1、遥感找矿技术概述
随着科学技术的持续发展和进步，国际、国内的地质矿产勘探工作都不一样程度地获得了非常大的技术支撑，地质勘探业快速崛起，遥感找矿技术已经变成一项相对成熟的地质找矿办法。
遥感找矿技术关键是指应用遥感技术实施地质矿藏的发现、开采等项目。这技术的理论支撑是遥感技术，依照光谱分为能见光遥感、红外遥感与微波遥感。遥感技术用于地质找矿作业，可以全面、客观地记录与分析矿山的物质成分与构造，使发现矿藏的几率与速度大大的提高与改善了，而且分析结果更加精确与合理。
遥感找矿技术关键是根据大地层中的各类物理化学物质所产生的反射、透射等物理作用而形成的电磁波，来传递各类地质成分的特点信息。通常来说，具备稳定的物理构造与稳定的化学性质的物质具有稳定的光谱吸收特征，而不同的矿物质又具有不同的电磁波辐射能力。在遥感找矿技术中，我们运用波谱仪等遥感设备对野外收集的样品实施光谱试验，得到数据并对其光谱曲线进行测量，再和资料库中的已知光谱实施对比，能够确定矿物质中所含有的各类成分，并进一步判断其含量和纯度。这样，我们就运用遥感找矿技术，成功地为决策者开发运用矿山资源供应了可靠资料。
2、在地质找矿中遥感技术应用的理论根据
遥感技术能够综合几种地质遥感信息，具备丰富的理论基础，与物理内涵，在地质找矿中发挥着至关重要的关键作用。在地质找矿中遥感技术的运用，具备方便定位、立体感强、丰富的信息量、多波段、宏观性等优点，运用遥感技术分析地质找矿中的遥感影像，综合含矿载体与含矿结构的光谱特点、纹理特点、构造特点与结构特征。地质构件状况直接关系着矿产资源的产出与形成，一般状况下，在煤系地层中储存煤矿资源，其光谱特点关键反映了岩石的特点种类、地质矿产资源的结构特点，运用遥感技术能够获得有关的环状与线性信息，全面的揭示地质矿产范围的地质系统结构。含矿结构的纹理特点与结构特点反映了地质矿产资源的岩石种类与地层层序的差异，不一样的矿物含量与成分反映了矿化的蚀变状况，一定规律的矿化蚀变组合经常指示着存在某种矿产资源的状况。
3、遥感在地质找矿中的应用
3.1地质构造信息的解译
地壳内部的内在活动原因是构造运动，它和变质事件、热事件、成矿作用关联在一起，而内、外生矿床的产生与分布都不一样程度地受必然地质结构事件的控制。地质结构在遥感图像上经常表现为线性和环形特点。线性特点，是像片上呈持续或断续的线状或带状展布的影像，其有一定规律性的空间分布型式。线性形迹关键指断裂与节理等结构，它控制着岩浆活动和矿液的运移、保存，对导矿、运矿、储矿起着关键的作用。环形结构在地壳中以近圆形的结构环带为特点，很多是地壳内部活动的表现，对产生火山型、热液型矿床关联严密。线性构造、环形构造和构造交叉位置，常常是成矿的关键位置。经过对遥感图像上色调、阴影、形状的研究能够更直观的看出研究区域的地质构造，对成矿预测有利。
3.2提取地质构造信息
通常状况下，地质矿产关键是由各类地质构造的不一样运动形成的。比如，火山或地震活动等。一般状况下，矿产的分布关键集中在各类地质构造边缘部位或形成变异的位置，非常多关键的矿产关键分布在不一样板块的结合部位或邻近边界的地带。从产生时间上分析，其相同地质构造的运动时间是维持同步的，矿床的分布会由于地质构造运动的改变而形成变化，而且，展现出了带状分布。凭借遥感技术从事找矿工作，关键就是运用这一特点实施找寻工作。像，在矿物质的产生区域，凭借线性影像对应的信息实施高效提取，同时，还能够对火山构造和盆地等地质影像资料实施合理的分析，并把找矿需要的有用信息从其中提取出，从而结合有关的影响原因，综合评定矿物的储备和种类等有关特点。
