基于空间谱的玉米叶片铜铅污染区分及程度监测

引用本文

杨可明, 张伟, 王晓峰, 孙彤彤, 程龙. 基于空间谱的玉米叶片铜铅污染区分及程度监测[J]. 光谱学与光谱分析, 2018,38(7): 2200-2208.
YANG Ke-ming, ZHANG Wei, WANG Xiao-feng, SUN Tong-tong, CHENG Long. Differentiation and Level Monitoring of Corn Leaf Stressed by Cu and Pb Derived from Spatial Spectrum[J]. Spectroscopy and Spectral Analysis, 2018,38(7): 2200-2208.
Doi:10.3964/j.issn.1000-0593(2018)07-2200-09 复制到剪切板

Permissions

《光谱学与光谱分析》期刊社所有

基于空间谱的玉米叶片铜铅污染区分及程度监测

杨可明, 张伟, 王晓峰, 孙彤彤, 程龙

中国矿业大学(北京)地球科学与测绘工程学院, 北京 100083

作者简介: 杨可明, 1969年生, 中国矿业大学(北京)地球科学与测绘工程学院教授 e-mail: ykm69@163.com

收稿日期: 2017-07-27

基金: 国家自然科学基金项目(41271436), 中央高校基本科研业务费专项资金项目(2009QD02)资助

摘要

利用高光谱遥感技术监测并识别农作物受重金属污染信息是当今热点, 研究设置了不同浓度铜离子(Cu²⁺)、铅离子(Pb²⁺)胁迫梯度的玉米盆栽实验, 并测取了玉米叶片的光谱及叶片中重金属离子与叶绿素含量。基于获取的光谱数据, 将光谱划分为紫谷、蓝边、绿峰、红谷、红边和红肩六个光谱特征区间, 通过光谱的一阶微分和二维多重信号分类(2D-MUSIC)算法构造空间谱, 对各光谱特征区间进行变换分析。实验结果表明: 蓝边、绿峰和红边阵列信号的空间谱在Cu²⁺胁迫下为双高峰, 在Pb²⁺胁迫下为单高峰, 以此能够快速、直观地区分玉米叶片所受重金属污染的Cu²⁺和Pb²⁺元素类别。红谷和红肩阵列信号空间谱的方位角谱峰值与玉米叶片中Cu²⁺含量的相关系数分别达到-0.954 5和-0.964 8, 说明用于监测Cu²⁺污染程度时效果理想; 紫谷阵列信号空间谱的方位角谱峰值与玉米叶片中Pb²⁺含量的相关系数达到-0.999 8, 说明用于监测Pb²⁺污染程度时效果理想。同时通过与常规重金属污染监测方法绿峰高度(GH)、红边位置(REP)、红边最大值(MR)、红边一阶微分包围面积(FAR)的应用结果进行比较分析, 空间谱法的应用结果与玉米叶片中重金属离子含量的相关性较高, 从而验证了空间谱应用于玉米重金属污染信息监测具有更好的有效性和优越性。

关键词: 重金属污染; 玉米叶片光谱; 二维多重信号分类; 空间谱; 光谱特征区间

中图分类号:TP75 文献标志码:A

Differentiation and Level Monitoring of Corn Leaf Stressed by Cu and Pb Derived from Spatial Spectrum

YANG Ke-ming, ZHANG Wei, WANG Xiao-feng, SUN Tong-tong, CHENG Long

College of Geoscience and Surveying Engineering, China University of Mining & Technology (Beijing), Beijing 100083, China

Abstract

Identifying and monitoring the heavy metal pollution information of crops isthe research focus by hyperspectral remote sensing technology today. The potted corn experiments were set up with different Cu²⁺ and Pb²⁺ stress gradients in this research, measuring the spectral data, the content of heavy metals icon and chlorophyll of corn leaves. On the basis of the collected data, the spectra were divided into six spectral characteristic intervals: purple vallley, blue edge, green peak, red valley, red edge and red shoulder, and spectral characteristic intervals were transformed and analyzed by spatial spectrum, which was constructed by first order differential and 2D multiple signal classification (2D-MUSIC) algorithm. The analyzed and processed results show, the spatial spectra of the array signals of the blue edge, green peak and red edge are double peaks under Cu²⁺ stress. However, the spatial spectra of the array signals of the blue edge, green peak and red edge were single peak under Pb²⁺ stress. Thus, the heavy metals elements categories of Cu²⁺ and Pb²⁺ in polluted corn could be quickly and visually distinguished. Azimuth spectrum peaks of array signal spatial spectra of red valley and red shoulder were gradually decreased under Cu²⁺ stress, and the correlation coefficients of azimuth spectrum peak values of red valley and red shoulder and the Cu²⁺ contents in corn leaves reached -0.954 5 and -0.964 8. It was indicated that the effect was ideal when monitoring the level of Cu²⁺ pollution; azimuth spectrum peaks of array signal spatial spectrum of purple valley were gradually decreased under Pb²⁺ stress, and the correlation coefficient of azimuth spectrum peak value of purple vallley and the Pb²⁺ contents in corn leaves reached 0.999 8, it was indicated that the effect was ideal when the level of Pb²⁺ pollution was monitored. At the same time, the application results of the spatial spectrum were analyzed and compared with the results obtained by some conventional methods such as green-peak height (GH), red edge position (REP), maximum-value of red-edge (MR) and first-derivative area of red-edge (FAR) for monitoring the crop heavy metal pollution information, the spatial spectrum theory was verified to have better effectiveness and superiority in monitoring heavy metal pollution information of the corn leaves.

