王鳳華,路杰暉,劉志文,王德強,李西燦*

煙臺地區(qū)土壤重金屬鎳高光譜估測模型

王鳳華1,路杰暉2,劉志文1,王德強1,李西燦2*

1. 山東省地質(zhì)測繪院, 山東 濟南 250002 2. 山東農(nóng)業(yè)大學(xué) 信息科學(xué)與工程學(xué)院, 山東 泰安 271018

快速監(jiān)測土壤重金屬污染程度，對發(fā)展精細農(nóng)業(yè)、保障食品安全和社會經(jīng)濟可持續(xù)發(fā)展具有重要意義。本文基于山東省煙臺市的70個土壤樣本數(shù)據(jù)，首先分析了土壤重金屬鎳的分組光譜特性；對土壤光譜反射率進行一階微分、倒數(shù)的一階微分、對數(shù)的一階微分等六種變換并計算出光譜反射率變換值與土壤鎳含量的相關(guān)系數(shù)，根據(jù)極大相關(guān)性原則選取光譜特征；然后建立基于BP神經(jīng)網(wǎng)絡(luò)的土壤重金屬鎳含量光譜估側(cè)模型；并利用其它2種建模方法對鎳含量進行建模，驗證BP神經(jīng)網(wǎng)絡(luò)模型的有效性。結(jié)果表明，土壤光譜反射率隨鎳含量的升高而降低，呈現(xiàn)負相關(guān)性；以(1/1015)′、(1/2286)′、(1/ln(925))′和(1/ln(1911))′為估測因子，所建鎳含量估側(cè)模型的決定系數(shù)為R=0.912，平均相對誤差為14.279%。研究表明，利用高光譜技術(shù)定量估測土壤鎳含量是可行的。

土壤鎳含量; 高光譜遙感; 光譜特征; 地積累指數(shù); 修正模型

隨著我國社會經(jīng)濟以及生產(chǎn)力的發(fā)展，對生產(chǎn)資料的需求不斷擴大，因此各行各業(yè)為提高競爭力不斷擴大生產(chǎn)規(guī)模，大量有毒有害的元素被排入土壤中，導(dǎo)致土壤環(huán)境污染越來越嚴(yán)重[1]，嚴(yán)重威脅人們的生活，其中重金屬元素起主要作用。因此，快速、準(zhǔn)確地估測土壤中重金屬含量是十分必要的。傳統(tǒng)的實驗室測定土壤重金屬含量方法雖然精度高，但卻耗時、耗力；而高光譜遙感具有光譜分辨率高、波段多且連續(xù)、信息豐富等優(yōu)點[2]，為土壤中重金屬含量監(jiān)測提供一種新技術(shù)。土壤重金屬污染作為一個熱點問題，已有不少國內(nèi)外學(xué)者對此進行研究并取得了一些研究成果[3-7]。解憲麗[8]通過研究發(fā)現(xiàn)土壤中的Pb、Zn、CO、Ni主要受粘土礦物和鐵錳氧化物的影響，且微分光譜更適于獲取土壤中的重金屬元素信息，利用波段間的差值或比值能夠顯著提高相關(guān)性。徐明星等[9]以蘇北梁王城考古遺址為研究區(qū)，構(gòu)建了多種重金屬元素的估測模型，發(fā)現(xiàn)400~550 nm和1000~2500 nm為重金屬含量和原始反射率的敏感波段。Kemper[7]等利用多元線性回歸與人工神經(jīng)網(wǎng)絡(luò)方法對多種重金屬含量進行建模估測，結(jié)果表明僅有部分重金屬元素估測效果較好，剩余重金屬元素估測精度較低，效果不盡人意。夏芳[10]等通過對省域大尺度大樣本的Cr、Cu、Ni等八種重金屬元素的分析與建模發(fā)現(xiàn)，Cr與Ni元素的建模與檢驗樣本精度較高，而其他元素建模效果并不理想。由于重金屬元素在土壤中屬于微量元素，這些年來針對重金屬含量的研究精度都不甚理想，而提高建模精度對于定量遙感估測又是至關(guān)重要的，且前人的研究表明土壤反射光譜與重金屬元素間確實存在一定的非線性關(guān)系，而如何利用它們的非線性關(guān)系提高建模估測精度還有待深入研究。因此，本文基于山東省煙臺市的70個土壤樣本數(shù)據(jù)，分析土壤重金屬鎳的分組光譜特性；在對土壤光譜反射率進行一階微分等六種變換后，根據(jù)光譜變換值與土壤鎳含量的相關(guān)系數(shù)，提取光譜特征；利用BP神經(jīng)網(wǎng)絡(luò)方法對土壤重金屬鎳含量進行建模估測，取得了較為滿意的結(jié)果。

