铜污染土壤光谱特征及弱差信息的LH-PSD甄测模型

引用本文

杨可明, 张伟, 付萍杰, 高鹏, 程凤, 李燕. 铜污染土壤光谱特征及弱差信息的LH-PSD甄测模型[J]. 光谱学与光谱分析, 2019,39(7): 2228-2236.
YANG Ke-ming, ZHANG Wei, FU Ping-jie, GAO Peng, CHENG Feng, LI Yan. The LH-PSD Analysis Model of Cu Contaminated Soil Spectral Characteristics and Weak Characteristic Information[J]. Spectroscopy and Spectral Analysis, 2019,39(7): 2228-2236.
Doi:10.3964/j.issn.1000-0593(2019)07-2228-09 复制到剪切板

Permissions

《光谱学与光谱分析》期刊社所有

铜污染土壤光谱特征及弱差信息的LH-PSD甄测模型

杨可明, 张伟^*, 付萍杰, 高鹏, 程凤, 李燕

中国矿业大学(北京)煤炭资源与安全开采国家重点实验室, 北京 100083

*通讯联系人 e-mail: CU_zhangwei@126.com

作者简介: 杨可明, 1969年生, 中国矿业大学(北京)煤炭资源与安全开采国家重点实验室教授 e-mail: ykm69@163.com

收稿日期: 2018-05-23 接受日期: 2018-09-28

基金: 煤炭资源与安全开采国家重点实验室开放基金项目(SKLCRSM17KFA09), 国家自然科学基金项目(41271436)资助

摘要

土壤受重金属污染后, 会影响农作物及食品安全, 危及人体健康, 因此寻找快速、高效甄测土壤重金属污染信息的方法尤为关键。传统化学分析方法存在过程繁杂、费时耗力等缺点, 而高光谱遥感因光谱分辨率高、信息量大、快速无损等特点在环境监测等应用方面优势明显。由于电磁遥感信号反射、辐射过程复杂, 通过仪器获取的土壤高光谱数据难以直接解析出重金属污染信息, 因而, 研究并寻求一种能够有效挖掘土壤重金属污染信息的方法对高光谱遥感监测污染意义重大。不同浓度铜(Cu)污染会使土壤理化性质改变, 引发土壤光谱产生微弱变化, 该研究目的是对Cu污染土壤光谱的特征及弱差信息进行识别、提取与分析, 进而挖掘光谱中的重金属污染信息。采用包络线去除(CR)对光谱进行预处理, 通过定义局部极大值均值(LMM)与半波高(HWH), 结合时频分析的短时傅里叶变换(STFT)及能量谱密度(PSD), 构建LH-PSD甄测模型。通过模型对极相似土壤光谱进行处理, 所获PSD分布图使光谱间的微弱差异可视化显现, 并显著区分了相似光谱, 验证了模型对光谱特征及弱差信息的甄别能力和有效性。同时应用该模型, 对不同Cu污染梯度的土壤实验光谱进行重金属污染信息的提取与分析, 研究结果表明, LH-PSD甄测模型中, LMM与HWH可有效提取光谱间差异特征并以阶梯状显现。经模型处理后得到的可视化PSD分布图能直观定性判别土壤是否受重金属Cu污染, 即当土壤受重金属Cu污染后, 相同采样频数下, 在频率为100与600 Hz附近PSD分布会出现明显空缺分离, 随着Cu污染浓度的增加, 在100~600 Hz之间PSD的分布呈逐渐稀疏态势。能量值 E可定量化监测土壤Cu污染程度, 即随着土壤中Cu污染浓度的增加, E值呈下降趋势, 且与Cu含量的相关系数达到-0.910 5, 显著相关。为检验模型的可靠性, 研究结合栽种玉米作物的土壤光谱, 经LH-PSD甄测模型对其进行分析, 所得可视化的PSD分布图结果与实验分析中基本一致, 且能量值 E的监测结果与土壤中Cu含量相关系数达到-0.973 9, 相关性显著, 验证了模型的可靠性。因此, LH-PSD甄测模型实现了对土壤光谱从光谱域到时频域的甄析, 为深度挖掘重金属污染的光谱特征及弱差信息提供一种新思路。

关键词: 高光谱遥感; 重金属污染; 特征信息; 甄测模型; 土壤污染监测

中图分类号:TP7 文献标志码:A

The LH-PSD Analysis Model of Cu Contaminated Soil Spectral Characteristics and Weak Characteristic Information

YANG Ke-ming, ZHANG Wei^*, FU Ping-jie, GAO Peng, CHENG Feng, LI Yan

State Key Laboratory Coal Resources and Safe Mining, China University of Mining & Technology, Beijing, Beijing 100083, China

