農作物對 As 的吸收、積累量受多種因素影響，最主要為土壤含 As 量。農作物主要通過根系吸收 As，故其最高濃度出現在農作物的根部以及塊莖部位，而地上部分受 As 污染傷害，主要表現在葉片上。隨著工業的快速發展，As 污染在農作物中越來越普遍，作為人類主要糧食作物的水稻更是首當其沖，因此，開展As 污染對水稻危害的研究已迫在眉睫。目前，農作物 As 污染脅迫的研究現狀大致可總結為：自從發現 As 的危害以來，對 As 在植物體內的吸收、轉運、富集、毒害和解毒等過程進行了較廣泛的研究。20 世紀 90 年代就存在 As對植物的影響進行了初步探索，本世紀初又有專家學者利用數理統計法對 As 污染植被的光譜表現進行了分析。目前研究成果表明：（1）植物As 中毒在形態學上的表現：a.葉片變少，變小甚至提前脫落，葉片垂直，冠層傷害嚴重；b.根系變少，色黑，細脆易折；c.對植物各生長階段傷害不同，越成熟影響越大。（2）在生理上的表現：傷害植物葉綠體的內部結構，取代葉綠素分子中的Mg離子并干擾有關葉綠素合成酶的活性，使葉綠素合成受阻，同時增加葉綠素分解酶的活性，使葉綠素分解。（3）光譜上的表現：①（原始數據）a.藍移現象（葉綠素吸收中心680nm）———藍移距離；b.在黃綠光波段呈現高反射率（550～600nm）———峰高距；c.與正常植物光譜曲線相交點（730nm）之前反射率高，之后反射率低———相交點的位置；d、在2200nm處，As濃度越大，反射率越低——距深。②（反射率二階導數）As含量濃度的分辨：綠光（498nm）和紅光（674nm）谷底差距，水分（1916nm）、淀粉（2000、2274nm）、油脂（2310、2348nm）、蛋白質和氨基酸（1956、2248nm）等響應光譜的變化情況。

雖然前人對農作物As污染進行了較廣泛的研究，但具體對水稻這種農作物As污染研究卻較少，且主要集中在用傳統方法和原始光譜數據的簡單變換進行研究。本文首次使用獨立變量分析（ICA）與高光譜植被指數模型尋找由As污染脅迫造成其在光譜上的特征改變，建立相應的指標反映其受污染情況。

1樣品與方法

1.1試驗樣地選擇

研究選取吉林省長春市西湖附近水稻種植區域為試點。此處位于長春市西部郊區，臨近長春第一汽車制造廠。由于工業廢水和城市垃圾的不斷排入，使附近的水域和土壤污染嚴重，尤其是重金屬As含量更是超出了土壤承受能力范圍。根據離西湖水域距離遠近分別選取西湖邊Ⅰ號樣地、農田間Ⅱ號樣地以及Ⅲ號樣地作為實驗樣地。

1.2取樣和處理2021年6月至9月之間先后6次對3個樣地分蘗期、長穗期和成熟期的水稻進行取樣。本文主要研究成熟期水稻，水稻品種為吉粳105，采樣區水稻處于成熟晚期（黃熟期-完熟期）。光譜測試儀器探測波長范圍350~2500nm；光譜分辨率350~1050nm范圍內為3.5nm，1000~2500nm范圍內為10nm。光譜采樣間隔350~1050nm范圍內為1.4nm，1000~2500nm范圍內為2nm；采樣時間10次·s-1。光譜測試每個樣地取20個測點，進行編號，每個點測10次。然后對測試點的水稻和土壤進行同步采樣，分別用樣品袋和土壤盒保存，在實驗室中利用原子光譜吸收法測定重金屬元素Pb、As、Cr、Cd的含量。

1.3研究方法1.3.1高光譜指數分析方法

高光譜指數分析必須對采樣所得的原始光譜數據進行歸一化處理轉換成反射率后進行計算。分別用表示葉綠素吸收率、光化反射率以及結構相關色素的植被指數進行分析，并計算3樣地水稻之間高光譜植被指數的相關性，以判斷其地域、形成因素的異同。

（1）葉綠素吸收率指數CARI

（2）光化反射率指數PRI

（3）結構相關色素指數SIPI

2.3.2快速獨立變量分析（ICA）方法

獨立變量分析（ICA）是基于高階統計和信息熵理論，以各個通道間相互統計獨立為提取準則，提取通道間的隱含信息成分。ICA將多維隨機向量分解為一系列統計上獨立的成分，因此能夠提取高光譜數據在光譜空間上多維分布的分布特征，實現特征提取。而快速ICA是采用基于負熵作為目標函數的ICA算法，從而得到對各源信號最佳逼近的獨立分量。ICA分析前必須對原始數據進行中心化和白化處理。本文選取藍光波段（440～540nm）和紅光波段（600～700nm）分別進行ICA分析，分別將兩個波段100nm的范圍，間隔5nm分為20組，與60個樣本組成20×60的矩陣進行計算。

