植被重金属污染监测是当今高光谱遥感监测研究的重要内容。 为了将高光谱遥感技术定性的用于植被重金属污染监测研究, 从盆栽实验采集的反射率光谱数据方面进行研究。 在实验室室内设置不同胁迫浓度的重金属铜铅玉米盆栽实验, 测定了不同浓度Cu2+和Pb2+胁迫下玉米叶片的反射率光谱和Cu2+和Pb2+含量等有关铜铅污染玉米的基础数据, 形成了关于重金属铜铅污染玉米植株的一套完整的数据集。 研究提出了一种铜铅探测指数(CLDI), 实现了不同培育期的两种玉米品种的重金属铜铅胁迫监测, 从而为当前植被重金属污染探测提供了新的思路。 研究设计了不同浓度的铜铅污染实验, 将测量获得的玉米叶片450～850 nm的光谱反射率进行一阶微分(D)和包络线去除(CR)处理后得到微分包络线去除(DCR)光谱曲线, 利用皮尔逊相关系数(r)分析DCR数据和生化数据, 选择对重金属Cu敏感的特征波段。 计算的皮尔逊相关系数表明DCR值在490～520和680～700 nm与土壤和叶片中的Cu2+含量呈现接近于1的线性正相关, 在630～650和710～750 nm呈现接近于-1的线性负相关。 选择波长505, 640, 690和730 nm的DCR值建立CLDI, 通过计算土壤和叶片中的Cu2+含量与CLDI和常规的植被指数(VIs)的皮尔逊相关系数, 将两者进行对比, 从而验证了CLDI的有效性。 选用2017年实验获取的不同品种玉米叶片光谱数据, 将CLDI同样和常规的植被指数(VIs)进行对比, 从而验证了CLDI对不同品种的玉米具有鲁棒性。 将CLDI应用到铅胁迫下玉米叶片的污染程度监测, 验证了其对于不同重金属的普适性。 结果表明, CLDI与Cu2+和Pb2+胁迫浓度相关性显著, 与其他植被指数相比, 相关性更高。 提出的CLDI探测铜铅胁迫下不同品种不同时期的玉米污染程度, 具有计算方便, 鲁棒性, 高效性、 普适性的优点。 该研究基于实验室叶片尺度, 可为冠层尺度的重金属胁迫监测提供理论基础。

土壤重金属污染是由于人类活动导致重金属物质大量残留在土壤中, 超过土壤环境承载力, 这种现象将造成土壤质量退化、 生态环境恶化。 高光谱遥感可以实现图谱合一, 能有效地识别出土壤中不同元素的异常情况。 为实现农田土壤重金属高效、 准确监测, 提出了一种特征提高型竞争性自适应重加权算法（CARS）选取特征波段的粒子群算法（PSO）优化支持向量机（SVM）农田土壤重金属砷(As)含量高光谱估测分析方法。 利用CARS对暗室实测光谱值进行粗选； 利用一阶导数（FD）、 高斯滤波(GF)、 归一化（N）进行特征提高； 在特征精选阶段利用皮尔逊相关系数（PCC）求取预处理后的光谱指标与土壤重金属As之间的相关系数, 获取相关性大于0.6的波段作为特征波段； 最后利用PSO对SVM所选择的核函数σ和正则化参数γ进行优化, 以均方根误差(RMSE)作为适应度函数, 通过迭代最优适应度得到SVM最优参数值。 选择江汉平原典型区域洪湖市燕窝镇的土壤为研究对象, 预测结果表明基于PSO-SVM算法其验证集的决定系数R2为0.982 3, 均方根误差RMSE为0.521 6, 平均绝对误差MAE为0.416 4。 主要结论如下： PSO算法优化SVM参数, 通过迭代更新个体极值和群体极值, 可以迅速获取全局最优解, 与支持向量机回归（SVMR）和随机森林回归（RFR）相比, 在预测精度有了较大的提高； 特征提高型CARS算法可以有效剔除无关信息, 提高相关性, 且选取波段少, 模型简单, 大大提高了效率； 可以实现土壤污染预警、 满足精准农业需求、 为后期重金属污染土地生态修复提供数据基础。

