李秋蓉，羅宇星，晉雷雨，邵懷勇，2

(1.成都理工大學(xué) a.地學(xué)空間信息技術(shù)國(guó)土資源部重點(diǎn)實(shí)驗(yàn)室, b.地球科學(xué)學(xué)院，成都 610059;2.成都山地災(zāi)害與環(huán)境研究所，成都 610041)

冕寧牦牛坪稀土礦區(qū)土壤重金屬污染光譜測(cè)定與特征分析

李秋蓉1a，b，羅宇星1a，晉雷雨1a，邵懷勇1a，b，2

(1.成都理工大學(xué) a.地學(xué)空間信息技術(shù)國(guó)土資源部重點(diǎn)實(shí)驗(yàn)室, b.地球科學(xué)學(xué)院，成都 610059;2.成都山地災(zāi)害與環(huán)境研究所，成都 610041)

本研究采集冕寧牦牛坪稀土礦區(qū)34個(gè)樣本點(diǎn)的土壤與高光譜數(shù)據(jù)，利用化學(xué)方法實(shí)測(cè)土壤重金屬含量，計(jì)算各重金屬之間皮爾森相關(guān)系數(shù)，建立Fe元素與各金屬元素(Pb、Zn、Cd、Mn、Cu、As)估算模型；針對(duì)高光譜數(shù)據(jù)，進(jìn)行光譜一階微分、二階微分、倒數(shù)對(duì)數(shù)、均方根變換、包絡(luò)線(xiàn)去除、光譜深度計(jì)算等處理，獲取特征波段，采用交叉有效性檢驗(yàn)原則選擇恰當(dāng)?shù)闹鞒煞謧€(gè)數(shù)，應(yīng)用偏最小二乘法建立光譜一階微分同F(xiàn)e元素關(guān)系模型，最后通過(guò)計(jì)算建模樣本與檢驗(yàn)樣本的相關(guān)系數(shù)及RMSE值判定各金屬含量模型精度。旨在探索利用高光譜遙感技術(shù)反演土壤重金屬含量的可行性，為應(yīng)用高光譜遙感技術(shù)進(jìn)行環(huán)境污染監(jiān)測(cè)、信息提取和定量反演提供借鑒。

高光譜； 土壤重金屬； 光譜一階微分； Fe元素關(guān)系模型

0 引言

隨著我國(guó)工業(yè)發(fā)展和城市化進(jìn)程的加快，各種原材料的需求日益加大，礦山企業(yè)作為國(guó)民經(jīng)濟(jì)的重要增長(zhǎng)點(diǎn)，在帶來(lái)經(jīng)濟(jì)效益的同時(shí)，環(huán)境污染與經(jīng)濟(jì)協(xié)調(diào)發(fā)展的矛盾日漸突出[1]。如何應(yīng)用快速有效的方法監(jiān)測(cè)礦區(qū)土壤的重金屬污染，已經(jīng)成為我國(guó)土壤污染狀況評(píng)估亟待解決的問(wèn)題，并且逐漸發(fā)展為當(dāng)前環(huán)境生態(tài)學(xué)研究的一個(gè)重要領(lǐng)域[2]。

傳統(tǒng)的土壤重金屬監(jiān)測(cè)大多采用化學(xué)分析法，此方法雖精度較高，但分析周期長(zhǎng)，受野外環(huán)境和樣本質(zhì)量的限制大，無(wú)法實(shí)現(xiàn)大面積的實(shí)時(shí)動(dòng)態(tài)監(jiān)測(cè)，然而遙感技術(shù)具有信息獲取速度快、大范圍實(shí)時(shí)動(dòng)態(tài)監(jiān)測(cè)的優(yōu)勢(shì)，特別是近年來(lái)高光譜遙感(Hyperspectral Remote Sensing)技術(shù)[3-7]的出現(xiàn)，為土壤重金屬的監(jiān)測(cè)提供了可能。

1 研究區(qū)概況

冕寧縣地處橫斷山區(qū)東部邊緣，川西北高原與川西山地過(guò)渡地帶，稀土礦位于南北長(zhǎng)300 km的攀西稀土成礦帶北段，而牦牛坪稀土礦區(qū)位于牦牛山南部。上世紀(jì)70、80年代稀土礦山開(kāi)采初期，采礦業(yè)無(wú)序的管理模式與粗放的發(fā)展方式，加上環(huán)保投入不足與意識(shí)不夠，造成安寧河水體及土壤一定程度的重金屬污染。

