综述：多光谱与高光谱反演技术在土壤重金属污染检测中的应用进展：原理机制、机器学习算法及未来发展方向

黄明浩|吴翔|彭倩

湖北大学资源与环境科学学院地理科学系，湖北省区域发展与环境响应重点实验室，武汉，430062，中国

摘要

土壤中的重金属（HM）污染具有隐蔽性和累积性影响，对生态系统和人类健康构成长期风险。传统的野外采样和实验室分析已越来越无法满足大规模连续监测的需求，这推动了多光谱（MS）和高光谱（HS）遥感技术的应用。文献计量分析揭示了明确的研究趋势：主要关注的目标元素是铜、铅和锌，而数据采集方式已从实验室光谱技术逐步转向便携式设备和卫星平台，反映了研究范围从局部到区域的扩展。这导致了数据复杂性的增加，以及对模型鲁棒性和泛化能力提出了更高要求。然而，扩大空间范围和转向卫星观测引入了根本性挑战。混合像素和水分引起的光谱失真降低了信号纯度，而重金属的间接光谱响应进一步复杂化了定量反演过程。样本稀缺性和空间异质性也限制了跨区域的泛化能力，制约了模型的鲁棒性和稳定性。为此，模型从传统的线性回归发展到集成学习方法（如极端梯度提升（XGBoost），再到深度学习框架（包括卷积神经网络（CNN）和Transformer），实现了分层特征提取和面向任务的结构设计。本文回顾了土壤重金属光谱反演中的关键技术瓶颈，结合文献计量分析和方法论进展，提供了一个全面框架，以理解当前进展并指导未来大规模、高精度反演的发展。

引言

重金属污染是一个全球性的环境问题，主要由人类活动引起。土壤中过量的重金属会抑制植物生长，通过食物链积累，并威胁生态系统和人类健康[1]。据估计，中国每年约有1200万吨粮食受到重金属污染[2]。

传统的实验室方法，包括原子吸收光谱法（AAS）[3]、电感耦合等离子体原子发射光谱法（ICP-AES）[4]和激光诱导击穿光谱法（LIBS）[5]、[6]，可以提供准确的重金属测量结果，但这些方法成本高昂、耗时较长，不适合大规模连续监测。相比之下，多光谱（MS）和高光谱（HS）遥感技术能够实现快速且空间连续的观测。尽管重金属通常无法直接通过光谱检测，但可以通过铁氧化物、粘土矿物和有机物等光谱活性成分间接推断其浓度[7]。结合机器学习技术，这些数据已成为土壤重金属反演和预测的重要工具。图1展示了两者之间的比较。

最近的数据采集技术进步促进了地面、空中和卫星观测数据的整合，形成了空间-空中-地面一体化框架[8]、[9]。实验室和野外光谱仪提供精确的高光谱测量结果，无人机可以实现灵活的局部尺度监测，卫星则支持重复的区域观测。其中，多光谱卫星数据因其低成本和操作便捷性而受到越来越多的关注。然而，与高光谱数据相比，多光谱数据包含的波段较少且较宽，限制了其对土壤重金属微妙光谱响应的分辨能力。此外，地区间的强烈空间异质性常常削弱了模型的迁移能力。

为了提高预测性能，近期研究越来越多地将光谱信息与植被指数、地形和人类活动指标等辅助变量结合起来[10]、[11]、[12]。同时，建模方法也从线性统计模型（如偏最小二乘回归（PLSR）发展到非线性机器学习算法，包括随机森林（RF）、XGBoost、CNN和基于Transformer的模型[13]、[14]、[15]、[16]、[17]。这些发展提高了捕捉光谱信号与重金属浓度之间复杂关系的能力。

尽管如此，实际应用仍面临诸多挑战。有限的野外样本、模型过拟合、解释性差、空间异质性、尺度不匹配、大气干扰以及混合像素都限制了大规模绘图的准确性[18]。此外，大多数现有研究侧重于静态反演，对动态监测和长期评估的关注不足。

