一种基于高光谱植被指数监测土壤石油污染的方法

摘要

一种基于高光谱植被指数监测土壤石油污染的方法属于环境监测领域，本发明通过以下技术方案来实现：1)建立土壤总石油烃含量高光谱预测模型，包括以下步骤：选择采样点；高光谱测定；土壤取样和总石油烃含量测定；计算植被指数；确定最佳预测模型；2)土壤总石油烃含量高光谱预测模型的集成。本发明的有益效果为：相对于传统的土壤、植被监测方法，本发明简单易行，可节约大量的人力、财力和时间，对植被破坏小；结合航空、航天等遥感技术，可实现土壤石油污染的定时、定位、定量、大面积监测。

权利要求

1.一种基于高光谱植被指数监测土壤石油污染的方法，其特征在于，包括以下步骤：

1)建立土壤总石油烃含量高光谱预测模型，包括以下步骤：

(a)选择采样点：在油井周围的芦苇植被上选择若干个采样点，各采样点距油井的距离在30-130m之间，采样点未遭受人为干扰，植被未遭践踏，且采样点不存在非石油污染胁迫；

(b)高光谱测定：采用便携式地物波谱仪在经过步骤(a)所选采样点上测定芦苇植被的高光谱数据，测定在每天上午的10-12时之间进行，测定时天空晴朗无云；每个采样点上重复测定10次，获取10条高光谱曲线，删除与其他曲线存在明显差异的异常曲线，再计算每个采样点剩余高光谱曲线的平均值，得到每个采样点芦苇植被的高光谱曲线；

(c)土壤取样和总石油烃含量测定：在各采样点处取深度为0-30cm的土壤，土壤取样量重450-550g，然后采用红外分光光度法测定每个采样点土壤总石油烃含量，土壤总石油烃含量的单位为mg/kg；

(d)计算植被指数：根据步骤(b)所得芦苇植被的高光谱曲线数据，计算出每个采样点的44种植被指数；

(e)确定最佳预测模型：分别采用线性、对数、倒数、二次、三次、幂、S型曲线、指数函数模型对每个采样点44种植被指数与该采样点土壤总石油烃含量的关系进行拟合；确定最佳预测模型为TPH＝0.131/RES，其中TPH为土壤总石油烃含量，土壤总石油烃含量的单位为mg/kg；RES为红边斜率，即波长在680-750nm范围内光谱反射率一阶微分的最大值；

2)土壤总石油烃含量高光谱预测模型的集成：将经过步骤1)所得预测模型集成到地物波谱仪的随机软件中，实现土壤石油污染的实时定位和定量监测；结合航空、航天遥感技术，进一步实现土壤石油污染的大面积快速监测。

说明书

一种基于高光谱植被指数监测土壤石油污染的方法

技术领域

[0001] 本发明属于环境监测领域，具体涉及高光谱遥感在土壤石油污染监测中的应用。

背景技术

[0002] 伴随着石油的工业化生产和利用，石油污染已经成为一个严重的环境问题。石油进入生态系统后，不仅对生态系统的结构、功能产生较大影响，而且石油污染物可通过食物链在动植物体内逐级富集，最终进入人体，危害人类健康。

[0003] 全球石油总产量中，约80％是由陆地油田生产的。我国生产的原油也大部分出自陆上油田。因此，如何有效地进行陆地生态系统中石油污染的环境监测对于预防石油污染的扩散，高效开展石油污染的降解和修复工作，全面治理石油污染具有重要意义。

[0004] 目前，陆地石油污染的环境监测，一般进行常规的土壤、植被监测。但是，土壤和植被监测，往往需要大量的取样，样品的分析测定需要大量的仪器，测定程序也较为复杂，因此是一项耗力、耗财、耗时的工作。过去的研究表明，石油污染会影响植物的叶面积指数、生物量、植被盖度、光合色素等生理生化指标。而这些指标的变化可以利用植被指数进行有效地监测。同时，相对于传统的宽波段遥感技术，高光谱成像光谱仪在可见光-近红外区域的光谱分辨率可达到纳米级，因此，可以取得研究对象详细而精确的光谱信息。从而为植被指数的计算提供了更多的选择空间，使植被指数监测的敏感性和准确性进一步提高。基于上述原因，本发明针对以芦苇为优势种的生态系统，利用野外获得的植被高光谱数据，计算高光谱植被指数，最终建立了芦苇生态系统土壤石油污染的高光谱预测模型。

