独立变量分析与高光谱植被指数模型监测水稻中砷污染

农作物对 As 的吸收、积累量受多种因素影响，最主要为土壤含 As 量。农作物主要通过根系吸收 As，故其最高浓度出现在农作物的根部以及块茎部位，而地上部分受 As 污染伤害，主要表现在叶片上。随着工业的快速发展，As 污染在农作物中越来越普遍，作为人类主要粮食作物的水稻更是首当其冲，因此，开展As 污染对水稻危害的研究已迫在眉睫。目前，农作物 As 污染胁迫的研究现状大致可总结为：自从发现 As 的危害以来，对 As 在植物体内的吸收、转运、富集、毒害和解毒等过程进行了较广泛的研究。20 世纪 90 年代就存在 As对植物的影响进行了初步探索，本世纪初又有专家学者利用数理统计法对 As 污染植被的光谱表现进行了分析。目前研究成果表明：（1）植物As 中毒在形态学上的表现：a.叶片变少，变小甚至提前脱落，叶片垂直，冠层伤害严重；b.根系变少，色黑，细脆易折；c.对植物各生长阶段伤害不同，越成熟影响越大。（2）在生理上的表现：伤害植物叶绿体的内部结构，取代叶绿素分子中的Mg离子并干扰有关叶绿素合成酶的活性，使叶绿素合成受阻，同时增加叶绿素分解酶的活性，使叶绿素分解。（3）光谱上的表现：①（原始数据）a.蓝移现象（叶绿素吸收中心680nm）———蓝移距离；b.在黄绿光波段呈现高反射率（550～600nm）———峰高距；c.与正常植物光谱曲线相交点（730nm）之前反射率高，之后反射率低———相交点的位置；d、在2200nm处，As浓度越大，反射率越低——距深。②（反射率二阶导数）As含量浓度的分辨：绿光（498nm）和红光（674nm）谷底差距，水分（1916nm）、淀粉（2000、2274nm）、油脂（2310、2348nm）、蛋白质和氨基酸（1956、2248nm）等响应光谱的变化情况。

虽然前人对农作物As污染进行了较广泛的研究，但具体对水稻这种农作物As污染研究却较少，且主要集中在用传统方法和原始光谱数据的简单变换进行研究。本文首次使用独立变量分析（ICA）与高光谱植被指数模型寻找由As污染胁迫造成其在光谱上的特征改变，建立相应的指标反映其受污染情况。

1样品与方法

1.1试验样地选择

研究选取吉林省长春市西湖附近水稻种植区域为试点。此处位于长春市西部郊区，临近长春第一汽车制造厂。由于工业废水和城市垃圾的不断排入，使附近的水域和土壤污染严重，尤其是重金属As含量更是超出了土壤承受能力范围。根据离西湖水域距离远近分别选取西湖边Ⅰ号样地、农田间Ⅱ号样地以及Ⅲ号样地作为实验样地。

1.2取样和处理2021年6月至9月之间先后6次对3个样地分蘖期、长穗期和成熟期的水稻进行取样。本文主要研究成熟期水稻，水稻品种为吉粳105，采样区水稻处于成熟晚期（黄熟期-完熟期）。光谱测试仪器探测波长范围350~2500nm；光谱分辨率350~1050nm范围内为3.5nm，1000~2500nm范围内为10nm。光谱采样间隔350~1050nm范围内为1.4nm，1000~2500nm范围内为2nm；采样时间10次·s-1。光谱测试每个样地取20个测点，进行编号，每个点测10次。然后对测试点的水稻和土壤进行同步采样，分别用样品袋和土壤盒保存，在实验室中利用原子光谱吸收法测定重金属元素Pb、As、Cr、Cd的含量。

1.3研究方法1.3.1高光谱指数分析方法

高光谱指数分析必须对采样所得的原始光谱数据进行归一化处理转换成反射率后进行计算。分别用表示叶绿素吸收率、光化反射率以及结构相关色素的植被指数进行分析，并计算3样地水稻之间高光谱植被指数的相关性，以判断其地域、形成因素的异同。

（1）叶绿素吸收率指数CARI

（2）光化反射率指数PRI

（3）结构相关色素指数SIPI

2.3.2快速独立变量分析（ICA）方法

独立变量分析（ICA）是基于高阶统计和信息熵理论，以各个通道间相互统计独立为提取准则，提取通道间的隐含信息成分。ICA将多维随机向量分解为一系列统计上独立的成分，因此能够提取高光谱数据在光谱空间上多维分布的分布特征，实现特征提取。而快速ICA是采用基于负熵作为目标函数的ICA算法，从而得到对各源信号最佳逼近的独立分量。ICA分析前必须对原始数据进行中心化和白化处理。本文选取蓝光波段（440～540nm）和红光波段（600～700nm）分别进行ICA分析，分别将两个波段100nm的范围，间隔5nm分为20组，与60个样本组成20×60的矩阵进行计算。

