基于无人机高光谱的土壤重金属污染反演特征波段选择与反演模型精度验证及污染等级划分可行性分析

基于无人机高光谱的土壤重金属污染反演特征波段选择与反演模型精度验证及污染等级划分可行性分析土壤作为生态系统的核心组成部分，不仅是农作物生长的基础载体，更是维持地球生物化学循环的关键环节。然而，随着工业化进程的加速、矿产资源的不合理开发以及农业生产中化肥农药的过量使用，土壤重金属污染问题日益严峻。重金属具有不可降解性、生物富集性和毒性滞后性等特点，一旦进入土壤系统，便会长期累积并通过食物链传递，最终威胁人类健康。据《全国土壤污染状况调查公报》显示，我国土壤重金属超标率达16.1%，其中镉、汞、砷、铜等重金属元素的污染尤为突出。因此，快速、准确地监测土壤重金属污染状况，对于土壤环境保护、农产品安全保障以及生态风险评估具有重要的现实意义。传统的土壤重金属污染监测方法主要依赖于野外采样结合实验室化学分析，虽然精度较高，但存在耗时费力、成本高昂、空间分辨率低等局限性，难以实现大面积、实时动态的污染监测。近年来，高光谱遥感技术凭借其光谱分辨率高、波段连续性强、信息量大等优势，为土壤重金属污染的快速监测提供了新的技术手段。无人机高光谱遥感系统作为航空遥感与地面监测之间的桥梁，兼具灵活性高、操作便捷、成本较低等特点，能够获取厘米级甚至毫米级分辨率的高光谱影像，为小尺度区域内的土壤重金属污染精准监测提供了可能。然而，无人机高光谱数据包含大量的冗余信息，直接用于反演建模不仅会增加计算复杂度，还可能导致模型过拟合，降低反演精度。因此，如何从海量的高光谱数据中筛选出与土壤重金属含量相关性较高的特征波段，构建高精度的反演模型，并验证其在污染等级划分中的可行性，成为当前土壤重金属污染遥感监测领域的研究热点。一、土壤重金属污染反演特征波段选择（一）高光谱数据预处理无人机高光谱数据在获取过程中，会受到大气散射、吸收、传感器噪声以及地形起伏等因素的影响，导致数据存在一定的误差和噪声。因此，在进行特征波段选择之前，需要对原始高光谱数据进行预处理，以提高数据质量。常见的预处理方法包括辐射定标、大气校正、几何校正、平滑去噪等。辐射定标主要是将传感器获取的数字量化值（DN值）转换为辐射亮度值，消除传感器本身的响应差异；大气校正则是通过去除大气散射和吸收对光谱数据的影响，获取地表真实的反射率信息；几何校正用于纠正由于无人机飞行姿态不稳定、地形起伏等因素导致的影像几何畸变；平滑去噪则是通过滤波算法去除光谱曲线中的噪声，提高光谱数据的平滑性。（二）特征波段选择方法特征波段选择是指从高光谱数据的众多波段中，筛选出与土壤重金属含量相关性较高的波段，以减少数据冗余，提高反演模型的精度和效率。目前，常用的特征波段选择方法主要包括基于统计分析的方法、基于机器学习的方法以及基于光谱理论的方法。基于统计分析的方法主要通过计算光谱反射率与土壤重金属含量之间的相关系数，筛选出相关性较高的波段。常用的方法包括皮尔逊相关系数法、偏最小二乘法（PLS）等。皮尔逊相关系数法通过计算光谱反射率与重金属含量之间的线性相关系数，直接筛选出相关系数绝对值较大的波段；偏最小二乘法则是在考虑多个自变量与因变量之间线性关系的基础上，通过提取主成分，筛选出对因变量解释能力较强的波段。这类方法简单直观，计算效率较高，但往往只考虑了线性关系，对于非线性关系的处理能力有限。基于机器学习的方法则是利用机器学习算法自动学习光谱数据与重金属含量之间的复杂关系，从而筛选出特征波段。常用的方法包括随机森林（RF）、支持向量机（SVM）、遗传算法（GA）等。随机森林通过构建多个决策树，计算每个波段在决策树中的重要性得分，筛选出重要性得分较高的波段；支持向量机则是通过寻找最优分类超平面，筛选出对分类贡献较大的波段；遗传算法则是模拟生物进化过程，通过选择、交叉和变异等操作，逐步优化特征波段组合。这类方法能够处理非线性关系，具有较强的自适应能力，但计算复杂度较高，需要大量的样本数据进行训练。