基于高光谱激光雷达的滞尘叶片光谱特征分析

2022-08-24郭航邵慧陈杰何子辛曹铮汪慧民颜普

大气与环境光学学报 2022年4期

郭航,邵慧,陈杰,何子辛,曹铮,汪慧民,颜普

(安徽建筑大学电子与信息工程学院, 安徽合肥 230601)

0 引言

城市树木是维持城市生态系统平衡的元素之一,可以减缓温室效应、净化空气,还可以降噪除尘、涵养水分和防风固沙。随着现代化进程的推进,城市化不断扩大,工地粉尘、道路施工以及汽车尾气等问题日益突出,使得空气污染日益加剧,严重影响到人们的生活和城市生态系统的稳定[1]。

研究发现,树木可以滞留空气中的颗粒物(PM)、二氧化硫和氮氧化物等空气污染物。树木叶片可通过粘贴和吸附等手段滞留这些空气污染物[2,3],最终沉淀降解[4]。但树种的差异使叶片面积、光滑度和质地等有所不同,因此叶片滞尘降尘能力不同[5]。Wang 等[6]研究发现叶片的滞尘能力与叶形有关,这可能与叶表面的蜡管有一定关系;孙腾腾等[7]使用光谱仪采集不同时间段的不同树木冠层光谱数据,发现叶片光谱会受到滞尘量和树种的影响;朱济友等[8]以同一树种(大叶黄杨)叶片为研究对象,探究了滞尘量对光谱特征的影响,并建立了相关滞尘量预测模型;除此之外,Lin 等[9]、胡梦玲等[10]研究发现,叶片的光合速率和含水量会受到滞留的粉尘影响。叶片是进行光合作用的位置,这与树木的生长状态息息相关,而光谱特征会随着叶片状态的变化而变化。滞尘对叶片的影响与时间、外界环境(光照、水分等)和树种差异有关,也与样本来源有关。但是,在相同生长环境条件下,滞尘对城市不同树种叶片光谱特征和同种树种叶片光谱特征的提取研究,以及滞尘对与叶片生长关系十分密切的几种相关植被指数的影响等研究还相对匮乏,有待更深入研究与分析。

为此,本工作利用高光谱激光雷达系统采集了八角金盘、石楠、香樟和玉兰四种样本的高光谱数据。分析了滞尘对不同树种叶片光谱特征和单个叶片光谱特征的影响;以叶片除尘前后的超连续光谱反射率为基础,讨论叶面水含量指数(LWI)、红边指数(SDr)、简单比值指数(SR)、叶面叶绿素指数(LCI)和比值植被指数(RVI)对滞尘的敏感性及响应程度;最后建立了滞尘植被指数(VI)与响应程度相关性拟合模型,并检验了模型稳定性,探究了二者间的相关性。

1 实验部分

1.1 研究区

合肥地处中国华东地区,属于亚热带季风气候,四季分明,雨量适中,光照水分充足。经济的快速发展却使得近年来的空气质量下降,虽然近两年的空气质量较往年有所提高,但冬季仍是空气质量差的主要季节[11]。空气质量的下降影响着人们的健康,也给城市树木的生长造成了一定影响。为了研究占据空气污染物中较大比例的粉尘给城市树木带来的影响,以合肥市安徽建筑大学为实验研究区,以主干道两旁的常绿树木为研究对象进行实验分析,探究了滞尘对树木叶片光谱特征的影响。

1.2 样本采集与实验设计

2021 年1 月8 号上午10:00,采集了四种不同树种的滞尘叶片(新鲜健康),在维持滞尘状态下快速采集叶片的高光谱点云数据。数据采集前,调整仪器和样本位置使激光垂直入射,并固定。数据采集时,先测量并获取滞尘叶片的光谱数据,再测量获取除尘后同一位置的光谱数据,直至测量完成,实验流程如图1 所示。

图1 实验流程图Fig.1 Experimental flowchart

1.3 光谱反射率的测量和数据处理

1.3.1 光谱反射率的测量

实验使用的是基于声光可调谐滤波器(AOTF)的高光谱激光雷达(HSL),HSL 拥有主动超连续激光源,能够获得丰富的光谱数据。2019 年,Chen 等[12]比较了HSL 和光谱仪采集植物绿叶和黄叶的光谱数据,发现在500∼1000 nm 波段内HSL 的光谱数据与光谱仪采集的光谱数据十分相近。Jiang 等[13]使用HSL 提取了植物红边的参数,通过多种方法证明了HSL 提取绿色植物光谱参数的有效性[12,13]。本实验使用的AOTF-HSL分辨率为5 nm,选取的光谱范围为550∼1000 nm。

