重金屬銅脅迫玉米葉片的光譜響應特征

楊可明，史鋼強，魏華鋒，孫陽陽，劉 飛

（中國礦業(yè)大學 地球科學與測繪工程學院，北京100083）

隨著重金屬在工業(yè)和農(nóng)業(yè)生產(chǎn)中的廣泛應用，檢測和治理重金屬污染已經(jīng)成為人類正在面臨的棘手問題，其中以化學分析為主的傳統(tǒng)重金屬污染監(jiān)測方法具有測量范圍小、費用高、等待時間長和監(jiān)測用工多等缺點；而基于遙感技術(shù)的植物監(jiān)測方法具有視野寬、測量信息廣、監(jiān)測速度快以及能夠?qū)崿F(xiàn)實時動態(tài)監(jiān)測等優(yōu)點[1－2]。銅（Cu）作為人類活動中的常見重金屬，其污染對生態(tài)系統(tǒng)的危害受到科學工作者的高度重視，并引起世界各國的廣泛關注[3－5]。

目前，基于遙感技術(shù)的植物監(jiān)測前人也進行了較多的研究與應用。譚倩等[6]提出植被光譜特征提取模型，朱葉青等[7]將光譜特征用于重金屬銅污染的春小麥和上海青（小白菜）2種農(nóng)作物上，遲光宇等[5]建立可見光反射率升高面積、近紅外降低面積和紅邊“藍移”指數(shù)與重金屬脅迫強度的關系。李慶亭等[8－9]提出，植物受到重金屬銅脅迫的紅邊斜率增加，發(fā)生藍移。任紅艷等[10]運用歸一化植被指數(shù)描述水稻冠層光譜變化，朱葉青等[7]運用光譜角對重金屬銅污染的植被光譜變化進行分析，王秀珍等[11－14]利用微分對不同光譜進行了分析，Keiner等[15－17]運用人工智能方法增強特定的光譜信息。但是，上述研究采用的特征波段均只到950nm，高光譜950nm之后的波段未被充分利用，并且很多波譜特征未用于銅脅迫監(jiān)測。因此，為了使豐富的光譜信息得到充分利用，在總結(jié)現(xiàn)有研究不足的基礎上，筆者首次采用350～2 500nm 的光譜，將歸一化植被指數(shù)和光譜角用于重金屬銅對玉米反射光譜脅迫分析，提出光譜差之和與光譜差均值用于重金屬銅脅迫玉米光譜的響應特征，旨在為今后大面積植物受重金屬銅脅迫的快速識別提供技術(shù)支持。

1 材料與方法

1.1 儀器與材料

試驗儀器為SVC HR－1024I高性能地物光譜儀（光譜范圍350～2 500nm）、SPAD－502葉綠素含量測定儀和原子吸收分光光度計（WFX－120）。供試玉米品種為中糯1號，CuSO4·5H2O 為分析純。

1.2 試驗設計

1）植物培養(yǎng)。試驗設置3 個Cu2＋污染梯度，分別為0μg／g（CK）、250μg／g和500μg／g，處理代號為Cu（CK）、Cu（250）和Cu（500），3次重復。按試驗設計濃度將CuSO4·5H2O 溶解在500mL 水中后施入試驗土壤。2014年5月8日將中糯1 號玉米種子播入已進行Cu2＋污染的花盆土壤（有底漏），每盆播3 粒，出苗后噴施營養(yǎng)液NH4NO3、KH2PO4和KNO3，最后留苗1株。2014年7月17日采集玉米葉片光譜信息，測定葉綠素濃度，進行銅含量分析。

2）光譜數(shù)據(jù)采集與處理。利用SVC HR－1024I高性能地物光譜儀（光譜范圍350～2 500nm）采集光譜，配套功率為50 W 的鹵素燈光源和4°視場角探頭。探頭垂直于葉片表面40cm，輸出光譜線為3條原始掃描光譜自動平均值，光譜反射系數(shù)經(jīng)專用平面白板標準化。每株選取3片代表性葉（玉米頂部剛長出不久的新葉片，底部完全成熟的葉片和位于中部的葉片）進行光譜測量，測量時將葉片放在黑色塑料袋上。

