DOI： 10.11817/j.issn.1672-7207.2020.10.019

有色金属矿区土壤铬污染遥感反演研究

陈宇波¹，薛云^{2, 3}，邹滨²，文益民⁴，周松林³

(1. 南京邮电大学 电子与光学工程学院，江苏 南京，210023；

2. 中南大学 有色金属成矿预测与地质环境监测教育部重点实验室，地球科学与信息物理学院，湖南 长沙，410083；

3. 湖南城市学院 市政与测绘工程学院 规划建筑设计研究院，湖南 益阳，413000；

4. 桂林电子科技大学 计算机科学与信息安全学院，广西 桂林，541004)

摘要：构建光谱转换模型，消除环境因素导致的土壤光谱差异；通过波段反射率的比值，加强地物之间的对比度，弱化背景而突出地物信息；建立不同预处理光谱类型(3类光谱)的不同遥感反演特征因子(3种遥感反演特征因子)逐步回归模型(共9个模型)，对铬污染进行遥感反演研究。研究结果表明：野外光谱受环境影响大，实验室光谱受环境影响小；DS(direct standardization)光谱对消除环境条件影响、提升光谱信号质量有一定的作用；实验室光谱的遥感反演建模精度明显比野外光谱的遥感反演建模精度高，说明实验室光谱受环境影响小，具有更高的建模精度；组合因子在各类光谱的遥感反演特征因子中建模精度最高，其中，实验室光谱的组合因子的建模效果最好，说明波段反射率的比值对消除背景影响、提高建模精度有一定的作用。

关键词：铬质量分数；高光谱遥感；逐步回归

中图分类号：TP79            文献标志码：A               开放科学(资源服务)标识码(OSID)

文章编号：1672-7207（2020）10-2876-09

Research on remote sensing retrieval of soil chromium pollution in nonferrous metal mining area

CHEN　Yubo¹, XUE　Yun^{2, 3}, ZOU　Bin², WEN　Yimin⁴, ZHOU　Songlin³

(1. College of Electronic and Optical Engineering, Nanjing University of Posts and Telecommunications,Nanjing 210023, China;

2. Key Laboratory of Metallogenic Prediction of Nonferrous Metals and Geological Environment Monitoring Ministry of Education, School of Geosciences and Info-physics, Central South University,Changsha 410083, China;

3. School of Municipal and Surveying Engineering, Planning, Architectural Design and Research Institute,Hunan City University, Yiyang 413000, China;

4. School of Computer Science and Information Security, Guilin University of Electronic Technology,Guilin 541004, China)

Abstract: A spectral conversion model to eliminate soil spectral differences caused by environmental conditions was built, and the contrast between features was enhanced by enhancing the ratio, weakening the background and highlighting the feature information. A stepwise regression model(a total of 9 models) of different remote sensing information characteristic factors(3 factors) with different pretreatment spectrum types(3 types of spectra) was established to conduct a remote sensing retrirval research on chromium pollution. The results show that the field spectrum is greatly affected by the environment,the lab spectrum is less affected by the environment, and the DS(direct standardization) spectrum has a certain effect on eliminating the influence of environmental conditions and improving the quality of the spectral data. The precision of remote sensing information modeling of the laboratory spectrum is significantly higher than that of the field spectrum,indicating that the laboratory spectrum is less affected by the environment and has higher modeling accuracy. The strongly correlated combination factor has the highest modeling accuracy among all kinds of spectrum remote sensing information feature factors, and the laboratory spectrum strongly correlated combination factor has the best remote sensing information modeling effect, which indicates that the band ratio has a certain effect on eliminating the influence of background and improving modeling accuracy.

Key words: mass fraction of chromium; hyperspectral remote sensing; stepwise regression

