铜胁迫下玉米叶片污染信息监测模型

高鹏 杨可明 王敏

摘要：设置不同浓度铜离子（Cu2+）胁迫梯度（0、250、500 μg/g）玉米盆栽试验，并测量各胁迫梯度下玉米叶片的光谱数据以及玉米叶片中的Cu2+含量。在谐波处理、包络线去除、离散小波多层分解的基础上，将光谱特征吸收面积与小波能量熵相结合，构建探测玉米叶片Cu2+污染信息的光谱特征吸收面积-小波能量熵（SCA-WEE）模型，并与光谱角、光谱相关系数等常规相似性测度方法和绿峰高度、红边位置、红边最大值等常规污染信息监测方法作比较分析。结果表明，SCA-WEE模型能够明显区分受污染的玉米光谱，与玉米叶片中Cu2+含量的相关系数达到0.985 6，说明该模型能够有效甄别极度相似光谱之间的微小差异并判别玉米叶片的污染程度。最后基于不同时期的检验数据验证了SCA-WEE模型在玉米重金属污染监测方面的可行性和稳健性。

关键词：高光谱分析;谐波;包络线;小波能量熵;重金属铜污染

中图分类号： TP79;S127  文献标志码： A  文章编号：1002-1302（2019）17-0248-04

改革开放以来，我国在工农业获得巨大进步的同时也给自然环境造成了严重污染，如工业污水任意排放、采矿废石尾矿随意堆放、农药化肥不合理使用等引起的铜（Cu）、铅（Pb）、汞（Hg）等重金属污染更是备受社会关注[1-4]。铜是人类生活中必不可少的元素，但土壤中的铜离子（Cu2+）不易被微生物分解進而易被农作物吸收，Cu2+在土壤中富集到一定程度后，会严重影响农作物的生长，污染食物链，危害食品安全和人类健康，甚至影响整个生态系统[5-8]。因此，重金属污染监测已成为目前研究的热点问题。传统重金属污染监测方法存在步骤繁杂、费力耗时、破坏性大且监测范围有限的缺点[9]，而高光谱遥感具备光谱分辨率高、图谱合一、监测范围广、在不接触不损害本体条件下便可实时动态获得大量信息等优点[10-11]，在土壤和作物重金属污染监测方面具有较好的优势。

已有研究表明，土壤中的重金属离子被植物吸收后，通过改变植物细胞内大分子构象来破坏植物的细胞组织结构，引起植物产生一系列异常，导致光谱曲线发生变化[12-13]，因此能够根据光谱曲线探测植物重金属污染情况，但受污染和未受污染的植物光谱相似性很高。常规的光谱角（spectral angle，简称SA）、光谱相关系数（spectral correlation coefficient，简称SCC）、光谱信息散度（spectral information divergence，简称SID）、光谱梯度角（spectral gradient angle，简称SGA）等高光谱遥感方法不能有效区分受污染的植被光谱，且上述方法均是直接使用分析原始光谱反射率，因此一些学者选用微分光谱、分形维数、小波变换等对原始光谱进行变换，深度挖掘光谱信息，达到对植物重金属胁迫状况研究的目的，如杨可明等认为，微分光谱角与铜胁迫下玉米叶片中的铜离子含量有显著相关性[14];刘美玲等运用小波变换和分形维数对受重金属污染的水稻进行奇异性分析和污染评估[15-16];修丽娜等基于小波变换反演受污染水稻镉含量[17]。以上研究能够较好地监测重金属污染，但对于区分相似光谱效果并不明显。

小波变换可以较好地体现非平稳信号的局部特征，在处理探测故障信号和图像去燥压缩中具有优势[18]，包络线去除法能够有效地突出光谱曲线吸收和反射特征[19]，在选取特征参数方面有较好的应用。本研究拟基于不同浓度Cu2+胁迫下的玉米盆栽试验，根据所测得不同浓度下叶片的光谱数据以及叶片中Cu2+的含量，采用包络线去除法与小波变换相结合的方式，构建光谱特征吸收面积-小波能量熵模型（spectral characteristic absorption area-wavelet energy entropy，简称 SCA-WEE）区分相似光谱，监测玉米叶片Cu2+污染，并与绿峰高度（green-peak height，简称GH）、红边位置（red-edge position，简称REP）、红边最大值（maximum value of red-edge，简称MR）等方法的监测结果作对比分析，验证SCA-WEE模型在监测重金属污染方面的有效性和优越性。