进行光谱测量时,为了考虑角度差异带来的影响,利用支架和精度为0.05◦的高精度电子数显水平测角仪(测角仪下方具有强磁性,可稳定吸附)保证除尘前后样本的位置及角度不变,如图2 所示。具体操作为:首先调节支架高度,使样本与激光处于同一水平位置;然后将测角仪水平放置在横向支架上,调节右边横向水平支架,直到测角仪为零度,再以横向水平角度为基准,将测角仪放置在左边垂直支架上,调整支架使测角仪为90◦;最后固定支架,并固定样本,样本使用支架自带的螺钉和螺帽固定(固定效果较好)。

图2 测角仪和支架用于固定样本Fig.2 Goniometer and bracket for fixing the sample

1.3.2 数据处理

(1)红边位置

绿色植物在680∼740 nm 的反射率会快速上升,称之为红边,而红边位置是红边参数的研究重点。本研究通过三种不同的方法得到红边位置:1)对原始光谱反射率进行一阶微分,得到光谱一阶导数(FD),并通过确定红边波段内光谱一阶导数的最大值点对应的波长得到红边位置;2)对光谱进行二阶微分处理,得到光谱二阶导数(SD),确定二阶导数零点对应的波长得到红边位置;3)利用线性四点内插法(LFPIT)计算得到红边位置。LPFIT 是常用的红边位置计算方法之一[13,14],利用670、700、740、780 nm 不同波段对应的反射率值进行内插得到红边位置,其计算公式分别为

2 实验结果与讨论

2.1 滞尘对不同树种叶片光谱的影响

四种叶片除尘前后的原始光谱反射率如图3 所示。由图可知,叶片受到自身色素含量、含水量和结构等因素的影响,反射率大小会有所不同[15]。滞尘时的石楠在可见光波段的反射率大于玉兰,除尘后则相反。在近红外波段的反射率大小对比不变。结果表明,在可见光波段,滞尘对不同树种叶片反射率的影响较大。

图3 四种叶片除尘前后的原始光谱反射率。(a)滞尘叶片反射率;(b)除尘叶片反射率Fig.3 The original spectral reflectance of four kinds of leaves before and after dust retention. (a)The reflectance of dust retention leaf;(b)the reflectance of dust removal leaf

在可见光波段,叶绿素等色素是影响反射率的主要因素,反射率一般不高于20%,滞尘使得四种叶片反射率大小对比变化较大。在近红外波段,反射率主要受叶结构影响,不同树种滞尘叶片的反射率大小虽有变化,但是对四种叶片影响不大。

2.2 滞尘对单个叶片光谱的影响及其导数分析

2.2.1 滞尘对反射率的影响

在可见光波段,四种滞尘叶片的反射率高于除尘,且差异较小;近红外波段滞尘叶片反射率低于除尘,与朱济友等[8]的研究结果一致。但是近红外波段的反射率差异大于可见光波段。通过对除尘前后不同叶片在同一波长下的原始反射率进行对比计算,得到了可见光波段内反射率差值的最大值作为该波段反射率差异大小的代表,并使用同样方法得到了近红外波段的反射率差值的最大值。具体如表1 所示。由表可知,在可见光波段,四种叶片反射率的差值分别为3.41%、2.18%、1.21%和1.90%,反射率差值最大的是八角金盘(3.41%);在近红外波段,反射率的差值分别为8.49%、8.49%、1.76%和5.79%,八角金盘和石楠的反射率差值最大,且均为8.49%,说明滞尘对四种叶片近红外的反射率差异影响较大,也说明滞尘对不同树种叶片光谱特征影响不同。叶片的降尘效果与叶面积、表面粗糙程度和种类等有关[16]。八角金盘叶大肥厚且颜色较深,香樟叶小而薄,说明滞尘对香八角金盘和香樟的影响与叶面积大小和叶绿素含量有关。

表1 除尘前后四种叶片的最大反射率差值Table 1 Maximum reflectance difference of four leaves before and after dust removal

