土壤重金属含量的高光谱遥感反演方法综述.docx

土壤重金属含量的高光谱遥感反演方法综述.docx

《土壤重金属含量的高光谱遥感反演方法综述.docx》由会员分享，可在线阅读，更多相关《土壤重金属含量的高光谱遥感反演方法综述.docx（12页珍藏版）》请在冰豆网上搜索。

土壤重金属含量的高光谱遥感反演方法综述

土壤重金属含量的高光谱遥感反演方法综述

作者：

肖捷颖，王燕，张倩，等

来源：

《湖北农业科学》2013年第6期

肖捷颖，王燕，张倩，李星，赵品，万亚林

（河北科技大学环境科学与工程学院，石家庄０５００１８）

摘要：

随着工业生产规模的扩大、城市环境污染的加剧和农用化学物质种类、数量的增加，土壤重金属污染因其程度加剧、面积扩大而备受关注。

重金属污染物在土壤中移动差、滞留时间长、难被微生物降解，并可经水、植物等介质最终影响人体健康，因此对重金属污染的定量监测非常有必要并且意义重大。

高光谱遥感技术的发展为宏观、快速获取土壤重金属元素信息提供了新的契机，目前国内外学者基于土壤反射光谱特征，运用多种统计分析方法成功地预测了多种土壤重金属元素的含量。

介绍了土壤的光谱特征及光谱特征波段的提取，对利用高光谱遥感技术估算土壤重金属含量的主要方法进行了总结，对影响模型精度的主要因素进行了讨论，介绍了模型在模拟多光谱数据方面的应用，最后对模型反演过程出现的不足及今后的研究方向进行了展望。

关键词：

土壤重金属；高光谱遥感；估算方法；统计分析；预测精度

中图分类号：

ＴＰ７９；Ｓ１５８；Ｓ１５３．６

文献标识码：

Ａ

文章编号：

0439－８114（２０13）06－1248-06

土壤是人类赖以生存的主要自然资源之一，也是人类生态环境的重要组成部分［１］。

随着工业的发展和农业生产的现代化，大量污染物进入土壤环境，其中重金属是重要的污染物质之一［２］。

土壤污染中重金属主要指汞、镉、铅、铬以及类金属砷等生物毒性显著的物质，也指具有一定毒性的一般重金属如锌、铜、钴、镍、锡等，目前最令研究者关注的重金属是汞、镉、铅等。

土壤重金属污染不仅会造成农作物减产，质量下降，严重者会通过食物链影响人体健康，因此对土壤重金属含量进行监测非常必要。

传统的野外采样和室内化学分析方法具有测量精度高、准确性强等优点，但相对费时费力，而且很难获取大面积空间上连续的污染物含量分布信息。

遥感技术因其多时相、大面积等特点逐渐被研究者应用于土壤性质的监测，高光谱遥感则以其多且连续的光谱波段特点被应用于监测土壤重金属含量，可以实现大范围、非破坏性和非接触元素的快速测样［３，４］。

由于土壤中重金属含量低，对土壤光谱曲线影响微弱，直接分析土壤样品重金属元素的特征光谱来估算其含量比较困难。

通过借助重金属元素与土壤有机质、黏土矿物、铁锰氧化物、碳酸盐矿物之间的吸附或赋存关系，可以间接反演土壤重金属元素含量，反演精度在一定程度上取决于重金属元素与这些组分之间的相关性［５－７］。

近年来国内外学者在土壤重金属遥感反演研究方面已经取得长足进展，多数研究基于实验室的土壤光谱分析。

例如有学者基于土壤可见－近红外、近－中红外反射光谱特征，实现了对矿区用地［８，９］、农业用地［１０，１１］、潮滩［１２，１３］等研究区土壤重金属元素含量的反演研究。

如Ｋｅｍｐｅｒ等［８］利用土壤反射光谱反演了Ａｚｎａｌｃｏｌｌａｒ矿区土壤Ａｓ、Ｈｇ、Ｐｂ以及Ｆｅ元素的含量。

国内的Ｗｕ等［１０］利用实验室土壤的反射光谱模拟Ｈｙｍａｐ、Ａｓｔｅｒ以及ＴＭ影像波段，实现了大面积监测南京江宁地区土壤Ｈｇ污染，发现估测土壤中Ｈｇ的最佳波段和土壤Ｆｅ的吸收波段一致，且相关分析表明土壤Ｈｇ的含量与土壤反射率成负相关关系。

