王春帥，姚立偉，劉弋琿，牛瑞卿，任超

(1.河南省地質(zhì)礦產(chǎn)勘察開(kāi)發(fā)局 第一地質(zhì)礦產(chǎn)調(diào)查院，河南 洛陽(yáng) 471000；2.中國(guó)地質(zhì)大學(xué)(武漢) 地球物理與空間信息研究所，武漢 430070)

0 引言

隨著《中華人民共和國(guó)土壤污染防治法》的頒布與執(zhí)行，土壤污染現(xiàn)狀的調(diào)查工作變得越來(lái)越重要，而農(nóng)用地土壤是食品安全的第一道關(guān)口，因而需要加強(qiáng)對(duì)農(nóng)用地的監(jiān)管工作。但是傳統(tǒng)的土壤重金屬監(jiān)測(cè)方法需要耗費(fèi)大量時(shí)間、人工成本，具有高成本、低效率、不能大范圍進(jìn)行快速檢測(cè)的特點(diǎn)。利用光譜及各類其他因子進(jìn)行重金屬濃度快速反演的方法應(yīng)運(yùn)而生，這種方法具有高效、快速、無(wú)損、無(wú)害、可重復(fù)、成本低、尺度大的優(yōu)點(diǎn)。利用光譜特征來(lái)擬合區(qū)域重金屬污染空間分布的研究已經(jīng)成為熱點(diǎn)，常用的方法有最小二乘法回歸、偏最小二乘回歸、逐步回歸、支持向量機(jī)、隨機(jī)森林等，但是對(duì)于線性模型的使用主要以全局模型為主，局部模型擬合的研究很少[1-3]。

沈強(qiáng)等[4]通過(guò)對(duì)光譜曲線進(jìn)行連續(xù)去除和一階微分預(yù)處理，選擇合適的高光譜數(shù)據(jù)進(jìn)行逐步回歸，建立了對(duì)礦業(yè)廢棄地土壤重金屬含量進(jìn)行高光譜反演的模型；張秋霞等[5]利用偏最小二乘模型對(duì)高標(biāo)準(zhǔn)基本農(nóng)田區(qū)域重金屬含量進(jìn)行高光譜反演，其模型決定系數(shù)達(dá)到了0.70～0.99，獲得了極好的反演效果；陶超等[6]利用支持向量機(jī)模型對(duì)土壤重金屬鉛、鋅進(jìn)行高光譜反演，取得了較好的模型精度；徐良驥等[7]采用逐步回歸、偏最小二乘回歸、人工神經(jīng)網(wǎng)絡(luò)的方法分別對(duì)煤矸石充填復(fù)墾重構(gòu)土壤中重金屬含量進(jìn)行高光譜反演，發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)模型取得了最好的建模效果?？梢?jiàn)，對(duì)重金屬濃度反演所用到的主要為高光譜遙感影像，而Landsat-8因?yàn)閿?shù)據(jù)源的開(kāi)放性，使用更加普遍，利用Landsat-8進(jìn)行反演重金屬的研究已經(jīng)取得了一定的研究成果。王海瀟等[8]利用DEM數(shù)據(jù)對(duì)Landsat-8影像進(jìn)行地形校正，然后利用校正后的反射率變換作為變量，利用PLSR模型進(jìn)行建模反演重金屬Cu含量，模型決定系數(shù)達(dá)到0.52，有較好建模效果；方媛[9]利用多時(shí)相Landsat-8影像，使用偏最小二乘回歸、人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)模型進(jìn)行無(wú)偏評(píng)價(jià)與選擇，發(fā)現(xiàn)偏最小二乘模型在土壤重金屬反演中表現(xiàn)最佳，并利用該模型對(duì)Cu、As、Cr含量進(jìn)行反演。

綜上所述，對(duì)于土壤中重金屬濃度的反演主要考慮光譜特征，很少考慮樣品采集點(diǎn)的空間位置及地形信息。因此，本研究綜合考慮光譜變換信息、采樣點(diǎn)空間位置信息、地形信息等，選用逐步回歸和地理加權(quán)回歸，實(shí)現(xiàn)土壤中重金屬鎳含量的快速、精確反演，同時(shí)為以后的研究提供新的思路。

