论文部分内容阅读
摘 要：近年来土壤重金属污染日益严重，对生态环境安全和人类健康构成了严重威胁。高光谱遥感技术具有快速、宏观地获取地物信息的能力，为快速高效获取土壤重金属含量开展污染防治提供了科学手段。本文总结了基于土壤光谱分析和植被光谱分析的两类土壤重金属污染高光谱遥感监测的方法及原理，介绍了土壤重金属含量反演建模过程及建模方法。土壤光谱分析法预测重金属含量主要基于实验室土壤光譜展开，具有较高的预测精度，但很难实现大范围土壤重金属污染监测;植被光谱分析法多是基于野外实测光谱数据展开，预测精度相对较低，但较易与高光谱影像相结合进行区域土壤重金属污染预测，是今后研究的热点方向。多元逐步线性回归和偏最小二乘回归是土壤重金属含量反演应用最为广泛的建模方法，但反演模型往往缺乏普适性和稳定性，随着高光谱传感器和数据获取平台的发展，普适性更好稳定性更强的建模方法将不断出现。
关键词：土壤重金属;高光谱遥感;监测方法;反演模型
Abstract： Heavy metal pollution in soil is a serious threat to ecological environment and human health. Hyperspectral remote sensing technology has the ability to acquire ground object information quickly and macroscopically. It provides a scientific method for fast， efficiently and quantitatively acquiring the heavy metal contents in soil and pollution prevention. In this paper， the methods and principles of hyperspectral remote sensing monitoring of soil heavy metal pollution were summarized based on soil spectral analysis and vegetation spectral analysis. The process and modeling method of soil heavy metal content inversion were introduced. The prediction of heavy metal contents by soil spectral analysis is based on the laboratory soil spectrum， which has high prediction accuracy， but it is difficult to realize the large-scale monitoring of heavy metal pollution in soil. Vegetation spectral analysis is mostly based on field measuring spectral data， with relatively low prediction accuracy. However， it is easy to combine with hyperspectral images to predict regional soil heavy metal pollution. Therefore， it is a most popular research field in the future. Multiple stepwise linear regression and partial least squares regression are the most widely used modeling methods for inversion of soil heavy metal contents， but the inversion model often lacks universality and stability. With the development of hyperspectral sensors and acquisition platforms， modeling methods with better universality and stability will continue to emerge.
Keywords： Soil heavy metals; Hyperspectral remote sensing; Monitoring method; Inversion model
0 前言
近年来我国工农业生产发展迅速，土壤环境污染日益严重，其中以铜（Cu）、铅（Pb）、锌（Zn）、汞（Hg）、镉（Cd）、铬（Cr）、砷（As）、镍（Ni）等为代表的生物毒性显著的重金属污染尤其突出（庄国泰，2015;周建军等，2014）。2014年全国土壤污染状况调查公报显示，我国土壤总超标率16.1%，其中无机污染物占总超标点位的82.8%（环境保护部，国土资源部，2014）。我国耕地因受重金属污染质量状况堪忧，每年因土壤重金属污染而损失的粮食作物约1200万吨（Teng，et al.，2010）。土壤重金属污染不仅会造成农作物减产、质量下降，甚至会通过食物链的方式影响人类健康（纪小凤等，2016），因此对土壤重金属的监测十分必要。如何快速高效地检测出土壤重金属污染区域并评估其污染程度，是开展土壤污染监测的关键，也是政府部门开展土壤环境治理的重要前提。
传统的土壤重金属污染检测方法通常是对野外采集的土壤样品开展实验室化学分析，该方法测量精度高、准确性强，但由于检测环节多、耗时长、成本高，很难快速获取大区域上的污染物含量及分布信息（肖捷颖等，2013）。高光谱遥感具有快速、宏观地获取地物信息的能力，在土壤重金属污染监测领域不断显示出其独特的优势。本文概述了利用高光谱遥感技术开展土壤重金属污染监测的原理、方法以及反演模型的建立，分析了高光谱遥感在土壤重金属污染监测中存在的问题以及未来的发展展望。 1 高光谱遥感概述
高光谱遥感（Hyperspectral Remote Sensing）又称成像光谱遥感，是当前遥感的前沿技术。它将光谱技术与成像技术相结合，能够获取目标物非常窄且连续的光谱信息以及空间分布信息，光谱获取范围覆盖了电磁波的紫外波段至热红外波段（肖博林，2020;吴振洲，2012）。高光谱遥感以光谱范围宽、光谱分辨率高及“图谱合一”的特点，极大地提高了地表覆盖探测和地物识别能力，使半定量和定量地识别地物类别成为可能（刘勋等，2019），近年来逐渐被探索应用于土壤重金属监测领域。
2 土壤重金属污染高光谱遥感监测方法