在矿产资源的开发和利用过程中，采矿、运输、污水处理和施肥等人类活动对土壤健康构成持续威胁，不可避免地带来许多环境问题^[1-3]。重金属离子进入农田土壤，影响土壤的正常功能，污染了生长在土壤中的农作物，不仅增加了食品的安全隐患，而且时刻威胁着人体健康。当前，常用的重金属元素监测技术精度虽然较高，但所需大量人力和物力，难以适应大范围环境污染监测的需求。高光谱遥感技术具有快速、宏观、分辨率高等特性，具有精准度高、重金属污染监测空间范围大的优势，已逐渐成为研究热点^[4-8]。但室内、室外环境条件不同导致土壤光谱存在差异^[9-13]，在野外条件下测得的土壤光谱受到多种因素如土壤的含水量、土壤颗粒粒度、土壤表面条件、太阳辐射、环境光和温度的影响，野外测量环境与实验室测量环境有显著差异。通过对比基于实验室光谱和野外光谱分别建立的黏土、碳酸钙、高含量盐分光谱反演模型可知，基于实验室光谱建立的土壤成分含量反演模型常常难以直接运用于野外，且单波段遥感反演建模导致土壤背景信息不容易分离，使得本身含量低的土壤重金属难以形成显著的光谱响应特性，影响重金属遥感反演建模效果^[14-16]。为此，本文作者考虑土壤室内、室外光谱内在的关联一致性，并考虑地理环境要素对土壤光谱反射率的影响，选择合适的转换集，构建室内、室外土壤光谱的关联转换模型；采用构建的土壤室内外光谱转换模型将土壤样品室外光谱进行光谱转换，得到转换后的土壤室外光谱信号，消除环境条件导致的土壤光谱差异；考虑到单波段容易造成地物的可辨识性不强，土壤背景信息不容易分离，通过波段反射率的比值，加强地物之间的对比度，减弱背景而突出地物信息。以中国湖南某矿区为例，建立不同光谱类型(野外光谱、实验室光谱和转换光谱)的不同遥感反演特征因子(波段因子、比值因子和组合因子)多个逐步回归模型估算铬质量分数。

1  数据与方法

1.1　土壤样品采集及光谱测定

研究区为湖南省某有色金属矿区。考虑到研究区多种污染扩散因素布设带状采样路线，采用格网取样法采集自然污染土壤表层(0~20 cm)样品46个(见图1)。采样点土地利用类型主要为农业用地，少部分样本为建筑用地和矿区土壤。在去除石块、草木等杂质基础上，运用PSR-3500野外便携式光谱仪进行野外光谱测量。测量前，需要通过测量白板来定标，获取绝对反射率，再用光谱仪采集土壤光谱。为保证光谱的有效性，取土壤样本点的10次光谱平均值作为样点的野外光谱信号测量值。将土壤样品带回实验室测定其铬质量分数及其光谱(实验室光谱)。

图1　采样点分布图

Fig. 1　Location map of sampling point

1.2　野外光谱转换

DS(direct standardization)转换是一种光谱直接校正算法^[17-19]，其基本思想为：先建立实验室光谱和野外光谱的数学函数关系，再用已确定的函数关系转换野外光谱，从而消除野外光谱测量中环境因素的影响。具体步骤如下：以野外光谱作为输入，利用Kennard-Stone算法^[20-21]筛选具有代表性的野外光谱与实验室光谱，作为转换集。采用DS算法构建转换集的转换模型；采用转换模型对野外光谱进行转换，得到转换后的野外光谱(DS光谱)。

1.3　光谱数据预处理

光谱测量易受观测角度、照度、样品表面粗糙度等诸多因素的影响，导致光谱反射率曲线的信噪比低。对光谱反射率曲线进行预处理可以减小其所带来的影响。原始高光谱经变换后可以消除背景噪声，突出光谱特征。本研究去除首尾信噪比低的波段350~380 nm和2 410~2 500 nm，以及受水气影响严重的波段1 880~1 965 nm，对各光谱的有效波段进行间隔为10 nm的采样，以降低波段之间的相关性，提高数据处理效率。对各光谱进行一阶微分处理，以消除部分共有系统误差。

1.4　遥感信息特征因子选择与模型建立

1.4.1　遥感信息特征因子选择　

相关性分析结果可以反映2个变量间线性关系的强弱，本研究中，波段光谱反射率与样本重金属质量分数间的Pearson相关系数可用于指示土壤重金属质量分数的强相关波段，计算公式为

(1)

式中：r为Pearson相关系数；为第i个波段光谱反射率均值；为样本重金属质量分数均值；X_i为光谱第i个波段反射率；Y为样本重金属质量分数；σ为标准差。对相关系数进行0.05水平上的显著性检验，通过显著性检验的波段即为强相关波段；用每个强相关波段分别与其他强相关波段进行比值处理(λ₁/λ₂，λ₁和λ₂分别为分子波段的波长和分母波段的波长)，并逐一与铬质量分数进行相关分析，通过显著性检验的波段反射率的比值为强相关波段比值。

