基于成像高光譜數據的溫室水稻重金屬脅迫診斷研究

張雙印 王云將 歐陽煒 費騰

摘要 [目的] 通過溫室水稻葉片高光譜影像數據，從Cd和Pb不同梯度的交叉脅迫中診斷具體的脅迫類別和脅迫梯度。 [方法] 經過雙因素方差分析篩選出特征波段，比較SVM和BP神經網絡在診斷能力上的強弱。 [結果] 在幾種預處理方法中，對光譜二階微分預處理可以對Cd和Pb脅迫達到很好的診斷效果，預處理后挑選出6個對Cd脅迫敏感的特征波段以及10個對Pb脅迫敏感的特征波段。基于SVM的診斷Cd脅迫的精度達86%，對3個具體梯度的診斷精度達75%、90%、96%，對Pb脅迫的診斷精度達85%，3個梯度分別為83%、85%、88%；基于BP神經網絡的Cd脅迫診斷精度達88%，3個梯度為69%、75%、75%；對Pb脅迫的診斷精度達88%，3個梯度為81%、69%、69%。 [結論] 從植被高光譜影像數據診斷重金屬Cd和Pb脅迫是可行的，且SVM的診斷精度整體優于BP神經網絡。

關鍵詞 高光譜；重金屬診斷；SVM；BP神經網絡

中圖分類號 S-3；TP79文獻標識碼 A文章編號 0517-6611（2018）01-0005-05

Abstract [Objective] This study aimed to diagnose specific stress categories and stress gradients from the cross-stress of Cd and Pb with high spectral imagery data of greenhouse rice leaves. [Method] After double factor variance analysis， the characteristic bands for diagnosis were selected， and two models of SVM and BP neural network were compared in terms of diagnostic ability. [Result] The results showed that with the pretreatment of 2nd spectral derivative， SVM could achieve very good diagnostic effect for Cd and Pb stress. 6 characteristic bands were identified sensitive to Cd stress， and 10 characteristic bands were identified sensitive to Pb stress. The accuracy of diagnostic Cd stress based on SVM was 86%， and the diagnostic accuracy of three gradients were 75%， 90% and 96%， while the accuracy of diagnostic Pb stress based on SVM was 85%， and the diagnostic accuracy of three gradients were 83%， 85% and 88%. The diagnostic accuracy of Pb stress based BP neutral network was 88%， and the diagnostic accuracy of three gradients were 69%， 75% and 75%， while the diagnostic accuracy of Pb stress was 88%， and the diagnostic accuracy of three gradients were 81%， 69% and 69%. [Conclusion] It is feasible to diagnose heavy metal Cd and Pb stress from hyperspectral spectral imaging data of vegetation， and the accuracy of SVM is satisfied.

Key words Hyperspectral；Heavy metal diagnosis；SVM；BP neural network

水稻是世界上重要的糧食作物之一，產量比重大、種植范圍廣。據國家統計局關于2016年糧食產量的公告顯示，2016年我國稻谷產量達20 693.4萬t，占全年糧食產量的33.58%。一系列人類活動，如采礦、施肥、農藥應用等正日益加劇嚴重的土壤重金屬污染[1]。在我國1.2億hm2的農業用地中，有8.3%的農業用地受到重金屬污染威脅[2]。2002年，農業部稻米及制品質量監督檢驗測試中心曾對全國市場稻米進行安全性抽檢，結果顯示，稻米中超標最嚴重的重金屬是鉛，超標率為28.4%，其次是鎘，超標率為10.3%[3]。重金屬在植物組織中累積，一方面妨礙作物生長，另一方面通過食物鏈進入人體，危害人類健康[4]。進入人體內的鎘容易累積，會使腎臟細胞內溶酶增加，線粒體腫脹變形，形成蛋白尿、糖尿及氨基酸尿，進而導致腎小管功能紊亂，特別會使骨骼代謝受阻，引起負鈣平衡，從而導致骨質疏松[5-6]。鉛進入人體后，分布于肝、腎、腦、胰及主要動脈中，會引起末梢神經炎，造成運動和感覺障礙，損害人體的免疫系統，使機體免疫力明顯下降，常見癥狀有失眠、頭痛、便秘、貧血等，嚴重者會發生休克和死亡[5，7-8]。在糧食作物中，從多種復雜的重金屬污染中及早診斷出具體的污染類別，可以及時發現和制止污染行為[9]。針對具體污染采取有效措施，為農田的污染治理現代化提供輔助決策，保證糧食安全。