土壤中的重金属元素属于微量元素，在土壤光谱上很难捕捉到重金属信息，因此通过直接分析光谱曲线的吸收反射特征估算重金属含量比较困难（龚绍琦等，2010）。可根据重金属元素与其他物质的吸附关系以及对植被的胁迫特征，间接地预测元素含量，确定土壤污染程度。目前利用高光谱遥感开展土壤重金属污染监测的方法主要分为如下两种：（1）直接根据土壤光谱与重金属元素间的相关性进行元素含量反演估算;（2）根据被重金属污染胁迫植被的光谱信息间接预测土壤重金属污染状况。
2.1 土壤光谱分析法预测重金属含量
虽然重金属在土壤中属微量元素，没有明显的特征光谱，但土壤中的黏土矿物、土壤有机质等组分往往与之存在吸附或赋存关系（WU，et al.，2006），这些组分的存在导致土壤光谱形态和反射率大小在一定程度上发生改变，使土壤光谱曲线显示出特定的反射特征，利用重金属元素与这些组分之间的相关性可估算元素含量。
土壤光谱分析法估算土壤重金属含量的实现方法是，利用实验室或野外实测的土壤样品光谱数据，经断点修复、平滑等预处理后，将原始光谱及其数学变换、连续统去除等变换后的光谱指标与测定的土壤重金属含量进行相关分析，建立土壤重金属含量与光谱指标特征波段的最佳回归模型，利用该模型定量反演出土壤重金属含量。
解宪丽等（2007）研究发现江西贵溪铜冶炼厂污染区土壤的Cu、Pb、Zn、Co、Ni、Fe、Cd、Cr、Mn 9种元素含量与土壤可见光-近红外反射光谱之间存在显著相关，相关原因为有机质、黏土矿物、铁锰氧化物等土壤组分对上述重金属元素有存在吸附作用。李琼琼等（2019）通过采集土壤样本，分析土壤光谱信息，采用偏最小二乘法建立了城市居民区土壤Cu、Pb、Zn元素的反演模型，其中Pb元素的反演精度最高（R2=0.77，RMSE=7.66），模型具有较好的预测能力。王金凤等（2019）基于室内测定的土壤高光谱数据，利用逐步回歸方法甄选出了与铁氧化物、有机质、黏土矿物等有关的有效光谱变量580、810、1410、1910、2160、2260、2270、2350、2430nm，运用随机森林、支持向量机、偏最小二乘等方法建立Zn元素含量反演模型，结果表明基于二阶微分变换的随机森立模型反演精度最高（R2=0.94，RMSE=18.01），是喀斯特地区锌元素含量反演的最佳模型。
以上研究均是基于实验室土壤高光谱数据开展，实验室条件下测得的土壤光谱数据受外界环境条件影响最小，光谱数据处理条件较为一致，研究的重点便集中在建模方法的选择上，因此利用实验室土壤光谱直接分析土壤重金属含量是目前土壤重金属高光谱反演中最为成熟的方法，但受土壤样品采集数量和范围的限制，基于实验室土壤高光谱很难实现大区域土壤重金属污染的监测。
2.2 植被光谱分析法预测重金属含量
研究表明，土壤中的重金属能对植物的生理结构特征产生影响，尤其是对叶绿素的合成影响较大，从而改变植物的光谱特性（唐鹏等，2014）。当植被收到重金属污染胁迫时，植被叶片中的叶绿素含量会降低，使得植被波普的“红边位置”（指由于植物体内叶绿素的吸收作用，致使植被反射波谱特征在红光波段到近红外波段处（660～770nm）急剧升高）向短波方向偏移，形成红边“蓝移”现象（张志斌，2013;邬登巍等，2009;Bonham-carter，1988）。“红边位置”、植被指数等是表征植被生长状态的重要参数。重金属污染对植被光谱特征和植被生长状态参数变化的影响，是利用植被光谱分析预测重金属污染的基础。
植被光谱分析法预测土壤重金属含量的实现方法是，测定重金属污染条件下表层土壤的重金属含量和植被叶片的叶绿素含量（或根据植被光谱特征形成“红边位置”、植被指数等植被生长状态参数），分析叶绿素含量或植被生长状态参数与土壤重金属含量之间的相关关系，建立土壤重金属含量反演模型，预测研究区土壤重金属污染情况。
利用植被光谱分析法预测重金属污染的一种方式是基于地面高光谱仪采集植物叶片的高光谱反射数据，与测定的叶片叶绿素含量及重金属含量，建立预测模型。如于庆等（2018）用Field Spec HH便携式手持地物光谱仪采集了典型污灌区冬小麦冠层光谱，建立了Cr、Ni、Pb、Zn、Hg、Cd元素含量反演模型，实现了重金属含量及空间分布特征反演。另一种方式是基于机载和星载高光谱仪，持续获取地面受污染植被的光谱信息，建立反演模型，实现土壤重金属的实时、大面积、原位监测。如刘昭贤等（2019）利用无人机搭载的HyspexSWIR-384成像光谱仪获取高光谱影像，并利用便携式地物光谱仪同步采集地面光谱数据，实现了农田Cd元素的快速检测;易兴松等（2018）利用无人机获取GS高光谱数据开展了农田As、Cr、Pb等元素的建模反演，并与ASD光谱仪采集光谱建模的预测精度进行了对比，结果表明无人机GS光谱具备监测土壤重金属的能力，但预测精度不及ASD光谱。杨灵玉等（2016）基于Hyperion高光谱影像数据，建立了基于植被指数的玉树县土壤重金属Zn和Cd含量的估算模型。
地面实测光谱数据具有波段多、精度高的特点，因此利用植被光谱分析法开展土壤重金属含量的研究多集中在对地面实测光谱数据的分析上。但由于植被在高光谱影像上具有独特的响应特征，同时高光谱影像具备获取速度快、覆盖面积广的优点，近年来利用机载和星载高光谱影像反演重金属含量的研究逐渐增加，基于高光谱影像的植被光谱分析法也成为目前土壤重金属含量反演研究的热点。 相较于地面实测光谱数据，机载和星载高光谱数据获取后需进行较为复杂的数据预处理。如噪声去除（消除传感器自身影响）、辐射定标、大气校正（消除大气、光照等因素影响）、几何纠正（消除影像几何畸变）等处理，以期最大程度降低大气等环境因素对光谱信息的干扰。经过数据处理后的高光谱影像数据可与实测光谱数据相结合进行区域土壤重金属预测，但因地面实测数据和机载（或星载）高光谱数据观测尺度的不同，两者光谱参数间存在差异，导致高光谱影像预测土壤重金属的精度较低（张亚光等，2019）。
3 反演模型的建立
3.1 光谱处理
由于土壤背景光谱信号强，光谱噪声较大，在土壤样品的制备、光谱数据采集的过程中难免受到环境、仪器以及人为因素的影响，使采集的光谱数据包含较大的噪声，加之土壤背景光谱信号强，容易掩盖重金属元素在光谱信息上的表征，甚至出现谱图的偏移或漂移现象（贺军亮等，2015）。因此，在利用土壤光谱数据开展重金属含量的相关分析前进行高光谱数据的处理，以减少背景和噪声的影响是非常必要的。
（1）光谱预处理
光谱预处理的作用是减小光谱数据采集过程中随机因素产生的噪声影响。主要有以下处理方法：断点修正，地物光谱仪采集的光谱数据通常由若干探测元件采集光谱组合而成，需要进行断点修正以消除因不同探测元件造成的误差;平滑处理，用以减弱频率高、量值小的噪声对反演模型的影响（佐藤幸男等，2001）;重采样，可降低高光谱数据相邻波段间存在的数据冗余（Kemper，et al.，2002）;基线校正，可以解决基线的偏移或漂移问题（贺军亮，2015）、标准正态变量校正（Standard Normal Variate Transformation，SNV）和多元散射校正（Multiplicative Scatter Correction，MSC），可消除光谱中因土壤样品颗粒大小不一造成的散射影响（袁琳，2010;Chen，et al.，2002）。
（2）光谱变换
光谱变换的作用是减弱背景噪声的影响，增强重金属元素在土壤光谱中的响应（郭斗斗等，2014）。常见的光谱变换方法有：光谱微分，倒数的对数，连续统去除等。
