基于葉面塵的銀杏葉片光譜變化特征研究

吳春燕　王雪峰

(中國林業(yè)科學研究院資源信息研究所，北京 100091)

?

基于葉面塵的銀杏葉片光譜變化特征研究

吳春燕王雪峰

(中國林業(yè)科學研究院資源信息研究所，北京 100091)

沿北京市主道路網(wǎng)二、三、四、五環(huán)路均勻設(shè)置12個采樣點，采集銀杏葉片樣本120片，研究其反射光譜與葉面塵土量的關(guān)系。利用光譜儀和電子分析天平獲取除塵前后葉片反射光譜及葉面塵土量，分析數(shù)據(jù)并尋求銀杏葉片光譜變化特征波段，篩選出與葉面塵土量相關(guān)性高的光譜反射率，利用傳統(tǒng)回歸和偏最小二乘(PLS)回歸方法分別建立模型。結(jié)果表明：除塵前后葉片光譜曲線在300～710nm范圍內(nèi)，葉面塵土量與葉片反射光譜特征呈負相關(guān)關(guān)系；在710～850nm范圍內(nèi)，有塵葉片光譜率>無塵葉片；在葉面塵土量與葉片光譜各波段組合關(guān)系研究中，紅邊面積和歸一化指數(shù)與葉面塵土量具有相對較好的相關(guān)性，基于可見光波段與部分近紅外波段的銀杏葉片葉面塵土量預(yù)測結(jié)果較準；在葉片表面塵土量反演研究中，用偏最小二乘算法可在一定程度上提高葉面塵土量反演精度，在3種回歸模型中偏最小二乘法反演效果相對較好。

銀杏；葉面塵；光譜；回歸分析；偏最小二乘法

近年來，我國工業(yè)化、城市化進程的加快導(dǎo)致空氣質(zhì)量日益惡化，大氣顆粒物污染愈發(fā)嚴重[1-3]，霧霾天氣頻繁出現(xiàn)。我國2014年3月召開的第十二屆人民代表大會二次會議指出：霧霾問題現(xiàn)在已經(jīng)成為中國一些城市的標志性難題，而且范圍還在擴大。霧霾天氣能見度極低，致使道路擁堵、航運受阻、飛機延誤，交通事故發(fā)生率直線上升[4-6]，因此，急需施行有效措施來改善環(huán)境、提高空氣質(zhì)量、減少霧霾天氣出現(xiàn)。

銀杏(Ginkgo biloba)是典型的城市綠化樹種之一，被當作植物界中的"活化石"。銀杏樹具有美觀、經(jīng)濟、藥用等價值，其果實營養(yǎng)豐富，木材質(zhì)地優(yōu)良，還可抗病蟲害，具有凈化空氣、抗污染、抗煙火、抗塵埃等功能。因此，就粉塵污染對銀杏的影響進行研究是城市綠化領(lǐng)域的一個要點，可為治理霧霾天氣有效措施的提出奠定一定基礎(chǔ)。

隨著光譜技術(shù)的快速發(fā)展，許多專家通過監(jiān)測植物光譜特征來反映環(huán)境污染對植物的影響[7-11]。RockBN等[12]對杉木(Cunninghamia lanceolata)林地進行遙感影像測定，得出污染程度與林區(qū)光譜反射率成負相關(guān)。HolerDNH等[13]研究了受污染和未受污染葉簇植物葉片的光譜特征，結(jié)果表明，污染對其葉片具有影響。這些研究均表明，隨著大氣污染的加劇，大氣顆粒物對植物的反射光譜影響越來越大。目前，關(guān)于樹木葉片滯塵能力的大小以及葉面塵土所含元素種類和含量的研究較多，而就葉面塵對樹木葉片光譜特征影響的研究較少。

葉面塵是空氣中的微小顆粒物在重力、降水、吸附等因素的作用下附著于樹木葉片表面的顆粒物總稱，并與空氣顆粒物互為源匯，葉面塵可以表征一定時間、一定區(qū)域的空氣顆粒物的污染情況[14-16]。因此，以典型城市綠化樹種的銀杏葉片為例，利用高光譜分析法獲得銀杏葉片的反射光譜屬性，分別對葉片在除塵前后的光譜變化特征進行比較，建立銀杏葉片各反射光譜特征波段與葉面塵之間的相關(guān)關(guān)系，分別通過多元線性回歸、主成分回歸和偏最小二乘回歸算法建立單位面積葉面塵反演模型，以期為空氣污染程度評價、葉面塵對植物光譜特征的影響機理分析及正確遙感反演提供技術(shù)資料。

