0 引 言

高光谱遥感找矿应用正进入快速发展的良好时期,且已被成功运用于裸露地区的岩矿识别与矿物填图工程中[1-2];尤其在快速识别蚀变矿物空间分布领域,高光谱遥感信息提取对于矿床预测评价有着举足轻重的作用[3-4]。然而,中高密度植被覆盖区的遥感地质找矿依然是矿产资源勘查的难点问题,遥感在植被覆盖区域的土壤和岩石识别方面因信息微弱与不确定性因素多而获取的精确性不足。许多研究表明,在重金属胁迫土壤环境下的植物光谱反射曲线发生变化[5-8],这种光谱变异反映的是下部土壤地球化学环境对其表层植物的理化指标产生内部影响,作为矿山环境监测和间接找矿的对象值得进行研究。因此,植被冠层的高光谱特征已被用于定量分析植物的物理化学变化过程及其特征参量,借助于土壤环境胁迫的植物光谱效应进而估算土壤环境中重金属元素的含量[9-11],间接得到矿山周围特征植物的冠层波谱变异信息与成矿金属元素含量之间的关系模型[12-13]。

对浅表层的锰矿来说,寻找胁迫植物与沉积型锰矿之间的关联模型及探索机理的产生，是比较理想的选择。本研究依托广西平乐露天中型锰矿的土壤介质,借助于开采后期留存并经过长期胁迫环境生长后以富集锰植物——青葙为主的植物群落, 从监测大面积生长的喜锰特征植物青葙的胁迫光谱出发, 研究锰矿区青葙胁迫的浓度效应,构建胁迫光谱特征参量与胁迫叶冠中重金属锰元素含量的映射关系,获取满足植被覆盖区高光谱遥感对锰矿预测与评价的间接模型。

1 基础数据的采集及处理

平乐锰矿位于广西桂林市平乐县二塘镇东部(东经110°51′53.61″，北纬24°36′23.0″),属于露天中型矿,矿区植被以富集锰植物青葙为主。研究所用的矿区土采自矿区附近, 土壤覆盖厚且分层清晰。背景土壤采自非矿区，为碳酸盐岩地区特有氧化型红色土壤(又称红壤)。

本研究以青葙为例,从胁迫环境下地球化学分析和遥感光谱特征两方面出发,立足于锰元素对植被的毒化机理剖析,建立胁迫土壤中地球化学元素及指标与叶冠层的高光谱特征之间的内在关联,整个技术流程如图1所示。

实验从土壤地球化学元素分析和青葙叶冠中连续监测获取相应数据后,分别对其进行数据预处理。从胁迫青葙冠层的高光谱数据中提取11种波谱特征参量,从胁迫土壤中剔除稀土元素后留下Mn、Cr、Co、Cu、Sr、Mo、Sn、Cs、Zr、Hf、Ti、Th和U等13种微量金属元素,经过因子分析后得到中观层面的变量——地球化学因子(或指标),进一步在地球化学因子与光谱特征参量之间进行多元线性回归分析后获得相应的映射模型。

1.1 胁迫青葙生长环境的土壤配分

为了研究多级浓度下青葙的地物波谱异常与对应的土壤重金属元素含量之间的关系, 将相应的土壤进行背景土壤与矿区土壤的按比例混合(每个土样的质量为2 kg), 划分出15个浓度梯度： 前5个浓度梯度则是矿区土壤与背景土壤以 0∶1、 0.25∶0.75、 0.5∶0.5、 0.75∶0.25、 1∶0的比例添加混合； 后10个全部是矿区土壤，按一定比例添加锰元素(50～3 000 mg/kg)添加剂(MnCl4)(表1)。配比好的土壤作为青葙移栽后的生长基质,视为青葙的胁迫土壤生长环境。待青葙苗移栽成功,静置10天使根部吸收金属元素后开始测其反射率光谱,期间隔天浇水。

(3)通过三种不同形式综合异常指数的计算，认为当异常元素较多，组合特征不明显时，综合异常Z2既不会遗漏异常元素，圈定异常面积适中，又有利于查证工作等突出优点，建议采用此种形式异常圈定；当异常元素较少且组合特征明显，综合异常Z3更有针对性，此时采用Z3形式圈定异常较为合适。

