灌漿期水稻葉片銅含量變化的高光譜遙感定量監(jiān)測研究

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)測農(nóng)作物葉片中的重金屬含量變化，在化學分析和農(nóng)作物葉片對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)測作物葉片銅元素含量變化，為大面積、快速、準確、無損地監(jiān)測農(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，實地采集水稻葉片樣品21個。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型光譜指數(shù)的相關(guān)性。結(jié)果表明，高光譜數(shù)據(jù)對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)，最小負相關(guān)系數(shù)的波長是646、647、648 nm;而一階微分和二階微分光譜中在藍邊、黃邊、紅邊和近紅外區(qū)域均有分布，最大正相關(guān)系數(shù)的波長分別是660、715 nm;水稻葉片銅含量估測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，該模型預測的銅含量值與實測值的擬合度較好（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，為高光譜遙感立體、快速和大面積地監(jiān)測農(nóng)田作物銅含量的變化提供參考，也為評價水稻的食用安全提供科學方法。

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

中圖分類號： X835;S127 文獻標志碼： A 文章編號：1002-1302（2019）23-0324-07

銅是農(nóng)作物生長所必需的營養(yǎng)元素，過量銅則會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，導致植株矮化、產(chǎn)量降低[1]。重金屬含量的常規(guī)監(jiān)測方法存在很多局限性，比如步驟繁瑣、破壞土壤作物、無法進行大面積的監(jiān)測等[2]。研究發(fā)現(xiàn)，過量銅處理下的水稻葉片光譜反射率曲線與對照組有明顯的差異[3]，所以可通過高光譜遙感技術(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、實時、原位、快速的監(jiān)測特點，可以滿足土壤-作物重金屬含量變化的監(jiān)測需求，通過便攜式高光譜儀、航空遙感和航天遙感的應(yīng)用，可以實現(xiàn)由點到面、由定性分析到定量分析的大面積原位立體監(jiān)測[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)估測水稻葉片氮含量，分別建立逐步多元線性回歸（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模型的建模預測和驗證精度最高，R2分別高達094、0.87[6]。張浩等利用高光譜數(shù)據(jù)建立PLS模型估測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)測的研究報道較少，而有研究表明葉片不僅會吸收來自根、莖的重金屬，還會通過氣孔吸收來自大氣的重金屬，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)食物鏈進入人體[8]，所以對作物葉片中重金屬銅含量的估測同樣具有重要意義。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，其機制為重金屬元素影響葉片內(nèi)部生理狀態(tài)而導致光譜變化來反演其含量。為了實現(xiàn)作物葉片中重金屬銅含量的高光譜快速無損監(jiān)測，本研究的主要目的是通過分析水稻葉片銅的敏感光譜指數(shù)和光譜波段，定量估測水稻葉片銅的含量變化，判斷葉片銅含量是否超標，同時可預測土壤銅含量的變化，這對保障糧食安全和人類身體健康具有重要的現(xiàn)實意義。

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），如圖1所示。該市地勢平坦，地處長江三角洲沖積平原，隸屬于北亞熱帶季風氣候，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，張家港市經(jīng)濟快速發(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]，存在較大的健康風險。

1.2 樣品采集與光譜數(shù)據(jù)測定

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)水稻在生長后期即生殖時期由根、莖轉(zhuǎn)移進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，隨機選擇均勻分布的農(nóng)田采樣地點共21個。每個采樣地點選取5個采樣點，共選擇5株水稻，每株水稻選擇從上向下的完全展開的3張葉片測量光譜，每張葉片測定5次，每株水稻共測定15次光譜，每個采樣地點共測定75次光譜，取平均值作為該采樣地點的高光譜數(shù)據(jù)，之后將測定光譜的葉片剪下作為該采樣地點的水稻葉片樣品，帶回實驗室，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PP Systems公司生產(chǎn)的Unispec-SC型單通道便攜式手持光譜儀進行測定，該型號光譜儀自帶光源，探測波段為310～1 130 nm，分辨率<10 nm，絕對精度<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定時，使用儀器配備的白色標準板進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 光譜預處理和估測模型的構(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)的光譜反射率進行數(shù)據(jù)分析。

1.3.1 單變量估測模型 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)建立一元線性和非線性回歸模型。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：