3.3植被波谱特点运用
一般状况下，矿场四周的地貌植被和所含有的矿物质具备一定的关联性，比如，金属元素随着时间的持续累积，会生成必然的微生物群落，而微生物同地下水等自然环境互相作用，会对地表的土层形成必然的作用，从而让地表发生一定的改变。地表的各类植被在吸收了含有金属元素的营养物质后，会产生一定的异变。当大面积发生异变后，凭借遥感技术对有关的信息实施有效地提取，从而分析出详细的金属元素，并借此判断这范围的矿物质储备等状况。
3.4识别地质岩石矿物
成矿的赋存条件多以特定的岩石组合与种类为物质基础，可见对于成矿而言，岩石的作用显而易见，而岩石、矿物本身的光谱特点也为运用遥感技术得到遥感信息用于辨别岩性供应了必要条件。一般用于识别岩性的办法关键为加强、变换、遥感图像分析，凭借图像中颜色、色调、纹理等加强后的差异性，最大限度的分开岩相、划分岩性组合或岩石种类，像岩浆岩、沉积岩、变质岩等。通常状况下，当处于8-14μm的波长时为热红外域，反映的是岩石、矿物光谱中的发射特点，当其处于0.4-2.5μm时则为能见近-短波红外域，反映的是岩石、矿物光谱中的反射特点。
遥感技术在识别岩石、矿物中的运用也相对常见，像某矿产运用ASTER热红外遥感技术提取了某边缘试验区的硅酸盐岩、碳酸盐岩、硅质岩的岩性；而Crosta则以研究地区内的蚀变特点与地质状况为根据，基于USGS矿物光谱数据库，创建了单矿物的识别规范，并运用AVIRIS得到了遥感图像，从而把明矾石、白云母、高岭石等矿物提取了。由于以空间特点与地物光谱的差异性为基础的高光谱成像遥感技术具备数据量大、高的分辨率、超多波段等优点，其窄波段能用于矿物吸收特点的不同，配以重建地物光谱、量化并提取光谱特点、混合象元定量分析等，能完成对矿物岩石的有效区分，所以在识别岩石矿物中获得普遍运用。
【Abstract】Hyperspectralremotesensingtechnology，beingoneofthemostimportantbreakthroughsacquiredinthefieldofearthobservationbyhumanintherecent20years，isanadvancingtechnologyofremotesensinginthenextdecades.Ithasthespecialqualitiesofhighspectralresolution，plentifuldataetc.，soitcanbeextensivelyappliedinenvironmentprotection，depositexploration，vegetationmonitoringandsoon.Theapplicationofhyperspectralremotesensinginmonitoringphysiologicalparametersofvegetationmainlyhasthefollowingaspects：nitrogencontentinplants，chlorophyllcontent，；watercontent.