1.2 青葙叶冠和土壤采样分析

采集相应的青葙植物叶冠以及相应的土壤后分别加入试剂,用电热板加热进行消解， 在实验室分别测定其中Mn、 Cr、 Co、 Cu、 Sr、 Mo、 Sn、 Cs、 Zr、 Hf、 Ti、 Th和U共13种主微量金属元素的含量， 以土壤浓度配比关系直接作为浓度代号(表2)。

1.3 胁迫青葙冠层的光谱测量

采用美国ASD公司的FieldSpec 4 Hi-Res高精度光谱仪(波段范围为350～2 500 nm)测量青葙样品的光谱。 测量时间在10:00—15:00, 测量之前先用白板进行校正,在晴朗无云的天气,避开阴影和强反射体的影响条件下进行光谱测定, 多云时则选择在室内光谱仪器自带光源进行替代，测量间隔3～4天测量1次。光谱测量时针对不同浓度级别每盆青葙重复采样5次,因青葙是阔叶植物,直接测量叶面反射光谱,每隔一段时间重新校正白板。多次测量后再剔除波动异常,取其平均值为该测量点的光谱初始值。

  

图1 技术流程图Fig.1 Technique flow chart

 

表1 加锰浓度青葙培育土壤配比

 

Table 1 Manganese concentration of Celosia argentea L. of soil ratio

  

Mn添加量/(mg·kg-1)501002004008001 2001 6002 0002 5003 000 MnCl4配比添加量/g0.360 20.720 41.440 82.881 75.763 48.645 111.526 714.408 418.010 521.612 7

 

表2 青葙叶冠金属元素浓度数据

 

Table 2 Metal element contents within leaf crown of Celosia argentea L.wB/10-6

  

矿区土/背景土Mn添加量/(mg·kg-1)MnCrCoCuSrZrMoSnCsHfTiThU 006 8806 950159.62 8924 751338.98824115111.0528.1291.2524.6 0.25027 1207 4652232 835.53 739384.586.35188.421313.3828.35164.641.715 0.50031 1606 0501412 610.53 167251.186.45197.91579.0919.72100.6529.81 0.75051 4208 555128.42 5503 477.553767.7168.513718.0821.3260.0521.425 1084 14010 2401273 1173 649.5365.984.1183.319311.9640.9547.2523.28 15064 1405 360144.82 7193 008181.768.41171466.84521.5243.30528.585 110054 8507 325211.52 746.54 384.5443.176.6519317210.6726.69101.730.3 1200239 2405 440141.82 433.54 469.5153.662.1175.21124.96322.1746.7717.675 1400208 9208 580404.12 7586 295712.578.85193.215522.1142.1675.128.98 1800204 0907 605354.82 758.55 955393.799.85194.714110.118.0784.0533.975 11 200388 7206 830379.22 498.55 985610.5114.8192.397.420.5722.7929.1416.495 11 600335 2906 8903942 4024 761406.4118.6185.997.89.5713.1236.73516.21 1 2 000466 3707 975692.52 3603 832.5304.6178.3192.11539.31512.9797.631.75 12 500361 17010 860398.82 146.53 493.5257.1452353.974.18.17510.2325.8710.265 1 3 000365 6507 7555081 868.53 576316.378.9194.270.49.3811.3325.1410.56

植物的叶面反射波谱特征可以有效表达出植物与环境之间物质及能量交换的综合效应[14],在特征植物和环境因素的条件下,不同波长处的波谱曲线特征受到植物理化特性的影响和制约。本文主要研究由大部分植物体内叶绿素和叶细胞所引起的400～1 200 nm波段范围的青葙光谱曲线特征,健康植物在此波段有显著的特点,表现为波长在550 nm处有一个小反射峰,在450和670 nm附近有两个明显的吸收谷且在近红外波段有一反射的陡坡形至峰值[15-17],这些特征是健康植物的独有特征。为了减弱噪声的影响,本研究先使用傅里叶滤波平滑法平滑光谱曲线。