1　材料與方法

1.1樣本采集

沿北京市主道路網(wǎng)二、三、四、五環(huán)路均勻分布采樣點采集葉片樣本，共設(shè)12個采樣點。根據(jù)北京市園林綠化局的數(shù)據(jù)信息，在每處采樣點選取長勢大小相似、生長時間相同、均向陽生長的銀杏作為采樣對象。2014年5月開始，選擇采集前7d無大風、無降水的日子，于每天17：00采集采樣點銀杏?xùn)|方陽向生長的樹葉，采集高度1.9m，每個采樣點選取健康銀杏葉片10片，共選取葉片樣本120片。為避免葉片因離體而產(chǎn)生的生理變化給試驗帶來誤差，保持葉片原有狀態(tài)剪取后平放入冰袋保鮮盒內(nèi)，迅速回室內(nèi)進行葉面塵與光譜測量。

1.2光譜測量

光譜測量采用美國ASD公司生產(chǎn)的FieldSpec3便攜式近紅外光譜儀，其探測器可以探測從近紫外到近紅外的波段(300～1 000nm)。儀器分辨率：3～700nm；采樣間隔：1.4nm(350～1 000nm)。鏡頭可選擇為30°視場角。光譜儀每次掃描時間0.1s，10條原始掃描光譜自動平均得到輸出曲線。光譜采集步驟如下：1)設(shè)定積分時間，進行暗掃描。2)保存白板掃描。3)查看透射模式。4)將傳感器置于葉片中心點上方，保持傳感器到葉片的距離與到白板的距離和位置一致，穩(wěn)定后保存讀數(shù)。

1.3試驗方法

數(shù)據(jù)獲取采用：稱量→測光譜→洗凈→再稱量→再測光譜的步驟。

1.3.1葉片的洗凈與稱量采用化妝棉將葉片在裝有去離子水的塑料盆內(nèi)快速洗凈，由于采集期北京天氣處于干旱狀態(tài)，為避免葉片由于長時間浸泡產(chǎn)生吸水而引起數(shù)據(jù)差異，洗塵時間控制在10s以內(nèi)。

采用精度為萬分之一的電子分析天平稱量葉片，葉面塵土量(Δm)計算公式如下：

Δm=m1-m2

式中：m1為除塵前的葉片質(zhì)量；m2為除塵后的葉片質(zhì)量。

采用單元格法測量葉片面積，葉面塵土量除以葉片面積即得單位葉片面積塵土量。

1.3.2葉片反射光譜測定將葉片置于折射率接近零的白色觀測臺中央，固定光譜儀探頭使其垂直向下，探頭視場角10°，豎直距離葉片中心點2cm。在暗室中采用唯一人工光源，測量新鮮葉片光譜，每次測量10條光譜，以其平均值作為觀測葉片的光譜反射值，每次測量前均對系統(tǒng)配置作優(yōu)化和白板校正。

1.4光譜數(shù)據(jù)處理

利用ViewSpectralPro和Matlab7.3分析原始光譜數(shù)據(jù)[17-19]。由于光譜儀所測的光譜曲線存在一些噪聲，需要對光譜曲線進行平滑處理[20-21]。本研究采用移動平均方法進行去噪處理，將干擾波段去除和平滑處理后的曲線作為銀杏葉片光譜反射率特征曲線。

2　結(jié)果與討論

2.1除塵前后葉片反射光譜比較

利用ASD光譜儀獲得除塵前后葉片的反射光譜曲線，結(jié)果見圖1。

由圖1a可知，除塵前后葉片反射光譜曲線皆在可見光波段(400～500nm、500～600nm)有2個不同大小的反射峰，分別在442、548nm處；在這2個反射峰的兩側(cè)分別在500nm和650nm處顯示2個明顯的吸收波谷。在近紅外波段(700～850nm)處有一個強烈的反射波峰和1個反射波谷，大約在760nm處為第1個波峰值、波谷值在770nm處，第2個波峰值在810nm處。這可能是受到植物葉片表面污染物的影響，導(dǎo)致葉片對光譜產(chǎn)生吸收或透射；或是因為葉片細胞自身內(nèi)部各細胞器的結(jié)構(gòu)特征差異，導(dǎo)致葉片對不同波段產(chǎn)生不同的吸收和折射；同時，葉片內(nèi)部排列復(fù)雜的葉脈順序和大小形狀各異的細胞器形成的不均勻性的光傳播介質(zhì)，致使葉片對光產(chǎn)生散射現(xiàn)象，從而產(chǎn)生了1個急劇下降的反射率和2個被低反射率間隔開的高反射率。