【P键词】高光谱遥感；植物生理参数；氮素含量；叶绿素含量；水含量
【Keywords】hyperspectralremotesensing；plantphysiologicalparameters；nitrogencontentinplants；chlorophyllcontent；watercontent
【中图分类号】P23【文献标志码】A【文章编号】1673-1069（2017）05-0182-03
1引言
获取植物生理参数的传统方法是将植物带回到实验室进行化学和生物分析，这个过程需要花费巨大的人力物力成本，因此，我们探索是否可以应用新的技术来结合具体微生物复垦技术特点，以简化这些烦琐而且花费成本巨大的实验。利用高光谱扫描叶片来进行反演植物内部生理生化参数（氮磷钾等）含量，能够获得地物连续平滑的光谱曲线，并且可以捕捉到非常敏感微小的差异。
随着高光谱遥感技术的快速发展及其数据处理与分析方法的不断进步，与传统的生理生化实验相比，利用高光谱遥感数据反演植物生理生化参数在现实中会得到为更广泛的应用，高光谱遥感目前也正在成为观测植物长势和诊断植物病虫害的重要方法。
叶片中的氮素、叶绿素、水等含量与叶片反射率有着密切联系。可以用数学方法进行叶片生化组分含量的预测研究。随着高光谱遥感技术的发展，高光谱数据在作物生理参数诊断中所起的作用越来越受到人们的重视。
2高光谱遥感技术在作物生化参数诊断中的应用
高光谱分辨率遥感技术的发展是20世纪末最后20年中人类在对地观测方面所取得的重大技术突破之一，也是当前及今后几十年内的遥感前沿技术。国际遥感界将光谱分辨率达纳米（nm）数量级范围内的遥感技术称为高光谱（HypersPectral）遥感。其光谱分辨率高，并具有波段多、信息量丰富的特点。常规的作物生化参数的获取方法是将样本从大田运输到实验室进行测定，这种方法费时、费力，且具有破坏性。近年来，随着高光谱技术的发展，由于其具有简便、快速、大面积、非破坏性等特点，在作物参数反演中发挥着重要且独特的作用，便携式高光谱仪通过测定作物的反射率、吸收率和透射率来对生化参数进行测定，可反演的参数主要有叶绿素含量、全氮含量、水含量等[4]。
3监测生理参数的应用
3.1氮素测定
氮素是植物内许多重要有机化合物的组成成分，是植物细胞原生质中的基本物质。蛋白质、叶绿素和核酸的合成都离不开氮元素[5]，例如蛋白质的多少直接影响植物的生长发育，酶就是蛋白质的一种，缺少酶这种催化剂，植物生长必然要受到影响。
氮肥是植被施肥中最不可或缺也是最普遍的肥料，而由于缺乏能够准确、快速、方便、经济诊断植物氮素营养水平的方法，如果施肥过量则会导致成本增加，污染环境；施肥过少则会导致植物缺乏养料，生长发育不正常，从而导致收成受损[6]。
从以上可以看出，研究精确、高效、实时地监测植物氮素含量的方法对于植物的生长状况监测具有至关重要的意义。基于此，很多学者提出不同条件下采用高光谱分析技术，提取植物氮素信息的方法。
目前作物氮素含量高遥感反演常采用的方法是基于高光谱敏感波段反射率或光谱植被指数的经验统计关系法[7]。孔维平[8]等利用ASD地物光谱仪，获取大豆叶片整个生理周期的高光谱数据，应用一阶微分光谱，衍生出基于光谱面积变量（A678-697）为自变量的幂函数模型，并以此为对照处理的大豆全氮最佳反演模型，该模型决定系数R2为0.81，EMSE和RE分别为0.33和7.59%。同时也衍生出基于光谱特征参数（A1605-1608-A1685-1709）为自变量，叶片全氮为因变量，决定系数R2为0.63，均方差（RMSE）分别为0.23和4.95%的模型。Feng等[8]发现将原始光谱进行一阶微分处理计算出红边区域的双峰面积可增加其与冬小麦叶片全氮含量的相关性，Li等[9]使用前人研究提出的可见光波段光谱指数，基于偏最小二乘回归方法对冬小麦叶片氮素含量进行了估测。Fava等[10]使用ASD地物光谱仪对地中海地区草地的光谱进行采集，发现近红外波段775-820nm和红边位置附近波段740-770nm的比值植被指数与草地的氮素浓度有较好的相关性。陈书琳[11]等在不同接菌处理条件下，对大豆叶片全氮含量做了相关性分析，并采用地物光谱仪，获取大豆成熟发育时期的高光谱数据，利用原始光谱，衍生出基于光谱位置的分析方法，以688nm和503nm处反射率的差值作为自变量，叶片全氮（TN）含量为因变量，分析结果表明：全氮含量与TN含量呈显著的正相关（R=0.8723**，n=39），其模型决定系数R2为0.559，EMSE为0.669。
