基于高光譜的葉片滯塵量估測(cè)模型

李偉濤，吳　見(jiàn)，陳泰生，彭道黎（1. 北京林業(yè)大學(xué)省部共建森林培育與保護(hù)教育部重點(diǎn)實(shí)驗(yàn)室，北京 100083；2. 滁州學(xué)院地理信息與旅游學(xué)院，滁州 239000；　3. 安徽省地理信息集成應(yīng)用協(xié)同創(chuàng)新中心，滁州 239000）

?

基于高光譜的葉片滯塵量估測(cè)模型

李偉濤1，2，3，吳見(jiàn)2，3，陳泰生2，3，彭道黎1※
（1. 北京林業(yè)大學(xué)省部共建森林培育與保護(hù)教育部重點(diǎn)實(shí)驗(yàn)室，北京 100083；2. 滁州學(xué)院地理信息與旅游學(xué)院，滁州 239000；3. 安徽省地理信息集成應(yīng)用協(xié)同創(chuàng)新中心，滁州 239000）

摘要：為探索建立葉片滯塵量高光譜估測(cè)模型，利用光譜儀和電子分析天平采集了北京市區(qū)楊樹(shù)葉片高光譜數(shù)據(jù)和滯塵量數(shù)據(jù)，研究了葉片光譜特征與滯塵量間的關(guān)系，并建立了基于光譜參數(shù)的葉片滯塵量估測(cè)模型。研究結(jié)果表明：近紅外波段（730～1 000 nm）光譜反射率與葉片滯塵量呈現(xiàn)明顯的線性相關(guān)性，各波段相關(guān)系數(shù)均高于0.7，綠光區(qū)波段反射率對(duì)葉片滯塵的影響不敏感；三邊參數(shù)中僅紅邊幅值、紅邊面積與葉片滯塵量達(dá)到顯著相關(guān)；基于多元線性回歸、主成分回歸、偏最小二乘回歸建立的模型均具有較強(qiáng)的預(yù)測(cè)能力，其中以偏最小二乘回歸為模型構(gòu)建方法，以749、644、514 nm波段的光譜反射率值，紅邊幅值，紅邊面積，924、1 010 nm波段組成的歸一化指數(shù)，713、725 nm波段組成的差值指數(shù)，749、644 nm波段組成的歸一化植被指數(shù)為自變量建立的模型估測(cè)精度最好，其建模和預(yù)測(cè)的決定系數(shù)分別達(dá)到0.734和0.731，預(yù)測(cè)均方根誤差為0.311。該研究為促進(jìn)高光譜技術(shù)在大氣降塵監(jiān)測(cè)中的應(yīng)用提供參考。

關(guān)鍵詞：光譜分析；模型；回歸分析；葉片滯塵量；高光譜；大氣污染監(jiān)測(cè)

李偉濤，吳見(jiàn)，陳泰生，彭道黎. 基于高光譜的葉片滯塵量估測(cè)模型[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32（2）：180－185. doi：10.11975/j.issn.1002-6819.2016.02.026http://www.tcsae.org

Li Weitao， Wu Jian， Chen Taisheng， Peng Daoli. Hyperspectral estimation model of dust deposition content on plant leaves[J]. Transactions of the Chinese Society of Agricultural Engineering （Transactions of the CSAE）， 2016， 32（2）: 180－185. （in Chinese with English abstract）doi：10.11975/j.issn.1002-6819.2016.02.026http://www.tcsae.org