1.4 元素的统计分析及地球化学因子提取

式中: MC代表重金属的含量; C0和Ci分别表示拟合参数; Rn(λi)为不同波长的反射率。通过观察波谱曲线特征,本文提取了如下波长处的波谱特征参量作为回归方程中的自变量,反射率:area(绿峰面积), 760 nm; 一阶导数(点位): 518、 570、 701 nm; 吸收深度(点位): 490、 543、 670、 678、 690、 745 nm。

根据因子分析结果,提取出的4个因子即可解释77.487%的元素内容。根据旋转成分矩阵,计算得出4个因子公式,用F表示：

那天吃完一顿黄焖鸡，第二天醒来打着嗝，感受到来自上唇火烧火燎的灼痛后，我意识到我该补充维生素C了。来到超市，看了一眼五块八一斤的苹果，我立马转身进了药店。果然直接吃维生素C片比较简单粗暴。

本文中所选取的波谱特征参量与多数金属含量相关性比较显著。其中复相关系数R是反映自变量与因变量之间相关密切程度的指标,当R越接近1时表示线性关系越强[20]。校正决定系数(Adj R2)反映了回归方程能够解释的方差占因变量方差的百分比,用来评价模型的拟合效果,Adj R2越大拟合效果越好,结果如表3所示。

(1)

F2=0.92Ga+0.842Sr+0.921Ba+0.497Ni;

(2)

F3=-0.726Co+0.754Ti+0.702Cu;

(3)

F4=0.899Cr+0.809Sn+0.813Mo+0.604Pb。

抬头是春，俯首为秋，时间过得真快！转眼间我来到富平家政已经三年了。经历了这三年，我也是有故事的人了……

(4)

2 胁迫青葙波谱特征参量提取

植物波谱曲线具有明显的“牙状”特征,重金属胁迫下的植物光谱造成了谱貌的改变。培植情况表明,改变的信息经过放大后具有规律性可循,关键是如何从反复测定的光谱反射率波谱曲线里提取出相应的敏感信息。根据大量的实验,以外界土壤环境因素对曲线谱貌影响的特点为观察点,可以从反射率波谱曲线、光谱“红边”的位置偏移量、一阶导数和吸收深度、对称度等属性中提取出地物波谱特征参量。

2.1 胁迫植物的波谱反射率提取

植被所呈现的波谱特征是植物本身与所在外部环境之间的一种物质与能量交换的综合效应反应表现形式,在植物与所在外部环境稳定不变的情况下,其不同波段所呈现出波谱特征的机理也不相同[19]。由于植物的叶内组织结构状况,其反射光谱曲线在680～750 nm光谱区间急剧上升,形成称为“红边”的反射陡坡[20-21]。红边通常对应在一阶微分光谱最大值上的波长位置,是植物光谱曲线中最明显的特征(图3)。

2.2 胁迫植物光谱“红边”点位及偏移量提取

  

图2 Mn胁迫下7个不同生长期青葙的可见光区域光谱曲线Fig.2 Different concentrations of visible light region spectral curves of Celosia argentea L. in 7 days

植物的反射波谱是在正常阳光照射下植物的叶冠所呈现出的反射特性,为了从高光谱数据中提取出有效的光谱信息,消除背景噪音产生的干扰,需要对原始光谱曲线进行平滑处理。植被光谱因重金属元素影响植被内部生理状态导致光谱发生变化,因而光谱曲线形态(谱貌)受到重金属含量的间接影响。植物中叶绿素对蓝光和红光吸收强烈进而形成深谷,绿峰出现在蓝、红谷之间位置。研究观察表明,绿峰面积的变化可以代表植物叶冠的波谱形态变化特征。培植数据(图2)表明,锰胁迫浓度越大,蓝、红谷相对越来越浅,绿峰越来越平缓,这是一种非线性的变化趋势。随着测谱时间的推移,青葙叶冠经历从幼苗至茁壮成长的过程,在锰胁迫浓度较高的盆栽中,青葙叶冠出现斑点、发黄、枯萎等迹象,浓度级别最高的几盆甚至在第4次测谱时便已死亡,叶冠的叶绿素浓度不断变化,整体曲线愈加平缓,绿峰面积先增大后减小。

