铜铅胁迫下玉米叶片弱光谱信息的LD-CR-SIDSCA<sub>tan</sub>探测模型

引用本文

张超, 杨可明, 王敏, 高鹏, 程凤, 李燕. 铜铅胁迫下玉米叶片弱光谱信息的LD-CR-SIDSCA_tan探测模型 [J]. 光谱学与光谱分析, 2019,39(7): 2091-2099.
ZHANG Chao, YANG Ke-ming, WANG Min, GAO Peng, CHENG Feng, LI Yan. LD-CR-SIDSCA_tan Detection Model for the Weak Spectral Information of Maize Leaves under Copper and Lead Stresses [J]. Spectroscopy and Spectral Analysis, 2019,39(7): 2091-2099.
Doi:10.3964/j.issn.1000-0593(2019)07-2091-09 复制到剪切板

Permissions

《光谱学与光谱分析》期刊社所有

铜铅胁迫下玉米叶片弱光谱信息的LD-CR-SIDSCA_tan探测模型

张超¹, 杨可明^1,^*, 王敏^1,², 高鹏¹, 程凤¹, 李燕¹

1. 中国矿业大学(北京)地球科学与测绘工程学院, 北京 100083

2. 华北理工大学, 河北唐山 063210

*通讯联系人 e-mail: ykm69@163.com

作者简介: 张超, 1990年生, 中国矿业大学(北京)地球科学与测绘工程学院博士研究生 e-mail: 1581006343@qq.com

收稿日期: 2018-03-27 接受日期: 2018-07-09

基金: 国家自然科学基金项目(41271436)资助

摘要

农作物在受到重金属污染以后, 会破坏本身的组织细胞结构和叶绿素含量, 从而影响农作物的新陈代谢和健康状况。人和动物如果食用了污染的农作物以后, 会有致命的伤害。高光谱遥感目前被广泛应用于监测农作物受重金属污染的程度。重金属污染下的农作物叶片的光谱变化很微小, 传统的监测方法和常规的光谱特征参数很难将光谱之间的微弱差异区别开, 目前高光谱遥感应用是研究的重点和难点。通过设置不同浓度的Cu²⁺和Pb²⁺胁迫下玉米盆栽实验, 采集玉米叶片的光谱数据、叶绿素的相对含量以及重金属Cu²⁺和Pb²⁺的相对含量。提出了包络线去除(CR)、光谱相关角(SCA)、光谱信息散度(SID)以及正切函数(Tan)和兰氏距离(LD)相结合的LD-CR-SIDSCA_tan模型, 将其与传统的光谱测度方法, 如光谱相关系数(SCC)、光谱角(SA)、光谱角正切(DSA)、光谱信息散度-光谱相关角正切(SIDSAM_tan)、光谱信息散度-光谱梯度角正切(SIDSGA_tan)和常规的光谱特征参数, 如红边最大值(MR)、绿峰高度(GH)、红边一阶微分包围面积(FAR)、红边一阶微分曲线陡峭度(FCDR)、蓝边(DB)、红谷吸收深度(RD)相比较, 验证了该模型的优越性和可行性。并且将LD-CR-SIDSCA_tan模型应用于不同浓度下Cu²⁺和Pb²⁺胁迫的玉米叶片的整体波形和子波段的光谱差异信息的测度上。结果表明, LD-CR-SIDSCA_tan模型实现了重金属Cu²⁺和Pb²⁺污染的定性分析, 能够测度光谱相关系数达到0.99以上的相似光谱之间的差异信息, 波形差异信息与叶片测得的叶绿素相对含量和重金属Cu²⁺和Pb²⁺相对含量显著相关, 也分别找到了重金属Cu²⁺和Pb²⁺胁迫下的光谱响应波段。在测度光谱数据的整个波段区间范围, 模型值为负值时的光谱差异要比模型值为正值更加明显; 在模型值为正值时, 如果数值越大, 光谱的差异性也越大。因此, 随着重金属Cu²⁺和Pb²⁺浓度的增加, 光谱的差异增大, 意味着重金属Cu²⁺和Pb²⁺污染程度更为严重; 玉米植株受到重金属Cu²⁺胁迫污染, 在测度光谱数据的局部子波段区间范围时, “蓝边”、 “红边”、 “近谷”、 “近峰B”处对重金属Cu²⁺胁迫污染响应特别的敏感, 可以作为监测重金属Cu²⁺污染程度的有效波段; 当玉米植株受到重金属Pb²⁺胁迫污染时, 在“紫谷”、 “蓝边”、 “黄边”、 “红谷”、 “红边”、 “近峰A” 处对重金属Pb²⁺胁迫污染响应特别的敏感, 可以作为监测重金属Pb²⁺污染程度的有效波段。最后通过LD-CR-SIDSCA_tan模型的应用结果与玉米叶片中Cu²⁺和Pb²⁺含量进行线性拟合分析, 从而反演和预测了重金属Cu²⁺和Pb²⁺对玉米植株的污染程度。

关键词: 高光谱遥感; 玉米叶片; 重金属污染; 光谱弱信息; 光谱分析

中图分类号:TP75 文献标志码:A

LD-CR-SIDSCA_tan Detection Model for the Weak Spectral Information of Maize Leaves under Copper and Lead Stresses

ZHANG Chao¹, YANG Ke-ming^1,^*, WANG Min^1,², GAO Peng¹, CHENG Feng¹, LI Yan¹

1. College of Geoscience and Surveying Engineering, China University of Mining & Technology, Beijing, Beijing 100083, China;