由圖2可看出，除塵前后葉片光譜曲線走勢基本一致，但因葉片塵土量的不同，其光譜曲線存在一定差異，同時響應(yīng)模式也隨之而改變。葉片在520～560nm和760～850nm這2個波段范圍內(nèi)的反射光譜規(guī)律分別為：光譜反射率范圍分別在0.02～0.15和0.05～0.25；這2個波段內(nèi)的反射率大小分別為：無塵葉片>有塵葉片，有塵葉片>無塵葉片。由圖1a可以看出，2條反射光譜曲線在715nm附近的相交，使得葉面塵對葉片在可見光(350～760nm)、近紅外(760～850nm)2個區(qū)域的反射率產(chǎn)生了不同的增減規(guī)律。

在可見光各波段的反射率大小因受到葉片各種色素的影響而存在差異：有塵葉片比無塵葉片平均減少了11.56%，其中在482nm處有最大減幅12.97%。在近紅外(760～850nm)區(qū)域，有塵葉片的光譜反射率比無塵葉片平均增加了10.12%?？赡苁怯捎谑芊蹓m顆粒物自身對入射光不同角度的折射以及對光的部分吸收或者是在進行葉片反射光譜測量時存在系統(tǒng)誤差的原因。在綠光區(qū)域的520～560nm波段內(nèi)，有塵葉片的反射光譜小于無塵葉片，這或與葉片自身構(gòu)造特征有關(guān)，近紅外波段的光量子與葉片內(nèi)部細胞成分(水分子)發(fā)生反應(yīng)，導(dǎo)致被強烈吸收光譜反射率減小。這種特征對樹木葉片表面的塵土量以及樹木所處環(huán)境的受污染程度有敏感的指示性。

2.2除塵前后一階導(dǎo)數(shù)光譜

分析高光譜遙感信息較為常用的一種有效方法就是導(dǎo)數(shù)光譜技術(shù)[22]。一階導(dǎo)數(shù)光譜被認為可以消除部分線性和二次型背景噪聲，可以減少大氣對光的散射以及吸收對高光譜遙感測定的影響，且有利于減少因光照條件變換所產(chǎn)生的乘性因素的影響。三邊參數(shù)就是通過計算反射光譜的一階導(dǎo)數(shù)取得的光譜參量[23]。在紅邊參數(shù)中，其紅邊斜率為取680～750nm范圍內(nèi)一階導(dǎo)數(shù)光譜的最大值，最大值所對應(yīng)的波長為紅邊位置，該范圍內(nèi)一階導(dǎo)數(shù)的和為紅邊面積，藍邊(490～530nm)面積和黃邊(550～580nm)面積的意義與紅邊面積類似[24]。三邊參數(shù)可以更好地對銀杏葉片反射光譜特征進行分析與研究，銀杏葉片除塵前后的一階導(dǎo)數(shù)光譜圖見圖2。由圖2可知，紅邊和黃邊位置、藍邊和黃邊斜率在除塵前后無變化，即這4個三邊參數(shù)對葉面塵的干擾不敏感；有塵葉片的藍邊位置以及藍邊和紅邊面積以及較無塵葉片減小，其減幅分別為0～0.002，0～0.003，0～0.0012；黃邊面積和紅邊斜率均較無塵葉片增大，其增幅分別為0～0.002，0.005～0.033。紅邊上蘊含的豐富光譜信息一直是相關(guān)研究的熱點，相對于紅邊斜率和紅邊面積，紅邊位置表現(xiàn)出對葉面塵的較強抗干擾能力。

2.3紅邊參數(shù)特征比較

由紅邊區(qū)間(680～750nm)的原始光譜曲線和一階導(dǎo)數(shù)曲線[25](圖3)可見，銀杏葉片反射光譜的紅邊區(qū)間的原始光譜(圖3a)在除塵前后呈現(xiàn)不同的規(guī)律，反射光譜存在較大差異，在680～715nm范圍內(nèi)光譜反射率大小為：有塵葉片<無塵葉片，在715～750nm范圍內(nèi)為：有塵葉片>無塵葉片。光譜“紅邊”的一階導(dǎo)數(shù)曲線(圖3b)顯示，有無塵土葉片的紅邊位置未發(fā)生明顯變化，有塵葉片的紅邊斜率有所增大，紅邊面積均有所減小。

