離子吸附型稀土礦區(qū)復(fù)墾植被光譜特征變異提取與分析

周貝貝, 李恒凱*, 龍北平

1. 江西理工大學(xué)土木與測繪工程學(xué)院, 江西 贛州 341000 2. 江西省地質(zhì)局地理信息工程大隊, 江西 南昌 330001

引 言

稀土是我國珍稀戰(zhàn)略性資源, 在精確制導(dǎo)武器、 航空航天等諸多尖端軍事和高科技領(lǐng)域擁有不可替代的作用。 習(xí)近平總書記2019年在江西考察時發(fā)表重要指示: “稀土是重要的戰(zhàn)略資源, 也是不可再生資源, 要加大科技創(chuàng)新工作力度, 不斷提高開發(fā)利用的技術(shù)水平, 延伸產(chǎn)業(yè)鏈, 提高附加值, 加強項目環(huán)境保護(hù), 實現(xiàn)綠色發(fā)展、 可持續(xù)發(fā)展”。 然而長期以來, 稀土礦采用酸性溶液注入礦體的溶浸開采方式, 導(dǎo)致礦區(qū)以土壤沙化酸化和重金屬污染等環(huán)境問題尤為突出, 植被自然恢復(fù)過程極其困難, 主要依賴人工復(fù)墾[1]。 稀土開采擾動引起的復(fù)墾地土壤特殊的物理化學(xué)性質(zhì)變化及稀土開采所導(dǎo)致的環(huán)境脅迫, 致使復(fù)墾植被長勢較差, 已經(jīng)嚴(yán)重影響了礦區(qū)生態(tài)安全[2]。 因此獲取實時準(zhǔn)確的礦區(qū)復(fù)墾植被數(shù)據(jù), 對復(fù)墾植被實施動態(tài)監(jiān)測監(jiān)管, 對礦區(qū)生態(tài)恢復(fù)至關(guān)重要。

葉片是反映植被生化組成和健康狀況的指標(biāo)之一, 當(dāng)植被受到一定程度的環(huán)境脅迫時, 其葉片的自身結(jié)構(gòu)發(fā)生變化, 致使光譜曲線發(fā)生局部異常變化, 能夠用來判斷植物的生長情況。 對礦區(qū)典型植被葉片高光譜特征進(jìn)行研究, 通過對光譜形狀和特征帶的生化機理分析可以評價礦區(qū)環(huán)境脅迫下植被的生長狀況。 植被光譜特征分析目前應(yīng)用于多個方面, Iram M Iqbal等現(xiàn)場收集光譜數(shù)據(jù), 使用高光譜指數(shù)和葉片光譜對本地和入侵植物物種進(jìn)行區(qū)分[3]; Huang等利用葉片高光譜數(shù)據(jù), 通過原始光譜曲線對照, 開發(fā)蟲害嚴(yán)重程度識別模型-光梯度推進(jìn)機作為分類器來識別葉片受害程度[4]; Fu等通過自相關(guān)函數(shù)一階導(dǎo)數(shù)比值差法提取玉米特征, 識別并區(qū)分銅、 鉛兩類重金屬污染應(yīng)力[5]; Yu等測量葉片化學(xué)含量成分, 精細(xì)監(jiān)測退化植被, 評估植物營養(yǎng)狀況[6]。 各學(xué)者將植被光譜運用于不同場景, 而光譜特征分析, 是其研究的共性基礎(chǔ)。 離子吸附型稀土礦區(qū)特殊的行業(yè)差異性和地域性, 其植被的研究較少; 開采擾動引起的重金屬污染等多種脅迫造成復(fù)墾植被光譜異常, 為探索引起光譜異常的內(nèi)在機制, 需要對照正常植被光譜, 為進(jìn)一步研究奠定基礎(chǔ)。

