張靜靜 周衛(wèi)紅 鄒萌萌 劉影 陶春柳 李建龍

摘要：為了利用高光譜遙感有效地監(jiān)測(cè)農(nóng)作物葉片中的重金屬含量變化，在化學(xué)分析和農(nóng)作物葉片對(duì)銅元素含量增加的敏感性基礎(chǔ)上，利用光譜植被指數(shù)定量監(jiān)測(cè)作物葉片銅元素含量變化，為大面積、快速、準(zhǔn)確、無(wú)損地監(jiān)測(cè)農(nóng)田水稻葉片重金屬含量變化提供技術(shù)支持。以張家港市為研究區(qū)域，實(shí)地采集水稻葉片樣品21個(gè)。采用便攜式高光譜地物波譜儀，獲取灌漿期水稻植株葉片的光譜反射率并提取光譜指數(shù)，室內(nèi)測(cè)定葉片重金屬銅含量，并分析水稻葉片重金屬銅含量與不同類(lèi)型光譜指數(shù)的相關(guān)性。結(jié)果表明，高光譜數(shù)據(jù)對(duì)葉片銅含量變化的敏感性較好，其中，紅邊位置（REP）、綠波段歸一化差異指數(shù)（GNDVI）、比值植被指數(shù)（RVI）、Vogelmann紅邊指數(shù)（VOGI）和地面葉綠素指數(shù)（MTCI）可分別作為估測(cè)葉片銅含量的敏感光譜指數(shù)，其乘冪和指數(shù)回歸模型能夠較好地反演水稻葉片銅含量;葉片銅含量的敏感光譜波段參數(shù)在原始光譜中主要集中于420～670 nm范圍內(nèi)，最小負(fù)相關(guān)系數(shù)的波長(zhǎng)是646、647、648 nm;而一階微分和二階微分光譜中在藍(lán)邊、黃邊、紅邊和近紅外區(qū)域均有分布，最大正相關(guān)系數(shù)的波長(zhǎng)分別是660、715 nm;水稻葉片銅含量估測(cè)的最佳模型是基于二階微分敏感光譜參數(shù)構(gòu)建的偏最小二乘回歸模型，該模型預(yù)測(cè)的銅含量值與實(shí)測(cè)值的擬合度較好（R2=0.56）。研究結(jié)果證明可以利用高光譜生物遙感技術(shù)有效地監(jiān)測(cè)農(nóng)田水稻葉片中重金屬含量的變化，判斷作物中重金屬濃度是否超標(biāo)，為高光譜遙感立體、快速和大面積地監(jiān)測(cè)農(nóng)田作物銅含量的變化提供參考，也為評(píng)價(jià)水稻的食用安全提供科學(xué)方法。

關(guān)鍵詞：灌漿期水稻;葉片銅含量高光譜遙感監(jiān)測(cè);數(shù)字農(nóng)業(yè);敏感高光譜指數(shù)和波段;水稻食用安全

中圖分類(lèi)號(hào)： X835;S127 文獻(xiàn)標(biāo)志碼： A 文章編號(hào)：1002-1302（2019）23-0324-07

銅是農(nóng)作物生長(zhǎng)所必需的營(yíng)養(yǎng)元素，過(guò)量銅則會(huì)使作物葉片葉綠體酶活性比例失調(diào)，致使葉綠素分解加快，導(dǎo)致植株矮化、產(chǎn)量降低[1]。重金屬含量的常規(guī)監(jiān)測(cè)方法存在很多局限性，比如步驟繁瑣、破壞土壤作物、無(wú)法進(jìn)行大面積的監(jiān)測(cè)等[2]。研究發(fā)現(xiàn)，過(guò)量銅處理下的水稻葉片光譜反射率曲線(xiàn)與對(duì)照組有明顯的差異[3]，所以可通過(guò)高光譜遙感技術(shù)反演作物葉片重金屬含量。

高光譜遙感是現(xiàn)代遙感領(lǐng)域的前沿技術(shù)，具有宏觀(guān)、實(shí)時(shí)、原位、快速的監(jiān)測(cè)特點(diǎn)，可以滿(mǎn)足土壤-作物重金屬含量變化的監(jiān)測(cè)需求，通過(guò)便攜式高光譜儀、航空遙感和航天遙感的應(yīng)用，可以實(shí)現(xiàn)由點(diǎn)到面、由定性分析到定量分析的大面積原位立體監(jiān)測(cè)[4]。已有大量研究表明，高光譜遙感技術(shù)可以定量反演植物生化物質(zhì)的含量，如氮素、葉綠素等，而且在環(huán)境污染方面為快速獲取土壤或植株重金屬污染信息也提供了有力的工具。劉燕德等利用平滑處理的高光譜數(shù)據(jù)與丁香蓼葉片重金屬銅含量建立偏最小二乘回歸模型，建模精度較為理想（R2為0.90）[5]。張玉森等利用近紅外高光譜數(shù)據(jù)估測(cè)水稻葉片氮含量，分別建立逐步多元線(xiàn)性回歸（SMLR）、主成分回歸（PCR）和偏最小二乘回歸（PLSR）模型，結(jié)果顯示各模型中PLS模型的建模預(yù)測(cè)和驗(yàn)證精度最高，R2分別高達(dá)094、0.87[6]。張浩等利用高光譜數(shù)據(jù)建立PLS模型估測(cè)水稻葉片氮素和籽粒蛋白質(zhì)的含量，結(jié)果顯示模型的R2在085以上，精度較高[7]。

