引用本文
张超, 吴轩, 杨可明, 齐钒宇, 夏天. Cu2+污染下农作物叶片特征光谱探究 [J]. 光谱学与光谱分析, 2025,45(1): 264-271.
ZHANG Chao, WU Xuan, YANG Ke-ming, QI Fan-yu, XIA Tian. Exploration of Spectral Characteristics of Crop Leaves Under Cu2+Pollution [J]. Spectroscopy and Spectral Analysis, 2025,45(1): 264-271.
Doi:10.3964/j.issn.1000-0593(2025)01-0264-08  
Permissions
Copyright©2025, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
Cu2+污染下农作物叶片特征光谱探究
张超1,2,3, 吴轩1,3, 杨可明4,*, 齐钒宇1,3, 夏天5
1.中国地质调查局发展研究中心, 北京 100037
2.中国地质大学(北京)地球科学与资源学院, 北京 100083
3.全国地质资料馆, 北京 100037
4.中国矿业大学(北京)地球科学与测绘工程学院, 北京 100083
5.中国资源卫星应用中心, 北京 100094
*通讯作者 e-mail: ykm@163.com

作者简介: 张 超, 1988年生, 中国地质调查局发展研究中心工程师, 全国地质资料馆与中国地质大学(北京)地球科学与资源学院联合培养博士后 e-mail: 18811417921@163.com

收稿日期: 2024-06-18 修订日期: 2024-07-15
基金: 地质资料集成研究与社会化服务(DD20240100), 国家自然科学基金项目(41971401), 国家重点研发计划项目(2019YFC1904304)资助
摘要

为探究重金属胁迫下农作物污染响应的敏感叶型及谱段, 设计了室外温室环境下的不同铜胁迫梯度玉米花盆试验。以玉米叶片为探究对象, 利用仪器测定了出穂期玉米叶片的高光谱反射率数据以及叶片中重金属含量数据, 为研究提供了基础数据。从频率域角度, 结合时频分析的方法设计了叶片光谱探测法(LSDM), 获得了重金属铜胁迫下敏感叶型及谱段, 为农作物重金属监测提供技术支撑。根据玉米的生长过程, 从老叶(O)、 中叶(M)、 新叶(N)光谱350~1 300 nm的全谱段和子谱段角度进行探究。(1) 对铜胁迫下玉米叶片的高光谱反射率数据进行双微分(SOD)和包络线移除(CR), 转换到频率域上, 结合时频分析的方法进行Daubechies小波6层分解。(2) 根据信号异常点、 小波高值点和SODCR曲线高值点, 定义玉米叶片的光谱异常参数(SAP)。异常变化反射率ACR(异常反射率与其后一个相邻波段反射率差值的绝对值); 异常小波系数AWC(异常小波系数与其后一个相邻波段小波系数差值的绝对值); 异常SODCR值ASV(异常点SODCR值与其后一个相邻波段SODCR值差值的绝对值)。通过光谱异常参数与玉米叶片重金属含量的相关关系, 探究对铜污染响应敏感的叶型及谱段。结果表明, 叶片光谱探测法LSDM能高效地对玉米叶片弱信息进行增强, 并准确定位出重金属铜胁迫引起的光谱异常谱段位置, 异常变化范围集中在350~800 nm内; 光谱异常参数能定量地衡量玉米叶片在重金属铜胁迫下的光谱异常; 在不同铜胁迫梯度下, 玉米新叶(N)为敏感叶型, 敏感谱段为蓝边、 绿峰、 黄边、 红谷。该研究有望为其他谷类农作物及其冠层尺度重金属监测提供技术支撑。

关键词: 重金属胁迫; 玉米叶片; 高光谱; 敏感叶型; 敏感谱段
中图分类号:TP75 文献标志码:A
Exploration of Spectral Characteristics of Crop Leaves Under Cu2+Pollution
ZHANG Chao1,2,3, WU Xuan1,3, YANG Ke-ming4,*, QI Fan-yu1,3, XIA Tian5
1. Development and Research Center, China Geological Survey, Beijing 100037, China
2. School of Earth Science and Resources, China University of Geosciences (Beijing), Beijing 100083, China
3. National Geological Archives of China, Beijing 100037, China
4. College of Geoscience and Surveying Engineering, China University of Mining and Technology (Beijing), Beijing 100083, China
5. China Centre for Resources Satellite Data and Application, Beijing 100094, China
*Corresponding author
Abstract

