從植被高光譜遙感到土壤重金屬污染診斷的研究進(jìn)展

涂曄昕　費(fèi)騰

摘要：隨著遙感技術(shù)的迅速發(fā)展，高光譜遙感由于其對(duì)微量元素的探測(cè)能力強(qiáng)，為診斷土壤重金屬污染提供了可靠的基礎(chǔ)數(shù)據(jù)。綜述了國(guó)內(nèi)外對(duì)高光譜監(jiān)測(cè)植被/土壤重金屬的研究現(xiàn)狀，探討了從植被高光譜到土壤重金屬診斷的局限性，并對(duì)其進(jìn)行了展望。

關(guān)鍵詞：高光譜遙感；土壤；重金屬；光譜特征；物理模型

中圖分類號(hào)：X820.2 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：0439-8114（2016）06-1361-08

DOI：10.14088/j.cnki.issn0439-8114.2016.06.001

土壤對(duì)植物的生長(zhǎng)、繁殖以及分布都有著重要影響。隨著工業(yè)的快速發(fā)展及人類活動(dòng)的加劇，中國(guó)農(nóng)業(yè)土地資源正遭受著重金屬污染風(fēng)險(xiǎn)[1]。土壤中的重金屬具有毒性，且易被植物吸收[2]，食用受重金屬污染后的土壤上生長(zhǎng)的農(nóng)作物，嚴(yán)重威脅人們的生命健康。因此，對(duì)土壤重金屬含量的監(jiān)測(cè)十分必要。

傳統(tǒng)的在野外采集土壤樣方，利用化學(xué)手段和儀器測(cè)定土壤中重金屬含量的方法，在小尺度上能獲得最為準(zhǔn)確的信息。受土壤空間異質(zhì)性以及采樣成本等的限制，野地實(shí)測(cè)的方法對(duì)重金屬的動(dòng)態(tài)變化監(jiān)測(cè)有著一定的局限性：其對(duì)重金屬含量的監(jiān)測(cè)只針對(duì)某一時(shí)間點(diǎn)對(duì)當(dāng)前土壤重金屬含量的實(shí)測(cè)值，現(xiàn)有土壤數(shù)據(jù)精度和適用程度受到很大制約；若進(jìn)行大范圍樣方數(shù)據(jù)的收集需要耗費(fèi)大量人力、物力，短時(shí)間內(nèi)實(shí)現(xiàn)重復(fù)周期性取樣難度大。傳統(tǒng)的遙感技術(shù)雖可提供大面積連續(xù)的監(jiān)測(cè)，但一般波段寬度為100～200 nm量級(jí)，丟失了大量對(duì)地物識(shí)別有用的信息，不利于對(duì)土壤重金屬的監(jiān)測(cè)[3]。

高光譜遙感（Hyperspectral remote sensing）技術(shù)記錄地物多個(gè)窄波段反射率，使得本來(lái)在常規(guī)遙感中不能識(shí)別的地物，在高光譜曲線中就能得到有效的識(shí)別[4]，增加了反演所需的信息量。隨著國(guó)內(nèi)外各類高光譜成像儀技術(shù)的發(fā)展和進(jìn)步，為監(jiān)測(cè)土壤重金屬提供了可能。

利用高光譜監(jiān)測(cè)土壤中重金屬含量的方法大致分為兩類：一是通過(guò)土壤光譜數(shù)據(jù)監(jiān)測(cè)土壤重金屬含量。由于土壤本身是一種復(fù)雜的混合物，由很多物理和化學(xué)性質(zhì)不同的物質(zhì)組成，如礦物質(zhì)、水、有機(jī)物等，它們都會(huì)影響土壤的反射和吸收光譜特征[5-8]。并且，大部分的地表由植被覆蓋，土壤光譜無(wú)法直接測(cè)得。二是通過(guò)植被光譜數(shù)據(jù)，反演土壤中的重金屬含量。本文將著重綜述第二種方法。大量的研究表明，通過(guò)高光譜遙感技術(shù)實(shí)現(xiàn)植物重金屬含量的定量反演，與傳統(tǒng)的重金屬濃度測(cè)量方法顯著相關(guān)。目前，中國(guó)正致力于繪制全國(guó)重金屬“人體污染圖”[9]，將高光譜遙感的優(yōu)勢(shì)，運(yùn)用到土壤重金屬污染監(jiān)測(cè)上，已有許多有價(jià)值的相關(guān)研究，本文嘗試以如下順序歸納這些研究：①介紹在以往研究中代理作物以及遙感監(jiān)測(cè)空間尺度的選??；②詳細(xì)闡述植被重金屬模型的應(yīng)用情況及發(fā)展方向；③總結(jié)高光譜遙感技術(shù)在土壤重金屬污染診斷中面臨的挑戰(zhàn)并展望其未來(lái)的研究熱點(diǎn)。

1 國(guó)內(nèi)外研究現(xiàn)狀

1.1 植物的重金屬富集和光譜表征

地面植被與土壤重金屬含量存在相互作用關(guān)系。土壤重金屬能影響到植物葉面積、冠層形態(tài)、內(nèi)在生理特征，從而與植物的光譜特性密切相關(guān)[10]。植物根系能不同程度地吸收重金屬并將其轉(zhuǎn)移到地上部，從而降低土壤中重金屬的含量[11]。