綜合分析之前的研究發(fā)現(xiàn)，水稻葉片重金屬銅含量監(jiān)測(cè)的研究報(bào)道較少，而有研究表明葉片不僅會(huì)吸收來(lái)自根、莖的重金屬，還會(huì)通過(guò)氣孔吸收來(lái)自大氣的重金屬，向籽粒等其他器官轉(zhuǎn)移，引起作物產(chǎn)量或品質(zhì)的下降，還可能經(jīng)食物鏈進(jìn)入人體[8]，所以對(duì)作物葉片中重金屬銅含量的估測(cè)同樣具有重要意義。利用遙感技術(shù)結(jié)合葉片光譜信息反演葉片重金屬銅含量，其機(jī)制為重金屬元素影響葉片內(nèi)部生理狀態(tài)而導(dǎo)致光譜變化來(lái)反演其含量。為了實(shí)現(xiàn)作物葉片中重金屬銅含量的高光譜快速無(wú)損監(jiān)測(cè)，本研究的主要目的是通過(guò)分析水稻葉片銅的敏感光譜指數(shù)和光譜波段，定量估測(cè)水稻葉片銅的含量變化，判斷葉片銅含量是否超標(biāo)，同時(shí)可預(yù)測(cè)土壤銅含量的變化，這對(duì)保障糧食安全和人類(lèi)身體健康具有重要的現(xiàn)實(shí)意義。

1 材料與方法

1.1 研究區(qū)域概況

研究區(qū)域位于江蘇省南部的張家港市（120°22′～120°49′E、31°43′～32°01′N(xiāo)），如圖1所示。該市地勢(shì)平坦，地處長(zhǎng)江三角洲沖積平原，隸屬于北亞熱帶季風(fēng)氣候，四季分明，雨水充沛，年均降水量為1 039 mm，年均氣溫為15.2 ℃。全市的土壤類(lèi)型主要分為2種：水稻土和潮土，南部的平田地區(qū)主要為水稻土，由瀉湖相沉積母質(zhì)發(fā)育而成，北部沿江的圩田地區(qū)主要為潮土，由長(zhǎng)江沖積物母質(zhì)發(fā)育而成。全市總占地面積約999 km2，其中耕地面積約410 km2，主要以水稻—小麥或水稻—油菜作為主要的種植模式。近年來(lái)，張家港市經(jīng)濟(jì)快速發(fā)展，但研究發(fā)現(xiàn)金港區(qū)土壤銅含量的平均值是江蘇省土壤重金屬環(huán)境背景值的4.9倍[9]，存在較大的健康風(fēng)險(xiǎn)。

1.2 樣品采集與光譜數(shù)據(jù)測(cè)定

水稻葉片樣品和高光譜數(shù)據(jù)采集于2017年9月水稻灌漿期。研究發(fā)現(xiàn)水稻在生長(zhǎng)后期即生殖時(shí)期由根、莖轉(zhuǎn)移進(jìn)入葉片中的重金屬含量變化較大[10]，所以采樣選擇在水稻灌漿期。在張家港市農(nóng)田區(qū)域，隨機(jī)選擇均勻分布的農(nóng)田采樣地點(diǎn)共21個(gè)。每個(gè)采樣地點(diǎn)選取5個(gè)采樣點(diǎn)，共選擇5株水稻，每株水稻選擇從上向下的完全展開(kāi)的3張葉片測(cè)量光譜，每張葉片測(cè)定5次，每株水稻共測(cè)定15次光譜，每個(gè)采樣地點(diǎn)共測(cè)定75次光譜，取平均值作為該采樣地點(diǎn)的高光譜數(shù)據(jù)，之后將測(cè)定光譜的葉片剪下作為該采樣地點(diǎn)的水稻葉片樣品，帶回實(shí)驗(yàn)室，采用Thermo Electron Corporation公司生產(chǎn)的電感耦合等離子體質(zhì)譜儀（ICP-MS）測(cè)定水稻葉片中的重金屬銅含量。

水稻葉片高光譜數(shù)據(jù)用美國(guó)PP Systems公司生產(chǎn)的Unispec-SC型單通道便攜式手持光譜儀進(jìn)行測(cè)定，該型號(hào)光譜儀自帶光源，探測(cè)波段為310～1 130 nm，分辨率<10 nm，絕對(duì)精度<0.3 nm，采樣間隔為1 nm，輸出波段數(shù)為821。在一天中不同的光照度下測(cè)定時(shí)，使用儀器配備的白色標(biāo)準(zhǔn)板進(jìn)行儀器的校正和參比掃描，用MultiSpec 5.1.5 數(shù)據(jù)處理軟件讀取原始光譜反射率數(shù)據(jù)。

