全 文 ：基于 Ｈｙｐｅｒｉｏｎ影像植被光谱的土壤重金属含量
空间分布反演———以青海省玉树县为例
杨灵玉１　 高小红１∗　 张　 威１，２　 史飞飞１　 何林华１　 贾　 伟１
（ １青海师范大学生命与地理科学学院青海省自然地理与环境过程重点实验室 ／青藏高原环境与资源教育部重点实验室， 西宁
８１０００８； ２哈尔滨工程大学航天与建筑工程学院， 哈尔滨 １５０００１）
摘　 要　 本研究主要探讨了利用 Ｈｙｐｅｒｉｏｎ 影像植被光谱估算土壤重金属含量的可行性．以野
外采集的三江源区玉树县 ４８个表层土壤样品 Ａｓ、Ｐｂ、Ｚｎ、Ｃｄ 实验室测定含量值，以及从两景
Ｈｙｐｅｒｉｏｎ影像提取的 ４８个土壤样本点相应的 １７６个植被光谱反射率波段及构建的 ５ 种植被
指数为数据源，利用偏最小二乘回归方法（ＰＬＳＲ）建立土壤各重金属含量与上述两套 Ｈｙｐｅｒｉ⁃
ｏｎ影像上提取的变量之间的估算模型．模型分别为 １７６个植被光谱反射率波段与土壤各重金
属含量间的估算模型（植被光谱反射率模型），和以 ５ 种植被指数作为自变量，与土壤各重金
属含量建立的估算模型（综合植被指数模型） ．运用验证样本的 ４ 种重金属元素实测含量值的
标准差与均方根误差的比值（ＲＰＤ）作为检验标准，Ａｓ、Ｐｂ 两种模型 ＲＰＤ 均小于 １．４，不具备
粗略估算能力；Ｚｎ、Ｃｄ两种模型 ＲＰＤ分别为 １．５３、１．４６与 １．４６、１．４２，均具备粗略估算能力．根
据上述结果将 Ｚｎ的光谱反射率估算模型与 Ｈｙｐｅｒｉｏｎ 影像相结合反演得到土壤重金属 Ｚｎ 含
量的空间分布，Ｚｎ含量在 ２１４国道、３０８省道和乡镇附近偏高，主要受到较强的人类活动影响．
表明运用 Ｈｙｐｅｒｉｏｎ高光谱影像植被光谱反射率可以间接估算土壤 Ｚｎ、Ｃｄ元素含量．
关键词　 高光谱影像； 土壤重金属含量； 偏最小二乘回归； 植被光谱反射率； 玉树县
本文由青海省科技厅自然科学基金项目（２０１１⁃Ｚ⁃９０３）、青海师范大学创新基金项目（ＱＳ２０１２⁃０８）、青海省重点实验室发展专项（２０１４⁃Ｚ⁃Ｙ２４，
２０１５⁃Ｚ⁃Ｙ０１）资助 Ｔｈｉｓ ｗｏｒｋ ｗａｓ ｓｕｐｐｏｒｔｅｄ ｂｙ ｔｈｅ Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ Ｆｏｕｎｄａｔｉｏｎ ｆｒｏｍ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｑｉｎｇｈａｉ Ｐｒｏｖｉｎｃｅ， Ｃｈｉｎａ
（２０１１⁃Ｚ⁃９０３）， ｔｈｅ Ｉｎｎｏｖａｔｉｏｎ Ｆｏｕｎｄａｔｉｏｎ ｏｆ Ｑｉｎｇｈａｉ Ｎｏｒｍａｌ Ｕｎｉｖｅｒｓｉｔｙ （ＱＳ２０１２⁃０８） ａｎｄ ｔｈｅ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ Ｄｅｖｅｌｏｐｍｅｎｔ Ｐｒｏｊｅｃｔｓ ｏｆ Ｑｉｎｇｈａｉ Ｐｒｏ⁃
ｖｉｎｃｅ， Ｃｈｉｎａ （２０１４⁃Ｚ⁃Ｙ２４， ２０１５⁃Ｚ⁃Ｙ０１）．
２０１５⁃１２⁃０２ Ｒｅｃｅｉｖｅｄ， ２０１６⁃０３⁃２２ Ａｃｃｅｐｔｅｄ．
∗通讯作者 Ｃｏｒｒｅｓｐｏｎｄｉｎｇ ａｕｔｈｏｒ． Ｅ⁃ｍａｉｌ： ｘｉａｏｈｏｎｇｇａｏ２２６＠ １６３．ｃｏｍ
Ｅｓｔｉｍａｔｉｎｇ ｈｅａｖｙ ｍｅｔａｌ ｃｏｎｃｅｎｔｒａｔｉｏｎｓ ｉｎ ｔｏｐｓｏｉｌ ｆｒｏｍ ｖｅｇｅｔａｔｉｏｎ ｒｅｆｌｅｃｔａｎｃｅ ｓｐｅｃｔｒａ ｏｆ Ｈｙｐｅ⁃
ｒｉｏｎ ｉｍａｇｅｓ： Ａ ｃａｓｅ ｓｔｕｄｙ ｏｆ Ｙｕｓｈｕ Ｃｏｕｎｔｙ， Ｑｉｎｇｈａｉ， Ｃｈｉｎａ． ＹＡＮＧ Ｌｉｎｇ⁃ｙｕ１， ＧＡＯ Ｘｉａｏ⁃
ｈｏｎｇ１∗， ＺＨＡＮＧ Ｗｅｉ１，２， ＳＨＩ Ｆｅｉ⁃ｆｅｉ１， ＨＥ Ｌｉｎ⁃ｈｕａ１， ＪＩＡ Ｗｅｉ１ （ １Ｑｉｎｇｈａｉ Ｐｒｏｖｉｎｃｅ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ
ｏｆ Ｐｈｙｓｉｃａｌ Ｇｅｏｇｒａｐｈｙ ａｎｄ Ｅｎｖｉｒｏｎｍｅｎｔａｌ Ｐｒｏｃｅｓｓ ／ Ｍｉｎｉｓｔｒｙ ｏｆ Ｅｄｕｃａｔｉｏｎ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｎ Ｅｎｖｉｒｏｎ⁃
ｍｅｎｔｓ ａｎｄ Ｒｅｓｏｕｒｃｅｓ ｉｎ Ｑｉｎｇｈａｉ⁃Ｔｉｂｅｔ Ｐｌａｔｅａｕ， Ｓｃｈｏｏｌ ｏｆ Ｌｉｆｅ ａｎｄ Ｇｅｏｇｒａｐｈｉｃａｌ Ｓｃｉｅｎｃｅ， Ｑｉｎｇｈａｉ
Ｎｏｒｍａｌ Ｕｎｉｖｅｒｓｉｔｙ， Ｘｉｎｉｎｇ ８１０００８， Ｃｈｉｎａ； ２Ｃｏｌｌｅｇｅ ｏｆ Ａｓｔｒｏｎａｕｔｉｃｓ ａｎｄ Ｃｉｖｉｌ Ｅｎｇｉｎｅｅｒｉｎｇ， Ｈａｒｂｉｎ
Ｅｎｇｉｎｅｅｒｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ， Ｈａｒｂｉｎ １５０００１， Ｃｈｉｎａ） ．
Ａｂｓｔｒａｃｔ： Ｉｎ ｔｈｉｓ ｓｔｕｄｙ， ｗｅ ｅｘｐｌｏｒｅｄ ｔｈｅ ｆｅａｓｉｂｉｌｉｔｙ ｏｆ ｅｓｔｉｍａｔｉｎｇ ｔｈｅ ｓｏｉｌ ｈｅａｖｙ ｍｅｔａｌ ｃｏｎｃｅｎｔｒａｔｉｏｎｓ
ｕｓｉｎｇ ｔｈｅ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｓａｔｅｌｌｉｔｅ ｉｍａｇｅ． Ｔｈｅ ｃｏｎｃｅｎｔｒａｔｉｏｎ ｏｆ Ａｓ， Ｐｂ， Ｚｎ ａｎｄ Ｃｄ ｅｌｅｍｅｎｔｓ ｉｎ ４８ ｔｏｐ⁃
ｓｏｉｌ ｓａｍｐｌｅｓ ｃｏｌｌｅｃｔｅｄ ｆｒｏｍ ｔｈｅ ｆｉｅｌｄ ｉｎ Ｙｕｓｈｕ Ｃｏｕｎｔｙ ｏｆ ｔｈｅ Ｓａｎｊｉａｎｇｙｕａｎ ｒｅｇｉｏｎｓ ｗａｓ ｍｅａｓｕｒｅｄ ｉｎ
ｔｈｅ ｌａｂｏｒａｔｏｒｙ． Ｗｅ ｔｈｅｎ ｅｘｔｒａｃｔｅｄ １７６ ｖｅｇｅｔａｔｉｏｎ ｓｐｅｃｔｒａｌ ｒｅｆｌｅｃｔａｎｃｅ ｂａｎｄｓ ｏｆ ４８ ｓｏｉｌ ｓａｍｐｌｅｓ ａｓ
ｗｅｌｌ ａｓ ｆｉｖｅ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｉｃｅｓ ｆｒｏｍ ｔｗｏ Ｈｙｐｅｒｉｏｎ ｉｍａｇｅｓ． Ｆｏｌｌｏｗｉｎｇ ｔｈａｔ， ｔｈｅ ｐａｒｔｉａｌ ｌｅａｓｔ ｓｑｕａｒｅｓ
ｒｅｇｒｅｓｓｉｏｎ （ＰＬＳＲ） ｍｅｔｈｏｄ ｗａｓ ｅｍｐｌｏｙｅｄ ｔｏ ｅｓｔｉｍａｔｅ ｔｈｅ ｓｏｉｌ ｈｅａｖｙ ｍｅｔａｌ ｃｏｎｃｅｎｔｒａｔｉｏｎｓ ｕｓｉｎｇ ｔｈｅ
ａｂｏｖｅ ｔｗｏ ｉｎｄｅｐｅｎｄｅｎｔ ｓｅｔｓ ｏｆ Ｈｙｐｅｒｉｏｎ⁃ｄｅｒｉｖｅｄ ｖａｒｉａｂｌｅｓ， ｓｅｐａｒａｔｅｌｙ ｃｏｎｓｔｒｕｃｔｅｄ ｔｈｅ ｅｓｔｉｍａｔｉｏｎ
ｍｏｄｅｌ ｂｅｔｗｅｅｎ ｔｈｅ １７６ ｖｅｇｅｔａｔｉｏｎ ｓｐｅｃｔｒａｌ ｒｅｆｌｅｃｔａｎｃｅ ｂａｎｄｓ ａｎｄ ｔｈｅ ｓｏｉｌ ｈｅａｖｙ ｍｅｔａｌ ｃｏｎｃｅｎｔｒａｔｉｏｎｓ
（ ｃａｌｌｅｄ ｔｈｅ ｖｅｇｅｔａｔｉｏｎ ｓｐｅｃｔｒａｌ ｒｅｆｌｅｃｔａｎｃｅ⁃ｂａｓｅｄ ｅｓｔｉｍａｔｉｏｎ ｍｏｄｅｌ）， ａｎｄ ｂｅｔｗｅｅｎ ｔｈｅ ｆｉｖｅ ｖｅｇｅｔａｔｉｏｎ
ｉｎｄｉｃｅｓ ｂｅｉｎｇ ｕｓｅｄ ａｓ ｔｈｅ ｉｎｄｅｐｅｎｄｅｎｔ ｖａｒｉａｂｌｅ ａｎｄ ｔｈｅ ｓｏｉｌ ｈｅａｖｙ ｍｅｔａｌ ｃｏｎｃｅｎｔｒａｔｉｏｎｓ （ｃａｌｌｅｄ ｓｙｎ⁃
ｔｈｅｔｉｃ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｅｘ⁃ｂａｓｅｄ ｅｓｔｉｍａｔｉｏｎ ｍｏｄｅｌ） ． Ｕｓｉｎｇ ＲＰＤ （ ｔｈｅ ｒａｔｉｏ ｏｆ ｓｔａｎｄａｒｄ ｄｅｖｉａｔｉｏｎ ｆｒｏｍ
ｔｈｅ ４ ｈｅａｖｙ ｍｅｔａｌｓ ｍｅａｓｕｒｅｄ ｖａｌｕｅｓ ｏｆ ｔｈｅ ｖａｌｉｄａｔｉｏｎ ｓａｍｐｌｅｓ ｔｏ ＲＭＳＥ） ａｓ ｔｈｅ ｖａｌｉｄａｔｉｏｎ ｃｒｉｔｅｒｉａ，
