高光谱监测技术在重金属污染土壤上的应用*

2019-07-26陈功伟赵思颖倪才英

中国科学院大学学报 2019年4期

陈功伟，赵思颖，倪才英

(江西师范大学地理与环境学院，南昌 330022)

土壤为植物生长基地，其质量好坏影响着粮食生产，进而影响人类的生存与发展。随着农田土壤重金属污染现象的日益严重，中国粮食产量逐渐降低[1-2]。重金属具有不降解、生物迁移能力强等特点，易通过食物链进入人体。因此，对农作物重金属污染的监测和治理逐渐受到重视。水稻在中国粮食种植面积中占比较大，其质量高低影响着中国粮食安全与人体健康[3]。同时，重金属污染对水稻影响较大，在重金属污染胁迫下水稻不仅会减产，且会通过稻谷富集将重金属带入人体[4-6]。因此，及时发现并预防稻田重金属污染迫在眉睫。

传统监测重金属污染之野外采样、室内分析的方式，耗时费力，不能满足农田大面积快速监测的需求。随着新技术的发展和应用，遥感技术以其能快速、连续、大面积地获取地面信息的优势，迅速成为环境监测的重要手段。为此，国内外已开展大量关于高光谱遥感对农作物监测的研究。如有研究者使用高光谱遥感技术监测植物，分析植物体中叶绿素组分对其光谱曲线的影响，发现植物的生长情况能在光谱参数上快速地反映出来[7-8]。郭辉等[9]通过盆栽试验，研究玉米在Cu、Pb胁迫下叶片光谱和叶绿素含量的变化情况，通过分析其光谱的响应特征，估测土壤重金属污染的程度。Malley和Williams[10]利用近红外光谱，通过分析重金属对有机质的影响及关系，成功估测出淡水底泥中重金属污染的情况。Kemper和Sommer[11]采用光谱技术预测矿业事故后的土壤重金属污染程度。Li 等[12]使用培养皿设定不同浓度砷含量，观察同一品种水稻在光谱特征上的表现，通过提取相关参数，建立水稻光谱指数和叶片叶绿素含量的模型，实现对重金属污染胁迫情况的预测。Shi 等[13]也成功建立水稻实验室、野外光谱数据与土壤中重金属含量之间关系的模型，发现上述二者间的相关系数r>0.5。Pablo等[14]认为，基于植物光谱特征的变化，利用其高光谱的特征参数，可以对重金属污染进行大面积的监测，遥感技术弥补了传统方法离散且不连续的缺陷。

以上研究表明，借助叶绿素含量对污染物的敏感性，利用植物高光谱特征参数变化，可以实现对重金属污染程度的反演。为验证遥感光谱监测技术在重金属污染稻田中的适用性，本研究以3个田间呈梯度变化(显著差异)的重金属污染稻田为研究对象，田间测定水稻叶绿素含量，实时解译遥感高光谱数据，提取相应光谱特征参数，探究稻田土壤和水稻重金属含量、水稻叶绿素含量与遥感影像光谱特征参数之间的相关关系，为遥感技术监测重金属污染土壤的推行提供科学依据。

1 材料与方法

1.1 研究区域概况

研究田块位于江西省鹰潭贵溪市东北部。该地区属于亚热带季风气候区，气候温暖湿润，降水充足，土壤肥沃，种植双季稻，是全国商品粮基地。贵溪市矿产资源丰富，区位优越，交通便利，是著名的工业园区，重金属污染严重且时间长[15]。因此，将这个地区作为研究区，具备典型性和代表性。

1.2 样品采集与分析方法

1.2.1 土壤样品采集

根据农业生产和工矿业分布情况，在当地村民的带领下，于贵溪长塘周家周边选择污染程度不同但管理措施和种植品种一致的稻田进行土壤样品采集，采样田块在光照、降水、气候、品种、土质和水肥管理方式等方面相同。每个田块用对角线法5点采样。每种污染程度3个重复。

在选定的田块中，用采土器采集0～20 cm表层土壤，木勺刮取适量土样，装入密封袋中，做好标记，送至实验室。将样品放在通风处让其自然风干，风干后将结块部分捣碎，除去样品中的杂质。将其混合均匀后，过2 mm的尼龙筛网。将每个土样均匀混合，用四分法取约50 g样品，放入玛瑙碾钵中研磨成粉末，过200目尼龙筛网。将筛下的土样烘干后，装入密封袋保存并编号，待测。