2.4回歸分析方法

為了建立最優(yōu)銀杏單位面積葉面塵土量預(yù)測模型，本文對3種生物統(tǒng)計模型進行分析對比，以優(yōu)選出預(yù)測能力強的預(yù)測模型。

大量研究表明，綠峰、紅邊面積、歸一化指數(shù)、簡單比值指數(shù)等4個光譜參數(shù)對葉片光譜反射率有很好的指示作用[26-27]，具體描述見表1。

表1　光譜參數(shù)

2.4.1多元線性回歸分析根據(jù)表1參數(shù)反演單位面積葉面塵土量，采用80個葉片樣本，選取綠峰(544nm)、紅邊面積、R706/R809及歸一化指數(shù)(ND705)以構(gòu)建單位面積葉面塵土量與光譜反射率的傳統(tǒng)回歸模型，結(jié)果見圖4。對以上4個變量進行模型回歸得到的各自變量間決定系數(shù)分別為0.374、0.456、0.361、0.329，可見以上4個變量經(jīng)回歸模型擬合的決定系數(shù)都較低，因此，傳統(tǒng)的多元線性回歸分析沒有解決多重共線性問題。

2.4.2主成分回歸分析主成分回歸分析(PCR)主要是將一組相互有關(guān)的數(shù)據(jù)，通過正交變換將其變換為相互無關(guān)的變量，即主成分[28]。其過程是先將標準化后的因變量與主成分得分進行OLS回歸，得到主成分回歸系數(shù)；再把主成分回歸系數(shù)轉(zhuǎn)化為因變量和自變量都標準化后的回歸方程的系數(shù)；最后把該系數(shù)轉(zhuǎn)化為原因變量對原自變量的回歸系數(shù)，得到主成分回歸模型。對提取的波長進行主成分分析可知：當主成分數(shù)為2時，貢獻率大于0.790，得到基于4個光譜參數(shù)的主成分回歸模型為：

y=4.292 994-15.328 274x1+5.195 18x2-0.940 815x3-0.082 982x4

(1)

式中：y為銀杏單位面積葉面塵土量；x1為544nm處的光譜反射率；x2為R706/R809的比值；x3為紅邊面積；x4為歸一化指數(shù)(ND705)。

利用采集樣本時同時獲取的40個樣本的光譜數(shù)據(jù)，對模型進行檢驗，見圖5。結(jié)果表明：單位面積葉面塵土量預(yù)測值與實測值的決定系數(shù)為0.812，建立的回歸直線方程為：

y=0.918 9 x+0.000 35

(2)

2.4.3偏最小二乘回歸分析為提高反演精度，利用所得的4個特征變量進行偏最小二乘相關(guān)分析(PLS)。PLS是基于自變量的主成分分析將各主成分納入到回歸模型中，直至方程精度達到滿意為止，可解決變量間多重相關(guān)性的問題[29]。結(jié)果表明，偏最小二乘回歸結(jié)果對自變量成分對的解釋率分別為0.389、0.295、0.163、0.073，累積值分別為：0.389、0.684、0.847、0.920；當回歸模型選取4個成分對時，回歸結(jié)果對自變量的累積解釋率為0.920；當提取3個PLS主成分時，對干單位面積葉面塵土量的累積解釋能力達到0.847；并得出歸一化指數(shù)(ND705)對模型貢獻較小。

利用所得的3個PLS主成分與單位面積葉面塵土量作相關(guān)分析，最終得到基于4個原變量的PLS回歸模型為：

y=0.005 242-0.010 366 x1-0.000 569 x2-0.000 666 x3-0.000 348 x4

(3)

式中：y為銀杏單位面積葉面塵土量；x1為544nm處的光譜反射率；x2為R706/R809的比值；x3為紅邊面積；x4為歸一化指數(shù)(ND705)

利用采集樣本時同時獲取的40個樣本的光譜數(shù)據(jù)，對模型進行檢驗，見圖6。結(jié)果表明：單位面積葉面塵土量預(yù)測值與實測值的決定系數(shù)為0.890，建立的回歸直線方程為：

Y=0.846 1 X+0.001 02

(4)