不同植物對(duì)重金屬敏感性不同，重金屬脅迫導(dǎo)致植物體內(nèi)生物化學(xué)成分發(fā)生改變，使電磁波譜反射特性不同。近年來(lái)，國(guó)內(nèi)外學(xué)者對(duì)選取波譜特征表現(xiàn)明顯的物種進(jìn)行了大量的嘗試。代理作物涉及谷物、果蔬、經(jīng)濟(jì)作物等各類植物。

對(duì)谷物類進(jìn)行研究的有：李坤權(quán)等[12]指出重金屬（以鎘為例）在水稻體各器官的分配呈現(xiàn)根>莖葉>子粒的特點(diǎn)。Shi等[13]分別建立水稻的實(shí)驗(yàn)室和野地光譜數(shù)據(jù)與土壤中重金屬含量的模型，r（相關(guān)系數(shù)）>0.5。Ren等[14]通過(guò)采集水稻冠層葉片光譜數(shù)據(jù)并實(shí)驗(yàn)室測(cè)得其葉綠素含量和鉛含量，但由于樣本數(shù)太少，并未取得理想的結(jié)果。Li等[15]利用不同濃度的砷含量的培養(yǎng)皿，觀察同一品種水稻在光譜維上的特征表現(xiàn)的特點(diǎn)，提取相關(guān)參數(shù)，建立水稻光譜指數(shù)和葉片葉綠素含量的模型。

對(duì)果蔬類進(jìn)行研究的有：Caselles等[16]在不同濃度的鉻含量培養(yǎng)皿中種植黃瓜苗，觀察其根、莖、葉、果的健康狀況并同時(shí)檢測(cè)其體內(nèi)葉綠素a和葉綠素b的含量。選取谷物、果蔬等多種物種進(jìn)行研究的有：Rai等[17]對(duì)農(nóng)用地、工業(yè)區(qū)、礦井附近的蔬菜（菠菜和土豆）對(duì)比谷物類（小麥、水稻、玉米）內(nèi)的鉛、鎘、鉻、鐵、鋅、鈷進(jìn)行研究，重金屬和金屬元素在植物體內(nèi)的富集量為菠菜>土豆>谷物類。

根據(jù)2014年全國(guó)土壤污染調(diào)查顯示，重金屬鎘成為中國(guó)土壤污染中的首要污染物，鎳和砷為僅次于鎘的污染物[18]。Kancheva等[10]在受鎘脅迫的土壤中培育苜蓿、春小麥和豌豆，研究表明不同物種在不同濃度鎘環(huán)境下的光譜曲線表現(xiàn)為不同的形式。熊愈輝[11]在總結(jié)國(guó)內(nèi)外相關(guān)研究后指出，土壤中鎘易在蕨類、向日葵體內(nèi)富集。對(duì)鎘耐性和富集能力較強(qiáng)的植物還有葉下珠、麥瓶草、長(zhǎng)葉萵苣、田旋花、風(fēng)滾草、大麻以及鎘積累型玉米、紫羊茅和煙草等[19-23]。

合理選取重金屬富集能力較強(qiáng)且光學(xué)表征能力強(qiáng)的物種，是確定研究尺度和建立土壤重金屬污染監(jiān)測(cè)模型的基礎(chǔ)。

1.2 觀測(cè)的空間尺度

獲得土壤或植被高光譜反射率數(shù)據(jù)的方法通常有4種：①在實(shí)驗(yàn)室通過(guò)分光光度計(jì)獲得高光譜數(shù)據(jù)[24]；②通過(guò)地面光譜輻射計(jì)獲取野外實(shí)測(cè)光譜數(shù)據(jù)[13，25，26]；③利用機(jī)載成像儀獲得高光譜影像[7，27，28]；④通過(guò)星載成像光譜儀獲得大范圍高光譜影像[29-31]。

將植被/土壤樣本進(jìn)行實(shí)驗(yàn)室光譜測(cè)定的有：Liu等[24]將澇原土壤進(jìn)行實(shí)驗(yàn)室有機(jī)物化驗(yàn)，通過(guò)高光譜反演有機(jī)物含量（r2=0.53），并建立土壤有機(jī)物與鉛、銅、鋅含量的關(guān)系測(cè)定，以此監(jiān)測(cè)重金屬污染情況。Tan等[32]在研究垃圾站和煤矸石再利用土壤中砷富集情況時(shí)，在實(shí)驗(yàn)室測(cè)得土壤高光譜數(shù)據(jù)進(jìn)行砷含量的反演，模型相關(guān)系數(shù)達(dá)到0.94。Thomas等[33]對(duì)礦難地區(qū)土壤進(jìn)行實(shí)驗(yàn)室分析，建立光學(xué)模型監(jiān)測(cè)土壤中砷、汞、鉛、硫、銻污染情況，模型r2>0.72。實(shí)驗(yàn)室法的局限在于采樣的時(shí)間要盡量靠近光譜測(cè)量的時(shí)間，需要有嚴(yán)格的樣品采集和處理過(guò)程，樣品需具有代表性，并且要收集足夠多的樣本以便光譜測(cè)量[34]。

