程 鳳，楊可明，崔 穎，陸天宇，陳立帆，榮坤鵬

中國(guó)礦業(yè)大學(xué)(北京)煤炭資源與安全開采國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100083

引 言

近年來(lái)，隨著礦山開采、工業(yè)廢水排放及污水灌溉、農(nóng)藥化肥不合理使用等問題的出現(xiàn)，大量重金屬進(jìn)入到土壤環(huán)境中。由于重金屬污染具有波及范圍廣、隱蔽性強(qiáng)和難降解等特點(diǎn)，已成為國(guó)際環(huán)境污染治理的研究熱點(diǎn)[1-3]。據(jù)2014年發(fā)布的“全國(guó)土壤污染調(diào)查報(bào)告”，全國(guó)土壤污染物總超標(biāo)率達(dá)16%。銅、鎘、汞等重金屬污染點(diǎn)位超標(biāo)率分別達(dá)2.1%，7.0%和1.6%。重金屬不僅會(huì)引起土壤生態(tài)環(huán)境的改變，還會(huì)在農(nóng)作物中累積，并且會(huì)影響植物葉片葉綠素含量變化、阻礙光合產(chǎn)物的傳輸、抑制植物根系生長(zhǎng)，進(jìn)而影響到農(nóng)作物產(chǎn)品質(zhì)量及農(nóng)田生態(tài)系統(tǒng)的穩(wěn)定，最終嚴(yán)重威脅到人類生命健康[4-5]，因此對(duì)于農(nóng)田生態(tài)系統(tǒng)土壤及農(nóng)作物重金屬污染監(jiān)測(cè)尤為重要。傳統(tǒng)的重金屬污染監(jiān)測(cè)方法存在成本高、過程繁瑣，不適于大范圍應(yīng)用等缺陷，而高光譜遙感具有信息量大、可進(jìn)行快速無(wú)損、自動(dòng)且大范圍監(jiān)測(cè)地表等優(yōu)勢(shì)，已在農(nóng)業(yè)生態(tài)環(huán)境監(jiān)測(cè)等方面得到廣泛應(yīng)用。

在利用高光譜遙感監(jiān)測(cè)植被生化特性參量等方面，常以具備光學(xué)特性的植被指數(shù)或經(jīng)模型算法處理的光譜作為媒介來(lái)反映植物的生化參量及生長(zhǎng)狀態(tài)。國(guó)內(nèi)外已有眾多專家學(xué)者通過常規(guī)植被指數(shù)以及算法模型等方式來(lái)反映受重金屬污染植物的生理狀態(tài)。Hede[6]等通過綠波短波紅外植被指數(shù)(vegetation index considering greenness and shortwave infrared, VIGS)探究了植被受重金屬Cu, Pb, Zn和Cd污染的影響程度，并與傳統(tǒng)的歸一化植被指數(shù)(normalized difference vegetation index, NDVI)進(jìn)行了比較，證明植被指數(shù)VIGS對(duì)重金屬脅迫的敏感程度更強(qiáng)。Rathod[7]等指出水分脅迫指數(shù)等與葉片砷含量有顯著相關(guān)性，可鑒別重金屬脅迫下植物生長(zhǎng)狀態(tài)，并利用回歸模型顯示了反射光譜數(shù)據(jù)在監(jiān)測(cè)植物健康方面的能力。劉美玲[8]等運(yùn)用小波變換分析了受金屬鋅脅迫水稻光譜的奇異性特征。李蜜[9]等建立了用于預(yù)測(cè)水稻農(nóng)田重金屬污染水平的模糊神經(jīng)網(wǎng)絡(luò)模型，表征重金屬脅迫下水稻葉片葉綠素含量存在微小變化，進(jìn)而確定農(nóng)田重金屬污染狀態(tài)。原有的植被指數(shù)建立的目的是反演植被的生化參量但對(duì)監(jiān)測(cè)重金屬污染方面缺乏針對(duì)性，已有的模型算法雖具有針對(duì)性但較為復(fù)雜，實(shí)際應(yīng)用存在一定局限性。且除金屬含量外，植物的供水量、有機(jī)質(zhì)及養(yǎng)分等相互重疊的參數(shù)也會(huì)影響植被的光譜反射率[10]?；诖?，在保持各參數(shù)一致的情況下，針對(duì)玉米葉片光譜的變化情況, 利用多個(gè)光譜特征波段組合的方式，提出一種銅污染植被指數(shù)的污染程度探測(cè)模型CPVI，在此基礎(chǔ)上建立探測(cè)模型與葉片Cu2+含量的相關(guān)系數(shù)絕對(duì)值矩陣，構(gòu)建針對(duì)玉米銅污染的植被指數(shù)(copper pollution vegetation index of maize，CPVIm)，最終獲得CPVIm與葉片Cu2+含量的變化規(guī)律，并與NDVI，MTCI，DVI和REP等光譜特征參量進(jìn)行對(duì)比分析，驗(yàn)證其在監(jiān)測(cè)重金屬污染方面的優(yōu)越性，并進(jìn)一步探究了CPVIm與葉片葉綠素含量之間的關(guān)系。

