新型铜胁迫植被指数NCSVI探索铜污染下玉米叶片光谱敏感区间

引用本文

夏天, 杨可明, 冯飞胜, 郭辉, 张超. 新型铜胁迫植被指数NCSVI探索铜污染下玉米叶片光谱敏感区间[J]. 光谱学与光谱分析, 2021,41(8): 2604-2610.
XIA Tian, YANG Ke-ming, FENG Fei-sheng, GUO Hui, ZHANG Chao. A New Copper Stress Vegetation Index NCSVI Explores the Sensitive Range of Corn Leaves Spectral Under Copper Pollution[J]. Spectroscopy and Spectral Analysis, 2021,41(8): 2604-2610.
Doi:10.3964/j.issn.1000-0593(2021)08-2604-07 复制到剪切板

Permissions

《光谱学与光谱分析》期刊社所有

新型铜胁迫植被指数NCSVI探索铜污染下玉米叶片光谱敏感区间

夏天^1,^*, 杨可明², 冯飞胜³, 郭辉⁴, 张超²

1.中国资源卫星应用中心, 北京 100094

2.中国矿业大学(北京)地球科学与测绘工程学院, 北京 100083

3.安徽理工大学深部煤矿采动响应与灾害防控国家重点实验室, 安徽淮南 232001

4.安徽理工大学测绘学院, 安徽淮南 232001

*通讯作者

作者简介: 夏天, 1993年生, 中国资源卫星应用中心工程师 e-mail: 810981291@qq.com

收稿日期: 2020-04-24 修回日期: 2020-08-18

基金: 国家自然科学基金项目(41971401), 国家重点研发计划项目(2019YFC1904304), 安徽省高校自然科学基金重点项目(KJ2018A0070)资助

摘要

目前我国土壤重金属污染日趋严重, 高光谱遥感因具有光谱分辨率高、图谱合一等特点成为农作物重金属污染研究的热点。农作物受重金属污染后其光谱会发生细微的改变, 如何探寻叶片光谱中对重金属污染敏感的波段是目前的一种研究方向。提出了一种新型铜胁迫植被指数(NCSVI)来探索铜胁迫下玉米光谱敏感区间。通过设计不同梯度下的玉米铜胁迫实验, 测定每个铜胁迫浓度下玉米叶片的光谱和Cu²⁺的含量。首先, 将玉米叶片光谱分为11个子区间, 以每个子区间的中间波长对应的光谱反射率构建各自的NCSVI。然后, 计算NCSVI与玉米叶片中Cu²⁺含量的相关性系数 R及均方根误差RMSE, 结合水波段指数(WBI)、改进的叶绿素吸收率指数(MCARI)和归一化水指数(NDWI)这三种常规植被指数进行对比。最后, 选用其他年份相同实验条件下获取的玉米叶片光谱进行验证, 确认NCSVI的稳定性和有效性。结果表明, 11个子区间中只有绿峰、红边、近谷和近峰A这四个子区间对应的NCSVI与玉米叶片Cu²⁺含量相关性系数的绝对值高于0.9, 分别为-0.94, -0.97, -0.94和-0.96, 均方根误差均低于15, 分别为12.57, 8.71, 12.71和10.06, 而WBI, MCARI和NDWI的相关性系数最高的仅达到0.75, 均方根误差最小的为24.21, 说明四个子区间对应的NCSVI对玉米叶片铜污染有着更好的指示性。利用不同年份相同条件下的玉米实验对以上结果进行验证, 发现11个子区间中, R绝对值大于0.9、 RMSE小于1.55的只有绿峰、红边、近谷和近峰A这四个子区间, 其中 R分别为-0.9, -0.97, -0.97和-0.93, RMSE分别为1.50, 0.85, 0.78和1.29, 均优于WBI, MCARI和NDWI, 与2016年实验得出的敏感子区间一致, 说明NCSVI能探测铜胁迫下玉米光谱的敏感区间, 具备效率高、稳定性好的特点。所提出的NCSVI指数可作为监测玉米叶片铜污染的一种方法, 并为其他农作物重金属污染研究提供一定的理论支持。

关键词: 高光谱遥感; 玉米叶片; 重金属污染; 新型铜胁迫植被指数; 光谱敏感区间

中图分类号:TP75 文献标志码:A

A New Copper Stress Vegetation Index NCSVI Explores the Sensitive Range of Corn Leaves Spectral Under Copper Pollution