采用野外實(shí)測(cè)光譜的有：Song等[26]利用便攜式光譜儀直接采集礦區(qū)附近裸土和溪流的高光譜數(shù)據(jù)，反演土壤和水體中重金屬鋁、銅、鉻的含量（r2>0.51）。關(guān)麗等[25]利用便攜式地物波譜儀測(cè)量水稻冠層及土壤高光譜數(shù)據(jù)，同步采集土壤樣本、水稻植株樣本進(jìn)行實(shí)驗(yàn)室化驗(yàn)分析，得到鎘污染下水稻生理特征參數(shù)在高光譜指數(shù)空間的聚集規(guī)律。Shi等[13]通過(guò)實(shí)驗(yàn)室野地和測(cè)得的水稻冠層數(shù)據(jù)進(jìn)行土壤砷含量反演，發(fā)現(xiàn)野地?cái)?shù)據(jù)建立模型精度更高（r2=0.71）。通過(guò)地面光譜儀獲得高光譜數(shù)據(jù)時(shí)，要考慮采樣區(qū)的風(fēng)向、光照條件、溫度條件、大氣條件、操作人的熟練程度和周圍是否有工廠等[2]對(duì)測(cè)量精度的影響。

與實(shí)驗(yàn)室和野外數(shù)據(jù)相比，機(jī)載和星載高光譜視野更廣，監(jiān)測(cè)范圍更大[35]。逐步發(fā)展成熟的航空成像光譜儀如AVIRIS（Airborne visible infrared imaging spectrometer）、Hymap（Hyperspactral mapper）；EO-1（Earth Observing -1）所搭載的星載高光譜成像儀（Hyperion），中國(guó)發(fā)射的TG-1（Tiangong-1）等，為人們提供了豐富的高光譜數(shù)據(jù)。Wu等[30]通過(guò)遙感反演土壤中鎳、鉻、鈷、銅、砷、鐵、鉛、鎘、汞9種物質(zhì)的污染情況時(shí)，由于受大尺度研究區(qū)域和當(dāng)時(shí)天氣的限制，野外測(cè)光譜數(shù)據(jù)較為困難。他們利用HyMap高光譜影像對(duì)土壤中的重金屬成分進(jìn)行預(yù)測(cè)，發(fā)現(xiàn)鎳和鉻的反演模型效果最好（r2>0.71）。Choe等[29]利用HyMap影像繪制重金屬污染梯度地圖，與地面實(shí)測(cè)數(shù)據(jù)對(duì)比，發(fā)現(xiàn)其在監(jiān)測(cè)鉛、鋅、砷污染的潛力r2>0.5。Liu等[31]利用Hyperion數(shù)據(jù)驗(yàn)證野外實(shí)測(cè)光譜數(shù)據(jù)模型，對(duì)水稻中鎘和銅的監(jiān)測(cè)，模型的r2>0.7，具有普遍適應(yīng)性。高光譜機(jī)載/衛(wèi)星遙感，具有廣闊的應(yīng)用前景。

1.3 模型類別及應(yīng)用

人們利用獲取的光譜數(shù)據(jù)，對(duì)植被/土壤和光譜的相互作用建立模型。一般來(lái)說(shuō)，模型可分為經(jīng)驗(yàn)?zāi)Ｐ秃臀锢砟Ｐ蛢煞N。利用統(tǒng)計(jì)學(xué)知識(shí)建立的經(jīng)驗(yàn)?zāi)Ｐ?，可以暫時(shí)回避地面情況不實(shí)和光學(xué)信號(hào)-對(duì)象之間機(jī)理過(guò)于復(fù)雜的問(wèn)題；物理模型通過(guò)找出產(chǎn)生觀察數(shù)據(jù)的原因，利用物理機(jī)理建立模型[36]。物理模型是對(duì)現(xiàn)實(shí)的抽象，對(duì)于研究光譜的物理意義，具有很高的研究?jī)r(jià)值。

針對(duì)上述兩種模型的優(yōu)缺點(diǎn)表述見(jiàn)表1：經(jīng)驗(yàn)?zāi)Ｐ陀捎谑艽髿馓卣鳌⒌匦蔚缺尘耙蛩氐南拗?，普適性較低，對(duì)因果關(guān)系的解釋較為困難；物理模型則由于假設(shè)條件太多，需要的參數(shù)較多，模型比較復(fù)雜。在計(jì)算效率方面，經(jīng)驗(yàn)?zāi)Ｐ蛥⑴c建模的波段數(shù)、光譜指數(shù)數(shù)目的選取，物理模型輸入?yún)?shù)的引入，以上指標(biāo)數(shù)目的增加，在模型精度有所提高的同時(shí)，往往伴隨著計(jì)算量的增大[37]。是否要用精度較低的近似分析來(lái)替代新參數(shù)，以獲得更高的計(jì)算效率，這也是人們?cè)诮⒛Ｐ蜁r(shí)應(yīng)該權(quán)衡的。