1.2.2 水稻样品采集

于2015年9月水稻生长盛期采集水稻样品。在3个重金属Cd浓度呈显著差异的田块，用对角线法(5点)采集水稻地上部分。将同一田块的水稻样品混匀后，装入密封袋。做好记录并带回实验室。水稻洗涤后，于60 ℃下烘48 h，之后将干燥的水稻样品用玛瑙碾钵研磨至粉末状，装入密封袋依次标记、做好记录，待测。每个梯度3个重复。

1.2.3 重金属测定方法

在江西省地质调查院测试中心进行。每个样品3次重复。测得样品重金属浓度经过公式换算获得土壤和水稻的重金属含量，换算公式为A=[(ρ-ρo)×V]/M[16]。该式中，A为实际重金属含量(μg/g)；ρ为重金属测定值(μg/mL)；ρo为空白参照液浓度(μg/mL)；V为样品消化液体积(mL)；M为样品的称重量(g)。

1.2.4 水稻叶绿素含量测定

选用柯尼卡美能达公司生产的SPAD-502型叶绿素仪对水稻叶绿素含量进行测定。每个田块用对角线法5点采集叶绿素，对每个点叶片叶绿素含量进行多次采集。测量时用叶绿素仪夹住叶片。每个叶片选择上、中、下3个垂直层次。分别测定3次，取其平均值作为此叶片叶绿素的相对含量。

1.2.5 遥感数据提取

本文所采用的影像为EO-Hyperion遥感影像，它是以推扫方式获取可见光——近红外 (VNIR, 400～1 000 nm)和短波红外(SWIR, 900～2 500 nm)光谱数据。Hyperion产品分两级：Level 0和Level 1，L0是原始数据，用来生产成L1产品。L1是面对用户的产品。Hyperion L1产品分为3种：L1B、L1R和L1A。本文使用数据由美国USGS处理生成的L1R产品。用ENVI和FLAAAH软件对遥感影像进行处理[17-18]，提取水稻叶片特征光谱参数。

1.2.6 数据处理

用Excel2003版软件对数据进行均值和标准误差计算。用SPSS19.0进行相关性和差异性分析。

2 结果与分析

2.1 土壤与水稻植株体内重金属含量相关性分析

因为土壤重金属污染需要通过其上生长植物的光谱变化得到体现，所以土壤与植物体内重金属含量间有良好的线性关系，是遥感光谱监测的基础。为此，本研究首先对土壤与水稻植株体内的重金属含量进行了相关性分析。在采集的27个土壤样品中[19]，分属9个田块，因该地区主要问题是水稻Cd超标，故以Cd元素为主，对9个田块污染梯度进行分析。9个田块的重金属Cd含量详见表1。从表1可知，9个田块土壤样品中的Cd含量均值呈现3个梯度，因为9号田块与1～5号田块同属一个污染梯度，且7、8、9号田块同属于一个家庭的责任田，其栽种品种、水肥管理一致，故选择7、8、9号田块作为研究对象，并分别标记为样品3、2、1。这3个田块土壤中各重金属含量详见表2。

由表2可知，3个田块土壤中重金属Cu、Zn、Cd含量在0.05水平下呈显著差异。Pb金属元素在1号和2号田块差异性不明显，但3号田块的重金属含量都显著高于1号和2号田块。

表1 9个田块重金属含量Table 1 The heavy metal content at nine sample sites mg/kg

注：同一列内不同小写字母表示差异显著水平达0.05；土壤中测定的重金属含量为全量，下同。

表2 土壤重金属含量

Table 2 The heavy metal content in soilmg/kg

采样点CuPbZnCd1115.17±8.46c42.23±1.43b57.33±0.86c0.585±0.208c2144.67±10.07b51.90±3.14b84.00±5.65b1.296±0.171b3198.33±9.71a70.17±7.90a112.90±8.07a1.716±0.150a

土壤重金属污染会改变植物的正常生长环境，因此土壤中重金属含量对植物的生长状况有密切关系[20]。表3是水稻植株体内重金属含量测定结果。

表3 水稻重金属含量

Table 3 The heavy metal content in ricemg/kg

由表3可以看出，3个田块中水稻植株体内4种重金属元素含量差异性显著，且含量均为3>2>1。通过对比3个田块水稻重金属含量发现：植株体内Cu、Pb、Cd的增幅较大，Zn的增幅较小。李忠海等[21]认为，各重金属元素间的浓度会影响元素之间的协同或者拮抗作用的强度。在某一点共存元素的协同或者拮抗作用最大或最小。这可能是各元素增幅大小不一致的原因之一。随着土壤重金属含量的增加，水稻体内相应的重金属含量也随之增加，这与李惠英等[22]研究结果一致。

