基于高光谱的叶片滞尘量估测模型

李伟涛，吴　见，陈泰生，彭道黎（1. 北京林业大学省部共建森林培育与保护教育部重点实验室，北京 100083；2. 滁州学院地理信息与旅游学院，滁州 239000；　3. 安徽省地理信息集成应用协同创新中心，滁州 239000）



基于高光谱的叶片滞尘量估测模型

李伟涛1，2，3，吴见2，3，陈泰生2，3，彭道黎1※
（1. 北京林业大学省部共建森林培育与保护教育部重点实验室，北京 100083；2. 滁州学院地理信息与旅游学院，滁州 239000；3. 安徽省地理信息集成应用协同创新中心，滁州 239000）

摘要：为探索建立叶片滞尘量高光谱估测模型，利用光谱仪和电子分析天平采集了北京市区杨树叶片高光谱数据和滞尘量数据，研究了叶片光谱特征与滞尘量间的关系，并建立了基于光谱参数的叶片滞尘量估测模型。研究结果表明：近红外波段（730～1 000 nm）光谱反射率与叶片滞尘量呈现明显的线性相关性，各波段相关系数均高于0.7，绿光区波段反射率对叶片滞尘的影响不敏感；三边参数中仅红边幅值、红边面积与叶片滞尘量达到显著相关；基于多元线性回归、主成分回归、偏最小二乘回归建立的模型均具有较强的预测能力，其中以偏最小二乘回归为模型构建方法，以749、644、514 nm波段的光谱反射率值，红边幅值，红边面积，924、1 010 nm波段组成的归一化指数，713、725 nm波段组成的差值指数，749、644 nm波段组成的归一化植被指数为自变量建立的模型估测精度最好，其建模和预测的决定系数分别达到0.734和0.731，预测均方根误差为0.311。该研究为促进高光谱技术在大气降尘监测中的应用提供参考。

关键词：光谱分析；模型；回归分析；叶片滞尘量；高光谱；大气污染监测

李伟涛，吴见，陈泰生，彭道黎. 基于高光谱的叶片滞尘量估测模型[J]. 农业工程学报，2016，32（2）：180－185. doi：10.11975/j.issn.1002-6819.2016.02.026http://www.tcsae.org

Li Weitao， Wu Jian， Chen Taisheng， Peng Daoli. Hyperspectral estimation model of dust deposition content on plant leaves[J]. Transactions of the Chinese Society of Agricultural Engineering （Transactions of the CSAE）， 2016， 32（2）: 180－185. （in Chinese with English abstract）doi：10.11975/j.issn.1002-6819.2016.02.026http://www.tcsae.org

0　引　言

降尘量是表征区域大气环境质量的重要指标，在中国当前城市发展所引发的一系列大气污染问题背景下，其对大气质量监测的作用显得尤为突出[1-2]。植被是大气降尘的天然“采集器”，植物叶片滞尘量随着环境中粉尘颗粒物含量的增多而增大，能够直观反应大气降尘状况和度量地区环境质量优劣[3]。因此，部分学者通过叶片滞尘在分析大气降尘成分及来源、反演工业粉尘的空间分布等领域进行了相关探索[4-6]，但鲜有通过叶片滞尘反演区域降尘量的研究，究其原因是该方式仍不能摆脱数据采集过程耗时、覆盖范围小等缺陷。近年来，随着高光谱技术的发展，地面高光谱数据的采集愈加快速便捷。研究由高光谱数据反演叶片滞尘量模型可提高大气降尘监测效率和空间采样点密度，能够作为传统大气降尘监测手段的有效补充，进而提高大气降尘监测的时间精度和空间精度。Chudnovsky等[7]通过400～2 500 nm波段的光谱特征估测了室内降尘量和降尘成分，其研究为利用光谱特征估测叶片滞尘量提供了思路。Jiang等[8]研究了广州市的榕树叶片滞尘量与榕树叶片光谱特征之间的相关关系；罗娜娜等[9]基于采集的北京市区大叶黄杨叶片的降尘量和光谱数据研究了滞尘影响下的植被叶片光谱变化特征，并基于除尘前后的叶片各波段反射率比值构建了估测模型；彭杰等[10]对沙尘暴多发的南疆地区的榆树叶片的光谱特征进行了研究，通过叶片光谱反射率和光谱反射率一阶微分值反演了叶面降尘量；Yan等[11]的研究得出了应用叶片的近红外波段光谱数据估测叶片滞尘量较其他光谱波段更为准确的结论。这些有关基于光谱特征估测叶片滞尘量的研究构建的模型取得了较理想估测精度，然而在估测模型构建中的变量选取仅顾及了同一种类型的数据，未尝试将光谱反射率、光谱反射率运算指数、三边参数等不同类型的光谱特征数据共同引入模型，而单一类型的数据构成的自变量间存在多重相关性问题。因此，本研究以兼受沙尘和工业粉尘污染的北京市区为研究区域，采集叶片的滞尘量和高光谱数据，分析叶片滞尘量与光谱特征之间的关系，在多组变量与建模方法基础上构建叶片滞尘量估测模型，以期为基于地面高光谱数据的区域降尘定量监测提供理论依据。

