基于遥感高光谱的铀胁迫下紫竹梅叶片生化指标建模研究

王正庆,肖 策,车永飞,李天鹏,李 策,丁华栋,宋 静,贺海洋,马 艳

(1.南华大学 资源环境与安全工程学院,湖南 衡阳 421001;2.东华理工大学 核资源与环境国家重点实验室,江西 南昌 330013;3.稀有金属矿产开发与废物地质处置技术湖南省重点实验室,湖南 衡阳 421001;4.核工业北京地质研究院 遥感信息与图像分析技术国家级重点实验室,北京 100029;5.枣庄学院 城市与建筑工程学院,山东 枣庄 277160)

0 引 言

在植物生长过程中，可能会遭受重金属、水分、大气等非生物因素的胁迫作用[1-3]。目前，在矿产勘查、土壤重金属污染监测领域，利用高光谱遥感技术监测植物吸收成矿元素、重金属元素的相关研究成果丰硕[2-5]。在光谱特征研究方面，如，受重金属污染的植物在400～900 nm光谱曲线变化最为显著，同时重金属含量越高，叶绿素最大吸收谷越浅[6-7]；某铀尾矿马先蒿在680 nm位置红谷变浅，绿峰位置见小吸收谷[8]；随镉、铜、锌离子浓度的升高，脐橙新叶、玉米叶及小麦冠层的分蘖期和拔节期光谱反射率稍增高[9-11]。在光谱值与生化参数关系模型研究方面，国外研究者，利用混合人工神经网络、随机森林、支持向量机等机器学习算法建模，估测苹果叶、山葵叶叶绿素含量[12-13]；国内的研究者，利用逐步回归分析法建模，估测烤烟、冬小麦、小白菜等的总氮、镉、叶绿素、胡萝卜素含量等[14-17]；国内研究者还利用神经元网络、随机森林等机器学习法建模，估测苹果、猕猴桃的含水率、叶绿素含量等[18-19]。由文献调研可见，以铀作为胁迫元素方面研究相对较少，又因紫竹梅易于室内培养，故本文以室内培养紫竹梅为研究对象，旨在研究铀胁迫下的紫竹梅叶片高光谱特征、生化指标，并利用高光谱参数反演生化指标建模，为高光谱遥感植物铀吸附监测提供技术参考。

1 材料与方法1.1 植物培养设计

本实验在南华大学稀有金属矿产开发与废物地质处置技术湖南省重点实验室进行。实验植物选用处于同一生长期的紫竹梅植株幼苗。实验采用土培方式，培养所用塑料盆规格：16 cm(盆口直径)×12 cm(盆底直径)×13 cm(盆高)，控制室温(25±5)℃，湿度70%～80%，光照采用蓝红光为1∶5的灯带；实验溶液选用改进的Hoagland’s营养液，根据铀地壳丰度(2.7×10-6)、铀矿品位(地浸砂岩铀矿工业品位100×10-6；硬岩铀矿边界品位300×10-6，工业品位500×10-6)及《铀矿冶辐射防护和环境保护规定GB 23727—2020》中铀废水排放限值50 mg/L，并考虑植物的耐受性等因素，设置8组铀质量浓度：0 mg/L(对照组)(UL0)、0.05 mg/L(UL1)、1 mg/L(UL2)、2 mg/L(UL3)、10 mg/L(UL4)、50 mg/L(UL5)、100 mg/L(UL6)、200 mg/L(UL7)，按实验溶液浓度大小顺序，每组设置3个平行样，共24盆，盆间留足空间，消除边际效应的干扰；经过预实验发现，紫竹梅生长相对较慢，铀胁迫下紫竹梅7 d左右才正常生长，故将紫竹梅生长期分为初期、中期及晚期，每期间隔10 d，初期开始时间设定为正式培养后的第7天，分期采样并测定反射率光谱值和叶绿素含量。

1.2 数据测定方法

1.2.1 叶片光谱测定

光谱测量在室内进行，采用美国ASD公司生产的FieldSpec Pro便携式分光辐射光谱仪测量，波段范围为350～2 500 nm，采样间隔为1.4 nm@350～1 000 nm，2 nm@1000～2 500 nm，数据间隔为1 nm。对于24盆样品，测定光谱前需要用内置标准参考白板进行校正，测定时将探测器探头对准叶片表面，这样每个培养液浓度各时期均选择3片叶，先每片叶测量20条光谱曲线，取平均值，再将3片叶的光谱值取平均，作为该时期该浓度下叶片的最终光谱值。叶片光谱测量与叶片采样同步进行。

1.2.2 叶片生理生化指标测定

待反射率光谱测量完毕，随即沿植物梗部将叶片摘下，装入自封塑料袋，并将其放入恒温箱，避免组分流失，同一时期的叶片样品收集完整后，选用北京北分瑞利分析仪器公司生产的UV-9600紫外可见光分光光度计测定丙二醛含量、叶绿素含量、过氧化物酶活性，另外选用电感耦合等离子体质谱仪(ICP-MS)测定叶片铀含量。