应 用 生 态 学 报　 ２０１６年 ６月　 第 ２７卷　 第 ６期　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ｈｔｔｐ： ／ ／ ｗｗｗ．ｃｊａｅ．ｎｅｔ
Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅｃｏｌｏｇｙ， Ｊｕｎ． ２０１６， ２７（６）： １７７５－１７８４　 　 　 　 　 　 　 　 　 ＤＯＩ： １０．１３２８７ ／ ｊ．１００１－９３３２．２０１６０６．０３０
ｔｈｅ ＲＰＤｓ ｏｆ Ａｓ ａｎｄ Ｐｂ ｃｏｎｃｅｎｔｒａｔｉｏｎｓ ｆｒｏｍ ｔｈｅ ｔｗｏ ｍｏｄｅｌｓ ｗｅｒｅ ｂｏｔｈ ｌｅｓｓ ｔｈａｎ １．４， ｗｈｉｃｈ ｓｕｇｇｅｓ⁃
ｔｅｄ ｔｈａｔ ｂｏｔｈ ｍｏｄｅｌｓ ｗｅｒｅ ｉｎｃａｐａｂｌｅ ｏｆ ｒｏｕｇｈｌｙ ｅｓｔｉｍａｔｉｎｇ Ａｓ ａｎｄ Ｐｂ ｃｏｎｃｅｎｔｒａｔｉｏｎｓ； ｗｈｅｒｅａｓ ｔｈｅ
ＲＰＤｓ ｏｆ Ｚｎ ａｎｄ Ｃｄ ｗｅｒｅ １．５３， １．４６ ａｎｄ １．４６， １．４２， ｒｅｓｐｅｃｔｉｖｅｌｙ， ｗｈｉｃｈ ｉｍｐｌｉｅｄ ｔｈａｔ ｂｏｔｈ ｍｏｄｅｌｓ
ｈａｄ ｔｈｅ ａｂｉｌｉｔｙ ｆｏｒ ｒｏｕｇｈ ｅｓｔｉｍａｔｉｏｎ ｏｆ Ｚｎ ａｎｄ Ｃｄ ｃｏｎｃｅｎｔｒａｔｉｏｎｓ． Ｂａｓｅｄ ｏｎ ｔｈｏｓｅ ｒｅｓｕｌｔｓ， ｔｈｅ ｖｅｇｅｔａ⁃
ｔｉｏｎ ｓｐｅｃｔｒａｌ⁃ｂａｓｅｄ ｅｓｔｉｍａｔｉｏｎ ｍｏｄｅｌ ｗａｓ ｓｅｌｅｃｔｅｄ ｔｏ ｏｂｔａｉｎ ｔｈｅ ｓｐａｔｉａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ｍａｐ ｏｆ Ｚｎ ｃｏｎ⁃
ｃｅｎｔｒａｔｉｏｎ ｉｎ ｃｏｍｂｉｎａｔｉｏｎ ｗｉｔｈ ｔｈｅ Ｈｙｐｅｒｉｏｎ ｉｍａｇｅ． Ｔｈｅ ｅｓｔｉｍａｔｅｄ Ｚｎ ｍａｐ ｓｈｏｗｅｄ ｔｈａｔ ｔｈｅ ｚｏｎｅｓ
ｗｉｔｈ ｈｉｇｈ Ｚｎ ｃｏｎｃｅｎｔｒａｔｉｏｎｓ ｗｅｒｅ ｄｉｓｔｒｉｂｕｔｅｄ ｎｅａｒ ｔｈｅ ｐｒｏｖｉｎｃｉａｌ ｒｏａｄ ３０８， ｎａｔｉｏｎａｌ ｒｏａｄ ２１４ ａｎｄ
ｔｏｗｎｓ， ｗｈｉｃｈ ｃｏｕｌｄ ｂｅ ｉｎｆｌｕｅｎｃｅｄ ｂｙ ｈｕｍａｎ ａｃｔｉｖｉｔｉｅｓ． Ｏｕｒ ｓｔｕｄｙ ｐｒｏｖｅｄ ｔｈａｔ ｔｈｅ ｓｐｅｃｔｒａｌ ｒｅｆｌｅｃｔａｎｃｅ
ｏｆ Ｈｙｐｅｒｉｏｎ ｉｍａｇｅ ｗａｓ ｕｓｅｆｕｌ ｉｎ ｅｓｔｉｍａｔｉｎｇ ｔｈｅ ｓｏｉｌ ｃｏｎｃｅｎｔｒａｔｉｏｎｓ ｏｆ Ｚｎ ａｎｄ Ｃｄ．
Ｋｅｙ ｗｏｒｄｓ： ｈｙｐｅｒｓｐｅｃｔｒａｌ ｉｍａｇｅｓ； ｓｏｉｌ ｈｅａｖｙ ｍｅｔａｌ ｃｏｎｃｅｎｔｒａｔｉｏｎｓ； ｐａｒｔｉａｌ ｌｅａｓｔ ｓｑｕａｒｅｓ ｒｅｇｒｅｓｓｉｏｎ
（ＰＬＳＲ）； ｖｅｇｅｔａｔｉｏｎ ｓｐｅｃｔｒａｌ ｒｅｆｌｅｃｔａｎｃｅ； Ｙｕｓｈｕ Ｃｏｕｎｔｙ．
　 　 草地资源作为三江源区水源涵养和畜牧业生产
的承载者，有着不容忽视的生态功能价值和社会经
济作用［１］，土壤的环境状况对草地良性生长至关重
要．土壤中重金属含量超标会抑制多数植物的细胞
增长分裂以及某些酶的活性，降低植物的光合作用，
严重影响植物的生长［２］，并可能通过食物链直接或
间接地对人体健康产生危害［３］ ．因此及时了解土壤
中重金属含量及其空间分布，对草地资源的可持续
利用具有重要的意义．一般认为三江源区人口稀少、
人类活动相对较弱，土壤受到重金属污染的可能性
较小．然而有研究表明，重金属元素及一些有机污染
物可经过大气环流长距离输送到遥远的高海拔地区
而难以降解，逐步沉积到土壤中形成污染物的“储
库”，造成区域土壤的重金属污染［４－５］ ．那么无工业
分布的三江源地区土壤环境是否会受到污染呢？ 针
对上述问题，研究三江源区土壤重金属环境状况，探
索有效、快速获取重金属含量的方法，对于三江源区
生态环境保护具有重要的意义．
传统的土壤重金属污染研究耗时费力、效率低
下，而且无法较好地获取元素的空间分布信息．高光
谱遥感技术以快速、无损、无污染的优势为宏观获取
土壤重金属元素信息提供了新的途径［６］，高光谱遥
感影像因具有窄而连续的波段、图谱合一等特点，成
为近年来土壤科学新的研究热点．Ｃｈａｂｒｉｌｌａｔ 等［７］研
究表明，利用 ＡＶＩＲＩＳ 和 ＨｙＭａｐ 高光谱影像通过滤
波算法可以成功地反演裸土区的黏土矿物含量．
Ｃéｃｉｌｅ等［８］利用 ＨｙＭａｐ 高光谱影像数据成功预测
并反演了裸土区游离 Ｆｅ３＋、碳酸钙（ＣａＣＯ３）、黏土矿
物和阳离子交换量（ＣＥＣ）４种土壤指标，较好地反映
了土壤成分的空间分布状况．Ｌｕ 等［９］利用 Ｈｙｐｅｒｉｏｎ
高光谱影像数据，分别采用多元逐步线性回归
（ＭＬＳＲ）和偏最小二乘回归（ＰＬＳＲ）建立了张掖市
裸土土壤成分模型，研究表明，其对土壤有机碳
（ＳＯＣ）、全磷（ＴＰ）含量和 ｐＨ 值估算具有较好的精
度（决定系数 Ｒ２＞０．６，相对分析误差 ＲＰＤ＞１．５）．目
前土壤属性的遥感反演主要是针对裸土区域，而对
有植被覆盖区域的土壤反演仍然面临诸多困难和挑
战，还处于探索阶段．
尽管如此，仍有学者提出通过建立植被光谱反
射率与土壤元素含量之间的关系来间接反演土壤属
性［１０］ ．由于一些植物对重金属有富集作用，植物生
长的土壤条件改变可以诱导植物叶绿素浓度、生理
及冠层的改变，从而影响植被的光谱反射率［１１］ ．
Ｋｏｏｉｓｔｒａ等［１１－１２］通过野外测量的植被高光谱反射率
数据成功估测了土壤中的 Ｎｉ、Ｃｄ、Ｃｕ、Ｚｎ和 Ｐｂ，以及
其他一些属性． Ａｎｎｅ 等［１０］基于 Ｈｙｐｅｒｉｏｎ 高光谱影
像，提取红树林冠层的反射光谱数据与土壤中的有
机质、黏土矿物等土壤属性含量构建差值植被指数、
比值植被指数模型及 ＰＬＳＲ 模型，并成功估测了这
些土壤属性的含量． Ｐｉｅｋａｒｃｚｙｋ 等［１３］利用 ＰＬＳＲ 和
ＭＬＳＲ方法建立黏土矿物、阳离子交换量及 ｐＨ值与
通过 ＡＳＴＥＲ影像提取的植被光谱反射率之间的关
系模型，成功估测了上述土壤属性的含量．
本文以三江源区青海省玉树县为例，试图以
Ｈｙｐｅｒｉｏｎ高光谱遥感影像和野外采集的土壤样本数
据为基础，分析植被光谱反射率与重金属含量之间
的相关性，采用偏最小二乘回归法建立土壤重金属
Ａｓ、Ｐｂ、Ｚｎ和 Ｃｄ 含量与 Ｈｙｐｅｒｉｏｎ 高光谱影像植被
反射率及植被指数之间的估算模型，最终探索利用
Ｈｙｐｅｒｉｏｎ高光谱影像植被光谱反射率反演土壤重金
属含量的可行性，为今后快速、有效获取三江源区土
壤重金属元素含量及其空间分布提供方法支持．
１　 研究区域与研究方法
１􀆰 １　 研究区概况
玉树县（３３°４４′—３３°４６′ Ｎ，９５°４１′—９７°４４′ Ｅ）
６７７１ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２７卷
位于三江源区南部，纵跨长江、澜沧江两大水系，土
地总面积为 １．５７×１０４ ｋｍ２［１４］ ．地形以高原为主、山脉
绵延，间有许多小盆地和湖盆，平均海拔为 ４４９３．４
ｍ．气候类型为冷热两季交替，干湿两季分明，日照
时间长，辐射强烈，无明显四季区分的高原大陆性气
候．土壤类型以高山草甸土为主，高山草原土、山地
草甸土、灰褐土、沼泽土、高山寒漠土等土壤类型也
有少量分布． 主要植被类型以莎草科的蒿草及禾本
科为主［１５］，研究区地理位置及采样点分布见图 １．
１􀆰 ２　 样品采集与测定
于 ２０１３年 ８ 月 １７—２７ 日，在研究区内沿公路
每隔 ０．５ ｋｍ采集一个样品，采集表层 ０～３０ ｃｍ的土
样，每份样品采集 １ ｋｇ左右，共采集 ４０个土壤样本．
又将 ２０１２年 ８月 ７—１７ 日用相同方法采集的落在
研究区范围内的 ８ 个采样点补充到上述样本点中，