1 實(shí)驗(yàn)部分

1.1 脅迫實(shí)驗(yàn)

植株培育及污染梯度設(shè)置。選取“密糯8號(hào)”玉米作為研究對(duì)象，種植在有底漏花盆中。根據(jù)《GB15618—2018： 土壤環(huán)境質(zhì)量 農(nóng)用地土壤污染風(fēng)險(xiǎn)管控標(biāo)準(zhǔn)(試行)》中土壤污染標(biāo)準(zhǔn)設(shè)置銅脅迫梯度為0(空白對(duì)照實(shí)驗(yàn))，50，100，150，200，300，400，600，800和1 000 μg·g-1，同一梯度設(shè)置三組平行實(shí)驗(yàn)，分別標(biāo)注為Cu(ck)-1，Cu(ck)-2，Cu(ck)-3，Cu(50)-1，Cu(50)-2，Cu(50)-3，…，Cu(1 000)-1，Cu(1 000)-2，Cu(1 000)-3，共計(jì)30組。對(duì)栽培土壤進(jìn)行過篩處理，以逐層噴灑、翻土均勻混合的方式將不同濃度的CuSO4·5H2O粉末添加入相應(yīng)脅迫梯度的土壤中，并向花盆噴撒適量水，模擬Cu污染土壤環(huán)境。對(duì)玉米種子進(jìn)行催芽處理，待發(fā)芽后將其栽種于含有不同濃度梯度的CuSO4·5H2O的土壤中。在玉米生長(zhǎng)過程中添加適量NH4NO3，KNO3和KH2PO4營(yíng)養(yǎng)液，并定期給玉米澆水、保持通風(fēng)。

1.2 數(shù)據(jù)采集

(1)玉米葉片光譜數(shù)據(jù)采集。使用波長(zhǎng)范圍為350～2 500 nm SVC HR-1024I高性能地物光譜儀進(jìn)行光譜數(shù)據(jù)采集，50 W的鹵素?zé)艄庠春?5°視場(chǎng)角探頭，所采集的光譜反射系數(shù)經(jīng)專用平面白板進(jìn)行標(biāo)準(zhǔn)化處理。采集玉米穗期的葉片光譜，選取位于植株上、中、下部位具備代表性的新(N)、中(M)、老(O)三類葉片的葉中位置進(jìn)行光譜測(cè)量。在培育植株過程中，脅迫梯度為Cu(1 000)-2的玉米在幼苗期葉片枯黃，故無(wú)法用于后續(xù)實(shí)驗(yàn)分析。對(duì)玉米N，M和O葉片的反射光譜分別平行測(cè)取3組，取均值作為最終結(jié)果，最終獲取87組光譜數(shù)據(jù)。選取第一組平行樣的新葉葉片光譜展示，如圖1所示。

(2)葉片葉綠素相對(duì)濃度測(cè)定。使用SPAD-502葉綠素測(cè)定儀對(duì)各類葉片進(jìn)行葉綠素測(cè)定，SPAD-502所獲值代表葉片中的葉綠素濃度相對(duì)值。對(duì)每組葉片測(cè)取3次，取均值為不同葉片葉綠素濃度相對(duì)值。本工作直接以SPAD-502葉綠素測(cè)定儀讀數(shù)代表葉綠素含量。

