利用作物生長模型和時序信號甄別水稻鎘脅迫

孔 麗，劉美玲，劉湘南，鄒信裕

（中國地質(zhì)大學(xué)（北京）信息工程學(xué)院，北京 100083）

0 引 言

隨著經(jīng)濟(jì)的不斷發(fā)展，工業(yè)化不斷推進(jìn)，土壤重金屬污染成為當(dāng)今世界面臨的重大生態(tài)環(huán)境問題之一[1]。水稻是中國的主要農(nóng)作物，產(chǎn)量位居世界第二位。水稻重金屬污染不僅會影響水稻的糧食產(chǎn)量，同時也會威脅人類的身體健康。傳統(tǒng)的實地調(diào)查雖然能夠準(zhǔn)確檢測水稻中的重金屬濃度[2]，但費(fèi)時費(fèi)力，且難以滿足大區(qū)域尺度監(jiān)測的要求。由于遙感技術(shù)能夠?qū)崟r、大范圍、連續(xù)動態(tài)獲取目標(biāo)地物對環(huán)境脅迫的光譜響應(yīng)信息，因而利用遙感技術(shù)對水稻重金屬污染現(xiàn)狀進(jìn)行監(jiān)測和評估逐步受到國內(nèi)外學(xué)者的廣泛關(guān)注。

目前，許多學(xué)者對水稻重金屬脅迫遙感監(jiān)測開展了一系列的研究。趙利婷等[3]利用遙感同化WOFOST（World Food Studies）模型模擬水稻根重進(jìn)行水稻重金屬污染脅迫分析。Liu等[4]利用多時相的Sentinel-2數(shù)據(jù)融合光譜信息和時空信息監(jiān)測水稻的重金屬脅迫。近年來，為提高農(nóng)作物重金屬遙感識別精度，一些學(xué)者利用了多尺度小波變換的光譜分析方法對農(nóng)作物污染脅迫狀況進(jìn)行識別和評價[5-6]；另一些學(xué)者將農(nóng)作物生理功能特征變化（如蒸騰作用、光合作用、呼吸作用等）在光譜上的響應(yīng)作為農(nóng)作物重金屬脅迫評估指標(biāo)來揭示農(nóng)作物重金屬污染狀況，如Jin等[7]構(gòu)建了基于農(nóng)作物形態(tài)和生理功能變化參數(shù)的重金屬脅迫理論模型。Tian等[8]將脅迫效應(yīng)的譜特征與時間特征結(jié)合去識別重金屬脅迫。Tang等[9]提出了基于時空特征指標(biāo)的水稻重金屬脅迫識別模型，構(gòu)建了融合水稻脅迫的年內(nèi)特征、年際特征以及空間特征的時空指標(biāo)，實現(xiàn)了水稻重金屬脅迫的監(jiān)測。上述農(nóng)作物重金屬污染監(jiān)測研究主要是在較小的空間尺度且已知重金屬污染條件下，假設(shè)光譜變異僅由重金屬脅迫引起（忽略其他脅迫影響），如何剝離其他脅迫對重金屬脅迫的影響是開展重金屬脅迫遙感準(zhǔn)確識別亟待解決的問題。

在復(fù)雜的農(nóng)田生態(tài)系統(tǒng)中，農(nóng)作物會受到復(fù)雜脅迫的影響，包括短期脅迫（如病蟲害、水分脅迫等）和長期脅迫（如重金屬脅迫等）[10]。據(jù)研究表明，重金屬污染具有隱蔽性、持久性和不可逆性等特點[11-12]，因此，重金屬脅迫存在于農(nóng)作物整個生長周期，對農(nóng)作物造成的影響是持續(xù)穩(wěn)定的，且多年都呈現(xiàn)一個穩(wěn)定相似的狀態(tài)。而短期脅迫的特點是年際間差異較為明顯，往往存在于農(nóng)作物的某一個或某幾個生長周期中。由此，農(nóng)作物不同脅迫效應(yīng)呈現(xiàn)的時間特征差異為區(qū)分農(nóng)作物重金屬脅迫和其它脅迫提供了可行性，探索一種適合不同脅迫特征分量的分離與提取的時序信號分解算法，是水稻重金屬脅迫準(zhǔn)確識別的關(guān)鍵。水稻脅迫特征參數(shù)通常包含水稻固有生長趨勢，年內(nèi)長期脅迫和隨機(jī)噪聲或年內(nèi)短期脅迫。時序信號分解可以有效地獲取感興趣的信號，集合經(jīng)驗?zāi)B(tài)分解算法（Ensemble Empirical Mode Decomposition，EEMD）是一種自適應(yīng)時序信號分解方法，可以很好地揭示信號的非平穩(wěn)性和非線性信息。該方法在信號分析中得到了廣泛地應(yīng)用[13-15]。

