重金属铜胁迫玉米叶片的光谱响应特征

杨可明，史钢强，魏华锋，孙阳阳，刘 飞

（中国矿业大学 地球科学与测绘工程学院，北京100083）

随着重金属在工业和农业生产中的广泛应用，检测和治理重金属污染已经成为人类正在面临的棘手问题，其中以化学分析为主的传统重金属污染监测方法具有测量范围小、费用高、等待时间长和监测用工多等缺点；而基于遥感技术的植物监测方法具有视野宽、测量信息广、监测速度快以及能够实现实时动态监测等优点[1－2]。铜（Cu）作为人类活动中的常见重金属，其污染对生态系统的危害受到科学工作者的高度重视，并引起世界各国的广泛关注[3－5]。

目前，基于遥感技术的植物监测前人也进行了较多的研究与应用。谭倩等[6]提出植被光谱特征提取模型，朱叶青等[7]将光谱特征用于重金属铜污染的春小麦和上海青（小白菜）2种农作物上，迟光宇等[5]建立可见光反射率升高面积、近红外降低面积和红边“蓝移”指数与重金属胁迫强度的关系。李庆亭等[8－9]提出，植物受到重金属铜胁迫的红边斜率增加，发生蓝移。任红艳等[10]运用归一化植被指数描述水稻冠层光谱变化，朱叶青等[7]运用光谱角对重金属铜污染的植被光谱变化进行分析，王秀珍等[11－14]利用微分对不同光谱进行了分析，Keiner等[15－17]运用人工智能方法增强特定的光谱信息。但是，上述研究采用的特征波段均只到950nm，高光谱950nm之后的波段未被充分利用，并且很多波谱特征未用于铜胁迫监测。因此，为了使丰富的光谱信息得到充分利用，在总结现有研究不足的基础上，笔者首次采用350～2 500nm 的光谱，将归一化植被指数和光谱角用于重金属铜对玉米反射光谱胁迫分析，提出光谱差之和与光谱差均值用于重金属铜胁迫玉米光谱的响应特征，旨在为今后大面积植物受重金属铜胁迫的快速识别提供技术支持。

1 材料与方法

1.1 仪器与材料

试验仪器为SVC HR－1024I高性能地物光谱仪（光谱范围350～2 500nm）、SPAD－502叶绿素含量测定仪和原子吸收分光光度计（WFX－120）。供试玉米品种为中糯1号，CuSO4·5H2O 为分析纯。

1.2 试验设计

1）植物培养。试验设置3 个Cu2＋污染梯度，分别为0μg／g（CK）、250μg／g和500μg／g，处理代号为Cu（CK）、Cu（250）和Cu（500），3次重复。按试验设计浓度将CuSO4·5H2O 溶解在500mL 水中后施入试验土壤。2014年5月8日将中糯1 号玉米种子播入已进行Cu2＋污染的花盆土壤（有底漏），每盆播3 粒，出苗后喷施营养液NH4NO3、KH2PO4和KNO3，最后留苗1株。2014年7月17日采集玉米叶片光谱信息，测定叶绿素浓度，进行铜含量分析。

2）光谱数据采集与处理。利用SVC HR－1024I高性能地物光谱仪（光谱范围350～2 500nm）采集光谱，配套功率为50 W 的卤素灯光源和4°视场角探头。探头垂直于叶片表面40cm，输出光谱线为3条原始扫描光谱自动平均值，光谱反射系数经专用平面白板标准化。每株选取3片代表性叶（玉米顶部刚长出不久的新叶片，底部完全成熟的叶片和位于中部的叶片）进行光谱测量，测量时将叶片放在黑色塑料袋上。

3）玉米叶绿素含量测定。利用玉米叶片光谱数据采集后的3 片代表性叶，使用叶绿素测定仪SPAD－502分别测量3 次，求出玉米叶片叶绿素含量平均值。

4）玉米叶片铜含量测定。将测叶绿素含量后的玉米叶片冲洗、烘干、粉碎装入样本袋。经高纯硝酸、高氯酸消化处理后[18－19]，用原子吸收分光光度计测定Cu 含量。仪器条件：波长324.7nm，狭缝0.7nm，负电压304 V，灯电流3.00mA。重复3次，求出玉米叶片Cu含量平均值。

