張秋霞，張合兵，劉文鍇,2，趙素霞

?

高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)區(qū)域土壤重金屬含量的高光譜反演

張秋霞1，張合兵1※，劉文鍇1,2，趙素霞1

（1. 河南理工大學(xué)測繪與國土信息工程學(xué)院，焦作 454000； 2. 華北水利水電大學(xué)資源與環(huán)境學(xué)院，鄭州 450046）

為快速高效的獲取高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)區(qū)域土壤重金屬信息，以新鄭市高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)區(qū)域?yàn)檠芯繉ο?，共采?54個(gè)土壤樣品，在室內(nèi)利用ASD Field Spec3型地物光譜儀獲得土壤高光譜數(shù)據(jù)，對土壤樣品在400～2 400 nm的光譜反射率進(jìn)行多元散射校正（multiplicative scatter correction，MSC）和Savitzky-Golay（SG）平滑后，進(jìn)行一階微分（first order differential reflectance，F(xiàn)DR）和二階微分（second order differential reflectance，SDR）變換，并與Cr、Cd、Zn、Cu、Pb 5種重金屬含量進(jìn)行相關(guān)性分析，遴選出通過= 0.01顯著性檢驗(yàn)的高光譜特征波段作為反演模型的自變量，采用116個(gè)建模集樣本構(gòu)建偏最小二乘模型（partial least square regress , PLSR），通過精度檢驗(yàn)篩選每個(gè)土壤重金屬的最佳反演模型，并采用最佳地統(tǒng)計(jì)插值方法對高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)區(qū)域土壤重金屬進(jìn)行空間插值。結(jié)果表明：Cr的SDR-PLSR模型為最佳反演模型（=0.88，RPD=1.68），Cd的R-PLSR模型為最佳反演模型（=0.70，RPD=1.50），Zn的R-PLSR模型為最佳反演模型（=0.88，RPD=2.05），Cu的R-PLSR模型為最佳反演模型（=0.99，RPD=3.36），Pb的SDR-PLSR模型為最佳反演模型（=0.93，RPD=3.16）；采用構(gòu)建的土壤重金屬的最佳模型，對土壤重金屬含量進(jìn)行空間插值，結(jié)合高標(biāo)準(zhǔn)農(nóng)田建設(shè)標(biāo)準(zhǔn)可知Zn含量符合土壤環(huán)境質(zhì)量Ⅱ類標(biāo)準(zhǔn)且均低于土壤背景值，Cr、Cd、Cu和Pb符合土壤環(huán)境質(zhì)量Ⅱ類標(biāo)準(zhǔn)，但是部分區(qū)域超過了土壤背景值。該研究為高光譜反演模型用于高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)區(qū)域土壤基礎(chǔ)信息的實(shí)時(shí)監(jiān)測提供了參考。

土壤；光譜分析；重金屬；高光譜；反演；偏最小二乘回歸；高標(biāo)準(zhǔn)基本農(nóng)田

0 引 言

《高標(biāo)準(zhǔn)農(nóng)田通則》和《高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)標(biāo)準(zhǔn)》指出，基本農(nóng)田是指依據(jù)一定時(shí)期人口和社會經(jīng)濟(jì)發(fā)展對農(nóng)產(chǎn)品的需要，根據(jù)土地利用總體規(guī)劃確定的不得占用的耕地[1]。而高標(biāo)準(zhǔn)基本農(nóng)田是一定時(shí)期內(nèi)，通過農(nóng)村土地整治建設(shè)形成的集中連片、設(shè)施配套、高產(chǎn)穩(wěn)產(chǎn)、生態(tài)良好、抗災(zāi)能力強(qiáng)，與現(xiàn)代農(nóng)業(yè)生產(chǎn)和經(jīng)營方式相適應(yīng)的基本農(nóng)田[2]。高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)對于增強(qiáng)中國糧食安全保障能力、加快中國農(nóng)業(yè)現(xiàn)代化發(fā)展，以及深化和擴(kuò)展耕地?cái)?shù)量、質(zhì)量和生態(tài)全面管護(hù)內(nèi)涵等具有重要意義[3]。但在建設(shè)高標(biāo)準(zhǔn)基本農(nóng)田的過程中，大多重點(diǎn)強(qiáng)調(diào)對土地平整，道路、溝渠與其他工程的配套設(shè)施提高，而盲目的田間工程建設(shè)，易造成土地質(zhì)量退化及土壤污染，影響農(nóng)作物的產(chǎn)量。因此，分析并顯示高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)區(qū)域土壤生態(tài)的空間分布差異，具有極大的重要性和迫切性。及時(shí)快速的獲取高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)區(qū)域土壤重金屬信息，了解土壤生態(tài)狀況，保障高標(biāo)準(zhǔn)基本農(nóng)田持續(xù)利用，成為目前需要關(guān)注和解決的科學(xué)問題。

當(dāng)前圍繞高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)的研究，大多數(shù)為高標(biāo)準(zhǔn)基本農(nóng)田劃定[4-6]、潛力評價(jià)[7-8]、適宜性評價(jià)[9-11]、建設(shè)時(shí)序與模式分區(qū)[12-14]、工程實(shí)施與效果評價(jià)[15]等，但高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)過程中，如何快速獲取土壤重金屬信息仍是重點(diǎn)。傳統(tǒng)的土壤重金屬測定雖然精度高，但耗時(shí)、費(fèi)用高、環(huán)保性差，無法全面獲取數(shù)據(jù)，而高光譜遙感技術(shù)具有高分辨率及其高效率、無損害、安全、環(huán)保等特性，很好的克服了傳統(tǒng)方法的不足，為大范圍獲取高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)區(qū)域土壤重金屬信息提供了可能。近年來，多數(shù)學(xué)者運(yùn)用高光譜技術(shù)對土壤重金屬進(jìn)行了定量反演，為高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)區(qū)域土壤重金屬反演提供了理論基礎(chǔ)和技術(shù)依據(jù)。Kemper等[16]利用光譜反演了西班牙Aznalcollar礦區(qū)土壤重金屬含量，Pb和Hg取得了較好的預(yù)測效果，Cu、Zn、Cr的預(yù)測精度不高。Siebielec等[17]利用光譜對波蘭Tarnowskie Gory 礦區(qū)土壤中的Fe、Cr、Cu、Ni、Zn 的含量成功被預(yù)測，Pb的預(yù)測效果不佳。呂杰等[18]估算尾礦土壤Cu含量獲得了較高的精度。宋練等[19]對重慶市萬盛采礦區(qū)的土壤重金屬建立的模型能很好的反演出土壤的重金屬As，Cd，Zn含量。王菲等[20]探索光譜與山東省萊州市焦家金成礦帶重金屬鉻濃度的相關(guān)關(guān)系，選取最優(yōu)模型通過地理插值得到重金屬鉻濃度的空間分布。Tan等[21]認(rèn)為利用高光譜遙感技術(shù)來定量估算礦區(qū)復(fù)墾農(nóng)田重金屬元素砷、鋅、銅、鉻和鉛的含量是可行的。Kooistra等[22]發(fā)現(xiàn)利用的反射光譜可以較好地反演土壤重金屬Zn、Cd的污染水平，PLSR模型是定量分析萊茵河流域土壤成分及重金屬含量的有效途徑。李剛等[23]對京藏高速公路及其周邊地區(qū)的土壤重金屬含量（砷、鎘、銅、鉛、鋅）進(jìn)行預(yù)測效果比較理想。Ren等[24]分析湖南寶山礦附近的農(nóng)田土壤的高光譜數(shù)據(jù)，應(yīng)用PLSR定量反演土壤重金屬As和Cu的含量，監(jiān)測土壤重金屬污染。Wang等[25]對江蘇宜興市農(nóng)田土壤重金屬含量進(jìn)行室內(nèi)光譜反演，結(jié)果表明Pb、Zn、Cu的達(dá)到了預(yù)測效果，但As不理想。夏芳等[26]分析浙江省農(nóng)田耕層土樣土壤重金屬的高光譜反演，結(jié)果表明Ni、Cr的模型具有一般的定量預(yù)測能力，Cu、As、Hg、Zn、Cd、Pb只具備區(qū)別高值和低值的預(yù)測能力。Shi等[27]統(tǒng)計(jì)土壤重金屬通過遙感光譜反演文獻(xiàn)，發(fā)現(xiàn)研究的區(qū)域分布在三角洲、郊區(qū)、河流沉積區(qū)、污染區(qū)和礦區(qū)等，而使用最為廣泛的方法就是PLSR。對比研究結(jié)果表明，多數(shù)學(xué)者運(yùn)用高光譜技術(shù)對礦區(qū)、復(fù)墾區(qū)、農(nóng)田等土壤重金屬進(jìn)行了定量反演，但少有對高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)區(qū)域的土壤重金屬反演。