1.3 光譜預(yù)處理和估測(cè)模型的構(gòu)建

由于光譜數(shù)據(jù)在采集范圍的兩端部分有噪音，故選取400～1 000 nm范圍內(nèi)的光譜反射率進(jìn)行數(shù)據(jù)分析。

1.3.1 單變量估測(cè)模型 光譜植被指數(shù)是某些光譜波段反射率的特定組合，通過(guò)分析光譜指數(shù)與水稻葉片重金屬銅含量的相關(guān)性，選取相關(guān)性較好的光譜指數(shù)建立一元線(xiàn)性和非線(xiàn)性回歸模型。以光譜指數(shù)為自變量，水稻葉片重金屬銅含量作為因變量，建立以下4種單變量回歸模型：

線(xiàn)性函數(shù)：y=ax+b;對(duì)數(shù)函數(shù)：y=a+blnx;指數(shù)函數(shù)：y=aebx;乘冪函數(shù)：y=axb。

式中：y代表葉片重金屬銅含量，mg/kg;x代表光譜指數(shù);a、b代表常數(shù)。本模型的計(jì)算在SPSS 22.0軟件中完成。

1.3.2 多變量估測(cè)模型 對(duì)采集的原始光譜進(jìn)行一階微分（der 1）、二階微分（der 2）的預(yù)處理變換，消除背景噪聲、增強(qiáng)相似光譜之間的差別和突出光譜的特征值[11]。利用3種不同形式的光譜反射率與重金屬Cu含量進(jìn)行相關(guān)分析，選擇皮爾森相關(guān)性符合P<0.05的光譜反射率作為自變量[12]，葉片重金屬Cu含量作為因變量，分別建立3種形式光譜的多變量估測(cè)模型。由于本研究可用樣本的數(shù)量有限，因此使用內(nèi)部交叉驗(yàn)證均方根誤差（RMSECV）來(lái)驗(yàn)證多變量估測(cè)模型的預(yù)測(cè)精度。從數(shù)據(jù)集中的所有n個(gè)樣本中，利用n-1建立回歸模型，對(duì)所有n個(gè)樣品重復(fù)該過(guò)程，實(shí)現(xiàn)對(duì)所有樣品的預(yù)測(cè)[13]。交叉驗(yàn)證均方根誤差（RMSECV）的公式為

RMSECV=∑（Cm-Cp）2Nc。

式中：Cm代表稻葉重金屬銅含量的實(shí)測(cè)值，mg/kg;Cp代表模型計(jì)算的預(yù)測(cè)值，mg/kg;Nc代表樣本的個(gè)數(shù)。

1.4 數(shù)據(jù)處理與分析

數(shù)據(jù)預(yù)處理和作圖分別在Excel 2010和OriginPro 8中完成，相關(guān)性分析在SPSS 22.0中完成，模型的計(jì)算均在TQ Analyst （8.3.125，Thermo Fisher Scientific Inc.）中完成。

2 結(jié)果與分析

2.1 水稻葉片高光譜特征分析

從圖2可以看出，在全波段范圍內(nèi)，不同濃度銅含量的葉片樣品的光譜反射率具有相似的變化規(guī)律。水稻葉片原始光譜反射率曲線(xiàn)具有典型植物光譜特征，在400～700 nm的可見(jiàn)光波段范圍內(nèi)，樣品光譜反射率較低，綠光波段內(nèi)，波長(zhǎng)550 nm附近產(chǎn)生了1個(gè)明顯反射峰為綠峰，主要是綠光對(duì)光合色素的強(qiáng)烈反射造成的;在紅光波段，波長(zhǎng)670 nm附近產(chǎn)生了1個(gè)較明顯的吸收谷為紅谷，主要是紅光對(duì)葉綠素的吸收作用產(chǎn)生的;而在700～1 000 nm的近紅外波段范圍內(nèi)，其光譜特征主要受葉片結(jié)構(gòu)和水分的影響，樣品光譜反射率迅速增強(qiáng)，最顯著的特征是在700～800 nm之間有一反射的陡坡為紅邊[14]。而且可以看出，葉片樣本在430～670 nm和730～1 000 nm 2個(gè)波段范圍內(nèi)存在比較明顯的反射率差異。

從圖3可以看出，在400～1 000 nm的可見(jiàn)光和近紅外波段范圍內(nèi)，低濃度銅葉片樣品的光譜反射率明顯高于高濃度銅葉片樣品。不同銅含量的葉片反射率差異的變化并不規(guī)律，與植物種類(lèi)和生長(zhǎng)期有關(guān)。有研究者證實(shí)，水稻分蘗期，在可見(jiàn)光區(qū)，高濃度銅反射率高于低濃度銅的反射率，原因是高濃度銅導(dǎo)致植株葉片中的葉綠素含量降低，因此，可見(jiàn)光部分的反射率也就相應(yīng)升高了;而在近紅外光區(qū)，由于水稻葉片結(jié)構(gòu)的變化，導(dǎo)致高濃度的銅反射率低于低濃度銅[3]。

