引言

傳統的土壤－作物重金屬檢測方法有光學檢測法、電化學檢測法和生物學檢測法，這些傳統檢測方法雖然檢測精度高、檢出限低，但取樣和檢測步驟繁瑣、耗費人力和物力，同時大規模土壤采樣會破壞農田土壤且難以實現，無法達到快速、實時監測大面積農田土壤的要求。高光譜遙感技術綜合了探測器技術、精密光學機械、微弱信號檢測、計算機技術和信息處理技術; 與傳統遙感技術相比，高光譜遙感技術具有波段多、光譜分辨率高、空間分辨率高等優勢。大量研究表明，利用高光譜遙感技術可以定量反演作物中化學物質的含量。袁自然等通過暗室中測定的土壤反射率光譜，分析了洪湖市燕窩鎮土壤重金屬砷( As) 的含量和分布。張霞等采集河北省雄安新區雄縣和安新縣70個耕地土壤樣點地面光譜，構建了土壤Pb含量的反演模型，并獲得了良好的精度。

當植物受到土壤中重金屬污染脅迫時，會影響其葉綠素的合成，同時也會使植物的細胞結構和水分含量發生變化，從而改變植物葉片的光譜特性。已有研究表明利用作物光譜可以反演土壤中重金屬元素的含量。

材料與方法

2.1研究區概況

研究區位于江蘇省宜興市徐舍鎮( 圖 1)。宜興市(地理位置31°07' ～ 31°37'N，119°31' ～ 120°03'E)位于江蘇省南部，屬亞熱帶季風氣候，年均氣溫和降水分別為16．0℃和1434．0mm，農田主要分布在西部、北部的平原地區和低洼圩區，主要作物為水稻、冬小麥等。徐舍鎮位于宜興市西部，是該市最大的農業鎮，耕地面積達1．2萬hm2，土壤類型主要為水稻土、黃棕壤和潮土等。

圖1 研究區概況及采樣點分布

2.2樣品采集與數據測定

在宜興市徐舍鎮農田區域內均勻設置22個采樣地( 圖 1) ，每個采樣點用五點采樣法采集0～20cm 的水下表層土壤樣品進行混合。利用田間便攜式光譜儀采集水稻葉片光譜，光譜儀的光譜范圍為301～1 145nm，光譜分辨率為3．3nm。測量時間為北京時間11: 00—13: 00，每次光譜測定前進行白板標定。在每個采樣點內隨機選擇 5 株水稻，每株水稻選擇3張完全展開的葉片分別測量5次葉片光譜，同一采樣地點共測量75次葉片光譜。采集的土壤樣品在實驗室 60 ℃烘干，去除小石子和植物殘體后研磨并過100目篩，一部分土壤樣品用電位法測量 pH 值，另一部分采用電感耦合等離子質譜 ( ICP－MS) 法測定土壤樣品總Cd和總As含量。

2.3高光譜預處理

由于光譜數據在紫外部分有較大噪聲，選取380～1145nm 范圍內的光譜反射率進行數據分析。將同一采樣點采集的75條光譜曲線剔除異常值后取平均值得到該采樣點的水稻葉片光譜。由于光譜儀在不同波段之間在能量響應上存在一定差別，某些波段測量的光譜反射率可能發生急劇變化，導致光譜曲線存在“毛刺”，掩蓋了光譜特征信息。同時，在對水稻葉片進行光譜測定的過程中，大氣、光照條件、水面反射和光譜儀等因素都可能影響覆蓋目標的光譜特征信息。因此，須要對水稻葉片光譜依次進行平滑處理和光譜變換，以去除“毛刺”和 減弱背景噪聲，從而突出光譜特征。本研究對片光譜進行savitzky－golay ( SG) 平 滑，平滑處理后的光譜稱為原始光譜( Ｒ) 。對原始光譜進行一階微分( FD) 、二階微分( SD) 、倒數對數變換( AT) 、倒數對數的一階微分( AFD) 、倒數對數的二階微分( ASD) 、多元散射校正( MSC) 和標準正態變量變換( SNV) 共 7 種光譜變換。

2.4 水稻葉片光譜與土壤重金屬含量相關性分析

本研究采用皮爾遜相關系數對預處理的光譜與重金屬含量進行相關性分析。如果拒絕原假設的概率結果( P ＜ 0． 05) ，則認為光譜數據與重金屬含量之間存在顯著的相關關系。

2.5 土壤重金屬污染估測模型構建

2.5.1 遺傳算法波段篩選

本研究將原始光譜和7種變換光譜采用遺傳算法( GA)篩選連續波 長。光譜數據用偏最小二乘法建模前，利用遺傳算法進行波長篩選，可以減少冗余波長，優化模型預測性能，提高模型穩定性。本研究設置GA參數值為種群大小40，交叉概率 0．5，突變概率 0． 01，遺 傳代數 100，為減少隨機性影響每種預處理光譜與重金屬含量的組合重復運行 10 次。以偏最小二乘回歸的留一交叉驗證法均方根誤差( ＲMSECV) 作為 適應度判據，ＲMSECV 越低，個體適應度越高。

