李新會，張秀英，江洪，2，金佳鑫

（1.南京大學國際地球系統(tǒng)科學研究所，南京 210023；2.浙江農林大學亞熱帶森林培育國家重點實驗室，浙江省森林生態(tài)系統(tǒng)碳循環(huán)與固碳減排重點實驗室，杭州 311300）

1 引 言

20世紀中葉以來，酸雨已成為嚴重的全球性環(huán)境污染問題之一，主要是由于化石燃料燃燒所排放的SO2和 NOx等酸性氣體所致［1，2］。隨著中國經濟的快速發(fā)展，中國的能源消耗不斷增加，能源消費方式與結構也在快速發(fā)生變化，SO2排放總量在經歷了90年代后期的下降之后又出現大幅反彈性增長，氮氧化物（NOx）排放量快速增長［3-4］。

當降水的酸度達到一定閾值，將破壞植物葉片的微結構，降低葉綠素含量和光合效率，葉面出現可見傷害癥狀，阻礙生長發(fā)育，甚至導致作物的減產等［5］。李德成等在酸雨對水稻的影響方面做了初步研究［5］；成杰民等模擬了太湖地區(qū)酸雨對水稻的影響［6］；彭彩霞等探索了模擬酸雨對水稻種子萌發(fā)以及幼苗生長的影響［7］。

隨著高光譜遙感技術的發(fā)展，一些學者通過測定葉片的光譜反射率來反演植物在外界不同因子脅迫下的生長模型。盧霞等通過成像光譜儀測量植物的光譜曲線來反演植物在重金屬脅迫下的生長模型［8］；張東彥等使用成像光譜儀探索病蟲害、養(yǎng)分對小麥生長的影響［9］；程苗苗等人利用便攜式光譜儀ASD研究了亞熱帶的典型樹種幼苗對模擬酸雨的響應［10］。研究結果表明，高光譜技術可以較好地監(jiān)測植被受酸脅迫的影響。然而，水稻對酸脅迫在光譜上的響應，還未見研究。

水稻是我國主要糧食作物，長江三角洲又是水稻主要產地。因此，利用高光譜技術研究酸雨對水稻的影響具有重要意義。本文通過ASD光譜儀測量水稻葉片的光譜曲線從而監(jiān)測水稻在不同酸類型、不同酸濃度下的光譜響應，通過建立酸脅迫高光譜診斷模型，為大面積監(jiān)測水稻酸脅迫提供技術支持。

2 實驗方案

2.1 選擇水稻進行受控實驗

實驗地點為浙江省臨安市。根據降水中的平均離子組成及通常模擬酸雨實驗中所慣常采用的配比，將模擬酸雨分為兩組進行試驗，第1組是硫酸型酸雨，第2組是硝酸型酸雨（∶＝8∶1；∶＝8∶1）。均用水稀釋成pH值分別為2.5、4.0和5.6的3個酸雨梯度，分別代表強酸雨、較弱的酸雨、對照組。將大棚內水稻等分成與模擬酸雨梯度對應的3組，每組的占地面積約為20m2。實驗工作于2010年4月下旬水稻生長穩(wěn)定后展開，根據臨安地區(qū)多年月均降水量，噴淋適量酸雨（與當地總的降水量基本持平），噴酸間隔為一周，期間適當補水。受試水稻為常見早稻品種杭959，于2010年3月末播種，四月初插秧，5月末進行ASD光譜測量，獲得一次數據，取各受試水稻的中上部成熟功能葉進行測試，每一酸雨處理梯度下取樣27片葉。

2.2 葉片反射率的測量

葉片光譜反射率的測定所用的儀器是美國ASD公司（Analytical Spectral Devices，Inc.）生產的FieldSpec FR型便攜式地物光譜儀。FieldSpec FR的采樣波長范圍在350nm～2500nm之間，其光譜分辨率在350nm～1000nm和1000nm～2500nm間分別為3nm和10nm，其采樣間隔分別為1.4nm和2nm。

光譜測試過程中，樣品葉片被展平置于黑色背景的工作臺上，利用FieldSpec ProFRTM的植物專用探頭對準葉片，并確保樣品充滿儀器的視場角。用此方法，對該實驗中162（27＊2＊3，每個梯度取27片葉子，2個酸類型、3個梯度）片葉子分別進行光譜測量，得到每片葉子的光譜曲線。為消除外界干擾以保證精度，對每個樣品同時采集10條光譜曲線。每隔10分鐘左右對儀器做一次優(yōu)化并做參考板校正。