鑒于此，以新鄭市高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)區(qū)域?yàn)檠芯繉ο?，在室?nèi)利用ASD Field Spec3型地物光譜儀獲得土壤高光譜數(shù)據(jù)，利用Pearson相關(guān)分析對高光譜數(shù)據(jù)與土壤重金屬Cd、Cr、Cu、Pb、Zn含量進(jìn)行相關(guān)系數(shù)分析，篩選5種土壤重金屬的顯著性特征波段，基于偏最小二乘法構(gòu)建土壤重金屬的高光譜反演模型，從而獲取新鄭市高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)區(qū)域土壤重金屬含量分布圖，嘗試采用高光譜技術(shù)反演高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)區(qū)域土壤重金屬含量的可行性，為快速有效地監(jiān)測高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)區(qū)域土壤生態(tài)狀況提供技術(shù)支持。

1 材料與方法

1.1 研究區(qū)概況

新鄭市位于河南省中部，隸屬于鄭州市，地處34°16′～34°39′N，113°30′～113°54′E之間，北靠省會鄭州，東鄰中牟縣、尉氏縣，南連長葛市、禹州市，西與新密市接壤，地勢西高東低，西部為淺山丘陵區(qū)，東部為平原，西北部為丘崗地。新鄭市屬糧食主產(chǎn)區(qū)，全年糧食總產(chǎn)量27.31萬t，土壤類型多樣，主要以褐土、潮土與風(fēng)砂土土類為主，素有“河南縮影”之稱。屬暖溫帶大陸性季風(fēng)氣候，氣溫適中，四季分明。新鄭市土地總面積884.591 5 km2，耕地521.764 1 km2，占全市土地總面積的58.59 %，全年糧食總產(chǎn)量273 148 t。根據(jù)新鄭市土地利用總體規(guī)劃（2010－2020年），新鄭市基本農(nóng)田保護(hù)指標(biāo)為427.73 km2。見圖1。

圖1 研究區(qū)概況及土壤樣點(diǎn)分布

1.2 土樣的采集與制備

根據(jù)研究區(qū)的土壤類型、地形特征和空間變異特點(diǎn)，兼顧行政單元（以鄉(xiāng)鎮(zhèn)或村為單元的完整性），采用2 km′2 km規(guī)則網(wǎng)格法布設(shè)采樣點(diǎn)，形成的空間數(shù)據(jù)庫中每個(gè)點(diǎn)包括其編號、經(jīng)緯度坐標(biāo)、所屬鄉(xiāng)鎮(zhèn)、鄰近村莊等基本信息。依據(jù)樣點(diǎn)圖和點(diǎn)位屬性表，用GPS精確定位去野外采樣，采樣深度為0～30 cm土壤表層，并記錄實(shí)際采樣點(diǎn)坐標(biāo)及詳細(xì)的樣地特征信息，本次采樣共采集154個(gè)土壤樣品，剔除土樣中植物根莖殘?bào)w及磚瓦片等侵入體，經(jīng)室內(nèi)進(jìn)行自然風(fēng)干、研磨并通過1 mm孔篩后，采用四分法取樣，一式兩份，一份用于實(shí)驗(yàn)室理化性質(zhì)測定，另一份用于土壤光譜的測定。

1.3 土壤光譜測定

采用ASD光譜儀在室內(nèi)條件下對經(jīng)過處理的土壤樣品測定土壤光譜反射率。光譜測試儀器是美國ASD公司生產(chǎn)的ASD Field Spec 3型光譜儀（光譜范圍為350～ 2 500 nm）。光譜測定在暗室中進(jìn)行，功率為50 W的鹵素?zé)糇鳛槲ㄒ还庠?，將土壤盛裝在直徑為10 cm，深度為 2 cm的黑色器皿中。進(jìn)行光譜測定之前，先將土壤表面經(jīng)過刮平處理，即用尺子沿土樣器皿邊緣朝同一方向刮平備用[28]，光源入射角度為45°，光源距離土樣表面中心30 cm，探頭視場角為25°，探頭距離土樣15 cm。測量過程中轉(zhuǎn)動盛樣皿3次，每次轉(zhuǎn)動約90°，共獲取4個(gè)方向的土樣光譜，重復(fù)測量5次，共20次，取光譜反射率平均值作為原始反射率光譜值。由于波段350和2 500 nm附近受外界噪音影響較大，因此選取光譜范圍400～2 400 nm用于分析。

1.4 光譜數(shù)據(jù)預(yù)處理

由于在 ASD 光譜儀采集、獲取以及傳輸光譜信號的過程中，會產(chǎn)生一些噪聲，因此有必要進(jìn)行光譜降噪處理。本文采用多元散射校正（multiplicative scatter correction，MSC）進(jìn)行光譜反射率數(shù)據(jù)處理，消除顆粒分布不均勻及顆粒大小產(chǎn)生的樣品表面散射及光程變化對紅外漫反射光譜的散射影響；為了消除光譜曲線噪音可能引起的誤差，采用Savitzky-Golay（SG）濾波對數(shù)據(jù)進(jìn)行平滑去噪處理。為了尋找土壤重金屬含量與光譜反射率的敏感關(guān)系，需要對光譜反射率進(jìn)行光譜變換，即一階微分（first order differential reflectance，F(xiàn)DR）、二階微分（second order differential reflectance，SDR）等。通過對光譜適當(dāng)變換，可減弱甚至消除各種噪音的影響，提高光譜靈敏度，從而提高校正模型的預(yù)測能力和穩(wěn)定性。經(jīng)過SG濾波平滑后的光譜反射率曲線作為土壤樣本用于光譜變換和反演建模的原始光譜反射率（raw spectral reflectance，）。研究中MSC、SG平滑濾波、FDR和SDR均在Unscrambler 9.7軟件中完成。

