土壤重金屬污染高光譜遙感監(jiān)測(cè)方法綜述

郭學(xué)飛 曹穎 焦?jié)櫝?

摘 要：近年來(lái)土壤重金屬污染日益嚴(yán)重，對(duì)生態(tài)環(huán)境安全和人類(lèi)健康構(gòu)成了嚴(yán)重威脅。高光譜遙感技術(shù)具有快速、宏觀地獲取地物信息的能力，為快速高效獲取土壤重金屬含量開(kāi)展污染防治提供了科學(xué)手段。本文總結(jié)了基于土壤光譜分析和植被光譜分析的兩類(lèi)土壤重金屬污染高光譜遙感監(jiān)測(cè)的方法及原理，介紹了土壤重金屬含量反演建模過(guò)程及建模方法。土壤光譜分析法預(yù)測(cè)重金屬含量主要基于實(shí)驗(yàn)室土壤光譜展開(kāi)，具有較高的預(yù)測(cè)精度，但很難實(shí)現(xiàn)大范圍土壤重金屬污染監(jiān)測(cè);植被光譜分析法多是基于野外實(shí)測(cè)光譜數(shù)據(jù)展開(kāi)，預(yù)測(cè)精度相對(duì)較低，但較易與高光譜影像相結(jié)合進(jìn)行區(qū)域土壤重金屬污染預(yù)測(cè)，是今后研究的熱點(diǎn)方向。多元逐步線(xiàn)性回歸和偏最小二乘回歸是土壤重金屬含量反演應(yīng)用最為廣泛的建模方法，但反演模型往往缺乏普適性和穩(wěn)定性，隨著高光譜傳感器和數(shù)據(jù)獲取平臺(tái)的發(fā)展，普適性更好穩(wěn)定性更強(qiáng)的建模方法將不斷出現(xiàn)。

關(guān)鍵詞：土壤重金屬;高光譜遙感;監(jiān)測(cè)方法;反演模型

Abstract： Heavy metal pollution in soil is a serious threat to ecological environment and human health. Hyperspectral remote sensing technology has the ability to acquire ground object information quickly and macroscopically. It provides a scientific method for fast， efficiently and quantitatively acquiring the heavy metal contents in soil and pollution prevention. In this paper， the methods and principles of hyperspectral remote sensing monitoring of soil heavy metal pollution were summarized based on soil spectral analysis and vegetation spectral analysis. The process and modeling method of soil heavy metal content inversion were introduced. The prediction of heavy metal contents by soil spectral analysis is based on the laboratory soil spectrum， which has high prediction accuracy， but it is difficult to realize the large-scale monitoring of heavy metal pollution in soil. Vegetation spectral analysis is mostly based on field measuring spectral data， with relatively low prediction accuracy. However， it is easy to combine with hyperspectral images to predict regional soil heavy metal pollution. Therefore， it is a most popular research field in the future. Multiple stepwise linear regression and partial least squares regression are the most widely used modeling methods for inversion of soil heavy metal contents， but the inversion model often lacks universality and stability. With the development of hyperspectral sensors and acquisition platforms， modeling methods with better universality and stability will continue to emerge.

Keywords： Soil heavy metals; Hyperspectral remote sensing; Monitoring method; Inversion model

0 前言

近年來(lái)我國(guó)工農(nóng)業(yè)生產(chǎn)發(fā)展迅速，土壤環(huán)境污染日益嚴(yán)重，其中以銅（Cu）、鉛（Pb）、鋅（Zn）、汞（Hg）、鎘（Cd）、鉻（Cr）、砷（As）、鎳（Ni）等為代表的生物毒性顯著的重金屬污染尤其突出（莊國(guó)泰，2015;周建軍等，2014）。2014年全國(guó)土壤污染狀況調(diào)查公報(bào)顯示，我國(guó)土壤總超標(biāo)率16.1%，其中無(wú)機(jī)污染物占總超標(biāo)點(diǎn)位的82.8%（環(huán)境保護(hù)部，國(guó)土資源部，2014）。我國(guó)耕地因受重金屬污染質(zhì)量狀況堪憂(yōu)，每年因土壤重金屬污染而損失的糧食作物約1200萬(wàn)噸（Teng，et al.，2010）。土壤重金屬污染不僅會(huì)造成農(nóng)作物減產(chǎn)、質(zhì)量下降，甚至?xí)ㄟ^(guò)食物鏈的方式影響人類(lèi)健康（紀(jì)小鳳等，2016），因此對(duì)土壤重金屬的監(jiān)測(cè)十分必要。如何快速高效地檢測(cè)出土壤重金屬污染區(qū)域并評(píng)估其污染程度，是開(kāi)展土壤污染監(jiān)測(cè)的關(guān)鍵，也是政府部門(mén)開(kāi)展土壤環(huán)境治理的重要前提。