2.2 水稻葉片重金屬銅含量與高光譜參數(shù)的相關(guān)性分析

2.2.1 重金屬銅含量與光譜植被指數(shù)的相關(guān)性分析 綜合分析前人的研究，本研究選擇“三邊”參數(shù)及部分高光譜植被指數(shù)，共15個(gè)光譜指數(shù)進(jìn)行敏感性分析，在可見(jiàn)光和近紅外光波段范圍內(nèi)，將這15個(gè)光譜指數(shù)與重金屬銅含量進(jìn)行相關(guān)性分析，并進(jìn)一步選取與葉片銅含量相關(guān)系數(shù)較高的參數(shù)建立估測(cè)模型，各光譜指數(shù)的計(jì)算方法及其與葉片銅含量的相關(guān)系數(shù)如表1所示。從表1可以看出，紅邊位置與葉片銅含量呈極顯著相關(guān)（P<0.01），相關(guān)系數(shù)（r）最大，為0.596;藍(lán)邊位置、GNDVI、NDVI、RVI、PSRI、VARI、MCARI、WI、VOGI和MTCI與葉片銅含量的相關(guān)系數(shù)分別為 0.449、0.533、0475、0.520、0.515、-0.461、-0.468、0.452、0.532、0.521，這10個(gè)光譜指數(shù)與葉片銅含量的相關(guān)性達(dá)到了顯著水平（P<0.05），剩下4個(gè)光譜指數(shù)與銅含量不存在顯著相關(guān)性。紅邊位置、GNDVI、RVI、VOGI和MTCI與葉片銅含量的相關(guān)性最好，這5個(gè)光譜植被指數(shù)可以作為反演葉片銅含量的敏感光譜指數(shù)，建立葉片重金屬銅含量的單變量估測(cè)模型。

2.2.2 重金屬銅含量與不同形式光譜反射率的相關(guān)性分析 為了探討稻葉重金屬銅含量與不同形式光譜反射率之間的相關(guān)性，篩選出對(duì)葉片重金屬銅敏感的光譜波段，將葉片重金屬銅含量與原始光譜（OS）、一階微分光譜（der 1）、二階微分光譜（der 2）反射率進(jìn)行相關(guān)性分析，相關(guān)系數(shù)如圖4和表2所示。從圖4可以看出，原始光譜反射率與葉片銅含量在400～1 000 nm范圍內(nèi)均呈現(xiàn)負(fù)相關(guān)關(guān)系，而微分處理的光譜與葉片銅含量的相關(guān)性曲線(xiàn)波動(dòng)較大，出現(xiàn)多個(gè)極值和拐點(diǎn)。

根據(jù)反射率與葉片銅含量呈顯著或極顯著相關(guān)的原則，稻葉重金屬銅的敏感波段在原始光譜中主要集中在420～670、690～710 nm附近，共有272個(gè)波長(zhǎng)，最小負(fù)相關(guān)系數(shù)的波長(zhǎng)是646、647、648 nm;而一階微分和二階微分光譜中，在藍(lán)邊、黃邊、紅邊和近紅外區(qū)域均有分布，分別有94、76個(gè)波長(zhǎng)，最大正相關(guān)系數(shù)的波長(zhǎng)分別是660、715 nm。這些波段可以作為預(yù)測(cè)葉片重金屬銅含量的敏感光譜波段，即作為葉片銅的多變量估測(cè)模型的輸入變量[12]。這些敏感光譜波段大都分布在可見(jiàn)光區(qū)域，因?yàn)橹亟饘巽~對(duì)葉綠素的影響最嚴(yán)重，即使在低濃度時(shí)也會(huì)導(dǎo)致葉綠素含量降低，重金屬離子可與重要生物大分子結(jié)合，進(jìn)入細(xì)胞內(nèi)的重金屬離子能與酶活性中心或蛋白質(zhì)的巰基結(jié)合，而且還能取代重金屬蛋白中的必需元素，如Ca2+、Mg2+、Zn2+、Fe2+等，導(dǎo)致生物大分子構(gòu)象的改變，造成酶活性的下降或喪失，從而干擾細(xì)胞的正常代謝過(guò)程，干擾葉綠素的合成[25]，而葉綠素的含量變化主要引起可見(jiàn)光區(qū)光譜數(shù)據(jù)的變化。