光谱微分技术能够降低环境背景对光谱的干扰，突出土壤光谱中与重金属相关的光谱信息（Gholizadeh，et al.，2015;夏军，2014），提高反演模型精度，一阶微分与二阶微分是光谱微分最常用的方式;倒数的对数可增强光谱差异，减少随机因素产生的影响（钟燕，2016）;连续统去除可有效突出光谱曲线的吸收和反射特征，增强与重金属含量间的相关性（赵小敏等，2018）。
3.2 特征波段选择
研究土壤重金属采用的高光谱谱段范围包括了可见光至热红外区域，波段窄而多，需要从这些波段筛选出与重金属含量相关的特征波段作为反演建模的变量。目前常用的方法是基于土壤重金属含量与土壤反射率的相关系数，利用逐步回归算法选择特征波段。有研究显示经过光谱变换处理后的光谱曲线相比原始的光谱曲线可以更有效地提取出光谱的特征波段（沈强等，2019）。
张银玲等（2016）根据重金属含量与土壤反射率之间的相关系数大小和显著性水平选择重金属元素对应的特征光谱波段，利用逐步回归算法和模型最佳适应值为指标选取最佳波段，建立了Zn、Cu、Ni、Cr元素的光谱对数一阶微分反演模型;王金凤等（2019）在对土壤原始光谱进行数学变换的基础上，通过分析土壤光谱曲线的吸收特征初步选取光谱波段，利用重金属含量与光谱波段的相关性分析进一步筛选特征光谱变量，最终采用逐步回归法确定建模的最佳光谱变量。除上述方法外，还有遗传算法、非信息变量消除、连续投影算法、间隔偏最小二乘、卡尔曼滤波、窗口PLS、竞争性自适应加权算法等方法进行特征波段的选择（张亚光等，2019;袁自然等，2020）。
由于土壤中吸附重金属的物质组分不同，吸附机理多样，土壤本身理化性质也存在差异，在进行高光谱反演建模时，即使同种重金属元素的所采用的最佳反演波段也存在较大差异（张静静等，2018）。目前多数学者在进行土壤重金属含量反演时选取的特征波段集中于近红外—短波红外范围内，也有学者采用热红外光谱反演重金属含量，并取得相应成果（李淑敏等，2010）。
3.3 建模方法
土壤光谱是土壤中各种物质成分光谱性质的综合反映，由于土壤成分的复杂性，很难直接建立某种重金属含量与土壤特征光谱波段间的数学物理模型（贺军亮等，2015）。目前基于土壤高光谱建立重金属含量估算模型的方法通常为经验统计法，主要包括多元逐步线性回归（Multiple Stepwise Linear Regression，SMLR）、主成分回归（Principal Component Regression，PCR）、偏最小二乘回归（Partial Least Squares Regression，PLSR）、人工神经网络回归（Artificial Neural Network，ANN）、支持向量机回归（Support Vector Machines，SVR）、随机森林（Random Forests， RF）、多元自適应回归（Multivariate Adaptive Regression，MAR）、自适应神经模糊推理（Adaptive Neural Fuzzy Inference System，ANFIS）诊断指数回归等诸多方法（王金凤等，2019;涂晔昕等，2016），在特定的研究区这些方法所建立的模型均可达到定量计算的标准，其中多元逐步线性回归和偏最小二乘回归是目前应用更为最广泛的反演方法（刘勋等，2019;郭颖等，2018）。
多元逐步线性回归法是利用逐步法筛选出参与模型建立的最佳光谱变量进行多元线性回归的方法，适合多因素影响的变量建模，可根据各因素间相关程度的高低，优化回归效果。首先通过相关性分析找出与重金属含量显著相关的光谱波段作为建模的光谱变量，然后根据F统计量的显著水平逐步筛选进入多元线性回归的变量，将决定系数R2最大、均方根误差RMSE最小的回归模型确定为重金属元素反演的最佳模型。徐明星等（2011）基于对不同历史时期考古土壤中重金属含量开展高光谱遥感研究，应用多元逐步线性回归法建立了基于光谱一阶微分的土壤重金属含量反演模型。胡佳楠等（2017）基于实验室测量的土壤光谱数据，经多种光谱变换，建立了适合于准东煤田土壤汞含量估算的多元逐步线性回归模型，结果表明土壤光谱的一阶微分变换是建立重金属含量反演模型的最佳指标。 偏最小二乘回归法是一种综合了主成分回归和多元线性回归两者的优势的建模方法，适合于样本数量较少甚至少于变量个数，变量之间又存在多重相关性的情况，具有稳定性强、预测精度高、便于定量解释的优点，被广泛应用于土壤重金属含量反演研究中。贺军亮等（2019）基于土壤有机质光谱诊断特征，采用偏最小二乘回归法建立了Pb元素的多光谱变换指标偏最小二乘回归模型（M-PLSR）;张银玲等（2016）以准东煤田煤矿开采区为研究区，在对土壤光进行了多种变换的基础上，应用偏最小二乘回归法构建了Zn、Cu、Ni元素重金属含量反演模型。
在以上研究中，虽然采用的反演方法基本一致，但因土壤中重金属元素类型、土壤质地等的差异，各研究得出的最佳回归模型有所不同。因此，以上研究方法虽然在特定区域取得了良好的反演 成果，但所建立的反演模型适应性却很差。
4 问题与展望
4.1 存在问题
（1）当前对土壤样本的光谱测量大多是实验室测定，是在较为理想的状态下进行的，难以将所取得的经验成果应用于航空航天遥感影像，进行土壤重金属的空间分布反演。需进一步加强野外光谱测量研究，研究消除大气、光照、植被等环境因素的影响，实现地面土壤光谱测量与遥感影像相结合的应用。
（2）反演土壤重金属含量采用的建模方法通常是经验统计法和植被指数法，反演模型往往因缺乏普适性和稳定性而难以得到广泛应用。需在遥感高光谱反演土壤重金属含量模型与理论方法方面加强研究，增强土壤重金属反演模型的普适性、稳定性以及预测的准确性。
（3）土壤光谱特征极其复杂，影响土壤光谱特征的因素较多，不同土壤对不同的重金属吸附状态不同，相同的土壤在不同的环境下对重金属吸附的程度也有所差异。需进一步研究土壤中重金属元素的依附机理，以及重金属含量对土壤光谱变化的影响。
（4）当前对土壤重金属的研究主要集中在某一特定区域、特定时段重金属含量的反演上，鲜有学者利用长时间序列高光谱遥感数据开展对某一区域土壤重金属的演化特征和迁移规律的研究。
4.2 展望
（1）数据获取平台更加丰富
随着技术的进步，高光谱遥感数据的获取方式更加多样化，形成星载高光谱、机载高光谱和地面高光谱的“星-空-地”三维度获取态势，尤其是无人机高光谱得到广泛应用，大大提高数据的获取效率，更加有利于土壤重金属污染的监测。
（2）传感器性能大幅提升
高光谱传感器得到快速发展，高光谱影像数据的精度不断提高，土壤重金属污染监测的方法从实验室高光谱分析发展到高光谱影像分析，大空间尺度的高光谱与土壤理化性质的研究将不断涌现，有助于实现大范围的土壤质量状况监测。
（3）建模方法更加多样化
建模方法决定了土壤重金属信息反演的精度，目前已出现了对现有模型优化改进或将新方法用于土壤重金属含量反演的试验，随着高光谱数据的发展，新的建模方法会不断出现，使得反演模型具有更强的稳定性、更高的反演精度和更好的适应性。
参考文献：
龚绍琦， 王鑫， 沈润平， 等， 2010. 滨海盐土重金属含量高光谱遥感研究[J]. 遥感技术与应用， 25（2）：169-177.
