滕 靖，何政偉*，倪忠云，趙印泉，張 志

1. 地質(zhì)災(zāi)害防治與地質(zhì)環(huán)境保護國家重點實驗室(成都理工大學(xué))，四川 成都 610059 2. 地學(xué)空間信息技術(shù)國土資源部重點實驗室，四川 成都 610059 3. 成都理工大學(xué)地球科學(xué)學(xué)院，四川 成都 610059 4. 成都理工大學(xué)旅游與城鄉(xiāng)規(guī)劃學(xué)院，四川 成都 610059

西范坪礦區(qū)土壤銅元素的高光譜響應(yīng)與反演模型研究

滕 靖1, 2, 3，何政偉1, 2, 3*，倪忠云2, 4，趙印泉2, 4，張 志1, 2, 3

1. 地質(zhì)災(zāi)害防治與地質(zhì)環(huán)境保護國家重點實驗室(成都理工大學(xué))，四川 成都 610059 2. 地學(xué)空間信息技術(shù)國土資源部重點實驗室，四川 成都 610059 3. 成都理工大學(xué)地球科學(xué)學(xué)院，四川 成都 610059 4. 成都理工大學(xué)旅游與城鄉(xiāng)規(guī)劃學(xué)院，四川 成都 610059

土壤地球化學(xué)；光譜變換；特征變量選取；高光譜反演模型；西范坪礦區(qū)

引 言

土壤地球化學(xué)測量是尋找多金屬礦床的重要方法[1]；傳統(tǒng)的土壤重金屬測量方法成本高、效率低，無法實現(xiàn)大范圍土壤重金屬含量的快速檢測[2]?？梢?近紅外光譜(VNIRS，350～2500 nm)可用于土壤物理、化學(xué)和生物特性的估算[3]，為土壤重金屬含量的測量提供了有效手段；與傳統(tǒng)分析方法相比，VNIRS技術(shù)具有無損、無害、快速、高效、可重復(fù)、成本低等優(yōu)點[4]。土壤中重金屬含量很低，光譜吸收特征不明顯，且土壤組成成分復(fù)雜，各組分對反射光譜的影響是非線性混合，以致土壤反射輻射過程復(fù)雜，用物理模型反演困難；通常采用統(tǒng)計方法分析土壤重金屬含量與反射光譜特征的相關(guān)性，間接實現(xiàn)對土壤重金屬含量的估算；Malley等利用VNIRS進行土壤重金屬含量測量實驗以來，諸多學(xué)者對此做了大量研究[5-16]，常用方法主要包括單變量統(tǒng)計分析、多元統(tǒng)計分析及兩種方法的交叉使用。

土壤結(jié)構(gòu)和光譜測量環(huán)境等差異會導(dǎo)致光譜和重金屬含量之間的非線性變化，降低模型的魯棒性，光譜變換常被用來減弱這種影響[4]；模型反演精度的影響因素有很多，每種光譜變換方法都有其應(yīng)用局限性，理論上，進行多種光譜變換處理能獲得更多的光譜特征信息；目前，大多數(shù)土壤重金屬含量VNIRS測量研究，都是基于單種光譜變換信息，探討最優(yōu)光譜變換方法與反演模型選擇問題，基于綜合光譜變換信息進行的研究較少。高光譜數(shù)據(jù)擁有大量的波段信息，數(shù)據(jù)冗余問題是影響反演模型精度的重要原因，建模變量的合理選取能提高模型預(yù)測能力、降低模型復(fù)雜性[17]；已有的VNIRS反演模型特征變量選取實驗，逐步回歸法(stepwise selection)應(yīng)用較多，后向剔除法(backward elimination)和前向引入法(forward selection)相關(guān)研究不足。

因此，本文以西范坪礦區(qū)土壤全銅含量為目標(biāo)變量，綜合光譜變換信息為自變量，研究土壤銅含量VNIRS反演的特征變量選取和最優(yōu)模型選擇問題，以期實現(xiàn)土壤銅含量的光譜快速、精確檢測，同時為其他土壤重金屬元素的光譜檢測提供思路。