共 ４８个土壤样本点．利用手持 ＧＰＳ对所采土壤样点
进行定位，并详细记录其土壤性状及植被覆被状况
等相关信息．利用 ＡｒｃＧＩＳ 软件绘制采样点空间分布
图（图 １）．土壤样品在室内自然风干，去除土壤以外
的砂砾、植物残体等，用木棒研磨，分别过 ２０、６０ 和
１００目土壤筛，用于实验室元素化学成分测定．
土壤重金属元素（Ａｓ、Ｐｂ、Ｚｎ、Ｃｄ）送交青海省有
色地质测试中心测定，首先利用无污染的玛瑙球磨
机对土样进行研磨，并用 ＨＮＯ３⁃ＨＣｌ⁃ＨＣｌＯ４⁃ＨＦ 溶液
对土壤样品进行微波消解．Ｐｂ、Ｚｎ、Ｃｄ 含量采用电感
耦合等离子体质谱仪（ ＩＣＰ⁃ＭＳ）测定，Ａｓ 含量采用
原子荧光光度计（ＡＦＳ⁃８１３０）测定．
１􀆰 ３　 土壤重金属污染评价
地质累积指数（Ｍｕｌｌｅｒ指数） ［１６］不仅可以反映
图 １　 研究区地理位置及采样点分布
Ｆｉｇ．１　 Ｌｏｃａｔｉｏｎ ｏｆ ｔｈｅ ｓｔｕｄｙ ａｒｅａ ａｎｄ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｓｏｉｌ ｓａｍ⁃
ｐｌｉｎｇ ｓｉｔｅｓ．
Ⅰ： ２０１２ 年采样点 Ｓｏｉｌ ｓａｍｐｌｉｎｇ ｓｉｔｅｓ ｉｎ ２０１２； Ⅱ： ２０１３ 年采样点
Ｓｏｉｌ ｓａｍｐｌｉｎｇ ｓｉｔｅｓ ｉｎ ２０１３．
重金属分布的自然变化特征，而且可以判断人为活
动对环境的影响，是区分人为活动的重要参数．其公
式如下：
Ｉｇｅｏ ＝ ｌｏｇ２（Ｃｎ ／ １．５Ｂｎ）
式中：Ｉｇｅｏ为地质累积指数；Ｃｎ 为元素 ｎ 的浓度；Ｂｎ
为元素 ｎ的背景值．
地质累积指数等级划分：Ｉｇｅｏ≤０，污染级别为 ０，
表示无污染；０＜Ｉｇｅｏ≤１，污染级别为 １，表示轻度污
染；１＜Ｉｇｅｏ≤２，污染级别为 ２，表示中度污染；２＜ Ｉｇｅｏ
≤３，污染级别为 ３，表示中⁃强污染；３＜Ｉｇｅｏ≤４，污染
级别为 ４，表示强度污染；４＜Ｉｇｅｏ≤５，污染级别为 ５，
表示强⁃极强污染；Ｉｇｅｏ ＞５，污染级别为 ６，表示极强
污染．
１􀆰 ４　 遥感影像获取与植被光谱信息提取
本文所用遥感影像分别为 ２景 Ｈｙｐｅｒｉｏｎ影像和
１景 Ｌａｎｄｓａｔ ８ ＯＬＩ 影像，均从美国地质调查局网站
（ｈｔｔｐ： ／ ／ ｗｗｗ．ｕｓｇｓ． ｇｏｖ）免费获取．其中 Ｈｙｐｅｒｉｏｎ 影
像 编 号 分 别 为 ＥＯ１Ｈ１３４０３７２０１３２１５１１０Ｐａ 和
ＥＯ１Ｈ１３４０３７２０１３２２３１１０Ｐａ，接收时间为 ２０１３ 年 ８
月 ３和 １１日，数据类型为 Ｌｅｖｅｌ １Ｒ 产品；Ｌａｎｄｓａｔ ８
ＯＬＩ 影像编号为 ＬＯ８１３５０３７２０１３２１６ＢＪＣ００，数据类
型为 Ｌ１Ｔ，获取时间为 ２０１３年 ８月 ３０日．
Ｈｙｐｅｒｉｏｎ是在轨运行的高光谱星载成像光谱
仪，其以推扫方式获取的数据包括 ３５ 个可见光波
段，３５个近红外波段和 １７２个短波红外波段，共 ２４２
个波段．其光谱分辨率高达 １０ ｎｍ，地面分辨率为 ３０
ｍ，扫描宽度为 ７．５ ｋｍ、长度为 ４２ ｋｍ．由于获取的
Ｈｙｐｅｒｉｏｎ 影像存在着非正常像元、辐射畸变及几何
畸变等问题，本文利用 ＥＮＶＩ ５．０软件下的Ｗｏｒｋｓｈｏｐ
图 ２　 Ｈｙｐｅｒｉｏｎ影像提取的植被光谱反射率
Ｆｉｇ．２　 Ｖｅｇｅｔａｔｉｏｎ ｒｅｆｌｅｃｔａｎｃｅ ｓｐｅｃｔｒｕｍｓ ｅｘｔｒａｃｔｅｄ ｆｒｏｍ Ｈｙｐｅｒｉ⁃
ｏｎ ｉｍａｇｅｓ．
１） ２０１２年土壤样本 Ｓｏｉｌ ｓａｍｐｌｉｎｇ ｓｉｔｅｓ ｉｎ ２０１２； ２） ２０１３年土壤样本
Ｓｏｉｌ ｓａｍｐｌｉｎｇ ｓｉｔｅｓ ｉｎ ２０１３．
７７７１６期　 　 　 　 杨灵玉等：基于 Ｈｙｐｅｒｉｏｎ影像植被光谱的土壤重金属含量空间分布反演———以青海省玉树县为例　
插件对 Ｈｙｐｅｒｉｏｎ影像进行预处理：去除未定标和受
水汽影响波段（剩余 １７６ 个波段）；将图像灰度值转
为辐射能量值（可见光⁃近红外波段除以 ４０，短波红
外波段除以 ８０） ［１７］；坏线修复、条纹去除、Ｓｍｉｌｅ 效
应（光谱在波长上的偏移［１８］）去除．影像噪声去除采
用最小噪声分离法（ＭＮＦ），即用 ＭＮＦ 滤波算法分
离噪声和图像信号，判定哪些波段包含相关图像，用
波谱子集选择平滑噪声波段，然后进行反向 ＭＮＦ变
换［１８］ ．将去噪后的影像进行 ＦＬＡＡＳＨ 大气校正，利
用 Ｌａｎｄｓａｔ ８ ＯＬＩ 影像作为基准图对 Ｈｙｐｅｒｉｏｎ 影像
进行几何纠正（精度控制在半个像元之内），两景影
像的几何校正总均方根误差分别为 ０．１７ 和 ０．２３．在
校正后的影像上提取与野外采样点相对应的植被光
谱反射率，并绘制出植被光谱反射率曲线图（图 ２）．
１􀆰 ５　 基于光谱特征的植被指数计算
植被指数可以定量反映植被生物物理参数，监
测植被的生长状况［１９］ ．可见光 ／近红外波段是植被
光谱中最典型的两个波段，其间的反差是植物量变
化最敏感的度量指标，对同一生物物理现象能够产
生截然相反的光谱响应现象，因而采用可见光 ／近红
外之间的波段组合有利于增强或揭示植被光谱隐含
信息［２］ ．Ｌｅｅ等［２０］指出，运用除可见光 ／近红外波段
以外的其他波段组合对植被特征的估算和监测可能
更有用．为了全面反映植被的光谱特征，本文选取 ５
种植被指数：归一化差值植被指数（ＮＤＶＩ）、差值植
被指数（ＤＶＩ）、比值植被指数（ＳＲ）、水分胁迫指数
（ＭＳＩ）、归一化水体指数（ＮＤＷＩ）．其中，ＮＤＶＩ＝ （ＮＩＲ
－ＲＥＤ） ／ （ＮＩＲ＋ＲＥＤ），是反映生物量和植被监测的
指标，值越大表明植被生长状况越好；ＤＶＩ ＝ ＮＩＲ －
ＲＥＤ，值越大，植被生长状况越好，受重金属污染胁
迫越小；ＳＲ＝ＮＩＲ ／ ＲＥＤ，提供植被光谱吸收反射的重
要信息，度量植被长势及丰度；ＭＳＩ ＝ ＳＷＩＲ ／ ＮＩＲ，用
于测量冠层水分含量；ＮＤＷＩ ＝ （ＮＩＲ－ＳＷＩＲ） ／ （ＮＩＲ＋
ＳＷＩＲ），用于测量冠层水分含量．
１􀆰 ６　 模型构建方法
偏最小二乘回归 （ ｐａｒｔｉａｌ ｌｅａｓｔ ｓｑｕａｒｅｓ ｒｅｇｒｅｓ⁃
ｓｉｏｎ， ＰＬＳＲ）建模方法利用了主成分提取的思想，能
够较好地简化光谱数据结构，尽可能地降低光谱数
据的信息冗余和回归模型中的过拟合问题，有效地
解决了高光谱数据多个波段间的多重相关性问题，
提高了模型的稳健性［２１］ ．本文基于该方法建立光谱
估算模型，利用交叉验证中的留一法（ｌｅａｖｅ⁃ｏｎｅ⁃ｏｕｔ）
来确定模型的最佳主成分个数，并利用决定系数
（Ｒ２）、均方根误差（ＲＭＳＥ）及相对分析误差（ＲＰＤ）
等指标［２２］评价模型的稳定性和估算精度． Ｃｈａｎｇ
等［２２］指出，当 Ｒ２＞０．５、ＲＰＤ＞２时估算模型具有极好
的预测能力；当 １．４＜ＲＰＤ＜２．０ 时，模型可以对样本
进行粗略估算；ＲＰＤ＜１．４表明模型无法进行估算．
２　 结果与讨论
２􀆰 １　 土壤重金属含量统计特征
对实测的玉树县土壤样品重金属含量进行统计
分析，结果如表 １所示．表中的标准为国家土壤环境
质量标准（ＧＢ １５６１８—１９９５）规定的Ⅰ级标准和Ⅱ
级标准［２３］ ．Ｉ级标准的土壤环境质量基本保持自然
背景水平；Ⅱ级标准的土壤环境质量基本上不造成
植物和环境的危害［２３］ ．背景值为 １９９０ 年青海省土
壤环境背景值［２４］ ．从表 １ 可以看出，研究区 Ａｓ、Ｃｄ
含量的平均值略高于 Ｉ级标准，低于Ⅱ级标准； Ｐｂ、
Ｚｎ含量均低于Ⅰ级标准，基本保持自然背景水平．
Ａｓ、Ｐｂ、Ｚｎ和 Ｃｄ含量的平均值均高于 １９９０ 年青海
省土壤环境背景值，说明三江源区生态环境已经受
到人类的干扰，有向污染发展的趋势．从地质累积指
数看，Ａｓ、Ｃｄ值在 ０～１ 之间，表示已受到轻度污染，
Ｐｂ、Ｚｎ 的值小于 １，表示未受到污染．变异系数可以
反映土壤性质的变异程度，变异系数值在 ０～１０％为
小变异，１０％～１００％为中等变异，大于 １００％为高度
变异［２５］ ．本研究中４种重金属元素的变异系数都处
