應用方向：在該文獻中，高光譜成像技術被用在農業土壤重金屬污染監測與生態環境遙感評價領域。通過獲取作物冠層連續光譜信息，提取光譜反射率及植被指數，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，實現植被覆蓋區土壤砷含量的無損監測與空間分布反演。此外，高光譜成像還可與衛星多光譜、SAR遙感及機器學習技術相結合，構建多源遙感融合模型，應用于土壤重金屬污染監測、農田環境質量評價、污染風險預警、精準農業管理及生態環境監測等領域，為農業生態環境保護和土壤污染治理提供高效、智能的技術支撐。

關鍵詞：遙感；無人機高光譜；多光譜；合成孔徑雷達；土壤砷污染

背景：

隨著工業化、城市化和農業集約化進程不斷加快，土壤中潛在有毒元素（PTEs）污染問題日益突出，其中砷（As）因具有較強的毒性、持久性、不可逆性及生物富集特性，已成為威脅生態環境安全和人體健康的重要污染物。因此，建立高效、準確的大范圍土壤砷污染監測方法，對于農業環境保護、污染治理及風險預警具有重要意義。

近年來，遙感技術憑借快速、無損、大范圍監測等優勢，已成為土壤重金屬污染監測的重要手段。然而，該方法依賴于裸露土壤像元，因此主要適用于礦區、半干旱地區或季節性裸地農田。對于熱帶、亞熱帶等植被長期覆蓋的農業區域，由于難以獲取裸土光譜信息，傳統遙感監測方法的應用受到明顯限制。

與此同時，無人機高光譜、衛星多光譜以及合成孔徑雷達（SAR）遙感各具優勢。高光譜遙感能夠精細表征植被生理變化，多光譜遙感具有覆蓋范圍廣、時間分辨率高等特點，可捕獲植被生長全過程信息，而SAR遙感不受云雨天氣影響，能夠有效反映植被冠層結構特征。如何融合多源遙感數據，并結合機器學習模型挖掘植被特征與土壤砷含量之間復雜的非線性關系，進一步提高植被覆蓋區土壤砷污染監測精度，已成為當前遙感環境監測領域的重要研究方向。基于此，該研究利用無人機高光譜、Sentinel-2時序多光譜及Sentinel-1時序SAR數據，結合機器學習和SHAP解釋模型，建立植被覆蓋區土壤砷含量遙感監測方法，并識別影響土壤砷富集的關鍵遙感變量及其預警閾值，為大范圍土壤污染監測與風險預警提供技術支撐。

作者信息：孫孝林，中山大學地理與規劃學院，博導

期刊來源：Journal of Hazardous Materials

研究內容

為解決植被覆蓋區傳統遙感難以直接監測土壤砷污染的問題，本文提出了一種融合無人機高光譜、Sentinel-2時序多光譜和Sentinel-1時序SAR的土壤砷含量遙感反演方法。研究首先構建高光譜、多光譜、SAR及其融合數據集，并采用Boruta算法和方差膨脹因子（VIF）進行變量篩選，降低冗余信息和多重共線性；隨后利用隨機森林（RF）、支持向量回歸（SVR）、CatBoost及Stacking集成學習模型建立土壤砷含量預測模型，對不同遙感數據及多源數據融合的預測能力進行比較。最后，基于*優模型繪制土壤砷含量空間分布圖，并結合SHAP方法分析關鍵遙感變量的重要性及其預警閾值。

實驗設計

研究區位于中國廣東省新江鎮，面積約75 hm2，以旱地為主，主要種植甘蔗（圖1）。研究區土壤為發育于第四紀沖積物上的老成土，呈酸性，pH為4.12～6.63，有機質含量為15.81～45.63 g/kg。采用網格與隨機相結合的采樣方式，在農田采集104個0～15 cm表層土壤樣品，采樣間距約20～30 m。每個采樣點在1 m×1 m范圍內采集5個子樣并混合，形成一個代表性土壤樣品。

圖1. 研究區地理位置及采樣點分布

遙感數據包括Sentinel-2多光譜影像、Sentinel-1 SAR影像及無人機高光譜影像。其中，選取8景云量較低的Sentinel-2影像，經Sen2Cor進行大氣校正后，提取可見光至近紅外7個波段，并統一重采樣至10m分辨率，計算相應植被指數。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、相干斑濾波、地形校正及后向散射系數轉換等預處理，提取VV、VH后向散射系數并計算5種SAR植被指數。

