铜胁迫下玉米叶片光谱奇异性分析及污染评估

刘 聪,杨可明,夏 天,孙彤彤,郭 辉



铜胁迫下玉米叶片光谱奇异性分析及污染评估

刘 聪,杨可明*,夏 天,孙彤彤,郭 辉

(中国矿业大学(北京)地球科学与测绘工程学院,北京100083)

为了区分不同浓度铜离子(Cu2+)胁迫引发玉米的叶片光谱间微弱信息差异和铜污染程度,根据玉米叶片实测的SVC高光谱数据和同步获取的玉米叶片中铜含量数据,利用Daubechies小波系中的“Db5”小波,得到玉米叶片光谱在350~2500nm波段范围小波分解的第5层高频组分(d5),并采用盒维法计算d5的分形维数,通过分形维数邻近变化率()讨论不同铜胁迫梯度下玉米叶片光谱分形维数的变化趋势,从而可对d5的奇异范围、奇异幅度等光谱奇异性参数进行定量计算和分析.结果表明:d5能精确地探测到玉米不同铜胁迫梯度污染的光谱奇异性弱信息,并实现不同污染程度玉米高光谱信号的分离;d5分形维数随污染程度的增加先减小后缓慢升高,最后达到峰值,其中Cu(100)分形维数值最小;CK(0)与Cu(100)间为负,其他两个胁迫梯度区间内均为正,且Cu(100)和Cu(300)间绝对值最小,而Cu(300)和Cu(500)间绝对值最大;通过建立玉米叶片铜含量估算模型验证了玉米叶片中铜含量与奇异幅度及分形维数之间存在较强的相关关系,各胁迫梯度玉米叶片中Cu含量的差异均达到显著水平(为0.05),其决定系数2=0.9501.所以,光谱高频组分分形维数和奇异性特征能够有效地诊断并定量分析玉米铜污染程度状况,从而可为作物重金属污染监测提供借鉴意义.

高光谱；铜胁迫污染；小波变换；分形分析；奇异参数；估算模型

农田重金属污染具有隐蔽性强、毒性大、治理难而周期长等特点,成为当今世界面临的重大环境问题之一.污染主要来源于农药、工业废水、污泥和大气沉降等[1-3].近年来,我国大面积土壤遭受重金属污染,如何快速有效地监测农田重金属污染日益成为当下学术研究的热点.传统的监测农田重金属污染主要是从化学分析的手段和整个土壤-植被系统出发,虽然能获及瞬间的农田污染信息,但对植被具有较强的破坏性且无法大面积监测[4-9].20世纪80年代初高光谱遥感的出现弥补了上述方法的不足,由于高光谱遥感具有高分辨率、多波段、数据量丰富等特点,可以通过所测受污染植被的精细光谱来分析植被叶片的生化成分,因而可以大面积、快速、无损识别与度量作物重金属污染状况.近年来,国内外学者致力于利用高光谱遥感的方法对重金属污染胁迫下作物的光谱效应和生理生态参数进行了深入研究,已经取得了一些阶段性研究成果. Zhang等[10]利用AVIRIS影像对大面积番茄受病害胁迫情况进行监测,在高光谱数据的基础上建立了胁迫程度分类器. Clevers等[11]利用高光谱植被指数及红边位置监测河漫滩土壤的重金属污染状况,认为重金属在某些波段的光谱特征参数可以作为污染现状监测的有效指标. Dunagan 等[12]初次研究了汞污染土壤上菠菜叶片光谱在可见光/近红外波段范围的变化情况,采用逐步回归方法求得菠菜叶片Hg浓度与植物健康状况指标之间的相关关系,发现比值植被指数(ratio vegetation index,RVI)和红边位置(red edge position,REP)能够很好地指示菠菜叶片中Hg浓度.迟光宇等[13]研究了水培条件下小麦Cu污染与特征光谱之间的相关关系,利用单变量回归技术分别建立基于500~670nm和760~1000nm区间的光谱反射率积分差以及690~750nm区间的蓝移程度与小麦Cu胁迫程度估测模型.刘素红等[14]研究认为控制条件下Cu、Zn和Pb分别对小麦、白菜和水稻光谱反射特征的影响,结果表明,“红边”蓝移程度及近红外反射坪的变化幅度与作物体内的叶绿素含量和重金属含量均存在较强的相关关系.上述研究成果大多是通过影像和光谱特征参数来研究重金属对植被的胁迫程度,对差异性较大的光谱具有较好的区分效果,而在区分相似性高的光谱时灵敏度很低,很难将差异微弱的相似光谱明显区分开.针对上述方法存在的不足,本文尝试利用小波变换与分形理论相结合的方法,得到光谱高频组分分形维数和奇异特征参数对光谱弱信息进行增强,并通过多元回归建立玉米叶片铜含量与奇异幅度和分形维数之间的相关性模型,来分析和评估玉米受重金属污染程度,从而达到监测和预警作物重金属污染的目的.