发明内容

[0005] 本发明的目的是提供一种基于高光谱植被指数监测土壤石油污染的方法，以克服传统的土壤、植被监测方法耗力、耗财、耗时的不足。

[0006] 本发明的目的通过以下技术方案来实现：

[0007] 1)建立土壤总石油烃含量高光谱预测模型，包括以下步骤：

[0008] (a)选择采样点：在油井周围的芦苇植被上选择30个采样点，各样点距油井的距离在30-130m之间，采样点未遭受人为干扰，植被未遭践踏，且采样点不存在非石油污染胁迫；

[0009] (b)高光谱测定：采用便携式地物波谱仪在经过步骤(a)所选采样点上测定芦苇植被的高光谱数据，测定在每天上午的10-12时之间进行，测定时天空晴朗无云；每个采样点上重复测定10次，获取10条高光谱曲线，删除与其他曲线存在明显差异的异常曲线，再计算每个采样点剩余高光谱曲线的平均值，得到每个采样点芦苇植被的高光谱曲线；

[0010] (c)土壤取样和总石油烃含量测定：在各采样点处取深度为0-30cm的土壤，土壤取样量重450-550g，然后采用红外分光光度法测定每个采样点土壤总石油烃含量，土壤总石油烃含量的单位为mg/kg；

[0011] (d)计算植被指数：根据步骤(b)所得芦苇植被的高光谱曲线数据，计算出每个采样点的44种植被指数；

[0012] (e)确定最佳预测模型：分别采用线性、对数、倒数、二次、三次、幂、S型曲线、指数函数模型对每个采样点44种植被指数与该采样点土壤总石油烃含量的关系进行拟合；确定最佳预测模型为TPH＝0.131/RES，其中TPH为土壤总石油烃含量，土壤总石油烃含量的单位为mg/kg；RES为红边斜率，即波长在680-750nm范围内光谱反射率一阶微分的最大值；

[0013] 2)土壤总石油烃含量高光谱预测模型的集成：将经过步骤1)所得预测模型集成到地物波谱仪的随机软件中，实现土壤石油污染的实时定位和定量监测；结合航空、航天遥感技术，进一步实现土壤石油污染的大面积快速监测。

[0014] 本发明的有益效果为：相对于传统的土壤、植被监测方法，本发明简单易行，可节约大量的人力、财力和时间，对植被破坏小；结合航空、航天等遥感技术，可实现土壤石油污染的定时、定位、定量、大面积监测。

附图说明

[0015] 图1是本发明实施例所述的一种基于高光谱植被指数监测土壤石油污染的方法中植被指数红边斜率与土壤总石油烃含量的关系曲线图。

具体实施方式

[0016] 本发明实施例所述的一种基于高光谱植被指数监测土壤石油污染的方法，包括以下步骤：

[0017] 1)建立土壤总石油烃含量高光谱预测模型，包括以下步骤：

[0018] (a)选择采样点：在油井周围的芦苇植被上选择30个采样点，各样点距油井的距离在30-130m之间，采样点未遭受人为干扰，植被未遭践踏，且采样点不存在非石油污染胁迫；

[0019] (b)高光谱测定：采用便携式地物波谱仪在经过步骤(a)所选采样点上测定芦苇植被的高光谱数据，测定在每天上午的10-12时之间进行，测定时天空晴朗无云；每个采样点上重复测定10次，获取10条高光谱曲线，删除与其他曲线存在明显差异的异常曲线，再计算每个采样点剩余高光谱曲线的平均值，得到每个采样点芦苇植被的高光谱曲线；

[0020] (c)土壤取样和总石油烃含量测定：在各采样点处取深度为0-30cm的土壤，土壤取样量重450-550g，然后采用红外分光光度法测定每个采样点土壤总石油烃含量，土壤总石油烃含量的单位为mg/kg；