XIA Tian^1,^*, YANG Ke-ming², FENG Fei-sheng³, GUO Hui⁴, ZHANG Chao²

1. China Centre for Resources Satellite Data and Application, Beijing 100094, China

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

3. State Key Laboratory of Mining Response and Disaster Prevention and Control in Deep Coal Mine, Anhui University of Science and Technology, Huainan 232001, China

4. School of Surveying and Mapping, Anhui University of Science and Technology, Huainan 232001, China

*Corresponding author

Abstract

At present, heavy metal pollution in the soil is becoming more and more serious in China. Hyperspectral remote sensing has become a hot spot in the research of heavy metal pollution in crops by reason of its characteristics such as high spectral resolution and integrated maps with spectral. The spectral of crops will change slightly after being contaminated by heavy metals, how to explore the sensitive bands in the leaves spectral stresses by heavy metal pollution is a current research direction. In this study, a new copper stress vegetation index (NCSVI) was proposed to explore the sensitive range of corn leaves spectral under copper stress. By designing corn stress experiments with different gradients, the spectral and the contents of Cu²⁺ in corn leaves under each copper stress concentration were determined. First, the spectral of corn leaves were divided into 11 sub-band intervals, NCSVI were constructed by spectral reflectance corresponded to the middle wavelength of each sub-band interval. Then, the Pearson correlation coefficient and RMSE (Root Mean Square Error) between NCSVI and the contents of Cu²⁺ in each corn leaves was calculated, combined with three conventional vegetation indexes of water band index (WBI), modified chlorophyll absorption ratio index (MCARI) and normalized water index (NDWI). Finally, the corn leaves spectral which obtained under the same experimental conditions in other year were selected for verification to confirm the stability and effectiveness of NCSVI. The results show that among the 11 sub-band intervals, only the four sub-band intervals of a green peak, red edge, near the valley, and near peak A, the absolute value of the correlation coefficient between NCSVI and Cu²⁺ contents of corn leaves were higher than 0.9, respectively to -0.94, -0.97, -0.94, -0.96, as for RMSE, the root mean square error were less than 15, reached to 12.57, 8.71, 12.71 and 10.06. However, the highest correlation coefficient of WBI, MCARI and NDWI only reached to 0.75. The smallest RMSE was 24.21. Indicating that NCSVI corresponded to the four subintervals had a better indicator of copper pollution in corn leaves. The above results were verified by corn experiments under the same conditions in a different year, and it was found that among the 11 subintervals, only four subintervals of a green peak, red edge, near the valley, and near peak A had its absolute value of the coefficient R between NCSVI and the contents of Cu²⁺ in corn leaves were greater than 0.9, respectively to -0.9, -0.97, -0.97 and -0.93, as for RMSE, the root mean square error were less than 1.55, reached to 1.50, 0.85, 0.78 and 1.29, which were higher than WBI, MCARI and NDWI, and with the same sensitive sub-band intervals in the experiment of 2016, indicating that NCSVI could detect the sensitive range of corn leaves spectral stressed by Cu²⁺, with the characteristics of high efficiency and good stability. The NCSVI index proposed in this paper can be used as a method to monitor copper pollution in corn leaves, and provide some theoretical supports for the research of heavy metal pollution in other crops.

Keyword: Hyperspectral remote sensing; Corn leaves; Heavy metal pollution; New copper stress vegetation index; Spectral sensitive interval

文章图片

引言

近年来, 矿山开采、工业废气排放、污水侵蚀以及农药化肥不规范使用导致周边环境重金属污染日趋严重^{[1, 2]}。重金属具有易富集、难以降解等特点, 在土壤中严重超标后, 会通过根部进入到农作物的体内, 损坏农作物的细胞结构, 加快叶绿体的分解, 阻碍光合产物的形成, 影响农作物的新陈代谢, 从而降低农作物的产量和质量^[3]。人如果误食了此类农作物, 轻则导致中毒, 严重的产生怪病甚至导致死亡^[4]。如何有效监测农作物重金属污染已成为研究热点。传统的化学研究方法因其价格高、耗费人力、实施范围小等局限性已经难以满足日渐迫切的需要; 高光谱遥感的迅速发展提供了新的思路, 因其具备高效、无损、实时性强、图谱合一、高光谱分辨率等特点, 已逐渐在农作物重金属污染监测及防治中发挥重要作用。

