论文部分内容阅读
重金属污染是当今世界面临的重大生态问题之一,不仅阻碍农作物的生长,还会间接通过食物链的传递和富集,间接对人体造成危害,如何大面积准确获取农作物重金属污染胁迫状况是农业定量遥感的一个主要研究方向。农作物叶片中的叶绿素含量通常被认为是测算农作物生长周期、光合作用能力和受重金属胁迫状况的良好指示剂。本文以长春—吉林地区4块不同重金属污染状况的农田为实验样地,在使用叶片光学辐射传输模型(PROSPECT)模拟水稻叶片光谱过程中,通过控制单一变量法来获得对叶绿素含量变化敏感的光谱指数作为叶绿素含量反演模型的参数,同时引入机器学习算法--随机森林(RANDOM FOREST),构建RF-PROSPECT模型反演叶片叶绿素含量,并评价模型精度;根据各采样区实测叶绿素含量值以及对应样地的污染水平状况分析,将叶片叶绿素含量划分不同范围说明农作物受重金属污染胁迫程度,结合实测土壤重金属含量构建的随机森林分类模型说明各种重金属元素对叶绿素含量影响的相对重要性分布。从而实现污染土壤区农作物的光合作用能力及污染水平状况监测,以便尽早提出污染治理措施,这对粮食安全问题具有非常重大的意义。主要研究结论如下:1.在叶片光学辐射传输模型的模拟过程中,发现选择的6个光谱指数中,修正型叶绿素吸收反射率指数(MCARI)、叶绿素吸收比指数(CARI)、归一化植被指数(GNDVI)表现出对叶绿素含量变化良好的敏感性,而对其他成分变化不敏感或弱敏感性,以此作为反演模型的光谱指数。2.在采用随机森林算法构建的反演模型中,经过模型反复训练,得到RF-PROSPECT反演模型的拟合优度为0.874,平均绝对误差为1.34(ug/cm2),平均相对误差为7.83%,相对于传统分析方法模型取得了较好的反演效果。3.根据各采样区实测叶绿素含量值以及样地对应的污染水平分析,将采样点污染状况划分为无污染,轻度污染和中度污染,对应的叶绿素含量值域分别定义为大于30μg/cm2、20~30μg/cm2、0~20μg/cm2,间接用叶绿素含量所处值域来评价农作物的重金属污染胁迫程度,结合实测土壤重金属含量构建的随机森林分类模型说明各种重金属元素对叶绿素含量影响的相对重要性分布:铬>铜>砷>镉。