50%的BOTs患者保留生育功能的手术后可自然妊娠[18]，其余可能需要排卵诱导怀孕。一些研究认为体外受精(IVF)中促排卵药物增加卵巢肿瘤尤其是交界性肿瘤的复发[19]，而Bjornholt等[20]和Zhao等[21]则认为促排卵药物不增加BOTs患者的总体风险。目前多数专家认为早期BOTs保守治疗后促排卵是安全的，但对于促排卵与卵巢癌变的关系尚不明确。对于晚期或微乳头型BOTs不建议应用促排卵及辅助生殖治疗，以免加速疾病进展。因此，术后应首先尝试自然受孕，在必须进行辅助生殖时，需要密切的随访观察。

当绿色植物中的叶绿素含量较高、植物生长活动旺盛时,此“红边”会向红外方向移动(即向长波方向移动), 当绿色植物因为感染病虫害或者受到污染而失绿时, 红边就会向蓝光方向移动(称为蓝移)[22-23](图4)。 研究中通常采用光谱的一阶微分曲线(图5)来计算红边, 提取红边等相关特征参量, 这种计算方法能够有效减弱土壤背景的干扰信息, 在一定程度上增强植被光谱的微小特征, 确

本文提出的脆弱性评估的思想和方法，有一定的创新意义，但在实际操作中还有很多需要改进和完善的地方，更重要的是，它还需要与其它方法结合使用，进一步的扩展到整个国家受气候变化影响的脆弱性评估中。由于干预原因具有不确定性，我们采取的模型单一，可能对结果造成误差。

第三，从专利法保护的角度出发，专利必须具有实用性、新颖性和创造性三个实质要件。日常生活中的具有非物质文化遗产特质的艺术品和实用艺术品及其生产工艺的流程，只要符合新颖性、创造性和实用性三要件，也可以通过申请专利得到保护。比如以剪纸艺术作品为包装的可以申请外观设计专利，而剪纸工艺品包装盒也可以申请实用新型专利。

  

图3 15个浓度级别青葙光谱反射率曲线Fig.3 Spectral reflectance curves of Celosia argentea L in 15 concentrations

  

图4 不同浓度青葙变异光谱曲线Fig.4 Mutation spectrum curves of different concentrations of Celosia argentea L.

  

图5 青葙一阶微分光谱曲线Fig.5 Spectral curves of first-order differential of Celosia argentea L.

定植物的光谱特征位置(如红边、 蓝边等)。计算一阶微分求红边的公式[24]为

吸收深度的提取主要采取包络线去除法(又称连续统去除法),能够有效地抑制住背景光谱的影响,将所有的特征归一化到能量一致的背景下,突出需要的敏感波段和吸收反射峰并有利于细节的区分和比较。包络线通常定义为将波谱曲线中的所有因吸收与反射所产生的“谷”和“峰”值点连接起来且让“峰”值点上的外角大于180°的一条曲线,再以原始光谱曲线值除以包络线上对应值的方法,即为光谱去包络[24]。

ρ′(λi)=[ρ(λi+1)-ρ(λi-1)]/(2Δλ),

(5)

式中： ρ′(λi)为波长λi处的反射率一阶微分值； λi+1和λi-1分别是在λi之后和之前的波长； ρ(λi+1)和ρ(λi-1)为对应波长的反射率; Δλ是λi-1至λi的间隔。

商业银行要时刻关注企业的全面状况，通过各种渠道全面了解企业的经营情况、财务情况，了解企业内外部信息，特别是企业股权变动引发公司治理纠纷的情况。发生重大变化的，要及时分析对信贷风险的影响，第一时间制定化解预案，将损失减少到最小。对于行业地位较高、规模较大、授信金融机构较多的企业，应及时与同业沟通，建立同业大户沟通机制，有针对性的对企业进行融资管理，建立对话机制，以尽量提前化解风险，获取多方共赢。