2 实验内容和方法

2.1 实验内容

实验选取“中糯1号”玉米种子和不透水有底漏的花盆进行培植. 用CuSO4·5H2O的分析纯溶液胁迫玉米发育生长.玉米叶片反射光谱测量采用350~2500nm波谱范围的SVC-HR-1024I高性能光谱仪,Cu2+含量的实验室测量采用原子吸收分光光度计.

2.1.1 植株培养 2016年5月6日对玉米种子进行催芽,5月8日在盆栽土壤中种植.5月9日出苗后浇灌营养液NH4NO3、KH2PO4和KNO3.种植玉米的盆栽土壤分别设置了0,100,300, 500μg/g 4种CuSO4浓度胁迫梯度,每个浓度均设置3组平行实验(分别记为CK(0-1)、CK(0-2)、CK(0-3)、Cu(100-1)、Cu(100-2)、Cu(100-3)、Cu(300-1)、Cu(300-2)、Cu(300-3)、Cu(500-1)、Cu(500-2)、Cu(500-3)),共计12盆盆栽玉米.在培植期定期浇水并每天通风换气.

2.1.2 光谱数据采集 使用光谱仪配套功率为50W的卤素灯光源和4°视场角的探头,探头垂直于叶片表面40cm;为防止土壤对玉米叶片测量光谱的影响,用黑色塑料袋将花盆盖住;光谱反射系数经专用平面白板标准化.测量时,首先将标准白板水平放置,保证白板表面清洁,测白板的反射率,观察白板波谱曲线,当其曲线在100%反射率处近似成一条直线时,白板校正完毕.然后测量玉米叶片的反射光谱,最终输出的每种Cu2+胁迫浓度的玉米叶片光谱线由3条原始扫描光谱自动平均所得.

2.1.3 Cu2+含量测定 将被采集了光谱的玉米叶片样品进行冲洗、烘干、称重等一系列预处理后,贴上标签、注明样品铜胁迫梯度并装入样品袋.然后将样品袋带入实验室化验分析,用燃烧原子吸收光谱法测定各梯度样品的Cu2+含量,所得玉米叶片的Cu2+含量与原土壤的Cu2+胁迫浓度如表1所示.

表1 不同胁迫浓度下玉米叶片中Cu2+的实验室测定含量

2.2 方法

本文运用小波变换、分形理论相结合的方法,旨在对微小变化量的光谱弱信息进行提取、计算和建模. 具体步骤为:(1)多尺度小波变换获得玉米光谱高频组分,以提取和增强重金属胁迫弱信息.(2)分形分析对经小波变换后的含有重金属胁迫弱信息的高频组分进行分形维数D的计算,获得光谱定量参数.(3)对原始光谱经小波分解后的高频组分中的奇异参数进行统计并计算. (4)利用光谱高频组分的奇异幅度及分形维数构建玉米叶片中Cu含量估算模型.

