程 凤，杨可明，崔 颖，陆天宇，陈立帆，荣坤鹏

中国矿业大学(北京)煤炭资源与安全开采国家重点实验室，北京 100083

引 言

近年来，随着矿山开采、工业废水排放及污水灌溉、农药化肥不合理使用等问题的出现，大量重金属进入到土壤环境中。由于重金属污染具有波及范围广、隐蔽性强和难降解等特点，已成为国际环境污染治理的研究热点[1-3]。据2014年发布的“全国土壤污染调查报告”，全国土壤污染物总超标率达16%。铜、镉、汞等重金属污染点位超标率分别达2.1%，7.0%和1.6%。重金属不仅会引起土壤生态环境的改变，还会在农作物中累积，并且会影响植物叶片叶绿素含量变化、阻碍光合产物的传输、抑制植物根系生长，进而影响到农作物产品质量及农田生态系统的稳定，最终严重威胁到人类生命健康[4-5]，因此对于农田生态系统土壤及农作物重金属污染监测尤为重要。传统的重金属污染监测方法存在成本高、过程繁琐，不适于大范围应用等缺陷，而高光谱遥感具有信息量大、可进行快速无损、自动且大范围监测地表等优势，已在农业生态环境监测等方面得到广泛应用。

在利用高光谱遥感监测植被生化特性参量等方面，常以具备光学特性的植被指数或经模型算法处理的光谱作为媒介来反映植物的生化参量及生长状态。国内外已有众多专家学者通过常规植被指数以及算法模型等方式来反映受重金属污染植物的生理状态。Hede[6]等通过绿波短波红外植被指数(vegetation index considering greenness and shortwave infrared, VIGS)探究了植被受重金属Cu, Pb, Zn和Cd污染的影响程度，并与传统的归一化植被指数(normalized difference vegetation index, NDVI)进行了比较，证明植被指数VIGS对重金属胁迫的敏感程度更强。Rathod[7]等指出水分胁迫指数等与叶片砷含量有显著相关性，可鉴别重金属胁迫下植物生长状态，并利用回归模型显示了反射光谱数据在监测植物健康方面的能力。刘美玲[8]等运用小波变换分析了受金属锌胁迫水稻光谱的奇异性特征。李蜜[9]等建立了用于预测水稻农田重金属污染水平的模糊神经网络模型，表征重金属胁迫下水稻叶片叶绿素含量存在微小变化，进而确定农田重金属污染状态。原有的植被指数建立的目的是反演植被的生化参量但对监测重金属污染方面缺乏针对性，已有的模型算法虽具有针对性但较为复杂，实际应用存在一定局限性。且除金属含量外，植物的供水量、有机质及养分等相互重叠的参数也会影响植被的光谱反射率[10]。基于此，在保持各参数一致的情况下，针对玉米叶片光谱的变化情况, 利用多个光谱特征波段组合的方式，提出一种铜污染植被指数的污染程度探测模型CPVI，在此基础上建立探测模型与叶片Cu2+含量的相关系数绝对值矩阵，构建针对玉米铜污染的植被指数(copper pollution vegetation index of maize，CPVIm)，最终获得CPVIm与叶片Cu2+含量的变化规律，并与NDVI，MTCI，DVI和REP等光谱特征参量进行对比分析，验证其在监测重金属污染方面的优越性，并进一步探究了CPVIm与叶片叶绿素含量之间的关系。

1 实验部分

1.1 胁迫实验

植株培育及污染梯度设置。选取“密糯8号”玉米作为研究对象，种植在有底漏花盆中。根据《GB15618—2018： 土壤环境质量 农用地土壤污染风险管控标准(试行)》中土壤污染标准设置铜胁迫梯度为0(空白对照实验)，50，100，150，200，300，400，600，800和1 000 μg·g-1，同一梯度设置三组平行实验，分别标注为Cu(ck)-1，Cu(ck)-2，Cu(ck)-3，Cu(50)-1，Cu(50)-2，Cu(50)-3，…，Cu(1 000)-1，Cu(1 000)-2，Cu(1 000)-3，共计30组。对栽培土壤进行过筛处理，以逐层喷洒、翻土均匀混合的方式将不同浓度的CuSO4·5H2O粉末添加入相应胁迫梯度的土壤中，并向花盆喷撒适量水，模拟Cu污染土壤环境。对玉米种子进行催芽处理，待发芽后将其栽种于含有不同浓度梯度的CuSO4·5H2O的土壤中。在玉米生长过程中添加适量NH4NO3，KNO3和KH2PO4营养液，并定期给玉米浇水、保持通风。