2. North China University of Science and Technology, Tangshan 063210, China

Abstract

When crops are contaminated with heavy metals, their tissue structure and chlorophyll content will be destroyed, which will affect the metabolism and health of crops. People and animals will have fatal injuries if they eat the contaminated crops. Hyperspectral remote sensing is now widely used to monitor the extent of crops affected by heavy metals, and in the heavy metal pollution, the spectral crop leaves are still very similar to those of the traditional monitoring methods and spectral characteristic parameters of routine, so it is difficult to distinguish between different spectral weak information, and application of hyperspectral remote sensing is the focus and difficulty of the study. The maize leaf spectral data, chlorophyll content and relative content of heavy metals Cu²⁺ and Pb²⁺ were collected by setting different concentrations of Cu²⁺ and Pb²⁺ stress. A LD-CR-SIDSCAtan model combined with the continuum removal (CR), spectral correlation angle (SCA), spectral information divergence (SID) and tangent function (Tan) and Langmuir distance (LD) is proposed in this study, and the traditional measure, such as spectral correlation coefficient (SCC), SA (spectral angle), tangent spectrum (DSA), spectral information divergence and spectral correlation tangent (SIDSAM_tan), spectral information divergence and spectral gradient tangent (SIDSGA_tan) and conventional spectral characteristic parameters, such as the maximum value of red edge (MR), green peak height (GH) and red edge area surrounded by a first order differential (FAR), red edge derivative curve steepness (FCDR), blue (DB), red band depth (RD) compared to verify the feasibility and superiority of the model. The LD-CR-SIDSCA_tan model was applied to measure the spectral difference information about the overall waveform and the subband of maize leaves under Cu²⁺ and Pb²⁺ stress at different concentrations. The results show that the LD-CR-SIDSCA_tan model realized the qualitative analysis of heavy metal Cu²⁺ and Pb²⁺ pollution, could measure the spectral correlation coefficient of more than 0.99 of the difference information between the similar spectral information, and waveform difference information was significantly related to the leaf chlorophyll content and the relative content of heavy metals Cu²⁺ and Pb²⁺ that measured, and also found the spectra response wave band under the stress of heavy metals Cu²⁺ and Pb²⁺. When the whole spectral range of spectral data is measured, the spectral difference is more obvious when the value of the model is negative. When the value of the model is positive, the larger the value of the model is, the larger the spectral difference will be. Therefore, with the increase of heavy metals Cu²⁺ and Pb²⁺ concentration, the difference of spectra increased, which means that the heavy metal Cu²⁺ and Pb²⁺ pollution degree is more serious; maize plants suffer from heavy metal pollution in Cu²⁺ stress when measuring the local subband range of spectral data, in the “blue” and “red edge”, “near the Valley”, “at the peak of B” were specially sensitive to heavy metal Cu²⁺ stress pollution response and can be used as an effective band of monitoring heavy metal pollution Cu²⁺; when the maize plants are under heavy metal pollution in Pb²⁺ stress, in the “Purple Valley”, “blue”, “yellow” and “red Valley”, “red edge”, “near at the peak of A” were specially sensitive to heavy metal Pb²⁺ stress pollution response and can be used as an effective band of monitoring heavy metal pollution Pb²⁺. Finally, through the linear fitting analysis of the application results of LD-CR-SIDSCA_tan model and the content of Cu²⁺ and Pb²⁺ in maize leaves, the pollution degree of heavy metals Cu²⁺ and Pb²⁺ to maize plants was inversed and predicted.

Keyword: Hyperspectral remote sensing; Maize leaf; Heavy metal pollution; Spectral weak information; Spectral analysis

文章图片

引言

当代社会中, 由于矿山的开发、废水和废气造成的重金属污染愈发严重, 铜和铅在土壤中富集并严重超标之后, 会经过根系进入植被中, 重金属在植被体内积累, 不但能够破坏植被细胞的结构, 也会影响其新陈代谢, 会对植株造成致命的伤害。人食用了受到重金属污染的蔬菜和以植物为食的动物, 会严重影响健康。在农田重金属污染及其风险评价的研究和预测中, 传统方法主要有光学检测法、电化学检测法^[1]和生物检测法, 这些方法都属于异位监测, 要求野外样本采集和实验室化学分析相结合, 虽在小尺度测量中具有精确度高的优势, 但不适用于大尺度农田重金属的探测^[2]。

遥感技术的迅速发展, 为区域土壤重金属污染信息的快速获取提供了新的思路^{[3, 4, 5]}。高光谱遥感是以高光谱和高空成像技术为基础的^{[6, 7]}, 具有多波段、连续、高分辨率等特点^{[8, 9]}, 可以记录多个窄波段反射率^[10], 进行更详细的土壤重金属分布制图。

在植被环境监测方面, 叶片化学组成成分可以使用高光谱数据来评估。 Peterson^[4]等利用AIS监测了林地冠层中的N以及木质素的含量, 而且成功预测了林地营养物质和生产力的转化。绿色植物受到污染的具体情况也可以利用高光谱遥感监测^[11]。 Holer^[5]等利用高光谱遥感监测探明了一些长期受到污染地区的叶子会发生“ 红边蓝移” 的现象, 在一些品种植株上, 这种蓝移与重金属元素的高含量有着密切的关系^[12]。杨可明^[14]等利用高光谱遥感构建了DSAT甄别模型发现了重金属铅离子胁迫下玉米叶片的光谱信息差异与玉米叶片中叶绿素浓度和Pb²⁺含量显著相关。

本研究提出了包络线去除(CR)、光谱相关角(SCA)、光谱信息散度(SID)以及正切函数(Tan)和兰氏距离(LD)相结合的LD-CR-SIDSCA_tan模型, 此模型能够十分有效的将光谱信息进行区分。重金属Cu²⁺和Pb²⁺污染严重, 出现了诸如福建紫金矿业铜污染事件(2010年)和郴州血铅中毒事件(2010), 极大的影响人们的生命健康。Cu²⁺和Pb²⁺通过降低植物中叶绿素的含量, 从而影响不同波段的光谱吸收, 但在重金属污染下的植物叶片的光谱信息相似度非常高。利用LD-CR-SIDSCA_tan模型可以对重金属Cu²⁺和Pb²⁺胁迫的玉米叶片光谱微弱差异信息进行测度, 通过测度整个光谱范围和子波谱范围, 能够很好的甄别光谱信息差异, 给出重金属Cu²⁺和Pb²⁺的污染程度, 对于监测重金属污染提供了新的技术方法。