由于研究區長期受云層覆蓋影響，難以獲取高質量衛星高光譜影像，因此利用搭載GaiaSky-mini3-VN高光譜相機（江蘇雙利光譜成像有限公司）的DJI M300 RTK無人機采集高光譜數據。影像覆蓋400～1000 nm波段，共224個波段，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、波段配準及影像鑲嵌等預處理，生成研究區高光譜正射影像。為降低噪聲影響，剔除400～450 nm波段數據，并采用Savitzky–Golay（SG）濾波對剩余204個波段進行平滑處理。在此基礎上，計算SAVI、NDVI、DVI、GNDVI、RVI及RENDVI等植被指數。由于高光譜具有連續波段特性，每個植被指數均形成多層特征數據，最終將204個光譜波段及各類植被指數共同用于后續建模分析。

研究方法

土壤與遙感數據按照圖2所示流程進行分析，主要包括變量構建、模型建立和結果解釋三個步驟。首先，利用ArcGIS中的“多值提取至點"工具，將不同空間分辨率的遙感變量提取至相同采樣點，構建5個數據集。其中，數據集A、B、C分別對應無人機高光譜、時序Sentinel-2多光譜和時序Sentinel-1 SAR數據，數據集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算法進行變量篩選，并結合方差膨脹因子（VIF）分析剔除冗余變量，以降低模型復雜度并減少多重共線性。

圖2. 本研究技術流程圖

基于優化后的變量，分別采用隨機森林（RF）、支持向量回歸（SVR）、CatBoost及Stacking模型構建土壤砷含量預測模型，其中Stacking以RF、SVR和CatBoost為基學習器，以偏最小二乘回歸（PLSR）為元學習器。采用Kennard–Stone算法按照75%和25%的比例劃分訓練集和驗證集，并結合五折交叉驗證完成模型訓練。模型性能采用決定系數（R2）、均方根誤差（RMSE）、林氏一致性相關系數（LCCC）和性能偏差比（RPD）進行評價。

最后，根據*優模型生成土壤砷含量空間分布圖及其不確定性評價，并利用SHAP方法分析各遙感變量的重要性，識別影響土壤砷含量預測的關鍵變量及其預警閾值。

結果

圖3為研究區土壤砷含量基本統計特征研究區土壤砷含量為54.39～284.59 mg/kg，平均值為109.26 mg/kg，所有樣品均超過《土壤環境質量 農用地土壤污染風險管控標準（試行）》（GB 15618–2018）規定的風險篩選值（40 mg/kg，pH＜5.5），且約為韶關市土壤砷背景值的10倍，表明研究區存在顯著的土壤砷累積現象。土壤砷含量的標準差和變異系數分別為41.94 mg/kg和38.41%，說明其具有中等程度的空間變異性。偏度和峰度分析表明數據不服從正態分布，因此后續采用Spearman相關分析。

圖3. 研究區土壤砷含量描述性統計。注：黑點與白點分別表示均值與中位數。

圖4（a）和（b）分別為作物葉片原始及預處理后的高光譜反射率。高光譜預處理有效降低了噪聲和不確定性，使光譜曲線更加平滑。作物葉片在450～680 nm波段反射率較低，在550 nm附近出現反射峰、680 nm附近出現吸收谷，680～730 nm為典型紅邊區域，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）所示斯皮爾曼相關系數表明，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相關（P＜0.05或P＜0.01）。進一步分析發現，隨著土壤砷含量增加，730～1000 nm范圍內葉片及冠層反射率逐漸降低，說明無人機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人機高光譜影像植被指數的關系。由于高光譜波段具有連續性，同一植被指數在不同波段計算得到的相關性較為一致，而不同植被指數的相關性存在差異。其中，DVI、SAVI、NDVI和RVI等傳統植被指數多與土壤砷含量呈顯著負相關，RENDVI1和RENDVI2等紅邊植被指數則多呈顯著正相關，表明不同類型植被指數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）與預處理（b）高光譜反射率及其與土壤砷含量的關系（c、d），以及植被指數與土壤砷含量的關系（e）。注：圖4（c）和（d）中，橙色和青色水平虛線分別表示當斯皮爾曼秩相關系數絕對值達到或超過虛線所示數值時，相關性在P < 0.05和P < 0.01水平顯著；圖4（e）中，*和**分別表示該指標與土壤砷含量的相關性顯著，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后向散射系數及其植被指數均表現出明顯的時序變化，反映了作物周年生長過程。Spearman相關分析表明，部分時相的多光譜和SAR變量與土壤砷含量呈顯著相關，說明利用時序遙感數據預測土壤砷含量具有可行性。然而，由于植被生長存在季節性變化，沒有任何單一指標能夠在全年保持穩定相關。相比之下，Sentinel-1 SAR影像具有更高的時間分辨率，能夠捕獲更加豐富的植被動態變化信息，為土壤砷含量預測提供更多有效特征。