Abstract

Soil environmental safety is of great significance. When soil is contaminated by heavy metals, it will affect the safety of crops and foods and endanger human health. Therefore, it is particularly critical to look for ways to rapidly and efficiently measure heavy metal pollution in soil. Traditional chemical analysis methods have some disadvantages such as complicated process, time-consuming and labor-consuming. Hyperspectral remote sensing has obvious advantages in environmental monitoring and other applications because of its high spectral resolution, large amount of information, and rapid losslessness. Due to the complex reflection and radiation process of electromagnetic remote sensing signals, the soil hyperspectral data acquired by the instrument is difficult to directly interpret the information of heavy metal pollution. Therefore, it is very important to find out a method that can effectively excavate heavy metal pollution information in soils. The soil physicochemical properties will change because of different concentrations pollution of Cu, causing slight changes in the soil spectrum, the purpose of this study is to identify, extract and analyze the characteristics and weak difference information in the spectrum of Cu contaminated soil, and then tap the heavy metal pollution information in the spectra. In this paper, the continuum removal(CR) was used to preprocess the spectrum, the LH-PSD analysis model for analyzing soil spectra was constructed bydefining local maximum mean (LMM) and half wave height(HWH), combined with Short-time Fourier transform (STFT) of the time-frequency analysis method and power spectral density (PSD). The extremely similar soil spectrum was processed by the LH-PSD model, and the PSD distribution map visualized the faint differences between the spectra, and significantly distinguished the similar spectra, which verified the ability of the model to discriminate spectral features and weak differential information. At the same time, this model was used to extract and analyze heavy metal pollution information from experimental soil spectra with different Cu pollution gradients. The results of the study show that CR can plan the spectrum to the same background and highlight the differences between spectra, LMM and HWH of LH-PSD detection model can effectively extract the characteristics of the difference between the spectra and appear in a ladder. The visualized PSD map obtained after the model processing can directly and qualitatively discriminate whether the soil is contaminated by heavy metal Cu. Specifically, when the soil is contaminated by heavy metal Cu, at the same sampling frequency, the PSD distribution at frequencies of 100 and 600 Hz will be obviousvacant separation, with the increase of Cu pollution concentration, the distribution of PSD between 100~600 Hz is gradually sparse. The energy value E can be used to quantitatively monitor the degree of soil Cu pollution. That is, as the concentration of Cu in the soil increases, the E value decreases, and the correlation coefficient with the Cu content reaches -0.910 5, which is significantly correlated. In order to test the reliability of the model, the soil spectra of the planted corn crop was combined and analyzed by the LH-PSD detection model. The result of the visualized PSD map was basically similar to that in the experimental analysis, The correlation coefficient of the energy value E with Cu content in soil reaches -0.973 9, which has a significant correlation. The monitoring effect is ideal and the reliability of the model is verified. Therefore, through the LH-PSD analysis model, the dissection of soil spectrum from the spectral domain to the time-frequency domain provides a new idea for deepening the spectral features and weak information of heavy metal pollution spectra.

Keyword: Hyperspectral remote sensing; Heavy metal pollution; Characteristic information; Analysis model; Soil pollution monitoring

文章图片

引言

土壤作为重要资源其环境安全备受关注。人类生产生活等活动直接或间接的对土壤生态环境产生影响^{[1, 2]}, 致使土壤中重金属含量高于自然背景值^[3], 造成重金属污染, 进而影响作物及食品安全, 危害人体健康^[4], 因而如何快速、高效甄测土壤重金属污染信息成为关键问题。传统的化学分析等技术虽具有精度高、检出限低的优势, 但存在过程繁杂、费时耗力、以点代面等限制, 难以满足当代农业快速及大面积监测污染的需求。随着高光谱遥感技术的快速发展, 其光谱分辨率高、信息量大、快速无损等特点在环境监测等应用方面优势明显^{[5, 6]}。土壤组分及粒径等属性信息繁多, 加之外界环境等因素干扰, 致使途经土壤的电磁遥感信号反射、辐射过程复杂^{[7, 8]}, 通过仪器获得的高光谱数据难以直接解析出重金属污染信息^[9]。因而, 研究并寻找一种能够充分挖掘土壤重金属污染信息的方法对高光谱遥感监测污染意义重大。

近年来, 应用高光谱遥感对土壤及作物重金属污染监测的研究有一定进展, 解宪丽等^[10]提出组合连续统去除、主成分分析、光谱变换等土壤重金属污染信息的提取方法, 分析了Cu等9种重金属含量与土壤可见光-近红外反射光谱的相关性, 发现Cu等含量与反射光谱之间存在显著相关; 涂晔昕等^[11]介绍了高光谱监测土壤重金属污染的监测尺度、建模方法等, 指出经验模型普适性较低, 因果关系解释较为困难, 物理模型虽普适性较好, 但前提条件与参数较多, 伴随较大计算量; 徐明星等^[12]对含重金属的考古土壤进行光谱分析, 发现Cu和Pb等含量与原始光谱在400~550和1 000~2 500 nm存在显著相关, 且应用微分变换有助于提取土壤中重金属元素信息; 迟光宇等^[13]集中分析了基线校正、反射率倒数、变量标准化等光谱处理方法, 并对单比例指标等各种模型进行了总结概述, 阐明了高光谱遥感应用于土壤重金属污染监测的机理及可行性; Ali Al Maliki等^[14]将光谱与化学分析相关联监测土壤中Pb含量, 得出反射光谱可迅速确定均质土壤中的Pb污染; Paresh H Rathod等^[15]通过对重金属Cd和Pb等污染土壤的光谱研究发现, 表层土壤的重金属浓度与包络线去除光谱之间存在显著相关性, 采用偏最小二乘回归方法对土壤中重金属含量进行监测效果较好。以上研究均基于原始光谱或者对光谱进行经验模型、物理模型等变换处理, 其中一些变换使光谱的局部细节受到损伤, 部分微弱差异信息被掩盖, 而且分析均是在光谱域角度进行, 监测结果多以指标数值等形式表示, 不能对污染程度等信息进行直观可视化的判断。

