基于SD-SVD-Burg的玉米叶片铜铅污染甄别与程度诊断

为研究一种快速甄别作物受重金属污染的元素类别和所受污染程度的方法,于2017年设置不同梯度铜(Cu)、铅(Pb)胁迫下的玉米盆栽实验,对玉米的紫谷、绿峰和红边3个光谱特征区间的高光谱数据进行光谱一阶微分和奇异值分解处理,并结合Burg算法绘制功率谱密度曲线,同时利用2014年采集的光谱数据作为验证组检验该模型的稳定性。结果表明:健康玉米叶片与不同浓度Cu、Pb胁迫下玉米叶片光谱信号的功率谱密度曲线的波峰数及波峰坡度均不相同。功率谱曲线平均功率和玉米叶片中Cu、Pb含量的相关系数最高可达0.9958,证明该方法在对玉米进行污染元素种类辨别和污染程度诊断方面具有可行性,不同年份Cu与Pb胁迫下绿峰功率谱曲线平均功率与玉米叶片中Cu、Pb含量的相关系数分别为0.9213和0.9915,进一步验证该算法在玉米Cu、Pb污染诊断方面具有稳定性与普适性。     

玉米叶绿素含量高光谱反演的线性模型研究

叶绿素含量是衡量植被生长状况的一个重要指标,高光谱数据具有较高的光谱分辨率,利用其光谱信息建立叶绿素含量的关系模型,已成为监测植被长势的一种有效手段。传统叶绿素含量线性回归模型的输入因子是植被特征提取参数,由于高光谱数据波段间的冗余度较高,导致一般的线性模型的反演精度较低。主成分分析可以减少数据的维数,简化网络结构,得出能反映原始信息的综合变量。本文以盆栽玉米为研究对象,利用植被特征和主成分分析方法提取光谱反演参数,根据所提取的参数建立玉米叶片叶绿素含量的一元线性和多元线性回归模型。结果表明,利用绿峰峰值和近红外反射率均值两参数可在一元线性模型中较好地反演玉米叶片叶绿素含量;而利用分波段提取的主成分能够在多元线性回归模型中更好地反演叶绿素含量,反演精度较高。     

铜胁迫下玉米叶片的水分吸收光谱响应及其污染程度预测模型

通过不同浓度硫酸铜(CuSO_4)污染土壤的盆栽玉米培养胁迫试验,并依据不同铜胁迫浓度下玉米叶片的反射光谱及其Cu~(2+)含量实验室测定数据,分析不同铜浓度下叶片水分吸收波段的多种光谱参数和含水量指数变化趋势,讨论水吸收光谱区间吸收深度及吸收面积与叶片中Cu~(2+)含量之间的相关性,提出相应的铜污染程度预测模型。试验结果表明,当玉米受到重金属铜污染时,叶片含水量减少,水分吸收谷变浅,且随着铜污染梯度的升高,光谱曲线在水吸收波段呈水平趋势;水吸收深度、吸收面积以及各叶片含水量指数与叶片中Cu~(2+)含量有显著相关性。研究得出,基于叶片光谱的水吸收深度、吸收面积以及归一化水指数(NDWI)可以有效地预测玉米受重金属铜污染程度。     

玉米叶片铜污染的EEMD-MA-FD光谱诊断模型

以铜为例探讨重金属不同胁迫浓度下玉米叶片光谱的微弱信息量差异,在2017年测定的玉米叶片光谱数据和Cu~(2+)含量的基础上,结合集成经验模态分解(Ensemble empirical mode decomposition,EEMD)、Mallat算法(MA)和分形维数(Fractal dimension,FD)构建EEMD-MA-FD光谱诊断模型来进行光谱弱信息变换监测。与红边最大值、蓝边最大值等常规重金属污染监测方法进行对比分析,验证EEMD-MA-FD模型在玉米叶片铜污染监测中的优越性,最后利用2016年采集的光谱数据作为检验数据验证模型的稳定性。结果显示,玉米叶片Cu~(2+)含量与EEMD-MA-FD模型结果存在较强的相关性,相关系数为-0.942 2,检验数据Cu~(2+)含量与模型结果相关系数为-0.993 7,与实验结果有较高的一致性。由此验证了EEMD-MA-FD诊断模型在农作物重金属铜污染监测中的可行性。     

利用叶片光谱的作物铜铅污染判别

重金属污染种类的判别是作物生长环境监测的重要组成部分。该研究旨在提出一种由叶片光谱构建的铜铅污染判别特征(Copper and Lead Contamination Discriminating Features,CLCDF),以实现作物铜、铅污染判别。以典型作物玉米为试验对象,运用包络线去除与导数处理叶片光谱,基于该研究提出的归一化铜铅污染指数(NormalizedDifference Copper and Lead Contamination Index,NDCLCI)构建叶片CLCDF,在CLCDF分布域内建立判别平面(Discriminating Plane,DP)。依据CLCDF与DP的位置关系,得出直观的污染种类判别规则,并利用判别距离(Discriminating Distance,DD)对判别规则进行量化。基于训练集数据进行试验,提取到189种用于判别铜、铅污染的DP,同时获取了对应的污染种类判别规则,判别正确率为100%。使用验证集数据进行验证,189种DP中的88种判别效果较好,判别正确率为78.22%。该研究结果证明,基于CLCDF的铜铅污染判别方法效果良好且稳定。     

