近年来在工业化和城镇化快速发展的地区, 由重金属污染导致的环境问题尤为突出, 特别是农业重金属污染更为社会所关注, 因此, 探索快速便捷的重金属污染甄别与监测方法极为重要。 高光谱遥感作为新兴的重金属污染监测技术已有了深入研究。 提出了固有波长尺度分解（IWD）概念和方法, 并结合Hankel矩阵和奇异值分解（SVD）等建立了植被重金属污染程度预测的IWD-Hankel-SVD模型, 该模型分为单变量模型和多变量模型。 单变量模型主要是通过重金属污染的植被光谱IWD处理来获取光谱信息固有旋转分量（PRC）以提取最佳PRC的有效特征波段; 在对各特征波段所构建的Hankel矩阵进行奇异值分解（SVD）基础上, 依据获得该模型的奇异熵实现重金属污染信息预测。 多变量模型是以植物叶绿素浓度相对值、 单变量模型奇异熵作为参数实现重金属污染的信息预测。 根据不同重金属Cu2+胁迫梯度下玉米植株污染的叶片光谱和叶绿素浓度以及叶片中Cu2+含量测定的数据, 首先对不同浓度Cu2+胁迫下玉米叶片光谱进行IWD分析, 获得能够较好保留原始输入光谱信息的最佳PRC, 并从中提取到有效特征波段553~680, 681~780, 1 266~1 429, 1 430~1 631, 1 836~1 913和1 914~2 111 nm; 然后对每一个特征波段构造其Hankel矩阵并进行SVD处理, 以求取单变量的IWD-Hankel-SVD模型奇异熵; 最后通过各特征波段所对应模型奇异熵与玉米叶片中Cu2+含量的相关分析, 得到依据1 266~1 429和1 836~1 913 nm特征波段计算出奇异熵与玉米叶片中Cu2+含量的决定系数R2均高达0.9左右, 说明这两个特征波段用于IWD-Hankel-SVD模型的Cu污染程度预测更具优越性和解释能力。 同时, 再把玉米叶片中叶绿素浓度相对值、 1 266~1 429和1 836~1 913 nm特征波段相应模型奇异熵作为参数, 采用偏最小二乘回归分析, 得出多变量IWD-Hankel-SVD模型的玉米叶片Cu污染程度预测能力更强, 决定系数R2达到0.9476, 证明了多变量模型更具有鲁棒性和稳健性。

土壤中不同浓度Cu2+含量映射到土壤光谱上的信息量十分微弱, 并且这些高光谱数据中也存在着难以避免的噪声, 因而本研究的关键是如何在土壤光谱复杂的噪声环境中提取微弱Cu2+信息。 经验模态分解算法(EMD)能够有效去除高光谱数据中的噪声, 且EMD是Hilbert变换对“非线性非稳定”信号时频分析的前提, 当引入Huang变换后, 可利用Hilbert-Huang变换(HHT)模型时频分析高光谱数据以实现降噪处理与信息提取。 通过时频的HHT分析不同浓度Cu2+污染下的土壤光谱, 完成从原始光谱经EMD分解出各本征模态函数(IMF)分量的包络线、 调制信号和频谱等曲线中挖掘土壤光谱的Cu2+污染信息。 研究结果表明, 相同浓度Cu2+污染时的土壤光谱HHT时频分析结果相同, 不同浓度时则不同, 所以也可依据IMF分量反演土壤Cu2+含量。 因此, 高光谱数据的HHT时频分析能为土壤光谱的信息挖掘、 光谱诊断和Cu2+含量反演等提供一种新的方法和思路。