1.2 数据采集

(1)玉米叶片光谱数据采集。使用波长范围为350～2 500 nm SVC HR-1024I高性能地物光谱仪进行光谱数据采集，50 W的卤素灯光源和25°视场角探头，所采集的光谱反射系数经专用平面白板进行标准化处理。采集玉米穗期的叶片光谱，选取位于植株上、中、下部位具备代表性的新(N)、中(M)、老(O)三类叶片的叶中位置进行光谱测量。在培育植株过程中，胁迫梯度为Cu(1 000)-2的玉米在幼苗期叶片枯黄，故无法用于后续实验分析。对玉米N，M和O叶片的反射光谱分别平行测取3组，取均值作为最终结果，最终获取87组光谱数据。选取第一组平行样的新叶叶片光谱展示，如图1所示。

(2)叶片叶绿素相对浓度测定。使用SPAD-502叶绿素测定仪对各类叶片进行叶绿素测定，SPAD-502所获值代表叶片中的叶绿素浓度相对值。对每组叶片测取3次，取均值为不同叶片叶绿素浓度相对值。本工作直接以SPAD-502叶绿素测定仪读数代表叶绿素含量。

(3)叶片Cu2+含量测定。各项实验完成后，对玉米叶片进行冲洗、烘干、粉碎、封装保存、标注、编号处理。在相同规范条件下，经微波处理后，采用电感耦合等离子发射光谱仪(ICP-OES)测定玉米叶片样品中的Cu2+含量，各胁迫梯度N，M，O叶片Cu2+含量结果如图2所示。其中胁迫梯度为Cu(150)-1O，Cu(600)-3O，Cu(800)-2O叶片(图2中用圆圈标注)Cu2+含量较其他两组平行样差异较大，属异常数据，故将其剔除。

图1 不同Cu2+胁迫梯度下玉米叶片新叶光谱

图2 土壤Cu2+胁迫梯度及叶片中Cu2+含量关系

随机选取两组平行样中的N，M，O叶片0，50，100，150，200，300，400，600，800和1 000 μg·g-1胁迫梯度共58组数据作为实验数据用于CPVI探测模型构建，以剩余平行样N，M，O叶片相同胁迫梯度共26组数据作为检验数据进行验证。

2 理论与方法

2.1 CPVI污染探测模型建立

重金属吸收等胁迫因素会影响叶片的反射光谱，因此可利用植被叶片光谱反射率作为媒介来反映植物的生长状况。许多研究侧重利用两个或多个特征波段经线性或非线性组合的方式，构成对某个生理及生化参量比较敏感的指数，以达到监测植被生长规律特征的目的。本文将两个宽波段反射率修改为波段间隔为1 nm分辨率的窄波段反射率，并在近红外波段中选择R850作为基础波段光谱反射率，Rλ1与Rλ2作为变量，建立针对重金属铜污染的植被指数探测模型

(1)

式中，λ为波长，且λ1≠λ2≠850 nm，Rλ为波长对应的反射率。

利用随机选取的两组平行样共计58组光谱数据及对应叶片Cu2+含量作为实验数据，λ1,λ2光谱波长范围均取380～900 nm。通过λ1和λ2分别组合，计算对应探测模型CPVI[λ1,λ2]，进行遍历计算后将所获探测模型结果与对应梯度的叶片Cu2+含量进行相关性分析，求取二者之间的相关系数，进而得到皮尔逊相关系数绝对值矩阵，如图3所示。在此，横轴代表波长λ1，纵轴代表波长λ2，色带|ρ|代表相关系数的绝对值，即由探测模型CPVI[λ1,λ2]与叶片Cu2+含量之间以λ1和λ2作为变量的相关性函数所得，点的颜色代表相关性程度的强弱。

图3 CPVI[λ1, λ2]与叶片Cu2+含量相关性图

2.2 特征波段选择及植被指数构建

根据皮尔逊相关系数绝对值矩阵，通过波长λ1和λ2相互组合、分析比较，挑选与玉米叶片Cu2+含量相关性相对较高的波段λ1=690 nm，λ2=465 nm(图3中红色区域)，构建针对农作物玉米的铜污染植被指数CPVI[690, 465](简称CPVIm)。在此并未选择相关性最高的λ1=690 nm，λ2=530 nm波段作为探测模型的特征波段，根据CPVI[λ1,λ2]与叶片Cu2+含量相关性图，当λ2取值为530 nm时，相对应λ1取值范围较小，顾及各胁迫梯度原始光谱具有差异性，会产生误差。因此选择λ2=465nm，波长λ1相对取值范围较大的波段作为铜污染植被指数的特征波段，以保证模型的有效性。