郭斗斗， 黄绍敏， 张水清， 等， 2014. 多种潮止有机质高光谱预测模型的对比分析[J]. 农业工程学报， 30（21）：192-200.
郭颖， 毕如田， 郑超， 等， 2018. 土壤重金属高光谱反演研究综述[J]. 环境科技， 31（1）：67-71.
环境保护部， 国土资源部， 2014. 全国土壤污染状况调查公报[EB/OL]. http：//www.mee.gov.cn/gkml/sthjbgw/qt/201404/W020140417558995804588.pdf.
胡佳楠， 塔西甫拉提·特依拜， 宋玉， 等， 2016. 准东煤田土壤汞含量的高光谱反演[J]. 中国矿业， 25（5）：65-69.
贺军亮， 张淑媛， 查勇， 等， 2015. 高光谱遥感反演土壤重金属含量研究进展[J]. 遥感技术与应用， 30（3）：407-412.
贺军亮， 李志远， 李仁杰， 等， 2019. 基于有机质光谱特征的土壤重金属Pb估算模型研究[J]. 环境污染与防治， 41（7）：753-757.
纪小凤， 郑娜， 王洋， 等， 2016. 中国城市土壤重金属污染研究现状及展望[J]. 土壤与作物， 5（1）：42-47.
李淑敏， 李紅， 孙丹峰， 等， 2010. 基于热红外特征光谱的土壤重金属含量估算模型研究[J]. 红外， 31（7）：33-38.
刘勋， 李长春， 李双权， 等， 2019. 高光谱遥感技术在土壤研究应用中的进展[J]. 安徽农业科学， 47（8）：18-21，34.
刘昭贤， 孟亚宾， 等， 2019. 航空高光谱遥感在重金属土壤污染检测中的应用[J]. 矿山测量， 47（6）：43-47.
李琼琼， 柳云龙， 2019. 城市居民区土壤重金属含量高光谱反演研究[J]. 遥感技术与应用， 34（3）：540-546.
沈强， 张世文， 葛畅， 等， 2019. 矿业废弃地重构土壤重金属含量高光谱反演[J]. 光谱学与光谱分析， 39（4）：1214-1221.
唐鹏， 刘光， 徐俊锋， 2014. 植物重金属胁迫的高光谱遥感研究进展[J]. 杭州师范大学学报（自然科学版）， 13（6）：634-640.
涂晔昕， 费腾， 2016. 从植被高光谱遥感到土壤重金属污染诊断的研究进展[J]. 湖北农业科学， 55（6）：1361-1368. 王金鳳， 王世杰， 白晓永， 等， 2019. 基于高光谱反射率的喀斯特地区土壤重金属锌元素含量反演[J]. 光谱学与光谱分析， 39（12）：3873-3879.
邬登巍， 吴昀昭， 马宏瑞， 2009. 植物污染胁迫遥感监测研究综述[J]. 遥感技术与应用， 24（2）：238-245.
吴振洲， 2012. 微型Offner成像光谱仪和光谱数据处理[D]. 合肥： 中国科学技术大学.
肖捷颖， 王燕， 张倩， 等， 2013. 土壤重金属含量的高光谱遥感反演方法综述[J]. 湖北农业科学， 52（6）：1248-1253.
肖博林， 2020. 基于支持向量机的高光谱遥感影像分类[J]. 科技创新与应用（4）： 22-24.
解宪丽， 孙波， 郝红涛， 2007. 土壤可见光- 近红外反射光谱与重金属含量之间的相关性[J]. 土壤学报， 44（6）：982-993.
夏军， 2014. 准东煤田土壤重金属污染高光谱遥感监测研究[D]. 乌鲁木齐：新疆大学.
徐明星， 吴绍华， 周生路， 2002. 重金属含量的高光谱建模反演：考古土壤中的应用[J]. 红外与毫米波学报， 30（2）：109-114.
于庆， 吴泉源， 姚磊， 等， 2018. 山东典型污灌区冬小麦叶片重金属高光谱反演及空间分布特征[J]. 河南农业科学， 47（8）：54-62.
易兴松， 兰安军， 文锡梅， 等， 2018. 基于ASD 和GaiaSky-mini 的农田土壤重金属污染监测[J]. 生态学杂志， 37（6）：1781-1788.
杨灵玉， 高小红， 张威， 等， 2016. 基于Hyperion 影像植被光谱的土壤重金属含量空间分布反演：以青海省玉树县为例[J]. 应用生态学报， 27（6）：1775-1784.
袁自然， 魏立飞， 张杨熙， 等， 2020. 优化CARS结合PSO-SVM算法农田土壤重金属砷含量高光谱反演分析[J]. 光谱学与光谱分析， 40（2）：567-573.
袁琳， 2010. 网纹瓜可溶性固形物、总酸和坚实度近红外光谱检测技术研究[D]. 咸阳：西北农林科技大学.
佐腾幸男， 雨宫好文， 2001. 信号处理入门[M]. 北京：科学出版社：27-33.
庄国泰， 2015. 我国土壤污染现状与防控策略[J]. 中国科学院院刊， 30（4）：477-483.
周建军， 周桔， 冯仁国，2014. 我国土壤重金属污染现状及治理战略[J]. 中国科学院院刊， 29（3）：315-320.
钟燕， 2016. 基于HSI高光谱数据的耕地土壤重金属镉、铅含量遥感反演[D]. 成都：四川农业大学.
赵小敏， 2018. 江西省红壤地区主要土壤类型的高光谱特性研究[J]. 土壤学报， 55（1）：31-42.
张志斌， 2013. 高光谱遥感对矿山开发环境效应监测技术研究[D]. 中国地质大学（北京）.
张银玲， 姚峰， 牛婷， 等， 2016. 基于高光谱的土壤重金属含量预测模型建立与评价[J]. 新疆环境保护， 38（3）：15-21.
张亚光， 陈建平， 李诗， 2019. 高光谱遥感在土壤重金属污染监测中的应用[J]. 地质学刊， 43（3）：491-498.
Bonham-carter G F， 1988. Numerical procedures and computer program for fitting an inverted gaussian model to vegetation reflectance data [J]. Computers & Geosciences， 14（3）：339-356.
Gholizadeh A， Bor?vka L， Va?át R， et al.， 2015. Estimation of potentially toxic elements Contamination in anthropogenic soils on a brown coal mining dumpsite by reflectance spectroscopy： A case study [J]. Plos One， 10（2）：e117457. https：//doi.org/10.1371/journal.pone.0117457.
Kemper T， Sommer S， 2002. Estimate of heavy metal contamination in soils after a mining accident using reflectance spectroscopy [J]. Environmental Science & Technology， 36（12）： 2742-2747.
