水稻镉污染胁迫遥感诊断方法与试验

农田重金属污染是当今世界面临的重大生态环境问题,是普遍关注的重要课题之一。该文通过研究受镉污染胁迫水稻生理生态参数变化的高光谱响应特征来揭示作物污染胁迫遥感信息机理,从而选择水稻镉污染胁迫诊断光谱指数。采用水稻生长季节多个时相的ASD实测高光谱数据和同步获取的作物参数与农田土壤镉含量数据,分析镉污染胁迫水稻生理生态参数如叶片色素含量、水分含量、细胞结构和叶面积指数等与潜在敏感光谱遥感指数的响应关系,确定MCARI、NDWI、RVSI 和RVI为相应的诊断光谱指数。在此基础上建立多级诊断光谱指数空间,用于表达和判别水稻镉胁迫程度。试验结果表明,该方法能有效地诊断水稻镉污染胁迫,但定量估算精度还有待提高。     

利用作物生长模型和时序信号甄别水稻镉胁迫

在自然农田生态系统中,农作物的生长通常受到各类环境胁迫（如重金属胁迫、病虫害、水分、营养）的影响,如何区分重金属胁迫与其他胁迫有待进一步研究。该研究选取了湖南省株洲为试验区,收集2017-2019年的Sentinel-2卫星影像数据,结合野外实测数据,开展水稻重金属镉（Cd）胁迫识别研究。首先,利用作物生长模型World Food Studies（WOFOST）同化时序遥感数据获取每年的叶面积指数（Leaf Area Index,LAI）时间序列曲线;然后运用集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）方法对LAI时间序列进行多尺度分解,得到不同的时序信号分量（Intrinsic Mode Function,IMF）;最后使用动态时间规整（Dynamic Time Warping,DTW）方法计算受胁迫水稻分解后的时间序列与健康水稻分解后的时间序列之间的DTW距离,即归一化胁迫指数。结果表明：归一化胁迫指数是水稻重金属胁迫敏感的参数,与土壤重金属含量的相关系数为0.851,水稻受到的胁迫程度越高,归一化胁迫指数值越大,反之越低;在试验区中,水稻重度重金属胁迫的分布面积比例相对较低,且主要集中在西部、东北部以及偏东南地区。融合集合经验模态分解和动态时间规整方法能有效地甄别并定量分析水稻重金属胁迫状况,从而为作物重金属污染胁迫监测提供重要参考。     

利用独立变量分析与高光谱植被指数模型监测成熟期水稻中砷污染

水稻中过量砷（As）能够损害叶片中叶绿素和叶片内部结构,进而影响水稻光合作用效率,并改变水稻在光谱上的表现。利用高光谱植被指数（CARI、PRI、SIPI）和独立变量分析（ICA）模型对水稻中As含量进行了研究。结果表明,以上3种高光谱植被指数与水稻中As含量均呈一定的相关关系,其相关系数在0.67以上;而经过独立变量分析（ICA）可知,在蓝光波段（440～540nm）和红光波段（600～700nm）之间各有一个独立变量与水稻中As含量高度相关,相关系数达到0.95以上。将上述植被指数与独立变量和水稻中As含量之间进行回归分析,得到水稻中As含量的线性回归方程。研究表明,重金属As对水稻生长的影响可以通过其在光谱上的特征（如相关植被指数）改变来体现,并可以用独立变量分析（ICA）方法提取光谱中关于As胁迫的隐含弱信息,建立遥感预测模型,为大面积监测农作物As污染提供依据。     

水稻锌污染胁迫的光谱奇异性分析

通过研究锌污染胁迫下水稻的光谱奇异性特征来诊断水稻锌污染水平。根据试验区水稻各个生长期的ASD实测高光谱数据和同步获取的作物与农田土壤重金属含量2 a田间试验数据,利用Daubechies小波系中的“Db5”小波函数对锌污染胁迫水稻的350～1 300 nm光谱波段进行5层小波分解,并利用奇异范围、奇异幅度和奇异指数等参数对水稻光谱奇异性进行定量计算与分析。结果表明,“Db5”小波函数分解的第5层小波系数能精准探测水稻光谱的奇异性,其奇异范围集中在480～850 nm波段范围;奇异幅度从出苗期到分蘖期迅速增加,并达到最大值,在随后的分蘖期→拔节期→开花期→成熟期逐渐减少;奇异指数从出苗期→分蘖期→拔节期→开花期→成熟期逐渐增加;水稻叶片锌含量与奇异幅度及奇异指数之间存在较强的相关关系,其决定系数（R2）为0.8445,均方根误差 （RMSE）为5.60。光谱奇异性能有效地诊断并定量分析水稻锌污染胁迫状况,从而为作物重金属污染胁迫监测提供重要参考。     