圖 1 研究區(qū)采樣點分布圖

1 數(shù)據(jù)來源與方法

1.1 研究區(qū)概況

研究區(qū)位于魯東地區(qū)西北部，隸屬煙臺市管轄，跨招遠、棲霞、龍口三個縣市，其地理坐標(biāo)為：東經(jīng)120°16′03″~120°43′47″，北緯37°20′33″~37°32′43″。研究區(qū)的土壤類型有四種，分別為酸性粗骨土、棕壤、潮土和潮棕壤，其中棕壤為主要土壤類型。研究區(qū)采樣點的分布如圖1所示。

1.2 數(shù)據(jù)采集與預(yù)處理

分別在煙臺市招遠、龍口和棲霞地區(qū)共采集70個樣本，采集的土壤樣品覆蓋了研究區(qū)內(nèi)所有大型工廠、垃圾站等污染較嚴(yán)重的設(shè)施。土壤樣品標(biāo)簽一式兩份，一份放入樣品袋內(nèi)，一份扎在袋口，并于采樣結(jié)束時在現(xiàn)場逐項逐個檢查。

利用分光光度法對樣本的鎳含量進行測定。土壤重金屬鎳含量的統(tǒng)計特征如表1所示。

表 1 土壤金屬鎳含量統(tǒng)計特征

在室外采用SR-3500地物波譜儀測定70個土壤樣本的反射光譜。光譜測量的波長范圍是350~2500 nm，光譜帶寬為1.5 nm（350~1000 nm）、3.8 nm（1000~1900 nm）和2.5 nm（1900~2500 nm）。光譜采集過程中，用探頭垂直對目標(biāo)進行觀測，探頭距離土樣約30 cm。由于光譜儀測得的光譜反射率波長間隔不是整1 nm，因此利用Matlab對光譜反射率數(shù)據(jù)進行線性內(nèi)插計算，變?yōu)椴ㄩL間隔為1 nm的數(shù)據(jù)，土壤反射光譜曲線如圖2所示。

圖 2 原始光譜特征曲線

由于野外環(huán)境較復(fù)雜，采集的土壤光譜難免含有噪聲，因此本文采用九點加權(quán)移動平均法對原始反射光譜進行去噪處理。根據(jù)重金屬含量越高，土壤光譜反射率越低的規(guī)律，剔除了11個異常樣本，剩余的59個樣本用于建模分析。

1.3 光譜特性分析

按鎳含量從小到大的順序等間隔將剩余59個樣本分成五組，計算每組中所含樣本光譜反射率的平均值，繪制分組光譜曲線，如圖3所示。

圖 3 重金屬鎳分組光譜特征曲線

由圖3可見，土壤光譜反射率總體上隨鎳含量的升高而降低，呈現(xiàn)出負相關(guān)性。在350 nm~600 nm波長內(nèi)，光譜曲線的分離性較差，而在600 nm以后，光譜曲線間分離性較好。就單條光譜曲線而言，在400 nm~750 nm的可見光波段，光譜反射率迅速增大，在750 nm以后，反射率緩慢升高，2200 nm以后，光譜反射率開始逐漸下降。在1400 nm、1900 nm和2200 nm處存在三個水吸收峰。