0　引　言

降塵量是表征區(qū)域大氣環(huán)境質(zhì)量的重要指標(biāo)，在中國(guó)當(dāng)前城市發(fā)展所引發(fā)的一系列大氣污染問(wèn)題背景下，其對(duì)大氣質(zhì)量監(jiān)測(cè)的作用顯得尤為突出[1-2]。植被是大氣降塵的天然“采集器”，植物葉片滯塵量隨著環(huán)境中粉塵顆粒物含量的增多而增大，能夠直觀反應(yīng)大氣降塵狀況和度量地區(qū)環(huán)境質(zhì)量?jī)?yōu)劣[3]。因此，部分學(xué)者通過(guò)葉片滯塵在分析大氣降塵成分及來(lái)源、反演工業(yè)粉塵的空間分布等領(lǐng)域進(jìn)行了相關(guān)探索[4-6]，但鮮有通過(guò)葉片滯塵反演區(qū)域降塵量的研究，究其原因是該方式仍不能擺脫數(shù)據(jù)采集過(guò)程耗時(shí)、覆蓋范圍小等缺陷。近年來(lái)，隨著高光譜技術(shù)的發(fā)展，地面高光譜數(shù)據(jù)的采集愈加快速便捷。研究由高光譜數(shù)據(jù)反演葉片滯塵量模型可提高大氣降塵監(jiān)測(cè)效率和空間采樣點(diǎn)密度，能夠作為傳統(tǒng)大氣降塵監(jiān)測(cè)手段的有效補(bǔ)充，進(jìn)而提高大氣降塵監(jiān)測(cè)的時(shí)間精度和空間精度。Chudnovsky等[7]通過(guò)400～2 500 nm波段的光譜特征估測(cè)了室內(nèi)降塵量和降塵成分，其研究為利用光譜特征估測(cè)葉片滯塵量提供了思路。Jiang等[8]研究了廣州市的榕樹(shù)葉片滯塵量與榕樹(shù)葉片光譜特征之間的相關(guān)關(guān)系；羅娜娜等[9]基于采集的北京市區(qū)大葉黃楊葉片的降塵量和光譜數(shù)據(jù)研究了滯塵影響下的植被葉片光譜變化特征，并基于除塵前后的葉片各波段反射率比值構(gòu)建了估測(cè)模型；彭杰等[10]對(duì)沙塵暴多發(fā)的南疆地區(qū)的榆樹(shù)葉片的光譜特征進(jìn)行了研究，通過(guò)葉片光譜反射率和光譜反射率一階微分值反演了葉面降塵量；Yan等[11]的研究得出了應(yīng)用葉片的近紅外波段光譜數(shù)據(jù)估測(cè)葉片滯塵量較其他光譜波段更為準(zhǔn)確的結(jié)論。這些有關(guān)基于光譜特征估測(cè)葉片滯塵量的研究構(gòu)建的模型取得了較理想估測(cè)精度，然而在估測(cè)模型構(gòu)建中的變量選取僅顧及了同一種類型的數(shù)據(jù)，未嘗試將光譜反射率、光譜反射率運(yùn)算指數(shù)、三邊參數(shù)等不同類型的光譜特征數(shù)據(jù)共同引入模型，而單一類型的數(shù)據(jù)構(gòu)成的自變量間存在多重相關(guān)性問(wèn)題。因此，本研究以兼受沙塵和工業(yè)粉塵污染的北京市區(qū)為研究區(qū)域，采集葉片的滯塵量和高光譜數(shù)據(jù)，分析葉片滯塵量與光譜特征之間的關(guān)系，在多組變量與建模方法基礎(chǔ)上構(gòu)建葉片滯塵量估測(cè)模型，以期為基于地面高光譜數(shù)據(jù)的區(qū)域降塵定量監(jiān)測(cè)提供理論依據(jù)。

1　材料與方法

1.1數(shù)據(jù)采集與處理

以華北地區(qū)常見(jiàn)樹(shù)種-楊樹(shù)為試驗(yàn)材料，北京市海淀區(qū)北京林業(yè)大學(xué)周邊主干道邊的綠化帶為樣本采集區(qū)域。該區(qū)域?yàn)楦咝＜袇^(qū)，無(wú)工廠分布，葉片表面粉塵主要為自然沉降滯留的建筑塵、土壤塵和汽車尾氣塵，葉面滯塵以10～100 μm顆粒物為主[12-13]。為確保采樣葉面表面滯塵均勻且數(shù)值分布范圍較大，葉片樣本采集過(guò)程中選擇高度在2.5 m左右的健康、成熟、無(wú)損害的葉片，盡量避免人為干擾。采樣時(shí)間選擇葉片滯塵量較大的秋季[14]，且采樣前一周內(nèi)無(wú)降水。分別于2014年9月17日、2014年9月18日采集分散分布在樣區(qū)內(nèi)成年楊樹(shù)的葉片樣本32個(gè)和30個(gè)。經(jīng)密封袋盛裝并置于冰盒中。隨后對(duì)每片葉片依次進(jìn)行光譜測(cè)量、稱質(zhì)量、除塵、稱質(zhì)量、光譜測(cè)量、葉面積測(cè)量等工作。

葉片稱質(zhì)量采用精度為0.00001 g的電子分析天平。葉片除塵時(shí)應(yīng)用純凈水沖洗并用吸水紙反復(fù)擦拭干燥，避免葉片表面的水分遺留。采用美國(guó)PPS公司生產(chǎn)的UniSpec-SC單通道便攜式光譜分析儀進(jìn)行光譜測(cè)量，其波長(zhǎng)范圍為310～1130 nm，采樣間隔為3.3 nm，重采樣間隔1 nm，輸出波段數(shù)為821。應(yīng)用光譜儀的內(nèi)置鹵素光源在暗室中進(jìn)行光譜測(cè)量，每個(gè)葉片樣本在除塵前后各測(cè)量10次，以各波段的平均值作為葉片的光譜反射率。應(yīng)用國(guó)產(chǎn)Yaxin-1241葉面積儀進(jìn)行葉片面積測(cè)量，每個(gè)樣本葉片量測(cè)2次，取平均值。因操作失誤3個(gè)樣本數(shù)據(jù)采集無(wú)效，最終獲得有效樣本數(shù)據(jù)59份，統(tǒng)計(jì)得出楊樹(shù)葉片樣本單位面積滯塵量的平均值為1.135 g/m2，標(biāo)準(zhǔn)差為0.688 g/m2，最大值為3.341 g/m2，最小值為0.168 g/m2，變異系數(shù)為60.7%。