同時, 為了從光譜中獲取更多信息, 許多學(xué)者選擇采用導(dǎo)數(shù)、 倒數(shù)、 對數(shù)等線性方法選擇和強化光譜特征。 由于小波變換和傅里葉變換等方法在數(shù)據(jù)壓縮和信號去噪方面的獨特優(yōu)勢, 一些學(xué)者將其應(yīng)用于高光譜的特征信息提取[7]。 如黃芝[8]采用Db 5小波函數(shù)分解獲取小波系數(shù)并計算小波分形維數(shù), 通過尺度的變化較好的區(qū)分不同脅迫水平下的水稻污染情況; 朱紅求[9]等使用微型光譜儀采集光譜信號, 對每個奇異值分量作傅里葉變換, 突顯出光譜曲線原始特征。 不同的變換方法應(yīng)用于提取光譜特征參數(shù), 能有效挖掘出光譜特征, 在實際應(yīng)用中需要根據(jù)具體對象及區(qū)域進(jìn)行選擇。

基于上述研究, 以稀土礦區(qū)典型植被為研究對象, 通過一階導(dǎo)數(shù)、 離散小波變換和分?jǐn)?shù)階微分對葉片原始光譜進(jìn)行處理, 對照礦區(qū)復(fù)墾植被和正常環(huán)境植被在原始光譜以及不同方法處理后的光譜特征差異, 分析植被狀況, 探討稀土礦區(qū)復(fù)墾植被在環(huán)境脅迫下的光譜變化及光譜特征, 針對稀土復(fù)墾礦區(qū)定量生理參數(shù)反演和大尺度快速監(jiān)測提供技術(shù)支持和理論依據(jù)。

1 實驗部分

1.1 研究區(qū)概況

嶺北稀土礦區(qū)位于江西省贛州市定南縣, 面積約213 km2。 該稀土礦持續(xù)進(jìn)行稀土開采30余年, 在長期人工浸溶開采與自然高溫多雨的雙重作用下, 土壤退化問題突出, 屬于國家級水土流失重點預(yù)防區(qū)。 選取嶺北甲子背復(fù)墾礦點作為研究區(qū)域, 坐標(biāo): 115°2′22″-115°3′16″E, 24°58′21″-24°59′15″N, 面積約1.6 km2。 該礦點歷經(jīng)“池浸”、 “堆浸”和“原地浸礦”等多種工藝開采, 遺留大量裸露的尾礦和廢棄地。 稀土開采擾動引起的復(fù)墾地土壤特殊的物理化學(xué)性質(zhì)變化及稀土開采所導(dǎo)致的環(huán)境脅迫, 致使礦區(qū)生態(tài)恢復(fù)進(jìn)展緩慢。

由于稀土礦區(qū)廢棄地以土壤沙化酸化及重金屬污染為主要表現(xiàn)形式, 復(fù)墾植被長勢較差, 成活率低, 生態(tài)恢復(fù)困難。 為此, 其復(fù)墾植被應(yīng)具有易存活、 適應(yīng)性強等特點。 故選取稀土礦區(qū)竹柳、 山茶、 桉樹、 松樹、 油桐、 紅葉石楠6種生存能力強、 耐土壤貧瘠的典型復(fù)墾植被作為研究對象, 基于復(fù)墾植被在稀土礦區(qū)環(huán)境脅迫下的光譜特征變化展開研究。

圖1 研究區(qū)地理位置及概況Fig.1 Location and overview of the study area

1.2 數(shù)據(jù)獲取

于2020年8月14日-15日使用美國ASD (Analytical Spectral Devices) Field Spec4地物光譜儀進(jìn)行葉片光譜測量, 采樣間隔為1.4 nm (350～1 000 nm)和2 nm (1 001～2 500 nm)。 具體時間為11:00-14:00之間, 期間天氣晴朗、 無風(fēng)無云, 植被葉片處于成熟階段。 選取礦區(qū)的竹柳、 山茶、 桉樹、 松樹、 油桐、 紅葉石楠六種復(fù)墾植被作為采集對象。 此外, 為獲取復(fù)墾植被光譜與正常植被光譜的差異, 同時在距離甲子背礦點1km范圍正常區(qū)域(即未進(jìn)行稀土開采的區(qū)域), 相同環(huán)境下根據(jù)均勻分布原則進(jìn)行正常環(huán)境生長條件下的葉片光譜采集。

