烟台地区土壤重金属镍高光谱估测模型

王凤华,路杰晖,刘志文,王德强,李西灿*

烟台地区土壤重金属镍高光谱估测模型

王凤华1,路杰晖2,刘志文1,王德强1,李西灿2*

1. 山东省地质测绘院, 山东 济南 250002 2. 山东农业大学 信息科学与工程学院, 山东 泰安 271018

快速监测土壤重金属污染程度，对发展精细农业、保障食品安全和社会经济可持续发展具有重要意义。本文基于山东省烟台市的70个土壤样本数据，首先分析了土壤重金属镍的分组光谱特性；对土壤光谱反射率进行一阶微分、倒数的一阶微分、对数的一阶微分等六种变换并计算出光谱反射率变换值与土壤镍含量的相关系数，根据极大相关性原则选取光谱特征；然后建立基于BP神经网络的土壤重金属镍含量光谱估侧模型；并利用其它2种建模方法对镍含量进行建模，验证BP神经网络模型的有效性。结果表明，土壤光谱反射率随镍含量的升高而降低，呈现负相关性；以(1/1015)′、(1/2286)′、(1/ln(925))′和(1/ln(1911))′为估测因子，所建镍含量估侧模型的决定系数为R=0.912，平均相对误差为14.279%。研究表明，利用高光谱技术定量估测土壤镍含量是可行的。

土壤镍含量; 高光谱遥感; 光谱特征; 地积累指数; 修正模型

随着我国社会经济以及生产力的发展，对生产资料的需求不断扩大，因此各行各业为提高竞争力不断扩大生产规模，大量有毒有害的元素被排入土壤中，导致土壤环境污染越来越严重[1]，严重威胁人们的生活，其中重金属元素起主要作用。因此，快速、准确地估测土壤中重金属含量是十分必要的。传统的实验室测定土壤重金属含量方法虽然精度高，但却耗时、耗力；而高光谱遥感具有光谱分辨率高、波段多且连续、信息丰富等优点[2]，为土壤中重金属含量监测提供一种新技术。土壤重金属污染作为一个热点问题，已有不少国内外学者对此进行研究并取得了一些研究成果[3-7]。解宪丽[8]通过研究发现土壤中的Pb、Zn、CO、Ni主要受粘土矿物和铁锰氧化物的影响，且微分光谱更适于获取土壤中的重金属元素信息，利用波段间的差值或比值能够显著提高相关性。徐明星等[9]以苏北梁王城考古遗址为研究区，构建了多种重金属元素的估测模型，发现400~550 nm和1000~2500 nm为重金属含量和原始反射率的敏感波段。Kemper[7]等利用多元线性回归与人工神经网络方法对多种重金属含量进行建模估测，结果表明仅有部分重金属元素估测效果较好，剩余重金属元素估测精度较低，效果不尽人意。夏芳[10]等通过对省域大尺度大样本的Cr、Cu、Ni等八种重金属元素的分析与建模发现，Cr与Ni元素的建模与检验样本精度较高，而其他元素建模效果并不理想。由于重金属元素在土壤中属于微量元素，这些年来针对重金属含量的研究精度都不甚理想，而提高建模精度对于定量遥感估测又是至关重要的，且前人的研究表明土壤反射光谱与重金属元素间确实存在一定的非线性关系，而如何利用它们的非线性关系提高建模估测精度还有待深入研究。因此，本文基于山东省烟台市的70个土壤样本数据，分析土壤重金属镍的分组光谱特性；在对土壤光谱反射率进行一阶微分等六种变换后，根据光谱变换值与土壤镍含量的相关系数，提取光谱特征；利用BP神经网络方法对土壤重金属镍含量进行建模估测，取得了较为满意的结果。

图 1 研究区采样点分布图

1 数据来源与方法

1.1 研究区概况

研究区位于鲁东地区西北部，隶属烟台市管辖，跨招远、栖霞、龙口三个县市，其地理坐标为：东经120°16′03″~120°43′47″，北纬37°20′33″~37°32′43″。研究区的土壤类型有四种，分别为酸性粗骨土、棕壤、潮土和潮棕壤，其中棕壤为主要土壤类型。研究区采样点的分布如图1所示。

1.2 数据采集与预处理

分别在烟台市招远、龙口和栖霞地区共采集70个样本，采集的土壤样品覆盖了研究区内所有大型工厂、垃圾站等污染较严重的设施。土壤样品标签一式两份，一份放入样品袋内，一份扎在袋口，并于采样结束时在现场逐项逐个检查。

利用分光光度法对样本的镍含量进行测定。土壤重金属镍含量的统计特征如表1所示。

表 1 土壤金属镍含量统计特征

在室外采用SR-3500地物波谱仪测定70个土壤样本的反射光谱。光谱测量的波长范围是350~2500 nm，光谱带宽为1.5 nm（350~1000 nm）、3.8 nm（1000~1900 nm）和2.5 nm（1900~2500 nm）。光谱采集过程中，用探头垂直对目标进行观测，探头距离土样约30 cm。由于光谱仪测得的光谱反射率波长间隔不是整1 nm，因此利用Matlab对光谱反射率数据进行线性内插计算，变为波长间隔为1 nm的数据，土壤反射光谱曲线如图2所示。

