土壤重金属污染信息提取遥感模型的建立_以水口山矿区铅锌污染为例_王晓华
典型铅锌矿区周边土壤-稻米重金属污染特征及健康风险评价
典型铅锌矿区周边土壤-稻米重金属污染特征及健康风险评价符露;秦俊虎;贾亚琪;高庚申
【期刊名称】《地球与环境》
【年(卷),期】2024(52)1
【摘要】为了掌握黔西北典型铅锌矿区周边稻田土壤重金属污染状况,分别采集98个土壤样品和稻米样品,运用单因子污染指数法、内梅罗综合污染指数法和潜在生
态危害指数法对研究区稻田土壤中八种重金属(Cr、Ni、Cu、Zn、Cd、Pb、Hg、As)进行污染特征分析和风险评价,并采用健康风险评估模型对研究区稻米进行健康风险评价。
结果表明:研究区稻田土壤受到重金属不同程度污染,整体处于中度污染
水平(P_(N)=2.61),但Cu为重度污染(P_(Cu)=3.13);土壤生态风险总体处于中等水平(RI=279),最主要生态风险因子为Hg,其生态风险危害程度为很强(E_(Hg)=179);研究区稻米中重金属平均含量未超标,但有部分点位样品重金属含量超标;食用研究
区种植的稻米不会对成人和儿童引起单一重金属健康风险,但长期食用,多种重金属
复合污染会对成人和儿童健康产生负面影响(THQ_(成人)=2.41,THQ_(儿童)=2.48)。
【总页数】10页(P112-121)
【作者】符露;秦俊虎;贾亚琪;高庚申
【作者单位】贵州工业职业技术学院;贵州省环境科学研究设计院
【正文语种】中文
【中图分类】X53
【相关文献】
1.贵州典型铅锌矿区土壤重金属污染特征与生态危害风险评价
2.云南会泽铅锌冶炼厂周边土壤重金属污染特征及健康风险评价
3.典型锑矿区周边农作物中重金属污染特征及健康风险评价
4.河南栾川县钼矿区周边农田土壤重金属污染特征与健康风险评价
因版权原因，仅展示原文概要，查看原文内容请购买。
土壤重金属含量的高光谱遥感反演方法综述
土壤重金属含量的高光谱遥感反演方法综述摘要：随着工业生产规模的扩大、城市环境污染的加剧和农用化学物质种类、数量的增加，土壤重金属污染因其程度加剧、面积扩大而备受关注。
重金属污染物在土壤中移动差、滞留时间长、难被微生物降解，并可经水、植物等介质最终影响人体健康，因此对重金属污染的定量监测非常有必要并且意义重大。
高光谱遥感技术的发展为宏观、快速获取土壤重金属元素信息提供了新的契机，目前国内外学者基于土壤反射光谱特征，运用多种统计分析方法成功地预测了多种土壤重金属元素的含量。
介绍了土壤的光谱特征及光谱特征波段的提取，对利用高光谱遥感技术估算土壤重金属含量的主要方法进行了总结，对影响模型精度的主要因素进行了讨论，介绍了模型在模拟多光谱数据方面的应用，最后对模型反演过程出现的不足及今后的研究方向进行了展望。
关键词：土壤重金属；高光谱遥感；估算方法；统计分析；预测精度土壤是人类赖以生存的主要自然资源之一，也是人类生态环境的重要组成部分[1]。
随着工业的发展和农业生产的现代化，大量污染物进入土壤环境，其中重金属是重要的污染物质之一[2]。
土壤污染中重金属主要指汞、镉、铅、铬以及类金属砷等生物毒性显著的物质，也指具有一定毒性的一般重金属如锌、铜、钴、镍、锡等，目前最令研究者关注的重金属是汞、镉、铅等。
土壤重金属污染不仅会造成农作物减产，质量下降，严重者会通过食物链影响人体健康，因此对土壤重金属含量进行监测非常必要。
传统的野外采样和室内化学分析方法具有测量精度高、准确性强等优点，但相对费时费力，而且很难获取大面积空间上连续的污染物含量分布信息。
遥感技术因其多时相、大面积等特点逐渐被研究者应用于土壤性质的监测，高光谱遥感则以其多且连续的光谱波段特点被应用于监测土壤重金属含量，可以实现大范围、非破坏性和非接触元素的快速测样[3，4]。
由于土壤中重金属含量低，对土壤光谱曲线影响微弱，直接分析土壤样品重金属元素的特征光谱来估算其含量比较困难。
金属矿山污染土壤的重金属迁移特性研究
61金属矿山污染土壤的重金属迁移特性研究文_王先华 云南黄金矿业集团股份有限公司摘要：随着矿产资源开发的逐步推进，金属矿山的开采已经成为环境污染的主要源头，本文结合金属矿山的土壤污染进行分析，通过栽种香根草对土壤中重金属元素的迁移情况的变化特性进行研究，剖析金属矿山土壤污染的详细情况。
结果表明，香根草是一种良好的矿区土地污染治理的生态修复植物，为金属矿山的开采以及生态环境保护的平衡提供理论和技术基础。
关键词：金属矿山；污染土壤；重金属迁移；特性Migration characteristics of heavy metals in contaminated soil of metal minesWANG Xian-hua[ Abstract ] With the gradual progress of mineral resources development, the mining of metal mines has become the main source of environmental pollution. In this paper, combined with the soil pollution of metal mines, through planting vetiver grass to study the migration characteristics of heavy metal elements in the soil, analyze the detailed situation of metal mine soil pollution. The results show that Vetiveria is a good ecological restoration plant for land pollution control in mining area, which provides theoretical and technical basis for the mining of metal mines and the balance of ecological environment protection.[ Key words ] metal mine; contaminated soil; heavy metal migration; characteristics重金属是一类特殊的污染物，在自然环境中不能被降解，其迁移能力很差，危害时间长，容易被植物吸收，对食物链的危害十分严重。
pmf模型解析土壤重金属来源的不确定性
