應(yīng)用方向：在該文獻(xiàn)中，高光譜成像技術(shù)被用在農(nóng)業(yè)土壤重金屬污染監(jiān)測(cè)與生態(tài)環(huán)境遙感評(píng)價(jià)領(lǐng)域。通過(guò)獲取作物冠層連續(xù)光譜信息，提取光譜反射率及植被指數(shù)，高光譜成像能夠間接表征土壤砷污染引起的植被生理變化，實(shí)現(xiàn)植被覆蓋區(qū)土壤砷含量的無(wú)損監(jiān)測(cè)與空間分布反演。此外，高光譜成像還可與衛(wèi)星多光譜、SAR遙感及機(jī)器學(xué)習(xí)技術(shù)相結(jié)合，構(gòu)建多源遙感融合模型，應(yīng)用于土壤重金屬污染監(jiān)測(cè)、農(nóng)田環(huán)境質(zhì)量評(píng)價(jià)、污染風(fēng)險(xiǎn)預(yù)警、精準(zhǔn)農(nóng)業(yè)管理及生態(tài)環(huán)境監(jiān)測(cè)等領(lǐng)域，為農(nóng)業(yè)生態(tài)環(huán)境保護(hù)和土壤污染治理提供高效、智能的技術(shù)支撐。

關(guān)鍵詞：遙感；無(wú)人機(jī)高光譜；多光譜；合成孔徑雷達(dá)；土壤砷污染

背景：

隨著工業(yè)化、城市化和農(nóng)業(yè)集約化進(jìn)程不斷加快，土壤中潛在有毒元素（PTEs）污染問(wèn)題日益突出，其中砷（As）因具有較強(qiáng)的毒性、持久性、不可逆性及生物富集特性，已成為威脅生態(tài)環(huán)境安全和人體健康的重要污染物。因此，建立高效、準(zhǔn)確的大范圍土壤砷污染監(jiān)測(cè)方法，對(duì)于農(nóng)業(yè)環(huán)境保護(hù)、污染治理及風(fēng)險(xiǎn)預(yù)警具有重要意義。

近年來(lái)，遙感技術(shù)憑借快速、無(wú)損、大范圍監(jiān)測(cè)等優(yōu)勢(shì)，已成為土壤重金屬污染監(jiān)測(cè)的重要手段。然而，該方法依賴(lài)于裸露土壤像元，因此主要適用于礦區(qū)、半干旱地區(qū)或季節(jié)性裸地農(nóng)田。對(duì)于熱帶、亞熱帶等植被長(zhǎng)期覆蓋的農(nóng)業(yè)區(qū)域，由于難以獲取裸土光譜信息，傳統(tǒng)遙感監(jiān)測(cè)方法的應(yīng)用受到明顯限制。

與此同時(shí)，無(wú)人機(jī)高光譜、衛(wèi)星多光譜以及合成孔徑雷達(dá)（SAR）遙感各具優(yōu)勢(shì)。高光譜遙感能夠精細(xì)表征植被生理變化，多光譜遙感具有覆蓋范圍廣、時(shí)間分辨率高等特點(diǎn)，可捕獲植被生長(zhǎng)全過(guò)程信息，而SAR遙感不受云雨天氣影響，能夠有效反映植被冠層結(jié)構(gòu)特征。如何融合多源遙感數(shù)據(jù)，并結(jié)合機(jī)器學(xué)習(xí)模型挖掘植被特征與土壤砷含量之間復(fù)雜的非線(xiàn)性關(guān)系，進(jìn)一步提高植被覆蓋區(qū)土壤砷污染監(jiān)測(cè)精度，已成為當(dāng)前遙感環(huán)境監(jiān)測(cè)領(lǐng)域的重要研究方向?；诖耍撗芯坷脽o(wú)人機(jī)高光譜、Sentinel-2時(shí)序多光譜及Sentinel-1時(shí)序SAR數(shù)據(jù)，結(jié)合機(jī)器學(xué)習(xí)和SHAP解釋模型，建立植被覆蓋區(qū)土壤砷含量遙感監(jiān)測(cè)方法，并識(shí)別影響土壤砷富集的關(guān)鍵遙感變量及其預(yù)警閾值，為大范圍土壤污染監(jiān)測(cè)與風(fēng)險(xiǎn)預(yù)警提供技術(shù)支撐。