傳統(tǒng)的土壤重金屬污染檢測(cè)方法通常是對(duì)野外采集的土壤樣品開(kāi)展實(shí)驗(yàn)室化學(xué)分析，該方法測(cè)量精度高、準(zhǔn)確性強(qiáng)，但由于檢測(cè)環(huán)節(jié)多、耗時(shí)長(zhǎng)、成本高，很難快速獲取大區(qū)域上的污染物含量及分布信息（肖捷穎等，2013）。高光譜遙感具有快速、宏觀地獲取地物信息的能力，在土壤重金屬污染監(jiān)測(cè)領(lǐng)域不斷顯示出其獨(dú)特的優(yōu)勢(shì)。本文概述了利用高光譜遙感技術(shù)開(kāi)展土壤重金屬污染監(jiān)測(cè)的原理、方法以及反演模型的建立，分析了高光譜遙感在土壤重金屬污染監(jiān)測(cè)中存在的問(wèn)題以及未來(lái)的發(fā)展展望。

1 高光譜遙感概述

高光譜遙感（Hyperspectral Remote Sensing）又稱(chēng)成像光譜遙感，是當(dāng)前遙感的前沿技術(shù)。它將光譜技術(shù)與成像技術(shù)相結(jié)合，能夠獲取目標(biāo)物非常窄且連續(xù)的光譜信息以及空間分布信息，光譜獲取范圍覆蓋了電磁波的紫外波段至熱紅外波段（肖博林，2020;吳振洲，2012）。高光譜遙感以光譜范圍寬、光譜分辨率高及“圖譜合一”的特點(diǎn)，極大地提高了地表覆蓋探測(cè)和地物識(shí)別能力，使半定量和定量地識(shí)別地物類(lèi)別成為可能（劉勛等，2019），近年來(lái)逐漸被探索應(yīng)用于土壤重金屬監(jiān)測(cè)領(lǐng)域。

2 土壤重金屬污染高光譜遙感監(jiān)測(cè)方法

土壤中的重金屬元素屬于微量元素，在土壤光譜上很難捕捉到重金屬信息，因此通過(guò)直接分析光譜曲線(xiàn)的吸收反射特征估算重金屬含量比較困難（龔紹琦等，2010）?？筛鶕?jù)重金屬元素與其他物質(zhì)的吸附關(guān)系以及對(duì)植被的脅迫特征，間接地預(yù)測(cè)元素含量，確定土壤污染程度。目前利用高光譜遙感開(kāi)展土壤重金屬污染監(jiān)測(cè)的方法主要分為如下兩種：（1）直接根據(jù)土壤光譜與重金屬元素間的相關(guān)性進(jìn)行元素含量反演估算;（2）根據(jù)被重金屬污染脅迫植被的光譜信息間接預(yù)測(cè)土壤重金屬污染狀況。

2.1 土壤光譜分析法預(yù)測(cè)重金屬含量

雖然重金屬在土壤中屬微量元素，沒(méi)有明顯的特征光譜，但土壤中的黏土礦物、土壤有機(jī)質(zhì)等組分往往與之存在吸附或賦存關(guān)系（WU，et al.，2006），這些組分的存在導(dǎo)致土壤光譜形態(tài)和反射率大小在一定程度上發(fā)生改變，使土壤光譜曲線(xiàn)顯示出特定的反射特征，利用重金屬元素與這些組分之間的相關(guān)性可估算元素含量。