傳統的方法以采樣為主，一是基于研究區域的土壤和植被采樣，利用化學分析檢測重金屬含量，依此判斷土壤重金屬污染的程度；二是研究土壤受重金屬污染后，植物污染的生理反應和理化參數變化[10-15]。兩類研究都需要大量的樣本數據采集、化學分析、地理信息解譯，時間消耗長，植被破壞強，研究成本高[16-20]。更重要的是，采樣點的空間代表性和污染的類型和方式、水稻的品種、耕種灌溉的方法等多因素相關，很難進行大面積的實踐推廣。高光譜遙感可以高效快速地獲取大面積實時影像，為重金屬污染診斷提供了可能性。是否可能以及如何從高光譜影像上有效地診斷出具體的污染類別，實現大面積監測，近年來成為研究熱點。

目前的研究主要集中在利用土壤的某些代理變量來預測土壤重金屬含量方面[17，21-30]，但都需要大量的土壤樣本數據的采集與處理，周期長、效率低，對植被破壞性強。一方面，它們僅是探究了在污染造成后植被機理變化和土地中重金屬含量的關系，都未能從重金屬污染中診斷出特定的污染類別；另一方面，這些研究大都是地面作業的基礎研究，無法有效地實現大面積水稻實時檢測，也就很難應用到實際的重金屬污染檢測中。

筆者主要針對鎘和鉛2種重金屬脅迫，從高光譜影像數據入手，探究了植被高光譜數據在診斷水稻葉片重金屬污染方面的可行性，旨在為從植被葉片高光譜數據診斷重金屬污染提供理論依據。

1 材料與方法

1.1 材料

為了有效地控制溫度、濕度等環境變量，試驗全程在溫室內完成。為了精確控制重金屬濃度，水稻采用水培方式進行種植，水培種植箱外部使用黑漆完全覆蓋；為了后期光譜采集的準確性，水培漂浮板也使用黑色材質。

1.2 方法

1.2.1 重金屬脅迫處理設置。試驗研究對象是在我國對水稻污染最嚴重的2種重金屬鎘（Cd）和鉛（Pb），對其各設立3個梯度，具體脅迫濃度見表1。將2種重金屬脅迫的任意濃度進行交叉組合，加上空白對照組，共16組樣本（表2）。

1.2.2 數據采集。

數據采集儀器使用德國Cubert公司生產的UHD185，它的采集光譜為450～950 nm，采樣間隔4 nm，光譜分辨率為8 nm，通道數為125。在水稻的分蘗期到抽穗期，選擇無云或者少云的晴朗天氣，10：00—14：00進行光譜采集[29]。共進行8次數據采集，采集設備和場地見圖1，采集時間分別為2月23日、3月20日、4月12日、4月19日、4月28日、5月9日、5月13日和5月17日，從8次數據采集中選擇6次（3月20日、4月12日、4月19日、4月28日、5月9日和5月17日）質量較好的數據作為后續研究的最終數據。數據采集過程貫穿水稻的分蘗期和抽穗期。

1.2.3 數據預處理。

數據預處理可以消除采集時環境變量的影響，目前使用比較普遍的方法有平滑去噪、基線校正、多元散射校正等[31]。SG平滑可以消除隨機噪聲[16]，多元散射校正和標準正態變換可以消除散射的干擾，微分處理（一、二階微分）能夠很好地消除背景信息的影響；均值歸一化和標準化能夠增加光譜數據的差異性，同時減少信息冗余量[32]。首先使用魯棒主成分分析（ROBPCA）剔除受噪聲干擾嚴重的異常值，然后對數據進行平滑去噪、均值歸一化、標準化、微分（包括一階微分和二階微分）以及其他處理和微分的組合處理共11組處理。

1.2.4 特征波段選取。

雙因素方差分析法檢驗Cd和Pb 2個因素的不同水平是否對水稻生長有顯著影響，以及這2個因素間是否存在交互效應。對于存在交互效應的波段，因為無法判斷是哪一種重金屬造成了相應的影響，所以要排除這些波段；在排除交互效應的波段后，分別篩選出僅對Cd、Pb中1種因子敏感的潛在特征波段。