Keyword: Heavy metal pollution; Corn leaf spectrum; 2D multiple signal classification; Spatial spectrum; Spectral characteristic intervals

文章图片

引言

当前社会面临的环境问题日益突出, 其中土壤重金属Cu, Pb, Cd, Cr和Hg等污染已成为一种重要的安全隐患^{[1, 2]}。中国北方土壤重金属污染主要由污水灌溉造成, 南方主要由工业发展造成, 且随各地区经济社会发展状况不同所受重金属污染程度也有所差异^{[3, 4]}。重金属在土壤中累积后不易降解, 其超限后会污染农作物并影响农产品质量, 进而通过食物链进入人体诱发各种疾病, 威胁人类健康^{[5, 6]}。粮食作物安全关乎国计民生, 因而如何快速区分作物受重金属污染的元素类别以及有效监测其所受污染程度成为研究的焦点。常规的采样监测方法存在操作繁琐、具有破坏性等^[7]问题, 而高光谱遥感具有光谱分辨率高、信息量大、对监测对象无损等^{[8, 9]}优势, 因此将高光谱遥感应用于监测作物的重金属污染具有实际意义。作物吸收过量重金属后, 各组织器官细胞发育会受影响, 叶绿体、线粒体等细胞器结构及部分酶活性会改变^[10], 作物体内会出现代谢紊乱并造成叶绿素等生化成分异常, 进而引发作物光谱发生变异, 由此, 通过分析作物光谱曲线的变化信息进而达到监测和识别重金属污染将成为一种有效手段^{[11, 12]}。

基于光谱信息并结合算法构建重金属污染监测或识别模型等的相关研究众多, 如张龙等应用近红外光谱并结合模式识别技术构建判别模型区分水稻叶片的Pb, Hg和Cd污染^[13], Smith等利用红边前峰和后峰的比值变化来评估植被受含重金属油气污染后的影响状况^[14], 朱叶青等提出特征波段与光谱角相结合的方法监测植被受Cu的污染程度^[15], 马保东等利用光谱红边参数识别并监测Cu对茄子叶片的污染状况^[16], 关丽等构建多级诊断光谱指数空间判断Cd对水稻的污染程度^[17], 滕靖等以光谱变换信息为基础构建铜含量估算模型检测土壤中Cu含量^[18]等。以上研究均是基于光谱的一维空间变化特征并结合一些光谱变换方式构建模型, 且监测结果基本上都是通过数值、回归方程或二维专题图件等形式表示。本工作将从三维可化视的角度, 用三维图件形式来直观显示作物受重金属污染的高光谱遥感监测结果, 实现区分作物重金属污染的元素类别并监测其污染程度, 拟基于Cu和Pb胁迫盆栽实验获得的玉米叶片光谱数据, 采用光谱的一阶微分和二维多重信号分类(2D multiple signal classification, 2D-MUSIC)算法构造空间谱, 实现将不同Cu²⁺和Pb²⁺胁迫梯度下有差异的一维光谱转换到三维可视空间, 通过空间谱分析从而达到区分、监测作物受重金属污染的元素类别和污染程度等信息。同时, 通过与绿峰高度(height of green peak, GH)、红边位置(red edge position, REP)、红边最大值(maximum-value of red-edge, MR)、红边一阶微分包围面积(first-derivative area of red-edge, FAR)监测方法的应用结果进行比较分析, 验证所构造的空间谱在重金属污染监测方面具有一定的有效性和优越性。

1 理论与算法

1.1 光谱一阶微分

光谱微分能够增强光谱曲线细微变化, 较好消除大气效应和背景噪声等影响, 可以明显地反映光谱的变化特征。光谱一阶微分的近似计算式为

$ρ' (λ_{i}) = \frac{ρ (λ_{i + 1}) - ρ (λ_{i - 1})}{λ_{i + 1} - λ_{i - 1}} (1)$

式(1)中, λ _i_-1, λ _i和λ _i₊₁为相邻波段的波长; ρ '(λ _i)是波长λ _i的一阶微分值; ρ (λ _i₊₁), ρ (λ _i_-1)为波长λ _i₊₁和λ _i_-1对应的光谱反射率。

1.2 二维多重信号分类算法

(1)信号及阵列类型

阵列信号处理的一个基本问题是解算空间信号到达方向(direction of arrival, DOA), 二维DOA包括仰角和方位角^[19]。以三维空间为例, 如图1(a)所示, 阵列信号s(t)矢量与z轴的夹角为仰角ψ , 在xoy平面的投影与x轴的夹角为方位角θ 。设接收阵列信号s(t)的天线平面为均匀阵列M× M, 即x轴和y轴上阵元数均为M, 如图1(b)所示, 阵元间隔为d, 子阵列为1~M, 若阵列信号中有K个信源入射到此阵列上, 则相应的DOA为(θ _i, ψ _i)(i=1, 2, …, K)^[20]。

	Figure Option View Download New Window
	图1 DOA角度及均匀阵列图 (a): DOA角度示意图; (b)均匀阵列Fig.1 DOA angles anduniform array chart (a): DOA angles sketch chart; (b): Uniform array