2.5多種回歸方法的比較分析

基于傳統(tǒng)的回歸方法、主成分回歸方法以及偏最小二乘算法的回歸結(jié)果，結(jié)合均方根誤差(RMSE)和決定系數(shù)(R2)2個參數(shù)，進行單位面積葉面塵土量與葉片光譜特征變化信息回歸模型的精度對比，結(jié)果見表2。

表2　反演模型的精度比較

由表2可知，回歸模型主要分為線性回歸、主成分回歸及PLS偏最小二乘回歸3種。由以上分析可知PLS比PCR多提取出一個主成分，說明作PCR分析時，有一個主成分未通過檢驗進而被引入模型。這些主成分都能很好地代表和解釋原始光譜，并均可以克服多重共線性，但同時PLS能將提取的主成分與銀杏單位面積葉面塵土量進行相關(guān)性分析。由RMSE均方根誤差值和R2決定系數(shù)值，可得PLS偏最小二乘回歸模型精度最高，RMSE為0.002 2，R2為0.890；其次為主成分回歸模型，RMSE為0.002 3，R2為0.812，在線性模型中，以紅邊面積為自變量的模型精度最高，RMSE和R2分別為0.0024、0.456，精度最低的是自變量為ND705的模型擬合，RMSE和R2分別為0.002 5、0.329。

綜上所述，在4個自變量中，紅邊面積為較好單位面積葉面塵土量反演的自變量選項；在上述3種回歸分析方法中，偏最小二乘回歸法(PLS)為基于葉片光譜反射特征的銀杏單位面積葉面塵土量反演效果較好的方法。

3　結(jié)　論

1) 除塵前后葉片光譜曲線雖然走勢基本相同，但在400～500、650～740、760～810nm波段區(qū)間內(nèi)二者的差異性較大。

2) 在單位面積葉面塵土量與除塵前后葉片反射光譜信息的相關(guān)分析中：光譜波段在350～560nm范圍內(nèi)，單位面積葉面塵土量與葉片反射光譜特征呈負相關(guān)，有塵葉片的光譜反射率小于無塵葉片，其中，最大負值點為482nm處，決定系數(shù)為-0.6，原因主要是銀杏葉片反射率與所處環(huán)境、病蟲害情況等有關(guān)，不同環(huán)境的葉片波譜特征各具特色。此外，與葉片結(jié)構(gòu)也有關(guān)系，近紅外波段的光量子與葉片水分中的氫氧鍵發(fā)生反應(yīng)，導(dǎo)致被強烈吸收光譜反射率減??；而在光譜波段為720～850nm，銀杏葉片光譜反射率大小為有塵葉片>無塵葉片。

3) 由單位面積葉面塵土量與4個對葉片光譜反射率有很好的指示作用的光譜參數(shù)的相關(guān)矩陣分析可知，紅邊面積和歸一化指數(shù)與單位面積葉面塵土量具有相對較好的相關(guān)性。由此可知，基于可見光波段與部分近紅外波段的銀杏葉片單位面積葉面塵土量反演的效果較好。

4) 研究建立不同單位面積葉面塵土量的葉片反射光譜模型，在350～850nm波段范圍內(nèi)，選取不同因子作為自變量，得出以紅邊面積(SDr)作為參數(shù)可以在一定精度范圍內(nèi)預(yù)測銀杏葉片表面塵土量。通過野外試驗對不同葉片表面塵土量下的銀杏葉片反射光譜特征的研究，并基于傳統(tǒng)線性回歸、主成分回歸和PLS偏最小二乘回歸方法，結(jié)合葉片反射光譜特征信息，以構(gòu)建塵土量回歸模型并對其精度進行分析。結(jié)果可知：偏最小二乘回歸模型(PLS)精度最高，其次為主成分回歸模型，相對較低的是線性回歸模型。由此可得，高光譜能夠快速對銀杏葉片單位面積葉面塵土量進行適時預(yù)測，銀杏單位面積葉面塵土量反演效果較好的模型為偏最小二乘回歸模型。

[1]孫亮. 灰霾天氣成因危害及控制治理 [J]. 環(huán)境科學與管理，2012，37(10): 71-75.

[2]趙秀娟，蒲維維，孟偉，等. 北京地區(qū)秋季霧霾天PM2.5污染與氣溶膠光學特征分析[J].環(huán)境科學，2013，34(2): 416-423.