3）玉米葉綠素含量測定。利用玉米葉片光譜數(shù)據(jù)采集后的3 片代表性葉，使用葉綠素測定儀SPAD－502分別測量3 次，求出玉米葉片葉綠素含量平均值。

4）玉米葉片銅含量測定。將測葉綠素含量后的玉米葉片沖洗、烘干、粉碎裝入樣本袋。經(jīng)高純硝酸、高氯酸消化處理后[18－19]，用原子吸收分光光度計測定Cu 含量。儀器條件：波長324.7nm，狹縫0.7nm，負電壓304 V，燈電流3.00mA。重復3次，求出玉米葉片Cu含量平均值。

1.3 特征波段選取和歸一化植被指數(shù)

選取12個特征波段（紅邊、紫谷、藍邊、綠峰、黃邊、紅邊、紅肩、近谷、近邊、近峰、近肩、近峰寬），分析受重金屬銅脅迫玉米與健康玉米之間的波譜差異。

歸一化植被指數(shù)NDVI（normalized difference vegetation index）是反映土地覆蓋植被狀況的一種遙感指標，定義為近紅外反射率與可見光反射率之差與之和的商。

式中，RNIR為近紅外區(qū)間波段的反射率，RVIS為可見光區(qū)間波段的反射率[10]。分別選擇可見光區(qū)間的紫谷（389nm）、綠峰（552nm）、紅谷（670nm）和近紅外區(qū)間的紅肩（793nm）、近谷（1 452nm）、近峰（1 671nm）、近肩（1 798nm）、近峰寬（2 189nm）構(gòu)造NDVI。

1.4 光譜角制圖分類

通過比較待識別地物向量與參考地物向量在光譜空間上形成的夾角確定每類地物的歸屬[20]。光譜角定義為：

式中，n為波段數(shù)，U（u1，u2，…，un）和V（v1，v2，…，vn）分別表示2個光譜向量在n個波段上的反射率，θ為光譜角。

n的計算公式為：

式中，λmax為計算光譜角波段區(qū)間的上限，λmin為計算光譜角波段區(qū)間的下限，δ為計算光譜角的波段間隔[7，21]。

1.5 光譜差之和與光譜差均值

受重金屬銅脅迫的葉片光譜和健康葉片光譜在每個波長的位置有差異，不同的位置大小不一，且有正有負，基于此，研究提出光譜差之和與光譜差均值的概念，公式如下：

式中，n為波段數(shù)，λi為i波段對應的波長，tλi為波長為λi時受脅迫的光譜反射率，cλi為波長為λi時未受脅迫的光譜反射率，ω為光譜差之和，κ為光譜差均值。選擇與光譜角相同的波段區(qū)間求取光譜差之和。

2 結(jié)果與分析

2.1 土壤銅污染對玉米葉綠素及葉片銅含量的影響

從表1看出，玉米葉片中的葉綠素含量與土壤中Cu2＋含量成負相關，葉綠素含量隨土壤Cu2＋含量升高而降低；玉米葉片中的銅含量與土壤中Cu2＋含量成正相關，葉片銅含量隨著土壤銅含量的升高而增加。

表1 土壤Cu2＋污染玉米的葉綠素相對值及Cu含量Table 1 Leaf chlorophyll relative value and Cu content of corn planted on soil polluted with Cu2＋

2.2 土壤銅污染玉米葉片的波譜響應特征

隨著土壤中Cu2＋含量的增加，藍邊（520nm）、黃邊（568nm）、近邊（1 514nm）的位置玉米葉片反射率沒有改變，但紅邊的位置發(fā)生明顯藍移。紅邊位置對照組為715nm，Cu（250）處理為705nm，Cu（500）處理為700nm，即Cu（250）和Cu（500）處理分別比對照發(fā)生10nm 和15nm 藍移。從表2看出，雖然藍邊、黃邊、近邊位置沒有改變，但其反射率變化明顯。因此，可根據(jù)不同波段反射率分析受重金屬銅脅迫玉米與健康玉米的波譜差異。