為揭示水稻不同脅迫呈現(xiàn)的時間效應(yīng)差異，有必要開展水稻脅迫特征參數(shù)的時間連續(xù)模擬與計算。WOFOST模型根據(jù)氣象和土壤條件以一天時間為間隔[16]模擬作物的葉面積指數(shù)（Leaf Area Index，LAI）生成密集的時間序列，準(zhǔn)確實現(xiàn)環(huán)境脅迫下作物生長過程的動態(tài)模擬，從而獲取時間連續(xù)的作物脅迫特征參數(shù)，為不同脅迫特征分量的分離與提取提供基礎(chǔ)數(shù)據(jù)。陳艷玲等[17]采集冬小麥多個關(guān)鍵生育時期的生理生化、農(nóng)田環(huán)境、氣象等數(shù)據(jù)，構(gòu)建基于WOFOST模型和遙感LAI數(shù)據(jù)同化的區(qū)域尺度冬小麥單產(chǎn)預(yù)測模型。黃健熙等[18]重點優(yōu)化WOFOST模型中與品種相關(guān)的積溫參數(shù)，該模型在全國尺度取得了較高的模擬精度。以上研究表明了遙感同化WOFOST模型在監(jiān)測作物的長勢等方面具有一定的優(yōu)勢。針對水稻重金屬脅迫具有“年際穩(wěn)定性”特征，因而水稻脅迫特征參數(shù)在不同年份存在相似性。動態(tài)時間規(guī)整（Dynamic Time Warping，DTW）方法衡量時間序列曲線的相似度，該算法已經(jīng)相當(dāng)成熟，應(yīng)用廣泛，例如語音識別、信息檢索、土地覆蓋分類等等[19-21]，這些研究成果為重金屬脅迫研究提供了重要的參考。相對于傳統(tǒng)的距離度量方法，DTW更適合度量不同長度以及不同節(jié)奏的時間序列的相似度，這一優(yōu)勢正好可以有效避免不同年份水稻物候期（如分蘗期）的差異性所引起的相似性計算誤差，由此，DTW算法適合度量水稻脅迫特征參數(shù)在不同年份的相似度?；谇懊娴姆治?，本研究以湖南省株洲為試驗區(qū)域，利用多年Sentinel-2數(shù)據(jù)同化作物生長模型得到不同年份的LAI時間序列，通過EEMD方法對其進(jìn)行分解，剝離年內(nèi)短期脅迫或噪聲，提取可能包含重金屬脅迫在內(nèi)的年內(nèi)長期脅迫；在此基礎(chǔ)上，利用DTW計算其年內(nèi)長期脅迫信號與健康水稻脅迫信號之間的距離，通過相似性度量準(zhǔn)確識別水稻重金屬脅迫。

1 材料與方法

1.1 試驗區(qū)概況

試驗區(qū)位于湖南省株洲市（113°05′E～113°15′ E，27°37′N～27°45′N）（圖1）。該地區(qū)屬于亞熱帶季風(fēng)性濕潤氣候，四季分明，雨量充沛，光照充足，年平均氣溫為16～18 ℃，年降水量大約為1 445 mm，土壤為富含多種營養(yǎng)物質(zhì)的紅壤，有機(jī)質(zhì)含量（質(zhì)量分?jǐn)?shù)）2%～3%，適宜水稻生長，是國家重要的商品糧食生產(chǎn)基地。本試驗區(qū)覆蓋一幅Sentinel-2影像的大小為1 000×1 000像元，其范圍約為100 km2。據(jù)調(diào)查，湘江流域灌溉的土壤中重金屬鎘的含量較高，是主要污染物[22-23]。

