本文题为《Hyperspectral sensing of heavy metals in soil and vegetation: feasibility and challenges》，由Fenghe Wang、Jay Gao和Yong Zha共同撰写，发表于《ISPRS Journal of Photogrammetry and Remote Sensing》期刊2018年第136卷。这是一篇针对高光谱遥感技术用于土壤和植被重金属污染监测领域的系统性综述文章。文章旨在全面梳理和评价该领域的研究现状、可行性及挑战，为相关学者和从业人员提供清晰的路线图与批判性见解。
文章首先明确了研究的背景与动机。土壤中的重金属（如Pb、Cd、Cu、Zn、As、Mn、Cr等）因其毒性、持久性及易被植物吸收的特性，是对环境和人体健康的严重威胁。传统的土壤重金属监测依赖于野外采样和实验室化学分析，这种方法成本高、效率低、难以实现大范围动态监测。相比之下，基于反射光谱的遥感技术，特别是高光谱遥感，以其快速、无损、成本相对较低的潜力，被视为一种有前途的替代或补充手段。然而，尽管大量研究探索了利用高光谱数据估测重金属含量的可行性，但其在实际应用中的普适性、准确性以及从实验室测量到卫星影像成功反演的技术瓶颈并未得到系统评估。因此，本文的四个主要目标是：（1）系统比较用于建立重金属含量与光谱响应之间关系的不同分析方法；（2）比较不同的预测模型及其解释变量，评估其普适性；（3）批判性评价不同类型传感平台和系统在重金属检测中的效用；（4）评估可实现的时空检测精度，并分析影响高光谱传感成功与否的因素。
文章的论述主体围绕以下几个核心要点展开：
核心要点一：典型重金属的光谱响应特征及其局限性 研究指出，重金属的光谱行为通常在可见光-中红外（350-2500 nm）范围内使用ASD FieldSpec3等高光谱仪进行测量。对于植物而言，重金属胁迫会导致叶绿素含量、内部结构和水分含量发生变化，进而在光谱上表现出反射率的变化，例如在可见光区域（尤其是红边）和近红外区域出现特征性响应。对于裸露土壤，重金属本身通常不直接吸收可见光-近红外辐射，其光谱信号可能非常微弱甚至无法直接检测。其检测往往依赖于重金属与土壤中具有光谱活性的组分（如铁氧化物、有机质、粘土矿物）之间的协变关系。文章强调，只有当重金属含量足够高时，才会在光谱上表现出细微的差异，且并非所有重金属都有独特的光谱指纹。许多研究通过在实验室控制环境下进行盆栽实验，模拟不同浓度重金属胁迫，以分离单一金属的光谱响应。然而，这种理想环境下的测量结果与现实复杂环境中（受背景覆盖、太阳光照、土壤成分相互干扰等因素影响）存在差距，因此实验室测得的光谱响应主要作为选择最佳检测波段的指导，而非直接用于遥感反演的绝对依据。
核心要点二：数据处理与信息提取的关键技术 由于仪器和环境噪声的影响，原始光谱反射率数据需要进行优化处理以增强重金属的微弱信号。文章详细介绍了两种最常用的优化方法：连续统去除和光谱导数（一阶导数和二阶导数）。这些方法能够有效突出吸收特征并压制背景噪声。在信息提取方面，文章重点讨论了红边参数（特别是红边位置REP）的重要性。红边（680-750 nm）是植被光谱的敏感区域，重金属胁迫常导致叶绿素减少，进而引起红边位置向短波方向移动（“蓝移”）。REP的提取方法多样，包括一阶导数法、倒高斯拟合、拉格朗日插值等。此外，植被指数被广泛用于增强与重金属胁迫相关的植被信号，同时抑制土壤和大气的影响。文中列举了多种已被应用的植被指数，如归一化植被指数、土壤调节植被指数、改良叶绿素吸收反射率指数等，并指出不同指数对不同金属和植物物种的敏感性不同，需要针对性地选择或构建。
核心要点三：预测模型的构建与评估 建立重金属含量与光谱特征（原始反射率、导数光谱、植被指数等）之间的定量关系模型是核心环节。文章系统回顾并比较了多种建模方法： 1. 逐步多元线性回归：从大量潜在光谱变量中自动选择对因变量（金属含量）贡献显著的变量建立线性模型。方法简单，但可能受变量间多重共线性的影响。 2. 偏最小二乘回归：该方法通过将自变量和因变量投影到新的潜在变量空间来克服多重共线性问题，特别适用于变量数多于样本数或变量高度相关的情况。研究表明，PLSR在预测多种重金属含量时往往能取得比普通线性回归更高的精度。 3. 