Teng Yanguo， Ni Shijun， Wang Jinsheng， et al.， 2010. A geochemical survey of trace elements in agricultural and non- agricultural topsoil in Dexing area， China [J]. Journal of Geochemical Exploration， 104（3）：118-127.
WU Yunzhao， CHEN Jun， JI Junfeng， et al.， 2007. A mechanism study of reflectance spectroscopy for investigating heavy metals in soils[J]. Soil Science Society of America Journal， 71（3）：918-926.
关键词：土壤重金属;高光谱遥感;监测方法;反演模型
Abstract： Heavy metal pollution in soil is a serious threat to ecological environment and human health. Hyperspectral remote sensing technology has the ability to acquire ground object information quickly and macroscopically. It provides a scientific method for fast， efficiently and quantitatively acquiring the heavy metal contents in soil and pollution prevention. In this paper， the methods and principles of hyperspectral remote sensing monitoring of soil heavy metal pollution were summarized based on soil spectral analysis and vegetation spectral analysis. The process and modeling method of soil heavy metal content inversion were introduced. The prediction of heavy metal contents by soil spectral analysis is based on the laboratory soil spectrum， which has high prediction accuracy， but it is difficult to realize the large-scale monitoring of heavy metal pollution in soil. Vegetation spectral analysis is mostly based on field measuring spectral data， with relatively low prediction accuracy. However， it is easy to combine with hyperspectral images to predict regional soil heavy metal pollution. Therefore， it is a most popular research field in the future. Multiple stepwise linear regression and partial least squares regression are the most widely used modeling methods for inversion of soil heavy metal contents， but the inversion model often lacks universality and stability. With the development of hyperspectral sensors and acquisition platforms， modeling methods with better universality and stability will continue to emerge.
Keywords： Soil heavy metals; Hyperspectral remote sensing; Monitoring method; Inversion model
0 前言
近年来我国工农业生产发展迅速，土壤环境污染日益严重，其中以铜（Cu）、铅（Pb）、锌（Zn）、汞（Hg）、镉（Cd）、铬（Cr）、砷（As）、镍（Ni）等为代表的生物毒性显著的重金属污染尤其突出（庄国泰，2015;周建军等，2014）。2014年全国土壤污染状况调查公报显示，我国土壤总超标率16.1%，其中无机污染物占总超标点位的82.8%（环境保护部，国土资源部，2014）。我国耕地因受重金属污染质量状况堪忧，每年因土壤重金属污染而损失的粮食作物约1200万吨（Teng，et al.，2010）。土壤重金属污染不仅会造成农作物减产、质量下降，甚至会通过食物链的方式影响人类健康（纪小凤等，2016），因此对土壤重金属的监测十分必要。如何快速高效地检测出土壤重金属污染区域并评估其污染程度，是开展土壤污染监测的关键，也是政府部门开展土壤环境治理的重要前提。
传统的土壤重金属污染检测方法通常是对野外采集的土壤样品开展实验室化学分析，该方法测量精度高、准确性强，但由于检测环节多、耗时长、成本高，很难快速获取大区域上的污染物含量及分布信息（肖捷颖等，2013）。高光谱遥感具有快速、宏观地获取地物信息的能力，在土壤重金属污染监测领域不断显示出其独特的优势。本文概述了利用高光谱遥感技术开展土壤重金属污染监测的原理、方法以及反演模型的建立，分析了高光谱遥感在土壤重金属污染监测中存在的问题以及未来的发展展望。 1 高光谱遥感概述
高光谱遥感（Hyperspectral Remote Sensing）又称成像光谱遥感，是当前遥感的前沿技术。它将光谱技术与成像技术相结合，能够获取目标物非常窄且连续的光谱信息以及空间分布信息，光谱获取范围覆盖了电磁波的紫外波段至热红外波段（肖博林，2020;吴振洲，2012）。高光谱遥感以光谱范围宽、光谱分辨率高及“图谱合一”的特点，极大地提高了地表覆盖探测和地物识别能力，使半定量和定量地识别地物类别成为可能（刘勋等，2019），近年来逐渐被探索应用于土壤重金属监测领域。
2 土壤重金属污染高光谱遥感监测方法
土壤中的重金属元素属于微量元素，在土壤光谱上很难捕捉到重金属信息，因此通过直接分析光谱曲线的吸收反射特征估算重金属含量比较困难（龚绍琦等，2010）。可根据重金属元素与其他物质的吸附关系以及对植被的胁迫特征，间接地预测元素含量，确定土壤污染程度。目前利用高光谱遥感开展土壤重金属污染监测的方法主要分为如下两种：（1）直接根据土壤光谱与重金属元素间的相关性进行元素含量反演估算;（2）根据被重金属污染胁迫植被的光谱信息间接预测土壤重金属污染状况。
