基于多时相高光谱数据与RCBA-HMTL方法对小白菜中镉和铅污染类型及含量的协同识别

《Journal of Hazardous Materials》：Collaborative discrimination of Cadmium and Lead contamination types and levels in Bok Choy based on multi-temporal hyperspectral data and RCBA-HMTL

　　

摘要

绿色蔬菜中重金属污染的类型与程度是评估食品安全的关键因素。目前基于高光谱成像技术的评估方法大多受限于单任务学习模式，不仅难以挖掘不同任务之间的关联信息，还面临着如何同时处理高维数据冗余、非线性特征以及高光谱数据的动态响应等难题。为解决这一问题，本研究提出了一种新型的RCBA混合深度网络，该网络在分层多任务学习框架下整合了残差卷积神经网络、双向长短期记忆网络以及多头自注意力机制。通过级联式结构，RCBA-HMTL架构能够有效降低高维光谱数据中的冗余性，同时实现对污染类型和程度的精准识别。此外，该模型还采用了竞争自适应加权采样特征优化策略以及多时间尺度融合技术，以应对时间动态变化带来的挑战。实验结果表明，在测试集上，结合CARS特征优化与多时间尺度策略的模型在识别镉、铅以及复合污染的类型和浓度时，分别达到了0.962、0.987、0.985和0.981的准确率，显著优于传统机器学习方法。这一成果为农作物整个生长周期内重金属污染的精细表征和高精度动态监测提供了一种高效可靠的新方法。

引言

随着全球工业化和农业现代化的不断发展，污水灌溉以及过量使用农药和化肥导致农业土壤中的重金属污染日益严重。这些重金属极易在蔬菜中积累，进而通过食物链对人类健康构成严重威胁。镉会在肾脏中积累，引发肾毒性和骨骼损伤，其暴露与痛痛病有关。由于镉具有剂量依赖性的肾毒性且生物半衰期较长，世界卫生组织将其列为优先控制污染物。铅则会对多个系统造成健康危害，包括循环系统、神经系统和心血管系统。鉴于铅在环境中的持久性及其造成的不可逆器官损伤，联合国环境规划署在2020年将其列为全球重点控制的危险污染物。由于小白菜等人畜常吃的农作物是人体摄入重金属的主要途径，加之农业环境日益复杂，复合型及多梯度重金属污染现象越来越频繁。因此，开发一种快速、无损的现场检测方法，对于保障食品安全和公共健康具有重要的现实意义。

目前，虽然原子吸收光谱法、原子荧光光谱法以及电感耦合等离子体质谱法等化学检测方法精度较高，但它们存在成本高昂、分析周期长以及需要破坏性采样的缺点，难以满足大规模实时监测的需求。相比之下，高光谱成像技术凭借其整合空间信息和光谱信息的优势，能够灵敏捕捉重金属胁迫下叶片内部细胞结构破坏和色素降解所引起的光谱响应变化。近年来，周等人以及杨等人分别尝试将高光谱成像技术与深度学习相结合，实现了对蔬菜中单一重金属胁迫的有效检测，这些研究证明了高光谱成像技术可用于食品中重金属污染的无损检测。然而，现有研究仍存在两大瓶颈：首先，大多数研究仅关注作物某一生长阶段的静态光谱数据，忽略了长期重金属胁迫下作物光谱变化的动态规律；其次，传统的单任务模型往往分别预测污染类型或浓度，难以挖掘两者之间深层的物理关联。

