技术目前多局限于稳定可控条件下的实验室光谱模型, 野外诸多因素(光照、湿度、土壤粗糙度等)影响下野外原位光谱模型的有效性已成为困扰该项技术大范围推广亟待突破的关键科学问题。以湖南衡阳市某矿区为例, 分别利用ASD地物光谱仪和等离子发射光谱法测定46个土壤样品350~2 500 nm的实验室光谱和Cd含量, 并在土壤取样时同步测量样品野外原位光谱。在运用DS(direct standardization)转换算法处理野外光谱的基础上, 融合实验室光谱先验知识, 基于主成分逐步回归建模方法开展了土壤Cd含量实验室与野外原位DS光谱联合反演实验, 交叉验证了模型的稳定性。同时为深入探究实验室与野外原位DS光谱联合反演模型的有效性, 将其与基于实验室光谱、野外原位光谱、野外原位DS光谱、实验室与野外原位光谱联合建立的主成分逐步回归模型开展了对比分析。结果表明: 野外原位光谱反演模型精度( R²=0.56)明显低于实验室光谱反演模型( R²=0.64), 野外原位DS光谱反演模型与之相比精度有所提升( R²=0.66); 在野外原位光谱DS转换校正基础上, 联合实验室光谱先验知识的土壤Cd含量反演模型精度最高, R²可达0.72。与此同时, 实验室与野外原位DS光谱联合反演模型揭示482, 565, 979和2 206 nm波段对研究区土壤Cd含量有较好指示性, 此结果与实验室光谱反演模型所识别的特征波段一致, 两者物理意义相同。研究结果证实了实验室光谱先验知识以及DS转换算法能够提升野外原位光谱模型的可靠性, 可为发展土壤Cd含量野外原位高光谱遥感探测提供重要的提供理论与方法支撑。

关键词: 土壤; 重金属; 高光谱; DS转换; 遥感反演

中图分类号:TP79 文献标志码:A

Estimation of Cd Content in Soil Using Combined Laboratory and Field DS Spectroscopy

ZOU Bin, TU Yu-long, JIANG Xiao-lu, TAO Chao, ZHOU Mo, XIONG Li-wei

The Key Laboratory of Metallogenic Prediction of Nonferrous Metals and Geological Environment Monitoring (Central South University), Ministry of Education, School of Geoscience and Info-Physics, Changsha 410083, China

Abstract

Theoretically, hyperspectral remote sensing aided content estimation of soilheavy metal can greatly reduce the cost of conventional chemistries. As a result, hyperspectral remote sensing is gradually becoming a key technology to effectively explore the spatial distribution of soil heavy metal and consequently guide theprevention and remediation of heavy metal polluted soil. However, currently reported hyperspectral retrieval models for soil heavy metal estimation are mostly with laboratory spectra under specifically controlled conditions. Due to the impacts of environmental factors, such as illumination, soil moisture content, and roughness onin-situ field spectra, the wide implementation of in-situ field spectra based remote sensing detection of soil heavy metal is still experiencing the difficulty of reliability. For this, 46 soil samples were firstly collected from a mining area in Hengyang of Hunan Province, China. Then the spectra (ranged 350~2 500 nm) and Cd content of these soil samples were measured using ASD field spectrometer and ICP-atomic emission spectrometry under in-situ field and laboratory conditions, respectively. Then, considering the prior knowledge of laboratory spectra, the principal stepwise regression method was used to develop the Cd content estimation model based on combined laboratory and direct standardization (DS) algorithm transformed in situ field DS spectra with the model robust test by cross-validation. In order to further prove the effectiveness of the model with combined laboratory and DS transformed in-situ field DS spectra, the performance of this model was then compared with four types of hyperspectral remote sensing models including those with spectra from the laboratory, in-situ field, DS transformed in-situ field only, as well as with combined laboratory and in-situ field, one by one. The result shows that while the precision of the hyperspectral remote sensing model with in-situ field spectra ( R²=0.56) is lower than the one with laboratory spectra ( R²=0.64), the precision of the model with DS transformed in-situ field spectra is improved ( R²=0.66). The model with combined laboratory and DS transformed in-situ field spectra is the one with the highest accuracy ( R², 0.72). Meanwhile, this highest robust model discloses that the wavebands located at 482, 565, 979, and 2 206 nm have significantly strong correlations with the soil Cd content. And this result is physically consistent with the model with laboratory spectra. In summary, results in this study confirm the role of the prior knowledge of laboratory spectra and DS algorithm in enhancing the reliability of in-situ field spectra based hyperspectral remote sensing model for soil Cd content estimation. It could provide new theoretical and methodological evidence for the development of soil Cd content estimation by using hyperspectral remote sensing.