作者信息：孫孝林，中山大學(xué)地理與規(guī)劃學(xué)院，博導(dǎo)

期刊來(lái)源：Journal of Hazardous Materials

研究?jī)?nèi)容

為解決植被覆蓋區(qū)傳統(tǒng)遙感難以直接監(jiān)測(cè)土壤砷污染的問(wèn)題，本文提出了一種融合無(wú)人機(jī)高光譜、Sentinel-2時(shí)序多光譜和Sentinel-1時(shí)序SAR的土壤砷含量遙感反演方法。研究首先構(gòu)建高光譜、多光譜、SAR及其融合數(shù)據(jù)集，并采用Boruta算法和方差膨脹因子（VIF）進(jìn)行變量篩選，降低冗余信息和多重共線(xiàn)性；隨后利用隨機(jī)森林（RF）、支持向量回歸（SVR）、CatBoost及Stacking集成學(xué)習(xí)模型建立土壤砷含量預(yù)測(cè)模型，對(duì)不同遙感數(shù)據(jù)及多源數(shù)據(jù)融合的預(yù)測(cè)能力進(jìn)行比較。最后，基于*優(yōu)模型繪制土壤砷含量空間分布圖，并結(jié)合SHAP方法分析關(guān)鍵遙感變量的重要性及其預(yù)警閾值。

實(shí)驗(yàn)設(shè)計(jì)

研究區(qū)位于中國(guó)廣東省新江鎮(zhèn)，面積約75 hm2，以旱地為主，主要種植甘蔗（圖1）。研究區(qū)土壤為發(fā)育于第四紀(jì)沖積物上的老成土，呈酸性，pH為4.12～6.63，有機(jī)質(zhì)含量為15.81～45.63 g/kg。采用網(wǎng)格與隨機(jī)相結(jié)合的采樣方式，在農(nóng)田采集104個(gè)0～15 cm表層土壤樣品，采樣間距約20～30 m。每個(gè)采樣點(diǎn)在1 m×1 m范圍內(nèi)采集5個(gè)子樣并混合，形成一個(gè)代表性土壤樣品。

圖1. 研究區(qū)地理位置及采樣點(diǎn)分布

遙感數(shù)據(jù)包括Sentinel-2多光譜影像、Sentinel-1 SAR影像及無(wú)人機(jī)高光譜影像。其中，選取8景云量較低的Sentinel-2影像，經(jīng)Sen2Cor進(jìn)行大氣校正后，提取可見(jiàn)光至近紅外7個(gè)波段，并統(tǒng)一重采樣至10m分辨率，計(jì)算相應(yīng)植被指數(shù)。同期獲取32景Sentinel-1雙極化（VV、VH）SAR影像，依次完成軌道校正、熱噪聲去除、輻射定標(biāo)、相干斑濾波、地形校正及后向散射系數(shù)轉(zhuǎn)換等預(yù)處理，提取VV、VH后向散射系數(shù)并計(jì)算5種SAR植被指數(shù)。

由于研究區(qū)長(zhǎng)期受云層覆蓋影響，難以獲取高質(zhì)量衛(wèi)星高光譜影像，因此利用搭載GaiaSky-mini3-VN高光譜相機(jī)（江蘇雙利光譜成像有限公司）的DJI M300 RTK無(wú)人機(jī)采集高光譜數(shù)據(jù)。影像覆蓋400～1000 nm波段，共224個(gè)波段，空間分辨率為0.15 m，共獲取312幅影像。隨后依次完成反射率校正、大氣校正、幾何校正、波段配準(zhǔn)及影像鑲嵌等預(yù)處理，生成研究區(qū)高光譜正射影像。為降低噪聲影響，剔除400～450 nm波段數(shù)據(jù)，并采用Savitzky–Golay（SG）濾波對(duì)剩余204個(gè)波段進(jìn)行平滑處理。在此基礎(chǔ)上，計(jì)算SAVI、NDVI、DVI、GNDVI、RVI及RENDVI等植被指數(shù)。由于高光譜具有連續(xù)波段特性，每個(gè)植被指數(shù)均形成多層特征數(shù)據(jù)，最終將204個(gè)光譜波段及各類(lèi)植被指數(shù)共同用于后續(xù)建模分析。