A maize pot experiment with different copper stress gradients was designed in an outdoor greenhouse to explore the sensitive leaf types and spectral ranges of crop pollution response under heavy metal stress. Taking maize leaves as the research object, the hyperspectral reflectance data and heavy metal content data of maize leaves during the heading period were measured using instruments, providing basic data for research. This paper designed the Leaf Spectral Detection Method (LSDM) from the frequency domain perspective, combined with time-frequency analysis, to obtain sensitive leaf shapes and spectral bands under heavy metal copper stress, providing technical support for heavy metal monitoring in crops. Based on the growth process of maize, this study explores the full spectrum and sub-spectrum of the old leaf (O), middle leaf (M), and new leaf (N) spectra from 350 to 1 300 nm. Firstly, the hyperspectral reflectance data of maize leaves under copper stress were subjected to double differentiation (SOD) and envelope removal (CR) and transformed into the frequency domain. The Daubechies wavelet 6-layer decomposition was performed using time-frequency analysis methods. Then, based on the signal anomaly points, wavelet high-value points, and SODCR curve high-value points, the spectral anomaly parameters SAP (Spectral Anomaly Parameters) of maize leaves are defined, namely: Abnormal Changes Reflectivity (ACR), which is the absolute value of the difference between the abnormal reflectance and the reflectance of the next adjacent band; Abnormal Wavelet Coefficients (AWC), which is the absolute value of the difference between the abnormal wavelet coefficients and the wavelet coefficients of the next adjacent band; Abnormal SODCR value (ASR), which is the absolute value of the difference between the abnormal point SODCR value and the SODCR value of the next adjacent band. Finally, by examining the correlation between spectral anomaly parameters and heavy metal content in maize leaves, we aim to explore the leaf types and spectral segments sensitive to copper pollution. The results showed that the leaf spectral detection method LSDM can efficiently enhance weak information in maize leaves and accurately locate the spectral anomaly caused by heavy metal copper stress, with the anomaly range concentrated within 350 to 800 nm; Spectral anomaly parameters can quantitatively measure the spectral anomalies of maize leaves under heavy metal copper stress; Under different copper stress gradients, maize new leaves (N) exhibit sensitive leaf types, with sensitive spectral segments including blue edges, green peaks, yellow edges, and red valleys. This paper can provide technical support for monitoring heavy metals in other cereal crops and their canopy scales.

Keyword: Heavy metal stress; Maize leaves; Hyperspectral; Sensitive blade type; Sensitive spectral range
引言

我国不仅是玉米种植大国, 也是玉米消费和贸易大国。近些年我国收获玉米的面积世界居首, 产量仅次于美国, 玉米的总消费量世界第二, 其中饲用玉米消费量世界第一[1]。根据国家统计局的最新数据, 2022年我国玉米的种植面积高达64 605万亩, 折合约6.46亿亩, 与2013年的61 948.82万亩相比, 近十年增长了4.29%[2]。土壤质量健康是玉米生长的根基, 但是随着工农业污染、 不达标农药的使用以及工厂冶炼产生的废物等原因, 土壤重金属污染现象愈发凸显[3, 4]。受到污染的土壤, 超标含量的重金属不仅严重破坏农作物的健康生长和产量, 而且严重威胁人类的食品安全和身体健康[5]。铜(Cu)是生活中常见的重金属元素, 研究表明, 农作物吸收超标的Cu2+后, 生长受到抑制, 叶片光谱特性发生改变; 人体接触到Cu2+后, 轻者刺激胃肠道黏膜, 严重时出现肾功能衰竭等问题[6, 7]。

高光谱遥感技术监测农作物重金属污染目前是许多科研人员关注的焦点, 同样有效地监测农作物是否受到重金属污染, 是及时采取措施的关键[8, 9]。在农作物重金属监测中, 已有研究多数借助遥感影像和光谱参数进行农作物重金属监测, 或直接对农作物光谱反射率曲线进行特征分析[10, 11]。郭辉[12]等采用谐波分析(harmonic analysis, HA)处理农作物光谱数据, 根据光谱数据的谐波振幅和铜胁迫的相关性, 探析了农作物受重金属的污染程度。Zhang[13]等通过定义新型波段植被指数CSVI研究分析了重金属铜胁迫下植被的响应程度。杨可明[14]等构建了FD-CARS-MLP模型, 对农作物重金属污染信息进行光谱辨别, 具有一定的参考价值。