无人机多光谱遥感监测水稻高温胁迫的关键技术

选取长江中下游的芜湖地区超级水稻生产基地为试验区域,以2019年7月20日-8月9日连续高温日为试验时段,设计基于消费级无人机与便携式多光谱传感器的水稻长势遥感监测系统,并创建数据后处理分析与应用方法,对处于生育敏感期稻株的光谱特征进行研究,建立水稻高温胁迫的反演识别模型。结果表明:稻株植被指数与叶面积指数呈显著的指数关系,相关系数达到0.918,由此建立稻株叶面积指数反演模型,并进一步确定稻株出现高温胁迫的叶面积指数判别条件。利用叶面积指数反演模型和判别条件对实验区域内的水稻进行高温胁迫下的光谱特征提取与分析,结果显示,实验区域内15.3%的水稻受到了持续高温胁迫的影响,与农业部门田间调查事实相符,即实验区域内水稻灌浆率为82.2%。相对于传统人工田间调查和卫星遥感调查的作物长势监测方法,便携式无人机多光谱遥感监测技术具有空间分辨率高、可实时大范围监测、简单易行以及应用成本低等特点,利于普及与推广,在农作物自然灾害监测方面具有应用前景。     

喀纳斯景区土壤重金属污染及其潜在生态风险评价

[目的]对喀纳斯景区土壤重金属污染及其潜在生态风险进行评价,为景区资源科学管理和保护提供参考依据。[方法]以喀纳斯景区为研究区,测定土壤样品As,Pb,Hg,Cd,Zn,Cr,和Cu含量,通过污染负荷指数对喀纳斯景区重金属污染情况进行全面评价,采用潜在生态风险指数法对土壤重金属进行潜在生态风险评价,并运用相关分析与主成分分析法对土壤重金属来源与污染程度进行深入分析。[结果](1)研究区表层土壤As,Pb,Hg,Cd,Zn,Cr和Cu平均含量分别为6.48,16.60,0.10,0.08,84.71,2.47,32.23mg/kg,其中As,Pb,Hg和Cd高于新疆土壤背景值,Zn,Cr和Cu低于新疆土壤背景值。(2)人类活动扰动强由强至弱4个样地,7种重金属含量不同,且同一重金属在4个样地间具有一定差异性。(3)人类活动扰动强样地、人类活动扰动较强样地和人类活动扰动轻微样地3个样地中Hg为重度污染(PLI值分别为5.70,4.36,4.64),Zn,Cr,Cu为轻度污染。全部金属RI均小于150,研究区仅存在轻微生态危害,但研究区Hg污染需关注。(4)7种重金属间大多存在关系,Pb与Hg,Cd和Zn呈显著相关(p≤0.01)。Cd和Hg来源相同可能性较大,As,Zn和Cu来源可能一致。[结论]喀纳斯景区受旅游活动干扰土壤中重金属有不同程度的积累,土壤重金属污染愈加严重。     

添加玉米秸秆重金属污染对水稻土有机碳矿化的影响

为研究重金属污染环境胁迫下新碳的添加对水稻土有机碳矿化的影响,以苏南地区不同程度Cd/Pb污染的水稻土为研究对象,通过室内培养法,研究了添加玉米秸秆(新碳)条件下重金属污染对水稻土有机碳(老碳)矿化的影响。试验通过测定土壤CO₂-C排放动态及其δ¹³C值、总有机碳和活性碳库组分含量,计算了相对激发效应,探讨了不同程度重金属污染对水稻土新老有机碳矿化的影响。结果表明:新鲜有机碳的添加均提高了土壤有机碳的矿化速率和累计矿化量,添加玉米秸秆后不同程度重金属污染的水稻土有机碳累积矿化量分别提高了120%(轻度污染土壤,P0)、540%(较高程度污染土壤,P1)和360%(高度污染土壤,P2)。添加玉米秸秆同时促进了不同程度重金属污染水稻土中原有有机碳的矿化速率,相对于P0与P1土壤,P2土壤更能促进水稻土老碳的矿化,并降低了可溶性有机碳含量,且在培养的不同阶段P2土壤相对激发效应显著高于P0与P1土壤,在培养第30天时相对激发效应值达到最高,分别为47.3%(P0)、148.2%(P1)、189.2%(P2)。     

