王雪梅 ，玉米提·買明 ，毛東雷 ，梁婷

1. 新疆師范大學地理科學與旅游學院，新疆 烏魯木齊 830054；2. 新疆維吾爾自治區(qū)重點實驗室（新疆干旱區(qū)湖泊環(huán)境與資源實驗室），新疆 烏魯木齊 830054；3. 新疆師范大學科研處，新疆 烏魯木齊 830054

隨著現(xiàn)代化工農(nóng)業(yè)的迅猛發(fā)展，土壤重金屬污染問題越來越突出，已嚴重威脅到生態(tài)環(huán)境的健康發(fā)展和糧食安全。作為國際社會公認的三大致癌金屬元素之一，土壤鉻Cr污染以其毒性大、隱蔽性強和難降解等特點對農(nóng)牧業(yè)以及人體健康造成了極大的危害（Li et al.，2014；Rinklebe et al.，2019）。因此，快速、準確監(jiān)測和掌握土壤重金屬鉻含量對預防和治理鉻污染具有十分重要的現(xiàn)實意義（Khosravi et al.，2021）。傳統(tǒng)調(diào)查方法在獲取土壤鉻含量信息時，需要進行大量的野外取樣和實驗室觀測，具有時間周期長、費用成本高的特點，且無法準確掌握土壤鉻含量的空間分布信息。而高光譜遙感技術則可實現(xiàn)大范圍快速、準確監(jiān)測土壤鉻含量及其空間分布特征（陳元鵬等，2019）。目前，眾多學者采用多種光譜變換方法開展了土壤重金屬鉻含量的反演研究，有效提高了光譜數(shù)據(jù)與土壤重金屬含量的相關性（Tan et al.，2020；賀軍亮等，2019；陳宇波等，2020）。路杰暉等（2018）利用灰色關聯(lián)度模式識別方法對山東省煙臺市土壤重金屬鉻含量進行了定量估測，結果表明光譜變換結合灰色關聯(lián)度修正模型具有較好的估測效果。張明月等（2019）通過11種光譜變化方法采用偏最小二乘回歸模型對土壤鉻元素進行反演，認為平方根一階微分模型能夠較好地定量預測鉻含量，且反向光譜吸收積分處理可顯著改善鉻含量反演模型的精度和穩(wěn)定性。章瓊等（2020）采用像元二分模型提取了的Landsat 8遙感影像的土壤光譜反射率，并運用倒數(shù)對數(shù)變換處理構建土壤重金屬 Cr含量的三次多項式估算模型，從而對湖南岳陽耕地土壤 Cr含量進行準確反演。Tan et al.（2020）、Wang et al.（2020）和趙玉玲等（2020）研究表明，偏最小二乘回歸、BP神經(jīng)網(wǎng)絡和隨機森林回歸模型對土壤重金屬含量具有較高的估測精度和穩(wěn)定性。對原始光譜反射率進行多種變換處理可更為準確反映土壤信息的微小差異，同時選擇合適的反演模型將有效提高土壤重金屬的估測精度。

新疆南疆綠洲區(qū)作為新疆重要的糧食主產(chǎn)區(qū)和經(jīng)濟林果產(chǎn)品生產(chǎn)基地，其耕地質(zhì)量的優(yōu)劣直接影響了我國的糧食安全。近年來，隨著南疆石油化工產(chǎn)業(yè)的迅猛發(fā)展以及農(nóng)藥化肥的不合理使用，鉻、銅、鉛、銅、鎘和砷等重金屬元素廣泛存在于耕層土壤中。由于土壤鉻常以三價態(tài)和六價態(tài)存在于自然界中，且毒性大、難降解，具有強致癌性。故在南疆綠洲區(qū)開展重金屬總鉻含量的高光譜遙感監(jiān)測研究具有重要的現(xiàn)實意義和應用價值。以新疆南疆渭干河-庫車河三角洲綠洲耕層土壤為研究對象，通過野外樣品采集和室內(nèi)測定對原始土壤光譜反射率經(jīng)多種數(shù)學變換處理與土壤重金屬鉻含量進行相關分析，提取與鉻含量密切相關的特征光譜波段，并采用多元線性逐步回歸（Multiple Linear Stepwise Regression，MLSR）、偏最小二乘回歸（Partial Least Squares Regression，PLSR）、BP神經(jīng)網(wǎng)絡（Back Propagation Neural Network，BPNN）以及隨機森林回歸（Random Forest Regression，RFR）方法構建渭干河-庫車河三角洲綠洲耕層土壤鉻含量的估測模型，從而選擇最優(yōu)反演模型對土壤重金屬鉻含量的空間分布格局進行預測，其研究結果為快速、準確監(jiān)測土壤鉻含量提供科學依據(jù)。

