高光谱技术有着光谱连续的优势，在地物的准确识别、精细分类上具有简单、快捷和无损测定等优点[1-4]。随着植被信息在生态监测、农作估产和土地利用监测等领域的精细要求逐步提高，高光谱技术在植被研究中的应用更显重要。

1985年，Nihlagard首次提出氮沉降对森林生态系统的危害，至今，该课题的研究已经成为科学界酸沉降研究领域的一个热点问题。有研究指出，目前全球一些生态系统的氮沉降速率已超过10 kg N ha-1 yr-1，未来还将达到更高的沉降速率。近几十年来，由于人为活动产生的含氮污染物排放量明显增加，NOx排放量从1990年的8.4 Tg N yr-1升高到2000年的11.3 Tg N yr-1[5-7]，增加显著的地区主要集中在环渤海、长三角、珠三角以及四川盆地等人口聚居密度高和工业发达地区[8-9]。植物光谱特征及其受到环境胁迫后光谱反射率的变化是对受胁迫植物进行遥感监测的基本机理。因此，基于受控实验系统性的研究不同植被在氮胁迫下的光谱变化，为利用遥感技术监测大气氮沉降对森林生态系统提供理论支撑，同时也为植被光谱库构建[10-11]、植被高光谱识别以及植被定量遥感等研究提供基础光谱数据和理论支撑。

29个省（自治区、直辖市）基本完成辖区内“三条红线”指标分解，覆盖300多个地级行政区和近700个县级行政区。31个省（自治区、直辖市）全部建立由政府一把手负总责的最严格水资源管理制度行政首长负责制。完成第一批25条重要跨省江河水量分配技术方案，启动第二批28条江河水量分配工作。完成175个全国重要饮用水水源地达标评估，完成10项工业与服务业取用水定额标准。国家水资源监控能力建设中央项目累计完成投资8112万元。确定46个全国水生态文明建设试点。

1 试验材料及方法

1.1 试验材料与设计

根据长江三角洲地区所处的亚热带森林生态系统群落变化及前人报道各种对大气氮沉降胁迫敏感性特征，本研究选取了分布广泛且能代表长江三角洲森林生态系统不同演替阶段的5种优势树种，包括针叶、阔叶等类型：杜英、木荷、细叶青冈、香樟、杉木和水杉来进行试验(见表1)。各树种的幼苗均为2年生，分别种植在4个不同施氮处理样方内，样方内土壤为试验地土壤(黄红壤)，土壤肥力分析发现本底土壤肥力较低。其中，全氮含量7.30±0.41 g kg-1，速效氮含量为57.3±0.5 mg kg-1。

 

表1 实验树种

  

树种名拉丁名科属阔叶树杜英Elaeocarpus decipiens Hemsl.杜英科、杜英属木荷Schima superba Gardn.山茶科、木荷属细叶青冈Cyclobalanopsis myrsinaefolia(Blume) Oerst.壳斗科、青冈属香樟Cinnamomum camphora(L.) Presl.樟科、樟属针叶树杉木Cunninghamia lanceolate(Lamb.) Hook.杉科、杉木属水杉Metasequoia glyptostroboides 水杉科,水杉属

1.2 试验设计

本研究的设计参考莫江明等[12]在鼎湖山开展的模拟氮沉降研究，选取长势一致的2年生杜英、木荷、细叶青冈、香樟、杉木和水杉树苗于2013年3月移植到试验样地，每个小样区的面积为2.6 m2，每个小样区移植9棵。参考目前长江三角洲地区的氮沉降量(30.9 kg N ha-1 yr-1)，将试验分为4个施氮处理组，分别为对照(CK：0 kg N ha-1 yr-1)、低氮(LN：60 kg N ha-1 yr-1)、中氮(MN：120 kg N ha-1 yr-1)、高氮(HN：240 kg N ha-1 yr-1)(不含大气沉降量)。每个施氮处理包括5个重复(同一树种随机选择5株)。在缓苗期，用自来水浇灌，自2013年9月开始，每周对样地开始进行喷施氮(NH4NO3)，全年平均喷施。除施氮处理外，各样地的其他处理均保持一致，对苗木进行常规栽培管理。

