周忠科 王澤強(qiáng) 王唯 宋曉寧 徐夕博

摘要 為評估土壤重金屬的富集狀態(tài)及空間分異態(tài)勢，選取山東省章丘市為研究區(qū)，系統(tǒng)采集425處土壤樣品，測定土壤中鉻（Cr）元素含量，采用描述性統(tǒng)計特征評估重金屬在土壤中的富集狀態(tài)；獲取與土壤采樣同期的Landsat-8 OLI遙感數(shù)據(jù)，將土壤重金屬的環(huán)境要素作為自變量，測定的土壤Cr元素含量為因變量，構(gòu)建基于隨機(jī)森林算法的土壤重金屬空間模擬模型，完成土壤中的重金屬含量預(yù)測和空間分布模擬。結(jié)果表明，土壤重金屬Cr含量均值高出土壤元素背景值37.22%，但低于農(nóng)用地土壤污染風(fēng)險篩選值，表明土壤中Cr的富集在可管控范圍內(nèi)；隨機(jī)森林算法支持的空間模擬模型具有較好的精度和穩(wěn)定度，精度系數(shù)R2和RMSE值分別為0.87和7.19，優(yōu)于普通克里格法（R2=0.66，RMSE=13.15）對土壤重金屬的空間分布模擬。

關(guān)鍵詞 土壤重金屬；隨機(jī)森林算法；遙感；空間分布模擬；鉻

中圖分類號 X53? 文獻(xiàn)標(biāo)識碼 A? 文章編號 0517-6611（2023）14-0051-04

doi：10.3969/j.issn.0517-6611.2023.14.013

基金項目 環(huán)境演變與自然災(zāi)害教育部重點實驗室開放課題（2022-KF-14）。

作者簡介 周忠科（1997—），男，山東棗莊人，從事生態(tài)遙感研究。*通信作者，副教授，碩士，從事生態(tài)旅游研究。

收稿日期 2022-07-30

土壤是地表生物正常進(jìn)行各類生命活動的基礎(chǔ)和媒介。重金屬是土壤的重要組成部分，因其具備毒性大、富集性強(qiáng)、殘留周期長的特點，極易對人類和動植物造成危害。隨著我國改革開放以來多年的工業(yè)化發(fā)展，土壤重金屬污染愈發(fā)嚴(yán)重［ 1-3］。土壤中的重金屬元素會污染正常耕作的耕地土壤，威脅動植物正常生長，并在食物鏈的累積作用下危及人類的健康［ 4-9］。

實現(xiàn)對土壤重金屬的含量特征和空間分布的監(jiān)測是開展土壤污染治理和修復(fù)的關(guān)鍵。由于土壤中重金屬元素的種類、含量不是一成不變的，是不斷在累積的，因此傳統(tǒng)方法便是在實驗室內(nèi)不斷對土壤重金屬含量、種類進(jìn)行調(diào)查和檢測。例如，賈佳瑜等［ 10］采用室內(nèi)實測和地統(tǒng)計法相結(jié)合的方式對土壤重金屬含量及其空間分布特征進(jìn)行分析；黃志偉等［ 1］對表層土壤重金屬含量開展實地調(diào)查的方法，進(jìn)行土壤重金屬污染特征及潛在風(fēng)險評價；SONG等［ 11］利用地理信息系統(tǒng)的方法，來繪制重金屬空間分布熱點圖，以此來建立空間分布與工業(yè)布局之間的相互關(guān)系，以判別土壤重金屬的空間分布受到人類活動干擾的情況。上述研究，較好地完成了對研究地區(qū)土壤重金屬含量特征和空間分布評估，但是此種方式費時費力，測試過程中也產(chǎn)生污染廢物，會對測試人員和周邊環(huán)境造成二次污染。所以尋找一種高效、準(zhǔn)確的調(diào)查與監(jiān)測方法是非常有必要的。近些年，隨著遙感技術(shù)的快速發(fā)展，衛(wèi)星影像的空間分辨率和對地物的光譜敏感性有了顯著的提升，為各種環(huán)境相關(guān)信息進(jìn)行光譜定量分析提供了數(shù)據(jù)支撐和技術(shù)支持［ 12］。盡管重金屬元素在土壤中含量較低，直接建立重金屬與衛(wèi)星光譜數(shù)據(jù)之間的聯(lián)系較為困難；但是可以利用基于衛(wèi)星數(shù)據(jù)獲得的多種環(huán)境要素信息（例如高程、坡度和植被指數(shù)等），間接地表征土壤重金屬的含量和富集狀態(tài)，并以此為輸入變量，進(jìn)行區(qū)域建模，完成土壤重金屬空間分布模擬。相對比傳統(tǒng)方式，土壤重金屬污染的監(jiān)測調(diào)查更為方便快捷，同時節(jié)省大量的費用和成本。