1 材料與方法

1.1 樣品采集與制備

渭干河-庫車河三角洲綠洲位于新疆南疆塔里木盆地北緣，中天山南麓，是典型而完整的扇形平原綠洲。轄區(qū)包括庫車市、新和縣和沙雅縣，是阿克蘇地區(qū)最大的灌溉區(qū)，也是新疆主要的產(chǎn)棉區(qū)之一。土壤類型主要有潮土、棕漠土、灌淤土，草甸土，沼澤土和鹽土等。糧食作物以小麥（Triticum aestivum）和玉米（Zea mays L.）為主，經(jīng)濟作物主要有棉花（Gossypium spp）、紅棗（Ziziphus jujuba Mill.）、核桃（Juglans regia L.）和杏（Armeniaca Mill.）等，荒漠植物主要有胡楊（Populus euphratica）、檉柳（Tamarix ramosissima）、鹽節(jié)木（Herculaneum strobilaceum）、鹽穗木（Halostachys caspica）、蘆葦（Phragmites australis）和駱駝刺（Alhagi sparsifdia）等（黃曄等，2018）。2019年7月中下旬以遙感影像及地形圖為參考底圖，根據(jù)研究區(qū)不同土地利用類型手持GPS進行隨機布點。采集土層深度為0—20 cm，共采集98個土壤樣品（圖1）。每個樣點分別進行GPS精準定位和景觀拍照。土壤樣品經(jīng)實驗室自然風干，挑出雜物，研磨過篩處理后按照四分法分為兩份，其中一份送至新疆分析測試研究院，由工作人員通過火焰原子吸收分光光度法對土壤重金屬總鉻含量進行測定，另一份則用于高光譜數(shù)據(jù)的采集。

圖1 采樣點分布圖Fig. 1 Distribution of sampling points

1.2 高光譜數(shù)據(jù)的采集與處理

采用ASDFieldSpec3光譜儀在室外空曠場地，選擇晴朗天氣中午12:00—14:00光照條件良好狀態(tài)下測定光譜。采集光譜范圍為350—2500 nm，光譜采樣間隔為1 nm。在采集光譜數(shù)據(jù)之前，要先進行光譜儀白板校正，且測量時要遠離干擾土壤光譜的物體。首先按照樣品順序?qū)⑼翗泳鶆蚋采w在牛皮紙上，保持3°視場角的探頭且探頭與樣品的垂直距離為15 cm。對每個樣品重復測量10次，并取其平均水平作為樣品的光譜反射率值。通過剔除水分吸收波段 1341—1400 nm 和 1811—1950 nm，采用MATLAB軟件進行Savitzky-Golay噪聲平滑處理以及原始光譜反射率（R）的倒數(shù)（1/R）、對數(shù)（lg(R)）以及倒數(shù)對數(shù)（lg(1/R)）變換，并分別對原始光譜與3種變換結果進行一階微分和二階微分處理，為快速篩選特征波段提供依據(jù)。