土壤光譜分析法估算土壤重金屬含量的實(shí)現(xiàn)方法是，利用實(shí)驗(yàn)室或野外實(shí)測(cè)的土壤樣品光譜數(shù)據(jù)，經(jīng)斷點(diǎn)修復(fù)、平滑等預(yù)處理后，將原始光譜及其數(shù)學(xué)變換、連續(xù)統(tǒng)去除等變換后的光譜指標(biāo)與測(cè)定的土壤重金屬含量進(jìn)行相關(guān)分析，建立土壤重金屬含量與光譜指標(biāo)特征波段的最佳回歸模型，利用該模型定量反演出土壤重金屬含量。

解憲麗等（2007）研究發(fā)現(xiàn)江西貴溪銅冶煉廠(chǎng)污染區(qū)土壤的Cu、Pb、Zn、Co、Ni、Fe、Cd、Cr、Mn 9種元素含量與土壤可見(jiàn)光-近紅外反射光譜之間存在顯著相關(guān)，相關(guān)原因?yàn)橛袡C(jī)質(zhì)、黏土礦物、鐵錳氧化物等土壤組分對(duì)上述重金屬元素有存在吸附作用。李瓊瓊等（2019）通過(guò)采集土壤樣本，分析土壤光譜信息，采用偏最小二乘法建立了城市居民區(qū)土壤Cu、Pb、Zn元素的反演模型，其中Pb元素的反演精度最高（R2=0.77，RMSE=7.66），模型具有較好的預(yù)測(cè)能力。王金鳳等（2019）基于室內(nèi)測(cè)定的土壤高光譜數(shù)據(jù)，利用逐步回歸方法甄選出了與鐵氧化物、有機(jī)質(zhì)、黏土礦物等有關(guān)的有效光譜變量580、810、1410、1910、2160、2260、2270、2350、2430nm，運(yùn)用隨機(jī)森林、支持向量機(jī)、偏最小二乘等方法建立Zn元素含量反演模型，結(jié)果表明基于二階微分變換的隨機(jī)森立模型反演精度最高（R2=0.94，RMSE=18.01），是喀斯特地區(qū)鋅元素含量反演的最佳模型。

以上研究均是基于實(shí)驗(yàn)室土壤高光譜數(shù)據(jù)開(kāi)展，實(shí)驗(yàn)室條件下測(cè)得的土壤光譜數(shù)據(jù)受外界環(huán)境條件影響最小，光譜數(shù)據(jù)處理?xiàng)l件較為一致，研究的重點(diǎn)便集中在建模方法的選擇上，因此利用實(shí)驗(yàn)室土壤光譜直接分析土壤重金屬含量是目前土壤重金屬高光譜反演中最為成熟的方法，但受土壤樣品采集數(shù)量和范圍的限制，基于實(shí)驗(yàn)室土壤高光譜很難實(shí)現(xiàn)大區(qū)域土壤重金屬污染的監(jiān)測(cè)。

2.2 植被光譜分析法預(yù)測(cè)重金屬含量

研究表明，土壤中的重金屬能對(duì)植物的生理結(jié)構(gòu)特征產(chǎn)生影響，尤其是對(duì)葉綠素的合成影響較大，從而改變植物的光譜特性（唐鵬等，2014）。當(dāng)植被收到重金屬污染脅迫時(shí)，植被葉片中的葉綠素含量會(huì)降低，使得植被波普的“紅邊位置”（指由于植物體內(nèi)葉綠素的吸收作用，致使植被反射波譜特征在紅光波段到近紅外波段處（660～770nm）急劇升高）向短波方向偏移，形成紅邊“藍(lán)移”現(xiàn)象（張志斌，2013;鄔登巍等，2009;Bonham-carter，1988）?！凹t邊位置”、植被指數(shù)等是表征植被生長(zhǎng)狀態(tài)的重要參數(shù)。重金屬污染對(duì)植被光譜特征和植被生長(zhǎng)狀態(tài)參數(shù)變化的影響，是利用植被光譜分析預(yù)測(cè)重金屬污染的基礎(chǔ)。

植被光譜分析法預(yù)測(cè)土壤重金屬含量的實(shí)現(xiàn)方法是，測(cè)定重金屬污染條件下表層土壤的重金屬含量和植被葉片的葉綠素含量（或根據(jù)植被光譜特征形成“紅邊位置”、植被指數(shù)等植被生長(zhǎng)狀態(tài)參數(shù)），分析葉綠素含量或植被生長(zhǎng)狀態(tài)參數(shù)與土壤重金屬含量之間的相關(guān)關(guān)系，建立土壤重金屬含量反演模型，預(yù)測(cè)研究區(qū)土壤重金屬污染情況。