中国环境科学 2020,40(2)：716~725 China Environmental Science PMF模型解析土壤重金属来源的不确定性李娇1,滕彦国2,吴劲3*,陈海洋2,蒋进元1(1.生态环境部土壤与农业农村生态环境监管技术中心,北京 100012；2.北京师范大学水科学研究院,北京 100875；3.北京工业大学建筑工程学院,北京 100124)摘要：正定因子矩阵分解(PMF)是目前污染源解析领域应用最为广泛的受体模型之一,其不确定性研究一直是源解析研究的前沿和热点.利用拔靴法(BS)、替换法(DISP)和拔靴-替换法(BS-DISP)3种不确定性分析方法探讨了PMF模型应用于土壤重金属源解析的不确定性,并以德兴铜矿周边土壤重金属为对象开展案例研究.结果表明,6因子情景是PMF模型最佳运行结果;在6因子情景的源成分谱中,除Cr和Ti外,DISP和BS不确定性区间均处于标识元素基本值的0.6~1.5倍之间,BS-DISP不确定性区间处于基本值的0.6~1.6倍之间;模型结果的不确定性更多源于因子旋转误差.通过这3种不确定性分析方法可以获得PMF模型运算中的随机误差和因子旋转误差.其中,BS-DISP法和BS法得到的结果能够辅助判断因子数是否过拟合,并有助于理解源谱的不确定性,而DISP法能够用于理解旋转的不确定性,可作为评价旋转过程可行性的方法.关键词：土壤重金属；源解析；PMF模型；误差估计；不确定性中图分类号：X53 文献标识码：A 文章编号：1000-6923(2020)02-0716-10Uncertainty analysis of soil heavy metal source apportionment by PMF model. LI Jiao1, TENG Yan-guo2, WU Jin3*, CHEN Hai-yang2, JIANG Jin-yuan1 (1.Technical Centre for Soil, Agricultural and Rural Ecology and Environment, Ministry of Ecology and Environment, Beijing 100012, China；2.College of Water Sciences, Beijing Normal University, Beijing 100875, China；3.College of Architecture and Civil Engineering, Beijing University of T echnology, Beijing 100124, China). China Environmental Science, 2020,40(2)：716~725Abstract：Positive matrix factorization (PMF) model is one of widely used technologies in pollutant source apportionment, and its uncertain analysis have always been the frontier issue as well as hotspot. Three error estimation methods, including bootstrap (BS), displacement (DISP) and bootstrap enhanced by displacement (BS-DISP), were used to evaluate the uncertainties of source apportionment by PMF model, and heavy metals in soils in Dexing, China were carried out as a case study. Six-factor scenario was the best solution for PMF model run, except for Cr and Ti, the uncertainty intervals of DISP and BS were between 0.6 and 1.5 times the basic value of the identified element and the BS-DISP uncertainty interval was between 0.6 and 1.6 times the basic value in the source profiles under six-factor scenario, the uncertainty of the model results was more due to the uncertainty generated in the factor decomposition process. T he three uncertainty analysis methods could obtain the random error and factor rotation error in the operation of PMF model. Among them, the results obtained by BS-DISP and BS can assist in determining whether the factor number was over-fitting and help understand the uncertainty of the source profile. While, DISP could be used to understand the uncertainty of rotation and be used as a method to evaluate the feasibility of rotation process. This study provides a good sample for evaluating the reliability of soil heavy metal source apportionment that calculated by PMF model.Key words：soil heavy metal；source apportionment；PMF model；error estimation；uncertainty analysis受体模型是通过对土壤样品(受体)进行分析,定性识别受体的污染源类型,并定量确定各污染源贡献率的一类源解析技术[1],主要包括化学质量平衡(CMB)模型、主成分分析/因子分析-多元线性回归(PCA/FA-MLR)模型、正定矩阵因子分解(PMF)模型、UNMIX模型等[2-6].其中,PMF模型已被美国环境保护署开发成源解析应用软件,并被推荐应用于大气、水和沉积物等环境污染物的来源解析[7].近年来许多学者研究PMF模型在土壤污染物源解析中的适用性[8-10].然而,PMF模型应用的成功与否很大程度上受样品数据值误差、模型结构和参数代表性等因素的影响.