1 理论与方法

1.1 谐波分析理论

3 数据处理与分析

3.1 数据处理分析

3.1.1 玉米叶片光谱预处理 对光谱数据进行谐波分解，经多次试验，当分解30次时去噪平滑效果理想，再对谐波分量进行逆运算得到重构光谱。以CuCK为例，比较原始光谱和谐波处理后的光谱，由图1可知，玉米叶片光谱得到较好的平滑处理。再对重构光谱作包络线去除处理，突出光谱特征，依然以CuCK为例，结果见图2，并计算整个波段范围内的光谱特征吸收面积。

3.1.2 小波分解 光谱特征吸收曲线能够从整体上较好地反映光谱的吸收特征，为更好区分相似光谱信息，进一步对光谱特征吸收曲线作离散小波多层分解，探测光谱曲线的局部差异。根据植物的光谱曲线特性可知，短波红外波段（1 300～2 500 nm）为水分吸收带，噪声很大，为避免其影响结果，只选用350～1 300 nm波段范围进行小波分解。依据模极大值理论[23]，小波系数极值点可以较好地对应于信号的突变点，且随着分解尺度的增大，噪声的影响逐渐减弱，极值点逐渐稳定，但极值点与信号突变点位置对应准确度越来越低，因此需要进行多层分解选择最佳的分解层数。通过试验比较，采用Db5小波将光谱特征曲线分解为9层，分解后的高频细节系数系列为cd1、cd2、cd3、cd4、cd5、cd6、cd7、cd8、cd9，以Cu250为例，结果见图3。cd1、cd2尺度下小波系数极值点较多，但模值较小，而且低尺度分解噪声较大;cd3、cd4尺度下小波系数极值点多且模值较大，但根据植被的波谱特征可知，900～1 200 nm处的模极大值是水分吸收造成的，因此cd1～cd4尺度不适合监测铜污染信息;cd5尺度下小波系数模值增大，水分吸收引起的噪声减弱，在720 nm左右处模值较大，奇异性最强，恰好处于红边范围，而该波段范围是叶绿素强吸收波段，在本试验中影响叶绿素的因素只有Cu2+含量，因此cd5尺度最适宜探测铜污染信息;cd6、cd7、cd8、cd9尺度下小波系数模值逐渐增大，但极值点个数逐渐减少，曲线越来越平滑，不适合监测突变信息。

3.1.3 SCA-WEE模型 铜污染会使植物体内叶绿素和细胞结构发生改变，从而引起光谱曲线变化，因此整个波段的光谱特征吸收面积能全面反映光谱曲线吸收特征变化;小波能量熵能够反映光谱的能量分布信息，从局部突出光谱的突变信息。将整个波段的光谱特征吸收面积和由Db5小波函数cd5序列计算的小波能量熵结合构建SCA-WEE模型，从整体和局部监测玉米叶片的Cu2+污染情况。

3.2 数据对比分析

以CuCK作为对照光谱，将SCA-WEE值与传统的光谱角、光谱相关系数等光谱相似性测度方法进行比较分析，结果见表2，可见SA与SCC测度值间差异很小，无法明显区分不同胁迫梯度下的玉米光谱;而SCA-WEE值差异明显，能够有效区分不同胁迫梯度下的玉米光谱。

进一步分析SCA-WEE值与玉米叶片中Cu2+含量的相关性，并与光谱特征吸收面积、小波能量熵及常规的绿峰高度、 红边位置、红边最大值等方法的监测效果作对比分析，不同浓度的Cu2+胁迫下玉米叶片的SCA-WEE模型值与其他计算方法、计算值，以及与叶片中Cu2+含量的相关系数见表3、表4。分析表1、表3、表4可知，SCA-WEE模型值随着胁迫梯度和玉米叶片中Cu2+含量的增加而增加，且SCA-WEE值与玉米叶片Cu2+含量的相关系数达到0.985 6，相关程度優于SCA、WEE及GH、REP、MR等监测方法，可见将光谱特征吸收面积和小波能量熵相结合可较好监测Cu2+污染信息。

3.3 SCA-WEE模型验证

为验证SCA-WEE模型的适用性和可靠性，在2016年采用相同的方法获取的玉米光谱中随机挑选的几组数据对SCA-WEE模型进行检验，由表5可以看出，SCA-WEE值差异明显，与玉米叶片中Cu2+含量的相关系数达到 0.933 3，表明SCA-WEE值有较强的稳定性，可以达到监测玉米铜污染胁迫状况的目的。

4 结论

随着铜胁迫梯度和土壤中Cu2+含量的增大，玉米叶片中的Cu2+含量逐渐增多。Db5小波函数能够有效探测光谱数据的局部信息，以Db5小波函数对经过处理后的玉米光谱作多层分解，第5层分解结果能有效抑制噪声，探测铜污染引起的玉米叶片光谱异常信息。基于光谱特征吸收面积和小波能量熵相结合构建SCA-WEE模型监测玉米叶片污染信息，SCA-WEE值与玉米叶片中Cu2+含量呈正相关关系，与玉米叶片中Cu2+含量的相关系数达到0.985 6;SCA-WEE值差异明显，能够有效区分受污染玉米叶片的相似光谱。将SCA-WEE模型与SA、SCC相似性测度方法和GH、REP、MR等监测方法进行对比分析，同时以不同时期的数据对SCA-WEE模型进行验证，结果表明，SCA-WEE模型在玉米叶片Cu2+污染信息监测方面有较好的稳定性和优越性。

参考文献：

[1]王 美，李书田. 肥料重金属含量状况及施肥对土壤和作物重金属富集的影响[J]. 植物营养与肥料学报，2014，20（2）：466-480.