1.5 光譜波特征段的選擇

在土壤重金屬高光譜數(shù)據(jù)的建模過程中，敏感波段往往通過土壤重金屬含量與光譜反射率的相關(guān)分析進(jìn)行確定，相關(guān)性越高，波段響應(yīng)越敏感。因此，利用Pearson相關(guān)分析，對、FDR和SDR與土壤重金屬含量進(jìn)行相關(guān)系數(shù)分析，對相關(guān)系數(shù)進(jìn)行=0.01水平上的顯著性檢驗(yàn)來確定高光譜特征波段，并作為建立重金屬反演模型的自變量。

1.6 模型建立與驗(yàn)證

由于光譜數(shù)據(jù)信息量大、冗雜噪音嚴(yán)重，因此采用被廣泛運(yùn)用的PLSR模型進(jìn)行光譜反演，該方法能夠在自變量存在嚴(yán)重相關(guān)性及樣本點(diǎn)個(gè)數(shù)少于變量個(gè)數(shù)的條件下進(jìn)行回歸建模，能有效地提取對系統(tǒng)能力最強(qiáng)的綜合變量，排除無解釋作用的噪聲，使之對因變量有最佳的解釋能力。建模過程采用full cross validation交叉驗(yàn)證法，用以確定最佳主成分個(gè)數(shù)[29]，選擇最優(yōu)的擬合結(jié)果。本研究在交叉驗(yàn)證均方根誤差盡量小的情況下，使用盡量少的主成分進(jìn)行建模，最終確定主成分個(gè)數(shù)的原則是每增加一個(gè)主成分，交叉驗(yàn)證均方根誤差至少減少2%[30]。

在考慮土壤類型的基礎(chǔ)上，采用Rank-KS法[31]，將研究區(qū)的154個(gè)樣本分成建模集和預(yù)測集兩組，建模集樣本數(shù)116個(gè)，用于PLSR模型的構(gòu)建，驗(yàn)證集樣本數(shù)38個(gè)，用于檢驗(yàn)?zāi)Ｐ偷念A(yù)測精度。建模精度的檢驗(yàn)利用 得到的校正集決定系數(shù)、均方根誤差RMSEC；交叉驗(yàn)證決定系數(shù)、均方根誤差RMSECV；驗(yàn)證集檢驗(yàn)根據(jù)驗(yàn)證集決定系數(shù)，均方根誤差RMSEV和相對分析誤差RPD，其中相對分析誤差RPD是驗(yàn)證集標(biāo)準(zhǔn)差與驗(yàn)證集均方根誤差的比值[32]。對于建模集來說，越大，RMSEC越小，建模精度越高，模型越穩(wěn)定。而對于驗(yàn)證集來說，、RPD越大，RMSEV越小，預(yù)測精度越高。

1.7 重金屬空間分布反演

根據(jù)土壤重金屬的高光譜最佳反演模型，分別得到研究區(qū)土壤樣本點(diǎn)的重金屬含量，采用Arcgis10.2的地統(tǒng)計(jì)插值進(jìn)行計(jì)算與理論模型的選擇，篩選各重金屬指標(biāo)最適宜的地統(tǒng)計(jì)插值模型，繪制各重金屬含量的空間分布圖。

2 結(jié)果與分析

2.1 土壤重金屬含量統(tǒng)計(jì)分析

土壤重金屬含量測定結(jié)果見表1，新鄭市采集的154個(gè)樣本中，5種重金屬Cr、Cd、Zn、Cu、Pb的質(zhì)量分?jǐn)?shù)從0.06～80.80 mg/kg，涉及范圍廣。標(biāo)準(zhǔn)差范圍除了Cd為0.06外，其余4個(gè)重金屬元素的標(biāo)準(zhǔn)差從4.55～11.73，變異系數(shù)為0.20～0.40，變異程度為中等變異性[33]。平均值除了Cd有超過背景值樣點(diǎn)外，其余均低于背景值，說明該區(qū)域土壤環(huán)境質(zhì)量總體是好的；但從最大值可以看出有部分樣點(diǎn)的土壤重金屬元素含量與背景值相近，甚至超出背景值，根據(jù)土壤重金屬污染的單因子指數(shù)法，可知Cr、Zn、Cu、Pb的污染指數(shù)都接近于1，存在潛在危害甚至輕度污染；Cd的污染指數(shù)為2.51，處于2～3，屬于中度污染，所以新鄭市高標(biāo)準(zhǔn)基本農(nóng)田應(yīng)該加強(qiáng)土壤質(zhì)量調(diào)查與動態(tài)監(jiān)測，以便及時(shí)發(fā)現(xiàn)并控制土壤的重金屬污染。

表1 土壤重金屬含量統(tǒng)計(jì)特征

2.2 土壤重金屬與光譜反射率的相關(guān)性分析

將土壤重金屬含量與、FDR和SDR進(jìn)行相關(guān)性分析，得到每個(gè)土壤重金屬與對應(yīng)的光譜反射率相關(guān)系數(shù)曲線，并作相關(guān)系數(shù)在= 0.01水平下的顯著性檢驗(yàn)（雙側(cè)），如圖2及表2所示。

圖2 不同變換形式光譜與土壤重金屬 Cr, Cd, Zn, Cu, Pb的相關(guān)系數(shù)

表2 不同光譜與土壤重金屬相關(guān)系數(shù)的最值及對應(yīng)波段

由圖2可得，研究區(qū)土壤重金屬Cr、Cd、Zn、Cu、Pb含量與的相關(guān)系數(shù)曲線比較平滑，且極值點(diǎn)多數(shù)與土壤反射光譜吸收特征所在位置吻合，進(jìn)一步說明土壤中的不同成分對土壤光譜有著密切的聯(lián)系，可認(rèn)為這些波段原始反射光譜對重金屬較敏感。其中Cr與的相關(guān)分析中除了1 500和1 800 nm附近，其余均通過= 0.01水平顯著性檢驗(yàn)；Cd與的顯著相關(guān)波段多集中于400～ 1 000 nm、1 400附近、1 600附近、1 900附近以及2 100～2 400 nm；Cu與的顯著相關(guān)波段最少，多集中于400～500 nm；Zn與的顯著相關(guān)波段數(shù)為497，多集中于500、1 600、1 800和2 000 nm附近；Pb與的顯著相關(guān)波段多集中于400～1 000 nm、1 900～2 400 nm，涵蓋了鐵錳氧化物和粘土礦物的特征吸收區(qū)。其中Cr、Cd、Pb的相關(guān)系數(shù)曲線形狀接近，Cd的相關(guān)系數(shù)分布方向與Cr和Pb相反，Zn與Cu的相關(guān)系數(shù)曲線形狀接近。經(jīng)過FDR、SDR變換后，與FDR、SDR的相關(guān)系數(shù)的變化不再呈近似單一變化，而是在正負(fù)值之間頻繁波動，說明FDR、SDR變換可以有效突出土壤隱藏的光譜反射率特征。