1.3.1 經(jīng)驗(yàn)?zāi)Ｐ?建立經(jīng)驗(yàn)?zāi)Ｐ蜁r(shí)，通常采用的方法有：一是對(duì)采集到的光譜數(shù)據(jù)直接進(jìn)行回歸分析，以獲得最適宜的光譜波段、相關(guān)系數(shù)和統(tǒng)計(jì)方程等，并對(duì)其進(jìn)行評(píng)價(jià)[38，39]。二是通過(guò)選擇不同光譜變化形式即光譜指數(shù)（Spectral index，SI）[40，41]，建立預(yù)測(cè)模型。

用多元回歸法建立經(jīng)驗(yàn)?zāi)Ｐ蜁r(shí)，研究中常常選取的重要波段如表2所示。

也有研究利用已有光譜指數(shù)進(jìn)行經(jīng)驗(yàn)?zāi)Ｐ偷慕ⅲ?jiàn)表3。

光譜指數(shù)不僅與葉片生理特征、土壤狀態(tài)等有關(guān)，也反映研究目標(biāo)受脅迫的情況。關(guān)麗等[25]建立MCARI-NDWI、MCARI-RVSI、MCARI-RVI、NDWI-RVSI、NDWI-RVI 和RVSI-RVI 反演水稻鎘污染時(shí)，分析了不同鎘濃度脅迫下這些光譜指數(shù)在特征空間中聚集性，并建立了水稻鎘污染脅迫遙感識(shí)別模型。Liu等[24]通過(guò)檢測(cè)土壤中有機(jī)質(zhì)的含量，發(fā)現(xiàn)土壤中有機(jī)質(zhì)分別能解釋59%、51%和50%試驗(yàn)區(qū)內(nèi)土壤鉛、銅、鋅的污染情況。Li等[15]的研究表明，紅邊位置的波長(zhǎng)值與植被中葉綠素含量密切相關(guān)，預(yù)測(cè)值達(dá)到了與實(shí)驗(yàn)室化學(xué)分析相近的水平，由于葉綠素對(duì)鎘的敏感性，紅邊位置可作為監(jiān)測(cè)重金屬含量的重要參數(shù)。有研究表明隨著重金屬鎘污染濃度處理水平的不同，紅邊位置會(huì)向長(zhǎng)波方向移動(dòng)，出現(xiàn)了“紅移”現(xiàn)象，且隨著處理濃度的增大而移動(dòng)程度不同[46]。Ren等[14]還發(fā)現(xiàn)不僅是紅邊位置的波長(zhǎng)值，紅邊的標(biāo)準(zhǔn)化波長(zhǎng)吸收深度、移動(dòng)距離也可作為建模的重要參數(shù)。

將重要波段或光譜指數(shù)，利用統(tǒng)計(jì)方法建立光學(xué)-經(jīng)驗(yàn)?zāi)Ｐ偷姆椒ㄓ校航⒕€性回歸模型如多元逐步線性回歸（Stepwise multiple linear regression，SMLR）、主成分回歸（Principal component regression，PCR）、偏最小二乘法（Partial least squares regression， PLSR）、非線性模型如支持向量機(jī)回歸（Support vector machines regression，SVR）、多元自適應(yīng)回歸（Multivariate adaptive regression， MAR）、自適應(yīng)神經(jīng)模糊推理（Adaptive neural fuzzy inference system，ANFIS）等。用SMLR擬合優(yōu)點(diǎn)是可以將選取的重要波段線性組合，但缺點(diǎn)是容易過(guò)度擬合造成重要信息丟失[26，29，45]。由于高光譜波段較窄，利用PLSR可以克服波段多重共線的問(wèn)題，它將所有光譜壓縮成幾個(gè)變量，建立模型。SVR的優(yōu)勢(shì)是建立波譜間的非線性關(guān)系。有報(bào)道指出，PLSR和SVR結(jié)合使用，比單獨(dú)利用SMLR精度高，但缺點(diǎn)是利用所有波段建模增加了模型的復(fù)雜性[5，47，48]。ANFIS作為一種新型的基于機(jī)器學(xué)習(xí)的建模方法，在處理非精確數(shù)據(jù)，近似推理和非線性建模方面有突出的表現(xiàn)。各回歸方法對(duì)比見(jiàn)表4。

對(duì)沒(méi)有達(dá)到精度要求的經(jīng)驗(yàn)?zāi)Ｐ鸵M(jìn)行修正，常見(jiàn)的方法有兩種：一種是利用不同尺度數(shù)據(jù)，如上文提到的實(shí)驗(yàn)室、野外、機(jī)載、星載遙感影像建模，利用不同模型中用到的相關(guān)性高的參數(shù)對(duì)模型進(jìn)行修正[49，50]。另一種是用去除離群點(diǎn)，插值，重采樣對(duì)模型進(jìn)行修正[51]。