另外Ｍｏｒｏｓ等［１２］在研究中发现了土壤重金属元素和有机物质之间的相关性，基于土壤可见－近红外和中红外反射光谱，建立偏最小二乘回归模型，实现了对河滩土壤中Ａｓ、Ｃｄ、Ｃｏ等元素污染水平的定量监测。

土壤反射光谱特征与重金属元素含量之间的定量反演研究，可为进一步应用空间或航空遥感技术进行高光谱遥感定量监测土壤重金属污染提供技术和理论支持，为土壤中重金属含量的快速监测和大面积的土壤重金属污染评价提供技术支撑。

１土壤光谱特性及特征波段的提取

土壤光谱信息是土壤表层各种属性的综合反映，其中土壤颜色、质地、有机质含量和各种矿物质成分等对土壤光谱的影响作用较为明显［１４］。

土壤属性与实验室实测反射光谱的相关关系已得到证实：

在可见光和近红外波段，土壤光谱的吸收特征主要是由金属离子的电子跃迁形成，在短波红外区域，土壤的吸收主要归因于有机质、层状硅酸盐、碳酸盐、硫酸盐等矿物质的各类分子团中化学键的伸展、弯曲、变形等振动［７］。

土壤中有机质、氧化铁、黏粒比例的增加，会降低土壤光谱反射率；土壤有机质与反射率较强的相关关系主要反映在可见光波段，而土壤氧化铁和黏粒则在近红外波段可以得到更精确的区分［１５］。

在可见光波段，土壤光谱曲线斜率较大，４２９、４９０ｎｍ附近是土壤氧化铁微弱的吸收峰，４７０ｎｍ附近则是土壤氧化锰微弱的吸收峰，波长６００ｎｍ附近是土壤有机质典型的反射峰，８１５ｎｍ附近则是有机质的次反射峰，在近红外波段，反射光谱的斜率较小，接近水平。

９００ｎｍ附近的吸收峰是土壤中３价铁所致，１０００ｎｍ附近的吸收峰是土壤中铁的氢氧化合物特征谱带，１４００、１９００、２２００ｎｍ附近的吸收峰是土壤硅酸盐矿物中水分子羟基伸缩振动和Ａｌ—ＯＨ弯曲振动的合频谱带，湿度降低了所有光谱段的反射率并在１４００、１９００ｎｍ处产生较强和较宽的吸收带。

２４５５ｎｍ附近的吸收峰则是土壤碳酸盐中ＣＯ３２－基团振动产生的谱带［１６，１７］。

图１为土壤样品的原始光谱曲线示意图。

通常土壤反射光谱需要预处理以突出光谱信息中的细微特征，常见预处理方法有光谱反射率的微分、倒数对数和连续统去除等，以此来获得表征不同土壤成分的特征波段。

但实际工作中需要针对不同的土壤背景条件，不同的重金属污染类型，更加系统地分析土壤反射光谱特征差异，运用合适的预处理方法和统计方法提取研究区土壤特征波段，建立土壤重金属的光谱特征数据库。

土壤重金属特征光谱的确定，可为区域土壤重金属含量反演模型的建立（包括特征波段参数选择）打下基础［１１］。

２土壤重金属含量反演的主要方法

土壤中重金属元素含量很低，在土壤反射光谱的各波段没有明显的吸收特征，且土壤组成成分复杂，每个组分对反射光谱的影响是非线性混合，致使土壤的反射辐射过程复杂。

用物理模型进行反演较难，通常采用统计方法分析土壤重金属含量与反射光谱特征之间的相关性，间接实现对土壤重金属元素含量的估算。

常用方法主要包括单变量以及多元统计分析方法，多元统计方法较之单变量方法反演精度要高［１６，１８，１９］。

也有研究同时采用以上两种方法来计算土壤重金属含量［１０，１８］。

２．１单变量统计分析方法

单变量统计法主要运用相关分析方法来探讨土壤重金属含量与光谱反射率之间是否存在较为显著的相关性，选择相关性最显著的波段建立模型来预测土壤重金属含量。

根据波段选择方法不同可分为单波段分析方法和波段有效变换后的分析方法。

如李淑敏等［１１］利用光谱分析的方法探讨北京地区农业土壤中重金属含量与可见－近红外光谱反射率的相关关系，通过对土样原始反射光谱及其一阶、二阶微分光谱与各土壤重金属含量进行单波段分析，确定了Ｃｒ、Ｎｉ、Ｃｕ等８种土壤重金属的特征光谱，建立了估算土壤重金属含量的回归模型。