由表2可得，土壤重金屬Cr、Cd、Pb的FDR、SDR顯著性波段數(shù)相比逐漸減少；而Zn和Cu的FDR、SDR顯著波段數(shù)較均增加。根據(jù)表2的最大相關(guān)波段，Cr與的最大相關(guān)波段出現(xiàn)在2 381 nm（相關(guān)系數(shù)=0.53），位于高嶺石的次級吸收特征區(qū)域，與FDR、SDR的最大相關(guān)波段在1 581 nm（相關(guān)系數(shù)= –0.66）和1 579 nm（相關(guān)系數(shù)= –0.66），位于鐵錳氧化物及其水化物的特征吸收光譜區(qū)域附近；Cd與、FDR、SDR的最大相關(guān)波段出現(xiàn)在633 nm（相關(guān)系數(shù)= –0.56）、524 nm（相關(guān)系數(shù)= –0.60）、725 nm（相關(guān)系數(shù)= 0.61），位于Fe2+和Fe3+的特征光譜吸收區(qū)；Zn與、FDR的最大相關(guān)波段出現(xiàn)在1 630 nm（相關(guān)系數(shù)= –0.44）、1 599 nm（相關(guān)系數(shù)= –0.56），位于鐵錳氧化物及其水化物的特征吸收光譜區(qū)域附近，與SDR的最大相關(guān)波段出現(xiàn)在947 nm（相關(guān)系數(shù)= 0.61），位于Fe3+的特征光譜吸收區(qū)；Cu與的最大相關(guān)波段出現(xiàn)在480 nm（相關(guān)系數(shù)= –0.39），位于Fe2+的特征吸收區(qū)域，與FDR、SDR的最大相關(guān)波段出現(xiàn)在1847 nm（相關(guān)系數(shù)= –0.62）和1 732 nm（相關(guān)系數(shù)= –0.63），位于鐵錳氧化物及其水化物的特征吸收光譜區(qū)域附近；Pb與的最大相關(guān)波段出現(xiàn)在593 nm（相關(guān)系數(shù)= 0.58），位于Fe2+的特征吸收區(qū)域，與FDR、SDR的最大相關(guān)波段出現(xiàn)在1 239 nm（相關(guān)系數(shù)= 0.76）和1 237 nm（相關(guān)系數(shù)= 0.71），位于鐵錳氧化物及其水化物的特征吸收光譜區(qū)域附近[35]。根據(jù)表2的最大相關(guān)波段的相關(guān)系數(shù)，5種重金屬的FDR、SDR的最大相關(guān)波段的相關(guān)系數(shù)絕對值較均增加。其中除了Pb的SDR的最大相關(guān)波段的相關(guān)系數(shù)絕對值比FDR略低外，其他4個(gè)重金屬均是最大的。

綜上所述，光譜反射率經(jīng)過FDR和SDR變換后可以有效突出土壤隱藏的光譜反射率特征，選用、FDR和SDR通過= 0.01顯著性水平的相關(guān)波段作為光譜特征波段。

2.3 模型構(gòu)建及精度驗(yàn)證

選取、FD、SD光譜與土壤重金屬含量的顯著性相關(guān)波段分別作為PLSR模型的自變量，以土壤重金屬Cr、Cd、Zn、Cu、Pb的含量為因變量，采用交叉驗(yàn)證法來確定反演模型中最佳主成分?jǐn)?shù)，利用建模集的116個(gè)樣本建立PLSR模型并進(jìn)行交叉驗(yàn)證，然后根據(jù)驗(yàn)證集的38個(gè)樣本來評判模型預(yù)測精度，結(jié)果見表3。

表3 土壤重金屬的PLSR模型的建模與驗(yàn)證

由表3校正集結(jié)果可知，5種土壤重金屬中Cr、Zn、Cu、Pb重金屬分別以、FDR和SDR為自變量的PLSR模型的具有較高的決定系數(shù)，其值均大于0.7，其中Cu以為自變量的PLSR模型的決定系數(shù)高達(dá)0.99；土壤重金屬Cd以R和FDR為自變量的PLSR模型具有較高的決定系數(shù)，其值大于0.7，以SDR為自變量的PLSR模型的決定系數(shù)相比較低，其值為0.54。由表3交叉驗(yàn)證結(jié)果顯示，Cd、Zn和Cu以為自變量的PLSR模型交叉驗(yàn)證系數(shù)最高，RMSECV最??；Cr和Pb以SDR為自變量的PLSR模型交叉驗(yàn)證系數(shù)最高，RMSECV最小。對比校正集及交叉驗(yàn)證結(jié)果并結(jié)合最佳主成分?jǐn)?shù)，發(fā)現(xiàn)Cr和Pb以SDR為自變量的PLSR模型的建模效果較好，Cd、Zn和Cu以模型為自變量的PLSR模型的建模效果較好。

圖3 驗(yàn)證集樣點(diǎn)實(shí)測值與預(yù)測值擬合散點(diǎn)圖

2.4 土壤重金屬空間反演

利用最佳反演模型得到研究區(qū)土壤重金屬Cr、Cd、Zn、Cu、Pb的含量，進(jìn)行數(shù)據(jù)統(tǒng)計(jì)分析和數(shù)據(jù)分布檢驗(yàn)，并根據(jù)插值結(jié)果的指標(biāo)檢驗(yàn)，選取最優(yōu)的插值法得到研究區(qū)土壤重金屬含量空間反演圖（圖4），其中重金屬Cr采用采用普通Kriging插值法，重金屬Cd采用析取Kriging插值法，重金屬Cu、Zn、Pb均采用貝葉斯Kriging插值法。