2.1 土壤光谱分析法预测重金属含量
虽然重金属在土壤中属微量元素，没有明显的特征光谱，但土壤中的黏土矿物、土壤有机质等组分往往与之存在吸附或赋存关系（WU，et al.，2006），这些组分的存在导致土壤光谱形态和反射率大小在一定程度上发生改变，使土壤光谱曲线显示出特定的反射特征，利用重金属元素与这些组分之间的相关性可估算元素含量。
土壤光谱分析法估算土壤重金属含量的实现方法是，利用实验室或野外实测的土壤样品光谱数据，经断点修复、平滑等预处理后，将原始光谱及其数学变换、连续统去除等变换后的光谱指标与测定的土壤重金属含量进行相关分析，建立土壤重金属含量与光谱指标特征波段的最佳回归模型，利用该模型定量反演出土壤重金属含量。
解宪丽等（2007）研究发现江西贵溪铜冶炼厂污染区土壤的Cu、Pb、Zn、Co、Ni、Fe、Cd、Cr、Mn 9种元素含量与土壤可见光-近红外反射光谱之间存在显著相关，相关原因为有机质、黏土矿物、铁锰氧化物等土壤组分对上述重金属元素有存在吸附作用。李琼琼等（2019）通过采集土壤样本，分析土壤光谱信息，采用偏最小二乘法建立了城市居民区土壤Cu、Pb、Zn元素的反演模型，其中Pb元素的反演精度最高（R2=0.77，RMSE=7.66），模型具有较好的预测能力。王金凤等（2019）基于室内测定的土壤高光谱数据，利用逐步回歸方法甄选出了与铁氧化物、有机质、黏土矿物等有关的有效光谱变量580、810、1410、1910、2160、2260、2270、2350、2430nm，运用随机森林、支持向量机、偏最小二乘等方法建立Zn元素含量反演模型，结果表明基于二阶微分变换的随机森立模型反演精度最高（R2=0.94，RMSE=18.01），是喀斯特地区锌元素含量反演的最佳模型。
以上研究均是基于实验室土壤高光谱数据开展，实验室条件下测得的土壤光谱数据受外界环境条件影响最小，光谱数据处理条件较为一致，研究的重点便集中在建模方法的选择上，因此利用实验室土壤光谱直接分析土壤重金属含量是目前土壤重金属高光谱反演中最为成熟的方法，但受土壤样品采集数量和范围的限制，基于实验室土壤高光谱很难实现大区域土壤重金属污染的监测。
2.2 植被光谱分析法预测重金属含量
研究表明，土壤中的重金属能对植物的生理结构特征产生影响，尤其是对叶绿素的合成影响较大，从而改变植物的光谱特性（唐鹏等，2014）。当植被收到重金属污染胁迫时，植被叶片中的叶绿素含量会降低，使得植被波普的“红边位置”（指由于植物体内叶绿素的吸收作用，致使植被反射波谱特征在红光波段到近红外波段处（660～770nm）急剧升高）向短波方向偏移，形成红边“蓝移”现象（张志斌，2013;邬登巍等，2009;Bonham-carter，1988）。“红边位置”、植被指数等是表征植被生长状态的重要参数。重金属污染对植被光谱特征和植被生长状态参数变化的影响，是利用植被光谱分析预测重金属污染的基础。
植被光谱分析法预测土壤重金属含量的实现方法是，测定重金属污染条件下表层土壤的重金属含量和植被叶片的叶绿素含量（或根据植被光谱特征形成“红边位置”、植被指数等植被生长状态参数），分析叶绿素含量或植被生长状态参数与土壤重金属含量之间的相关关系，建立土壤重金属含量反演模型，预测研究区土壤重金属污染情况。
利用植被光谱分析法预测重金属污染的一种方式是基于地面高光谱仪采集植物叶片的高光谱反射数据，与测定的叶片叶绿素含量及重金属含量，建立预测模型。如于庆等（2018）用Field Spec HH便携式手持地物光谱仪采集了典型污灌区冬小麦冠层光谱，建立了Cr、Ni、Pb、Zn、Hg、Cd元素含量反演模型，实现了重金属含量及空间分布特征反演。另一种方式是基于机载和星载高光谱仪，持续获取地面受污染植被的光谱信息，建立反演模型，实现土壤重金属的实时、大面积、原位监测。如刘昭贤等（2019）利用无人机搭载的HyspexSWIR-384成像光谱仪获取高光谱影像，并利用便携式地物光谱仪同步采集地面光谱数据，实现了农田Cd元素的快速检测;易兴松等（2018）利用无人机获取GS高光谱数据开展了农田As、Cr、Pb等元素的建模反演，并与ASD光谱仪采集光谱建模的预测精度进行了对比，结果表明无人机GS光谱具备监测土壤重金属的能力，但预测精度不及ASD光谱。杨灵玉等（2016）基于Hyperion高光谱影像数据，建立了基于植被指数的玉树县土壤重金属Zn和Cd含量的估算模型。
地面实测光谱数据具有波段多、精度高的特点，因此利用植被光谱分析法开展土壤重金属含量的研究多集中在对地面实测光谱数据的分析上。但由于植被在高光谱影像上具有独特的响应特征，同时高光谱影像具备获取速度快、覆盖面积广的优点，近年来利用机载和星载高光谱影像反演重金属含量的研究逐渐增加，基于高光谱影像的植被光谱分析法也成为目前土壤重金属含量反演研究的热点。 相较于地面实测光谱数据，机载和星载高光谱数据获取后需进行较为复杂的数据预处理。如噪声去除（消除传感器自身影响）、辐射定标、大气校正（消除大气、光照等因素影响）、几何纠正（消除影像几何畸变）等处理，以期最大程度降低大气等环境因素对光谱信息的干扰。经过数据处理后的高光谱影像数据可与实测光谱数据相结合进行区域土壤重金属预测，但因地面实测数据和机载（或星载）高光谱数据观测尺度的不同，两者光谱参数间存在差异，导致高光谱影像预测土壤重金属的精度较低（张亚光等，2019）。
3 反演模型的建立
3.1 光谱处理
由于土壤背景光谱信号强，光谱噪声较大，在土壤样品的制备、光谱数据采集的过程中难免受到环境、仪器以及人为因素的影响，使采集的光谱数据包含较大的噪声，加之土壤背景光谱信号强，容易掩盖重金属元素在光谱信息上的表征，甚至出现谱图的偏移或漂移现象（贺军亮等，2015）。因此，在利用土壤光谱数据开展重金属含量的相关分析前进行高光谱数据的处理，以减少背景和噪声的影响是非常必要的。
（1）光谱预处理
光谱预处理的作用是减小光谱数据采集过程中随机因素产生的噪声影响。主要有以下处理方法：断点修正，地物光谱仪采集的光谱数据通常由若干探测元件采集光谱组合而成，需要进行断点修正以消除因不同探测元件造成的误差;平滑处理，用以减弱频率高、量值小的噪声对反演模型的影响（佐藤幸男等，2001）;重采样，可降低高光谱数据相邻波段间存在的数据冗余（Kemper，et al.，2002）;基线校正，可以解决基线的偏移或漂移问题（贺军亮，2015）、标准正态变量校正（Standard Normal Variate Transformation，SNV）和多元散射校正（Multiplicative Scatter Correction，MSC），可消除光谱中因土壤样品颗粒大小不一造成的散射影响（袁琳，2010;Chen，et al.，2002）。
（2）光谱变换
光谱变换的作用是减弱背景噪声的影响，增强重金属元素在土壤光谱中的响应（郭斗斗等，2014）。常见的光谱变换方法有：光谱微分，倒数的对数，连续统去除等。