2.2.1 小波变换 小波变换是一种时间—尺度分析方法,在时间、尺度(频率)两域都具有表征信号局部特征的能力,在低频部分具有较低的时间分辨率和较高的频率分辨率,而在高频部分具有较高的时间分辨率和较低的频率分辨率,很适合于探测正常信号中夹带的反常现象并展示其成分. Daubechies小波系中的“Db5”小波函数对重金属胁迫污染下的作物光谱异常信号探测具有较好的性能[15]. 处理过程是两个互补对称滤波器将原始信号分解为低频和高频两部分,然后继续用同样的处理方法对信号的低频部分进行再分解,经过多层分解可以将原始信号分解为多个子信号,其表达式如下:

式中:()为玉米的原始光谱信号;为分解层数;a为低频部分信号;d为高频部分信号.

3 结果与讨论

3.1 不同Cu污染程度玉米光谱高频组分差异

本文利用Db5小波将玉米原始光谱350~ 2500nm波段分解为不同层数,发现将信号分解为5层时能够达到提取和增强玉米重金属污染弱信息的目的.原始光谱信号经小波分解后得到高频部分d1、d2、d3、d4、d5和低频部分a5.高频部分d1、d2、d3、d4一般都含有较多的噪声信息,而d5既有效地去除了噪声又完整地保留了信号的奇异性,可以作为可利用的高频组分以便下一步处理. 以Cu(100-1)为例,其叶片光谱分解结果如图1所示.采集的12组原始光谱数据如图2-A所示.对原始光谱进行Db5小波分解得到第五层高频组分数据如图2-B所示.

图1 Cu(100-1)的玉米叶片光谱小波分解示意

由图2-A可以看出CK(0)和受不同Cu浓度胁迫的玉米光谱在波长为350~2500nm范围内未发生明显分离现象,尤其是Cu(100)和Cu(300)的玉米光谱交错分布在CK(0)和Cu(500)之间,表现为随机性和无规律性,难以用常规的光谱分析法来判别玉米受重金属污染程度.原始光谱信号经小波变换后的高频组分d5则能有效地分离了不同Cu污染水平的玉米光谱信号(图2-B),尤其是在700nm、1360nm、1430nm、1550nm、1825nm、1900nm和1980nm附近有明显的变化.对于相同Cu污染水平的d5曲线形成了紧密的一簇,其在图上表现出来的特征是CK(0)、Cu(100)、Cu(300)和Cu(500)4簇相对独立的曲线,这主要是由于同一Cu污染等级对作物影响的一致性与不同Cu污染等级对作物影响的差异性所致.

A. 不同污染水平的玉米原始光谱

B. 不同污染水平的玉米光谱d5曲线

图2 不同污染水平的玉米原始光谱和d5曲线

Fig2 Original spectra (A) and d5 curves of corn (B) with different pollution levels

3.2 高频部分的分形特征对玉米铜污染的响应机理

3.2.1 不同Cu污染程度玉米光谱高频部分分形维数的计算 实验分别测得3个Cu污染水平及对照组CK(0)共计12个样本d5曲线分形维数值(表2),以Cu(100-1)为例(图3),并将它们绘制成散点图(图4).由图4及表2分析得出,Cu污染程度越高,分形维数值越大,并且同一污染水平散点分布较为集中.其中CK(0)的d5曲线分形维数主要集中在1.26~1.27间,而Cu(100)、Cu(300)、Cu(500)则主要集中在1.25~1.26、1.26~1.27、1.27~1.28间.由此可得,当向培育玉米的土壤中施加Cu2+浓度为100μg/g时,分形维数较对照组CK(0)有明显的减小趋势;而当向土壤中施加Cu2+浓度为300μg/g后,分形维数停止减小开始回升;当施加的Cu2+浓度增至500μg/g时,分形维数达到最大值.究其原因,可能是Cu2+对玉米的影响表现为“低促高抑”.当向培育玉米的土壤中施加少量的Cu2+,会增加玉米细胞色素氧化酶的合成,从而促进玉米的生长和光合作用,使得玉米光谱的高频部分分形维数相对减小;而当向土壤中施加较高浓度的Cu2+时,对玉米的影响表现为毒害作用;当向土壤施加过量的Cu2+,会使根部受到严重损伤,在玉米光谱中的表现为高频组分d5分形维数值增大.