1 實驗部分

1.1 研究區(qū)域與土壤樣品采集

西范坪斑巖銅礦位于四川省鹽源縣境內(nèi)，礦床規(guī)模為中型，礦區(qū)海拔高度為2 800～3 200 m，屬中低山區(qū)。區(qū)內(nèi)土壤類型為黃壤、紅壤和紫色土。應(yīng)用分層取樣法，在西范坪礦區(qū)不同地層、巖體上選取采樣點23個(圖1)，共采集了0～1 m深度內(nèi)的土壤剖面樣品46個，每個土樣重量約為2 kg，在實驗室自然風(fēng)干，去除石塊、植物根系等雜物后，研磨，過40目篩。每個樣品分成兩份，一份用于化學(xué)分析，另一份用于室內(nèi)反射光譜測量。本研究土壤化學(xué)分析工作由國土資源部成都礦產(chǎn)資源監(jiān)督檢測中心完成，依據(jù)國家土壤測定標(biāo)準(zhǔn)進行土壤全量銅測定。

圖1 研究區(qū)地質(zhì)背景與采樣點分布

1.2 土壤光譜測量與處理

使用SVC HR-1024i地物光譜儀(波長范圍350～2 500 nm), 在暗室對處理后的土壤樣品進行反射光譜測量。樣品放于直徑18 cm，深2 cm的盛樣皿內(nèi)，用直尺將表面刮平。光源為SVC HR-1024i光譜儀配套標(biāo)準(zhǔn)光源，天頂角設(shè)為30°。傳感器探頭(視場角25°)垂直土壤表面，距離10 cm。用白板校正后進行光譜測量，每個樣品采集10條光譜，剔除異常，經(jīng)算術(shù)平均后作為該樣品的實際反射光譜。

將樣品光譜去除1 000和1 900 nm附近重疊后，采用高斯模型，重采樣為1 nm光譜分辨率。為了減弱噪聲影響，平滑光譜曲線，解決相鄰波段信息重合導(dǎo)致的數(shù)據(jù)冗余問題，對土壤光譜數(shù)據(jù)以10 nm為間隔進行算術(shù)平均運算。反射光譜信息在小于400 nm和大于2 350 nm光譜區(qū)間受干擾嚴(yán)重，信噪比低，所以研究選取400～2 350 nm光譜數(shù)據(jù)作為研究對象。連續(xù)統(tǒng)去除、吸光率變換和微分變換是常用的光譜變換方法[13-14]，對預(yù)處理后的反射率光譜進行連續(xù)統(tǒng)去除、一階微分、二階微分、吸光率及吸光率一階和二階微分變換。

1.3 特征變量選取與模型評價

多元回歸模型是量化多個自變量和目標(biāo)變量關(guān)系的一種有效方法，但自變量數(shù)量過多時容易出現(xiàn)過擬合現(xiàn)象。通常情況下，模型中自變量數(shù)量越少，意味著干擾因素越少，模型普遍性越大[18]。在利用VNIRS建立反演模型時，應(yīng)用的特征變量選取方法和參數(shù)直接影響建模集的自變量數(shù)量和光譜特征信息結(jié)構(gòu)，是決定模型精度和穩(wěn)定性的最關(guān)鍵因素。本研究通過逐步回歸法和皮爾遜相關(guān)系數(shù)，選取各種光譜變換對應(yīng)特征波段，組成綜合特征變量集，分別應(yīng)用后向剔除法、前向引入法和逐步回歸法，設(shè)置不同的引入或剔除標(biāo)準(zhǔn)，獲取多個建模變量集。