1.3 構建反演模型與精度檢驗

通過MATLAB R2018b軟件使用多元線性逐步回歸、偏最小二乘回歸、BP神經(jīng)網(wǎng)絡和隨機森林回歸方法構建反演模型，其中多元線性逐步回歸和偏最小二乘回歸模型的最佳潛在變量按照入選波段的數(shù)量而定；BP神經(jīng)網(wǎng)絡和隨機森林回歸函數(shù)可通過多次的模型調(diào)試后最終確定。檢驗模型的預測精度主要通過決定系數(shù)Rd2、均方根誤差RMSE和相對分析誤差RPD最終確定。其中Rd2越大，RMSE越小，則模型估測值和實測值的擬合效果越好，RPD越大則說明模型的預測能力越好，精度越高（王濤等，2018）。

1.4 空間分布圖的制作

通過分析比較篩選出土壤重金屬鉻含量的最佳反演模型，并根據(jù)估測結果采用ARCGIS 10.5軟件的地統(tǒng)計學分析模塊對土壤重金屬鉻含量的空間分布格局進行預測，繪制鉻含量的空間分布圖。

2 結果與分析

2.1 土壤重金屬鉻含量與光譜特征分析

通過對研究區(qū) 98個樣品土壤重金屬鉻含量的基本特征進行統(tǒng)計（表 1），總樣品土壤鉻含量在15—86 mg·kg?1之間變動，中位值和平均值分別為51 mg·kg?1和 52.2 mg·kg?1，標準差為 13.31 mg·kg?1，偏度和峰度分別為 0.34和 0.33，變異系數(shù)為25.48%，屬于中等程度的空間變異。根據(jù)國家《土壤環(huán)境質(zhì)量農(nóng)用地土壤污染風險管控標準 (試行)》（GB 15618—2018）規(guī)定，當土壤pH值>7.5時，土壤重金屬鉻含量污染的風險管控值為 250 mg·kg?1（中華人民共和國生態(tài)環(huán)境部，2018）。據(jù)調(diào)查結果顯示研究區(qū)土壤pH值平均水平為8.7，土壤鉻含量平均值為52.2 mg·kg?1，遠未超過該標準，故認為研究區(qū)耕層土壤目前不存在重金屬鉻污染風險。為了確保估測模型的準確性，根據(jù)所調(diào)查樣品重金屬鉻含量的取值范圍在不同含量等級分別等間隔抽取樣品構成訓練集和驗證集。兩組數(shù)據(jù)的變異系數(shù)分別為24.37%和28.38%，空間變異均屬于中等水平，變異程度較高，構建的模型具有代表性。

表1 土壤重金屬鉻的基本統(tǒng)計特征Table 1 Basic statistical characteristics of soil samples

根據(jù)采集的所有樣品光譜反射率繪制總樣品光譜曲線，同時按土壤樣品重金屬鉻的最高含量、最低含量和中等含量對應的光譜反射率分別繪制光譜曲線（圖2）。通過分析光譜曲線的變化特征后發(fā)現(xiàn)，不同鉻含量的光譜反射率曲線大致有相同走向，在350—600 nm范圍內(nèi)，隨著波長的增加，反射率呈現(xiàn)快速上升趨勢；在 600 nm以后，除在1400、1900、2200 nm附近存在水分吸收谷外，曲線整體上較為平緩，且表現(xiàn)為可見光波段的反射率小于近紅外波段。隨著土壤鉻含量的不同，其反射光譜曲線有明顯差異，說明光譜反射率與土壤鉻含量具有一定的相關性，通過高光譜數(shù)據(jù)反演土壤重金屬鉻含量具有一定的科學依據(jù)。

圖2 不同含量土壤重金屬鉻的光譜曲線Fig. 2 Spectral curves of organic matter content in different grades