表2 土壤銅污染玉米葉片的光譜反射率及相關性Table 2 Spectral reflectance and correlation of corn leaves planted on soil polluted with Cu2＋

紫谷、綠峰、紅邊、紅肩、近谷、近峰、近肩、近峰寬在受銅脅迫時，光譜反射率都增加，且隨土壤中Cu2＋濃度增加而增加。其中，綠峰和紅邊變化較明顯，紅邊、綠峰反射率Cu（250）處理較對照分別增加1.71%和1.33%，Cu（500）處理較對照分別增加2.90%和1.55%。

特征波段的光譜反射率與土壤Cu2＋含量具有相關關系。從表2看出，紫谷、紅邊、近肩處的反射率與土壤Cu2＋含量的相關系數(shù)較大，分別為0.982 6、0.978 9和0.967 3，并在紫谷處最大。表明，紅邊、紫谷、藍邊、綠峰、黃邊、紅邊、紅肩、近谷、近邊、近峰、近肩和近峰寬的波譜反射率差異可以判斷玉米生長是否受到重金屬銅脅迫，并且紫谷、黃邊、紅邊、近谷、近峰、近肩的反射率可用來預測玉米葉片中的銅含量。

2.3 不同濃度Cu2＋污染土壤的歸一化植被指數(shù)

從表3看出，土壤不同Cu2＋濃度所對應的歸一化植被指數(shù)（NDVI）不同。分析紅谷和近谷的NDVI值可知，Cu（250）與Cu（CK）對應的NDVI之差為0.0191，Cu（500）與Cu（250）對應的NDVI之差為0.024 9，相關系數(shù)R2＝0.998 9＊＊，表明，受重金屬銅脅迫時紅谷和近谷的NDVI值增加，且紅谷和近谷的NDVI與玉米葉片銅含量具有極顯著相關性。另外，紫谷和紅肩、紫谷和近峰、紫谷與近肩、綠峰與近峰寬、紅谷與近峰寬所對應NDVI與玉米葉片銅含量具有顯著或極顯著相關性，其相關系數(shù)R2分別為0.983 5＊、0.993 5＊＊、0.994 8＊＊、0.999 9＊＊和0.999 8＊＊。

雖然NDVI相對于原始波段對重金屬銅含量變化的敏感程度低，但由于對波段相似信息（背景、儀器信噪比等）的去除[10，19]，NDVI仍可用于重金屬銅對玉米反射光譜的脅迫分析。研究中紫谷和紅肩、紫谷和近峰、紫谷與近肩、綠峰與近峰寬、紅谷與近峰寬所對應的NDVI與玉米葉片銅含量具有顯著或極顯著相關性，可以區(qū)分、預測玉米葉片中的銅含量。

表3 不同濃度Cu2＋污染土壤的歸一化植被指數(shù)及其與土壤銅含量的相關性Table 3 Normalized differential vegetation index（NDVI）of soils polluted with different Cu2＋concentration and their correlations

表4 土壤銅污染玉米葉片不同波段區(qū)間的光譜角與光譜差均值Table 4 Spectral angle and mean value of spectral difference of corn leaves planted on soil polluted with Cu2＋

2.4 土壤銅污染玉米葉片不同波段區(qū)間的光譜角

由表4看出，所有的波段區(qū)間受重金屬銅脅迫的葉片光譜與對照組光譜之間都有一定的光譜角差值。波段區(qū)間400～670 nm、670～792 nm 和400～2 500nm與對照的光譜角差值較大，均大于1°。其中，波段區(qū)間400～560nm 的Cu（500）處理與對照組的光譜角差值達2.5°。表明，光譜角可以區(qū)分玉米受重金屬銅脅迫的程度。