针对以上不足, 本工作将重金属污染土壤光谱的分析从光谱域扩展到时频域, 并以直观可视化的方式呈现污染信息的监测结果, 实现对光谱特征及弱差信息提取, 并对土壤污染程度进行监测。拟基于实验获取的土壤光谱数据, 定义局部极大值均值(local maximum mean, LMM)与半波高(half wave height, HWH), 应用时频分析的短时傅里叶变换^{[16, 17]}(short-time Fourier transform, STFT)及其能量谱密度(power spectral density, PSD)构建LH-PSD甄测模型, 对不同Cu污染浓度下土壤光谱间的特征及弱差信息进行甄别与分析, 并经栽种玉米作物Cu污染土壤光谱验证了模型的可靠性, 以期实现从新的角度去甄测和挖掘土壤光谱中的重金属污染信息。

1 理论与方法

1.1 包络线去除

包络线去除(continuum removal, CR)可将光谱规划到一致的光谱背景上, 能有效增强光谱曲线的吸收及反射特征, 有助于提取光谱的细节特征信息。计算公式如式(1)和式(2)^[18]

$\begin{array}{l} R_{c} = R_{start} + \frac{R_{end} - R_{start}}{λ_{end} - λ_{start}} (λ_{i} - λ_{start}) (1) \\ R_{ci} = R_{c} - R_{i} (2) \end{array}$

式(1)和式(2)中, λ _i是第i波段; R_start和R_end是吸收曲线里起始点和末端点的原始光谱反射率; λ _start和λ _end是吸收曲线里起始点末端点的波长; R_i是波段i的原始光谱反射率; R_c为光谱包络线, R_ci是波段i的增强型包络线去除值。

1.2 LH-PSD甄测模型

通过定义局部极大值均值(LMM)与半波高(HWH), 结合短时傅里叶变换(STFT)及能量谱密度(PSD), 构建LH-PSD甄测模型, 对光谱间特征及弱差信息进行甄别。

(1)局部极大值均值与半波高

对于任意光谱曲线x(k), 可看作无数个离散点组成的集合, 对其进行遍历筛选, 寻找出所有局部极大值点n_i, 然后计算相邻两个极大值点n_i与n_i₊₁的平均值m_i, 即为局部极大值均值(LMM), 计算公式为式(3)

$m_{i} = \frac{n_{i} + n_{i + 1}}{2} (3)$

同时, 以相邻两个极大值点为基础, 计算半波高(HWH)值a_i, 具体公式为

$a_{i} = \frac{| n_{i} - n_{i + 1} |}{2} (4)$

(2)短时傅里叶变换及能量谱密度

传统的连续傅里叶变换(Fourier transform, FT)的表达式为式(4)

$F (ω) = \int_{-}^{\infty} s (τ) e^{- jωτ} d τ (5)$

式(5)中, τ 为时间序列, s(τ )表示信号, e^-^{jω τ}为限频函数。

由于FT存在不适合非平稳信号的分析且无局域性等缺陷, 针对不足, Dennis Gabor提出信号联合时频分析方法短时傅里叶变换(STFT), 其可满足非平稳信号的分析, 能提供信号时域和频域的局部化特征信息。连续STFT的基本运算公式为

$G (τ, f) = \int_{-}^{\infty} s (τ) g (τ - u) e^{- 2 j π fτ} d τ (6)$

式(6)中, g(τ -u)e^-2^j^π^fτ是积分核函数; e^-2^j^π^fτ为限频函数; g(τ -u)为窗函数, 使用Hamming窗^[19]; G(τ , f)则是反应信号s(τ )在τ 时刻频率为f的频谱。

在实际应用中, 光谱视为离散化数据x(k), 则离散STFT的基本运算公式为

$G (mΨ, \frac{n}{NΨ}) = \overset{N - 1}{\sum_{k = 0}} x (k) g (k - mΨ) e^{\frac{- 2 j π nk}{N}} (7)$

式(7)中, g(k-mΨ )为窗函数; e^-2^j^π^nk/N为限频函数; k为波长序列; Ψ 为窗函数移动采样间距; N表示波段数; m和n表示时间域和频率域步骤数, m, n=0, 1, 2, …, N-1。

离散STFT的实现过程及原理可由如下框图表示。

光谱经离散STFT分析处理后, 可计算其能量谱密度(power spectral density, PSD), 具体公式为

$\begin{array}{l} P (mΨ, \frac{n}{NΨ}) = k {|G (mΨ, \frac{n}{NΨ})|}^{2} = \\ \frac{2}{f \overset{L}{\sum_{n = 1}} | g (k - mΨ) |^{2}} {|G (mΨ, \frac{n}{NΨ})|}^{2} (8) \end{array}$

式(8)中, k表示实值标量, g(k-mΨ )为窗函数; f为采样频率, 在0和奈奎斯特频率处, 分子由2改为1。

为后期方便对PSD结果进行定量化分析, 定义能量值E, 具体计算公式为

$E = abs (\sum P (mΨ, \frac{n}{NΨ})) (9)$

式(9)中, abs表示绝对值符号, P(mΨ , n/NΨ )表示能量谱密度。

2 结果与讨论

2.1 实验数据获取

铜污染土壤光谱通过实验获取, 实验采用自然土, 对土壤进行去除杂质、过筛等处理, 并均匀混合, 以保证土壤基底的一致性, 同时测定土壤的pH值为7.83。实验过程严格遵循控制变量法(唯一变量是铜浓度), 各实验单元土壤重量均为5 kg, 采用分析纯级的CuSO₄· 5H₂O对土壤进行污染, 依据《GB15618— 1995: 土壤环境质量标准》将污染梯度设置为0(空白对照), 100, 200, 400, 800, 1 000和1 200 μ g· g^-1, 相应标记为CK(0), Cu(100), Cu(200), Cu(400), Cu(800), Cu(1 000)和Cu(1 200), 设置Cu污染环境时逐层将土壤与CuSO₄· 5H₂O搅拌混合, 使土壤均匀受污染, 每个梯度设置3组平行实验, 共21组。采用光谱范围350~2 500 nm的SVC HR-1024I地物光谱仪, 使用配套的功率为50 W卤素灯和4° 视场角的探头, 光谱反射系数经专用白板进行校正, 实验单元的无关区域用黑布遮盖以防地面等背景对土壤光谱造成影响。在自然光下分别对不同Cu污染梯度的土壤进行3次光谱测定, 最后取平均值作为各污染梯度最终光谱, 同时采用重采样等预处理对各光谱进行平滑去噪。

