机载高光谱成像系统赋能：多源遥感融合破解茂密农田土壤砷污染监测难题

应用方向：在该文献中，高光谱成像技术被用在农业土壤重金属污染监测与生态环境遥感评价领域。通过获取作物冠层连续光谱信息，提取光谱反射率及植被指数，高光谱成像能够间接表征土壤砷污染引起的植被生理变化，实现植被覆盖区土壤砷含量的无损监测与空间分布反演。此外，高光谱成像还可与卫星多光谱、SAR遥感及机器学习技术相结合，构建多源遥感融合模型，应用于土壤重金属污染监测、农田环境质量评价、污染风险预警、精准农业管理及生态环境监测等领域，为农业生态环境保护和土壤污染治理提供高效、智能的技术支撑。

关键词：遥感；无人机高光谱；多光谱；合成孔径雷达；土壤砷污染

背景：

随着工业化、城市化和农业集约化进程不断加快，土壤中潜在有毒元素（PTEs）污染问题日益突出，其中砷（As）因具有较强的毒性、持久性、不可逆性及生物富集特性，已成为威胁生态环境安全和人体健康的重要污染物。因此，建立高效、准确的大范围土壤砷污染监测方法，对于农业环境保护、污染治理及风险预警具有重要意义。

近年来，遥感技术凭借快速、无损、大范围监测等优势，已成为土壤重金属污染监测的重要手段。然而，该方法依赖于裸露土壤像元，因此主要适用于矿区、半干旱地区或季节性裸地农田。对于热带、亚热带等植被长期覆盖的农业区域，由于难以获取裸土光谱信息，传统遥感监测方法的应用受到明显限制。

与此同时，无人机高光谱、卫星多光谱以及合成孔径雷达（SAR）遥感各具优势。高光谱遥感能够精细表征植被生理变化，多光谱遥感具有覆盖范围广、时间分辨率高等特点，可捕获植被生长全过程信息，而SAR遥感不受云雨天气影响，能够有效反映植被冠层结构特征。如何融合多源遥感数据，并结合机器学习模型挖掘植被特征与土壤砷含量之间复杂的非线性关系，进一步提高植被覆盖区土壤砷污染监测精度，已成为当前遥感环境监测领域的重要研究方向。基于此，该研究利用无人机高光谱、Sentinel-2时序多光谱及Sentinel-1时序SAR数据，结合机器学习和SHAP解释模型，建立植被覆盖区土壤砷含量遥感监测方法，并识别影响土壤砷富集的关键遥感变量及其预警阈值，为大范围土壤污染监测与风险预警提供技术支撑。

作者信息：孙孝林，中山大学地理与规划学院，博导

期刊来源：Journal of Hazardous Materials

研究内容

为解决植被覆盖区传统遥感难以直接监测土壤砷污染的问题，本文提出了一种融合无人机高光谱、Sentinel-2时序多光谱和Sentinel-1时序SAR的土壤砷含量遥感反演方法。研究首先构建高光谱、多光谱、SAR及其融合数据集，并采用Boruta算法和方差膨胀因子（VIF）进行变量筛选，降低冗余信息和多重共线性；随后利用随机森林（RF）、支持向量回归（SVR）、CatBoost及Stacking集成学习模型建立土壤砷含量预测模型，对不同遥感数据及多源数据融合的预测能力进行比较。最后，基于*优模型绘制土壤砷含量空间分布图，并结合SHAP方法分析关键遥感变量的重要性及其预警阈值。

实验设计

研究区位于中国广东省新江镇，面积约75 hm²，以旱地为主，主要种植甘蔗（图1）。研究区土壤为发育于第四纪冲积物上的老成土，呈酸性，pH为4.12～6.63，有机质含量为15.81～45.63 g/kg。采用网格与随机相结合的采样方式，在农田采集104个0～15 cm表层土壤样品，采样间距约20～30 m。每个采样点在1 m×1 m范围内采集5个子样并混合，形成一个代表性土壤样品。