由此可见，利用高光谱的反射特征以及衍生出的特征参数可以实时、动态、高效地监测植物的氮素含量。
3.2叶绿素测定
叶绿素可吸收光能，在植物进行光合作用的过程中必不可少，同时也是光合作用能力、植物生长发育阶段的指数器[12-13]。目前国内外研究人员针对高光谱遥感诊断叶绿素含量开展了大量研究。
房贤一[14]以蒙阴县果园的苹果树为试验材料，连续2年测定了苹果冠层光谱反射率和冠层叶绿素含量，分析了冠层叶绿素含量与光谱反射率之间的相关关系，并计算了400～1000nm任意两波段组合而成的RVI、DVI、NDVI和RDVI，分析了它们与冠层叶绿素含量的关系，以逐步回归分析做比较，建立了苹果冠层叶绿素含量监测模型。建立苹果冠层叶绿素含量及冠层光谱特征参量间的定量关系模型，以促进高光谱技术在苹果树精准施肥以及快速、无损长势监测中的应用发展，结果表明我们采用多元逐步回归方法建立起来的模型的苹果冠层叶绿素含量监测效果较好。Moran等[15]研究表明叶绿素含量与波段700nm附近的光谱反射率有很好的相关性，潘蓓[16]等利用ASDFieldspec3光谱仪，测定春梢停止生长期苹果冠层高光谱反射特性，对原始光谱进行一阶微分处理，与苹果叶绿素含量进行相关性分析以寻找与叶绿素含量相关性强的敏感波段，通过分析敏感区域400～1350nm范围内所有两波段组合的植被指数，选择最佳植被指数并建立苹果冠层叶绿素含量估测模型。结果表明：①苹果冠层叶绿素含量的敏感波段区域为400～1350nm。②利用筛选得到的植被指数CCI（D794/D763）构建的估测模型能较好地估测苹果冠层叶绿素含量。③以CCI（D794/D763）指数为自变量的估测模型CCC=6.409+1.89R3+1.587R2-7.779R的预测效果最佳。因此，利用高光谱遥感技术能够快速、精确地对苹果冠层叶绿素含量进行定量化反演，为监测苹果生长特性提供理论依据。
另外孙江涛[17]等探究利用高光谱遥感技术来监测不同施磷水平下接种菌根对植物生长的影响规律，通过高光谱扫描实验以及室内样品化验，获得4个不同施磷水平状况下玉米的高光谱反射率、叶片的叶绿素含量、植株生物量等数据。对高光V数据进行导数光谱计算和连续统去除处理，得到以不同玉米叶绿素含量差异的光谱特征参数为自变量，以叶绿素含量为因变量的线性或非线性回归模型，接菌处理玉米叶绿素含量所有的反演模型中，以REP为变量构建的线性模型具有较高的拟合精度和反演效果，检验决定系数R2为0.753，对照处理的玉米叶绿素含量的所有反演模型中，以RG为变量构建的指数模型的拟合度最高达0.927，检验决定系数为0.834.吉海彦[18]等使用ASD便携式光谱仪和LI-COR1800型积分球，在350-1650nm的光谱范围内，测量冬小麦叶片在不同生长期的反射光谱，用偏最小二乘方法建立了冬小麦叶片叶绿素含量与反射光谱的定量分析模型。在400～750nm的光谱范围，建立了叶绿素含量与反射光谱的模型，结果显示叶绿素的预测值与真实值的相关系数为01898，相对标准偏差为1316%。在光谱范围为1400～1600nm的农业生产中，这些结果是非常令人满意的。
3.3水含量
叶片含水量是反映作物生理特性的一个重要参数，含水量的变化会影响作物对氮的利用以及叶片碳交换速率，从而影响碳循环和能量收支，以及作物产量。因此，选择适宜的
含水量反演指标评估旱情的发生、发展和变化情况，对进行相应的抗旱准备和采取及时的抗旱措施具有重要的指导作用。