2.2 LH-PSD模型甄测能力检验

光谱数据中常存在两条极相似光谱, 很难对其特征及微弱差异信息进行提取和分析。为验证LH-PSD甄测模型对光谱信息的灵敏性及甄别能力, 以两条相似系数达0.998 8的土壤光谱spectrum-1和spectrum-2为例进行实验, 如图1所示, 两条光谱极为相似且难以辨别。应用式(3)和式(4)分别提取两条光谱的局部极大值均值(LMM)与半波高(HWH), 结果如图2。分析比较图2发现, spectrum-1和spectrum-2处理得到的LMM和HWH将光谱的特征进行了有效提取, 并以阶梯状形式表达, 且在700 nm附近存在差异。分别将由spectrum-1和spectrum-2得到的HWH经式(7)、式(8)进行STFT频谱分析, 得到能量谱密度(PSD)分布图, 如图3(a)和(b)所示, 分析发现, 由spectrum-1和spectrum-2的HWH处理得到的PSD分布图差异显著, 其中将具有代表性差异的4处位置用黑色箭头加椭圆的方式做了标注, 对比发现, 标注范围内PSD值的大小与分布方式均不同, 很好地显现并甄别了两相似光谱间的特征及弱差信息, 明显区分了spectrum-1和spectrum-2。据此, 验证了LH-PSD模型对于土壤光谱间弱差信息的灵敏性及甄测能力。

	Figure Option View Download New Window
	图1 极相似土壤光谱Fig.1 Highly similar soil spectrum

	Figure Option View Download New Window
	图2 spectrum-1与spectrum-2的LMM与HWH结果 (a): spectrum-1的LMM与HWH; (b): spectrum-2的LMM与HWHFig.2 LMM and HWH results of spectrum-1 and spectrum-2 (a): The LMM and HWH of spectrum-1; (b): The LMM and HWH of spectrum-2

	Figure Option View Download New Window
	图3 spectrum-1与spectrum-2的HWH能量谱密度(PSD)分布图 (a): spectrum-1的HWH的PSD分布; (b): spectrum-2的HWH的PSD分布Fig.3 The PSD distribution of HWH of spectrum-1 and spectrum-2 (a): The PSD distribution of HWH of spectrum-1; (b): The PSD distribution of HWH of spectrum-2

2.3 铜污染土壤光谱的LH-PSD模型应用分析

鉴于LH-PSD甄测模型对光谱特征提取和弱差信息的甄别能力, 应用该模型对实验所获7个Cu污染梯度的土壤光谱进行分析, 以期发掘其重要特征及变化规律等重金属污染信息。由于光谱在1 000~2 500 nm范围内对重金属Cu污染敏感^[14], 因而选取光谱的波段范围为1 000~2 500 nm, 同时由于光谱在1 900 nm附近受水汽吸收等影响严重, 因此去除1 891~1 910 nm范围的光谱, 最终参与分析的土壤光谱如图4所示, 观察发现, 各光谱反射率大小变化不一、特征不明显。为此, 经式(1)和式(2)对土壤光谱进行包络线去除(CR)预处理, 结果如图5所示, 分析比较发现, 预处理后原始土壤光谱中具有相似特征的部位基本重合, 如图5中1 600和2 200 nm附近, 原始光谱间存在差异特征的部位明显突显, 如图5中1 000~1 500, 1 800~2 000及2 300~2 500 nm范围内。

	Figure Option View Download New Window
	图4 不同Cu污染梯度土壤光谱Fig.4 Different Cu pollution gradient soil spectrums

	Figure Option View Download New Window
	图5 不同Cu污染梯度土壤光谱包络去除结果Fig.5 Different Cu pollution gradient CR results of soil spectrums

基于获得的包络去除(CR)结果, 应用LH-PSD甄测模型对其进行处理。经式(3)、式(4)分别对CR结果提取局部极大值均值(LMM)和半波高(HWH), 相关结果如图6所示。图6(a)为各污染梯度的CR曲线, 各曲线中局部极大值点出现的部位比较集中, 且分布数量存在差异, 图6(b)和(c)分别为提取的LMM与HWH, 观察发现曲线特征被有效提取。为发掘不同Cu污染梯度的LMM与HWH的变化规律, 分别对两者做进一步处理。

Figure Option
View Download New Window

图6 不同Cu污染梯度土壤光谱的CR、 LMM与HWH结果
(a): 不同Cu污染梯度土壤光谱的CR曲线及局部极大值点; (b): 不同Cu污染土壤光谱CR曲线的LMM提取结果; (c): 不同Cu污染土壤光谱CR曲线的HWH提取结果Fig.6 The CR, LMM, and HWH results of the soil spectra of different Cu pollution gradients
(a): CR curves and local maxima points of soil spectra with different Cu pollution gradients; (b): LMM results of soil spectral CR curves of different Cu pollution gradients; (c): HWH results of soil spectral CR curves of different Cu pollution gradients