1.2建模方法與驗(yàn)證

通過(guò)對(duì)比樣本光譜數(shù)據(jù)各波段的反射率和一階微分值，定性分析葉片滯塵對(duì)楊樹(shù)葉片光譜反射率和三邊參數(shù)的影響。對(duì)葉片滯塵量和光譜單波段反射率進(jìn)行相關(guān)分析，確定葉片光譜對(duì)滯塵量響應(yīng)的敏感譜段；分析葉片滯塵量與任意兩波段反射率生成的差值指數(shù)、比值指數(shù)、歸一化指數(shù)的相關(guān)性，為回歸模型參數(shù)選取最佳波段組合；分析葉片滯塵量與三邊參數(shù)中的幅值和峰值面積的相關(guān)性，將相關(guān)性達(dá)極顯著水平的指標(biāo)作為入選參量構(gòu)建估測(cè)模型。以采集的40份樣本數(shù)據(jù)進(jìn)行建模，其余19份樣本數(shù)據(jù)用于模型檢驗(yàn)。采用一元線性回歸、偏最小二乘回歸（partial least squares regression，PLSR）、多元線性回歸（multivariate linear regression，MLR）、主成分回歸（principle component regression，PCR）4種建模方法構(gòu)建估測(cè)模型，選取決定系數(shù)（R2）、均方根誤差（root mean square error，RMSE）等指標(biāo)對(duì)模型進(jìn)行精度驗(yàn)證。數(shù)據(jù)處理與建模在Excel、MATLAB軟件中完成。

2　結(jié)果與分析

2.1葉片滯塵對(duì)楊樹(shù)葉片光譜特征的影響

2.1.1葉片滯塵對(duì)楊樹(shù)葉片光譜反射率的影響

應(yīng)用光譜儀在暗室中測(cè)量有塵葉片、除塵后的去塵葉片光譜反射率，選取400～1 110 nm波段范圍內(nèi)噪聲較小的光譜數(shù)據(jù)，分別計(jì)算有塵葉片、去塵葉片各譜段反射率均值，結(jié)果如圖1所示。由圖1可看出，除塵前后葉片光譜反射曲線整體形態(tài)相似，均具備植被光譜典型的反射帶特征。二者的差異在于在400～700 nm波段間，有塵葉片光譜反射率略高于去塵葉片，在710～1 110 nm波段間，有塵葉片光譜反射率明顯低于去塵葉片，除塵前后葉片光譜反射率在700～710 nm波段出現(xiàn)拐點(diǎn)。由于數(shù)據(jù)采集過(guò)程中連續(xù)依次進(jìn)行的光譜測(cè)量、稱質(zhì)量、除塵、稱質(zhì)量、光譜測(cè)量、葉面積量測(cè)等工作在很短的時(shí)間內(nèi)完成，排除了葉片自身變化對(duì)光譜數(shù)據(jù)的影響，可以確認(rèn)葉片除塵前后的光譜反射率變化為滯塵所致。由此可得，葉片滯塵增強(qiáng)了400～700 nm波段間的反射率，抑制了710～1 110 nm波段間的反射率。

圖1　有塵和去塵后葉片光譜反射率對(duì)比Fig.1　Spectra reflectance between dust and clean leaves

為進(jìn)一步驗(yàn)證葉片滯塵量和光譜反射率之間的關(guān)系，抽取不同滯塵量葉片的光譜數(shù)據(jù)，見(jiàn)圖2。由圖2可以看出在400～700 nm波段間，光譜反射率隨葉片滯塵量增加而升高，二者呈正相關(guān)；在710～1 110 nm波段間，光譜反射率隨葉片滯塵量增加而降低，二者呈負(fù)相關(guān)。

圖2　不同滯塵量的葉片光譜曲線Fig.2　Spectra reflectance of leaves with different foliar dust deposition content