机器学习方法已被广泛应用于高光谱数据分析以及农产品中重金属污染的定量建模。其中，支持向量机因其强大的泛化能力，特别适合处理训练样本较少的高维光谱数据；随机森林通过集成决策树来提升模型的抗过拟合能力；而LightGBM则具有较高的计算效率以及出色的梯度提升性能。此外，通过整合多个基学习器的预测概率，堆叠集成模型能够进一步发挥各模型的优势，提高整体预测精度和泛化能力。不过，传统机器学习方法在处理高光谱数据中的复杂非线性特征关系方面存在一定困难，且难以深入挖掘不同生长阶段的光谱响应特征。因此，本研究提出了一种新的混合深度网络RCBA，它将残差卷积神经网络、双向长短期记忆网络以及多头自注意力机制相结合，并构建了分层多任务学习框架。该架构能够有效克服高光谱数据高维冗余、非线性复杂以及时间动态特征等带来的挑战，显著提升重金属含量预测的准确性和稳定性。此外，残差卷积神经网络可以有效解决深度网络训练中的梯度消失问题，增强特征表示能力；多头自注意力机制则能够自适应地为不同波段分配权重，从而提升模型对关键光谱特征的关注度。另一方面，为充分挖掘作物生长过程中重金属胁迫带来的动态光谱响应特征，本研究对三个生长阶段（21天、28天和35天）的特征数据进行多时间尺度融合，并分别基于连续投影算法和竞争自适应加权采样特征选择方法构建融合数据集。这一策略旨在整合不同生长阶段的光谱信息，构建出信息维度更丰富、表示能力更强的跨时间光谱特征矩阵。

污染类型的识别与污染程度的评估是相互关联的。重金属种类决定了污染物的类别，而污染程度则反映了污染的严重程度。若分开处理这两个任务，就会忽视它们之间的内在关联，从而降低检测精度。因此，本研究构建了一个集成框架，通过单一统一模型同时实现污染类型的识别和污染程度的量化，从而为小白菜重金属污染的评估提供更准确、高效且全面的方法。

章节节选

样品与材料的准备

用于试验的营养土购自山东滨芬农业科技有限公司，其理化性质如表1所示。土壤经自然风干后，按每盆1公斤（干重）的标准装入盆中。根据《土壤环境质量 农用地土壤污染风险控制标准》（GB 15618-2018），重金属污染梯度划分如下：单一镉污染组

光谱曲线分析

小白菜的光谱反射率变化主要受叶绿素含量、含水量以及细胞结构的影响。土壤环境中不同程度的重金属胁迫会改变小白菜的生理敏感因子，而光谱反射率能够敏锐地捕捉到这些变化。图2展示了三个生长阶段中不同重金属处理组的平均光谱曲线，在400-1000纳米的波长范围内

结论

以小白菜为典型研究对象，本研究成功构建了融合CARS技术和多时间尺度光谱特征的RCBA-HMTL深度学习网络，实现了对蔬菜中重金属污染类型和程度的精准识别。在初步评估中，本研究建立了基于SG平滑的光谱校正策略，能够在有效保留信号的同时最大程度降低背景噪声。基于此

环境意义

镉和铅是农业土壤中普遍存在的重金属污染物，它们会通过食物链传递，对作物安全、生态系统稳定性以及人类健康构成严重威胁。为应对这一挑战，本研究开发了一种协同识别策略，将RCBA-HMTL深度学习网络与多时间尺度高光谱成像技术相结合，用于无损监测小白菜中重金属的类型和含量。所提出的方法结合了CARS技术

未引用参考文献

[51]

CRediT作者贡献说明

胡亚芬：数据整理。黄立鹏：正式分析。赵永鹏：方法设计。王欢：数据整理。李梦华：初稿撰写。蒋佳军：初稿撰写。库国庆：正式分析。王宇超：资金获取、概念构思。邹志勇：项目管理、概念构思。杜欣瑞：审稿与编辑。袁东宇：审稿与编辑。

利益冲突声明

我们声明，与我们工作可能产生不当影响的任何个人或组织均不存在财务或个人关系。在题为“基于多时间尺度高光谱数据协作识别小白菜中镉和铅的污染类型与含量”的论文中，我们不存在任何可能影响研究立场或评审结果的专业或个人利益关系。

致谢

四川省科技支撑计划（项目编号：2022NZZJ0034）。

Zhiyong Zou|Xinrui Du|Dongyu Yuan|Huan Wang|Menghua Li|Jiajun Jiang|QuQing Ku|Yafen Hu|Lipeng Huang|Yongpeng Zhao|Yuchao Wang

四川农业大学机电工程学院，中国雅安625014