Inoue等[19]研究发现大气对近红外水分吸收波段影响较大，因此不适合在高空遥感中用于评估植被的水分情况；在野外光谱采集中要充分考虑大气中水汽的影响，选择晴朗、能见度高且大气比较干燥的天气，以减少水汽对波段1450nm处水分吸收峰的影响。Pietro等[20]提出全球植被营养指数GVMI，使得相对含水量的反演从局部扩展到了整体；另外王纪华[21]等应用地物光谱仪探讨了小麦叶片含水量对近红外（NIR）波段光谱吸收特征参量的影响，结果表明：1165～1185nm间的光谱反射率与小麦叶片的含水量呈显著负相关，而且该波段在大气窗口之内，受大气层水的干扰较小，可作为航空或卫星遥感探测指标应用。由此根据大量观测数据建立了叶片含水量与吸收深度及吸收面积间的线性相关关系和回归方程式，从而提出一种利用光谱反射率诊断小麦叶片水分状况的遥感方法。
4结语
高光谱遥感凭借其充分利用地物光谱特征的特点为农作物研究提供了新的平台[22]，与传统的多光谱遥感或宽波段遥感相比，高光谱遥感不仅能比较真实全面地反映各类植被的光谱特征及其差异，还能实现对某些植被生化参数的定量测定。因此，可以运用高光谱遥感技术进行低耗、高效、实时、无损地植被生理参数监测，从而实现对植物生长状况的监测和评估。
应用高光谱遥感技术可以监测植物的氮含量、叶绿素含量、水含量，清晰地了解植物的生理参数，为判断植物的生长状况提供参考，并为农业生产进行定量施肥提供依据。
【参考文献】
【1】程一松，胡春胜等.氮素胁迫下的冬小麦高光谱特征提取与分析[J].资源科学，2003，25（1）：86-93.
【2】冯先伟，陈曦等.水分胁迫条件下棉花生理变化及其高光谱相应分析[J].干旱区地理，2004，27（2）：250-255.
【3】杨吉龙，李家存等.高光谱分辨率遥感在植被监测中的应用综述[J].世界地质，2001，20（3）：307-312.
关键词：遥感；土壤；重金属
Abstract：Remotesensingtechnologyhastheadvantagesofmacroscopiccharacteristics，strongcurrencyandcomprehensiveabundantinformation.Itprovidesafeasiblemethodforsoilheavymetalpollutionevaluationofminingarea.Thispapersummarizestheresearchofevaluationforminingareaofsoilheavymetalpollutionwithremotesensingtechnology.
KeyWords：remotesensing；soil；heavymetal
1.引言
矿产资源是生产资料和生活资料的重要来源，人类社会的发展进步与矿产的开发利用密不可分。矿产的开采、冶炼、加工过程中大量的铅、锌、铬、镉、钴、铜、镍等重金属以及类金属砷等进入大气、水、土壤引起严重的环境污染。根据2014年4月17日环境保护部、国土资源部的《全国土壤污染调查公报》，“全国土壤环境状况总体不容乐观，部分地区土壤污染较重，总的超标率达16.1%”、“在调查的70个矿区的1672个土壤点位中，超标点位占33.4%，主要污染物为镉、铅、砷和多环芳烃”。资源、环境是制约社会经济发展的两大瓶颈，如何克服这个瓶颈问题同时又能实现矿山开发的可持续发展，是我国社会必须面对和解决的紧迫的社会问题[1]。
传统的土壤重金属污染监测方法有实验室监测、现场快速监测等方法。实验室监测方法虽然测量精度高，但是存在劳动强度大、采样分析费时，适用范围小的缺点；现场快速监测法虽然具有大面积、连续、高密度获取信息的特点，但是还大多处于定性或半定量的试验阶段，易受周围因素影响[2]。
