高光谱遥感与机器学习技术在评估土壤中潜在有毒元素污染中的应用：以摩洛哥Ze?da矿区为例

《Journal of African Earth Sciences》：Hyperspectral Remote Sensing and Machine Learning Techniques for Assessing Soil Contamination by Potentially Toxic Elements: A Case Study from the Ze?da Mining Area, Morocco

本研究利用高光谱遥感（HRS）与机器学习（ML）技术评估摩洛哥Ze?da矿区土壤重金属污染，重点分析铜（Cu）、铬（Cr）、锰（Mn）、镉（Cd）、铅（Pb）、锌（Zn）六种潜在毒性元素。通过77个土壤样本的采集与光谱数据获取，结合二次导数（SD）和不对称二次导数（ASD）等五类光谱变换，发现ASD变换能有效提升重金属浓度预测的相关性。回归模型（R2达0.827-0.998）显示最佳预测性能，RMSE较低，证实HRS与ML结合在矿区大范围污染监测中的可行性，为土壤修复规划提供数据支持。

　　在当今全球工业化和资源开采不断加剧的背景下，土壤重金属污染已成为影响生态环境和人类健康的重要问题。特别是在矿产资源丰富的地区，由于长期的采矿活动，土壤中重金属的积累往往造成严重的环境风险。本研究以摩洛哥的Ze?da采矿区为案例，探讨了如何利用高光谱遥感（HRS）和机器学习（ML）技术，对土壤中六种潜在有毒元素（PTEs）进行高效、非侵入式的污染评估。这些元素包括铜（Cu）、铬（Cr）、锰（Mn）、镉（Cd）、铅（Pb）和锌（Zn），它们在该地区的土壤中普遍存在，并且与采矿活动密切相关。

Ze?da采矿区位于摩洛哥中部的阿特拉斯山脉东侧，地理坐标介于北纬32°40′至33°10′和西经4°20′至4°50′之间，海拔高度约为1400至1800米，总面积约为200平方公里。该地区历史上以铅矿储量丰富而闻名，曾是摩洛哥最大的铅矿之一。尽管近年来采矿活动已经停止，但其对土壤的长期影响仍然显著。除了铅之外，其他重金属如镉和锌也因采矿过程而进入了土壤，导致土壤污染问题的复杂化。因此，本研究选择评估六种PTEs，不仅包括铅和锌，还包括铜、铬、锰和镉，以全面反映采矿活动对土壤环境的影响。

土壤重金属污染的评估通常依赖于传统的实验室分析方法，即通过采集土壤样本并进行化学检测来确定重金属的含量。然而，这种方法存在一定的局限性，主要体现在其空间覆盖范围有限、成本较高以及对大范围或难以到达区域的监测效率较低。为了克服这些限制，近年来，遥感技术逐渐被应用于环境监测领域，尤其是高光谱遥感因其能够提供丰富的光谱信息而受到广泛关注。高光谱遥感技术能够通过获取地表反射光谱数据，识别和区分不同物质的光谱特征，从而实现对土壤中重金属污染的快速、大范围评估。

本研究中，研究人员利用ASD FieldSpec? 3光谱辐射计采集了77个土壤样本的光谱数据，并对这些数据进行了五种光谱变换处理，以增强光谱特征的敏感性。其中，二次导数（SD）和不对称二次导数（ASD）变换在提升重金属浓度与光谱数据之间的相关性方面表现出色。光谱变换是一种常见的预处理方法，通过去除光谱数据中的噪声和基线漂移，可以提高光谱特征的可识别性和模型的预测能力。在本研究中，采用ASD变换后的光谱数据在构建预测模型时表现更为优异，显示出该方法在重金属污染检测中的潜力。

在模型构建方面，研究人员使用了三种机器学习方法：稀疏多项式逻辑回归（SMLR）、回归和反向传播（BP）神经网络。这些模型分别用于预测六种PTEs的浓度，并通过对比模型性能来确定最佳的预测方法。结果表明，基于ASD变换的回归模型在预测Cu、Cr、Mn、Pb、Cd和Zn的浓度方面表现最为出色，其决定系数（R2）分别为0.827、0.921、0.998，以及对Pb、Cd和Zn的高预测精度。这些结果表明，高光谱数据与机器学习方法的结合，可以有效地实现对土壤重金属污染的快速、准确评估。

研究中还发现，所构建的模型具有较低的均方根误差（RMSE），说明其在实际应用中具备较高的可靠性。低误差意味着模型能够较为准确地反映土壤中重金属的真实分布情况，从而为环境管理和污染治理提供科学依据。此外，研究还指出，通过将高光谱数据与地理信息系统（GIS）相结合，可以生成高分辨率的污染地图，进一步揭示重金属污染的空间分布模式及其潜在风险区域。这种非侵入式的监测方法不仅能够提高污染评估的效率，还能够在大范围区域内实现连续的、动态的污染监测，为环境保护和资源管理提供新的思路。

值得注意的是，本研究的成果不仅适用于Ze?da采矿区，还具有广泛的推广价值。高光谱遥感技术在监测多种重金属污染方面展现出良好的适应性，这使得该技术在其他类似采矿区域的环境评估中也具有重要的应用前景。例如，在中国的一些采矿地区，由于长期的采矿活动，土壤中重金属污染问题同样严峻，因此，采用高光谱遥感和机器学习相结合的方法，可能成为一种高效、经济的污染评估手段。此外，随着遥感技术的不断发展和机器学习算法的优化，未来的污染监测系统有望实现更高的精度和更广的适用范围。

