植被覆盖区如何监测土壤砷？机载近红外高光谱成像系统与 SAR、多光谱数据协同建模方案（一）

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**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。*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，*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*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。

*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。