1.3 特征波段选取和归一化植被指数

选取12个特征波段（红边、紫谷、蓝边、绿峰、黄边、红边、红肩、近谷、近边、近峰、近肩、近峰宽），分析受重金属铜胁迫玉米与健康玉米之间的波谱差异。

归一化植被指数NDVI（normalized difference vegetation index）是反映土地覆盖植被状况的一种遥感指标，定义为近红外反射率与可见光反射率之差与之和的商。

式中，RNIR为近红外区间波段的反射率，RVIS为可见光区间波段的反射率[10]。分别选择可见光区间的紫谷（389nm）、绿峰（552nm）、红谷（670nm）和近红外区间的红肩（793nm）、近谷（1 452nm）、近峰（1 671nm）、近肩（1 798nm）、近峰宽（2 189nm）构造NDVI。

1.4 光谱角制图分类

通过比较待识别地物向量与参考地物向量在光谱空间上形成的夹角确定每类地物的归属[20]。光谱角定义为：

式中，n为波段数，U（u1，u2，…，un）和V（v1，v2，…，vn）分别表示2个光谱向量在n个波段上的反射率，θ为光谱角。

n的计算公式为：

式中，λmax为计算光谱角波段区间的上限，λmin为计算光谱角波段区间的下限，δ为计算光谱角的波段间隔[7，21]。

1.5 光谱差之和与光谱差均值

受重金属铜胁迫的叶片光谱和健康叶片光谱在每个波长的位置有差异，不同的位置大小不一，且有正有负，基于此，研究提出光谱差之和与光谱差均值的概念，公式如下：

式中，n为波段数，λi为i波段对应的波长，tλi为波长为λi时受胁迫的光谱反射率，cλi为波长为λi时未受胁迫的光谱反射率，ω为光谱差之和，κ为光谱差均值。选择与光谱角相同的波段区间求取光谱差之和。

2 结果与分析

2.1 土壤铜污染对玉米叶绿素及叶片铜含量的影响

从表1看出，玉米叶片中的叶绿素含量与土壤中Cu2＋含量成负相关，叶绿素含量随土壤Cu2＋含量升高而降低；玉米叶片中的铜含量与土壤中Cu2＋含量成正相关，叶片铜含量随着土壤铜含量的升高而增加。

表1 土壤Cu2＋污染玉米的叶绿素相对值及Cu含量Table 1 Leaf chlorophyll relative value and Cu content of corn planted on soil polluted with Cu2＋

2.2 土壤铜污染玉米叶片的波谱响应特征

随着土壤中Cu2＋含量的增加，蓝边（520nm）、黄边（568nm）、近边（1 514nm）的位置玉米叶片反射率没有改变，但红边的位置发生明显蓝移。红边位置对照组为715nm，Cu（250）处理为705nm，Cu（500）处理为700nm，即Cu（250）和Cu（500）处理分别比对照发生10nm 和15nm 蓝移。从表2看出，虽然蓝边、黄边、近边位置没有改变，但其反射率变化明显。因此，可根据不同波段反射率分析受重金属铜胁迫玉米与健康玉米的波谱差异。

表2 土壤铜污染玉米叶片的光谱反射率及相关性Table 2 Spectral reflectance and correlation of corn leaves planted on soil polluted with Cu2＋

紫谷、绿峰、红边、红肩、近谷、近峰、近肩、近峰宽在受铜胁迫时，光谱反射率都增加，且随土壤中Cu2＋浓度增加而增加。其中，绿峰和红边变化较明显，红边、绿峰反射率Cu（250）处理较对照分别增加1.71%和1.33%，Cu（500）处理较对照分别增加2.90%和1.55%。

特征波段的光谱反射率与土壤Cu2＋含量具有相关关系。从表2看出，紫谷、红边、近肩处的反射率与土壤Cu2＋含量的相关系数较大，分别为0.982 6、0.978 9和0.967 3，并在紫谷处最大。表明，红边、紫谷、蓝边、绿峰、黄边、红边、红肩、近谷、近边、近峰、近肩和近峰宽的波谱反射率差异可以判断玉米生长是否受到重金属铜胁迫，并且紫谷、黄边、红边、近谷、近峰、近肩的反射率可用来预测玉米叶片中的铜含量。