2 數(shù)據(jù)獲取及處理

筆者研究數(shù)據(jù)包括34個(gè)樣本點(diǎn)的高光譜數(shù)據(jù)以及土壤野外采樣數(shù)據(jù)。其中高光譜數(shù)據(jù)的獲取時(shí)間為2015年9月10日-9月13日，氣象條件良好，晴朗無(wú)云，空氣中水汽含量低；采用Hyspex地面成像高光譜測(cè)量系統(tǒng)，獲取可見(jiàn)光—近紅外(VNIR)波段(0.4 μm～1.0 μm)的地面成像高光譜數(shù)據(jù)，數(shù)據(jù)采集過(guò)程中，在采樣點(diǎn)布設(shè)標(biāo)準(zhǔn)白板，同時(shí)對(duì)白板輻射率數(shù)據(jù)進(jìn)行采集[8]。

在研究區(qū)田間、采礦場(chǎng)、洗礦區(qū)采用蛇形布點(diǎn)法共布設(shè)34個(gè)采樣點(diǎn)，農(nóng)田采樣避開(kāi)施肥點(diǎn)、肥料殘塊，每個(gè)點(diǎn)取樣深度0 cm～20 cm，約采集200 g土壤，同時(shí)記錄該點(diǎn)坐標(biāo)以及周?chē)沫h(huán)境狀況。利用化學(xué)的方法測(cè)定每個(gè)樣品中鐵(Fe)、鉛(Pb)、鎘(Cd)、砷(As)等重金屬元素在土壤中的含量。

應(yīng)用Hyspex系統(tǒng)獲取的高光譜原始數(shù)據(jù)為輻射亮度,通過(guò)比較“Grumwald-Letnikov”算法以及“Savizky-Golay”算法對(duì)地物波譜數(shù)據(jù)的平滑結(jié)果，選擇處理效果較好的“Savizky-Golay”算法方法進(jìn)行數(shù)據(jù)平滑。其高光譜數(shù)據(jù)經(jīng)預(yù)處理，光譜曲線(xiàn)變化前、后對(duì)比如圖1所示。

圖1 樣本反射率計(jì)算結(jié)果Fig.1 Sample reflectance calculation results(a)樣本原始光譜輻射值;(b)預(yù)處理后光譜反射率

3 重金屬模型建立

3.1 模型概述

鐵作為土壤礦物中的主要元素之一，是土壤賦色的重要成分，不同價(jià)位的鐵呈現(xiàn)各異的顏色，因此，鐵是可見(jiàn)光譜中最活躍的因素。而鉛、鎘、砷、鋅等重金屬元素在土壤中含量微弱，光譜特性表現(xiàn)不明顯，銅在土壤中的含量要超過(guò)一定濃度時(shí)才具有光譜特征，并且通過(guò)本文實(shí)測(cè)光譜數(shù)據(jù)分析，在研究區(qū)范圍內(nèi)未發(fā)現(xiàn)這些重金屬元素與波段之間明顯的相關(guān)性，所以直接對(duì)這些元素利用高光譜技術(shù)進(jìn)行反演難以實(shí)現(xiàn)，但在研究過(guò)程中發(fā)現(xiàn)這些重金屬元素與鐵元素存在著相關(guān)性，所以土壤中光譜特征不明顯的這些組分也可被監(jiān)測(cè)[9]，這為快速預(yù)測(cè)土壤重金屬元素提供了借鑒。為此，通過(guò)采用線(xiàn)性回歸法構(gòu)建土壤Fe元素含量與其他重金屬含量關(guān)系模型、Fe元素含量與其光譜特征的關(guān)系模型，實(shí)現(xiàn)土壤不同重金屬含量的高光譜遙感實(shí)時(shí)動(dòng)態(tài)監(jiān)測(cè)。

