基于地面光谱水稻重金属胁迫监测光谱特征尺度识别

为探究地面高光谱遥感监测不同光谱尺度对水稻重金属胁迫区分度,以不同污染水平地面ASD高光谱数据为基础,通过光谱敏感特征优选确定450～900 nm为水稻重金属胁迫敏感波段,利用DB5小波变换产生的多尺度小波特征系数模拟不同光谱分辨率,结合小波参数的信息熵特征和分形维数特征,对水稻重金属胁迫特征光谱尺度进行识别,通过构建胁迫相关的叶绿素光谱指数 MCARI/OSAVI、NDSI_R、Depth验证所识别的特征尺度的可靠性和精准性。结果表明：①小波分解各尺度细节系数计算出的信息熵在分解的5～7尺度附近不同胁迫水平有明显的特征转折点;②随着分解尺度的增加,不同胁迫水平的分维数差异值变小,第5尺度是水稻受不同重金属胁迫8层尺度分解和重构下光谱曲线尺度的最明显的转折点,在尺度5下,光谱曲线的峰谷细节得到更好的反映; ③研究水稻重金属污染光谱特征尺度既保留光谱信息的主要特征,又最大程度的减少了光谱数据量,不仅提高了水稻重金属污染监测的效率而且为环境监测提供了新的手段。     

基于近红外光谱的重金属汞、镉和铅污染水稻叶片鉴别

通过近红外光谱技术结合模式识别技术,建立重金属Hg、Cd和Pb污染水稻叶片的判别模型,以发展快速检测重金属污染水稻的技术。结果表明:在模拟稻田重金属Hg、Cd和Pb质量分数分别在1.5、1和500mg/kg条件下水稻正常生长发育;叶片近红外光谱数据通过小波函数(daubechies 2,db2)在0～5水平预处理后分别输入反向传递神经网络(back propagation neural networks,BPNN)和径向基神经网络(radial basis function neuralnetworks,RBFNN)预测的结果表明,小波转换采用db2函数第3分解水平对光谱的预处理结合径向基人工神经网络对重金属胁迫下水稻叶片识别效果最优,对Hg、Cd和Pb污染土壤上以及正常条件下生长的水稻叶片的识别正确率分别为95.5%,81.8%,91.3%和100.0%。这为近红外光谱分析技术在重金属污染水稻的识别上提供了初步依据,并有利于保障植物环境安全。     

基于小波分析小麦旗叶净光合速率高光谱遥感反演

精准估算冬小麦净光合速率(P_n)对监测植物生长状况和产量估计有重要意义。本文对小麦旗叶高光谱反射率通过Bior1.3小波基进行多层小波分解,分析不同尺度与净光合速率的相关性,最佳分解层次敏感波段构建光谱指数,建立BP神经网络模型并与敏感波段模型比较。结果表明:基于Bior1.3小波基变换的5层分解重构效果最好,敏感波段集中在400、600和800 nm附近;5层小波分解中高频分量cD₄最能体现与P_n有关的光谱细节信息,788与404 nm构建的差值指数(DVI[788-404])和比值指数(RVI[788-404])相关性最高,R²分别为0.75和0.72,其次为高频分量cD₅中788和400 nm的差值指数(DVI[784-400]),R²为0.71;敏感波段与高频分量cD₄光谱指数建立的BP神经网络模型对比发现,光谱指数模型精度最高,R²为0.86,RMSE为1.99。表明基于小波变换的光谱指数构建不仅可行,且精度高于敏感波段模型,能更多地反映小麦旗叶P_n的光谱细节信息,为P_n反演提供了一种有效快速的可选方案。     