图 2 原始光谱特征曲线

由于野外环境较复杂，采集的土壤光谱难免含有噪声，因此本文采用九点加权移动平均法对原始反射光谱进行去噪处理。根据重金属含量越高，土壤光谱反射率越低的规律，剔除了11个异常样本，剩余的59个样本用于建模分析。

1.3 光谱特性分析

按镍含量从小到大的顺序等间隔将剩余59个样本分成五组，计算每组中所含样本光谱反射率的平均值，绘制分组光谱曲线，如图3所示。

图 3 重金属镍分组光谱特征曲线

由图3可见，土壤光谱反射率总体上随镍含量的升高而降低，呈现出负相关性。在350 nm~600 nm波长内，光谱曲线的分离性较差，而在600 nm以后，光谱曲线间分离性较好。就单条光谱曲线而言，在400 nm~750 nm的可见光波段，光谱反射率迅速增大，在750 nm以后，反射率缓慢升高，2200 nm以后，光谱反射率开始逐渐下降。在1400 nm、1900 nm和2200 nm处存在三个水吸收峰。

1.4 光谱变换与特征提取

对光谱反射率分别进行一阶微分、倒数的一阶微分、对数的一阶微分、平方根的一阶微分、倒数对数的一阶微分和对数倒数的一阶微分六种变换，并计算光谱反射率变换值与镍含量的相关系数，根据极大相关性原则，选取特征波段。

1.5 建模估测方法

BP神经网络（Back propagation neural network，BPNN）于1986年被提出，它是一种多层映射网络，是目前应用最为广泛的一种神经网络，采用最小均方差学习方式的多层前馈网络，其神经元的传输函数为非线性函数。BP神经网络主要由输入层、一个或多个隐含层和输出层构成。其学习方式为设定好输出值即期望值之后，信号从输入层经隐含层传播至输出层，若输出结果达不到期望值，则误差沿原路返回，反向传播，并不断修改各层神经元的权值，直到误差达到最小，输出结果达到期望值，从而提高应用的精确度[11]。由于土壤光谱受到众多因素的影响，所提取的光谱特征与重金属镍含量间存在着非线性关系，因此本文采用BP神经网络建立重金属镍含量的光谱估测模型。

图 4 变换后光谱反射率与镍含量相关系数

2 结果与分析

2.1 提取的光谱特征

在对原始光谱反射率进行六种变换后，对比光谱反射率变换值与镍含量的相关系数发现，倒数的一阶微分与对数倒数的一阶微分的变换效果最好。光谱反射率倒数的一阶微分变换值与镍含量的相关系数，如图4所示。

由图4可见，变换后相关系数有了一定程度的提高，且相关系数最大提高到0.6左右，尤其在1000 nm和1900 nm波长附近，相关系数有了较大的提高。

根据变换后相关系数，采用单相关分析法，选取了土壤镍的4个光谱估测因子，如表2所示。

表 2 金属镍含量特征波段

2.2 土壤重金属镍的估测结果

利用Matlab软件建立BP神经网络模型，对剔除异常样本后的59样本的镍含量进行建模估测，经过反复试验找到最优网络结构，镍含量估测结果的最大误差68.357%，最小误差为-0.267%，平均相对误差为14.279%。镍含量的估测结果如图5所示。

图 5 金属镍含量估测结果图

由图5可见，利用BP神经网络模型对土壤重金属镍含量进行定量估测后的决定系数2=0.912，精度较高，建模效果较理想。

为了验证BP神经网络模型的有效性，利用其他2种建模方法对土壤镍含量进行建模估测。建模结果对比如表3所示。

表 3 建模结果精度对比

由表3可以看出，多元线性回归和支持向量机建模后决定系数R分别为0.673和0.619，平均相对误差分别为20.137%和19.539%，建模精度均明显低于BP神经网络模型，这说明利用BP神经网络模型对土壤重金属镍含量进行估测是有效的。

3 结语

本文基于山东省烟台市的土壤样本数据，在分析土壤重金属镍的分组土壤光谱特性基础上，利用BP神经网络对重金属镍含量进行定量估测，取得了较为满意的估测精度，并与其他2种建模方法进行精度对比，验证了BP神经网络模型的有效性。这为快速监测土壤重金属镍含量及其污染程度提供了技术支持。

[1] 吴昀昭.南京城郊农业土壤重金属污染的遥感地球化学基础研究[D].南京:南京大学,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] 李巨宝,田庆久,吴昀昭.滏阳河两岸农田土壤Fe、Zn、Se元素光谱响应研究[J].遥感信息,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] 柴世伟,温琰茂,张云霓.广州郊区农业土壤重金属含量与土壤性质的关系[J].农村生态环境,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] 解宪丽,孙波,郝红涛.土壤可见光-近红外反射光谱与重金属含量之间的相关性[J].土壤学报,2007,44(6):982-993

[9] 徐明星,吴绍华,周生路,等.重金属含量的高光谱建模反演:考古土壤中的应用[J].红外与毫米波学报,2011,30(2):109-114

[10] 夏芳,彭杰,王乾龙,等.基于省域尺度的农田土壤重金属高光谱估测[J].红外与毫米波学报,2015,34(5):593-598,605

[11] 葛哲学,孙志强.神经网络理论与MATLAB R2007实现[M].北京:电子工业出版社,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

山东省地矿局地质科技攻关项目(KY201517);山东省自然科学基金项目(ZR2016DM03)

王凤华(1978-),女,高级工程师,主要从事地质遥感方面工作. E-mail:sdyfs@163.com

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