图1. 研究区地理位置及采样点分布

遥感数据包括Sentinel-2多光谱影像、Sentinel-1 SAR影像及无人机高光谱影像。其中，选取8景云量较低的Sentinel-2影像，经Sen2Cor进行大气校正后，提取可见光至近红外7个波段，并统一重采样至10m分辨率，计算相应植被指数。同期获取32景Sentinel-1双极化（VV、VH）SAR影像，依次完成轨道校正、热噪声去除、辐射定标、相干斑滤波、地形校正及后向散射系数转换等预处理，提取VV、VH后向散射系数并计算5种SAR植被指数。

由于研究区长期受云层覆盖影响，难以获取高质量卫星高光谱影像，因此利用搭载GaiaSky-mini3-VN高光谱相机（江苏双利光谱成像有限公司）的DJI M300 RTK无人机采集高光谱数据。影像覆盖400～1000 nm波段，共224个波段，空间分辨率为0.15 m，共获取312幅影像。随后依次完成反射率校正、大气校正、几何校正、波段配准及影像镶嵌等预处理，生成研究区高光谱正射影像。为降低噪声影响，剔除400～450 nm波段数据，并采用Savitzky–Golay（SG）滤波对剩余204个波段进行平滑处理。在此基础上，计算SAVI、NDVI、DVI、GNDVI、RVI及RENDVI等植被指数。由于高光谱具有连续波段特性，每个植被指数均形成多层特征数据，最终将204个光谱波段及各类植被指数共同用于后续建模分析。

研究方法

土壤与遥感数据按照图2所示流程进行分析，主要包括变量构建、模型建立和结果解释三个步骤。首先，利用ArcGIS中的“多值提取至点"工具，将不同空间分辨率的遥感变量提取至相同采样点，构建5个数据集。其中，数据集A、B、C分别对应无人机高光谱、时序Sentinel-2多光谱和时序Sentinel-1 SAR数据，数据集D和E则分别融合SAR与高光谱、SAR与多光谱变量。随后，采用Boruta算法进行变量筛选，并结合方差膨胀因子（VIF）分析剔除冗余变量，以降低模型复杂度并减少多重共线性。

图2. 本研究技术流程图

基于优化后的变量，分别采用随机森林（RF）、支持向量回归（SVR）、CatBoost及Stacking模型构建土壤砷含量预测模型，其中Stacking以RF、SVR和CatBoost为基学习器，以偏最小二乘回归（PLSR）为元学习器。采用Kennard–Stone算法按照75%和25%的比例划分训练集和验证集，并结合五折交叉验证完成模型训练。模型性能采用决定系数（R²）、均方根误差（RMSE）、林氏一致性相关系数（LCCC）和性能偏差比（RPD）进行评价。

最后，根据*优模型生成土壤砷含量空间分布图及其不确定性评价，并利用SHAP方法分析各遥感变量的重要性，识别影响土壤砷含量预测的关键变量及其预警阈值。

结果

图3为研究区土壤砷含量基本统计特征研究区土壤砷含量为54.39～284.59 mg/kg，平均值为109.26 mg/kg，所有样品均超过《土壤环境质量 农用地土壤污染风险管控标准（试行）》（GB 15618–2018）规定的风险筛选值（40 mg/kg，pH＜5.5），且约为韶关市土壤砷背景值的10倍，表明研究区存在显著的土壤砷累积现象。土壤砷含量的标准差和变异系数分别为41.94 mg/kg和38.41%，说明其具有中等程度的空间变异性。偏度和峰度分析表明数据不服从正态分布，因此后续采用Spearman相关分析。