基于SD-SWT的铜胁迫下玉米光谱奇异性甄别与污染监测

为甄别重金属铜(Cu)胁迫下玉米光谱的弱差及奇异信息以监测玉米受Cu污染的程度,于2017年设置多浓度Cu胁迫下玉米培株盆栽实验,测定玉米叶片反射光谱和Cu含量数据,将一阶光谱微分(SD)和离散平稳小波变换(SWT)相结合,定义并提取小波奇异指数(WSI),进行光谱的奇异性甄别,并与常规的光谱特征参数进行对比;结合逐步多元线性回归(SMLR)算法,构建玉米叶片Cu含量的WSI-SMLR反演模型,同时利用不同年份采集的玉米叶片反射光谱和Cu含量数据验证反演模型的可行性及稳定性,并与一些已有的类似研究成果进行对比。结果表明:相比于常规的光谱特征参数,WSI与玉米叶片中的Cu含量有更显著的相关性及线性关系,可用来监测玉米叶片中的Cu含量变化;与一些已有的类似研究成果相比,WSI-SMLR模型反演玉米叶片中Cu含量的精度更高且更稳定。研究验证了小波奇异指数在监测玉米Cu污染方面具有有效性和优越性,为监测农作物重金属污染提供了新的光谱奇异指数与技术方法。     

玉米叶片铜铅胁迫高光谱识别研究

为了区分玉米叶片重金属胁迫种类，提出一种基于高光谱的铜铅胁迫识别方法。分别以叶片0.1~2.0阶分数阶导数(FOD)光谱中红边位置与任意两波长处的光谱值构建玉米叶片的红边铜铅敏感指数(RECLSI)集群，计算各集群中指数与胁迫类型的相关系数，以相关系数最大值、最小值对应的RECLSI构建铜铅识别特征(CLIF)，在CLIF的二维分布出现与胁迫类型相关的聚类时建立胁迫识别界限(SIB)，从而实现铜铅胁迫识别。研究表明：各RECLSI集群中指数与胁迫类型相关系数的最大值、最小值随FOD光谱阶次的增加分别呈先升后降、先降后升的趋势，其中相关系数最大值、最小值的极点分别出现在1.3、1.4阶FOD光谱对应的RECLSI集群中；0.7~1.5阶FOD光谱的CLIF二维分布呈现出与胁迫类型相关的聚类，根据CLIF-SIB能够不同程度地实现铜铅胁迫识别；1.2阶FOD光谱的CLIF-SIB识别效果最好，试验集精度为100%，验证集精度为81.25%。基于FOD光谱的CLIF-SIB玉米叶片铜铅胁迫识别方法在部分阶次能够获得良好且稳定的识别结果，具有可行性和有效性。     

铜离子、铅离子胁迫的玉米冠层微分光谱与污染效应

通过设置玉米在不同浓度重金属铜、铅处理下的污染试验,测定玉米冠层在不同浓度重金属铜、铅污染下的高光谱反射率及其对应玉米叶片中的叶绿素、铜含量,分析玉米叶片中的叶绿素含量与土壤中重金属铜、铅浓度的关系,受不同浓度重金属铜、铅污染的冠层光谱的一阶、二阶、三阶、四阶微分光谱及其所对应的微分光谱角的区别,以及微分光谱及其所对应的微分光谱角与叶片中重金属铜含量的相关性。结果表明,玉米叶片中的叶绿素含量与土壤中Cu2+、Pb2+含量呈负相关;微分光谱波段位置的微分值和微分光谱角值可明显分辨受不同浓度重金属铜、铅的污染,微分光谱波段位置的微分值和微分光谱角值与叶片中重金属铜含量有显著相关性。     

基于VMD-MSE的玉米铜污染信息提取与预测模型

重金属污染会引起作物光谱畸变,本文通过挖掘光谱信息中微弱的畸变信息诊断玉米受污染程度。将变分模态分解(VMD)运用到高光谱弱信息探测中,并结合多尺度熵(MSE)构建VMD-MSE光谱弱信息探测模型,同时利用模型值VM进行Cu2+含量回归分析与建模。结果表明:对原始光谱数据进行3次VMD分解后,可有效提取光谱奇异特征;计算VMD结果的MSE值,可获取5个尺度的模型值。各尺度模型值VM与玉米叶片中Cu2+含量呈现显著负相关,其中第一尺度模型值(VM1)与叶片中Cu2+相关性最好。对各尺度VM构建的Cu2+含量预测模型应用结果进行比较,证明VM1线性回归模型预测效果最优。表明VMD-MSE模型可为作物污染信息提取、污染诊断及Cu2+含量预测提供思路与方法。     

铜胁迫下玉米光谱变化的奇异性诊断指数与污染甄别

通过研究不同程度铜污染胁迫下玉米光谱奇异性变化特征来诊断玉米受Cu2+污染程度。通过设置不同铜胁迫浓度下的玉米盆栽实验,根据实测的SVC高光谱数据和Cu2+含量数据,采用经验模态分解(EMD)与小波变换相结合的方法提取玉米光谱奇异信息,并构建奇异性诊断指数对玉米光谱奇异性进行定性分析,从而实现玉米铜污染程度的甄别。同时与常规的绿峰高度、红边最大值、红边一阶微分包围面积等植被重金属污染信息监测方法进行比较来验证该方法的有效性。结果显示:奇异性诊断指数(SI)与玉米叶片中Cu2+含量存在较强的相关关系,SI随叶片中Cu2+含量的增加而增大,其相关系数达到0.972 4,从而证明光谱奇异性诊断指数能有效地诊断叶片光谱的奇异性变化及其污染程度,为作物重金属污染监测提供参考依据。