1 研究區(qū)域概況

研究區(qū)石寶溝位于欒川縣石廟鎮(zhèn)，地理范圍為111°31′9.47″E至111°33′6.47″E，33°48′53.76″N至33°51′50.21″N之間，面積為3 km2。農(nóng)用地污染土壤采樣范圍為0.50 km2，污染地塊主要分布在石寶溝及銀洞溝，呈條帶狀分布于石寶路兩側(cè)。調(diào)查區(qū)北至石寶溝三岔口，南至石寶溝溝口，與伊河河谷相接。研究區(qū)交通便利，有S328省道(欒川縣城至石廟鎮(zhèn))，區(qū)內(nèi)主干道路為石寶溝道路。研究區(qū)位于北至馬超營(yíng)斷裂和南達(dá)欒川斷裂之間的異常區(qū)，該異常區(qū)呈現(xiàn)為狹長(zhǎng)的帶狀形態(tài)，屬于盧氏—欒川鉬、鎢、鉛、鋅、銀金地球化學(xué)異常帶，其中廣泛發(fā)育的元素有Mo、Ag、Pb、Zn、Au、W、Cu、Mn、Ni等。沿馬超營(yíng)斷裂帶，形成Au、Ag、Pb、Zn、Mo、Bi多元素的綜合異常帶，Ag、Pb、Zn元素異常套合較好。不同類型的巖體與巖體的不同部位分別形成鉬、鎢、銀、鉛、鋅、鐵、銅、鋅、硫、金礦等，構(gòu)成一個(gè)完整的成礦系列[10-16]。

本研究區(qū)成礦地質(zhì)條件極為優(yōu)越，存在豐富的礦產(chǎn)資源，但是由于歷史原因，曾經(jīng)有多達(dá)24個(gè)采礦權(quán)，無(wú)序開(kāi)采嚴(yán)重，礦產(chǎn)開(kāi)采過(guò)程中長(zhǎng)期存在大礦小開(kāi)、一礦多家分塊開(kāi)采現(xiàn)象，資源利用效率低，并且不可避免地對(duì)研究區(qū)域內(nèi)農(nóng)用地產(chǎn)生污染，導(dǎo)致該區(qū)域農(nóng)用地重金屬含量異常。

2 數(shù)據(jù)來(lái)源及研究方法

2.1 數(shù)據(jù)來(lái)源及處理

本研究根據(jù)石寶溝和銀洞溝農(nóng)用地土壤分布特點(diǎn)，以自然分割的地塊劃分調(diào)查采樣區(qū)[17-18]。采樣田塊共計(jì)60個(gè)，每個(gè)地塊構(gòu)成一個(gè)單獨(dú)的采樣區(qū)，每個(gè)采樣區(qū)劃分若干個(gè)采樣單元，采用1∶1 000田塊測(cè)量成果圖對(duì)采樣區(qū)進(jìn)行網(wǎng)格化剖分。在石寶溝主溝、支溝銀洞溝、支溝倒回溝溝口農(nóng)用地土壤污染區(qū)共布設(shè)表層土壤樣點(diǎn)277個(gè)。將采集的樣品依據(jù)土壤環(huán)境監(jiān)測(cè)技術(shù)規(guī)范樣品流轉(zhuǎn)的要求，運(yùn)輸至實(shí)驗(yàn)室進(jìn)行鎳濃度的化驗(yàn)分析。采用的分析方法為石墨爐原子吸收分光光度法。地塊劃分及檢測(cè)結(jié)果如圖1所示。

圖1 研究區(qū)農(nóng)用地Ni空間分布

本研究采樣時(shí)間為2018年7月末至8月中旬，從美國(guó)地質(zhì)調(diào)查局網(wǎng)站(www.usgs.gov)下載了研究區(qū)2018年8月的Landsat-8影像，并利用ENVI 5.3對(duì)圖像進(jìn)行預(yù)處理，包括輻射定標(biāo)與大氣校正。利用BIGMAP下載了研究區(qū)1 m×1 m的DEM數(shù)據(jù)，該數(shù)據(jù)精度較高，用于計(jì)算坡度、坡向等地形因子。