1.2 數(shù)據(jù)獲取與處理

本研究所采用的數(shù)據(jù)包括遙感數(shù)據(jù)、作物生長模型所需的輸入數(shù)據(jù)以及實測的土壤重金屬含量數(shù)據(jù)。其中作物生長模型所需的數(shù)據(jù)為氣象數(shù)據(jù)和作物生長參數(shù)，氣象數(shù)據(jù)來自中國氣象站（http://www.cma.gov.cn），包括逐日最低溫、逐日最高溫以及逐日照時數(shù)。而作物參數(shù)主要有物候因子、作物初始參數(shù)、綠葉面積、CO2同化和干物質(zhì)分配。土壤重金屬數(shù)據(jù)針對25個采樣點均選取距土壤表層10 cm深處的土壤，曬干后使用HNO3-HF-HCLO4消毒法在微波消解儀（MARS X，CEM，USA）進(jìn)行消毒，并采用電感耦合等離子體質(zhì)譜ICP-MS（7500a，Agilent Technologies，USA）測定Cd、Pb等元素含量。每個土壤樣品平均測定3次，結(jié)果以均值表示。遙感數(shù)據(jù)是2017—2019年的Sentinel-2衛(wèi)星數(shù)據(jù)（分別為2017年7月17日和24日、2017年8月6日、2017年9月15日；2018年6月17日、2018年7月17日、2018年8月8日、2018年9月10日；2019年6月14日、2019年8月16日、2019年9月15日、2019年9月22日）（https://scihub.copernicus.eu），首先對遙感影像數(shù)據(jù)進(jìn)行預(yù)處理，包括輻射校正和大氣校正等，然后在遙感影像中選取訓(xùn)練樣本，利用隨機(jī)森林算法提取研究區(qū)域的水稻分布范圍。

1.3 研究方法

本文采用作物生長模型、EEMD與DTW方法有效地甄別并定量分析水稻重金屬脅迫，具體的流程如圖2所示。主要分為4個步驟：1）對數(shù)據(jù)進(jìn)行預(yù)處理，基于遙感影像數(shù)據(jù)獲取研究區(qū)域水稻的LAI；2）運(yùn)用作物生長模型模擬水稻的LAI時間序列；3）通過EEMD方法將原始LAI時間序列分解成不同時間尺度的組分，分析合成含有重金屬脅迫的信號；4）計算分解后含有重金屬脅迫的信號與健康水稻之間的DTW距離并進(jìn)行歸一化處理，監(jiān)測重金屬脅迫的程度。

1.3.1 基于遙感影像反演水稻LAI

LAI是植被主要的理化參數(shù)之一，本文利用LAI作為遙感與作物生長模型之間的同化量。目前，獲取LAI的方法主要有經(jīng)驗?zāi)Ｐ?、物理模型與混合模型，經(jīng)驗?zāi)Ｐ椭饕峭ㄟ^建立實地觀測數(shù)據(jù)與遙感影像數(shù)據(jù)之間的數(shù)量關(guān)系來獲取LAI觀測值。統(tǒng)計模型操作簡單，易于實現(xiàn)，精度較高，因此，本文利用實測LAI和Sentinel-2數(shù)據(jù)獲取的歸一化植被指數(shù)（NDVI）值建立適合本研究區(qū)的LAI經(jīng)驗反演模型。對比不同的擬合方程選取擬合精度最佳的擬合模型[24]。具體的LAI計算式如下：