图1(a)中, x轴上M个阵元所对应的方向矩阵为A_x, 如式(2)所示; y轴上M个阵元所对应的方向矩阵为A_y, 如式(3)所示。

$\begin{array}{l} A_{x} = [\begin{array}{l} 1 & 1 & \dots & 1 \\ e^{j 2 π d \cos θ_{1} \sin ψ_{1} / λ} & e^{j 2 π d \cos θ_{2} \sin ψ_{2} / λ} & \dots & e^{j 2 π d \cos θ_{K} \sin ψ_{K} / λ} \\ ︙ & ︙ & ︙ & ︙ \\ e^{j 2 π d (M - 1) \cos θ_{1} \sin ψ_{1} / λ} & e^{j 2 π d (M - 1) \cos θ_{2} \sin ψ_{2} / λ} & \dots & e^{j 2 π d (M - 1) \cos θ_{K} \sin ψ_{K} / λ} \end{array}] (2) \\ A_{y} = [\begin{array}{l} 1 & 1 & \dots & 1 \\ e^{j 2 π d \sin θ_{1} \sin ψ_{1} / λ} & e^{j 2 π d \sin θ_{2} \sin ψ_{2} / λ} & \dots & e^{j 2 π d \sin θ_{K} \sin ψ_{K} / λ} \\ ︙ & ︙ & ︙ & ︙ \\ e^{j 2 π d (M - 1) \sin θ_{1} \sin ψ_{1} / λ} & e^{j 2 π d (M - 1) \sin θ_{2} \sin ψ_{2} / λ} & \dots & e^{j 2 π d (M - 1) \sin θ_{K} \sin ψ_{K} / λ} \end{array}] (3) \end{array}$

式(2)和式(3)中, j为虚数单位, d为阵元间隔, M为阵元数, λ 为载波波长, θ 为方位角, ψ 为仰角。则子阵列1~M构成一个方向矩阵A为

$A = [\begin{array}{l} A_{x} D_{1} (A_{y}) \\ A_{x} D_{2} (A_{y}) \\ ︙ \\ A_{x} D_{M} (A_{y}) \end{array}] (4)$

式(4)中, D为对角矩阵。从而, 天线阵列实际接收到的信号X为

$X = AS + N (5)$

式(5)中, S为阵列信号矩阵, N为噪声信号矩阵。

(2)二维多重信号分类(2D-MUSIC)算法

Wax等最早提出2D-MUSIC算法^[21], 该算法是二维DOA估计的常用方法之一。 2D-MUSIC计算过程是先根据实际接收到的信号X得到协方差矩阵R为

$R = \frac{1}{L} \overset{L}{\sum_{l = 1}} X X^{H} (6)$

式(6)中, L为快拍数; X为天线阵列实际接收到的信号; H表示矩阵共轭转置符。

基于协方差矩阵R的特征值, 可将式(6)分解转换为式(7)

$R = E_{s} D_{s} {E^{H}}_{s} + E_{n} D_{n} {E^{H}}_{n} (7)$

式中, D_s是最大的K个特征值构成的K× K对角矩阵; D_n是较小的特征值构成的对角矩阵; E_s是最大的K个特征值对应的特征向量, 代表信号子空间; E_n是剩下的特征向量, 代表噪声子空间。

则, 基于2D-MUSIC算法构造的空间谱函数为式(8)

$\begin{array}{l} P_{2 D ⁃ MUSIC} (θ, ψ) = \\ \frac{1}{[a_{y} (θ, ψ) \otimes a_{x} {(θ, ψ)]}^{H} E_{n} {E^{H}}_{n} [a_{y} (θ, ψ) \otimes a_{x} (θ, ψ)]} (8) \end{array}$

式中, a_x(θ , ψ )与a_y(θ , ψ )分别表示方向矩阵A_x和A_y的列向量, E_n是噪声子空间, ⊗表示Kronecker积, H表示共轭转置。

2 实验部分

(1)玉米植株培育。实验使用有底漏的花盆培育玉米植株, 根据《GB15618— 1995: 土壤环境质量标准》中土壤污染标准分别设置Cu²⁺、 Pb²⁺胁迫浓度梯度为0 μ g· g^-1(空白对照)、 250 μ g· g^-1和500 μ g· g^-1, 相应记为ck(0), Cu(250), Cu(500)和Pb(250), Pb(500)。先将玉米种子“ 中糯1号” 催芽并分别栽种于含CuSO₄· 5H₂O和Pb(NO₃)₂的土壤中, 待玉米出苗后在同等条件下向土壤中喷洒NH₄NO₃, KNO₃和KH₂PO₄营养液, 每个梯度平行培育3组共15组。

(2)光谱数据获取。使用光谱范围为350~2 500 nm的SVC HR-1024I地物光谱仪对玉米叶片进行光谱采集, 其配套设施为50 W的卤素灯和视场角为4° 的探头。测定过程中光谱反射系数须经专用白板标准化, 测定时将叶片放置于黑色硬纸板上, 探头垂直于玉米叶片表面40 cm, 测量时对不同胁迫梯度下每株玉米主茎叶片群的上、中、下部位三种代表性叶片进行光谱采集, 最后分别计算Cu²⁺和Pb²⁺每一胁迫浓度下玉米叶片的平均光谱。