上述研究对于农作物光谱特征差异明显, 可以起到较好的区分效果, 但是当光谱特征差异比较小时, 区分效果不高。上述研究在数据处理和计算上颇为复杂, 普适性不够, 急需设计一种计算便捷、 快速有效的农作物重金属监测方法。本研究设计的叶片光谱探测法(leaf spectral detection method, LSDM)用于探测重金属铜胁迫下玉米敏感叶型及谱段, 为谷类农作物及其冠层尺度重金属监测提供技术支撑。

1 实验部分
1.1 试验设计

选用“ 密糯8号” 玉米植株, 以颗粒大小均匀并且饱满的玉米种子进行催芽, 对培育土壤进行过筛、 晒干与称重等处理。设置不同重金属铜胁迫梯度玉米花盆试验, 以关键生长期出穂期的玉米叶片为试验对象。玉米花盆分组: 铜(土壤中加入CuSO4· 5H2O溶液)胁迫组, 每个胁迫浓度设置3组平行对照试验用于误差的消除。胁迫浓度分别设置为0、 50、 100、 150、 400、 600、 800和1 000 μ g· g-1, 即: Cu(0)、 Cu(50)、 Cu(100)、 Cu(150)、 Cu(400)、 Cu(600)、 Cu(800)、 Cu(1 000)。玉米花盆均移置到温室中, 定期浇水及通风换气。

1.2 数据采集

采用SVC HR-1024I高性能地物光谱仪测定关键生长期出穂期玉米叶片的高光谱数据, 光谱仪的光谱范围为350~2 500 nm, 光谱分辨率在350~1 000 nm中≤ 3.5 nm; 1 000~1 885 nm中≤ 9.5 nm; 1 885~2 500 nm中≤ 6.5 nm。光谱数据的测定选择每个花盆玉米老(O)、 中(M)、 新(N)三类叶型, 每个叶片测定三次求取平均值即为此类叶型的反射率数据, 三类叶型的平均值为此盆玉米叶片的反射率数据, 图1所示为不同铜胁迫下玉米叶片的反射率光谱数据。采用电感耦合等离子发射光谱仪(ICP-OES)测定关键生长期出穂 期玉米叶片的重金属铜含量, 波长范围通常覆盖160~900 nm, 光学分辨率≤ 0.003 nm; 重金属含量测定时均以不同叶型进行。

图1 不同铜胁迫下玉米叶片的反射率光谱数据Fig.1 Spectral data of reflectance of maize leaves under different copper stress

训练集试验数据: 取三个花盆每类叶型的平均反射率光谱数据和三个花盆每类叶型的平均重金属含量数据。验证集试验数据: 取第一个花盆每类叶型的平均反射率光谱数据和第一个花盆每类叶型的平均重金属含量数据。即: Cu(0)-1、 Cu(50)-1、 Cu(100)-1、 Cu(150)-1、 Cu(400)-1、 Cu(600)-1、 Cu(800)-1、 Cu(1 000)-1及其对应的叶片重金属含量数据。

2 方法理论
2.1 光谱微分

高光谱数据的优点是相邻谱段间隔小, 波谱分辨率高。单微分(D)不仅可以体现原反射率曲线的斜率, 而且可以体现农作物生化成分吸收波形的改变, 计算公式如式(1)所示。单微分(D)不仅可以清除光谱的背景噪声和基线偏移, 而且可以辨识重叠光谱。双微分(SOD)可以对消除基线偏移和线性趋势均起作用。

D(Lx)=ρ(Lx+1)-ρ(Lx-1)Lx+1-Lx-1(1)

式(1)中: Lx-1、 Lx、 Lx+1是相邻波段; ρ (Lx-1)、 ρ (Lx+1)是波段Lx-1、 Lx+1对应的光谱反射率; D(Lx)是波段Lx对应的单微分值。

2.2 包络线移除

对波形相似的光谱反射率曲线直接提取特征比较困难, 所以要进行光谱曲线的处理。包络线移除(CR)可以有效增强光谱的吸收特征, 突出光谱的反射和吸收特征, 最后归一化反射率, 计算公式如式(2)所示