Cu（250）處理與對照組的光譜角差值在各個波段區(qū)間均小于Cu（500）處理與對照組的光譜角差值，表明，隨著重金屬銅濃度的增加，所有波段區(qū)間的光譜角也增加。波段區(qū)間400～670 nm 和670～792nm所 對 應 的R2分 別 為0.990 9＊＊、0.985 8＊，說明，光譜角與玉米葉片中重金屬銅含量之間具有顯著或極顯著相關性。所有波段區(qū)間的R2均大于0.8，表明光譜角穩(wěn)定性好。由此可得，光譜角可用于區(qū)分玉米葉片中不同濃度的重金屬銅脅迫，穩(wěn)定性好，并且波段區(qū)間400～670 nm 和670～792nm所對應的光譜角可以預測玉米葉片中的銅含量。

2.5 土壤銅污染玉米葉片的光譜差之和與光譜差均值

研究表明，Cu（250）處理與對照組在全波段的光譜差之和為520.0，Cu（500）處理與對照組在全波段的光譜差之和為673.0。說明，光譜差之和可以明顯區(qū)分銅脅迫玉米葉片和健康玉米葉片之間的光譜差異。

由表4看出，在除波段區(qū)間792～1 451nm 外所有波段區(qū)間光譜差均值與其對應光譜角的變化趨勢一致，隨重金屬銅濃度的增加，波段區(qū)間的光譜差均值也增加。在792～1 451 nm 波段區(qū)間，Cu（250）處理與對照組在全波段的光譜差均值為0.264 2，Cu（500）處理與對照組在全波段的光譜差之和為0.2636。相對于光譜角，光譜差均值對光譜變化的敏感性較強。波段區(qū)間1 670～1 908nm所對應的R2為0.982 7＊，說明，光譜差均值與玉米葉片中重金屬銅含量具有顯著相關性。由此表明，光譜差之和與光譜差均值可用于區(qū)分玉米葉片中不同濃度的重金屬銅脅迫，波段區(qū)間1 670～1 908nm所對應的光譜差均值可以預測玉米葉片中的銅含量。此方法理論簡單，計算方便，更能直觀地反映玉米葉片反射光譜的差異。

3 結(jié)論與討論

1）研究結(jié)果表明，土壤受重金屬銅污染時，其上種植的玉米葉片葉綠素含量隨著土壤中Cu2＋含量的升高而降低，玉米葉片中的銅含量隨著土壤中銅含量的升高而增加。

2）特征波段、NDVI、光譜角、光譜差之和與光譜差均值均可以區(qū)分受重金屬銅脅迫的玉米葉片和健康玉米葉片的光譜差異，其中特征波段近谷、近邊、近峰、近肩、近峰寬及其所對應的NDVI對玉米銅脅迫程度有較好的判斷效果。

3）特征波段的紫谷、紅邊、近肩，歸一化植被指數(shù)的NDVI（389，793）、NDVI（389，1671）、NDVI（389，1798）、NDVI（552，2189）、NDVI（670，1452）、NDVI （670，2189），光譜角的波段區(qū)間400～670nm，670～792nm，光譜差均值的波段區(qū)間1 670～1 908nm 與玉米葉片中重金屬銅含量之間具有顯著或極顯著相關性，可以預測玉米葉片中的銅含量。

4）在監(jiān)測重金屬銅脅迫玉米葉片時，利用特征波段、光譜差之和與光譜差均值的方法簡單、方便，識別光譜反射率變化的直觀性強；歸一化植被指數(shù)具有去除波段相似信息的優(yōu)點，光譜角在整個波段區(qū)間的光譜分辨率強，穩(wěn)定性好。

[1]Koppnen S，Pulliainen J，Kallio K，et al.Lake water quality classification with airborne hyperspectral spectrometer and simulated MERIS data[J].Remote Sensing of Environment，2002，79：51－59.