表2 不同污染水平d5分形维数及同一污染水平d5分形维数均值

式中:1和2表示相邻污染水平的分形维数.

图3 Cu(100-1)分形维数计算示意

图4 不同污染水平d5分形维数

根据式(3)对表2中的数据进行详细的统计计算,结果如表3所示.从中可以看出Cu(100)和Cu(300)间d5分形维数变化率绝对值最小,可能是较高浓度的Cu2+开始抑制玉米的生长,玉米在色素、细胞结构和植株结构等各项生理功能正处于逐渐被胁迫阶段,d5分形维数开始逐渐增加但增速较为缓慢;随着胁迫浓度的提高,玉米各项生理参数发生剧烈改变,当胁迫浓度增至500μg/g时,绝对值达到最大值0.0111,此时随着胁迫程度达到最大值,d5分形维数增速也达到相应的最大值.

表3 相邻污染水平间分形维数邻近变化率

注:(=1、2、3)表示相邻胁迫梯度间分形维数邻近变化率,其中1为CK(0)与Cu(100)间的邻近变化率,以此类推为2、3.

3.2.2 光谱高频部分特征分析 玉米受到Cu污染后,其生理生态参数发生改变,如叶绿素、水分含量、细胞结构等,它们的微小变化可能导致玉米叶片原始光谱波形的变化,但这种微小变化在光谱数据上没有产生显著响应,只是在某些波段发生微小的突变情况.这些突变信息引起了光谱信号的奇异性,使得光谱本身奇异点的位移和振幅产生变化,而这些奇异点在原始光谱信号上很难被察觉.小波变换的时域—频域局部性质,可以较为准确地捕捉原始光谱信号奇异点的变化并能作定量的计算和分析,从而提取出玉米Cu污染产生的光谱奇异性弱信号.一般情况下不采用原始光谱信号作为判别依据,而是利用原始光谱信号经小波变换后的曲线进行诊断,原始信号的奇异点对应着小波系数(d5曲线)的极值点(图4).其中小波系数的极值点越多,小波系数模值越大,光谱奇异性越强,代表玉米受铜污染程度越严重;小波系数极值点越少,小波系数模值越小,曲线越平滑,光谱奇异性越弱,代表玉米受铜污染程度越微弱.由于1300~2500nm波长范围的植物光谱受水分和大气的影响而噪声很大,特别是在1300~1600nm(中心位置约1400nm)和1830~2000nm(中心位置约1900nm)位置,反射率曲线由于水分的强烈吸收形成两个明显的波谷,从而出现较大异常,对分析结果产生极大干扰,因此本文选取350~1300nm之间的玉米光谱进行研究,以CK(0-1)和Cu(300-1)原始光谱经小波变换后提取的高频组分d5曲线极值点分布如图5所示.

图5 CK(0-1)和Cu(100-1)玉米叶片光谱的d5曲线极值点分布对照

从图5可以很直观地看出二者间的差异,虽然在350~1300nm波段间CK(0-1)和Cu(300-1)的小波系数极值点数量没有发生变化,但极值点位置都有不同程度的变化,其中振幅变化尤为明显,特别是在674.4nm和703.8nm位置的极值点振幅大小发生巨大改变.此处正好位于玉米“红边”位置(680~750nm)这一敏感特征波段,这是因为当玉米受到Cu2+污染会诱发中毒性病变,则光谱红边发生蓝移(向短波方向偏移).为了全面了解不同Cu污染水平下光谱波形的变化,本文选择Cu的各胁迫梯度第一组原始光谱数据的Db5小波分解作为实验结果示意,将分解后所得到的d5曲线在350~1300nm间极值点的位置进行详细统计,统计结果如表4所示.