CRi=ρiρs+ρe-ρsLe-Ls×(Li-Ls)(2)

式(2)中: Li是第i个波段的波长值; ρ i是波段i的原始反射率值; ρ s、 ρ e是峰值点之间某段吸收曲线起点和终点的原始反射率值; Ls、 Le是此段吸收曲线里起点波长和终点波长; CRi是包络线移除值。

2.3 Daubechies小波

法国物理学家Morlet在20世纪80年代提出了频率域信号变换的方法。F(t)信号的小波变换

DF(m, n)=|a|-12∫-∞+∞F(t)Ωt-nmdt(3)

式(3)中: m、 n是尺度和平移因子, 其变换可以平移和伸缩时间窗口; Ω (t)是母小波, Ω m, n(t)是基函数, m和n变换后就得到基函数[见式(4)]。

Ωm, n(t)=1mΩt-nm(4)

在分解变换中, 小波分解可以探测信号的突变异常信息。小波系数在信号频率平稳处的值为0, 因此采用小波系数模值大小可以精确判断信号的序列频率[15]。

采用Daubechies小波将玉米叶片光谱反射率的350~1 300 nm分解到第6层时, 能够有效提取信号突变的变异信息。图2所示为Cu(50)为例的Db6小波示意图。

图2 Db6小波分解示意图-Cu(50)Fig.2 Schematic diagram of Db6 wavelet decomposition-Cu(50)

3 叶片光谱探测法构建
3.1 光谱范围选择

研究表明重金属污染后的农作物, 叶片中会出现大量的含氧自由基, 导致叶片叶绿素含量锐减。农作物叶片光谱1 300~2 500 nm中, 由于水分和大气的双重影响造成光谱的噪声严重, 并且1 300~1 600 nm(1 400 nm)和1 830~2 008 nm(1 900 nm), 光谱反射率出现明显的波谷, 会对试验结果产生较大干扰, 因此选择350~1 300 nm作为研究的光谱范围。

3.2 光谱异常响应机制

重金属铜的胁迫能够引起农作物叶绿素含量、 叶片细胞结构等生理参数的异常, 这些变化均可影响农作物光谱曲线的改变。在自然条件下, 农作物生理参数会随着重金属胁迫污染的程度不同而不同; 个别情况还会出现生理参数微小变化, 并不能造成光谱曲线的明显变化, 只会在个别谱段发生异常。正是由于这些异常造成农作物光谱曲线的变异, 因此为了使得农作物重金属监测的结果更加准确, 通常采用变换后的光谱数据进行重金属监测。

3.3 叶片光谱探测法LSDM

根据玉米的生长过程, 从老叶(O)、 中叶(M)、 新叶(N)光谱350~1 300 nm的全谱段和子谱段角度进行探究。将350~1 300 nm的全谱段划分为7个子谱段, 即: 紫谷350~430 nm、 蓝边430~530 nm、 绿峰530~580 nm、 黄边580~650 nm、 红谷650~690 nm、 红边690~750 nm、 近红外平台750~1 300 nm, 如图3所示。

图3 叶片子谱段Fig.3 Leaf sub spectral segments

叶片光谱探测法(leaf spectral detection method, LSDM):

对铜胁迫下玉米老叶(O)、 中叶(M)、 新叶(N)的高光谱反射率数据进行双微分(SOD)和包络线移除(CR), 转换到频率域上, 结合时频分析方法进行Daubechies小波6层分解。

根据信号异常点、 小波高值点和SODCR曲线高值点, 定义玉米叶片的光谱异常参数SAP(spectral anomaly parameters), 异常变化反射率ACR(abnormal changes reflectivity, 异常反射率与其后相邻波段反射率差值的绝对值); 异常小波系数AWC(abnormal wavelet coefficients, 异常小波系数与其后一个相邻波段小波系数差值的绝对值); 异常SODCR值ASV(abnormal SODCR value, 异常点SODCR值与其后一个相邻波段SODCR值差值的绝对值)。计算公式如(5)—式(7)所示。

ACR=|CR(Lx+1)-CR(Lx)|(5)

AWC=|WC(Lx+1)-WC(Lx)|(6)

ASV=|SV(Lx+1)-SV(Lx)|(7)