各种岩石、土壤、植被及水体等均有各自独特的光谱特征。地物光谱特征的差异，是遥感技术识别各类地物的主要依据，也是应用遥感技术开展土壤重金属污染评价的理论基础。遥感技术以其宏观性和现势性强、综合信息丰富等优势，在矿区土壤重金属污染评价中起到了积极的先导作用，并取得了良好的应用效果。
一般情况下，土壤中的有机质、水分、铁氧化物、重金属等对土壤光谱反射率有一定影响。国外相关研究起步较早，始自20世纪六十年代土壤光谱研究[3]。国外有研究中表明，当土壤有机质含量超过2%，铁氧化物、重金属等光谱信息有可能被土壤中的有机质的光谱信息所掩盖，进一步加大了光谱信息提取的难度；同时土壤的反射率会因铁氧化物的存在而在整个波谱范围内有明显的下降趋势，土壤的光谱反射率都朝着蓝波方向下降，并且这种下降趋势可以扩展到紫外区域[4]，相关研究陆续拓展至矿区重金属污染中来[5]；国内自20世纪八十年代在云南腾冲系统地开展土壤光谱与理化性状关系的研究[6～7]，并于九十年代末开展遥感技术在矿区重金属污染监测的探索。
目前遥感技术对矿区土壤重金属污染评价研究主要有两个方向：一是植被反演。根据地表植被覆盖以及重金属在植被根茎、叶片中富集，植被在重金属胁迫下叶绿素等光谱特征发生变化的特点，通过植被光谱数据反演土壤中的重金属含量，间接评价重金属污染。二是土壤监测。利用重金属对土壤波谱特性的影响，通过土壤光谱数据监测重金属含量[8-10]。
2.植被反演方法
植被在生长发育的过程中，矿区土壤中的重金属被吸收和富集，对植物的产生的影响主要体现在长势方面产生了生物地球化学效应，如色素含量、水含量、叶面温度的变化，进而影响植被的光谱反射率，植被光谱的变化能够在遥感光谱信息中有所体现。基于以上认识，可以通过植被光谱信息、波谱曲线变化的分析提取污染信息[11]。不同植物对重金属敏感性不同，重金属胁迫导致植物体内生物化学成分发生改变，使电磁波谱反射特性不同。
植被反演方法的原理是，运用遥感技术研究重金属污染条件下植被光谱特征变化，建立植被光谱特征与重金属污染条件下植被生长状态参数变化之间的关系[7]；研究叶绿素含量与重金属污染之间的关系，分析叶绿素变化敏感的光谱指数及其响应规律，并进行了区域应用与验证[11-13]。研究表明，随着土壤中重金属含量增加，植被近红外、可见光反射光谱特征发生显著变化，表现为可见光光谱反射增强，近红外光谱减少，红边移动范围减少[14-15]。此方法适用于矿区植被覆盖较茂密的区域。
王杰等（2005年）以江西德兴铜矿去为实验区，采用美国陆地卫星（Landsat）ETM+数据，采用比值分析、彩色合成、影像融合等方法增强影像视觉效果，对污染区的植被的波谱曲线与正常区的同种植被的光谱特征作对比，总结出受毒化植物叶冠的波谱形态与正常植物叶冠的波谱形态相比发生的形态变异的特征，总结对照区和污染区植被的波谱特征差异和各污染区的受污染程度，分析出不同污染区植物的受毒害程度[16]。
雷国静等（2006年）在南方植被茂密区离子型稀土矿区采用高分辨率QuickBird遥感数据采取坐标换的方式，消除土壤信息干扰，获取了较真实的植被受污染影响程度的信息，运用了归一化植被指数密度分割方法和通过旋转二维散点图获得植被绿度方法来提取植被污染信息，取得了较好的效果[17]。
李新芝等（2010年）以肥城煤矿区为实验区，将SPOT-5数据2.5米分辨率的全色波段进行小波变换、主成分分析等融合方法提高图像的空间信息量，综合运用缨帽变换、植被与土壤相关性分析、支持向量机分类等方法提取矿区植被信息，并制作了植被等级分布图，确定了不同污染程度的植被覆盖面积，与矿区污染分布的规律具有较好的一致性[11]。
黄铁兰等（2014年）以广东大宝山矿区及周边10公里范围作为研究区，分别以ASTER及QuickBird为数据源，采用植被指数法和植被绿度法对植被污染信息进行识别，对获取的植被绿度信息图像进行密度分割，获得植被污染程度及分布情况。同时建议大范围的矿山植被污染信息的识别，考虑到项目综合成本等因素，采用ASTER等低分辨率的数据源，选择植被绿度指数法进行识别。对于小范围的典型矿区，可选用QuickBird等高分辨率的数据源，用植被指数法进行识别[18]。