Keyword: Soil; heavy metal; Hyperspectral; DS method; Remote sensing retrieval

文章图片

引言

土壤Cd易通过植物富集进入食物链危害人体健康, 正受到广泛关注^[1]。快速测定土壤中Cd的含量及空间分布已成为我国当下开展重金属污染土壤治理亟待突破的关键科学问题^[2]。相比传统人工土壤取样与实验室化学测定花费大、效率低^[5], 高光谱遥感因高效、无破坏性、低成本特点, 正逐步发展成为探测与识别土壤物理、化学以及生物特性的新兴技术方法^[2]。

而截止目前, 已报道的土壤特性高光谱探测研究多依赖环境可控条件下的实验室光谱^[6], 直接采用野外原位光谱的研究相对少见。但类比基于实验室光谱和野外原位光谱分别建立的土壤黏土、碳酸钙^[7]、盐分含量^[8]高光谱反演模型可知, 基于实验室光谱建立的土壤成分含量反演模型常常难以直接运用于野外。有学者对此试图通过河流沉积物^[9]与采矿区土壤野外原位光谱^[10]模拟估计矿区及附近河流的重金属分布。但此种工作往往需要样品数量足够的重金属污染土壤野外光谱数据库支撑。不仅如此, 受湿度、温度、光照条件、土壤结构、表面粗糙度等因素影响^[7], 土壤野外原位光谱测定常会因取样点差异存在不确定性。为消除环境因素对取样点野外原位光谱的影响^[6], 系列光谱转换方法包括直接校正算法(direct standardization, DS)、分段直接校正算法(piecewise direct standardization, PDS)、外部参数正交化法(external parameter orthogonalization, EPO)相继用于野外原位光谱校正。基于转换后的野外原位光谱, 研究人员目前也已经成功估算了土壤有机质、黏土成分的含量^[6], 对比了光谱转换前后的模型效果差异^[11]。但是, 光谱转换方法在野外原位光谱模式下反演土壤重金属含量的效果却尚未见报道。因此, 耦合实验室光谱先验知识与野外原位光谱在较大地理空间反演土壤中Cd含量仍然是一个悬而未决的问题。

1 实验部分

1.1 研究区与样品测定

选取湖南省衡阳市某矿区为例, 矿区运营百余年来的尾砂堆积与矿渣道路运输等开采活动已经对周边水田、菜地等土壤造成严重的Cd污染。顾及矿区尾砂坝、选矿点、冶炼厂、道路、河流水系等分布及地形起伏度, 采集46个土壤样品(图1), 采样点土地利用类型主要为农业用地, 少部分样本为建筑用地和矿区土壤, 土壤类型以红壤为主。采样过程中, 首先对每个采样点选取土壤表面约20 cm²平整区域, 在去除石块、草木等杂质基础上运用PSR-3500野外便携式光谱仪(光谱波长范围350~2 500 nm)测量该点野外原位光谱。测量前进行白板辐射定标, 测量时, 保持探头方向与太阳入射角方向相对稳定, 每个采样点重复测量10次光谱曲线取算术平均值。野外原位光谱测量后, 收集所测样点土壤样品、分装编号带回实验室用于重金属含量测定及实验室光谱测量。采样时期为2017年3月, 整个野外采样过程在晴朗天气进行, 时间从上午9点持续至下午4点。土壤样品实验室光谱测量过程在暗室进行, 唯一光源小型卤素灯与仪器探头固定, 测量时保持探头样品间距5 cm。测量前同样开展白板辐射定标, 对每个样品重复测量10次光谱曲线取算术平均值。土壤样品Cd含量测定包括研磨、过100目筛, 采用盐酸、硝酸、高氯酸溶解, 运用等离子发射光谱法测定等步骤。

	Figure Option View Download New Window
	图1 研究区土壤样品采样点分布示意图Fig.1 The distribution of soilsampling sites in study area

1.2 野外原位光谱DS转换

DS转换是一种光谱直接校正算法, 可通过光谱间的相互转换消除野外光谱测量中环境因素的影响^[12]。假定土壤样品实验室光谱与样品采样点野外原位光谱n× p阶矩阵分别为X_lab和X_field。 n为样本数, p为光谱波段数。实验室与野外原位光谱矩阵间的关系如式(1)所示

$X_{lab} = X_{field} B + E$ (1)

式中, B是p× p个未知参数构成的转换矩阵, 由X_lab和X_field决定; E为背景残差, 可表示为

$E = λ d_{s}^{T}$ (2)

式中, $d_{s}^{T}$ 是p× p的矩阵, 代表两种测量环境下光谱间的基线差异, λ 为n× 1的列向量, 并且向量中元素值都为1。由式(2)和式(1)可得

$X_{lab} = X_{field} B + λ d_{s}^{T}$ (3)

为计算转换矩阵B, 引入m× m阶中心化矩阵C_m

$C_{m} = I_{m} - (1 / m) λ λ^{T}$ (4)