利用植被指数、光谱敏感波段和污染模型等方法监测植被重金属污染是目前较常用的方法, 国内外不少专家学者进行过相关研究。有研究表明小麦中的铜含量与叶绿素、红边蓝移程度及光谱反射率有显著的相关性。有报道认为红边位置和归一化植被指数可作为光谱特征参数来监测水稻重金属污染。李婷^[5]等通过多元回归分析和BP神经网络建立了水稻冠层重金属污染胁迫光谱模型。 Asmaryan^[6]等对World View-2影像中植被污染区域进行研究, 发现红边波段对提取植被污染异常信息具有较好的作用。朱叶青^[7]等利用特征波段结合光谱角的方法对铜胁迫下小麦和上海青的光谱进行分析, 建立了铜胁迫叶片光谱反射模型。 Rathod^[8]等指出波段深度、叶绿素指数及水胁迫指数与植被叶片中的砷含量具有显著相关性, 可用来判别植被受重金属污染的程度。刘聪^[9]等基于小波分解、计算分形维数和奇异性分析发现能有效诊断玉米铜污染程度。郭辉^[10]等通过对玉米光谱两个子波段进行谐波分析, 探索了谐波子信号与铜胁迫梯度的规律。以上工作对植物重金属污染进行了研究和探索并得到了相应成果, 但很少有结合植被指数和光谱子区间去探寻对重金属污染敏感的子波段。本工作设计并提出了一种基于归一化植被指数的新型铜胁迫植被指数(new copper stress vegetation index, NCSVI)探索铜胁迫下玉米光谱敏感子区间, 并与常用的水波段指数(WBI)、改进的叶绿素吸收率指数(MCARI)和归一化水指数(NDWI)^[11]进行对比分析, 验证了该指数在玉米叶片铜污染监测上具有一定的优越性。本研究结果旨在为玉米冠层及影像上获取铜污染信息提供了方法, 同时也为其他农作物重金属污染遥感监测提供相应的技术支持。

1 实验部分

研究基于2014年和2016年两个批次的实验数据, 划分为训练集(2016年)和验证集(2014年)。

1.1 训练集实验数据

本实验于2016年进行, 选取“ 中糯1号” 玉米种子和有底漏并附带托盘的花盆进行植株培养, 实验采用不同浓度CuSO₄· 5H₂O分析纯溶液胁迫玉米生长, 玉米叶片光谱测定选用波段范围在350~2500 nm的美国SVC HR-1024I型高性能地物光谱仪, 采用WFX-120型原子吸收分光光度计测定玉米叶片中Cu²⁺含量。

实验选用颗粒饱满的玉米种子进行温水浸泡和催芽, 对培育的土壤进行过筛、晒干和称重等处理, 通过天平对CuSO₄· 5H₂O晶体进行精细称重并配置不同Cu²⁺胁迫浓度的溶液, 设置为: 0, 200, 300, 500和700 μ g· g^-1[分别标记为Cu(0), Cu(200), Cu(300), Cu(500)和Cu(700)]。为了模拟真实条件下的土壤重金属污染, 各胁迫组均匀添加对应浓度试剂, 并与土壤搅拌均匀。此外, 每个胁迫梯度均设置3个平行实验组, 共15组盆栽, 减少偶然误差。在每盆土壤中种植玉米幼芽, 待玉米出苗后, 在每盆中添加浓度相同的NH₄NO₃, KNO₃和KH₂PO₄营养液。为保障玉米室外的生长环境, 将所有玉米盆栽置于室外大棚培养, 每天保持通风并定期浇灌。玉米生长过程如图1所示。

	Figure Option View Download New Window
	图1 玉米生长过程Fig.1 The growth process of corn

在室内使用SVC HR-1024I型高性能地物光谱仪采集15盆玉米叶片的光谱数据, 为了准确测定玉米叶片光谱数据, 并使光照平均, 采用光源为功率50 W的卤素灯作为光谱测定时光源, 测定时光谱镜头视场角设置为4° , 光谱仪镜头与玉米叶垂直, 距玉米叶表面约40 cm。为避免土壤光谱对玉米叶片光谱采集产生干扰, 从而导致所测量的玉米叶片光谱不纯, 用黑色塑料袋将花盆盖住。每次测量花盆中玉米叶片光谱前需要用白板对光谱反射系数进行标准化处理, 然后每片叶片光谱各测3次, 记录每次测量时对应的盆栽编号, 最后去除异常光谱值后取平均值作为相应铜胁迫浓度下玉米叶片的光谱反射率值。

