農作物重金屬污染對農作物產量會產生影響，同時重金屬對農作物的污染程度可以顯示地下重金屬的存儲及污染情況，因此農作物重金屬污染監測的研究具有重要的意義。

傳統監測田間重金屬污染的研究方法主要是生物/光學/電化學等檢測法，均需要室內化學實驗和室外樣本采集相結合，在大范圍的田間重金屬監測中適用性較差。目前已經有很多研究通過農作物反射率光譜響應，反映農作物體內因污染或蟲害等葉綠素含量變化，從而實現對農作物的生長監測。

本研究在地物光譜儀采集反射率的基礎上設計了***種快速監測葉片光譜處理方法（LSPM），實現了玉米重金屬銅鉛污染元素的快速區分。

試驗材料：

實驗選用有底孔的玉米花盆進行玉米種植，種植前進行催芽。不同濃度的重金屬銅設置為：0 ug·g-1、50 ug·g-1、200 ug·g-1、400 ug·g-1、800ug·g-1、1000ug·g-1，分別標注為：Cu(0）、Cu(50）、Cu(200）、Cu(400）、Cu(800）、Cu(1 000）。不同濃度的重金屬鉛同理。

實驗步驟：

1. 通過玉米銅鉛污染花盆實驗獲取葉片反射率數據及對應的重金屬含量數據，獲得研究所需的高光譜數據集

2. 剔除受噪聲及水汽吸收等影響的反射率光譜數據，確定研究所需的譜段，并劃分成四組數據（用于交叉驗證，減少隨機誤差的產生）用于研究

3. 設計LSPM，并分別處理每組數據，探尋光譜信息間的微弱差異，實現銅鉛污染元素區分。其中LSPM主要包括光譜的吸光度變換（AT）和***階微分（FOD）

   
   

1、反射率光譜數據選取

葉片反射率數據的采集選用出穗期每盆玉米三種代表性葉型，分別是老（O，底部老年型葉片）、中（M，中部中年型葉片）、新（N，頂部青年型葉片），三種反射率數據的平均值即為此盆玉米反射率數據值。

由圖1可知，隨著土壤中銅污染濃度的增加，不同葉型中重金屬銅含量分布交叉混疊，沒有表現出規律性變化；但是隨著土壤中鉛污染濃度的增加，不同葉型中重金屬鉛含量表現出遞增的規律性。同時，對圖2分析計算可知，圖2(a）和圖2(b）皮爾遜積矩相關系數曲線圖極為相似。因而考慮本文設計的LSPM，在重金屬銅污染下葉片平均光譜的應用效果與在重金屬鉛污染下玉米老葉光譜的應用效果相同。所以在銅鉛污染元素區分研究中反射率數據的選擇根據重金屬污染元素不同而定。

2、數據分析

同***植株的農作物反射率光譜曲線相關性高，但隨著生長會引起體內葉綠素含量的差異性，進而反射率光譜信息間存在***定的差異。根據本文設計的實驗，每盆玉米分別采集老中新葉片的反射率光譜數據，***后得到如圖3所示的數據。

從圖3明顯看出，在不同濃度銅鉛污染下，每個銅鉛污染濃度老中新葉片的反射率光譜數據曲線和每個銅鉛污染濃度葉片平均光譜數據曲線仍高度相似，并且通過計算可以發現，在450～850 nm譜段范圍內（本文研究選擇的譜段范圍）相關性達到90%，無法通過光譜直接進行銅鉛污染元素的區分。因此需要對光譜進行進***步的處理。

3、數據進***步處理與分析

針對采集光譜高度相似，難以分析，設計了LSPM，將葉片原始反射率光譜數據進行處理，找到不同銅鉛污染濃度下反射率光譜信息間的微弱差異，從而實現銅鉛污染元素區分。

具體步驟是：

1）本文設計的實驗數據不同濃度銅鉛污染下有三組花盆，LSPM對重金屬銅污染下葉片平均光譜的應用效果與重金屬鉛污染下玉米老葉光譜的應用效果相同，將其分為四組（用于交叉驗證，減少隨機誤差的產生）（見圖4）

2）將每組玉米葉片450～850 nm的反射率光譜數據先后進行AT和FOD處理，獲得AF數據曲線

3）通過對四組光譜數據曲線進行對比，找出重金屬銅鉛污染下光譜信息間的微弱差異，實現銅鉛污染元素區分

對圖4的數據計算分析可知，利用LSPM，重金屬銅污染下譜峰Cu2高于譜峰Cu1，同時重金屬鉛污染下譜峰Pb1高于譜峰Pb2。四組數據彼此交叉驗證，表明在重金屬銅鉛污染下玉米葉片原始反射率光譜數據經過AT和FOD處理后，可見光范圍內的630～690 nm，銅鉛污染出現了明顯不同的特征，銅鉛污染下LSPM實現了銅鉛污染元素區分，有效性高。

本研究從光譜域的角度，對重金屬銅鉛污染下的玉米葉片反射率光譜數據進行處理，選擇研究譜段為450～850 nm（可見光和近紅外部分），利用光譜組合處理方法，設計了針對玉米的LSPM，實現了銅鉛污染元素區分。