任红艳［１８］研究分析了矿区农田土壤原始反射光谱和经过连续统去除后的光谱信息，确定了土壤光谱反射率与重金属元素含量相关性最大的波段，得到了反演Ｃｕ、Ｃｄ等重金属元素含量的最佳拟合模型。

由于土壤的高光谱反射率极易受到环境差异的影响，单波段反射率建立反演模型稳定性不足，因此可用敏感波段均值处理或组合等变换后的光谱波段与土壤重金属含量进行相关分析，提高模型的稳定性，达到更高的预测精度。

蒋建军等［20］通过对敏感波段５１１ｎｍ处对应的有机质诊断指数Ｒ／Ｒ４５０－７５０进行间隔１０ｎｍ的均值化处理，以敏感范围均值Ｒ５０７－５１６／Ｒ４５０－７５０取代敏感波段Ｒ／Ｒ４５０－７５０作为自变量ｘ，建立了有机质含量的预测模型，然后根据有机质含量和重金属含量之间的关系间接反演Ｃｄ含量。

此外，根据不同波段反射率提供的信息可以互相补充的特点，解宪丽等［７］提出利用波段组合方法能够显著提高光谱变量和重金属含量间的相关性的论点，所建立Ｐｂ、Ｚｎ等元素的反演模型的可靠性要优于单波段预测方法。

２．２多元统计分析

多元统计分析是光谱学研究中预测光谱特征物质的常用方法，因其综合使用较多的波谱段，提高了统计预测的精度［１８］。

多元逐步回归分析、主成分回归（ＰＣＲ）分析和偏最小二乘回归（ＰＬＳＲ）分析是目前分析土壤组成与反射光谱间关系常用的统计方法［１６］。

此外，还有研究用人工神经网络方法［９］或多种多元统计分析方法相结合［２１，２２］来反演土壤重金属含量。

２．２．１多元逐步回归法多元逐步回归法是根据土壤重金属含量与土壤反射光谱的相关分析，找出与重金属元素相关性较好的光谱特征波段，对各重金属含量与特征波段的光谱变量进行多元回归分析。

根据回归系数和Ｆ统计量最高、均方根误差最小的原则，选择土壤重金属高光谱遥感监测的最佳回归模型。

多元逐步回归分析方法简单明了，常被用来确定对于某种化学成分敏感的波段，并说明敏感波段值与这种化学成分浓度有较好的相关性，据此可以用这些确定的波长位置来估计化学成分的浓度［１９］。

龚绍琦等［１７］通过对滨海盐土土壤光谱进行处理，通过对镉、铜、镍等重金属含量与反射光谱变量的相关分析，获得了反演土壤成分的特征波段为４２９、４７０、４９０、１４３０、２３９８、２４５５nm，利用逐步回归分析方法分别建立了反演上述几种重金属元素的最佳遥感模型。

另外王维等［２３］运用土壤光谱反射率、一阶微分、倒数对数这３种光谱数据对土壤铜含量进行了多元逐步回归分析，并比较了不同光谱预处理方法对模型精度的影响。

２．２．２主成分回归法主成分回归分析是一种多元回归分析方法，被广泛应用在化学与测谱学分析中［２２］。

它利用全部光谱信息并进行压缩，将高度相关的波长点归于一个独立变量，提取为数不多的独立变量建立回归方程，通过内部检验来防止过度拟合。

用预测均方根误差（ＲＭＳＥＰ）来评价模型的预测能力。

其中：

ｙｍ是土壤重金属含量实测值，ｙｐ是对应的模型预测值。

部分学者用主成分回归分析方法取得了很好的预测效果。

Ｗｕ等［１０］用ＰＣＲ法建立了室内土壤光谱与Ｈｇ含量的反演模型，二者相关系数Ｒ＝０．６９，均方根误差ＲＭＳＥ＝０．１５。

任红艳等［２２］利用在实验室获取的矿区农田土壤可见－近红外反射光谱与土壤Ａｓ和Ｆｅ的浓度数据构建了反演Ａｓ和Ｆｅ的ＰＣＲ预测模型，并指出其预测能力要优于偏最小二乘回归预测模型。