(3)叶绿素含量测定。对采集光谱后的玉米叶片进行叶绿素含量的测定, 测定时采用SPAD-502叶绿素仪分别对不同浓度胁迫的玉米叶片进行3次测定, 最后取平均值作为最终结果。

(4)Cu²⁺和Pb²⁺含量测定。对测定完叶绿素含量的玉米叶片进行冲洗、烘干、粉碎并装样品袋保存, 一段时间后经高纯硝酸、高氯酸进行消化处理。在波长324.7 nm、狭缝0.7 nm、负电压304 V、灯电流3.00 mA的同等条件下, 使用WFX-120原子吸收分光光度计, 对每一Cu²⁺胁迫浓度下玉米叶片重复3次测量后取平均值作为该胁迫浓度下叶片中Cu²⁺含量; 在室温为20 ℃, 相对湿度为30%的同等条件下, 使用PerkinElmer Elan DRC-e型等离子质谱分析仪, 对每一Pb²⁺胁迫浓度下玉米叶片重复3次测量后取平均值作为该胁迫浓度下叶片中Pb²⁺含量。

3 结果与讨论

3.1 空间谱应用结果与分析

实验所测Cu²⁺和Pb²⁺胁迫下玉米叶片光谱如图2所示。分析图2发现, 重金属离子胁迫下玉米叶片光谱与健康叶片相比会出现整体抬升或降低的现象, 但规律性较差。因此, 根据植物光谱的差异性大小以及光谱特性^[22], 分别将Cu²⁺和Pb²⁺胁迫下玉米叶片的光谱划分为紫谷、蓝边、绿峰、红谷、红边和红肩六个光谱特征区间作为研究对象, 相应的区间及范围如表1所示。分别对Cu²⁺和Pb²⁺胁迫梯度下各特征区间的光谱经式(1)处理, 得到微分光谱, 将各特征区间的微分光谱以胁迫浓度梯度的顺序组成矩阵形式作为一个阵列信号, 根据重金属Cu²⁺和Pb²⁺胁迫类别不同将阵列信号分成两组, 具体如表1所示。为了清晰阐释表1中阵列信号的具体含义, 以光谱特征区间紫谷为例说明: S₁₁表示Cu²⁺胁迫下紫谷的阵列信号, 其中a₁₁, a₁₂, a₁₃分别表示紫谷在Cu²⁺胁迫梯度ck(0), Cu(250)和Cu(500)时所对应的微分光谱, S₁₂表示Pb²⁺胁迫下紫谷的阵列信号, 其中b₁₁, b₁₂和b₁₃分别表示紫谷在Pb²⁺胁迫梯度为ck(0), Pb(250)和Pb(500)时所对应的微分光谱。

	Figure Option View Download New Window
	图2 Cu²⁺, Pb²⁺各胁迫浓度下玉米叶片的光谱曲线Fig.2 Spectral curves of corn leaves under Cu²⁺ and Pb²⁺ stress gradients

表1 各光谱特征区间名称、范围及Cu²⁺和Pb²⁺胁迫梯度下各光谱特征区间所对应的阵列信号 Table 1 Names, ranges and the array signals of spectral characteristic intervalsunder Cu²⁺ and Pb²⁺ stress gradients

基于2D-MUSIC的各阵列信号空间谱的获取经Matlab 2013a编程实现, 具体参数设置包括: 方位角θ 分别为10° , 30° 和50° , 仰角ψ 分别为15° , 25° 和35° , 信源数K为3, 快拍数L为100, 阵元间隔d为0.5。各阵列信号经式(2)— 式(5)处理得到最终的实际接收信号X, 再将信号X经式(6)— 式(8)处理得到相应的空间谱。为了更好地反映各光谱特征区间阵列信号空间谱的性质, 分别绘制空间谱、空间谱的等高线及方位角谱峰图, 最终Cu²⁺和Pb²⁺胁迫下紫谷、蓝边、绿峰、红谷、红边和红肩的阵列信号处理结果如图3— 图8所示。

Figure Option
View Download New Window

图3 Cu²⁺和Pb²⁺胁迫下紫谷的空间谱、空间谱等高线以及方位角谱峰图
(a): Cu²⁺胁迫下紫谷空间谱; (b): Cu²⁺胁迫下紫谷空间谱等高线; (c): Cu²⁺胁迫下紫谷方位角谱峰; (d): Pb²⁺胁迫下紫谷空间谱; (e): Pb²⁺胁迫下紫谷空间谱等高线; (f): Pb²⁺胁迫下紫谷方位角谱峰Fig.3 Spatial spectrums, spatial spectrum contours and azimuthal spectrum peaks of purple valley under Cu²⁺ and Pb²⁺ stress
(a): Spatial spectrums of purple valley under Cu²⁺ stress; (b): Spatial spectrums of contours of purple valley under Cu²⁺ stress; (c): Azimuthal spectrums peaks of purple valley under Cu²⁺ stress; (d): Spatial spectrums of purple valley under Pb²⁺ stress; (e): Spatial spectrums contours of purple valley under Pb²⁺ stress; (f): Azimuthal spectrum peaks of blue edge under Pb²⁺ stress