研究方法

土壤與遙感數(shù)據(jù)按照?qǐng)D2所示流程進(jìn)行分析，主要包括變量構(gòu)建、模型建立和結(jié)果解釋三個(gè)步驟。首先，利用ArcGIS中的“多值提取至點(diǎn)"工具，將不同空間分辨率的遙感變量提取至相同采樣點(diǎn)，構(gòu)建5個(gè)數(shù)據(jù)集。其中，數(shù)據(jù)集A、B、C分別對(duì)應(yīng)無(wú)人機(jī)高光譜、時(shí)序Sentinel-2多光譜和時(shí)序Sentinel-1 SAR數(shù)據(jù)，數(shù)據(jù)集D和E則分別融合SAR與高光譜、SAR與多光譜變量。隨后，采用Boruta算法進(jìn)行變量篩選，并結(jié)合方差膨脹因子（VIF）分析剔除冗余變量，以降低模型復(fù)雜度并減少多重共線(xiàn)性。

圖2. 本研究技術(shù)流程圖

基于優(yōu)化后的變量，分別采用隨機(jī)森林（RF）、支持向量回歸（SVR）、CatBoost及Stacking模型構(gòu)建土壤砷含量預(yù)測(cè)模型，其中Stacking以RF、SVR和CatBoost為基學(xué)習(xí)器，以偏最小二乘回歸（PLSR）為元學(xué)習(xí)器。采用Kennard–Stone算法按照75%和25%的比例劃分訓(xùn)練集和驗(yàn)證集，并結(jié)合五折交叉驗(yàn)證完成模型訓(xùn)練。模型性能采用決定系數(shù)（R2）、均方根誤差（RMSE）、林氏一致性相關(guān)系數(shù)（LCCC）和性能偏差比（RPD）進(jìn)行評(píng)價(jià)。

最后，根據(jù)*優(yōu)模型生成土壤砷含量空間分布圖及其不確定性評(píng)價(jià)，并利用SHAP方法分析各遙感變量的重要性，識(shí)別影響土壤砷含量預(yù)測(cè)的關(guān)鍵變量及其預(yù)警閾值。

結(jié)果

圖3為研究區(qū)土壤砷含量基本統(tǒng)計(jì)特征研究區(qū)土壤砷含量為54.39～284.59 mg/kg，平均值為109.26 mg/kg，所有樣品均超過(guò)《土壤環(huán)境質(zhì)量 農(nóng)用地土壤污染風(fēng)險(xiǎn)管控標(biāo)準(zhǔn)（試行）》（GB 15618–2018）規(guī)定的風(fēng)險(xiǎn)篩選值（40 mg/kg，pH＜5.5），且約為韶關(guān)市土壤砷背景值的10倍，表明研究區(qū)存在顯著的土壤砷累積現(xiàn)象。土壤砷含量的標(biāo)準(zhǔn)差和變異系數(shù)分別為41.94 mg/kg和38.41%，說(shuō)明其具有中等程度的空間變異性。偏度和峰度分析表明數(shù)據(jù)不服從正態(tài)分布，因此后續(xù)采用Spearman相關(guān)分析。