2结果与分析

2.1试验样地重金属含量分析通过对试验样地重金属含量的分析，判断As在污染中贡献值。文中所提到的水稻中重金属含量均为水稻叶片中的含量。

2.1.1样地中As含量分析

由于水稻属于水土混合介质中生长的作物，从重金属总量上看，其大部分重金属含量在较高范畴内。土样中，As含量平均在10mg·kg-1左右，比Pb、Cr含量都小（图1-A）；但在水稻叶片中却恰恰相反，As含量平均在5mg·kg-1左右，远远高于其他3种金属含量（图1-B）。结果表明，实验样地水稻对As的吸收远远高于其他重金属，而且在叶片中，As含量较高，其影响占主导地位。

2.1.2水稻中As积累分析

在水稻叶片中，As在Ⅱ号水稻叶中含量最高，Ⅲ号水稻叶中次之，西湖边Ⅰ号水稻叶中最少。就其As在水稻中的积累率来说：Ⅱ号水稻的相对积累率最高达到66.1%，Ⅲ号次之，西湖边Ⅰ号水稻最少只有29.5%（图2）。分析得知：（1）由于Ⅱ号和Ⅲ号基本处于同一块区域，其土壤中As含量基本一致，但就水稻含As量和积累率来说，可以推出，随着水稻的生长，As逐渐在叶片中累积。（2）对所处成熟期基本一致的Ⅰ号水稻和Ⅱ号水稻进行对比，发现西湖边Ⅰ号水稻无论是含As量还是As积累率都远低于Ⅱ号水稻，在一定程度上说明过多的水分能抑制As在水稻中的累积。

2.2水稻中As含量的高光谱分析模型重金属As由于其具有毒性，过量的As含量会伤害植物叶绿体的内部结构，取代叶绿素分子中的Mg离子并干扰有关叶绿素合成酶的活性，使叶绿素合成受阻，同时增加叶绿素分解酶的活性，使叶绿素分解。本文从水稻叶绿素、光和作用效率以及结构相关色素含量3个方面出发，利用表示以上6方面的高光谱植被指数（CARI、PRI、SIPI），研究其与水稻中As含量的内在联系，并建立相应的回归模型。同时计算3样地水稻之间的高光谱植被指数相关性，从反映水稻叶片叶绿素组成和内部构造的指数出发侧面反映水稻生长环境、生长状况的异同，以了解不同样地水稻之间的相似性。

图1重金属含量对比

图2水稻对土壤中重金属As的吸收情况

2.2.1叶绿素吸收率指数（CARI）

CARI使用绿色波段发射率为基础，对叶绿素含量高度敏感。试验CARI值的范围为0.33～0.62，均值0.45，数值较小，被试验水稻基本处于成熟阶段。对3个不同样地的水稻的CARI值间进行相关计算，结果（图3-a）发现I号和Ⅱ号两成熟水稻间的相关系数达到0.52，相关性较强，表明此两种水稻生长状况基本一致。而西湖边I号水稻与Ⅲ号水稻相关系数极小，从侧面反映出此两样地水稻生长环境和生长状况不同。

2.2.2光化反射率指数（PRI）

PRI利用两个蓝色窄波段，该指数与辐射利用效率有关，随着光合作用效率的增加而减小。试验PRI值范围为0.1～0.14，均值0.12，很显然同地区的成熟水稻PRI值大于欠成熟水稻。而西湖边Ⅰ号成熟水稻由于水分充足等环境因素，其光合作用效率最高，故其值最小。同样对3个地区进行相关分析（图3-b），发现光合作用效率相对较高的西湖边Ⅰ号成熟水稻和Ⅲ号欠成熟水稻间几乎不相关，说明彼此间的形成较低PRI值的原因相差较大。

2.2.3结构相关色素指数（SIPI）

SIPI利用蓝色和红色波段来估计叶绿素与总的光合色素之比（类胡萝卜素与叶绿素之比），并用近红外波段来说明与色素改变一致的结构变化。试验SIPI值的范围为1.12～1.58，均值1.28。Ⅱ号水稻SIPI均值已达到1.44，比值最大，证明其叶绿素不断分解，类胡萝卜素不断累积，作物处在成熟老化期。Ⅲ号水稻叶绿素含量最高，其SIPI值最小。其3个地区的相关性都较低（图3-c）。

2.2.4高光谱植被指数与水稻中As含量的关系

过量的As含量会伤害植物叶绿体的内部结构减少叶绿素，降低光合作用效率。所以从原理上讲，As含量应该和CARI成一定的反比关系，而与PRI和SIPI呈正比。试验结果显示，CARI与水稻中As含量呈负相关，相关系数-0.67；PRI和SIPI与As含量呈正相关，相关系数分别为0.82和0.91（表1）。如此高的相关系数证明过量的As能严重阻碍叶绿素的形成，减少叶片中叶绿素含量，改变叶片体内各色素之间的组分比例，并伤害叶片内部结构，甚至使作物外部形态也发生较大变化。