利用植被光譜分析法預(yù)測(cè)重金屬污染的一種方式是基于地面高光譜儀采集植物葉片的高光譜反射數(shù)據(jù)，與測(cè)定的葉片葉綠素含量及重金屬含量，建立預(yù)測(cè)模型。如于慶等（2018）用Field Spec HH便攜式手持地物光譜儀采集了典型污灌區(qū)冬小麥冠層光譜，建立了Cr、Ni、Pb、Zn、Hg、Cd元素含量反演模型，實(shí)現(xiàn)了重金屬含量及空間分布特征反演。另一種方式是基于機(jī)載和星載高光譜儀，持續(xù)獲取地面受污染植被的光譜信息，建立反演模型，實(shí)現(xiàn)土壤重金屬的實(shí)時(shí)、大面積、原位監(jiān)測(cè)。如劉昭賢等（2019）利用無(wú)人機(jī)搭載的HyspexSWIR-384成像光譜儀獲取高光譜影像，并利用便攜式地物光譜儀同步采集地面光譜數(shù)據(jù)，實(shí)現(xiàn)了農(nóng)田Cd元素的快速檢測(cè);易興松等（2018）利用無(wú)人機(jī)獲取GS高光譜數(shù)據(jù)開(kāi)展了農(nóng)田As、Cr、Pb等元素的建模反演，并與ASD光譜儀采集光譜建模的預(yù)測(cè)精度進(jìn)行了對(duì)比，結(jié)果表明無(wú)人機(jī)GS光譜具備監(jiān)測(cè)土壤重金屬的能力，但預(yù)測(cè)精度不及ASD光譜。楊靈玉等（2016）基于Hyperion高光譜影像數(shù)據(jù)，建立了基于植被指數(shù)的玉樹(shù)縣土壤重金屬Zn和Cd含量的估算模型。

地面實(shí)測(cè)光譜數(shù)據(jù)具有波段多、精度高的特點(diǎn)，因此利用植被光譜分析法開(kāi)展土壤重金屬含量的研究多集中在對(duì)地面實(shí)測(cè)光譜數(shù)據(jù)的分析上。但由于植被在高光譜影像上具有獨(dú)特的響應(yīng)特征，同時(shí)高光譜影像具備獲取速度快、覆蓋面積廣的優(yōu)點(diǎn)，近年來(lái)利用機(jī)載和星載高光譜影像反演重金屬含量的研究逐漸增加，基于高光譜影像的植被光譜分析法也成為目前土壤重金屬含量反演研究的熱點(diǎn)。

偏最小二乘回歸法是一種綜合了主成分回歸和多元線(xiàn)性回歸兩者的優(yōu)勢(shì)的建模方法，適合于樣本數(shù)量較少甚至少于變量個(gè)數(shù)，變量之間又存在多重相關(guān)性的情況，具有穩(wěn)定性強(qiáng)、預(yù)測(cè)精度高、便于定量解釋的優(yōu)點(diǎn)，被廣泛應(yīng)用于土壤重金屬含量反演研究中。賀軍亮等（2019）基于土壤有機(jī)質(zhì)光譜診斷特征，采用偏最小二乘回歸法建立了Pb元素的多光譜變換指標(biāo)偏最小二乘回歸模型（M-PLSR）;張銀玲等（2016）以準(zhǔn)東煤田煤礦開(kāi)采區(qū)為研究區(qū)，在對(duì)土壤光進(jìn)行了多種變換的基礎(chǔ)上，應(yīng)用偏最小二乘回歸法構(gòu)建了Zn、Cu、Ni元素重金屬含量反演模型。

在以上研究中，雖然采用的反演方法基本一致，但因土壤中重金屬元素類(lèi)型、土壤質(zhì)地等的差異，各研究得出的最佳回歸模型有所不同。因此，以上研究方法雖然在特定區(qū)域取得了良好的反演 成果，但所建立的反演模型適應(yīng)性卻很差。