2.2 光譜反射率與土壤鉻含量的相關分析和特征波段提取

分別對原始光譜反射率R以及經(jīng)倒數(shù)1/R、對數(shù) lg(R)以及倒數(shù)對數(shù) lg(1/R)轉(zhuǎn)換的光譜反射率與土壤鉻含量進行相關分析。由圖表可知（圖 3、表2），原始光譜反射率R與對數(shù)處理后的光譜反射率lg(R)與土壤重金屬鉻含量呈負相關關系，倒數(shù) 1/R和倒數(shù)對數(shù) lg(1/R)則與重金屬鉻含量存在正相關關系。4種光譜反射率與土壤鉻在可見光波段具有極其顯著的正負相關性（P<0.001），且特征波段主要分布在可見光的350—600 nm范圍內(nèi)，最大相關系數(shù)為0.487。在近紅外波段，土壤鉻含量與光譜反射率則無明顯的相關性。總體而言，原始光譜反射率R及3種數(shù)學變換后的光譜反射率與土壤鉻含量之間的相關性較低，且僅在可見光的部分波段具有相關性。

表2 不同變換下的特征波段及對應相關系數(shù)Table 2 The characteristic bands under different transformations

圖3 土壤鉻含量與不同數(shù)學變換后的光譜反射率的相關分析Fig. 3 Correlation analysis of soil organic matter content with spectral reflectance and its mathematical transformation

進一步對原始光譜及3種數(shù)學變換后的光譜反射率做一階微分和二階微分處理（見圖4和表2），發(fā)現(xiàn)微分變換后的光譜反射率與土壤鉻含量之間的相關性得到很大程度的提高，且經(jīng)二階微分處理后光譜反射率與土壤鉻含量的相關關系表現(xiàn)得更為密切，最大相關系數(shù)可達0.669（P<0.001）。通過顯著性檢驗的特征波段由可見光范圍擴展至近紅外的800—1000 nm以及1200—2400 nm附近，特別是經(jīng) (1/R)′、[lg(R)]′和[lg(1/R)]′3 種變換處理后相關顯著的特征波段數(shù)目有明顯增加。研究結果說明通過一階和二階微分變換可以有效降低光譜數(shù)據(jù)收集過程中環(huán)境因素的干擾或消除基線漂移，有助于吸收光譜特征的增大和有效波段的獲取。本研究最終選取特征波段的原始及3種數(shù)學變換后的一階微分和二階微分光譜反射率作為自變量，土壤重金屬鉻含量作為因變量，采用多元線性逐步回歸（MLSR）、偏最小二乘回歸（PLSR）、BP神經(jīng)網(wǎng)絡（BPNN）和隨機森林回歸（RFR）分析方法建立土壤鉻含量的高光譜估測模型。

圖4 土壤鉻含量與微分處理后光譜反射率的相關分析Fig. 4 Correlation analysis of soil organic matter content with spectral reflectance and its transformation

2.3 土壤鉻含量的高光譜反演模型的構建

通過對微分處理后的8種光譜變換結果分別采用4種建模方法，構建32個土壤重金屬鉻含量估測模型。通過對比各建模方法的訓練集和驗證集的估測結果（表3），由原始光譜反射率的倒數(shù)二階微分(1/R)′′、對數(shù)二階微分[lg(R)]′′和倒數(shù)對數(shù)二階微分變換構成的估測模型精度較低，而其它光譜變換的估測模型均具有較高的預測能力，且由一階微分變換處理構建的估測模型精度明顯高于二階微分處理。進一步對8個MLSR模型的估測結果分析認為，采用多元逐步回歸分析方法篩選的 15個特征波段（作為建模自變量）構建的(1/R)′-MLSR模型估測精度最高，訓練集和驗證集決定系數(shù)Rd2均達到0.80以上，均方根誤差RMSE在8.5 mg·kg?1以下，相對分析誤差RPD在1.8以上，說明該模型具有較好的預測能力，可較為準確估測土壤中重金屬鉻的含量。采用主成分回歸分析方法提取6個主成分因子作為最優(yōu)PLSR模型的自變量；最優(yōu)BPNN模型的實驗參數(shù)最終設置為：輸入層數(shù)為 224，輸出層數(shù)為1；隱層數(shù)為15，學習率為0.01，學習誤差為0.001，分級迭代級數(shù)為25。PLSR和BPNN模型以倒數(shù)對數(shù)一階微分[lg(1/R)]′模型估測效果最佳，訓練集和驗證集 Rd2均大于 0.76，RMSE小于 7.6 mg·kg?1，RPD大于2，模型預測能力較好，穩(wěn)定性高。最優(yōu)RFR模型則選擇默認分類器個數(shù)為10，以倒數(shù)一階微分(1/R)′變換構建的模型較其它模型估測效果好，訓練集和驗證集RMSE最大僅為8.846 mg·kg?1，Rd2和RPD值均較大，具有較高的估測精度和穩(wěn)定性。