[0021] (d)计算植被指数：根据步骤(b)所得芦苇植被的高光谱曲线数据，计算出每个采样点的44种植被指数；

[0022] (e)确定最佳预测模型：分别采用线性、对数、倒数、二次、三次、幂、S型曲线、指数函数模型对每个采样点44种植被指数与该采样点土壤总石油烃含量的关系进行拟合；确定最佳预测模型为TPH＝0.131/RES，其中TPH为土壤总石油烃含量，土壤总石油烃含量的单位为mg/kg；RES为红边斜率，即波长在680-750nm范围内光谱反射率一阶微分的最大值；

[0023] 2)土壤总石油烃含量高光谱预测模型的集成：将经过步骤1)所得预测模型集成到地物波谱仪的随机软件中，实现土壤石油污染的实时定位和定量监测；结合航空、航天遥感技术，进一步实现土壤石油污染的大面积快速监测。

[0024] 在上述基于高光谱植被指数监测土壤石油污染的方法中，光谱测定时，便携式地物波谱仪采用美国ASD公司(美国光谱分析仪器公司)生产的FieldSpec3便携式地物波谱仪。FieldSpec3便携式地物波谱仪适用于遥感测量，农作物监测，森林研究，工业照明测量，海洋学研究和矿物勘察的各方面。该仪器重量轻便，可实时测量并观察反射、透射、辐射度光谱曲线；可以实时显示绝对反射比；具有高信噪比、高可靠性、高重复性等优点。该仪器可测定350-2500nm波长范围的光谱，光谱分辨率为3-10nm。

[0025] 在上述基于高光谱植被指数监测土壤石油污染的方法中，计算植被指数时，本发明选择了现有的44种植被指数，各植被指数及其计算公式见表1。由于很多植被指数最初是以宽波段光谱反射率计算的，本发明中以相应波段内敏感波长的光谱反射率代替。

[0026] 表1本发明中使用的植被指数

[0027]

[0028] 续表1本发明中使用的植被指数

[0029]

[0030] 续表1本发明中使用的植被指数

[0031]

[0032] 续表1本发明中使用的植被指数

[0033]

[0034] 在上述基于高光谱植被指数监测土壤石油污染的方法中，确定最佳预测模型时，分别采用线性、对数、倒数、二次、三次、幂、S型曲线、指数等函数模型对各个植被指数与土壤总石油烃含量的关系进行了拟合。拟合结果见表2。

[0035] 表2各函数模型对植被指数的拟合结果(n＝30)

[0036]

[0037] 续表2各函数模型对植被指数的拟合结果(n＝30)

[0038]

[0039] 有些植被指数的计算结果中存在负值，因此无法获得该植被指数某些函数模型的拟合结果，在表中以缺失值符号“-”表示。

[0040] 表2中相关指数R2＞0.85的预测模型见表3。比较各预测模型，可确定TPH＝0.131/RES为最佳预测模型，其模型如图1所示。其中TPH为土壤总石油烃含量，土壤总石油烃含量的单位为mg/kg；RES为红边斜率，即680nm-750nm波长范围内光谱反射率一阶微
2
分的最大值。该预测模型的R 高达0.948，p值也远小于0.01，表明该模型预测的可靠程度较高。今后，可将该预测模型集成到地物波谱仪的随机软件中，实现土壤石油污染的定位、实时、定量监测。结合航空、航天等遥感技术，可进一步实现土壤石油污染的大面积快速监测。该方法相对于传统的土壤、植被监测，简单易行，可节约大量的人力、财力和时间，对植被破坏小。

[0041] 表3相关指数R2＞0.85的预测模型及检验(n＝30)

[0042]

[0043] 采用本发明监测土壤石油污染时，由于生态系统的不同，反映生态系统中土壤遭受石油污染程度的植被指数可能不同；因此针对其他生态系统，可以利用别的植被指数(包括利用其他敏感波长计算的植被指数)结合其他函数模型提出新的光谱预测模型。