圖3. 研究區(qū)土壤砷含量描述性統(tǒng)計(jì)。注：黑點(diǎn)與白點(diǎn)分別表示均值與中位數(shù)。

圖4（a）和（b）分別為作物葉片原始及預(yù)處理后的高光譜反射率。高光譜預(yù)處理有效降低了噪聲和不確定性，使光譜曲線(xiàn)更加平滑。作物葉片在450～680 nm波段反射率較低，在550 nm附近出現(xiàn)反射峰、680 nm附近出現(xiàn)吸收谷，680～730 nm為典型紅邊區(qū)域，730～1000 nm近紅外波段反射率較高，符合植被光譜特征。圖4（c）和（d）所示斯皮爾曼相關(guān)系數(shù)表明，在700～1000 nm紅邊及近紅外波段，土壤砷含量與作物高光譜反射率呈顯著負(fù)相關(guān)（P＜0.05或P＜0.01）。進(jìn)一步分析發(fā)現(xiàn)，隨著土壤砷含量增加，730～1000 nm范圍內(nèi)葉片及冠層反射率逐漸降低，說(shuō)明無(wú)人機(jī)高光譜影像能夠有效表征土壤砷含量的空間變化。圖4（e）展示了土壤砷含量與無(wú)人機(jī)高光譜影像植被指數(shù)的關(guān)系。由于高光譜波段具有連續(xù)性，同一植被指數(shù)在不同波段計(jì)算得到的相關(guān)性較為一致，而不同植被指數(shù)的相關(guān)性存在差異。其中，DVI、SAVI、NDVI和RVI等傳統(tǒng)植被指數(shù)多與土壤砷含量呈顯著負(fù)相關(guān)，RENDVI1和RENDVI2等紅邊植被指數(shù)則多呈顯著正相關(guān)，表明不同類(lèi)型植被指數(shù)均可作為土壤砷含量的有效指示因子，但其指示能力存在差異。

圖4. 植被冠層原始（a）與預(yù)處理（b）高光譜反射率及其與土壤砷含量的關(guān)系（c、d），以及植被指數(shù)與土壤砷含量的關(guān)系（e）。注：圖4（c）和（d）中，橙色和青色水平虛線(xiàn)分別表示當(dāng)斯皮爾曼秩相關(guān)系數(shù)絕對(duì)值達(dá)到或超過(guò)虛線(xiàn)所示數(shù)值時(shí)，相關(guān)性在P < 0.05和P < 0.01水平顯著；圖4（e）中，*和**分別表示該指標(biāo)與土壤砷含量的相關(guān)性顯著，p值分別小于0.05和0.01。

如圖5所示，Sentinel-2多光譜波段、Sentinel-1 SAR后向散射系數(shù)及其植被指數(shù)均表現(xiàn)出明顯的時(shí)序變化，反映了作物周年生長(zhǎng)過(guò)程。Spearman相關(guān)分析表明，部分時(shí)相的多光譜和SAR變量與土壤砷含量呈顯著相關(guān)，說(shuō)明利用時(shí)序遙感數(shù)據(jù)預(yù)測(cè)土壤砷含量具有可行性。然而，由于植被生長(zhǎng)存在季節(jié)性變化，沒(méi)有任何單一指標(biāo)能夠在全年保持穩(wěn)定相關(guān)。相比之下，Sentinel-1 SAR影像具有更高的時(shí)間分辨率，能夠捕獲更加豐富的植被動(dòng)態(tài)變化信息，為土壤砷含量預(yù)測(cè)提供更多有效特征。

圖5. 多光譜反射率（a）、SAR后向散射系數(shù)（b）、多光譜與SAR遙感影像衍生植被指數(shù)（c、d）及其與土壤砷含量的相關(guān)性。注：X軸數(shù)字表示時(shí)相。圖（a）和（b）中，數(shù)字1~8對(duì)應(yīng)2022年6月至2023年6月采集的8景Sentinel-2影像時(shí)相；圖（c）和（d）中，數(shù)字1~32代表同期采集的32景Sentinel-1影像時(shí)相。黑點(diǎn)與紅點(diǎn)分別表示該指標(biāo)與土壤砷含量的相關(guān)性顯著，P值分別小于0.05和0.01。