2.2 研究方法

土壤的反射光譜包含了豐富的土壤信息，是土壤形狀的綜合反映，在近紅外波段范圍(700～1 000 nm)內(nèi)，土壤光譜的吸收特性主要是由于金屬離子的電子躍遷形成；而在短波紅外區(qū)域(1 000～3 000 nm)，土壤的吸收主要是由于有機(jī)質(zhì)、碳酸鹽、層狀硅酸鹽等礦物的各類分子團(tuán)中化學(xué)鍵的彎曲、伸展、變形等振動(dòng)造成。重金屬元素在土壤中通常存在多種化學(xué)形態(tài)，不同的形態(tài)具有不同的敏感光譜特征。通過(guò)多波段的組合運(yùn)算，將不同波段的光譜信息進(jìn)行相互補(bǔ)充，使得組合后結(jié)果與重金屬元素濃度的相關(guān)系數(shù)顯著高于單一波段[19-23]。

本研究通過(guò)提取研究區(qū)域農(nóng)用地的可見(jiàn)光-近紅外-短波紅外的波段信息，并進(jìn)行一定的波段組合運(yùn)算，結(jié)合地形因子、與污染企業(yè)的空間位置距離因子等，選擇不造成明顯多重共線性的解釋因子，使用地理加權(quán)回歸的方式進(jìn)行建模，并對(duì)所建模型進(jìn)行評(píng)估，最終對(duì)整個(gè)研究區(qū)域進(jìn)行重金屬鎳反演，評(píng)價(jià)其空間分布特征。技術(shù)流程見(jiàn)圖2。

圖2 技術(shù)流程圖

1)變量選取。首先，利用Landsat-8遙感影像提取研究區(qū)農(nóng)用地的各種植被指數(shù)作為因子，包括歸一化植被指數(shù)(NDVI)、綠色歸一化植被指數(shù)(GNDVI)、比值植被指數(shù)(RVI)、增強(qiáng)型植被指數(shù)(RVI)等共計(jì)9種；其次，對(duì)Landsat-8影像的7個(gè)波段進(jìn)行不同方式的波段運(yùn)算，包括對(duì)波段取對(duì)數(shù)，開(kāi)根號(hào)，任意2個(gè)波段之間的加、減、乘、除運(yùn)算，以及任意3個(gè)波段之間的加、乘運(yùn)算等；然后，考慮到研究區(qū)多年礦產(chǎn)背景，農(nóng)用地中重金屬可能來(lái)源于企業(yè)排放廢氣的大氣沉降作用、尾礦庫(kù)泄露等，利用ArcGIS及DEM數(shù)據(jù)提取采樣點(diǎn)的高程、坡度、坡向、地面曲率因子、剖面曲率因子、平面曲率因子、坡度變率因子以及坡向變率因子等地形因子；最后，利用ArcGIS的近鄰分析工具，分別計(jì)算每一個(gè)采樣點(diǎn)與尾礦庫(kù)、礦產(chǎn)加工企業(yè)以及主干線(石寶路)的最近距離，將結(jié)果作為分析因子。

綜上，本研究共獲取的自變量因子有243個(gè)，計(jì)算每一種因子與鎳濃度的皮爾遜相關(guān)性系數(shù)，篩選出顯著性水平α=0.01的變量因子33個(gè)。

2)OLS模型。OLS模型利用n組觀察值求得p個(gè)獨(dú)立變量與因變量之間殘差平方和最小的擬合方法是一種利用n組觀測(cè)值，使得p個(gè)獨(dú)立變量與因變量之間的殘差平方和取得最小的擬合方法。計(jì)算方法如式(1)所示。

(1)

式中：Y是農(nóng)用地土壤中重金屬鎳的濃度；βi為未知的模型擬合參數(shù)；p是用于建模的變量個(gè)數(shù)；ε為模型的殘差項(xiàng)，服從正態(tài)分布N(0，σ2)。通過(guò)矩陣方程的方式進(jìn)行估計(jì)，如式(2)所示。

(2)

逐步回歸是指將所有自變量按其對(duì)因變量的影響程度從大到小排序，把通過(guò)了偏F統(tǒng)計(jì)量檢驗(yàn)的自變量逐個(gè)引入回歸方程；同時(shí)，對(duì)已引入的變量進(jìn)行檢驗(yàn)，若未通過(guò)檢驗(yàn)則剔除，直到既不能引入新變量也不能剔除已有變量為止。