2結果與分析

2.1試驗樣地重金屬含量分析通過對試驗樣地重金屬含量的分析，判斷As在污染中貢獻值。文中所提到的水稻中重金屬含量均為水稻葉片中的含量。

2.1.1樣地中As含量分析

由于水稻屬于水土混合介質中生長的作物，從重金屬總量上看，其大部分重金屬含量在較高范疇內。土樣中，As含量平均在10mg·kg-1左右，比Pb、Cr含量都小（圖1-A）；但在水稻葉片中卻恰恰相反，As含量平均在5mg·kg-1左右，遠遠高于其他3種金屬含量（圖1-B）。結果表明，實驗樣地水稻對As的吸收遠遠高于其他重金屬，而且在葉片中，As含量較高，其影響占主導地位。

2.1.2水稻中As積累分析

在水稻葉片中，As在Ⅱ號水稻葉中含量最高，Ⅲ號水稻葉中次之，西湖邊Ⅰ號水稻葉中最少。就其As在水稻中的積累率來說：Ⅱ號水稻的相對積累率最高達到66.1%，Ⅲ號次之，西湖邊Ⅰ號水稻最少只有29.5%（圖2）。分析得知：（1）由于Ⅱ號和Ⅲ號基本處于同一塊區域，其土壤中As含量基本一致，但就水稻含As量和積累率來說，可以推出，隨著水稻的生長，As逐漸在葉片中累積。（2）對所處成熟期基本一致的Ⅰ號水稻和Ⅱ號水稻進行對比，發現西湖邊Ⅰ號水稻無論是含As量還是As積累率都遠低于Ⅱ號水稻，在一定程度上說明過多的水分能抑制As在水稻中的累積。

2.2水稻中As含量的高光譜分析模型重金屬As由于其具有毒性，過量的As含量會傷害植物葉綠體的內部結構，取代葉綠素分子中的Mg離子并干擾有關葉綠素合成酶的活性，使葉綠素合成受阻，同時增加葉綠素分解酶的活性，使葉綠素分解。本文從水稻葉綠素、光和作用效率以及結構相關色素含量3個方面出發，利用表示以上6方面的高光譜植被指數（CARI、PRI、SIPI），研究其與水稻中As含量的內在聯系，并建立相應的回歸模型。同時計算3樣地水稻之間的高光譜植被指數相關性，從反映水稻葉片葉綠素組成和內部構造的指數出發側面反映水稻生長環境、生長狀況的異同，以了解不同樣地水稻之間的相似性。

圖1重金屬含量對比

圖2水稻對土壤中重金屬As的吸收情況

2.2.1葉綠素吸收率指數（CARI）

CARI使用綠色波段發射率為基礎，對葉綠素含量高度敏感。試驗CARI值的范圍為0.33～0.62，均值0.45，數值較小，被試驗水稻基本處于成熟階段。對3個不同樣地的水稻的CARI值間進行相關計算，結果（圖3-a）發現I號和Ⅱ號兩成熟水稻間的相關系數達到0.52，相關性較強，表明此兩種水稻生長狀況基本一致。而西湖邊I號水稻與Ⅲ號水稻相關系數極小，從側面反映出此兩樣地水稻生長環境和生長狀況不同。

2.2.2光化反射率指數（PRI）

PRI利用兩個藍色窄波段，該指數與輻射利用效率有關，隨著光合作用效率的增加而減小。試驗PRI值范圍為0.1～0.14，均值0.12，很顯然同地區的成熟水稻PRI值大于欠成熟水稻。而西湖邊Ⅰ號成熟水稻由于水分充足等環境因素，其光合作用效率最高，故其值最小。同樣對3個地區進行相關分析（圖3-b），發現光合作用效率相對較高的西湖邊Ⅰ號成熟水稻和Ⅲ號欠成熟水稻間幾乎不相關，說明彼此間的形成較低PRI值的原因相差較大。

2.2.3結構相關色素指數（SIPI）

SIPI利用藍色和紅色波段來估計葉綠素與總的光合色素之比（類胡蘿卜素與葉綠素之比），并用近紅外波段來說明與色素改變一致的結構變化。試驗SIPI值的范圍為1.12～1.58，均值1.28。Ⅱ號水稻SIPI均值已達到1.44，比值最大，證明其葉綠素不斷分解，類胡蘿卜素不斷累積，作物處在成熟老化期。Ⅲ號水稻葉綠素含量最高，其SIPI值最小。其3個地區的相關性都較低（圖3-c）。

2.2.4高光譜植被指數與水稻中As含量的關系

過量的As含量會傷害植物葉綠體的內部結構減少葉綠素，降低光合作用效率。所以從原理上講，As含量應該和CARI成一定的反比關系，而與PRI和SIPI呈正比。試驗結果顯示，CARI與水稻中As含量呈負相關，相關系數-0.67；PRI和SIPI與As含量呈正相關，相關系數分別為0.82和0.91（表1）。如此高的相關系數證明過量的As能嚴重阻礙葉綠素的形成，減少葉片中葉綠素含量，改變葉片體內各色素之間的組分比例，并傷害葉片內部結構，甚至使作物外部形態也發生較大變化。