2.2.2 除尘前后叶片的光谱导数分析

红边位置是红边参数的研究重点,对红边位置的提取有利于分析滞尘对绿色植物叶片红边光谱特征的影响。在红边波段,除尘前后叶片的一阶导数变化趋势相近,但红边斜率有所不同,其大小与叶绿素含量有关,说明滞尘对叶绿素含量变化有影响。通过一阶导数分析还发现除尘前后叶片的红边位置变化不大,使用常用的三种方法(LFPIT、FD 和SD)得到除尘前后的红边位置,如表2 所示。由表可知,LFPIT 求出的四种叶片除尘前后的红边位置的差值分别为0、1、1、0 nm;FD 求出的红边位置的差值分别为0、5、0、0 nm;SD 求出的红边位置的差值分别为0、5、0、0 nm。结果说明滞尘对叶片红边位置的影响不显著。

表2 除尘前后的红边位置Table 2 Red edge position before and after dust removal

2.3 滞尘对植被指数的影响分析

植被指数是反映植被生长状态的常用光谱特征之一,包括LWI、SR、RVI、LCI 和SDr[17,18]。利用除尘前后五种植被指数的变化,观察滞尘对五种植被指数的影响,结果如表3 所示。

表3 除尘前后五种植被指数变化Table 3 The change of five vegetation indexes before and after dust removal

除尘前后,四种叶片的叶面水含量指数在0.929∼1.035 之间,红边指数在0.062∼0.098,简单比值指数在0.475∼0.816,叶面叶绿素指数在0.045∼0.423,比值植被指数在4.336∼10.425。虽然除尘前后的叶面叶绿素指数相对变化幅度最大,但是石楠、香樟和玉兰的叶面叶绿素指数均在0.294∼0.423 之间,八角金盘的叶面叶绿素指数在0.045∼0.126,所以八角金盘的叶面叶绿素指数对滞尘最敏感。除尘后相对变化幅度最小是叶面水含量指数,所以叶面水含量指数对滞尘最不敏感。

四种叶片在除尘前后的植被指数表现为:滞尘时,叶面水含量指数值大于除尘后、简单比值指数值大于除尘后,比值植被指数值小于除尘后。说明四种叶片的三种植被指数对滞尘的影响呈现出响应一致性,但并不能简单判断所有叶片的响应一致性,也判断不出不同树种的植被指数对滞尘的响应程度。

为了进一步分析不同植被指数对滞尘的响应程度,分别计算得到了四种叶片不同植被指数的敏感响应比,如表4 所示。通过计算得到四种叶片五种植被指数的敏感响应比。对于单个叶片来说,滞尘对八角金盘的LCI 和RVI 影响较大,对石楠的SR 和RVI 影响较大,对香樟的LCI 和RVI 影响较大,对玉兰的SDr 和RVI 影响较大。结果说明: 同种树种的不同植被指数的敏感响应比不同。对于不同树种叶片来说,除尘前后SR、SDr 和LCI 的RSR差异范围较小,LCI 的RSR差异范围最大。结果说明: 不同树种的RVI 对滞尘的响应程度最大,除受到滞尘影响较小的香樟外,敏感响应比均在20.0%以上;LWI 对滞尘的响应程度最小,最大敏感响应比为3.7%。

表4 滞尘对光谱参数的影响程度Table 4 Influence degree of dust retention on spectral parameters

2.4 IDV 与RSR 的相关性拟合模型建立与稳定性检验

2.4.1 拟合模型的建立

为了进一步探究滞尘植被指数与敏感响应比之间的关系,取70%的叶片样本作为建模数据,以四种不同树种滞尘叶片的植被指数为自变量,其对应得到的敏感响应比为因变量,进行回归拟合,建立线性形式的相关性拟合模型,结果如表5 所示。由表可知,以LWI、SDr、SR、LCI 和RVI 为参数建立拟合模型的R2值分别为0.22、0.02、0.10、0.95 和0.77,结果说明: 以RVI 和LCI 建立的拟合模型稳定性较好。而SDr、SR、LWI 的R2均小于0.25,说明这三个参数建立的拟合模型稳定性较差。因此,根据决定系数的显著性,以RVI 和LCI 建立的拟合模型较好。

表5 相关性拟合模型Table 5 Correlation fitting model

2.4.2 拟合模型的稳定性检验

通过对拟合模型R2值的分析,确定了以RVI 和LCI 建立的拟合模型。通过依次添加剩下的30%检验样本(香樟、玉兰和石楠),在此基础上探究建立的拟合模型稳定性。如表6 所示,在依次加入香樟、玉兰和石楠后,以LCI 建立的拟合模型的R2为0.88,说明以LCI 建立的拟合模型稳定性较好。如表7 所示,以RVI建立的拟合模型的R2为0.20,此时R2值极不显著,说明虽然比值植被指数对滞尘的响应程度最大,但是建立的拟合模型却极不稳定。