由于混合像元、大气效应的存在，植被信息提取过程中容易出现错分、漏分现象；相关系数的设置易受经验的影响。同时信息提取易受云层、山体阴影和人类生产活动的影响，均存在一定的误提现象。未来应加强信息提取技术、多源遥感数据在植被反演中的应用研究，以解决上述问题。
3.土壤监测方法
土壤是由多种物理化学特性不同的物质的组成的混合体，例如有机质、重金属、水、其他矿物质等。各种物质均有发射、反射、吸收光谱的特性，都会对土壤光谱特征产生影响，同时植被覆盖也对土壤光谱的监测有较大影响，因此对于通过土壤光谱数据直接监测土壤重金属含量的研究，尚处于探索阶段。
土壤监测方法的原理是，利用光谱分析方法室内测定土壤发射光谱数据，经线性回归分析或指数回归分析、标准化比值计算、特征光谱宽化处理后，利用回归分析方法建立重金属元素含量与发射率变量之间的土壤重金属反演模型，定量反演出矿区土壤重金属含量[19-23]。此类方法适用于植被覆盖率较低的地区。
ThomasKemper等（1998年）在西班牙Aznalcóllar尾矿库溃坝事件土壤重金属污染监测中，基于多元线性回归分析（MLR）和人工神经网络（ANN）方法分别通过化学分析、特征光谱--近红外反射光谱（0.35?0.35μm）手段监测土壤重金属含量，两种手段对As、Fe、Hg、Pb、S、Sb等六种元素监测有较高的相似度。为相似矿区环境的监测提供了较好的借鉴意义[13]。
李淑敏等（2010年）以北京为研究区，研究土壤中8种重金属（Cr、Ni、Cu、Zn、As、Cd、Pb、Hg）的含量与热红外发射率的关系，分析了土壤重金属的特征光谱，并模拟预测了重金属含量的回归模型，为基于遥感光谱的土壤重金属含量监测奠定了基础[24]。
宋练等（2014年）以重庆市万盛采矿区为研究区，通过光谱特征物质之间的自相关性来分析土壤中光谱特征物质，在回归分析的基础上建立As、Cd、Zn重金属含量的遥感定量反演模型，监测三种重金属含量，结果表明土壤在近红外波段和可见光波段的反射值比值与土壤中As、Cd、Zn含量存在较好相关性[25]。
部分研究对波段选择和光谱分辨率的重要性认识不高，影响了重金属元素光谱信息识别、重金属污染预测精度；土壤中绝大部分重金属，如铅、锌、铬、砷等在可见光―近红外波段区间的光谱特征较弱，易被植被、土壤波谱信息掩盖，对直接利用土壤重金属光谱特征来提取污染信息带来了难度。研究发现，铁氧化物的波谱特征较明显，今后需加强土壤中重金属与铁氧化物相关性的研究，以提高污染信息提取的准确性。
4.未来展望
近年来，遥感技术用于矿区土壤重金属评价取得了一定进展，今后要在以下几个方面寻求突破：
（1）研究遥感信息提取新技术新方法。地物波谱特性易受土壤成分、大气效应、植被等环境噪音的影响，需进一步加强波谱信息提取技术的研究，以提高遥感信息提取的准确性。
（2）加强田间光谱测量研究。目前对土壤重金属监测仅局限于实验室级别的光谱监测，需要进一步探讨其他因素对重金属吸附的影响以建立准确的土壤重金属含量光谱估算模型，并进行大量而精确的实验室与田间的光谱测量工作。
（3）由定性监测向定量监测转变。遥感技术在矿区土壤重金属污染评价方面的研究大多是定性或半定量评价，尚达不到定量评价。需在遥感反演土壤污染信息模型与理论方法、土壤重金属含量与光谱变量的相关关系等方面加强研究，以接近或达到定量评价污染的水平，进而利用遥感技术评价大面积土壤污染及修复。
（4）研制高性能的卫星，提高遥感信息获取能力。作为中国16个重大科技专项（2006年～2022年）之一的高分辨率对地观测系统已进入全面建设阶段，其中2014年8月发射升空的高分二号卫星空间分辨优于1m，这必将改变遥感数据普遍采用国外遥感数据（SPOT、Landsat、QuickBrid等）的局面。
参考文献：
[1]贾志强.甘肃省白银市矿山环境遥感调查与评价研究[D].桂林：桂林工学院，2009.