筆者選取山東省章丘市為研究區(qū)，對 425 處土壤樣品進(jìn)行系統(tǒng)采集，并對土壤中Cr元素含量進(jìn)行化學(xué)分析，通過分析重金屬含量的描述性特征，評估重金屬的富集狀態(tài)，進(jìn)一步建立基于隨機(jī)森林算法的空間模擬模型，實現(xiàn)對土壤重金屬的含量預(yù)測和空間分布模擬，為保護(hù)周邊居民身體健康、動植物健康生長和土壤修復(fù)提供技術(shù)和理論支持。

1 材料與方法

1.1 研究區(qū)概況

章丘區(qū)位于山東省中部，地理坐標(biāo)在 36°25′～37°09′N 、 117°10′～117°35′E，是省會濟(jì)南市的一個轄區(qū)，總面積約為1 719 km2（圖1），人口約107.6萬。章丘地形南高北低，地形分別為山區(qū)、丘陵、平原、洼地，其中山區(qū)和丘陵占比達(dá)到 56.7%左右，黃河流經(jīng)北境。章丘區(qū)屬于溫帶半濕潤大陸性季風(fēng)氣候，四季分明，雨熱同季，春旱多風(fēng)，夏季多雨，秋季溫爽，冬季干冷。年平均氣溫12.8 ℃，年降水量600.8 mm。章丘區(qū)內(nèi)鐵路和公路橫縱貫通，交通便捷［ 13］。區(qū)域內(nèi)涵蓋多種產(chǎn)業(yè)的發(fā)展，尤其是第二產(chǎn)業(yè)交通裝備、機(jī)械制造、生物食品和化工材料等，為區(qū)域經(jīng)濟(jì)發(fā)展奠定了堅實的基礎(chǔ)［ 14］。

1.2 樣品采集與實驗室分析

表層（0～20 cm）土壤樣本在章丘區(qū)實地采集，在選取和設(shè)計時，綜合考慮研究區(qū)的土地利用和水文地質(zhì)條件，基于多點取樣、等量混合、與抽樣統(tǒng)計原理相結(jié)合的原則，并結(jié)合已知的道路信息，確保順利完成采樣。在每個采樣點，按照100 m范圍為半徑，將表層土壤混合至1 kg左右的綜合土壤樣本，密封到聚乙烯塑料袋中，送往實驗室待測［ 15-16］。同時利用手持GPS，記錄采樣點的真實坐標(biāo)，將完成的425處采樣點做好記錄。送回實驗室的土壤樣本，簡單去除雜草、根、枯枝殘留物和小石子等明顯雜質(zhì)，將樣品放置在25 ℃的條件下自然風(fēng)干，其后采用研缽進(jìn)行研磨，過0.2 mm篩；最后在實驗室內(nèi)采用石墨爐原子吸收光譜法分析檢測425份樣品的Cr含量，技術(shù)規(guī)范和回收率符合預(yù)期監(jiān)控要求。