丙二醛含量使用硫代巴比妥酸(thiobarbituric acid，TBA)法，采用UV-9600紫外可见光分光光度计，在波长450 nm、532 nm、600 nm下分别测定吸光度。将上述测定的吸光度值利用相关公式计算丙二醛含量，计算公式为：

C=6.45×(A532-A600)-0.56×A450

(1)

式中，A450、A532及A600分别为在450 nm、532 nm、600 nm波长下的吸光度；C为丙二醛物质的量浓度，μmol/L。

叶绿素含量使用乙醇法，采用UV-9600紫外可见光分光光度计，在波长645 nm、663 nm下分别测定吸光度。将上述测定的吸光度值利用相关公式计算叶绿素含量，计算公式为：

Ca=12.7×A663-2.69×A645

(2)

Cb=22.9×A645-4.68×A663

(3)

C总=Ca+Cb

(4)

A=C×V×N/W

(5)

式中：A645及A663分别表示在645 nm、663 nm波长下的吸光度；Ca及Cb分别为叶绿素a、b质量浓度，mg/L；C总表示叶绿素总浓度，mg/L；A为叶绿素含量，mg/g；C为叶绿素a或叶绿素b的质量浓度，mg/L；V表示提取液的体积，mL；N表示稀释倍数，W表示样品鲜重，g。

过氧化物酶活性使用愈创木酚法，采用紫外-可见光分光光度计测定，在波长470 nm下每隔30 s测定一次吸光度。将上述测定的吸光度值利用相关公式计算过氧化物酶活性，计算公式为：

U=(ΔA×V1)/(0.01×V2×Δt×W)

(6)

式中：ΔA为反应阶段的吸光度差；Δt为ΔA反应时间，min，即0.5 min；V1为样品液总体积，mL；V2为测定时样品液用量，mL；W为样品鲜重，g。

叶片样品经烘干、烧灰、消解、过滤等操作后得到待测液，采用电感耦合等离子体质谱仪(ICP-MS)测定叶片铀含量。

1.3 数据处理方法

1.3.1 高光谱数据分析

高光谱数据采集时，因外界环境、仪器噪声等的干扰，难免会对光谱产生影响，出现“毛刺”现象，需要对所获取的光谱进行平滑处理[18]。本实验采用ViewSpecPro5.6软件读取ASD光谱仪获取的紫竹梅单叶高光谱数据，进行平滑、平均、微分计算等处理，得到原始反射率、一阶微分反射率、二阶微分反射率光谱曲线。本文选用Pearson相关系数法对紫竹梅叶片生理生化指标和高光谱曲线进行相关性分析，从而构建逐步回归方程。其中，Pearson相关系数计算、逐步回归模型构建均采用MATLAB软件。

1.3.2 建模方法

皮尔森相关系数(pearson correlation coefficient)作为计算变量之间线性相关性的一种统计量，能够反映两个变量X与Y之间线性相关关系密切程度，计算方式见式(7)。Pearson相关系数一般用r表示，r取值介于-1和+1之间，当r>0时，两个变量呈正相关，即变量X随变量Y的增大而增大，当r<0时，两个变量呈负相关，即变量X随变量Y的增大而减小。其中，以相关系数绝对值判断两个变量间的相关程度，|r|→1时认为两个变量之间线性关系越强，|r|→0时认为两个变量之间线性关系越弱，其中|r|≥0.8时可视为高度相关，0.5≤|r|<0.8时可视为中度相关，0.3≤|r|<0.5时可视为低度相关，|r|<0.3时可视为不相关[20]。

(7)

回归分析是一种常见的数学分析方法，可有效建立因变量与自变量之间的联系，当变量不少于2个时，称为多元回归分析。逐步回归分析是多元回归分析的一种，该方法不仅可以较快地获取对因变量影响最大的能通过回归系数检验的自变量子集，而且可以保证回归效果，具有较好的拟合效果[21]。

模型建立后，通过对比决定系数R2、均方根误差RMSE等参数筛选出最佳模型，其中R2用于判断模型拟合程度，RMSE用于检验估测模型的可靠程度[22]，计算方式为：

(8)

2 结果与分析

2.1 不同铀浓度胁迫下紫竹梅叶片高光谱反射率特征

铀胁迫下紫竹梅初、中、晚三个时期的叶片高光谱反射率大小均小于0.4，在700 nm附近有明显的“红谷”，但大小关系不明显(图1(a))。由铀胁迫下紫竹梅一阶导数叶片高光谱曲线可见，各期紫竹梅叶片一阶导数高光谱曲线相似，在705 nm左右有一个明显的峰值“红边”，但“红边”位置差异稍大(图1(b))。

图1 铀胁迫下紫竹梅叶片高光谱曲线及一阶导数高光谱曲线Fig.1 Spectral curve of purple bamboo plum leaves under uranium stress and first derivative spectral curve