式中NIR和R分別代表近紅外波段和紅波波段反射率。

1.3.2 基于WOFOST模型獲取長時序LAI

為了將不連續(xù)的遙感信息轉(zhuǎn)化為時間連續(xù)的作物信息，本文利用遙感與WOFOST作物生長模型同化方法模擬作物的生長過程。該模型基于作物生長發(fā)育的基本過程，解釋了作物的生長，如光合作用以及呼吸作用。它能夠模擬溫度、水分對作物生長發(fā)育形成的脅迫時期和程度[25]。WOFOST模型主要有3種水平的作物生長：潛在生產(chǎn)水平、水分限制生產(chǎn)水平和營養(yǎng)限制生產(chǎn)水平。它的輸入?yún)?shù)有作物、土壤和氣候參數(shù)，本文研究綜合影響水稻長勢的各方面因素，包括穩(wěn)定脅迫（如重金屬脅迫等）、短時脅迫（病蟲害等）以及特定時間發(fā)生的災(zāi)害（干旱等），依據(jù)脅迫對作物生長的影響機(jī)理，選擇合適的脅迫因子嵌入到日總CO2同化的生產(chǎn)過程。

式中CVFf為脅迫水平下的日總CO2同化物產(chǎn)量，kg/hm2；CVF代表潛在生產(chǎn)水平下的日總CO2同化物產(chǎn)量，kg/hm2；f為脅迫因子，取值范圍為[0,1]，f值越高，說明作物生長過程受到的脅迫越小，反之，脅迫越嚴(yán)重。

同化算法是模型同化的關(guān)鍵，同化算法的選擇直接影響模型模擬的效率和精度。本文采用原理簡單、易于實現(xiàn)的粒子群優(yōu)化（Particle Swarm Optimization，PSO）算法[26-27]，其主要的思想是通過不斷調(diào)整模型參數(shù)CVR（Efficiency of Conversion into Roots，干物質(zhì)轉(zhuǎn)化為根質(zhì)量的效率），使得WOFOST模型模擬值與遙感反演實測值之間的差異逐漸減小，收斂條件是全局最優(yōu)解不再變化或達(dá)到最大迭代次數(shù)，最終輸出CVR的最優(yōu)解即同化結(jié)果。本文使用的代價函數(shù)為

式中LAIm為實測值序列；LAIs為模擬值序列；N為實測時相數(shù)。

通過比較模型模擬的LAI與Sentinel-2數(shù)據(jù)反演的LAI，得出優(yōu)化后的模擬結(jié)果更接近LAI真實值，通過WOFOST模型模擬出連續(xù)的水稻脅迫參數(shù)LAI。

1.3.3 基于EEMD分解LAI時間序列

EEMD原理較為簡單，該方法是針對經(jīng)驗?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）方法的不足向原始信號中添加白噪聲，使其信號在不同尺度上具有連續(xù)性，從而避免出現(xiàn)模態(tài)混疊的現(xiàn)象，達(dá)到一個更好的分解結(jié)果。EEMD分解方法兩個非常重要的參數(shù)是白噪聲的幅值系數(shù)和總體平均次數(shù)，白噪聲的幅值系數(shù)需要人為經(jīng)驗進(jìn)行確定，添加的白噪聲幅值系數(shù)過大，會降低分解的精度，過小，則無法解決EMD中存在的模態(tài)混疊現(xiàn)象。Huang等[28]提出分解以高頻組分為主的原始信號時，白噪聲幅值系數(shù)應(yīng)相對減小，相反，白噪聲幅值系數(shù)應(yīng)相對增大。通常白噪聲幅值系數(shù)的取值范圍為0.01～0.40?？傮w平均次數(shù)會影響分解效果，為了同時兼顧效率與精度，總體平均次數(shù)一般選擇100～300。參考前人的研究結(jié)果，結(jié)合本論文試驗的需求，將總體平均次數(shù)設(shè)置為100次，白噪聲幅值系數(shù)設(shè)置為0.3[10]。

時間序列經(jīng)過EEMD分解后可以得到不同分量[29]。這些分量由3個波動組分和1個殘差組成，其中3個組分是年內(nèi)波動組分、年間波動組分和年際波動組分[30-31]。年內(nèi)波動組分為時間尺度通常小于一年的高頻信號。高頻信號可以檢測信號中存在的異?，F(xiàn)象，其他環(huán)境脅迫和噪聲信息存在于高頻信號中。作物固有的生長趨勢特征與季節(jié)項相似，時間尺度通常為一年，有一個固定的周期[32]。本文將波動周期為一年的年間波動組分表示為作物的固有生長趨勢。去除這些因素的影響，剩余的年際波動組分和殘差可能含有重金屬脅迫信息。本文選取皮爾遜相關(guān)系數(shù)衡量年際信號之間的相似度。

