引用本文
张超, 杨可明, 商云涛, 牛颖超, 夏天. 矿区地质资料模拟铅污染环境下LDI诊断玉米敏感光谱区间[J]. 光谱学与光谱分析, 2025,45(6): 1752-1758.
ZHANG Chao, YANG Ke-ming, SHANG Yun-tao, NIU Ying-chao, XIA Tian. Simulating Lead Pollution Environment Based on Geological Data of Mining Areas LDI Diagnosis of Sensitive Spectral Range in Maize[J]. Spectroscopy and Spectral Analysis, 2025,45(6): 1752-1758.
Doi:10.3964/j.issn.1000-0593(2025)06-1752-07  
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
矿区地质资料模拟铅污染环境下LDI诊断玉米敏感光谱区间
张超1,2,3, 杨可明4, 商云涛1,3,*, 牛颖超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: syuntao@mail.cgs.gov.cn

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: 1581006343@qq.com

收稿日期: 2024-08-08 修订日期: 2024-11-30
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

为有效获取重金属铅污染下, 玉米叶片有效光谱响应子区间, 支撑农作物重金属监测, 利用高光谱遥感为核心技术, 通过设置玉米盆栽实验, 以重金属铅污染下的玉米为实验对象, 选用SVC地物光谱仪采集一套完整的玉米叶片高光谱遥感数据集。 基于改进红边归一化指数, 设计了一种铅探测指数(LDI), 获取了重金属铅污染下玉米叶片有效光谱响应子区间。 首先, 将训练集玉米原始反射率光谱数据选用Daubechies小波系中的Db5小波进行去噪, 得到小波分解的第5层高频组分d5分量。 然后, 将玉米叶片350~2 500 nm整个光谱区间划分11个子波段区间, 利用每个子波段区间中间波长对应的d5小波系数值建立LDI。 其次, 利用相关性指标皮尔逊相关系数 r, 将LDI与三种常规光谱指数(PRI, MTCI, mSR)进行对比, 训练集数据得到的重金属铅污染下玉米叶片有效光谱响应子区间分别为紫谷、 绿峰、 近红外平台和近边, 皮尔逊相关系数绝对值均大于0.9, 分别为0.911 0、 0.915 5、 0.905 1和0.907 6, 而与其对比的三种常规的光谱指数与叶片中重金属铅含量的皮尔逊相关系数绝对值均小于0.9, LDI有效性高。 最后, 利用验证集数据同样得到重金属铅污染下玉米叶片有效光谱响应子区间分别为紫谷、 绿峰、 近红外平台和近边, 皮尔逊相关系数绝对值均大于0.9, 验证集一和验证集二的皮尔逊相关系数 r分别为-0.999 9、 -0.973 0、 0.914 2、 0.905 7和-0.999 9、 0.911 7、 -0.914 6、 0.910 3, 而与其对比的三种常规的光谱指数与叶片中重金属铅含量的皮尔逊相关系数绝对值均小于0.9。 结果表明, 在重金属铅污染下, 玉米叶片有效光谱响应子区间为紫谷、 绿峰、 近红外平台和近边四个子波段区间。 研究结果可为其他农作物重金属污染监测提供技术支撑。

关键词: 玉米叶片; 高光谱遥感; 铅污染; 光谱指数; 农作物
中图分类号:TP75 文献标志码:A
Simulating Lead Pollution Environment Based on Geological Data of Mining Areas LDI Diagnosis of Sensitive Spectral Range in Maize
ZHANG Chao1,2,3, YANG Ke-ming4, SHANG Yun-tao1,3,*, NIU Ying-chao1,3, 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