1.3 多源環(huán)境遙感數(shù)據(jù)及預(yù)處理

該研究采用的環(huán)境遙感數(shù)據(jù)主要包括高程、坡度、坡向、黏土礦物比值（CMR）、改進(jìn)的歸一化差異水體指數(shù)（MNDWI）、 歸一化差異植被指數(shù)（NDVI）、改進(jìn)的土壤調(diào)節(jié)植被指數(shù)（MSAVI）、增強(qiáng)植被指數(shù)（EVI）和紅綠比率指數(shù)（RGRI）。高程、坡度和坡向的原始數(shù)據(jù)獲取自ASTER GDEM數(shù)字高程的數(shù)據(jù)產(chǎn)品（下載自地理空間數(shù)據(jù)云https：//www.gscloud.cn/），其后采用ArcGIS 10.2的分析工具，完成區(qū)域的高程數(shù)據(jù)圖、坡度數(shù)據(jù)圖和高差斜坡數(shù)據(jù)圖［ 17］。其余環(huán)境指數(shù)的計算是基于Landsat-8多光譜遙感數(shù)據(jù)，原始數(shù)據(jù)免費從美國地質(zhì)勘探局網(wǎng)站（https：//glovis.usgs.gov）獲取得到，其后經(jīng)過圖像裁剪、輻射校正、輻射亮度值的提取以及光譜信息加強(qiáng)等操作后，運用數(shù)學(xué)公式（1）～（6）計算得到相應(yīng)的環(huán)境指數(shù)［ 18-19］；最后取樣點的425個經(jīng)緯度坐標(biāo)分別導(dǎo)入相應(yīng)的高程數(shù)據(jù)圖、坡度數(shù)據(jù)圖、高差數(shù)據(jù)圖和各類環(huán)境指數(shù)圖，在上述數(shù)據(jù)圖中分別完成提取，得到各個采樣點對應(yīng)的值。上述數(shù)據(jù)的預(yù)處理和求算均在ENVI 5.3.1軟件中完成。

CMR=SWIR1SWIR2（1）

MNDWI=Green-SWIR1Green-SWIR2（2）

NDVI=NIR-RedNIR+Red（3）

MSAVI=2×NIR+1-（2×NIR+1）2-8×（NIR-Red）2（4）

EVI=2.5×（NIR-Red）NIR+6×Red-7.5×Blue+1（5）

RGRI=RedGreen（6）

式中，Blue波段、Green波段、Red波段、NIR波段、SWIR1波段、SWIR2波段分別指Landsat多光譜影像中的第2、3、4、5、6和7波段；CMR是指通過2個短波紅外波段的比值，環(huán)境意義表示的是巖石或土壤中黏土礦物含量情況；

MNDWI是可以很容易地區(qū)分建筑用地背景下的陰影和水體，更好地提取水體特征。利用MNDWI解決了在建筑背景下提取水體信息效果不佳的問題，從而使建筑背景下的水體信息提取更精確。NDVI作為一種常見的植被指數(shù)，其取值區(qū)間為［-1，1］，-1、0、1分別表示地面覆蓋為水、雪或有云的天空，地表有巖石或裸土等情況，對可見光的反射率較高；當(dāng)?shù)乇碛兄脖桓采w時，且覆蓋密度越大，NDVI越大；但NDVI也具有缺點，就是對高植被覆蓋地區(qū)的靈敏度不高。MSAVI克服了傳統(tǒng)的土壤調(diào)節(jié)植被指數(shù)難以適應(yīng)不斷變化的土壤條件，該指數(shù)能夠很好地解釋背景的光學(xué)特征變化，并且土壤背景的靈敏度也在一定程度上得到提高。EVI可以降低大氣和土壤噪聲以及水汽的影響，對于檢測區(qū)的植被情況具有一個穩(wěn)定的反映；用于植被茂密區(qū)，但對植被稀疏區(qū)也具備一定的探測能力，工作原理是通過將紅光和近紅外波段的范圍設(shè)定變得更窄來實現(xiàn)，與此同時引入藍(lán)光波段來糾正氣溶膠的散射與土壤背景。紅綠比率指數(shù)（RGRI）是指將紅波段與綠波段相比較，得到一個比值，可以顯著區(qū)別茂密與稀疏林地。為便于接下來土壤重金屬空間模擬模型的建立，所有環(huán)境指數(shù)圖在建立之后，均進(jìn)行30 m分辨率的空間重采樣。

1.4 空間模擬模型的建立與精度評估

土壤重金屬與遙感數(shù)據(jù)之間有著極其復(fù)雜的關(guān)系，選擇與土壤重金屬最為密切的遙感數(shù)據(jù)作為模型輸入自變量，有助提高模型的效率和計算精度。皮爾遜相關(guān)系數(shù)（Pearson correlation coefficient）是2個變量的協(xié)方差與標(biāo)準(zhǔn)差之間的一個比值，可以表示2個變量之間存在的相關(guān)關(guān)系，應(yīng)用廣泛［ 20］，其公式如下：

r（x，y）在［-1，1］之間取值，當(dāng)其值為正時，表示正相關(guān)；當(dāng)其值為負(fù)時，表示負(fù)相關(guān)；當(dāng)其值為0時表示不相關(guān)。因此，r的絕對值越大，說明變量之間存在的相關(guān)性越強(qiáng)，否則相關(guān)性就越弱。該研究采用皮爾遜相關(guān)系數(shù)分析遙感數(shù)據(jù)與土壤重金屬之間的相關(guān)性。

