劉 維,于 強,牛 騰,楊林哲,劉泓君,閆 飛

北京林業(yè)大學林學院， 北京 100083

引 言

隨著人類社會工農業(yè)現(xiàn)代化和城市化的迅猛發(fā)展， 工業(yè)和生活廢水排放、 交通排放增多， 土壤重金屬的含量顯著增加， 我國在保護土壤免受污染方面面臨著巨大的挑戰(zhàn)[1]。 土壤中過量的重金屬不僅會對農作物造成脅迫、 影響其生長發(fā)育， 而且在農作物大量積累經食物鏈向人體富集， 對人類健康和生態(tài)環(huán)境產生重大的安全隱患[2-3]。 我國土壤環(huán)境總狀況不容樂觀， 耕地和工礦業(yè)廢棄地土壤環(huán)境問題突出， 污染類型以重金屬為主[4]。 20世紀50年代日本出現(xiàn)的“水俁病”和“骨痛病”被查明由重金屬污染引起后,土壤重金屬成為了土壤污染中亟待解決的問題之一， 引起了國際社會的廣泛關注[5-6]。

傳統(tǒng)的土壤重金屬監(jiān)測方式通常是以化學方法為主， 結果較為準確， 但需要消耗大量人力、 物力和財力， 且無法實現(xiàn)大面積監(jiān)測。 高光譜遙感技術能夠不受地形氣候的限制， 突破植被屏障， 實現(xiàn)土壤重金屬含量大面積且定量化的提取， 滿足及時性和精確性的應用需求， 因而逐漸發(fā)展成熟。 目前， 大量國內外學者利用植物光譜效應對重金屬污染開展了較深入研究， 旨在通過植物光譜的變異特征來反映研究區(qū)的污染狀況， 并已取得了許多突破性的進展。 有報道利用人為添加鎘(Cd)的盆栽實驗研究臍橙葉片的光譜變化特征， 建立了基于光譜指數(shù)的預測模型并得到了良好的模型精度； Kooistra等利用高光譜植被指數(shù)及紅邊位置監(jiān)測河漫灘土壤的重金屬污染狀況， 指出重金屬在某些波段的光譜特征參數(shù)可以作為監(jiān)測污染現(xiàn)狀的有效指標[7]； 趙思穎等選取了貴溪市2個Cd梯度樣地研究了水稻鎘污染對其光譜特征的影響， 結果顯示隨著土壤Cd含量的增加， 藍谷和紅谷深度變淺， 紅邊斜率變小， NDVI705植被指數(shù)降低， 紅外反射坪(R750-1 250)反射率降低[8]。

綜合來看， 前人研究多采用實驗盆栽人為定量添加等梯度重金屬研究植物光譜特征變化， 而野外環(huán)境下土壤重金屬與植被光譜反射率之間的相關關系研究相對較少， 因此， 通過植被光譜建立合適準確的野外土壤重金屬預測模型具有重要意義。

以桃樹為研究對象， 對比不同污染條件下葉片光譜曲線特征， 分析不同土壤元素與光譜反射率的相關性， 選擇相關性較強的土壤元素探討其對植被指數(shù)的影響， 并建立不同植被指數(shù)的土壤元素預測模型， 為土壤重金屬元素預測預報提供參考。

1 實驗部分

1.1 研究區(qū)概況

研究區(qū)位于北京市東北部， 選擇在污染較為嚴重的尾礦庫附近(圖1)。 研究區(qū)農業(yè)資源豐富， 是北京市重要的農副產品基地， 其北、 東、 西三面環(huán)山的地理環(huán)境， 導致山區(qū)半山區(qū)面積廣大， 適合進行林果生產， 所培育生產的“平谷仙桃”品牌在市場上享有盛譽， 是“中國大桃生產第一縣”。 區(qū)內蘊藏著黃金、 白銀、 銅和錳等多種礦物， 目前存有劉家店尾礦庫、 萬莊尾礦庫、 金海湖尾礦庫等各種尾礦庫共計九座。 隨著農業(yè)集約化生產的加強、 工業(yè)的發(fā)展、 畜禽場的規(guī)?；约俺鞘欣欧帕康脑黾樱?研究區(qū)土壤重金屬污染風險提高， 因此快速、 大面積監(jiān)測全區(qū)的土壤重金屬污染顯得尤為迫切。