測量時確保樣本和參考白板處于同一環(huán)境, 儀器探頭垂直向下, 與葉片保持垂直, 置于葉片上方。 每隔15 min校準(zhǔn)波譜儀, 每個葉片樣品測量10次, 取其平均值作為樣本光譜反射率。 最終共采集復(fù)墾油桐92組、 復(fù)墾濕地松87組、 復(fù)墾紅葉石楠68組、 復(fù)墾竹柳92組、 復(fù)墾山茶130組、 復(fù)墾桉樹160組、 正常油桐35組、 正常濕地松36組、 正常紅葉石楠33組、 正常竹柳36組、 正常山茶40組、 正常桉樹43組。 圖2為甲子背礦點復(fù)墾植被實地數(shù)據(jù)采集時拍攝, 該圖反映出該礦點復(fù)墾植被根細(xì)枝稀, 葉片發(fā)黃。

圖2 復(fù)墾植被實地采集Fig.2 Reclaimed vegetation field collection

1.3 數(shù)據(jù)預(yù)處理

野外實測葉片高光譜數(shù)據(jù)易受土壤環(huán)境與人為操作干擾, 特別是在稀土礦區(qū)地表大面積裸露的背景下, 光譜數(shù)據(jù)預(yù)處理在光譜分析過程中起著至關(guān)重要的作用。 預(yù)處理主要包括剔除異常光譜、 去噪和均值。 首先剔除異常光譜, 確定植被光譜曲線, 共剔除復(fù)墾植被37組, 正常植被14組。 其次去除噪聲間隔, 在野外高光譜數(shù)據(jù)采集過程中, 植被對水汽和二氧化碳具有很強的吸收帶, 對可見光和近紅外區(qū)植被光譜產(chǎn)生重要影響[10]。 因此, 最終選擇350～1 350 nm的光譜波段進(jìn)行研究, 將1 350 nm以上的波段進(jìn)行剔除。 最后將所有合格葉片樣本光譜數(shù)據(jù)的均值作為最終光譜反射率。

1.4 植被葉片光譜一階導(dǎo)數(shù)

導(dǎo)數(shù)法是高光譜光譜變換中最常用的方法, 表示為原始光譜的變化率。 原始光譜經(jīng)過一階導(dǎo)數(shù)變換處理, 能夠部分消除太陽高度角、 地形等引起的亮度變化。 有針對性的減弱稀土礦區(qū)特殊的裸露紅壤背景對植被光譜造成的影響, 提升光譜特征區(qū)間的對比細(xì)膩度, 一階導(dǎo)數(shù)變換公式如式(1)

(1)

式(1)中,D(λi)為一階導(dǎo)數(shù)光譜;R(λi+1)、R(λi)分別為波長λi+1、λi處的反射率; Δλi為兩波長距離。

1.5 植被葉片光譜分形維數(shù)

一維曲線分形維數(shù)可以表示該波形復(fù)雜程度, 礦區(qū)環(huán)境脅迫會導(dǎo)致復(fù)墾植被的光譜曲線波形產(chǎn)生特殊變化。 假設(shè)有一條不規(guī)則形狀的光譜曲線I, 用一個長度為ε的尺子來衡量該光譜曲線I的長度。 不考慮光譜曲線上小于ε的不規(guī)則部分時, 尺子的測量值為Mε(I), 當(dāng)ε→0時, 如果對常數(shù)c和D有

Mε(I)～cε-D

(2)

則該光譜曲線I的維數(shù)為D, 常數(shù)c可以看成光譜曲線I的D維長度, 將公式兩邊取對數(shù)得

logMε(I)～logc-Dlogε

(3)

當(dāng)ε趨于零時, 有

(4)

當(dāng)計算某條光譜曲線分形維數(shù)時, 可以選取ε值的一個恰當(dāng)范圍, 繪制logMε(I)和logε雙對數(shù)圖, 其斜率即為光譜曲線的維數(shù)D。