To effectively obtain effective spectral response sub intervals of maize leaves under heavy metal lead pollution, and support heavy metal monitoring of crops. This article used hyperspectral remote sensing as the core technology and set up a maize pot experiment to collect a complete set of hyperspectral remote sensing data for maize leaves under heavy metal lead pollution using the SVC land cover spectrometer. A Lead Detection Index (LDI) was designed based on an improved Red Edge Normalization Index to obtain effective spectral response sub intervals of maize leaves under heavy metal lead pollution. Firstly, the original reflectance spectral data of maize in the training set was denoised by using the Db5 wavelet in the Daubechies wavelet series, resulting in the d5 component of the high-frequency component in the 5th layer of the wavelet decomposition. Then, we divided the entire spectral range of mazie leaves from 350 to 2 500 nm into 11 subband intervals and established LDI using the d5 wavelet coefficient values corresponding to the middle wavelength of each subband interval. Using the Pearson correlation coefficient r, LDI was compared with three conventional spectral indices (Photochemical Reflection Index, PRI; Meris Territorial Chlorophyll Index, MTCI; Modified Red Edge Simple Ratio Index, mSR). The effective spectral response sub-intervals of maize leaves under heavy metal lead pollution obtained from the training set data are purple valley, green peak, near-infrared platform, and near edge. The absolute values of Pearson correlation coefficients are all greater than 0.9, which are 0.911 0, 0.915 5, 0.905 1, and 0.907 6, respectively. In contrast, the absolute values of Pearson correlation coefficients between the three conventional spectral indices and the heavy metal lead content in the leaves are all less than 0.9, indicating high LDI effectiveness. Finally, we used the validation set data to obtain the effective spectral response subintervals of maize leaves under heavy metal lead pollution: purple valley, green peak, near-infrared platform, and near edge. The absolute Pearson correlation coefficients were all greater than 0.9. The Pearson correlation coefficients r for validation set one and validation set two were -0.999 9, -0.973 0, 0.914 2, 0.905 7, and -0.999 9, 0.911 7, -0.914 6, and 0.910 3, respectively. However, the absolute Pearson correlation coefficients between the three conventional spectral indices and the heavy metal lead content in the leaves were all less than 0.9. The results showed that under heavy metal lead pollution, the effective spectral response subbands of maize leaves were purple valley, green peak, near-infrared platform, and near-edge four subbands. The research results can provide technical support for monitoring heavy metal pollution in other crops.

Keyword: Maize leaves; Hyperspectral remote sensing; Lead pollution; Spectral index; Crops
引言

近年, 矿山持续开采, 矸石堆、 尾矿等的产生造成的矿区重金属污染事件频发, 由此引发的农田污染越来越受到农业领域研究者的重视[1]。 农作物重金属监测成为农业遥感的热点方向[2], 而高光谱遥感的迅猛发展为研究提供了技术支撑[3, 4]。 最近, 国务院印发《新一轮千亿斤粮食产能提升行动方案(2024— 2030年)》, 指出粮食安全是“ 国之大者” , 保障粮食安全是永恒课题, 在未来一段时期内, 需要进一步提升粮食产能, 有效保障国家粮食安全[5]。 玉米作为中国三大主粮作物之一, 是单产量最高、 种植范围最广的谷类作物, 同时也是第一大饲料的原材料, 在中国农业生产和经济发展中占有举足轻重的地位。 中国玉米收获面积位居世界第一, 产量和总消费量均位居世界第二, 其中饲用玉米消费量位居世界第一[6]。 因此利用高光谱技术监测玉米重金属污染, 保障玉米健康生长具有重要意义[7]。

已有很多研究者通过光谱指数、 监测模型等手段进行重金属污染监测, 取得了一定的效果。 Li等利用构建的高光谱指数有效识别了土壤重金属污染, 并且模型具有很好的稳定性[8]。 高伟等利用构建的CLCDF模型对农作物的重金属污染元素进行了区分, 取得了较好的结果[9]。 Zhang等利用构建的CSVI指数对重金属铜污染下多种植被的污染进行了监测, 研究结果具有一定的指示作用[10]。 杨可明等利用构建的DSAT模型对重金属铅污染下的农作物进行监测, 找到了敏感光谱区间, 研究结果相关性超过85%[11]。 Guo等利用构建的ML模型发现了重金属污染垂直分布的原因及地下重金属的元素类别[12]。 另外有不少研究者利用光谱特征融合提取等手段对植被污染做了相关研究[13, 14]。

以上重金属污染监测研究方法计算方法过于复杂和冗余, 普适性不太高。 而且很少有结合光谱子区间进行重金属污染监测。 本文基于改进红边归一化指数, 设计了一种铅探测指数(lead detection index, LDI)探测重金属铅污染下玉米有效光谱响应子区间, 取得了很好的效果。 本次研究成果意在为其他农作物重金属污染监测提供理论支撑。

1 实验部分
1.1 材料

通过实验来模拟野外矿区农田重金属污染情况, 玉米种植品种选择“ 密糯八号” , 研究对象为不同浓度重金属铅污染下的玉米叶片。 重金属铅污染实验选择Pb(NO3)2溶液作为污染土壤试剂, 浓度分别为0、 50、 150、 200、 300和600 μ g· g-1, 即Pb(0)、 Pb(50)、 Pb(150)、 Pb(200)、 Pb(300)、 Pb(600), 为了避免偶然误差的影响, 每组浓度均设置三组平行对照组来保证结果的准确性。 在玉米的整个生长期, 通过浇灌足够的水分和空气顺畅, 保证玉米适当的生长环境。