表3 土壤鉻含量反演模型的訓練集與驗證集結果Table 3 Modeling set and validation set results of soil organic matter content inversion models

為了進一步對比各模型的預測效果，選擇4種建模方法下預測效果最好的模型，分別以土壤重金屬鉻含量的實測值與預測值作為橫縱坐標繪制散點圖（見圖5）。從圖中可清晰看出4種模型的預測值和實測值基本分布在1?1線附近，其中，[lg(1/R)]′-BPNN模型構成的散點與1?1線更為貼近，模型的估測精度最高。通過綜合比較訓練集和驗證集估測結果認為，經(jīng)倒數(shù)對數(shù)一階微分[lg(1/R)]′處理后的BP神經(jīng)網(wǎng)絡模型具有較高的估測精度和較強的穩(wěn)定性，可作為研究區(qū)土壤重金屬鉻含量的最優(yōu)估測模型。

圖5 不同反演模型土壤鉻含量預測值與實測值的比較Fig. 5 Comparison of measured and predicted values of soil organic matter content under CWT

2.4 土壤鉻含量的空間分布

利用ARCGIS 10.2軟件的地統(tǒng)計分析模塊簡單克里格插值方法分別對渭干河-庫車河三角洲綠洲土壤重金屬鉻含量的實測值和最優(yōu)模型估測值進行普通克里格空間插值（見圖6），兩種插值結果所得重金屬鉻的分布規(guī)律大致相同，均呈現(xiàn)出土壤鉻含量由西南向東北逐漸遞增的總體變化趨勢。在最高含量（70—86 mg·kg?1）和最低含量（15—45 mg·kg?1）等級上，兩種插值結果有所不同。通過對采集的樣本進行分析，認為極高含量和極低含量的樣本數(shù)量較少是形成二者差異的主要原因，說明樣本數(shù)量過少會直接影響克里格插值結果的準確性。縱觀中間各等級（45—70 mg·kg?1）在兩種插值結果上基本保持一致，說明在保證足夠的樣本數(shù)量前提下，采用高光譜技術在反演土壤重金屬鉻含量方面具有較高的估測精度和準確性。

圖6 土壤重金屬鉻含量的空間插值圖Fig. 6 Spatial interpolation map of soil heavy metal chromium content

通過對土壤重金屬鉻含量的空間分布格局進行分析，發(fā)現(xiàn)三角洲綠洲的耕層土壤鉻含量平均水平為52.2 mg·kg?1，具有中等空間變異性，低含量區(qū)域主要分布在新和縣和沙雅縣的外緣地帶，而庫車市的土壤鉻含量整體水平較高，特別是位于庫車市東北部區(qū)域的耕層土壤鉻含量達到最高值 86 mg·kg?1。結合實地考察以及文獻分析認為，受人類活動的影響渭干河-庫車河三角洲綠洲的土壤污染問題日趨嚴重，尤其是隨著庫車市石油化工產(chǎn)業(yè)的快速發(fā)展，該區(qū)域耕層土壤重金屬鉻含量較其它區(qū)域呈現(xiàn)出較高含量的空間分布（侯一峰等，2020）。研究區(qū)土壤鉻含量雖未達到我國農(nóng)用地土壤污染風險管控標準，但其污染風險依然存在，目前，對土壤鉻含量進行遙感動態(tài)監(jiān)測十分必要。