1.4 光譜變換與特征提取

對光譜反射率分別進行一階微分、倒數(shù)的一階微分、對數(shù)的一階微分、平方根的一階微分、倒數(shù)對數(shù)的一階微分和對數(shù)倒數(shù)的一階微分六種變換，并計算光譜反射率變換值與鎳含量的相關(guān)系數(shù)，根據(jù)極大相關(guān)性原則，選取特征波段。

1.5 建模估測方法

BP神經(jīng)網(wǎng)絡(luò)（Back propagation neural network，BPNN）于1986年被提出，它是一種多層映射網(wǎng)絡(luò)，是目前應(yīng)用最為廣泛的一種神經(jīng)網(wǎng)絡(luò)，采用最小均方差學(xué)習(xí)方式的多層前饋網(wǎng)絡(luò)，其神經(jīng)元的傳輸函數(shù)為非線性函數(shù)。BP神經(jīng)網(wǎng)絡(luò)主要由輸入層、一個或多個隱含層和輸出層構(gòu)成。其學(xué)習(xí)方式為設(shè)定好輸出值即期望值之后，信號從輸入層經(jīng)隱含層傳播至輸出層，若輸出結(jié)果達不到期望值，則誤差沿原路返回，反向傳播，并不斷修改各層神經(jīng)元的權(quán)值，直到誤差達到最小，輸出結(jié)果達到期望值，從而提高應(yīng)用的精確度[11]。由于土壤光譜受到眾多因素的影響，所提取的光譜特征與重金屬鎳含量間存在著非線性關(guān)系，因此本文采用BP神經(jīng)網(wǎng)絡(luò)建立重金屬鎳含量的光譜估測模型。

圖 4 變換后光譜反射率與鎳含量相關(guān)系數(shù)

2 結(jié)果與分析

2.1 提取的光譜特征

在對原始光譜反射率進行六種變換后，對比光譜反射率變換值與鎳含量的相關(guān)系數(shù)發(fā)現(xiàn)，倒數(shù)的一階微分與對數(shù)倒數(shù)的一階微分的變換效果最好。光譜反射率倒數(shù)的一階微分變換值與鎳含量的相關(guān)系數(shù)，如圖4所示。

由圖4可見，變換后相關(guān)系數(shù)有了一定程度的提高，且相關(guān)系數(shù)最大提高到0.6左右，尤其在1000 nm和1900 nm波長附近，相關(guān)系數(shù)有了較大的提高。

根據(jù)變換后相關(guān)系數(shù)，采用單相關(guān)分析法，選取了土壤鎳的4個光譜估測因子，如表2所示。

表 2 金屬鎳含量特征波段

2.2 土壤重金屬鎳的估測結(jié)果

利用Matlab軟件建立BP神經(jīng)網(wǎng)絡(luò)模型，對剔除異常樣本后的59樣本的鎳含量進行建模估測，經(jīng)過反復(fù)試驗找到最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)，鎳含量估測結(jié)果的最大誤差68.357%，最小誤差為-0.267%，平均相對誤差為14.279%。鎳含量的估測結(jié)果如圖5所示。

圖 5 金屬鎳含量估測結(jié)果圖

由圖5可見，利用BP神經(jīng)網(wǎng)絡(luò)模型對土壤重金屬鎳含量進行定量估測后的決定系數(shù)2=0.912，精度較高，建模效果較理想。

為了驗證BP神經(jīng)網(wǎng)絡(luò)模型的有效性，利用其他2種建模方法對土壤鎳含量進行建模估測。建模結(jié)果對比如表3所示。

表 3 建模結(jié)果精度對比

由表3可以看出，多元線性回歸和支持向量機建模后決定系數(shù)R分別為0.673和0.619，平均相對誤差分別為20.137%和19.539%，建模精度均明顯低于BP神經(jīng)網(wǎng)絡(luò)模型，這說明利用BP神經(jīng)網(wǎng)絡(luò)模型對土壤重金屬鎳含量進行估測是有效的。