圖4 研究區(qū)土壤重金屬含量分布圖

《高標(biāo)準(zhǔn)農(nóng)田建設(shè)標(biāo)準(zhǔn)（NY/T 2148-2012）》指出耕作層土壤重金屬含量指標(biāo)應(yīng)符合《土壤環(huán)境質(zhì)量標(biāo)準(zhǔn)》（GB15618-2008），“影響作物生長的障礙因素應(yīng)降到最低限度”。因此，結(jié)合《高標(biāo)準(zhǔn)農(nóng)田建設(shè)標(biāo)準(zhǔn)（NY/T 2148-2012）》、《土壤環(huán)境質(zhì)量標(biāo)準(zhǔn) GB15618—2008》土壤無機(jī)污染物的環(huán)境質(zhì)量第Ⅱ級標(biāo)準(zhǔn)值農(nóng)業(yè)用地標(biāo)準(zhǔn)（pH為6.5～7.5）和河南省主要元素的土壤環(huán)境背景值，由圖4可得，研究區(qū)西南區(qū)域的土壤重金屬Cr含量較高，達(dá)到了74.193 8 mg/kg，符合土壤環(huán)境質(zhì)量Ⅱ類標(biāo)準(zhǔn)，但是超過了土壤背景值；北部區(qū)域的土壤重金屬Cd含量較高，達(dá)到了0.292 mg/kg，符合土壤環(huán)境質(zhì)量Ⅱ類標(biāo)準(zhǔn)，但是大部分區(qū)域均超過了土壤背景值；土壤重金屬Cu的含量在研究區(qū)西南區(qū)域和西北區(qū)域達(dá)到了最大值，為25.762 8 mg/kg，符合土壤環(huán)境質(zhì)量Ⅱ類標(biāo)準(zhǔn)，但西北區(qū)域的Cu含量超過了土壤背景值；整個(gè)研究區(qū)的土壤重金屬Zn含量均符合土壤環(huán)境質(zhì)量Ⅱ類標(biāo)準(zhǔn)，且均低于土壤背景值，符合高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)的土壤環(huán)境質(zhì)量標(biāo)準(zhǔn)；研究區(qū)西南區(qū)域的土壤重金屬Pb含量較高，達(dá)到了32.076 2 mg/kg，符合土壤環(huán)境質(zhì)量Ⅱ類標(biāo)準(zhǔn)，但是超過了土壤背景值。

3 討 論

高光譜遙感技術(shù)對土壤重金屬含量的高光譜反演研究多集中于礦區(qū)，對礦區(qū)土壤污染監(jiān)測和治理是可行準(zhǔn)確、有效的方法?！陡邩?biāo)準(zhǔn)基本農(nóng)田建設(shè)標(biāo)準(zhǔn)》中明確提出“堅(jiān)持?jǐn)?shù)量、質(zhì)量、生態(tài)并重，確?；巨r(nóng)田數(shù)量穩(wěn)定、質(zhì)量提高，促進(jìn)農(nóng)村地區(qū)經(jīng)管優(yōu)化、生態(tài)良好”、“增加高標(biāo)準(zhǔn)基本農(nóng)田面積，提高耕地質(zhì)量，加強(qiáng)生態(tài)環(huán)境建設(shè)，發(fā)揮生產(chǎn)、生態(tài)、景觀的綜合功能”、“建成后的耕地質(zhì)量等別達(dá)到所在縣的較高等別”等要求，說明高標(biāo)準(zhǔn)基本農(nóng)田作為耕地的精華部分，要求耕地?cái)?shù)量穩(wěn)定、質(zhì)量提高、生態(tài)良好?！笆濉币?guī)劃（2016－2020年）要求全面劃定永久基本農(nóng)田，大規(guī)模推進(jìn)農(nóng)田水利、土地整治、中低產(chǎn)田改造和高標(biāo)準(zhǔn)農(nóng)田建設(shè)。高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)的重點(diǎn)在于堅(jiān)持耕地質(zhì)量與高標(biāo)準(zhǔn)農(nóng)田基礎(chǔ)工程同步建設(shè)，在加強(qiáng)農(nóng)田基礎(chǔ)設(shè)施建設(shè)的同時(shí)，把土壤改良、培肥地力、耕地質(zhì)量監(jiān)測網(wǎng)點(diǎn)建設(shè)等作為高標(biāo)準(zhǔn)農(nóng)田建設(shè)項(xiàng)目實(shí)施的重要內(nèi)容。而土壤重金屬污染是高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)區(qū)域土壤生態(tài)的直接表現(xiàn)，為了保證土壤生態(tài)良好，應(yīng)實(shí)施實(shí)時(shí)監(jiān)測土壤重金屬信息，加強(qiáng)土壤生態(tài)建設(shè)，有針對性的改善土壤現(xiàn)有狀況，并保證在高標(biāo)準(zhǔn)基本農(nóng)田田間工程建設(shè)過程中，土壤免受二次污染，以此保障土壤生態(tài)良好和糧食生產(chǎn)安全。因此，將高光譜引入對高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)區(qū)域土壤信息的獲取，有助于實(shí)時(shí)監(jiān)測高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)區(qū)域土壤的污染狀況，為高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)過程中土壤信息的獲取提供一種新的技術(shù)手段。研究發(fā)現(xiàn)利用高光譜對高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)區(qū)域土壤重金屬含量的反演是可行的，借助地統(tǒng)計(jì)學(xué)方法對高光譜反演模型插值能夠較好反演研究區(qū)空間分布規(guī)律[[1]7]，為實(shí)時(shí)、快速、準(zhǔn)確的獲取高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)區(qū)域的土壤生態(tài)狀況提供了可能，為實(shí)現(xiàn)高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)提供數(shù)據(jù)基礎(chǔ)與技術(shù)支持，為探索高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)區(qū)域項(xiàng)目區(qū)優(yōu)選決策與建設(shè)提供參考，推進(jìn)高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)的實(shí)施。

通過構(gòu)建高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)區(qū)域土壤重金屬高光譜PLSR反演模型，比較分析精度檢驗(yàn)結(jié)果可知，Cr和Pb以SDR為自變量的PLSR模型為最佳模型，Cu、Cd和Zn以為自變量的PLSR模型為最佳模型。從相對分析誤差RPD來看，Cr的SDR-PLSR模型的RPD均位于1.4和1.8之間，具備一定的預(yù)測能力；Cd的R-PLSR模型的RPD均位于1.4和1.8之間，具備一定的預(yù)測能力；Zn的R-PLSR模型的RPD位于2.0和2.5之間，具有很好的定量預(yù)測能力；Cu在R-PLSR模型的RPD大于2.5，具有極好的預(yù)測能力；Pb的SDR-PLSR模型的RPD均大于2.5，具有極好的預(yù)測能力。

采用構(gòu)建的土壤重金屬的最佳模型，對土壤重金屬含量進(jìn)行空間插值，并結(jié)合高標(biāo)準(zhǔn)農(nóng)田建設(shè)標(biāo)準(zhǔn)可知，除了Zn含量符合土壤環(huán)境質(zhì)量Ⅱ類標(biāo)準(zhǔn)且均低于土壤背景值外，Cr、Cd、Cu和Pb雖符合土壤環(huán)境質(zhì)量Ⅱ類標(biāo)準(zhǔn)，但是部分區(qū)域超過了土壤背景值，因此，高標(biāo)準(zhǔn)基本農(nóng)田的建設(shè)迫切要求遙感技術(shù)能夠提供給其快速、準(zhǔn)確的土壤重金屬信息。而在高標(biāo)準(zhǔn)基本農(nóng)田研究中，對土壤重金屬信息的分析和估算，高光譜遙感技術(shù)具有廣闊的應(yīng)用前景，利用高光譜遙感技術(shù)對土壤重金屬進(jìn)行動態(tài)監(jiān)測，能夠?yàn)閷?shí)現(xiàn)高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)提供數(shù)據(jù)基礎(chǔ)和技術(shù)支持，為高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)區(qū)域的優(yōu)選提供參考依據(jù)。