表1植被指數與水稻中As含量回歸分析統計

經過最小二乘回歸，得出各高光譜植被指數與As含量的線性回歸方程如下（參見圖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為水稻中As含量，單位為mg·kg-1。

2.3水稻中As含量的快速獨立變量（ICA）分析在植物反射光譜上，由于葉綠素a、b的強吸收，一般會在藍光和紅光波段形成兩個吸收谷。而在綠色植物熒光光譜特征上，在藍光和紅光波段會形成兩個熒光峰。

圖4水稻中As含量與高光譜植被指數的回歸方程

一般認為，決定藍綠熒光的色素，屬于維生素K或一種類似的苯醌，其峰強可反映該區色素向葉綠素a傳遞能量的有效程度。紅光區熒光則來源于通過光子傳播引發光合作用的有關葉綠素。藍綠熒光和紅光區熒光在發射源對應的葉片組織結構方面又有所不同，藍綠熒光發射主要來自主、側葉脈，而紅光區熒光發射主要來自于非葉脈區域。根據重金屬As能引起葉綠素和葉片結構變化，本文選取藍光波段（440～540nm）和紅光波段（600～700nm）分別進行ICA分析。利用快速獨立變量（ICA）分析的目的是想找出As污染脅迫造成水稻光譜特征改變的獨立變量。然后利用此變量與As含量進行最小二乘擬合，得出回歸方程。而在進行快速獨立變量（ICA）分析之前必須對光譜數據進行預處理，也就是中心化和白化。中心化即是使數據的均值為0，中心化方法為x=x-m，其中m=E（X）為數據x的均值。在對信號進行中心化處理之后，利用主成分分析通過線性變換，使變換后信號的各分量之間互不相關，其各分量的方差均為1，這個過程稱為對數據的白化處理。

2.4最佳波段和分類模型通過試驗分析得出，在藍光波段（440～540nm）和紅光波段（600～700nm）之間各提取了兩個獨立變量，分別為藍光波段的IC-B1、IC-B2和紅光波段的IC-R1、IC-R2。分別對其與As含量進行相關分析，發現IC-B1、IC-R1與水稻中As含量高度相關，相關系數高達0.95以上，其中水稻中As含量與IC-B1正相關，而與IC-R1負相關（表2）。這表明，在藍光波段，As能引起某獨立變量的正向變化，這種變量可能與葉綠素以及葉片結構有關；而在紅光波段，As能引起與葉綠素相關的獨立變量的負向變化。

表2獨立變量與水稻中As含量回歸分析統計

440～540nm內的獨立變量IC-B1與As含量的相關關系如表2，回歸方程如下（參見圖5A）：m=1.1×（IC-B1）-16.4，R=0.96600～700nm內的獨立變量IC-R1與As含量的相關關系如表2，回歸方程如下（參見圖5B）：m=-1.08×（IC-R1）-3.83，R=-0.95式中：m為水稻中As含量，單位mg·kg-1。

4結論

水稻中As含量與葉片中葉綠素含量以及葉片內部結構關系密切，代表葉綠素及葉片內部結構變化的高光譜植被指數（如CARI、PRI、SIPI）與水稻中As含量高度相關。

圖5獨立變量IC-B1,IC-R1與水稻中As含量的線性回歸圖

其中CARI與水稻中As含量呈負相關，相關系數-0.67；PRI和SIPI與As含量呈正相關，相關系數分別為0.82和0.91。獨立變量分析（ICA）結果表明，在藍光波段（440～540nm）和紅光波段（600～700nm）之間各有一個獨立變量與水稻中As含量高度相關，相關系數達到0.95以上。其中水稻中As含量與IC-B1正相關，而與IC-R1負相關。高光譜模型和獨立變量分析模型能很好的探測成熟期水稻中重金屬As的含量，為大面積探測成熟水稻As污染提供一定的依據。但是本研究也存在著一定的缺陷，由于研究數據的限制，缺乏足夠的數據源對研究進行縱向的比較，而且所取樣品As含量比較接近，故在光譜曲線上的差別不大，且沒有完整的不同濃度組的比較。其次，本文僅對處于成熟期的水稻進行研究，對水稻不同生長期的As反應缺乏足夠比較，這些都是以后需要深入解決的地方。

萊森光學（LiSen Optics）作為世界領先的光譜學解決方案提供商，是一家提供光機電一體化集成解決方案的高科技公司，我們專注于光譜傳感和光電應用系統的研發、生產和銷售。致力于為客戶提供高品質、專業化、精細化的光電技術服務。憑借著在光學行業中豐富的經驗，我們能夠為每一位客戶“量身定做”滿足個性化需求的光機電一體化解決方案。

審核編輯 黃昊宇