光谱微分技术能够降低环境背景对光谱的干扰，突出土壤光谱中与重金属相关的光谱信息（Gholizadeh，et al.，2015;夏军，2014），提高反演模型精度，一阶微分与二阶微分是光谱微分最常用的方式;倒数的对数可增强光谱差异，减少随机因素产生的影响（钟燕，2016）;连续统去除可有效突出光谱曲线的吸收和反射特征，增强与重金属含量间的相关性（赵小敏等，2018）。
3.2 特征波段选择
研究土壤重金属采用的高光谱谱段范围包括了可见光至热红外区域，波段窄而多，需要从这些波段筛选出与重金属含量相关的特征波段作为反演建模的变量。目前常用的方法是基于土壤重金属含量与土壤反射率的相关系数，利用逐步回归算法选择特征波段。有研究显示经过光谱变换处理后的光谱曲线相比原始的光谱曲线可以更有效地提取出光谱的特征波段（沈强等，2019）。
张银玲等（2016）根据重金属含量与土壤反射率之间的相关系数大小和显著性水平选择重金属元素对应的特征光谱波段，利用逐步回归算法和模型最佳适应值为指标选取最佳波段，建立了Zn、Cu、Ni、Cr元素的光谱对数一阶微分反演模型;王金凤等（2019）在对土壤原始光谱进行数学变换的基础上，通过分析土壤光谱曲线的吸收特征初步选取光谱波段，利用重金属含量与光谱波段的相关性分析进一步筛选特征光谱变量，最终采用逐步回归法确定建模的最佳光谱变量。除上述方法外，还有遗传算法、非信息变量消除、连续投影算法、间隔偏最小二乘、卡尔曼滤波、窗口PLS、竞争性自适应加权算法等方法进行特征波段的选择（张亚光等，2019;袁自然等，2020）。
由于土壤中吸附重金属的物质组分不同，吸附机理多样，土壤本身理化性质也存在差异，在进行高光谱反演建模时，即使同种重金属元素的所采用的最佳反演波段也存在较大差异（张静静等，2018）。目前多数学者在进行土壤重金属含量反演时选取的特征波段集中于近红外—短波红外范围内，也有学者采用热红外光谱反演重金属含量，并取得相应成果（李淑敏等，2010）。
3.3 建模方法
土壤光谱是土壤中各种物质成分光谱性质的综合反映，由于土壤成分的复杂性，很难直接建立某种重金属含量与土壤特征光谱波段间的数学物理模型（贺军亮等，2015）。目前基于土壤高光谱建立重金属含量估算模型的方法通常为经验统计法，主要包括多元逐步线性回归（Multiple Stepwise Linear Regression，SMLR）、主成分回归（Principal Component Regression，PCR）、偏最小二乘回归（Partial Least Squares Regression，PLSR）、人工神经网络回归（Artificial Neural Network，ANN）、支持向量机回归（Support Vector Machines，SVR）、随机森林（Random Forests， RF）、多元自適应回归（Multivariate Adaptive Regression，MAR）、自适应神经模糊推理（Adaptive Neural Fuzzy Inference System，ANFIS）诊断指数回归等诸多方法（王金凤等，2019;涂晔昕等，2016），在特定的研究区这些方法所建立的模型均可达到定量计算的标准，其中多元逐步线性回归和偏最小二乘回归是目前应用更为最广泛的反演方法（刘勋等，2019;郭颖等，2018）。
多元逐步线性回归法是利用逐步法筛选出参与模型建立的最佳光谱变量进行多元线性回归的方法，适合多因素影响的变量建模，可根据各因素间相关程度的高低，优化回归效果。首先通过相关性分析找出与重金属含量显著相关的光谱波段作为建模的光谱变量，然后根据F统计量的显著水平逐步筛选进入多元线性回归的变量，将决定系数R2最大、均方根误差RMSE最小的回归模型确定为重金属元素反演的最佳模型。徐明星等（2011）基于对不同历史时期考古土壤中重金属含量开展高光谱遥感研究，应用多元逐步线性回归法建立了基于光谱一阶微分的土壤重金属含量反演模型。胡佳楠等（2017）基于实验室测量的土壤光谱数据，经多种光谱变换，建立了适合于准东煤田土壤汞含量估算的多元逐步线性回归模型，结果表明土壤光谱的一阶微分变换是建立重金属含量反演模型的最佳指标。 偏最小二乘回归法是一种综合了主成分回归和多元线性回归两者的优势的建模方法，适合于样本数量较少甚至少于变量个数，变量之间又存在多重相关性的情况，具有稳定性强、预测精度高、便于定量解释的优点，被广泛应用于土壤重金属含量反演研究中。贺军亮等（2019）基于土壤有机质光谱诊断特征，采用偏最小二乘回归法建立了Pb元素的多光谱变换指标偏最小二乘回归模型（M-PLSR）;张银玲等（2016）以准东煤田煤矿开采区为研究区，在对土壤光进行了多种变换的基础上，应用偏最小二乘回归法构建了Zn、Cu、Ni元素重金属含量反演模型。
在以上研究中，虽然采用的反演方法基本一致，但因土壤中重金属元素类型、土壤质地等的差异，各研究得出的最佳回归模型有所不同。因此，以上研究方法虽然在特定区域取得了良好的反演 成果，但所建立的反演模型适应性却很差。
4 问题与展望
4.1 存在问题
（1）当前对土壤样本的光谱测量大多是实验室测定，是在较为理想的状态下进行的，难以将所取得的经验成果应用于航空航天遥感影像，进行土壤重金属的空间分布反演。需进一步加强野外光谱测量研究，研究消除大气、光照、植被等环境因素的影响，实现地面土壤光谱测量与遥感影像相结合的应用。
（2）反演土壤重金属含量采用的建模方法通常是经验统计法和植被指数法，反演模型往往因缺乏普适性和稳定性而难以得到广泛应用。需在遥感高光谱反演土壤重金属含量模型与理论方法方面加强研究，增强土壤重金属反演模型的普适性、稳定性以及预测的准确性。
（3）土壤光谱特征极其复杂，影响土壤光谱特征的因素较多，不同土壤对不同的重金属吸附状态不同，相同的土壤在不同的环境下对重金属吸附的程度也有所差异。需进一步研究土壤中重金属元素的依附机理，以及重金属含量对土壤光谱变化的影响。
（4）当前对土壤重金属的研究主要集中在某一特定区域、特定时段重金属含量的反演上，鲜有学者利用长时间序列高光谱遥感数据开展对某一区域土壤重金属的演化特征和迁移规律的研究。
4.2 展望
（1）数据获取平台更加丰富
随着技术的进步，高光谱遥感数据的获取方式更加多样化，形成星载高光谱、机载高光谱和地面高光谱的“星-空-地”三维度获取态势，尤其是无人机高光谱得到广泛应用，大大提高数据的获取效率，更加有利于土壤重金属污染的监测。
（2）传感器性能大幅提升
高光谱传感器得到快速发展，高光谱影像数据的精度不断提高，土壤重金属污染监测的方法从实验室高光谱分析发展到高光谱影像分析，大空间尺度的高光谱与土壤理化性质的研究将不断涌现，有助于实现大范围的土壤质量状况监测。
（3）建模方法更加多样化
建模方法决定了土壤重金属信息反演的精度，目前已出现了对现有模型优化改进或将新方法用于土壤重金属含量反演的试验，随着高光谱数据的发展，新的建模方法会不断出现，使得反演模型具有更强的稳定性、更高的反演精度和更好的适应性。
参考文献：
龚绍琦， 王鑫， 沈润平， 等， 2010. 滨海盐土重金属含量高光谱遥感研究[J]. 遥感技术与应用， 25（2）：169-177.
郭斗斗， 黄绍敏， 张水清， 等， 2014. 多种潮止有机质高光谱预测模型的对比分析[J]. 农业工程学报， 30（21）：192-200.
郭颖， 毕如田， 郑超， 等， 2018. 土壤重金属高光谱反演研究综述[J]. 环境科技， 31（1）：67-71.