1.4.2　逐步回归建模　

分别用野外光谱、实验室光谱及DS光谱的强相关性波段(波段因子)、强相关性波段比值(比值因子)及强相关性波段和波段比值组合(组合因子)这3种因子作为模型的输入变量，土壤铬质量分数为因变量，构建双向筛选逐步回归模型。逐步回归分析是基于多元回归分析发展起来的一种数学分析方法，能有效提高变量选择的准确性。该方法的优点在于可以保证选入方程的自变量都与因变量显著相关。模型结果选择决定系数R²、训练样本均方根误差E_RMSt，验证样本均方根误差E_RMSp和相对分析误差D_RP^[22]作为评判模型预测能力的标准。一般R²及D_RP越大，E_RMSt及E_RMSp越小，模型精度越高，偏差越小。

(2)

式中：D_RP为相对分析误差；D_S为测量值的标准差；为均方根误差。

2  结果与讨论

2.1　土壤铬质量分数描述性统计分析

研究区土壤铬质量分数总体较高，样本均值远高于国家土壤环境质量标准(GB 36600—2018)^[23]第一类用地管制值(78 mg/kg)(见图2)。但在46个采样点中，仅有1个样本点的铬质量分数未超标。土壤铬质量分数统计值标准差较大，说明研究区污染差异较大。卡方检验统计量，，表明土壤样本铬质量分数服从正态分布。随机选取46个样本中的70%作为训练样本，30%作为测试样本。

图2　土壤样品铬质量分数描述性统计图

Fig.2　Descriptive statistics of chromium content in soil samples

2.2　土壤光谱曲线特征分析

图3(a)，(c)和(e)所示分别为土壤野外原始光谱、实验室原始光谱及DS原始光谱图。土壤野外原始光谱特征波段响应方向杂乱，响应程度变化剧烈；土壤实验室原始光谱及DS原始光谱特征波段响应方向较一致，响应程度较稳定，说明野外环境对铬污染土壤光谱影响显著。图3(b)，(d)和(f)所示分别为土壤经预处理后的野外光谱、实验室光谱及DS光谱图，这3类光谱之间的差异在预处理后显著减小，说明预处理后的土壤样品反射率更有利于光谱特征的敏感波段识别，可有效提升后续参与建模的光谱信号质量。

图3　土壤光谱曲线图

Fig. 3　Spectral characteristics of soil samples

2.3　相关性分析

图4所示为土壤中铬质量分数与9个因子的Pearson相关系数。从图4(a)，(c)和(e)可知：野外光谱因受环境影响大，强相关波段数少，而实验室光谱受环境影响小，强相关波段数多；野外DS光谱综合了室内外的影响，强相关波段数居中。通过计算强相关波段反射率的两两比值，得到野外光谱、实验室光谱及DS光谱的这3种不同类型光谱的比值因子(见图4(b)，(d)和(f))，可见野外光谱比值因子数量最少，实验室光谱比值因子数量最多，同样也证实了环境条件对光谱的影响；最后，将各类光谱波段因子及比值因子进行组合，得到野外光谱、实验室光谱及DS光谱这3种不同类型光谱的组合因子，将这3类光谱的波段因子，比值因子及组合因子共9类因子作为铬质量分数遥感反演的建模因子。

图4　土壤铬质量分数与因子相关分析结果

Fig. 4　Correlation analysis results of soil chromium mass fraction and factors

2.4　遥感信息建模

表1所示为构建3类光谱(野外光谱、实验室光谱及DS光谱)的3种遥感反演的建模因子(波段因子，比值因子及组合因子)逐步回归的结果。从表1可以看出：实验室光谱的组合因子的遥感反演建模效果最好，R²达0.98，E_RMSt和E_RMSp分别为3.58和14.47。实验室光谱的遥感反演建模精度明显比野外光谱的高，说明实验室光谱受环境影响小，具有更高的遥感反演建模精度。3类因子中，3类光谱的组合因子遥感反演建模精度更高，说明波段反射率的比值对消除背景影响、提高遥感反演建模精度有一定的作用。