将式(3)左右同时左乘矩阵C_m, 因λ $d_{s}^{T}$ 所有元素都一样, 中心化后结果为0, 可得

${\overset{̅}{X}}_{lab} = {\overset{̅}{X}}_{field} B$ (5)

$B = {\overset{̅}{X}}_{field}^{+} {\overset{̅}{X}}_{lab}$ (6)

式中, ${\overset{̅}{X}}_{lab}$ 和 ${\overset{̅}{X}}_{field}$ 表示中心化后的实验室与野外原位光谱矩阵, +代表Moore-Penrose广义逆矩阵, 基线差异矩阵则为

$d_{s} = {\overset{̅}{X}}_{lab}^{T} - B^{T} {\overset{̅}{X}}_{field}^{T}$ (7)

式中, $\overset{̅}{X}$ 是光谱矩阵X每列元素均值构成的1× p阶矩阵。最终经过上述DS转换后的土壤样品野外光谱可表示为

$X'_{field} = X_{field} B + E$ (8)

转换过程中, 采用Kennard-Stone算法筛选具有代表性的土壤样品实验室光谱与采样点野外原位光谱, 用于光谱DS转换矩阵计算。代表性光谱样品转换集筛选以样本光谱间距离最大为准则, 最终筛选的转换集样本需要空间覆盖足够。具体步骤: (1)计算任意两个样本光谱间的欧式距离, 选择间距最大的两个样本作为初始转换集; (2)计算剩余样本光谱与现有转换集样本间的距离(对于每个样本而言, 到转换集各样本最短距离为该样本到转换集的距离); (3)选择距转换集距离最大的样本光谱作为新加入的转换集样本, 重复(2)和(3)直至筛选的转换集样本数达到预设数量。预设数量合理性通过差异化转换集样本t(t=5, 10, 15, 20, 25, …)输入下的最终Cd含量光谱反演模型预报误差平方和(predicted error sum of squares, PRESS)加以判定。 PRESS值达到最小且变化趋向平稳状态是确定转换集样本数的重要准则。

1.3 实验室光谱与野外原位DS光谱联合建模

主成分分析作为一种重要的统计分析方法, 在土壤成分光谱反演建模中相对于单一波段输入往往具有更强的物理指示作用。以此推断, 假若土壤Cd含量变化具有主成分可解释特点, 则土壤样品实验室与野外原位DS光谱理论上均具有对应的主成分特征。顾及实验室光谱主成分与野外原位DS光谱主成分之间的相关性, 则可以将噪声较小的实验室光谱中的先验知识用于指导噪声较大的野外原位DS光谱建模, 提升野外原位DS光谱土壤Cd含量反演模型的物理解释力。本研究相关性强弱采用Pearson相关系数评价。实验室光谱主成分与野外原位DS光谱主成分间强相关则指示两者具有相同物理意义, 反之实验室光谱对野外原位DS光谱土壤Cd含量反演建模作用有限。实验室与野外光谱联合建模过程中, 先将实验室光谱主成分变量作为先验知识进行筛选, 然后选择相关性最强野外光谱主成分参与建模。

鉴于主成分逐步回归(principle component stepwise regression, PCSR)在基于光谱主成分的土壤重金属含量反演建模中可有效选择合适主成分变量并同时规避哑变量^{[13, 14]}。在上述实验室光谱与野外原位DS光谱强相关主成分判定基础上, 本研究采用PCSR方法分别构建了基于实验室光谱、野外原位光谱、野外原位DS光谱的研究区土壤Cd含量反演模型, 并将实验室光谱分别与野外原位光谱和野外原位DS光谱联合建模, 对比评价实验室与野外原位DS光谱联合下的土壤Cd含量反演效果。所建模型分别简称为: 实验室-PCSR、野外-PCSR、野外DS-PCSR、实验室-野外-PCSR、实验室-野外DS-PCSR。模型稳健性采用10折交叉验证方法检验, 精度评定指标包括可决系数R²、验证可决系数 ${R_{cv}}^{2}$ , PRESS, RPD(residual predictive derivation)。 PRESS与RPD的计算公式如式(9)和式(10)所示, PRESS值为样本预报误差的平方和, RPD为预报样本标准差与均方根误差的比值, R²与RPD越大、 PRESS越小, 模型精度越高、偏差越小。

$PRESS = \overset{n}{\sum_{i = 1}} ({\dot{y}}_{i} - y_{i})$ (9)

$RPD = \frac{SD}{RMSE}$ (10)