1.3.2 物理模型 利用經(jīng)驗(yàn)?zāi)Ｐ凸烙?jì)土壤重金屬污染情況通常是在特定的時(shí)間和空間特征下確定的，而且隨著土壤結(jié)構(gòu)和目標(biāo)重金屬的變化而變化[10，13，25，29，32，43]，不能直接應(yīng)用到其他的研究區(qū)域。

物理模型可以克服經(jīng)驗(yàn)?zāi)Ｐ驮诳臻g上的局限性等缺點(diǎn)，輻射傳輸模型（Radiative transfer model，RTM）和幾何光學(xué)模型（Geometrical optics model， GOM）是構(gòu)成物理模型的兩大類。

輻射傳輸模型是目前應(yīng)用最廣泛的物理模型?；谕寥垒椛鋫鬏斈Ｐ推鹪从贖apke模型[52]，以SOILSPECT模型為代表[53]，SOILSPECT模型能較好地推導(dǎo)出土壤二向反射的物理特性，是土壤重金屬污染檢測(cè)的基礎(chǔ)；基于植物葉片尺度的輻射傳輸PROSPECT模型[54，55]和冠層尺度的輻射傳輸SAIL（Scattering by arbitrarily inclined leaves）模型和他們的結(jié)合模型PROSPECT+SAIL簡(jiǎn)稱PROSAIL（PROSPECT and Scattering by arbitrarily inclined leaves）模型[56]已經(jīng)被廣泛地用于估計(jì)植物的生物物理和化學(xué)物理參數(shù)，但利用和發(fā)展該模型對(duì)植被葉片中積累的重金屬濃度經(jīng)行反演的研究還不多見(jiàn)。不同輻射傳輸模型對(duì)比見(jiàn)表5。當(dāng)植物受環(huán)境脅迫時(shí)，如土壤中有機(jī)物含量不同[45]，土壤受重金屬污染[25]等，植被會(huì)表現(xiàn)出不同的光譜反射特征。據(jù)此陸成[57]、Qu等[58]通過(guò)調(diào)整輸入?yún)?shù)，成功地監(jiān)測(cè)了植被中銅的含量。利用植被的輻射傳輸模型，將土壤重金屬污染監(jiān)測(cè)與植物的生理物理參數(shù)聯(lián)合起來(lái)，具有很大的前景。

土壤的幾何光學(xué)模型在Irons等[59]建立的二向反射分布函數(shù)（Bidirectional reflectance distribution function， BRDF）模型基礎(chǔ)上發(fā)展起來(lái)的；在植被方面，最具代表的為L(zhǎng)i-Strahler模型[60，61]，多適用于森林等不連續(xù)植被冠層的反射狀況，主要輸入?yún)?shù)見(jiàn)表6。重金屬會(huì)改變土壤和冠層植被在光譜的表現(xiàn)形式，如對(duì)輸入?yún)?shù)的Rc、Rs產(chǎn)生影響。利用幾何光學(xué)模型反演重金屬雖然尚且沒(méi)有典型代表，但是運(yùn)用二向反射機(jī)理追蹤土壤中重金屬污染情況也不無(wú)可能。

2 結(jié)論與展望

2.1 結(jié)論

隨著各國(guó)多方位多角度星載高光譜傳感器的成功發(fā)射，獲取地物的光譜資料更加便捷，監(jiān)測(cè)手段也更加豐富化、多樣化。科學(xué)技術(shù)的進(jìn)步為模型的發(fā)展提供了很好的契機(jī)，模型逐漸實(shí)現(xiàn)了從經(jīng)驗(yàn)?zāi)Ｐ偷轿锢砟Ｐ偷陌l(fā)展，普適性和魯棒性也有所提高。本研究集中介紹了利用高光譜監(jiān)測(cè)土壤重金屬污染的代理物種選取、監(jiān)測(cè)尺度、建模方法，為后續(xù)的研究提供參考。

2.2 展望

綜上所述，通過(guò)高光譜遙感技術(shù)監(jiān)測(cè)土壤光譜信息，可以為土壤動(dòng)態(tài)監(jiān)測(cè)和進(jìn)一步推進(jìn)和完善全國(guó)性數(shù)字土壤制圖提供大量的有效數(shù)據(jù)支撐。隨著科學(xué)進(jìn)步，在后續(xù)的研究中，建立光學(xué)-理化模型可以從以下幾個(gè)方面找到突破口。

1）高光譜分辨率也意味著高冗余，傳統(tǒng)的對(duì)于高光譜數(shù)據(jù)的處理是直接將其降維成二維的數(shù)據(jù)形式（矩陣）進(jìn)行處理。近些年來(lái)，張量數(shù)據(jù)處理[65]的數(shù)學(xué)條件已經(jīng)非常成熟，人們可以嘗試?yán)盟幚砀吖庾V立方體數(shù)據(jù)。

2）各種新型工具如支持向量機(jī)、遺傳算法、神經(jīng)元網(wǎng)絡(luò)等的出現(xiàn)，應(yīng)利用其更好地為選取波段[13]和建立監(jiān)測(cè)土壤重金屬污染的模型服務(wù)。