1　材料与方法

1.1数据采集与处理

以华北地区常见树种-杨树为试验材料，北京市海淀区北京林业大学周边主干道边的绿化带为样本采集区域。该区域为高校集中区，无工厂分布，叶片表面粉尘主要为自然沉降滞留的建筑尘、土壤尘和汽车尾气尘，叶面滞尘以10～100 μm颗粒物为主[12-13]。为确保采样叶面表面滞尘均匀且数值分布范围较大，叶片样本采集过程中选择高度在2.5 m左右的健康、成熟、无损害的叶片，尽量避免人为干扰。采样时间选择叶片滞尘量较大的秋季[14]，且采样前一周内无降水。分别于2014年9月17日、2014年9月18日采集分散分布在样区内成年杨树的叶片样本32个和30个。经密封袋盛装并置于冰盒中。随后对每片叶片依次进行光谱测量、称质量、除尘、称质量、光谱测量、叶面积测量等工作。

叶片称质量采用精度为0.00001 g的电子分析天平。叶片除尘时应用纯净水冲洗并用吸水纸反复擦拭干燥，避免叶片表面的水分遗留。采用美国PPS公司生产的UniSpec-SC单通道便携式光谱分析仪进行光谱测量，其波长范围为310～1130 nm，采样间隔为3.3 nm，重采样间隔1 nm，输出波段数为821。应用光谱仪的内置卤素光源在暗室中进行光谱测量，每个叶片样本在除尘前后各测量10次，以各波段的平均值作为叶片的光谱反射率。应用国产Yaxin-1241叶面积仪进行叶片面积测量，每个样本叶片量测2次，取平均值。因操作失误3个样本数据采集无效，最终获得有效样本数据59份，统计得出杨树叶片样本单位面积滞尘量的平均值为1.135 g/m2，标准差为0.688 g/m2，最大值为3.341 g/m2，最小值为0.168 g/m2，变异系数为60.7%。

1.2建模方法与验证

通过对比样本光谱数据各波段的反射率和一阶微分值，定性分析叶片滞尘对杨树叶片光谱反射率和三边参数的影响。对叶片滞尘量和光谱单波段反射率进行相关分析，确定叶片光谱对滞尘量响应的敏感谱段；分析叶片滞尘量与任意两波段反射率生成的差值指数、比值指数、归一化指数的相关性，为回归模型参数选取最佳波段组合；分析叶片滞尘量与三边参数中的幅值和峰值面积的相关性，将相关性达极显著水平的指标作为入选参量构建估测模型。以采集的40份样本数据进行建模，其余19份样本数据用于模型检验。采用一元线性回归、偏最小二乘回归（partial least squares regression，PLSR）、多元线性回归（multivariate linear regression，MLR）、主成分回归（principle component regression，PCR）4种建模方法构建估测模型，选取决定系数（R2）、均方根误差（root mean square error，RMSE）等指标对模型进行精度验证。数据处理与建模在Excel、MATLAB软件中完成。