采用Boruta算法和VIF分析去除冗余變量及多重共線(xiàn)性后，數(shù)據(jù)集A、B、C、D和E分別保留3、11、14、12和18個(gè)變量，其中植被指數(shù)數(shù)量均高于單一波段變量，表明植被指數(shù)能夠更全面地表征植被生長(zhǎng)狀態(tài)。圖6展示了不同機(jī)器學(xué)習(xí)算法在5個(gè)數(shù)據(jù)集上的預(yù)測(cè)結(jié)果。訓(xùn)練集與測(cè)試集表現(xiàn)接近，說(shuō)明模型具有良好的穩(wěn)定性?？傮w來(lái)看，Stacking集成模型在大多數(shù)數(shù)據(jù)集上的預(yù)測(cè)精度優(yōu)于RF、SVR和CatBoost等單一模型，僅在數(shù)據(jù)集C中CatBoost表現(xiàn)最佳，說(shuō)明集成學(xué)習(xí)能夠有效提升土壤砷含量預(yù)測(cè)精度，但不同機(jī)器學(xué)習(xí)算法的性能受數(shù)據(jù)集影響較大。

在相同建模方法下，5個(gè)數(shù)據(jù)集的預(yù)測(cè)精度總體表現(xiàn)為：數(shù)據(jù)集E > 數(shù)據(jù)集D > 數(shù)據(jù)集B > 數(shù)據(jù)集A > 數(shù)據(jù)集C。結(jié)果表明，光學(xué)遙感數(shù)據(jù)整體優(yōu)于SAR數(shù)據(jù)，時(shí)序Sentinel-2多光譜數(shù)據(jù)較無(wú)人機(jī)高光譜數(shù)據(jù)具有更好的預(yù)測(cè)能力；進(jìn)一步融合時(shí)序SAR與光學(xué)遙感數(shù)據(jù)后，模型預(yù)測(cè)精度得到顯著提升，驗(yàn)證了多源遙感數(shù)據(jù)融合在土壤砷含量估算中的有效性。

圖6. 模型精度評(píng)價(jià)結(jié)果。注：數(shù)據(jù)集A：純高光譜遙感變量；數(shù)據(jù)集B：純時(shí)序Sentinel-2變量；數(shù)據(jù)集C：純時(shí)序Sentinel-1變量；數(shù)據(jù)集D：高光譜聯(lián)合時(shí)序Sentinel-1變量；數(shù)據(jù)集E：時(shí)序Sentinel-2聯(lián)合Sentinel-1變量。

圖7為5個(gè)數(shù)據(jù)集的*優(yōu)預(yù)測(cè)結(jié)果。實(shí)測(cè)值與預(yù)測(cè)值的回歸方程顯示，各預(yù)測(cè)模型總體上對(duì)實(shí)測(cè)值存在低估。從RPD來(lái)看，單獨(dú)SAR數(shù)據(jù)對(duì)土壤砷含量的預(yù)測(cè)能力相對(duì)有限（RPD = 1.28，< 1.4）；高光譜數(shù)據(jù)、時(shí)序衛(wèi)星多光譜數(shù)據(jù)以及高光譜聯(lián)合時(shí)序SAR數(shù)據(jù)均表現(xiàn)出中等預(yù)測(cè)性能，可用于初步評(píng)估（1.4 < RPD < 1.8）；而時(shí)序衛(wèi)星多光譜與SAR數(shù)據(jù)的協(xié)同應(yīng)用則表現(xiàn)出良好預(yù)測(cè)性能（RPD = 1.87），具備實(shí)際應(yīng)用價(jià)值。

圖7. 基于遙感數(shù)據(jù)集A（a）、B（b）、C（c）、D（d）和E（e）*優(yōu)模型的土壤砷含量實(shí)測(cè)值與預(yù)測(cè)值散點(diǎn)圖。

圖8展示了*優(yōu)模型（數(shù)據(jù)集E-Stacking）的變量重要性及SHAP解釋結(jié)果。其中，RENDVI3_Aug 7、B2_Oct 26和RENDVI3_May 29為貢獻(xiàn)最大的三個(gè)變量，說(shuō)明時(shí)序多光譜變量在土壤砷含量預(yù)測(cè)中起主導(dǎo)作用。SHAP分析表明，這些變量與土壤砷含量均呈負(fù)相關(guān)，其取值越低，模型預(yù)測(cè)的土壤砷含量越高。