倒伏胁迫下玉米抽雄期叶面积密度光谱诊断

【目的】叶面积密度（leaf area density,LAD）反映作物在垂直方向上体积内叶面积总量的差异,体现作物冠层内叶面积随着高度变化的分布状况。本文旨在探索玉米叶面积密度对于倒伏胁迫强度的表征能力及其光谱响应规律。【方法】以抽雄期倒伏夏玉米为研究对象,获取倒伏后玉米多期LAD及冠层光谱数据,对倒伏玉米冠层光谱进行一阶微分和小波变换处理,根据LAD与冠层光谱一阶微分及小波分解系数的相关性分析,筛选LAD敏感波段和最佳小波分解尺度,采用偏最小二乘法构建倒伏玉米LAD光谱诊断模型,并利用实测样本验证模型精度。【结果】玉米LAD随着倒伏胁迫程度的增强而增大,LAD可有效表征玉米倒伏胁迫强度及其自身恢复能力;玉米倒伏后冠层结构发生较大变化,倒伏玉米冠层光谱反射率较正常玉米整体增高,近红外波段的增幅相比可见光波段更高,倒伏强度越强则光谱反射率越高;LAD敏感波段主要分布在蓝光波段354—442、472—495 nm和红光波段649—829 nm以及近红外波段903—1 195 nm和1 564—1 581nm;同一阶微分处理相比,基于连续小波变换的玉米倒伏LAD诊断模型的验证R²提高6.08%—9.11%,RMSE降低23.08%—31.63%;小波分解尺度对LAD诊断精度有一定的影响,中低尺度模型精度优于高尺度模型,其中第5尺度构建的模型对LAD的拟合效果最优（R²=0.898,RMSE=1.016）。【结论】利用连续小波变换技术对玉米冠层高光谱解析,可有效诊断倒伏胁迫下的玉米叶面积密度,可以为玉米倒伏胁迫灾情遥感监测提供必要的先验知识。     

谐波分析红边光谱监测玉米重金属污染

针对日益严重的植被重金属污染问题,提出了谐波分析红边光谱监测玉米重金属污染的方法。设置了不同浓度重金属Cu和Pb胁迫下的玉米盆栽试验,利用谐波分析技术将摄取的玉米叶片红边范围内的光谱进行谐波分解,提取初始相位,并分析了初始相位与叶片光谱红边位置之间的关系。结果表明,初始相位间接反映了受重金属胁迫玉米光谱的"红边蓝移"现象,且叶片光谱的红边位置与重金属含量具有一定的线性关系。因此,可以通过谐波分解的初始相位正确地判断叶片光谱的红边位置,进而可以监测玉米的重金属污染。     

重金属铅污染下的水稻地上部器官富集特征与高光谱识别模型的构建

[目的]构建重金属铅污染下的水稻地上部器官富集特征与高光谱识别模型。[方法]以南粳44和两优培九2个水稻品种为材料,通过盆栽试验,研究了不同浓度铅污染下水稻地上部器官对铅的富集特征,以及冠层光谱特征和植株各器官铅含量的定量关系。[结果]2个水稻品种整株、茎、叶和穗各器官铅含量均随着铅污染处理浓度的增加而加大,且茎中含量最高;不同浓度铅污染胁迫下的水稻冠层反射光谱曲线在可见光红光波段也存在差异,随着铅处理浓度增大,光谱曲线反射值降低,去除包络线后归一化深度加大。通过构建NDVI(x)与水稻器官中铅含量的多种关系模型,比较了模型预测的显著性,分别构建了适用于2个水稻品种各器官的铅胁迫遥感监测的预测模型,南粳44分别为y整株=2 270.4x2-2 292.8x+577.35,y茎=4 260.9x2-4 294x+1 077.8,y叶=2 780.8x2-2 777.9x+690.71,y穗=309.31x2-306.07x+75.369;两优培九分别为y整株=524 269e-25.557x,y茎=1E+07e-31.65x,y叶=2E+07e-34.056x,y穗=14 320e-21.756x。[结论]地面高光谱遥感对水稻重金属铅污染及其胁迫水平有较好的响应,可通过水稻冠层光谱的差异性分析,实现水稻铅污染的快速、无损伤探测。     