表1植被指数与水稻中As含量回归分析统计

经过最小二乘回归，得出各高光谱植被指数与As含量的线性回归方程如下（参见图4）：m=-7.78×CARI+8，R=-0.67m=75.66×PRI-5.06，R=0.82m=7.37×SIPI-4.57，R=0.91式中：m为水稻中As含量，单位为mg·kg-1。

2.3水稻中As含量的快速独立变量（ICA）分析在植物反射光谱上，由于叶绿素a、b的强吸收，一般会在蓝光和红光波段形成两个吸收谷。而在绿色植物荧光光谱特征上，在蓝光和红光波段会形成两个荧光峰。

图4水稻中As含量与高光谱植被指数的回归方程

一般认为，决定蓝绿荧光的色素，属于维生素K或一种类似的苯醌，其峰强可反映该区色素向叶绿素a传递能量的有效程度。红光区荧光则来源于通过光子传播引发光合作用的有关叶绿素。蓝绿荧光和红光区荧光在发射源对应的叶片组织结构方面又有所不同，蓝绿荧光发射主要来自主、侧叶脉，而红光区荧光发射主要来自于非叶脉区域。根据重金属As能引起叶绿素和叶片结构变化，本文选取蓝光波段（440～540nm）和红光波段（600～700nm）分别进行ICA分析。利用快速独立变量（ICA）分析的目的是想找出As污染胁迫造成水稻光谱特征改变的独立变量。然后利用此变量与As含量进行最小二乘拟合，得出回归方程。而在进行快速独立变量（ICA）分析之前必须对光谱数据进行预处理，也就是中心化和白化。中心化即是使数据的均值为0，中心化方法为x=x-m，其中m=E（X）为数据x的均值。在对信号进行中心化处理之后，利用主成分分析通过线性变换，使变换后信号的各分量之间互不相关，其各分量的方差均为1，这个过程称为对数据的白化处理。

2.4最佳波段和分类模型通过试验分析得出，在蓝光波段（440～540nm）和红光波段（600～700nm）之间各提取了两个独立变量，分别为蓝光波段的IC-B1、IC-B2和红光波段的IC-R1、IC-R2。分别对其与As含量进行相关分析，发现IC-B1、IC-R1与水稻中As含量高度相关，相关系数高达0.95以上，其中水稻中As含量与IC-B1正相关，而与IC-R1负相关（表2）。这表明，在蓝光波段，As能引起某独立变量的正向变化，这种变量可能与叶绿素以及叶片结构有关；而在红光波段，As能引起与叶绿素相关的独立变量的负向变化。

表2独立变量与水稻中As含量回归分析统计

440～540nm内的独立变量IC-B1与As含量的相关关系如表2，回归方程如下（参见图5A）：m=1.1×（IC-B1）-16.4，R=0.96600～700nm内的独立变量IC-R1与As含量的相关关系如表2，回归方程如下（参见图5B）：m=-1.08×（IC-R1）-3.83，R=-0.95式中：m为水稻中As含量，单位mg·kg-1。

4结论

水稻中As含量与叶片中叶绿素含量以及叶片内部结构关系密切，代表叶绿素及叶片内部结构变化的高光谱植被指数（如CARI、PRI、SIPI）与水稻中As含量高度相关。

图5独立变量IC-B1,IC-R1与水稻中As含量的线性回归图

其中CARI与水稻中As含量呈负相关，相关系数-0.67；PRI和SIPI与As含量呈正相关，相关系数分别为0.82和0.91。独立变量分析（ICA）结果表明，在蓝光波段（440～540nm）和红光波段（600～700nm）之间各有一个独立变量与水稻中As含量高度相关，相关系数达到0.95以上。其中水稻中As含量与IC-B1正相关，而与IC-R1负相关。高光谱模型和独立变量分析模型能很好的探测成熟期水稻中重金属As的含量，为大面积探测成熟水稻As污染提供一定的依据。但是本研究也存在着一定的缺陷，由于研究数据的限制，缺乏足够的数据源对研究进行纵向的比较，而且所取样品As含量比较接近，故在光谱曲线上的差别不大，且没有完整的不同浓度组的比较。其次，本文仅对处于成熟期的水稻进行研究，对水稻不同生长期的As反应缺乏足够比较，这些都是以后需要深入解决的地方。

莱森光学（LiSen Optics）作为世界领先的光谱学解决方案提供商，是一家提供光机电一体化集成解决方案的高科技公司，我们专注于光谱传感和光电应用系统的研发、生产和销售。致力于为客户提供高品质、专业化、精细化的光电技术服务。凭借着在光学行业中丰富的经验，我们能够为每一位客户“量身定做”满足个性化需求的光机电一体化解决方案。

审核编辑 黄昊宇