3)空間自相關(guān)?？臻g自相關(guān)是進(jìn)行地理加權(quán)回歸分析的前提條件，一般用于描述某一區(qū)域的樣本觀測(cè)數(shù)據(jù)與其他區(qū)域的樣本觀測(cè)數(shù)據(jù)之間的相互依賴程度，常用來(lái)確定數(shù)據(jù)間是否具有依賴性的指數(shù)為全局莫蘭指數(shù)(global Moran’S I)。

4)地理加權(quán)回歸。地理加權(quán)回歸(geographic weighted regression，GWR)模型是對(duì)傳統(tǒng)線性回歸模型的擴(kuò)展，通過(guò)把數(shù)據(jù)的位置信息通過(guò)權(quán)重的方式嵌入到回歸參數(shù)來(lái)反映數(shù)據(jù)在空間上的關(guān)系差異，其實(shí)質(zhì)是一種局部加權(quán)最小二乘法?；镜腉WR模型表達(dá)如式(3)所示。

(3)

式中：i=1，2，3，…，n；(μi，υi)為第i個(gè)樣本數(shù)據(jù)的位置；γn(μi，vi)為第i個(gè)樣本數(shù)據(jù)中的第n個(gè)估計(jì)參數(shù)，是能夠反映不同地理位置的函數(shù)項(xiàng)；γ0(μi，υi)為估計(jì)方程的常數(shù)項(xiàng)；δin為第i個(gè)樣本數(shù)據(jù)的第n項(xiàng)解釋變量；δi～N(0，σ2)；Cov(εi，εj)=0(i≠j)。選擇一個(gè)合適的最優(yōu)帶寬是構(gòu)建高質(zhì)量GWR模型的關(guān)鍵。通過(guò)對(duì)比驗(yàn)證，本文使用固定距離法構(gòu)成核函數(shù)，并選擇最小信息準(zhǔn)則AIC指標(biāo)來(lái)決定最優(yōu)帶寬(式(4))。

(4)

5)模型擬合度評(píng)估。建立模型后，對(duì)測(cè)試集數(shù)據(jù)應(yīng)用模型，計(jì)算應(yīng)用平均誤差(mean error，ME)、平均絕對(duì)誤差(mean absolute error，MAE)、均方根誤差(root mean square error，RMSE)和預(yù)測(cè)精度(accuracy，Acc)對(duì)模型進(jìn)行精度評(píng)價(jià)。ME衡量模型預(yù)測(cè)偏移程度，該值越接近于0，偏移程度越??；MAE和RMSE是衡量模型估算精度的指標(biāo)，該值越小，模型精度越高；Acc是描述模型預(yù)測(cè)精度更直觀的指標(biāo)，越接近于1，模型預(yù)測(cè)能力越好。

3 模型構(gòu)建與評(píng)估

3.1 OLS模型

從所有277個(gè)檢測(cè)數(shù)據(jù)中隨機(jī)抽取75%(207組)的數(shù)據(jù)作為建模組，將剩余25%(70組)的數(shù)據(jù)作為驗(yàn)證組。

設(shè)定自變量進(jìn)入模型的顯著性水平SLE=0.1，保留在模型中的顯著性水平SLS=0.05，通過(guò)逐步回歸的方法最終選出采樣點(diǎn)與廠區(qū)的最短距離、ln(band2/band3)、band3-band5為基礎(chǔ)變量的模型。

模型計(jì)算的方程分析見(jiàn)表1，回歸模型的系數(shù)、顯著性及共線性診斷見(jiàn)表2。可見(jiàn)，農(nóng)用地土壤中鎳含量與尾礦庫(kù)、工礦企業(yè)等有關(guān)，所建立的模型中所有的變量因子顯著性檢驗(yàn)均小于0.01，并且VIF值小于10，說(shuō)明變量因子之間不存在嚴(yán)重的多重共線性。此外，模型決定系數(shù)(R2)達(dá)到0.325，在一定程度上已達(dá)到統(tǒng)計(jì)模型所需的基本要求，但是仍然偏低。

表1 方差分析表

表2 OLS回歸模型系數(shù)、顯著性及共線性診斷

3.2 空間自相關(guān)分析

利用ArcGIS的空間自相關(guān)分析工具，計(jì)算研究區(qū)用于建模樣本的局部莫蘭指數(shù)，計(jì)算結(jié)果見(jiàn)表3。由莫蘭指數(shù)可知，本研究區(qū)重金屬鎳濃度呈空間正相關(guān)，根據(jù)Z得分可認(rèn)為該區(qū)域空間顯著相關(guān)。此外，通過(guò)顯著性水平α=1的顯著性檢驗(yàn)得知，本研究區(qū)呈現(xiàn)顯著空間自相關(guān)，GWR模型適用。