表 １　 玉树县土壤重金属含量统计
Ｔａｂｌｅ １　 Ｓｕｍｍａｒｙ ｓｔａｔｉｓｔｉｃｓ ｏｆ ｔｈｅ ｓｏｉｌ ｈｅａｖｙ ｍｅｔａｌ ｃｏｎｔｅｎｔｓ ｉｎ Ｙｕｓｈｕ Ｃｏｕｎｔｙ
元素
Ｅｌｅｍｅｎｔ
最大值
Ｍａｘｉｍｕｍ
（ｍｇ·ｋｇ－１）
最小值
Ｍｉｎｉｍｕｍ
（ｍｇ·ｋｇ－１）
平均值
Ｍｅａｎ
（ｍｇ·ｋｇ－１）
标准差
ＳＤ
变异系数
ＣＶ
（％）
青海省 １９９０
年背景值
Ｂａｃｋｇｒｏｕｎｄ
ｖａｌｕｅ ｏｆ Ｑｉｎｇｈａｉ
Ｐｒｏｖｉｎｃｅ ｉｎ １９９０
（ｍｇ·ｋｇ－１）
地质累积
指数
Ｇｅｏ⁃ａｃｃｕ⁃
ｍｕｌａｔｉｏｎ
ｉｎｄｅｘ
国家Ⅰ级
标准
Ｎａｔｉｏｎａｌ
ｐｒｉｍａｒｙ
ｓｔａｎｄａｒｄ
（ｍｇ·ｋｇ－１）
国家Ⅱ级
标准
Ｎａｔｉｏｎａｌ
ｓｅｃｏｎｄａｒｙ
ｓｔａｎｄａｒｄ
（ｍｇ·ｋｇ－１）
Ａｓ ３６．６０ ９．７１ ２１．４８ ５．２９ ２４．６ １３．２０ ０．１２ １５．００ ３０．００
Ｐｂ ３４．３７ １９．４８ ２６．７０ ３．５２ １３．２ ２０．１０ －０．１８ ３５．００ ３００．００
Ｚｎ １３１．９１ ５９．８８ ８１．９８ １４．７７ １８．０ ７６．１０ －０．４８ １００．００ ２５０．００
Ｃｄ ０．８０ ０．１１ ０．２６ ０．１２ ４４．７ ０．１３ ０．４２ ０．２０ ０．３０
８７７１ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２７卷
于 １０％～１００％，为中等变异．相比较而言，Ａｓ、Ｐｂ、Ｚｎ
变异系数较小，而 Ｃｄ变异系数较高，为 ４４．７％，说明
Ｃｄ含量在空间上的变异程度较大．
２􀆰 ２　 土壤重金属元素含量与植被指数的相关性
由于 ５ 种植被指数为宽波段植被指数，而可见
光⁃近红外区域以及短波红外区域有很多波段，由此
所构建的植被指数波段组合很多．利用 ＳＰＳＳ 对 Ａｓ、
Ｐｂ、Ｚｎ和 Ｃｄ ４种重金属元素与所构建的 ５ 种植被
指数依次进行相关分析，并采用 Ｐ 统计量作显著性
检验，以确定与每种元素相关性最大的植被指数组
合波段，结果见表 ２．从表 ２可以看出，Ａｓ、Ｐｂ 与各植
被指数的相关性相较于 Ｚｎ、Ｃｄ 整体上偏低．Ａｓ、Ｐｂ、
Ｚｎ和 Ｃｄ依次与植被指数 ＤＭＳＩ、ＤＭＳＩ、ＳＲ、ＮＤＶＩ 相
关性最大，而且 ４ 种元素含量值与植被含水量有着
密切的关系．有研究表明，重金属可以阻碍植物中水
分输送，导致植物体内严重失水，影响植被光谱反射
率［２６］ ．
２􀆰 ３　 基于植被光谱反射率和植被指数的重金属估
算模型构建
本研究中集的 ４８ 个土壤样本主要包括高山草
甸土、高山碎石两种土壤类型，其中高山草甸土 ４１
个，高山碎石 ７ 个（见青海省 １︰１００ 万土壤类型
图）．为了使建模样本和验证样本的重金属含量分析
值都能覆盖土壤样品重金属含量的变化范围，代表
总体样本，提高模型的估算精度．本文将 ４８ 个土壤
样本按照土壤重金属含量的大小排序，从第 １ 个样
本开始每隔 ２ 个样本抽取一个样本用于模型的检
验，剩余样本作为建模样本，得到的建模样本有 ３２
个，验证样本 １６个．
将构建的 ５种植被指数分别与土壤重金属 Ａｓ、
Ｐｂ、Ｚｎ、Ｃｄ含量建立线性回归方程，结果发现模型
精度均未达到粗略估算样本的能力，Ｒ２为 ０． １９ ～
０．３９．这可能是因为单个的植被指数包含的光谱信
息量少，无法全面地反映植被的光谱特征．因此将 ５
种植被指数作为自变量，与土壤重金属含量建立
ＰＬＳＲ模型（本文中将此模型称为综合植被指数模
型），同时建立 Ｈｙｐｅｒｉｏｎ 高光谱影像提取的植被光
谱反射率与土壤重金属含量之间的 ＰＬＳＲ 模型（本
文中将此模型称为植被光谱反射率模型）与其进行
对比．建模结果见表 ３．
Ａｓ、Ｐｂ 在植被光谱反射率模型中建模 Ｒ２达到
０．５，在综合植被指数模型中建模精度较低，Ｒ２＜０．５．
两个模型的 ＲＰＤ均小于 １．４，不具备粗略估算样本
能力．Ｚｎ、Ｃｄ的两个模型都达到了粗略估算样本的
能力且植被光谱反射率模型精度高于综合植被指数
模型．虽然综合植被指数模型精度较低，但比起单一
植被指数模型，从不能估算 Ｚｎ、Ｃｄ 含量到能够粗略
估算其含量有了较大的提高．为了直观地显示模型
表 ２　 ５种植被指数最佳组合波段与 ４种重金属元素含量的相关系数
Ｔａｂｌｅ ２　 Ｃｏｒｒｅｌａｔｉｏｎ ｃｏｅｆｆｉｃｉｅｎｔｓ ｂｅｔｗｅｅｎ ｔｈｅ ｏｐｔｉｍａｌ ｃｏｍｂｉｎａｔｉｏｎ ｂａｎｄｓ ｆｒｏｍ ｆｉｖｅ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｉｃｅｓ ａｎｄ ｆｏｕｒ ｈｅａｖｙ ｍｅｔａｌｓ
ｃｏｎｃｅｎｔｒａｔｉｏｎｓ
植被指数
Ｖｅｇｅｔａｔｉｏｎ
ｉｎｄｅｘ
Ａｓ
最佳波段组合
Ｏｐｔｉｍａｌ ｂａｎｄ
ｃｏｍｂｉｎａｔｉｏｎ
相关系数
Ｃｏｒｒｅｌａｔｉｏｎ
ｃｏｅｆｆｉｃｉｅｎｔ
Ｐｂ
最佳波段组合
Ｏｐｔｉｍａｌ ｂａｎｄ
ｃｏｍｂｉｎａｔｉｏｎ
相关系数
Ｃｏｒｒｅｌａｔｉｏｎ
ｃｏｅｆｆｉｃｉｅｎｔ
Ｚｎ
最佳波段组合
Ｏｐｔｉｍａｌ ｂａｎｄ
ｃｏｍｂｉｎａｔｉｏｎ
相关系数
Ｃｏｒｒｅｌａｔｉｏｎ
ｃｏｅｆｆｉｃｉｅｎｔ
Ｃｄ
最佳波段组合
Ｏｐｔｉｍａｌ ｂａｎｄ
ｃｏｍｂｉｎａｔｉｏｎ
相关系数
Ｃｏｒｒｅｌａｔｉｏｎ
ｃｏｅｆｆｉｃｉｅｎｔ
ＮＤＶＩ ｂ８０３ ｂ７４２ －０．４８０∗∗ ｂ８０３ ｂ７４２ －０．４１０∗∗ ｂ８０３ ｂ７３２ －０．５５６∗∗ ｂ８０３ ｂ７３２ －０．５２２∗∗
ＤＶＩ ｂ７９３ ｂ６９１ －０．４３９∗∗ ｂ７９３ ｂ６９１ －０．４０１∗ ｂ７７２ ｂ７３２ －０．５０１∗∗ ｂ７７２ ｂ７３２ －０．４４２∗∗
ＳＲ ｂ９９６ ｂ７４２ ０．４３９∗∗ ｂ９９６ ｂ７４２ ０．４３１∗∗ ｂ７７２ ｂ７３２ －０．５５８∗∗ ｂ７７２ ｂ７３２ －０．５１８∗∗
ＭＳＩ ｂ１３１６ ｂ７６２ ０．５７５∗∗ ｂ１３１６ ｂ７６２ ０．５３３∗∗ ｂ１３１６ ｂ９９６ ０．５２９∗∗ ｂ１３０５ ｂ８６４ ０．４７８∗∗
ＮＤＷＩ ｂ７９３ ｂ１３１６ －０．６０８∗∗ ｂ７９３ ｂ１３１６ －０．５４７∗∗ ｂ１３１６ ｂ９９６ －０．５４２∗∗ ｂ１３１６ ｂ９９６ －０．４７８∗∗
∗Ｐ＜０．０５； ∗∗Ｐ＜０．０１．
表 ３　 重金属含量光谱估算模型参数
Ｔａｂｌｅ ３　 Ｅｓｔｉｍａｔｅｄ ｓｐｅｃｔｒａｌ ｍｏｄｅｌ ｐａｒａｍｅｔｅｒｓ ｆｏｒ ｓｏｉｌ ｈｅａｖｙ ｍｅｔａｌ ｃｏｎｔｅｎｔｓ
元素
Ｅｌｅｍｅｎｔ
植被光谱反射率模型
Ｖｅｇｅｔａｔｉｏｎ ｓｐｅｃｔｒａｌ ｒｅｆｌｅｃｔａｎｃｅ ｅｓｔｉｍａｔｉｏｎ ｍｏｄｅｌ
建模样本
Ｃａｌｉｂｒａｔｉｏｎ
ｓａｍｐｌｅ
ＰＣ 建模集
Ｃａｌｉｂｒａｔｉｏｎ
Ｒ２ｃｖ ＲＭＳＥｃｖ
验证集
Ｖａｌｉｄａｔｉｏｎ
Ｒ２ｖ ＲＭＳＥｖ ＲＰＤ
综合植被指数模型
Ｓｙｎｔｈｅｔｉｃ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｉｃｅｓ ｅｓｔｉｍａｔｉｏｎ ｍｏｄｅｌ
验证样本
Ｖａｌｉｄａｔｉｏｎ
Ｓａｍｐｌｅｓ
ＰＣ 建模集
Ｃａｌｉｂｒａｔｉｏｎ
Ｒ２ｃｖ ＲＭＳＥｃｖ
验证集
Ｖａｌｉｄａｔｉｏｎ
Ｒ２ｖ ＲＭＳＥｖ ＲＰＤ
Ａｓ ３２ ６ ０．５４ ３．７４７ ０．３８ ４．０８８ １．２９ １６ ４ ０．４６ ３．８３５ ０．３６ ４．３０２ １．２３
Ｐｂ ３２ ６ ０．５２ ２．２９６ ０．４７ ２．９８２ １．２５ １６ ４ ０．３５ ２．７８９ ０．３５ ２．８８０ １．２６
Ｚｎ ３２ ６ ０．６６ ８．９８８ ０．６０ ８．７８６ １．５３ １６ ４ ０．５１ １１．１７７ ０．５３ ９．２２１ １．４６