由表2可以看出，經(jīng)過(guò)一階微分和二階微分處理后，微分光譜反射率與重金屬銅含量的相關(guān)系數(shù)總體明顯大于原始光譜，相關(guān)性明顯增強(qiáng)，說(shuō)明微分處理可以較好地消除背景噪聲，增強(qiáng)相似光譜之間的差別，突出光譜的特征值。不同變換形式光譜與葉片銅含量的最大正相關(guān)系數(shù)分別位于可見(jiàn)光區(qū)的660 nm處和近紅外區(qū)的715 nm處;最小負(fù)相關(guān)系數(shù)位于可見(jiàn)光區(qū)的612、646、647、648 nm處，近紅外區(qū)的940 nm處。

2.3 水稻葉片重金屬銅含量的高光譜反演

2.3.1 單變量模型的構(gòu)建 將稻葉重金屬銅含量與篩選出的紅邊位置、GNDVI、RVI、VOGI和MTCI 5個(gè)敏感光譜指數(shù)進(jìn)行回歸建模分析，建立了各參數(shù)的一元線(xiàn)性、對(duì)數(shù)、指數(shù)和乘冪的重金屬銅含量反演模型。模型精度評(píng)價(jià)指標(biāo)為決定系數(shù)r2越大、F統(tǒng)計(jì)量越大和均方根誤差RMSE越小，模型精度越高[11]。如表3所示，所有模型的決定系數(shù)（r2）均達(dá)到顯著（P<0.05）或極顯著（P<0.01）水平，表明該模型能較好地估測(cè)稻葉重金屬銅含量。其中每個(gè)參數(shù)的指數(shù)和乘冪模型均比線(xiàn)性、對(duì)數(shù)模型的精度更優(yōu)。對(duì)比5個(gè)參數(shù)各模型的精度，其中，紅邊位置（REP）構(gòu)建的模型精度均高于其他4個(gè)參數(shù)，其指數(shù)和乘冪模型的決定系數(shù)（r2）相等，達(dá)到極顯著水平（P<0.01）。根據(jù)F統(tǒng)計(jì)量最大、均方根誤差最小的原則，估測(cè)稻葉重金屬銅含量的最佳單變量模型為紅邊位置（REP）構(gòu)建的乘冪模型，r2為0.362。何彩蓮等利用高光譜植被指數(shù)估測(cè)馬鈴薯葉綠素含量，其中，地面葉綠素指數(shù)（MTCI）構(gòu)建的乘冪模型能較為精確地估測(cè)葉綠素a含量，R2為0.797[26]。

2.3.2 多變量模型的構(gòu)建 本研究先采用相關(guān)分析（CA）對(duì)不同變換形式的光譜反射率數(shù)據(jù)進(jìn)行降維，減少冗余信息，然后分別建立逐步回歸（SMLR）、主成分回歸（PCR）和偏最小二乘回歸（PLSR）模型。模型精度的評(píng)價(jià)指標(biāo)為R2越大，RMSE和RMSECV越小，模型精度越高[13]。由上文得知，原始光譜、一階微分光譜、二階微分光譜分別存在272、94、76個(gè)重金屬銅的敏感波段，大部分都屬于430～670 nm和730～1 000 nm 的差異性波段范圍內(nèi)，而且包括了水稻冠層葉片重金屬含量變化極顯著相關(guān)的光譜敏感波段[27]，所以將這些敏感波段作為建立多變量模型的輸入變量。

由表4可以看出，通過(guò)同一種模型的不同光譜預(yù)處理的對(duì)比可以發(fā)現(xiàn)，經(jīng)過(guò)二階微分處理的光譜反射率建立的模型的精度均是最高，R2最大，RMSE和RMSECV最小，因?yàn)槲⒎止庾V主要反映了由于植物中葉綠素等吸收物質(zhì)的吸收產(chǎn)生的波形變化，并能提示光譜峰值的內(nèi)在特性[28]，可以較好地消除背景噪聲，增強(qiáng)相似光譜之間的差別，突出光譜的特征值。對(duì)比RCR模型和PLSR模型可以看出，PCR的主成分個(gè)數(shù)明顯多于PLSR模型，有研究發(fā)現(xiàn)，主成分的個(gè)數(shù)過(guò)多，會(huì)給模型增加額外的噪音或?qū)е履Ｐ瓦^(guò)度擬合;主成分的個(gè)數(shù)過(guò)少，則不能包含所有的信息[29]，最佳的主成分個(gè)數(shù)所建立的模型的精度和穩(wěn)定性更高，本研究的最佳主成分的個(gè)數(shù)由RMSECV最小來(lái)決定[13]。

基于二階微分光譜反射率的3種模型的測(cè)量值和預(yù)測(cè)值的散點(diǎn)圖如圖5所示。結(jié)合表4和圖5可以看出，對(duì)比3種模型的二階微分處理下模型的精度可以看出，基于二階微分光譜的PLS模型的精度最高，主成分的個(gè)數(shù)為4;R2最高，為0.56，達(dá)到極顯著水平;RMSE最小，為1.47;RMSECV最小，為1.84，說(shuō)明利用相關(guān)分析（CA）結(jié)合PLSR的方法建立的回歸模型比較穩(wěn)定，精度也較高。劉秀英等也利用相關(guān)分析（CA）結(jié)合PLSR建立了土壤全氮的估測(cè)模型，微分處理的光譜建立的估測(cè)土壤全氮含量的PLSR模型R2高達(dá)0.929[12]，說(shuō)明了利用CA結(jié)合PLSR建立的回歸模型精度較高，同時(shí)也說(shuō)明微分變換是構(gòu)建預(yù)測(cè)模型的一種較好的變換方法。