圖1 研究區(qū)范圍Fig.1 Range of the study area

1.2 數(shù)據采集

1.2.1 桃樹葉片反射光譜采集

光譜采集使用美國ASD公司生產的FieldSpec 4便攜式地物波譜儀， 其測量波長范圍為可見光到近紅外波段(350～2 500 nm)， 光譜采樣間隔在350～1 000 nm范圍內為1.4 nm， 在1 001～2 500 nm內為2 nm。 首先針對研究區(qū)進行踏勘后， 結合踏查結果在室內制定合理的調查路線， 采用環(huán)境單元和行政單元相結合的布點方式， 即在綜合考慮地理地形、 土壤質地等環(huán)境因素的基礎上以行政村農用地為單位均勻設立了50個采樣點(圖1)。 然后選擇無風晴朗天氣， 測定時間在10：00—14：00， 根據布設點選取樹齡相當?shù)奶覙錇椴牧希?詳細記錄采樣點編號、 地理坐標和其所處地理環(huán)境等信息。 采集采樣點的桃樹葉片反射光譜信息， 每次測量數(shù)據前均用標準白板進行校正， 使用25°視場角， 將探頭垂直向下， 據葉片表面10～15 cm， 每個采樣點篩取兩到三株桃樹， 每株桃樹葉片采集10條光譜數(shù)據， 剔除異常光譜曲線， 最終取其算術平均值作為該采樣點桃樹葉片的實際反射光譜。

1.2.2 土壤樣品采集與重金屬含量測定

在測量葉片光譜的同時采集土壤樣品， 每個采樣點選取5～10個分樣點， 采樣深度為0～40 cm。 取土樣時， 多點混合采樣， 揀去枯枝落葉、 殘根、 石礫等雜質， 并將分樣點的樣品充分混合， 按四分法棄去多余的部分， 保留約1 kg作為分析化驗的待測樣品， 裝入自封袋編號帶回實驗室。 采集的土壤樣品經自然風干后， 過2 mm的尼龍篩以去除雜質， 然后用烘箱設置溫度為60 ℃烘干； 用瑪瑙研缽研磨并過100目尼龍篩， 依次編號裝袋密封待測。 土壤樣品重金屬含量相關數(shù)據由實驗室化學檢測分析所得， 其中， 土壤總鎘(Cd)、 鉻(Cr)、 鉛(Pb)、 銅(Cu)的含量使用xSPECTRAA-220型原子吸收光譜儀測量； 土壤總汞(Hg)量使用測汞儀檢測儀器、 冷原子吸收法檢測方法測量； 土壤總砷(As)量用分光光度計的二乙基二硫代氨基甲酸銀分光光度法測量。

1.2.3 數(shù)據處理

野外采集的葉片光譜曲線在ViewSpecPro(Version 6.0)軟件中進行剔除異常曲線、 求均值、 求一階導數(shù)等預處理工作， 導出數(shù)據至Microsoft Excel 2016， 利用pyhton軟件進行相關性分析， 在SPSS數(shù)據分析軟件和Origin2019b軟件中建立預測模型和出圖。

2 結果與討論

2.1 桃樹葉片對土壤重金屬的光譜響應

為排除光照、 水分和養(yǎng)護條件等的差異性影響， 控制環(huán)境因素主要集中于土壤的重金屬含量， 本實驗樣品選擇于同時同地采集。 土壤類型主要是褐土， 有機質含量主要集中在10～30 g·kg-1之間， 呈中性-弱堿性， pH值在6～8之間。 根據葉片光譜所對應的不同土壤重金屬含量， 將采集的葉片光譜曲線以背景值為分段點(表1)進行分組， 分別選擇污染區(qū)(高于背景值)和背景區(qū)(低于背景值)中具有顯著特征和代表性的植物葉片光譜曲線進行對比分析。

表1 土壤重金屬含量統(tǒng)計Table 1 Statistics of heavy metal content in soil

污染區(qū)與背景區(qū)的桃樹葉片原始光譜曲線如圖2(a)所示， 桃樹葉片反射光譜曲線走向及趨勢在污染區(qū)與背景區(qū)總體上表現(xiàn)一致， 但是由于土壤重金屬含量的不同， 其在不同波段體現(xiàn)出來的響應機制也有所差異， 受到重金屬污染的葉片光譜變異明顯。 從桃樹葉片的光譜反射曲線分析發(fā)現(xiàn)， 背景區(qū)內的桃葉光譜反射率總體上比污染區(qū)內的桃葉光譜反射率要低， 反射率與土壤重金屬含量呈正向相關， 在波長760～1 300 nm之間， 背景區(qū)與污染區(qū)的桃葉光譜反射率差值較為明顯， 最大差值達到13.41%[見圖2(b)]， 說明該波段光譜對土壤重金屬的響應相對比較敏感。

圖2 污染區(qū)與背景區(qū)光譜原始曲線(a)與差值(b)Fig.2 Original curves of and differences between thespectra of polluted (a) and background areas (b)