3 數據處理

3.1 數據預處理

在對樣品葉片測量過程中有不同因素的干擾，比如噪音和隨機性，可能導致一定的誤差，因此首先剔除異常光譜線，然后對其他的光譜曲線取平均值，作為樣品葉片的代表光譜曲線。

再把每一個梯度27個葉片的代表光譜曲線取平均值，作為一個梯度的代表光譜曲線，得到3個不同梯度的光譜曲線圖。

3.2 方差分析

方差分析用于分析不同水平的控制變量是否對結果產生顯著影響。其基本思想是通過分析研究中不同變量的變異對總變異的貢獻大小，確定控制變量對研究結果影響力的大小［11］。

本研究分別對3個酸雨梯度處理下的樣本光譜反射率差異顯著性進行兩兩分析，以分析對酸雨處理較為敏感的波段范圍及分布規(guī)律。本研究把方差分析的相伴概率在3個酸梯度中均小于顯著性水平0.05的波段作為敏感波段。

3.3 主成分分析

主成分分析（PCA）是多元統(tǒng)計中一種重要的數據壓縮處理技術［12］，利用PCA變換可以在信息損失最小的前提下，用較少的分量代替原來的高維數據，從而解決高光譜波段過多、譜帶重疊的分析難題［13］，也可以部分排除由于數據質量等原因引起的噪聲［14］。

通過利用高分辨率的光譜波段快速和大面積的實時動態(tài)無損探測植物對于外界因子脅迫的響應已越來越廣泛的應用到研究中。然而，由于高光譜數據波段寬度窄、波段數量多，導致波段間相關性高、數據量大、冗余嚴重等缺陷，造成數據維數災難，不利于特征波段的選取和新知識的發(fā)掘［15］。為了降低數據維數，更合理的解釋3個酸雨梯度處理下的樣本光譜反射率與模擬酸雨pH值之間的關系，從而更好的進行決策樹分類，采用PCA變換對數據進行壓縮。

3.4 決策樹模型

決策樹方法由于具有將不同的數據源融于一體、可以處理特征集與目標之間的非線性關系等優(yōu)點，已被廣泛應用于環(huán)境和遙感圖像處理等領域［16-17］?；跊Q策樹的分類方法是一種能夠反映同類事物共同性質的特征知識和不同事物之間的差異型特征知識的典型分類方法［18］。C5.0算法是Quinlan在C4.5基礎上發(fā)展起來的決策樹生成算法［19］。C5.0采用信息增益比（率）作為分類評價函數來選擇屬性。本次運用C5.0算法探討建立水稻葉片酸脅迫的高光譜診斷模型。

4 結果與分析

4.1 水稻葉片光譜曲線

酸脅迫會使得對其敏感的葉綠素含量、細胞結構和含水量等發(fā)生相應的變化，并對植物的膜透性、光合系統(tǒng)、呼吸作用、物質代謝、酶活性產生影響［20-21］，光譜曲線可以反應葉片的生長情況，因此水稻對酸脅迫的反應可以通過光譜曲線表現出來。

由圖1可以看出硝酸型酸雨對水稻的影響：在400nm～600nm的可見光波段，pH4.0的光譜曲線較其對照組更高；在750nm～1300nm的近紅外波段的高反射區(qū)，不同酸脅迫程度的水稻光譜曲線差異明顯，pH2.5和pH4.0的反射率均比對照組高，pH為4.0的酸濃度下水稻的反射率明顯高于其他兩組；1600nm～1830nm和2080nm～2350nm波段的光譜與含水量關系密切，在此波段水稻光譜也有差異，較其對照組pH5.6，pH4.0的反射率更高，而pH2.5的反射率更低。這可能是由于在酸脅迫的初級階段，溶液里的N元素對水稻產生了施肥作用，使水稻葉片內葉綠素增加［22-23］，在一定程度上促進了水稻的生長，使其反射率高于對照組；隨著對水稻的酸脅迫加重，水稻的生長受到抑制：近紅外波段pH2.5的光譜曲線低于pH4.0的光譜曲線，酸脅迫引起的細胞破壞導致了水稻內水分的變化，引起pH2.5的光譜曲線在1600nm～1830nm和2080nm～2350nm波段降低。