[3]彭耕耘. 從霧霾報道看氣象新聞的拓展[J]. 熱點透視，2013(3): 15-16.

[4]SantoshKP，TripathiBD.Seasonalvariationofleafdustaccumulationandpigmentcontentinplantspecies[J].UrbParticPollut，2008，37: 865-870.

[5]SharifiMR，GibsonAC，RundelPW.SurfacedustimpactsongasexchangeinMojaveDesertshrubs[J].JApplEcol，1997，34(3): 837-846.

[6]HarrisonRM，ThorpeA.Sourcesandpropertiesofnon-exhaustparticulatematterfromroadtraffic:areview[J].SciTotalEnviron，2008，400(1/3): 270-282.

[7]楊杰，田永超，姚霞，等. 水稻上部葉片葉綠素含量的高光譜估算模型[J]. 生態(tài)學報，2009，29(12): 6561-6571.

[8]AsrarG，F(xiàn)uchsM，KanemasuET，etal.Estimatingabsorbedphotosyntheticradiationandleafareaindexfromspectralreflectanceinwheat[J].AmericanSocietyofAgronomy，1984，76(2): 300-306.

[9]朱鋒，宮輝力，孫天琳，等. 不同組分比例的高光譜混合象元反射光譜形態(tài)特征研究[J].光譜學與光譜分析，2013，33(7): 1897-1902.

[10]BelénD，LourdesL，JeanMR，etal.Examinationofthequalityofspinachleavesusinghyperspectralimaging[J].PostharvestBiologyandTechnology，2013，85: 8-17.

[11]SolomonWN，BarendFNE，IsabelMW，etal.HyperspectralreflectancefeaturesofwaterhyacinthgrowingunderfeedingstressesofNeochetinaspp.anddifferentheavymetalpollutants[J].InternationalJournalofRemoteSensing，2014，35(3): 799-817.

[12]RockBN，HoshizakiT，MillerJR.Comparisonofinsituandairbornespectralmeasurementsoftheblueshiftassociatedwithforestdecline[J].RemoteSensingEnvironment，1988，24:109-127.

[13]HorlerDNH，DockrayM，BarberJ.Therededgeofplantleafreflectance[J].InternationalJournalofRemoteSensing，1983，4(2): 273-288.

[14]田亦陳，賈坤，吳炳方，等. 大麻植物冠層光譜特征研究 [J]. 光譜學與光譜分析，2010，30(12): 3334-3337.

[15]瞿瑛，劉素紅，李小文. 基于函數(shù)擬合的玉米葉片反射光譜時間變化規(guī)律分析 [J]. 光譜學與光譜分析，2013，33(1): 131-135.

[16]DanielAS，JohnAG.Relationshipsbetweenleafpigmentcontentandspectralreflectanceacrossawiderangeofspecies，leafstructuresanddevelopmentalstages[J].RemoteSensingofEnvironment，2002，81(2/3): 337-354.

[17]DaughtryCST，WalthallCL，KimMS.Estimatingcornleafchlorophyllconcentrationfromleafandcanopyreflectance[J].RemoteSensingofEnvironment，2000，74(2): 229-239.

[18]GuptaRK，VijayanD，PrasadTS.Newhyperspectralvegetationcharacterizationparameters[J].AdvancesofSpaceResearch，2001， 8(1): 201-206.

[19]毛罕平，張曉東，李雪，等. 基于光譜反射特征葡萄葉片含水率模型的建立 [J]. 江蘇大學學報(自然科學版)，2008，29(5): 369-372.

[20]MarieVM，RasmusB，MaxEB，etal.Diagnosinglatentcopperdeficiencyinintactbarleyleaves(Hordeum vulgare，L.)usingnearinfraredspectroscopy[J].JournalofAgriculturalFoodChemistry，2013，61(46): 10901-10910.

[21]王海華，李長纓，李民贊. 基于近紅外反射光譜的洋蔥可溶性固體物檢測 [J]. 光譜學與光譜分析，2013，33(9): 2403-2406.[22]于祥，張豐收，劉慶，等. 典型紅樹林反射光譜特征分析研究 [J]. 光譜學與光譜分析，2013，33(2): 454-458.

[23]RaymondRS，JamshidF，RonyS，etal.Physiologicalandspectralresponsetowaterstressinducedbyregulateddeficitirrigationonpeartrees[J].AppliedRemoteSensingJournal，2013，3(1): 9-17.