相比较于大气、水和沉积物等环境介质,土壤中重金属的污染源解析有其特殊性.一方面,土壤重金属的迁移扩散行为有限,导致土壤中的各污染源影响分布不均匀,从而不能严格满足受体模型关于受体与源之间的污染物呈质量平衡的假设;另一方面,土壤中的重金属均具有不同程度的本底含量,且具有一定的空间异质性,这种空间异质性同收稿日期：2019-07-26基金项目：国家自然科学基金资助项目(41807344);广西创新驱动发展专项资金资助项目((AA17202032)* 责任作者, 吴劲, 讲师, wujin@2期 李 娇等：PMF 模型解析土壤重金属来源的不确定性 717样导致输入数据不能严格符合模型的假设.因此,开展基于PMF 模型的土壤重金属污染源解析的不确定性研究,不仅能够识别影响源解析结果可靠性的因素,同时也为模型的改进提供参考.源解析不确定性研究是指分析源解析各个信息获取过程中的随机性、模糊性、未确知性等因素对源解析结果的影响.通常来说,基于受体模型污染物源解析不确定性的来源可分为3个方面:数据的变异性、模型结构的不稳定性、模型参数的敏感性.目前受体模型应用于土壤污染物源解析结果的不确定分析鲜有报道,土壤污染物源解析研究者通常使用多种受体模型的源解析结果对比分析以弥补单一模型源解析的不足[11-16].单个受体模型的源解析不确定分析相关研究主要针对大气、水体中污染物源解析问题开展的,多采用蒙特卡洛方法分析受体模型源解析结果的不确定性[17-19].Paatero 等[20]于2014年基于PMF 模型提出三种误差估计方法,分别为拔靴法(Bootstrap, BS)法、替换法(Displacement, DISP)法和拔靴-替换法(Bootstrap - Displacement, BS -DISP)法,大大拓宽了源解析结果不确定性分析的理论研究成果.根据该理论成果, Brown 等[21]应用这3种误差估计方法对大气、水体中污染物源解析结果不确定性进行了分析.因此,针对土壤污染物源解析存在的不确定性问题,可借鉴大气和水污染源解析不确定性分析方法进行研究.本研究以土壤中重金属为目标污染物,以PMF 模型为例,利用BS 、DISP 和BS -DISP 等3种误差估计方法对PMF 源解析结果的不确定性进行分析,量化模型结果误差,识别影响源解析不确定性的主要因素,为受体模型的优化改进提供理论依据. 1 数据与方法 1.1 PMF 模型PMF 模型[7]将受体样品浓度数据矩阵(X )分解为因子得分矩阵(G )、因子载荷矩阵(F )和残差矩阵(E ),数学方程式用下式表示:1=,(1,2,...,;1,2,...,)pij ik kj ij ij ij k x g f e c e i n j m ==++==∑ (1)式中:x ij 为第i 个样品中第j 个元素的测量浓度;g ik 为源k 对第i 个样品的相对贡献;f kj 为源k 中第j 个元素的浓度;e ij 为残差,即PMF 模型中未能解释样品浓度x ij 的部分;c ij 为每个样品或元素的建模部分.PMF 建模目的是为了识别因子数p ,求得每个因子对每个样品的浓度贡献以及每个因子的成分谱.PMF 模型基于加权最小二乘法进行限定和迭代计算,不断地分解受体样本矩阵来得到最优解,最优化目标是使目标函数Q 最小化.目标函数Q 定义如下:2211111pijik kjn m n m ijk i j i j ij ijx g f e Q u u =====⎛⎞−⎜⎟⎛⎞⎜⎟==⎜⎟⎜⎟⎜⎟⎝⎠⎜⎟⎝⎠∑∑∑∑∑ (2) 式中:u ij 为第i 个样品中第j 个元素浓度的不确定性大小. 1.2 BS 法BS 法是由美国的Efron 等[22]在前人研究成果的基础上提出的一种统计推断方法.该方法不需要对总体分布做出假设或事先推导出估计量的解析式,它只依赖于给定的观测信息,通过重构样品不断计算估计值[23-24].基于BS 的基本原理可用来评估随机误差和小部分的因子分解不确定性对PMF 解的影响.即,对原始数据进行BS 重采样,并创建和原始数据集具有相同维度的新数据集作为模型输入数据运行PMF,分解为BS 因子载荷矩阵和贡献矩阵.将每个BS 因子与基础模型运行得到的基本因子进行匹配,匹配原则为:把BS 因子匹配到与这个BS 因子有最高相关(高于指定的阈值)的基本因子下.若无基本因子与给定的BS 因子具有高于阈值的相关性,那么该因子被当作是“未匹配”;若同一次运行中一个以上的BS 因子与同一个基本因子相关,那么这些BS 因子都会匹配到那个基本因子上.根据指定的次数运行BS,重复此过程,以这种方式来实现对每个因子中每个变量分配的不确定性估计. 1.3 DISP 法利用DISP 法[20]来评估因子分解过程的不确定性,通过依次扰动因子载荷矩阵F 中的每个参数值后重复运行PMF 模型来得到因子载荷矩阵F 中每个参数的不确定性估计.为加快DISP 的计算速度,通常会优先去扰动矩阵F 中所有变量的一个小子集.一般会选择扰动对因子识别重要的参数或者对某个特定问题关键的参数,即F 的关键变量.DISP 分析是基于PMF 中平方和函数Q 的增加来实现的.基本方程如式(3)所示:718中 国 环 境 科 学 40卷2,111min /p nmij ik kj ij F Gi j k Q x g f µ===⎛⎞⎛⎞=−⎜⎟⎜⎟⎜⎟⎜⎟⎝⎠⎝⎠∑∑∑ (3) 通过扰动矩阵F 中的每个参数值直到目标函数Q增加到最大允许变化值(dQ max ).Q 增加用式(4)表示:opt ()()kj kj dQ f d Q f d Q ===− (4)Q (f kj =d )表示限定f kj 为一个固定可行值,DISP 的本质就是要找到这个最大和最小的固定值(d max,d min ),使得:max max minmax ()()kj kj dQ f d dQ dQ f ddQ ⎧=≤⎪⎨=≤⎪⎩ (5) 本文得到的d max和d min 值分别表示不确定区间的上、下限值. DISP 分析过程中有可能出现因子改变太多,导致因子识别身份发生改变的现象,称为因子交换.PMF 模型中用互相关法或回归法来检测DISP 中因子交换,因子交换的存在将意味着所有的中间解必须被视为备选解.在这种情况下,建模支持多维的无限解,而这些解不可能单独输出一个作为“解”. PMF 建模提供不参与交换因子的有用信息. 