Ｃｄ ３２ ４ ０．５５ ０．０８４ ０．５４ ０．０６４ １．４６ １６ ５ ０．５１ ０．０８９ ０．５２ ０．０６６ １．４２
ＰＣ： 主成分 Ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ．
９７７１６期　 　 　 　 杨灵玉等：基于 Ｈｙｐｅｒｉｏｎ影像植被光谱的土壤重金属含量空间分布反演———以青海省玉树县为例　
图 ３　 重金属含量建模样本（Ⅰ，ｎ＝ ３２）和验证样本（Ⅱ，ｎ＝ １６）实测值与预测值的散点图
Ｆｉｇ．３　 Ｓｃａｔｔｅｒ ｐｌｏｔｓ ｏｆ ｔｈｅ ｍｅａｓｕｒｅｄ ａｎｄ ｐｒｅｄｉｃｔｅｄ ｖａｌｕｅｓ ｆｏｒ ｓｏｉｌ ｈｅａｖｙ ｍｅｔａｌ ｃｏｎｔｅｎｔｓ ｆｒｏｍ ｃａｌｉｂｒａｔｉｏｎ （Ⅰ， ｎ ＝ ３２） ａｎｄ ｖａｌｉｄａｔｉｏｎ
ｄａｔａｓｅｔｓ （Ⅱ， ｎ＝ １６）．
ａ） 植被光谱反射率模型 Ｖｅｇｅｔａｔｉｏｎ ｓｐｅｃｔｒａｌ ｒｅｆｌｅｃｔａｎｃｅ ｅｓｔｉｍａｔｉｏｎ ｍｏｄｅｌ； ｂ） 综合植被指数模型 Ｓｙｎｔｈｅｔｉｃ ｖｅｇｅｔａｔｉｏｎ ｉｎｄｉｅｓ ｅｓｔｉｍａｔｉｏｎ ｍｏｄｅｌ．
的建模精度和验证精度，利用 ＭａｔｌａｂＲ２０１０ｂ 绘制了
各重金属含量建模、验证的实测值与预测值的散点
图（图 ３）．
从散点图上可以看出，植被光谱反射率模型中
Ａｓ、Ｐｂ、Ｚｎ和 Ｃｄ 建模样本实测值和预测值的散点
集中在 ｙ＝ ｘ线附近，而验证样本中 Ａｓ、Ｐｂ 实测值和
预测值的散点偏离 ｙ＝ ｘ线较远，两种元素模型验证
精度均较低，而 Ｚｎ、Ｃｄ 的实测值和预测值散点除部
分偏离 ｙ＝ ｘ线外，其余都在 ｙ ＝ ｘ 线附近；在综合植
被指数模型中，Ａｓ、Ｐｂ 建模样本和验证样本中实测
值与预测值的散点偏离 ｙ ＝ ｘ 线均较远，Ｚｎ、Ｃｄ 建模
样本和验证样本的实测值与预测值的散点偏离 ｙ ＝ ｘ
线较基于光谱反射率模型中的远，而且高值低估现
象严重．
　 　 由于本文主要利用遥感影像的植被光谱反射率
间接反演土壤重金属含量，因此分析植被光谱反射
率与土壤重金属含量的关系十分重要．图 ４ 为 Ａｓ、
Ｐｂ、Ｚｎ和 Ｃｄ 的 ＰＬＳＲ 模型系数图，从中可以看出，
对 ４种元素含量估算影响较大的波段大都集中在近
红外⁃短波红外区域（９０６～２３００ ｎｍ）．可见光区，Ａｓ和
Ｚｎ对 ６２０ ｎｍ 附近的波段较为敏感，而 Ｃｄ 对 ４００ ～
５００ ｎｍ处的波段较敏感，这些波段为叶绿素吸收区
域与 Ｋｏｏｉｓｔｒａ等［１１］的研究结果相一致．近红外⁃短波
红外区，Ｚｎ较敏感的波段有：９５６、１４２６、１９９６ ～ ２３００
ｎｍ附近，这些波段为叶片中蛋白质、木质素及淀粉
的吸收区域； Ａｓ 和 Ｐｂ 较为敏感的波段有： ９２０、
１４２６、２２００～２３００ ｎｍ附近，这些波段主要为蛋白质、
木质素、糖、淀粉、纤维素和氮的吸收区域［１１］；Ｃｄ 仅
对短波红外区 ２０００～２３００ ｎｍ波段敏感．重金属元素
之所以对这些波长（段）敏感，是因为其进入植物体
内会破坏植物细胞质膜的组成和完整性，而这些参
量是构成植物细胞必不可少的因子［２７］ ．对于 Ｃｄ 来
说，近红外区几乎没有敏感波段，今后在预测 Ｃｄ 含
量时可直接用可见光波段和短波红外波段进行预
测，减少工作量．
２􀆰 ４　 基于 Ｈｙｐｅｒｉｏｎ影像的土壤重金属含量空间分
布格局反演
由于 Ａｓ、Ｐｂ模型精度没有达到估算要求，Ｃｄ模
型精度和 Ｚｎ的综合植被指数模型精度虽然达到了
估算要求，但其精度偏低，不适合大面积反演，故本
文只利用植被光谱反射率模型对 Ｚｎ 含量进行空间
分布反演．
为了减少影像上水体和云对反演精度的影响，
本文采用归一化差值植被指数 ＮＤＶＩ 对研究区的水
体和云进行提取．根据研究区实际情况，经过反复试
验，设定 ＮＤＶＩ＜０．１时为水体和云，在 ＥＮＶＩ ５．０中利
用监督分类法将其提取出来，并运用 ＡｒｃＧＩＳ １０．１中
的 Ｅｌｉｍｉｎａｔｅ对提取结果进行去碎图斑处理，最后制
作掩膜文件对反演前的影像进行掩膜处理．利用光
谱反射率估算模型结合Ｈｙｐｅｒｉｏｎ影像进行反演，得
０８７１ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２７卷
图 ４　 基于植被光谱反射率的 ＰＬＳＲ模型回归系数
Ｆｉｇ．４ 　 Ｒｅｇｒｅｓｓｉｏｎ ｃｏｆｆｉｃｉｅｎｔｓ ｏｆ ｔｈｅ ＰＬＳＲ ｅｓｔｉｍａｔｉｏｎ ｍｏｄｅｌｓ
ｆｒｏｍ ｔｈｅ ｖｅｇｅｔａｔｉｏｎ ｓｐｅｃｔｒａｌ ｒｅｆｌｅｃｔａｎｃｅ．
图 ５　 土壤重金属含量反演空间分布
Ｆｉｇ．５　 Ｉｎｖｅｒｓｉｏｎ ｓｐａｔｉａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｓｏｉｌ ｈｅａｖｙ ｍｅｔａｌ ｃｏｎｔｅｎｔｓ．
表 ４　 土壤重金属 Ｚｎ含量实测值与预测值对比
Ｔａｂｌｅ ４　 Ｃｏｍｐａｒｉｓｏｎ ｂｅｔｗｅｅｎ ｔｈｅ ｍｅａｓｕｒｅｄ ａｎｄ ｐｒｅｄｉｃｔｅｄ
ｖａｌｕｅｓ ｆｏｒ ｓｏｉｌ ｈｅａｖｙ ｍｅｔａｌ Ｚｎ ｃｏｎｔｅｎｔ （ｍｇ·ｋｇ－１）
最大值
Ｍａｘｉｍｕｍ
最小值
Ｍｉｎｉｍｕｍ
平均值
Ｍｅａｎ
标准差
ＳＤ
实测值 Ｍｅａｓｕｒｅｄ ｖａｌｕｅ １０６．７８５ ５９．８８０ ８０．４００ １３．４４３
反演值 Ｐｒｅｄｉｃｔｅｄ ｖａｌｕｅ ９５．５２１ ５５．８９３ ８２．５１４ １１．８４７
到 Ｚｎ含量空间分布图（图 ５）．
　 　 统计采样点的实测值和影像的反演结果如表 ４
所示．Ｚｎ 实测结果与反演结果相比标准差偏小，均
值接近，反演值相对集中．虽然利用 Ｈｙｐｅｒｉｏｎ 影像反
演得到的土壤重金属含量与实测值有一定的偏差，
但精度达到估算要求，表明偏最小二乘模型与植被
高光谱相结合能够反映土壤重金属含量空间分布
特征．
　 　 从 Ｚｎ含量空间分布来看，影像所覆盖的大部分
区域 Ｚｎ含量值处于平均偏下水平，在最高值和最低
值范围内的区域均很少，说明大部分地区保持自然
水平，没有受到污染．结古镇、仲达乡西北方向附近，
土壤 Ｚｎ含量有部分高值区．上拉秀乡东部方向附近
区域 Ｚｎ 含量偏高，其中大部分区域达到 １１５
ｍｇ·ｋｇ－１；上拉秀乡东部 ２１４ 国道附近，下拉秀乡东
北部方向附近区域的土壤 Ｚｎ含量也偏高；在 ３０８省
道和 ２１４国道附近，Ｚｎ 含量值偏高，在 ９６ ｍｇ·ｋｇ－１
以上．从空间分布图来看，反演结果纹理清晰、层次
分明，能够较好地体现出区域土壤重金属含量的变
化特征．
从总体上来看，Ｚｎ含量在 ２１４ 国道附近相对偏
高，可能是由于国道行驶车辆比较多，汽车尾气、轮
胎磨损、机动车零部件老化以及发动机机油泄漏等
致使公路两侧土壤重金属含量高［２８］；各乡镇（例如
仲达乡、上拉秀乡、下拉秀乡）周围的重金属含量相
对偏高，可能与玉树地震灾后城市恢复建设有关，其
产生的较多的气体和粉尘以气溶胶的形态进入大
气，经过自然沉降和降水进入土壤，引起周边土壤重
金属含量偏高．
３　 讨　 　 论
本文运用从 Ｈｙｐｅｒｉｏｎ 影像提取的植被反射率
数据与实测土壤 Ａｓ、Ｐｂ、Ｚｎ、Ｃｄ 含量值建立的综合
植被指数模型与植被光谱反射率模型成功地估算了
Ｚｎ、Ｃｄ含量，而运用单一的植被指数均不能估算土
壤重金属 Ａｓ、Ｐｂ、Ｚｎ、Ｃｄ 含量值．与本研究相比，郭
云开等［２］用单一植被指数与重金属元素 Ｐｂ、Ｃｄ 建
１８７１６期　 　 　 　 杨灵玉等：基于 Ｈｙｐｅｒｉｏｎ影像植被光谱的土壤重金属含量空间分布反演———以青海省玉树县为例　
立了良好的回归关系，可能是因为本研究中重金属
元素含量太低（Ａｓ、Ｃｄ 轻度污染，Ｐｂ、Ｚｎ 均未超标；
郭云开等［２］研究中除 Ｚｎ 为轻度污染外，Ｐｂ、Ｃｄ 含
量严重超标）无法估算重金属含量值．植被光谱反射
率估算模型中， Ｃｄ、 Ｚｎ 的模型精度 （ Ｒ２Ｃｄ ＝ ０． ５４；
Ｒ２Ｚｎ ＝ ０．６０）与 Ｋｏｏｉｓｔｒａ等［１１］的研究（Ｒ２Ｃｄ ＝ ０．５２；Ｒ２Ｚｎ ＝