2.1.2葉片滯塵對(duì)楊樹(shù)葉片光譜三邊參數(shù)的影響

三邊參數(shù)是反演植被生長(zhǎng)狀況的重要依據(jù)。三邊參數(shù)的相關(guān)定義及含義[15]見(jiàn)表1。統(tǒng)計(jì)不同滯塵量葉片光譜反射率的一階微分?jǐn)?shù)據(jù)，見(jiàn)圖3。由圖3可以看出，葉片滯塵對(duì)紅邊、黃邊、藍(lán)邊位置沒(méi)有明顯影響。三邊幅值均隨葉片滯塵量的增加而降低，葉片滯塵量對(duì)黃邊幅值、藍(lán)邊幅值影響不顯著，對(duì)紅邊幅值影響明顯。此外，三邊面積也隨葉片滯塵量的增加而降低，但紅邊面積的敏感性要大幅高于黃邊面積和藍(lán)邊面積。

綜上所述，葉片滯塵對(duì)光譜反射率和三邊參數(shù)均有影響且具有規(guī)律性。這為進(jìn)一步研究基于高光譜的葉片滯塵量估測(cè)模型提供了理論基礎(chǔ)。

表1　三邊參數(shù)的定義Table 1　Definition of trilateral parameters

圖3　不同滯塵量的葉片光譜一階微分曲線Fig.3　First derivative spectra of leaves with different foliar dust deposition content

2.2葉片滯塵量與楊樹(shù)葉片光譜數(shù)據(jù)的相關(guān)分析

2.2.1葉片滯塵量與單波段反射率相關(guān)分析

計(jì)算59個(gè)葉片樣本所采集的滯塵量和各譜段反射率的相關(guān)度，結(jié)果如圖4所示。由圖4可以看出，滯塵量與光譜反射率之間的相關(guān)性在400～704 nm波段為正相關(guān)，705～1 110 nm波段為負(fù)相關(guān)。兩者之間的相關(guān)系數(shù)在研究的波段范圍內(nèi)共出現(xiàn)了3次峰值，這3次峰值分別位于514，644，749 nm，這與三邊參數(shù)范圍基本相對(duì)應(yīng)，對(duì)于其中514 nm波段位于藍(lán)邊范圍內(nèi)，644 nm波段位于黃邊范圍的邊緣，749 nm波段位于綠色植被對(duì)外界最敏感的紅邊范圍內(nèi)，且該波段的光譜反射率與滯塵量之間的相關(guān)性達(dá)到了最大負(fù)相關(guān)。這緣于三邊參數(shù)作為光譜位置特征的相關(guān)參數(shù)，不僅能夠很好地反映出植被的光譜特征，而且對(duì)葉綠素、含水量等植被生化參數(shù)的變化也比較敏感。在726～1 110 nm間負(fù)相關(guān)值較高，其原因在于葉片上降落的粉塵為土壤、建筑粉塵等固體顆粒，這些物質(zhì)在近紅外波段大幅低于綠色植被的反射率，從而導(dǎo)致附有粉塵的葉片在該波段光譜反射率降低，這種效應(yīng)會(huì)隨葉片滯塵量的增加而增加。其中450～527，568～711 nm波段相關(guān)性為顯著水平，在528～567 nm波段出現(xiàn)明顯的凹谷特征，可見(jiàn)綠光區(qū)波段反射率對(duì)葉片滯塵的影響不敏感。712～1 110 nm波段相關(guān)性為極顯著水平，相關(guān)度最高的波段區(qū)間為747～768 nm，相關(guān)系數(shù)均達(dá)到?0.74，其中最高點(diǎn)為749 nm波段，相關(guān)系數(shù)為?0.7413，該部分恰好處在紅邊范圍內(nèi)。由于紅邊與植被的各種理化參數(shù)是緊密相關(guān)的，是描述植物色素狀態(tài)和健康狀況的重要的指示波段。

圖4　葉片滯塵量和光譜反射率相關(guān)分析Fig.4　Analysis of relationship between foliar dust deposition content and spectra reflectance

2.2.2葉片滯塵量與波段間反射率運(yùn)算指數(shù)相關(guān)分析

通過(guò)引入歸一化指數(shù)、比值指數(shù)、差值指數(shù)進(jìn)一步研究葉片滯塵量與波段間反射率的關(guān)系。歸一化指數(shù)為任意兩波段反射率差與和的比值：（Rm?Rn）/（Rm＋Rn）；比值指數(shù)為任意兩波段反射率比值：Rm/Rn；差值指數(shù)為任意兩波段反射率差值：Rm?Rn。圖5所示為應(yīng)用MATLAB計(jì)算出的葉片滯塵量與歸一化指數(shù)、比值指數(shù)、差值指數(shù)間的相關(guān)系數(shù)矩陣，為便于表述，3個(gè)相關(guān)系數(shù)矩陣分別命名為NCM、RCM、DCM。

圖5　葉片滯塵量與波段間反射率運(yùn)算指數(shù)相關(guān)矩陣Fig.5　Correlation matrix of relationship between foliar dust deposition content and index calculated by different spectra reflectance