3 結(jié)語

本文基于山東省煙臺市的土壤樣本數(shù)據(jù)，在分析土壤重金屬鎳的分組土壤光譜特性基礎(chǔ)上，利用BP神經(jīng)網(wǎng)絡(luò)對重金屬鎳含量進行定量估測，取得了較為滿意的估測精度，并與其他2種建模方法進行精度對比，驗證了BP神經(jīng)網(wǎng)絡(luò)模型的有效性。這為快速監(jiān)測土壤重金屬鎳含量及其污染程度提供了技術(shù)支持。

[1] 吳昀昭.南京城郊農(nóng)業(yè)土壤重金屬污染的遙感地球化學(xué)基礎(chǔ)研究[D].南京:南京大學(xué),2005

[2] Pichtel J, Sawyerr HT, Czarnowska K. Spatial and temporal distribution of metals in soils in Warsaw, Poland[J]. Environmental Pollution, 1997,98(2):169-174

[3] Wong YS, Tam NFY, Liu WK,. Heavy metal pollution in roadside urban parks and gardens in Hong Kong[J]. Sci Total Environ., 1987,59:325-328

[4] 李巨寶,田慶久,吳昀昭.滏陽河兩岸農(nóng)田土壤Fe、Zn、Se元素光譜響應(yīng)研究[J].遙感信息,2005(3):10-13

[5] Wu YZ, Chen JJ, Ji JF,. Feasibility of reflectance spectroscopy for the assesment of soil mercury contamination[J]. Environmental Science & Technology, 2005,39(3):873-878

[6] 柴世偉,溫琰茂,張云霓.廣州郊區(qū)農(nóng)業(yè)土壤重金屬含量與土壤性質(zhì)的關(guān)系[J].農(nóng)村生態(tài)環(huán)境,2004,20(2):55-58

[7] 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):2742-2747

[8] 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,2007,44(6):982-993

[9] 徐明星,吳紹華,周生路,等.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,2011,30(2):109-114

[10] 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估測[J].紅外與毫米波學(xué)報,2015,34(5):593-598,605

[11] 葛哲學(xué),孫志強.神經(jīng)網(wǎng)絡(luò)理論與MATLAB R2007實現(xiàn)[M].北京:電子工業(yè)出版社,2007

Estimation of Soil Heavy Metal Nickel in Yantai District Based on Hyperspectral Data

WANG Feng-hua1, LU Jie-hui2, LIU Zhi-wen1, WANG De-qiang1, LI Xi-can2*

1.250002,2.271018,

Rapid monitoring of heavy metal pollution in soil is of great significance for developing precision agriculture, ensuring food safety and sustainable development of society and economy. Based on the data of 70 soil samples in Yantai city of Shandong Province, this paper first analyzes the spectral characteristics of the heavy metal nickel group spectral characteristics. Then six transformations of soil spectral reflectance such as first order differential, reciprocal first order differential and logarithmic first order differential are adopted, the correlation coefficients between transformed spectral value and soil nickel content were calculated respectively. The spectral characteristics are selected according to the principle of maximum correlation. Finally, BP neural network was used to estimate nickel content of soil heavy metals based on spectral features, and use two other modeling methods to model the nickel content to verify the effectiveness of the BP neural network model. The results showed that the spectral reflectance of soil decreased with the increase of nickel content and showed negative correlation. Take(1/1015)′、(1/2286)′、(1/ln(925))′ and (1/ln(1911))′ as the estimation factors, Using BP neural network model, the determination coefficient of nickel content was 0.912, the average relative error is 14.279%. The research shows that it is feasible to estimate the nickel content directly by hyperspectral technology.

Soil nickel content; hyperspectral remote sensing;spectral characteristics; Geo-accumulation index; modified model

X131.3

A

1000-2324(2019)01-0084-04

10.3969/j.issn.1000-2324.2019.01.018

2018-08-12

2018-11-12

山東省地礦局地質(zhì)科技攻關(guān)項目(KY201517);山東省自然科學(xué)基金項目(ZR2016DM03)

王鳳華(1978-),女,高級工程師,主要從事地質(zhì)遙感方面工作. E-mail:sdyfs@163.com

Author for correspondence. E-mail:lxc@sdau.edu.cn