1.2 数据获取

选取SVC HR-1024I型高性能地物光谱仪, 对玉米关键生长期出穂期玉米叶片进行光谱数据采集。 每个植株分别采集老(O)、 中(M), 新(N)三种叶片的数据。 每个叶片分别采集三次光谱, 求取平均值后即为该叶片的光谱反射率数据; 三种叶片的光谱反射率均值即为该株玉米叶片的光谱反射率; 每组浓度三组平行对照组的均值光谱即为该污染浓度下玉米叶片的光谱反射率。 选取Perkin Elmer, Elan DCR-e型等离子体质谱分析仪采集玉米叶片重金属铅含量数据。 为了用于本文研究训练和验证, 将采集的数据分为三部分: 第一部分每个污染浓度下的均值数据用于构建指数; 为了对指数的鲁棒性进行验证, 随机取第二盆系列[Pb(50)-2、 Pb(150)-2、 Pb(200)-2]和第三盆系列[Pb(0)-3、 Pb(50)-3、 Pb(150)-3、 Pb(200)-3]的均值数据用于指数验证。表1显示了数据集的分组(每个标记均包含一条光谱数据和叶片重金属含量数据), 图1显示了训练集、 验证集和玉米叶片对应重金属含量数据。

表1 数据集的分组 Table 1 Grouping of datasets

图1 训练集、 验证集的光谱数据和对应重金属含量数据Fig.1 Spectral data and corresponding heavy metal content data for the training set and validation set

1.3 原理方法

1.3.1 小波变换

小波变换不仅在时间域和频率域上具有表现信号局部特征的能力, 而且在高频部分具备高的时间分辨率和低的频率分辨率, 在低频部分具备低的时间分辨率和高的频率分辨率, 其适用于探测正常信号中出现的异常并表明成分[15]。 根据相关文献可知, Daubechies小波系中的Db5小波对探测重金属污染下农作物反射率光谱的异常信号具有很好的适用性, 如式(1)所示[15]。

F(λ)=aj(λ)+∑i=1jdi(λ)(1)

式(1)中: F(λ )为叶片的原始光谱反射率信息, j为小波分解层数, di为高频信号; aj为低频信号。

1.3.2 光谱划分

本文为了获取重金属铅污染下玉米叶片有效光谱响应子区间, 根据相关文献, 将玉米叶片350~2 500 nm整个光谱区间划分11个子波段区间, 如图2所示。

图2 玉米光谱区间划分图Fig.2 Spectral interval division diagram of maize

1.3.3 相关性指标

皮尔逊相关系数r(Pearson correlation coefficient)用于光谱指数与玉米叶片重金属铅含量相关性分析。 r用于表征两个变量之间关系强度的统计量, 取值范围[-1, 1], 1代表两个变量正相关性强, -1代表两个变量负相关性强, 0代表两个变量没有线性关系, 如式(2)所示[16]。

r=∑[(Xi-Xmean)(Yi-Ymean)]sqrt(∑(Xi-Xmean)2)sqrt(∑(Yi-Ymean)2)(2)

式(2)中, r表示皮尔逊相关系数, Xi和Yi分别表示两个变量的观测值, Xmean和Ymean分别表示两个变量的均值。

2 结果与讨论
2.1 光谱预处理

将训练集数据和验证集数据中的叶片原始反射率光谱数据350~2 500 nm进行Db5小波分解, 得到第5层高频组分数据d5。 根据相关研究表明, d5能够除去噪声并完整保留信号变异信息, 如图3所示。

图3 玉米小波分解Fig.3 Maize wavelet decomposition

2.2 构建LDI指数

相关研究表明窄带绿度指数对叶聚丛、 冠层结构、 叶子表面冠层、 叶绿素含量等特别敏感, 因为它采用了红边(红色与近红外区域部分, 690~740 nm, 包含散射和吸收), 其比宽带绿度指数灵敏性更高, 尤其对茂密的植被[17]。 改进红边归一化植被指数(modified red edge normalized difference vegetation index, mNDVI705)是红边归一化植被指数(red edge normalized difference vegetation index, NDVI705)的改进型, 它不仅考虑了叶片的镜面反射效应, 而且对林窗片断和衰老, 以及叶冠层的微小变化非常灵敏, 同时可以用于植被胁迫性探测、 精细农业、 森林监测等[18]。 但是mNDVI705的构建只是选择了蓝边和红边两个光谱子区间的原始波段的反射率, 其他光谱子区间并未被考虑。 Db5小波在去除高频噪声方面有显著的优势和适用性, Db5小波多分辨率的特点, 能够由粗及精地逐步观察信号, 从而有效地分离出信号中的高频噪声成分。 并且时频局部化特性使得Db5小波能够聚焦到信号的微小细节, 对高频噪声进行更精确的去除, 因此对含有突变信息的信号非常有效。