以往的综述大多侧重于比较特定模型的性能，但很少探讨土壤重金属反演技术的整体发展。因此，本文系统回顾了过去二十年数据采集方法和机器学习方法的发展，分析了当前应用中的关键瓶颈，并讨论了提高土壤重金属监测鲁棒性、可扩展性和操作性的未来方向。

章节摘录

数据来源与方法

欧盟（EU）、美国（US）、加拿大、澳大利亚等国家已分别为不同类型的土壤制定了分级的重金属限值或风险筛查标准。在中国，农业用地的土壤污染风险评估分为基本项目和其他项目。镉（Cd）、汞（Hg）、砷（As）、铅（Pb）、铬（Cr）、铜（Cu）、镍（Ni）和锌（Zn）被列为土壤污染筛查的基本项目。其中，Cd、Hg、As、Pb和Cr是

光谱采集平台的演变

在过去二十年里，土壤重金属反演的光谱采集技术从基于实验室的点测量发展到便携式野外光谱技术，最近又发展到无人机、航空和卫星遥感技术。一个结合了空间、空中和地面能力的综合网络——空间-空中-地面一体化网络（SAGIN）[21]——已在这一领域建立。这种转变不仅仅是仪器的简单替换，更反映了

重金属的间接反演机制

重金属在土壤中通常缺乏稳定且独特的光谱特征，因此在大多数环境条件下无法通过光谱直接检测。虽然某些元素（如Cr和Cu）在极高浓度下可能在610和830纳米附近显示出可识别的吸收特征[34]，但在实际土壤中这种情况较为罕见。实际上，重金属反演主要依赖于间接光谱响应，即重金属与光谱活性土壤成分（如铁）的相互作用

反演模型的演变

重金属浓度是连续变量，因此其反演主要属于监督机器学习中的回归任务，即学习输入变量（X）与输出变量（Y）之间的映射关系，以预测新数据的输出。文献计量分析表明，“机器学习”是该领域第三常见的关键词（图S5a, b）。该领域的模型可分为三类

改进路径与未来研究方向

环境研究中的土壤重金属测定主要依赖于化学分析，该方法可以在特定采样点精确测量浓度，但耗时且成本较高，无法捕捉连续的空间变化。遥感技术通过获取空间图像并提取反映整个表面土壤性质变化的光谱信息来补充这一方法。多光谱和高光谱反演技术并非取代化学分析，而是解决了空间和

局限性

尽管本文通过系统检索和统计分析提供了该领域相对全面的综述，但由于数据来源和研究条件的限制，某些局限性不可避免。

本文回顾的研究仅来自WOS数据库，涉及使用多光谱和高光谱数据进行的土壤重金属反演。因此，所呈现的统计模式和空间特征主要反映了这一文献体系。

结论

本文系统回顾了基于多光谱和高光谱技术的土壤重金属反演的最新进展，追踪了过去二十年各种光谱采集平台和反演方法的演变趋势，并分析了不同预处理方法和反演模型的适用场景及其发展逻辑。同时指出，当前研究的重点正全面转向复杂非线性模型的优化以及

环境影响

多光谱、高光谱遥感与机器学习的结合为土壤重金属污染的精确监测和管理提供了关键的技术支持。通过从小规模野外采样发展到大规模多源数据整合，这一研究框架提高了污染土壤的监测效率、准确性和无损评估能力。但它无法检测深层污染，仅限于表面土壤的评估

CRediT作者贡献声明

吴翔：撰写——初稿、软件开发、方法论设计、实验研究、数据分析。彭倩：撰写——审稿与编辑、验证、监督、软件开发、实验研究、数据分析。黄明浩：撰写——初稿、软件开发、方法论设计、实验研究、数据分析。

利益冲突声明

作者声明他们没有已知的可能影响本文工作的财务利益或个人关系。

致谢

本研究得到了国家自然科学基金（项目编号42301518）、教育部西南国土资源评价与监测重点实验室（项目编号TDSYS202304）、湖北省区域发展与环境响应重点实验室（项目编号2023(A)002、2023(C)001）、湖北省自然科学基金（项目编号2023AFB641）以及丹江口库区水生生态环境与健康重点实验室开放基金的支持