表4 不同Cu胁迫梯度的d5曲线奇异点位置和小波系数值

为了比较不同胁迫梯度的奇异点位置与对照组Ck(0-1)之间的关系,以Ck(0-1)的奇异点位置为标准,对Cu(100-1)、Cu(300-1)、Cu(500-1)奇异点发生的位移和相对变化幅度进行了统计(表5).由表5可以看出,在玉米350~1300nm范围内,受到Cu污染影响较为明显的响应波段分别是674.4nm、705.2nm、740.8nm、761.7nm和802.9nm,这些波段的奇异点位移和幅度相较CK(0-1)有较大差异,而它们也正好为植被“红边”这一敏感特征光谱段上,通常情况下,红边可以作为植物受到重金属污染状态下的光谱指示波段区.但这些波段在不同污染水平下,极值点位置差异的变化方式有所不同.Cu(100-1)相较于CK(0-1)的位移变化较大,而奇异幅度变化较小.其中674.4nm、705.2nm、740.8nm奇异点的位移都在30nm左右,振幅变化只有±1左右;而Cu(300-1)和Cu(500-1)相较于CK(0-1)的位移变化不大,奇异幅度变化却很明显.其中在674.4nm和705.2nm处,奇异幅度更是超过5以上,但位移基本没有变化.为了排除上述现象的偶然性,对另外两组样本也进行了相应的统计计算,发现与之相似的现象.造成这种现象的原因可能是Cu对玉米的污染影响表现为胁迫梯度“低促高抑”,由于Cu是玉米生长不可缺少的元素,当向培育玉米的土壤中添加少量的Cu,会增加玉米细胞色素氧化酶的合成,从而促进玉米的生长和光合作用.由于玉米的生理特性并没有受到少量Cu的影响而发生改变,因此在d5曲线上的变化仅仅是奇异点的位移发生改变,但振幅变化很小.但当玉米受到较高浓度Cu胁迫时,玉米各项生理特性发生改变,对玉米的影响表现为毒害作用,使得奇异点出现上下波动现象,特别是在植物“红边”这一敏感特征波段,波动现象更为显著.

表5 不同污染水平的d5曲线极值点相对于对照组的位移及振幅差

注: *表示Cu(100-1)、Cu(300-1)、Cu(500-1)分别相对于对照组CK(0-1),位移=-,为各污染水平极值点位置所对应波长,为CK(0-1)极值点位置所对应波长. 振幅差=-,为各污染水平极值点位置所对应的d5值,为CK(0-1)极值点位置所对应的d5值.

3.3 玉米叶片Cu含量估算模型的构建

Cu=898.99+4.28-707.15(4)

对模型精度进行验证:各胁迫梯度下玉米叶片中Cu含量的差异均达到显著水平(为0.05),其决定系数2=0.9501,F_检验值=47.6229>阈值f=0.0006.从式(4)可以看出玉米在不同污染程度下叶片中Cu含量与叶片光谱高频组分奇异幅度和分形维数之间存在着较强的相关关系.为了验证上述模型的可靠性和准确度,利用实验所测的第三组样本数据对该模型进行检验.表6为模型的预测值,通过与第三组玉米叶片中Cu含量的实测值之间的对比可以看出两者有相当高的相似度.

图6 不同污染水平玉米叶片Cu含量和奇异幅度

表6 玉米叶片中Cu含量实测值与污染估算模型预测值对照表

图7 玉米叶片中Cu含量实测值与污染估算模型预测值的关系图

图7展示了实测值与预测值的1:1关系图.从图中可以直观地看出预测值和实测值之间存在着较强的线性关系,且相关系数2=0.9762,说明了基于光谱高频组分分形维数和奇异幅度的玉米叶片Cu含量估算模型可以达到良好的预测效果,间接验证了该模型的准确度和可靠性.因此,通过光谱高频组分奇异性指标及分形维数可以建立玉米Cu污染程度的定量模型,从而能实现监测玉米Cu污染状况的目的.