因此本文设计了基于改进红边归一化植被指数mNDVI705的铅探测指数(lead detection index, LDI)用于探测重金属铅污染下玉米有效光谱响应子区间。 将指数原始反射率光谱数据替换为Db5小波变换后对应的小波系数值。 同时, 增加光谱划分后的11个子波段区间中间波段的d5小波系数值参与计算。 改进红边归一化植被指数mNDVI705的构建是基于特定光谱波段, 有其一定的局限性。 而LDI是在其基础上利用了整个光谱反射率的全部子区间参与计算, 获得了玉米叶片有效响应的特定光谱子区间, 从而增强了铅污染的检测灵敏度, 因此具有显著的独特性和创新性。 本次玉米盆栽实验采用的控制变量法, 所以d5小波系数值的异常变化是由于不同浓度重金属铅污染造成的。 指数公式如式(3)所示。

LDI=D750-D705-D(λm)D750+D705-2×D445-D(λm)(3)

式(3)中: λ 为波长, D445、 D705、 D750分别为λ 445、 λ 705、 λ 750对应的d5小波系数值, D(λ m)为λ m对应的d5小波系数值。

2.3 常规光谱指数

三种常规光谱指数(photochemical reflectance index, PRI; meris terrestrial chlorophyll index, MTCI; modified red edge simple ratio index, mSR)计算公式如表2所示。

表2 常规光谱指数 Table 2 Conventional spectral index

其中R445、 R531、 R665、 R705、 R750分别为波段445、 531、 665、 705、 750对应的光谱反射率值。

2.4 LDI探测光谱响应子区间

利用训练集数据, 分别计算划分的光谱子区间中LDI值, 并利用相关性指标与三种常规光谱指数进行对比分析, 计算结果如表3所示。 由表3可知, LDI在划分的光谱子区间与叶片中重金属铅含量的相关性结果普遍较好。 为了获取重金属铅污染下玉米叶片有效光谱响应子区间, 设置满足皮尔逊相关系数绝对值|r|≥ 0.9的为有效光谱响应子区间。 则可得, 紫谷、 绿峰、 近红外平台和近边满足要求, 皮尔逊相关系数分别为0.911 0、 0.915 5、 0.905 1、 0.907 6, 而三种常规的光谱指数PRI、 MTCI、 mSR与叶片中重金属铅含量的皮尔逊相关系数绝对值|r|均小于0.9。

表3 训练集数据相关性计算 Table 3 Correlation calculation of training set data

训练集分析结果表明, 在不同浓度重金属铅污染下, LDI指数对检测重金属铅污染非常的灵敏, 同时获取了重金属铅污染下玉米叶片有效光谱响应子区间, 分别为紫谷、 绿峰、 近红外平台和近边, LDI有效性高, 可用于监测农作物重金属铅污染。

2.5 结果验证

为进一步确定LDI的稳定性, 利用验证集数据分别计算划分的光谱子区间中LDI值, 并利用相关性指标与三种常规光谱指数进行对比分析, 计算结果如表4所示。 由表4可知, LDI在划分的光谱子区间与叶片中重金属铅含量的相关性结果普遍较好。 根据训练集设置的皮尔逊相关系数绝对值|r|≥ 0.9的为有效光谱响应子区间。 则可得, 验证集一中, 紫谷、 绿峰、 近红外平台和近边满足要求, 皮尔逊相关系数分别为-0.999 9、 -0.973 0、 0.914 2、 0.905 7, 而三种常规的光谱指数PRI、 MTCI、 mSR与叶片中重金属铅含量的皮尔逊相关系数绝对值|r|均小于0.9。 验证集二中, 紫谷、 绿峰、 近红外平台和近边满足要求, 皮尔逊相关系数分别为-0.999 9、 0.911 7、 -0.914 6、 0.910 3, 而三种常规的光谱指数PRI、 MTCI、 mSR与叶片中重金属铅含量的皮尔逊相关系数绝对值|r|均小于0.9。

表4 验证集数据相关性计算 Table 4 Correlation calculation of validation set data

验证集分析结果表明, 在不同浓度重金属铅污染下, LDI指数对检测重金属铅污染非常的灵敏, 同时获取了重金属铅污染下玉米叶片有效光谱响应子区间, 分别为紫谷、 绿峰、 近红外平台和近边, 与训练集结果一致, LDI具有良好的有效性和稳定性, 可用于监测农作物重金属铅污染。