2 結(jié)果與討論

2.1 土壤銅含量分析

研究區(qū)土壤中銅含量最低為24 mg·kg-1，最高為929 mg·kg-1，變化范圍較大(表1)。將46個土壤樣本數(shù)據(jù)按全銅含量從小到大排列，每隔兩個樣品取一個作為驗證樣本(16個)，其余的作為建模樣本集(30個)。從表1可知，建模集和驗證集土壤銅含量變化范圍、均值、標(biāo)準(zhǔn)差等參數(shù)值相差不大，分布情況基本一致。

表1 土壤樣本銅含量描述性統(tǒng)計

2.2 土壤光譜特征分析

研究區(qū)土壤反射光譜曲線波形大致相同(圖2)，呈上凸的拋物線型，在400～800 nm光譜區(qū)間，隨著波長增大，光譜曲線呈較快的單調(diào)上升，波長超過800 nm后光譜曲線變化較為平緩，在1 400，1 900和2 200 nm附近出現(xiàn)3個明顯的吸收峰，通常認(rèn)為與粘土礦物中所含的水分子和羥基有關(guān)[15]；反射光譜曲線經(jīng)連續(xù)統(tǒng)去除變換后(圖3)，背景光影響得到有效抑制，光譜吸收特征明顯增強，得到五個土壤光譜特征吸收帶： 400～650，750～1 250，1 310～1 650，1 820～2 140，2 150～2 350 nm。

圖2 土壤樣本反射光譜曲線

圖3 土壤樣本光譜曲線連續(xù)統(tǒng)去除

2.3 多種光譜變換特征波段選取與建模結(jié)果比較分析

由于研究區(qū)土壤銅含量值相對光譜特征參數(shù)數(shù)量級差別較大，所以使用土壤銅含量對數(shù)值作為因變量，對應(yīng)的反射率及其六種光譜變換信息作為自變量，采用逐步回歸法和皮爾遜相關(guān)系數(shù)，選取各種形式光譜的特征波段(表2)。逐步回歸法選入與剔除特征波段標(biāo)準(zhǔn)為F統(tǒng)計量的概率P值，Entry值設(shè)為0.01，Removal值設(shè)為0.05；皮爾遜相關(guān)系數(shù)選入特征波段標(biāo)準(zhǔn)為2-tailed testP值小于0.01。從表2中可知： 土壤反射率和吸收率光譜在2 150～2 350 nm特征吸收帶對銅含量變化比較敏感，其間特征波段與銅含量對數(shù)值的相關(guān)系數(shù)絕對值均大于0.6；連續(xù)統(tǒng)去除和微分變換有利于1 310～1 650 nm特征吸收帶上的敏感光譜信息提??；反射率和吸光率的二階微分變換分別能有效增強可見光400～650 nm和近紅外750～1250 nm處的特征光譜信息；反射率一階微分變換提取的特征波段數(shù)量最多，分布在1 310～1 650，1 820～2 140和2 150～2 350 nm吸收帶，其中波段1 330 nm的結(jié)果與徐明星等[15]研究的1 350 nm附近結(jié)果相似，2 230 nm的結(jié)果與王維等[16]研究的2 250 nm附近處較為一致。

表2 基于不同光譜變換方法的銅含量反演模型參數(shù)

注： *表示相關(guān)系數(shù)絕對值>0.5，**表示相關(guān)系數(shù)絕對值>0.6

2.4 綜合光譜變換特征變量選取與建模結(jié)果比較分析

表3 基于不同參數(shù)的后向剔除法銅含量反演模型結(jié)果

Table 3 Results of Cu prediction models based on backward elimination of different parameters

后向剔除法Removal值建模變量數(shù)目建模RMSECR2驗證RMSEPR2pre0.0570.3710.7810.4950.7310.10～0.15110.3530.8380.3590.7920.20～0.70120.3490.8510.4680.8300.75～0.80150.3730.8590.5410.7740.85160.3770.8560.4970.8200.90～0.95180.3910.8670.5050.746