1.3.4 動態(tài)時間規(guī)整（DTW）

DTW支持時間軸的伸縮和彎曲，能夠?qū)Σ煌L度的時間序列進(jìn)行相似性度量[33]。它是用滿足一定條件的時間規(guī)整函數(shù)描述兩個時間序列之間的對應(yīng)關(guān)系，求出兩個時間序列累加距離最小時對應(yīng)的規(guī)整函數(shù)。其路徑的選擇滿足3個條件：邊界條件、連續(xù)性和單調(diào)性。DTW通過尋找到最小的扭曲路徑代價來對齊不同的時間序列。

本文引入DTW方法計算時間序列曲線的距離大小，因為水稻在不同年份、不同地域條件下，其物候期也存在一定的差異，而DTW能夠有效地解決這一類問題。通過計算分解后的時間序列與健康水稻時間序列之間的DTW距離，可以監(jiān)測水稻重金屬脅迫水平。

1.3.5 重金屬脅迫程度的提取

本研究利用WOFOST模型模擬出健康水稻的LAI時間序列，經(jīng)過EEMD方法分解提取的無脅迫信號作為參考序列，原始LAI時間序列提取的含有重金屬脅迫信號作為查詢序列，計算兩者之間的DTW距離，即得到脅迫指數(shù)（Stress Index，SI）。

式中SIi表示水稻像元i的重金屬脅迫指數(shù)，Si為水稻像元i當(dāng)年的原始LAI時間序列分解提取的可能含重金屬脅迫序列，Sh代表當(dāng)年健康水稻LAI分解提取的無脅迫信號，Ddtw表示兩者之間的DTW距離。

為了更加直觀地了解水稻重金屬脅迫的程度，本文對脅迫指數(shù)SI進(jìn)行歸一化處理，歸一化的公式如下：

式中SIn表示歸一化脅迫指數(shù)，SIi0.05和SIi0.95分別表示脅迫指數(shù)5%和95%分位數(shù)，SIn的值范圍為[0,1]，越接近1代表該水稻像元i受到的重金屬脅迫程度越高。

在本文中，采用標(biāo)準(zhǔn)方差分析[10]將水稻重金屬脅迫程度劃分為輕度、中度和重度3個等級，其SIn值分別介于0～0.40、＞0.40～0.75、＞0.75～1之間。

2 結(jié)果與分析

2.1 水稻LAI的分布

通過對Sentinel-2數(shù)據(jù)的LAI進(jìn)行反演，得出試驗區(qū)內(nèi)所有像元的LAI值，根據(jù)隨機(jī)森林方法提取水稻區(qū)域進(jìn)而疊加提取水稻像元LAI值（圖3）。圖3中白色表示非水稻的區(qū)域，紅色代表更低的LAI值，綠色代表更高的LAI值。 從圖中可以看出試驗區(qū)西北和東南區(qū)域的LAI值相對較低，偏東北區(qū)域的LAI值相對較大，且分布較為密集。

2.2 EEMD信號分解

基于EEMD將LAI時間序列分解為7個不同波動頻率的IMF分量和1個殘差項，通過不同分量的合成可以得出年內(nèi)波動組分、年間波動組分以及年際波動組分（圖 4）。圖4中的IMF1、IMF2、IMF3和IMF4的波動周期小于一年，該4個分量之和表示年內(nèi)波動組分；而IMF5分量的波動周期與原始LAI時間序列的波動周期是具有一致性的，因此將IMF5分量對應(yīng)于年間波動組分；剩余的IMF6、IMF7對應(yīng)于年際波動組分，波動時間周期大于一年。