[2]龚海明，马瑞峻，等.农田土壤重金属污染监测技术发展趋势[J].中国农学通报，2013，29（2）：140-147.
[3]Baumgardner，M.F.，Kristof，S.，etal.EffectsofOrganicmatterontheMultispectralPropertiesofSoils[J].ProcessingofIndianaAcademicScience.1970，79：413-422.
[4]张甘霖，赵玉国，杨金玲，等.城市土壤的环境问题及其研究进展[J].土壤学报，2006，44（55）：925-933.
[5]MalleyD.F.，Williams，P.C.UseofNear-InfraredReflectanceSpectroscopyinPredictionofHeavyMetalsinFreshwaterSedimentbyTheirAssociationwithOrganicMatter[J].Environ.Sci.Technol.，1997，31（12）：3461-3467.
[6]戴昌达.中国主要土壤光谱反射特性分类与数据处理的初步研究[M].见：遥感文选，北京：科学出版社，1981.
[7]丰茂森.遥感图像数字处理[M].北京：地质出版社，1992：3～3.
[8]甘甫平，刘圣伟，等.德兴铜矿矿山污染高光谱遥感直接识别研究[J].地球科学―中国地质大学学报，2004，29（1）：119-126.
[9]朱叶青，屈永华，刘素红，等.重金属铜污染植被光谱响应特征研究[J].遥感学报，2014，18（2）：335-352.
[10]李婷，刘湘南，刘美玲.水稻重金属污染胁迫光谱分析模型的区域应用与验证[J].农业工程学报，2012，28（12）：176-182.
[11]李新芝.基于多源遥感数据的矿区植被信息监测方法研究[D].济南：山东科技大学，2010.
[12]王秀珍，王人潮，黄敬峰.微分光谱遥感及其在水稻农学参数测定上的应用研究[J].农业工程学报，2002，18（1）：9-13.
[13]ThomasKemper，StefanSommer.EstimateofHeavyMetalContaminationinSoilsafteraMiningAccidentUsingReflectanceSpectroscopy[J].EnvironmentalScienceandTechnology，2002，36（12）：2742-2747.
[14]徐加宽，杨连新，王余龙，等.水稻对重金属元素的吸收与分配机理的研究进展[J].植物学通报，2005，22（5）：614-622.
[15]CHIGY，SHIY，CHENX，etal.EffectsofMetalStressonVisible/near-InfraredRreflectanceSpectraofVegetation[J].AdvancedMaterialsResearch，2012，（347-353）：2735-2738.
[16]王杰，等.遥感技术在江西德兴铜矿矿区污染研究中的应用[J].山东科技大学学报（自然科学版）2005，24（4）：66-69.
[17]雷国静等.遥感在稀土矿区植被污染信息提取中的应用[J].江西有色金属，2006，20（2）：1-5.
[18]黄铁兰，等.广东大宝山矿区植被污染信息的遥感识别方法研[J].地质学刊，2014，38（02）：284-288.
[19]KemperT，SommerS.EnvironmentScience&Techology[M].2002，36（12）：2742.
[20]ChoeE，vanderMeerFvanRuitenbeekF，etal.RemoteSensingofEnvironment[M].2008，112（7）：3222.
[21]ChoeE，KimKW，BangS，etal.EnvironmentalGeology[M].2008，58（3）：477.
[22]RenHY，ZhuangDF，SinghAN，etal.，EstimationofAsandCucontaminationinagriculturalsoilsaroundaminingareabyreflectanceSpectroscopy：acasestudy[J].Pedosphere，2009，12（6）：719.
[23]LiuYLiW，WuG，etal.，GeoCspatialInformationScience[M].2011，14（1）：10.