1 理论与算法

1.1 光谱相似性测度方法

植株受重金属元素污染后, 光谱相关性很高, 差异信息较弱, 并且由于植株本身生化物理响应的复杂性^[11], 传统的一些测度方法不能快速有效的达到预期的监测目的。几何和概率的空间测度方法是最为传统常规的计算相似光谱的方法。几何空间中光谱相似性的测量方法有光谱角(spectral angle, SA)^[4]、光谱相关角(spectral correlation angle, SCA)^[12]、欧氏距离(euclidean distance, ED)^[13]等; 概率空间测度光谱相似性的方法有光谱相关系数(spectral correlation coefficient, SCC)^[4]、光谱信息散度(spectral information divergence, SID)^[13]、波谱特征拟合(spectral feature fitting, SFF)^[5]等。有的研究人员将相关的单一测度方法进行综合, 进行光谱相似性的测度。如果光谱相关性低, 利用这些方法区分的效果会很明显, 反之就比较差了, 并且对不同的重金属污染植被光谱信息的定性甄别研究就更少了, 因此, 有必要寻找一种更有效的光谱相似性度量方法。

1.2 建立LD-CR-SIDSCA_tan模型

1.2.1 兰氏距离(LD)

Lance和Williams提出的兰氏距离。兰氏距离的定义是当全部数据大于零, 即X_ij> 0的时候, 第i和第j个样品的兰氏距离是

$\begin{array}{l} d_{ij} = \overset{p}{\sum_{i = 1}} \frac{| x_{ik} - x_{jk} |}{x_{ik} + x_{jk}} \\ i, j = 1, 2, \dots, n (i, j 指两个不同样品) (1) \end{array}$

可以看出, 兰氏距离是一个无量纲量, 克服了明氏距离和各指标的量纲相关的不足, 并受奇异值的影响较小, 所以对于高偏倚的数据它是合适的。

1.2.2 光谱数据去除包络线(CR)

如果光谱曲线相似, 直接对光谱特征进行提取是比较难, 需要首先对光谱曲线进行相关处理以后再提取光谱特征。去除包络线法能突出光谱曲线的各种光谱特性, 如吸收和反射, 并将其置于同一光谱背景下, 方便与其他光谱曲线特征值比较。直观地说, 包络线相当于光谱曲线的外壳, 由于实际光谱曲线是由离散点组成的, 故可用连续的折线段来近似光谱曲线的包络线。如图1所示。

	Figure Option View Download New Window
	图1 光谱曲线及其包络线Fig.1 Spectral curves and their envelopes

假定光谱反射数据的样点组为A(m), m=0, 1, …, L-1;

波长数组为w(m), m=0, 1, …, L-1; 则光谱数据的包络线去除法计算过程:

(1) m=0, 将A(m), w(m)加入到包络线节点表中;

(2) 求新的包络节点。如m=L-1则结束, 否则n=m+1;

(3) 连接m, n; 检查(m, n)直线与反射率曲线的交点, 如果n=L-1, 则结束, 将w(m), A(m)加入到包络线节点表中, 否则:

① q=n+1;

② 若q=L-1则完成检查, n是包络线上的点, 将w(n), A(n)加入到包络线节点表中, m=n, 转到(2);

③ 否则, 求m, n与w(q)的交点A1(q);

④ 如果A(q)< A1(q), 则 n不是包络线上的点, n=n+1, 转到(3); 如果A(q)≤ A1(q), 则m, n与光谱曲线最多有一交点, ): q=q+1, 转到②。

(4) 得到包络线节点表后, 将相邻的节点用直线段依次相连, 求出w(m), m=0, 1, …, L-1所对应的折线段上的点的函数值H(m), m=0, 1, …, L-1; 从而得到该光谱曲线的包络线。显然有:

$H (m) \geq A (n)$

(5) 得到包络线后, 进而再消除光谱曲线的包络线

$A (m) = A (m) / H (m), m = 0, 1, \dots, L - 1$

1.2.3 光谱信息散度(SID)

φ (S_i, S_j)光谱信息散度

$φ_{SID} (S_{i}, S_{j}) = D (S_{i} ‖ S_{j}) + D (S_{j} ‖ S_{i}) (2)$

S_i和S_j的概率向量分别是p=(p₁, p₂, …, p_L)和q=(q₁, q₂, …, q_L), 其中

$p_{k} = s_{ik} / \overset{L}{\sum_{m = 1}} s_{im}, q_{k} = s_{jk} / \overset{L}{\sum_{m = 1}} s_{jm}$

由信息理论可分别得到光谱S_i和S_j中波段k的自信息为I_k(S_i)=-log₂(p_k)和I_k(S_j)=-log₂(q_k)。因此可得S_j关于S_i的相对熵以及D(S_i‖ S_j)和S_i关于S_j的相对熵D(S_j‖ S_i), 如式(3)和式(4)

$\begin{array}{l} D (s_{i} ‖ s_{j}) = \overset{L}{\sum_{k = 1}} p_{k} D_{k} (s_{i} ‖ s_{j}) = \overset{L}{\sum_{k = 1}} p_{k} ((I_{k} (s_{j}) - \\ I_{k} (s_{i})) = \overset{L}{\sum_{k = 1}} p_{k} lo g_{2} (\frac{p_{k}}{q_{k}}) (3) \end{array}$

$D (s_{j} ‖ s_{i}) = \overset{L}{\sum_{k = 1}} q_{k} D_{k} (s_{j} ‖ s i_{)} = \overset{L}{\sum_{k = 1}} q_{k} (I_{k} (s_{i}) -$

$I_{k} (s_{j})) = \overset{L}{\sum_{k = 1}} q_{k} \log 2 (\frac{q_{k}}{p_{k}}) (4)$

1.2.4 光谱相关角(SCA)