2　结果与分析

2.1叶片滞尘对杨树叶片光谱特征的影响

2.1.1叶片滞尘对杨树叶片光谱反射率的影响

应用光谱仪在暗室中测量有尘叶片、除尘后的去尘叶片光谱反射率，选取400～1 110 nm波段范围内噪声较小的光谱数据，分别计算有尘叶片、去尘叶片各谱段反射率均值，结果如图1所示。由图1可看出，除尘前后叶片光谱反射曲线整体形态相似，均具备植被光谱典型的反射带特征。二者的差异在于在400～700 nm波段间，有尘叶片光谱反射率略高于去尘叶片，在710～1 110 nm波段间，有尘叶片光谱反射率明显低于去尘叶片，除尘前后叶片光谱反射率在700～710 nm波段出现拐点。由于数据采集过程中连续依次进行的光谱测量、称质量、除尘、称质量、光谱测量、叶面积量测等工作在很短的时间内完成，排除了叶片自身变化对光谱数据的影响，可以确认叶片除尘前后的光谱反射率变化为滞尘所致。由此可得，叶片滞尘增强了400～700 nm波段间的反射率，抑制了710～1 110 nm波段间的反射率。

图1　有尘和去尘后叶片光谱反射率对比Fig.1　Spectra reflectance between dust and clean leaves

为进一步验证叶片滞尘量和光谱反射率之间的关系，抽取不同滞尘量叶片的光谱数据，见图2。由图2可以看出在400～700 nm波段间，光谱反射率随叶片滞尘量增加而升高，二者呈正相关；在710～1 110 nm波段间，光谱反射率随叶片滞尘量增加而降低，二者呈负相关。

图2　不同滞尘量的叶片光谱曲线Fig.2　Spectra reflectance of leaves with different foliar dust deposition content

2.1.2叶片滞尘对杨树叶片光谱三边参数的影响

三边参数是反演植被生长状况的重要依据。三边参数的相关定义及含义[15]见表1。统计不同滞尘量叶片光谱反射率的一阶微分数据，见图3。由图3可以看出，叶片滞尘对红边、黄边、蓝边位置没有明显影响。三边幅值均随叶片滞尘量的增加而降低，叶片滞尘量对黄边幅值、蓝边幅值影响不显著，对红边幅值影响明显。此外，三边面积也随叶片滞尘量的增加而降低，但红边面积的敏感性要大幅高于黄边面积和蓝边面积。

综上所述，叶片滞尘对光谱反射率和三边参数均有影响且具有规律性。这为进一步研究基于高光谱的叶片滞尘量估测模型提供了理论基础。

表1　三边参数的定义Table 1　Definition of trilateral parameters

图3　不同滞尘量的叶片光谱一阶微分曲线Fig.3　First derivative spectra of leaves with different foliar dust deposition content

2.2叶片滞尘量与杨树叶片光谱数据的相关分析

2.2.1叶片滞尘量与单波段反射率相关分析

计算59个叶片样本所采集的滞尘量和各谱段反射率的相关度，结果如图4所示。由图4可以看出，滞尘量与光谱反射率之间的相关性在400～704 nm波段为正相关，705～1 110 nm波段为负相关。两者之间的相关系数在研究的波段范围内共出现了3次峰值，这3次峰值分别位于514，644，749 nm，这与三边参数范围基本相对应，对于其中514 nm波段位于蓝边范围内，644 nm波段位于黄边范围的边缘，749 nm波段位于绿色植被对外界最敏感的红边范围内，且该波段的光谱反射率与滞尘量之间的相关性达到了最大负相关。这缘于三边参数作为光谱位置特征的相关参数，不仅能够很好地反映出植被的光谱特征，而且对叶绿素、含水量等植被生化参数的变化也比较敏感。在726～1 110 nm间负相关值较高，其原因在于叶片上降落的粉尘为土壤、建筑粉尘等固体颗粒，这些物质在近红外波段大幅低于绿色植被的反射率，从而导致附有粉尘的叶片在该波段光谱反射率降低，这种效应会随叶片滞尘量的增加而增加。其中450～527，568～711 nm波段相关性为显著水平，在528～567 nm波段出现明显的凹谷特征，可见绿光区波段反射率对叶片滞尘的影响不敏感。712～1 110 nm波段相关性为极显著水平，相关度最高的波段区间为747～768 nm，相关系数均达到−0.74，其中最高点为749 nm波段，相关系数为−0.7413，该部分恰好处在红边范围内。由于红边与植被的各种理化参数是紧密相关的，是描述植物色素状态和健康状况的重要的指示波段。