1.4 数据来源与参数设置 表1 采样数据集的输入信息总结Table 1 Summary of input information for sampling data set变量类别 S/N 单位最小值 25百分位中值 75百分位最大值As Strong 8.99 mg/kg 2.2 8.8 12.3 18.7 899 Hg Strong 7.30 mg/kg 0.040 0.069 0.088 0.105 1.880 Mo Strong 3.93 mg/kg 0.29 0.53 0.82 1.54 89.38 Cd Strong 5.43 mg/kg 0.052 0.12 0.17 0.27 2.51 Cr Strong 7.15 mg/kg 13.9 59.0 70.4 81.5 315 Zn Strong 7.83 mg/kg 25.7 66.5 79.6 94.4 846.4 Cu Strong 8.30 mg/kg 8.2 26.5 32.5 46.9 916 Mn Strong 8.33 mg/kg 119 331 507 736 2461 Ti Strong 8.94 mg/kg 1598 4794 5305 5772 22563 Pb Strong 7.57 mg/kg 19.4 30.3 35.2 45.6 564.2 Fe 2O 3 Strong 9.00 % 1.88 4.12 4.84 5.75 22.20 K 2O Strong 8.91 % 0.83 1.92 2.32 2.68 7.91 Al 2O 3 Strong 9.00%8.48 12.43 13.92 15.39 61.39Na 2O Strong 8.63 % 0.06 0.19 0.32 0.49 1.90表2 采样数据集在PMF 中的设置信息Table 2 Setting information of sampling data set in PMF参数 研究区数据集参数研究区数据集数据类型土壤重金属 BS 运行次数 100变量数 14 BS_r 2 0.6样品数 336 BS_block size 14 因子数 4~7 DISP_dQmax4, 8, 16, 32 缺失数据的处理 无缺失数据 DISP 的关键变量所有变量低于检测限数据的处理 无低于检测限的数据 BS -DISP 中BS 运行次数及BS_r 2100;0.6归一化因子贡献g k 的下限-0.2 BS -DISP 的关键变量 As, Mo, Cd a , Cr, Cu, Mn, Ti, Pb, Na 2O“Robust”模式 是 BS -DISP_ dQ max 0.5, 1, 2, 4种子值随机每次DISP,BS -DISP 运行时间b<1h, 5h注:a 仅在6因子数和7因子数时使用;b Windows 7 64-bit,2.9GHz 处理器,8GB RAM.本文以在乐安河中上游地区采集的336个土壤样品数据作为PMF 模型输入数据集,其中研究区概况及样品采集分析内容的介绍参见前期研究成果[25].表1列出了研究区采样数据集的输入信息,包括模型输入物质种类、所属类别、信噪比(S/N)、受体数据的最小值、第25百分位、中值、第75百分位以及最大值.受体数据集中包含14个变量,无缺失值和低于检测限的数据.受体数据的不确定性用公2期李娇等：PMF模型解析土壤重金属来源的不确定性 719式µij=0.1x ij+MDL/3[26]来表示,其中µij为输入数据的不确定性值,x ij为输入数据值,MDL为各物质的检测限值.所有物质的信噪比均大于3.9,符合模型计算要求,都被分类为“strong”变量.表2总结了PMF模型的参数设置信息.模型在“Robust”模式下运行,针对案例数据集设置不同因子数方案情景模式,分别为4因子情景、5因子情景、6因子情景、7因子情景.计算每种情景下PMF的源解析结果和3种误差估计方法的不确定性区间结果,研究随因子数增加所得的源谱图和不确定性区间的变化情况.其中,DISP 方法设置4种dQ max变化水平,分别为dQ max=4, dQ max=8,dQ max=16,dQ max=32;BS-DISP方法同样设置4种dQ max变化水平,分别为dQ max=0.5,dQ max=1, dQ max=2,dQ max=4.通过分析在dQ max成倍增加下,DISP法的DISP区间和BS-DISP法的DISP区间的变化情况,从而深入研究DISP区间量化的主要不确定性来源.2 结果与讨论2.1 源诊断不确定性分析使用3种误差估计方法会产生很多的输出结果用于评估PMF计算所得的解.对于DISP而言,诊断的重点是在最低的dQ max水平(即dQ max=4)下发生因子交换的百分比(% swaps)和Q下降的百分比(% dQ).若因子改变太多以至于身份识别时发生互换就会出现因子交换现象;若dQ下降在1%范围内则认为Q变化不显著.另外,在DISP分析中,只使用被设定为“strong”的变量,这是由于矩阵中变量扰动对不确定性大的数据值非常敏感,而在PMF模型中,设定为“weak”变量的所有数据值的不确定性值均增至原来的3倍.在本例中由于所有变量均为“strong”,故不存在此种情况.对于BS而言,诊断的重点是BS重采样后计算得到的各BS因子能够与基本因子相匹配的百分比,以评估基础运行方案的再现性.对于BS-DISP而言,诊断的重点包括BS运行阶段BS因子与基本因子的匹配率、DISP运行阶段发生因子交换的百分比、Q下降的百分比等.针对本例数据集设置4~7因子数情景方案运行模型,不同因子数下的源成分谱见图1,PMF和误差估计的诊断总结见表3.4因子情景下,每个源的标识性元素分别为:(a)因子中主要载荷元素Cu、Mo、As、Cd和Pb有少量载荷;(b)因子中主要载荷元素为Mn, As有少量载荷;(c)因子中主要载荷元素为Na2O,其次是K2O;(d)因子中主要载荷元素为Hg、Cr、Ti.5因子情景下,As被分离为一个独立的因子.6因子情景下,除As被单独分出外,Pb和Cd同时从(a)因子中分离成为一个新的因子.7因子情景下则又增加一个新的因子(g),但该因子中各元素所占比例均很低,不存在明显的标识性元素.表3中,Q expected等于(矩阵X 中非“weak”数据值的数目)-(矩阵G和F中变量数据加和).例如,因子数为4,样品数为336,“strong”的变量为14,那么Q expected=(336×14)-((4×336)+(4× 14))=3304.由此进一步得到Q robust/Q expected,可以看出从5个因子数变为6个因子数时,Q robust/Q expected从4.62下降至3.29,降幅最大.随着因子数增加,一般在Q robust/Q expected快速下降处确定最佳因子数,即源数目,因此初步判断6因子数情景是最佳的PMF源解析方案.由表3可以看出,这4种情景方案下,DISP中Q 的下降幅度均在0.1%内,表明这些方案下得到的均为Q的全局最小值.在4种dQ max水平下,DISP运行阶段均未发生因子交换.