表4 基于不同變量選取方法的銅含量反演模型結(jié)果

圖4 基于不同預(yù)測模型的銅含量反演值與實測值散點圖

圖4(a)—(d)分別給出了土壤實測銅含量對數(shù)值與反射率一階微分反演模型和基于綜合光譜變換信息選取的后向剔除法、前向引入法、逐步回歸法最優(yōu)模型估算值比較，由圖4可知： 圖中所示模型建模樣本回歸曲線均與1∶1直線重合，建模效果較好；基于綜合光譜變換信息，應(yīng)用不同的特征變量選取方法，得到的三個最優(yōu)模型，散點圖中樣點在1∶1直線附近較為集中，擬合效果優(yōu)于反射率一階微分模型，其中后向剔除法對應(yīng)最優(yōu)模型的樣點擬合效果最好；后向剔除法和逐步回歸法最優(yōu)模型的建模樣本和驗證樣本回歸曲線夾角較小，模型穩(wěn)定性最好，前向引入法最優(yōu)模型次之，反射率一階微分模型穩(wěn)定性較差。圖4結(jié)果與表2、表4中結(jié)論相互驗證，因此，基于綜合光譜變換信息，應(yīng)用后向剔除法，Removal取0.20時建立的MLR模型，為西范坪礦區(qū)土壤銅含量反演最優(yōu)模型，見式(1)

Y=eAX

(1)

A=[10.853，4.966，5 503.013，3 944.846，-13 469.881, 13 116.291，-21 198.665，1 349.467，-1 532.378，55 150.917，-28 113.687，3 929.047，-7.301]

X=[1 R2 240FDR1 330FDR1 470FDR1 550FDR1 610FDR1 620FDR2 050FDR2 230SDR1 600SDA760SDA960CR1 600]T

式(1)中： Rλ為波長λ處的光譜反射率(reflectance)；FDRλ為波長λ處的反射率一階微分(first derivative reflectance)；SDRλ為波長λ處的反射率二階微分(second derivative reflectance)；SDAλ為波長λ處的吸光率二階微分(second derivative absorbance)；CRλ為波長λ處的連續(xù)統(tǒng)去除(continuum removal)。Y為土壤銅含量高光譜反演值，單位為mg﹒kg-1。

3 結(jié) 論

通過對西范坪礦區(qū)不同銅含量土壤的高光譜響應(yīng)與反演模型研究，得到以下結(jié)論。

(1)不同的光譜變換方法對土壤銅含量信息提取能力不同，每種光譜變換都對應(yīng)特定的敏感波譜區(qū)間；反射光譜一階微分對土壤銅含量反演具有較好的效果，其敏感波段為1 330，1 470，1 550，1 610，1 620，2 050和2 230 nm。

(2)基于綜合光譜變換信息建立的土壤銅含量反演模型精度優(yōu)于基于單種光譜變換信息建立的模型，這表明對土壤反射光譜進行多種光譜變換處理能獲得更多的光譜特征信息；利用綜合光譜變換信息，使用不同的特征變量選取方法建立土壤銅含量反演模型，后向剔除法優(yōu)于前向引入法和逐步回歸法。

利用綜合光譜變換信息，選擇最優(yōu)特征變量選取方法與參數(shù)建立土壤銅含量反演模型，模型建模精度和預(yù)測精度較常用的單種光譜變換信息反演模型都有明顯提高，該研究同時為其他土壤重金屬元素的光譜檢測提供了思路；但重金屬元素在土壤中存在形態(tài)多樣，導(dǎo)致其反射光譜特征不同，既制約了模型精度的進一步提高，又增加了模型在應(yīng)用中的不穩(wěn)定性。因此，對土壤中不同形態(tài)的重金屬元素可見-近紅外光譜特征研究是下一步試驗工作的重點。

[1] YANG Zhen, HU Guang-dao, MEI Hong-bo(楊 震, 胡光道, 梅紅波). Science Technology and Engineering(科學(xué)技術(shù)與工程), 2015, 15(9): 32.

[2] Liu Yaolin, Li Wei, Wu Guofeng, et al. Geo-spatial Information Science, 2011, 14(1): 10.