但现有研究也证明ＰＣＲ预测能力要受重金属种类的影响［２４，２５］，如Ｉｓｌａｍ等［２４］用紫外－近红外－可见光谱反演了农业土壤中Ｃａ、Ｍｇ等元素的含量，但对Ｋ、Ｎａ元素的反演能力就差。

２．２．３偏最小二乘回归法偏最小二乘回归方法作为一种有效的光谱分析方法，在光谱数据处理中已得到广泛应用。

该方法提供一种多对多线性回归建模的方法，当两组变量的个数很多，且都存在多重相关性，而观测数据的数量又较少时，与传统的多元线性回归分析方法相比，ＰＬＳＲ方法解决了多元线性回归方法所面临的多重共线性问题，可概括提取光谱信息，从而较为准确地定量反演重金属元素含量。

而且与主成分回归分析相比，ＰＬＳＲ方法不仅很好地概括光谱信息，而且还要求新生成的成分对因变量（重金属）有最强的解释性。

在某种意义上，ＰＬＳＲ模型综合了多元线性回归和主成分分析两种方法。

此外，与人工神经网络法（ＡＮＮ）相比，ＰＬＳＲ的因子负荷可以形象地揭示自变量与因变量的关系，从而有助于理解利用反射光谱反演无明显光谱特征重金属的机理。

基于上述原因，目前研究中广泛采用ＰＬＳＲ来反演土壤重金属元素含量，并取得了很好的反演效果［２６－３０］。

模型的反演能力同样由预测均方根误差来评价。

国外Ｋｏｏｉｓｔｒａ等［３１］发现利用河滩土壤的反射光谱可以较好地反演土壤重金属Ｚｎ、Ｃｄ的污染水平，指出利用土壤可见－近红外反射光谱建立的ＰＬＳＲ模型是定量分析河滩土壤成分及重金属含量的有效途径。

国内Ｒｅｎ等［３２］应用ＰＬＳＲ方法，分析长江口盐沼土壤的反射光谱，定量反演了土壤重金属Ａｓ和Ｃｕ的含量，并取得了极显著相关的结果。

郑光辉等［３３］用ＰＬＳＲ方法建立反射光谱与土壤Ａｓ含量之间的模型，通过交叉验证、估算检验建模精度，证明了利用反射光谱反演土壤Ａｓ含量的可行性。

表１列举了用反射光谱定量反演土壤重金属含量的主要统计分析方法。

３模型精度的影响因素分析

在土壤重金属含量反演模型建立过程中，很多因素会对模型精度产生影响，所以很难全面地估计所建立的光谱模型精度。

在不同的研究区域，由于土壤类型［３２］、组分和污染水平的不同［３４］，模型的应用会受到限制，精度也会受到一定影响。

对于同一研究区域，重金属元素种类、样品集数量、元素的分析形态及化学分析误差［９］、高光谱波段范围的选取［３５，３６］及高光谱数据的处理方法等因素都会对模型的反演精度产生影响。

以下主要就高光谱数据处理方法对模型精度的影响进行总结讨论，采取合适的光谱数据处理方法会提高光谱模型的响应预测能力。

３．１合适的光谱分辨率

合适的光谱分辨率能提高模型反演精度。

刘华等［３７］通过对光谱采样间隔为１ｎｍ的土壤反射率和ＥＯ－１卫星Ｈｙｐｅｒｉｏｎ高光谱波段建模效果比较发现，不论是比较预测值与实测值的相关系数，还是相对误差，前者所建模型对土壤重金属含量的反演要好于后者，说明光谱分辨率高，对土壤定量反演能力较好。

但研究也证实并不是光谱分辨率越高，重金属预测精度就越高。

有些学者通过对重采样后降低了光谱分辨率的数据进行分析也取得了较好的预测精度。

因重金属元素光谱特征较宽，不需尖锐的吸收峰，且相对较低的光谱分辨率增强了光谱信噪比，从而提高了预测精度。

郑光辉等［３３］采用经过多元散射校正处理后的数据反演土壤砷的含量，进行２、４、６、８、１６、３２和６４ｎｍ重采样，分别进行建模、验证和反演，表明土壤的４ｎｍ分辨率光谱的建模、验证和估算结果最佳。