2.5.2 偏最小二乘回歸法構建模型

將22個光譜和重金屬含量數據樣本分為2個部分，每4個樣本挑選一個作為驗證，共有17個樣本作為建模集用于建模分析，5個樣本作為驗證集用于模型精度驗證。將GA選擇的光譜波段用偏最小二乘回歸法 ( PLSＲ) 進行建模分析。PLSＲ通過將自變量和因變量同時投影到新的坐標系中，提取對變量解釋性最強的自變量作為主成分，來構造一個新的線性模型，可以減少共線性和噪聲影響，提升模型魯 棒性。在 PLSＲ 建模分析過程中，成分過多引入會導致解釋模型檢驗過程方差的能力降低，增加額外的噪音而導致模型的預測精度下降。本研究中采用留一交叉驗證法確定主成分( PC) 的最佳數量， 即以主成分少、決定系數( r2) 高、ＲMSECV低作為較優模型判據確定主成分個數。

2.5.3 模型精度驗證

模型精度驗證采用內部驗 證和外部驗證結合。內部驗證采用交叉驗證決定系數(r2cv) 、交叉驗證均方根誤差(ＲMSECV) ，對比一般 PLSＲ方法建模和GA－PLSＲ建模，評價模型精度。r2cv越接近 1，說明模型擬合程度和穩定性更好。ＲMSECV 越低說明模型精度越高。將驗證集5個樣本數據代入GA－PLSＲ模型得到模型的外部驗證值，以外部驗證決定系數( r2pre) 、 外部驗證均方根誤差( ＲMSEP) 和相對分析誤差 (ＲPD) 評價模型估測精度。r2pre越接近 1，說明模型擬合程度和穩定性更好。ＲMSEP越低說明模型精度越高。ＲPD評價標準采用ＲPD5層解釋方法: 當ＲPD≥3.0 時，表明模型具有 優秀的預測能力; 當 2.5≤ＲPD ＜ 3．0 時，表明模型 具有良好的預測能力; 當 2.0≤ＲPD ＜ 2．5 時，表明模型可以近似定量預測; 當 1.5≤ＲPD ＜ 2. 0 時，表 明模型具有區分高值和低值的可能性; ＲPD ＜ 1．5 時，表明模型預測能力較差。

結果與分析

3.1 水稻田土壤重金屬含量分析

如表 1 所示，研究區內農田土壤 pH 值變化范 圍在 4． 35 ～ 8． 13 之間，81． 8% 土壤樣本呈酸性。樣 本中 Cd 含量離散程度較大，As 元素離散程度較小。

表 1 土壤樣本化學成分統計

3.2 水稻葉片光譜與土壤重金屬含量相關分析

將原始光譜和 7 種變換光譜分別與土壤 Cd、As 含量進行 Pearson 相關性分析，相關系數超過藍色、 綠色虛線分別表示通過 0． 05、0． 01 水平的顯著性檢 驗，通過 0． 05 水平的顯著性檢驗則認為光譜與重金 屬含量顯著相關。如圖 2 所示，

圖2 不同處理后水稻葉片光譜和土壤 Cd 含量的相關關系

原始光譜與土壤 Cd 含量間相關 系數均為負值，無顯著相關波段; FD 光譜與土壤 Cd 含量的顯著相關波段主要分布在 519 ～ 530 nm; SD 光譜與土壤 Cd 含量的顯著相關波段主要分布在 402 ～ 439 nm 和 502 ～ 546 nm; AT 光譜與土壤 Cd 含 量的顯著相關波段主要分布在 406 ～ 416 nm; AFD 光譜與土壤 Cd 含量無顯著相關波段; ASD 光譜與 土壤 Cd 含量的顯著相關波段主要分布在 389 ～ 469 nm 和 812 ～ 858 nm; MSC 光譜與土壤 Cd 含量 無顯著相關波段; SNV 光譜與土壤 Cd 含量的顯著 相關波段主要分布在 1 087 ～ 1 053 nm。原始光譜 與土壤 Cd 含量間相關性較弱，不同預處理光譜中 只有 SD 光譜和 ASD 光譜與土壤 Cd 含量的顯著相關 波段達到 24 個，FD 光譜、AT 光譜、AFD 光譜、MSC 光 譜和 SNV 光譜與土壤 Cd 含量間相關波段較少。