表1　土壤铬含量逐步回归建模结果

Table 1　Stepwise regression modeling results of soil chromium content

2.5　讨论

各因子和铬质量分数的相关系数见图5。从图5(a)可知：野外光谱与铬质量分数的相关系数的峰值出现在391~400，723~754，964~973，1 020~1 091，1 160~1 287，1 321~1 377，1 499~1 608，1 715~1 767，2 019~2 125，2 196，2 216及2 313 nm等处，其中相关系数的绝对值大于0.5的强相关波段出现在1 075，1 160，1 210，1 518，1 521，1 547及1 572 nm处；DS光谱与铬质量分数的相关系数的峰值出现在391~410，525~757，924~973，1 020~1 275，1 298~1 411，1 433~1 641，1 746~1 757，1 987~2 125，2 145~2 206，2 216~2 255及2 285~2 388 nm处，相关系数的绝对值大于0.5的强相关波段出现在410，570~757，932，1 973~2 125和2 342 nm处；实验室光谱与铬质量分数的相关系数的峰值出现在391~400，494~754，944~973，1 001~1 275，1 343~1 411，1 452~1 641，1 704~1 757，1 987~2 125，2 145~2 206，2 216~2 236及2 275~2 395 nm处，相关系数的绝对值大于0.5的强相关波段出现在672~740，1 001~1，052，1 218~1 268，1 411，1 452~1 637，1 725~1 743，1 970~2 125，2 203和2 323~2 395 nm处。从图5(b)，(c)和(d)可知：反射率的野外光谱与铬质量分数相关系数绝对值大于0.5的波段比值有1 757/1 725，2 216/723(图5(b))；DS光谱与铬质量分数相关系数绝对值大于0.5的波段比值有607/676，675/607，1 433/755，2 246/755，2 388/734，2 388/744(图5(c))；实验室光谱与铬质量分数相关系数绝对值大于0.5的波段反射率的比值共有314个，相关系数绝对值大于0.57的波段反射率的比值有1 455/400，1 466/557，1 466/566，1 466/576，1 466/587，1 466/597，1 565/587，1 565/597和1 565/607(图5(d))。

对比前人研究，本研究中识别的遥感估算土壤重金属Cr的特征波段存在一定相似性，同时也有一定的差异。相似之处在于，相对于本研究找到的特征波段，吴明珠等^[24]发现土壤铬元素的敏感波段为520~530，1 440~1 450，2 010~2 020和2 230~2 240 nm；江振蓝等^[25]发现土壤重金属铬的特征波段为1 430，1 439，1 440，2 226，2 228以及2 230 nm，基本在本研究DS光谱的特征波段区间内^[25]。前人的工作大多针对土壤中铬的特征波段进行研究，而对铬的特征波段反射率的比值研究较少。本文针对从3类光谱中共找到17个特征波段反射率的比值，为今后土壤反射率的中铬的研究提供了依据。本研究对发现的特征波段反射率的比值未开展外部验证，特征波段是否在不同区域不同类型的矿区土壤中具有普适性，有待下一步研究。

图5　各因子和铬含量的相关系数

Fig. 5　Correlation coefficients between each factor and chromium content

逐步回归分析是基于多元线性回归分析发展起来的一种数学分析方法，已成为光谱分析中建立稳健线性定量预测模型的通用方法。虽然在建模过程中通过依次引入自变量，规避相关性小的变量，能有效提高变量选择的准确性。但土壤光谱是土壤内部各类活性成分光谱特征的非线性混合，土壤的组成非常复杂，利用传统精确数学方法构建的线性模型不能有效地反演重金属质量分数与反射光谱间的非线性关系。机器学习方法能不断地“学习”模型校正过程中的反馈误差，完善自变量与因变量之间的复杂关系，是解决非线性回归问题的有效方法。下一步将探讨机器学习方法用于反演矿区土壤重金属质量分数的可行性^[26]。

3  结论

1) 野外原始光谱特征波段响应方向杂乱，响应程度变化剧烈，说明野外环境对铬污染土壤光谱影响显著；3类光谱之间的差异在预处理后显著减小，说明预处理可有效提升后续参与建模的光谱信号质量。

2) 野外光谱因受环境影响大，波段因子数目少，而实验室光谱受环境影响小，波段因子数目多，DS光谱综合了室内外的影响，波段因子数目居中。

3) 实验室光谱的建模精度明显高于野外光谱的建模精度，说明实验室光谱受环境影响小，具有更高的遥感反演建模精度。3种光谱的3类遥感反演特征因子中，组合因子建模精度更高，其中实验室光谱的组合因子的遥感反演建模效果最好，说明波段反射率的比值对消除背景影响、突出光谱特性、提高建模精度有一定的作用。