對原始光譜進行差異性分析，硝酸型酸雨差異性明顯的波段主要集中在1000nm～1074nm，表明硝酸型酸雨對水稻的原始光譜影響主要在近紅外區(qū)。同時，在400nm～700nm的可見光部分、680nm～1000nm的近紅外波段和1600nm～1800nm波段，pH4.0和pH2.5、pH5.6的光譜差異性都小于0.05，存在明顯差異，而pH2.5和pH5.6的光譜無顯著性差異；在2010nm～2166nm波段，pH2.5 與 pH4.0、pH5.6 的光譜差異性均小于0.05，而pH4.0和pH5.6的光譜差異性不明顯。這進一步驗證了上述對光譜曲線的分析。

圖1 水稻在硝酸型酸雨中的光譜反射率

由圖2可以看出硫酸型酸雨對水稻的影響：在400nm～600nm的可見光波段，pH4.0的光譜曲線較其對照組略有降低，而pH2.5的光譜曲線與對照組持平且略有上升；在750nm～1300nm的近紅外波段的高反射率區(qū)，pH4.0的反射率較其他兩組，明顯更低，而pH2.5的反射率與對照組持平中略有上升；1600nm～1830nm和2080nm～2350nm波段與植物的含水量有密切關系，這一波段不同酸雨梯度下的光譜也有差異，與對照組相比，pH4.0的光譜更高，而pH2.5的反射率更低。一般植物在遭受脅迫的情況下，葉綠素會呈現降低的趨勢［24］。嚴重玲等對農作物綠豆和玉米的葉片研究也表明：在硫酸型模擬酸雨脅迫下，植物葉片活性降低，葉綠素含量減少［25］；本實驗中，由于水稻對硫酸型酸雨敏感，酸雨降低了水稻葉片的活性，在pH4.0時就表現為抑制作用，而隨著酸脅迫加重，水稻對其有一定的適應性，反射率反而上升了。

圖2 水稻在硫酸型酸雨中的光譜反射率

對原始光譜進行差異性分析，硫酸型酸雨兩兩之間均存在顯著性差異的波段很少，沒有規(guī)律；但在487nm～666nm的可見光部分、720nm～928nm的近紅外部分和1386nm～1800nm波段，pH4.0和pH2.5、pH5.6的差異性都小于0.05，存在明顯差異，而pH2.5和pH5.6無顯著性差異。

4.2 主成分分析

通過以上分析，硝酸型酸雨的差異性主要集中在400nm～1074nm波段和1600nm～1800nm波段；硫酸型酸雨主要集中在480nm～930nm和1386nm～1800nm波段。由于酸脅迫引起的植物光譜的改變主要集中在可見光［26-27］，再結合本次差異性分析的結果，本研究選取了幾個具有物理意義的光譜區(qū)域內的光譜反射率進行主成分分析：藍區(qū)（BR：350nm～400nm）、藍邊（BE：490nm～530nm）、綠區(qū)（GR：510nm～560nm）、黃邊（YE：550nm～582nm）、紅光吸收谷（RW：640nm～680nm）、紅邊（RE：670nm～737nm）、近紅外區(qū)（NIR：700nm～900nm）。其中藍區(qū)和藍邊是葉綠素的強吸收區(qū)；綠區(qū)是葉綠素的高反射區(qū)；黃邊是黃光在550nm～582nm之間反射率一階導數最大值的位置，反映植被的生長狀況；紅光和紅光吸收谷是葉綠素的強吸收區(qū)，而紅邊與葉子內部的物理狀態(tài)密切相關，指示植物內的葉綠素，全氮含量等；近紅外波段則可以預測植物的細胞結構、水分、蛋白質等［28］。

經過對選取波段的主成分變換，硝酸型酸雨的光譜主成分因子及其累計貢獻率如表1所示，數據降維效果顯著，除藍區(qū)主成分因子累計貢獻率在83.7%以外，其余都達到了98%以上，原光譜區(qū)域敏感波段信息得到有效保留。

表1 硝酸酸雨光譜主成分因子及累計貢獻率

硫酸型酸雨的光譜主成分因子及其累計貢獻率如表2所示，除藍區(qū)主成分因子累計貢獻率在88.0%以外，其余都達到了98%以上。對于藍區(qū)光譜而言，主成分因子數目較多，數據壓縮率和累計貢獻率相對較低，表明該變量內所含信息較為豐富且各信息項之間相關性較弱，利于有效分類。

表2 硫酸酸雨光譜主成分因子及累計貢獻率

4.3 基于決策樹水稻葉片酸脅迫高光譜診斷模型

將硝酸型酸雨下得到的19個光譜反射率主成分因子作為決策樹自變量，將酸雨處理梯度等級作為因變量，對81個（27＊3，3個梯度）樣本通過分類規(guī)則進行分析并分類。