表3 全局空間自相關(guān)分析結(jié)果表

3.3 GWR模型

采用與礦產(chǎn)加工企業(yè)廠區(qū)最短距離、ln(band2/band3)、band3-band5作為模型的解釋變量，以高斯函數(shù)為核函數(shù)，選擇使AIC值取得最小值的帶寬為模型的最終帶寬，帶寬為460.97 m。在這個(gè)帶寬范圍內(nèi)，每個(gè)樣點(diǎn)平均有25個(gè)相鄰樣點(diǎn)參與建模，模型統(tǒng)計(jì)數(shù)據(jù)如表4所示，模型決定系數(shù)達(dá)到0.64，取得較好的擬合效果。

表4 GWR模型統(tǒng)計(jì)結(jié)果

GWR模型獲取了每一個(gè)樣品點(diǎn)的回歸模型，其系數(shù)的統(tǒng)計(jì)結(jié)果見(jiàn)表5。根據(jù)ArcGIS官方介紹，所計(jì)算模型的條件數(shù)如果大于30，表示存在多重共線性。由表5可知，本研究建立的模型不存在大于30的條件數(shù)，故本模型不存在明顯的多重共線性。

表5 GWR模型條件數(shù)及各變量系數(shù)的統(tǒng)計(jì)特征

3.4 模型評(píng)估

將277個(gè)樣本點(diǎn)數(shù)據(jù)中的驗(yàn)證組數(shù)據(jù)進(jìn)行驗(yàn)證，并計(jì)算ME、MAE、RMSE、Acc值，計(jì)算結(jié)果見(jiàn)表6，2種模型驗(yàn)證結(jié)果的殘差分布見(jiàn)圖3。通過(guò)對(duì)比可以發(fā)現(xiàn)，利用地理加權(quán)回歸模型GWR，明顯可以獲得更好的擬合效果，其MAE和RMSE計(jì)算結(jié)果均較低，而且Acc計(jì)算結(jié)果顯示模型預(yù)測(cè)精度達(dá)到了96.51%。另一方面，從殘差分布圖(圖4)也可以看出，GWR的殘差分布更加集中，并更接近于0。

表6 模型評(píng)估結(jié)果

圖3 OLS模型反演效果圖

圖4 2種模型擬合研究區(qū)驗(yàn)證樣本鎳濃度的殘差分布

4 反演

利用所建立的模型，對(duì)整個(gè)研究區(qū)農(nóng)用地進(jìn)行了反演。利用OLS模型反演的結(jié)果見(jiàn)圖3，利用GWR模型反演結(jié)果見(jiàn)圖5，2種模型反演結(jié)果的統(tǒng)計(jì)特征見(jiàn)表7。

由表7可知，利用OLS模型反演的結(jié)果，重金屬鎳含量范圍在20.80～62.03 mg/kg，GWR模型反演的結(jié)果中金屬鎳含量范圍在19.61～66.99 mg/kg之間。實(shí)際采樣檢測(cè)數(shù)據(jù)中，重金屬鎳含量范圍在12.36～124.00 mg/kg之間，范圍大的主要原因在于研究區(qū)內(nèi)所采集樣品中存在少數(shù)偏高的離群點(diǎn)。例如研究區(qū)偏南側(cè)2個(gè)地塊，其周圍重金屬鎳含量均屬正常狀態(tài)，只有它們的濃度存在異常(其鎳含量分別為124 mg/kg、60.9 mg/kg)，原因可能在于這2個(gè)地塊位于企業(yè)周邊(欒川縣天罡礦業(yè)有限公司)，受到了該企業(yè)的影響，或者是由于該地塊采集樣品的例外性導(dǎo)致了值的異常。而OLS模型和GWR模型均無(wú)法對(duì)孤立的異常點(diǎn)進(jìn)行反演。分別比較OLS模型分位數(shù)與實(shí)測(cè)值分位數(shù)之間的差異、GWR模型分位數(shù)與實(shí)測(cè)值分位數(shù)之間的差異，可見(jiàn)GWR分位數(shù)之間的差距更加小，說(shuō)明了GWR模型的可靠性。