光谱采集完之后对玉米叶片进行裁剪、清洗、干燥、粉碎、分装、编号和保存, 采用WFX-120型原子吸收分光光度计测定玉米叶片中Cu²⁺含量。首先在万分之一天平上对每个铜胁迫梯度的样品进行称取, 然后用高纯硝酸和高氯酸进行硝化处理, 玉米叶片溶解之后加超纯水定容并将液体混合均匀, 最后进行上机实验。仪器条件: 狭缝为0.7 nm、波长为324.7 nm、灯电流为3.00 mA、负电压为304 V, 测定原理为火焰原子吸收法。在相同的条件下对每个铜胁迫梯度进行三组平行实验, 将3次测得的铜含量值取平均作为玉米叶片Cu²⁺的含量。

1.2 验证集实验数据

以2014年实验测得的玉米叶片的光谱数据作为验证。 2014年实验选用的玉米种子为“ 中糯1号” , Cu²⁺胁迫浓度分别为0, 250和500 μ g· g^-1[分别标记为Cu(0), Cu(250)和Cu(500)]。以上每个胁迫组各设置3个平行组, 共9组盆栽, 玉米叶片光谱和Cu²⁺含量的采集方法与2016年的相同。两次实验测得的玉米叶片光谱如图2和图3所示, 测得的Cu²⁺含量如表1所示。

	Figure Option View Download New Window
	图2 2016年玉米叶片光谱Fig.2 The Spectral of corn leaves in 2016

	Figure Option View Download New Window
	图3 2014年玉米叶片光谱Fig.3 The Spectral of corn leaves in 2014

表1 玉米叶片中Cu²⁺的含量 Table 1 Cu²⁺ contents in corn leaves

2 理论与方法

2.1 光谱子区间

SVC HR-1024I光谱仪的谱段范围为350~2 500 nm, 为了探索铜胁迫下玉米叶片光谱敏感波段, 可划分为紫谷(350~430 nm, Purple valley)、蓝边(430~530 nm, Blue edge)、绿峰(530~580 nm, Green peak)、黄边(580~650 nm, Yellow edge)、红谷(650~690 nm, Red valley)、红边(690~750 nm, Red edge)、近红外平台(750~1301 nm, Near infrared platform)、近谷(1 301~1 500 nm, Near valley)、近边(1 500~1 590 nm, Near edge)、近峰A(1 590~1 919 nm, Near peak A)、近峰B(1 919~2 500 nm, Near peak B)等11个光谱子区间, 如图4所示[以Cu(0)的叶片光谱为例]。

	Figure Option View Download New Window
	图4 玉米叶片光谱子区间示意图Fig.4 Schematic diagram of the spectral subintervals in corn leaves

2.2 定义NCSVI指数

植物叶片光谱会因Cu²⁺胁迫而改变, 很多研究利用归一化植被指数来探究植物的生长状况, 计算一些植物的理化参数来达到研究目的。但归一化植被指数只利用了两个子区间的反射率, 而某些光谱子区间反射率也会根据植物生长情况而呈现一定的规律, 因此设计一种基于归一化植被指数的新型铜胁迫植被指数(new copper stress vegetation index, NCSVI)探索铜胁迫下玉米光谱敏感区间, 为了避免偶然误差的影响, 使用每个光谱子区间的中间波长反射率, 而不是红边等位置的反射率。由于玉米叶片的光谱反射率是采用控制变量法实验获取的, 因此叶片光谱反射率的变化是由于不同Cu²⁺胁迫浓度造成的, 进而NCSVI指数的变化与玉米叶片不同浓度的铜胁迫会具有相关性。 NCSVI计算公式为

$NCSVI = \frac{R_{850} - R_{670} - R (λ_{middle})}{R_{850} + R_{670} + R (λ_{middle})}$ (1)

式(1)中, λ 为波长, R(λ _middle)为每一个光谱子区间的中间波长对应的光谱反射率。

其中: (1) 若子区间的波段数为奇数, 则R(λ _middle)为其中间波长对应的光谱反射率; (2) 若子波段的波段数为偶数, 则R(λ _middle)为其中间两个波长对应的光谱反射率的均值。

2.3 植被指数

植被指数可通过波段组合运算算出, 可以增强植被的某些特征。选用进行对照的植被指数为水波段指数(water band index, WBI)、改进的叶绿素吸收率指数(modified chlorophyll absorption ratio index, MCARI)和归一化水指数(normalized difference water index, NDWI), 计算公式如表2所示。