2.3 植物光谱吸收深度提取

生态语言学视角下融入行业英语（EOP）后的高职公共英语教学生态再平衡，是指行业英语融入高职公共英语教学后，原教学生态势必失衡，出现诸多失调现象，引发不良影响，故运用生态语言学的原理探求融入EOP后的高职公共英语教学生态再平衡策略，消除失调现象及不良影响，使重构的教学生态系统中的教者、学者、内容、方法、评价各生态因子关系重新达到良性平衡，提升教学质量，实现职场环境下学生英语运用能力培养的最大化。[2]

从曲线的特征形状看包络线的外形,相当于包裹在原始光谱曲线上的外壳。而波谱曲线经过包络线去除后,原始光谱曲线的吸收和反射特征可以被有效地突出,其反射率的值也都归一化为0～1的数值。如图6均以土壤中锰胁迫含量浓度数值为代号标识。在经过包络线去除后的新波谱曲线上可得到每个点的反射率ρ(λ),由此可以计算出每个点的吸收深度D(λ)为

在建筑空间布局方面，一般采用院落式的布局方式。由许多开间共同组成一个整体。若是说绘画是二维艺术，雕塑是三维艺术，那么建筑必然是四维的。建筑在平面和空间维度上还要加上时间维度。建筑随着时代的变迁，展现出不一样的韵味。当我欣赏一个建筑时，往往会看到建筑的外貌特征，洞悉其整体布局，紧接着会看它的内部装饰以及细节部分，使得结构层次非常的清晰。

D(λ)=1-ρ(λ),

(6)

式中: λ为波段的波长。

3 胁迫青葙光谱特征参量与元素含量之间模型

  

图6 青葙吸收深度光谱曲线Fig.6 Spectral curves of absorption depth of Celosia argentea L.

光谱特征参量对于青葙叶冠状况的变化具有指示作用,遥感的探索研究过程实际上也是一种反演的过程,首先针对的是数学模型，因此,遥感反演的基础是描述波谱特征参量与研究对象之间的关系模型。

利用多元线性回归分析拟合植物金属含量与反射率特征关系[20]

 

(7)

土壤和青葙样品加工后,在实验室中测定了28种微量金属元素和常量金属元素,剔除了其中的稀土元素,留下了V、Nb、Ta、Ga、Ni、Pb、Cr、Co、Cu、Sr、Mo、Sn、Cs、Zr、Hf、Ti、Th和U等18种元素。金属元素数量较多不仅在建模型时使得变量不可控因素增多,且冗余不便表达，必须作出筛减。用主成分的方法从变量群中提取共性因子的统计技术,在不损失太多弱信息的情况下,将多个变量综合为少数几个主要的因子变量,可以代表这些金属元素的主要成分[18]。

钢渣含有较高的钙、硅、镁、磷等大量对农作物有益的营养元素，适合于农业生产，可生产钙镁磷肥和钢渣磷肥。太钢将钢渣变废为宝制备硅肥，可以改善土壤结构，有利于农作物增产，宝钢研制钢渣包裹型缓释肥已应用于安徽、浙江等地的竹林，施加缓释肥有利于改良土壤、保持养分均衡，竹林增产20%左右[22]。另外钢渣也是理想的土壤改良剂，具有良好的改良酸性土壤和补充钙、镁营养元素作用，尤其对于咸酸田的改良较好。

3.1 胁迫青葙光谱特征参量与金属元素之间的模型建立

通过多元线性回归分析拟合青葙叶冠中金属元素含量与不同波谱特征参量的关系。

从表1中，可以清晰地看出来，女性角色最后是以喜剧结尾还是以悲剧收场，已经与她们的社会身份和家庭出身没有直接的关系了。如第6条和第7条，两位女性角色一位是贵族，一位是泥瓦匠的妻子，但二者同样凭借智慧摆脱了窘境，并达到了自己的目的；再比如第8条和第9条，两位女性角色一位出身于传统的社会上层阶级——贵族，另一位则属于新兴资产阶级——富商夫人，二者皆因为自己的蠢笨以悲剧收场。这就意味着，薄伽丘笔下的女性不仅不再依附于原生父权制家庭，很多时候甚至不再受到天主教教理教义和传统道德的束缚，智慧是她们改变命运的途径。