对各LMM的变化趋势进行滑动平均拟合, 拟合结果如图7所示, 分析发现, 在2 000~2 500 nm范围内LMM的拟合曲线出现交叉点, 图中用红色箭头进行了标识, 在交叉点前后各拟合曲线均存在极大值和极小值。以CK(0)为例, 在图7中对交叉点前后的极大值与极小值进行了标注, 两者做差, 所得结果记为h。依据此标准, 分别求取不同Cu污染梯度下LMM拟合曲线的h值, 并将h值绘制成散点图, 如图8所示, 对各散点进行线性拟合发现, 随着土壤中Cu污染浓度的增加, h值呈波动下降趋势, 同时将h值与土壤中重金属Cu含量做相关性分析, 得相关系数为-0.503 9, 效果较差, 即h值波动性过大。

	Figure Option View Download New Window
	图7 各LMM的滑动平均拟合曲线Fig.7 The moving average fitting curves of LMMs

	Figure Option View Download New Window
	图8 各LMM滑动平均拟合曲线的h值Fig.8 The h values of the moving average fitting curves of LMMs

对各HWH经式(7)和式(8)进行短时傅里叶变换(STFT), 并获取直观可视化的能量谱密度(PSD)分布图, 结果如图9所示, 分析发现, 当土壤处于无污染状态[CK(0)]时, 相同采样频数下, 不同频率的PSD值大小不一, 交叉混叠; 当土壤受重金属Cu污染后, 在相同采样频数下, Cu(100)~Cu(1 200)的PSD分布在频率为100与600 Hz附近均出现明显空缺, 呈现分离态势, 且在600 Hz以上, PSD值多集中在80左右, 在100~600 Hz之间, PSD值多集中在60左右, 在100 Hz以下, PSD值多集中在40左右。同时, 随着土壤Cu污染浓度的增加, 在100~600 Hz之间PSD分布呈逐渐稀疏态势, 当Cu污染浓度超过1 000 μ g· g^-1[Cu(1 000)和Cu(1 200)]时, PSD分布的稀疏状况尤为明显。因此, 根据可视化的PSD分布图可定性分析判别土壤是否受重金属Cu污染以及污染的严重程度。

	Figure Option View Download New Window
	图9 不同Cu污染梯度HWH的PSD分布图Fig.9 The PSD distributions of HWHof different Cu pollution gradients

为便于分析, 将PSD分布的可视化结果经式(9)定量化, 分别求得不同Cu污染梯度的能量值E, 并将结果绘制为散点图, 如图10所示, 同时将能量值E与土壤中Cu含量做相关性分析, 求得相关系数为-0.910 5, 说明E值与重金属Cu含量显著相关, 可以有效监测土壤重金属Cu污染。

	Figure Option View Download New Window
	图10 不同Cu污染梯度PSD分布的能量值EFig.10 The energy values E of PSD distribution of different Cu pollution gradients

综合分析发现, LH-PSD甄测模型可通过直观可视化的PSD分布图定性判别污染, 同时, 将h值与能量值E的监测测结果进行比较发现, 随着土壤中重金属Cu污染浓度的增加, 能量值E呈稳定下降趋势, 且与Cu含量的相关系数明显高于h值, 作为该模型定量化指标效果更优。因而, 经LH-PSD模型处理后选取能量值E可作为土壤中重金属Cu污染定量监测的理想指标。

2.4 LH-PSD模型可靠性验证

为了检验模型的可靠性, 以栽种玉米作物的Cu污染土壤光谱为例进行验证, 相应的土壤污染梯度为0, 250和500 μ g· g^-1, 同样使用SVC HR-1024I地物光谱仪采集土壤光谱, 选取光谱范围为1 000~2 500 nm, 对各土壤光谱经CR处理后, 采用LH-PSD模型对预处理后的光谱进行分析, 并将最终结果以可视化的PSD分布图呈现, 如图11, 分析发现, 随着土壤Cu污染梯度的增加, PSD分布在频率为100与600 Hz处出现分离, 且在100~600 Hz之间呈逐渐稀疏态势, 与实验应用分析结果一致, 可直观可视化定性判别污染。同时, 将PSD分布结果采用能量值E定量化, 并绘制散点图, 如图12所示, 随着土壤中Cu污染梯度的增加, 能量值E呈逐渐下降的趋势, 且E与土壤Cu含量相关系数为-0.973 9, 达到显著相关, 效果理想。因此, 验证了LH-PSD模型的可靠性。

	Figure Option View Download New Window
	图11 验证土壤光谱不同Cu污染梯度的PSD分布图Fig.11 The PSD distributions of soil spectra used for verification of different Cu pollution gradients

	Figure Option View Download New Window
	图12 验证土壤光谱PSD分布的能量值EFig.12 The energy values E of PSD distributions of soil spectra used for verification

3 结论

LH-PSD甄测模型有效提取和甄别了土壤光谱间的特征及弱差信息, 可通过可视化方式定性识别土壤是否受重金属Cu污染, 同时定量监测污染程度, 为土壤重金属污染监测提供参考方法。主要结论如下:

(1)通过LH-PSD模型对2条极相似土壤光谱进行处理, 其PSD分布图使光谱间的微弱差异可视化显现, 对光谱进行了显著区分, 证明了该模型对于甄别光谱特征及弱差信息的有效性。