环境保护部， 国土资源部， 2014. 全国土壤污染状况调查公报[EB/OL]. http：//www.mee.gov.cn/gkml/sthjbgw/qt/201404/W020140417558995804588.pdf.
胡佳楠， 塔西甫拉提·特依拜， 宋玉， 等， 2016. 准东煤田土壤汞含量的高光谱反演[J]. 中国矿业， 25（5）：65-69.
贺军亮， 张淑媛， 查勇， 等， 2015. 高光谱遥感反演土壤重金属含量研究进展[J]. 遥感技术与应用， 30（3）：407-412.
贺军亮， 李志远， 李仁杰， 等， 2019. 基于有机质光谱特征的土壤重金属Pb估算模型研究[J]. 环境污染与防治， 41（7）：753-757.
纪小凤， 郑娜， 王洋， 等， 2016. 中国城市土壤重金属污染研究现状及展望[J]. 土壤与作物， 5（1）：42-47.
李淑敏， 李紅， 孙丹峰， 等， 2010. 基于热红外特征光谱的土壤重金属含量估算模型研究[J]. 红外， 31（7）：33-38.
刘勋， 李长春， 李双权， 等， 2019. 高光谱遥感技术在土壤研究应用中的进展[J]. 安徽农业科学， 47（8）：18-21，34.
刘昭贤， 孟亚宾， 等， 2019. 航空高光谱遥感在重金属土壤污染检测中的应用[J]. 矿山测量， 47（6）：43-47.
李琼琼， 柳云龙， 2019. 城市居民区土壤重金属含量高光谱反演研究[J]. 遥感技术与应用， 34（3）：540-546.
沈强， 张世文， 葛畅， 等， 2019. 矿业废弃地重构土壤重金属含量高光谱反演[J]. 光谱学与光谱分析， 39（4）：1214-1221.
唐鹏， 刘光， 徐俊锋， 2014. 植物重金属胁迫的高光谱遥感研究进展[J]. 杭州师范大学学报（自然科学版）， 13（6）：634-640.
涂晔昕， 费腾， 2016. 从植被高光谱遥感到土壤重金属污染诊断的研究进展[J]. 湖北农业科学， 55（6）：1361-1368. 王金鳳， 王世杰， 白晓永， 等， 2019. 基于高光谱反射率的喀斯特地区土壤重金属锌元素含量反演[J]. 光谱学与光谱分析， 39（12）：3873-3879.
邬登巍， 吴昀昭， 马宏瑞， 2009. 植物污染胁迫遥感监测研究综述[J]. 遥感技术与应用， 24（2）：238-245.
吴振洲， 2012. 微型Offner成像光谱仪和光谱数据处理[D]. 合肥： 中国科学技术大学.
肖捷颖， 王燕， 张倩， 等， 2013. 土壤重金属含量的高光谱遥感反演方法综述[J]. 湖北农业科学， 52（6）：1248-1253.
肖博林， 2020. 基于支持向量机的高光谱遥感影像分类[J]. 科技创新与应用（4）： 22-24.
解宪丽， 孙波， 郝红涛， 2007. 土壤可见光- 近红外反射光谱与重金属含量之间的相关性[J]. 土壤学报， 44（6）：982-993.
夏军， 2014. 准东煤田土壤重金属污染高光谱遥感监测研究[D]. 乌鲁木齐：新疆大学.
徐明星， 吴绍华， 周生路， 2002. 重金属含量的高光谱建模反演：考古土壤中的应用[J]. 红外与毫米波学报， 30（2）：109-114.
于庆， 吴泉源， 姚磊， 等， 2018. 山东典型污灌区冬小麦叶片重金属高光谱反演及空间分布特征[J]. 河南农业科学， 47（8）：54-62.
易兴松， 兰安军， 文锡梅， 等， 2018. 基于ASD 和GaiaSky-mini 的农田土壤重金属污染监测[J]. 生态学杂志， 37（6）：1781-1788.
杨灵玉， 高小红， 张威， 等， 2016. 基于Hyperion 影像植被光谱的土壤重金属含量空间分布反演：以青海省玉树县为例[J]. 应用生态学报， 27（6）：1775-1784.
袁自然， 魏立飞， 张杨熙， 等， 2020. 优化CARS结合PSO-SVM算法农田土壤重金属砷含量高光谱反演分析[J]. 光谱学与光谱分析， 40（2）：567-573.
袁琳， 2010. 网纹瓜可溶性固形物、总酸和坚实度近红外光谱检测技术研究[D]. 咸阳：西北农林科技大学.
佐腾幸男， 雨宫好文， 2001. 信号处理入门[M]. 北京：科学出版社：27-33.
庄国泰， 2015. 我国土壤污染现状与防控策略[J]. 中国科学院院刊， 30（4）：477-483.
周建军， 周桔， 冯仁国，2014. 我国土壤重金属污染现状及治理战略[J]. 中国科学院院刊， 29（3）：315-320.
钟燕， 2016. 基于HSI高光谱数据的耕地土壤重金属镉、铅含量遥感反演[D]. 成都：四川农业大学.
赵小敏， 2018. 江西省红壤地区主要土壤类型的高光谱特性研究[J]. 土壤学报， 55（1）：31-42.
张志斌， 2013. 高光谱遥感对矿山开发环境效应监测技术研究[D]. 中国地质大学（北京）.
张银玲， 姚峰， 牛婷， 等， 2016. 基于高光谱的土壤重金属含量预测模型建立与评价[J]. 新疆环境保护， 38（3）：15-21.
张亚光， 陈建平， 李诗， 2019. 高光谱遥感在土壤重金属污染监测中的应用[J]. 地质学刊， 43（3）：491-498.
Bonham-carter G F， 1988. Numerical procedures and computer program for fitting an inverted gaussian model to vegetation reflectance data [J]. Computers & Geosciences， 14（3）：339-356.
Gholizadeh A， Bor?vka L， Va?át R， et al.， 2015. Estimation of potentially toxic elements Contamination in anthropogenic soils on a brown coal mining dumpsite by reflectance spectroscopy： A case study [J]. Plos One， 10（2）：e117457. https：//doi.org/10.1371/journal.pone.0117457.
Kemper T， Sommer S， 2002. Estimate of heavy metal contamination in soils after a mining accident using reflectance spectroscopy [J]. Environmental Science & Technology， 36（12）： 2742-2747.
Teng Yanguo， Ni Shijun， Wang Jinsheng， et al.， 2010. A geochemical survey of trace elements in agricultural and non- agricultural topsoil in Dexing area， China [J]. Journal of Geochemical Exploration， 104（3）：118-127.
WU Yunzhao， CHEN Jun， JI Junfeng， et al.， 2007. A mechanism study of reflectance spectroscopy for investigating heavy metals in soils[J]. Soil Science Society of America Journal， 71（3）：918-926.