圖8. *10位重要變量的（a）SHAP特征重要性條形圖與（b）SHAP特征影響匯總圖。注：Jan、Feb、Mar、Apr、Jun、Jul、Aug、Sep、Oct、Nov、Dec分別代表一月、二月、三月、四月、六月、七月、八月、九月、十月、十一月、十二月。

此外，圖9利用廣義可加模型擬合了關(guān)鍵變量與SHAP值之間的關(guān)系，并確定了土壤砷污染風(fēng)險(xiǎn)的預(yù)警閾值。其中，RENDVI3_Aug 7、B2_Oct 26和RENDVI3_May 29的閾值分別為0.018、0.052和0.013。當(dāng)變量值低于相應(yīng)閾值時(shí)，SHAP值由負(fù)轉(zhuǎn)正，表明土壤砷含量存在升高風(fēng)險(xiǎn)。

圖9. 重要性前3位變量的SHAP依賴(lài)圖。注：黑色虛線(xiàn)處紅色標(biāo)記指示砷含量梯度變化的閾值。

圖10為基于*優(yōu)模型生成的研究區(qū)農(nóng)田10 m分辨率土壤砷含量預(yù)測(cè)空間分布。高值區(qū)位于西北部，與砷污染潛在來(lái)源密切相關(guān)。具體而言，西部區(qū)域礦藏豐富，歷*上無(wú)序采礦、金屬冶煉及化石燃料相關(guān)工業(yè)活動(dòng)直接向環(huán)境釋放了大量潛在有毒元素（PTEs）；此外，農(nóng)業(yè)廢水灌溉進(jìn)一步加劇了土壤砷累積，導(dǎo)致嚴(yán)重污染。預(yù)測(cè)圖平均標(biāo)準(zhǔn)差為14.87 mg/kg（圖10(b)），表明預(yù)測(cè)結(jié)果整體穩(wěn)定性良好。然而，西北部因采樣不足，標(biāo)準(zhǔn)差偏高。

圖10. 土壤砷含量空間分布預(yù)測(cè)（a）及不確定性（b）。注：非農(nóng)業(yè)用地包括水域、建設(shè)用地和林地。

結(jié)論

本研究建立了一種利用遙感數(shù)據(jù)監(jiān)測(cè)長(zhǎng)期密集植被覆蓋區(qū)土壤潛在有毒元素的方法。以土壤砷含量為案例，測(cè)試并評(píng)估了不同類(lèi)型遙感數(shù)據(jù)與機(jī)器學(xué)習(xí)方法的性能；同時(shí)采用SHAP技術(shù)探究了指示砷累積的關(guān)鍵變量閾值。主要結(jié)論如下：

（1）不同遙感數(shù)據(jù)源對(duì)砷含量估算精度存在差異，由高到低依次為：時(shí)序衛(wèi)星多光譜影像、無(wú)人機(jī)高光譜數(shù)據(jù)、時(shí)序衛(wèi)星SAR影像。

（2）時(shí)序衛(wèi)星SAR數(shù)據(jù)分別與無(wú)人機(jī)高光譜數(shù)據(jù)或時(shí)序衛(wèi)星多光譜影像的融合均顯著提升了砷含量估算精度。采用Stacking建模技術(shù)，后者組合取得了*優(yōu)結(jié)果（LCCC = 0.81，RPD = 1.87），表明該遙感方法具有良好的實(shí)際應(yīng)用前景。

（3）8月7日和5月26日的紅邊植被指數(shù)RENDVI3，以及10月26日的藍(lán)波段是監(jiān)測(cè)土壤砷含量的關(guān)鍵變量。當(dāng)其值分別低于0.018、0.013和0.052時(shí)，可能指示研究區(qū)內(nèi)土壤砷的顯著累積。

【來(lái)源】

Zhou Y, Liu C, Wang J, Zhang MW, Wang X, Zeng LT, Cui YP, Wang H, Sun XL. Monitoring soil arsenic content in densely vegetated agricultural areas using UAV hyperspectral, satellite multispectral and SAR data. Journal of Hazardous Materials, 2025, 484: 136689.