在4因子情景下,除了BS因子与(a)因子匹配了99%外,其余因子匹配率均为100%,BS-DISP运行阶段未发生因子交换;在5因子情景下,81%的BS因子与(a)因子相匹配,仅42%的BS因子可以与(e)因子相匹配,即有58%的BS运行后未识别出(e)因子,37%的BS-DISP运行阶段发生因子交换;在6因子情景下,除BS因子与基础运行方案中的(e)因子仅匹配了59%外,其余因子匹配率均为100%,12%的BS-DISP运行阶段发生因子交换;在7因子情景下,BS因子与基本因子中(e)因子的匹配率为78%,与(f)因子的匹配率为93%,50%的BS-DISP运行阶段发生因子交换.3种不确定性估计方法的运行结果表明,7个因子数方案是最不稳定的,其次是5个因子数方案,最稳定的是4个因子数方案.然而,虽然4因子数情景方案最稳定,但结合源成分谱图(图1)可以看出,当因子数为4时未能很好地将污染源分解开来.如(a)因子中除了主要载荷元素Cu、Mo外,还有少量载荷As、Cd和Pb等元素,根据研究区的实际情况,铜矿开采和冶炼主要排放Cu、Mo污染物,铅矿冶炼主要排放Pb污染物,金矿冶炼会使As进入环境中,因此(a)因子最可能代表的720 中 国 环 境 科 学 40卷是金属矿开采冶炼混合源,但这种情景无法细分出不同的金属矿开采和冶炼源.表3 PMF 和误差估计诊断总结Table 3 Summary of PMF and error estimate diagnostics诊断4因子情景5因子情景6因子情景7因子情景Q expected 3304 2954 2604 2254 Q ture 18334.6 13661.6 9362.1 7151.5 Q robust 15324.5 11880.1 8565.9 6513.3 Q robust /Q expected 4.64 4.02 3.29 2.89 DISP % dQ <0.1% <0.1% <0.1% <0.1% DISP % swaps0%0% 0% 0% BS 因子匹配率<100% (a)因子:99% (a)因子:81%; (e)因子:42%;(e)因子:59%;(e)因子:78%; (f)因子:93%;BS -DISP % swaps0%37%13%50%各物质占比(%)各物质占比(%) 各物质占比(%) 各物质占比(%) 各物质占比(%) 各物质占比(%) 各物质占比(%)图1 在4~7因子数情景下PMF 模型产生的源成分谱 Fig.1 Factor profiles from PMF model for four to sevenfactors scenarios5因子、6因子和7因子情景下,(e)因子在BS 重采样中的重现性都比较差,尤其是5因子情景方案下,有一半以上(58%)的BS 因子与(e)因子无法匹配上,从而出现因子定义不明确的PMF 解.这些情景方案下BS -DISP 运行中出现的因子交换现象应该与BS 重采样的不稳定性紧密相关.之所以BS 重采样缺乏重现性,原因可能是该因子主要载荷仅为一种变量(As),不是很稳定;也可能是样本量不够多,代表性不强,导致BS 重采样过程的重现性不是很好;此外,BS 重采样过程中很有可能排除掉了提供该因子贡献的As 的关键高值数据.在区域上进行土壤源解析研究时,存在的一个关键问题是若某个源仅影响局部区域时,在BS 重采样过程中很容易漏掉关键性的能代表污染土壤的样品,这样就会造成BS 运行结果与基础因子匹配率非常低,即出现BS 重采样结果的重现性非常差的现象.由此可见,BS 和BS -DISP 诊断效果不好时,并不能说明因子数及源解析的结果不正确.综合来看,本例中虽然6因子情景方案下BS 和BS - DISP 的诊断结果并不是最稳定的,但从解析的源类型来看是最准确的,因此,6因子情景方案下解析出的源成分谱被认为是4种因子数情景中最理想的方案. 2.2 源识别不确定性分析一个因子中某变量的DISP 区间指的是在指定dQ max 水平下,这个因子中该变量发生扰动得到的最小值和最大值;一个因子中某变量的BS 区间指的是由PMF 计算所有BS 重采样数据集得到的这个因子中该变量的第5百分位和第95百分位值;对于BS -DISP 而言,针对每个BS 重采样数据集运行DISP,得到每次重采样下每个因子中各变量的最大值和最小值,取所有重采样得到的最小值的第5百分位值和所有重采样得到的最大值的第95百分位值,分2期 李 娇等：PMF 模型解析土壤重金属来源的不确定性 721别作为BS -DISP 区间的下限和上限.由于不同物质的浓度通常跨越多个数量级,因此难以使用浓度单位去比较不同因子间或不同物质间的误差估计结果.Paatero 等[20]提出,可以用区间比值来实现比较.区间比值定义为因子中指定变量的误差估计区间长度除以该区间的中间点值,最大的区间比值是2,表示最不确定的结果.通常,每个因子中的标识性物质或关键物质应作为DISP 和BS -DISP 分析时的关键变量,关键变量发生置换得到的误差估计结果被认为是最可靠的,其它变量会产生比关键变量更小的误差估计区间.图2中,在4因子、5因子和6因子情景方案下,关键变量的DISP 区间比值均在0.74以下,误差区间相对较低,表明这几种情景方案下因子分解时产生的不确定性较小.在7因子情景下,Cr 和Ti 的DISP 区间比值均超过1.0,分别达到1.73和1.43,表明这种情景方案下因子分解产生的不确定性大.在4因子情景下,As 、Mo 、Cu 变量的BS 区间比值都比较高,分别为1.43、1.42、1.48,说明虽然该情景方案的BS 重现性非常好,但是(a)因子的不确定性区间较大,间接表明4因子方案下(a)因子可能未被充分分解,代表混合源.5因子情景下的大部分关键变量的BS 和BS -DISP 的区间比值都比较高,说明该因子数下得到的PMF 方案很不稳定,结果的可靠性差.6因子情景方案下,除Cr 和Ti 外,其它关键变量的BS 和BS -DISP 区间比值都相对较低.值得注意的是6因子情景中As 在BS 运行中的重现性仅为59%,这里的BS 区间比值却很低,说明在(e)因子能够重现的情况下得到的该因子中As 的不确定性区间还是比较窄的.因此,从关键变量的BS 、DISP 和BS -DISP 的区间比值来看,6因子情景下得到的源成分谱中各变量的不确定性区间相对较小.图2 在4~7因子数情景下3种误差估计方法的标识性元素区间比值Fig.2 Interval ratios of identifying species by three error estimate methods for four to seven factors表4中关键变量选取的都是各个源的标识元素.对于源成分谱的误差估计而言,重点是每个因子中标识元素的不确定性区间,而非标识元素一般在因子中的载荷非常低,对源成分谱的稳定性影响较小.例如,对于(a)因子而言,标识元素为Cu 和Mo,Cu 和Mo 在这个因子中的DISP 估计范围均从基本值(26.54, 0972mg/kg)的0.8倍~1.5倍,BS 估计范围从基本值的0.9倍~1.3倍.Cu 在这个因子中的BS -DISP 估计范围从基本值的0.1倍~1.6倍,Mo 的BS -DISP 估计范围从基本值的0.7倍~1.8倍.