０．５０）相比，精度均稍高．可能由于本文所用光谱数
据范围（４００～２５００ ｎｍ）较 Ｋｏｏｉｓｔｒａ等［１１］的光谱数据
范围宽（４００～１３５０ ｎｍ），包含的光谱信息丰富，致使
估算精度偏高．模型结果证明了利用高光谱影像植
被光谱反射率数据估算重金属 Ｚｎ、Ｃｄ 含量是可
行的．
本研究结果能对 Ｚｎ、Ｃｄ 含量进行估算，但不能
估算 Ａｓ、Ｐｂ 含量，其原因可能有以下几点：首先，与
植物对重金属的吸收能力存在差异有关．胡文［２９］指
出，植物对重金属的吸收能力的差异，将导致重金属
的生物有效性不同；而重金属生物有效性的高低会
影响重金属对植物毒害作用的大小［１１］，进而通过影
响植被光谱反射率来影响重金属的估算结果．本研
究中采样点区域植被类型主要以嵩草（Ｋｏｂｒｅｓｉａ ｍｙ⁃
ｏｓｕｒｏｉｄｅｓ）和紫花针茅草（Ｓｔｉｐａ ｐｕｒｐｕｒｅａ）为主，其对
４种重金属元素吸收能力均很强［１６］，说明本研究结
果受植物对重金属吸收能力的差异性影响不是主要
原因；其次，与重金属在土壤中的迁移能力有关．土
壤对重金属吸附能力的强弱直接影响其对植物的有
效性和毒性，迁移能力越强，其对植物的有效性和毒
性越大，对植被光谱反射率影响越大，从而间接影响
重金属估算精度．王新等［３０］研究表明，外源重金属
（Ｃｄ、Ｐｂ、Ｃｕ、Ｚｎ、Ａｓ）进入土壤后，土壤首先吸附 Ｐｂ，
其次是 Ｃｕ、Ａｓ，对 Ｃｄ、Ｚｎ吸附能力最弱，因此 Ｃｄ、Ｚｎ
在土壤中的迁移能力最强，对植物的有效性最高，成
为可以估算 Ｚｎ、Ｃｄ的一个可能的原因．再者，与重金
属值域范围有关．已有研究表明，模型估算精度较高
的重金属含量值域范围较宽［３１］ ．本研究中 Ｚｎ 和 Ｃｄ
的值域范围分别为 ５９．８８～１３１．９１ ｍｇ·ｋｇ－１和 ０．１１～
０．８０ ｍｇ·ｋｇ－１，比 Ａｓ（９．７１ ～ ２９．５４ ｍｇ·ｋｇ－１）、Ｐｂ
（１９．４８～３４．３７ ｍｇ·ｋｇ－１）值域范围宽很多．
由于研究区地形复杂、交通不便，并且 Ｈｙｐｅｒｉｏｎ
高光谱影像的幅宽较窄，土壤采样路线主要是沿交
通沿线一定距离进行采集，采集的样点相对较少且
没有均匀分布在影像上，样点布设主要为东西方向，
而在南北方向上缺少样点分布，这势必会在一定程
度上影响空间反演的准确性．但影像所覆盖的地区
土壤类型单一，采集的土壤样本点基本涵盖了影像
所覆盖区域的所有土壤类型，估算模型较为准确，在
一定程度上也会降低空间反演的误差．本研究结果
表明，在三江源区利用影像植被光谱反射率间接反
演某些土壤重金属含量的可行性．在今后的研究中
将根据研究区的土壤类型、地形特征和空间变异特
点合理加密采样点，以提高光谱遥感估算土壤重金
属含量的精度及空间反演的准确性．
４　 结　 　 论
本文运用偏最小二乘回归方法分别建立了研究
区土壤 Ａｓ、Ｐｂ、Ｚｎ、Ｃｄ 含量与 Ｈｙｐｅｒｉｏｎ 影像基于植
被反射率数据的和基于植被指数的 ＰＬＳＲ 估算模
型，并尝试利用所建立的基于植被光谱反射率的
ＰＬＳＲ估算模型和 Ｈｙｐｅｒｉｏｎ 影像相结合反演了土壤
Ｚｎ，得到了其含量空间分布图．主要得到以下结论：
１）研究区土壤 Ａｓ、Ｐｂ、Ｚｎ 和 Ｃｄ 含量的平均值
均高于 １９９０ 年青海省土壤环境背景值［２４］，说明三
江源区生态环境已经受到人类的干扰，有向污染发
展的趋势，今后应该通过控制污染源来控制重金属
的污染．从地质累积指数来看，三江源区 Ａｓ、Ｃｄ 值在
０～１之间，已受到轻度污染，而 Ｐｂ、Ｚｎ 的值＜１，表示
未受到污染．Ａｓ、Ｃｄ 含量的平均值处于国家土壤环
境质量标准规定的 Ｉ 级标准和 ＩＩ 级标准之间，土壤
环境适用于牧场，基本上对植物和环境不造成危害
和污染；Ｐｂ、Ｚｎ含量均低于 Ｉ 级标准，满足自然保护
区的土壤要求．
２）土壤重金属元素含量与 ５ 种植被指数相关
性分析表明，整体上 Ｚｎ、Ｃｄ 与各植被指数的相关性
高于 Ａｓ、Ｐｂ．Ａｓ、Ｐｂ、Ｚｎ、Ｃｄ分别依次与 ＤＭＳＩ、ＤＭＳＩ、
ＳＲ、ＮＤＶＩ相关性最大，表明这 ４ 种元素对上述几种
植被指数较为敏感．
３）将构建的 ５ 种植被指数分别与土壤重金属
Ａｓ、Ｐｂ、Ｚｎ、Ｃｄ含量依次建立线性回归方程，结果发
现，模型均未达到粗略估算样本的能力．运用偏最小
二乘回归方法分别构建基于综合植被指数和基于植
被光谱反射率的估算模型，结果表明，综合植被指数
估算模型比单个植被指数建立的线性回归模型精度
有了较大提高，Ｚｎ、Ｃｄ 模型达到了粗略估算样本的
能力；植被光谱反射率模型精度高于综合植被指数
估算模型精度，利用反射率光谱与 Ａｓ、Ｐｂ 建立的模
型的建模精度（Ｒ２ ＞０．５）高于综合植被指数建模精
度（Ｒ２＜０．５），但两者模型验证 ＲＰＤ 均＜１．４，不具备
粗略估算能力；Ｚｎ、Ｃｄ 含量分别与上述两种模型建
立了相对较好的回归模型，具备粗略估算样本能力．
２８７１ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２７卷
表明运用 Ｈｙｐｅｒｉｏｎ 高光谱影像植被光谱反射率可
以间接估算 Ｚｎ、Ｃｄ含量．
４） 运用建立的土壤重金属含量光谱估算模型
与 Ｈｙｐｅｒｉｏｎ影像相结合反演 Ｚｎ，得到研究区土壤重
金属 Ｚｎ含量空间分布图．可以看出，Ｚｎ 含量在 ２１４
国道、３０８省道附近偏高，可能是由于交通运输造成
的；乡镇附近土壤重金属元素相对偏高，可能是城市
建设产生的气体和粉尘以气溶胶的形态进入大气，
经过自然沉降和降水进入土壤，引起周边土壤重金
属元素含量的升高．
参考文献
［１］　 Ｘｕ Ｘ⁃Ｌ （徐新良）， Ｌｉｕ Ｊ⁃Ｙ （刘纪远）， Ｓｈａｏ Ｑ⁃Ｑ （邵
全琴）， ｅｔ ａｌ． Ｔｈｅ ｄｙｎａｍｉｃ ｃｈａｎｇｅｓ ｏｆ ｅｃｏｓｙｓｔｅｍ ｓｐａｔｉａｌ
ｐａｔｔｅｒｎ ａｎｄ ｓｔｒｕｃｔｕｒｅ ｉｎ ｔｈｅ Ｔｈｒｅｅ⁃Ｒｉｖｅｒ Ｈｅａｄｗａｔｅｒｓ ｒｅ⁃
ｇｉｏｎ ｉｎ Ｑｉｎｇｈａｉ Ｐｒｏｖｉｎｃｅ ｄｕｒｉｎｇ ｒｅｃｅｎｔ ３０ ｙｅａｒｓ． Ｇｅｏ⁃
ｇｒａｐｈｉｃａｌ Ｒｅｓｅａｒｃｈ （地理研究）， ２００８， ２７（４）： ８２９－
８３８ （ｉｎ Ｃｈｉｎｅｓｅ）
［２］　 Ｇｕｏ Ｙ⁃Ｋ （郭云开）， Ｃａｏ Ｘ⁃Ｙ （曹小燕）， Ｓｈｉ Ｚ⁃Ｇ （石
自桂）． Ｉｎｖｅｒｓｉｏｎ ｍｏｄｅｌ ｏｆ ｔｏｔａｌ ａｍｏｕｎｔ ｏｆ ｓｏｉｌ ｈｅａｖｙ
ｍｅｔａｌ ｂａｓｅｄ ｏｎ ｓｐｅｃｔｒａｌ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｒｉｃｅ ｃａｎｏｐｙ．
Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｉｎｆｏｒｍａｔｉｏｎ （遥感信息）， ２０１５， ３０
（３）： １１６－１２３ （ｉｎ Ｃｈｉｎｅｓｅ）
［３］　 Ｄｏｎｇ Ｗ⁃Ｊ （董文君）． Ｔｈｅ Ｐｏｌｌｕｔｉｏｎ ａｎｄ Ｒｉｓｋ Ａｓｓｅｓｓ⁃
ｍｅｎｔ ｏｆ Ｈｅａｖｙ Ｍｅｔａｌｓ ｉｎ Ｓｏｉｌ ｏｆ ｔｈｅ Ｈｉｇｈ Ｃａｎｃｅｒ Ａｒｅａ ｏｆ
Ｈｕａｉ Ｒｉｖｅｒ Ｂａｓｉｎ． Ｍａｓｔｅｒ Ｔｈｅｓｉｓ． Ｋａｉｆｅｎｇ： Ｈｅｎａｎ Ｕｎｉ⁃
ｖｅｒｓｉｔｙ， ２０１４ （ｉｎ Ｃｈｉｎｅｓｅ）
［４］　 Ｌｉ Ｚ （李　 真）． Ｓｔｕｄｙ ｏｎ ｔｈｅ Ｈｅａｖｙ Ｍｅｔａｌｓ ｉｎ Ｓｎｏｗ ａｎｄ
Ｉｃｅ ｆｒｏｍ Ｍｕｚｔａｇａｔａ Ｇｌａｃｉｅｒ， Ｃｈｉｎａ． ＰｈＤ Ｔｈｅｓｉｓ． Ｃｏｌｄ
ａｎｄ Ａｒｉｄ Ｒｅｇｉｏｎｓ Ｅｎｖｉｒｏｎｍｅｎｔａｌ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ Ｒｅ⁃
ｓｅａｒｃｈ Ｉｎｓｔｉｔｕｔｅ， Ｃｈｉｎｅｓｅ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ， ２００６