其他研究也得出类似结论，如Ｋｅｍｐｅｒ等［８］认为宽的采样间隔（１０或２０ｎｍ）减少了噪声的影响，得出较好的反演结果。

但过大的采样间隔也会损失部分光谱信息，降低模型精度。

如黄长平等［３８］证实在使用经验方法估算没有明显光谱特征的成分时，光谱分辨率不是一个必要条件，这为模拟卫星传感器波段反演土壤重金属含量提供了理论依据。

同时有研究结果表明，不同重金属元素最佳采样间隔不同［３９］。

在实际工作中要根据重金属种类、土壤理化性质来选取合适的光谱分辨率而提高模型的精度。

３．２不同光谱预处理方法

为了提高模型预测精度，建模之前先对初始反射光谱进行预处理。

研究证实最佳预测结果与光谱预处理方法有关，土壤光谱数据预处理可以消减光谱中因受随机因素影响而产生的误差，增强相似光谱之间的差别、突出光谱的特征值，提高重金属含量的响应能力、回归模型的稳定性和预测能力［４０，４１］。

然而并非所有的预处理方法都可以取得理想的预测结果。

目前常用的光谱预处理方法有一阶微分（ＦＤ）、二阶微分（ＳＤ）、光谱倒数对数［ｌｏｇ（１／Ｒ）］、连续统去除（ＣＲ）和多元散射校正（ＭＳＣ）等。

微分光谱是光谱分析中常用的预处理方法，可消除基线漂移或平缓背景干扰的影响，并可提供比原始光谱更高的分辨率和更清晰的光谱轮廓变换，增强土壤重金属的光谱信息，提高模型的精度。

如王维等［２３］证实应用一阶微分处理后的光谱逐步回归表现较好，预测精度高于原始反射率和光谱倒数对数的处理方法。

但Ｗｕ等［３９］认为一阶微分不能明显提高估算精度，未经任何处理的原始光谱同样可以表达土壤属性。

Ｋｏｏｉｓｔｒａ等［１３］研究发现，导数变换并不能显著提高预测效果，与Ｖｏｌｋａｎ等［４２］的研究结果一致。

光谱的倒数对数处理方法也具有较理想的处理效果。

土壤反射率经对数变化后，不仅增强可见光区的光谱差异（可见光区的原始光谱一般偏低），而且趋向于减少由于光照条件、地形等变化引起的随机因素影响，提高模型精度。

王璐等［１６］对天津污灌区土壤光谱特征预测土壤重金属含量的能力进行了分析和评价，结果表明光谱的倒数对数ｌｏｇ（１／Ｒ）是估算土壤重金属元素含量较理想的指标，尤其是对Ｃｄ和Ｐｂ，检验精度Ｒ2超过０．８。

多元散射校正方法由于可以有效去除散射影响，提高信噪比，也可以得到最佳建模、验证和反演结果。

任红艳等［２２］利用主成分回归方法研究矿区农田土壤砷含量与反射光谱的关系时发现多元散射校正可显著提高模型的估算能力。

邬登巍等［３５］通过对样品的中红外（ＭＩＲ）漫反射光谱进行多种预处理，结果表明，依次经平滑、基线校正、多元散射校正预处理能显著提高中红外光谱数据的反演精度。

４高光谱模型在模拟多光谱数据方面的应用

利用现有多光谱遥感传感器可以进行土壤重金属元素的监测。

不少研究建立了土壤重金属含量与模拟ＨｙＭａｐ、ＴＭ、ＡＳＴＥＲ以及Ｑｕｉｃｋｂｉｒｄ光谱的关系，虽然模型精度比高光谱数据模型精度略低，但可以进行大面积监测。

王璐等［１６］采用ＰＬＳＲ方法对模拟的ＴＭ和ＡＳＴＥＲ多光谱数据进行分析，发现土壤重金属Ｃｄ、Ｈｇ和Ｐｂ都与ＴＭ数据的第三波段（６６１ｎｍ）和ＡＳＴＥＲ的第二（６５８ｎｍ）、第四（１６５５ｎｍ）、第五（２１６６ｎｍ）波段有较高的相关性，而这些波段与土壤中有机质、氧化铁以及黏土矿物对光谱的影响波段较接近。