1.6 植被葉片光譜小波變換

離散小波變換(discrete wavelet transformation, DWT)是在一系列離散尺度上對信號進(jìn)行分析的方法, 憑借多尺度特點和突出細(xì)化特征的優(yōu)點被應(yīng)用于估算植物葉綠素、 重金屬脅迫程度等一系列實際問題[11]。 “Db5”小波函數(shù)將植被光譜分解為低頻和高頻兩部分, 低頻部分被保留, 高頻部分被閾值化, 然后繼續(xù)在低頻的部分進(jìn)行小波分解, 得到低、 高頻部分。 經(jīng)過多層分解可以將原始信號分解為多個子信號, 分解公式如式(5)

(5)

式(5)中,f(λ)為光譜信號,j為分解層,aj為低頻部分,di為高頻部分。

1.7 植被葉片光譜傅里葉變換

短時傅里葉變換 (short time Fourier transform, STFT)將難以處理的時域信號轉(zhuǎn)換成易于分析的頻域信號。 其基本原理是通過窗函數(shù)將光譜曲線切分成許多相等的波長間隔, 用傅里葉變化分析每一個波長間隔, 得到頻域信號的變化結(jié)果, 將所得結(jié)果平鋪得到二維的表象, 進(jìn)而通過分析得到波段上的頻率特征, 最后實現(xiàn)光譜曲線空頻局域化, 具體公式如式(6)

(6)

式(6)中,f(t)為信號函數(shù),g(t-τ)為窗函數(shù),w為信號函數(shù)基頻率。

此外, 實驗通過Specgram函數(shù)來實現(xiàn)STFT, Specgram函數(shù)的語法如式(7)

[S,F,T,P]=

spectrogram(A, window, noverlap,nfft,fs)

(7)

式(7)中,A為植被光譜曲線; window為窗函數(shù); noverlap為各段之間重疊采樣的點數(shù);nfft為計算離散傅里葉變換的點數(shù);fs為采樣頻率;S為輸入A的短時傅里葉變換;F是在輸入變量中使用F頻率變量;T是頻譜圖計算的時刻點;P是能量譜密度。

2 結(jié)果與討論

2.1 基于植被葉片原始光譜變異特征分析

獲取竹柳、 山茶、 桉樹、 松樹、 油桐、 紅葉石楠的復(fù)墾植被和正常植被葉片高光譜數(shù)據(jù), 對比復(fù)墾植被和正常植被的光譜曲線, 其結(jié)果圖3所示。

圖3 植被原始光譜均值反射率曲線Fig.3 Original mean spectral reflectance curves of vegetation

對照圖3中經(jīng)過預(yù)處理的六種復(fù)墾植被和正常植被光譜均值反射率曲線, 復(fù)墾植被和正常植被的光譜波動趨勢基本一致。 400～700 nm(可見光波段), 植被葉片中的葉綠素強烈吸收入射光, 形成”兩谷一峰”[450 nm藍(lán)光附近(“藍(lán)谷”)和660 nm紅光附近(“紅谷”)以及550 nm綠光附近(“綠峰”)], 呈現(xiàn)出區(qū)別于其他地物獨特的植被光譜特征。 但是無論在可見光還是近紅外波段, 礦區(qū)復(fù)墾植被光譜呈現(xiàn)出相同波長下的反射率均高于其同種正常植被的現(xiàn)象。 有研究證明, 病害程度的增加或者環(huán)境脅迫的加劇, 會減少植被葉片葉綠素含量, 而當(dāng)葉綠素含量降低時, 會導(dǎo)致該光譜區(qū)域的葉片反射率增加[12], 這也是礦區(qū)環(huán)境下復(fù)墾植被光譜高于同種正常植被的主要原因。 但正常植被與復(fù)墾植被光譜曲線都具備植被基本特征, 雖然存在部分差異, 僅基于原始光譜無法獲取豐富的有效信息。

2.2 基于植被葉片一階導(dǎo)數(shù)光譜變異特征分析

導(dǎo)數(shù)光譜處理本質(zhì)上反映了植被中各生理成分的吸收特性, 它可以消除背景噪聲的干擾, 并對重疊峰進(jìn)行分解。 對六種不同脅迫環(huán)境下的植被作一階導(dǎo)數(shù)變換, 并根據(jù)其光譜特征進(jìn)行分析。 基于原始光譜一階導(dǎo)數(shù)的植被光譜特征對照結(jié)果如圖4所示。