圖5中紅色為正相關(guān)，藍(lán)色為負(fù)相關(guān)，黃色和青色為相關(guān)度較低。NCM中的相關(guān)系數(shù)最高值為0.7615，位于924、1010 nm波段處，是3個(gè)相關(guān)系數(shù)矩陣中的最高值；RCM中最高值為0.7593，也位于924、1010 nm波段處；DCM中最大值為0.7484，位于713和725 nm波段處。為驗(yàn)證歸一化植被指數(shù)對(duì)葉片滯塵量的敏感性，查看了在NCM中處于紅光區(qū)反射率最低值和近紅外區(qū)反射率最高值的666、769 nm波段，相關(guān)系數(shù)值為0.5894。由此可見(jiàn)歸一化植被指數(shù)對(duì)葉片滯塵量較敏感，但不及近紅外波段組成的歸一化指數(shù)。

2.2.3葉片滯塵量與三邊參數(shù)相關(guān)分析

通過(guò)表2可以看出葉片滯塵量與三邊參數(shù)中的紅邊面積相關(guān)度最高，其次為紅邊幅值，均達(dá)到極顯著水平（P＜0.01）。其余4個(gè)參數(shù)相關(guān)度較低且不顯著。

表2　葉片滯塵量與三邊參數(shù)相關(guān)分析Table 2　Analysis of relationship between foliar dust deposition content and trilateral parameters

2.3葉片滯塵量估測(cè)模型的構(gòu)建與驗(yàn)證

本研究采用一元線性回歸、偏最小二乘回歸（PLSR）、多元線性回歸（MLR）、主成分回歸（PCR）4種建模方法，根據(jù)葉片滯塵量與楊樹(shù)葉片光譜數(shù)據(jù)的相關(guān)分析結(jié)果，顧及指標(biāo)的多樣性，通過(guò)試驗(yàn)構(gòu)建了6個(gè)反演模型見(jiàn)表3。

表3　估測(cè)模型及其精度Table 3　Estimation models and their accuracy parameter

圖6　葉片滯塵量預(yù)測(cè)值與實(shí)測(cè)值比較（n＝19）Fig.6　Comparison of estimated with measured foliar dust deposition content（n＝19）

變量選擇中，將749 nm波段反射率，924、1010 nm波段反射率構(gòu)成的歸一化指數(shù)分別進(jìn)行對(duì)數(shù)運(yùn)算后作為自變量，葉片滯塵量作為因變量構(gòu)建基于一元線性回歸的M1和M2模型。選擇相關(guān)系數(shù)達(dá)極顯著水平波段的反射率作為自變量構(gòu)建基于偏最小二乘回歸的M3模型。在依據(jù)相關(guān)系數(shù)的大小和顯著性水平的同時(shí)，兼顧因子之間的多重共線性和指標(biāo)的綜合性，M4、M5、M6模型構(gòu)建中的8個(gè)自變量選擇如下：各波段反射率之間以及波段間反射率運(yùn)算指數(shù)之間存在多重相關(guān)性問(wèn)題，因此，分別選擇了749、644、514 nm波段的反射率值，這3個(gè)波段為滯塵量與光譜反射率之間的相關(guān)系數(shù)在研究的波段范圍內(nèi)的三次峰值；鑒于比值指數(shù)較相關(guān)系數(shù)矩陣分布規(guī)律相似且數(shù)值偏低，只選擇由924和1010 nm波段組成的歸一化指數(shù)和713、725 nm波段組成的差值指數(shù)；選擇了三邊參數(shù)中相關(guān)性顯著的紅邊幅值和紅邊面積，以及由紅光和近紅外波段與葉片滯塵量相關(guān)系數(shù)最高的749、644 nm波段組成的歸一化植被指數(shù)。

圖6為應(yīng)用19個(gè)葉片滯塵量實(shí)測(cè)值與各模型預(yù)測(cè)值的擬合結(jié)果。由表3和圖6可得，各模型建模和預(yù)測(cè)時(shí)的決定系數(shù)均達(dá)到了極顯著水平。M1和M2建模的決定系數(shù)較自變量未進(jìn)行對(duì)數(shù)運(yùn)算前有所增加，但模型精度仍然較低?；谄钚《嘶貧w（PLSR）、多元線性回歸（MLR）、主成分回歸（PCR）等方法構(gòu)建的4個(gè)模型，模型精度均高于M1和M2。精度最高的為基于偏最小二乘回歸（PLSR）構(gòu)建的M4，其建模和預(yù)測(cè)的決定系數(shù)分別達(dá)到0.734和0.731，RMSE為0.311，模型精度高于同樣基于偏最小二乘回歸（PLSR）構(gòu)建的M3。其原因在于M3眾多的自變量間存在多重相關(guān)性問(wèn)題，而M4在自變量選擇中兼顧了自變量的多樣性及其與因變量的高相關(guān)性。M5和M6模型精度均低于M4，但與 M3模型精度相當(dāng)，在葉片高滯塵量的情況下預(yù)測(cè)偏差較大是M5模型精度低主要原因。