土壤光譜是土壤屬性的綜合反映。高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)過程中，土壤有機(jī)質(zhì)、氮磷鉀等養(yǎng)分、土壤水分、土壤質(zhì)地等基礎(chǔ)信息也是至關(guān)重要的，本文僅對土壤重金屬進(jìn)行光譜反演，沒有涉及其他土壤屬性，不同的有機(jī)質(zhì)對重金屬的吸附強(qiáng)度也是不同的。因此，今后將進(jìn)一步研究有機(jī)物等土壤屬性對重金屬含量估算的影響，及其他土壤屬性的反演分析，為實(shí)現(xiàn)高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)提供數(shù)據(jù)基礎(chǔ)與技術(shù)支持。由于土壤的區(qū)域獨(dú)特性，以及野外環(huán)境的不確定性，是否能將室內(nèi)光譜數(shù)據(jù)模型應(yīng)用到野外以及高光譜影像中仍是今后研究的重點(diǎn)。

4 結(jié) 論

本文以新鄭市高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)區(qū)域土壤為研究對象，利用154個(gè)土壤樣本的重金屬含量數(shù)據(jù)及對應(yīng)的室內(nèi)高光譜數(shù)據(jù)，構(gòu)建基于PLSR模型的新鄭市高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)區(qū)域土壤重金屬的高光譜反演模型；并利用最佳地統(tǒng)計(jì)插值法對土壤重金屬Cr、Cd、Zn、Cu、Pb進(jìn)行空間插值，探討了高光譜反演在高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)區(qū)的必要性和可行性。結(jié)論如下：

1）對原始光譜反射率進(jìn)行MSC和SG平滑預(yù)處理基礎(chǔ)上進(jìn)行FDR和SDR變換，有效突出了土壤隱藏的光譜反射率特征。通過對、FDR和SDR分別與土壤重金屬Cr、Cd、Zn、Cu、Pb進(jìn)行相關(guān)性分析，5種重金屬的FDR和SDR的最大相關(guān)系數(shù)波段的相關(guān)系數(shù)絕對值較均增加；并遴選出= 0.01水平的顯著性檢驗(yàn)的波段作為最佳光譜特征波段。

2）基于偏最小二乘法，以3種光譜變換的光譜特征波段為自變量，構(gòu)建新鄭市高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)區(qū)域的土壤重金屬反演模型；比較3種光譜變換下建立的土壤重金屬的PLSR模型精度檢驗(yàn)結(jié)果，Cr的SDR-PLSR模型的RPD為1.68，Cd的R-PLSR模型的RPD為1.50，均位于1.4和1.8之間，具有一般的預(yù)測能力；Zn的R- PLSR模型的RPD為2.05，位于2.0～2.5之間，具有很好的預(yù)測能力；Cu在R-PLSR模型的RPD為3.36，Pb的SDR-PLSR模型的RPD為3.16，均大于2.5，具有極好的預(yù)測能力。結(jié)合散點(diǎn)圖中多數(shù)樣本實(shí)測值與預(yù)測值都集中在1∶1線附近，Cr和Pb的SDR-PLSR模型為最佳反演模型，Cd、Zn和Cu的R-PLSR模型為最佳反演 模型。

3）利用構(gòu)建的土壤重金屬含量最佳模型，采用最佳地統(tǒng)計(jì)插值法對新鄭市高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)區(qū)域的土壤重金屬進(jìn)行空間插值，結(jié)合高標(biāo)準(zhǔn)農(nóng)田建設(shè)標(biāo)準(zhǔn)，對新鄭市高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)區(qū)域的土壤重金屬狀況進(jìn)行分析，除了Zn含量符合土壤環(huán)境質(zhì)量Ⅱ類標(biāo)準(zhǔn)且均低于土壤背景值外，Cr、Cd、Cu和Pb雖符合土壤環(huán)境質(zhì)量Ⅱ類標(biāo)準(zhǔn)，但是部分區(qū)域超過了土壤背景值，因此，在高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)區(qū)域采用高光譜遙感技術(shù)實(shí)施土壤重金屬信息監(jiān)測工作具有現(xiàn)實(shí)意義。

[1] 中華人民共和國國土資源部. 基本農(nóng)田劃定技術(shù)規(guī)程：TD/T1032-2011[S].北京：中國標(biāo)準(zhǔn)出版社，2011.

[2] 中華人民共和國國土資源部.高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)標(biāo)準(zhǔn)：TD/T1033-2012[S].北京：中國標(biāo)準(zhǔn)出版社，2012.

[3] 劉新衛(wèi)，李景瑜，趙崔莉.建設(shè)4億畝高標(biāo)準(zhǔn)基本農(nóng)田的思考與建議[J].中國人口·資源與環(huán)境，2012，22(3)：1－5.

[4] 王新盼，姜廣輝，張瑞娟，等. 高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)區(qū)域劃定方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29(10)：241－250.Wang Xinpan, Jiang Guanghui, Zhang Ruijuan, et al. Zoning approach of suitable areas for high quality capital farmland construction[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013,29(10): 241－250. (in Chinese with English abstract)

[5] 任艷敏，唐秀美，劉玉，等. 考慮耕地生態(tài)質(zhì)量的基本農(nóng)田劃定方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2014，30(24)：298－307.Ren Yanmin, Tang Xiumei, Liu Yu, et al. Demarcating methodof prime farmland considering ecological quality of cultivated land[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014,30(24): 298－307. (in Chinese with English abstract)

[6] 錢鳳魁，王秋兵，李娜. 基于耕地質(zhì)量與立地條件綜合評價(jià)的高標(biāo)準(zhǔn)基本農(nóng)田劃定[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(18)：225－232.Qian Fengkui, Wang Qiubing, Li Na. High-standard prime farmland planning based on evaluation of farmland quality and siteconditions[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(18): 225－232. (in Chinese with English abstract)

[7] 楊偉，謝德體，廖和平，等. 基于高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)模式的農(nóng)用地整治潛力分析[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29(7)：219－229.Yang Wei, Xie Deti, Liao Heping, et al. Analysis of consolidation potential of agricultural land based on constructionmode of high-standard basic farmland[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(7): 219－229. (in Chinese with English abstract)

[8] 王晨，汪景寬，李紅丹，等. 高標(biāo)準(zhǔn)基本農(nóng)田區(qū)域分布與建設(shè)潛力研究[J]. 中國人口×資源與環(huán)境. 2014(S2)：226－229.Wang Chen,Wang Jingkuan, Li Hongdan, et al.Research on regional distribution and potentialityof high—standard basic farmland[J]. China Population, Resources and Environment. 2014(S2): 226－229. (in Chinese with English abstract)