植被體內(nèi)的葉綠素、 含水量和其他物質(zhì)的光譜吸收, 在可見光和近紅外波段形成了“藍(lán)邊位置”(490～530 nm最大導(dǎo)數(shù)值對應(yīng)的波長)、 “黃邊位置”(560～640 nm最大導(dǎo)數(shù)值對應(yīng)的波長)、 “紅邊位置”(680～760 nm最大導(dǎo)數(shù)值對應(yīng)的波長)等特征光譜變化相關(guān)的區(qū)域, 這些光譜特征區(qū)域是與植被區(qū)別于其他地物的獨有性質(zhì), 其中應(yīng)用最多的是“紅邊位置”。 當(dāng)植被受到環(huán)境脅迫或病蟲害等因素的影響時而失綠, “紅邊位置”將會往短波藍(lán)光的方向偏移(即“藍(lán)移”), 當(dāng)植被生長旺盛, 生物量高“紅邊位置”將會往長波紅外的方向偏移(即“紅移”)[13]。 礦區(qū)植被光譜“紅邊位置”變化情況分別為: 正常竹柳-復(fù)墾竹柳(724～718 nm)、 正常油桐-復(fù)墾油桐(718～701 nm)、 正常松樹-復(fù)墾松樹(718～718 nm)、 正常山茶-復(fù)墾山茶(718～700 nm)、 正常紅葉石楠-復(fù)墾紅葉石楠(719～701 nm)、 正常桉樹-復(fù)墾桉樹(706～701 nm)。 除濕地松外, 大部分植被均出現(xiàn)了“紅邊位置”的“藍(lán)移”現(xiàn)象, 其中復(fù)墾紅葉石楠、 油桐和山茶出現(xiàn)了尺度較大的紅邊“藍(lán)移”。 說明復(fù)墾紅葉石楠、 復(fù)墾油桐和復(fù)墾山茶在礦區(qū)環(huán)境下受到的脅迫較為嚴(yán)重。 掌握了能反映出復(fù)墾植被受礦區(qū)環(huán)境脅迫強弱的信息, 有助于實施針對性治理, 為礦區(qū)綜合治理提供科學(xué)依據(jù)。

2.3 基于植被葉片原始光譜分形維數(shù)變異特征分析

分形維數(shù)通常被用來描述復(fù)雜圖形的整體特征。 上述的光譜特征參數(shù)包括植被指數(shù)與“三邊”參數(shù)(“三邊”參數(shù)是指基于光譜位置特征的相關(guān)變量, 即紅邊、 藍(lán)邊和黃邊)都只針對某個波段范圍內(nèi)的光譜曲線, 而部分研究表明地物光譜曲線也具有分形特征[14], 因此引入分形理論綜合描述礦區(qū)復(fù)墾植被和正常植被的光譜差異, 分形維數(shù)結(jié)果如表1所示。

表1 植被分形維數(shù)Table 1 Vegetation fractal dimension

通過計算礦區(qū)植被光譜曲線的分形維數(shù), 表1中用D表示, 可以看出同種植被在不同生長情況條件下, 呈現(xiàn)出復(fù)墾植被分形維數(shù)高于正常植被的規(guī)律, 其中復(fù)墾油桐和正常油桐的分形維數(shù)差異最大。 不同于其他光譜參數(shù)計算, 分形維數(shù)針對全段光譜曲線, 可以綜合反映植被光譜總體特征。 根據(jù)分形維數(shù)的大小一定程度可以判別同種復(fù)墾植被與正常植被, 為礦區(qū)植被識別與生態(tài)恢復(fù)提供參考依據(jù)。

2.4 基于植被葉片原始和一階導(dǎo)數(shù)的小波變換光譜變異特征分析

用Daubechies小波函數(shù)處理樣品的光譜曲線, 探測植被光譜在環(huán)境下的弱脅迫響應(yīng)。 將六種植被不同環(huán)境脅迫下原始反射以及一階導(dǎo)數(shù)光譜進(jìn)行離散小波變換, 如圖5所示。