3　結(jié)　論

在研究楊樹(shù)葉片滯塵對(duì)葉片光譜特征的影響基礎(chǔ)上，分別采用了一元線性回歸、偏最小二乘回歸（partial least squares regression，PLSR）、多元線性回歸（multivariate linear regression，MLR）、主成分回歸（principle component regression，PCR）4種建模方法和不同的自變量組合構(gòu)建估測(cè)模型，并對(duì)模型精度進(jìn)行檢驗(yàn)評(píng)價(jià)，得出以下結(jié)論：

1）葉片光譜反射率與葉片滯塵量具有相關(guān)性，在400～700 nm波段間為正相關(guān)，710～1 110 nm波段為負(fù)相關(guān)，其中450～527，568～711 nm波段相關(guān)性達(dá)到顯著水平。近紅外區(qū)的749 nm波段相關(guān)性最高，綠光區(qū)波段反射率對(duì)葉片滯塵的影響不敏感。

2）葉片滯塵對(duì)紅邊、黃邊、藍(lán)邊位置沒(méi)有明顯影響。三邊參數(shù)中，紅邊幅值和紅邊面積對(duì)葉片滯塵敏感，黃邊幅值、藍(lán)邊幅值、黃邊面積、藍(lán)邊面積與葉片滯塵量相關(guān)性不顯著。

3）由波段間反射率構(gòu)成的歸一化指數(shù)、比值指數(shù)、差值指數(shù)與葉片滯塵量相關(guān)性較單一波段反射率與葉片滯塵量相關(guān)性整體有所提升。其中，位于924、1 010 nm波段處的歸一化指數(shù)與葉片滯塵量相關(guān)度最高，相關(guān)系數(shù)為0.7615。歸一化植被指數(shù)對(duì)葉片滯塵量較敏感，但不及近紅外波段組成的歸一化指數(shù)。

4）在構(gòu)建的6個(gè)模型中，基于一元線性回歸構(gòu)建的模型估測(cè)精度較低。相同變量組合下，基于偏最小二乘回歸（PLSR）構(gòu)建的M4模型估測(cè)效果明顯好于多元線性回歸（MLR）、主成分回歸（PCR）構(gòu)建的M5、M6模型，M4建模和預(yù)測(cè)的決定系數(shù)分別達(dá)到0.734和0.731，RMSE為0.311。同時(shí)，M4模型精度高于同樣基于偏最小二乘回歸（PLSR）構(gòu)建的M3，由此得出，綜合了與葉片滯塵量相關(guān)系數(shù)最高的紅外、紅光、黃光波段反射率值，924和1010 nm波段組成的歸一化指數(shù)和713、725 nm波段組成的差值指數(shù)，三邊參數(shù)中的紅邊幅值和紅邊面積，紅光和近紅外波段的749、644 nm波段組成的歸一化植被指數(shù)等自變量構(gòu)建的模型估測(cè)效果優(yōu)于單一的光譜反射率構(gòu)建的模型。

通過(guò)研究楊樹(shù)葉片滯塵對(duì)葉片光譜特征的影響以及構(gòu)建高光譜葉片滯塵量估測(cè)模型并取得了較準(zhǔn)確的估測(cè)結(jié)果，這為基于地面高光譜數(shù)據(jù)的區(qū)域大氣降塵定量監(jiān)測(cè)和森林的滯塵生態(tài)服務(wù)功能度量提供了理論依據(jù)。

[參考文獻(xiàn)]

[1] 楊柳，李旭祥. 大氣降塵中重金屬元素及鉛同位素分析[J].西安交通大學(xué)學(xué)報(bào)，2014，48（2）：118－124. Yang Liu， Li Xuxiang. Analysis of heavy metal pollution in atmospheric deposition[J]. Journal of Xi’an Jiaotong University，2014， 48（2）: 118－124. （in Chinese with English abstract）

[2] 賈彥，吳超，董春芳，等. 7種綠化植物滯塵的微觀測(cè)定[J].中南大學(xué)學(xué)報(bào)自然科學(xué)版，2012，43（11）：4547－4553. Jia Yan， Wu Chao， Dong Guifang， et al. Measurement on ability of dust removal of seven green plants at microconditions[J]. Journal of Central South University Science and Technology， 2012， 43（11）: 4547－4553. （in Chinese with English abstract）

[3] 高金暉，王冬梅，趙亮，等. 植物葉片滯塵規(guī)律研究—以北京市為例[J]. 北京林業(yè)大學(xué)學(xué)報(bào)，2007，29（2）：94－99. Gao Jinhui， Wang Xuemei， Zhao Liang， et al. Airborne dust detainment bydifferent plant leaves: Taking Beijing as an example[J]. Journal of Beijing Forestry University， 2007，29（2）: 94－99. （in Chinese with English abstract）

[4] Hanescha M， Scholgerb R， Reyc D. Mapping dust distribution around an industrial site by measuring magnetic parameters of tree leaves[J]. Atmospheric Environment， 2003，37（36）: 5125－5133.