分類結果如圖3所示，利用光譜主成分因子對81個樣本分類，準確率為96.3%，其根節(jié)點為a1（藍區(qū)），表明藍區(qū)對酸脅迫的響應最明顯。參與分類的變量共有5個（分別為a1、a5、a6、a7、b），其主要表征波段為350nm～400nm（藍區(qū)）和490nm～530nm（藍邊）。

將硫酸型酸雨下得到的18個光譜反射率主成分因子都作為決策樹自變量，將酸雨處理梯度等級作為因變量，對81個樣本通過分類規(guī)則進行分析并分類。

分類結果如圖4所示，利用光譜主成分因子對81個（27＊3，3個梯度）樣本分類，準確率為98%，分類精度較高，其根節(jié)點為a6（藍區(qū)），參與分類的變量共有5個（分別為a2、a3、a6、a7、b2），其主要表征波段也為350nm～400nm（藍區(qū)）和490nm～530nm（藍邊）。

圖4 硫酸型酸雨主成分因子對樣本的分類圖

酸脅迫導致葉綠素的變化，從而引起植物葉片對藍紫光和紅光反射率變化，引起光譜曲線的變化。研究表明，葉綠素a、葉綠素b的吸收主要在紅區(qū)（670nm左右）和藍區(qū)（450nm左右），在酸脅迫中，這些波段也明顯影響決策樹的分類精度［29-31］。藍區(qū)和紅區(qū)對植物所受的酸脅迫有較好的光學響應［32］。而在本次基于決策樹的分類中，藍紫光是主要表征波段，從而證明酸脅迫對水稻產生了影響，使水稻的光譜曲線發(fā)生了變化。

5 結束語

本研究以水稻作為研究對象，進行大棚酸雨受控實驗，通過數據預處理、方差分析、主成分分析和決策樹系統(tǒng)的技術手段，對比分析水稻對于不同酸成分、酸強度處理的高光譜反射率響應，得到如下結論：

（1）硝酸型酸雨和硫酸型酸雨都對水稻生長有一定程度的抑制作用，但是由于硝酸型酸雨含有水稻生長所必需的氮元素，使水稻在酸濃度較低的情況下，表現為促進其生長，但是隨著酸濃度的增加，則表現為抑制，促進和抑制的酸濃度臨界點，還需要進一步實驗才能得到；而硫酸型酸雨在低濃度下就明顯表現為抑制水稻生長，但是隨著濃度的增高，抑制作用反而減弱，逐漸與對照組持平，這可能是水稻適應了硫酸型酸雨的結果。

（2）經過主成分變換，除藍區(qū)光譜外，其他各光譜區(qū)域光譜主成分均具有較高的數據壓縮率和累計貢獻率；對于藍區(qū)光譜而言，主成分因子數目較多，表明該變量內所含信息較為豐富且各信息項之間相關性較弱，利于有效分類。

（3）經過C5.0算法進行分類，以光譜主成分因子為自變量，對硝酸型酸雨和硫酸型酸雨處理梯度等級分類的準確率分別為96.3%和98%，分類精度很高。藍區(qū)對分類結果影響最為顯著，其次是藍邊，其他光譜區(qū)域對分類結果影響較小，表明藍區(qū)內的光譜導數能較明顯反映出水稻受到酸雨的影響。

［1]MENZ F C，SEIP H M.Acid rain in Europe and the United States：An update［J］.Environmental Science and Policy，2004，7（4）：253－265.

［2]宋曉東，江洪，余樹全，等.模擬酸雨脅迫與植物葉片光譜反射率特征間的關系［J］.光譜學與光譜分析，2010，30（1）：165－169.

［3]湯潔，徐曉斌，巴金，等.1992－2006年中國降水酸度的變化趨勢［J］.科學通報，2010，55（8）：705－712.

［4]ZHANG X Y，JIANG H.Analysis of acid rain patterns in northeastern China using a decision tree method［J］.Atmospheric Environment，2012（46）：590－596.

［5]李德成，徐彬彬，石曉日，等.模擬酸雨對水稻葉片反射光譜特性影響的初步研究［J］.環(huán)境遙感，1996，11（4）：241－247.

［6]成杰民，潘根興，倉龍，等.模擬酸雨對太湖地區(qū)主要水稻土土壤pH及植物生長的影響［J］.南京農業(yè)大學學報，2000，23（2）：116－118.

［7]彭彩霞，彭長連，林桂珠，等.模擬酸雨對農作物種子萌發(fā)和幼苗生長的影響［J］.熱帶亞熱帶植物學報，2003，11（4）：400－404.