2 结果与讨论

2.1 土壤样品重金属含量与光谱特性分析

46个土壤样品的有机质含量、 pH值均值分别为4.22%和5.49, Cd含量描述性统计分析结果如表1。数据表明, 研究区土壤Cd污染整体较为严重, 所有样品土壤Cd含量均显著高出国家土壤环境质量标准(GB15618— 1995)一级污染标准(0.3 mg· kg^-1)。与此同时, 表1中的偏度、标准差、峰度等指标表明: 研究区土壤Cd含量数据略微呈现右偏态, 需通过Box-Cox变换使数据符合正态分布, 其中参数λ =-0.113。

表1 土壤样本Cd含量统计特征(mg· kg^-1) Table 1 Cd content statistic of soil samples

针对野外光谱在400 nm以下和2 400 nm以上波段信噪比过低的问题, 以及1 360~1 490和1 810~1 960 nm波段的水汽吸收干扰问题, 本研究在模型建立之前对此波段范围内的数据予以了剔除, 同时考虑DS转换过程中野外与实验室光谱波长范围的一致性, 本研究对实验室1 360~1 490和1 810~1 960 nm波段光谱数据也做了同样剔除处理^[15]。问题波段剔除后所有样品实验室与野外原位原始和SNV(standard normal variate)变换光谱特征分别如图2(a)和(b)所示。蓝色表示实验室光谱, 红色表示野外原位光谱; 实线表示样本光谱均值, 虚线表示样本光谱的离散程度。图2(c)显示了实验室与野外原位光谱差异, 即两者反射率差值。蓝线与红线分别表示原始和SNV变换后野外原位光谱与相应实验室光谱的差异。对比分析图2(a)和(c)可知, 野外环境对Cd污染土壤光谱影响显著。在可见光区域, 野外原位光谱与实验室光谱反射率几乎一致, 但近红外区域的野外原位光谱反射率显著高于实验室光谱反射率, 两者间差异随波长呈线性趋势增加, 且在680, 960和1 120 nm波段呈现明显的吸收特征, 在2 000 nm之后光谱噪声明显增大。由图2 (b)和(c)可知, 样品实验室与野外原位光谱均值与标准差在SNV变换后更为接近, 两者间光谱差值和吸收特征差异显著减小, 可有效提升后续参与建模的光谱数据质量。

	Figure Option View Download New Window
	图2 土壤样品实验室与野外原位光谱曲线 (a): 原始光谱; (b): SNV光谱; (c): 实验室与野外光谱反射率差值Fig.2 Spectral of soil samples under laboratory and in-situ field conditions (a): Original spectral; (b): SNV spectral; (c): Difference between laboratory and field spectral

2.2 独立反演建模

表2和图3是基于实验室光谱、野外原位光谱、野外原位DS光谱构建的PCSR模型精度验证结果。其中, 实验室-PCSR模型最终有效变量为第3, 10, 6, 14和7主成分。模型交叉验证预报误差平方和PRESS为28.21, R²和 $R_{cv}^{2}$ 分别为0.63和0.42, 验证集样本估计值基本落入置信区间范围[图3(a)], 模型总体可靠。但与此同时, 对于较高Cd含量样本, 图3(a)中样本散点多位于1:1直线下方, 模型对Cd含量较高样品总体低估。与实验室-PCSR模型相比, 野外-PCSR模型最终有效变量为第2, 6, 4和5主成分, R²和 $R_{cv}^{2}$ 分别为0.56和0.40, PRESS为29.18, 精度有所降低。对比图3(b)和(a)可知, 野外-PCSR模型不仅类似实验室-PCSR模型存在低估较高Cd含量样本的现象, 而且还易高估较低Cd含量样本。而图3(c)与图3(a)和(b)的对比表明, 基于野外原位DS光谱建立的野外DS-PCSR模型相比前两种模型精度有明显提升, R², $R_{cv}^{2}$ 分别提升至0.66和0.50, PRESS值降低至25.16。且相比野外-PCSR模型, 野外DS-PCSR模型与实验室-PCSR模型在模型变量主成分方面更为相近(第3, 6, 14, 15和9主成分), 两者光谱建模变量物理指示意义更相似(表2), 可靠性更强。

表2 实验室与野外原位光谱土壤Cd含量反演模型精度对比 Table 2 Precision comparison of soil Cd content estimating models based on laboratory and in-situ field spectral

	选入的主成分	R²	$R_{cv}^{2}$	PRESS	RPD
实验室-PCSR	3 10 6 14 7	0.63	0.42	28.21	1.32
野外-PCSR	2 6 4 5	0.56	0.40	29.18	1.30
野外DS-PCSR	3 6 14 15 9	0.66	0.50	25.16	1.40

表2 实验室与野外原位光谱土壤Cd含量反演模型精度对比 Table 2 Precision comparison of soil Cd content estimating models based on laboratory and in-situ field spectral

