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
1 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 μg·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。
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 μg·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。
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]。
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
(1)
式(1)中, λ为波长, R(λmiddle)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(λmiddle)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(λmiddle)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
(2)
式(2)中, , , , 及∂X和∂Y分别是对Xi和Yi样本的标准分数、 样本平均值和样本标准差, n为样本数。
(3)
式(3)中, di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
|
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
|
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。
[1]
[2]
[3]
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]
Article Outline
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. Tian XIA, Ke-ming YANG, Fei-sheng FENG, Hui GUO, Chao ZHANG. 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.