基于光谱理论的方法主要是根据土壤中重金属元素的光谱吸收特征，结合土壤矿物组成、有机质含量等因素，筛选出与重金属含量相关的特征波段。土壤中的重金属元素通常与铁锰氧化物、黏土矿物、有机质等结合在一起，这些物质在特定的光谱波段会产生特征吸收峰。例如，铁氧化物在400-500nm和800-900nm波段存在较强的吸收峰，锰氧化物在450-550nm波段存在吸收峰，有机质在1400nm、1900nm和2200nm波段存在吸收峰。因此，通过分析土壤光谱曲线中的特征吸收峰，可以初步筛选出与重金属含量相关的波段。这类方法具有较强的物理基础，但需要对土壤光谱学有深入的了解，且对于复杂土壤体系的适用性有限。（三）特征波段选择结果分析在实际应用中，通常需要结合多种特征波段选择方法，以提高特征波段的可靠性和稳定性。例如，可以先通过基于光谱理论的方法初步筛选出可能的特征波段，再利用基于统计分析或机器学习的方法进一步优化波段组合。研究表明，不同重金属元素的特征波段存在一定的差异，这主要与重金属元素的地球化学性质、赋存状态以及土壤的理化性质有关。例如，镉元素的特征波段主要集中在可见光-近红外波段（400-1100nm），而铅元素的特征波段则主要分布在近红外-短波红外波段（1100-2500nm）。此外，土壤的有机质含量、铁锰氧化物含量、黏土矿物组成等因素也会对特征波段的选择产生影响。例如，当土壤中有机质含量较高时，有机质的光谱吸收特征会掩盖重金属元素的光谱信号，导致特征波段的选择难度增加。二、土壤重金属污染反演模型精度验证（一）反演模型构建在筛选出特征波段之后，需要构建土壤重金属污染反演模型，以实现从高光谱数据到重金属含量的定量转换。常用的反演模型主要包括线性模型、非线性模型以及机器学习模型。线性模型是最简单的反演模型，主要包括多元线性回归（MLR）、逐步线性回归（SLR）等。这类模型假设光谱反射率与重金属含量之间存在线性关系，通过最小二乘法求解模型参数。线性模型计算简单，易于解释，但对于复杂的非线性关系处理能力有限，反演精度往往较低。非线性模型则考虑了光谱反射率与重金属含量之间的非线性关系，主要包括多项式回归（PR）、人工神经网络（ANN）、支持向量回归（SVR）等。多项式回归通过引入高次项来拟合非线性关系，但容易出现过拟合现象；人工神经网络具有强大的非线性拟合能力，能够处理复杂的非线性关系，但需要大量的样本数据进行训练，且模型的可解释性较差；支持向量回归则是基于统计学习理论，通过寻找最优超平面来拟合数据，具有较强的泛化能力，但模型的参数选择较为复杂。机器学习模型是近年来发展迅速的一类反演模型，主要包括随机森林回归（RFR）、梯度提升树（GBRT）、极端梯度提升（XGBoost）等。这类模型通过集成多个弱学习器，构建强学习器，能够处理高维数据和非线性关系，具有较高的反演精度和泛化能力。例如，随机森林回归通过构建多个决策树，利用投票机制来预测重金属含量，能够有效避免过拟合现象；梯度提升树则是通过逐步迭代的方式，不断优化模型参数，提高模型的预测精度。（二）模型精度验证指标为了评估反演模型的精度，需要选择合适的精度验证指标。常用的精度验证指标主要包括决定系数（R²）、均方根误差（RMSE）、平均绝对误差（MAE）等。决定系数（R²）用于衡量模型对数据的拟合程度，取值范围为0-1，越接近1表示模型的拟合效果越好；均方根误差（RMSE）和平均绝对误差（MAE）用于衡量模型的预测误差，数值越小表示模型的预测精度越高。此外，还可以使用相对分析误差（RPD）来评估模型的预测能力，当RPD>2时，模型具有较好的预测能力；当1.4<RPD≤2时，模型具有一定的预测能力；当RPD≤1.4时，模型的预测能力较差。（三）模型精度验证结果分析大量研究表明，不同的反演模型在不同的研究区域和重金属元素上的反演精度存在一定的差异。