4 問(wèn)題與展望

4.1 存在問(wèn)題

（1）當(dāng)前對(duì)土壤樣本的光譜測(cè)量大多是實(shí)驗(yàn)室測(cè)定，是在較為理想的狀態(tài)下進(jìn)行的，難以將所取得的經(jīng)驗(yàn)成果應(yīng)用于航空航天遙感影像，進(jìn)行土壤重金屬的空間分布反演。需進(jìn)一步加強(qiáng)野外光譜測(cè)量研究，研究消除大氣、光照、植被等環(huán)境因素的影響，實(shí)現(xiàn)地面土壤光譜測(cè)量與遙感影像相結(jié)合的應(yīng)用。

（2）反演土壤重金屬含量采用的建模方法通常是經(jīng)驗(yàn)統(tǒng)計(jì)法和植被指數(shù)法，反演模型往往因缺乏普適性和穩(wěn)定性而難以得到廣泛應(yīng)用。需在遙感高光譜反演土壤重金屬含量模型與理論方法方面加強(qiáng)研究，增強(qiáng)土壤重金屬反演模型的普適性、穩(wěn)定性以及預(yù)測(cè)的準(zhǔn)確性。

（3）土壤光譜特征極其復(fù)雜，影響土壤光譜特征的因素較多，不同土壤對(duì)不同的重金屬吸附狀態(tài)不同，相同的土壤在不同的環(huán)境下對(duì)重金屬吸附的程度也有所差異。需進(jìn)一步研究土壤中重金屬元素的依附機(jī)理，以及重金屬含量對(duì)土壤光譜變化的影響。

（4）當(dāng)前對(duì)土壤重金屬的研究主要集中在某一特定區(qū)域、特定時(shí)段重金屬含量的反演上，鮮有學(xué)者利用長(zhǎng)時(shí)間序列高光譜遙感數(shù)據(jù)開(kāi)展對(duì)某一區(qū)域土壤重金屬的演化特征和遷移規(guī)律的研究。

4.2 展望

（1）數(shù)據(jù)獲取平臺(tái)更加豐富

隨著技術(shù)的進(jìn)步，高光譜遙感數(shù)據(jù)的獲取方式更加多樣化，形成星載高光譜、機(jī)載高光譜和地面高光譜的“星-空-地”三維度獲取態(tài)勢(shì)，尤其是無(wú)人機(jī)高光譜得到廣泛應(yīng)用，大大提高數(shù)據(jù)的獲取效率，更加有利于土壤重金屬污染的監(jiān)測(cè)。

（2）傳感器性能大幅提升

高光譜傳感器得到快速發(fā)展，高光譜影像數(shù)據(jù)的精度不斷提高，土壤重金屬污染監(jiān)測(cè)的方法從實(shí)驗(yàn)室高光譜分析發(fā)展到高光譜影像分析，大空間尺度的高光譜與土壤理化性質(zhì)的研究將不斷涌現(xiàn)，有助于實(shí)現(xiàn)大范圍的土壤質(zhì)量狀況監(jiān)測(cè)。

（3）建模方法更加多樣化

建模方法決定了土壤重金屬信息反演的精度，目前已出現(xiàn)了對(duì)現(xiàn)有模型優(yōu)化改進(jìn)或?qū)⑿路椒ㄓ糜谕寥乐亟饘俸糠囱莸脑囼?yàn)，隨著高光譜數(shù)據(jù)的發(fā)展，新的建模方法會(huì)不斷出現(xiàn)，使得反演模型具有更強(qiáng)的穩(wěn)定性、更高的反演精度和更好的適應(yīng)性。

參考文獻(xiàn)：

龔紹琦， 王鑫， 沈潤(rùn)平， 等， 2010. 濱海鹽土重金屬含量高光譜遙感研究[J]. 遙感技術(shù)與應(yīng)用， 25（2）：169-177.

郭斗斗， 黃紹敏， 張水清， 等， 2014. 多種潮止有機(jī)質(zhì)高光譜預(yù)測(cè)模型的對(duì)比分析[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 30（21）：192-200.

郭穎， 畢如田， 鄭超， 等， 2018. 土壤重金屬高光譜反演研究綜述[J]. 環(huán)境科技， 31（1）：67-71.