除了技术方法的创新，本研究还强调了环境风险评估的重要性。土壤重金属污染不仅会影响土壤自身的健康状况，还可能通过食物链进入人体，对人类健康造成威胁。因此，准确评估土壤污染情况，有助于识别高风险区域，并制定相应的治理措施。在实际应用中，这些污染地图可以为政府和相关机构提供重要的决策支持，帮助他们更好地规划土壤修复工作、调整土地利用政策以及制定环境保护措施。

本研究的另一项重要贡献在于，它展示了高光谱遥感技术在非侵入式环境监测中的巨大潜力。与传统的土壤采样和实验室分析相比，高光谱遥感技术能够在不破坏土壤结构的前提下，实现对大面积区域的快速评估。这种技术的非破坏性特征使其在环境保护和生态修复等领域具有显著优势。此外，高光谱数据的高分辨率和高信息量，使得研究人员能够更精确地识别土壤中不同重金属的分布特征，从而为污染治理提供更加科学和系统的依据。

为了确保研究结果的科学性和可靠性，本研究在数据处理和模型构建过程中采用了多种方法。首先，研究人员对采集的土壤样本进行了详细的化学分析，以获取各重金属的真实浓度数据。然后，通过光谱变换处理，提高了光谱数据的质量和可预测性。最后，利用机器学习模型对处理后的光谱数据进行建模，以预测土壤中重金属的浓度。整个研究过程严格遵循科学方法，确保了研究结果的准确性和可信度。

本研究的作者团队由来自成都理工大学地球与行星科学学院的多位研究人员组成，包括Mayada Jamal、Yansong Liu、Tiantian Gu、Wei Hu、Fengling Ren和Shuanglan Cui等。每位作者在研究的不同阶段都发挥了重要作用，如Mayada Jamal负责原始稿撰写、数据可视化、验证、软件开发、方法论设计、调查、正式分析、数据管理以及概念化工作；Tiantian Gu和Fanjie Li则参与了验证和正式分析工作；Yansong Liu作为指导者，负责撰写审阅、监督、资源协调、项目管理、资金获取以及概念化工作。这种分工合作的模式，不仅提高了研究的效率，也确保了研究结果的全面性和准确性。

本研究的成果对环境科学和地球科学领域具有重要的理论和实践意义。一方面，它为高光谱遥感技术在重金属污染监测中的应用提供了新的思路和方法，丰富了遥感技术在环境评估中的研究内容；另一方面，它也为采矿区域的环境管理和污染治理提供了科学支持，有助于推动可持续采矿和环境保护政策的实施。此外，本研究还强调了跨学科合作的重要性，通过结合遥感技术、机器学习算法和地理信息系统，实现了对土壤污染的综合评估和分析。

在实际应用中，本研究的方法可以被推广到其他采矿区域，用于评估和监测土壤重金属污染情况。例如，在中国的一些矿山周边地区，由于采矿活动的历史遗留问题，土壤污染情况复杂，传统的监测方法难以全面覆盖。通过采用高光谱遥感和机器学习相结合的方法，可以更高效地识别污染区域，并评估污染的严重程度。这种方法不仅可以用于当前的环境评估，还可以用于长期的环境监测，为采矿区域的生态恢复和环境治理提供持续的数据支持。

此外，本研究还揭示了重金属污染在不同区域之间的差异性。通过分析Ze?da采矿区的土壤样本，研究人员发现，不同区域的重金属污染情况存在显著差异，这可能与采矿活动的强度、历史时间以及土壤的物理化学性质等因素有关。因此，在进行污染评估时，需要考虑区域的特殊性，并结合当地的具体情况进行分析。这种区域化分析方法，有助于更精准地识别污染源，并制定针对性的治理措施。

本研究还强调了数据共享和科研合作的重要性。为了确保研究的透明性和可重复性，研究人员在数据可用性声明中提到，相关数据可以在合理请求后从通讯作者处获得。这种开放的数据共享方式，不仅有助于其他研究人员验证和扩展本研究的成果，还能够促进不同学科之间的交流与合作，推动环境科学和遥感技术的进一步发展。

最后，本研究为未来的研究提供了方向。尽管已经取得了初步成果，但仍有进一步优化和拓展的空间。例如，可以尝试更多的光谱变换方法，以提高模型的预测精度；还可以探索多传感器融合技术，以增强数据的多样性和信息量；此外，还可以结合其他环境数据，如土壤水分、pH值和有机质含量等，以更全面地评估重金属污染的影响因素。这些未来的研究方向，不仅有助于提升现有方法的性能，还能够推动重金属污染监测技术的进一步创新和发展。

综上所述，本研究通过结合高光谱遥感和机器学习技术，成功实现了对Ze?da采矿区土壤中六种潜在有毒元素的高效评估。这一研究不仅展示了高光谱数据在环境监测中的巨大潜力，也为采矿区域的污染治理和环境保护提供了科学依据。随着遥感技术和机器学习算法的不断进步，未来有望在更大范围内推广这一方法，为全球范围内的土壤重金属污染监测和治理提供新的解决方案。