Page 141 - 遥感技术在生态环境监测中的应用研究

遥感技术在生态环境监测中的应用研究

图 5-12 模拟 ASTER 的土壤反射 / 发射光光谱

（二）煤田土壤重金属含量估算
1. 模拟光谱与土壤重金属含量相关性

对 OLI-TIRS 传感器模拟光谱共有 10 个波段，VNIR 有 8 个，TIR 有 2 个；ASTER 传
感器模拟光谱共有 14 个波段，VNIR 有 9 个，TIR 有 5 个。表 7.3 为模拟光谱各波段光谱
值与土壤重金属含量的相关系数列表。从表中可知，无论是 Landsat8 的 OLI 和 TIRS 两种

传感器，还是 ASTER 传感器，它们的模拟光谱各波段光谱值与 7 种重金属含量的相关性
都很低，最高的 Zn 和 ASTER 第 10 波段相关性也仅有 0.335；相对来说，ASTER 相关性

比 OLI 和 TIRS 高，主要集中在 ASTER 热红外的 10、1I 和 12 波段，正好位于石英矿物强
吸收特征谱带；在所有模拟波段和 7 种重金属相关系数中，只有 Zn 有 2 个波段达到 0.01
显著水平，Cu 有 3 个、Hg 有 1 个波段达到 0.05 显著水平，其他均未通过 0.05 显著水平检验。

2. 利用 SMLR 方法估算煤田土壤重金属含量
将传感器模拟波段的光谱值作为自变量，土壤重金属含量作为因变量，采用多元逐步
回归方法建立回归模型。由于重金属含量和各模拟波段间的相关性差，在 7 种重金属元素

中，大部分都不能够建立显著的回归方程。对于 OLI-TIRS 传感器的模拟，只有 Hg 建立
了方程，只有 1 个波段 B1 入选，模型通过了 0.05 的显著水平检验，但 R2 很低，RMSEC
却又很高。对于 ASTER 传感器的模拟，只有 Cu 和 Zn 两种元素能够建立回归方程，都只

有两个热红外波段入选，模型通过了 0.05 的显著水平检验，R2 较低，RMSEC 较大。总的
来说，通过 SMLR 方法对 OLI-TIRS 和 ASTER 传感器的模拟光谱与重金属含量建模效果差，

甚至大部分不能够建立模型，无法进行重金属含量的估算。
3. 利用 PLSR 方法估算煤田土壤重金属含量
将传感器模拟波段的光谱值作为自变量，土壤重金属含量作为因变量，对所有波段采

用偏最小二乘回归方法建立回归模型。模拟的 OLI-TIRS 传感器的 PLSR 模型显示，建模
R2 不高，最高的 Zn 仅有 0.36，Cr 最低为 0.15；预测 R2 为 Zn（0.26）最高，As（0.04）最低。

模拟的 ASTER 传感器的 PLSR 模型显示，模型 R2 最高的为 Hg（0.64），其次为 Zn
134