3 结论

通过利用频率域信号处理方法对玉米叶片原始反射率光谱数据进行去噪处理, 根据划分的光谱子区间, 基于改进红边归一化植被指数mNDVI705设计了铅探测指数LDI, 对检测重金属铅污染非常的灵敏, 同时在探测重金属铅污染下玉米叶片有效光谱响应子区间的研究中具备独特的优势, 得到下述结论: (1)利用训练集数据得到的重金属铅污染下玉米叶片有效光谱响应子区间分别为紫谷、 绿峰、 近红外平台和近边, 皮尔逊相关系数绝对值|r|均大于0.9, 分别为0.911 0、 0.915 5、 0.905 1、 0.907 6, 而与其对比的三种常规的光谱指数PRI、 MTCI、 mSR与叶片中重金属铅含量的皮尔逊相关系数绝对值|r|均小于0.9, LDI有效性高。 (2)利用验证集数据同样得到重金属铅污染下玉米叶片有效光谱响应子区间分别为紫谷、 绿峰、 近红外平台和近边, 皮尔逊相关系数绝对值|r|均大于0.9, 验证集一和验证集二的皮尔逊相关系数r分别为-0.999 9、 -0.973 0、 0.914 2、 0.905 7和-0.999 9、 0.911 7、 -0.914 6、 0.910 3, 而与其对比的三种常规的光谱指数PRI、 MTCI、 mSR与叶片中重金属铅含量的皮尔逊相关系数绝对值|r|均小于0.9, LDI具有有效性和稳定性。

本次研究巧妙地通过设置玉米盆栽实验的方式模拟了野外矿区农田重金属污染情况, 基于频率域信号处理方法和传统窄带绿度指数设计了新的铅探测指数, 实现了重金属铅污染下玉米叶片有效光谱响应子区间的探测, 可用于监测农作物铅污染。 研究结果不仅可以为其他农作物重金属污染监测提供技术支撑, 而且可以为影像尺度大范围监测提供理论基础。

参考文献
[1] 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]
[2] Su H F, Zhang Y Z, Lu Z C, et al. Journal of Cleaner Production, 2022, 373: 133825. [本文引用:1]
[3] Kendler R S, Mano Z, Aharoni R, et al. Scientific Reports, 2022, 12(1): 17580. [本文引用:1]
[4] 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), 2023, 37(1): 332. [本文引用:1]
[5] 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]
[6] Blumberg A, Schodlok M C. International Journal of Applied Earth Observation and Geoinformation, 2022, 114: 103034. [本文引用:1]
[7] WU Qi, SUN Yang-ming, SANG Jun-wei, et al(邬奇, 孙扬名, 桑俊伟, 等). Jiangsu Agricultural Sciences(江苏农业科学), 2024, 52(3): 47. [本文引用:1]
[8] Li Y R, Yang K M, Wu B, et al. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2022, 278: 121318. [本文引用:1]
[9] GAO Wei, YANG Ke-ming, CHEN Gai-ying, et al(高伟, 杨可明, 陈改英, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2021, 37(3): 173. [本文引用:1]
[10] Zhang C Y, Ren H Z, Qin Q M, et al. Remote Sensing Letters, 2017, 8(6): 576. [本文引用:1]
[11] 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:1]
[12] Guo Z H, Zhang Y X, Xu R, et al. The Science of the Total Environment, 2023, 856(P2): 159264. [本文引用:1]
[13] Liu F, Wang F, Wang X Q, et al. Agronomy, 2022, 12(10): 2350. [本文引用:1]
[14] GUO Xiao-yan, YU Shuai-qing, SHEN Hang-chi, et al(郭小燕, 于帅卿, 沈航驰, 等). Transactions of the Chinese Society of Agricultural Machinery(农业机械学报), 2022, 53(12): 301. [本文引用:1]
[15] YU Hai-yang, XIE Sai-fei, GUO Ling-hui, et al(于海洋, 谢赛飞, 郭灵辉, 等). Transactions of the Chinese Society of Agricultural Machinery(农业机械学报), 2022, 53(8): 231. [本文引用:2]
[16] GUO Wen-juan, FENG Quan, LI Xiang-zhou, et al(郭文娟, 冯全, 李相周, 等). Journal of Chinese Agricultural Mechanization(中国农机化学报), 2022, 43(10): 157. [本文引用:1]
[17] Wang Y Y, Xiong F, Zhang Y, et al. Food Chemistry, 2023, 404(Part A): 134503. [本文引用:1]
[18] LI Guo-xu, GENG Jing, XU Xuan-hong, et al(李国旭, 耿静, 许选虹, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2022, 38(12): 224. [本文引用:1]
[19] 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]