	Figure Option View Download New Window
	图3 实验室与野外原位光谱独立反演土壤Cd含量散点图 (a): 实验室-PCSR; (b): 野外-PCSR; (c): 野外DS-PCSRFig.3 Scatterplots ofpredicted soil Cd content based on sole laboratory or in-situ field spectral (a): Lab-PCSR; (b): Field-PCSR; (c): Field DS-PCSR

2.3 联合反演建模

表3和图4为基于野外原位光谱和野外原位DS光谱分别组合实验室光谱所建立的联合反演模型精度验证结果。表4为实验室光谱与野外原位光谱部分主成分间的相关性。表4表明, 本研究中Cd污染土壤样品野外原位光谱第2, 28, 5, 26和8主成分分别与实验室PCSR模型变量主成分(第3, 10, 6, 14和7主成分)强相关。然而表3和图4(a)中的精度指标指示, 实验室-野外-PCSR模型精度偏低, R²和 $R_{cv}^{2}$ 仅分别为0.36和0.05, PRESS值增至53.37, 模型对土壤Cd含量的估计能力有限。仔细分析表4可知, 实验室光谱第10主成分(Lab PC10)、第14主成分(Lab PC14)虽然分别与野外原位光谱第28主成分(Field PC28)、第26主成分(Field PC26)相关性较强, 但两两间相关系数绝对值仍低于0.5、难以具有相同的物理解释。分析原因, 野外环境干扰使得野外原位光谱部分主成分丧失了其原有的物理解释力, 导致真正有效主成分在建模过程中未能被模型识别从而最终影响建模精度。

表3 实验室野外原位光谱联合下的土壤Cd含量反演模型精度对比 Table 3 Precision comparison of soil Cd content estimating models based on joint laboratory and in-situ field spectral

	选入的主成分	R²	$R_{cv}^{2}$	PRESS	RPD
实验室-野外-PCSR	2 28 5 26 8	0.36	0.05	53.37	0.96
实验室-野外DS-PCSR	3 11 6 15 7	0.72	0.48	28.99	1.30

	Figure Option View Download New Window
	图4 实验室与野外原位光谱土壤联合反演Cd含量散点图 (a): 实验室-野外-PCSR; (b): 实验室-野外DS-PCSRFig.4 Scatterplots of predicted soil Cd content based on joint laboratory and in-situfield spectral (a): Lab-field-PCSR; (b): Lab-field DS-PCSR

表4 野外原位光谱与实验室光谱部分主成分间的相关性 Table 4 Correlation between partial principal components of in-situ field spectral and laboratory spectral

野外原位光谱DS变换可有效消除野外环境对土壤样品原位光谱的干扰。表5是基于实验室光谱的野外原位光谱DS变换过程中转换集样本数量t变化下, 实验室-野外DS-PCSR模型变量及估计精度差异。表5表明, 第3, 6, 11和7主成分在t取值大于20时可稳定作为模型有效变量, 模型精度指标PRESS值在t取值29时趋于稳定。表6显示了最优转换集样本数(t=29)时实验室光谱与野外原位DS光谱主成分之间的相关性。此时, 实验室光谱主成分Lab PC10, Lab PC14与野外原位DS光谱主成分间的最大相关系数分别从0.26和-0.19增加至0.86和-0.67, 野外原位DS光谱主成分的物理解释能力显著提升。与此同时, 表3中的R²和 $R_{cv}^{2}$ 分别提高至0.72和0.48, PRESS值降低到28.99; 图4(b)中土壤样品校准集样本散点也大致沿1:1直线分布, 高含量Cd样本预测偏差明显降低, 模型精度可接受。

表5 不同转换集样本数下实验室-野外DS-PCSR模型精度 Table 5 Precision of lab-field DS-PCSR models under different number of transfer sets

t	实验室-PCSR模型								实验室-野外DS-PCSR模型
t	选入主成分		PRESS		R²		$R_{cv}^{2}$		选入主成分		PRESS		R²		$R_{cv}^{2}$
10		3 10 6 14 7		28.21		0.63		0.42		3 10 6 14 7		50.68		0.18		0.02
15										3 10 6 14 7		60.60		0.32		0.03
20										4 10 5 14 7		50.44		0.28		0.11
21										3 10 6 14 7		35.16		0.44		0.28
22										3 11 6 15 7		48.38		0.52		0.27
23										3 11 6 15 7		38.76		0.50		0.29
24										3 11 6 16 7		34.16		0.59		0.35
25										3 11 6 15 7		36.97		0.53		0.28
26										3 11 6 16 7		39.43		0.50		0.29
27										3 11 6 14 7		46.38		0.61		0.29
28										3 11 6 15 7		40.09		0.72		0.38
29										3 11 6 15 7		28.99		0.72		0.48
30										3 11 6 13 7		31.74		0.69		0.40
31										3 11 6 13 7		35.45		0.65		0.31
32										3 11 6 13 7		35.41		0.64		0.32
33										3 11 6 13 7		33.96		0.63		0.36
34										3 10 6 13 7		33.35		0.67		0.36
35										3 10 6 14 7		30.64		0.60		0.39