[9] 林勇剛，陳凌靜，王銳. 重慶城市發(fā)展新區(qū)高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)適宜性評價(jià)研究：以潼南縣柏梓鎮(zhèn)為例[J]. 江西農(nóng)業(yè)學(xué)報(bào)，2015，27(2)：111－115.Lin Yonggang, Chen Lingjing, Wang Rui. Study on suitability evaluation of high－standard basic farmland construction in developmental zone of chongqingcity: Taking Baizi Town of Tongnan County as an example[J]. Acta Agriculturae Jiangxi, 2015, 27(2): 111－115. (in Chinese with English abstract)

[10] 崔勇，劉志偉. 基于GIS的北京市懷柔區(qū)高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)適宜性評價(jià)研究[J]. 中國土地科學(xué)，2014，(9)：76－81.Cui Yong, Liu Zhiwei.A GIS-based approach for suitability evaluation of high standard primary farmland consolidation: A case from Huairou in Beijing[J]. China Land Sciences, 2014, (9):76－81. (in Chinese with English abstract)

[11] 趙素霞，牛海鵬，張捍衛(wèi)，等. 基于生態(tài)位模型的高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)適宜性評價(jià)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32(12)：220－228.Zhao Suxia, Niu Haipeng, Zhang Hanwei, et al. Suitability evaluation on high quality capital farmland consolidation based on niche-fitness model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(12): 220－228. (in Chinese with English abstract)

[12] 馮銳，吳克寧，王倩. 四川省中江縣高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)時(shí)序與模式分區(qū)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28(22)：243－251. Feng Rui, Wu Kening, Wang Qian. Time sequence and mode partition of high-standard prime farmland construction in Zhongjiang county, Sichuan province[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(22): 243－251. (in Chinese with English abstract)

[13] 薛劍，韓娟，張鳳榮，等. 高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)評價(jià)模型的構(gòu)建及建設(shè)時(shí)序的確定[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30(5)：193－203.Xue Jian, Han Juan, Zhang Fengrong, et al. Development of evaluation model and determination of its construction sequence for well-facilitied capital farmland[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(5): 193－203. (in Chinese with English abstract)

[14] 李發(fā)志，孫華，江廷美，等. 高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)區(qū)域時(shí)序劃分[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32(22)：251－258. Li Fazhi, Sun Hua, Jiang Tingmei, et al. Time sequence division of high-standard prime farmland construction area[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(22): 251－258. (in Chinese with English abstract)

[15] 蔡潔，李世平. 基于熵權(quán)可拓模型的高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)項(xiàng)目社會效應(yīng)評價(jià)[J]. 中國土地科學(xué)，2014(10)：40－47.Cai Jie,Li Shiping. Social effects evaluation of high-standard primary farmland construction project based on entropy-weighted method and extension model[J]. China Land Sciences, 2014(10): 40－47. (in Chinese with English abstract)

[16] Kemper T, Sommer S. Estimate of heavy metal contamination in soils after a mining accident using reflectance spectroscopy[J]. Environmental Science & Technology, 2002, 36(12): 2742－ 2748.

[17] Siebielec G, Mccarty G W, Stuczynski T I. Near-and mid- infrared diffuse reflectance spectroscopy for measuring soil metal content[J]. Journal of Environmental Quality, 2004, 33(6): 2056－2069.

[18] 呂杰，郝寧燕，崔曉臨. 利用可見光近紅外的尾礦區(qū)農(nóng)田土壤Cu含量反演[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(9)：265－270. Lü Jie, Hao Ningyan, Cui Xiaolin. Inversion model for copper content in farmland of tailing area based on visible- near infrared reflectance spectroscopy[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(9): 265－270. (in Chinese with English abstract)

[19] 宋練，簡季，譚德軍，等. 萬盛采礦區(qū)土壤As,Cd,Zn重金屬含量光譜測量與分析[J]. 光譜學(xué)與光譜分析，2014(03)：812－817. Song Lian, Jian Ji, Tan Dejun, et al. Estimation of soil's heavy metal concentrations(As, Cd and Zn)in Wansheng mining area with geochemistry and field spectroscopy[J]. Spectroscopy and Spectral Analysis, 2014(3): 812－817. (in Chinese with English abstract)

[20] 王菲，曹文濤，康日斐，等. 基于野外實(shí)測光譜的金礦區(qū)土壤重金屬鉻監(jiān)測研究[J]. 環(huán)境污染與防治，2016(2)： 13－18.Wang Fei, Cao Wentao, Kang Rifei, et al. Study on monitoring of soil heavy metal Cr in golden mining areas based on field measured spectrum[J]. Environmental Pollution & Control, 2016(2): 13－18. (in Chinese with English abstract)

[21] Tan Kun, Ye Yuanyuan, Du Peijun, et al. Estimation of heavy metal concentrations in reclaimed mining soils using reflectance spectroscopy[J]. Spectroscopy and Spectral Analysis, 2014, 34(12):3317－3322(6).

[22] Kooistra L, Wanders J, Epema G F, et al. The potential of field spectroscopy for the assessment of sediment properties in river floodplains[J]. Analytica Chimica Acta, 2003, 484(2): 189－200.

[23] 李剛，王勇，孫連英. 基于支持向量機(jī)的土壤重金屬含量預(yù)測研究[J]. 北京聯(lián)合大學(xué)學(xué)報(bào)：自然科學(xué)版，2015(2)：36－40.Li Gang，Wang Yong，Sun Lianying. Study on the prediction of heavy metal content on soil based on support vector machine[J]. Journal of Beijing Union University, 2015(2): 36－40. (in Chinese with English abstract)

[24] Ren Hongyan, Zhuang Dafang, Singh.A N, et al. Estimation of As and Cu contamination in agricultural soils around a mining area by reflectance spectroscopy: A case study[J]. Pedosphere, 2009, 19(6):719－726.

[25] Wang Junjie, Cui Lijuan, Gao Wenxiu, et al.Prediction of low heavy metal concentrations in agricultural soils using visible andnear-infrared reflectance spectroscopy[J]. Geoderma,2014, 216(1): 1－9.

[26] 夏芳，彭杰，王乾龍，等. 基于省域尺度的農(nóng)田土壤重金 屬高光譜預(yù)測[J]. 紅外與毫米波學(xué)報(bào)，2015(5)：593－598.Xia Fang, Peng Jie, Wang Qianlong, et al. Prediction of heavy metal content in soil of cultivated land: Hyperspectral technology at provincial scale[J]. J. Infrared Millim. Waves, 2015(5): 593－598. (in Chinese with English abstract)

[27] Shi Tiezhu, Chen Yiyun, Liu Yaolin,et al.Visible and near-infrared reflectance spectroscopy: An alternative for monitoring soil contamination by heavy metals[J].Journal of Hazardous Materials,2014,265: 166－176.

[28] 侯燕平，呂成文，項(xiàng)宏亮，等.土樣處理方式對室內(nèi)土壤高光譜測試穩(wěn)定性影響探討[J]. 土壤通報(bào)，2015(2)：287－291.Hou Yanping, Lü Chengwen, Xiang Hongliang, et al. Treatment effects on soil hyperspectral stability in laboratorytest[J]. Chinese Journal of Soil Science, 2015, 46(2): 287－ 291. (in Chinese with English abstract)

[29] 王慧文. 偏最小二乘回歸方法及其應(yīng)用[M]. 北京：國防工業(yè)出版社，1999.