表2 植被指数计算公式 Table 2 Computing formula of vegetation indexes

2.4 相关性分析

分析植被指数与玉米叶片Cu²⁺含量的相关关系选用的是皮尔逊相关系数r(Pearson correlation coefficient)和均方根误差RMSE(root mean square error)^[12]。 R能表征两个变量之间的线性相关性, 1代表完全正相关, 0代表无相关性, -1代表完全负相关。 RMSE是观测值与真值(或模拟值)偏差的平方和与观测次数比值的平方根, RMSE越大说明偏差越大、越小则偏差越小。 R和RMSE的计算公式为

$R = \frac{1}{n} \overset{n}{\sum_{i = 1}} (\frac{X_{i} - \overset{̅}{X}}{\partial X}) (\frac{Y_{i} - \overset{̅}{Y}}{\partial Y})$ (2)

式(2)中, $\frac{X_{i} - \overset{̅}{X}}{\partial X}$ , $\frac{Y_{i} - \overset{̅}{Y}}{\partial Y}$ , $\overset{̅}{X}$ , $\overset{̅}{Y}$ 及∂ X和∂ Y分别是对X_i和Y_i样本的标准分数、样本平均值和样本标准差, n为样本数。

$RMSE = \sqrt[]{\frac{1}{n} \overset{n}{\sum_{i = 1}} d_{i}^{2}}$ (3)

式(3)中, d_i为第i次观测的观测值与模拟值的偏差, n为观测的次数。

3 结果与讨论

3.1 NCSVI与玉米叶片Cu²⁺含量的相关性分析

首先根据训练集(2016年)实验数据算出11个子区间中间波长对应的光谱反射率, 然后根据所构建的新型铜胁迫植被指数分别计算每个铜胁迫梯度内11个子区间对应的NCSVI, 结合常规的三种植被指数WBI, MCARI和NDWI, 与玉米叶片中Cu²⁺含量分别进行相关性分析, 得到相应的相关性系数R和均方根误差RMSE, 结果如表3和图5所示。从表3和图5中可以看出对于11个光谱子区间, NCSVI与叶片Cu²⁺含量都有较好的相关性, 考虑设置相关性系数绝对值的阈值为0.9, 相关性系数R的绝对值大于0.9的子区间可以作为对铜污染敏感的波段, 符合条件的有绿峰、红边、近谷和近峰A这四个子区间对应的NCSVI, 与玉米叶片Cu²⁺含量的相关性系数分别为-0.94, -0.97, -0.94和-0.96, 而WBI, MCARI和NDWI这三种指数与玉米叶片Cu²⁺含量的相关性系数R的绝对值都在0.9以下。分析均方根误差RMSE也可发现一定的规律, 设置RMSE的阈值为15, 绿峰、红边、近谷和近峰A这四个子区间对应NCSVI的RMSE分别为12.57, 8.71, 12.71和10.06, 其他七个子区间对应NCSVI的RMSE均大于15, WBI, MCARI和NDWI这三种植被指数中RMSE最小, 为24.21。结合相关性系数和均方根误差分析结果表明, 在不同Cu²⁺胁迫浓度下, 由NCSVI探索的玉米叶片光谱的敏感子区间为绿峰(530~580 nm)、红边(690~750 nm)、近谷(1 301~1 500 nm)和近峰A(1 590~1 919 nm), 这四个子区间对玉米叶片铜胁迫有着更好的指示性, 可以用来监测铜污染。

表3 2016年实验NCSVI和常规植被指数统计及相关性计算结果 Table 3 Statistics and correlation calculation results of NCSVI and conventional VIs by experiment in 2016

	Figure Option View Download New Window
	图5 2016年实验植被指数(VIs)与玉米叶片Cu²⁺含量相关关系Fig.5 Correlation between VIs and Cu²⁺ contents in corn leaves by experiment in 2016