光谱相关角 $Ψ_{SCA} (S_{i}, S_{j})$ 定义如下

$Ψ_{SCA} (s_{i}, s_{j}) = co s^{- 1} (\frac{r (s_{i}, s_{j}) + 1}{2}) (5)$

其中

式中: L为遥感数据的波段数; i和j分别代表进行匹配的两个光谱信号; m为光谱信号中的某一波段。

式(6)的结果介于-1和1之间, 反映了S_i和S_j的线性关系。因此光谱相关角Ψ 的返回值介于0和1.570 796 rad(弧度)之间, 度量两光谱信号的相似度。

1.2.5 正切函数(Tan)

正切函数是单调递增函数, 在一个周期[-π /2, π /2]中, 角度为π /4时, tan(π /4)=1, 当角度大于π /4时, 正切值迅速增长。

1.2.6 LD-CR-SIDSCA_tan模型

去除两条光谱曲线的包络线, 并计算处理后的光谱相关角。

对奇异值不敏感的兰氏距离能很好地抑制噪声的影响, 具有较强的刻画低值对象间差异的能力。另外, 它还是一个无量纲的标准化值, 数值范围在0~1之间, 便于与形状指数进行综合分析。

利用正切函数的性质, 光谱曲线之间的微小差异被扩大。并且光谱相关角的返回值为弧度, 则表达式为

$LD ⁃ CR ⁃ SIDSC A_{\tan} = LD ⁃ CR ⁃ SID \times \tan (SCA \times 180 ° / π) (7)$

2 实验部分

(1)实验材料与设备。实验对象是Cu²⁺和Pb²⁺胁迫生长下的“ 中糯1号” 盆栽玉米。胁迫源用分析纯CuSO₄· 5H₂O和Pb(NO₃)₂溶液; 光谱测量用SVC HR-1024I高性能地物光谱仪, 其光谱范围是350~2 500 nm; 测定Cu²⁺含量采用WFX-120原子吸收分光光度计; 测定Pb²⁺含量采用Perkin Elmer, Elan DCR-e型等离子体质谱分析仪; 使用SPAD-502叶绿素测定仪分别测量不同浓度Cu²⁺和Pb²⁺胁迫的玉米叶片的叶绿素浓度相对值。

(2)玉米植株培养。采用有底漏的花盆培植玉米种子, 重金属Cu²⁺和Pb²⁺以CuSO₄· 5H₂O和Pb(NO₃)₂溶液的形式翻土加入实验花盆中。设置3个Cu²⁺和Pb²⁺胁迫梯度, 即0, 250和500 μ g· g^-1, 分别用ck(0), Cu(250), Cu(500), Pb(250)和Pb(500)标注相应的梯度, 每个梯度均设置3组平行实验, 共15盆盆栽。首先催芽玉米种子, 待出苗后浇灌营养液NH₄NO₃, KH₂PO₄和KNO₃。玉米培育期每天通风换气, 定期浇水。培育2个多月后, 收集玉米叶片的光谱信息, 并测定玉米叶片中Cu²⁺和Pb²⁺含量。

(3)光谱数据采集与处理。测定“ 中糯1号” 玉米叶片在不同Cu²⁺和Pb²⁺浓度胁迫下光谱数据。 SVC HR-1024I地物光谱仪测选用功率为50 W的卤素灯光源和垂直于叶片表面40 cm的4° 视场角探头, 为了防止土壤对玉米叶片的影响, 还用黑色塑料袋盖住花盆。利用平面白板将收集的光谱反射系数进行标准化。原始光谱曲线经过平均后作为数据输出。在0, 250和500μ g· g^-1浓度下的Cu²⁺和Pb²⁺胁迫实验中, 最终光谱数据是由去除异常值的光谱数据的均值得到的, 测量所得的光谱数据需要在每个平行实验组的老(Old)、中(Midddle)、新(New)叶片上分别测量三次。不同浓度获取九组光谱数据, 共45组光谱数据。

(4)玉米叶片中叶绿素含量的测定。玉米叶片在光谱采集后, 使用SPAD-502叶绿素测定仪分别测量不同Cu²⁺和Pb²⁺浓度胁迫的植株老、中、新3个叶片的叶绿素含量, 分别测量3次, 计算不同Cu²⁺和Pb²⁺浓度胁迫下叶绿素浓度平均值^[14]。

(5)玉米叶片中Cu²⁺和Pb²⁺含量的测定。为测定Cu²⁺含量, 对各种玉米叶进行了冲洗、干燥、粉碎和贮藏。用高纯度硝酸和高氯酸消化后, 用WFX-120型原子吸收分光光度计测定Cu²⁺含量。仪器条件: 波长: 324.7 nm、狭缝: 0.7 nm、负电压: 304 V、灯电流: 3.00 mA、分析方法: 火焰原子吸收。在相同条件下, 进行3组平行实验, 取平均值作为叶片中铜元素含量。对于Pb²⁺含量的测定, 经高纯硝酸、高氯酸消化对样品进行处理后, 用 PerkinElmer, Elan DRC-e型等离子体质谱分析仪进行Pb²⁺含量测定, 测定依据为《硅酸岩石化学分析方法》(GB/T 14506.30— 2010)第30部分: 44个元素量测定方法, 测定条件为室温度为20 ℃, 空气相对湿度30%等, 在相同条件下, 设置三组平行试验分别测定各种玉米叶片的铅含量, 最后取三组平均值作为铅元素含量。

玉米叶片中Cu²⁺和Pb²⁺含量和对应的叶绿素浓度如表1所示。

表1 玉米叶片叶绿素浓度相对值和Cu²⁺, Pb²⁺含量 Table 1 Chlorophyll relative concentration and Pb²⁺, Cu²⁺ content in corn leaves