[24]SanchesID，SouzaFCR，MagalhaesLA，etal.Assessingtheimpactofhydrocarbonleakagesonvegetationusingreflectancespectroscopy[J].ISPRSJournalofPhotogrammetryandRemoteSensing，2013，78: 85-101.

[25]付彥博，范燕敏，盛建東，等. 紫花苜蓿冠層反射光譜與葉片含水率關(guān)系研究[J].光譜學與光譜分析，2013，33(3): 766-769.

[26]皇才進，韓魯佳，劉賢，等. 基于LOCAL算法的秸稈水分和熱值的近紅外光譜快速分析[J].紅外與毫米波學報，2009，28(3): 184-187.

[27]劉雪華，吳燕. 大熊貓主食竹開花后葉片光譜特性的變化 [J].光譜學與光譜分析，2012，32(12): 3341-3346.

[28]SmithKL，StevenMD，CollsJJ.Useofhyperspectralderivativeratiosinthered-edgeregiontoidentifyplantstressresponsestogasleaks[J].RemoteSensingofEnvironment，2004，92(2): 207-217.

[29]CiroM，RiccardoS，EnricoG.ReflectancespectralanalysesfortheassessmentofenvironmentalpollutioninthegeothermalsiteofMt.Amiata(Italy)[J].AtmosphericEnvironment，2013，79: 650-665.

(責任編輯曹龍)

Study on Spectral Features of Ginkgo Biloba LeavesBasedonFoliarDustContent.

Wu Chunyan，Wang Xuefeng

(Research Institute of Forest Resources Information Techniques, Chinese Academy of Forestry，Beijing 100091，China)

Inthisstudy,wecollected120samplesofGinkgo bilobaleavesalongthemainroadnetwork:two,three,four,fifthRingRoadinBeijingtostudytherelationshipbetweenthespectralreflectanceandfoliardust.Throughelectronicbalanceandanalyticalspectraldevicesfieldspecpro(ASD)analysis,informationofdustcontentandreflectancespectroscopyofthedustleavesandthecleanleaveswasobtained.ForthesakeofseekingvariationcharacteristicsofspectralregionofGinkgo bilobaleaves,spectralreflectancedatawasanalyzed.Thespectralreflectance,whichhadahighcorrelationwithfoliardustcontent,wasscreenedout.Afterthat,inordertoexploretherelationshipbetweenfoliardustcontentandspectralreflectance,usingtraditionalregressionmethodandpartialleastsquares(PLS)regressionmethodestablishedthemodelrespectively,theeffectsofdifferentfoliardustcontentonplantspectralcharacteristicswereelaborated.Theexperimentshowedthattherewasanegativecorrelationbetweenfoliardustcontentandleafspectralreflectancecharacteristicsontheleafspectrumcurvesofthecleananddustleaves,intherangeof300-710nm;thespectralreflectanceofdustwasgreaterthanthecleanleafintherangeof710-850nm.Inthestudyofthecombinationrelationshipbetweenfoliardustcontentandleafspectralbands,wecouldfindoutthattherewasarelativelygoodrelevancebetweentheareaofrededgeandfoliardustcontent,andthesameasnormalizeddifferenceindex.TheresultofpredictionoffoliardustcontentofGinkgo bilobaleaveswasaccuratebasedonvisibleandnear-infraredwavelengths.Intheresearchofinversionofleafsurfacedustcontent,followingthetraditionallinearregressionmodelandprincipalcomponentregressionmodel,theprecisionofinversionoffoliardustcontentcouldbeimprovedbypartialleastsquares(PLS)inacertainextent.Therefore,weconcludedthattheeffectofpartialleastsquaresinversionwasthebestamongthe3kindsofregressionmodel.

Ginkgo biloba;foliardust;spectrum;regressionanalysis;partialleastsquaremethod

2015-03-29

中央公益性科研院所基本科研業(yè)務(wù)費專項(CAFYBB2014MA006)資助；國家重大專項項目(21-Y30B05-9001-13/15)資助。

王雪峰(1968—)，男，博士，研究員。研究方向： 計算機視覺、數(shù)字圖像處理。Email：xuefeng@caf.ac.cn。

10.11929/j.issn.2095-1914.2016.01.016

S771.8；S731.2

A

2095-1914(2016)01-0091-09

第1作者：吳春燕(1989—)，女，碩士生。研究方向：林業(yè)信息技術(shù)。Email：593408754@qq.com。