Figure Option
View Download New Window

图4 Cu²⁺和Pb²⁺胁迫下蓝边的空间谱、空间谱等高线以及方位角谱峰图
(a): Cu²⁺胁迫下蓝边空间谱; (b): Cu²⁺胁迫下蓝边空间谱等高线; (c): Cu²⁺胁迫下蓝边方位角谱峰; (d): Pb²⁺胁迫下蓝边空间谱; (e)Pb²⁺胁迫下蓝边空间谱等高线; (f): Pb²⁺胁迫下蓝边方位角谱峰Fig.4 Spatial spectrums, spatial spectrum contours and azimuthal spectrum peaks of blue edge under Cu²⁺ and Pb²⁺ stress
(a): Spatial spectrums of blue edge under Cu²⁺ stress; (b): Spatial spectrum of contours of blue edge under Cu²⁺ stress; (c): Azimuthal spectrum peaks of blue edge under Cu²⁺ stress; (d): Spatial spectrums of blue edge under Pb²⁺ stress; (e): Spatial spectrums contours of blue edge under Pb²⁺ stress; (f): Azimuthal spectrum peakss of blue edge under Pb²⁺ stress

Figure Option
View Download New Window

图5 Cu²⁺和Pb²⁺胁迫下绿峰的空间谱、空间谱等高线以及方位角谱峰图
(a): Cu²⁺胁迫下绿峰空间谱; (b): Cu²⁺胁迫下绿峰空间谱等高线; (c): Cu²⁺胁迫下绿峰方位角谱峰; (d): Pb²⁺胁迫下绿峰空间谱; (e): Pb²⁺胁迫下绿峰空间谱等高线; (f): Pb²⁺胁迫下绿峰方位角谱峰Fig.5 Spatial spectrums, spatial spectrum contours and azimuthal spectrum peaks of green peak under Cu²⁺ and Pb²⁺ stress
(a): Spatial spectrums of green peak under Cu²⁺ stress; (b): Spatial spectrums of contours of green peak under Cu²⁺ stress; (c): Azimuthal spectrums peaks of green peak under Cu²⁺ stress; (d): Spatial spectrums of green peak under Pb²⁺ stress; (e): Spatial spectrums contours of green peak under Pb²⁺ stress; (f): Azimuthal spectrum peaks of green peak under Pb²⁺ stress

Figure Option
View Download New Window

图6 Cu²⁺和Pb²⁺胁迫下红谷的空间谱、空间谱等高线以及方位角谱峰图
(a): Cu²⁺胁迫下红谷空间谱; (b): Cu²⁺胁迫下红谷空间谱等高线; (c): Cu²⁺胁迫下红谷方位角谱峰; (d): Pb²⁺胁迫下红谷空间谱; (e): Pb²⁺胁迫下红谷空间谱等高线; (f): Pb²⁺胁迫下红谷方位角谱峰Fig.6 Spatial spectrums, spatial spectrum contours and azimuthal spectrum peaks of red valley under Cu²⁺ and Pb²⁺ stress
(a): Spatial spectrums of red valley under Cu²⁺ stress; (b): Spatial spectrums of contours of red valley under Cu²⁺ stress; (c): Azimuthal spectrums peaks of red valley under Cu²⁺ stress; (d): Spatial spectrums of red valley under Pb²⁺ stress; (e): Spatial spectrums contours of red valley under Pb²⁺ stress; (f): Azimuthal spectrum peaks of red edge under Pb²⁺ stress

Figure Option
View Download New Window

图7 Cu²⁺和Pb²⁺胁迫下红边的空间谱、空间谱等高线以及方位角谱峰图
(a): Cu²⁺胁迫下红边空间谱; (b): Cu²⁺胁迫下红边空间谱等高线; (c): Cu²⁺胁迫下红边方位角谱峰; (d): Pb²⁺胁迫下红边空间谱; (e): Pb²⁺胁迫下红边空间谱等高线; (f): Pb²⁺胁迫下红边方位角谱峰Fig.7 Spatial spectrums, spatial spectrum contours and azimuthal spectrum peaks of red edge under Cu²⁺ and Pb²⁺ stress
(a): Spatial spectrums of red edge under Cu²⁺ stress; (b): Spatial spectrum of contours of red edge under Cu²⁺ stress; (c): Azimuthal spectrum peaks of red edge under Cu²⁺ stress; (d): Spatial spectrums of red edge under Pb²⁺ stress; (e): Spatial spectrum contours of red edge under Pb²⁺ stress; (f): Azimuthal spectrum peaks of red edge under Pb²⁺ stress

Figure Option
View Download New Window

图8 Cu²⁺和Pb²⁺胁迫下红肩的空间谱、空间谱等高线以及方位角谱峰图
(a): Cu²⁺胁迫下红肩空间谱; (b): Cu²⁺胁迫下红肩空间谱等高线; (c): Cu²⁺胁迫下红肩方位角谱峰; (d): Pb²⁺胁迫下红肩空间谱; (e): Pb²⁺胁迫下红肩空间谱等高线; (f): Pb²⁺胁迫下红肩方位角谱峰Fig.8 Spatial spectrums, spatial spectrum contours and azimuthal spectrum peaks of red shoulder under Cu²⁺ and Pb²⁺ stress
(a): Spatial spectrums of red shoulder under Cu²⁺ stress; (b): Spatial spectrum of contours of red shoulder under Cu²⁺ stress; (c): Azimuthal spectrum peaks of red shoulder under Cu²⁺ stress; (d): Spatial spectrums of red shoulder under Pb²⁺ stress; (e): Spatial spectrum contours of red shoulder under Pb²⁺ stress; (f): Azimuthal spectrum peaks of red shoulder under Pb²⁺ stress