3）利用好海量的遙感影像數(shù)據(jù)，應(yīng)更深度和廣度地進(jìn)行數(shù)據(jù)挖掘，用多光譜影像或多個(gè)傳感器影像融合，模擬實(shí)現(xiàn)高光譜影像的功能，利用多時(shí)相數(shù)據(jù)進(jìn)行信息的修復(fù)等操作。

4）從超富集植物的波譜曲線中提取表征因子可以迅速、準(zhǔn)確地診斷土壤重金屬污染情況，保證農(nóng)作物的健康成長(zhǎng)，為國(guó)家在食品安全方面的宏觀調(diào)控提供數(shù)據(jù)支撐。

參考文獻(xiàn)：

[1] LIU Y， JIANG Q， FEI T， et al. Transferability of a visible and near-Infrared model for soil organic matter estimation in riparian landscapes[J]. Remote Sensing， 2014， 6（5）： 4305-4322.

[2] WEI J， CHEN M， JING S， et al. Assessment of human health risk for an area impacted by a large-scale metallurgical refinery complex in Hunan， China[J]. Human & Ecological Risk Assessment，2015，21（4）：861-881.

[3] 陳述彭，童慶禧，郭華東.遙感信息機(jī)理研究[M].北京：科學(xué)出版社，1998.

[4] HUNT G R. Near-infrared（1.3-2.4） μm spectra of alteration minerals-potential for use in remote sensing[J]. IEEE Transactions on Geoscience and Remote Sensing，1979，44（12）：1974-1986.

[5] RAMOELO A， SKIDMORE A K， SCHLERF M， et al. Water-removed spectra increase the retrieval accuracy when estimating savanna grass nitrogen and phosphorus concentrations[J]. ISPRS J Photogramm Remote Sensing， 2011，66（4）：408-417.

[6] SHI T， CHEN Y， LIU Y， 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.

[7] ZABCIC N， RIVARD B， ONG C， et al. Using airborne hyperspectral data to characterize the surface pH and mineralogy of pyrite mine tailings[J]. International Journal of Applied Earth Observation and Geoinformation， 2014，32：152-163.

[8] LIU Y， JIANG Q， SHI T， et al. Prediction of total nitrogen in cropland soil at different levels of soil moisture with VIS/NIR spectroscopy[J]. Acta Agriculturae Scandinavica， Section B — Soil & Plant Science，2014，64（3）：267-281.

[9] 新華網(wǎng).我國(guó)正繪制土壤重金屬“人類污染圖”[DB/OL].

[10] KANCHEVA R，GEORGIEV G.Assessing Cd-induced stress from plant spectral response[A].Proceedings of the Conference on Remote Sensing for Agriculture， Ecosystems，and Hydrology XVI was part of the International Symposium on Remote Sensing[C].Amsterdam，NETHERLANDS，SPIE，2014.

[11] 熊愈輝.鎘污染土壤植物修復(fù)研究進(jìn)展[J].安徽農(nóng)業(yè)科學(xué)，2007，35（22）：5876-6878.

[12] 李坤權(quán)，劉建國(guó)，陸小龍，等.水稻不同品種對(duì)鎘吸收及分配的差異[J].農(nóng)業(yè)環(huán)境科學(xué)學(xué)報(bào)，2003，22（5）：529-532.

[13] SHI T， LIU H， WANG J， et al. Monitoring Arsenic contamination in agricultural soils with reflectance spectroscopy of rice plants[J]. Environmental Science and Technology， 2014， 48（11）：6264-6272.

[14] REN H， ZHUANG D， PAN J， et al. Hyper-spectral remote sensing to monitor vegetation stress[J]. Journal of Soils and Sediments，2008，8（5）：323-326.

[15] LI X， LIU X， LIU M， et al. A hyperspectral index sensitive to subtle changes in the canopy chlorophyll content under Arsenic stress[J]. International Journal of Applied Earth Observation and Geoinformation，2015，36：41-53.

[16] CASELLES J M， MORAL R， ESPINOSA A P， et al. Cadmium accumulation and dstribution in cucumber plant[J]. Journal of Plant Nutrition，2008，23（2）：243-249.

[17] RAI S， GUPTA S， MITTAL P C. Dietary intakes and health risk of toxic and essential heavy metals through the food chain in agricultural， industrial， and coal mining areas of northern India[J]. Human and Ecological Risk Assessment， 2015，21（4）：913-933.

[18] 財(cái)新網(wǎng).中國(guó)土壤7%鎘超標(biāo)鎘成首要污染物[EB/OL]. http：//chinacaixincom/2014-04-18/100666919html， 2014-04-18.

[19] 魏樹(shù)和，周啟星，王 新.雜草中具重金屬超積累特征植物的篩選[J].自然科學(xué)進(jìn)展，2003，13（12）：1259-1265.

[20] TORRESDEY J L G， VIDES J R P， MONTES M， et al. Bioaccumulation of cadmium， chromium and copper by convolvulus arvensis L.： impact on plant growth and uptake of nutritional elements[J]. Bioresource Technology， 2004， 92（3）：229-234.