（ｉｎ Ｃｈｉｎｅｓｅ）
［５］　 Ｆａｎｇ Ｌ⁃Ｊ （方利江）， Ｗｕ Ｙ⁃Ｆ （吴有方）， Ｄｉｎｇ Ｚ⁃Ｙ
（丁中原）， ｅｔ ａｌ． Ｌｏｎｇ⁃ｒａｎｇｅ ｔｒａｎｓｐｏｒｔ ｐｏｔｅｎｔｉａｌ ｏｆ ｔｙｐｉ⁃
ｃａｌ ｏｒｇａｎｉｃ ｐｏｌｌｕｔａｎｔｓ ｉｎ ｎａｎｊｉｎｇ． Ｅｎｖｉｒｏｎｍｅｎｔａｌ Ｓｃｉｅｎｃｅ
（环境科学）， ２０１２， ３３（７）： ２３３０－２３３４ （ｉｎ Ｃｈｉｎｅｓｅ）
［６］　 Ｓｈｉ Ｚ （史　 舟）． Ｐｒｉｎｃｉｐｌｅ ａｎｄ Ｍｅｔｈｏｄ ｏｆ Ｇｒｏｕｎｄ Ｈｉｇｈ⁃
ｓｐｅｃｔａｌ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｉｎ Ｓｏｉｌ． Ｂｅｉｊｉｎｇ： Ｓｃｉｅｎｃｅ Ｐｒｅｓｓ，
２０１４ （ｉｎ Ｃｈｉｎｅｓｅ）
［７］　 Ｃｈａｂｒｉｌｌａｔ Ｓ， Ｇｏｅｔｚ ＡＦ， Ｋｒｏｓｌｅｙ Ｌ， ｅｔ ａｌ． Ｕｓｅ ｏｆ ｈｙｐｅｒ⁃
ｓｐｅｃｔｒａｌ ｉｍａｇｅｓ ｉｎ ｔｈｅ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ａｎｄ ｍａｐｐｉｎｇ ｏｆ ｅｘ⁃
ｐａｎｓｉｖｅ ｃｌａｙ ｓｏｉｌｓ ａｎｄ ｔｈｅ ｒｏｌｅ ｏｆ ｓｐａｔｉａｌ ｒｅｓｏｌｕｔｉｏｎ． Ｒｅ⁃
ｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２００２， ８２： ４３１－４４５
［８］　 Ｃéｃｉｌｅ Ｇ， Ｐｈｉｌｉｐｐｅ Ｌ， Ｇｕｉｌｌａｕｍｅ Ｃ． Ｒｅｇｉｏｎａｌ ｐｒｅｄｉｃ⁃
ｔｉｏｎｓ ｏｆ ｅｉｇｈｔ ｃｏｍｍｏｎ ｓｏｉｌ ｐｒｏｐｅｒｔｉｅｓ ａｎｄ ｔｈｅｉｒ ｓｐａｔｉａｌ
ｓｔｒｕｃｔｕｒｅｓ ｆｒｏｍ ｈｙｐｅｒｓｐｅｃｔｒａｌ ＶＩＳ⁃ＮＩＲ ｄａｔａ． Ｇｅｏｄｅｒｍａ，
２０１２， １９０： １７６－１８５
［９］　 Ｌｕ Ｐ， Ｗａｎｇ Ｌ， Ｎｉｕ Ｚ， ｅｔ ａｌ． Ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｓｏｉｌ ｐｒｏｐｅｒ⁃
ｔｉｅｓ ｕｓｉｎｇ ｌａｂｏｒａｔｏｒｙ ＶＩＳ⁃ＮＩＲ ｓｐｅｃｔｒｏｓｃｏｐｙ ａｎｄ Ｈｙｐｅｒｉｏｎ
ｉｍａｇｅｒｙ． Ｊｏｕｒｎａｌ ｏｆ Ｇｅｏｃｈｅｍｉｃａｌ Ｅｘｐｌｏｒａｔｉｏｎ， ２０１３，
１３２： ２６－３３
［１０］　 Ａｎｎｅ ＮＪＰ， Ａｂｄ⁃Ｅｌｒａｈｍａｎ ＡＨ， Ｌｅｗｉｓ ＤＢ， ｅｔ ａｌ． Ｍｏｄｅ⁃
ｌｉｎｇ ｓｏｉｌ ｐａｒａｍｅｔｅｒｓ ｕｓｉｎｇ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｉｍａｇｅ ｒｅｆｌｅｃ⁃
ｔａｎｃｅ ｉｎ ｓｕｂｔｒｏｐｉｃａｌ ｃｏａｓｔａｌ． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ａｐ⁃
ｐｌｉｅｄ Ｅａｒｔｈ Ｏｂｓｅｒｖａｔｉｏｎ ａｎｄ Ｇｅｏｉｎｆｏｒｍａｔｉｏｎ， ２０１４， ３３：
４７－５６
［１１］　 Ｋｏｏｉｓｔｒａ Ｌ， Ｓａｌａｓ ＥＡＬ， Ｃｌｅｖｅｒｓ ＪＧＰＷ， ｅｔ ａｌ． Ｅｘｐｌｏｒｉｎｇ
ｆｉｅｌｄ ｖｅｇｅｔａｔｉｏｎ ｒｅｆｌｅｃｔａｎｃｅ ａｓ ａｎ ｉｎｄｉｃａｔｏｒ ｏｆ ｓｏｉｌ ｃｏｎ⁃
ｔａｍｉｎａｔｉｏｎ ｉｎ ｒｉｖｅｒ ｆｌｏｏｄｐｌａｉｎｓ． Ｅｎｖｉｒｏｎｍｅｎｔａｌ Ｐｏｌｌｕｔｉｏｎ，
２００４， １２７： ２８１－２９０
［１２］　 Ｋｏｏｉｓｔｒａ Ｌ， Ｌｅｕｖｅｎｊｒ ＳＥＷ， Ｗｅｈｒｅｎｓｉ Ｒ， ｅｔ ａｌ． Ａ ｃｏｍ⁃
ｐａｒｉｓｏｎ ｏｆ ｍｅｔｈｏｄｓ ｔｏ ｒｅｌａｔｅ ｇｒａｓｓ ｒｅｆｌｅｃｔａｎｃｅ ｔｏ ｓｏｉｌ
ｍｅｔａｌ ｃｏｎｔａｍｉｎａｔｉｏｎ． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ
Ｓｅｎｓｉｎｇ， ２００３， ２０： ４９９５－５０１０
［１３］ 　 Ｐｉｅｋａｒｃｚｙｋ Ｊ， Ｋａｚｍｉｅｒｏｗｓｋｉ Ｃ， Ｋｒｏｌｅｗｉｃｚ Ｓ． Ｒｅｌａｔｉｏｎ⁃
ｓｈｉｐｓ ｂｅｔｗｅｅｎ ｓｏｉｌ ｐｒｏｐｅｒｔｉｅｓ ｏｆ ｔｈｅ ａｂａｎｄｏｎｅｄ ｆｉｅｌｄｓ ａｎｄ
ｓｐｅｃｔｒａｌ ｄａｔａ ｄｅｒｉｖｅｄ ｆｒｏｍ ｔｈｅ ａｄｖａｎｃｅｄ ｓｐａｃｅ ｂｏｒｎｅ
ｔｈｅｒｍａｌ ｅｍｉｓｓｉｏｎ ａｎｄ ｒｅｆｌｅｃｔｉｏｎ ｒａｄｉｏｍｅｔｅｒ （ ＡＳＴＥＲ）．
Ａｄｖａｎｃｅｓ ｉｎ Ｓｐａｃｅ Ｒｅｓｅａｒｃｈ， ２０１２， ４９： ２８０－２９１
［１４］　 Ｚｈａｎｇ Ｘ⁃Ｚ （张忠孝）． Ｑｉｎｇｈａｉ Ｇｅｏｇｒａｐｈｉｃ． Ｘｉｎｉｎｇ：
Ｑｉｎｇｈａｉ Ｐｅｏｐｌｅ’ｓ Ｐｒｅｓｓ， ２００４： ２６２－２７０ （ｉｎ Ｃｈｉｎｅｓｅ）
［１５］　 Ｏｆｆｉｃｅ ｏｆ Ａｇｒｉｃｕｌｔｕｒａｌ Ｒｅｓｏｕｒｃｅｓ Ｄｉｖｉｓｉｏｎ ｏｆ Ｑｉｎｇｈａｉ
Ｐｒｏｖｉｎｃｅ （青海省农业资源区划办公室）． Ｑｉｎｇｈａｉ
Ｓｏｉｌ． Ｂｅｉｊｉｎｇ： Ｃｈｉｎａ Ａｇｒｉｃｕｌｔｕｒｅ Ｐｒｅｓｓ， １９９５ （ ｉｎ Ｃｈｉ⁃
ｎｅｓｅ）
［１６］　 Ｚｈａｎｇ Ｈ （张　 华）． Ｔｈｅ Ａｎａｌｙｓｉｓ ｏｎ ｔｈｅ Ｅｎｒｉｃｈｍｅｎｔ ｏｆ
Ｔｒａｆｆｉｃ⁃ｒｅｌａｔｅｄ Ｈｅａｖｙ Ｍｅｔａｌｓ ｉｎ Ｓｏｉｌｓ ａｎｄ Ｐｌａｎｔｓ ｉｎ ｔｈｅ
Ｔｉｂｅｔ Ｐｌａｔｅａｕ． ＰｈＤ Ｔｈｅｓｉｓ． Ｂｅｉｊｉｎｇ： Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｃｈｉ⁃
ｎｅｓｅ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ， ２０１２ （ｉｎ Ｃｈｉｎｅｓｅ）
［１７］　 Ｗａｎｇ Ｆ （王 　 芳）， Ｌｉ Ｘ （黎 　 夏）， Ｚｈｕｏ Ｌ （卓 　
莉）， ｅｔ ａｌ． Ｓｔｒｅｓｓｅｄ ｌｅｖｅｌ ｏｆ ｕｒｂａｎ ｖｅｇｅｔａｔｉｏｎ： Ｉｔｓ ａｓ⁃
ｓｅｓｓｍｅｎｔ ｂａｓｅｄ ｏｎ Ｈｙｐｅｒｉｏｎ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｄａｔａ． Ｃｈｉｎｅｓｅ
Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅｃｏｌｏｇｙ （应用生态学报）， ２００７， １８
（６）： １２８６－１２９２ （ｉｎ Ｃｈｉｎｅｓｅ）
［１８］　 Ｑｉａｏ Ｚ⁃Ｍ （乔振民）， Ｘｉｎｇ Ｌ⁃Ｘ （邢立新）， Ｌｉ Ｍ⁃Ｍ
（李淼淼）， ｅｔ ａｌ． Ｍａｐｐｉｎｇ ｏｆ ｍａｉｚｅ ｃｈｌｏｒｏｐｈｙｌｌ ｃｏｎｔｅｎｔ
ｗｉｔｈ ｈｙｐｅｒｉｏｎ ｄａｔａ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ａｐ⁃
ｐｌｉｃａｔｉｏｎ （遥感技术与应用）， ２０１２， ２７（２）： ２７５－２８１
（ｉｎ Ｃｈｉｎｅｓｅ）
［１９］　 Ｌｉｕ Ｑ⁃Ｓ （刘庆生）， Ｚｈａｎｇ Ｍ （张　 敏）， Ｎｉｎｇ Ｊ （宁
吉）， ｅｔ ａｌ． Ｄｉｆｆｅｒｅｎｃｅ ｏｆ ｃｏｎｃｅｎｔｒａｔｉｏｎ ｏｆ ｔｏｕｒｉｓｍ ｗｅｂ⁃
ｓｉｔｅ ｉｎｆｏｒｍａｔｉｏｎ ｆｌｏｗ ｄｉｓｔａｎｃｅ ｄｅｃａｙ ａｎｄ ｉｔｓ ｅｘａｍｉｎａｔｉｏｎ．
Ｇｅｏｇｒａｐｈｙ ａｎｄ Ｇｅｏ⁃Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ （地理与地理信
息科学）， ２０１１， ２７（３）： ８６－１０４ （ｉｎ Ｃｈｉｎｅｓｅ）