图4　叶片滞尘量和光谱反射率相关分析Fig.4　Analysis of relationship between foliar dust deposition content and spectra reflectance

2.2.2叶片滞尘量与波段间反射率运算指数相关分析

通过引入归一化指数、比值指数、差值指数进一步研究叶片滞尘量与波段间反射率的关系。归一化指数为任意两波段反射率差与和的比值：（Rm−Rn）/（Rm＋Rn）；比值指数为任意两波段反射率比值：Rm/Rn；差值指数为任意两波段反射率差值：Rm−Rn。图5所示为应用MATLAB计算出的叶片滞尘量与归一化指数、比值指数、差值指数间的相关系数矩阵，为便于表述，3个相关系数矩阵分别命名为NCM、RCM、DCM。

图5　叶片滞尘量与波段间反射率运算指数相关矩阵Fig.5　Correlation matrix of relationship between foliar dust deposition content and index calculated by different spectra reflectance

图5中红色为正相关，蓝色为负相关，黄色和青色为相关度较低。NCM中的相关系数最高值为0.7615，位于924、1010 nm波段处，是3个相关系数矩阵中的最高值；RCM中最高值为0.7593，也位于924、1010 nm波段处；DCM中最大值为0.7484，位于713和725 nm波段处。为验证归一化植被指数对叶片滞尘量的敏感性，查看了在NCM中处于红光区反射率最低值和近红外区反射率最高值的666、769 nm波段，相关系数值为0.5894。由此可见归一化植被指数对叶片滞尘量较敏感，但不及近红外波段组成的归一化指数。

2.2.3叶片滞尘量与三边参数相关分析

通过表2可以看出叶片滞尘量与三边参数中的红边面积相关度最高，其次为红边幅值，均达到极显著水平（P＜0.01）。其余4个参数相关度较低且不显著。

表2　叶片滞尘量与三边参数相关分析Table 2　Analysis of relationship between foliar dust deposition content and trilateral parameters

2.3叶片滞尘量估测模型的构建与验证

本研究采用一元线性回归、偏最小二乘回归（PLSR）、多元线性回归（MLR）、主成分回归（PCR）4种建模方法，根据叶片滞尘量与杨树叶片光谱数据的相关分析结果，顾及指标的多样性，通过试验构建了6个反演模型见表3。

表3　估测模型及其精度Table 3　Estimation models and their accuracy parameter

图6　叶片滞尘量预测值与实测值比较（n＝19）Fig.6　Comparison of estimated with measured foliar dust deposition content（n＝19）

变量选择中，将749 nm波段反射率，924、1010 nm波段反射率构成的归一化指数分别进行对数运算后作为自变量，叶片滞尘量作为因变量构建基于一元线性回归的M1和M2模型。选择相关系数达极显著水平波段的反射率作为自变量构建基于偏最小二乘回归的M3模型。在依据相关系数的大小和显著性水平的同时，兼顾因子之间的多重共线性和指标的综合性，M4、M5、M6模型构建中的8个自变量选择如下：各波段反射率之间以及波段间反射率运算指数之间存在多重相关性问题，因此，分别选择了749、644、514 nm波段的反射率值，这3个波段为滞尘量与光谱反射率之间的相关系数在研究的波段范围内的三次峰值；鉴于比值指数较相关系数矩阵分布规律相似且数值偏低，只选择由924和1010 nm波段组成的归一化指数和713、725 nm波段组成的差值指数；选择了三边参数中相关性显著的红边幅值和红边面积，以及由红光和近红外波段与叶片滞尘量相关系数最高的749、644 nm波段组成的归一化植被指数。

图6为应用19个叶片滞尘量实测值与各模型预测值的拟合结果。由表3和图6可得，各模型建模和预测时的决定系数均达到了极显著水平。M1和M2建模的决定系数较自变量未进行对数运算前有所增加，但模型精度仍然较低。基于偏最小二乘回归（PLSR）、多元线性回归（MLR）、主成分回归（PCR）等方法构建的4个模型，模型精度均高于M1和M2。精度最高的为基于偏最小二乘回归（PLSR）构建的M4，其建模和预测的决定系数分别达到0.734和0.731，RMSE为0.311，模型精度高于同样基于偏最小二乘回归（PLSR）构建的M3。其原因在于M3众多的自变量间存在多重相关性问题，而M4在自变量选择中兼顾了自变量的多样性及其与因变量的高相关性。M5和M6模型精度均低于M4，但与 M3模型精度相当，在叶片高滞尘量的情况下预测偏差较大是M5模型精度低主要原因。