F1=0.913U+0.872Th+0.861Cs+0.708V+0.557Cu-0.511Ta-0.517Nb;

 

表3 胁迫光谱特征参量与元素含量回归方程

 

Table 3 Regression equation between stress spectral characteristic parameters and the contents of metal elements within the leaves

  

元素回 归 方 程Adj R2RMnMMn=152.014-1.374x1+1.639x2+1.747x3+1.31x4+4.79x5-2.803x6+0.997x7+4.21x8-0.99x9-6.04x20+21.755x220.9280.995ZrMZr=300.87-0.836x2-16.3x2-12.963x2+15.271x4+2.98x5-6.52x6+10.229x7-14.68x8-0.52x9-0.26x20+30.45x220.8440.989TiMTi=19.33+0.367x1-13.579x2-7.508x3+10.85x4+4.564x5-0.18x6+6.634x7-12.93x8-0.86x9-0.24x20+19.873x220.8950.992CrMCr=-150.48+0.506x1+5.69x2-9.664x3+5.098x4-6.04x5-7.722x6+19.83x7+5.49x8-1.26x9+1.314x20-1.067x220.9260.962CoMCo=14.994-0.708x2-1.16x2-20.409x2+17.34x4-4.71x5-8.372x6+9.971x7-4.693x8-1.738x9-0.945x20+10.853x220.9630.997CuMCu=-2 956.47+0.23x1-2.005x2-0.432x3+0.628x4-0.335x5+0.92x6+15.11x7+0.137x8+0.095x9+0.982x20+2.225x220.9620.997MoMMo=-614.21+1.27x2+10.86x2+2.089x2-6.805x4-6.515x5-0.906x6-6.802x7+12.73x8-1.58x9+0.685x20-15.75x220.9260.995SnMSn=72.71+0.307x2+5.574x2-6.293x2+3.19x3-4.14x4x5-5.146x6+0.334x7-4.435x8-0.616x9-0.154x20-2.670x220.9390.969CsMCs=72.71+0.307x2+5.574x2-6.293x2+3.19x4-4.14x5-5.146x6+0.334x7-4.435x8-0.616x9-0.154x20-2.670x220.9420.996ThMTh=103.42+0.269x2-1.138x2-25.32x2+19.673x4-10.54x5 -8.46x6+6.758x7+1.776x8-3.25x9-0.336x20+7.409x220.8160.979UMU=-57.45+0.968x2+0.16x2-22.154x2+14.748x4-12.755x5-5.773x6+2.432x7+5.93x8-3.18x9+0.619x20+2.14x220.9340.995SrMSr=1 990.28-2.004x1-18.237x2-13.93x3+19.389x4+7.194x5-6.43x6+14.986x7-21.837x8+1.54x9-2.01x20+35.95x220.8430.981HfMHf=-16.2-0.228x2-12.408x2-0.983x2+4.136x4+5.2x5-3.943x6+4.887x7-11.837x8+1.15x9+0.32x20+22.378x220.8260.980

注：青葙叶冠中的金属含量为因变量,选取的光谱特征参量为自变量,x1～x11分别表示area、670、518、701、570、490、543、690、760、745、678 nm波长所对应的特征参量值。

其中R和Adj R2的数值都在0.8以上,表明自变量与因变量的相关性较强,且模型的拟合效果较好。对喜锰特征植物青葙来说,可以利用其光谱特征参量反演出所测金属元素中绝大多数的金属元素含量, 对锰的指示作用更是可见一斑。 由此可见, 利用植被光谱特征参量组合可以很好地估算出金属元素含量, 对生长环境有一定的指示作用。

3.2 胁迫青葙光谱特征参量与地球化学因子之间的映射模型

经过繁多的组合试验和反复验证后,得到相关因子组合F1/F4, 将地球化学指标因子组合F1/F4与青葙叶冠胁迫光谱特征值之间建立多元线性回归方程:

y=-0.501+0.919x1-1.678x2-0.803x3+

5.775x4-5.945x5+3.1x6-2.172x7,

其中， Adj R2=0.826， R=0.956。

地球化学因子F1与F4的比值组合为因变量,运用逐步回归考察以上选取的光谱特征参量,保留的自变量x1～x7分别表示area、670、518、701、570、690、760 nm敏感波段所对应的特征参量值。模型回归分析后对其精度进行验证分析,结果如表4、表5所示。