分析图4、图5、图7可知, 在Cu²⁺和Pb²⁺胁迫下蓝边、绿峰和红边阵列信号空间谱的差异较大, 在Cu²⁺胁迫下所得空间谱均为双高峰, 其等高线图对应两个分布密集的闭合等高圈且形状复杂, 在Pb²⁺胁迫下所得空间谱均为单高峰, 其等高线图对应一个密集的闭合等高圈且形状简单。因此, 通过蓝边、绿峰和红边阵列信号的空间谱能够快速、直观、定性地区分作物所受重金属污染的元素类别(Cu²⁺或Pb²⁺)。

分析图3、图6、图8发现, 在Cu²⁺和Pb²⁺胁迫下紫谷、红谷和红肩阵列信号空间谱的谱峰均为三个, 随重金属离子胁迫浓度的增加, 各光谱特征区间的阵列信号空间谱的方位角谱峰依次分布于10° , 30° 和50° 附近。由图3(f)可见, 在Pb²⁺胁迫下紫谷的方位角谱峰呈逐渐降低的趋势, 由图6(c)和图8(c)可见 , 在Cu²⁺胁迫下红谷和红肩的方位角谱峰也呈逐渐降低趋势, 谱峰的趋势与重金属离子胁迫浓度梯度及玉米叶片中重金属离子含量均呈负相关, 因而可以通过紫谷、红谷和红界阵列信号空间谱的谱峰值来监测玉米叶片受重金属离子的胁迫程度。

实验所测玉米叶片中Cu²⁺和Pb²⁺含量及叶绿素浓度相对值的结果如表2所示, 分析发现随着土壤中Cu²⁺和Pb²⁺胁迫浓度的增加, 玉米叶片中Cu²⁺和Pb²⁺含量也逐渐增加, 而叶绿素浓度相对值逐渐减少。对重金属胁迫前后玉米叶片中叶绿素浓度的变化进行方差分析, 结果如表3所示, Cu²⁺胁迫下P值为0.0377, 说明叶绿素含量在Cu²⁺胁迫前后发生了显著变化, Pb²⁺胁迫下P值为0.340 7, 说明叶绿素含量在Pb²⁺胁迫前后变化不明显, 原因是叶绿素含量在Pb²⁺胁迫下虽然呈降低趋势, 但其浓度相对值在Pb²⁺胁迫为250μ g· g^-1时为36.3, 相对于空白对照中36.6的变化微弱, 方差分析对此不敏感。同时, 对玉米叶片中Cu²⁺和Pb²⁺含量与叶绿素浓度相对值进行相关性分析, 相关系数分别达到-0.973 0和-0.808 1, 相关性显著。综合分析表明重金属胁迫会使叶片中叶绿素浓度发生变化, 即随着重金属胁迫浓度的增加, 叶绿素浓度会逐渐减少。

表2 玉米叶片中Cu²⁺和Pb²⁺含量及叶绿素浓度相对值 Table 2 The content of Cu²⁺, Pb²⁺ and relative values of chlorophyll concentration in corn leaves

表3 叶绿素浓度变化的方差分析 Table 3 Analysis of variance of chlorophyll content change

为了进一步从定量角度去检测紫谷、红谷和红肩阵列信号空间谱的谱峰值对重金属Cu²⁺和Pb²⁺胁迫程度的监测效果, 分别统计了三者的谱峰值及与玉米叶片中重金属离子的相关系数, 结果如表4所示, 研究发现, Cu²⁺胁迫下红谷和红肩阵列信号空间谱的方位角谱峰值与玉米叶片中Cu²⁺含量的相关系数分别达到-0.954 5和-0.964 8, 对重金属Cu²⁺胁迫程度监测效果理想; Pb²⁺胁迫下紫谷阵列信号空间谱的方位角谱峰值与玉米叶片中Pb²⁺含量的相关系数达到-0.999 8, 对重金属Pb²⁺胁迫程度监测效果理想。

表4 Cu²⁺和Pb²⁺胁迫下紫谷、红谷和红肩阵列信号空间谱的方位角谱峰值及与玉米叶中重金属离子含量的相关系数 Table 4 Azimuth spectral peak values of spatial spectrum of array signalsof the purple valley, red valley and red shoulder andthe correlation coefficients of azimuth spectral peak values with the contents of Cu²⁺ and Pb²⁺ in corn leaves under Cu²⁺ and Pb²⁺ stress

3.2 不同方法应用结果比较与讨论

为了验证空间谱在监测重金属污染信息方面的有效性和优越性, 同时采用常规的绿峰高度(GH)、红边位置(REP)、红边最大值(MR)、红边一阶微分包围面积(FAR)光谱参量进行污染监测应用结果比较分析, 其相应计算方法如表5所示, 则各常规方法的应用结果与对Cu²⁺胁迫监测效果理想的红谷和红肩阵列信号空间谱的方位角谱峰值和对Pb²⁺胁迫监测效果理想的紫谷阵列信号空间谱的方位角谱峰值, 及其与玉米叶片中重金属离子含量的相关系数如表6所示。

表5 基于光谱参量的作物污染监测方法 Table 5 Monitoring methods on crop pollution based on spectral parameters