式(5)—式(7)中: Lx、 Lx+1分别是波段x、 波段x+1; CR(Lx)、 CR(Lx+1)分别是波段x、 波段x+1对应的反射率值; WC(Lx)、 WC(Lx+1)分别是波段x、 波段x+1对应的小波系数值; SV(Lx)、 SV(Lx+1)分别是波段x、 波段x+1对应的SODCR值; ACR、 AWC、 ASV分别是异常变化反射率、 异常小波系数、 异常SODCR值。

1个全谱段和7个子谱段光谱异常参数定义如式(8)—式(10)所示

ACR(x)=∑i=1nACRi(8)

AWC(x)=∑i=1nAWCi(9)

ASV(x)=∑i=1nASVi(10)

各式中: i是谱段内光谱异常参数的数量; x为某个谱段; ACRi、 AWCi、 ASVi分别是谱段内第i个光谱异常参数; ACR(x)、 AWC(x)、 ASV(x)分别是某个谱段的光谱异常参数之和。

通过光谱异常参数与玉米叶片重金属含量的相关关系, 探究对铜污染响应敏感的叶型及谱段。

(1)为了研究相关关系, 引入皮尔逊相关系数r(pearson correlation coefficient)和均方根误差RMSE(root mean square error)两个指标。

①皮尔逊相关系数r: 表征变量之间的线性相关关系, -1表示完全负相关性, 0表示完全无相关性, 1表示完全正相关性, 计算公式如式(11)所示。

r=1θ∑j=1θAj-A̅δABj-B̅δB(11)

式(11)中: Aj-A̅δA、 Bj-B̅δB、 A̅、 B̅、 δ A及δ B是对Aj、 Bj的标准分数、 样本平均值及样本标准差, θ 是样本数。

②均方根误差RMSE: 是均方误差的算数平方根, 是模拟值/真值与观测值偏差的平方与观测次数n比值的平方根。实际观测次数n是有限的, 真值用最佳值代替。由于均方根误差对测量中的极小或极大误差反映敏感, 因此均方根误差既可以正确反映测量的精密程度, 也可以衡量真值和观测值之间的偏差, 计算公式如式(12)所示。

RMSE=1θ∑j=1θ(obsj-prej)2(12)

式(12)中: obsj是第j次观测的观测值; prej是第j次观测的预测值; θ 是观测次数。

(2)为了研究相关关系, 引入三个传统重金属监测光谱指数与光谱异常参数进行对比分析: 即, 光化学反射指数PRI(photochemical reflectance index)、 归一化水指数NDWI(normalized difference water index)、 水分波段指数WBI(water band index), 计算公式如表1所示。这三个光谱指数在重金属监测领域具有广泛的认可度和应用基础。它们各自代表了不同光谱分析技术和方法的特点, 能够全面反映光谱分析在重金属监测中的多样性和复杂性。

表1 传统重金属监测光谱指数 Table 1 Traditional heavy metal monitoring spectral index

L531、 L570、 L860、 L900、 L970、 L1 240分别是波段531、 波段570、 波段860、 波段900、 波段970、 波段1 240的反射率值。

(3)敏感叶型及谱段

①敏感谱段: 在重金属铜胁迫下, 老叶(O)、 中叶(M)、 新叶(N)的波段区间内光谱异常参数SAP与对应叶片重金属含量相关关系均优于传统重金属监测光谱指数, 同时相关性均≥ 0.6。

②敏感叶型: 在重金属铜胁迫下, 老叶(O)、 中叶(M)、 新叶(N)的敏感谱段数均≥ 3。

4 叶片敏感叶型及谱段

采用训练集试验数据, 可以得到出穂期老叶(O)、 中叶(M)、 新叶(N)的反射率数据。Cu(50)N玉米叶片的3份平行对照试验的反射率数据Cu(50)N-1、 Cu(50)N-2和Cu(50)N-3, 将其平均值作为该胁迫梯度下新叶的反射率光谱数据。图4为不同浓度铜胁迫下叶片新叶的光谱反射率数据(350~1 300 nm)。

图4 不同浓度铜胁迫下新叶光谱反射率数据Fig.4 Spectral reflectance data of new leaves under different concentrations of copper stress