1.2.5 分類診斷。

基于上述得到的潛在敏感的特征波段，通過多次二分類處理，可以驗證挑選出來的特征波段在診斷具體（Cd/Pb）重金屬脅迫以及各個梯度脅迫時的診斷效果。有無Cd脅迫的二分類，得到特征波段診斷水稻受Cd脅迫的診斷效果；無Cd分別和第一、二、三梯度Cd脅迫做二分類，得到特征波段區分正常水稻在受到第一（二、三）梯度Cd脅迫時的診斷效果。Pb亦然。

1.2.5.1 支持向量機（SVM）分類。

SVM在分類問題上，主要針對二分類的監督分類，旨在解決以下2種問題：對于線性可分的問題，找到一個最優超平面使得樣本完全分開；對于線性不可分的情況，通過使用非線性映射算法的核函數，將低維線性不可分的樣本轉化為高維特征空間使其線性可分。為了避免隨機因素影響到試驗數據，該研究采用留一交叉驗證，每一回合僅預留1個作為驗證集，其余都做訓練集，最終精度取多次訓練精度的平均值，確保訓練過程的可靠性。

當診斷Cd脅迫時，首先診斷出有無受Cd的脅迫，然后對于受Cd脅迫的3個梯度分別進行診斷，其中隨梯度數（第一梯度、第二梯度、第三梯度）遞增受脅迫程度加劇。對于全部96個數據集，將未受Cd脅迫的4組共24個數據訓練標簽標記為0，其余數據集訓練標簽標記為1，運行訓練模型；對于其余處理梯度，采取和診斷第一梯度Cd脅迫相同的方法，改變數據集，添加訓練標簽，獲得診斷精度。

同樣，在診斷Pb脅迫以及3個梯度的脅迫時，采用診斷Cd及Cd 3個梯度時相同的方法即可。

1.2.5.2 BP-神經網絡。

BP網絡是目前應用廣泛的神經網絡模型之一，是一種按誤差逆傳播算法訓練的多層前饋網絡，它的學習規則使用梯度下降法，通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。

該研究采用隨機2/3數據作為訓練樣本，剩余1/3作為測試樣本。通過預訓練，得出隱含層節點數13是一個較合適的參數，輸入層與隱含層采用Tan-sigmoid傳輸函數，輸出層采用Purelin線性傳輸函數。設定最小訓練速率為0.1，訓練標準差為0.001，訓練迭代次數為30，訓練函數使用trainlm，學習函數和性能函數采用默認值learndm和mse。

2 結果與分析

當僅考慮水稻有無受到其中1種重金屬脅迫時，SVM診斷結果顯示，在對光譜二階微分預處理下，對Cd和Pb脅迫的診斷效果最好，分別達86%和85%；BP神經網絡診斷結果顯示，在對光譜一階微分預處理情況下對Cd的診斷效果最好，達87%，平滑和一階微分組合處理情況下，對Pb脅迫診斷效果最好，達91%。

當綜合考慮特征波段個數和整體診斷精度2個因素時，二階微分預處理的情況下，Cd脅迫診斷效果最好，共挑選出6個特征波段，第一、二、三梯度的Cd脅迫的診斷精度分別為75%、90%、96%（圖2）；不區分梯度，僅診斷Cd脅迫的有無時，診斷精度達86%，4個診斷參數整體精度都超過了83%，診斷效果較好；與Cd不同，Pb脅迫診斷最好的情況是二階微分預處理，該預處理情況下挑出對Pb脅迫敏感的10個特征波段，受Pb脅迫的診斷精度達85%，3個梯度的診斷效果分別為83%、85%、88%。具體診斷精度參照表3。

整體診斷水平上，SVM的診斷效果要優于BP神經網絡，以二階微分處理診斷Cd脅迫為例，BP神經網絡對Cd脅迫的診斷精度為88%，對第一、二、三梯度脅迫的診斷精度分別為69%、75%、75%（圖3），而同等處理情況下SVM診斷精度分別達86%、75%、90%和96%，整體診斷效果明顯優于BP神經網絡。