4 结论

4.1 小波变换是从整体到局部多尺度分析高光谱信号,能够有效地增强和提取玉米光谱的重金属Cu污染弱信息,并可实现不同污染程度的高光谱诊断信息分离.原始光谱信号经Daubechies小波系“Db5”函数第五层分解的小波系数(d5)曲线,不但可以准确地定位出因Cu污染引起明显变化的光谱奇异波段位置,而且通过对奇异幅度大小的计算可以分析不同污染程度对玉米生长的影响规律.

4.2 d5的分形维数还可以定量区分玉米受到重金属Cu的不同污染程度下光谱奇异性差异.通过对不同污染程度下光谱高频部分d5分形维数的计算发现,其大小随污染程度的增加先减小后缓慢升高,最后达到峰值.其中在Cu2+胁迫浓度为100μg/g时分形维数值最小,而当Cu2+胁迫浓度为500μg/g时达到最大值.同时通过定义分形维数邻近变化率,还可用于分析不同胁迫梯度间分形维数大小反映“低促高抑”的变化趋势.

4.3 玉米光谱信号高频组分奇异幅度和分形维数可以有效地实现玉米Cu污染程度的诊断和预算.实验证明玉米在不同污染程度时叶片中Cu2+含量与叶片光谱高频组分奇异幅度和分形维数之间存在着较强的相关关系,从而可基于光谱高频组分分形维数和奇异幅度,建立玉米叶片中Cu2+含量估算模型,实验验证了该模型具有良好的玉米Cu污染预测效果以及较高的准确度和可靠性.

[1] 章明奎,王美青.杭州市城市土壤重金属的潜在可淋洗性研究[J]. 土壤学报, 2003,40(6):915-920.

[2] 王 爽,李荣华,张增强,等.陕西潼关农田土壤及农作物重金属污染及潜在风险[J]. 中国环境科学, 2014,34(9):2313-2320.

[3] 海米提·依米提,祖皮艳木·买买提,李建涛,等.焉耆盆地土壤重金属的污染及潜在生态风险评价[J]. 中国环境科学, 2014,34(6): 1523-1530.

[4] 黄益宗,朱永官,黄凤堂,等.镉和铁及其交互作用对植物生长的影响[J]. 生态环境学报, 2004,13(3):406-409.

[5] Alexander P D, Alloway B J, Dourado A M. Genotypic variations in the accumulation of Cd, Cu, Pb and Zn exhibited by six commonly grown vegetables [J]. Environmental Pollution, 2006, 144(3):736-45.

[6] Bang J, Hesterberg D. Dissolution of trace element contaminants from two coastal plain soils as affected by pH [J]. Journal of Environmental Quality, 2004,33(3):891.

[7] 周 航,周 歆,曾 敏,等.2种组配改良剂对稻田土壤重金属有效性的效果[J]. 中国环境科学, 2014,34(2):437-444.

[8] 姜虎生.镉胁迫对玉米生理特性的影响[J]. 辽宁石油化工大学学报, 2004,24(2):35-37.

[9] 李博文,郝晋珉.土壤镉、铅、锌污染的植物效应研究进展[J]. 河北农业大学学报, 2002,25(s1):74-76.

[10] Zhang M, Qin Z, Liu X, et al. Detection of stress in tomatoes induced by late blight disease in California, USA, using hyperspectral remote sensing [J]. International Journal of Applied Earth Observation & Geoinformation, 2003,4(4):295-310.

[11] Clevers J G P W, Kooistra L. Assessment of heavy metal contamination in river floodplains by using the red-edge index [J]. Proceedings of Earsel Workshop on Imaging Spectroscopy, 2003,25(19):3883-3895.

[12] Dunagan S C, Gilmore M S, Varekamp J C. Effects of mercury on visible/near-infrared reflectance spectra of mustard spinach plants (Brassica rapa P.) [J]. Environmental Pollution, 2007,148(1):301- 311.