 

表4 回归模型汇总检验

 

Table 4 Inspection summary of regression models

  

RAdj R2标准估计的误差更改统计量更改R2Fdf1df2Sig.F 0.956a0.8260.034 5240.91310.515770.003

注： a. 预测变量(常量): 760, 670, 518, area, 570, 690, 701;b.因变量F1/F4。

 

表5 回归模型方差检验分析

 

Table 5 Anova test for regression model

  

模型平方和df均方FSig. 回归0.08870.1310.5150.003a 残差0.00870.01 总计0.09614

注： a. 预测变量(常量): 760, 670, 518, area, 570, 690, 701;b.因变量F1/F4。

统计结果表明,F1/F4的比值与波谱特征参量不仅相关性显著,而且Adj R2较大(Sig.为显著水平),两者之间的拟合预测效果理想,通过此处F的值表明该回归方程有意义。指示元素的组合关系主要是通过寻找元素间的内在特征和数值的空间分布规律来表示地球化学指标,此处F1/F4采用常用组合关系之一的单元素比值,在空间分布上具有一定规律性。从地球化学因子组成公式可以看出,F1主要提取了U、Th、Cs元素的信息,代表着植物蛋白生长合成时所需要的重要微量元素组合,且这些元素富集于古海陆沉积岩中;F4主要提取了Cr、Sn、Mo元素的信息,是喜锰植物根茎强壮所需要的重要微量元素组合,且这些元素代表着后期的表层岩土风化后的淋滤迁移。通过F1/F4的地球化学指标组合,可以从中观层面作为指示沉积型锰矿的富集指标,而这项指标是完全可以借助于遥感高光谱对胁迫植物冠层测谱而获得。

通过此方法可得知,利用元素建立相关的地球化学指标的方法不仅具有理论依据,还具有较好的实践性。植被光谱特征参量可以很好地反演指示地球化学指标,为在植被覆盖区开展高光谱遥感指示地化环境评价和预测提供一定的依据。但是组成因子的元素并非完全与植物变异特征波谱息息相关,特征元素仅包含于因子中,从拟合结果上可以看出此组合具有一定代表性,然而是否只有这一个组合可以得到相关方程式,还需要进一步研究。

4 结 论

通过对青葙在不同锰胁迫环境下的高光谱特征与金属元素含量关系反演模型研究表明:

(1)在不同锰含量的胁迫土壤环境中导致了青葙的光谱变异。其谱貌的改变表现在不同锰浓度下的高光谱绿峰面积、光谱红边点位偏移及斜率、导数红谷吸收深度等光谱特征参量的不同。随着锰胁迫浓度的增加,青葙的波谱反射率呈线性降低,“红谷”变浅,且“绿峰”与“红谷”之间的坡越来越缓,斜率线性减少是识别植物胁迫的重要光谱参量观察指标。

(2)提取胁迫植物的光谱特征参量组合与植物叶冠中金属元素含量进行多元线性回归后表明,叶冠中Mn、Cr、Co、Cu、Sr、Mo、Sn、Cs、Zr、Hf、Ti、Th和U含量与波谱参量组的相关性强,可以由此利用植物光谱特征参量来预估植物叶冠中的金属元素含量,然而其精度还达不到要求。进一步分析,取生长土壤环境的金属元素组成的地球化学因子指标(或组合因子)再与胁迫变异波谱特征参量组进行回归反演,其模型精度理想,表明运用胁迫植物的高光谱数据能间接反映胁迫土壤中重金属地球化学指标(或组合因子)的含量,胁迫土壤中地球化学指标是勘查地球化学找矿的重要指示参数,其集成效应能反映土壤环境的中观层面总体信息,是植被覆盖区域开展高光谱遥感找矿预测及矿山后期修复量化评价的重要指标和依据。因此本研究在应用上有重要价值，在深度上有探索空间。

参考文献:

[1]胡红.矿区植物胁迫作用与遥感信息提取[D]. 济南:山东科技大学, 2010.