線性函數(shù)：y=ax+b;對數(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)。本模型的計算在SPSS 22.0軟件中完成。

1.3.2 多變量估測模型 對采集的原始光譜進行一階微分（der 1）、二階微分（der 2）的預處理變換，消除背景噪聲、增強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)部交叉驗證均方根誤差（RMSECV）來驗證多變量估測模型的預測精度。從數(shù)據(jù)集中的所有n個樣本中，利用n-1建立回歸模型，對所有n個樣品重復該過程，實現(xiàn)對所有樣品的預測[13]。交叉驗證均方根誤差（RMSECV）的公式為

RMSECV=∑（Cm-Cp）2Nc。

式中：Cm代表稻葉重金屬銅含量的實測值，mg/kg;Cp代表模型計算的預測值，mg/kg;Nc代表樣本的個數(shù)。

1.4 數(shù)據(jù)處理與分析

數(shù)據(jù)預處理和作圖分別在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具有典型植物光譜特征，在400～700 nm的可見光波段范圍內(nèi)，樣品光譜反射率較低，綠光波段內(nèi)，波長550 nm附近產(chǎn)生了1個明顯反射峰為綠峰，主要是綠光對光合色素的強烈反射造成的;在紅光波段，波長670 nm附近產(chǎn)生了1個較明顯的吸收谷為紅谷，主要是紅光對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，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，與植物種類和生長期有關(guān)。有研究者證實，水稻分蘗期，在可見光區(qū)，高濃度銅反射率高于低濃度銅的反射率，原因是高濃度銅導致植株葉片中的葉綠素含量降低，因此，可見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個光譜指數(shù)進行敏感性分析，在可見光和近紅外光波段范圍內(nèi)，將這15個光譜指數(shù)與重金屬銅含量進行相關(guān)性分析，并進一步選取與葉片銅含量相關(guān)系數(shù)較高的參數(shù)建立估測模型，各光譜指數(shù)的計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個光譜指數(shù)與葉片銅含量的相關(guān)性達到了顯著水平（P<0.05），剩下4個光譜指數(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)性曲線波動較大，出現(xiàn)多個極值和拐點。

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個波長，最小負相關(guān)系數(shù)的波長是646、647、648 nm;而一階微分和二階微分光譜中，在藍邊、黃邊、紅邊和近紅外區(qū)域均有分布，分別有94、76個波長，最大正相關(guān)系數(shù)的波長分別是660、715 nm。這些波段可以作為預測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模型的輸入變量[12]。這些敏感光譜波段大都分布在可見光區(qū)域，因為重金屬銅對葉綠素的影響最嚴重，即使在低濃度時也會導致葉綠素含量降低，重金屬離子可與重要生物大分子結(jié)合，進入細胞內(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，從而干擾細胞的正常代謝過程，干擾葉綠素的合成[25]，而葉綠素的含量變化主要引起可見光區(qū)光譜數(shù)據(jù)的變化。

由表2可以看出，經(jīng)過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，說明微分處理可以較好地消除背景噪聲，增強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)分別位于可見光區(qū)的660 nm處和近紅外區(qū)的715 nm處;最小負相關(guān)系數(shù)位于可見光區(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個敏感光譜指數(shù)進行回歸建模分析，建立了各參數(shù)的一元線性、對數(shù)、指數(shù)和乘冪的重金屬銅含量反演模型。模型精度評價指標為決定系數(shù)r2越大、F統(tǒng)計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稻葉重金屬銅含量。其中每個參數(shù)的指數(shù)和乘冪模型均比線性、對數(shù)模型的精度更優(yōu)。對比5個參數(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個參數(shù)，其指數(shù)和乘冪模型的決定系數(shù)（r2）相等，達到極顯著水平（P<0.01）。根據(jù)F統(tǒng)計量最大、均方根誤差最小的原則，估測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）對不同變換形式的光譜反射率數(shù)據(jù)進行降維，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。模型精度的評價指標為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，通過同一種模型的不同光譜預處理的對比可以發(fā)現(xiàn)，經(jīng)過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，因為微分光譜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，增強相似光譜之間的差別，突出光譜的特征值。對比RCR模型和PLSR模型可以看出，PCR的主成分個數(shù)明顯多于PLSR模型，有研究發(fā)現(xiàn)，主成分的個數(shù)過多，會給模型增加額外的噪音或?qū)е履Ｐ瓦^度擬合;主成分的個數(shù)過少，則不能包含所有的信息[29]，最佳的主成分個數(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數(shù)由RMSECV最小來決定[13]。