1.3 光谱测定

3)导入数据后应检查其合理性，如影像和POS是否一一对应，航拍3D视图中的各点位是否与实际情况一致等。

2 结果与讨论

2.1 不同施氮条件下树种光谱特征分析

从图8中可以看出，在350～670 nm光谱范围， 不同树种在540 nm附近均有反射峰，整体光谱曲线差异小，无法用于树种识别；在770～1 135 nm光谱区间，在中氮施肥下不同树种的光谱变化具有一定的规律性且相互间差异较明显，6个树种中光谱反射率最高的为杜英，最低的为水杉，可以用来识别不同树种；在1 135～2 500 nm光谱范围，总体差异明显，但各树种光谱变化不具规律性，在1 445 nm附近，6个树种均存在明显的吸收谷；在1 650 nm附近均存在明显反射峰，6个树种峰高呈现不同，香樟最高，细叶青冈最低，但差异不明显，无法区分不同树种。从一阶微分曲线来看，6个树种的一阶微分光谱整体差异较小，除了在1 875 nm附近可以识别杜英和细叶青冈以外，其他光谱波段很难对不同树种进行识别。

除以上方面外，还有乐器制造业、音乐印刷业、音乐生产业等相关盈利的音乐产业，以及音乐图书和乐器销售、音乐培训机构、音乐娱乐机构等。其均是在音乐产业原本的基础上，逐渐延伸和扩展起来的行业。这些行业符合音乐产业创新性发展的要求，在总产业规模上占有举足轻重的地位。同时，相对于未来音乐产业发展的前景而言，拥有巨大的市场潜力。

图1为不同施氮条件下杜英的反射光谱和一阶微分曲线。从图中可见，杜英的光谱曲线在350～720 nm波段范围内有两个强吸收谷，整体反射率均小于20%，分别位于350～450 nm，650～720 nm范围内，这是由于叶片中叶绿素的强吸收导致的，即蓝谷和红谷。1 420～1 460 nm，1 900～1 950 nm和2 460～2 500 nm范围内的强吸收是由于叶片细胞水含量导致的。而在530～570 nm范围内形成的反射小峰是由于叶绿素对绿光反射造成的。由于叶片叶肉组织结构的影响，在750～1 300 nm范围内形成光谱反射高值区，反射率值均高于45% 。杜英叶片的光谱曲线在部分波段区间内，如750～1 250 nm和1 600～1 800 nm，其施氮后反射光谱呈现增高的现象，但并不表现出随施氮量增加而增加的趋势。4种施氮水平下，呈现为低氮的反射率最高，中氮和高氮次之，不施氮最低。在其他光谱范围内，反射光谱特征差异不显著。因此，在750～1 250 nm和1 600～1 800 nm范围基本可以用于不同施氮水平下杜英叶片含氮量的识别。在杜英的一阶微分光谱中，仅有680～720 nm光谱范围可以有效识别杜英的不同施氮水平。

  

图1 不同施氮水平下杜英叶片的反射光谱曲线及一阶微分光谱曲线

图2表明，木荷的强吸收与高反射波段范围与杜英相似，这是由植物本身的固有性质，也是由其主要物质构成决定的。在350～680 nm光谱范围，低施氮水平下的反射率最高，其他施氮水平下的反射率差异较小；在720～1 350 nm范围，光谱反射率由于施氮作用而增高，其变化特征与杜英相同，施氮条件下的光谱反射率均高于不施氮，但光谱反射率并不随施氮水平的提高而增大，低氮的水平下反射率增加最大，中氮次之，高氮最小；在可见光的530～660 nm波长范围内，低施氮的叶片光谱反射率明显高于其他施氮条件下的叶片光谱；在近红及红外波段的800～1 300 nm光谱范围内，可以利用光谱反射率差异来识别不同施氮水平下的植物叶片，而其他光谱范围，不同施氮水平下叶片光谱曲线差异不大，很难用它们间的光谱差异去区分。一阶微分光谱中，只有可能在700 nm左右的植物红边光谱位置识别不同施氮水平下的植物叶片，其他光谱位置很难对不同施氮水平下的叶片进行区分。

  

图2 不同施氮水平下木荷叶片的反射光谱曲线及一阶微分光谱曲线

锌指蛋白由于其特殊的指状结构，在识别与结合DNA、RNA等序列以及相关锌指蛋白上作用显著，从而可干预转录过程中基因的表达水平。有研究表明人类基因组中有近1%的序列编码是含有锌指结构的蛋白质，作为人类体内重要的转录因子，锌指蛋白广泛参与各种重要的生物学活动如增殖分化、代谢调节、信号转导等，同时在肿瘤的发生发展中其作用也不可忽视。近年来随着锌指蛋白研究的不断拓展，人们充分意识到锌指蛋白在肿瘤预防、诊断、治疗中的重要意义。多种癌症都开展了相关锌指蛋白的研究，结肠癌也位列其中。