(2)土壤光谱经包络线去除(CR)预处理后, 光谱间差异特征有效突显。 LH-PSD甄测模型中局部极大值均值(LMM)和半波高(HWH)可有效提取光谱间的差异特征信息并以阶梯状形式显现。 HWH经STFT变换后得到可视化的PSD分布图, 当土壤受重金属Cu污染后, 相同采样频数下, 在频率为100与600 Hz附近PSD分布会出现明显空缺分离, 随着Cu污染浓度的增加, 在100~600 Hz之间PSD的分布呈逐渐稀疏态势, 根据PSD的这一特性可用于直观可视化地定性判别土壤是否受重金属Cu污染及污染浓度范围。同时, 对定量化指标h值和能量值E进行比对分析, 发现随着土壤Cu污染浓度的增加, h值波动较大, 而能量值E相对稳定且呈下降趋势, 加之E值与土壤Cu含量的相关系数达到-0.910 5, 明显高于h值, 监测效果更理想。

(3)通过采用栽种玉米作物的Cu污染土壤光谱对LH-PSD甄测模型的检验, 其可视化的PSD分布图结果与实验分析中基本一致, 且能量值E的监测结果与土壤中Cu含量相关系数达到-0.973 9, 相关性显著, 达到了土壤Cu监测效果, 验证了模型的可靠性。

参考文献

文献列表

[1]	YU Min-da, ZHANG Hui, HE Xiao-song, et al(虞敏达, 张慧, 何小松, 等). Chinese Journal of Environmental Engineering(环境工程学报), 2016, 10(3): 1500. [本文引用:1]
[2]	Zhiyuan Li, Zongwei Ma, Tsering Janvan der Kuijp, et al. Science of the Total Environment, 2014, 468-469: 843. [本文引用:1]
[3]	Chimere May Ohajinwa, Peter M an Bodegom, Martina G Vijver, et al. Environmental Research, 2018, 164: 385. [本文引用:1]
[4]	LIU Dan, ZHAO Yong-hong, ZHOU Dan, et al(刘丹, 赵永红, 周丹, 等). Environmental Chemistry(环境化学), 2017, 36(7): 1556. [本文引用:1]
[5]	Parham Pahlavani, Behnaz Bigdeli. Frontiers of Earth Science, 2017, 11(4): 774. [本文引用:1]
[6]	Pablo H Rosso, James C Pushnik, Mui Lay, et al. Environmental Pollution, 2005, 137. [本文引用:1]
[7]	HE Jun-liang, ZHANG Shu-yuan, ZHA Yong, et al(贺军亮, 张淑媛, 查勇, 等). Remote Sensing Technology and Application(遥感技术与应用), 2015, 30(3): 407. [本文引用:1]
[8]	Shi Zhou, Wang Qianlong, Peng Jie, et al. Science China·Earth Sciences, 2014, 57(7): 1671. [本文引用:1]
[9]	XIAO Jie-ying, WANG Yan, ZHANG Qian, et al(肖捷颖, 王燕, 张倩, 等). Hubei Agricultural Sciences(湖北农业科学), 2013, 52(6): 1248. [本文引用:1]
[10]	XIE Xian-li, SUN Bo, HAO Hong-tao(解宪丽, 孙波, 郝红涛). Acta Pedologica Sinica(土壤学报), 2007, (6): 982. [本文引用:1]
[11]	TU Ye-xin, FEI Teng(涂晔昕, 费腾). Hubei Agricultural Sciences(湖北农业科学), 2016, 55(6): 1361. [本文引用:1]
[12]	XU Ming-xing, WU Shao-hua, ZHOU Sheng-lu, et al(徐明星, 吴绍华, 周生路, 等). J. Infrared Millim. Waves(红外与毫米波学报), 2011, 30(2): 109. [本文引用:1]
[13]	CHI Guang-yu, GUO Nan, CHEN Xin(迟光宇, 郭楠, 陈欣). Soil and Crop(土壤与作物), 2017, 6(4): 243. [本文引用:1]
[14]	Ali Al Maliki, David Bruce, Gary Owens. Environmental Technology & Innovation, 2014, 1-2: 8. [本文引用:2]
[15]	Paresh H Rathod, Ingo Müller, Freek D Van der Meer, et al. Environmental Monitoring and Assessment, 2016, 188: 558. [本文引用:1]
[16]	Okubo Sho, Iwakuni Kana, Yamada Koichi M T, et al. Journal of Molecular Spectroscopy, 2017, 341: 10. [本文引用:1]
[17]	MA Zai-ru, SUI Zhan, ZHOU Gui-yong, et al(马再如, 隋展, 周桂勇, 等). Acta Physica Sinica(物理学报), 2013, 62(15): 178. [本文引用:1]
[18]	XIE Bo-cheng, XUE Xu-zhang, LIU Wei-dong, et al(谢伯承, 薛绪掌, 刘伟东, 等). Acta Pedologica Sinica(土壤学报), 2005, (1): 171. [本文引用:1]
[19]	Kemal Avci. Turk J Elec Eng & Comp Sci. , 2016, 24: 2513. [本文引用:1]

2016

0.0

... 人类生产生活等活动直接或间接的对土壤生态环境产生影响^[1,2], 致使土壤中重金属含量高于自然背景值^[3], 造成重金属污染, 进而影响作物及食品安全, 危害人体健康^[4], 因而如何快速、高效甄测土壤重金属污染信息成为关键问题 ...