[5] 邱媛，管東生. 經(jīng)濟(jì)快速發(fā)展區(qū)域的城市植被葉面降塵粒徑和重金屬特征[J]. 環(huán)境科學(xué)學(xué)報(bào)，2007，27（12）：2080－2087. Qiu Yuan， Guan Dongsheng. Particulate size and heavy metal accumulation in foliar dust from urban vegetation in rapidly developing cities[J]. Acta Scientiae Circumstantiae， 2007，27（12）: 2080－2087. （in Chinese with English abstract）

[6] Mahera B A， Mooreb C， Matzkac J. Spatial variation in vehicle-derived metal pollution identified by magnetic and elemental analysis of roadside tree leaves[J]. Atmospheric Environment， 2008， 42（2）: 364－373.

[7] Chudnovsky A， Ben-Dor E. Application of visible， nearinfrared， and short-wave infrared （400-2 500 nm） reflectance spectroscopy in quantitatively assessing settled dust in the indoor environment. Case study in dwellings and office environments[J]. Science of The Total Environment， 2008，393（2/3）: 198－213.

[8] Jiang Zhengyi， Liu Xianghua， Jiao Sihai， et al. Air dustfall impact on spectrum of Ficus microcɑrpɑ’s leaf[J]. Advanced Materials Research， 2013（655/656/657）: 813－815.

[9] 羅娜娜，趙文吉，晏星. 在滯塵影響下的植被葉片光譜變化特征研究[J]. 光譜學(xué)與光譜分析，2013，33（10）：2715－2720. Luo Nana， Zhao Wenji， Yan Xing. Impact of dust-fall on spectral features of plant leave[J]. Spectroscopy and spectral analysis， 2013， 33（10）: 2715－2720. （in Chinese with English abstract）

[10] 彭杰，向紅英，王家強(qiáng)，等. 葉面降塵的高光譜定量遙感模型[J]. 紅外與毫米波學(xué)報(bào)，2013，32（4）：313－318，343. Peng Jie， Xiang Hongying， Wang Jiaqiang， et al. Quantitative model of foliar dustfall content using hyperspectral remote sensing[J]. J.Infrared Millim.Waves， 2013， 32（4）: 313－318，343. （in Chinese with English abstract）

[11] Yan Xing， Shi Wenzhong， Zhao Wenji， et al. Estimation of atmospheric dust deposition on plant leaves based on spectral features[J]. Spectroscopy Letters: An International Journal for Rapid Communication， 2014， 47（7）: 536－542.

[12] 楊佳，王會(huì)霞，謝濱澤，等. 北京9個(gè)樹(shù)種葉片滯塵量及葉面微形態(tài)解釋[J]. 環(huán)境科學(xué)研究，2015，28（3）：384－ 392. Yang Jia， Wang Huixia， Xie Binze， et al. Accumulation of particulate matter on leaves of nine urban greening plant species with different micromorphological structures in Beijing[J]. Research of Environmental Sciences， 2015， 28（3）: 384－392. （in Chinese with English abstract）

[13] Kajetan D， Robert P， Helena G， et al.Deposition of particulate matter of different size fractions on leaf surfaces and in waxes of urban forest species[J]. International Journal of Phytoremediation， 2011， 13（10）: 1037－1046.

[14] 么旭陽(yáng)，胡耀升，劉艷紅. 北京市8種常見(jiàn)綠化樹(shù)種滯塵效應(yīng)[J]. 西北林學(xué)院學(xué)報(bào)，2014，29（3）：92－95. Yao Xuyang， Hu Yaosheng， Liu Yanhong. Dust-retention effect of 8 common greening tree species in Beijing[J]. Journal of Northwest Forestry University， 2014， 29（3）: 92－95. （in Chinese with English abstract）

[15] Sims D A， Gamon J A. Estimation of vegetation water content and photosynthetic tissue area from spectral reflectance: a comparison of indices based on liquid water and chlorophyll absorption features[J]. Remote Sensing of Environment， 2003， 84（4）: 526－537.