(3)葉片Cu2+含量測(cè)定。各項(xiàng)實(shí)驗(yàn)完成后，對(duì)玉米葉片進(jìn)行沖洗、烘干、粉碎、封裝保存、標(biāo)注、編號(hào)處理。在相同規(guī)范條件下，經(jīng)微波處理后，采用電感耦合等離子發(fā)射光譜儀(ICP-OES)測(cè)定玉米葉片樣品中的Cu2+含量，各脅迫梯度N，M，O葉片Cu2+含量結(jié)果如圖2所示。其中脅迫梯度為Cu(150)-1O，Cu(600)-3O，Cu(800)-2O葉片(圖2中用圓圈標(biāo)注)Cu2+含量較其他兩組平行樣差異較大，屬異常數(shù)據(jù)，故將其剔除。

圖1 不同Cu2+脅迫梯度下玉米葉片新葉光譜

圖2 土壤Cu2+脅迫梯度及葉片中Cu2+含量關(guān)系

隨機(jī)選取兩組平行樣中的N，M，O葉片0，50，100，150，200，300，400，600，800和1 000 μg·g-1脅迫梯度共58組數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)用于CPVI探測(cè)模型構(gòu)建，以剩余平行樣N，M，O葉片相同脅迫梯度共26組數(shù)據(jù)作為檢驗(yàn)數(shù)據(jù)進(jìn)行驗(yàn)證。

2 理論與方法

2.1 CPVI污染探測(cè)模型建立

重金屬吸收等脅迫因素會(huì)影響葉片的反射光譜，因此可利用植被葉片光譜反射率作為媒介來(lái)反映植物的生長(zhǎng)狀況。許多研究側(cè)重利用兩個(gè)或多個(gè)特征波段經(jīng)線性或非線性組合的方式，構(gòu)成對(duì)某個(gè)生理及生化參量比較敏感的指數(shù)，以達(dá)到監(jiān)測(cè)植被生長(zhǎng)規(guī)律特征的目的。本文將兩個(gè)寬波段反射率修改為波段間隔為1 nm分辨率的窄波段反射率，并在近紅外波段中選擇R850作為基礎(chǔ)波段光譜反射率，Rλ1與Rλ2作為變量，建立針對(duì)重金屬銅污染的植被指數(shù)探測(cè)模型

(1)

式中，λ為波長(zhǎng)，且λ1≠λ2≠850 nm，Rλ為波長(zhǎng)對(duì)應(yīng)的反射率。

利用隨機(jī)選取的兩組平行樣共計(jì)58組光譜數(shù)據(jù)及對(duì)應(yīng)葉片Cu2+含量作為實(shí)驗(yàn)數(shù)據(jù)，λ1,λ2光譜波長(zhǎng)范圍均取380～900 nm。通過λ1和λ2分別組合，計(jì)算對(duì)應(yīng)探測(cè)模型CPVI[λ1,λ2]，進(jìn)行遍歷計(jì)算后將所獲探測(cè)模型結(jié)果與對(duì)應(yīng)梯度的葉片Cu2+含量進(jìn)行相關(guān)性分析，求取二者之間的相關(guān)系數(shù)，進(jìn)而得到皮爾遜相關(guān)系數(shù)絕對(duì)值矩陣，如圖3所示。在此，橫軸代表波長(zhǎng)λ1，縱軸代表波長(zhǎng)λ2，色帶|ρ|代表相關(guān)系數(shù)的絕對(duì)值，即由探測(cè)模型CPVI[λ1,λ2]與葉片Cu2+含量之間以λ1和λ2作為變量的相關(guān)性函數(shù)所得，點(diǎn)的顏色代表相關(guān)性程度的強(qiáng)弱。