3 討論與結論

3.1 討論

采用高光譜遙感技術結合統(tǒng)計模型快速、有效估測土壤重金屬元素含量是目前眾多學者研究的主要方向。但從研究結果來看，高光譜遙感估測需要依靠大量實驗數(shù)據(jù)的支持，而所得的統(tǒng)計模型在不同實驗條件下無法被廣泛適用（Liu et al.，2017）。因此，深入探討土壤重金屬元素與高光譜遙感數(shù)據(jù)間的相關性將有助于提高反演模型的通用性。相關研究表明不同的光譜變換處理能消除不確定性因素對地物光譜信息的干擾，對原始光譜反射率采用多種變換處理在一定程度上提高了光譜與土壤鉻含量的相關性，從而快速提升反演模型的預測能力（張賢龍等，2018）。目前，采用多種數(shù)學變換處理方法探索光譜數(shù)據(jù)與土壤重金屬元素之間的聯(lián)系，通過篩選有效波段，結合不同建模方法對土壤重金屬元素含量進行精準估測是遙感反演研究的熱點（Khosravi et al.，2021）。本研究表明，微分變換處理可顯著提高光譜反射率與土壤重金屬鉻含量間的相關性，且在篩選有效波段數(shù)量上，一階微分變換要明顯優(yōu)于二階微分。同時，采用深度學習算法模型較多元線性統(tǒng)計模型對土壤重金屬鉻含量的估測更為準確。為了進一步提高高光譜技術的實用性和反演結果的準確性，使用多光譜協(xié)同技術將高光譜遙感反演從實驗室研究拓展至大空間范圍的復雜實地監(jiān)測已成為目前高光譜遙感發(fā)展的趨勢（劉彥平等，2020）。

3.2 結論

采用不同光譜變換處理結合4種建模方法對渭干河-庫車河三角洲綠洲耕層土壤重金屬鉻含量進行高光譜反演，通過篩選特征波段光譜值與 98個樣品的土壤重金屬鉻含量進行高光譜反演模型的構建，并分析對比不同模型的精度和預測能力，可得出以下結論：

（1）對原始光譜反射率R進行多種光譜變換處理，可顯著提高光譜與土壤重金屬鉻含量的相關性，原光譜數(shù)據(jù)的最高相關系數(shù)由 0.464提高到0.669，說明光譜變換處理可將部分細小的光譜吸收特征進行局部放大，有助于通過光譜曲線變化進行土壤屬性的識別。

（2）以R、1/R、lg(R)和lg(1/R)經(jīng)微分處理的特征波段光譜反射率為自變量進行土壤鉻含量估測模型的構建，通過綜合分析訓練集和驗證集預測精度，認為以(1/R)′和[lg(1/R)]′為自變量構建的反演模型估測精度較高，其中[lg(1/R)]′-BPNN模型精度最高，訓練集和驗證集的決定系數(shù)均達到0.8以上，均方根誤差小于6.5 mg·kg?1，相對分析誤差大于2，說明BP神經(jīng)網(wǎng)絡回歸模型可更為準確進行本研究區(qū)土壤重金屬鉻含量的估測，一階微分變換可有效提高模型的預測能力和穩(wěn)定性。

（3）由研究區(qū)土壤重金屬鉻含量的空間分布圖可知，土壤鉻含量自西南向東北呈逐漸遞增的態(tài)勢。最低含量位于新和縣和沙雅縣外緣地帶，最高含量出現(xiàn)在庫車市東北部區(qū)域。采用高光譜遙感數(shù)據(jù)結合GIS技術可對土壤重金屬鉻含量進行快速估測和空間分布反演。