[21] GUADALUPE D L R，PERALTA-VIDEA J R，MILKA M，et al. Cadmium uptake and translocation in tumbleweed （Salsola kali）， a Potential Cd-hyperaccumulator desert plant species： ICP/OES and XAS studies[J]. Chemosphere，2004，55（9）： 1159-1168.

[22] CITTERIO S， REPRINTA， SANTAGOSTINO A. Heavy metal tolerance and accumulation of Cd， Cr and Ni by Cannabis sativa L.[J]. Plant and Soil，2003，256（2）：243-253.

[23] 夏立江，王宏康.土壤污染及其防治[M].上海：華東理工大學(xué)出版社，2001.45-47.

[24] LIU Y， LI W， WU G， et al. Feasibility of estimating heavy metal contaminations in floodplain soils using laboratory-based hyperspectral data- a case study along Lean River， China[J]. Geo-spatial Information Science， 2012， 14（1）： 10-16.

[25] 關(guān) 麗，劉湘南.鎘污染脅迫下水稻生理生態(tài)表征高光譜識(shí)別模型[J].生態(tài)環(huán)境學(xué)報(bào)，2009，18（8）：488-493.

[26] SONG L， JIAN J， TAN D， et al. Estimate of heavy metals in soil and streams using combined geochemistry and field spectroscopy in Wan-sheng mining area， Chongqing， China[J]. International Journal of Applied Earth Observation and Geoinformation，2014，34：1-9.

[27] MANZO C， VALENTINI E， TARAMELLI A， et al. Spectral characterization of coastal sediments using field spectral libraries， airborne hyperspectral images and topographic LiDAR Data（FHyL）[J]. International Journal of Applied Earth Observation and Geoinformation，2015，36：54-68.

[28] DIAN Y， LI Z， PANG Y. Spectral and texture features combined for forest tree species classification with airborne hyperspectral imagery[J]. Journal of the Indian Society of Remote Sensing，2015，43（1）：101-108.

[29] CHOE E， MEER F V D， RUITENBEEK F V， et al. Mapping of heavy metal pollution in stream sediments using combined geochemistry， field spectroscopy， and hyperspectral remote sensing： a case study of the todalquilar mining area， SE Spain[J]. Remote Sensing of Environment，2008，112（7）： 3222-3233.

[30] WU Y， ZHANG X， LIAO Q， et al. Can contaminant elements in soils be assessed by remote sensing technology a case study with simulated data[J]. Soil Science，2011，176（4）： 196-205.

[31] LIU M， LIU X， LI J， et al. Estimating regional heavy metal concentrations in rice by scaling up a field-scale heavy metal assessment model[J]. International Journal of Applied Earth Observation and Geoinformation，2012，19：12-23.

[32] TAN K， IEEE， YE Y， et al. Estimation of arsenic contamination in reclaimed agricultural soils using reflectance spectroscopy and ANFIS model[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2014， 7（8）：2540-2547.

[33] THOMAS K， STEFAN S. Estimate of heavy metal contamination in soils after a mining accident using reflectance spectroscopy[J]. Environment Science and Technology，2002，36（12）：2742-2747.

[34] 盧延年，劉艷芳，陳奕云，等.江漢平原土壤有機(jī)碳含量高光譜預(yù)測(cè)模型優(yōu)選[J].中國(guó)農(nóng)學(xué)通報(bào)，2014，30（26）：127-133.

[35] 譚炳香，李增元，陳爾學(xué)，等.EO-1 Hyperion高光譜數(shù)據(jù)的預(yù)處理[J].遙感信息，2005（6）：36-41.

[36] 李小文，王錦地.植被光學(xué)遙感模型與植被結(jié)構(gòu)參數(shù)化[M].北京：科學(xué)出版社，1995.

[37] 周照艷，岳 勇，王 濤，等.PLS因子數(shù)對(duì)定量模型性能穩(wěn)定性的影響分析[J].計(jì)算機(jī)工程與設(shè)計(jì)，2014，35（5）：1788-1791.

[38] 吳長(zhǎng)山，項(xiàng)月琴，鄭蘭芬.利用高光譜數(shù)據(jù)對(duì)作物群體葉綠素密度估算的研究[J].遙感學(xué)報(bào)，2000，4（3）：228-233.

[39] 劉偉東，項(xiàng)月琴，鄭蘭芬.高光譜數(shù)據(jù)與水稻葉面積指數(shù)及葉綠素密度的相關(guān)分析[J].遙感學(xué)報(bào)，2000，4（3）：279-283.

[40] HABOUDANE D， MILLER J R， TREMBLAY N， et al. Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture[J]. Remote Sensng of Enviornment，2002，81（2-3）：416-426.

[41] 顏春燕，牛 錚，王紀(jì)華.光譜指數(shù)用于葉綠素含量提取的評(píng)價(jià)及一種改進(jìn)的農(nóng)作物冠層葉綠素含量提取模型[J].遙感學(xué)報(bào)，2005，9（6）：742-750.

[42] STAZI S R， ANTONUCCI F， PALLOTTINO F， et al. Hyperspectral visible-near infrared determination of arsenic concentration in soil[J]. Communications in Soil Science and Plant Analysis，2014，45（22）：2911-2931.