  

图3 不同施氮水平下细叶青冈叶片的反射光谱曲线及一阶微分光谱曲线

从图4中发现，在350～700 nm光谱范围，不同施氮体条件下香樟叶片的光谱反射率曲线差异很小；在750～1 350 nm光谱范围，低氮和中氮施肥水平下的光谱反射率均大于不施氮条件下叶片的光谱反射率；与前面3个树种不同，在高氮施肥条件下叶片的光谱反射率略低于不施氮情况下的叶片光谱反射；750～1 350 nm光谱范围，可以对低氮和中氮施肥水平下的叶片进行有效区分；其他光谱范围差异不明显，不能用于区分不同施氮条件下香樟叶片的识别。香樟叶片的一阶微分光谱差异很小，无法区分不同施氮情况下的香樟叶片。

光谱测定采用美国ASD公司的ASD FieldSpec Pro FRTM野外便携式光谱仪进行叶片光谱反射率的采集。采集6个树种不同施氮条件下含水量相同的叶片各30片，采集后封装在保鲜箱中进行保鲜，24 h内在实验室中进行光谱测定。测定时，从保鲜箱取出叶片，置于参考板上，尽量平放，在实验室内采用人工光源卤素灯[13]，利用ASD获取5次测量的光谱均值作为该叶片的光谱值。

  

图4 不同施氮水平下香樟叶片的反射光谱曲线及一阶微分光谱曲线

叶片光谱的变化是由于叶绿素、含水量、内部结构以及其干物质含量等的改变造成的[15]。国内外学者在植物不同施氮水平下的叶片光谱特征方面的研究表明，可见光、近红外以及短波红外是植物氮营养状况的敏感波段[16]。

由于小睿的转变及进步受到大家的刮目相看，他渐渐开始融入了集体。现在小睿在控制自己的不良行为上有了不小的进步，可以说是为他的转变迈出了一大步。而让他继续保持却需要在今后大量的工作中去实现。

从图6可以看出，不同施氮体条件下水杉叶片的光谱反射率在350～700 nm波谱范围差异很小，不能有效识别不同施氮水平下的水杉叶片；在750～1 300 nm波谱范围，光谱反射率低氮最高，中氮次之，高氮和不施氮最低，低氮和中氮水平下，叶片光谱反射率差异较大，可以进行两种施氮水平下的水杉叶片识别；其他波段范围，不同施氮水平下的水杉叶片光谱反射率差异较小，但在1 550～1 700 nm波谱范围，可以区分低施氮水平下的水杉叶片。在一阶微分光谱中，不同施氮水平下水杉叶片一阶微分光谱差异非常小，基本无法识别。

  

图5 不同施氮水平下杉木叶片的反射光谱曲线及一阶微分光谱曲线

  

图6 不同施氮水平下水杉叶片的反射光谱曲线及一阶微分光谱曲线

2.2 相同施氮条件下不同树种光谱特征分析

图5为不同施氮条件下杉木叶片光谱曲线及一阶微分光谱。分析发现，在350～700 nm光谱范围，不同施氮体条件下香樟叶片的光谱反射率曲线差异很小；在1 050～1 350 nm光谱范围，低氮和中氮施肥水平下的光谱反射率均大于不施氮条件下叶片的光谱反射率，而高氮施肥水平下的叶片反射率低于不施氮叶片的反射率；在其他光谱区间，叶片光谱反射率差异很小，不能区分不同施氮水平下的杉木叶片。一阶微分光谱无法区分不同施氮水平下的香樟叶片。

从图7中可以发现，在低氮施肥时6个树种的光谱曲线波形起伏相似，在540 nm附近均有反射峰，这是由于叶片中叶绿素造成；在760 nm附近光谱反射率均有急剧升高，这是植物曲线的“红边”现象；在1 400 nm、1 900 nm附近6个树种均有吸收谷，这是由于叶片中含水造成的。6个树种光谱曲线虽然相似，但在有些光谱区间光谱反射率大小存在较大差异。780～1 300 nm、2 000～2 240 nm光谱区间为识别低氮施肥条件下不同树种的最佳谱段。从一阶微分曲线看出，6个树种整体的差异不大，理论上对它们进行识别比较困难，但对有些树种还是能予以识别，如521 nm可以识别细叶青冈，1 483 nm可以识别杜英。