環(huán)境保護(hù)部， 國(guó)土資源部， 2014. 全國(guó)土壤污染狀況調(diào)查公報(bào)[EB/OL]. http：//www.mee.gov.cn/gkml/sthjbgw/qt/201404/W020140417558995804588.pdf.

胡佳楠， 塔西甫拉提·特依拜， 宋玉， 等， 2016. 準(zhǔn)東煤田土壤汞含量的高光譜反演[J]. 中國(guó)礦業(yè)， 25（5）：65-69.

賀軍亮， 張淑媛， 查勇， 等， 2015. 高光譜遙感反演土壤重金屬含量研究進(jìn)展[J]. 遙感技術(shù)與應(yīng)用， 30（3）：407-412.

賀軍亮， 李志遠(yuǎn)， 李仁杰， 等， 2019. 基于有機(jī)質(zhì)光譜特征的土壤重金屬Pb估算模型研究[J]. 環(huán)境污染與防治， 41（7）：753-757.

紀(jì)小鳳， 鄭娜， 王洋， 等， 2016. 中國(guó)城市土壤重金屬污染研究現(xiàn)狀及展望[J]. 土壤與作物， 5（1）：42-47.

李淑敏， 李紅， 孫丹峰， 等， 2010. 基于熱紅外特征光譜的土壤重金屬含量估算模型研究[J]. 紅外， 31（7）：33-38.

劉勛， 李長(zhǎng)春， 李雙權(quán)， 等， 2019. 高光譜遙感技術(shù)在土壤研究應(yīng)用中的進(jìn)展[J]. 安徽農(nóng)業(yè)科學(xué)， 47（8）：18-21，34.

劉昭賢， 孟亞賓， 等， 2019. 航空高光譜遙感在重金屬土壤污染檢測(cè)中的應(yīng)用[J]. 礦山測(cè)量， 47（6）：43-47.

李瓊瓊， 柳云龍， ?2019. 城市居民區(qū)土壤重金屬含量高光譜反演研究[J]. 遙感技術(shù)與應(yīng)用， 34（3）：540-546.

沈強(qiáng)， 張世文， 葛暢， 等， 2019. 礦業(yè)廢棄地重構(gòu)土壤重金屬含量高光譜反演[J]. 光譜學(xué)與光譜分析， 39（4）：1214-1221.

唐鵬， 劉光， 徐俊鋒， 2014. 植物重金屬脅迫的高光譜遙感研究進(jìn)展[J]. 杭州師范大學(xué)學(xué)報(bào)（自然科學(xué)版）， 13（6）：634-640.

涂曄昕， 費(fèi)騰， 2016. 從植被高光譜遙感到土壤重金屬污染診斷的研究進(jìn)展[J]. 湖北農(nóng)業(yè)科學(xué)， 55（6）：1361-1368.

王金鳳， 王世杰， 白曉永， 等， 2019. 基于高光譜反射率的喀斯特地區(qū)土壤重金屬鋅元素含量反演[J]. 光譜學(xué)與光譜分析， 39（12）：3873-3879.

鄔登巍， 吳昀昭， 馬宏瑞， 2009. 植物污染脅迫遙感監(jiān)測(cè)研究綜述[J]. 遙感技術(shù)與應(yīng)用， 24（2）：238-245.

吳振洲， 2012. 微型Offner成像光譜儀和光譜數(shù)據(jù)處理[D]. 合肥： 中國(guó)科學(xué)技術(shù)大學(xué).

肖捷穎， 王燕， 張倩， 等， 2013. 土壤重金屬含量的高光譜遙感反演方法綜述[J]. 湖北農(nóng)業(yè)科學(xué)， 52（6）：1248-1253.

肖博林， 2020. 基于支持向量機(jī)的高光譜遙感影像分類(lèi)[J]. 科技創(chuàng)新與應(yīng)用（4）： 22-24.

解憲麗， 孫波， 郝紅濤， 2007. 土壤可見(jiàn)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)， 44（6）：982-993.

夏軍， 2014. 準(zhǔn)東煤田土壤重金屬污染高光譜遙感監(jiān)測(cè)研究[D]. 烏魯木齊：新疆大學(xué).

徐明星， 吳紹華， 周生路， 2002. 重金屬含量的高光譜建模反演：考古土壤中的應(yīng)用[J]. 紅外與毫米波學(xué)報(bào)， 30（2）：109-114.