［２０］　 Ｌｅｅ ＫＳ， Ｃｏｈｅｎ ＷＢ， Ｋｅｎｎｅｄｙ ＲＥ， ｅｔ ａｌ． Ｈｙｐｅｒｓｐｅｃｔｒａｌ
ｖｅｒｓｕｓ ｍｕｌｔｉｓｐｅｃｔｒａｌ ｄａｔａ ｆｏｒ ｅｓｔｉｍａｔｉｎｇ ｌｅａｆ ａｒｅａ ｉｎｄｅｘ ｉｎ
ｆｏｕｒ ｄｉｆｆｅｒｅｎｔ ｂｉｏｍｅｓ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ，
２００４， ９１： ５０８－５２０
［２１］　 Ｌｉｕ Ｘ⁃Ｙ （刘秀英）， Ｗａｎｇ Ｌ （王 　 力）， Ｃｈａｎｇ Ｑ⁃Ｒ
（常庆瑞）， ｅｔ ａｌ． Ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｔｏｔａｌ ｎｉｔｒｏｇｅｎ ａｎｄ ａｌｋａｌｉ
ｈｙｄｒｏｌｙｓａｂｌｅ ｎｉｔｒｏｇｅｎ ｃｏｎｔｅｎｔ ｉｎ ｌｏｅｓｓ ｕｓｉｎｇ ｈｙｐｅｒｓｐｅｃ⁃
ｔｒａｌ ｄａｔａ ｂａｓｅｄ ｏｎ ｃｏｒｒｅｌａｔｉｏｎ ａｎａｌｙｓｉｓ ａｎｄ ｐａｒｔｉａｌ ｌｅａｓｔ
ｓｑｕａｒｅｓ ｒｅｇｒｅｓｓｉｏｎ． Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅｃｏｌｏｇｙ
（应用生态学报）， ２０１５， ２６（７）： ２１０７－２１１４ （ｉｎ Ｃｈｉ⁃
ｎｅｓｅ）
［２２］　 Ｃｈａｎｇ ＣＷ， Ｌａｉｒｄｄ Ａ， Ｍａｕｓｂａｃｈ Ｍ Ｊ， ｅｔ ａｌ． Ｎｅａｒ⁃Ｉｎｆｒａ⁃
ｒｅｄ ｒｅｆｌｅｃｔａｎｃｅ ｓｐｅｃｔｒｏｓｃｏｐｙ⁃ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔｓ ｒｅ⁃
ｇｒｅｓｓｉｏｎ ａｎａｌｙｓｅｓ ｏｆ ｓｏｉｌ ｐｒｏｐｅｒｔｉｅｓ． Ｓｏｉｌ Ｓｃｉｅｎｃｅ， ２００１，
６５： ４８０－４９０
［２３］　 Ｇｅｎｅｒａｌ Ａｄｍｉｎｉｓｔｒａｔｉｏｎ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔａｌ Ｐｒｏｔｅｃｔｉｏｎ （国
３８７１６期　 　 　 　 杨灵玉等：基于 Ｈｙｐｅｒｉｏｎ影像植被光谱的土壤重金属含量空间分布反演———以青海省玉树县为例　
家环境保护总局）， Ｇｅｎｅｒａｌ Ａｄｍｉｎｉｓｔｒａｔｉｏｎ ｏｆ Ｑｕａｌｉｔｙ
Ｓｕｐｅｒｖｉｓｉｏｎ， Ｉｎｓｐｅｃｔｉｏｎ ａｎｄ Ｑｕａｒａｎｔｉｎｅ ｏｆ ｔｈｅ Ｐｅｏｐｌｅ’ ｓ
Ｒｅｐｕｂｌｉｃ ｏｆ Ｃｈｉｎａ （国家质量技术监督局）． Ｅｎｖｉｒｏｎ⁃
ｍｅｎｔａｌ Ｑｕａｌｉｔｙ Ｓｔａｎｄａｒｄ ｆｏｒ Ｓｏｉｌｓ （ ＧＢ １５６１８ － １９９５）．
Ｂｅｉｊｉｎｇ： Ｃｈｉｎａ Ｓｔａｎｄａｒｄｓ Ｐｒｅｓｓ， １９９５ （ｉｎ Ｃｈｉｎｅｓｅ）
［２４］ 　 Ｃｈｉｎａ Ｅｎｖｉｒｏｎｍｅｎｔａｌ Ｍｏｎｉｔｏｒｉｎｇ Ｓｔａｔｉｏｎ （中国环境监
测总站）． Ｃｈｉｎｅｓｅ Ｓｏｉｌ Ｅｌｅｍｅｎｔｓ Ｂａｃｋｇｒｏｕｎｄ Ｖａｌｕｅ．
Ｂｅｉｊｉｎｇ： Ｃｈｉｎａ Ｅｎｖｉｒｏｎｍｅｎｔａｌ Ｓｃｉｅｎｃｅ Ｐｒｅｓｓ， １９９０ （ ｉｎ
Ｃｈｉｎｅｓｅ）
［２５］　 Ｌｉ Ｌ （李　 玲）， Ｚｈａｎｇ Ｓ⁃Ｋ （张少凯）， Ｗｕ Ｋ⁃Ｎ （吴
克宁）， ｅｔ ａｌ． Ａｎａｌｙｓｉｓ ｏｎ ｓｐａｔｉｏ⁃ｔｅｍｐｏｒａｌ ｖａｒｉａｂｉｌｉｔｙ ｏｆ
ｓｏｉｌ ｏｒｇａｎｉｃ ｍａｔｔｅｒ ｉｎ Ｈｅｎａｎ Ｐｒｏｖｉｎｃｅ ｂａｓｅｄ ｏｎ ｓｏｉｌ ｔａ⁃
ｘｏｎｏｍｙ． Ａｃｔａ Ｐｅｄｏｌｏｇｉｃａ Ｓｉｎｉｃａ （土壤学报）， ２０１５， ５２
（５）： ２３－３３ （ｉｎ Ｃｈｉｎｅｓｅ）
［２６］　 Ｌｉ Ｔ （李　 婷）， Ｌｉｕ Ｘ⁃Ｎ （刘湘南）， Ｌｉｕ Ｍ⁃Ｌ （刘美
玲）． Ｒｅｇｉｏｎａｌ ａｐｐｌｉｃａｔｉｏｎ ａｎｄ ｖｅｒｉｆｉｃａｔｉｏｎ ｏｆ ｓｐｅｃｔｒａｌ
ａｎａｌｙｓｉｓ ｍｏｄｅｌ ｆｏｒ ａｓｓｅｓｓｉｎｇ ｈｅａｖｙ⁃ｍｅｔａｌ ｓｔｒｅｓｓ ｏｆ ｒｉｃｅ．
Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ ｔｈｅ Ｃｈｉｎｅｓｅ Ｓｏｃｉｅｔｙ ｏｆ Ａｇｒｉｃｕｌｔｕｒａｌ Ｅｎｇｉ⁃
ｎｅｅｒｉｎｇ （农业工程学报）， ２０１２， ２８（１２）： １７６－ １８２
（ｉｎ Ｃｈｉｎｅｓｅ）
［２７］　 Ｓｏｎｇ Ａ⁃Ｌ （宋阿琳）． Ｒｅｓｐｏｎｓｅｓ ｏｆ Ｂｒａｓｓｉｃａ ｃｈｉｎｅｎｓｉｓ Ｌ．
ｔｏ Ｃａｄｍｉｕｍ Ｓｔｒｅｓｓ ａｎｄ Ｓｉｌｉｃｏｎ⁃Ａｌｌｅｖｉａｔｅｄ Ｃａｄｍｉｕｍ Ｔｏ⁃
ｘｉｃｉｔｙ． Ｎａｎｊｉｎｇ： Ｎａｎｊｉｎｇ Ａｇｒｉｃｕｌｔｕｒａｌ Ｕｎｉｖｅｒｓｉｔｙ， ２００９
（ｉｎ Ｃｈｉｎｅｓｅ）
［２８］　 Ｗａｎｇ ＸＤ， Ｃｈｅｎｇ ＧＷ， Ｚｈｏｎｇ ＸＨ， ｅｔ ａｌ． Ｔｒａｃｅ ｅｌｅ⁃
ｍｅｎｔｓ ｉｎ ｓｕｂ⁃ａｌｐｉｎｅ ｆｏｒｅｓｔ ｓｏｉｌｓ ｏｎ ｔｈｅ ｅａｓｔｅｒｎ ｅｄｇｅ ｏｆ
ｔｈｅ Ｔｉｂｅｔａｎ Ｐｌａｔｅａｕ， Ｃｈｉｎａ． Ｅｎｖｉｒｏｎｍｅｎｔａｌ Ｇｅｏｌｏｇｙ，
２００８， ５８： ６３５－６４３
［２９］ 　 Ｈｕ Ｗ （胡　 文）． Ｈｅａｖｙ Ｍｅｔａｌ Ｂｉｏ⁃ａｖａｉｌａｂｉｌｉｔｙ ａｎｄ Ｉｔｓ
Ａｆｆｅｃｔｉｎｇ Ｆａｃｔｏｒｓ ｉｎ Ｓｏｉｌ⁃ｐｌａｎｔ Ｓｙｓｔｅｍ． ＰｈＤ Ｔｈｅｓｉｓ． Ｂｅｉ⁃
ｊｉｎｇ： Ｂｅｉｊｉｎｇ Ｆｏｒｅｓｔｒｙ Ｕｎｉｖｅｒｓｉｔｙ， ２００８ （ｉｎ Ｃｈｉｎｅｓｅ）
［３０］　 Ｗａｎｇ Ｘ （王　 新）， Ｌｉａｎｇ Ｒ⁃Ｌ （梁仁禄）． Ｉｎｔｅｒａｃｔｉｏｎ
ａｎｄ ｅｃｏｌｏｇｉｃａｌ ｅｆｆｅｃｔ ｏｆ ｃｏｍｂｉｎｅｄ ｐｏｌｌｕｔｉｏｎ ｆｏｒ ｈｅａｖｙ
ｍｅｔａｌｓ ｏｎ ｓｏｉｌ⁃ｒｉｃｅ ｐａｄｄｙ ｓｙｓｔｅｍ． Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ
Ｅｃｏｌｏｇｙ （生态学杂志）， ２０００， １９（４）： ３８ － ４２ （ ｉｎ
Ｃｈｉｎｅｓｅ）
［３１］ 　 Ｂｉｌｇｉｌｉ ＡＶ， Ｖａｎ Ｅｓ ＨＭ， Ａｋｂａｓ Ｆ， ｅｔ ａｌ． Ｖｉｓｉｂｌｅ⁃ｎｅａｒ
ｉｎｆｒａｒｅｄ ｒｅｆｌｅｃｔａｎｃｅ ｓｐｅｃｔｒｏｓｃｏｐｙ ｆｏｒ ａｓｓｅｓｓｍｅｎｔ ｏｆ ｓｏｉｌ
ｐｒｏｐｅｒｔｉｅｓ ｉｎ ａ ｓｅｍｉ⁃ａｒｉｄ ａｒｅａ ｏｆ Ｔｕｒｋｅｙ． Ｊｏｕｒｎａｌ ｏｆ Ａｒｉｄ
Ｅｎｖｉｒｏｎｍｅｎｔｓ， ２００９， ７４： ２２９－２３８
作者简介　 杨灵玉，女，１９９０年生，硕士研究生． 主要从事遥
感应用与地理数据空间分析研究． Ｅ⁃ｍａｉｌ： ｙａｎｇ＿ｌｉｎｇｙｕ＠ １２６．
ｃｏｍ
责任编辑　 肖　 红
杨灵玉， 高小红， 张威， 等． 基于 Ｈｙｐｅｒｉｏｎ影像植被光谱的土壤重金属含量空间分布反演———以青海省玉树县为例． 应用生
态学报， ２０１６， ２７（６）： １７７５－１７８４
Ｙａｎｇ Ｌ⁃Ｙ， Ｇａｏ Ｘ⁃Ｈ， Ｚｈａｎｇ Ｗ， ｅｔ ａｌ． Ｅｓｔｉｍａｔｉｎｇ ｈｅａｖｙ ｍｅｔａｌ ｃｏｎｃｅｎｔｒａｔｉｏｎｓ ｉｎ ｔｏｐｓｏｉｌ ｆｒｏｍ ｖｅｇｅｔａｔｉｏｎ ｒｅｆｌｅｃｔａｎｃｅ ｓｐｅｃｔｒａ ｏｆ Ｈｙｐｅｒｉｏｎ
ｉｍａｇｅｓ： Ａ ｃａｓｅ ｓｔｕｄｙ ｏｆ Ｙｕｓｈｕ Ｃｏｕｎｔｙ， Ｑｉｎｇｈａｉ， Ｃｈｉｎａ． Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅｃｏｌｏｇｙ， ２０１６， ２７（６）： １７７５－１７８４ （ｉｎ Ｃｈｉｎｅｓｅ）
４８７１ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２７卷