4.1 光谱异常特征分析

对不同浓度铜胁迫下的新叶(N)光谱进行双微分(SOD)、 包络线移除(CR), 得到SODCR数据, 如图5(a)所示。对SODCR数据进行Daubechies小波6层分解, 如图5(b)所示。光谱异常主要集中在350~800 nm谱段, d6小波变换不仅可以凸显信号的异常位置及异常幅值, 而且可以消除噪声, d6小波变换可以有效探测光谱异常信息。玉米花盆试验的变量仅为土壤中重金属含量不同, 因此可推断出, 光谱异常350~800 nm谱段的异常极大幅值的变化是由于重金属胁迫污染引起。

图5 (a)不同浓度铜胁迫下新叶(N)SODCR数据曲线; (b)Db6小波分解Fig.5 (a) SODCR data curves of new leaves under different concentrations of copper stress; (b) Db6 wavelet decomposition

如图6所示为不同浓度铜胁迫下新叶(N)Db6小波变换曲线, 随着重金属铜胁迫浓度的增加小波变换曲线极高值点总数目未变化, 但是极高值点的异常幅度出现了不同的改变, 表明随着重金属铜胁迫浓度的增加, 新叶(N)的反射率曲线出现了不同的变化。

图6 不同浓度铜胁迫下新叶(N)Db6小波变换曲线Fig.6 Db6 wavelet transform curves of new leaves under different concentrations of copper stress

4.2 光谱高频部分异常特征分析

以Cu(50)N作为示例, 对叶片光谱进行双微分(SOD)、 包络线移除(CR), 得到SODCR数据, 对其进行Daubechies小波6层分解, 如图7所示。在异常点的位置受重金属铜胁迫的叶片反射率值略大于未受重金属铜胁迫的叶片反射率值。光谱异常点主要集中在350~800 nm谱段, 叶片在受到重金属铜胁迫之后, 反射率发生了异常变化, 异常点位置对应小波系数极高值点, 因此经过叶片光谱探测法LSDM处理后, 可以对信号异常点的相关信息进行定量分析计算。

图7 信号异常点、 小波高值点和SODCR曲线高值点示意图Fig.7 Schematic diagram of signal anomaly points, wavelet high-value points, and SODCR curve high-value points

根据叶片光谱探测法LSDM, 对Cu(50)N的信号异常点、 小波高值点和SODCR曲线高值点及光谱异常参数进行统计, 如表2所示。对Cu(50)N的1个全谱段和7个子谱段内的光谱异常参数值、 不同浓度铜胁迫下新叶(N)光谱异常参数与叶片重金属含量相关性分别进行计算, 统计结果如表3所示。对不同浓度铜胁迫下新叶(N)的传统重金属监测光谱指数值、 传统重金属监测光谱指数与叶片重金属含量相关性分别进行计算, 统计结果如表4所示。

表2 信号异常点、 小波高值点、 SODCR曲线高值点及光谱异常参数计算 Table 2 Calculation of signal anomaly points, wavelet high-value points, SODCR curve high value points, and spectral anomaly parameters
表3 不同谱段内光谱异常参数值统计及相关关系计算结果 Table 3 Statistical analysis and correlation calculation of spectral anomaly parameter values within different spectral bands
表4 传统重金属监测光谱指数计算结果 Table 4 Calculation results of traditional heavy metal monitoring spectral index
4.3 光谱敏感叶型及谱段分析

据表3和表4, 训练集试验数据, 在不同浓度铜胁迫下, 新叶(N)的8个谱段内最大光谱异常参数的均方根误差为(SAP)RMSEmax=11.275 2, 而传统光谱指数最小的均方根误差为(TSI)RMSEmin=29.305 7, 8个谱段内所有光谱异常参数的均方根误差均小于传统光谱指数均方根误差, 因此光谱异常参数比传统光谱指数有效性更高。

传统光谱指数的皮尔逊相关系数(r)最大的绝对值为|(SAP)R|max=0.554 3, 结合(3.3 叶片光谱探测法LSDM)敏感叶型及谱段的定义, 得到在不同浓度铜胁迫下, 新叶(N)为敏感叶型; 敏感波段分别为蓝边(Blue Edge)、 绿峰(Green Peak)、 黄边(Yellow Edge)、 红谷(Red Valley)。