圖3 CPVI[λ1, λ2]與葉片Cu2+含量相關(guān)性圖

2.2 特征波段選擇及植被指數(shù)構(gòu)建

根據(jù)皮爾遜相關(guān)系數(shù)絕對(duì)值矩陣，通過波長(zhǎng)λ1和λ2相互組合、分析比較，挑選與玉米葉片Cu2+含量相關(guān)性相對(duì)較高的波段λ1=690 nm，λ2=465 nm(圖3中紅色區(qū)域)，構(gòu)建針對(duì)農(nóng)作物玉米的銅污染植被指數(shù)CPVI[690, 465](簡(jiǎn)稱CPVIm)。在此并未選擇相關(guān)性最高的λ1=690 nm，λ2=530 nm波段作為探測(cè)模型的特征波段，根據(jù)CPVI[λ1,λ2]與葉片Cu2+含量相關(guān)性圖，當(dāng)λ2取值為530 nm時(shí)，相對(duì)應(yīng)λ1取值范圍較小，顧及各脅迫梯度原始光譜具有差異性，會(huì)產(chǎn)生誤差。因此選擇λ2=465nm，波長(zhǎng)λ1相對(duì)取值范圍較大的波段作為銅污染植被指數(shù)的特征波段，以保證模型的有效性。

3 結(jié)果與討論

3.1 CPVIm優(yōu)越性驗(yàn)證

對(duì)于構(gòu)建的植被指數(shù)CPVIm，利用剩余26組光譜、葉片Cu2+含量數(shù)據(jù)進(jìn)行驗(yàn)證。計(jì)算各脅迫梯度葉片光譜對(duì)應(yīng)的CPVIm及常規(guī)植被指數(shù)NDVI，MTCI，DVI，REP[12-14]，并分別與葉片中Cu2+含量進(jìn)行相關(guān)性分析，得到對(duì)應(yīng)的相關(guān)系數(shù)r和殘差平方和(the residual sum of squares, RSS)。RSS是衡量模型擬合程度的指標(biāo)，其值越小，證明擬合程度越好。分析結(jié)果如圖4和圖5所示，CPVIm與重金屬含量呈顯著負(fù)相關(guān)，樣本個(gè)數(shù)n=26，相關(guān)系數(shù)r=-0.80，RSS=48.52，NDVI，MTCI，DVI和REP指數(shù)與重金屬含量的相關(guān)系數(shù)r的絕對(duì)值均小于0.8，且RSS均大于48.52。由此說明CPVIm較其他指標(biāo)(即NDVI，MTCI，DVI和REP)對(duì)重金屬脅迫更敏感，并且可更準(zhǔn)確地反映植物受重金屬的脅迫程度。常規(guī)植被指數(shù)定義及計(jì)算方法如表1所示。

圖4 植被指數(shù)CPVIm與葉片Cu2+含量關(guān)系

圖5 NDVI (a)，MTCI (b)，DVI (c)，REP (d)與葉片Cu2+含量關(guān)系

3.2 CPVIm魯棒性驗(yàn)證

為了檢驗(yàn)CPVIm的魯棒性，在2014年和2016年采集的“中糯1號(hào)”玉米葉片光譜數(shù)據(jù)中隨機(jī)選擇梯度分別為Cu(ck)，Cu(250)，Cu(500)及Cu(ck)，Cu(200)，Cu(300)，Cu(500)，Cu(600)，Cu(800)和Cu(1 000)對(duì)指數(shù)CPVIm進(jìn)行驗(yàn)證。以2014年數(shù)據(jù)為基礎(chǔ)的結(jié)果如圖6所示，不同污染水平下CPVIm與葉片Cu2+含量顯著負(fù)相關(guān)，相關(guān)系數(shù)r=-0.90，以2016年數(shù)據(jù)為基礎(chǔ)的結(jié)果如圖7所示，CPVIm與Cu2+含量的相關(guān)系數(shù)r= -0.96。由此說明CPVIm植被指數(shù)對(duì)于不同品種的玉米污染程度探測(cè)均具備一定可靠性。

表1 植被指數(shù)