隨機(jī)森林模型（random forest，RF）是由一定數(shù)量決策樹整合而成的集成模型的一種，通過對策樹投票或平均數(shù)據(jù)集的劃分，得到了分類或回歸的隨機(jī)森林輸出結(jié)果［ 21］。隨機(jī)森林算法具有訓(xùn)練速度快、預(yù)測精度佳和適合不平衡數(shù)據(jù)集的特點［ 22-24］。決策樹數(shù)量和分裂節(jié)點數(shù)目是構(gòu)建基于隨機(jī)森林算法的土壤重金屬空間模型的重要參數(shù)，經(jīng)過多次測試，分別設(shè)置為1 000和3。

采集的425個土壤樣品采用隨機(jī)抽樣法選取383份數(shù)據(jù)用作訓(xùn)練集來構(gòu)建隨機(jī)森林模型，剩下42個數(shù)據(jù)作為獨立數(shù)據(jù)集用來評估模型的精度。決定系數(shù)（R2）和均方根誤差（RMSE）是評價空間模擬模型的常用指標(biāo)，R2表示因變量被自變量完全解釋信息的程度，RMSE表示模型估算值與實測值差值的大小，較大的R2和較小的RMSE表示模型具有更好的預(yù)測精度和穩(wěn)定性［ 25］。計算公式如下：

2 結(jié)果與分析

2.1 土壤重金屬的描述性統(tǒng)計特征

從表1可以看出，土壤中Cr含量超出元素背景值［ 26］37.22%，但是沒有超出《土壤環(huán)境質(zhì)量農(nóng)用地土壤污染風(fēng)險管控標(biāo)準(zhǔn)》（GB 15618—2018）的篩選值，檢測結(jié)果均在風(fēng)險管控值范圍之內(nèi)。值得注意的是，Cr元素的中位數(shù)值超過背景值，Cr元素可能為該區(qū)域內(nèi)具有較高等級的潛在風(fēng)險元素。變異系數(shù)主要用來評價數(shù)據(jù)離散程度的相對大小［ 15］，該研究測得Cr變異系數(shù)為0.03～0.06，離散程度較小，屬于低度變異。峰度和偏度主要用來衡量數(shù)據(jù)的分布狀態(tài)，該研究的總樣本集、建模集和驗證集的偏度值均大于1，處在正偏狀態(tài)，表明土壤中Cr元素含量的分布受到不同程度的外部因素干擾。

2.2 土壤重金屬與多源環(huán)境遙感變量相關(guān)分析

研究區(qū)域的地質(zhì)地貌、植被覆蓋、氣候條件和人類活動對土壤中重金屬元素含量的影響很大，選取建模因子對反演模型質(zhì)量的好壞影響很大。在Cr元素建模時需要綜合考慮光譜波段、衍生光譜指數(shù)和地形等因素，這樣建立的反演模型得出的反演結(jié)果最優(yōu)。綜合考慮光譜波段、光譜衍生指數(shù)和地形因素，在數(shù)據(jù)齊全的情況下，篩選出相關(guān)系數(shù)最高的因子，結(jié)果表明，Cr和高程、坡度、坡向、近紅外、短波紅外2、增強(qiáng)植被指數(shù)和短波紅外1的相關(guān)系數(shù)分別為0.231、-0.194、-0.153、-0.112、0.090、0.077和0.060，均具有明顯相關(guān)性，因而選為土壤重金屬的敏感環(huán)境變量，用于模型的輸入自變量。

2.3 空間分布模擬模型建立與對比

以選擇得到的重金屬敏感的環(huán)境要素作為輸入變量，測得的Cr元素含量為因變量，分別訓(xùn)練得到隨機(jī)森林和普通克里格估算模型，用于土壤重金屬的含量預(yù)測和空間分布模擬。模型在驗證集中預(yù)測的效果如圖2所示。從圖2可以看出，普通克里格模型（R2=0.66 和RMSE=13.15）的估算值和實測值基本保持在1∶1 線附近，具備一定的估算能力，但普通克里格在估算過程中出現(xiàn)高估和低估誤差偏離點較多。隨機(jī)森林模型的重金屬預(yù)測精度指標(biāo)R2和RMSE分別為0.87和7.19，相對普通克里格模型R2上升了31.82%，RMSE 下降了45.32%；隨機(jī)森林模型的估算值與實測值在標(biāo)準(zhǔn)1∶1 線的兩側(cè)，預(yù)測值與實測值偏差較小，估算效果最佳。