3　结　论

在研究杨树叶片滞尘对叶片光谱特征的影响基础上，分别采用了一元线性回归、偏最小二乘回归（partial least squares regression，PLSR）、多元线性回归（multivariate linear regression，MLR）、主成分回归（principle component regression，PCR）4种建模方法和不同的自变量组合构建估测模型，并对模型精度进行检验评价，得出以下结论：

1）叶片光谱反射率与叶片滞尘量具有相关性，在400～700 nm波段间为正相关，710～1 110 nm波段为负相关，其中450～527，568～711 nm波段相关性达到显著水平。近红外区的749 nm波段相关性最高，绿光区波段反射率对叶片滞尘的影响不敏感。

2）叶片滞尘对红边、黄边、蓝边位置没有明显影响。三边参数中，红边幅值和红边面积对叶片滞尘敏感，黄边幅值、蓝边幅值、黄边面积、蓝边面积与叶片滞尘量相关性不显著。

3）由波段间反射率构成的归一化指数、比值指数、差值指数与叶片滞尘量相关性较单一波段反射率与叶片滞尘量相关性整体有所提升。其中，位于924、1 010 nm波段处的归一化指数与叶片滞尘量相关度最高，相关系数为0.7615。归一化植被指数对叶片滞尘量较敏感，但不及近红外波段组成的归一化指数。

4）在构建的6个模型中，基于一元线性回归构建的模型估测精度较低。相同变量组合下，基于偏最小二乘回归（PLSR）构建的M4模型估测效果明显好于多元线性回归（MLR）、主成分回归（PCR）构建的M5、M6模型，M4建模和预测的决定系数分别达到0.734和0.731，RMSE为0.311。同时，M4模型精度高于同样基于偏最小二乘回归（PLSR）构建的M3，由此得出，综合了与叶片滞尘量相关系数最高的红外、红光、黄光波段反射率值，924和1010 nm波段组成的归一化指数和713、725 nm波段组成的差值指数，三边参数中的红边幅值和红边面积，红光和近红外波段的749、644 nm波段组成的归一化植被指数等自变量构建的模型估测效果优于单一的光谱反射率构建的模型。

通过研究杨树叶片滞尘对叶片光谱特征的影响以及构建高光谱叶片滞尘量估测模型并取得了较准确的估测结果，这为基于地面高光谱数据的区域大气降尘定量监测和森林的滞尘生态服务功能度量提供了理论依据。

[参考文献]

[1] 杨柳，李旭祥. 大气降尘中重金属元素及铅同位素分析[J].西安交通大学学报，2014，48（2）：118－124. Yang Liu， Li Xuxiang. Analysis of heavy metal pollution in atmospheric deposition[J]. Journal of Xi’an Jiaotong University，2014， 48（2）: 118－124. （in Chinese with English abstract）

[2] 贾彦，吴超，董春芳，等. 7种绿化植物滞尘的微观测定[J].中南大学学报自然科学版，2012，43（11）：4547－4553. Jia Yan， Wu Chao， Dong Guifang， et al. Measurement on ability of dust removal of seven green plants at microconditions[J]. Journal of Central South University Science and Technology， 2012， 43（11）: 4547－4553. （in Chinese with English abstract）

[3] 高金晖，王冬梅，赵亮，等. 植物叶片滞尘规律研究—以北京市为例[J]. 北京林业大学学报，2007，29（2）：94－99. Gao Jinhui， Wang Xuemei， Zhao Liang， et al. Airborne dust detainment bydifferent plant leaves: Taking Beijing as an example[J]. Journal of Beijing Forestry University， 2007，29（2）: 94－99. （in Chinese with English abstract）

[4] Hanescha M， Scholgerb R， Reyc D. Mapping dust distribution around an industrial site by measuring magnetic parameters of tree leaves[J]. Atmospheric Environment， 2003，37（36）: 5125－5133.