2.3 不同浓度Cu2＋污染土壤的归一化植被指数

从表3看出，土壤不同Cu2＋浓度所对应的归一化植被指数（NDVI）不同。分析红谷和近谷的NDVI值可知，Cu（250）与Cu（CK）对应的NDVI之差为0.0191，Cu（500）与Cu（250）对应的NDVI之差为0.024 9，相关系数R2＝0.998 9＊＊，表明，受重金属铜胁迫时红谷和近谷的NDVI值增加，且红谷和近谷的NDVI与玉米叶片铜含量具有极显著相关性。另外，紫谷和红肩、紫谷和近峰、紫谷与近肩、绿峰与近峰宽、红谷与近峰宽所对应NDVI与玉米叶片铜含量具有显著或极显著相关性，其相关系数R2分别为0.983 5＊、0.993 5＊＊、0.994 8＊＊、0.999 9＊＊和0.999 8＊＊。

虽然NDVI相对于原始波段对重金属铜含量变化的敏感程度低，但由于对波段相似信息（背景、仪器信噪比等）的去除[10，19]，NDVI仍可用于重金属铜对玉米反射光谱的胁迫分析。研究中紫谷和红肩、紫谷和近峰、紫谷与近肩、绿峰与近峰宽、红谷与近峰宽所对应的NDVI与玉米叶片铜含量具有显著或极显著相关性，可以区分、预测玉米叶片中的铜含量。

表3 不同浓度Cu2＋污染土壤的归一化植被指数及其与土壤铜含量的相关性Table 3 Normalized differential vegetation index（NDVI）of soils polluted with different Cu2＋concentration and their correlations

表4 土壤铜污染玉米叶片不同波段区间的光谱角与光谱差均值Table 4 Spectral angle and mean value of spectral difference of corn leaves planted on soil polluted with Cu2＋

2.4 土壤铜污染玉米叶片不同波段区间的光谱角

由表4看出，所有的波段区间受重金属铜胁迫的叶片光谱与对照组光谱之间都有一定的光谱角差值。波段区间400～670 nm、670～792 nm 和400～2 500nm与对照的光谱角差值较大，均大于1°。其中，波段区间400～560nm 的Cu（500）处理与对照组的光谱角差值达2.5°。表明，光谱角可以区分玉米受重金属铜胁迫的程度。

Cu（250）处理与对照组的光谱角差值在各个波段区间均小于Cu（500）处理与对照组的光谱角差值，表明，随着重金属铜浓度的增加，所有波段区间的光谱角也增加。波段区间400～670 nm 和670～792nm所 对 应 的R2分 别 为0.990 9＊＊、0.985 8＊，说明，光谱角与玉米叶片中重金属铜含量之间具有显著或极显著相关性。所有波段区间的R2均大于0.8，表明光谱角稳定性好。由此可得，光谱角可用于区分玉米叶片中不同浓度的重金属铜胁迫，稳定性好，并且波段区间400～670 nm 和670～792nm所对应的光谱角可以预测玉米叶片中的铜含量。

2.5 土壤铜污染玉米叶片的光谱差之和与光谱差均值

研究表明，Cu（250）处理与对照组在全波段的光谱差之和为520.0，Cu（500）处理与对照组在全波段的光谱差之和为673.0。说明，光谱差之和可以明显区分铜胁迫玉米叶片和健康玉米叶片之间的光谱差异。

由表4看出，在除波段区间792～1 451nm 外所有波段区间光谱差均值与其对应光谱角的变化趋势一致，随重金属铜浓度的增加，波段区间的光谱差均值也增加。在792～1 451 nm 波段区间，Cu（250）处理与对照组在全波段的光谱差均值为0.264 2，Cu（500）处理与对照组在全波段的光谱差之和为0.2636。相对于光谱角，光谱差均值对光谱变化的敏感性较强。波段区间1 670～1 908nm所对应的R2为0.982 7＊，说明，光谱差均值与玉米叶片中重金属铜含量具有显著相关性。由此表明，光谱差之和与光谱差均值可用于区分玉米叶片中不同浓度的重金属铜胁迫，波段区间1 670～1 908nm所对应的光谱差均值可以预测玉米叶片中的铜含量。此方法理论简单，计算方便，更能直观地反映玉米叶片反射光谱的差异。