同样李巨宝等［４３］通过对土壤样品重金属含量和ＥＴＭ＋数据的模拟光谱数据ＳＴＭ进行相关分析，发现位于短波红外的ＴＭ７波段是预测土壤Ｆｅ、Ｚｎ、Ｓｅ含量的最佳波段。

另外刘华等［３７］也用不同的模型进行了土壤室内光谱与相关高／多光谱数据波段匹配模拟的研究。

光谱模拟数据是理想状态下的结果，实际遥感应用中土壤光谱特征成分（总铁、有机质以及黏土矿物等）在高／多光谱遥感数据上的表现必然受到植被及大气等背景信息的干扰和影响。

从模拟光谱层次的研究到遥感影像层次的应用还需要考虑更多因素的影响。

但以上研究同样可以为利用遥感技术快速、大面积、有效地进行土壤重金属动态监测提供理论依据和技术途径。

５土壤重金属含量遥感反演中出现的问题及研究前景

近年来在应用高光谱数据定量反演土壤重金属含量的研究取得了较大的进展，但存在建模形态单一，特征光谱数据库数据不足及准确性不高，应用范围较窄及降噪程度不够等原因造成的对目标物定量反演准确度不高等方面的问题。

总体来说，运用高光谱技术估算土壤中重金属元素含量，其模型拟合总体精度能达到７５％～８０％，平均相对误差３０％～４０％，验证精度６０％~７０％［１５］。

因野外获取反射光谱或者高空遥感应用会受到很多因素影响，如地表状况（粗细度、土壤湿度、植被覆盖等）、大气吸收和光照情况等，目前用遥感手段对土壤重金属理化特性研究的工作多局限于实验室的光谱分析。

以实验室反射光谱预测研究为基础，介于实验室反射光谱和高空遥感应用之间的野外土壤反射光谱研究将是未来研究重点。

随着遥感技术的不断创新，遥感反演土壤重金属含量的方法也越来越多。

建立更适合于现有遥感技术的模型来反演土壤重金属含量以及提高模型的模拟精度将是未来研究的主要目标。

参考文献：

［１］林凡华，陈海博，白军．土壤环境中重金属污染危害的研究［Ｊ］．环境科学与管理，２００７，３２（７）：

７４－７６．

［２］陈兴兰，杨成波．土壤重金属污染、生态效应及植物修复技术［Ｊ］．环境整治，２０１０（３）：

５８－６２．

［３］吴健生，宋静，郑茂坤，等．土壤重金属全量监测方法研究进展［Ｊ］．东北农业大学学报，２０１１，４２（５）：

１３３－１３９．

［４］李湘洲．重金属铅和镉对土壤与作物的危害及防治［Ｊ］．经济林研究，２０００，１８（４）：

１２－１３．

［５］贺军亮，蒋建军，孙中伟，等．土壤重金属含量光谱估算模型的初步研究［Ｊ］．农机化研究，２００９（９）：

２２－２５．

［６］ＷＵＹＺ，ＣＨＥＮＪ，ＪＩＪＦ，ｅｔａｌ．Ａｍｅｃｈａｎｉｓｍｓｔｕｄｙｏｆｒｅｆｌｅｃｔａｎｃｅｓｐｅｃｔｒｏｓｃｏｐｙｆｏｒｉｎｖｅｓｔｉｇａｔｉｎｇｈｅａｖｙｍｅｔａｌｓｉｎｓｏｉｌｓ［Ｊ］．ＳｏｉｌＳｃｉｅｎｃｅＳｏｃｉｅｔｙｏｆＡｍｅｒｉｃａＪｏｕｒｎａｌ，２００７，７１（３）：

９１８－９２６．

［７］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．

［８］ＫＥＭＰＥＲＴ，ＳＯＭＭＥＲＳ．Ｅｓｔｉｍａｔｅｏｆｈｅａｖｙｍｅｔａｌｃｏｎｔａｍｉｎａｔｉｏｎｉｎｓｏｉｌａｆｔｅｒａｍｉｎｉｎｇａｃｃｉｄｅｎｔｕｓｉｎｇｒｅｆｌｅｃｔａｎｃｅｓｐｅｃｔｒｏｓｃｏｐｙ［Ｊ］．ＥｎｖｉｒｏｎｍｅｎｔａｌＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，２００２，３６（１２）：