可以看722 中国环境科学 40卷出,Cu和Mo在(a)因子中的DISP和BS估计范围基本一致,且都比BS-DISP的估计范围要小,而Cu的BS-DISP估计范围明显比Mo要大,说明Mo的结果相对于Cu更稳定.其他标识元素与上述分析类似,在此不再赘述,整体来看,标识元素的基本值均在DISP、BS、和BS-DISP估计范围内,除了Cr和Ti 外,DISP和BS估计区间的下限均不低于基本值的0.6倍,上限均不高于基本值的1.5倍.BS-DISP的估计区间相对宽些,区间下限均不低于基本值的0.5倍,上限均不高于基本值的1.6倍.表46因子情景方案下的关键变量在每个因子中3种误差估计方法的不确定性区间Table 4 Uncertainty interval of three error estimate methods for each factor for active elements under 6-factor solution不确定性区间各因子的关键变量基本值DISP BSBS-DISPMo(mg/kg) 0.972 [0.771, 1.419] [0.855, 1.208] [0.0692, 1.563] (a)因子Cu(mg/kg) 26.54 [21.19, 39.66] [23.37, 34.42] [19.67, 47.63](b)因子Mn(mg/kg) 493 [353, 575] [374, 465 ] [337, 585](c)因子 Na2O(%) 0.27 [0.23, 0.37] [0.25, 0.29] [0.22, 0.39]Cr(mg/kg) 41.97 [36.17, 62.63] [7.65, 49.73] [0, 66.43] (d)因子Ti(mg/kg) 2916 [2501, 4432] [341, 3493] [0, 4706] (e)因子As(mg/kg) 15.53 [12.16, 21.63] [10.74, 19.13] [8.04, 24.60]Cd(mg/kg) 0.18 [0.12, 0.23] [0.13, 0.20] [0.11, 0.24] (f)因子Pd(mg/kg) 20.3 [13.00, 28.20] [12.34, 23.81] [10.17, 30.17]2.3 PMF源解析的不确定性评估讨论在本案例数据集中,DISP误差诊断显示均不存在因子交换现象,表明这4种不同因子数情景下得到的PMF源解析结果均没有或只有非常小的数据误差,源成分谱的各个因子定义明确.若案例数据集出现因子交换,则说明可能确定的因子数过多或是各类源未被很好地分解.因此,DISP诊断结果可以作为PMF源解析方案的初筛工具.即,如果DISP运行后未出现或仅出现非常少量的因子交换,那么可以初步判断PMF源解析方案可能是合理的,可以作进一步分析.通过案例应用可以看出,BS法尽管没有考虑因子分解过程中产生的不确定性对源解析结果的影响,但是该方法也是一种非常有用的误差估计方法,可以识别出重现性不好的因子.当BS重采样后不能很好地重现基本因子时,则说明该PMF源解析方案存在一些问题.可能是样品数量不够,或者重现性差的因子仅影响局部小区域,重采样过程中漏掉了关键性样品数据.如本例中5因子、6因子和7因子情景方案下得到的(e)因子重现性都比较差.BS结果可以实现量化PMF源解析中随机误差的影响以及识别低再现性的因子.其中,低再现性的因子是真实存在的源,不能被忽略,是需要进一步调查确认的. BS-DISP误差估计结合了BS对随机误差估计以及DISP对因子分解不确定性估计的优势,在DISP和BS诊断效果很好时,BS-DISP也可能发生因子交换,可以使用BS-DISP去辨别哪些因子存在更多的不确定性来源.本文还分别设置了4种dQ max变化水平情景,通过分析随着dQ max值变化各因子中关键变量的DISP 区间和BS-DISP中DISP阶段区间的变化情况,可以进一步研究不确定性是更多源于因子分解中不确定性还是源于人为指定地输入数据的不确定性.图3中,BS-DISP的DISP阶段的区间指的是基于第一组BS重采样数据集运行得到的DISP区间.可以看出,随着dQ max的增加,这些关键变量的DISP区间、BS-DISP的DISP阶段的区间都随之增大.由于BS- DISP中dQ max变化小,该方法中的DISP阶段会发生比DISP法更弱的元素扰动,因此这里得到的关键变量的DISP区间均比BS-DISP的DISP阶段的区间大.BS-DISP的DISP阶段的区间变化率也不如DISP区间变化率大.另外,随着dQ max成比例的增加,这些关键变量的区间虽呈增大趋势,但都是不成比例的,表明不确定性区间更多体现地是因子分解过程中产生的不确定性.相反,如果这里有出现某因子中关键变量的DISP区间是随着dQ max加倍增加而成比例增大时,则说明这个因子存在较小的因子分解不确定性,其不确定性主要是由输入数据的不确。
22624287_广西元宝山矿区周边农田土壤重金属富集特征及污染评价
Copyright©博看网. All Rights Reserved.
第!期
易 敏等广西元宝山矿区周边农田土壤重金属富集特征及污染评价
=*
)*+ &'(
)++
,
&*+
( &++
*+
(
(
+
)*+,-./
内梅罗综合污染指数法和单因子污染指数法为常用土壤重金属污染评价方法!本研究以国家&土壤环
境质量标准'$ 89 "!A";*"BB! %二级标准作为评价标准!以内梅罗综合污染指数和单因子污染指数评价农
田土壤重金属的环境质量
"!#!土 壤 单 因 子 污 染 指 数 $%和 综 合 污 染 指 数 法 $
周边的水田和旱田土壤中重金属 ()"*+",-"./"*0 和 12 的含量" 探讨该地区农田土壤中的重金属统计特征和年度
变化趋势"并利用内梅罗污染指数法评价污染程度$结果表明"& 个农田中 12 含量%%$! &2&'(3!%"$% &2&'(3!'超标最严
重 "调 查 农 田 中 4$56样 点 的 土 壤 12 含 量 超 过 了 国 家 土 壤 环 境 质 量 二 级 标 准 !78 !#&!43!''#'"而 ()"*+",-"./ 和
基于PMF模型的宝鸡铅锌尾矿库周边农田土壤重金属源解析
西北大学学报(自然科学版)2021年2月，第51卷第1期，Feb.,2021,Vol51,No.1Journal of Northwe s-Uni v ers i th(Natural Science Edition)-污染治理-基于PMF模型的宝鸡铅锌尾矿库周边农田土壤重金属源解析朱晓丽S薛博倩1,李雪1，王军强1,2，尚小清1,2，陈超2，耿盼瑶二寇志健S马晓杰1（1.西北大学城市与环境学院，陕西西安710127；2.西安金博瑞生态科技有限公司，陕西西安710065）摘要:以宝鸡凤县某铅锌尾矿库及周边农田表层土壤为研究对象，测定样品中重金属Pb、Cd、Hy、Zn等的含量,采用单因子污染指数（P,）、内梅罗综合污染指数（P综）及Hakanson生态风险指数（RI）确定土壤污染状况的基础上，结合正定矩阵因子（PMF）受体模型,定量解析农田土壤重金属的来源。