表6 玉米叶片中重金属Cu²⁺和Pb²⁺污染监测的常规方法与监测效果理想的光谱特征区间空间谱应用结果 Table 6 Application results on the some ideal spacial spectrums of spectral feature intervals and conventional methods for monitoring Cu²⁺ and Pb²⁺ pollution of corn leaves

分析表6发现, 在Cu²⁺胁迫下, 各光谱参量应用结果值与玉米叶片中Cu²⁺含量的相关系数均达到0.88以上, 红谷、红肩方位角谱峰值与玉米叶片中Cu²⁺含量的相关系数分别为-0.954 5和-0.964 8, 对Cu²⁺污染程度监测效果较好; 在Pb²⁺胁迫下, 常规光谱参量中仅MR结果值与玉米叶片中Cu²⁺含量的相关系数为-0.980 2, 其他参量监测效果均较差, 而紫谷方位角谱峰值与玉米叶片中Cu²⁺含量的相关系数达到-0.999 8, 相比常规光谱参量其对Pb²⁺污染程度监测效果理想。同时, 常规光谱参量仅通过数值方式监测作物重金属污染程度信息, 而空间谱则可通过三维可视化方式直观地区分作物受重金属污染的类别并监测污染程度等信息, 因此, 具有一定的有效性和优越性。

4 结论

(1)蓝边、绿峰和红边阵列信号的空间谱在Cu²⁺胁迫下为双高峰, 其空间谱等高线图对应两个分布密集且形状复杂的闭合等高圈, 在Pb²⁺胁迫下为单高峰, 其空间谱等高线图对应一个分布密集且形状简单的闭合等高圈。因而可以通过蓝边、绿峰和红边阵列信号空间谱的高峰数及等高线图的状况快速、直观地区分玉米受重金属Cu²⁺和Pb²⁺的污染类别。

(2)在不同浓度梯度的Cu²⁺胁迫下红谷和红肩阵列信号空间谱的方位角谱峰呈逐渐降低趋势, 且谱峰值与玉米叶片中Cu²⁺含量的相关系数分别达到-0.954 5和-0.964 8, 对重金属Cu²⁺污染程度的监测效果理想; 在不同浓度梯度的Pb²⁺胁迫下紫谷阵列信号空间谱的方位角谱峰呈逐渐降低的趋势, 其谱峰值与玉米叶片中Pb²⁺含量的相关系数达到-0.999 8, 对重金属Pb²⁺污染程度的监测效果理想。同时通过与常规GH, REP, MR和FAR监测方法的应用结果进行比较分析, 验证了空间谱应用于玉米重金属污染信息监测具有更好的有效性和优越性, 为重金属污染信息监测研究提供参考方法和技术支持。

The authors have declared that no competing interests exist.

参考文献

文献列表

[1]	JIANG Fei-fei, SUN Dan-feng, LI Hong, et al(姜菲菲, 孙丹峰, 李红, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2011, 27(8): 330. [本文引用:1]
[2]	DONG Wen-hong, YANG Hai, LINGHU Wen-sheng(董文洪, 杨海, 令狐文生). Chemical Reagents(化学试剂), 2016, 38(12): 1170. [本文引用:1]
[3]	WEI Ting-ting, ZHANG Long-chong, DUO Hai-rui, et al(魏婷婷, 张龙冲, 朵海瑞, 等). Journal of Henan Agricultural University(河南农业大学学报), 2010, 44(4): 471. [本文引用:1]
[4]	LIU Xiao-hong, YU Xi-jun(刘晓红, 虞锡君). Ecological Economy(生态经济), 2010, (10): 164. [本文引用:1]
[5]	ZHAO Ming(赵铭). Resources Economization & Environmental Protection(资源节约与环保), 2016, (4): 181. [本文引用:1]
[6]	SU Chun-tian, TANG Jian-sheng, PAN Xiao-dong, et al(苏春田, 唐健生, 潘晓东, 等). Chinese Agricultural Science Bulletin(中国农学通报), 2011, 27(8): 323. [本文引用:1]
[7]	FU Shu-qing, WEI Zhen-quan(付淑清, 韦振权). Journal of Anhui Agricultural Sciences(安徽农业科学), 2013, 41(6): 2623. [本文引用:1]
[8]	Shafri H Z M, Taherzadeh E, Mansor S, et al. Research Journal of Applied Sciences, Engineering and Technology, 2012, 4(11): 1557. [本文引用:1]
[9]	TANG Peng, LIU Guang, XU Jun-feng(唐鹏, 刘光, 徐俊锋). Journal of Hangzhou Normal University·Natural Science Edition(杭州师范大学学报·自然科学版), 2014, 13(6): 634. [本文引用:1]
[10]	PAN Pan, YANG Jun-cheng, DENG Shi-huai, et al(潘攀, 杨俊诚, 邓仕槐, 等). Journal of Agro-Environment Science(农业环境科学学报), 2011, 30(12): 2389. [本文引用:1]
[11]	JIANG Qing-hu, TONG Fang, YU Ming-zhu, et al(姜庆虎, 童芳, 余明珠). Plant Science Journal(植物科学学报), 2015, 33(5): 633. [本文引用:1]
[12]	Montzka C, Canty M, Kreins P, et al. Environment Modeling and Software, 2008, 23(8): 1070. [本文引用:1]
[13]	ZHANG Long, PAN Jia-rong, ZHU Cheng(张龙, 潘家荣, 朱诚). Journal of Zhejiang University·Agriculture and Life Sciences(浙江大学学报·农业与生命科学版), 2013, 39(1): 50. [本文引用:1]
[14]	Smith K L, Steven M D, Colls J J. Remote Sensing of Environment, 2004, 92(2): 207. [本文引用:1]
[15]	Zhu Yeqing, Qu Yonghua, Liu Suhong, et al. Journal of Remote Sensing, 2014, 18(2): 335. [本文引用:1]
[16]	MA Bao-dong, XU Ao, FANG Dan-mei, et al(马保东, 徐奥, 方丹梅, 等). Geography and Geo-information Science(地理与地理信息科学), 2016, 32(2): 17. [本文引用:1]
[17]	GUAN Li, LIU Xiang-nan(关丽, 刘湘南). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2009, 25(6): 168. [本文引用:1]
[18]	TENG Jing, HE Zheng-wei, NI Zhong-yun, et al(滕靖, 何政伟, 倪忠云, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2016, 36(11): 3637. [本文引用:1]
[19]	Zhang X, Gao X, Chen W. Journal of Electromagnetic Waves and Applications, 2009, 23(5): 593. [本文引用:1]
[20]	Hua Y B, Sarkar T P K, Donald D Weiner. IEEE Trans. Antennas and Propagation, 1991, 39(2): 143. [本文引用:1]
[21]	Wax M, Shan T J, Kailath T. IEEE Trans. Aerospace and Electronic Systems, 1984, 32(4): 817. [本文引用:1]
[22]	WANG Hui, ZENG Lu-sheng, SUN Yong-hong, et al(王慧, 曾路生, 孙永红, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2017, 33(2): 171. [本文引用:1]