表5 不同转换集样本数下实验室-野外DS-PCSR模型精度 Table 5 Precision of lab-field DS-PCSR models under different number of transfer sets

表6 野外原位DS光谱(29个转换集)与实验室光谱部分主成分间的相关性 Table 6 Correlation between partial principal components of in-situ field DS spectral and laboratory spectral

2.4 特征波段识别

模型变量与回归系数主成分逆变换是重建变量光谱、获取各波段贡献强度、进而识别特征波段的一种有效方式。图5左列为本研究中五类模型变量重建光谱, 其中红色、绿色线分别表示高、低浓度Cd样本重建光谱曲线; 右列为各模型回归系数, 蓝色曲线为10次交叉验证回归系数均值, 灰色虚线为回归系数标准差范围, 红色部分为识别的特征波段。

Figure Option
View Download New Window

图5 5种基于实验室与野外原位光谱的土壤Cd含量反演模型变量重建光谱(左列)与模型回归系数(右列)
(a), (b): 实验室-PCSR; (c), (d): 野外-PCSR; (e), (f): 野外DS-PCSR; (g), (h): 实验室-野外-PCSR; (i), (j): 实验室-野外DS-PCSRFig.5 Restructure spectral (left column) and regression coefficient (right column) of five models with different laboratory and in-situ field spectral
(a), (b): Lab-PCSR; (c), (d): Field-PCSR; (e), (f): Field DS-PCSR; (g), (h): Lab-field-PCSR; (i), (j): Lab-field DS-PCSR

图5(a)表明, 实验室-PCSR模型变量重建光谱在500 nm以及1 000~2 200 nm附近的反射率随样本变化呈现明显差异。图5(b)中回归系数在488, 568, 935~955, 1 050~1 100, 1 225~1 358, 1 753和2 206 nm位置达到峰值, 其中1 753和2 206 nm波段贡献最大; 而703以及979 nm波段因回归系数因标准差范围较大, 难以作为土壤Cd含量反演的稳定特征波段。图5(c)表明, 因模型变量为包含土壤光谱主要信息的第2, 4, 5和6主成分, 野外-PCSR模型变量重建光谱的形态特征与原始光谱并无明显区别; 同时图5(d)中野外PCSR模型仅揭示539, 677, 1 000和2 198 nm波段对土壤Cd含量变化具有较强指示作用, 与实验室-PCSR模型中识别的特征波段明显不同。图5(e)和(f)可知, 野外DS-PCSR模型变量重建光谱在493~732以及2 236 nm处的吸收深度明显增强, 1 109~1 358 nm位置的反射率曲线形态发生了改变; 但相对实验室-PCSR模型, 568和2 206 nm波段敏感性显著降低, 446, 650以及2 027~2 101 nm附近波段对预测土壤Cd含量的贡献较大。图5(g)表明实验室-野外-PCSR模型重建光谱形态与实验室-PCSR模型有显著差异, 且图5(h)中大部分波段回归系数接近0、标准差范围较大, 模型对于土壤Cd含量变化的特征波段识别均不敏感。图5(i)显示实验室-野外DS-PCSR模型变量重建光谱形态与实验室-PCSR模型具有相似性, 两者物理意义较为一致, 图5(j)中回归系数表明482, 565, 979和2 206 nm波段对模型贡献最大, 与实验室-PCSR模型识别的特征波段较为接近。

对比前人研究, Siebielec等发现490~580 nm光谱与土壤Cd含量高度相关^[16], 宋练等认为2 260与2 210 nm光谱反射率比值能够反演土壤Cd含量^[17], 本研究进一步证实了土壤Cd含量与土壤高光谱间的联系。研究发现实验室与野外原位光谱具有相同物理解释意义的波段主要集中在482, 565, 979以及2 206 nm波段附近, 其中979和2 206 nm光谱与土壤中铁氧化物和有机质的特征波段十分相近^[9]。这一结果实际上进一步确认了程航等人发现的土壤Cd含量与有机质光谱特征波段高度相关的结论^[18]。当然, 受文献报道有限的局限性, 本研究暂且仅能基于土壤Cd含量与有机质光谱特征波段高度相关的发现对特征波段予以一定的物理解释, 对土壤类型与土壤其他理化参数的顾及或许是进一步提升野外原位光谱反演土壤Cd含量精度的另一突破点。