图3表明，在530～680 nm光谱区间，不施氮、低氮和高氮水平下细叶青冈的叶片光谱反射量均高于中氮的叶片光谱反射量，可以用来区分中氮水平下的植物叶片；在750～1 350 nm光谱范围，叶片光谱反射率由于施氮作用而增高，施氮条件下的光谱反射率均高于不施氮，但光谱反射率不随施氮水平的提高而增大，低氮的水平下反射率增加最大，中氮、高氮次之；在800～1 350 nm波谱范围，低氮和不施氮水平下的叶片反射率差异较大，同时，它们与中氮和高氮水平下的叶片反射率差异也较大，可以用来区分低氮和不施氮水平下的植物叶片，中氮和高氮水平下的叶片反射率存在差异，但差异较小，很难用来识别两种施氮水平下的植物叶片。其他波谱范围，4种不同施氮状况下的叶片反射光谱曲线差异很小，难以区分不同施氮水平下的叶片；从细叶青冈的一阶微分光谱分析，在530～680 nm光谱范围可以用来识别中氮水平下的植物叶片，在690～750 nm光谱范围，4种不同施氮情况下，一阶微分光谱峰值大小和位置存在较明显的差异，可以区分不同施氮条件下的植物叶片。

  

图7 低氮水平下6个树种叶片的反射光谱曲线及一阶微分光谱曲线

植物的光谱反射或发射特性是由其化学成分和形态学特征决定的，而这些特征与植物的发育、健康状况以及生长环境等密切相关[14]。植物体内的氮营养在其生长、发育及产量品质的建成等方面具有极其重要的作用，同时植物氮素含量是评价其长势、预测预报产量和品质的重要评定指标，因此，对植物氮素的实时、准确监测和诊断以及精确管理有着十分重要的意义[3]。

  

图8 中氮水平下6个树种叶片的反射光谱曲线及一阶微分光谱曲线

从图9中可以看出，在350～670 nm光谱范围细叶青冈的光谱反射率明显高于其他树种，可以用来对细叶青冈的识别，在540 nm附近各树种均有明显反射峰；在770～1 290 nm光谱范围，除杉木和杜英的反射光谱有交叉外，木荷、细叶青冈、香樟和水杉有较明显的差异，是识别这4个树种的最佳波段区间；在1 440～1 800 nm光谱范围各树种的反射光谱具有一定的规律性，6条光谱曲线间很少出现相互交叉现象，在1 450 nm附近各树种均存在一个强吸收谷，在1 650 nm附近存在一个强反射峰，在树种的识别时具有一定的价值；从一阶微分曲线来看，各树种的一阶微分光谱整体差异较小，在400～750 nm光谱范围，6个树种的一阶微分光谱均存在两个峰值，细叶青冈的两个峰值均为最高，可以对细叶青冈进行识别；其他光谱波段很难对不同树种进行识别。

  

图9 高氮水平下6个树种叶片的反射光谱曲线及一阶微分光谱曲线

3 结 论

1)对不同施氮条件下6个树种叶片的光谱分析，发现在部分波段施氮会规律性地改变树种叶片光谱反射率的大小，4种施氮状况下，低氮叶片光谱反射率最高，中氮、高氮次之，不施氮最低，但也有部分树种高施氮叶片光谱反射率比不施氮叶片光谱反射率还低，如香樟和杉木。这些变化一方面是受到施氮水平差异的影响，另一方面是不同树种叶片生长对氮素需求差异的影响，至于更深入的规律和成因分析，有待后续进一步研究。

2)6个树种在不同施氮条件下的光谱一阶微分值变化均不明显，很难通过光谱一阶微分处理去识别不同施氮水平下的叶片；但部分树种在680～720 nm光谱范围，光谱一阶微分处理可以识别树种叶片不同施氮水平，如杜英和木荷。在识别叶片不同施氮水平的波段区间上，不同树种之间也存在差异，如杜英主要集中在750～1 250 nm和1 600～1 800 nm光谱范围，木荷主要集中在800～1 300 nm光谱范围，香樟主要集中在750～1 350 nm光谱范围。

3)对相同施氮水平下不同树种叶片光谱特征分析，发现在低氮时，各树种叶片的光谱反射率差异较大，规律性较强，能够有效区分不同的树种；在中氮和高氮时，6个树种间的光谱整体差异虽然比低氮时小，但也具有比较明显的差异，如中氮时，在770～1 135 nm光谱范围，树种间光谱差异可以识别不同树种；高氮时，在770～1 290 nm光谱范围，树种间的光谱差异可以识别出木荷、细叶青冈、香樟和水杉。各树种的一阶微分光谱差异不大，但也存在一些敏感波段，如低氮时，521 nm附近可以识别细叶青冈；高氮时，400～750 nm光谱范围细叶青冈叶片反射光谱与其他树种的一阶微分值差异相对较大。