3.2 土壤重金屬含量與Fe元素含量的關(guān)系模型

3.2.1 土壤重金屬含量分析

針對(duì)34個(gè)土壤樣品重金屬元素含量的測(cè)定值，對(duì)統(tǒng)計(jì)每種元素的平均值、中值、標(biāo)準(zhǔn)偏差、偏度、峰度、最小值、最大值、以及土壤背景對(duì)照值等八個(gè)指標(biāo)進(jìn)行統(tǒng)計(jì)。表1展示了研究區(qū)34個(gè)土壤樣品點(diǎn)主要重金屬元素含量的統(tǒng)計(jì)特征值，可以看到Cu含量介于20.62 mg/kg～37.53 mg/kg之間，其均值與對(duì)照值含量(25.41 mg/kg)相當(dāng)，因此，該礦區(qū)重金屬元素Cu污染并不嚴(yán)重。然而采樣樣品中Cd含量最大濃度超過(guò)對(duì)照值的4倍，最小值與對(duì)照值含量相當(dāng)，初步判定研究區(qū)土壤受到Cd元素污染，Cd元素影響農(nóng)作物生長(zhǎng)，降低農(nóng)產(chǎn)量，對(duì)生物體的毒性較大，因此應(yīng)該引起足夠重視。此外，稀土礦區(qū)不同采樣點(diǎn)Pb的含量差異很大，分布極不均勻，具體表現(xiàn)為：最高含量與最低含量之間濃度相差27倍，最低含量也高于對(duì)照值近2倍，說(shuō)明研究區(qū)Pb污染相當(dāng)嚴(yán)重，且變化幅度很大。Zn含量分布規(guī)律同Cd相似，并且其最高濃度、最低濃度分別為對(duì)照值的4倍、1倍，說(shuō)明稀土礦區(qū)中Zn污染不是十分嚴(yán)重，且各個(gè)采樣點(diǎn)間Zn的含量相差不大。As含量的空間分布變化幅度不大，但其均值為對(duì)照的3倍有余，說(shuō)明稀土礦區(qū)中As的污染比較嚴(yán)重。鐵錳氧化物與重金屬元素在土壤中具體存在形式為富集作用，因此在此將不對(duì)Fe與Mn元素含量進(jìn)行單獨(dú)分析。

3.2.2 土壤重金屬含量相關(guān)性分析

土壤中的鐵錳氧化物、粘土礦物以及有機(jī)質(zhì)對(duì)重金屬元素具有吸附作用，這種吸附作用是重金屬元素富集的主要原因。皮爾森相關(guān)系數(shù)[10]用以確定兩個(gè)變量是否存在線(xiàn)性相關(guān)，通過(guò)F檢驗(yàn)的前提下，系數(shù)絕對(duì)值的大小程度反映相關(guān)程度的高低，其計(jì)算式為：

表1 土壤重金屬含量代表參數(shù)統(tǒng)計(jì)

(1)

式中：r代表兩組數(shù)據(jù)的相關(guān)系數(shù);n為樣本量;Xi為第i組數(shù)據(jù)實(shí)測(cè)值;X0表示數(shù)據(jù)平均值。r取值在 -1 與 +1 之間，若r>0，表明兩個(gè)變量正相關(guān);若r<0，表明兩個(gè)變量負(fù)相關(guān)。表2顯示了7個(gè)重金屬元素皮爾森相關(guān)系數(shù)(r) 矩陣，結(jié)果表明Fe元素與除Cu之外的六個(gè)重金屬元素，其相關(guān)程度均達(dá)到極顯著相關(guān)水平，說(shuō)明鐵錳氧化物對(duì)Pb、Zn、Cd等元素具有較強(qiáng)的吸附或富集作用；而Cu元素在土壤中主要以有機(jī)質(zhì)結(jié)合態(tài)形式存在，因此在含量上與Fe未存在明顯的相關(guān)關(guān)系[11]。以上研究證明：利用鐵錳氧化物中有效態(tài)鐵的典型光譜特征間接地預(yù)測(cè)土壤不同重金屬元素含量具有較強(qiáng)的操作性與可行性。

3.2.3 模型建立

根據(jù)實(shí)驗(yàn)室對(duì)土壤采樣數(shù)據(jù)重金屬含量的測(cè)定，并通過(guò)分析比較相關(guān)系數(shù)矩陣，利用線(xiàn)性回歸方程方法分別建立了以Fe元素為因變量、其他重金屬元素含量為自變量的關(guān)系模型，建模結(jié)果如表3所示。

表2 重金屬元素含量相關(guān)系數(shù)矩陣

“**”代表極顯著相關(guān)，“*”代表顯著相關(guān)

表3 Fe元素與其他重金屬元素含量關(guān)系模型

3.3 Fe元素含量與土壤波譜反射率關(guān)系模型

3.3.1 土壤光譜參數(shù)的提取

圖2 光譜一階微分變換Fig.2 Spectral first-order differential transformation

3.3.2 偏最小二乘法模型建立

針對(duì)波譜特征位置，共選取9個(gè)波段運(yùn)用偏最小二乘法進(jìn)行主成分分析，構(gòu)建Fe元素關(guān)系模型，并根據(jù)交叉有效性檢驗(yàn)的原則與方法，確定各光譜指標(biāo)最佳主因子數(shù)。