4) 野外光谱与铬质量分数相关系数绝对值大于0.5的波段反射率的比值有1 757/ 1 725，2 216/723；DS光谱与铬质量分数相关系数绝对值大于0.5的波段反射率的比值有607/676，675/607，1 433/755，2 246/755，2 388/734和2 388/744；实验室光谱与铬质量分数相关系数绝对值大于0.5的波段反射率的比值共有314个，相关系数绝对值大于0.57的波段反射率的比值有1 455/400，1 466/557，1 466/566，1 466/576，1 466/587，1 466/597，1 565/587，1 565/597和1 565/607。

参考文献：

[1] SHEN Qiang, ZHANG Shiwen, GE Chang, et al. Hyperspectral inversion of heavy metal content in soils reconstituted by mining wasteland[J]. Spectroscopy and Spectral Analysis, 2019, 39(4): 1214-1221.

[2] YANG Qianqi, LI Zhiyuan, LU Xiaoning, et al. A review of soil heavy metal pollution from industrial and agricultural regions in China: Pollution and risk assessment[J]. Science of the Total Environment, 2018, 642: 690-700.

[3] VEGA F A, ANDRADE M L, COVELO E F. Influence of soil properties on the sorption and retention of cadmium, copper and lead, separately and together, by 20 soil horizons: Comparison of linear regression and tree regression analyses[J]. Journal of Hazardous Materials, 2010, 174(1/2/3): 522-533.

[4] WANG Min, YANG Keming, ZHANG Wei. Hyperspectral monitoring of maize leaves under copper stress at different growth stages[J]. Remote Sensing Letters, 2020, 11(4): 343-352.

[5] ZHOU Weihong, ZHANG Jingjing, ZOU Mengmeng, et al. Prediction of cadmium concentration in brown rice before harvest by hyperspectral remote sensing[J]. Environmental Science and Pollution Research, 2019, 26(2): 1848-1856.

[6] APPALASAMY M, VARGHESE B, SERSHEN, et al. Examining the utility of hyperspectral remote sensing and partial least squares to predict plant stress responses to sulphur dioxide pollution:a case study of Trichilia dregeana Sond[J]. South African Geographical Journal, 2018, 100(1): 22-40.

[7] ZHANG Bing, WU Di, ZHANG Li, et al.Application of hyperspectral remote sensing for environment monitoring in mining areas[J]. Environmental Earth Sciences, 2012, 65(3): 649-658.

[8] LI NA, LU J S, ALTEMANN W. Hyperspectral remote sensing in monitoring the vegetation heavy metal pollution[J]. Spectroscopy and Spectral Analysis, 2010, 30(9): 2508-2511.

[9] WENG Haiyong, CEN Haiyan, HE Yong. Hyperspectral model transfer for citrus canker detection based on direct standardization algorithm[J]. Spectroscopy and Spectral Analysis, 2018, 38(1): 235-239.

[10] CHEN Yiyun, QI Kun, LIU Yaolin, et al. Transferability of hyperspectral model for estimating soil organic matter concerned with soil moisture[J]. Spectroscopy and Spectral Analysis, 2015, 35(6): 1705-1708.

[11] WANG Shifang, HAN Ping, SONG Haiyan, et al. Application of slope/bias and direct standardization algorithms to correct the effect of soil moisture for the prediction of soil organic matter content based on the near infrared spectroscopy[J]. Spectroscopy and Spectral Analysis. 2019, 39(6): 1986-1992.

[12] LIU Yaolin, CHEN Yiyun. Feasibility of estimating Cu contamination in floodplain soils using VNIR spectroscopy: a case study in the le’an river floodplain,China[J]. Soil and Sediment Contamination: an International Journal, 2012, 21(8): 951-969.

[13] 陈奕云. 基于可见—近红外光谱的土壤部分重金属含量提取[D]. 武汉: 武汉大学资源与环境科学学院, 2011: 18-19.

CHEN Yiyun. Estimation of heavy metal contents in soil using VNIR spectra[D]. Wuhan: School of Resources and Enviornmental Sciences, Wuhan University, 2011: 18-19.

[14] OZELKAN E, KARAMAN M, CANDAR S, et al. Investigation of grapevine photosynthesis using hyperspectral techniques and development of hyperspectral band ratio indices sensitive to photosynthesis[J]. Journal of Environmental Biology, 2015, 36(): 91-100.