3 结果与讨论

3.1 CPVIm优越性验证

对于构建的植被指数CPVIm，利用剩余26组光谱、叶片Cu2+含量数据进行验证。计算各胁迫梯度叶片光谱对应的CPVIm及常规植被指数NDVI，MTCI，DVI，REP[12-14]，并分别与叶片中Cu2+含量进行相关性分析，得到对应的相关系数r和残差平方和(the residual sum of squares, RSS)。RSS是衡量模型拟合程度的指标，其值越小，证明拟合程度越好。分析结果如图4和图5所示，CPVIm与重金属含量呈显著负相关，样本个数n=26，相关系数r=-0.80，RSS=48.52，NDVI，MTCI，DVI和REP指数与重金属含量的相关系数r的绝对值均小于0.8，且RSS均大于48.52。由此说明CPVIm较其他指标(即NDVI，MTCI，DVI和REP)对重金属胁迫更敏感，并且可更准确地反映植物受重金属的胁迫程度。常规植被指数定义及计算方法如表1所示。

图4 植被指数CPVIm与叶片Cu2+含量关系

图5 NDVI (a)，MTCI (b)，DVI (c)，REP (d)与叶片Cu2+含量关系

3.2 CPVIm鲁棒性验证

为了检验CPVIm的鲁棒性，在2014年和2016年采集的“中糯1号”玉米叶片光谱数据中随机选择梯度分别为Cu(ck)，Cu(250)，Cu(500)及Cu(ck)，Cu(200)，Cu(300)，Cu(500)，Cu(600)，Cu(800)和Cu(1 000)对指数CPVIm进行验证。以2014年数据为基础的结果如图6所示，不同污染水平下CPVIm与叶片Cu2+含量显著负相关，相关系数r=-0.90，以2016年数据为基础的结果如图7所示，CPVIm与Cu2+含量的相关系数r= -0.96。由此说明CPVIm植被指数对于不同品种的玉米污染程度探测均具备一定可靠性。

表1 植被指数

图6 植被指数CPVIm与叶片Cu2+含量关系

图7 植被指数CPVIm与叶片Cu2+含量关系

3.3 叶片Cu含量、叶绿素含量及CPVIm相关性分析

叶绿素在光合作用中起着至关重要的作用，且作物重金属含量与叶片中的叶绿素相对浓度密切相关[11]。因此，可通过掌握叶绿素与叶片Cu2+含量的关系规律，间接利用叶绿素含量反映植被受重金属污染的程度。因实验所测玉米N，M和O叶片叶绿素含量变化范围不同，所以将实测数据(包括实验数据与验证数据)共计84组，分新叶、中叶、老叶分别进行讨论。为避免偶然因素影响，体现数据的普遍性，对三组平行样中N，M和O叶片叶绿素含量、Cu2+含量及CPVIm值取平均值作为该梯度的代表值。叶片叶绿素含量、Cu2+含量及CPVIm两两结合，分析任意两者之间相关性，为了综合得到更好的评估效果，将这3个指标作为三维参量，构建玉米叶片污染程度三维分析模型，如图8所示。三维分析模型中，可直观观察到土壤中铜胁迫程度范围在0～100，150～400和600～1 000 μg·g-1分别集中在模型的顶部，中部和底端，即随着胁迫程度的增强散点随着体对角线呈现逐步下移的趋势，更直观清晰地呈现了不同土壤铜胁迫的程度，可作为评估分析模型。其次，根据分析模型可直观体现叶片叶绿素含量与指数CPVIm呈正相关，叶绿素含量与叶片Cu2+含量呈负相关，CPVIm与叶片Cu2+含量呈负相关。由此说明植被指数CPVIm不仅可作为玉米叶片铜污染程度的指标，也可作为探究叶片叶绿素含量的指标。

图8 玉米叶片Cu2+、叶绿素含量、CPVIm三维分析模型

4 结 论

提出一种以光谱波段组合遍历计算为基础的CPVI污染程度探测方法，分析其与叶片Cu2+含量的相关性，并构建了针对玉米叶片铜污染的CPVIm指数，得到以下结论： (1)CPVIm可表征玉米受重金属铜污染的程度，即随着叶片中Cu2+含量的增加，CPVIm呈下降趋势，相关系数为r=-0.80, 残差平方和RSS=48.52。通过与常规植被指数NDVI，MTCI，DVI和REP对比，验证了CPVIm的优越性。同时通过另外两组实验数据验证了指数CPVIm的鲁棒性，CPVIm与叶片Cu2+含量相关系数分别达到了-0.90和-0.96。(2)基于新、中、老叶分别探究了叶片叶绿素含量与叶片重金属含量及CPVIm的相关性，并构建了三维分析模型，证明了叶片Cu2+含量和CPVIm与SPAD-502读数中的叶片叶绿素含量相关，即叶绿素含量与CPVIm呈正相关，叶绿素含量与叶片中Cu2+含量呈负相关。

由此表明通过光谱特征波段组合方式构建的CPVI探测模型可作为评价农作物重金属污染程度的参考方法； 基于该方法构建的CPVIm指数可有效甄别玉米受重金属Cu2+污染程度，也可作为反映玉米叶片尺度叶绿素含量的指标。