结果表明，农田土壤中Pb、Cd、Hy、Zn、Cu、As平均值含量分别是64.69my•kg"、0.23mg•ky"1、0.18my•ky-1、104.42mg•ky"1、37.69mg•ky-1、14.33my•ky",其均值含量分别是陕西省土壤元素背景值的5.73、2.56、2.00、1.84、1.76、1.28倍。
内梅罗综合污染指数显示，农田土壤中度及重度污染样点比例分别为41.03%和38.46%。
Hakanson生态风险指数分析表明，农田土壤中76.92%的样点属强及以上风险等级,Pb、Cd、Hy为其主要生态风险因子。
正定矩阵因子受体模型解析结果显示，源1主要载荷As和Zn,对其贡献率分别为100%和63.3%,为农业、铅锌选矿和交通活动三因素混合源；源2对Ni、Cr、Cu的载荷率分别为100%、87.4%、69.5%,为自然源；源3主要对土壤造成Hy污染，其贡献率为66.1%,为化石燃烧释放源；源4为铅锌选矿和交通活动混合源,对Cd解释率为64.0%；源5对农田土壤Pb的载荷率为86.6%,为铅锌工业活动源。
表层土壤重金属污染建模分析南阳师范学院.pptx
采样点的空间化
第5页/共39页
污染浓度数据与样点连接
利用“Join”属性连接功能，以“编号”为公共字段， 把重金属污染浓度数据连接到采样点的属性表中。
第6页/共39页
污染浓度数据与样点连接
利用“Join”属性连接功能，以“编号”为公共字段， 把重金属污染浓度数据连接到采样点的属性表中。
不同区域重金属污染程度评价
2.综合污染指数（内梅罗）评价法
第34页/共39页
不同区域重金属污染程度评价
2.综合污染指数（内梅罗）评价法
第35页/共39页
不同区域重金属污染程度评价
2.综合污染指数（内梅罗）评价法
第36页/共39页
不同区域重金属污染程度评价
2.综合污染指数（内梅罗）评价法
各功能区各污染等级的综合污染指数均值 第37页/共39页
各功能区8种重金属的平均污染度
第26页/共39页
不同区域重金属污染程度评价
1.单因子污染指数评价法
8种重金属在各功能区污染单元的平均严重程度 第27页/共39页
不同区域重金属污染程度评价
1.单因子污染指数评价法
各功能区遭受8种重金属污染的单元的污染严重程度 第28页/共39页
不同区域重金属污染程度评价
不同区域重金属污染程度评价
2.综合污染指数（内梅罗）评价法
按上表标准的统计结果
第31页/共39页
不同区域重金属污染程度评价
2.综合污染指数（内梅罗）评价法 对8种重金属的单因子污染指数图，按内梅罗法计算综
合污染指数。
第32页/共39页
不同区域重金属污染程度评价
2.综合污染指数（内梅罗）评价法
第33页/共39页
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
文章编号：0494-0911（2013）03-0029-03中图分类号：P237．9文献标识码：B土壤重金属污染信息提取遥感模型的建立———以水口山矿区铅锌污染为例王晓华1，2，邓喀中1，2，杨化超1，2(1．中国矿业大学江苏省资源环境信息工程重点实验室，江苏徐州221116;2．中国矿业大学国土环境与灾害监测国家测绘地理信息局重点实验室，江苏徐州221116)Building-up of Remote Sensing Models for Heavy Metal Pollution in Soil :Take the Pollution of Lead and Zinc Mine in Shuikou Mountain as an ExampleWANG Xiaohua ，DENG Kazhong ，YANG Huachao摘要：针对矿区愈演愈烈的土壤重金属污染问题，提出基于遥感信息模型快速提取污染信息的方法。
首先对野外采集土壤样本进行化学成分鉴定与物理光谱特征分析；然后经过光谱特征预处理与偏最小二乘回归模型分析，建立土壤污染信息提取的定量遥感模型；最后以水口山矿区为例，检验该方法应用效果，其结果为矿区土壤污染监测与治理提供了实时、可靠的图像资料。
关键词：遥感信息模型；污染信息；信息提取；PLSR ；特征分析收稿日期：2012-02-01基金项目：国土环境与灾害监测国家测绘地理信息局重点实验室开放基金（LEDM2011B07）；国家自然科学基金（41071273）作者简介：王晓华（1981—），女，河南商丘人，博士生，主要研究方向为数字摄影测量与遥感。
一、引言在煤炭开采与冶炼过程中，将井下矿石搬运到地表，不仅改变了矿区的化学成分与物理状态，也使得重金属开始向生态环境释放和迁移。
近年来，不少矿山由于过度开采兼环保措施没有同步跟进，造成矿区周围农田土壤不同程度地受到重金属污染，对当地人民群众健康构成巨大威胁。
目前，国内外许多专家在遥感环境监测领域取得了许多丰硕成果。
甘甫平等针对矿区植被基于航天Hyperion 高光谱数据某一波段吸收深度来研究矿区受污染程度［1］；Timothy 等利用TM 波段的组合波段变量与矿化蚀变相关关系，在干旱气候下提取金矿蚀变信息［2］；杨波等考虑到试验区地物光谱数据较少，首次建立了基于试验区光谱特征定量遥感找矿模型［3］。
然而，国内外尚未出现基于遥感信息模型提取土壤重金属污染信息的报道，本文则针对这一研究空白展开相关研究。
众所周知，遥感技术应用在土壤重金属污染监测中，必须以重金属的遥感光谱响应作为基础。
然而，土壤中绝大部分重金属，如铅、锌、铬、砷等在可见光—近红外波段区间均无光谱特征。
因此，目前很难直接利用土壤重金属光谱特征来提取污染信息。
当今很多文献已证实土壤中重金属与铁氧化物存在较高的相关性，而铁元素存在明显的光谱特征。
因此，本文在此环境与技术背景下，利用多种光谱数据预处理方法尝试找出重金属元素所对应的相关波段，进而给出多元回归方程，并以该模型为指导，提取影像中的污染信息。
二、研究方法与步骤本研究大体分7步进行（如图1所示）：①土壤样本采集与光谱测定；②土样化学成分鉴定；③分析重金属与波谱段相关性；④PLSR 模型建立；⑤多源遥感影像数据预处理；⑥提取重金属污染信息；⑦通过野外取样验证和完善已建立的遥感信息模型。
图1研究流程图922013年第3期王晓华，等:土壤重金属污染信息提取遥感模型的建立———以水口山矿区铅锌污染为例1）野外土样采集与光谱测试。
土壤样本采集时间应安排在天气晴好、能见度高的9ʒ00am —10ʒ30am ，在公路或河流两旁选择田块，每个田块采用“X ”形确定5个采样点，每点采集约150g 表层土壤。