從圖3中可以看出，在利用原始反射率構(gòu)建模型的過(guò)程中，前四個(gè)主成分的解釋能力達(dá)86%，再增加一個(gè)主成分計(jì)算后，累積貢獻(xiàn)率達(dá)91%，囊括了變量的主要變異信息，通過(guò)計(jì)算模型預(yù)測(cè)值與實(shí)測(cè)變量的均方根誤差，其值由1.43下降至1.21，因此選擇前5個(gè)成分作為主因子構(gòu)建原始光譜-Fe含量模型；對(duì)光譜進(jìn)行一階微分變換后，第一主成分的貢獻(xiàn)率達(dá)到了61%，均方根誤差2.09，隨著后續(xù)主成分的增加，均方根誤差值下降快速，當(dāng)個(gè)數(shù)增至5時(shí)，均方根誤差值達(dá)到最小值0.19，模型估算精度高，因此針對(duì)光譜一階微分選擇5個(gè)主成分用于模型構(gòu)建。

為此選擇效果最佳的光譜一階微分作為光譜指標(biāo)，并選擇5個(gè)主成分，對(duì)9個(gè)特征波段應(yīng)用偏最小二乘回歸分析法進(jìn)行Fe元素含量估算模型的構(gòu)建，其回歸方程為式(2)。

Fe= 1.433-1.128*D423-1.118*D439+

4.46*D509-5.093*D688+2.697*

D720-2.77*D763-0.885*D812-

0.2*D823-6.62*D941。

(2)

3.4 精度評(píng)價(jià)

為了進(jìn)行精度評(píng)價(jià)，筆者運(yùn)用所建模型對(duì)額外的17個(gè)采樣點(diǎn)重金屬含量進(jìn)行了準(zhǔn)確預(yù)測(cè)，并采用相關(guān)系數(shù)r與RMSE值描述模型的可行性。r越高，RMSE越低，預(yù)測(cè)精度越高?；诒灸Ｐ?，其驗(yàn)證結(jié)果如表4所示：模型提取的Mn含量相關(guān)系數(shù)r最高，達(dá)0.927，RMSE值最低，僅有0.121；Cu含量相關(guān)系數(shù)相對(duì)較低，僅有0.53，RMSE值分布也相對(duì)較高[18]。RMSE表達(dá)式如下:

圖3 各主成分對(duì)Fe元素的解釋力和驗(yàn)證樣本的均方根誤差分布圖Fig.3 The explanatory ability of each principal component to Fe element content and the root mean square error distribution line of verification sample(a)原始反射率的驗(yàn)證結(jié)果;(b)光譜一階微分的驗(yàn)證結(jié)果

(3)

式中：Cm和Cp分別為實(shí)測(cè)的元素含量和預(yù)測(cè)的元素含量；N為樣本個(gè)數(shù)。

表4 重金屬元素預(yù)測(cè)模型精度驗(yàn)證

4 結(jié) 論

1) 土壤中重金屬元素含量微弱，光譜特性表現(xiàn)不明顯，但與鐵錳氧化物存在較為明顯的相關(guān)關(guān)系，因此筆者利用Fe元素作為中間變量，間接反演土壤重金屬含量，建立二者關(guān)系模型，可行性強(qiáng)，并通過(guò)精度驗(yàn)證，符合精度要求。

2) 對(duì)高光譜原始反射率數(shù)據(jù)進(jìn)行大氣校正、光譜平滑等預(yù)處理后，進(jìn)行包絡(luò)線(xiàn)去除、光譜深度計(jì)算以及光譜一階、二階微分變換、均方根、倒數(shù)對(duì)數(shù)變換等處理，得土壤主要特征波段的位置：423 nm、440 nm、509 nm、686 nm、721 nm、763 nm、810 nm、820 nm、939 nm，其中非常明顯的是440 nm、686 nm、763 nm、939 nm處的光譜吸收帶。

3) 針對(duì)不同光譜指標(biāo)，對(duì)30個(gè)光譜特征波段，運(yùn)用偏最小二乘回歸法建模。利用交叉有效性檢驗(yàn)法則，計(jì)算預(yù)測(cè)值與實(shí)測(cè)變量均方根誤差值，同時(shí)主成分累積貢獻(xiàn)率達(dá)80%～95%得：原始光譜、一階微分選取5個(gè)主成分，二階微分、倒數(shù)對(duì)數(shù)變換以及均方根變換選取6個(gè)主成分，光譜深度選取4個(gè)主成分，其中光譜一階微分均方根誤差值最小，模型精度最高，故利用光譜一階微分變換結(jié)果反演土壤Fe元素含量。