圖3 不同處理后水稻葉片光譜和土壤 As 含量的相關關系

如圖 3 所示，原始光譜與土壤 As 含量的顯著相 關波段主要分布在 946 ～ 1 044 nm; FD 光譜與土壤 As 含量的顯著相關波段主要分布在 759 ～ 1 123 nm; SD 光譜與土壤 As 含量的顯著相關波段 主要分布在 509 ～ 590 nm、589 ～ 726 nm 和 870 ～ 1 077 nm; AT 光譜與土壤 As 含量的顯著相關波段 主要分布在 910 ～ 1 048 nm; AFD 光譜與土壤 As 含 量的顯著相關波段主要分布在 432 ～ 540 nm、759 ～ 1 119 nm; ASD 光譜與土壤 As 含量的顯著相關波段 主要分布在 449 ～ 546 nm 和 801 ～ 1 077 nm; MSC 光 譜與土 壤 As 含量的顯著相關波段主要分布在 933 ～ 1 106 nm; SNV 光譜與土壤 As 含量的顯著相 關波段主要分布在 838 ～ 1 139 nm。相關分析結果表明，經過不同數學方法變換的 光譜與土壤 Cd、As 含量之間的顯著相關波段多于 原始光譜，說明數學變換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。

3.3 水稻葉片光譜與土壤重金屬含量相關分析構建水稻葉片光譜反演土壤CdAs含量估測模型

3.3.1 遺傳算法波段篩選

將原始光譜和7種變換光譜作為輸入光譜，利用建模集的17個樣本的重金屬含量代入遺傳算法進行波段篩選，結果見表 2。

表 2 GA 篩選的水稻葉片光譜特征波段

對于不同預處理的光譜，遺傳算法從的全波段共230個波段中挑選了 15 ～ 30個特征波段用于偏最小二乘回歸法構建模型。

3.3.2 GA － PLSＲ 模型和 PLSＲ 模型

將 GA 篩選的特征波段和全波段的原始光譜及7種變換光譜分別使用 PLSＲ方法進行建模分析，交叉驗證結果見表 3。

表 3 GA － PLSＲ 和 PLSＲ 模型估測土壤重金屬含量的交叉驗證結果

相比于使用全波段進行偏最小二乘回歸法建立的PLSＲ模型，經過遺傳算法波段篩選再進行偏最小二乘回歸的預測土壤重金屬含量模型主成分數不變或降低。GA － PLSＲ模型原始光譜和7種變換光譜預測土壤Cd含量的r2cv相比于PLSＲ模型提高了6.25% ～ 33． 96% 、ＲMSECV降低了 0．00% ～ 53．52% ，預測土壤As含量的r2cv提高了14．29% ～ 53．19% 、ＲMSECV降低了3． 51% ～ 69．35% 。結果表明，在建立光譜估測土壤重金屬含量模型前，運用遺傳算法以挑選出對PLSＲ更有意義的波段，提高了模型精度和穩定性。

3.3.3 土 壤 Cd、As 含量的最佳估測模型

對GA － PLSＲ模型估測土壤重金屬含量進行交叉驗證 和外部驗證，結果見表 4。

表 4 GA － PLSＲ 模型估測土壤重金屬含量的交叉驗證和外部驗證結果

相比于原始光譜，光譜經 過不同形式的預處理提高了預測土壤 Cd 含量估測 模型的r2cv，降低了ＲMSECV; 同時提高了r2pre，降低了ＲMSEP，提高了ＲPD，表明經數學變換的光譜提高了土壤 Cd 含量估測模型的精度和穩定性。外部結果驗證中，原始光譜模型、FD 模型、SD 模型、ASD 模 型和 MSC 模型r2pre在 0．41 ～ 0．52 之間，ＲMSEP在 0. 094 ～ 0．105 之間，ＲPD 在 1． 0 ～ 1．5 之間，預測土壤 Cd 含量能力較差。AT 模型和SNV模型 r2pre分別為 0．59 和 0．62，ＲMSEP分別為 0．087 和 0. 084，ＲPD 分別為 1．56 和 1．62，具有區分土壤 Cd 含量高 值和低值的可能性。AFD 模型r2cv最高、ＲMSECV最低，且r2pre最高、ＲMSEP最低，ＲPD 最高( 2．09) ，具 有近似定量預測土壤 Cd 含量的能力。7 種變換光譜相比于原始光譜，ＲPD、r2cv和 r2pre有所提高，ＲMSECV和ＲMSEP降低，表明經數學變換的光譜提高了土壤 As 含量估測模型的精度和穩定性。其中，原始光譜模型、FD 模型、SD 模型、AT 模 型、ASD 模型和MSC模型r2pre在 0．57 ～ 0. 71 之間， ＲMSEP在 0． 530 ～ 0． 647 之間，ＲPD 在 1．5～2．0 之 間，具有區分土壤 As 含量高值和低值的可能性。SNV模 型r2pre為 0．76，ＲMSEP為 0．479，ＲPD為 2. 06，具有近似定量預測土壤 As 含量的能力。AFD 模型r2cv最高、ＲMSECV 最低，且r2pre最高、ＲMSEP最低，ＲPD 最高( 2． 97) ，具有良好的預測土壤 As 含量能力。