采样后在原地立刻进行光谱测试，仪器使用MSR-16R （如图2所示），波谱范围452 1650nm ，采样间隔50nm ，共分16波段。
测试前需用白色参考版对仪器进行严格校正。
光谱探头与土壤样品垂直相距15cm ，每个样品扫描5次取其均值作为该土样反射光谱数据［4］。
图2MSR-16R 土壤光谱检测装置2）基于采样点的GPS 坐标测量，是为后续的影像目标处理提供精确的坐标数据。
3）土壤样本数据的分析处理。
首先，土样中各种金属浓度的测量是根据原子吸收分光光度计的显示结果，并查对标准曲线而得出各种金属的含量，然后与国家标准土壤样品GBW07405（GSS-5）进行分析质量比对，检验误差是否在允许范围内。
其次，对实测光谱数据进行预处理，使用的方法主要有断点修正、平滑处理［5］、基线校正［6］、光谱微分技术［7］、连续统去除法［8］，在不损失有用光谱信息的条件下，最大限度地去除仪器噪声、土壤颗粒大小及空气悬浮物等背景的影响，以提高波谱分辨率与灵敏度。
最后在此基础上，运用统计分析、原始光谱单波段分析，建立土壤重金属波谱数据库。
4）PLSR 模型分析。
由上文已建立的波谱数据库可以得到重金属元素相关波长变量，利用PLSR 模型生成一系列依其解释变量方差能力大小排列的独立变量［9-10］，然后从这些独立变量值中提取比较重要的几个（矩阵中主特征向量的前几个）进行多元线性回归分析，导出的回归方程即为重金属污染信息提取的遥感模型［11］。
三、水口山矿区遥感信息模型的建立1．研究区概况该区地理坐标为112ʎ30'E 112ʎ40'E ，26ʎ31'N 26ʎ36'N ，东西长18km ，南北宽7km ，面积126km 2，位于湖南省常宁市境内。
水口山是驰名中外的铅锌产地，建矿于1896年，享有“世界铅都”之美称，累积探储量为铅87．46万t ，锌111．08万t 。
周围分布万亩双季水稻田，但由于近年来铅锌污染加重，大部分地块已荒芜。
2．PLSR 模型分析与构建由于采集的土壤样本远远少于相关波谱数量，李世玲已证明采用PLSR 建模是此种情况下较好的方法之一［12］。
本文就利用这种方法，对铅元素信息进行PLSR 建模，具体过程如下：把铅元素相关波长集合记为X =［X 1，X 2，X 3，…，X M ］，M =150，利用PCA方法对SIFT 描述符进行降维，首先进行标准化处理X =（X －珚X ）槡/D （1）式中，X 是一个M ˑN 矩阵；X 表示相关波段的均值；D 为方差矩阵。
相关波段集合的主分量可通过下式计算得到V T （XX T ）V =Λ（2）式中，Λ为特征值λi （i =1，2，3，…，M ），λ1≥λ2≥…≥λM 组成的对角阵；V 为特征值对应的特征向量V i （i =1，2，…，M ）组成的正交阵。
选择前3个较大的特征值所对应的特征向量作为压缩而成的独立变量［13］，如W 330、W 790、W 1440，而后对这些变量组合进行多元线性回归分析（具体计算过程略），导出回归方程Pb =76．454W 330－2．976W 790+23．255W 1440－56．232r =0．697（3）同理，建立锌元素污染信息提取的遥感模型Zn =73．542W 345－3．355W 760+20．794W 1590－0．862r =0．702（4）四、结果与分析基于上述遥感信息模型，对预处理后的影像中对应的波段进行运算，通过一系列增强处理，得到水口山矿区铅锌污染亮度图斑，然后与增强处理前的影像叠加显示（由于该影像图幅较大，只显示剪切后部分区域，如图3所示）。
图3污染信息部分亮度图斑03测绘通报2013年第3期分析叠加图像，得出以下结论：①由于基于铅元素的遥感信息模型与基于锌元素的遥感信息模型是分别应用于影像的，结果显示两种重金属污染信息图斑大部分重合，说明铅锌污染是紧密相连的，二者有聚类现象；②水口山矿区及其周围均存在不同程度的重金属污染，污染信息几乎遍布整块影像；③影像中有两块较大较亮图斑，经核实，位置在该矿区宏炜冶炼与水口山铅锌第三冶炼厂附近。
五、结束语本文以土壤重金属元素相关波段作为提取污染信息的理论基础，整个过程运用了多种数据统计与图像处理方法，最终成功建立了基于重金属污染信息的遥感模型，结果证明对铅锌污染辅助治理有重要的应用价值。
但在图像光谱预处理中是否有更适合本文的处理方法，本研究中并没有比较，有待今后进一步研究各种光谱预处理方法的实际适用情况。
由于我国铅锌矿所处的地理环境基本相似，本研究方案能否应用于其他铅锌矿区，也有待今后对大范围的铅锌矿群作进一步整体的研究。
参考文献：［1］甘甫平，刘圣伟，周强．德兴铜矿矿山污染高光谱遥感直接识别研究［J］．地球科学，2004（1）：78-83．［2］TIMOTHY M K，TALALAAT M R．Structural Controls onNeoprotero Zoic Mineralization in the South Eastern Des-ert，Egypt：An Integrated Field，LandsatTM，and SIR-C/XSAR Approach［J］．Journal of African Earth Sciences，2002，35（1）：107-121．［3］杨波，吴德文，赖健清．矿化信息提取定量遥感模型的建立［J］．遥感学报，2005，9（6）：717-724．［4］任红艳．宝山矿区农田土壤—水稻系统重金属污染的遥感监测［D］．南京：南京农业大学，2008．［5］蔡银珊，黄英铭．基于P＆M模型的图像去噪平滑处理算法［J］．计算机仿真，2011（8）：256-258．［6］王瑛，莫金垣．色谱信号的基线校正新技术［J］．计算机与应用化学，2003，20（5）：701-702．［7］施英妮，张亭禄，魏雅利，等．光谱微分技术在高光谱遥感浅海海底底质中的应用初探［J］．遥感信息，2010（3）：21-25．［8］戴昌达，陈宝雯，倪健华，等．土壤资源遥感最佳波段选择的数理统计法［J］．资源科学，1981，3（4）：85-93．［9］马智明，阳宪惠．PLSR模型的回归效果分析［J］．数理统计与管理，2000，19（3）：44-48．［10］郝健，刘俊民，张殷钦．基于非线性PLSR模型的地下水水质预测［J］．西北农林科技大学学报：自然科学版，2011，39（7）：212-216．［11］田庆久，董卫东，张良培．成像光谱遥感数据的光谱重建研究［J］．测绘学报，1997，25（1）：52-57．［12］李世玲．基于PLS成分的变量筛选法［J］．信息与电子工程，2003，1（2）：31-35．［13］李伟，沈振康．基于KPCA-SIFT描述符的图像配准［J］．信号处理，2009，25（4）：櫂櫂櫂櫂櫂櫂櫂櫂櫂櫂櫂櫂櫂櫂櫂櫂櫂櫂櫂櫂櫂櫂櫂櫂櫂櫂櫂櫂櫂櫂櫂櫂櫂櫂櫂櫂櫂櫂櫂櫂櫂櫂櫂櫂櫂櫂644-647．(上接第28页)式（27）表征了基线沿视线向分解时，高度、斜距、基线和相位等量误差对InSAR形变测量精度总的影响结果。