3 討論與結(jié)論

3.1 不同濃度銅的水稻葉片的高光譜反射率響應(yīng)

本研究采集光譜的時(shí)期是水稻的灌漿期，受高濃度銅影響的水稻葉片后期返青，葉綠素含量升高，使可見(jiàn)光區(qū)的反射率降低;而水稻葉片水分含量增加和葉片內(nèi)部結(jié)構(gòu)的改變，導(dǎo)致高濃度銅的反射率在近紅外區(qū)也降低[30]，所以高光譜遙感可以利用葉片光譜數(shù)據(jù)對(duì)銅含量變化的敏感性有效地監(jiān)測(cè)葉片銅含量的變化及其超標(biāo)情況，對(duì)評(píng)價(jià)農(nóng)田水稻的重金屬含量變化及其食用安全有重要意義。

3.2 高光譜植被指數(shù)監(jiān)測(cè)水稻葉片銅含量變化的優(yōu)勢(shì)

朱凌紅等指出，紅邊位置和Vogelmann紅邊指數(shù)與水稻葉片和穗的葉綠素含量存在顯著的相關(guān)性[31];田靜國(guó)等研究指出，最優(yōu)單一反演葉綠素指數(shù)是MTCI，其次為RVI和GNDVI，以上5個(gè)植被指數(shù)均對(duì)植被葉片葉綠素含量變化有重要影響，而葉片光譜的變化主要是由于葉綠素含量變化引起的，所以，以上5個(gè)植被指數(shù)均可作為水稻葉片重金屬銅含量反演的敏感光譜參數(shù)[32];宋鵬飛等研究發(fā)現(xiàn)，灰化苔草葉片對(duì)Cu污染脅迫下的敏感特征參數(shù)中包括紅邊位置，尋找重金屬的敏感光譜指數(shù)對(duì)監(jiān)測(cè)葉片重金屬含量變化具有重要作用[33]。

3.3 高光譜遙感為大面積立體監(jiān)測(cè)農(nóng)田土壤-作物重金屬含量的變化提供技術(shù)支持

本研究建立了灌漿期水稻葉片重金屬銅含量的高光譜估測(cè)模型，基于二階微分光譜的PLSR模型的精度較高，研究結(jié)果可為高光譜技術(shù)科學(xué)、無(wú)損、快速、大面積、立體監(jiān)測(cè)農(nóng)田水

稻葉片重金屬銅含量變化提供參考依據(jù)，未來(lái)將有望實(shí)現(xiàn)由點(diǎn)到面的多方面、多角度原位立體監(jiān)測(cè)土壤-作物重金屬含量變化;由被動(dòng)監(jiān)測(cè)上升到主動(dòng)監(jiān)測(cè)，從地面到航空再到航天平臺(tái)，高光譜遙感將實(shí)現(xiàn)從各個(gè)尺度上實(shí)時(shí)、快速、主動(dòng)監(jiān)測(cè)土壤-作物重金屬含量變化[34]。基于此，高光譜遙感技術(shù)有望真正實(shí)現(xiàn)大面積土壤、作物重金屬含量的監(jiān)測(cè)，更精確地估測(cè)作物重金屬濃度，保障食品安全和人類(lèi)健康。

水稻灌漿期，不同銅濃度葉片的原始光譜反射率在各波長(zhǎng)范圍內(nèi)的變化趨勢(shì)具有一致性，而且高濃度銅葉片的原始反射率在各波段范圍內(nèi)均低于低濃度銅葉片。

紅邊位置、GNDVI（綠波段歸一化差異指數(shù)）、RVI（比值植被指數(shù)）、VOGI（Vogelmann紅邊指數(shù)）和MTCI（地面葉綠素指數(shù)）可作為反演葉片銅含量的敏感光譜植被指數(shù)，其乘冪和指數(shù)回歸模型能夠較好地反演水稻葉片銅含量。

葉片重金屬銅的敏感光譜波段，原始光譜中位于 420～670 nm和690～710 nm附近，共有272個(gè)波長(zhǎng)，最小負(fù)相關(guān)系數(shù)的波長(zhǎng)是646、647、648 nm;而一階微分和二階微分光譜中，在藍(lán)邊、黃邊、紅邊和近紅外區(qū)域均有分布，分別有94、76個(gè)波長(zhǎng)，最大正相關(guān)系數(shù)的波長(zhǎng)分別是660、715 nm，主要位于可見(jiàn)光區(qū)域內(nèi)。