3 结论与讨论

1）研究结果表明，土壤受重金属铜污染时，其上种植的玉米叶片叶绿素含量随着土壤中Cu2＋含量的升高而降低，玉米叶片中的铜含量随着土壤中铜含量的升高而增加。

2）特征波段、NDVI、光谱角、光谱差之和与光谱差均值均可以区分受重金属铜胁迫的玉米叶片和健康玉米叶片的光谱差异，其中特征波段近谷、近边、近峰、近肩、近峰宽及其所对应的NDVI对玉米铜胁迫程度有较好的判断效果。

3）特征波段的紫谷、红边、近肩，归一化植被指数的NDVI（389，793）、NDVI（389，1671）、NDVI（389，1798）、NDVI（552，2189）、NDVI（670，1452）、NDVI （670，2189），光谱角的波段区间400～670nm，670～792nm，光谱差均值的波段区间1 670～1 908nm 与玉米叶片中重金属铜含量之间具有显著或极显著相关性，可以预测玉米叶片中的铜含量。

4）在监测重金属铜胁迫玉米叶片时，利用特征波段、光谱差之和与光谱差均值的方法简单、方便，识别光谱反射率变化的直观性强；归一化植被指数具有去除波段相似信息的优点，光谱角在整个波段区间的光谱分辨率强，稳定性好。

[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]迟光宇，刘新会，刘素红，等.Cu污染与小麦特征光谱相关关系研究[J].光谱学与光谱分析，2006，26（7）：1272－1276.

[6]谭 倩，赵永超，童庆禧，等.植被光谱维特征提取模型[J].遥感信息，2001，1（1）：14－18.

[7]朱叶青，屈永华，刘素红，等.重金属铜污染植被光谱响应特征研究[J].遥感学报，2014，18（2）：335－352.

[8]李庆亭，杨锋杰，张 兵，等.重金属污染胁迫下盐肤木的生化效应及波谱特征[J].遥感学报，2008，12（2）：284－290.

[9]任红艳，庄大方，潘剑君，等.重金属污染水稻的冠层反射光谱特征研究[J].光谱学与光谱分析，2010，30（2）：430－434.

[10]梁守真，施 平，马万栋，等.植被叶片光谱及红边特征与叶片生化组分关系的分析[J].中国生态农业学报，2010，18（4）：804－809.

[11]王秀珍，王人潮，黄敬峰.微分光谱遥感及其在水稻农学参数测定上的应用研究[J].农业工程学报，2002，18（1）：9－13.

[12]刘厚田，张维平，于亚平，等.土壤中过量铜对水稻叶片光谱反射特性的影响[J].环境科学学报，1984，4（4）：350－359.

[13]吴长山，项月琴，郑兰芬，等.利用高光谱数据对作物群体叶绿素密度估算的研究[J].遥感学报，2000，4（3）：228－232.

[14]唐延林，王秀珍，黄敬峰，等.水稻微分光谱和植被指数的作用探讨[J].农业工程学报，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]卢志娟，朱 玲，裴洪平，等.基于小波分析与BP 神经网络的西湖叶绿素a浓度预测模型[J].生态学报，2008，28（10）：4965－4973.

[17]李 蜜，刘湘南，刘美玲.基于模糊神经网络的水稻农田重金属污染水平高光谱预测模型[J].环境科学学报，2010，30（10）：2108－2115.

[18]谢苏婧，谢树莲，谢宝妹.藻类植物中钙、镁、铁、锰、铜和锌含量分析[J].光谱学与光谱分析，2003，23（3）：615－616.

[19]辛景峰，宇振荣，P.M.Driessen.利用NOAA NDVI数据集监测冬小麦生育期的研究[J].光谱学与光谱分析，2001，5（6）：442－446.

[20]张良培，张立福.高光谱遥感[M].武汉：武汉大学出版社，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.