于慶， 吳泉源， 姚磊， 等， 2018. 山東典型污灌區(qū)冬小麥葉片重金屬高光譜反演及空間分布特征[J]. 河南農(nóng)業(yè)科學(xué)， 47（8）：54-62.

易興松， 蘭安軍， 文錫梅， 等， 2018. 基于ASD 和GaiaSky-mini 的農(nóng)田土壤重金屬污染監(jiān)測(cè)[J]. 生態(tài)學(xué)雜志， 37（6）：1781-1788.

楊靈玉， 高小紅， 張威， 等， 2016. 基于Hyperion 影像植被光譜的土壤重金屬含量空間分布反演：以青海省玉樹(shù)縣為例[J]. 應(yīng)用生態(tài)學(xué)報(bào)， 27（6）：1775-1784.

袁自然， 魏立飛， 張楊熙， 等， 2020. 優(yōu)化CARS結(jié)合PSO-SVM算法農(nóng)田土壤重金屬砷含量高光譜反演分析[J]. 光譜學(xué)與光譜分析， 40（2）：567-573.

袁琳， 2010. 網(wǎng)紋瓜可溶性固形物、總酸和堅(jiān)實(shí)度近紅外光譜檢測(cè)技術(shù)研究[D]. 咸陽(yáng)：西北農(nóng)林科技大學(xué).

佐騰幸男， 雨宮好文， 2001. 信號(hào)處理入門(mén)[M]. 北京：科學(xué)出版社：27-33.

莊國(guó)泰， 2015. 我國(guó)土壤污染現(xiàn)狀與防控策略[J]. 中國(guó)科學(xué)院院刊， 30（4）：477-483.

周建軍， 周桔， 馮仁國(guó)，2014. 我國(guó)土壤重金屬污染現(xiàn)狀及治理戰(zhàn)略[J]. 中國(guó)科學(xué)院院刊， 29（3）：315-320.

鐘燕， 2016. 基于HSI高光譜數(shù)據(jù)的耕地土壤重金屬鎘、鉛含量遙感反演[D]. 成都：四川農(nóng)業(yè)大學(xué).

趙小敏， 2018. 江西省紅壤地區(qū)主要土壤類(lèi)型的高光譜特性研究[J]. 土壤學(xué)報(bào)， 55（1）：31-42.

張志斌， 2013. 高光譜遙感對(duì)礦山開(kāi)發(fā)環(huán)境效應(yīng)監(jiān)測(cè)技術(shù)研究[D]. 中國(guó)地質(zhì)大學(xué)（北京）.

張銀玲， 姚峰， 牛婷， 等， 2016. 基于高光譜的土壤重金屬含量預(yù)測(cè)模型建立與評(píng)價(jià)[J]. 新疆環(huán)境保護(hù)， 38（3）：15-21.

張亞光， 陳建平， 李詩(shī)， 2019. 高光譜遙感在土壤重金屬污染監(jiān)測(cè)中的應(yīng)用[J]. 地質(zhì)學(xué)刊， 43（3）：491-498.

Bonham-carter G F， 1988. Numerical procedures and computer program for fitting an inverted gaussian model to vegetation reflectance data [J]. Computers & Geosciences， 14（3）：339-356.

Gholizadeh A， Bor?vka L， Va?át R， et al.， 2015. Estimation of potentially toxic elements Contamination in anthropogenic soils on a brown coal mining dumpsite by reflectance spectroscopy： A case study [J]. Plos One， 10（2）：e117457. https：//doi.org/10.1371/journal.pone.0117457.

Kemper T， Sommer S， 2002. Estimate of heavy metal contamination in soils after a mining accident using reflectance spectroscopy [J]. Environmental Science & Technology， 36（12）： 2742-2747.

Teng Yanguo， Ni Shijun， Wang Jinsheng， et al.， 2010. A geochemical survey of trace elements in agricultural and non- agricultural topsoil in Dexing area， China [J]. Journal of Geochemical Exploration， 104（3）：118-127.

WU Yunzhao， CHEN Jun， JI Junfeng， et al.， 2007. A mechanism study of reflectance spectroscopy for investigating heavy metals in soils[J]. Soil Science Society of America Journal， 71（3）：918-926.