2014

0.0

2018

0.0

2017

0.0

2017

0.0

... 随着高光谱遥感技术的快速发展, 其光谱分辨率高、信息量大、快速无损等特点在环境监测等应用方面优势明显^[5,6] ...

2005

0.0

... 随着高光谱遥感技术的快速发展, 其光谱分辨率高、信息量大、快速无损等特点在环境监测等应用方面优势明显^[5,6] ...

2015

0.0

Jun-liang

, ZHANG

Shu-yuan

, ZHA

Yong

, et al(贺军亮, 张淑媛, 查勇, 等). Remote Sensing Technology and Application(遥感技术与应用), 2015, 30(3): 407.

Heavy metal pollution in soil is one of the major environmental issues in the world.The issue that how to obtain the information of heavy metals content and distribution in soil rapidly and efficiently,which is the prerequisite for assessment and evaluation of pollution risk.Hyperspectral remote sensing has the advantage of offering non\|destructive and real\|time information while the study of retrieving soil heavy metals content by hyperspectral remote sensing is still under discussion.So this paper introduced and analyzed the achievements of inversion mechanism and modeling methods.The analysis shows that fully study of the adsorption properties of heavy metals in different soil types is the basis for deeply understanding inversion mechanism of heavy metals content in soils.This paper offered to strengthen the comparative analysis of different kinds of soil and different degree of pollution cases,develop the spectral signal processing methods,and introduce the algorithms for nonlinear models and setting up the model for chemical forms of heavy metals,which are the key research directions to estimate heavy mental content in soil by remote sensing.

(1.Key Laboratory of Ministry of Education for Virtual Geographic Environment,School of Geography Science,Nanjing Normal University,Nanjing 210046,China; 2.School of Resources and Environment Science,Shijiazhuang University,Shijiazhuang 050035,China)

土壤重金属污染是当今重要的世界性环境问题之一。如何快速高效地获取土壤重金属含量及分布信息是进行污染风险评价及预测研究的前提。高光谱遥感具有无损、实时获取信息的优势,利用高光谱技术反演土壤重金属含量仍处于探讨阶段,对其反演机理和建模方法的研究成果进行了介绍和分析。认为充分研究不同类型土壤对重金属的吸附特性,是深入理解重金属含量反演机理的基础。加强不同土壤类型、不同污染程度的案例对比分析,发展光谱信号处理方法,引入非线性建模算法,构建重金属形态量反演模型,是土壤重金属含量遥感估算研究的重要研究方向。 

... 土壤组分及粒径等属性信息繁多, 加之外界环境等因素干扰, 致使途经土壤的电磁遥感信号反射、辐射过程复杂^[7,8], 通过仪器获得的高光谱数据难以直接解析出重金属污染信息^[9] ...

2014

0.0

2013

0.0

2007

0.0

XIE

Xian-li

, SUN

, HAO

Hong-tao

(解宪丽, 孙波, 郝红涛). Acta Pedologica Sinica(土壤学报), 2007, (6): 982.

A rapid,simple and lowcost method,based on the technology of reflectance spectroscopy,for measuring soil heavy metal contents is needed for monitoring and remedying heavy metal contaminated soils.Soil samples were collected from a Cu-Cd contaminated area in the vicinity of a copper smeltery in Guixi,Jiangxi Province,to explore relationships between visible-infrared reflectance spectra and contents of Cu,Zn,Pb,Cd,Cr,Co,Mn,Ni,and Fe in the heavy metal contaminated soil and their mechanisms.Results show that Cu (ranging from 66.7 mg kg -1 to 387 mg kg -1 ) and Cd (from 0.36 mg kg -1 to 6.02 mg kg -1 ) were highlyenriched in the soil,and reflectance spectra of the soil samples were significantly related to contents of heavy metals in the soil,with the highest correlation coefficient of Cu being-0.87,of Pb,Zn,Co,Ni and Fe being> 0.80,and of Cr,Cd and Mn being> 0.70.Derivative spectra are applicable to extraction of information of heavy metals in soils and bands combination may significantly improve their correlations.The relationship of Cu with reflectance spectra was affected by organic matter;of Zn,Pb,Co,and Ni,by silicate minerals and ferriferous-manganese oxides;and of Cr,by both organic matter and clay minerals.

发展基于反射光谱技术的快速、简便、低成本的土壤重金属信息提取方法是区域土壤重金属污染治理所需要的。选择江西贵溪铜冶炼厂污染区,分析了9种重金属元素(Cu、Pb、Zn、Cd、Co、Ni、Fe、Mn及Cr)与土壤可见光-近红外反射光谱之间的相关性及其相关的原因。研究表明,研究区土壤中存在Cu(含量介于66.71~387mgkg -1 之间)和Cd(含量介于0.36~6.019mgkg -1 之间)的强烈富集。土壤重金属含量与反射光谱之间存在显著相关,污染元素Cu的最高相关系数为-0.87,Pb、Zn、Co、Ni、Fe的最高相关系数达到高度相关(| r |>0.80),Cr、Cd、Mn的最高相关系数达到显著相关(| r |>0.70)。微分光谱适于获取土壤中的重金属元素信息,利用组合波段能显著提高相关性。Cu与反射光谱之间的相关性主要受有机质的影响;Pb、Zn、Co、Ni主要受黏土矿物和铁锰氧化物的影响;Cr与反射光谱之间的相关性同时受有机质和黏土矿物的影响。

... 近年来, 应用高光谱遥感对土壤及作物重金属污染监测的研究有一定进展, 解宪丽等^[10]提出组合连续统去除、主成分分析、光谱变换等土壤重金属污染信息的提取方法, 分析了Cu等9种重金属含量与土壤可见光-近红外反射光谱的相关性, 发现Cu等含量与反射光谱之间存在显著相关 ...