3 结果与讨论

3.1 LD-CR-SIDSCA_tan模型法测度相似光谱

同一株植物的光谱数据整体波形信息非常的相似, 但是会因为生长的新老程度不同引起叶绿素含量的不同, 从而导致光谱存在微小的差异。用SVC HR-1024I地物光谱仪采集0 μ g· g^-1 (作为空白对照实验组)浓度胁迫下每株玉米老、中、新三种玉米叶片的光谱数据, 三组平行试验共采集9组光谱数据, 计算9组光谱数据的平均值, 得到一条均值光谱曲线, 作为是玉米叶片在无胁迫时的对照光谱如图2所示。

	Figure Option View Download New Window
	图2 9组测量光谱与对照光谱Fig.2 The 9 measured spectra and the reference spectrum

由图2可以看出, 9组测量光谱和对照光谱的相似性非常的高, 能达到0.99以上的相关性, 一些传统的方法很难区分差别非常小的光谱。本研究提出了一种新的测度光谱相关性的模型LD-CR-SIDSCAtan模型法, 便可以达到很好的区分效果, 该模型测度光谱相似性的步骤是:

(1) 将9组测量光谱和对照光谱除去包络线, 获得新的光谱数据;

(2) 分别计算测量光谱曲线和对照光谱曲线的SID和光谱相关角正切值;

(3) 最后计算测量光谱曲线和对照光谱曲线的兰氏距离, 最终得到LD-CR-SIDSCA_tan模型的值。

3.2 LD-CR-SIDSCA_tan模型和传统方法的对比

将传统方法SCC, SA, DSA, SIDSAM_tan, SIDSGA_tan, LD-CR-SIDSCA_tan六种方法进行相似光谱的区分。从表2中可以看出SCC, SA, DSA, SIDSAM_tan和SIDSGA_tan方法都不能将测量的光谱和对照的光谱区分开, 光谱相关系数都是0.99左右; 光谱角之间的差异小且区分精度低, 像均值光谱和Old-3以及均值光谱和Middle-1、均值光谱和Middle-2以及均值光谱和Middle-3区分的结果不明显, DSA方法和SIDSGA_tan方法的区分效果同样不佳。但是本研究提出的LD-CR-SIDSCA_tan模型, 能够很好的区分相似光谱, 将差异区分的十分明显。

表2 不同光谱识别方法计算相似光谱 Table 2 Calculation of similar spectra by different spectral recognition methods

4 铜铅离子胁迫下的光谱测度

4.1 Cu²⁺和Pb²⁺胁迫下的全波段的相似性区分

设置的Cu²⁺和Pb²⁺胁迫浓度分别都是0, 250和500 μ g· g^-1, 其中0 μ g· g^-1为空白对照实验组, 每个浓度下均设置了3组平行实验, 每一组平行实验分别测量老、中、新叶片的光谱数据, 总共测得27组光谱数据。计算每一个胁迫浓度所测定的9条光谱数据的均值光谱数据, 得到ck(0), Cu(250), Cu(500), Pb(250)和Pb(500)浓度胁迫下的5条均值光谱, 如图3所示。

	Figure Option View Download New Window
	图3 浓度不同的Cu²⁺和Pb²⁺污染下的玉米叶片光谱曲线Fig.3 Spectral curves of maize leaves under different concentrations of Cu²⁺ and Pb²⁺

玉米植株在受到重金属Cu²⁺和Pb²⁺胁迫污染后引起的光谱特征变化差异信息非常的微弱, 整体的光谱曲线形态非常的接近, 用常规的方法不能做到好的区分效果, 利用本次研究所提出的LD-CR-SIDSCA_tan模型来测度不同浓度重金属胁迫污染下光谱的相似性, 区分效果非常好, 如表3所示。

表3 不同Cu²⁺和Pb²⁺胁迫浓度时玉米叶片光谱间差异的LD-CR-SIDSCA_tan值 Table 3 LD-CR-SIDSCA_tan values of spectral differences between maize leaves at different concentrations of Cu²⁺ and Pb²⁺ stress

对于光谱的整个波段而言, LD-CR-SIDSCA_tan模型扩大了相似光谱之间的微小差异, 由于正切函数的性质, 模型值为负值时的光谱差异要比模型值为正值时更加明显; 在模型值为正值时, 如果数值越大, 光谱的差异性也越大。因此, 随着重金属Cu²⁺和Pb²⁺浓度的增加, 光谱的差异增大, 意味着重金属Cu²⁺和Pb²⁺的污染程度也更加严重, 那么根据模型的值就可以判断玉米受到重金属污染的程度, 从而实现了重金属污染的定性分析, 同时也验证了LD-CR-SIDSCA_tan模型在测度相似性极高的光谱数据信息时的有效性和可行性。

4.2 Cu²⁺和Pb²⁺胁迫下的子波段的相似性区分

收集的SVC HR-1024I地物光谱仪的光谱数据范围从3 500~2 500 nm, 包括可见光、近红外和短波红外波段。为了探测Cu²⁺和Pb²⁺污染具体影响到的光谱波段位置, 分析光谱数据的局部差异, 根据光谱吸收和反射的特征, 将全部光谱区间划分为350~430 nm(紫谷)、 430~530 nm(蓝边)、 530~580 nm(绿峰)、 580~650 nm(黄边)、 650~690 nm(红谷)、 690~750 nm(红边)、 750~1 301 nm(近红外平台)、 1 301~1 500 nm(近谷)、 1 500~1 590 nm(近边)、 1 590~1 919 nm(近峰 A)、 1 919~2 500 nm(近峰 B)11个子波段区间。利用LD-CR-SIDSCA_tan模型分别测度划分好的每个子波段区间, 所得LD-CR-SIDSCA_tan模型值如表4所示, 从表4和图4可以看出, 玉米叶片在受到重金属Cu²⁺胁迫污染时, 在“ 红边” 、 “ 近谷” 、以及“ 近边” 、 “ 近峰 B” 随着重金属胁迫浓度的增加而增大, 其他的子波段均随着重金属胁迫的浓度的增大而减小; 玉米叶片在受到Pb²⁺胁迫污染时, 在“ 绿峰” 、 “ 近谷” 、 “ 近边” 、 “ 近峰 B” 随着重金属胁迫浓度的增加而增大, 其他的子波段均随着重金属胁迫的浓度的增大而减小, 而且LD-CR-SIDSCA_tan模型值越大或者越小, 重金属Cu²⁺和Pb²⁺对玉米植株的污染较为严重。