人工神经网络及其变体：包括反向传播神经网络、模糊神经网络和动态模糊神经网络。ANN能够处理复杂的非线性关系，表现出强大的建模能力，尤其是模糊神经网络和动态模糊神经网络在整合光谱参数与环境因子方面显示出优势，有时能获得比PLSR更高的预测精度。然而，ANN通常被视为“黑箱”模型，其内部机制不易解释，且模型结构的优化（如隐藏层数和节点数）过程复杂。 文章通过表格形式对比了不同模型对铜、铅、锌等金属的预测效果和所用变量，明确指出模型的准确性高度依赖于所检测的金属类型、采样地点、植物物种以及金属的浓度水平。没有一种模型是普遍最优的，且基于纯光谱参数的模型精度有限，结合环境变量或作物生长模型可以显著提高预测能力。
核心要点四：从可行性到现实应用的挑战——空基与星基遥感 大量实验室和地面光谱测量研究“充分论证”了利用高光谱数据估测几种重金属的可行性，相关系数有时可达0.97以上。然而，文章尖锐地指出，将这些结论直接推广到真实的遥感影像应用时需要格外谨慎。从实验室控制环境到受大气、光照、土壤湿度、植被覆盖等多种因素影响的真实遥感场景，是一个巨大的跨越。 在机载平台方面，文章提到了HyMap等高光谱成像仪的成功应用案例，例如在矿区用于绘制重金属分布图。无人机平台因其能获取极高空间分辨率数据，在监测河岸植被中的重金属含量方面展现出巨大潜力。 在星载平台方面，文章重点讨论了Hyperion和HJ-1A等高光谱卫星数据的应用。少数研究成功利用这些数据绘制了土壤或作物中铜、锌、镉等重金属的空间分布图，并达到了一定的精度（例如R²在0.60至0.78之间）。然而，文章指出“大量报道的失败案例证明了探测土壤和植物中重金属的难度，尤其是当其浓度水平较低时”。失败的原因包括：卫星传感器特定波段噪声较大、大气影响校正不充分、以及未能充分考虑环境变量的影响等。文中特别强调了大气校正（如使用FLAASH算法）对于将卫星记录的辐射值转换为可靠的地表反射率数据至关重要，是成功反演的前提条件之一。模拟研究也表明，高光谱数据（如HyMap）的预测精度通常高于多光谱数据（如TM、ASTER），但即使使用多光谱数据，在特定条件下也可能获得满意结果，这暗示了数据选择需权衡成本与精度需求。
核心要点五：研究的总结与展望 文章在结论部分对全文进行了凝练总结，并指出了未来研究的方向： 1. 光谱响应的间接性与局地性：高浓度重金属虽具光谱响应，但信号易被土壤和植被中其他主导组分（如有机质）的噪声淹没。多数重金属缺乏独特光谱指纹，其估测需依赖与铁氧化物、有机质等的协变关系，或通过其对植物叶绿素的影响间接实现。这种经验性的相关关系具有地点特异性，缺乏普适性。 2. 方法与变量的多样性：从可见光-近红外范围内的众多波段及其导数、变换（如植被指数）中筛选有效变量是研究常态。同一指数对不同金属、不同植物种类及其不同生长阶段的敏感性差异巨大。 3. 建模方法的选择：PLSR因能处理变量共线性而前景广阔。ANN（特别是DFNN和ANFIS）虽然强大，但存在解释性差的缺点。模型精度受金属浓度水平、土壤有机质和水分含量、金属存在形态等多种因素影响。 4. 实际应用的成功与障碍：少数研究者利用HJ-1、Hyperion或HyMap数据成功绘制了重金属分布图，但更多尝试以失败告终。成功的关键前提在于精确的地表反射率反演以去除非目标信号，以及结合环境因子或使用复杂分析方法筛选最关键变量。 5. 未来挑战：文章最后暗示了尚未系统分析的成功或失败因素，包括所需的最小光谱分辨率、更稳健的大气校正方法、以及如何建立更具普适性的光谱-重金属关系模型等，这些都是未来研究需要攻克的重点。
本文的意义与价值 本文作为一篇全面的综述，其核心价值在于系统性和批判性。它不仅梳理了高光谱遥感监测土壤和植被重金属污染的技术链条（从光谱响应机理、数据预处理、特征提取到模型构建），更重要的是，它没有停留在罗列成功案例，而是直面该领域从实验室走向实际遥感应用所面临的巨大挑战。文章明确指出实验室可行性研究与实际卫星反演成功之间存在鸿沟，并剖析了失败的可能原因（如大气影响、模型局地性、低浓度探测难等），这对于后续研究者避免重复错误、明确技术攻关方向具有重要的指导意义。文章通过对比不同方法、模型和平台的优劣，为读者提供了清晰的技术选型参考。这篇综述是高光谱环境遥感领域，特别是重金属污染监测方向的一份重要文献，既总结了已有成就，也划定了当前的技术边界和未来亟待解决的问题。