水稻葉片重金屬銅含量的單變量估測(cè)模型中，基于紅邊位置構(gòu)建的乘冪模型的精度最高;多變量估測(cè)模型中，基于二階微分光譜構(gòu)建的PLSR模型的精度最高。單變量模型與多變量模型相比較，稻葉重金屬銅含量估測(cè)的最佳模型是基于相關(guān)分析（CA）和二階微分光譜的PLSR模型，實(shí)測(cè)值與預(yù)測(cè)值的擬合度較高（r2=0.56）。

研究通過(guò)用高光譜數(shù)據(jù)反演農(nóng)田水稻葉片重金屬銅的含量，證明了可以利用高光譜生物遙感技術(shù)有效地監(jiān)測(cè)作物中重金屬含量的變化，判斷作物中重金屬濃度是否超標(biāo)及實(shí)時(shí)監(jiān)測(cè)作物重金屬含量變化情況，為大面積、原位立體監(jiān)測(cè)農(nóng)田水稻和土壤重金屬含量變化提供了研究方向。

參考文獻(xiàn)：

[1]王友保，劉登義. Cu、As及其復(fù)合污染對(duì)小麥生理生態(tài)指標(biāo)的影響[J]. 應(yīng)用生態(tài)學(xué)報(bào)，2001，12（5）：773-776.

[2]周衛(wèi)紅，張靜靜，鄒萌萌，等. 土壤重金屬有效態(tài)含量檢測(cè)與監(jiān)測(cè)現(xiàn)狀、問(wèn)題及展望[J]. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào)，2017，25（4）：605-615.

[3]劉厚田，張維平，于亞平，等. 土壤中過(guò)量銅對(duì)水稻葉片光譜反射特性的影響[J]. 環(huán)境科學(xué)學(xué)報(bào)，1984，4（4）：350-359.

[4]浦瑞良，宮 鵬. 高光譜遙感及其應(yīng)用[M]. 北京：高等教育出版社，2000.

[5]劉燕德，施 宇，蔡麗君. 基于近紅外漫反射光譜的丁香蓼葉片重金屬銅含量快速檢測(cè)研究[J]. 光譜學(xué)與光譜分析，2012，32（12）：3220-3224.

[6]張玉森，姚 霞，田永超，等. 應(yīng)用近紅外光譜預(yù)測(cè)水稻葉片氮含量[J]. 植物生態(tài)學(xué)報(bào)，2010，34（6）：704-712.

[7]張 浩，胡 昊，陳 義，等. 水稻葉片氮素及籽粒蛋白質(zhì)含量的高光譜估測(cè)模型[J]. 核農(nóng)學(xué)報(bào)，2012，26（1）：135-140.

[8]潘如圭. 作物對(duì)大氣源重金屬的吸收和轉(zhuǎn)移[J]. 農(nóng)業(yè)環(huán)境科學(xué)學(xué)報(bào)，1984（6）：10-12.

[9]周 靜，劉松華，許 偉，等. 張家港河金港段表層沉積物中氮磷及重金屬污染評(píng)價(jià)[J]. 環(huán)境與發(fā)展，2018，30（2）：8-10.

[10]Kashiwagi T，Shindoh K，Hirotsu N，et al. Evidence for separate translocation pathways in determining cadmium accumulation in grain and aerial plant parts in rice[J]. BMC Plant Biology，2009，9：8.

[11]龔紹琦，王 鑫，沈潤(rùn)平，等. 濱海鹽土重金屬含量高光譜遙感研究[J]. 遙感技術(shù)與應(yīng)用，2010，25（2）：169-177.

[12]劉秀英，王 力，常慶瑞，等. 基于相關(guān)分析和偏最小二乘回歸的黃綿土土壤全氮和堿解氮含量的高光譜預(yù)測(cè)[J]. 應(yīng)用生態(tài)學(xué)報(bào)，2015，26（7）：2107-2114.

[13]Kooistra L，Wehrens R，Leuven R S E W，et al. Possibilities of visible near infrared spectroscopy for the assessment of soil contamination in river floodplains[J]. Analytica Chimica Acta，2001，446（1）：97-105.

[14]艾金泉，陳文惠，陳麗娟，等. 冠層水平互花米草葉片光合色素含量的高光譜遙感估算模型[J]. 生態(tài)學(xué)報(bào)，2015，35（4）：1175-1186.

[15]Chang S H，Collins W E. Confirmation of the airborne biogeophysical mineral exploration technique using laboratory methods[J]. Economic Geology，1983，78（4）：723-736.

[16]Daughtry C T，Walthall C L，Kim M S，et al. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance[J]. Remote Sensing of Environment，2000，74（2）：229-239.

[17]Tucker C J. Red and photographic infrared linear combinations for monitoring vegetation[J]. Remote Sensing of Environment，1979，8（2）：127-150.