[15] VAN RUITENBEEK F J A, DEBBA P, VAN DER MEER F D, et al. Mapping white micas and their absorption wavelengths using hyperspectral band ratios[J]. Remote Sensing of Environment, 2006, 102(3/4): 211-222.

[16] DOXARAN D, CHERUKURU R C N, LAVENDER S J. Use of reflectance band ratios to estimate suspended and dissolved matter concentrations in estuarine waters[J]. International Journal of Remote Sensing, 2005, 26(8): 1763-1769.

[17] NGOWSUWAN K,THANAPATAY D, KASEMSUMRAN S. Performance improvement of temperature compensation in near infrared analysis of orange sweetness by applying direct standardization[J]. Journal of Near Infrared Spectroscopy, 2018, 26(6): 369-378.

[18] JI W, ROSSEL V, SHI Z. Improved estimates of organic carbon using proximally sensed vis-NIR spectra corrected by piecewise direct standardization[J]. European Journal of Soil Science, 2015, 66(4): 670-678.

[19] XI Chenchen, FENG Yanchun, HU Changqin. Evaluation of piecewise direct standardization algorithm for near infrared quantitative model updating[J]. Chinese Journal of Analytical Chemistry. 2014, 42(9): 1307-1313.

[20] 陈奕云, 赵瑞瑛, 齐天赐, 等. 结合光谱变换和Kennard-Stone算法的水稻土全氮光谱估算模型校正集构建策略研究[J]. 光谱学与光谱分析. 2017, 37(7): 2133-2139.

CHEN Yiyun, ZHAO Ruiying, QI Tianci, et al. Constructing representative calibration dataset based on spectral transformation and kennard-stone algorithm for vnir modeling of soil total nitrogen in paddy soil[J]. Spectroscopy and Spectral Analysis, 2017, 37(7): 2133-2139.

[21] 李华, 王菊香, 邢志娜, 等. 改进的K/S算法对近红外光谱模型传递影响的研究[J]. 光谱学与光谱分析, 2011, 31(2): 362-365.

LI Hua, WANG Juxiang, XING Zhina, et al. Influence of improved Kennard/Stone algorithm on the calibration transfer in near-infrared spectroscopy[J]. Spectroscopy and Spectral Analysis, 2011, 31(2): 362-365.

[22] JIANG Qinghu, CHEN Yiyun, GUO Long, et al. Estimating soil organic carbon of cropland soil at different levels of soil moisture using VIS-NIR spectroscopy[J]. Remote Sensing, 2016, 8(9): 755.

[23] GB 36600—2018, 国家土壤环境质量标准[S].

GB 36600—2018, National soil environmental quality standard[S].

[24] 吴明珠, 李小梅, 沙晋明. 亚热带土壤铬元素的高光谱响应和反演模型[J]. 光谱学与光谱分析, 2014, 34(6): 1660-1666.

WU Mingzhu ,LI Xiaomei, SHA Jinming. Spectral inversion models for prediction of total chromium content in subtropical soil[J]. Spectroscopy and Spectral Analysis, 2014, 34(6): 1660-1666.

[25] 江振蓝, 杨玉盛, 沙晋明. GWR模型在土壤重金属高光谱预测中的应用[J]. 地理学报, 2017, 72(3): 533-544.

JIANG Zhenlan, YANG Yusheng, SHA Jinming. Application of GWR model in hyperspectral prediction of soil heavy metals[J]. Acta Geographica Sinica, 2017, 72(3): 533-544.

[26] CHENG Hang, SHEN Ruili, CHEN Yiyun, et al. Estimating heavy metal concentrations in suburban soils with reflectance spectroscopy[J]. Geoderma, 2019, 336: 59-67.

(编辑  陈灿华)

收稿日期： 2020 -03 -10; 修回日期： 2020 -05 -22

基金项目(Foundation item)：有色金属成矿预测与地质环境监测教育部重点实验室(中南大学)开放基金资助项目(2020YSJS12)；湖南省科技厅项目(2019TP2079, 2019SK2112, 2017SK2271) (Project(2020YSJS12) supported by the Open Research Fund Program of Key Laboratory of Metallogenic Prediction of Nonferrous Metals and Geological Environment Monitoring(Central South University); Projects(2019TP2079, 2019SK2112, 2017SK227) supported by the Program of Department of Science and Technology of Hunan Province)

通信作者：薛云，博士，副教授，从事环境遥感应用研究；E-mail：185963095@qq.com