基于光譜構建的土壤Cd含量的GA － PLSＲ估測模型，其內部交叉驗證和外部驗證的真實值和預測值的 1 ∶ 1 散點見圖 4，

圖4土壤Cd含量最佳估測模型交叉驗證和外部驗證的真實值和預測值散點

利用光譜構建的土壤 Cd 含量估測模型，其r2cv為 0．71，ＲMSECV為 0． 066; r2pre為 0．77，ＲMSEP 為 0 058，ＲPD為2. 09， 在所有變換光譜中均最高，具有近似定量預測土壤 Cd 含量的能力，為基于水稻葉片光譜的土壤 Cd 含 量的最佳估測模型。光譜構建的土壤 As 含量的GA － PLSＲ估測模型，其內部交叉驗證和外部驗證的實測值和預測值的 1 ∶ 1 散點見圖 5

圖5土壤As含量最佳估測模型交叉驗證和外部驗證的真實值和預測值散點

利用光譜構建的土壤 As 含量估測模型，其r2cv為 0．89，ＲMSECV 為 0. 343，r2pre為 0．89，ＲMSEP 為 0．297，ＲPD 為 2. 97，在所有變換光譜中均最高，具有良好的預測精度和穩定 性，為基于水稻葉片光譜的土壤 As 含量的最佳估測模型。

結語

研究結果表明，采用GA－PLAＲ方法構建的土壤 Cd 含量的最佳估測模型為倒數對數的一階微分光譜模型，r2為 0．77，ＲMSEP為 0．058，ＲPD 為 2. 09，具備近似定量預測土壤 Cd 含量的能力; 土壤 As 含量的最佳估測模型為倒數對數的一階微分光譜模型，r2為 0．89，ＲMSEP為 0．297，ＲPD為 2．97， 具有良好的預測精度。經過一階微分、二階微分、倒數對數變換、倒數對數的一階微分、倒數對數的二階微分、多元散射校正和標準正態化等7種數學方法變換的光譜相比于原始光譜r2cv和r2pre提 高，ＲMSECV 和 ＲMSEP降低，ＲPD提高，表明經數學變換處理的光譜提高了土壤 Cd、As含量估測模型的精度和穩定性。采用GA－PLAＲ方法相比于一般的PLSＲ方法構建的土壤 Cd、As 含量的估測模型的r2cv均明顯提高、ＲMSECV均明顯降低。說明在建立土壤重金屬含量估測模型前，利用遺傳算法進行光譜波長篩選可以挑選出對PLSＲ更有意義的波段，從而提升模型精度，提高模型穩定性，即GA－PLSＲ 方法相較于一般的PLSＲ方法能夠提高構建估測模型的精度和穩定性。基于遺傳算法優化的偏最小二乘回歸法構建水稻葉片高光譜的土壤重金屬 Cd、As 含量估測模型，Cd 預測精度達到70%以上、As 預測精度達到80%以上。說明水稻葉片高光譜的GA － PLAＲ模 型具有估測農田土壤Cd和As含量的潛力，為實現作物葉片光譜預測區域農田土壤重金屬污染遙感 監測提供了科學依據和可行方案。

推薦：

便攜式地物光譜儀iSpecField-NIR/WNIR

專門用于野外遙感測量、土壤環境、礦物地質勘探等領域的最新明星產品，由于其操作靈活、便攜方便、光譜測試速度快、光譜數據準確是一款真正意義上便攜式地物光譜儀。

無人機機載高光譜成像系統iSpecHyper-VM100

一款基于小型多旋翼無人機機載高光譜成像系統，該系統由高光譜成像相機、穩定云臺、機載控制與數據采集模塊、機載供電模塊等部分組成。無人機機載高光譜成像系統通過獨特的內置式或外部掃描和穩定控制，有效地解決了在微型無人機搭載推掃式高光譜照相機時，由于振動引起的圖像質量較差的問題，并具備較高的光譜分辨率和良好的成像性能。

便攜式高光譜成像系統iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫學醫療、精準農業、礦物地質勘探等領域的最新產品，主要優勢具有體積小、幀率高、高光譜分辨率高、高像質等性價比特點采用了透射光柵內推掃原理高光譜成像，系統集成高性能數據采集與分析處理系統，高速USB3.0接口傳輸，全靶面高成像質量光學設計，物鏡接口為標準C-Mount，可根據用戶需求更換物鏡。

審核編輯 黃宇