圖5 植被原始光譜和一階導(dǎo)數(shù)光譜不同分解尺度離散小波變換波形圖(a)-(f): 植被原始光譜小波變換; (g)-(l)為植被一階導(dǎo)數(shù)(dv1)光譜小波變換Fig.5 Discrete wavelet transforms at different decomposition scales for the original and first-derivative spectra of vegetation(a)-(f): The wavelet transforms of the original spectra of vegetation; (g)-(l): The wavelet transforms of first-derivative spectra of vegetation

一維離散小波分解的分解尺度必須為2的整數(shù)冪。 如圖5所示, 1-8層的分解尺度分別為2、 4、 8、 …、 256 nm, 最終在1-8層產(chǎn)生8個小波細(xì)節(jié)系數(shù)分別為d1-d8。 從d1-d8, 隨著分解層數(shù)的增加, 呈現(xiàn)出光譜信號頻率逐漸降低, 小波細(xì)節(jié)系數(shù)減少, 且小波細(xì)節(jié)系數(shù)對應(yīng)的光譜特征減弱的趨勢。

圖5(a)-(f)為植被葉片原始光譜離散小波變換, 在小波細(xì)節(jié)系數(shù)d1-d4范圍內(nèi)噪聲較多, 峰谷特征不明顯。 從d5開始, 不同環(huán)境生長同種植被光譜曲線開始出現(xiàn)明顯的差異, 復(fù)墾植被和正常植被的峰谷特征在“紅邊位置”出現(xiàn)交叉。 但小波細(xì)節(jié)系數(shù)d6-d8范圍內(nèi), 光譜曲線逐漸平滑, 極值交叉點越來越少, 所包含的信息也就越少。 最終原始光譜離散小波換最佳細(xì)節(jié)系數(shù)為d5。

圖5(g)-(l)為植被葉片一階導(dǎo)數(shù)光譜離散小波變換, 不同于原始光譜離散小波變換, 在小波細(xì)節(jié)系數(shù)d1-d5范圍內(nèi)存在較多的噪聲, 直到d6復(fù)墾植被和正常植被在“紅邊位置”才出現(xiàn)明顯的峰谷特征位置交叉現(xiàn)象。 小波細(xì)節(jié)系數(shù)d7-d8范圍內(nèi)光譜曲線的奇異性開始減弱, 特征點開始減少, 最佳細(xì)節(jié)系數(shù)為d6。

與原始光譜離散小波變換相比, 在光譜特征數(shù)量相近的情況下, 一階導(dǎo)數(shù)光譜離散小波變換在更小的尺度下放大了光譜特征細(xì)節(jié)差異, 取得更好的效果。 葉片光譜離散小波變換有利于在多尺度上放大光譜細(xì)節(jié)特征, 對植被在礦區(qū)環(huán)境脅迫下的特征為礦區(qū)植被生長準(zhǔn)確監(jiān)測提供理論依據(jù)。

2.5 基于植被葉片原始和一階導(dǎo)數(shù)的短時傅里葉變換光譜變異特征分析

短時傅里葉變換(STFT)又稱窗口傅里葉變換, 短時傅里葉變換可以全面把握光譜回波的信號, 將空間域和頻域結(jié)合起來, 通過空頻分析同時分析光譜信號在空間和頻率的變化情況, 將一維植被光譜曲線轉(zhuǎn)換成二維傅里葉圖像, 礦區(qū)六種植被葉片原始和一階導(dǎo)數(shù)的短時傅里葉變換光譜如圖6所示。

如圖6所示, 我們將礦區(qū)復(fù)墾植被和正常的原始光譜以及一階導(dǎo)數(shù)光譜進(jìn)行短時傅里葉變換, 短時傅里葉變換在空間域?qū)⒐庾V信號截取為多段, 對每一段光譜信號做傅里葉變換, 并計算出頻率特性, 繼而組合完成空間-頻率域的二維圖像(空頻圖)。 經(jīng)過STFT處理后的光譜信號具有空間域和頻域的局部化特征。