将每个田块的土壤与水稻相同金属离子经SPSS进行相关性分析，每组6个数据量，共12组。得出各田块土壤与水稻重金属含量之间的相关系数如表4所示。

表4 土壤与水稻重金属含量的相关系数Table 4 The correlation coefficients between the heavy metal content of soil and rice

注：*表示显著相关性；**表示极显著相关性，下同。

由表4可知，3个田块中的水稻Cu、Zn、Cd含量与土壤中相应的重金属含量有显著或极显著正相关。但Pb元素无显著相关性。任继凯等[23]认为，Cd与Pb共存时，它们之间具有拮抗作用。在Pb的浓度较高时拮抗作用更加明显。这可能是结果中植株Pb与土壤Pb之间相关性不显著的原因之一。

由以上结果分析可得：1)土壤中4种重金属离子共存时，Cd与Cu、Zn之间具有协同作用。2)水稻Cu、Zn、Cd重金属含量与土壤中相应含量有显著或极显著正相关性。其中Cd的相关性最好，相关系数均在0.9以上，且3个污染梯度均呈现极显著相关。土壤重金属含量越高，水稻植株体内重金属含量也随之升高。这一种显著正相关关系，为通过水稻生长情况来指示土壤重金属污染奠定了基础。

2.2 水稻SPAD值分析

植物受到重金属胁迫其健康会受到影响，通过植物的健康状况可以指示重金属污染的情况。在重金属胁迫下，植物受损害的表现有：植株变矮，生长受限，叶片褪绿、枯萎，叶绿素含量下降等[24]。植物叶绿素相对含量可以通过SPAD值反映，而SPAD值变化会对植物高光谱产生影响[25]。因此，水稻SPAD值与土壤、水稻植株内重金属元素之间是否有显著相关关系，是遥感光谱监测能否成功的必要条件。表5是3个田块水稻SPAD值测定结果，表6是水稻SPAD值与土壤和水稻植株体内的重金属元素含量之间的相关性分析。

表5 水稻SPAD值含量及其差异性显著分析Table 5 The SPAD value of rice and its significant difference analysis

由表5可知，3个田块中水稻SPAD值呈下降趋势，3号田块中的水稻叶面SPAD值显著低于其他2个田块，2号田块显著低于1号田快。随着水稻重金属含量的增加，SPAD值显著下降。结合表4所分析的相关性，可以推论：随着土壤重金属含量的增加，水稻SPAD值逐渐降低。

表6 水稻SPAD值与土壤和水稻重金属含量的相关系数Table 6 The coefficients of correlations of the SPAD value with the heavy metal content of soil and rice

由表6可知，水稻SPAD值与土壤中的Cu、Zn、Pb含量相关性不显著，但与Cd含量达到极显著相关水平；与水稻植株体内的Cu、Zn、Cd含量呈极显著负相关，与水稻Pb无显著相关。无论是土壤还是水稻一直与SPAD值保持显著相关性的元素是Cd，其相关系数分别达-0.986和-0.980。说明土壤与水稻植株中的Cd含量对水稻SPAD值影响最为显著。由此可知，水稻SPAD值可以很好地反映土壤Cd污染情况。这是利用高空遥感监测水稻SPAD值，继而反演土壤Cd污染的科学基础。

2.3 水稻SPAD值与高空遥感影像光谱特征参数之间的相关性分析

水稻SPAD值的变化会对水稻的遥感光谱产生影响，是遥感监测的基础。为实现遥感监测，需要对水稻SPAD值与遥感光谱参数之间的关系进行分析，找出水稻SPAD值与遥感光谱特征值之间的相关性，结果见表7。

表7 水稻SPAD值与高空遥感影像光谱特征参数之间的相关系数Table 7 The coefficients of correlations of the SPAD value with the spectral characteristic parameters of rice based on the remote sensing image

