1 中国资源卫星应用中心, 北京 100094
2 中国矿业大学(北京)地球科学与测绘工程学院, 北京 100083
3 安徽理工大学深部煤矿采动响应与灾害防控国家重点实验室, 安徽 淮南 232001
4 安徽理工大学测绘学院, 安徽 淮南 232001
目前我国土壤重金属污染日趋严重, 高光谱遥感因具有光谱分辨率高、 图谱合一等特点成为农作物重金属污染研究的热点。 农作物受重金属污染后其光谱会发生细微的改变, 如何探寻叶片光谱中对重金属污染敏感的波段是目前的一种研究方向。 提出了一种新型铜胁迫植被指数(NCSVI)来探索铜胁迫下玉米光谱敏感区间。 通过设计不同梯度下的玉米铜胁迫实验, 测定每个铜胁迫浓度下玉米叶片的光谱和Cu2+的含量。 首先, 将玉米叶片光谱分为11个子区间, 以每个子区间的中间波长对应的光谱反射率构建各自的NCSVI。 然后, 计算NCSVI与玉米叶片中Cu2+含量的相关性系数R及均方根误差RMSE, 结合水波段指数(WBI)、 改进的叶绿素吸收率指数(MCARI)和归一化水指数(NDWI)这三种常规植被指数进行对比。 最后, 选用其他年份相同实验条件下获取的玉米叶片光谱进行验证, 确认NCSVI的稳定性和有效性。 结果表明, 11个子区间中只有绿峰、 红边、 近谷和近峰A这四个子区间对应的NCSVI与玉米叶片Cu2+含量相关性系数的绝对值高于0.9, 分别为-0.94, -0.97, -0.94和-0.96, 均方根误差均低于15, 分别为12.57, 8.71, 12.71和10.06, 而WBI, MCARI和NDWI的相关性系数最高的仅达到0.75, 均方根误差最小的为24.21, 说明四个子区间对应的NCSVI对玉米叶片铜污染有着更好的指示性。 利用不同年份相同条件下的玉米实验对以上结果进行验证, 发现11个子区间中, R绝对值大于0.9、 RMSE小于1.55的只有绿峰、 红边、 近谷和近峰A这四个子区间, 其中R分别为-0.9, -0.97, -0.97和-0.93, RMSE分别为1.50, 0.85, 0.78和1.29, 均优于WBI, MCARI和NDWI, 与2016年实验得出的敏感子区间一致, 说明NCSVI能探测铜胁迫下玉米光谱的敏感区间, 具备效率高、 稳定性好的特点。 所提出的NCSVI指数可作为监测玉米叶片铜污染的一种方法, 并为其他农作物重金属污染研究提供一定的理论支持。
高光谱遥感 玉米叶片 重金属污染 新型铜胁迫植被指数 光谱敏感区间 Hyperspectral remote sensing Corn leaves Heavy metal pollution New copper stress vegetation index Spectral sensitive interval 光谱学与光谱分析
2021, 41(8): 2604
中国矿业大学（北京）地球科学与测绘工程学院, 北京 100083
重金属污染农作物后可通过食物链进入人体从而严重危害身体健康。 如何快速准确地监测农作物中重金属含量已成为当今生态与粮食安全等领域的重要研究内容。 常规的生化监测方法存在操作繁琐、 过程长、 具有破坏性等缺点, 而高光谱遥感具有光谱分辨率高、 信息量大、 生化反演能力强、 方便快捷、 对监测对象无损伤等优势, 因此利用高光谱遥感技术监测农作物中重金属含量已成为遥感领域的热点研究之一。 以不同浓度Pb(NO3)2溶液胁迫下盆栽玉米植株为研究对象, 基于不同铅离子(Pb2+)胁迫梯度下玉米叶片的反射光谱及其中Pb2+含量的测定数据, 结合奇异值分解(SVD)理论和自适应模糊神经网络推理系统(ANFIS)结构, 建立了一种Pb2+含量预测的SVD-ANFIS模型。 首先对各胁迫梯度下玉米的老叶(O)、 中叶(M)、 新叶(N)三种叶片的反射光谱数据进行SVD处理, 获取原始光谱信息的奇异值; 然后选择O, M和N叶片对应的奇异值来寻求ANFIS结构的最佳输入组合, 最终选定O-M（双输入）组合作为ANFIS结构的输入量, 通过训练和学习获得最优模糊规则库后, ANFIS结构的输出量即为叶片中Pb2+含量, 从而实现了SVD-ANFIS模型的预测性能。 研究结果表明, 该模型的输出误差值较小, 精度较高, 在模糊训练过程中隶属函数选为钟型函数时预测效果最佳。 利用多参数的反向传播(BP)神经网络预测模型对SVD-ANFIS模型的预测优越性进行验证时, 得到BP模型和SVD-ANFIS模型的决定系数(R2)分别为0.977 6和0.988 7, 均方根误差(RMSE)分别为2.455 9和0.601 3, 可见SVD-ANFIS模型的拟合度更高, 预测效果更好。 同时选取不同年份的Pb污染玉米叶片等光谱数据对SVD-ANFIS模型进行可行性检验, 其R2和RMSE分别为0.986 4和0.887 4, 说明SVD-ANFIS模型能较好的用于玉米叶片中Pb2+含量预测且具有较高的鲁棒性, 可作为预测玉米叶片中重金属含量的一种方法。
光谱分析 玉米叶片 奇异值分解 重金属污染 预测模型 Spectral analysis Corn leaves Singular value decomposition Adaptive network-based fuzzy inference system ANFIS Heavy metal pollution Prediction model 光谱学与光谱分析
2021, 41(6): 1930
1 中国农业大学信息与电气工程学院, 北京 100083
2 中国农业大学, 教育部现代精细农业系统集成研究重点实验室, 北京 100083
无损检测植物叶片水分对植物生理生化研究及灌溉管理和旱情监测等均具有重要意义。 利用Gaia Sorter近红外高光谱仪(900～1 700 nm), 以不同生育期的60个鲜活玉米叶片为试验材料, 对叶肉不同区域的平均光谱及烘干称重法得到的水分含量分别用偏最小二乘法(PLS)及逐步多元线性回归(SMLR)进行建模分析。 结果表明, 验证集决定系数/标准偏差分别为0.975/1.18和0.980/1.02, 均取得较好的预测效果, 可实现单个玉米叶片平均含水量的测定; SMLR优选的特征波长(1 406和1 692 nm)建模预测结果表明, 利用高通量近红外相机结合滤光片方法实现玉米叶片冠层或高空遥感测量的可行性。 同时, 进行了叶片不同区域水分含量的成像分析, 结果表明, 验证集中6个叶片的叶肉与主叶脉区域水分含量的参考均值和预测均值的相关系数均达到0.85以上, 预测结果与实际情况相符合。
玉米叶片 近红外高光谱 水分成像 Corn leaves Near-infrared hysperspectral Water imaging 光谱学与光谱分析
2018, 38(12): 3743