單一的均值歸一化和標準化處理，沒有篩選出可以區分Cd和Pb脅迫的特征波段，說明單一的均值歸一化和標準化處理不能很好地提取不同脅迫的光譜信息，達不到有效診斷的效果。平滑處理以及平滑和微分的組合處理很難在診斷Cd和Pb 2種重金屬脅迫上達到很好的平衡，一種脅迫診斷效果很好時，往往另一種脅迫的診斷效果不是非常理想。當其他預處理與微分處理組合時，可以很好地提取特征波段，說明微分處理可以很好地提取不同脅迫的光譜信息，有效地表征光譜差異。

當使用BP神經網絡對1種重金屬脅迫1次訓練進行多級脅迫診斷時，不同處理或者處理組合的情況下，僅Cd的診斷效果超過了60%，分別是標準化和一階微分組合處理下的65.63%、二階微分處理下的69%以及平滑和一階微分組合處理下的63%，Pb僅在二階微分處理下達到了59%。如表4為二階微分處理下對Cd各梯度脅迫多級診斷的結果，表5詳細給出了各處理情況下的診斷精度。

當進行各個梯度的重金屬脅迫診斷時，基于SVM的診斷效果顯示，重金屬脅迫越嚴重，試驗數據的診斷精度越高，這可能是因為隨著脅迫程度的提高，重金屬在葉片中富集越嚴重，進而葉片的生理狀態變化越明顯。這種生理狀態的變化通過葉片的光譜信息反映出來。但是基于BP神經網絡的結果恰恰相反，這可能和BP神經網絡自身的局限性有關。

3 結論與討論

以UHD185獲取水稻葉片高光譜數據，通過在溫室水培環境中的系統性試驗，探究了植被高光譜數據在診斷重金屬污染上的可行性，探究了不同預處理方法對診斷重金屬污染的診斷水平，同時比較了SVM和BP神經網絡的診斷性能。通過試驗得出以下結論：

①利用植被高光譜數據診斷土壤中的重金屬Cd和Pb脅迫是可行的。

②二階微分處理挑選出來的特征波段數量合適、診斷效果好。

③以SVM為模型診斷精度整體優于BP神經網絡。

④該研究中，光譜數據的采集高度應固定在1.5 m。若要實際應用，必須增大數據采集的尺度，提高效率。

后續研究可以借助無人機，以實際大田數據為基礎，采集多個尺度下的光譜數據，驗證植被高光譜數據在各個尺度上診斷重金屬污染的精度變化。另一方面，該研究僅探究了水稻葉片對重金屬Cd和Pb脅迫的光譜響應，而在實際中，Cu、Zn、Ni等都會影響水稻的生長狀態和葉片的反射特征。后續研究也可以嘗試設置多種重金屬的交叉污染，進一步驗證葉片高光譜數據在葉片存在其他重金屬脅迫的噪音下，診斷Cd和Pb重金屬污染的能力。

參考文獻

[1] WEI B G，YANG L S.A review of heavy metal contaminations in urban soils，urban road dusts and agricultural soils from China[J].Microchemical journal，2010，94（2）：99-107.

[2] LIU Y L，WEN C，LIU X J.Chinas food security soiled by contamination[J].Science，2013，339（6126）：1382-1383.

[3] 金銘.水稻鎘污染脅迫高光譜分析模型研究[D].北京：中國地質大學，2011.

[4] ZHUANG P，MCBRIDE M B，XIA H P，et al.Health risk from heavy metals via consumption of food crops in the vicinity of Dabaoshan mine，South China[J].Science of the total environment，2009，407（5）：1551-1561.

[5] 路子顯.糧食重金屬污染對糧食安全、人體健康的影響[J].糧食科技與經濟，2011，36（4）：14-17.

[6] 阮玉龍，李向東，黎廷宇，等.喀斯特地區農田土壤重金屬污染及其對人體健康的危害[J].地球與環境，2015，43（1）：92-97.

[7] 李向宏，鄭國璋.土壤重金屬污染與人體健康[J].環境與發展，2016，28（1）：122-124.

[8] 常學秀，施曉東.土壤重金屬污染與食品安全[J].環境科學導刊，2001，20（S1）：21-24.

[9] SCHWARTZ G，ESHEL G，BEN-DOR E.Reflectance spectroscopy as a tool for monitoring contaminated soils[M].//PASSCUCCI S.Soil contamination.Rijeka，Croatia：InTech，2011：67-90.

[10] ALEXANDER P D，ALLOWAY B J，DOURADO A M.Genotypic variations in the accumulation of Cd，Cu，Pb and Zn exhibited by six commonly grown vegetables[J].Environmental pollution，2006，144（3）：736-745.