在可見光380～760 nm范圍內， 植物葉片的光譜特征主要受各種色素影響， 其中葉綠素起主要作用。 隨著土壤重金屬含量的增加， 綠峰反射率增加， 最大差值為6.26%， 這是由于植物體內重金屬含量富集， 受到其毒害加深， 葉綠素含量降低， 對光的吸收率減少， 進而導致反射率增加。 在680～780 nm波譜區(qū)間， 桃樹葉片光譜反射率急劇升高， 出現(xiàn)植被典型的“紅邊效應”， 污染區(qū)的葉片光譜曲線上升幅度明顯大于背景區(qū)的葉片光譜曲線。 在780～1 300 nm區(qū)間出現(xiàn)了一個較高的反射平臺， 污染區(qū)葉片反射率在50.96%～61.88%之間， 背景區(qū)的葉片反射率在41.41%～50.76%。 光譜在1 460和1 930 nm附近有兩處吸收谷， 主要由水汽吸收形成， 污染區(qū)葉片的吸收谷比背景區(qū)的吸收谷要低。

對污染區(qū)和背景區(qū)的桃葉光譜曲線求一階導數(shù)如圖3(a)所示。 光譜的一階導數(shù)曲線較好地消除大部分背景噪聲對光譜的影響， 減少光譜采集過程中大氣對光的散射與吸收[9]， 能夠準確地判斷原始光譜曲線的反射峰和吸收谷位置， 其中的“三邊”參數(shù)更是一階導數(shù)光譜中的重要參量[10]。 從圖3(b)中可以看出， 污染區(qū)和背景區(qū)下的桃樹葉片紅、 黃、 藍邊位置沒有明顯移動， 紅邊720 nm， 藍邊520 nm， 黃邊572 nm， 說明土壤重金屬含量對三邊參數(shù)的干擾不明顯。

圖3 污染區(qū)與背景區(qū)一階導數(shù)處理的光譜曲線(a): 一階導數(shù)光譜曲線； (b): 反射光譜三邊參數(shù)Fig.3 Spectral curves of the first-order derivative treatmentof the polluted and background areas(a): First-order derivative spectral curve；(b): Reflectance spectral trilateral parameter

紅邊斜率是紅邊區(qū)間的最大值， 可以反映葉片的葉綠素含量， 通過分析可知土壤重金屬對紅邊斜率的影響十分明顯， 隨著土壤重金屬含量的增大， 重金屬在植物葉片富集加深， 葉綠素含量降低， 導致紅邊斜率急劇增大； 藍邊斜率表現(xiàn)為污染區(qū)>背景區(qū)， 土壤重金屬含量增大藍邊斜率也隨之增大； 污染區(qū)和背景區(qū)的黃邊斜率均為負數(shù)， 分析可知當土壤重金屬污染加重時斜率也隨之增大。 綜上所述， 葉片紅、 藍、 黃邊位置對土壤重金屬含量的干擾十分不敏感， 表現(xiàn)出了較強的抗干擾能力， 但是紅、 藍、 黃邊斜率對其的響應十分明顯， 且均隨著土壤重金屬含量的增加斜率增大。

2.2 土壤重金屬與光譜反射率的相關性分析

圖4所示為土壤中不同的重金屬與光譜反射率之間的相關曲線。 整體上來看， 土壤Cr元素與光譜反射率中度相關且不顯著， 各個波段相關系數(shù)值穩(wěn)定在-0.6左右； 土壤Cu元素與反射率的相關系數(shù)在0.14～0.42之間， 部分波段有較弱的相關性； 土壤Hg元素與反射率的相關系數(shù)均在0.3以下， 可以認為Hg元素與光譜反射率沒有相關性； 土壤As， Pb和Cd元素與光譜反射率的相關性在不同波長范圍內差別較大， 在某些波段范圍內達到0.1級顯著相關且總體相關曲線趨勢相同， 全范圍內均顯示出正相關關系， 相關性依次排序為As>Pb>Cd。 以相關性較強的土壤As元素為例， 在380～515 nm范圍內顯著相關， 481 nm處達到最大值： 0.76； 515～674 nm范圍內相關性下降后回升， 553 nm處降至最小值： 0.59； 674～1 453 nm處明顯呈凹形， 短波近紅外光譜屬于該范圍內， 表明短波近紅外光譜對土壤As元素的敏感性低于其他波段； 長波近紅外1 453～2 500 nm區(qū)域內變化起伏大， 1 886～2 119和2 346～2 500 nm范圍內顯著相關。

圖4 土壤重金屬與光譜反射率的相關關系Fig.4 Correlation between heavy metals insoil and spectral reflectance

2.3 土壤As元素與植被指數(shù)的相關性分析

植被指數(shù)是指對不同波段進行線性或者非線性組合， 構成能反映植被生長狀況的各種指數(shù)總稱[11]。 構建植被指數(shù)通常利用植被的可見光與近紅外的相關波段， 由多個波段進行組合， 更能反映植被光譜的差異， 有利于消除土壤溫度、 濕度等影響。 由2.2小節(jié)中土壤重金屬含量與桃葉光譜的相關性分析得出， 土壤As元素在紅光和近紅外波段與重金屬含量顯著相關， 因此選用與這兩個波段相關的植被指數(shù)(表2)及土壤As含量進一步分析。