图3. 研究区土壤砷含量描述性统计。注：黑点与白点分别表示均值与中位数。

图4（a）和（b）分别为作物叶片原始及预处理后的高光谱反射率。高光谱预处理有效降低了噪声和不确定性，使光谱曲线更加平滑。作物叶片在450～680 nm波段反射率较低，在550 nm附近出现反射峰、680 nm附近出现吸收谷，680～730 nm为典型红边区域，730～1000 nm近红外波段反射率较高，符合植被光谱特征。图4（c）和（d）所示斯皮尔曼相关系数表明，在700～1000 nm红边及近红外波段，土壤砷含量与作物高光谱反射率呈显著负相关（P＜0.05或P＜0.01）。进一步分析发现，随着土壤砷含量增加，730～1000 nm范围内叶片及冠层反射率逐渐降低，说明无人机高光谱影像能够有效表征土壤砷含量的空间变化。图4（e）展示了土壤砷含量与无人机高光谱影像植被指数的关系。由于高光谱波段具有连续性，同一植被指数在不同波段计算得到的相关性较为一致，而不同植被指数的相关性存在差异。其中，DVI、SAVI、NDVI和RVI等传统植被指数多与土壤砷含量呈显著负相关，RENDVI1和RENDVI2等红边植被指数则多呈显著正相关，表明不同类型植被指数均可作为土壤砷含量的有效指示因子，但其指示能力存在差异。

图4. 植被冠层原始（a）与预处理（b）高光谱反射率及其与土壤砷含量的关系（c、d），以及植被指数与土壤砷含量的关系（e）。注：图4（c）和（d）中，橙色和青色水平虚线分别表示当斯皮尔曼秩相关系数绝对值达到或超过虚线所示数值时，相关性在P < 0.05和P < 0.01水平显著；图4（e）中，*和**分别表示该指标与土壤砷含量的相关性显著，p值分别小于0.05和0.01。

如图5所示，Sentinel-2多光谱波段、Sentinel-1 SAR后向散射系数及其植被指数均表现出明显的时序变化，反映了作物周年生长过程。Spearman相关分析表明，部分时相的多光谱和SAR变量与土壤砷含量呈显著相关，说明利用时序遥感数据预测土壤砷含量具有可行性。然而，由于植被生长存在季节性变化，没有任何单一指标能够在全年保持稳定相关。相比之下，Sentinel-1 SAR影像具有更高的时间分辨率，能够捕获更加丰富的植被动态变化信息，为土壤砷含量预测提供更多有效特征。

图5. 多光谱反射率（a）、SAR后向散射系数（b）、多光谱与SAR遥感影像衍生植被指数（c、d）及其与土壤砷含量的相关性。注：X轴数字表示时相。图（a）和（b）中，数字1~8对应2022年6月至2023年6月采集的8景Sentinel-2影像时相；图（c）和（d）中，数字1~32代表同期采集的32景Sentinel-1影像时相。黑点与红点分别表示该指标与土壤砷含量的相关性显著，P值分别小于0.05和0.01。

采用Boruta算法和VIF分析去除冗余变量及多重共线性后，数据集A、B、C、D和E分别保留3、11、14、12和18个变量，其中植被指数数量均高于单一波段变量，表明植被指数能够更全面地表征植被生长状态。图6展示了不同机器学习算法在5个数据集上的预测结果。训练集与测试集表现接近，说明模型具有良好的稳定性。总体来看，Stacking集成模型在大多数数据集上的预测精度优于RF、SVR和CatBoost等单一模型，仅在数据集C中CatBoost表现最佳，说明集成学习能够有效提升土壤砷含量预测精度，但不同机器学习算法的性能受数据集影响较大。

在相同建模方法下，5个数据集的预测精度总体表现为：数据集E > 数据集D > 数据集B > 数据集A > 数据集C。结果表明，光学遥感数据整体优于SAR数据，时序Sentinel-2多光谱数据较无人机高光谱数据具有更好的预测能力；进一步融合时序SAR与光学遥感数据后，模型预测精度得到显著提升，验证了多源遥感数据融合在土壤砷含量估算中的有效性。