锌铬复合污染对水稻根系氮代谢的影响

通过盆栽试验,研究了锌铬复合污染对水稻(Oryza sativaL.)根系氮代谢的影响。结果表明,在锌铬复合污染下,随着重金属浓度的增加,水稻在不同生育期的生物量均降低,根冠比均有增加的趋势。在水稻不同生育期,水稻根系全氮含量及可溶性蛋白含量随铬浓度的变化规律不明显,而随锌浓度的变化规律较为明显,即随锌浓度的增加呈增大的趋势。偏相关分析表明,在水稻不同生育期,土壤中锌浓度、铬浓度与水稻根系全氮未产生复合效应,与可溶性蛋白含量在水稻分蘖期产生了Zn-Cr协同效应。这可能与在水稻不同生育期,其根系对重金属胁迫的适应程度不同有关。     

基于Hyperion影像的玉米冠层叶绿素含量估算

采用高光谱卫星数据进行玉米叶片和冠层尺度的叶绿素含量估算,对现代农业技术的发展有重要意义。首先,采用以α为倾斜度参数的双曲正切S型函数为基础的误差反向传播(back propagation,BP)算法前馈神经网络(hyperbolic tangent sigmoid function-back propagation,Htsf-BP)构建叶片尺度的叶绿素含量高光谱遥感估算模型;以几何光学辐射传输模型(4-scale模型)为理论依据,对叶片和冠层尺度的光谱转化函数进行推导,实现Hyperion影像冠层尺度光谱到叶片光谱的转化,同时获取叶片尺度叶绿素含量估算结果;最后,结合叶面积指数(leaf area index,LAI)进行冠层尺度叶绿素含量估算。结果表明:当隐含层结点数为6时,Htsf-BP神经网络法对叶绿素的估算精度最高,验证精度达78.68%;在波长750与980 nm处,采用光谱尺度转化方程进行模拟的冠层光谱与实测冠层光谱间的相关系数R2值分别达到了0.784和0.706;实测叶片尺度叶绿素含量与模拟结果间的相关系数R2值达0.726。该方法可为高精度快速估算叶片和冠层尺度玉米叶绿素含量提供参考。     

基于波段深度分析和BP神经网络的水稻色素含量高光谱估算

该文以水稻田间氮肥水平试验为基础,采用单变量的线性和非线性回归方法,建立基于植被指数的水稻色素含量高光谱估算模型。各植被指数对色素含量的估计能力分析结果显示,植被指数在色素含量较大时存在饱和问题,为此尝试将波段深度分析(BDA)与BP神经网络结合,以提高利用高光谱技术对水稻叶片色素含量的估算精度。基于连续统去除处理的水稻冠层高光谱数据(400~750 nm),选取波段深度(BD)、波段深度比(BDR)、归一化波段深度(NBDI)和归一化面积波段指数(BNA)4种波段指数,在此基础上进行主成分分析(PCA)实现降维,然后采用反向传播(BP)神经网络方法对水稻叶片色素含量进行高光谱反演,探讨BDA与BP神经网络结合解决植被指数饱和问题的可能性和有效性。结果表明,波段深度分析突出了光谱吸收特征差异,挖掘了更多的潜在信息,使得光谱曲线的差异性得到增强。BD与BP结合的估算模型对水稻叶片中的类胡萝卜素含量估算精度最高(R~2=0.61,RMSEP=0.128 mg?g~(-1)),BNA与BP结合的估算模型对水稻叶片中的叶绿素含量估算精度最高(R~2=0.73,RMSEP=0.343 mg?g~(-1))。对比分析BDA与BP结合的模型和植被指数最佳回归模型的精度,发现波段深度分析建立的BP神经网络模型能较好地解决饱和问题,提高水稻叶片色素含量的估算精度。     