2.4 土壤重金屬空間分布

為進(jìn)一步檢驗隨機(jī)森林算法支持下的土壤重金屬空間模擬模型的穩(wěn)定性與可靠性，將得到的模型推廣應(yīng)用至整個研究區(qū)進(jìn)行Cr元素的含量預(yù)測及空間模擬。模擬得到的Cr元素含量的空間分布如圖3所示，整體來看，模擬模型對重金屬Cr元素含量的估算值在52.06～139.16 mg/kg，實測采樣點Cr元素含量在39.10～257.30 mg/kg，能夠基本保持一致；重金屬Cr元素含量的高值區(qū)主要分布在研究區(qū)的西南部和東南部地區(qū)。此外，研究區(qū)內(nèi)也存在大量散點狀分布的中度Cr元素污染區(qū)域，主要分布于山區(qū)與居民區(qū)交接的工廠附近，應(yīng)引起重視。

Cr元素的分布受到人類活動的影響較大。章丘西南和東南工業(yè)園區(qū)內(nèi)的石化配件、機(jī)械制造、塔機(jī)和新型建材等產(chǎn)業(yè)排放的廢氣，汽車尾氣中排放的Cr和來自城市污水處理廠及被工業(yè)廢水污染過泥土利用是土壤重金屬含量升高的一個重要原因。此外，章丘也是我國著名的農(nóng)產(chǎn)品生產(chǎn)基地，農(nóng)產(chǎn)品生產(chǎn)過程中大量使用農(nóng)藥化肥特別是有機(jī)肥的使用也會使土壤中Cr元素產(chǎn)生富集。

3 結(jié)論

（1）土壤Cr元素含量高出背景值37.22%，但低于農(nóng)用地土壤污染風(fēng)險篩選值，說明Cr在土壤中的富集處在可管控范圍內(nèi)。

（2）隨機(jī)森林算法支持的空間模擬模型具有較好的精度和穩(wěn)定度，R2為0.87，RMSE是7.19，預(yù)測精度指標(biāo)優(yōu)于普通克里格法（R2=0.66，RMSE=13.15）。

（3）研究區(qū)土壤重金屬Cr的高值區(qū)主要分布在章丘區(qū)的西南部和東南部地區(qū)，并且Cr總體上呈散點狀分布，這與當(dāng)?shù)毓I(yè)園、農(nóng)業(yè)生產(chǎn)和煤礦公司礦井的分布具有對應(yīng)關(guān)系。

參考文獻(xiàn)

［1］ 黃志偉，李文靜，李偉杰，等.東江流域土壤重金屬污染特征及潛在風(fēng)險評價［J］.農(nóng)業(yè)環(huán)境科學(xué)學(xué)報，2022，41（3）：504-515.

［2］ 吳春生，黃翀，劉高煥，等.黃河三角洲土壤含鹽量空間預(yù)測方法研究［J］.資源科學(xué)，2016，38（4）：704-713.

［3］ ROZEMA J，F(xiàn)LOWERS T.Crops for a salinized world［J］.Science，2008，322（5907）：1478-1480.

［4］ CAO J，XIE C Y，HOU Z R.Transport patterns and numerical simulation of heavy metal pollutants in soils of leadzinc ore mines［J］.Journal of mountain science，2021，18（9）：2345-2356.

［5］ AB RHAMAN S M S，NAHER L，SIDDIQUEE S.Mushroom quality related with various substrates bioaccumulation and translocation of heavy metals［J］.Journal of fungi，2021，8（1）：1-17.

［6］ 賈中民.渝西北土壤重金屬污染特征、源解析與生態(tài)健康風(fēng)險評價［D］.重慶：西南大學(xué)，2020.

［7］ 張瑞鋼，錢家忠，陳鈺輝，等.玉米和小麥秸稈生物炭對土壤重金屬污染修復(fù)實驗研究［J］.合肥工業(yè)大學(xué)學(xué)報（自然科學(xué)版），2022，45（3）：347-355.