表2 植被指數(shù)Table 2 Vegetation index

使用python計算上述植被指數(shù)并與土壤As元素進行相關性分析和顯著性檢驗， 結果如表3所示。 從表中可以看出PRI1和PRI3植被指數(shù)均具有顯著相關性， 且PRI3達到極顯著水平， 而其他植被指數(shù)與土壤As元素的相關性較弱， 說明其不適合建立預測模型。

表3 土壤As與植被指數(shù)的相關性Table 3 Correlation between As in soil and vegetation index

2.4 土壤As元素預測模型建立與精度驗證

由以上研究可知， 植被指數(shù)PRI1和PRI3與土壤As元素有很高的相關性， 因此將以上兩個植被指數(shù)作為自變量， 土壤As元素含量作為因變量進行回歸分析， 分別建立線性、 二次多項式、 對數(shù)和指數(shù)形式的土壤As元素含量預測模型(表4)。

使用SPSS數(shù)據分析軟件擬合預測模型， 通過決定系數(shù)(R2)和均方根差(RMSE)檢驗預測模型的穩(wěn)定性及預測精度。 其中， 決定系數(shù)R2反映因變量的全部變異能通過回歸關系被自變量解釋的比例， 一般來說R2值越大， 表示因變量能夠更好的被自變量解釋， 模型的擬合度越高； 均方根差用來衡量觀測值與真值之間的偏差， 其值越小， 則表示模型的穩(wěn)定性越高。 如表4所示， 以PRI1擬合的土壤As元素預測模型的決定系數(shù)R2值均達到了0.05顯著性水平， 大小依次為對數(shù)、 二次多項式、 線性、 指數(shù)； 以PRI3擬合的土壤As元素預測模型的決定系數(shù)R2值均達到了0.01極顯著性水平， 且R2值均大于PRI1預測模型， 說明PRI3預測模型均優(yōu)于PRI1預測模型， 其中， 利用PRI3進行建模時， RMSE值大小依次為對數(shù)、 線性、 二次多項式、 指數(shù)。 綜上所述， PRI3的指數(shù)預測模型精度最高且具有更好的穩(wěn)定性。

表4 土壤As元素的預測模型Table 4 Prediction model of element As in soil

3 結 論

在野外農用地環(huán)境中， 研究了北京市優(yōu)勢樹種桃樹在土壤重金屬元素脅迫下葉片光譜特征， 并進一步分析了土壤As元素與葉片植被指數(shù)之間的相關關系， 建立了土壤As元素的預測模型， 結論如下：

(1)在不同的土壤重金屬污染下， 桃樹葉片反射光譜曲線趨勢走向總體上一致， 且污染區(qū)桃葉光譜曲線反射率普遍比背景區(qū)桃葉光譜曲線反射率高， 760～1 300 nm波長范圍內差值較為明顯， 對土壤重金屬的響應相對敏感。 由光譜的一階導數(shù)曲線分析可知， 土壤重金屬對葉片紅、 藍、 黃邊位置干擾不敏感， 對紅、 藍、 黃邊斜率響應十分明顯， 且均隨著土壤重金屬含量的增加， 斜率增大。

(2)土壤Cr， Cu和Hg元素與光譜反射率的相關性較弱且不顯著； 土壤As， Pb和Cd元素在不同波長范圍內與光譜反射率的相關性較大， 在某些波段范圍內達到0.1級顯著相關且總體相關曲線趨勢相同， 相關性大小依次排序為As>Pb>Cd。 380～515， 1 886～2 119和2 346～2 500 nm范圍內土壤As元素與光譜反射率顯著相關， 674～1 453 nm范圍相關曲線呈明顯凹形， 表明該范圍內對土壤As元素敏感性低于其他波段。

(3)以相關性更強的土壤As元素與植被指數(shù)進行相關性分析發(fā)現(xiàn)， 對光利用率敏感的PRI1和PRI3植被指數(shù)與光譜反射率分別達到0.05級顯著相關水平和0.01級顯著相關水平， 而其他植被指數(shù)相關性較弱， 不適合建立土壤As元素預測模型。

(4)使用SPSS數(shù)據分析軟件分別以PRI1和PRI3為自變量， 土壤As元素含量為因變量進行回歸分析， 建立線性、 二次多項式、 對數(shù)和指數(shù)形式的預測模型。 檢驗結果表明， 以PRI3建立的土壤As元素預測模型效果更好， 其中指數(shù)模型的R2為0.937， RMSE為0.161， 說明其擬合效果最好且具有更好的穩(wěn)定性。