融合多元环境因子的水稻重金属污染水平遥感评估模型

论文摘要

运用遥感技术进行农作物重金属污染识别与监测对于农业生产、粮食安全、人类生存环境具有重要的意义。然而“自然农田生态系统”中农作物重金属污染胁迫光谱特征信息微弱且不稳定,直接利用原始光谱信号评价农作物重金属污染状况其可信度不高。因而,如何增强农作物重金属污染胁迫光谱弱信息,如何建立农作物重金属污染胁迫水平遥感计算模型,是实现农作物重金属污染遥感快速、准确监测需解决的关键问题,是遥感技术应用向定量化、精细化方向发展需解决的科学问题。本文选取长春、苏州的受重金属污染（Cu和Cd）的水稻农田样地作为实验区,采集水稻关键生长期的ASD光谱数据、生化数据、环境数据,并获取准同步的Hyperion数据。分析土壤重金属对水稻胁迫的影响机理,提取水稻污染胁迫敏感光谱参数,提出水稻污染胁迫光谱弱信息增强与分离方法,建立水稻污染胁迫遥感估算模型。本文的研究工作与主要结论如下:（1）利用多尺度小波变换实现了水稻重金属污染胁迫弱信息分离与增强,并提取了水稻重金属污染胁迫3类敏感特征光谱参数:①反映光谱“整体”变化的小波-分形维数;②反映光谱“突变”信息的小波系数;③反映光谱“奇异性”的光谱指数。（2）运用多元逐步回归筛选出对水稻重金属污染胁迫响应敏感的光谱参数,利用灰色关联度分析方法筛选出对水稻重金属污染吸收累积关系密切的环境参数（土壤属性、气象因子）;以光谱参数和环境参数为输入参数,以水稻重金属污染胁迫水平为输出参数,运用动态模糊人工神经网络算法,建立了“自然农田生态系统”中水稻重金属污染胁迫水平光谱分析模型,模型精度高（R2为0.69～0.98）、结构紧凑（模糊规则为5～13个）,相比其它算法（如BP、ANFIS）构建的水稻重金属污染胁迫光谱分析模型,具有评价结果更加精确、稳定,更加符合实际,原理更易解释的优点。（3）利用Hyperion数据,结合空间插值技术,将所建立的水稻重金属污染胁迫光谱分析模型进行区域外推,建立了大尺度水稻重金属污染胁迫水平卫星遥感评价模型,模型取得了满意的结果（R2为0.69～0.72）。实现了水稻重金属污染胁迫光谱分析模型的尺度转换。本文的创新点:①提出了多尺度小波变换的光谱弱信息分离与增强的方法,可以推广应用到各种环境胁迫下所引起的农作物异常探测和弱信息增强;②基于动态模糊人工神经网络算法,建立了融合光谱参数和环境参数的水稻重金属污染胁迫水平光谱分析模型,为遥感地学应用中如何融合遥感因子与非遥感因子建模提供了一种新方法。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景
• 1.1.1 农田重金属污染特征
• 1.1.2 农作物重金属污染传统方法监测
• 1.1.3 农作物重金属污染遥感监测
• 1.2 国内外研究现状
• 1.2.1 光谱特征变化分析
• 1.2.2 光谱特征参数与农作物生理生态参数关系研究
• 1.2.3 光谱特征参数直接反演农作物重金属含量水平
• 1.3 研究意义、内容、目标
• 1.3.1 研究意义
• 1.3.2 研究目标
• 1.3.3 研究内容
• 1.4 论文组织
• 第2章 实验与方法
• 2.1 实验设计
• 2.2 数据采集
• 2.2.1 野外光谱测量
• 2.2.2 重金属含量测定
• 2.2.3 环境参数收集
• 2.3 研究方法与技术路线
• 2.3.1 研究方法
• 2.3.2 技术路线
• 第3章 研究区重金属污染现状及光谱特征
• 3.1 研究区土壤污染现状
• 3.2 重金属污染胁迫农作物生化响应
• 3.3 重金属污染胁迫农作物光谱特性
• 第4章 农作物重金属污染吸收累积因素分析
• 4.1 影响农作物吸收重金属的土壤因素
• 4.1.1 土壤pH 值
• 4.1.2 土壤有机质
• 4.1.3 土壤Eh 值
• 4.1.4 土壤质地
• 4.1.5 土壤重金属含量及可溶态含量
• 4.2 影响农作物吸收重金属的气候因素
• 4.2.1 温度、光照
• 4.2.2 降水量、湿度
• 4.3 影响农作物吸收重金属的其它因素
• 4.3.1 农作物类型
• 4.3.2 基因类型
• 4.3.3 农作物生长期
• 第5章 水稻重金属污染胁迫敏感光谱特征参数提取
• 5.1 基于小波变换的水稻重金属污染胁迫光谱弱信息增强
• 5.1.1 小波变换的概念
• 5.1.2 光谱奇异性探测机理
• 5.1.3 敏感波段的选取
• 5.1.4 小波函数的选择
• 5.1.5 小波尺度的确定
• 5.1.6 小波分解的结果
• 5.2 重金属胁迫水稻特征光谱参数计算
• 5.2.1 基于小波分解信号的光谱奇异参数计算
• 5.2.2 基于光谱整体变化的小波-分形维数计算
• 5.2.3 基于光谱“突变”信息的小波系数
• 5.2.4 综合多波段的奇异光谱指数的构建
• 5.3 特征光谱参数与水稻重金属含量相关性分析
• 第6章 水稻重金属污染胁迫水平光谱分析模型
• 6.1 模型参数的选取
• 6.1.1 光谱参数的选取
• 6.1.2 环境参数的选取
• 6.2 水稻重金属污染胁迫水平光谱分析模型建立方法
• 6.2.1 人工神经网络模型
• 6.2.2 模糊推理模型
• 6.2.3 模糊人工神经网络模型
• 6.3 水稻重金属胁迫水平评估结果
• 6.3.1 模型参数预处理
• 6.3.2 AMRPSL 模型实验结果与分析
• 6.3.3 不同算法模型实验结果比较与分析
• 第7章 大尺度水稻重金属污染胁迫水平卫星遥感评价模型
• 7.1 遥感数据的选择
• 7.2 遥感数据预处理
• 7.2.1 波段的选取
• 7.2.2 坏线修复
• 7.2.3 Smile 效应监测
• 7.2.4 大气校正
• 7.2.5 噪声信息分离
• 7.3 评估模型结果与分析
• 7.3.1 实验样区的确定
• 7.3.2 模型输入参数的获取
• 7.3.3 模型结果与分析
• 7.3.4 模型检验
• 第8章 结论与展望
• 8.1 结论
• 8.2 创新点
• 8.3 展望
• 参考文献
• 致谢
• 附录