同理可得, 训练集试验数据: 在不同浓度铜胁迫下, 老叶(O)、 中叶(O)均非敏感叶型, 均无敏感谱段。验证集试验数据结果相同。

综上获得对重金属铜胁迫污染响应的敏感叶型及谱段如表5所示。

表5 铜胁迫下玉米光谱敏感叶型及谱段 Table 5 Spectral sensitive leaf types and spectral segments of maize under copper stress
5 结论

结合时频分析方法设计了叶片光谱探测法LSDM, 获得了重金属铜胁迫下敏感叶型及谱段, 结论如下:

(1)叶片光谱探测法LSDM能高效地对玉米叶片弱信息进行增强, 并准确定位出重金属铜胁迫引起的光谱异常谱段位置, 异常变化范围集中在350~800 nm。

(2)光谱异常参数能定量衡量玉米叶片在重金属铜胁迫下的光谱异常。

(3)通过研究光谱异常参数与玉米叶片重金属含量的相关关系, 以及与传统重金属监测光谱指数进行对比分析, 获得了重金属铜胁迫下敏感叶型及谱段。在不同铜胁迫梯度下, 玉米新叶(N)为敏感叶型, 敏感谱段为蓝边、 绿峰、 黄边、 红谷。

研究结果有望为其他谷类农作物及其冠层尺度重金属监测提供技术支撑。

参考文献
[1] HAN Tian-fu, LI Ya-zhen, QU Xiao-lin, et al(韩天富, 李亚贞, 曲潇林, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2022, 38(1): 100. [本文引用:1]
[2] SONG Hong-mei, LI Ting-liang, LIU Yang, et al(宋红梅, 李廷亮, 刘洋, 等). Journal of Soil and Water Conservation(水土保持学报), 2022, 37(1): 1. [本文引用:1]
[3] TIAN Wen, ZONG Da-peng, FANG Cheng-gang, et al(田稳, 宗大鹏, 方成刚, 等). China Environmental Science(中国环境科学), 2022, 42(10): 4901. [本文引用:1]
[4] SU Yan-fang, LI Ming-li, ZHAO Pei-qiang, et al(苏艳芳, 李明丽, 赵培强, 等). Applied Chemical Industry(应用化工), 2024, 53(5): 1234. [本文引用:1]
[5] Su Haifeng, Zhang Yanzhao, Lu Zichun, et al. Journal of Cleaner Production, 2022, 373: 133825. [本文引用:1]
[6] Lin T, Zheng Q X, You G L, et al. Doklady Earth Sciences, 2022, 506(1): 839. [本文引用:1]
[7] Geetha N, Sunilkumar C R, Bhavya G, et al. Environmental Research, 2022, 216(1): 114498. [本文引用:1]
[8] LI Jun-meng, ZHAI Xue-dong, YANG Zi-han, et al(李俊猛, 翟雪东, 杨子涵, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2022, 42(9): 2890. [本文引用:1]
[9] Kendler S, Mano Z, Aharon R, et al. Scientific Reports, 2022, 12(1): 17580. [本文引用:1]
[10] Blumberg A, Schodlok M C. International Journal of Applied Earth Observation and Geoinformation, 2022, 114: 103034. [本文引用:1]
[11] Arif M, Qi Y C, Dong Z, et al. Journal of Cleaner Production, 2022, 374: 133922. [本文引用:1]
[12] GUO Hui, YANG Ke-ming, ZHANG Chao(郭辉, 杨可明, 张超). Transactions of the Chinese Society of Agricultural Machinery(农业机械学报), 2019, 50(10): 153. [本文引用:1]
[13] Zhang C Y, Ren H Z, Qin Q M, et al. Remote Sensing Letters, 2017, 8(6): 576. [本文引用:1]
[14] YANG Ke-ming, HE Jia-le, LI Yan-ru, et al(杨可明, 何家乐, 李艳茹, 等). Transactions of the Chinese Society of Agricultural Machinery(农业机械学报), 2023, 54(9): 254. [本文引用:1]
[15] LI Yan, YANG Ke-ming, WANG Min, et al(李燕, 杨可明, 王敏, 等). Journal of Agro-Environment Science(农业环境科学学报), 2019, 38(1): 14. [本文引用:1]
[16] QIU Xue-hong, CAO Li, HAN Ri-chou(丘雪红, 曹莉, 韩日畴). Journal of Environmental Entomology(环境昆虫学报), 2020, 42(2): 267. [本文引用:1]