[30] 袁中強(qiáng)，曹春香，鮑達(dá)明，等. 若爾蓋濕地土壤重金屬元素含量的遙感反演[J]. 濕地科學(xué)，2016(1)：113－116.Yuan Zhongqiang, Cao Chunxiang, Bao Daming, et al. Inversion on contents of heavy metals in soils of wetlands in zoigê plateau based on remote sensing data[J]. Wetland Science, 2016(01): 113－116. (in Chinese with English abstract)

[31] 劉偉，趙眾，袁洪福，等. 光譜多元分析校正集和驗(yàn)證集樣本分布優(yōu)選方法研究[J]. 光譜學(xué)與光譜分析，2014(4)：947－951.Liu Wei, Zhao Zhong, Yuan Hongfu, et al. An optimal selection method of samples of calibration set and validation set for spectral multivariate analysis[J].Spectroscopy and Spectral Analysis,2014(4): 947－951. (in Chinese with English abstract)

[32] Rossel R A V, Taylor H J, Mcbratney A B. Multivariate calibration of hyperspectral γ-ray energy spectra for proximal soil sensing[J]. European Journal of Soil Science. 2007, 58: 343－353．

[33] 鄭昭佩，劉新作．土壤質(zhì)量及其評價(jià)[J]. 應(yīng)用生態(tài)學(xué)報(bào)，2003，14(1)：131－134．Zheng Zhaopei, Liu Xinzuo. Soil quality and its evaluation[J]. Chinese Journal of Applied Ecology, 2003, 14(1): 131－134. (in Chinese with English abstract)

[34] 邵豐收，周皓韻. 河南省主要元素的土壤環(huán)境背景值[J]. 河南農(nóng)業(yè)，1998，10：28.

[35] 解憲麗，孫波，郝紅濤.土壤可見光—近紅外反射光譜與重金屬含量之間的相關(guān)性[J].土壤學(xué)報(bào)，2007，44(6)： 982－993. Xie Xianli,Sun Bo, Hao Hongtao. Relationship between visible-near infrared reflectance spectroscopy andheavy metal of soil concentration[J].Acta Pedologica Sinica, 2007, 44(6):982－993. (in Chinese with English abstract)

Inversion of heavy metals content with hyperspectral reflectance in soil of well-facilitied capital farmland construction areas

Zhang Qiuxia1, Zhang Hebing1※, Liu Wenkai1,2, Zhao Suxia1

(1.454000,; 2.450046,)

Hyperspectral reflectance provides an alternative method to soil’s physical and chemical analysis in laboratory for the estimation of soil properties in large range. In order to achieve rapid measurement of the soil heavy metal content in well-facilitied capital farmland construction areas, 154 soil samples at 0-30 cm depth were collected as research objects, which were from well-facilitied capital farmland construction areas in Xinzheng City, Henan Province. The raw hyperspectral reflectance of soil samples was measured by the standard procedure with a spectrometer of ASD Field Spec3 equipped with a high intensity contact probe under the laboratory conditions. Meanwhile, the contents of Cr, Cd, Zn, Cu, and Pb in these soil samples were analyzed. The 116 samples were used for building hyperspectral estimation models and the other 38 samples were used for model validation. In the next, the raw spectral reflectance of 400-2400 nm after multiplicative scatter correction and Savitzky-Golay was transformed to 2 spectral indices, i.e. first order differential reflectance(FDR) and second order differential reflectance(SDR). The correlation coefficient between the 3 kinds of spectral indices and Cr, Cd, Zn, Cu, Pb content was analyzed by Pearson correlation analysis. Then, the correlation coefficients (<0.01) of the 3 spectral indices were got in significant test, which could be used to extract significant bands. At last, we used partial least squares regression (PLSR) method to build quantitative inversion models of soil heavy metal content based on significant bands for this study area, respectively. The prediction accuracies of these models were assessed by comparing determination coefficients (), root mean squared error (RMSE) and relative percent deviation (RPD) between the prediction and validation values. Based on these, the optimal models were selected. The spatial distribution map of Cr, Cd, Zn, Cu and Pb content was made by geographical interpolation. The results showed that, conducting the first order differential reflectance and second order differential reflectance transformation on raw soil spectral data, could highlight the hidden spectral reflectivity characteristics effectively. Among all of the 3 spectral indices based on PLSR model, the model of second order differential reflectance about Cr could obtain more robust prediction accuracies, its values ofwas 0.88，its values of RPD was 1.68; the model of the raw spectral reflectance () of 400-2 400 nm after multiplicative scatter correction（MSC）and Savitzky-Golay（SG）about Cd、Zn and Cu could obtain more robust prediction accuracies, their values ofwere 0.70, 0.88 and 0.99, their values of RPD were 1.50, 2.05 and 3.36 respectively; Pb could obtain more robust prediction accuracies, their values ofwas 0.93，its values of RPD was 3.16. The optimum model of soil heavy metal was used to interpolate the soil heavy metal content; the content of Zn was in accordance with the standard of soil environmental quality, and the contents of Cr, Cd, Cu and Pb met the soil environmental quality standard Ⅱ, but the contents in some well-facilitied capital farmland construction areas were more than the soil background value. This study provides a reference for the real-time monitoring of soil basic information in well-facilitied capital farmland construction areas by hyperspectral inversion model.

soils; spectrum analysis; heavy metals; hyperspectral; inversion; partial least square regression (PLSR); well-facilitied capital farmland

10.11975/j.issn.1002-6819.2017.12.030

S127

A

1002-6819(2017)-12-0230-10

2016-12-30

2017-06-12

國土資源部公益性行業(yè)科研專項(xiàng)（201411022）；國家自然科學(xué)基金項(xiàng)目（41641057）；河南省高?？萍紕?chuàng)新團(tuán)隊(duì)（18IRTSTHN008）

張秋霞，女，河南濟(jì)源人，博士研究生，研究方向?yàn)榈V區(qū)土地復(fù)墾與生態(tài)重建。焦作 河南理工大學(xué)測繪與國土信息工程學(xué)院，454000。Email：zqx_0818@163.com。

張合兵，男，河南滑縣人，教授，主要從事土地空間信息獲取、利用、整治及其信息化等研究。焦作 河南理工大學(xué)測繪與國土信息工程學(xué)院，454000。Email：jzitzhb@hpu.edu.cn。

張秋霞，張合兵，劉文鍇，趙素霞.高標(biāo)準(zhǔn)基本農(nóng)田建設(shè)區(qū)域土壤重金屬含量的高光譜反演[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33(12)：230－239. doi：10.11975/j.issn.1002-6819.2017.12.030 http://www.tcsae.org

Zhang Qiuxia, Zhang Hebing, Liu Wenkai, Zhao Suxia.Inversion of heavy metals content with hyperspectral reflectance in soil of well-facilitied capital farmland construction areas[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(12): 230－239. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.12.030 http://www.tcsae.org