圖6 植被指數(shù)CPVIm與葉片Cu2+含量關(guān)系

圖7 植被指數(shù)CPVIm與葉片Cu2+含量關(guān)系

3.3 葉片Cu含量、葉綠素含量及CPVIm相關(guān)性分析

葉綠素在光合作用中起著至關(guān)重要的作用，且作物重金屬含量與葉片中的葉綠素相對(duì)濃度密切相關(guān)[11]。因此，可通過掌握葉綠素與葉片Cu2+含量的關(guān)系規(guī)律，間接利用葉綠素含量反映植被受重金屬污染的程度。因?qū)嶒?yàn)所測(cè)玉米N，M和O葉片葉綠素含量變化范圍不同，所以將實(shí)測(cè)數(shù)據(jù)(包括實(shí)驗(yàn)數(shù)據(jù)與驗(yàn)證數(shù)據(jù))共計(jì)84組，分新葉、中葉、老葉分別進(jìn)行討論。為避免偶然因素影響，體現(xiàn)數(shù)據(jù)的普遍性，對(duì)三組平行樣中N，M和O葉片葉綠素含量、Cu2+含量及CPVIm值取平均值作為該梯度的代表值。葉片葉綠素含量、Cu2+含量及CPVIm兩兩結(jié)合，分析任意兩者之間相關(guān)性，為了綜合得到更好的評(píng)估效果，將這3個(gè)指標(biāo)作為三維參量，構(gòu)建玉米葉片污染程度三維分析模型，如圖8所示。三維分析模型中，可直觀觀察到土壤中銅脅迫程度范圍在0～100，150～400和600～1 000 μg·g-1分別集中在模型的頂部，中部和底端，即隨著脅迫程度的增強(qiáng)散點(diǎn)隨著體對(duì)角線呈現(xiàn)逐步下移的趨勢(shì)，更直觀清晰地呈現(xiàn)了不同土壤銅脅迫的程度，可作為評(píng)估分析模型。其次，根據(jù)分析模型可直觀體現(xiàn)葉片葉綠素含量與指數(shù)CPVIm呈正相關(guān)，葉綠素含量與葉片Cu2+含量呈負(fù)相關(guān)，CPVIm與葉片Cu2+含量呈負(fù)相關(guān)。由此說明植被指數(shù)CPVIm不僅可作為玉米葉片銅污染程度的指標(biāo)，也可作為探究葉片葉綠素含量的指標(biāo)。

圖8 玉米葉片Cu2+、葉綠素含量、CPVIm三維分析模型

4 結(jié) 論

提出一種以光譜波段組合遍歷計(jì)算為基礎(chǔ)的CPVI污染程度探測(cè)方法，分析其與葉片Cu2+含量的相關(guān)性，并構(gòu)建了針對(duì)玉米葉片銅污染的CPVIm指數(shù)，得到以下結(jié)論： (1)CPVIm可表征玉米受重金屬銅污染的程度，即隨著葉片中Cu2+含量的增加，CPVIm呈下降趨勢(shì)，相關(guān)系數(shù)為r=-0.80, 殘差平方和RSS=48.52。通過與常規(guī)植被指數(shù)NDVI，MTCI，DVI和REP對(duì)比，驗(yàn)證了CPVIm的優(yōu)越性。同時(shí)通過另外兩組實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證了指數(shù)CPVIm的魯棒性，CPVIm與葉片Cu2+含量相關(guān)系數(shù)分別達(dá)到了-0.90和-0.96。(2)基于新、中、老葉分別探究了葉片葉綠素含量與葉片重金屬含量及CPVIm的相關(guān)性，并構(gòu)建了三維分析模型，證明了葉片Cu2+含量和CPVIm與SPAD-502讀數(shù)中的葉片葉綠素含量相關(guān)，即葉綠素含量與CPVIm呈正相關(guān)，葉綠素含量與葉片中Cu2+含量呈負(fù)相關(guān)。

由此表明通過光譜特征波段組合方式構(gòu)建的CPVI探測(cè)模型可作為評(píng)價(jià)農(nóng)作物重金屬污染程度的參考方法； 基于該方法構(gòu)建的CPVIm指數(shù)可有效甄別玉米受重金屬Cu2+污染程度，也可作為反映玉米葉片尺度葉綠素含量的指標(biāo)。