玉米铜污染实时动态监测的高光谱分形维数模型

重金属Cu~(2+)在玉米植株中过量积累会破坏其组织细胞结构,降低叶绿素含量,使植物代谢紊乱,都将在光谱上表现变化。传统监测污染的方法费时费力,不能满足快速实时监测的需求。农作物污染监测中的高光谱遥感监测应用技术是当前研究的重点。通过设置不同Cu~(2+)浓度的盆栽试验,测得不同Cu~(2+)胁迫浓度下玉米叶片的Cu~(2+)含量、叶绿素含量以及高光谱反射率数据,系统分析玉米叶片光谱曲线的特征以及不同Cu~(2+)胁迫浓度下的光谱分形维数与光谱指数变化的情况,建立玉米叶片Cu~(2+)浓度、光谱分形维数和光谱指数的空间分布,研究Cu~(2+)定性分析中光谱指数与光谱分形维数的关系。结果发现,光谱分形维数比光谱指数能更好地反映Cu~(2+)污染下玉米植株的生理特征的变化,从而可以成为大范围监测玉米Cu~(2+)污染的甄别依据。     

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。     

重金属铅污染下的水稻地上部器官富集特征与高光谱识别模型的构建(英文)

[目的]构建重金属铅污染下的水稻地上部器官集特征与高光谱识别模型。[方法]以南粳44和两优培九2个水稻品种为材料,通过盆栽试验,研究了不同浓度铅污染下水稻地上部器官对铅的富集特征,以及冠层光谱特征和植株各器官铅含量的定量关系。[结果]2个水稻品种整株、茎、叶和穗各器官铅含量均随着铅污染处理浓度的增加而加大,且茎中含量最高;不同浓度铅污染胁迫下的水稻冠层反射光谱曲线在可见光红光波段也存在差异,随着铅处理浓度增大,光谱曲线反射值降低,去除包络线后归一化深度加大。通过构建NDVI(x)与水稻器官中铅含量的多种关系模型,比较了模型预测的显著性,分别构建了适用于2个水稻品种各器官的铅胁迫遥感监测的预测模型,南粳44分别为y整株=2270.4x2-2292.8x+577.35,y茎=4260.9x2-4294x+1077.8,y叶=2780.8x2-2777.9x+690.71以及y穗=309.31x2-306.07x+75.369;两优培九分别为y整株=524269e-25.557x,y茎=1E+07e-31.65x,y叶=2E+07e-34.056x,y穗=14320e-21.756x。[结论]地面高光谱遥感对水稻重金属铅污染及其胁迫水平有较好的响应,可通过水稻冠层光谱的差异性分析,实现水稻铅污染的快速、无损伤探测。     

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。     

铜离子胁迫下玉米叶片污染信息的SM-DMFD探测模型

通过设置不同浓度铜离子(Cu2+)胁迫梯度的玉米盆栽实验,在采集了不同类型玉米叶片的光谱数据以及测定其Cu2+含量的基础上,通过建立叶片光谱变异的信息甄别模型(SM),并采用光谱谐波分析(HA)预处理、经验模态分解(EMD)、离散小波多层分解、量规法分形维数(DMFD)计算等方法,构建了玉米叶片光谱污染信息的SM-DMFD探测模型。同时,利用常规的绿峰高度(GH)、红边位置(REP)、红边最大值(MR)、红边一阶微分包围面积(FAR)和盒维数法(BDM)等植被重金属污染信息监测方法进行应用结果比较与分析,实验结果表明:SM-DMFD模型应用所得DMFD值与所测玉米叶片中Cu2+含量的相关系数R和拟合判定系数R2分别达到0.986 0和0.972 3,说明该模型能够有效甄别光谱间差异信息并能判别叶片的污染程度,从而验证了SM-DMFD模型在玉米的Cu2+污染信息监测方面具有更好的有效性和优势。而且,通过对玉米污染信息不同探测方法的监测结果进行可视化,也验证了SM-DMFD模型监测效果最为理想。     

