Page 142 - 遥感技术在生态环境监测中的应用研究

第五章 遥感技术在煤矿矿山地质环境监测中的应用研究

（0.51），最低的为 Cr（0.17）；但独立样本检验的 R2 明显减小，Zn 最大为 0.27，其次

是 Cu 为 0.24，最低的 Pb 只有 0.08。从 ASTER 与 OLI-TIRS 传感器各波段模拟效果看，
Hg 和 Pb 对于 OLI-TIRS 传感器模拟光谱效果好些，其他元素为 ASTER 传感器模拟光谱稍
好。

通过对 SMLR 和 PLSR 两种方法对模拟光谱建模和预测的比较：SMLR 方法难以建立
回归模型，而 PLSR 由于输入了所有波段，其建模和预测效果相对更好；ASTER 和 OLI-
TIRS 两种传感器在预测土壤重金属含量方面很难说哪种更好，对于不同的重金属元素更

适用的传感器可能会不同。总的来说，对于 OLI-TIRS 和 ASTER 多光谱传感器模拟光谱，
相比土壤原始光谱最优变换形式的 VNIR-TIR 组合光谱，建模和预测的效果都较差，模拟
星载多光谱传感器波段光谱很难实现对土壤重金属含量的定量估算。

4. 应用遥感技术进行煤田土壤重金属含量定量估算的影响因素
通过对 OLI-TIRS 和 ASTER 传感器波段的模拟，采用 SMLR 和 PLSR 方法建立土壤重

金属含量与多光谱传感器模拟光谱的估算模型，研究表明：虽然地面实测高光谱对土壤重
金属含量具有一定的估算能力，但需要进行一系列的平滑去噪、光谱变换和光谱组合等处
理，并选择合适的方法进行分析建模，以此来提高对重金属含量预测的精度。但在对多光

谱传感器波段的模拟中，直接利用的是土壤原始光谱，它与重金属含量的相关性很低，
而且多光谱传感器在光谱分辨率和光谱波段范围上远不及高光谱数据，实际模拟的结果

精度低，不能够达到实际应用的要求。所以，要利用星载遥感技术实现土壤重金属含量
的定量估算，对传感器的性能要求比较高，需要保证足够高的光谱分辨率和足够宽的光
谱波段范围。

吴昀昭（2005）模拟了 HyMap、TM 和 QuickBird 三种传感器，并对农业土壤重金属
含量进行建模和预测，结果为：QuickBird 预测精度相对最低，HyMap 预测精度最高。这
说明光谱分辨率较高和光谱波段范围更宽的传感器模拟预测的精度无疑会更高，和本研究

结论基本一致。但该作者同时得出：TM 模拟效果非常接近 HyMap，认为在使用经验方法
预测没有光谱特征的成分时，光谱分辨率不是一个必要条件。这和本研究认为的多光谱传
感器波段模拟难以实现对土壤重金属含量的预测结论不一致，但从实验的客观性出发，可

能是由于实验区域不同、土壤类型和质地差异以及土壤中重金属含量分布的区别等因素，
对实验结果会产生影响。所以应该因地而宜，从实际情况出发，究竟多光谱遥感技术应用

于土壤重金属含量的定量反演实际效果如何，值得进一步研究和讨论。
以上实验都是用室内光谱模拟进行的，而对于实际遥感应用来说，还存在着大气吸
收和散射，土壤粗糙度、湿度、植被覆盖以及残落物等对土壤光谱的诸多影响因素。学者

Ben-Dor 对限制土壤定量遥感的关键问题做了总结：大气衰减、光谱分辨率、信噪比、混
合像元、观测角度等。由于每个区域地理环境不同，影响因素和程度各异，很难建立一种

能够普遍适用的模型或方法。即使室内多光谱传感器波段模拟光谱对土壤重金属含量预测
135