4) 在對(duì)研究區(qū)幾種主要的土壤重金屬元素含量分析上可知：稀土礦區(qū)土壤中Pb含量較高，存在較為嚴(yán)重的重金屬污染，其次分別為Cd、Zn、As、Cu。

[1] 滕達(dá). 四川省冕寧縣牦牛坪稀土尾礦區(qū)植物修復(fù)研究[D]. 成都：成都理工大學(xué), 2009.

TENG D. Phytoremediation of maoniuping rare earth tailing area in mianning county, Sichuan Province[D].Chengdu：Chengdu University of Technology,2009.(In Chinese)

[2] 沈章軍. 銅陵市銅尾礦區(qū)鳳丹種植基地重金屬污染研究[D]. 合肥：安徽師范大學(xué), 2006.

SHEN Z J. Study on heavy metal pollution of fen dan planting base in tongling city[D].Hefei:Anhui Normal University,2006.(In Chinese)

[3] 萬(wàn)余慶, 張鳳麗, 閆永忠. 高光譜遙感技術(shù)在水環(huán)境監(jiān)測(cè)中的應(yīng)用研究[J]. 國(guó)土資源遙感, 2003, 15 (3): 10-14.

WAN Y Q,ZHANG F L,YAN Y Z.Application of hyperspectral remote sensing technology in water environment monitoring[J].Remote Sensing For Land & Resources,2003,15(3):10-14.(In Chinese)

[4] 王青華, 王潤(rùn)生, 郭小方. 高光譜遙感技術(shù)在巖石識(shí)別中的應(yīng)用[J]. 國(guó)土資源遙感, 2000(4): 39-43.

WANG Q H, WANG R S, GUO X F. Application of hyperspectral remote sensing technology in rock recognition[J].Remote Sensing For Land & Resources,2000(4):39-43. (In Chinese)

[5] 楊國(guó)鵬, 余旭初, 馮伍法,等. 高光譜遙感技術(shù)的發(fā)展與應(yīng)用現(xiàn)狀[J]. 測(cè)繪通報(bào), 2008(10): 1-4.

YANG G P,YU X C,FENG W F,et al.Development and application of hyperspectral remote sensing [J]. Mapping Bulletin, 2008(10): 1-4. (In Chinese)

[6] 王靜, 何挺, 李玉環(huán). 基于高光譜遙感技術(shù)的土地質(zhì)量信息挖掘研究[J]. 遙感學(xué)報(bào), 2005, 9 (4): 438-445.

WANG J, HE T, LI Y H. Research on land quality information mining based on hyperspectral remote sensing [J] .Journal of Remote Sensing, 2005, 9 (4): 438-445. (In Chinese)

[7] 劉東蔚, 陳勇, 王海軍,等. 城市林業(yè)中高光譜遙感技術(shù)應(yīng)用現(xiàn)狀與展望[J]. 廣東林業(yè)科技, 2013, 29 (3):79-83.

LIU D W, CHEN Y, WANG H J,et al. Application of hyperspectral remote sensing technology in urban forestry[J] .Guangdong Forestry Science and Technology, 2013, 29 (3):79-83. (In Chinese)

[8] 孫雨, 趙英俊, 李瀚波,等. 青海省都蘭縣阿斯哈金礦區(qū)HySpex高光譜礦物填圖及其找礦意義[J]. 地質(zhì)學(xué)報(bào), 2015(1):195-203.

SUN Y, ZHAO Y J, LI H B, et al. Measurement of hyspex hyperspectral mineral and its prospecting significance in Asha gold deposit, Dulan County, Qinghai Province, China [J]. Journal of Geological Sciences,2015(1):195-203. (In Chinese)

[9] 陳奕云. 基于可見(jiàn)—近紅外光譜的土壤部分重金屬含量提取[D]. 武漢:武漢大學(xué), 2011.

CHEN Y Y Extraction of heavy metals in soil by visible-near-infrared spectroscopy [D].Wuhan:Wuhan University, 2011. (In Chinese)

[10] PIRIE, B. SINGH, K. ISLAM. Ultra-Violet, Visible, near-infrared, and mid-infrared diffuse reflectance spectroscopic techniques to predict several soil properties [J]. Australian Journal of Soil Research, 2005,43(6):713-721.