基于CWT-HHT的玉米叶片铜离子污染信息探测

为了准确探测农作物在不同浓度重金属污染下叶片光谱间微弱的畸变信息,本研究通过设置不同浓度铜离子（Cu2+）胁迫下的玉米盆栽实验,在采集了不同梯度下玉米叶片光谱并测定同期叶片Cu2+含量的基础上,采用连续小波变换（CWT）结合希尔伯特-黄变换（HHT）的方法,构建CWT-HHT算法以探测玉米叶片光谱重金属污染信息,同时与红边位置（REP）、红边归一化指数（NDVI705）和红边植被胁迫指数（RVSI）等常规的植被指数监测方法进行对比分析。结果表明：基于CWT-HHT探测方法提取的瞬时能量峰值呈现先升高、后降低的趋势,与玉米叶片Cu2+含量变化趋势一致。而且通过与植被指数监测农作物重金属污染的方法对比,证明CWT-HHT探测结果最优,表明CWT-HHT方法在玉米叶片重金属Cu2+污染信息探测方面具有可行性。     

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。     

基于连续小波变换的蒺藜植被覆盖度预测

植被覆盖度是评价土地是否荒漠化最有效的指标之一,也是植被监测的重要指标。通过高光谱估算植被覆盖度,可以为植被监测提供重要依据。以半干旱区托克托县的固沙植被蒺藜（Tribulus terrestris L.）为研究对象,分析了不同植被覆盖度光谱曲线特征的变化情况;提取两波段原始光谱植被指数并与植被覆盖度之间的相关性,选取最优波段组合;利用连续小波变换（continuous wavelet transform,CWT）对植被光谱反射率进行不同尺度分解,提取出不同分解尺度的最优波段;采用偏最小二乘法（partial least square,PLSR）和支持向量机（support vector machine,SVM）两种方法,以不同自变量建立植被覆盖度估算模型。结果表明：①原始光谱植被指数与植被覆盖度呈显著相关,相关系数均在0.55以上,最优波段组合为DI（2 260 nm,2 210 nm）、RI（1 410 nm,660 nm）、NI（1 470 nm,670 nm）、RDVI（1 770 nm,670 nm）、MSR（1 410 nm,660 nm）;②小波系数也与植被覆盖度之间有良好的相关性,原始光谱中1~10尺度对应的相关系数均在0.72以上,在波段630 nm处第6分解尺度中,相关性最大为0.788 9;一阶微分光谱提取的小波系数与植被覆盖度的最大相关性为0.806 9;二阶微分光谱中1~10尺度小波系数与植被覆盖度的相关性均在0.6以上,其中最大相关性为0.781 8;③以原始光谱植被指数与不同导数变换的CWT提取的小波系数为自变量建立的模型中,输入量为二阶微分小波系数的PLSR模型精度最高,模型最稳定,R²为0.905 9,RMSE为0.035 6,这表明经过CWT算法处理后,可以提高光谱的特征信息,为植被覆盖度的估算反演提供技术方法。     

植被重金属污染检测模型研究

利用高光谱遥感技术代替传统方法检测重金属污染,具有效率高、费用低、检测范围广等优点.但是高光谱影像的空间分辨率较低,为了提高精度需要提取影像的端元.鉴于纯净像元指数（Pixel Purity Index,PPI）法耗时长的缺点,提出一种基于高斯分布的波谱曲线概率法用于高光谱影像端元提取,并结合重金属胁迫下植被波谱响应变化建立了高光谱遥感影像的植被重金属污染检测模型.经过试验研究及分析,发现波谱曲线概率法端元提取的效果和精度与PPI相近,但是时间消耗明显减少.因此,建立的植被重金属污染检测模型可以用于高光谱遥感图像,具有一定的价值.     

光谱分析法在土壤污染监测中的应用研究进展

光谱分析法在土壤污染监测领域的应用是现代环境监测方法的一个重要发展方向。文章概述了光谱分析法的原理与特点,并从重金属监测和有机污染物监测两个方面综述了其主要研究现状与进展,对其未来发展趋势作了展望,以期为土壤污染分析监测的进一步研究提供科学依据。