[3] Stenberg B, Rossel R A V, Mouazen A M, et al. Advances in Agronomy, 2010, 107: 163.

[4] Shi Tiezhu, Chen Yiyun, Liu Yaolin, et al. Journal of Hazardous Materials, 2014, 265: 166.

[5] Song Yinxian, Li Fengling, Yang Zhongfang, et al. Applied Clay Science, 2012, 64: 75.

[6] Sonia G, Noamen R, Saadi A. Journal of Geographic Information System, 2012, 4: 242.

[7] Pascucci S, Belviso C, Cavalli R M, et al. Remote Sensing of Environment, 2012, 123: 139.

[8] Summers D, Lewis M, Ostendorf B, et al. Ecological Indicators, 2011, 11(1): 123.

[9] Moros J, de Vallejuelo S F O, Gredilla A, et al. Environmental Science & Technology, 2009, 43(24): 9314.

[10] Choe E, van der Meer F D, van Ruitenbeek F J A, et al. Remote Sensing of Environment, 2008, 112(7): 3222.

[11] Siebielec G, McCarthy G W, Stuczynski T I, et al. Journal of Environmental Quality, 2004, 33: 2056.

[12] Malley D F, Williams P C. Environmental Science & Technology, 1997, 31(12): 3461.

[13] Kemper T, Sommer S. Environmental Science & Technology, 2002, 36(12): 2742.

[14] WU Ming-zhu, LI Xiao-mei, SHA Jin-ming(吳明珠, 李小梅, 沙晉明). Spectroscopy and Spectral Analysis(光譜學(xué)與光譜分析), 2014, 34(6): 1660.

[15] XU Ming-xing, WU Shao-hua, ZHOU Sheng-lu, et al(徐明星, 吳紹華, 周生路, 等). Journal of Infrared and Millimeter Waves(紅外與毫米波學(xué)報), 2011, 30(2): 109.

[16] WANG Wei, SHEN Run-ping, JI Cao-xiang(王 維, 沈潤平, 吉曹翔). Remote Sensing Technology and Application(遙感技術(shù)與應(yīng)用), 2011, 26(3): 348.

[17] ZOU Xiaobo, ZHAO Jiewen, Malcolm J W, et al. Anal. Chim. Acta, 2010, 667(1-2): 14.

[18] Whittingham M J, Stephens P A, Bradbury R B, et al. Journal of Animal Ecology, 2006, 75: 1182.

(Received Jun. 10, 2015; accepted Oct. 25, 2015)

*Corresponding author

Spectral Response and Inversion Models for Prediction of Total Copper Content in Soil of Xifanping Mining Area

TENG Jing1, 2, 3，HE Zheng-wei1, 2, 3*，NI Zhong-yun2, 4，ZHAO Yin-quan2, 4，ZHANG Zhi1, 2, 3

1. State Key Laboratory of Geohazard Prevention and Geoenvironment Protection (Chengdu University of Technology)，Chengdu 610059，China 2. Key Laboratory of Geoscience Spatial Information Technology，Ministry of Land and Resources，Chengdu 610059，China 3. College of Earth Sciences，Chengdu University of Technology，Chengdu 610059，China 4. College of Tourism and Urban-Rural Planning，Chengdu University of Technology，Chengdu 610059，China

Soil geochemistry; Spectral transformation; Characteristic variable selection; Hyperspectral inversion model; Xifanping mining area

2015-06-10，

2015-10-25

中國地質(zhì)調(diào)查局地質(zhì)礦產(chǎn)調(diào)查評價國家專項工作項目(12120113095400)資助

滕 靖，1991年生，成都理工大學(xué)地球科學(xué)學(xué)院碩士研究生 e-mail: tengjingyg@163.com *通訊聯(lián)系人 e-mail: hzw@cdut.edu.cn

S132

A

10.3964/j.issn.1000-0593(2016)11-3637-06