２７４２－２７４７．

［９］ＳＩＥＢＩＥＬＥＣＧ，ＭＣＣＡＲＴＹＧＷ，ＳＴＵＣＺＹＮＳＫＩＴＩ，ｅｔａｌ．Ｎｅａｒ－ａｎｄｍｉｄ－ｉｎｆｒａｒｅｄｄｉｆｆｕｓｅｒｅｆｌｅｃｔａｎｃｅｓｐｅｃｔｒｏｓｃｏｐｙｆｏｒｍｅａｓｕｒｉｎｇｓｏｉｌｍｅｔａｌｃｏｎｔｅｎｔ［Ｊ］．ＪｏｕｒｎａｌｏｆＥｎｖｉｒｏｎｍｅｎｔａｌＱｕａｌｉｔｙ，２００４，３３（６）：

２０５６－２０６９．

［１０］ＷＵＹＺ，ＣＨＥＮＪ，ＪＩＪＦ，ｅｔａｌ．Ｆｅａｓｉｂｉｌｉｔｙｏｆｒｅｆｌｅｃｔａｎｃｅｓｐｅｃｔｒｏｓｃｏｐｙｆｏｒｔｈｅａｓｓｅｓｓｍｅｎｔｏｆｓｏｉｌｍｅｒｃｕｒｙｃｏｎｔａｍｉｎａｔｉｏｎ［Ｊ］．ＥｎｖｉｒｏｎｍｅｎｔａｌＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ，２００５，３９（３）：

８７３－８７８．

［１１］李淑敏，李红，孙丹峰，等．利用光谱技术分析北京地区农业土壤重金属光谱特征［Ｊ］．土壤通报，２０１１，４２（３）：

７３０－７３５．

［１２］ＭＯＲＯＳＪ，ＤＥＶＡＬＬＥＪＵＥＬＯＳＦ，ＧＲＥＤＩＬＬＡＡ，ｅｔａｌ．ＵｓｅｏｆｒｅｆｌｅｃｔａｎｃｅｉｎｆｒａｒｅｄｓｐｅｃｔｒｏｓｃｏｐｙｆｏｒｍｏｎｉｔｏｒｉｎｇｔｈｅｍｅｔａｌｃｏｎｔｅｎｔｏｆｔｈｅｅｓｔｕａｒｉｎｅｓｅｄｉｍｅｎｔｓｏｆｔｈｅＮｅｒｂｉｏｉ－ＩｂａｉｚａｂａｌＲｉｖｅｒ（ｍｅｔｒｏｐｏｌｉｔａｎｂｉｌｂａｏ，ｂａｙｏｆｂｉｓｃａｙ，ｂａｓｑｕｅｃｏｕｎｔｒｙ）［Ｊ］．ＥｎｖｉｒｏｎｍｅｎｔａｌＳｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ，２００９，４３（２４）：

９３１４－９３２０．

［１３］ＫＯＯＩＳＴＲＡＬ，ＷＥＨＲＥＮＳＲ，ＬＥＵＶＥＮＲ，ｅｔａｌ．Ｐｏｓｓｉｂｉｌｉｔｉｅｓｏｆｖｉｓｉｂｌｅ－ｎｅａｒ－ｉｎｆｒａｒｅｄｓｐｅｃｔｒｏｓｃｏｐｙｆｏｒｔｈｅａｓｓｅｓｓｍｅｎｔｏｆｓｏｉｌｃｏｎｔａｍｉｎａｔｉｏｎｉｎｒｉｖｅｒｆｌｏｏｄｐｌａｉｎｓ［Ｊ］．ＡｎａｌｙｔｉｃａＣｈｉｍｉｃａＡｃｔａ，２００１，４４６（１－２）：

９７－１０５．

［１４］汪善勤，舒宁．土壤定量遥感技术研究进展［Ｊ］．遥感信息，２００７（６）：

８９－９３．

［１５］孙华．土壤重金属污染修复及其遥感评价研究概述［Ｊ］．浙江师范大学学报（自然科学版），２００５，２８（４）：

４４６－４５０．

［１６］王璐，蔺启忠，贾东，等．基于反射光谱预测土壤重金属元素含量的研究［Ｊ］．遥感学报，２００７，１１（６）：

９０６－９１３．

［１７］龚绍琦，王鑫，沈润平，等．滨海盐土重金属含量