基于二階微分光譜反射率的3種模型的測量值和預測值的散點圖如圖5所示。結(jié)合表4和圖5可以看出，對比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，主成分的個數(shù)為4;R2最高，為0.56，達到極顯著水平;RMSE最小，為1.47;RMSECV最小，為1.84，說明利用相關(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模型，微分處理的光譜建立的估測土壤全氮含量的PLSR模型R2高達0.929[12]，說明了利用CA結(jié)合PLSR建立的回歸模型精度較高，同時也說明微分變換是構(gòu)建預測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)對銅含量變化的敏感性有效地監(jiān)測葉片銅含量的變化及其超標情況，對評價農(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)測水稻葉片銅含量變化的優(yōu)勢

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個植被指數(shù)均對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)對監(jiān)測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、無損、快速、大面積、立體監(jiān)測農(nóng)田水

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

水稻灌漿期，不同銅濃度葉片的原始光譜反射率在各波長范圍內(nèi)的變化趨勢具有一致性，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個波長，最小負相關(guān)系數(shù)的波長是646、647、648 nm;而一階微分和二階微分光譜中，在藍邊、黃邊、紅邊和近紅外區(qū)域均有分布，分別有94、76個波長，最大正相關(guān)系數(shù)的波長分別是660、715 nm，主要位于可見光區(qū)域內(nèi)。

水稻葉片重金屬銅含量的單變量估測模型中，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，實測值與預測值的擬合度較高（r2=0.56）。

研究通過用高光譜數(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及實時監(jiān)測作物重金屬含量變化情況，為大面積、原位立體監(jiān)測農(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：

[1]王友保，劉登義. Cu、As及其復合污染對小麥生理生態(tài)指標的影響[J]. 應(yīng)用生態(tài)學報，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)含量檢測與監(jiān)測現(xiàn)狀、問題及展望[J]. 中國生態(tài)農(nóng)業(yè)學報，2017，25（4）：605-615.

[3]劉厚田，張維平，于亞平，等. 土壤中過量銅對水稻葉片光譜反射特性的影響[J]. 環(huán)境科學學報，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研究[J]. 光譜學與光譜分析，2012，32（12）：3220-3224.

[6]張玉森，姚 霞，田永超，等. 應(yīng)用近紅外光譜預測水稻葉片氮含量[J]. 植物生態(tài)學報，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)含量的高光譜估測模型[J]. 核農(nóng)學報，2012，26（1）：135-140.

[8]潘如圭. 作物對大氣源重金屬的吸收和轉(zhuǎn)移[J]. 農(nóng)業(yè)環(huán)境科學學報，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價[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測[J]. 應(yīng)用生態(tài)學報，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)學報，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. 單一重金屬污染對水稻葉片光合特性的影響[J]. 上海環(huán)境科學，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模型[J]. 華南農(nóng)業(yè)大學學報，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. 煤矸石充填復墾重構(gòu)土壤重金屬含量高光譜反演[J]. 光譜學與光譜分析，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)性研究進展[J]. 內(nèi)蒙古民族大學學報（自然科學版），2014，29（1）：41-44.

[32]田靜國，王樹東，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敏感性研究[J]. 科學技術(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)境工程學報，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，2018，46（12）：9-13.

收稿日期：2018-10-14

基金項目：國家重點研發(fā)計劃（編號：2018YFD0800201）;江蘇省高校哲學社會科學研究項目（編號：2016SJD630126）。

作者簡介：張靜靜（1993—），女，山東菏澤人，碩士研究生，研究方向為農(nóng)田土壤重金屬污染監(jiān)測與修復。E-mail：jjzhang2012@126.com。

通信作者：陶春柳，碩士，副教授，研究方向為物流管理、農(nóng)業(yè)經(jīng)濟及生態(tài)安全，E-mail：taocl@126.com;李建龍，博士，教授，博士生導師，研究方向為農(nóng)業(yè)遙感與5S技術(shù)應(yīng)用，E-mail：jlli2008@nju.edu.cn。