年內(nèi)波動組分包含的信息具有較高的時間分辨率，時間跨越尺度小于一年，信號波動比較雜亂，其中不僅包含其他短期脅迫還包含自然環(huán)境中的噪聲等信息。可見IMF1～4分量的波動周期均小于一年，環(huán)境中的噪聲信息雖然長期存在并對信號產(chǎn)生一定的波動影響，但是噪聲信號沒有一定的規(guī)律。

通過計算相鄰年份年內(nèi)波動組分的皮爾遜相關(guān)系數(shù)可知，2017年和2018年的相關(guān)系數(shù)為0.13，2018年和2019年的相關(guān)系數(shù)為0.33，表明相鄰年份年內(nèi)波動組分之間的相關(guān)性很弱，因此，能更好地說明年內(nèi)波動組分是表示短期脅迫和噪聲等不穩(wěn)定的信號。

IMF5分量的波動周期為一年，與原始水稻LAI具有相同的波動規(guī)律，因此這個分量能夠表示水稻本身固有的生長趨勢。計算年間波動組分與健康水稻LAI之間的相關(guān)系數(shù)，2017年、2018年和2019年與健康水稻之間的相關(guān)系數(shù)分別為0.96、0.85、0.90，均表現(xiàn)極強(qiáng)的相關(guān)性。說明年間波動組分揭示了水稻固有的生長趨勢。

原始LAI時間序列由持續(xù)的環(huán)境脅迫、作物的固有生長趨勢和其他脅迫信號共同組成，通過對上述兩種組分的剔除，重金屬脅迫信息存在于剩余的分量中，即年際波動組分與殘差之和（IMF6、IMF7和殘差）。

2.3 水稻重金屬脅迫程度

2017—2019年水稻重金屬脅迫的空間分布特征如圖 5所示，研究結(jié)果表明，不同年份的水稻重金屬脅迫的空間分布具有很大的相似性，在空間上的分布呈現(xiàn)一種穩(wěn)定的特征。受重金屬脅迫程度較低的區(qū)域大部分位于試驗區(qū)域的中部地區(qū)。而重金屬脅迫程度 較高的地區(qū)主要是集中在試驗區(qū)域西部、東北部以及偏東南地區(qū)。湘江東側(cè)和西側(cè)的工廠較為密集，重金屬脅迫的空間分布與工廠空間分布具有相似的趨勢，可能是由于早期的污水灌溉導(dǎo)致土壤重金屬含量超標(biāo)。

進(jìn)一步對試驗區(qū)域重金屬脅迫程度進(jìn)行統(tǒng)計分析（表1），由表1可知，2017—2019年輕度重金屬脅迫分布面積比例較大，不同年份間其所占比例相差較小，分別為38%、44%和45%。重度重金屬脅迫分布面積比例約占29%，且不同年份的分布面積比例幾乎一致，2017年與2018年僅相差0.17個百分點，2018年與2019年相差不到1個百分點。從3 a的重金屬脅迫面積統(tǒng)計數(shù)據(jù)可知土壤中重金屬含量存在時空穩(wěn)定性。

表1 研究區(qū)不同程度重金屬脅迫水稻面積比例Table 1 Percentage of rice area under different heavy metal stress in the study area %

綜上所述，通過計算多年的歸一化脅迫指數(shù)SIn可以準(zhǔn)確確定不同水稻重金屬脅迫水平的分布情況。

2.4 精度評價

研究利用野外實測的土壤重金屬Cd的含量數(shù)據(jù)對水稻重金屬脅迫監(jiān)測的結(jié)果進(jìn)行精度評價，通過計算實測的土壤Cd含量與歸一化脅迫指數(shù)之間的皮爾遜相關(guān)系數(shù)進(jìn)行驗證。兩者之間的相關(guān)系數(shù)高達(dá)0.851（圖6），由此說明歸一化脅迫指數(shù)SIn對水稻重金屬脅迫反應(yīng)比較敏感。