[2]林刚.锰矿胁迫植物青葙的高光谱特征及土壤浓度效应的反演模型[D].桂林:桂林理工大学,2016.

[3]Newete S W, Erasmus B F N, Weiersbye I M, et al. Hyperspectral reflectance features of water hyacinth growing under feeding stresses of Neochetina spp. and different heavy metal pollutants[J]. International Journal of Remote Sensing, 2014, 35(3):799-817.

[4]Li X Q, Liu X N, Liu M L, et al. A hyperspectral index sensitive to subtle changes in the canopy chlorophyll content under arsenic stress[J]. International Journal of Applied Earth Observation & Geoinformation, 2015, 36:41-53.

[5]陈圣波,周超,王晋年.黑龙江多金属矿区植物胁迫光谱及其与金属元素含量关系研究[J].光谱学与光谱分析,2012,32(5):1310-1315.

[6]Rosso P H, Pushnik J C, Lay M,et al. Reflectance properties and physiological responses of Salicornia virginica to heavy metal and petroleum contamination.[J]. Environmental Pollution, 2005, 137(2):241-252

[7]徐明星,吴绍华,周生路,等.重金属含量的高光谱建模反演:考古土壤中的应用[J].红外与毫米波学报,2011,30(2):109-114.

[8]龚绍琦,王鑫,沈润平,等.滨海盐土重金属含量高光谱遥感研究[J].遥感技术与应用, 2010, 25(2):169-177.

[9]肖捷颖,王燕,张倩,等.土壤重金属含量的高光谱遥感反演方法综述[J].湖北农业科学, 2013,52(6):1248-1253.

[10]李娜.重金属胁迫下矿区植物波谱异常与图像特征研究[D].济南:山东科技大学,2007.

[11]滕靖,何政伟,倪忠云,等.西范坪矿区土壤铜元素的高光谱响应与反演模型研究[J].光谱学与光谱分析,2016,36(11):3637-3642.

[12]朴东范.水稻不同浓度铅污染胁迫下光谱特性与水稻生长的响应研究[D].延吉:延边大学,2013.

[13]孙晓琳.锰胁迫作用下青葙的地物波谱异常在时间序列效应上的提取及研究[D].桂林:桂林理工大学,2016.

[14]郭云开,曹小燕,石自桂.水稻冠层光谱变化特征的土壤重金属全量反演研究[J].遥感信息,2015,30(3):116-123.

[15]任红艳,庄大方,潘剑君,等.重金属污染水稻的冠层反射光谱特征研究[J].光谱学与光谱分析,2010,30(2):430-434.

[16]朱叶青,屈永华,刘素红,等.重金属铜污染植被光谱响应特征研究[J].遥感学报,2014,18(2):335-352.

[17]王璐,蔺启,忠贾东,等.基于反射光谱预测土壤重金属元素含量的研究[J].遥感学报,2007,11(6):906-913.

[18]陈三明.锡矿山锑矿田多元地学综合信息成矿预测研究[D].北京:中国地质大学(北京),2012.

[19]李娜,吕建升,Altermann W.光谱分析在植被重金属污染监测中的应用[J].光谱学与光谱分析,2010,30(9):2508-2511.

[20]Pu R L, Gong P, Biging G S, et al. Extraction of red edge optical parameters from Hyperion data for estimation of forest leaf area index[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(4):916-921.

[21]Cho M A, Skidmore A K. A new technique for extracting the red edge position from hyperspectral data: the linear extrapolation method[J]. Remote Sensing of Environment, 2006, 101(2):181-193.

[22]邬登巍,吴昀昭,马宏瑞.植物污染胁迫遥感监测研究综述[J].遥感技术与应用,2009,24(2):238-245.

[23]江南.农作物重金属污染胁迫信息遥感提取方法研究[D].北京:中国地质大学(北京),2009.

[24]周超.植被重金属含量高光谱遥感反演方法研究[D].长春:吉林大学,2016.