[11] BANG J，HESTERBERG D.Dissolution of trace element contaminants from two coastal plain soils as affected by pH[J].Journal of environmental quality，2004，33（3）：891-901.

[12] BURGOS P，MADEJN E，PREZ-DE-MORA A，et al.Horizontal and vertical variability of soil properties in a trace element contaminated area[J].International journal of applied earth observations & geoinformation，2008，10（1）：11-25.

[13] 黃益宗，朱永官，黃鳳堂，等.鎘和鐵及其交互作用對植物生長的影響[J].生態環境，2004，13（3）：406-409.

[14] 姜虎生.鎘脅迫對玉米生理特性的影響[J].遼寧石油化工大學學報，2004，24（2）：35-37.

[15] 李博文，郝晉珉.土壤鎘、鉛、鋅污染的植物效應研究進展[J].河北農業大學學報，2002，25（S1）：74-76.

[16] KEMPER T，SOMMER S.Estimate of heavy metal contamination in soils after a mining accident using reflectance spectroscopy[J].Environmental science & technology，2002，36（12）：2742-2747.

[17] KOOISTRA L，WANDERS J，EPEMA G F，et al.The potential of field spectroscopy for the assessment of sediment properties in river floodplains[J].Analytica chimica acta，2003，484（2）：189-200.

[18] MOUAZEN A M，MALEKI M R，DE BAERDEMAEKER J，et al.On-line measurement of some selected soil properties using a VIS-NIR sensor[J].Soil & tillage research，2007，93（1）：13-27.

[19] JARMER T，VOHLAND M，LILIENTHAL H，et al.Estimation of some chemical properties of an agricultural soil by spectroradiometric measurements[J].Pedospher，2008，18（2）：163-170.

[20] REN H Y，ZHANG D F，SINGH A N，et al.Estimation of As and Cu contamination in agricultural soils around a mining area by reflectance spectroscopy：A case study[J].Pedosphere，2009，19（6）：719-726.

[21] WU Y Z，CHEN J，JI J F，et al.A mechanism study of reflectance spectroscopy for investigating heavy metals in soils[J].Soil science society of America journal，2007，71（3）：918-926.

[22] 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.

[23] 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（1/2）：97-105.

[24] KOOISTRA L，SALAS E A L，CLEVERS J G P W，et al.Exploring field vegetation reflectance as an indicator of soil contamination in river floodplains[J].Environmental pollution，2004，127（2）：281-290.

[25] GOMEZ C，ROSSEL R A V，MCBRATNEY A B.Soil organic carbon prediction by hyperspectral remote sensing and field vis-NIR spectroscopy：An Australian case study[J].Geoderma2008，146（3/4）：403-411.

[26] LIU M L，LIU X N，DING W C，et al.Monitoring stress levels on rice with heavy metal pollution from hyperspectral reflectance data using wavelet-fractal analysis[J].International journal of applied earth observation & geoinformation，2011，13（2）：246-255.

[27] 關麗，劉湘南.水稻鎘污染脅迫遙感診斷方法與試驗[J].農業工程學報，2009，25（6）：168-173.

[28] CHEN T，CHANG Q R，CLEVERS J G P W，et al.Rapid identification of soil cadmium pollution risk at regional scale based on visible and near-infrared spectroscopy[J].Environmental pollution，2015，206：217-226.

[29] SHI T Z，LIU H Z，WANG J J，et al.Monitoring arsenic contamination in agricultural soils with reflectance spectroscopy of rice plants[J].Environmental science & technology，2014，48（11）：6264-6272.

[30] WANG J J，CUI L J，GAO W X，et al.Prediction of low heavy metal concentrations in agricultural soils using visible and near-infrared reflectance spectroscopy[J].Geoderma，2014，216（4）：1-9.

[31] SHI T Z，CHEN Y Y，LIU Y L，et al.Visible and near-infrared reflectance spectroscopy：An alternative for monitoring soil contamination by heavy metals[J].Journal of hazardous materials，2014，265（2）：166-176.

[32] CHU X L，YUAN H F，LU W Z.Progress and application of spectral data pretreatment and wavelength selection methods in NIR analytical technique[J].Progress in chemistry，2004，16（4）：528-542.