3.2 NCSVI验证

为了确认NCSVI的普适性和鲁棒性, 采用验证集(2014年)实验数据进行验证, 结果如表4和图6所示。在2014年的实验中, 依然设置相关性系数绝对值的阈值为0.9, 相关性系数r的绝对值大于0.9的子区间可以作为对铜污染敏感的波段, 符合条件的子区间为绿峰、红边、近谷和近峰A, 相关性系数分别为-0.9, -0.97, -0.97和-0.93, 与2016年实验得到的四个敏感区间一致, 而WBI、 MCARI和NDWI这三种指数与玉米叶片Cu²⁺含量的相关性系数均低于0.9。设置均方根误差RMSE的阈值为1.55, RMSE小于1.55的有绿峰、红边、近谷和近峰A这四个子区间, 对应NCSVI的RMSE分别为1.50, 0.85, 0.78和1.29, 其他七个子区间对应NCSVI的RMSE均大于1.55, 也与2016年实验所得相符, WBI, MCARI和NDWI这三种常规植被指数中RMSE最小的为1.78。根据验证实验测得的相关性系数和均方根误差结果, 说明在不同年份不同Cu²⁺胁迫浓度下, NCSVI能有效地发掘对玉米铜污染敏感的子区间分别为绿峰(530~580 nm)、红边(690~750 nm)、近谷(1 301~1 500 nm)和近峰A(1 590~1 919 nm), 相比于WBI, MCARI和NDWI具有优越性和稳定性, 能够有效地监测玉米叶片铜污染。

表4 2014年实验NCSVI和常规植被指数统计及相关性计算结果 Table 4 Statistics and correlation calculation results of NCSVI and conventional VIs by experiment in 2014

	Figure Option View Download New Window
	图6 2014年实验植被指数(VIs)与玉米叶片Cu²⁺含量相关关系Fig.6 Correlation between VIs and Cu²⁺ contents in corn leaves by experiment in 2014

4 结论

通过2016年和2014年不同浓度玉米铜污染实验, 结合玉米光谱子区间, 构造了一种新型铜胁迫植被指数NCSVI, 得到了以下结论:

(1)由2016年玉米实验光谱11个子波段区间中间波长反射率分别计算NCSVI并与玉米叶片Cu²⁺含量进行相关性分析, 以0.9和15分别作为相关系性数R绝对值和均方根误差RMSE的阈值, 其中只有绿峰、红边、近谷和近峰A这四个子区间对应的NCSVI符合条件, R分别达到了-0.94, -0.97, -0.94和-0.96, RMSE分别为12.57, 8.71, 12.71和10.06。同时与三种常规植被指数进行对比, WBI, MCARI和NDWI与玉米叶片Cu²⁺含量的相关性系数R的绝对值均在0.9以下, RMSE最小的为24.21, 说明四个子区间对应的NCSVI对玉米叶片铜污染有着更好的指示性。

(2)利用2014年相同条件下的玉米实验对以上结果进行验证, 以0.9和1.55分别作为相关性系数R绝对值和均方根误差RMSE的阈值, 发现11个子区间中, 只有绿峰、红边、近谷和近峰A这四个子区间对应的NCSVI与玉米叶片Cu²⁺含量的相关性系数R的绝对值大于0.9, 分别为-0.9, -0.97, -0.97和-0.93, RMSE分别为1.50, 0.85, 0.78和1.29, 与2016年探测的敏感子区间保持一致, WBI, MCARI和NDWI与玉米叶片Cu²⁺含量的相关性系数R的绝对值最大的为0.85, RMSE均在1.55以上, 说明NCSVI能探测铜胁迫下玉米叶片光谱的敏感区间, 分别为绿峰(530~580 nm)、红边(690~750 nm)、近谷(1 301~1 500 nm)和近峰A(1 590~1 919 nm), 且相比于WBI, MCARI和NDWI具有稳定性和优越性。

结果表明所构建的NCSVI指数具有普适性和鲁棒性, 能探测出铜胁迫下玉米叶片光谱的敏感区间, 可用于监测玉米叶片铜污染, 并为其他植物重金属污染研究提供一定的理论支持。