2.2 不同铀浓度胁迫下紫竹梅叶片生理生化指标特征

紫竹梅叶片叶绿素含量、丙二醛含量、过氧化物酶活性变化见表1。随铀浓度升高，初期紫竹梅叶片叶绿素含量呈波浪形变化，中期、晚期叶绿素含量总体呈下降趋势，最高值出现在中期质量浓度为0.05 mg/L时，为1.376 mg/g；随铀质量浓度升高，初期紫竹梅叶片丙二醛含量基本呈波浪型变化，仅在200 mg/L时陡增，为1.049 μmol/L，中期、晚期丙二醛含量总体上则呈下降趋势；随铀浓度升高，各期紫竹梅叶片过氧化物酶活性均呈先上升后下降的趋势，初期、中期最高值均出现在质量浓度为2 mg/L时，分别为407.190 g·min、1 066.143 g·min；晚期最高值出现在质量浓度为0.05 mg/L时，为681.184 g·min。分析紫竹梅叶片铀含量变化(表2)可见，当铀质量浓度升高时，初期紫竹梅叶片铀含量呈上升趋势，最高值出现在质量浓度为100 mg/L时，为0.654 mg/L；中期叶片铀含量呈下降趋势，最高值出现在质量浓度为0.05 mg/L时，为0.030 mg/L；晚期叶片铀含量则呈波浪型变化，最高值出现在质量浓度50 mg/L时，为0.110 mg/L。

表1 不同铀浓度铀胁迫下紫竹梅叶片生理生化指标含量变化Table 1 Changes of physiological and biochemical indexes of purple bamboo plum leaves at different uranium concentrations under uranium stress

表2 不同铀浓度铀胁迫下紫竹梅叶片铀含量变化Table 2 Changes of Uranium Content in Purple Bamboo Plum leaves under Different Uranium Concentrations under Uranium Stress

2.3 紫竹梅叶片生理生化指标与高光谱参数相关性

表3 基于敏感高光谱特征参数与铀胁迫下紫竹梅叶片生理生化指标的最大相关系数Table 3 Based on the maximum correlation coefficients of sensitive spectral characteristic parameters and the physiological and biochemical indexes of purple bamboo plum leaves under uranium stress

2.4 紫竹梅叶片生理生化指标与高光谱参数模型构建及精度检验

以R、D、D2高光谱参数为自变量，以叶片各生理生化指标为因变量，选取16组样本数据构建逐步回归模型(表4)，剔除差异太大的异常数据组，选择剩余6～8组样本作为验证数据(图2)。由研究结果可见，叶片铀含量估测模型的决定系数R2=0.486，均方根误差RMSE=0.064，显著性水平p=0.013，该模型R2最大且RMSE最小，其次是叶绿素含量估测模型，R2=0.442，RMSE=0.167，p=0.005，相比之下，丙二醛含量估测模型的R2=0.312，RMSE=0.176，p=0.025，精度均低于其他估测模型。从紫竹梅生化参数逐步回归反演模型实测值与预测值关系图可见(图2)，丙二醛含量和过氧化物酶活性验证集的R2较高，分别为0.580、0.645，叶绿素含量验证集R2最低，为0.335。

表4 紫竹梅叶片生理生化指标与高光谱参量的逐步回归模型参数表Table 4 Parameter table ofstepwise regression model of leaf physiological and biochemical indexes and spectral parameters of purple bamboo plum leaves

图2 紫竹梅叶片各生理生化指标逐步回归反演模型实测值与预测值关系图Fig.2 Relationship between measured and predicted values of stepwise regression inversion model for physiological and biochemical indexes of purple bamboo plum leaves

3 结 论

本文分析了紫竹梅叶片高光谱数据、相关生化参量特征，构建了基于高光谱数据的生化指标逐步回归估测模型，并进行了模型精度检验，获得结论如下：

1)铀胁迫下紫竹梅叶片初、中、晚3个时期的叶片高光谱反射率均小于0.4，在700 nm附近有明显的“红谷”，但大小关系不明显；各期紫竹梅叶片一阶导数高光谱曲线相似，均在705 nm左右有一个明显的峰值“红边”，但“红边”位置差异稍大。

2)随铀浓度升高，初期紫竹梅叶片叶绿素含量、丙二醛含量呈波浪型变化，中期、晚期总体上则呈下降趋势；随铀浓度升高，各期紫竹梅叶片过氧化物酶活性均呈先上升后下降的趋势；当铀浓度升高时，初期紫竹梅叶片铀含量呈上升趋势，中期叶片铀含量呈下降趋势，晚期叶片铀含量则呈波浪形变化。

3)一阶导数、二阶导数高光谱与紫竹梅叶片生理生化指标的相关性总体上比原始高光谱高，相关生理生化指标与各高光谱参数最大相关性均为中度负相关。

4)以原始高光谱、一阶导数、二阶导数为自变量，以叶片叶绿素含量、丙二醛含量、过氧化物酶活性、铀含量为因变量构建的逐步回归模型中，叶片铀含量估测模型、叶绿素含量估测模型效果较好，R2分别为0.486和0.442；模型精度检验中过氧化物酶活性、丙二醛含量模型的拟合效果较好，R2分别为0.645和0.580。