3 结论

基于重金属污染土壤样品的实验室、野外原位光谱测量, 以及Cd含量测定, 本研究联合实验室和DS算法转换后的野外原位光谱开展了土壤Cd含量反演研究, 探究了运用野外原位光谱反演土壤重金属Cd的可行性, 为大范围普适性土壤重金属含量遥感高光谱反演理论与方法的突破提供了新的例证。主要结论是: (1)由于野外环境因素的影响, 土壤原位高光谱反演重金属精度相比实验室光谱反演有所降低; (2)DS方法能够大大降低野外环境噪声对土壤光谱的影响, 提升野外原位光谱在土壤重金属含量反演中的物理解释意义; (3)联合实验室光谱先验知识, 以与实验室反演模型变量相关性最强为准则, 选择野外DS光谱主成分建立的模型能有效反演土壤重金属Cd含量, 且识别出贡献度较大的特征波段。当然, 因样本数量以及采样条件的限制, 本研究中所得土壤重金属Cd含量高光谱反演模型的空间迁移性与普适性有待在其他区域或其他土壤类型条件下进一步验证。

参考文献

文献列表

[1]	Gu Y W, Li S, Gao W, et al. Acta Ecologica Sinica, 2015, 35(13): 4445. [本文引用:1]
[2]	Shi T Z, Chen Y Y, Liu Y L, et al. Journal of Hazardous Materials, 2014, 265(2): 166. [本文引用:2]
[3]	Jiang Xiaolu, ZOU Bin, Feng Huihui, et al. Journal of Geochemical Exploration, 2019, 196: 1. [本文引用:1]
[4]	TAO Chao, WANG Ya-jin, ZOU Bin, et al(陶超, 王亚晋, 邹滨, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2018, 38(6): 1850. [本文引用:1]
[5]	Liu Y L, Li W, Wu G F, et al. Geo-Spatial Information Science, 2011, 14(1): 10. [本文引用:1]
[6]	Ackerson J P, Morgan C L S, Ge Y. Geoderma, 2017, 286: 131. [本文引用:3]
[7]	Lagacherie P, Baret F, Feret J B, et al. Remote Sensing of Environment, 2008, 112(3): 825. [本文引用:2]
[8]	Xu C, Zeng W, Huang J, et al. Remote Sensing, 2016, 8(1): 42. [本文引用:1]
[9]	Choe E, Meer F V D, Ruitenbeek F V, et al. Remote Sensing of Environment, 2008, 112(7): 3222. [本文引用:2]
[10]	Song L, Jian J, Tan D J, et al. International Journal of Applied Earth Observation & Geoinformation, 2015, 34(1): 1. [本文引用:1]
[11]	Ji W, Viscarra Rossel R A, Shi Z. European Journal of Soil Science, 2015, 66(4): 670. [本文引用:1]
[12]	CHEN Yi-yun, QI Kun, LIU Yao-lin, et al(陈奕云, 漆锟, 刘耀林, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2015, 35(6): 1705. [本文引用:1]
[13]	TU Yu-long, ZOU Bin, JIANG Xiao-lu, et al(涂宇龙, 邹滨, 姜晓璐, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2018, 38(2): 575. [本文引用:1]
[14]	Zhai L, Li S, Zou B, et al. Atmospheric Environment, 2018, 181: 145. [本文引用:1]
[15]	Piekarczyk J, Ka?mierowski C, Królewicz S, et al. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2016, 9(2): 827. [本文引用:1]
[16]	Siebielec G, Mccarty G W, Stuczynski T I. Journal of Environmental Quality, 2004, 33(6): 2056. [本文引用:1]
[17]	SONG Lian, JIAN Ji, TAN De-jun, et al(宋练, 简季, 谭德军, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2014, 34(3): 812. [本文引用:1]
[18]	Cheng Hang, Shen Ruili, Chen Yiyun, et al. Geoderma, 2019, 336: 559. [本文引用:1]

2015

0.0

... 引言土壤Cd易通过植物富集进入食物链危害人体健康, 正受到广泛关注^[1] ...

2014

0.0

... 快速测定土壤中Cd的含量及空间分布已成为我国当下开展重金属污染土壤治理亟待突破的关键科学问题^[2] ...

... 相比传统人工土壤取样与实验室化学测定花费大、效率低^[5], 高光谱遥感因高效、无破坏性、低成本特点, 正逐步发展成为探测与识别土壤物理、化学以及生物特性的新兴技术方法^[2] ...

2019

0.0

2018

0.0

2011

0.0

2017

0.0

... 而截止目前, 已报道的土壤特性高光谱探测研究多依赖环境可控条件下的实验室光谱^[6], 直接采用野外原位光谱的研究相对少见 ...

... 为消除环境因素对取样点野外原位光谱的影响^[6], 系列光谱转换方法包括直接校正算法(direct standardization, DS)、分段直接校正算法(piecewise direct standardization, PDS)、外部参数正交化法(external parameter orthogonalization, EPO)相继用于野外原位光谱校正 ...

... 基于转换后的野外原位光谱, 研究人员目前也已经成功估算了土壤有机质、黏土成分的含量^[6], 对比了光谱转换前后的模型效果差异^[11] ...