由表7可知，水稻SPAD值与高空遥感影像光谱特征参数中的蓝谷位置、蓝谷深度、红谷位置、红边峰值等具有显著或极显著的正相关性。可将这4个光谱特征参数作为监测参数，实现高空遥感影像光谱特征参数与水稻SPAD值对接。为分析上述2个变量间相互依赖的定量关系，对这4个参数与水稻SPAD 值进行了回归分析。回归分析方程如下：1)水稻SPAD值与蓝谷位置回归方程:y=0.758x+463.5,R2=0.909；2)水稻SPAD 值与蓝谷深度回归方程：y=0.009x+0.533,R2=0.956；3)水稻SPAD 值与红谷位置回归方程：y=0.836x+643.2,R2=0.947；4)水稻SPAD 值与红边峰值回归方程：y=0.024x+0.206,R2=0.832。

由以上4个线性回归方程可知，水稻SPAD值与上述4个监测参数(蓝谷位置、蓝谷深度、红谷位置、红峰边值等)具有良好的线性拟合效果。因此，可以利用这4个高空遥感光谱参数对水稻SPAD值进行反演，进而实现对本研究区域稻田重金属Cd污染的监测。

3 讨论与结论

3.1 讨论

1)土壤与水稻之间的重金属含量相关关系分析表明，土壤中Cu、Zn、Cd的含量与水稻植株体内相应的重金属含量有显著或者极显著的正相关关系，即随着土壤重金属含量的增加，水稻植株体内相应的重金属含量也随之增加，其中水稻植株体内Cd与土壤中Cd的相关性最为显著。这与众多研究结果一致[26-27]。植物体内的重金属元素主要来源于土壤。而Zn、Pb能促进植物对Cd的吸收，造成土壤中的Cd与水稻中的Cd极显著相关[23,28]。但也有相反的结果，如孙年喜等[29]研究黄连时发现，土壤中Cd含量与黄连中Cd含量不存在相关性，这可能与选取的植物品种、土壤理化性质及植株的耐性有关。

2)通过对水稻SPAD值分析发现：随着田块重金属浓度的提高，水稻SPAD值显著下降，说明土壤重金属的含量对水稻SPAD值深刻影响。这也与众多研究结果相吻合[30-32]，即土壤重金属含量与植物SPAD值含量负相关。余俊[33]认为美人蕉叶片的叶绿素值不管在单一还是复合的重金属污染下，都会随着浓度的增加而下降。侯伟艳和王琼[34]研究发现玉米幼苗在单一Cu污染下叶绿素含量下降，同时在Cu、Zn的复合污染下对叶绿素含量也表现出抑制作用。乔琳等[35]研究白菜幼苗时发现：随着重金属 Cu、 Zn、 Fe、 Pb 溶液处理浓度的提高，叶绿素含量降低。说明 Cu、 Zn、 Fe、 Pb 复合污染在一定程度上影响叶绿素的积累。以上这些结果均和本研究结果有相似，但也有研究结果不相同的：如宋鹏飞等[24]研究发现，Pb浓度在150 mg/kg之后，灰化苔草SPAD值随着土壤添加Pb浓度的升高反而出现上升的趋势。鲁先文等[36-37]分别研究单一Cr与Pb对小麦的影响发现，小麦的叶绿素含量先升高后降低，超过一定浓度后则随着浓度的升高而降低；胡云虎等[38]研究单一Zn对小麦的影响也得出相同的结果。这些结论的不同结果，可能与选取的植物品种和金属种类及浓度范围不同有关。

3)水稻SPAD值与高空遥感影像光谱特征参数中的蓝谷位置、蓝谷深度、红谷位置、红边峰值等具有显著或极显著的正相关性。有研究表明[7]，植物的生长变化情况，可以通过监测“蓝边”、“绿峰”、“红边”、“红光低谷”等波段进行分析。李庆亭[39]认为通过对红边参数进行监测可以反映植物的生长状况。Hoque和Huntzler[40]认为，植物发病后叶绿素减少会对吸收谷产生影响，即金属含量越高吸收谷越浅。Ren 等[41]研究发现光谱参数中除红边位置的参数值，红边参数中的波长吸收深度、移动距离也可作为建模的重要参数。李娜等[42]研究光谱吸收深度发现，吸收深度和重金属含量显著相关。高娜[43]研究发现，健康和受害的落叶松光谱差异主要表现在：“蓝谷”、“红谷”、“绿峰”、“红边”、近红外高反射区和吸水带等区域。Li等[12]研究发现，红边位置与叶绿素的含量密切相关，预测值可达到与化学分析相近的水平。这些研究结果有些与文中一致，如“红谷位置”、“蓝谷深度”、“红边峰值”等；有些不一致，如“绿峰”、“红边位置”等。这可能与实验的环境、选用植物、甚至植物的不同生长阶段等有关。