[13] 迟光宇,刘新会,刘素红,等.Cu污染与小麦特征光谱相关关系研究[J]. 光谱学与光谱分析, 2006,22(7):62-66.

[14] 刘素红,刘新会,侯 娟,等.植物光谱应用于白菜铜胁迫响应研究[J]. 中国科学(E辑:技术科学), 2007,37(5):693-699.

[15] 方美红,刘湘南.小波分析用于水稻叶片氮含量高光谱反演[J]. 应用科学学报, 2010,28(4):387-393.

[16] Mandelbrot B B, Wheeler J A. The Fractal Geometry of Nature [J]. Journal of the Royal Statistical Society, 1983,147(4):468p.

[17] Dong P. Fractal signatures for multiscale processing of hyperspectral image data [J]. Advances in Space Research, 2008,41(11):1733-1743.

[18] 李伯奎,杨 凯,刘远伟.分形理论及分形参数计算方法[J]. 工具技术, 2004,38(12):80-84.

[20] Peng Z K, Chu F K. Singularity analysis of the vibration signals by means of wavelet modulus maximal method [J]. Machine Systems and Signal Processing, 2007,21(2):780-794.

Analysis on spectral singularity and pollution assessment of corn Leaves under copper stress.

LIU Cong, YANG Ke-ming*, XIA Tian, SUN Tong-tong, GUO Hui

(College of Geoscience and Surveying Engineering, China University of Mining & Technology (Beijing), Beijing 100083, China)., 2017,37(10)：3952~3961

According to the data of the corn leaf spectra collected by a SVC hyper-spectrometer and the Cu contents measured synchronously in the corn leaves, the high frequency components of fifth layer wavelet decomposition (d5) were obtained by the “Db5” wavelet in Daubechies wavelets for the corn leaf spectra within the wavelength range from 350 to 2500nm, the fractal dimension of d5 could be calculated by the box dimension method, and the changing trend of fractal dimension of corn leaf spectrum under different Cu stress gradient was discussed based on a neighborhood change rate () of the fractal dimension, so that the spectral singularity parameters of d5 might be quantitatively calculated and analyzed such as the singular range, singular amplitude and the likes to distinguish the differences on weak information between the corn leaf spectra and the copper pollution levels of corn stressed by different copper ion (Cu2+) concentrations. The experimental results showed that the d5could precisely detect the weak spectral singularity information of corn under different Cu stress gradients, and realize the separation of hyperspectral signals of corn leaves at different pollution degrees; the d5fractal dimensions reduced firstly, then risen slowly and finally reached the peak value with the increase of pollution degree, among them the fractal dimension of Cu(100) was the minimum; thevalues between CK(0) and Cu(100) were negative but positive in the other two stress gradient intervals, and the absolute value ofrates between Cu(100) and Cu(300) was the smallest. However the absolute value ofrates between Cu(300) and Cu(500) was the largest; it was validated that there was a strong correlation between the Cu content in corn leaf and the singular amplitude and fractal dimension through establishing the model on estimating Cu content in the leaf, the difference of Cu content in each leaf with different pollution degree reached a significant level (is 0.05), and its determination coefficient2= 0.9501. So the fractal dimension and singularity characteristics of spectral high frequency components could be used to diagnose effectively and analyze quantitatively the Cu pollution status of corn, and might provide some reference for monitoring heavy metal pollution of crops.

hyperspectral；copper stress pollution；wavelet transform；fractal analysis；singular parameter；estimation model

X171.5

A

1000-6923(2017)10-3952-10

刘 聪(1992-),男,安徽马鞍山人,中国矿业大学(北京)地球科学与测绘学院硕士研究生,研究方向为遥感技术与应用.发表论文1篇.

2017-03-05

国家自然科学基金项目(41271436);中央高校基本科研业务费专项资金(2009QD02)

* 责任作者, 教授, ykm69@163.com