圖5. 多光譜反射率（a）、SAR后向散射系數（b）、多光譜與SAR遙感影像衍生植被指數（c、d）及其與土壤砷含量的相關性。注：X軸數字表示時相。圖（a）和（b）中，數字1~8對應2022年6月至2023年6月采集的8景Sentinel-2影像時相；圖（c）和（d）中，數字1~32代表同期采集的32景Sentinel-1影像時相。黑點與紅點分別表示該指標與土壤砷含量的相關性顯著，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性后，數據集A、B、C、D和E分別保留3、11、14、12和18個變量，其中植被指數數量均高于單一波段變量，表明植被指數能夠更全面地表征植被生長狀態。圖6展示了不同機器學習算法在5個數據集上的預測結果。訓練集與測試集表現接近，說明模型具有良好的穩定性。總體來看，Stacking集成模型在大多數數據集上的預測精度優于RF、SVR和CatBoost等單一模型，僅在數據集C中CatBoost表現最佳，說明集成學習能夠有效提升土壤砷含量預測精度，但不同機器學習算法的性能受數據集影響較大。

在相同建模方法下，5個數據集的預測精度總體表現為：數據集E > 數據集D > 數據集B > 數據集A > 數據集C。結果表明，光學遙感數據整體優于SAR數據，時序Sentinel-2多光譜數據較無人機高光譜數據具有更好的預測能力；進一步融合時序SAR與光學遙感數據后，模型預測精度得到顯著提升，驗證了多源遙感數據融合在土壤砷含量估算中的有效性。

圖6. 模型精度評價結果。注：數據集A：純高光譜遙感變量；數據集B：純時序Sentinel-2變量；數據集C：純時序Sentinel-1變量；數據集D：高光譜聯合時序Sentinel-1變量；數據集E：時序Sentinel-2聯合Sentinel-1變量。

圖7為5個數據集的*優預測結果。實測值與預測值的回歸方程顯示，各預測模型總體上對實測值存在低估。從RPD來看，單獨SAR數據對土壤砷含量的預測能力相對有限（RPD = 1.28，< 1.4）；高光譜數據、時序衛星多光譜數據以及高光譜聯合時序SAR數據均表現出中等預測性能，可用于初步評估（1.4 < RPD < 1.8）；而時序衛星多光譜與SAR數據的協同應用則表現出良好預測性能（RPD = 1.87），具備實際應用價值。

圖7. 基于遙感數據集A（a）、B（b）、C（c）、D（d）和E（e）*優模型的土壤砷含量實測值與預測值散點圖。

圖8展示了*優模型（數據集E-Stacking）的變量重要性及SHAP解釋結果。其中，RENDVI3_Aug 7、B2_Oct 26和RENDVI3_May 29為貢獻最大的三個變量，說明時序多光譜變量在土壤砷含量預測中起主導作用。SHAP分析表明，這些變量與土壤砷含量均呈負相關，其取值越低，模型預測的土壤砷含量越高。

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鍵變量與SHAP值之間的關系，并確定了土壤砷污染風險的預警閾值。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。當變量值低于相應閾值時，SHAP值由負轉正，表明土壤砷含量存在升高風險。

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

圖10為基于*優模型生成的研究區農田10 m分辨率土壤砷含量預測空間分布。高值區位于西北部，與砷污染潛在來源密切相關。具體而言，西部區域礦藏豐富，歷*上無序采礦、金屬冶煉及化石燃料相關工業活動直接向環境釋放了大量潛在有毒元素（PTEs）；此外，農業廢水灌溉進一步加劇了土壤砷累積，導致嚴重污染。預測圖平均標準差為14.87 mg/kg（圖10(b)），表明預測結果整體穩定性良好。然而，西北部因采樣不足，標準差偏高。

圖10. 土壤砷含量空間分布預測（a）及不確定性（b）。注：非農業用地包括水域、建設用地和林地。

結論

本研究建立了一種利用遙感數據監測長期密集植被覆蓋區土壤潛在有毒元素的方法。以土壤砷含量為案例，測試并評估了不同類型遙感數據與機器學習方法的性能；同時采用SHAP技術探究了指示砷累積的關鍵變量閾值。主要結論如下：

（1）不同遙感數據源對砷含量估算精度存在差異，由高到低依次為：時序衛星多光譜影像、無人機高光譜數據、時序衛星SAR影像。

（2）時序衛星SAR數據分別與無人機高光譜數據或時序衛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，后者組合取得了*優結果（LCCC = 0.81，RPD = 1.87），表明該遙感方法具有良好的實際應用前景。

（3）8月7日和5月26日的紅邊植被指數RENDVI3，以及10月26日的藍波段是監測土壤砷含量的關鍵變量。當其值分別低于0.018、0.013和0.052時，可能指示研究區內土壤砷的顯著累積。

【來源】

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.