在圖6(a)-(f)為植被葉片原始光譜短時傅里葉變換, 各原始植被光譜曲線所對應(yīng)頻譜圖具有隨波長增加其功率譜下降的趨勢, 全波段內(nèi)波形起伏轉(zhuǎn)折較多, 主要集中在350～750 nm(可見光-近紅外波段)。 這些空頻特征基本都出現(xiàn)在植被原始光譜的“紅邊”(700～750 nm)與中紅外第一個“波谷”(900～1 000 nm)處, 這兩個位置光譜反射率相近, 但是通過短時傅里葉變換, 在空頻圖上實現(xiàn)局域化, 突出了“紅邊”與中紅外第一個“波谷”處的空頻特征, 放大了復(fù)墾植被與正常植被的特征差異。

在圖6(g)-(l)為植被葉片一階導(dǎo)數(shù)光譜短時傅里葉變換, 各植被一階導(dǎo)數(shù)光譜曲線所對應(yīng)頻譜圖較原始光譜波形變化在全波段內(nèi)更加劇烈。 其空頻圖整體波長歸一化頻率高于原始植被光譜, 并且出現(xiàn)了更多的空頻特征波段。 一階導(dǎo)數(shù)光譜經(jīng)過短時傅里葉變換后, 整體空頻特征波段增加, 同時可以觀察到波長歸一化頻率的變化幅度也更大。 一階導(dǎo)數(shù)在更小的尺度上, 更多的波段放大并增加了空頻特征, 對于環(huán)境脅迫下的礦區(qū)植被識別與特征分析提供依據(jù)。

3 結(jié) 論

研究和分析了嶺北稀土礦區(qū)六種典型復(fù)墾植被及其對應(yīng)正常環(huán)境植被葉片高光譜數(shù)據(jù), 并且將原始光譜進(jìn)行一階導(dǎo)數(shù)、 離散小波變換、 短時傅里葉變換以及分形維數(shù)計算, 主要得到以下結(jié)論: (1)一階導(dǎo)數(shù)變換后“紅邊位置”上復(fù)墾紅葉石楠、 油桐和山茶的光譜曲線出現(xiàn)了尺度較大的 “藍(lán)移”現(xiàn)象。 (2)計算礦區(qū)植被光譜曲線的分形維數(shù), 得到同種復(fù)墾植被分形維數(shù)高于正常植被的規(guī)律。 (3)植被葉片光譜經(jīng)過離散小波變換, 原始光譜離散小波變換最佳細(xì)節(jié)系數(shù)為d5, 一階導(dǎo)數(shù)光譜離散小波變換最佳細(xì)節(jié)系數(shù)為d6。 (4)光譜通過短時傅里葉變換在空頻圖上實現(xiàn)局域化, 原始光譜空頻特征出現(xiàn)在“紅邊”與中紅外第一個“波谷”處, 而一階導(dǎo)數(shù)短時傅里葉變換在更小的尺度上, 更多的波段放大并增加了光譜曲線空頻特征。 以上實驗結(jié)果表明, 將信號處理方法運用在光譜處理能夠較好的提取礦區(qū)植被光譜變異特征, 達(dá)到我們通過對比復(fù)墾植被與正常植被光譜曲線, 間接監(jiān)測礦區(qū)生態(tài)環(huán)境恢復(fù)的目的。 稀土是重要的戰(zhàn)略資源, 也是不可再生資源, 加強項目環(huán)境保護(hù), 實現(xiàn)可持續(xù)發(fā)展刻不容緩。 研究結(jié)論為準(zhǔn)確實現(xiàn)礦區(qū)大面積高光譜遙感監(jiān)測提供理論依據(jù), 為礦區(qū)生態(tài)恢復(fù)重建提供技術(shù)支持。 不足在于本研究從葉片尺度進(jìn)行特征提取和分析, 一定程度上缺少對空間尺度的關(guān)注。 在后續(xù)的研究中可以加強對多空間尺度的關(guān)注, 加強地面實測復(fù)墾植被數(shù)據(jù)與無人機數(shù)據(jù)、 衛(wèi)星數(shù)據(jù)等多尺度之間的關(guān)系研究。