为了研究长白落叶松光谱对土壤Cu胁迫的响应特征和变化规律, 在辽东树基沟矿区的3条勘测线上布置采样点, 进行表层土壤的多种重金属元素含量和长白落叶松针叶的反射光谱测定, 并提取了7个特征波段, 计算了多个波段区间的光谱角, 将其与土壤主要重金属铜的含量进行相关分析, 建立了回归模型。结果表明: 7个光谱特征波段中, “红谷”参数与表层土壤铜含量的相关系数最大, 基于“红谷”反射率建立的回归模型的R2达到0865。光谱角对铜胁迫长白落叶松针叶波段区间[400, 716] nm、[400, 2 500] nm的光谱变化十分敏感。“红边”位置和反射率与土壤铜含量不相关, 不适合区分矿区表层土壤重金属含量间的细微差别。对可见光敏感的“红谷”参数和光谱角均表明反射光谱的差异主要由叶绿素含量控制, 小部分受到针叶中水分含量的影响。本研究利用长白落叶松“红谷”和光谱角的“指纹效应”, 为快速有效反演大面积高植被覆盖区的土壤重金属含量、圈定隐伏矿(化)体提供了理论依据。

针对传统土壤重金属锌元素含量测定效率低下和喀斯特地区山高坡陡土壤样品采集难度大, 亟需先进手段获取土壤重金属锌元素含量的要求, 以喀斯特流域为研究区, 利用电感耦合等离子质谱测定土壤样品的锌元素含量和分光光广度计采集土壤光谱数据。 将所测定的原始光谱, 经过连续统去除、 一阶、 二阶微分、 倒数、 倒数对数、 倒数对数一阶、 倒数对数二阶微分7种数学变换, 基于高光谱吸收重金属元素的特征吸收带初步判断光谱特征变量, 利用相关分析进一步筛选特征变量, 运用逐步回归最终确定有效建模光谱变量。 采用非线性和线性算法, 揭示光谱敏感波段反射率与重金锌元素含量之间的映射关系, 进行土壤重金属含量估测。 结果表明: 基于耦合的光谱特征变量甄选方式, 锌元素的特征波段580, 810, 1 410, 1 910, 2 160, 2 260, 2 270, 2 350, 2 430 nm与铁氧化物、 有机质、 粘土矿物吸收带关联, 表明一定程度上捕捉到喀斯特地区土壤重金属锌元素的光谱吸收特性; 运用随机森林、 支持向量机、 偏最小二乘3种算法进行元素含量与光谱变量建模后, 采用决定系数和均方根误差评价模型精度。 从光谱变换形式和模型性能二个维度综合判断, 基于二阶微分变换的随机森林算法准确度最高, 为最佳估算模型。 通过高光谱反射率估测重金属锌元素含量, 实现了喀斯特地区土壤重金属锌元素含量的高效快速反演, 为喀斯特地区重金属元素含量动态监测提供了可靠的技术支撑。