一般来说，机器学习模型的反演精度要高于线性模型和传统的非线性模型，这主要是因为机器学习模型能够处理复杂的非线性关系，充分利用高光谱数据中的信息。例如，有研究利用随机森林回归模型对土壤镉含量进行反演，得到的决定系数（R²）为0.85，均方根误差（RMSE）为0.12mg/kg，反演精度明显高于多元线性回归模型（R²=0.68，RMSE=0.21mg/kg）。此外，特征波段的选择也会对反演模型的精度产生重要影响，合理的特征波段选择能够有效减少数据冗余，提高模型的泛化能力。例如，有研究发现，通过遗传算法筛选出的特征波段构建的反演模型，其反演精度要高于全波段构建的模型。三、土壤重金属污染等级划分可行性分析（一）污染等级划分标准土壤重金属污染等级划分是根据土壤中重金属的含量，将土壤污染程度划分为不同的等级，以便于土壤污染的管理和治理。目前，我国常用的土壤重金属污染等级划分标准主要包括《土壤环境质量农用地土壤污染风险管控标准（试行）》（GB15618-2018）和《土壤环境质量建设用地土壤污染风险管控标准（试行）》（GB36600-2018）。其中，农用地土壤污染风险管控标准将土壤污染程度划分为优先保护类、安全利用类和严格管控类三个等级，分别对应不同的重金属含量阈值；建设用地土壤污染风险管控标准则根据不同的用地类型和暴露途径，制定了相应的重金属含量筛选值和管制值。（二）基于反演模型的污染等级划分方法基于无人机高光谱反演模型得到的土壤重金属含量数据，可以结合土壤重金属污染等级划分标准，进行污染等级划分。具体步骤如下：首先，利用反演模型获取研究区域内的土壤重金属含量空间分布数据；然后，根据污染等级划分标准，将每个采样点或像元的重金属含量与对应的阈值进行比较，确定其污染等级；最后，利用地理信息系统（GIS）技术，将污染等级结果进行可视化表达，生成土壤重金属污染等级分布图。（三）污染等级划分可行性验证为了验证基于无人机高光谱反演模型的土壤重金属污染等级划分的可行性，需要将反演得到的污染等级结果与实际的污染状况进行对比分析。研究表明，基于无人机高光谱反演模型的污染等级划分结果与实际污染状况具有较高的一致性，能够较为准确地反映研究区域内的土壤重金属污染程度。例如，有研究利用无人机高光谱反演模型得到的土壤镉含量数据，结合农用地土壤污染风险管控标准，对研究区域内的土壤污染等级进行划分，结果显示，优先保护类、安全利用类和严格管控类土壤的面积占比分别为65%、25%和10%，与实际调查结果基本一致。此外，通过对比不同反演模型的污染等级划分结果发现，反演精度越高的模型，其污染等级划分的准确性也越高。（四）存在的问题与挑战尽管基于无人机高光谱的土壤重金属污染等级划分具有较高的可行性，但在实际应用中仍然存在一些问题与挑战。首先，土壤重金属污染等级划分标准的制定需要考虑多种因素，如土壤类型、土地利用方式、生态风险等，目前的划分标准还存在一定的局限性，需要进一步完善。其次，无人机高光谱反演模型的精度受到多种因素的影响，如数据预处理方法、特征波段选择方法、模型参数选择等，如何提高反演模型的稳定性和泛化能力，仍然需要进一步研究。此外，无人机高光谱数据的获取成本相对较高，且数据处理和分析过程较为复杂，需要专业的技术人员进行操作，这在一定程度上限制了其大规模推广应用。四、结论与展望（一）结论无人机高光谱遥感技术为土壤重金属污染的快速、精准监测提供了新的技术手段。通过合理的特征波段选择方法，可以从海量的高光谱数据中筛选出与土壤重金属含量相关性较高的特征波段，减少数据冗余，提高反演模型的精度和效率。构建的反演模型能够实现从高光谱数据到土壤重金属含量的定量转换，其中机器学习模型具有较高的反演精度和泛化能力。基于反演模型得到的土壤重金属含量数据，结合土壤重金属污染等级划分标准，可以较为准确地进行污染等级划分，为土壤污染的管理和治理提供科学依据。（二）展望未来，随着无人机技术、高光谱传感器技术以及机器学习算法的不断发展，基于无人机高