［8］ 閆曉強(qiáng)，李漢杰，周輝，等.農(nóng)田土壤重金屬污染的危害及修復(fù)技術(shù)［J］.南方農(nóng)業(yè)，2022，16（2）：24-26.

［9］ 胡小蘭，雷沖，王顯卿，等.重慶市墊江南部土壤重金屬污染及潛在生態(tài)風(fēng)險評價［J］.安徽農(nóng)業(yè)科學(xué)，2023，51（7）：64-67，76.

［10］ 賈佳瑜，劉小芳，趙勇鋼，等.汾河流域下游農(nóng)田土壤重金屬空間分布特征與污染評價［J］.干旱區(qū)資源與環(huán)境，2021，35（8）：132-137.

［11］ SONG Y X，LI H M，LI J Z，et al.Multivariate linear regression model for source apportionment and health risk assessment of heavy metals from different environmental media［J］.Ecotoxicology and environmental safety，2018，165：555-563.

［12］ 宋清泉，徐夕博，吳泉源，等.基于PMF模型的土壤重金屬定量源解析及環(huán)境風(fēng)險評價［Ｊ］.湖南師范大學(xué)自然科學(xué)學(xué)報，2022，45（1）：76-83.

［13］ 濟(jì)南市統(tǒng)計局，濟(jì)南市第七次全國人口普查領(lǐng)導(dǎo)小組辦公室.濟(jì)南市第七次全國人口普查公報［N］.濟(jì)南日報，2021-06-16（A04）.

［14］ 中共章丘市委黨校課題組.轉(zhuǎn)變經(jīng)濟(jì)發(fā)展方式背景下的縣域工業(yè)經(jīng)濟(jì)發(fā)展研究：以山東省章丘市為例［J］.中共濟(jì)南市委黨校學(xué)報，2013（3）：122-126.

［15］ 徐夕博，呂建樹，徐汝汝.山東省沂源縣土壤重金屬來源分布及風(fēng)險評價［J］.農(nóng)業(yè)工程學(xué)報，2018，34（9）：216-223.

［16］ 趙明海.礦區(qū)土壤重金屬遙感估算以及空間分布成圖：以陜西大西溝礦為例［D］.西安：長安大學(xué)，2018.

［17］ 魯如坤.土壤農(nóng)業(yè)化學(xué)分析方法［M］.北京：中國農(nóng)業(yè)科技出版社，2002.

［18］ 田穎，陳卓奇，惠鳳鳴，等.歐空局哨兵衛(wèi)星Sentinel-2A/B數(shù)據(jù)特征及應(yīng)用前景分析［J］.北京師范大學(xué)學(xué)報（自然科學(xué)版），2019，55（1）：57-65.

［19］ WANG J Z，DING J L，YU D L，et al.Capability of Sentinel2 MSI data for monitoring and mapping of soil salinity in dry and wet seasons in the Ebinur Lake region，Xinjiang，China［J］.Geoderma，2019，353：172-187.

［20］ 代杰瑞，龐緒貴，喻超，等.山東省東部地區(qū)土壤地球化學(xué)基準(zhǔn)值與背景值及元素富集特征研究［J］.地球化學(xué)，2011，40（6）：577-587.

［21］ BREIMAN L.Random forests［J］.Machine learning，2001，45（1）：5-32.

［22］ 方珂.基于多光譜遙感的隨機(jī)森林回歸模型反演土壤重金屬含量［D］.西安：長安大學(xué)，2020.

［23］ TAN K，WANG H M，CHEN L H，et al.Estimation of the spatial distribution of heavy metal in agricultural soils using airborne hyperspectral imaging and random forest［J/OL］.Journal of hazardous materials，2020，382［2022-04-15］.https：//doi.org/10.1016/j.jhazmat.2019.120987.

［24］ 張松林.CART-分類與回歸樹方法介紹［J］.火山地質(zhì)與礦產(chǎn)，1997，18（1）：67-75.

［25］ LIU K，ZHAO D，F(xiàn)ANG J Y，et al.Estimation of heavymetal contamination in soil using remote sensing spectroscopy and a statistical approach［J］.Journal of the Indian society of remote sensing，2017，45（5）：805-813.

［26］ 賴書雅，董秋瑤，宋超，等.南陽盆地東部山區(qū)土壤重金屬分布特征及生態(tài)風(fēng)險評價［J］.環(huán)境科學(xué)，2021，42（11）：5500-5509.