参考文献

文献列表

[1]	Yin C Q, Sun Q B, Zhao X Q. Advanced Materials Research, 2012, 599: 434. [本文引用:1]
[2]	YANG Hai, HUANG Xin, LIN Zi-zeng, et al(杨海, 黄新, 林子增, 等). Applied Chemical Industry(应用化工), 2019, 48(6): 1417. [本文引用:1]
[3]	LIANG Ya-ya, YI Xiao-yun, DANG Zhi, et al(梁雅雅, 易筱筠, 党志, 等). Journal of Agro-Environment Science(农业环境科学学报), 2019, 38(1): 103. [本文引用:1]
[4]	Li Z, Ma Z, van der Kuijp T J, et al. Science of the Total Environment, 2014, 468-469: 843. [本文引用:1]
[5]	LI Ting, LIU Xiang-nan, LIU Mei-ling(李婷, 刘湘南, 刘美玲). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2012, 28(12): 176. [本文引用:1]
[6]	Asmaryan S, Warner T A, Muradyan V, et al. Remote Sensing Letters, 2013, 4(2): 200. [本文引用:1]
[7]	ZHU Ye-qing, QU Yong-hua, LIU Su-hong, et al(朱叶青, 屈永华, 刘素红, 等). Journal of Remote Sensing(遥感学报), 2014, 18(2): 335. [本文引用:1]
[8]	Rathod P H, Brackhage C, Meer F D V D, et al. European Journal of Remote Sensing, 2015, 48(3): 283. [本文引用:1]
[9]	LIU Cong, YANG Ke-ming, XIA Tian, et al(刘聪, 杨可明, 夏天, 等). China Environmental Science(中国环境科学), 2017, 37(10): 3952. [本文引用:1]
[10]	GUO Hui, YANG Ke-ming, ZHANG Chao(郭辉, 杨可明, 张超). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2019, 50(10): 153. [本文引用:1]
[11]	Newete S W, Erasmus B F N, Weiersbye I M, et al. International Journal of Remote Sensing, 2014, 35(3): 799. [本文引用:1]
[12]	Lim J, Yu J, Wang L, et al. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(7): 4870. [本文引用:1]

2012

0.0

... 引言近年来, 矿山开采、工业废气排放、污水侵蚀以及农药化肥不规范使用导致周边环境重金属污染日趋严重^[1,2] ...

2019

0.0

... 引言近年来, 矿山开采、工业废气排放、污水侵蚀以及农药化肥不规范使用导致周边环境重金属污染日趋严重^[1,2] ...

2019

0.0

... 重金属具有易富集、难以降解等特点, 在土壤中严重超标后, 会通过根部进入到农作物的体内, 损坏农作物的细胞结构, 加快叶绿体的分解, 阻碍光合产物的形成, 影响农作物的新陈代谢, 从而降低农作物的产量和质量^[3] ...

2014

0.0

... 人如果误食了此类农作物, 轻则导致中毒, 严重的产生怪病甚至导致死亡^[4] ...

2012

0.0

Ting

, LIU

Xiang-nan

, LIU

Mei-ling

(李婷, 刘湘南, 刘美玲). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2012, 28(12): 176.

It is a key issue for identifying crops under heavy-metal contamination on a large scale using satellite remote sensing data based on ground-sample spectral analysis model for evaluating crops with heavy-metal stress level. In this paper, hyperspectral data and leaf chlorophyll concentration of rice, heavy-metal concentration of soil were collected from three different polluted paddies in Changchun city, Jilin province, China, at mean time, Hyperion data were obtained. Spectral indices sensitive to heavy-metal contamination were selected by multiple stepwise regressions, and BP neural network models were created to estimate chlorophyll concentrations in rice under heavy-metal stress, which indicated the level of heavy-metal contamination. It was founded that an optimum ground-sample spectral analysis model was 4-11-7-1 network architecture with logsig thansfer function, and the classification accuracy for each pollution level was 100%. Moreover, it was successful to apply the ground-sample spectral analysis model to Hyperion data, and then achieve large-scale application in monitoring rice under heavy-metal contamination, the classification accuracy for each pollution level was more than 80%. This research may provide important references for large-scale application in the spectral model for assessing rice under heavy-metal contamination.

根据样地试验建立的农作物重金属污染胁迫光谱分析模型通过卫星遥感数据进行大尺度区域应用是农作物重金属污染遥感评价必须解决的关键问题。该文以吉林长春市3块重金属污染程度不同的水稻农田样地为试验区，采集水稻冠层ASD（Analytical Spectral Devices）数据、叶片叶绿素含量和土壤重金属含量，并获取准同步的Hyperion数据，通过多元逐步回归分析筛选与重金属污染胁迫响应敏感的光谱指数，并运用BP人工神经网络模型构建其与表征重金属污染胁迫程度的叶绿素含量的数学关系模型。结果表明，样地水稻重金属污染胁迫光谱分析模型中的BP网络结构为4-11-7-1、传递函数为logsig，其对各类污染胁迫水平的判别精度均为100%；将所建立的样地水稻重金属污染胁迫光谱分析模型通过Hyperion影像，进行大面积推广并验证，得到其对各类污染胁迫水平的判别精度均超过80%。该研究为样地水稻重金属污染胁迫光谱分析模型的大面积推广应用提供了借鉴意义。

... 李婷^[5]等通过多元回归分析和BP神经网络建立了水稻冠层重金属污染胁迫光谱模型 ...