表4 不同子波段区间的Cu²⁺和Pb²⁺胁迫下玉米叶片光谱间差异的L-SIDSCA_tan值 Table 4 L-SIDSCA_tan values of spectral differences between maize leaves under Cu²⁺ and Pb²⁺ stress for different sub-band intervals

	Figure Option View Download New Window
	图4 玉米叶片不同浓度Cu²⁺和Pb²⁺胁迫反射光谱各波段子区间LD-CR-SIDSCA_tan值的变化响应 Fig.4 LD-CR-SIDSCA_tan values in the subsections of each interval for different concentrations of Cu²⁺ and Pb²⁺ stress in maize leaves

4.3 玉米植株叶片中Cu²⁺和Pb²⁺含量与污染程度分析

Cu²⁺和Pb²⁺进入植物叶片中, 会破坏细胞组织, 影响叶绿素的含量, 所以我们可以将植株叶片中Cu²⁺和Pb²⁺的含量与其叶绿素的含量进行对比, 从而分析不同Cu²⁺和Pb²⁺胁迫浓度下玉米植株叶片光谱的变化差异和污染的程度。用Perkin Elmer, Elan DCR-e型等离子体质谱分析仪测定玉米不同重金属胁迫浓度下的Cu²⁺和Pb²⁺含量以及叶绿素相对含量。结果见表5。

表5 不同Cu²⁺和Pb²⁺胁迫浓度下玉米叶片中Cu²⁺和Pb²⁺含量、叶绿素含量与LD-CR-SIDSCA_tan计算值间对应表 Table 5 Cu²⁺, Pb²⁺ content, chlorophyll content and LD-CR-SIDSCA_tan value of maize leaves under different Cu²⁺ and Pb²⁺ stress concentrations

由表5可以看出, 玉米叶片中的Cu²⁺和Pb²⁺含量与叶绿素的相对含量呈负相关, 与LD-CR-SIDSCA_tan光谱差异值呈正相关, 综合表4、表5以及图4可以看出, 每个子波段在不同浓度Cu²⁺和Pb²⁺胁迫下响应的程度各不相同。当重金属对玉米植株有胁迫影响时, “ 蓝边” 、 “ 红边” 、 “ 近谷” 、 “ 近峰B” 处对重金属Cu²⁺胁迫污染响应特别的敏感, 可以作为监测重金属Cu²⁺污染程度的有效波段; 当玉米植株受到重金属Pb²⁺胁迫污染时, 在“ 紫谷” 、 “ 蓝边” 、 “ 黄边” 、 “ 红谷” 、 “ 红边” 、 “ 近峰A” 处对重金属Pb²⁺胁迫污染响应特别的敏感, 可以作为监测重金属Pb²⁺污染程度的有效波段。实验表明, LD-CR-SIDSCA_tan模型值越大或者越小, 重金属Cu²⁺和Pb²⁺胁迫浓度越大, LD-CR-SIDSCA_tan模型测度相似光谱的差异越发明显, 同时玉米植株叶片中叶绿素的相对浓度值越低, 玉米受到的污染程度也越严重。

4.4 LD-CR-SIDSCAtan模型拟合分析

为了可以更好地看出LD-CR-SIDSCA_tan模型的优越性, 利用传统的光谱特征参数红边最大值(MR)、绿峰高度(GH)、红边一阶微分包围面积(FAR)、红边一阶微分曲线陡峭度(FCDR)、蓝边(DB)、红谷吸收深度(RD)与LD-CR-SIDSCA_tan模型进行污染监测应用对比分析, 得到其计算值以及与玉米植株叶片中Cu²⁺和Pb²⁺含量的相关系数计算结果如表6所示。

表6 光谱特征参数、 LD-CR-SIDSCA_tan值与玉米叶片中Cu²⁺和Pb²⁺含量之间的关系表 Table 6 The relationship between spectral characteristic parameters, LD-CR-SIDSCA_tan value and the contents of Cu²⁺ and Pb²⁺ in maize leaves

分析表6显示了玉米植株受到重金属Cu²⁺胁迫的污染, LD-CR-SIDSCA_tan模型与玉米叶片中所测得的Cu²⁺含量的相关系数达到0.973 1, 优于其他的光谱特征参数; 当玉米植株受到重金属Pb²⁺胁迫污染时, LD-CR-SIDSCA_tan模型与玉米叶片中所测得的Pb²⁺含量的相关系数达到0.963 3, 优于其他的光谱特征参数。将LD-CR-SIDSCA_tan模型的应用结果与玉米叶片中Cu²⁺和Pb²⁺含量进行线性拟合分析, 如图5所示, LD-CR-SIDSCA_tan模型的拟合判定系数R²分别达到了0.947和0.948, 同时构建了拟合曲线线性方程式, 遂可以反推出玉米叶片中重金属Cu²⁺和Pb²⁺含量, 从而反演和预测了重金属Cu²⁺和Pb²⁺对玉米植株的污染程度, 分析结果同样也验证了LD-CR-SIDSCA_tan模型具有有效性和优越性。

	Figure Option View Download New Window
	图5 玉米叶片中重金属Cu²⁺和Pb²⁺含量与LD-CR-SIDSCA_tan模型计算值拟合结果Fig.5 The fitting results of the content of Cu²⁺ and Pb²⁺ in corn leaves and the calculated values of LD-CR-SIDSCA_tan model

5 结论

结合包络线去除、光谱相关角、光谱信息散度以及正切函数和兰氏距离, 提出了一种测度光谱相似性的LD-CR-SIDSCA_tan模型, 该模型可以区分相关性极高的相似光谱, 应用于玉米铜铅胁迫研究, 得到如下结论:

(1)将LD-CR-SIDSCA_tan模型与传统的测度光谱相似性的方法SCC, SA, DSA, SIDSAM_tan和SIDSGA_tan方法进行对比分析, 结果表明, LD-CR-SIDSCA_tan模型区分相关性极高的相似光谱的效果最好。

(2) LD-CR-SIDSCA_tan模型实现了重金属Cu²⁺和Pb²⁺污染的定性分析。在玉米植株受到重金属Cu²⁺和Pb²⁺污染实验中, 利用LD-CR-SIDSCA_tan模型对光谱数据的整个波段区间范围和局部子波段区间范围进行光谱相似性的测度, 在测度光谱数据的整个波段区间范围时, 模型值为负值时的光谱差异要比模型值为正值时更加明显; 在模型值为正值时, 如果数值越大, 光谱的差异性也越大。因此, 随着重金属Cu²⁺和Pb²⁺浓度的增加, 光谱的差异增大, 意味着重金属Cu²⁺和Pb²⁺污染程度更为严重; 玉米植株受到重金属Cu²⁺胁迫污染, 在测度光谱数据的局部子波段区间范围时, “ 蓝边” 、 “ 红边” 、 “ 近谷” 、 “ 近峰B” 处对重金属Cu²⁺胁迫污染响应特别的敏感, 可以作为监测重金属Cu²⁺污染程度的有效波段; 当玉米植株受到重金属Pb²⁺胁迫污染时, 在“ 紫谷” 、 “ 蓝边” 、 “ 黄边” 、 “ 红谷” 、 “ 红边” 、 “ 近峰A” 处对重金属Pb²⁺胁迫污染响应特别的敏感, 可以作为监测重金属Pb²⁺污染程度的有效波段。

(3)将LD-CR-SIDSCA_tan模型以及常规的光谱特征参数MR, GH, FAR, FCDR, DB和RD分别与玉米叶片中所测得的Cu²⁺和Pb²⁺相对含量进行相关性分析, 从而验证LD-CR-SIDSCA_tan模型有更好的优越性。最后将LD-CR-SIDSCA_tan模型的应用结果与玉米叶片中Cu²⁺和Pb²⁺含量进行线性拟合分析, 从而估测了重金属Cu²⁺和Pb²⁺对玉米植株的污染程度。

参考文献

文献列表

[1]	Daniel M Y, Agustín C G. Current Opinion in Electrochemistry, 2017, 3(1): 91. [本文引用:1]
[2]	XIAO Jie-ying, WANG Yan, ZHANG Qian, et al(肖捷颖, 王燕, 张倩, 等). Hubei Agricultural Sciences(湖北农业科学), 2013, 52(6): 1248. [本文引用:1]
[3]	James A S, Michael E. Marine Pollution Bulletin, 2017, 116(1-2): 405. [本文引用:1]
[4]	Mueller E V, Skowronski N, Clark K, et al. Fire Safety Journal, 2017, 91: 845. [本文引用:4]
[5]	Gand hi S M, Sarkar B C. Essentials of Mineral Exploration and Evaluation Elsevier, 2016, 81. [本文引用:3]
[6]	Liu J, Liu Y. The Journal of China Universities of Posts and Telecommunications, 2015, 22(1): 65. [本文引用:1]
[7]	Lausch A, Salbach C, Schmidt A, et al. Ecological Modelling, 2015, 295: 123. [本文引用:1]
[8]	SHEN Wen-juan, JIANG Chao-qun, SHI Hao, et al(沈文娟, 蒋超群, 侍昊, 等). Remote Sensing Information(遥感信息), 2014, 29(6): 112. [本文引用:1]
[9]	ZHANG Qiu-xia, ZHANG He-bing, ZHANG Hui-juan, et al(张秋霞, 张合兵, 张会娟, 等). Transactions of the Chinese Society of Agricultural Machinery(农业机械学报), 2017, 48(5): 148. [本文引用:1]
[10]	TU Ye-xin, FEI Teng(涂晔昕, 费腾). Hubei Agricultural Sciences(湖北农业科学), 2016, 55(6): 1361. [本文引用:1]
[11]	CHEN Bing, WANG Fang-yong, HAN Huan-yong, et al(陈兵, 王方永, 韩焕勇, 等). Cotton Science(棉花学报), 2013, 25(3): 254. [本文引用:2]
[12]	WU Hao, XU Yuan-jin, GAO Ran(吴浩, 徐元进, 高冉). Geography and Geo-Information Science(地理与地理信息科学), 2016, 32(1): 44. [本文引用:2]
[13]	ZHANG Jun-zhe, ZHU Wen-quan, DONG Yan-sheng, et al(张浚哲, 朱文泉, 董燕生, 等). Acta Geodaetica et Cartographica Sinica(测绘学报), 2013, 42(3): 418. [本文引用:2]
[14]	YANG Ke-ming, WANG Guo-ping, YOU Di, et al(杨可明, 汪国平, 尤笛, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2016, 36(8): 2568. [本文引用:2]

2017

0.0

... 在农田重金属污染及其风险评价的研究和预测中, 传统方法主要有光学检测法、电化学检测法^[1]和生物检测法, 这些方法都属于异位监测, 要求野外样本采集和实验室化学分析相结合, 虽在小尺度测量中具有精确度高的优势, 但不适用于大尺度农田重金属的探测^[2] ...

2013

0.0

2017

0.0

... 遥感技术的迅速发展, 为区域土壤重金属污染信息的快速获取提供了新的思路^[3,4,5] ...

2017

0.0

... 遥感技术的迅速发展, 为区域土壤重金属污染信息的快速获取提供了新的思路^[3,4,5] ...

... Peterson^[4]等利用AIS监测了林地冠层中的N以及木质素的含量, 而且成功预测了林地营养物质和生产力的转化 ...