3 討 論

本文借助EEMD方法進(jìn)行脅迫信號分解，剝離其他脅迫以及噪聲等因素對重金屬脅迫的影響，可以更加準(zhǔn)確地研究試驗區(qū)域的水稻重金屬脅迫。由于重金屬脅迫在土壤中可移性小，難以降解，因而土壤重金屬污染具有長期性[34-35]。有研究基于長時序的LAI結(jié)合EEMD方法提取水稻重金屬脅迫特征，并進(jìn)行脅迫特征的穩(wěn)定性分析[8]。目前，越來越多的研究將DTW方法應(yīng)用于遙感研究領(lǐng)域中，利用動態(tài)時間規(guī)整算法計算得到的距離作為相似性度量的指標(biāo)來進(jìn)行物種的識別分類[35]，也有研究通過DTW方法構(gòu)建指標(biāo)分析重金屬脅迫[9]，但是該方法沒有考慮水稻同時受到多種脅迫共同影響的情況，因此建立的模型較為簡單，在實際的應(yīng)用中會存在局限性。因此如何在復(fù)雜的生態(tài)環(huán)境中研究重金屬脅迫是一個重要的課題。本研究利用EEMD與DTW相結(jié)合的方法先將其他脅迫與噪聲等因素排除，計算與健康水稻之間的距離判別水稻受重金屬污染的程度，在時間和空間上表明重金屬脅迫具有穩(wěn)定的特性，相鄰年份之間的DTW距離體現(xiàn)年際變化特征，可以作為衡量重金屬脅迫穩(wěn)定性的一個重要指標(biāo)。

本文選擇利用DTW方法研究重金屬脅迫的一個重要的原因是DTW作為一種相似性度量的方法，它可以對時間序列進(jìn)行拉伸和縮放，將兩個時間序列進(jìn)行匹配比較，從而使識別效果更佳。湖南由于種植一季稻，插秧時間等的不同會導(dǎo)致水稻不同年份之間物候期有所差異，因此引入DTW方法可以很好地消除物候期不同導(dǎo)致的距離增加，從而提高水稻重金屬脅迫研究的精確度。

SIn是在無其他脅迫和環(huán)境影響因素的情況下計算得出的歸一化脅迫指數(shù)，根據(jù)其值的大小可以判斷出水稻重金屬污染的程度。試驗結(jié)果表明重金屬分布的范圍在3 a間變化較小，在空間上表現(xiàn)出一定的穩(wěn)定特征。因此，引入時序穩(wěn)定檢測方法，對水稻重金屬脅迫進(jìn)行遙感監(jiān)測具有很高的可信度。

本研究僅采用3 a的數(shù)據(jù)對水稻重金屬脅迫進(jìn)行研究，今后可以通過更長時序遙感數(shù)據(jù)對其進(jìn)行分析；另外，本研究利用土壤重金屬Cd的含量來驗證水稻重金屬脅迫水平，在今后的研究中將進(jìn)一步通過測定水稻中的重金屬含量驗證研究結(jié)果。

4 結(jié) 論

本文利用Sentinel-2數(shù)據(jù)同化作物生長模型獲取了葉面積指數(shù)（Leaf Area Index，LAI）時序數(shù)據(jù)，利用集合經(jīng)驗?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition，EEMD）方法分解LAI時間序列，提取出含有重金屬脅迫的信號，利用動態(tài)時間規(guī)整（Dynamic Time Warping，DTW）方法計算其脅迫信號與健康水稻LAI之間的距離大小，監(jiān)測水稻重金屬脅迫水平。結(jié)果表明：

1）原始LAI時間序列由持續(xù)的環(huán)境脅迫、作物的固有生長趨勢和其他脅迫信號共同組成，經(jīng)EEMD分解為7個不同的分量和1個殘差項，通過分析得出重金屬脅迫信號存在于IMF6、IMF7和殘差的組合分量中；

2）歸一化脅迫指數(shù)是水稻重金屬脅迫敏感的參數(shù)，與土壤重金屬含量的相關(guān)系數(shù)為0.851，水稻受到的脅迫程度越高，歸一化脅迫指數(shù)值越大，反之越低；

3）在試驗區(qū)中，水稻重度重金屬脅迫的分布面積比例相對較低，且主要集中在西部、東北部以及偏東南地區(qū)，水稻重金屬脅迫具有一定的時空穩(wěn)定性。