圖5 GWR模型反演效果圖

表7 全局實(shí)測(cè)值及各模型計(jì)算結(jié)果統(tǒng)計(jì)特征

由圖1、圖3(a)、圖5(a)可見(jiàn)，研究區(qū)中部偏北區(qū)域重金屬含量均較高。細(xì)節(jié)見(jiàn)圖3(b)、圖5(b)。該區(qū)域重金屬濃度的統(tǒng)計(jì)信息見(jiàn)表8。該區(qū)域?qū)崪y(cè)值濃度的范圍為12.36～84.47 mg/kg，OLS模型模擬計(jì)算的結(jié)果范圍為36.52～60.13 mg/kg，而GWR模型模擬計(jì)算的結(jié)果范圍為39.46～66.99 mg/kg，對(duì)于最大值和最小值的模擬效果較差；中間各分位數(shù)與平均值相比較而言，GWR取得更好的模擬效果?？傊?，GWR模型的計(jì)算結(jié)果可以真實(shí)反映該區(qū)域重金屬濃度的異常狀況，該區(qū)域重金屬濃度異常的原因可能與上游存在的大型礦產(chǎn)加工企業(yè)鑫川化工的生產(chǎn)經(jīng)營(yíng)活動(dòng)有關(guān)。

表8 研究區(qū)中部偏北區(qū)域?qū)崪y(cè)值及各模型計(jì)算結(jié)果統(tǒng)計(jì)特征

綜上，本研究在研究區(qū)范圍內(nèi)選取了一些未進(jìn)行實(shí)際采樣的區(qū)域進(jìn)行2種模型的反演，結(jié)果發(fā)現(xiàn)倒回溝西側(cè)區(qū)域重金屬鎳含量較高(圖3(c)、圖5(c))。通過(guò)對(duì)該區(qū)域模型反演結(jié)果進(jìn)行統(tǒng)計(jì)特征分析(表9)發(fā)現(xiàn)，GWR模型反演濃度范圍為29.73～49.57 mg/kg，該區(qū)域平均值為41.66 mg/kg，含量高于整體的平均值，其主要原因與該區(qū)域歷史上存在尾礦庫(kù)有關(guān)。該區(qū)域農(nóng)田為尾礦庫(kù)復(fù)填重構(gòu)土壤，土壤中重金屬鎳濃度與其他區(qū)域相比存在異常。

表9 倒回溝西側(cè)區(qū)域各模型反演結(jié)果統(tǒng)計(jì)特征

5 結(jié)束語(yǔ)

本研究通過(guò)將采樣點(diǎn)與礦產(chǎn)加工企業(yè)的最短距離、ln(band2/band3)、band3-band5作為基礎(chǔ)變量，以欒川縣石寶溝農(nóng)用地土壤實(shí)際檢測(cè)重金屬鎳濃度作為目標(biāo)變量，分別使用逐步回歸與地理加權(quán)回歸的方法進(jìn)行模型擬合(模型決定因子分別達(dá)到了0.325和0.64)，之后利用建立模型前隨機(jī)抽取的驗(yàn)證樣本對(duì)模型進(jìn)行了驗(yàn)證。經(jīng)過(guò)計(jì)算，Acc值分別為72.88%和96.51%。綜合比較，使用GWR模型獲得了更加優(yōu)秀的擬合效果。

通過(guò)對(duì)整個(gè)研究區(qū)所有農(nóng)用地鎳含量的空間分布應(yīng)用2種模型進(jìn)行反演，并與實(shí)測(cè)值進(jìn)行對(duì)比，進(jìn)一步發(fā)現(xiàn)GWR模型的有效性較佳，估算結(jié)果與實(shí)際情況吻合良好。

對(duì)于無(wú)實(shí)測(cè)值區(qū)域，通過(guò)反演發(fā)現(xiàn)，倒回溝西側(cè)區(qū)域重金屬鎳含量異常，其原因和該區(qū)域用地歷史有關(guān)。該區(qū)域曾經(jīng)存在礦產(chǎn)加工企業(yè)，同時(shí)部分農(nóng)用地為尾礦庫(kù)復(fù)墾重構(gòu)所得。