[2]Koppnen S M，Brezonik P L，Olmanson L G，et al.A procedure for regional lake water clarity assessment using Landsat multispectral data[J].Remote Sensing of Environment，2002，82：38－47.

[3]Ebbs S D，Kochian L V.Toxicity of zinc and copper to brassica species：implications for phytoremediation[J].Journal of Environment Quality，1997，26：776－781.

[4]Roberts A H C，Cameron K C，Bolan N L，et al.Contamination of the soil and environment in New Zealand[M].The Netherlands：Kluwer Academic Publisher，1996：579－628.

[5]遲光宇，劉新會，劉素紅，等.Cu污染與小麥特征光譜相關關系研究[J].光譜學與光譜分析，2006，26（7）：1272－1276.

[6]譚 倩，趙永超，童慶禧，等.植被光譜維特征提取模型[J].遙感信息，2001，1（1）：14－18.

[7]朱葉青，屈永華，劉素紅，等.重金屬銅污染植被光譜響應特征研究[J].遙感學報，2014，18（2）：335－352.

[8]李慶亭，楊鋒杰，張 兵，等.重金屬污染脅迫下鹽膚木的生化效應及波譜特征[J].遙感學報，2008，12（2）：284－290.

[9]任紅艷，莊大方，潘劍君，等.重金屬污染水稻的冠層反射光譜特征研究[J].光譜學與光譜分析，2010，30（2）：430－434.

[10]梁守真，施 平，馬萬棟，等.植被葉片光譜及紅邊特征與葉片生化組分關系的分析[J].中國生態(tài)農(nóng)業(yè)學報，2010，18（4）：804－809.

[11]王秀珍，王人潮，黃敬峰.微分光譜遙感及其在水稻農(nóng)學參數(shù)測定上的應用研究[J].農(nóng)業(yè)工程學報，2002，18（1）：9－13.

[12]劉厚田，張維平，于亞平，等.土壤中過量銅對水稻葉片光譜反射特性的影響[J].環(huán)境科學學報，1984，4（4）：350－359.

[13]吳長山，項月琴，鄭蘭芬，等.利用高光譜數(shù)據(jù)對作物群體葉綠素密度估算的研究[J].遙感學報，2000，4（3）：228－232.

[14]唐延林，王秀珍，黃敬峰，等.水稻微分光譜和植被指數(shù)的作用探討[J].農(nóng)業(yè)工程學報，2003，19（1）：145－150.

[15]Keiner L E，Yan X H.A neural network model for estimating seasurface chlorophyll and sediments from thematic mapper imagery[J].Remote Sensing of Environmental，1998，66：153－165.

[16]盧志娟，朱 玲，裴洪平，等.基于小波分析與BP 神經(jīng)網(wǎng)絡的西湖葉綠素a濃度預測模型[J].生態(tài)學報，2008，28（10）：4965－4973.

[17]李 蜜，劉湘南，劉美玲.基于模糊神經(jīng)網(wǎng)絡的水稻農(nóng)田重金屬污染水平高光譜預測模型[J].環(huán)境科學學報，2010，30（10）：2108－2115.

[18]謝蘇婧，謝樹蓮，謝寶妹.藻類植物中鈣、鎂、鐵、錳、銅和鋅含量分析[J].光譜學與光譜分析，2003，23（3）：615－616.

[19]辛景峰，宇振榮，P.M.Driessen.利用NOAA NDVI數(shù)據(jù)集監(jiān)測冬小麥生育期的研究[J].光譜學與光譜分析，2001，5（6）：442－446.

[20]張良培，張立福.高光譜遙感[M].武漢：武漢大學出版社，2005：122－130.

[21]Dennison P E，Halligan K Q and Roberts D A.A comparison of error metrics and constraints for multiple endmember spectral mixture analysis and spectral angle mapper[J].Remote Sensing of Environmental，2004，93（3）：359－367.