[5] 邱媛，管东生. 经济快速发展区域的城市植被叶面降尘粒径和重金属特征[J]. 环境科学学报，2007，27（12）：2080－2087. Qiu Yuan， Guan Dongsheng. Particulate size and heavy metal accumulation in foliar dust from urban vegetation in rapidly developing cities[J]. Acta Scientiae Circumstantiae， 2007，27（12）: 2080－2087. （in Chinese with English abstract）

[6] Mahera B A， Mooreb C， Matzkac J. Spatial variation in vehicle-derived metal pollution identified by magnetic and elemental analysis of roadside tree leaves[J]. Atmospheric Environment， 2008， 42（2）: 364－373.

[7] Chudnovsky A， Ben-Dor E. Application of visible， nearinfrared， and short-wave infrared （400-2 500 nm） reflectance spectroscopy in quantitatively assessing settled dust in the indoor environment. Case study in dwellings and office environments[J]. Science of The Total Environment， 2008，393（2/3）: 198－213.

[8] Jiang Zhengyi， Liu Xianghua， Jiao Sihai， et al. Air dustfall impact on spectrum of Ficus microcɑrpɑ’s leaf[J]. Advanced Materials Research， 2013（655/656/657）: 813－815.

[9] 罗娜娜，赵文吉，晏星. 在滞尘影响下的植被叶片光谱变化特征研究[J]. 光谱学与光谱分析，2013，33（10）：2715－2720. Luo Nana， Zhao Wenji， Yan Xing. Impact of dust-fall on spectral features of plant leave[J]. Spectroscopy and spectral analysis， 2013， 33（10）: 2715－2720. （in Chinese with English abstract）

[10] 彭杰，向红英，王家强，等. 叶面降尘的高光谱定量遥感模型[J]. 红外与毫米波学报，2013，32（4）：313－318，343. Peng Jie， Xiang Hongying， Wang Jiaqiang， et al. Quantitative model of foliar dustfall content using hyperspectral remote sensing[J]. J.Infrared Millim.Waves， 2013， 32（4）: 313－318，343. （in Chinese with English abstract）

[11] Yan Xing， Shi Wenzhong， Zhao Wenji， et al. Estimation of atmospheric dust deposition on plant leaves based on spectral features[J]. Spectroscopy Letters: An International Journal for Rapid Communication， 2014， 47（7）: 536－542.

[12] 杨佳，王会霞，谢滨泽，等. 北京9个树种叶片滞尘量及叶面微形态解释[J]. 环境科学研究，2015，28（3）：384－ 392. Yang Jia， Wang Huixia， Xie Binze， et al. Accumulation of particulate matter on leaves of nine urban greening plant species with different micromorphological structures in Beijing[J]. Research of Environmental Sciences， 2015， 28（3）: 384－392. （in Chinese with English abstract）

[13] Kajetan D， Robert P， Helena G， et al.Deposition of particulate matter of different size fractions on leaf surfaces and in waxes of urban forest species[J]. International Journal of Phytoremediation， 2011， 13（10）: 1037－1046.

[14] 么旭阳，胡耀升，刘艳红. 北京市8种常见绿化树种滞尘效应[J]. 西北林学院学报，2014，29（3）：92－95. Yao Xuyang， Hu Yaosheng， Liu Yanhong. Dust-retention effect of 8 common greening tree species in Beijing[J]. Journal of Northwest Forestry University， 2014， 29（3）: 92－95. （in Chinese with English abstract）

[15] Sims D A， Gamon J A. Estimation of vegetation water content and photosynthetic tissue area from spectral reflectance: a comparison of indices based on liquid water and chlorophyll absorption features[J]. Remote Sensing of Environment， 2003， 84（4）: 526－537.