2008

0.0

... 但类比基于实验室光谱和野外原位光谱分别建立的土壤黏土、碳酸钙^[7]、盐分含量^[8]高光谱反演模型可知, 基于实验室光谱建立的土壤成分含量反演模型常常难以直接运用于野外 ...

... 不仅如此, 受湿度、温度、光照条件、土壤结构、表面粗糙度等因素影响^[7], 土壤野外原位光谱测定常会因取样点差异存在不确定性 ...

2016

0.0

2008

0.0

... 有学者对此试图通过河流沉积物^[9]与采矿区土壤野外原位光谱^[10]模拟估计矿区及附近河流的重金属分布 ...

... 研究发现实验室与野外原位光谱具有相同物理解释意义的波段主要集中在482, 565, 979以及2 206 nm波段附近, 其中979和2 206 nm光谱与土壤中铁氧化物和有机质的特征波段十分相近^[9] ...

2015

0.0

... 有学者对此试图通过河流沉积物^[9]与采矿区土壤野外原位光谱^[10]模拟估计矿区及附近河流的重金属分布 ...

2015

0.0

... 基于转换后的野外原位光谱, 研究人员目前也已经成功估算了土壤有机质、黏土成分的含量^[6], 对比了光谱转换前后的模型效果差异^[11] ...

2015

0.0

... 2 野外原位光谱DS转换DS转换是一种光谱直接校正算法, 可通过光谱间的相互转换消除野外光谱测量中环境因素的影响^[12] ...

2018

0.0

... 鉴于主成分逐步回归(principle component stepwise regression, PCSR)在基于光谱主成分的土壤重金属含量反演建模中可有效选择合适主成分变量并同时规避哑变量^[13,14] ...

2018

0.0

2016

0.0

... 针对野外光谱在400 nm以下和2 400 nm以上波段信噪比过低的问题, 以及1 360~1 490和1 810~1 960 nm波段的水汽吸收干扰问题, 本研究在模型建立之前对此波段范围内的数据予以了剔除, 同时考虑DS转换过程中野外与实验室光谱波长范围的一致性, 本研究对实验室1 360~1 490和1 810~1 960 nm波段光谱数据也做了同样剔除处理^[15] ...

2004

0.0

... 对比前人研究, Siebielec等发现490~580 nm光谱与土壤Cd含量高度相关^[16], 宋练等认为2 260与2 210 nm光谱反射率比值能够反演土壤Cd含量^[17], 本研究进一步证实了土壤Cd含量与土壤高光谱间的联系 ...

2014

0.0

SONG

Lian

, JIAN

, TAN

De-jun

, et al(宋练, 简季, 谭德军, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2014, 34(3): 812.

In the present paper, Chongqing Wansheng mining area was selected as the study area, and the ASD FieldSpec Pro III portable spectroradiometer (350 to 2 500 nm) was used as the spectral measurement instrument to collect the reflectance spectra of 171 soil samples and 123 soil samples in March and in August 2012 respectively. In order to create the retrieval model to retrieve soil heavy metal concentration, 40 among the 123 soil samples in august 2012 were collected to do chemical analysis. Then, the heavy metals' concentration and the reflectance of the 40 soil samples were analyzed together. The results show that the ratio of the reflectance at 2 320 and 1 755 nm in the nearinfrared range, the ratio of the reflectance on 2 260 and 2 210 nm in the nearinfrared range, and the ratio of the reflectance at 480 and 1 920 nm in the visible and near infrared range has a significant correlation with heavy metal concentration of As, Cd and Zn respectively, so the spectral absorption feature parameters(SAFP) for retrieving soil heavy metal concentration of As, Cd and Zn from soil reflectance was created. Thus, the soil heavy metal concentration of As, Cd and Zn of the soil samples can be retrieved with the reflectance spectra. Then the distributions of the soil heavy metal concentration of As, Cd and Zn were obtained with the interpolation method in study area in March and in August 2012 respectively.

[Song Lian; Jian Ji; Gao Bo] Chengdu Univ Technol, Minist Land & Resources China, Key Lab Geosci Spatial Informat Technol, Chengdu 610059, Peoples R China.;[Tan De-jun; Xie Hong-bin; Luo Zhen-fu] Inst Geol & Mineral Resources, Chongqing Key Lab Exogen Mineralizat & Mine Envir, Chongqing 400042, Peoples R China.;[Tan De-jun; Xie Hong-bin; Luo Zhen-fu] Chongqing Res Ctr, State Key Lab Coal Resources & Safe Min, Chongqing 400042, Peoples R China.

2019

0.0

... 这一结果实际上进一步确认了程航等人发现的土壤Cd含量与有机质光谱特征波段高度相关的结论^[18] ...