... 几何空间中光谱相似性的测量方法有光谱角(spectral angle, SA)^[4]、光谱相关角(spectral correlation angle, SCA)^[12]、欧氏距离(euclidean distance, ED)^[13]等 ...

... 概率空间测度光谱相似性的方法有光谱相关系数(spectral correlation coefficient, SCC)^[4]、光谱信息散度(spectral information divergence, SID)^[13]、波谱特征拟合(spectral feature fitting, SFF)^[5]等 ...

2016

0.0

... 遥感技术的迅速发展, 为区域土壤重金属污染信息的快速获取提供了新的思路^[3,4,5] ...

... Holer^[5]等利用高光谱遥感监测探明了一些长期受到污染地区的叶子会发生#cod#x0201c ...

2015

0.0

... 高光谱遥感是以高光谱和高空成像技术为基础的^[6,7], 具有多波段、连续、高分辨率等特点^[8,9], 可以记录多个窄波段反射率^[10], 进行更详细的土壤重金属分布制图 ...

2015

0.0

2014

0.0

2017

0.0

2016

0.0

2013

0.0

CHEN

Bing

, WANG

Fang-yong

, HAN

Huan-yong

, et al(陈兵, 王方永, 韩焕勇, 等). Cotton Science(棉花学报), 2013, 25(3): 254.

Using data from red-edge parameters of haperspectra, we endeavored to provide an expedient way to extract leaf nitrogen contents(LNC) of cotton infected with Verticillium wilt, and to lay the groundwork for estimating cotton yield infected by Verticillium wilt using remote sensing technology. The relationship between LNC and red edge parameters were analyzed, and diagnose models of spectra red edge parameters were established for cotton leaves infected by Verticillium wilt. The main results are as follows: (1) With the increase of leaf severity level, LNC little by little decreased, difference is significant. (2) In all red edge parameters, REP, Dr, Lo, Depth 672 and Area 672 all decreased, and the degree of decrease was maximum to Area 672 value, the degree of decrease was minimum to Dr value; but Lwidth largely increased. (3) LNC had best significant positive correlations with REP, Lo, Depth 672 and Area 672 , had best significant negative correlations with Lwidth, and no best significant correlations with Dr. (4) Diagnose models of LNC to disease cotton leaves on the basis of spectra red edge parameters all attached best significant correlations ( P 672 had best estimated precision for LNC, and R 2 were over 0.7, RMSE less than 0.6, RE less than 0.007. So using red edge parameters of haperspectra monitor LNC of cotton infected by Verticillium wilt is accurate and convenient, and those models can better diagnose LNC.

1. Cotton Institute , Xinjiang Academy Agricultural and Reclamation Science / Northwest Inland Region Key Laboratory of Cotton Biology and Genetic Breeding , Ministry of Agriculture / Xinjiang Production & Construction Corps Subcenter of National Cotton Improvement Center , Ministry of Agriculture, Shihezi , Xinjiang 832000, China ; 2. Institute of Crop Science , Chinese Academy of Agricultural Sciences / State Key Laboratory of Crop Genetics and Germplasm Enhancement , Beijing 100081, China ; 3. Key Laboratory of Oasis Ecology Agriculture of Xinjiang Corps / Shihezi University, Shihezi , Xinjiang 832003, China

以黄萎病胁迫下棉花叶片为供试材料，分析了黄萎病棉叶氮素含量(LNC)与光谱红边参数间的关系，建立了黄萎病棉叶LNC(Leaf nitrogen content) 的光谱红边参数诊断模型。结果表明：(1) 随着黄萎病严重程度的增加，棉叶LNC逐渐减小，且差异显著；（2）黄萎病棉叶红边参数红边位置(REP) 、红边振幅（Dr）、红谷位置(Lo) 、红边深度（Depth 672 ）和红边面积(Area 672 ) 均减小，红边宽度(Lwidth) 增加，且Area 672 的值减小的幅度最大，Dr减小的幅度最小，Lwidth的值增加的幅度较大； (3) 黄萎病棉叶LNC含量均与红边参数REP、Lo、Depth 672 和Area 672 呈极显著正相关，与Lwidth呈极显著负相关，与Dr未达显著相关；(4)基于红边参数建立的黄萎病棉叶LNC含量的诊断模型均达到极显著水平（ P 672 为自变量建立的黄萎病棉叶LNC的诊断模型的精度最高， R 2 超过0.7， RMSE 小于0.6， RE 小于0.007，能很好地诊断黄萎病棉叶LNC。

... 绿色植物受到污染的具体情况也可以利用高光谱遥感监测^[11] ...

... 1 光谱相似性测度方法植株受重金属元素污染后, 光谱相关性很高, 差异信息较弱, 并且由于植株本身生化物理响应的复杂性^[11], 传统的一些测度方法不能快速有效的达到预期的监测目的 ...

2016

0.0

... 的现象, 在一些品种植株上, 这种蓝移与重金属元素的高含量有着密切的关系^[12] ...

... 几何空间中光谱相似性的测量方法有光谱角(spectral angle, SA)^[4]、光谱相关角(spectral correlation angle, SCA)^[12]、欧氏距离(euclidean distance, ED)^[13]等 ...

2013

0.0

... 几何空间中光谱相似性的测量方法有光谱角(spectral angle, SA)^[4]、光谱相关角(spectral correlation angle, SCA)^[12]、欧氏距离(euclidean distance, ED)^[13]等 ...

2016

0.0

... 杨可明^[14]等利用高光谱遥感构建了DSAT甄别模型发现了重金属铅离子胁迫下玉米叶片的光谱信息差异与玉米叶片中叶绿素浓度和Pb²⁺含量显著相关 ...

... 玉米叶片在光谱采集后, 使用SPAD-502叶绿素测定仪分别测量不同Cu²⁺和Pb²⁺浓度胁迫的植株老、中、新3个叶片的叶绿素含量, 分别测量3次, 计算不同Cu²⁺和Pb²⁺浓度胁迫下叶绿素浓度平均值^[14] ...