论文部分内容阅读
本研究以茶叶为研究对象,探究了铅胁迫下植物体内的重金属含量分布规律及不同因素对植物吸收重金属的影响,并采用可见/近红外光谱技术实现了对茶叶铅污染的判别分析。探究了重金属胁迫下茶叶叶片中叶绿素、抗坏血酸、谷胱甘肽和可溶性蛋白的变化趋势,基于高光谱成像技术实现了对这些生理生化指标的快速定量检测。本文的主要结论如下:（1）探究了不同胁迫方式（叶面铅胁迫和根部铅胁迫）下植物体内的重金属含量分布规律及不同因素对植物吸收重金属的影响。研究发现,叶面铅胁迫和根部铅胁迫下,植物体内的重金属含量均会随着胁迫时间的延长而显著增加,且各组织器官存在着显著差异,分布规律与胁迫方式有关。叶面铅胁迫下,各器官内Pb含量为:茎>叶>根;根部铅胁迫下,各器官内Pb含量为:根>茎>叶。叶面铅胁迫下各器官的分布规律与前人研究植物对大气中的重金属吸收规律有些许差异,原因在于叶面喷湿与实际大气沉降存在一定的区别。高浓度胁迫下植物体内的重金属含量也要比低浓度胁迫下的高,但未见显著差异。不同植物品种内重金属含量也比较相近。（2）利用可见/近红外光谱结合化学计量学方法,实现了对茶叶铅污染判别分析,为实现野外重金属快速检测奠定了基础。本研究采用4种线性分类器（LR、SR、Liner SVM和LDA）和2种非线性分类器（RF和CNN）对全光谱、特征波长及植被指数建立判别模型。实验结果显示:基于全光谱的判别分析模型最好算法为CNN,其中叶面铅胁迫CNN模型建模准确率为98.9%,预测准确率为77.8%;根部胁迫CNN模型建模准确率为99.7%,预测准确率为73.3%。同时,由混淆矩阵可知,胁迫样本可以顺利地从对照样本中鉴别出来,误判率仅为15%和5%。但对照样本-的识别效果较差,两种胁迫的对照样本误判率分别为37%和30%。对2种监督学习算法（CARS和SPA）和2种无监督学习算法（PCA和AE）提取的特征波长的分类效果进行比较,可以发现叶面铅胁迫和根部铅胁迫下最优判别模型都是基于SPA提取的特征波长的CNN模型,其预测准确率分别为73.0%和76.4%。特征波长选择算法仅选择了个位数的特征,大大降低了样本维度,却保持了与全光谱建模相当的建模效果,表明特征波段提取算法可在降低数据维度的同时保留数据的有效信息。5种不同的植被指数中,植被指数(11与分类标签的相关系数最大,选择相关系数最大的植被指数进行分类建模,模型的建模和预测准确率都达到了63%以上。（3）探究了重金属胁迫下茶叶叶片中叶绿素（Chl）、抗坏血酸（ASA）、谷胱甘肽（GSH）和可溶性蛋白（SP）的变化趋势。研究表明,无论是叶面铅胁迫还是根部铅胁迫都会造成茶叶样本Chl、ASA、GSH和SP含量的改变,而且高浓度胁迫下样本含量的变化往往早于低浓度胁迫。Chl含量的变化主要表现为胁迫早期维持稳定,胁迫后期稍有下降。而ASA的含量总体趋势呈上升状态,大多出现在胁迫后的第30天,且含量略高于对照组。GSH的含量变化则来的更早一些,胁迫后的第20天往往就会提高,随后会出现一定程度的降低。在胁迫中,SP的指标升高较为明显,通常在第20-30天起就有显著的提升,之后含量也比较稳定在高于对照组的水平上。（4）利用高光谱成像技术结合化学计量学的方法,实现了重金属胁迫下对Chl、ASA、GSH和SP的快速定量检测。本研究采用高光谱成像技术提取了重金属胁迫下茶叶叶片的平均光谱,并基于最优预处理后选择特征波长建立线性（MLR）和非线性（LS-SVM）模型。采用4种预处理方法（DT、BC、SNV和MSC）对原始光谱进行预处理,叶面铅胁迫的Chl、ASA、GSH和SP模型的最优预处理方法分别为DT、MSC、ORI和ORI。根部铅胁迫的Chl、ASA、GSH和SP模型的最优预处理方法分别为BC、ORI、MSC和DT。采用CARS、SPA和CARS-SPA对最优预处理后的光谱进行特征波长提取,通过比较发现,应用CARS-SPA特征提取方法所建立的模型除了对叶面铅胁迫的SP,根部铅胁迫的GSH和SP的预测效果稍差于CARS算法,结果均优于其他特征提取方法,表明CARS-SPA特征提取算法在减少特征波段数目以提高模型执行效率的同时,保证了模型的效果。为了更好地探究化学指标与特征波长之间的相关性,提高模型的鲁棒性及预测能力,对MLR和LS-SVM算法的建模效果进行比较。综合可得,利用MLR所建立的模型简单、高效同时具有较好的预测效果,模型的预测决定系数Rp2约为0.60.9,为后续在线监测装备的研发提供了夯实的理论依据。