2011

0.0

... 引言当前社会面临的环境问题日益突出, 其中土壤重金属Cu, Pb, Cd, Cr和Hg等污染已成为一种重要的安全隐患^[1,2] ...

2016

0.0

... 引言当前社会面临的环境问题日益突出, 其中土壤重金属Cu, Pb, Cd, Cr和Hg等污染已成为一种重要的安全隐患^[1,2] ...

2010

0.0

... 中国北方土壤重金属污染主要由污水灌溉造成, 南方主要由工业发展造成, 且随各地区经济社会发展状况不同所受重金属污染程度也有所差异^[3,4] ...

2010

0.0

... 中国北方土壤重金属污染主要由污水灌溉造成, 南方主要由工业发展造成, 且随各地区经济社会发展状况不同所受重金属污染程度也有所差异^[3,4] ...

2016

0.0

... 重金属在土壤中累积后不易降解, 其超限后会污染农作物并影响农产品质量, 进而通过食物链进入人体诱发各种疾病, 威胁人类健康^[5,6] ...

2011

0.0

... 重金属在土壤中累积后不易降解, 其超限后会污染农作物并影响农产品质量, 进而通过食物链进入人体诱发各种疾病, 威胁人类健康^[5,6] ...

2013

0.0

... 常规的采样监测方法存在操作繁琐、具有破坏性等^[7]问题, 而高光谱遥感具有光谱分辨率高、信息量大、对监测对象无损等^[8,9]优势, 因此将高光谱遥感应用于监测作物的重金属污染具有实际意义 ...

2012

0.0

2014

0.0

2011

0.0

... 作物吸收过量重金属后, 各组织器官细胞发育会受影响, 叶绿体、线粒体等细胞器结构及部分酶活性会改变^[10], 作物体内会出现代谢紊乱并造成叶绿素等生化成分异常, 进而引发作物光谱发生变异, 由此, 通过分析作物光谱曲线的变化信息进而达到监测和识别重金属污染将成为一种有效手段^[11,12] ...

2015

0.0

2008

0.0

2013

0.0

... 基于光谱信息并结合算法构建重金属污染监测或识别模型等的相关研究众多, 如张龙等应用近红外光谱并结合模式识别技术构建判别模型区分水稻叶片的Pb, Hg和Cd污染^[13], Smith等利用红边前峰和后峰的比值变化来评估植被受含重金属油气污染后的影响状况^[14], 朱叶青等提出特征波段与光谱角相结合的方法监测植被受Cu的污染程度^[15], 马保东等利用光谱红边参数识别并监测Cu对茄子叶片的污染状况^[16], 关丽等构建多级诊断光谱指数空间判断Cd对水稻的污染程度^[17], 滕靖等以光谱变换信息为基础构建铜含量估算模型检测土壤中Cu含量^[18]等 ...

2004

0.0

2014

0.0

2016

0.0

2009

0.0

2016

0.0

2009

0.0

... 阵列信号处理的一个基本问题是解算空间信号到达方向(direction of arrival, DOA), 二维DOA包括仰角和方位角^[19] ...

1991

0.0

... _i)(i=1, 2, …, K)^[20] ...

1984

0.0

... Wax等最早提出2D-MUSIC算法^[21], 该算法是二维DOA估计的常用方法之一 ...

2017

0.0

... 因此, 根据植物光谱的差异性大小以及光谱特性^[22], 分别将Cu²⁺和Pb²⁺胁迫下玉米叶片的光谱划分为紫谷、蓝边、绿峰、红谷、红边和红肩六个光谱特征区间作为研究对象, 相应的区间及范围如表1所示 ...