受控试验树种的选择，植被叶片光谱采集数量，以及施氮水平的设计限制，本研究未能更加全面地研究更多种类的树种在更多叶片施氮水平下的光谱变化规律，今后将更透彻地完善此项工作。

黄色素的主要成分是类胡萝卜素。类胡萝卜素是生物体内通过类异戊二烯途径合成而呈黄色、橙红色和红色的一大类萜类色素物质[1-2]。类胡萝卜素又可分为胡萝卜素和叶黄素两大类，胡萝卜素是不含氧的类胡萝卜素的总称，叶黄素则是含氧类胡萝卜素的总称。面粉中的类胡萝卜素，特别是叶黄素和黄酮类物质是面粉黄度形成的主要原因[3]。

参考文献

[1] FILELLA I, SERRANO L,SERRA J, et al. Evaluating Wheat Nitrogen Status with Canopy Reflectance Indices and Discriminant Analysis[J].Crop Science,1995,35(5):1400-1405.

[2] THENKABAIL P S, SMITH R B, RAUW E D. Hyperspectral Vegetation Indices and Their Relationships with Agricultural Crop Characteristics[J]. Remote Sensing of Environment, 2000, 71(2):158-182.

[3] 王莉雯,卫亚星. 植被氮素浓度高光谱遥感反演研究进展[J]. 光谱学与光谱分析，2013,33(10):2823-2827.

[4] 李震洪，添胜，倪慧娜，等. 用高光谱成像技术检测柑橘红蜘蛛为害叶片的色素含量[J]. 农业工程学报，2014, 30(6):124-129.

[5] STREETS D, BOND T, CARMICHAEL G, et al. An inventory of gaseous and primary aerosol emissions in Asia in the year 2000[J]. Journal of Geophysical Research: Atmospheres, 2003,108(D21):30-36.

[6] WANG W X, WANG W. The Geographical Distribution of Ion Concentration in Precipitation over China[J]. Research of Environmental Science,1997,16(3):161-172.

[7] 孙庆瑞,王美蓉.我国氨的排放量和时空分布[J]. 大气科学,1997,21(5):590-598.

[8] 张兴赢,张鹏,张艳,等.近10 a中国对流层NO2的变化趋势、时空分布特征及其来源解析[J].中国科学D辑:地球科学,2007,37(10):1409-1416.

[9] CHEN M M, JIANG H, CHENG J, GUO Z,et al. Characters of the OMI NO2 column densities over different ecosystems in Zhejiang Province during 2005-2009[J]. ACTA ECOLOGICA SINICA, 2011,31(5): 1249-1259.

[10] BISUM D, TIM R, et al. Preprocessing EO-1 Hyperion hyperspectral data to support the application of agricultural indexes[J]. IEEE Transactions on Geosciences and Remote Sensing, 2003, 41(6): 1246-1259.

[11] ELMASRY G, WANG N, VIGNEAULT C, et al. Early detection of apple bruises on different background colors using hyperspectral imaging[J]. LWT-Food Science and Technology, 2008,41(2):337-345.

[12] WANG H, MO J M, et al. Effects of elevated nitrogen deposition on soil microbial biomass carbon in major subtropical forests of southern China[J]. Front. For. China, 2009,4(1):21-27.

[13] 熊鹰，刘波，岳跃民. 基于ASD和FISS的植被叶片氮素含量反演研究[J]. 生态环境学报，2013，22(4):582-587.

[14] CHEN P, DRISS H, TREMBLEY N, et al. New index for estimating crop nitrogen concentration using hyperspectral data[J]. Remote Sensing of Environment, 2010,114(9):1987-2001.

[15] YEBRA M, VAN DIJK A, LEUNING R, et al. Evaluation of optical remote sensing to estimate actual evapotranspiration and canopy conductance[J]. Remote Sensing of Environment, 2013,129:250-261.

[16] CHVEZ R O, CLEVERS J G P W, HEROLD M, et al. Detecting Leaf Pulvinar Movements on NDVI Time Series of Desert Trees: A New Approach for Water Stress Detection[J]. International of Applied Earth Observation and Geoinformation,2014, 9(9):1-12.