[43] PANDIT C M， FILIPPELLI G M， LI L. Estimation of heavy metal contamination in soil using reflectance spectroscopy and partial least squares regression[J]. International Journal of Remote Sensing，2010，31（15）：4111-4123.

[44] SHI T， CUI L， WANG J， et al. Comparison of multivariate methods for estimating soil total nitrogen with visible/near-infrared spectroscopy[J]. Plant Soil，2013，336（1-2）：363-376.

[45] WANG J， WANG T， SKIDMORE A K， et al. Evaluating different methods for grass nutrient estimation from canopy hyperspectral reflectance[J]. Remote sensing，2015，7（5）：5901-5917.

[46] 仲曉春，戴其根，何 理，等.不同濃度鎘脅迫下水稻冠層光譜特征及其預(yù)測(cè)評(píng)價(jià)[J].農(nóng)業(yè)環(huán)境科學(xué)學(xué)報(bào)，2012，31（3）：448-454.

[47] BOGREKCI I， LEE W S. Spectral phosphorus mapping using diffuse reflectance of soils and grass[J]. Biosystems Engineering， 2005， 91（3）： 305-312.

[48] ARKAN E， SHAHLAEI M， POURHOSSEIN A， et al. Validated QSAR analysis of some diaryl substituted pyrazoles as CCR2 inhibitors by various linear and nonlinear multivariate chemometrics methods[J]. European Journal of Medical and Chemistry，2010，45（8）：3394-3402.

[49] PARRY M L， ROSENZWEIG C， IGLESIAS A， et al. E ffects of climate change on global food production under SRES emissions and socio-economic scenarios[J]. Global Environmental Change，2004，14（1）：53-67.

[50] NICO A， RODRIGUEZ G F， ALESSANDRO P， et al. Wild area rersistent scatterer interferometry[A]. Proceedings of the IEEE Inernational Geoscience and Remote Ssensng Symposium[C]. Vancouver， Canada，2011：1481-1484.

[51] ZOBECK T M， PARKER N C， HASKELL S， et al. Scaling up from field to region for wind erosion prediction using a field-scale wind erosion model and GIS[A]. ENVIRONMENT A E A. Conference on Food and Forestry： Global Change and Global Challenges[M]. UNIV READING， READING， England，2000.13.

[52] HAPKE B. Bidirectional reflectance spectroscopy： 1. theory[J]. Journal of Geophysical Reseatch， 1981， 86（B4）： 3039-3054.

[53] JACQUEMOUD S， BARET F， HANOCQ J F. Modeling spectral and bidirectional soil reflectance[J]. Remote Sensing of Enviornment，1992，41：123-132.

[54] JACQUEMOUD S， USTIN S L， VERDEBOUT J， et al. Estimating leaf biochemistry using the PROSPECT leaf optical properties model[J]. Remote Sensing of Enviornment， 1996， 56（3）：194-203.

[55] JACQUEMOUD S， BARET F. PROSPECT： a model of leaf optical properties spectra[J]. Remote Sensing of Enviornment， 1990，34：75-92.

[56] JACQUEMOUD S， VERHOEF W， BARET F， et al. PROSPECT+SAIL models： A review of use for vegetation characterization[J]. Remote Sensing of Enviornment， 2009， 113（S1）：56-66.

[57] 陸 成.基于PROSPECT模型的葉片重金屬銅含量反演研究[D].吉林：吉林大學(xué)，2010.26-36.

[58] QU Y， ZHU Y， GE X. A reflectance spectra model of heavy metal stressed leaves： advances in the PROSPECT model adding specific absorption coefficients of heavy metal ion[A]. Proceedings of the 35th International Symposium on Remote Sensing of Environment[C]. Inst Remote Sensing & Digital Earth， Beijing， China， 2014.

[59] IRONS J R， CAMPBELL G S， NORMAN J M， et al. Prediction and measurement of soil bidirectional reflectance[J]. IEEE Transactions on Geoscience and Remote Sensing，1992， 30（2）：249-260.

[60] LI X， STRAHLER A H. Geometric-optical bidirectional reflectance modeling of a conifer forest canopy[J]. IEEE Transactions on Geoscience and Remote Sensing，1986，24（6）：906-919.

[61] LI X， STRAHLER A H. Modeling the gap probability of a discontinuous vegetation canopy[J]. IEEE Transactions on Geoscience and Remote Sensing，1988，26（2）：161-170.

[62] VERHOEF W. Light scattering by leaf layers with application to canopy reflectance modeling： the SAIL model[J]. Remote Sensing of Enviornment，1984，16（2）：125-141.

[63] KUUSK A. A fast， invertible canopy reflectance model[J]. Remote Sensing of Enviornment，1995，51（3）：342-350.

[64] JACQUEMOUD S， VERHOEF W， BARET F. PROSPECT+SAIL models： A review of use for vegetation characterization[J]. Remote Sensing of Enviornment，2009，113（1）：56-66.

[65] LOVELOCK D， RUND H. Tensors， differential forms， and variational principles[M].New York：Dover Publication，1989.