[18]Schuerger A C，Capelle G A，Benedetto J D，et al. Comparison of two hyperspectral imaging and two laser-induced fluorescence instruments for the detection of zinc stress and chlorophyll concentration in bahia grass（Paspalum notatum Flugge.）[J]. Remote Sensing of Environment，2003，84（4）：572-588.

[19]Merzlyak M N，Gitelson A，Chivkunova O B，et al. Non-destructive optical detection of pigment changes during leaf senescence and fruit ripening[J]. Physiologia Plantarum，1999，106（1）：135-141.

[20]Gamon J A，Penuelas J，F(xiàn)ield C B. A narrow-waveband spectral index that tracks diurnal changes in photosynthetic efficiency[J]. Remote Sensing of Environment，1992，41（1）：35-44.

[21]Penuelas J，F(xiàn)rederic B，F(xiàn)ilella I. Semi-empirical indices to assess carotenoids/chlorophyll-a ratio from leaf spectral reflectance[J]. Photosynthetica，1995，31（2）：221-230.

[22]Gitelson A，Kaufman Y J，Stark R，et al. Novel algorithms for remote estimation of vegetation fraction[J]. Remote Sensing of Environment，2002，80（1）：76-87.

[23]Vogelmann J E，Rock B N，Moss D M. Red edge spectral measurements from sugar maple leaves[J]. International Journal of Remote Sensing，1993，14（8）：1563-1575.

[24]Dash J，Curran P J. Evaluation of the MERIS terrestrial chlorophyll index（MTCI）[J]. Advances in Space Research，2007，39（1）：100-104.

[25]王澤港，駱劍峰，劉 沖. 單一重金屬污染對(duì)水稻葉片光合特性的影響[J]. 上海環(huán)境科學(xué)，2004，23（6）：240-243.

[26]何彩蓮，鄭順林，周少猛，等. 基于高光譜植被指數(shù)的馬鈴薯葉片葉綠素含量估測(cè)模型[J]. 華南農(nóng)業(yè)大學(xué)學(xué)報(bào)，2016，37（5）：45-49.

[27]任紅艷，莊大方，潘劍君，等. 重金屬污染水稻的冠層反射光譜特征研究[J]. 光譜學(xué)與光譜分析，2010，30（2）：430-434.

[28]徐良驥，李青青，朱小美，等. 煤矸石充填復(fù)墾重構(gòu)土壤重金屬含量高光譜反演[J]. 光譜學(xué)與光譜分析，2017，37（12）：3839-3844.

[29]Wu Y Z，Chen J，Wu X M，et al. Possibilities of reflectance spectroscopy for the assessment of contaminant elements in suburban soils[J]. Applied Geochemistry，2005，20（6）：1051-1059.

[30]童慶禧，張 兵，鄭蘭芬. 高光譜遙感——原理、技術(shù)與應(yīng)用[M]. 北京：高等教育出版社，2006：364-370.

[31]朱凌紅，周 澎，王忠民，等. 高光譜數(shù)據(jù)與葉綠素含量及植被指數(shù)的相關(guān)性研究進(jìn)展[J]. 內(nèi)蒙古民族大學(xué)學(xué)報(bào)（自然科學(xué)版），2014，29（1）：41-44.

[32]田靜國(guó)，王樹(shù)東，張立福，等. 應(yīng)用高光譜植被指數(shù)反演冬小麥葉綠素含量的光譜指標(biāo)敏感性研究[J]. 科學(xué)技術(shù)與工程，2016，16（15）：1-8.

[33]宋鵬飛，張 丹，倪才英，等. 灰化苔草葉片銅污染的高光譜響應(yīng)研究[J]. 環(huán)境工程學(xué)報(bào)，2016，10（2）：999-1004.

[34]張靜靜，周衛(wèi)紅，鄒萌萌，等. 高光譜遙感監(jiān)測(cè)大面積土壤重金屬污染的研究現(xiàn)狀、原理及展望[J]. 江蘇農(nóng)業(yè)科學(xué)，2018，46（12）：9-13.

收稿日期：2018-10-14

基金項(xiàng)目：國(guó)家重點(diǎn)研發(fā)計(jì)劃（編號(hào)：2018YFD0800201）;江蘇省高校哲學(xué)社會(huì)科學(xué)研究項(xiàng)目（編號(hào)：2016SJD630126）。

作者簡(jiǎn)介：張靜靜（1993—），女，山東菏澤人，碩士研究生，研究方向?yàn)檗r(nóng)田土壤重金屬污染監(jiān)測(cè)與修復(fù)。E-mail：jjzhang2012@126.com。

通信作者：陶春柳，碩士，副教授，研究方向?yàn)槲锪鞴芾?、農(nóng)業(yè)經(jīng)濟(jì)及生態(tài)安全，E-mail：taocl@126.com;李建龍，博士，教授，博士生導(dǎo)師，研究方向?yàn)檗r(nóng)業(yè)遙感與5S技術(shù)應(yīng)用，E-mail：jlli2008@nju.edu.cn。