成熟期水稻砷污染胁迫光谱诊断空间模型研究

以分别表征不同生理特征的NDVI等12种高光谱指数为基础, 结合成熟期水稻叶片实测砷含量, 利用相关分析法提取PSNDa(R= -0.89)、DSWI(R= -0.79)、SIPI(R=0.91)作为单级光谱诊断参数, 并以此为因子 组成砷污染胁迫光谱参数诊断空间(PSNDa-DSWI、PSNDa-SIPI、DSWI-SIPI), 其中以表征叶绿素和细胞结构的PSNDa-SIPI组合空间的诊断效果最佳。利用主成分分析综合各光谱参数信息, 从中提取出主成分F1、F2, 其累积贡献率达88%, 由此建立砷污染胁迫主成分诊断空间(F1-F2), 不同污染程度对应不同诊断空间, 高度污染: F1<1.95, F2>0.75; 中度污染: 1.95<F1<3.15, 0.75>F2>0.40; 轻度污染: F1>3.15, F2<0.40。由此从不同层面构成一个严密的水稻砷污染胁迫诊断系统, 为系统、全面、有效监测大面积水稻砷污染提供多元化诊断依据。     

基于近红外光谱和深度学习数据增强的大米品种检测

近红外光谱和深度学习结合的思路是大米品种检测的重要研究方向，其准确检测模型的建立依赖大规模的样本数据，然而采集和预处理样本耗时巨大，对准确性的提升造成限制。为解决上述不足，便于深入探究近红外光谱结合深度学习方法在大米品种检测领域应用的可行性，该研究提出基于近红外光谱结合改进型深度卷积生成式对抗神经网络（deep convolutional generative adversarial network，DCGAN）数据增强的大米品种检测方法。首先，在相同环境下采集4种大米品种的近红外光谱并对原始光谱数据进行预处理，使用去趋势校正（detrend correction，DC）和无信息变量消除算法（uninformative variable elimination，UVE）消除无用光谱特征点。然后，建立改进型DCGAN模型对预处理后的光谱数据进行数据增强，对比试验结果表明，改进型DCGAN相比与传统数据增强方法，改进型DCGAN生成数据的结构相似度指标更优。最后，研究不同数据增强方法结合不同分类方法建立大米品种分类模型的性能，对比试验结果表明，改进型DCGAN数据增强结合一维卷积神经网络（one-dimensional convolution neural network，1D-CNN）分类算法所建模型面向测试集的准确率最高，为98.21%，为简便准确的大米品种检测方案提供了新思路。     

时-空-谱融合自动纯化生成样本的农作物遥感分类

准确及时地获取农作物种植面积是粮食估产的重要基础,对稳定市场和粮食安全至关重要。随着卫星遥感技术的发展和农作物识别算法的成熟,遥感在农业领域得到了广泛深入的应用,但农作物自动化识别普遍受到缺乏足够代表性训练样本数据的制约。该研究提出了一种多阶段样本纯化策略,综合考虑时间、空间、光谱和物候信息,基于历史作物空间分布图和当季遥感影像自动生成高质量的训练样本,以支持农作物的自动化识别。利用谷歌地球引擎（google earth engine,GEE）云平台及Sentinel-2数据,采用随机森林算法对浙江省两地区的水稻进行自动化识别。研究结果表明,该方法能够利用历史专题数据和当季遥感影像生成最新且充足的训练样本,样本点精度高达98.5%。样本点数量和影像特征对分类结果影响的定量分析结果表明,作物识别的精度超过96%,Kappa系数超过0.93。此外,所提算法对含有误差的历史分类数据表现出较好的鲁棒性。研究结果可为区域级农作物识别提供一种可靠的样本自动化生成方法,在大尺度自动化作物制图中具有广泛的应用潜力。     

基于Hyperion高光谱图像的氮和叶绿素制图

利用云南省西双版纳的Hyperion高光谱图像,利用多元逐步线性回归建立了Hyperion一阶导数反射率与氮浓度和叶绿素浓度的关系,结果表明：经6S模型大气校正的Hyperion反射率与野外实测冠层反射率基本吻合;经6S校正的反射率计算的NDVI,高于用绝对亮度、表观反射率计算的NDVI,而且前者与野外实测计算的NDVI最接近;预测氮和叶绿素浓度的模型中大部分入选波长与蛋白质的吸收有关,R²分别为0.586和0.506。产生了冠层水平氮和叶绿素浓度的空间分布。结果表明：水稻的氮浓度最高,为2.5%～3.5%,其次为甘蔗、土豆、茶树,氮浓度为1.0%～2.5%,而大多数森林的氮浓度在1.0%～1.5%。对于叶绿素,水稻、马铃薯的叶绿素浓度最高,为25%～35%,其次为玉米、甘蔗,叶绿素浓度为20%～30%,而栗树的叶绿素浓度为20%～25%。证明高光谱图像是大尺度估算植被生化组分的有效方式。     