Hyperspectral estimation model of dust deposition content on plant leaves

Li Weitao1,2,3, Wu Jian2,3, Chen Taisheng2,3, Peng Daoli1※
（1. Key Lɑborɑtory for Silviculture ɑnd Conservɑtion of Ministry of Educɑtion, Beijing Forestry University, Beijing 100083， Chinɑ;
2. Geogrɑphy Informɑtion ɑnd Tourism College, Chuzhou University, Chuzhou 239000， Chinɑ;
3. Anhui Center for Collɑborɑtive Innovɑtion in Geogrɑphicɑl Informɑtion Integrɑtion ɑnd Applicɑtion, Chuzhou 239000， Chinɑ）

Abstract:Dustfall is an important indicator to characterize the regional atmospheric environment quality. The dustfall status and regional environmental quality can be reflected directly by dust deposition content on plant leaves. The acquisition of hyperspectral data measured at ground surface is more and more convenient in recent years with the development of hyperspectral technology. Study on inversion model for foliar dust deposition content based on hyperspectral data will improve the efficiency of atmospheric dust monitoring and spatial sampling. And the model can not only be used as an effective complement to traditional atmospheric dust monitoring means， but also improve the time accuracy and spatial accuracy of dustfall monitoring. The aim of exploring the construction of hyperspectral estimation model of foliar dust deposition content is to promote the application of hyperspectral and remote sensing techniques on dustfall monitoring， and provide theoretical basis for the quantitative monitoring of regional dustfall based on the ground hyperspectral data. The adult Beijing poplar leaves were collected in Beijing urban area during the period from September 17 to September 18 in 2014. In order to collect the hyperspectral data and the data of per unit area dust deposition content on leaf samples， the work was carried out in the following sequence: spectral measurement， weighing， dust removal， weighing， spectral measurement， and measurement of leaf area. We finally got 59 valid sample data. We analyzed the influence of foliar dust deposition content on the spectral reflectance and trilateral parameters of poplar leaves. And the relationships between leaf spectral characteristics and foliar dust deposition content were studied. Then， the estimation model of foliar dust deposition content based on spectral parameters was established. The results showed that foliar dust deposition content enhanced the reflectivity of 400-700 nm band and inhibited the reflectivity of 710-1110 nm band. And foliar dust deposition content had no obvious effect on red edge position， yellow edge position and blue edge position. The linear relationship between spectral reflectance of the near infrared wavelengths （730-1000 nm） and foliar dust deposition content was obvious， and the coefficient of each band was higher than 0.7. The reflectance of green band was not sensitive to the influence of leaf dust deposition content. And the relationships between red edge amplitude， red edge area and leaf dust deposition content achieved significant relation. Three correlation coefficients’matrices were constructed by the indices calculated based on different spectra reflectance and foliar dust deposition content. The maximum value in each matrix was higher than the maximum value of correlation coefficient between single band and foliar dust deposition content. The highest value of correlation coefficients of the 3 matrices was 0.7615， which was in the matrix of correlation coefficient of normalized index and foliar dust deposition content. Models based on multivariate linear regression， principal component regression and partial least squares regression all had stronger ability to predict. The partial least squares regression model with the independent variables， which included spectral reflectance at the band of 749， 644 and 514 nm， red edge slope， red edge area， normalized difference index composed by the band of 924 and 1010 nm， difference index composed by the band of 713 and 725 nm， and normalized difference vegetation index composed by the band of 749 and 644 nm，had the highest estimate accuracy with the modeling decision coefficient of 0.734， the forecasting decision coefficient of 0.731， and the root mean square error of 0.311 for prediction.

Keywords:spectrum analysis; models; regression analysis; foliar dust deposition content; hyperspectral; air pollution measurement

通信作者：※彭道黎，教授，博士生导师，从事森林环境监测与评价研究。北京北京林业大学，省部共建森林培育与保护教育部重点实验室，100083。Email：dlpeng@bjfu.edu.cn。

基金项目：国家自然科学基金项目（41201485）；科技部科技基础性工作专项（2013FY111600-1）；安徽省高校自然科学研究重点项目（KJ2015A265）

作者简介：李伟涛，男，河北廊坊人，博士生，主要从事森林监测与评价方面研究。北京北京林业大学，省部共建森林培育与保护教育部重点实验室，100083。Email：liweitao_801225@126.com

收稿日期：2015-10-29

修订日期：2015-12-29

中图分类号：S127

文献标志码：A

文章编号：1002-6819（2016）-02-0180-06

doi：10.11975/j.issn.1002-6819.2016.02.026