[11] 董煒?lè)? 蘇榮. HNO3-HClO4-原子吸收分光光度法測(cè)定海洋生物體中Cu、Pb、Zn、Cd、Cr[J]. 海洋通報(bào), 2007, 26 (2): 96-99.

DONG W F, SU R. Measurement of Cu, Pb, Zn, Cd, Cr in marine organisms by HNO3-HClO4-Atomic absorption spectrometry[J].Marine Science Bulletin,2007,26(2):96-99.(In Chinese)

[12] KOOISTRA L , WEHRENS R , LEUVEN R S EW, et al . Possibilities of vis2ible2near2infrared spectroscopy for the assessment of soil contamina2tion in river flood plains[J]. Analytica Chimica Acta , 2001 , 446:97-105

[13] KEMPER T, SOMMER S. Estimate of heavy metal contamination in soil safter a mining accident using reflectance spectroscopy [J]. Environmental Science and Technology , 2002 ,36 (12) : 2 742-2 748.

[14] GRZEGORZ S , GREGORY W M, TOMASZ I S , et al . Near2 and mid2in2frared diffuse reflectance spectroscopy for measuring soil metal content [J]. Journal of Environment Quality , 2004 , 33 : 2056-2069.

[15] WU Y Z, CHEN J , WU X M, et al . Possibilities of reflectance spec2troscopy for the assessment of contaminant elements in suburban soils[J]. Applied Geochemistry , 2005 , 20 : 1051-1059.

[16] LI J B , TIAN QJ , WU Y Z. The study of spectral responses of agricultural soil for Fe , Zn and Se in the area of Fuyang riversides ( In Chinese) [J]. Remote Sensing Information , 2005 (3) : 10-13.

[17] LARK R N , ROUSH TL. Reflectance spectroscopy ; quantitative analy2sis techniques for remote sensing application[J]. Journal of Geophysical Research , 1984 , 89 : 6329-6340.

[18] 李淑敏, 李紅, 孫丹峰,等. 利用光譜技術(shù)分析北京地區(qū)農(nóng)業(yè)土壤重金屬光譜特征[J]. 土壤通報(bào), 2011(3): 730-735.

LI S M, LI H, SUN D , et al.Spectral analysis of heavy metals in agricultural soils in beijing [J]. Chinese Journal of Soil Science, 2011(3): 730-735. (In Chinese)

SpectrophotometricdeterminationandcharacterizationofsoilheavymetalsinMianningMaoniupingrareearthminingarea

LI Qiurong1a，b, LUO Yuxing1a, JIN Leiyu1a, SHAO Huaiyong1a,b，2

(1.Chengdu university of technology a.Chengdu University of Technology Key Lab of Information Technology & Application of Land and Resources;b.School of Earth Science, Chengdu 610059,China;2.Institute of Mountain Hazards and Environment，Chengdu 610041,China)

In this study, soil and hyperspectral data of 34 sampling sites in Mianning Maoniuping rare earth mining area were collected and the heavy metal content in soil was measured by chemical method. The pearson correlation coefficient between heavy metals was calculated, and estimation models between Fe and metal elements (Pb, Zn, Cd, Mn, Cu, As) were established, respectively. For the hyperspectral data, the first-order derivative, the second-order differential, the reciprocal logarithm, the root mean square transform, the envelope removal and the spectral depth calculation are processed. Finally, the accuracy of each model was determined by calculating the correlation coefficient between the model and test sample and the RMSE value of the sample. The model was established by using the partial least squares method to establish the relationship between the first order derivative and the Fe element. The aim of this paper is to explore the feasibility of inversion of heavy metals in soil by using hyperspectral remote sensing data, and to provide theoretical basis for the application of hyperspectral remote sensing technology in environmental pollution monitoring, information extraction and quantitative inversion.

hyperspectral; soil heavy metal; spectral derivative; Fe relational model

P 631.4

A

10.3969/j.issn.1001-1749.2017.05.19

2016-10-18 改回日期： 2016-11-07

成都理工大學(xué)大學(xué)生立項(xiàng)重點(diǎn)項(xiàng)目(2014KL004)

李秋蓉(1993-)，女，碩士，研究方向?yàn)榈貓D學(xué)與地理信息系統(tǒng)， E-mail：1419729667@qq.com。

1001-1749(2017)05-0705-06