利用高光谱估测干旱胁迫下接菌根菌大豆叶绿素含量

该研究旨在利用高光谱遥感动态监测干旱胁迫下接种菌根植物生长状况,为菌根技术在旱区农业中的推广提供一定的理论基础。以盆栽大豆为对象,在不同接种丛枝菌根时期采用高光谱遥感技术监测不同干旱胁迫下接菌和不接菌处理大豆叶片的叶绿素含量变化,对比分析了3个水分梯度下及同一水分梯度下接菌和不接菌处理的大豆地上部分干质量、叶绿素含量和叶片光谱在可见光和近红外区域的响应特征差异,建立了大豆叶绿素含量与多个光谱变量的估测模型。研究结果表明:接菌第45天和第64天,同一水分梯度下接菌大豆地上部分干质量优于不接菌处理,且其叶绿素含量也高于不接菌,这些差异在叶片光谱曲线特征中同样得以反映,接种菌根在一定程度上可以缓解干旱胁迫对植物生长的影响;基于多元线性逐步回归方法建立的一阶微分模型能较准确地估测干旱胁迫下接菌大豆的叶绿素含量,其模型决定系数和预测检验决定系数分别为0.90和0.84,具有较高的精度和良好的预测能力。     

低温胁迫下冬小麦叶片叶绿素含量的高光谱估算

利用一次寒潮降温过程,以苗期12个品种的冬小麦为研究对象,测定其低温逆境下叶片光谱反射率和SPAD(Soil and Plant Analyzer Development,SPAD)值。以2020年12月28日（最高/最低温为15℃/3℃）的观测值为胁迫前数据,12月31日（最高/最低温为1℃/−9℃）的观测值为低温胁迫后数据,分析低温胁迫前后小麦叶片原始光谱和SPAD值的变化规律。在多种光谱参数中,采用相关分析方法遴选出5个与SPAD值密切相关的特征变量,分别建立低温胁迫前、后以原始光谱数据、一阶光谱导数和三种植被指数为自变量的小麦叶片叶绿素含量反演模型,并进行交互验证,筛选出低温胁迫后小麦叶绿素含量的最优反演模型。结果表明：（1）与胁迫前相比,低温胁迫后小麦叶片SPAD整体呈上升趋势,光谱反射率在叶绿素吸收较好的可见光区域有所降低,叶片表现出受冻特征;（2）构建的低温胁迫前后两种混合模型,交互验证后精度较低,表明常温下小麦叶绿素含量估算模型并不适用于遭受低温胁迫后的小麦叶绿素估算,需单独建立低温胁迫后的估算模型;（3）利用光谱数据构建冬小麦低温胁迫下叶绿素含量反演混合模型中,以一阶光谱导数在694nm处建立的模型估算效果最优,拟合度（R2）为0.694,均方根误差（RMSE）为3.191,说明利用小麦叶片光谱特征波段建立低温胁迫下叶片叶绿素含量反演模型的方法是可行的。研究结果可为多品种冬小麦叶片叶绿素含量无损监测提供参考。     

水稻遥感识别偏差修正的地统计学方法

为了进一步提高农作物遥感识别精度,充分利用高分辨率遥感影像上不同地物之间的邻域空间关系,提出农作物遥感识别偏差修正的地统计学方法。该方法综合考虑目标地物的光谱特征与空间信息,以类别隶属度偏差为研究对象,首先利用类别指示向量和类别后验概率向量之间的差异实现目标地物的类别隶属度偏差量化,然后对训练样本的类别隶属度偏差进行变异函数建模,并采用带局部均值的简单克里格插值方法预测总体类别隶属度偏差,之后用总体偏差的预测值对光谱分类所得的类别后验概率进行修正,重新确定识别结果,实现农作物遥感识别的偏差修正。以安徽省南部的一景 SPOT-5影像覆盖范围为研究区,选择2块典型区域分别作为试验区和验证区,以一季稻和晚稻为目标农作物,以支持向量机作为光谱分类的分类器,建立了水稻遥感识别的偏差修正流程;采用地面实测数据对修正效果进行评估,并与最大似然分类、模糊分类和支持向量机分类的结果进行比较。试验结果表明,该方法的总体分类精度能够达到90%以上,与传统分类方法相比,总体精度提高了近14%;且该方法能够大幅提高一季稻和晚稻的生产者精度和用户精度,有效改善了研究区的水稻识别结果,可以为中国南方复杂种植条件下的水稻识别提供参考。