［8]盧霞，劉少峰，鄭禮全.礦區(qū)植被重金屬脅迫高光譜分辨率數據分析［J］.測繪科學，2007，32（2）：111－113.

［9]張東彥，張競成，朱大洲，等.小麥葉片脅迫狀態(tài)下的高光譜圖像特征分析研究［J］.光譜學與光譜分析，2011，31（4）：1101－1105.

［10]程苗苗，江洪，陳健，等.不同演替階段典型樹種幼苗對酸脅迫響應的高光譜監(jiān)測［J］.生態(tài)學報，2009，29（11）：5953－5962.

［11]余建英，何旭紅.數據統(tǒng)計分析與SPSS應用［M］.北京：人民郵電出版社，2003：141.

［12]李俊祥，達良俊，王玉潔，等.基于NOAA－AVHRR數據的中國東部地區(qū)植被遙感分類研究［J］.植物生態(tài)學報，2005，29（3）：436－443.

［13]何勇，李曉麗，邵詠妮.基于主成分分析和神經網絡的近紅外光譜蘋果品種鑒別方法研究［J］.光譜學與光譜分析，2006，26（5）：850－853.

［14]TOWNSHEND J R G，JUSTICE C O，KALB V.Characterization and classification of South－American land cover types using satellite data［J］.International Journal of Remote Sensing，1987（8）：1189－1207.

［15]張秀英，馮學智，江洪.面向對象分類的特征空間優(yōu)化［J］.遙感學報，2009，13（4）：664－669.

［16]ZHANG X Y，FENG X Z，JIANG H.Object－oriented method for urban vegetation mapping using IKONOS imagery［J］.International Journal of Remote Sensing，2010，31（1）：177－196.

［17]ZHANG X Y，LIN F F，JIANG Y G，et al.Assessing soil Cu content and anthropogenic influences using decision tree analysis［J］.Environmental Pollution，2008（156）：1260－1267.

［18]祁治.基于模糊集理論的關聯規(guī)則研究［D］.武漢：武漢科技大學，2005.

［19]張青.決策樹分類算法的研究與改進［D］.鄭州：鄭州大學，2002.

［20]高吉喜，曹洪法，舒儉民.酸雨對植物新陳代謝的影響［J］.環(huán)境科學研究，1996，9（4）：41－45.

［21]單運峰，馮宗煒.模擬酸雨對馬尾松和杉木幼樹的影響［J］.環(huán)境科學學報，1988，8（3）：307－315.

［22]劉菊秀.酸沉降對森林生態(tài)系統(tǒng)影響的研究現狀及展望［J］.生態(tài)學雜志，2003，22（5）：113－117.

［23]謝曉贊，江洪，宋曉東，等.模擬酸雨不同水平下杜英和山核桃的高光譜特點［J］.遙感信息，2010（1）：32－38.

［24]RICHARDSON A D，DUIGAN S P，BERLYN G P.An evaluation of noninvasive methods to estimate foliar chlorophyll content［J］.New Phytologist，2002（153）：185－194.

［25]嚴重玲，鐘章成，李睿智.酸雨對農作物葉片活力、葉綠素及葉汁pH 的影響［J］.環(huán)?？萍迹?995，17（2）：27－30.

［26]CARTER G A，KNAPP A K.Leaf optical properties in higher plant s：Linking spectral characteristics to stress and chlorophyll concentration［J］.American Journal of Botany，2001，88（4）：677－684.

［27]CARTER G A.Responses of leaf spectral reflectance to plant stress［J］.American Journal of Botany，1993，80（3）：239－243.

［28]浦瑞良，宮鵬.高光譜遙感及其應用［M］.北京：高等教育出版社，2004：81.

［29]JIN J X，JIANG H，ZHANG X Y，et al.Using multivariate analysis to detect the hyperspectral response of Chinese fir to acid stress［J］.International Journal of Remote Sensing，2013，34（11）：3775－3786.

［30]BLACKBURN G A.Wavelet Decomposition of Hyper spectral Data：A Novel Approach to Quantifying Pigment Concentrations in Vegetation［J］.International Journal of Remote Sensing，28（12）：2831－2855.

［31]TILLING A K，O’LEARY G J，FERWERDA J G，et al.Remote sensing of nitrogen and water stress in wheat［J］.Field Crops Research，2007（104）：77－85.

［32]MUTANGA O，SKIDMORE A K.Red edge shift and biochemical content in grass canopies［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2007（62）：34－42.