2016

0.0

... 涂晔昕等^[11]介绍了高光谱监测土壤重金属污染的监测尺度、建模方法等, 指出经验模型普适性较低, 因果关系解释较为困难, 物理模型虽普适性较好, 但前提条件与参数较多, 伴随较大计算量 ...

2011

0.0

Ming-xing

, WU

Shao-hua

, ZHOU

Sheng-lu

, et al(徐明星, 吴绍华, 周生路, 等). J. Infrared Millim. Waves(红外与毫米波学报), 2011, 30(2): 109.

This paper, based on the rapid and nondestructive testing of hyperspectral reflectance compared with conventional methods, constructed hyperspectral models for retrieving soil heavy metal content in different historical period by correlation analysis and multivanable statistical method. The result shows that the correlation between content of Cd, Cr, Cu, Ni, Pb and hyperspectral reflectance of 400 similar to 550nm and 1000 similar to 2500nm is more distinguished than other bands, and that the correlation enhanced remarkably after the original spectra derivate transformed. The first derivate stepwise linear regression model is optimal for retrieving soil heavy metal content in different period, with a minimum determination coefficient of 0. 92 and maximum RMSE of 1. 83. The relationship of As with reflectance spectra was affected by ferriferous oxides, organic matter and carbonate mineral; of Cd, Cu and Ni, by ferriferous oxides, clay mineral and organic matter, respectively; of Cr, by many factors; and of Pb, by both ferriferous oxides and clay mineral.

[Xu Ming-Xing; Wu Shao-Hua; Zhou Sheng-Lu; Ma Chun-Mei; Zhu Cheng] Nanjing Univ, Sch Geog & Oceanog Sci, Nanjing 210093, Peoples R China.;[Xu Ming-Xing; Wu Shao-Hua] Chinese Acad Sci, Inst Soil Sci, State Key Lab Soil & Sustainable Agr, Nanjing 210008, Peoples R China.;[Liao Fu-Qiang] Jiangxi Normal Univ, Sch Geog & Environm, Nanchang 330022, Peoples R China.

... 徐明星等^[12]对含重金属的考古土壤进行光谱分析, 发现Cu和Pb等含量与原始光谱在400~550和1 000~2 500 nm存在显著相关, 且应用微分变换有助于提取土壤中重金属元素信息 ...

2017

0.0

... 迟光宇等^[13]集中分析了基线校正、反射率倒数、变量标准化等光谱处理方法, 并对单比例指标等各种模型进行了总结概述, 阐明了高光谱遥感应用于土壤重金属污染监测的机理及可行性 ...

2014

0.0

... Ali Al Maliki等^[14]将光谱与化学分析相关联监测土壤中Pb含量, 得出反射光谱可迅速确定均质土壤中的Pb污染 ...

... 由于光谱在1 000~2 500 nm范围内对重金属Cu污染敏感^[14], 因而选取光谱的波段范围为1 000~2 500 nm, 同时由于光谱在1 900 nm附近受水汽吸收等影响严重, 因此去除1 891~1 910 nm范围的光谱, 最终参与分析的土壤光谱如图4所示, 观察发现, 各光谱反射率大小变化不一、特征不明显 ...

2016

0.0

... Paresh H Rathod等^[15]通过对重金属Cd和Pb等污染土壤的光谱研究发现, 表层土壤的重金属浓度与包络线去除光谱之间存在显著相关性, 采用偏最小二乘回归方法对土壤中重金属含量进行监测效果较好 ...

2017

0.0

... 拟基于实验获取的土壤光谱数据, 定义局部极大值均值(local maximum mean, LMM)与半波高(half wave height, HWH), 应用时频分析的短时傅里叶变换^[16,17](short-time Fourier transform, STFT)及其能量谱密度(power spectral density, PSD)构建LH-PSD甄测模型, 对不同Cu污染浓度下土壤光谱间的特征及弱差信息进行甄别与分析, 并经栽种玉米作物Cu污染土壤光谱验证了模型的可靠性, 以期实现从新的角度去甄测和挖掘土壤光谱中的重金属污染信息 ...

2013

0.0

2005

0.0

XIE

Bo-cheng

, XUE

Xu-zhang

, LIU

Wei-dong

, et al(谢伯承, 薛绪掌, 刘伟东, 等). Acta Pedologica Sinica(土壤学报), 2005, (1): 171.

土壤的光谱反射率是土壤内在的理化特征之光谱行为的综合反应 [1] 。Stoner [2] 比较详细地描述了五大类土壤光谱反射曲线类型及其与土壤性质、土壤发生分类的关系。戴昌达等 [3] 根据 360~2 500nm的土壤光谱反射率,将我国主要土壤的光谱反射特性曲线划分为平直型、缓斜型、陡坎型和波浪型四类。王深法等 [4] 对浙江省石灰土光谱特征进行分类研究,对起源不同、发育程度不同的石灰土,利用石灰土的心土层的光谱特征量为参数,进行判别归类,取得了满意的结果。吴豪翔等 [5] 对南方山地丘陵的砖红壤、红壤、黄壤、水稻土和紫色土的光谱特征进行了分析,为土壤的发生分类研究提供了光谱的定量指标。

... 计算公式如式(1)和式(2)^[18] ...

2016

0.0

... -u)为窗函数, 使用Hamming窗^[19] ...