Hyperspectral estimation model of dust deposition content on plant leaves

Li Weitao1,2,3, Wu Jian2,3, Chen Taisheng2,3, Peng Daoli1※
（1. Key Lɑborɑtory for Silviculture ɑnd Conservɑtion of Ministry of Educɑtion, Beijing Forestry University, Beijing 100083， Chinɑ;
2. Geogrɑphy Informɑtion ɑnd Tourism College, Chuzhou University, Chuzhou 239000， Chinɑ;
3. Anhui Center for Collɑborɑtive Innovɑtion in Geogrɑphicɑl Informɑtion Integrɑtion ɑnd Applicɑtion, Chuzhou 239000， Chinɑ）

Abstract:Dustfall is an important indicator to characterize the regional atmospheric environment quality. The dustfall status and regional environmental quality can be reflected directly by dust deposition content on plant leaves. The acquisition of hyperspectral data measured at ground surface is more and more convenient in recent years with the development of hyperspectral technology. Study on inversion model for foliar dust deposition content based on hyperspectral data will improve the efficiency of atmospheric dust monitoring and spatial sampling. And the model can not only be used as an effective complement to traditional atmospheric dust monitoring means， but also improve the time accuracy and spatial accuracy of dustfall monitoring. The aim of exploring the construction of hyperspectral estimation model of foliar dust deposition content is to promote the application of hyperspectral and remote sensing techniques on dustfall monitoring， and provide theoretical basis for the quantitative monitoring of regional dustfall based on the ground hyperspectral data. The adult Beijing poplar leaves were collected in Beijing urban area during the period from September 17 to September 18 in 2014. In order to collect the hyperspectral data and the data of per unit area dust deposition content on leaf samples， the work was carried out in the following sequence: spectral measurement， weighing， dust removal， weighing， spectral measurement， and measurement of leaf area. We finally got 59 valid sample data. We analyzed the influence of foliar dust deposition content on the spectral reflectance and trilateral parameters of poplar leaves. And the relationships between leaf spectral characteristics and foliar dust deposition content were studied. Then， the estimation model of foliar dust deposition content based on spectral parameters was established. The results showed that foliar dust deposition content enhanced the reflectivity of 400-700 nm band and inhibited the reflectivity of 710-1110 nm band. And foliar dust deposition content had no obvious effect on red edge position， yellow edge position and blue edge position. The linear relationship between spectral reflectance of the near infrared wavelengths （730-1000 nm） and foliar dust deposition content was obvious， and the coefficient of each band was higher than 0.7. The reflectance of green band was not sensitive to the influence of leaf dust deposition content. And the relationships between red edge amplitude， red edge area and leaf dust deposition content achieved significant relation. Three correlation coefficients’matrices were constructed by the indices calculated based on different spectra reflectance and foliar dust deposition content. The maximum value in each matrix was higher than the maximum value of correlation coefficient between single band and foliar dust deposition content. The highest value of correlation coefficients of the 3 matrices was 0.7615， which was in the matrix of correlation coefficient of normalized index and foliar dust deposition content. Models based on multivariate linear regression， principal component regression and partial least squares regression all had stronger ability to predict. The partial least squares regression model with the independent variables， which included spectral reflectance at the band of 749， 644 and 514 nm， red edge slope， red edge area， normalized difference index composed by the band of 924 and 1010 nm， difference index composed by the band of 713 and 725 nm， and normalized difference vegetation index composed by the band of 749 and 644 nm，had the highest estimate accuracy with the modeling decision coefficient of 0.734， the forecasting decision coefficient of 0.731， and the root mean square error of 0.311 for prediction.

Keywords:spectrum analysis; models; regression analysis; foliar dust deposition content; hyperspectral; air pollution measurement

通信作者：※彭道黎，教授，博士生導(dǎo)師，從事森林環(huán)境監(jiān)測(cè)與評(píng)價(jià)研究。北京北京林業(yè)大學(xué)，省部共建森林培育與保護(hù)教育部重點(diǎn)實(shí)驗(yàn)室，100083。Email：dlpeng@bjfu.edu.cn。

基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目（41201485）；科技部科技基礎(chǔ)性工作專項(xiàng)（2013FY111600-1）；安徽省高校自然科學(xué)研究重點(diǎn)項(xiàng)目（KJ2015A265）

作者簡(jiǎn)介：李偉濤，男，河北廊坊人，博士生，主要從事森林監(jiān)測(cè)與評(píng)價(jià)方面研究。北京北京林業(yè)大學(xué)，省部共建森林培育與保護(hù)教育部重點(diǎn)實(shí)驗(yàn)室，100083。Email：liweitao_801225@126.com

收稿日期：2015-10-29

修訂日期：2015-12-29

中圖分類號(hào)：S127

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-6819（2016）-02-0180-06

doi：10.11975/j.issn.1002-6819.2016.02.026