为了能够更加快速、 准确对粮食主产区的作物与树木进行种类区分, 以黄淮海地区三种主要植被(玉米、 小麦和杨树)为研究对象, 获取该三种植被原始反射率光谱, 并对原始光谱进行特征点提取、 一阶微分变换、 二阶微分变换以及植被指数计算四种方法的分析处理, 提取三种植被各自的光谱特征点、 特征波段、 蓝黄红边微分值和、 位置、 振幅以及面积四个特征指标以及植被指数的数值区间。 基于特征值在不同植被种类间数值重叠范围越小区分精度越高的原理, 比较分析植被光谱在不同处理方法下的植被区分精度, 并且最终选取重叠范围最小的特征指标作为区分不同植被的识别指标。 结果显示: 相较于原始光谱特征点提取、 二阶微分变换以及植被指数计算, 一阶微分变换对于玉米、 小麦和杨树的识别分类具有较高的精度, 其中黄边振幅、 黄边面积以及黄边微分值和具有较高的识别精度, 黄边振幅的识别精度达到97.5%, 黄边面积以及黄边微分值识别精度达98.1%, 用另外167组数据对该结果进行验证, 显示黄边振幅的识别精度达96.4%, 黄边面积以及黄边微分值和的识别精度达97.6%。 该结果与用平均光谱曲线区分单种植被不同生长状态选取的特征值结果不同, 这种方法能有效的保留个体光谱反射曲线的差异, 从结果可见通过一阶微分变换提取黄边参数的方法能有效的用于树木和粮食作物共同种植区域的植被区分, 并且黄边面积以及黄边微分值和的识别精度最高。

波段筛选方法的选取以及随后的光谱特征波段的提取对高光谱模型效果的影响较大。 为了快速准确检测羊肉的pH值, 开展并讨论了利用两种特征波段筛选方法对羊肉pH值高光谱模型的影响研究。 本研究采用二阶导数(2D)、 多元散射校正(MSC)和中心化处理(mean-centering)相结合的方法对所提取纯肌肉部分的代表性光谱进行预处理, 利用联合区间偏最小二乘(siPLS)和联合区间偏最小二乘结合遗传算法(siPLS-GA)对全波段473～1000 nm范围光谱进行特征波段的提取, 并分别建立相对应特征波段范围羊肉pH的PLS预测模型, 同时与全波段的PLS模型效果相比较。 结果表明采用siPLS-GA提取的特征波长建立的PLS模型效果最优, 其选取的特征波长点数为56, 校正集相关系数(Rcal)和均方根误差(RMSEC)分别为0.96和0.043, 预测集相关系数(RP)和均方根误差(RMSEP)分别为0.96和0.048。 siPLS-GA方法既能够减少建模使用的光谱变量, 又可以提高模型精度, 因此利用高光谱图像技术结合siPLS-GA可以实现羊肉pH的特征波段筛选和快速准确检测。

获取红树林的反射光谱属性, 探测其反射光谱特征波段, 可为红树林各种指标的遥感反演模拟和估算提供技术依据。 以广西山口红树林保护区典型红树林为研究对象, 对美国ASD FieldSpec 2光谱仪实测的反射光谱曲线进行去噪平滑处理, 获得木榄、 红海榄、 秋茄、 白骨壤、 桐花树、 大米草和泥滩的标准反射光谱曲线并分析其反射光谱特征。 结果表明: 典型红树林反射光谱与大米草和泥滩的反射光谱区分明显, 红树林类内反射光谱曲线走向大致相同, 峰谷值出现波段基本一致, 差异主要表现在特征波段反射峰值和谷值。 采用空间距离法、 相关系数法和光谱角度制图法来定量描述红树林类内反射光谱差异性和相关性, 通过样本验证区分方法精度, 相关系数法>光谱角度制图法>空间距离法, 发现红树林类内和大米草的反射光谱相关系数均>0.995, 反射光谱夹角余弦值均>0.95, 相似性强, 差异小。

利用高光谱遥感技术估测土壤有机质含量是精准农业发展的必然要求.本研究测量并分析了7组不同地区不同类型共791个土壤样品在350~2500 nm的光谱反射率及一阶微分曲线，并对土壤有机质含量和光谱反射率进行相关性分析，同时对前人研究中有关有机质的光谱响应波段进行了总结.结果发现，600~800 nm波段可以作为研究区域内不同类型土壤共同的有机质光谱响应波段，这对进一步建立不同土壤类型相对统一的有机质预测模型具有一定意义.研究还发现，有机质含量高于2%并不是高光谱预测土壤有机质含量必要的前提条件.