图6. 模型精度评价结果。注：数据集A：纯高光谱遥感变量；数据集B：纯时序Sentinel-2变量；数据集C：纯时序Sentinel-1变量；数据集D：高光谱联合时序Sentinel-1变量；数据集E：时序Sentinel-2联合Sentinel-1变量。

图7为5个数据集的*优预测结果。实测值与预测值的回归方程显示，各预测模型总体上对实测值存在低估。从RPD来看，单独SAR数据对土壤砷含量的预测能力相对有限（RPD = 1.28，< 1.4）；高光谱数据、时序卫星多光谱数据以及高光谱联合时序SAR数据均表现出中等预测性能，可用于初步评估（1.4 < RPD < 1.8）；而时序卫星多光谱与SAR数据的协同应用则表现出良好预测性能（RPD = 1.87），具备实际应用价值。

图7. 基于遥感数据集A（a）、B（b）、C（c）、D（d）和E（e）*优模型的土壤砷含量实测值与预测值散点图。

图8展示了*优模型（数据集E-Stacking）的变量重要性及SHAP解释结果。其中，RENDVI3_Aug 7、B2_Oct 26和RENDVI3_May 29为贡献最大的三个变量，说明时序多光谱变量在土壤砷含量预测中起主导作用。SHAP分析表明，这些变量与土壤砷含量均呈负相关，其取值越低，模型预测的土壤砷含量越高。

图8. *10位重要变量的（a）SHAP特征重要性条形图与（b）SHAP特征影响汇总图。注：Jan、Feb、Mar、Apr、Jun、Jul、Aug、Sep、Oct、Nov、Dec分别代表一月、二月、三月、四月、六月、七月、八月、九月、十月、十一月、十二月。

此外，图9利用广义可加模型拟合了关键变量与SHAP值之间的关系，并确定了土壤砷污染风险的预警阈值。其中，RENDVI3_Aug 7、B2_Oct 26和RENDVI3_May 29的阈值分别为0.018、0.052和0.013。当变量值低于相应阈值时，SHAP值由负转正，表明土壤砷含量存在升高风险。

图9. 重要性前3位变量的SHAP依赖图。注：黑色虚线处红色标记指示砷含量梯度变化的阈值。

图10为基于*优模型生成的研究区农田10 m分辨率土壤砷含量预测空间分布。高值区位于西北部，与砷污染潜在来源密切相关。具体而言，西部区域矿藏丰富，历*上无序采矿、金属冶炼及化石燃料相关工业活动直接向环境释放了大量潜在有毒元素（PTEs）；此外，农业废水灌溉进一步加剧了土壤砷累积，导致严重污染。预测图平均标准差为14.87 mg/kg（图10(b)），表明预测结果整体稳定性良好。然而，西北部因采样不足，标准差偏高。

图10. 土壤砷含量空间分布预测（a）及不确定性（b）。注：非农业用地包括水域、建设用地和林地。

结论

本研究建立了一种利用遥感数据监测长期密集植被覆盖区土壤潜在有毒元素的方法。以土壤砷含量为案例，测试并评估了不同类型遥感数据与机器学习方法的性能；同时采用SHAP技术探究了指示砷累积的关键变量阈值。主要结论如下：

（1）不同遥感数据源对砷含量估算精度存在差异，由高到低依次为：时序卫星多光谱影像、无人机高光谱数据、时序卫星SAR影像。

（2）时序卫星SAR数据分别与无人机高光谱数据或时序卫星多光谱影像的融合均显著提升了砷含量估算精度。采用Stacking建模技术，后者组合取得了*优结果（LCCC = 0.81，RPD = 1.87），表明该遥感方法具有良好的实际应用前景。

（3）8月7日和5月26日的红边植被指数RENDVI3，以及10月26日的蓝波段是监测土壤砷含量的关键变量。当其值分别低于0.018、0.013和0.052时，可能指示研究区内土壤砷的显著累积。

【来源】

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.