2013

0.0

... Asmaryan^[6]等对World View-2影像中植被污染区域进行研究, 发现红边波段对提取植被污染异常信息具有较好的作用 ...

2014

0.0

ZHU

Ye-qing

, QU

Yong-hua

, LIU

Su-hong

, et al(朱叶青, 屈永华, 刘素红, 等). Journal of Remote Sensing(遥感学报), 2014, 18(2): 335.

The leaf reflectance spectra of plants polluted with heavy metal copper exhibit abnormal behavior. This paper investigates the spectral changes in copper-polluted leaves using seven spectral signatures and the spectral angle method. Wheat and lettuce were selected as the experimental subjects and were cultured in copper-polluted soil. Leaf spectra reflectance and scanning electron micrograph of ten copper treatment groups were measured in four regular periods. The reflectance spectra of the leaves were obtained using an ASD Field Spectrometer. Results showed that the irregular spectral changes of copper-polluted leaves depend on crop growth stages and crop types. The spectral angle, a simple method of comparing the vector angle of the leaf spectra with the given threshold values, has been justified as an efficient method of describing the spectral differences between copper-polluted leaves and healthy leaves. The method is very sensitive to light and the severity of copper pollution. Results also show that the leaf structural parameter ( N ) of copper-polluted leaves is larger than that of healthy leaves. The linear relationship between N and the reflectance value of the red shoulder was fitted with a correlation coefficient of 0.978. As a result, the deduced N from the leaf reflectance spectra may be used as an indicator to reflect the leaf structure distortion under copper pollution conditions. The significance of this study lies in its provision of data asbasis and theoretical support for the construction of a copper-polluted leaf reflectance spectral model.

重金属铜污染植被的反射光谱特性会发生明显改变。在本研究中，采用不同程度的铜污染土壤作为培养基质，选择春小麦、上海青两种农作物进行铜胁迫实验，获取了4个不同生育期、10个不同铜污染强度下的植被叶片的反射光谱，并采用铜污染叶片7个特征波段和光谱角的方法研究了铜污染叶片的光谱特征。结果表明，铜污染叶片光谱差异与作物时期和作物类型有关，可以采用叶片光谱角描述铜污染叶片与健康叶片的光谱差异。该方法只需与阈值做简单的比较，方法简便易行，而且对轻度及重度铜污染十分敏感。叶片光谱辐射传输模型反演结果表明铜污染叶片内部结构参数N明显变大，这也证明了铜污染使叶片内部结构更加散乱无序。在此基础上进一步建立了N与红肩处反射率值的线性关系，相关系数为0.978。本文为铜污染叶片光谱反射模型的建立提供了初步的数据基础与理论支持。

... 朱叶青^[7]等利用特征波段结合光谱角的方法对铜胁迫下小麦和上海青的光谱进行分析, 建立了铜胁迫叶片光谱反射模型 ...

2015

0.0

... Rathod^[8]等指出波段深度、叶绿素指数及水胁迫指数与植被叶片中的砷含量具有显著相关性, 可用来判别植被受重金属污染的程度 ...

2017

0.0

... 刘聪^[9]等基于小波分解、计算分形维数和奇异性分析发现能有效诊断玉米铜污染程度 ...

2019

0.0

... 郭辉^[10]等通过对玉米光谱两个子波段进行谐波分析, 探索了谐波子信号与铜胁迫梯度的规律 ...

2014

0.0

... 本工作设计并提出了一种基于归一化植被指数的新型铜胁迫植被指数(new copper stress vegetation index, NCSVI)探索铜胁迫下玉米光谱敏感子区间, 并与常用的水波段指数(WBI)、改进的叶绿素吸收率指数(MCARI)和归一化水指数(NDWI)^[11]进行对比分析, 验证了该指数在玉米叶片铜污染监测上具有一定的优越性 ...

2019

0.0

... 4 相关性分析分析植被指数与玉米叶片Cu²⁺含量的相关关系选用的是皮尔逊相关系数r(Pearson correlation coefficient)和均方根误差RMSE(root mean square error)^[12] ...