[2]Tu C，Zheng C R，Chen H M. Effect of applying chemical fertilizers on forms of lead and cadmium in red soil[J]. Chemosphere，2000，41（1/2）：133-138.

[3]樊 霆，叶文玲，陈海燕，等. 农田土壤重金属污染状况及修复技术研究[J]. 生态环境学报，2013，22（10）：1727-1736.

[4]戴洪波. 土壤重金属污染治理方法研究进展[J]. 农业开发与装备，2017（9）：45.

[5]Nguyen C，Soulier A J，Masson P，et al. Accumulation of Cd，Cu and Zn in shoots of maize （Zea mays L.） exposed to 0.8 or 20 nM Cd during vegetative growth and the relation with xylem sap composition[J]. Environmental Science and Pollution Research，2016，23（4）：3152-3164.

[6]宋鹏飞，曾雪真，倪才英，等. 鄱阳湖入湖河口土壤重金属污染评价及藜蒿食用安全分析[J]. 江西农业大学学报，2015，37（2）：369-375.

[7]宋 伟，陈百明，刘 琳. 中国耕地土壤重金属污染概况[J]. 水土保持研究，2013，20（2）：293-298.

[8]张 敏，郜春花，李建华，等. 重金属污染土壤生物修复技术研究现状及发展方向[J]. 山西农业科学，2017，45（4）：674-676.

[9]汪志国，鲁安怀. 矿物法治理重金属污染利弊分析[J]. 环境科学与管理，2007（5）：118-121.

[10]Koponen S，Pulliainen J，Kallio K，et al. Lake water quality classification with airborne hyperspectral spectrometer and simulated MERIS data[J]. Remote Sensing of Environment，2002，79（1）：51-59.

[11]Kloiber S M，Brezonik P L，Olmanson L G，et al. A procedure for regional lake water clarity assessment using Landsat multispectral data[J]. Remote Sensing of Environment，2002，82（1）：38-47.

[12]朱叶青，屈永华，刘素红，等. 重金属铜污染植被光谱响应特征研究[J]. 遥感学报，2014，18（2）：335-352.

[13]潘 攀，杨俊诚，邓仕槐，等. 土壤-植物体系中农药和重金属污染研究现状及展望[J]. 农业环境科学学报，2011，30（12）：2389-2398.

[14]杨可明，史钢强，魏华锋，等. 铜离子、铅离子胁迫的玉米冠层微分光谱与污染效应[J]. 江苏农业科学，2015，43（7）：371-374.

[15]刘美玲，刘湘南，李 婷，等. 水稻锌污染胁迫的光谱奇异性分析[J]. 农业工程学报，2010，26（3）：191-197.

[16]刘美玲，刘湘南，曹 仕，等. 基于高光谱高频组份分形特征的水稻铅胁迫评估[J]. 遥感学报，2011，15（4）：811-830.

[17]修丽娜，刘湘南，刘美玲. 镉污染水稻高光谱诊断分析与建模[J]. 光谱学与光谱分析，2011，31（1）：192-196.

[18]Yu X C，Liang W，Zhang L B，et al. Dual-tree complex wavelet  transform and SVD based acoustic noise reduction and its application in leak detection for natural gas pipeline[J]. Mechanical Systems and Signal Processing，2016，72-73：266-285.

[19]谢伯承，薛绪掌，刘伟东，等. 基于包络线法对土壤光谱特征的提取及其分析[J]. 土壤学报，2005（1）：171-175.

[20]丁丽霞，王志辉，葛宏立. 基于包络线法的不同树种叶片高光谱特征分析[J]. 浙江林学院学报，2010，27（6）：809-814.

[21]何正友，蔡玉梅，钱清泉. 小波熵理论及其在电力系统故障检测中的应用研究[J]. 中国电机工程学报，2005（5）：40-45.

[22]赵志宏，杨绍普. 基于相对小波能量的滚动轴承故障诊断[J]. 电子测量与仪器学报，2011，25（1）：44-49.

[23]彭玉華. 小波变换与工程应用[M]. 北京：科学出版社，1999.