高光譜成像分析植物葉片滯塵前后光譜特征變化

張愛武，張泰配，康孝巖，郭超凡

?

高光譜成像分析植物葉片滯塵前后光譜特征變化

張愛武，張泰配，康孝巖，郭超凡

（1. 首都師范大學 三維信息獲取與應用教育部重點實驗室，北京 100048； 2. 首都師范大學 空間信息技術教育部工程研究中心，北京 100048）

灰霾的監測與治理是迫切需要解決的問題，分析植被葉片滯塵前后的光譜變化特征是灰霾監測的一種有效方式。植物葉片具有吸附空氣顆粒物的能力。該文通過獲取10種常見樹木葉片10月和11月連續26 d的高光譜圖像，對比分析每種葉片滯塵前后的光譜特征變化情況，得出滯塵前后葉片光譜變化的基本趨勢：1）10種葉片變化趨勢基本一致，10種葉片滯塵前后光譜變化明顯的區間均表現在500～550 nm、550～700 nm、730～760 nm波段內；2）滯塵前后的葉片紅邊位置并沒有發生改變，滯塵沒有對葉片內部生理結構構成影響；3）金露梅和二球懸鈴木在765 nm波段處的光譜響應與其它樹種存在很大差異；白杜、金銀忍冬、紫薇和玉蘭在550～570 nm波段區間對于滯塵的敏感度較弱。研究為大氣降塵的監測以及灰霾的治理提供應用參考。為進一步通過高光譜探測灰霾典型成分提供理論支撐。

灰塵；光譜分析；植物；滯塵；高光譜圖像；葉片光譜

0 引 言

近年來，中國工業化、城市化進程的加快導致空氣質量日益惡化，大氣顆粒物污染愈發嚴重[1-3]，霧霾天氣頻繁出現。植被是大氣自我凈化的工具之一，對大氣顆粒物有一定的吸附能力，一些學者展開了分析滯塵前后植被光譜差異與滯塵量的相關性的研究。

王兵等[4]以北京植物園10種常綠植被為研究對象，分析不同樹種葉片單位面積對不同顆粒物的附著能力；羅娜娜等[5]通過對北京市大葉黃楊葉片的光譜曲線對比分析，得出除塵前后葉片光譜曲線在350～700 nm，780～1 300 nm，1 900～2 500 nm波段區間內有較大差異，滯塵量與葉片單波段光譜反射率比值呈負相關的結論；Xu等[6]研究了廣州市的榕樹葉片滯塵量與榕樹葉片光譜特征之間的相關關系；Horler等[7]研究受污染和未污染植被的光譜特征；陳志強等[8]研究不同層次玉米葉片光譜響應的敏感區域，不同施肥水平和不同層次的玉米葉片的光譜反射率明顯集中在某一特定的區域；吳見等[9]對北京市10種常見樹種進行了不同時間葉片光譜的觀測，分析表明不同樹種葉片光譜均隨時間的改變而產生顯著變化，但差異規律各不相同。基于上述國內外相關研究，本文用高光譜成像技術分析對比樹木葉片滯塵前后的光譜特征變化情況。

植被葉片具有吸附空氣中的塵埃的能力，葉面上的滯塵量可以反映出該地區一段時間內的空氣質量狀況。本文以首都師范大學本部校區10種樹木的葉片為例，從2017年10月28日至11月23日（除10月1日和11月15日外），每天用高光譜成像相機采集滯塵前后葉片的高光譜圖像。分析葉片高光譜圖像滯塵前后的光譜變化情況和滯塵對葉片光譜的影響，以及對比不同種葉片的滯塵效果，從而揭示滯塵對不同種葉片影響的某些規律。

1 數據與方法

1.1 研究區概況

首都師范大學本部位于北京市西三環北路105號，處于玲瓏路與西三環主干道的交叉處。北京市坐落于東經115.7°～117.4°，北緯39.4°～41.6°，毗鄰天津市，被河北省圍繞，位于華北平原西北部，總面積16 410.54 km2，屬于半濕潤大陸性季風氣候，冬季寒冷干燥，夏季高溫多雨，春、秋短促。該校園圍墻多以欄桿為主，實體圍墻較少。

1.2 數據采集

本文采用課題組自主研制的高光譜成像裝置獲取樹木葉片的高光譜圖像。自主研制的高光譜成像裝置的光譜范圍為400～1 000 nm，有840個波段，其中心波長差異在1 nm范圍內。本文在首都師范大學本部校園內采集了10種常見樹種，包括冬青、月季、二球懸鈴木、銀杏、金露梅、紫丁香、白杜、金銀忍冬、紫薇和玉蘭，采集地點主要位于校園欄桿圍墻周邊，在每天下午2～3點隨機采集上述樹種成熟、健康、無損害的葉片（10種樹木的葉片采集數量見表1），立即放置到密封袋內并置于冰袋中，及時帶回到實驗室，采用上述高光譜成像裝備獲取滯塵后葉片高光譜圖像見圖1。然后用流水清洗葉片，并用吸水紙擦拭、晾干，再次獲取滯塵前的葉片高光譜圖像見圖2。為減小高光譜成像裝備觀測的偶然誤差，對同一葉片采集5幅高光譜圖像，最后提取每一葉片的平均光譜數據。采集時間從10月28日至11月23日，均無降水，其中10月31日沒有采集葉片，11月15日沒有對葉片進行清洗后掃描。

高光譜遙感具有高光譜分辨率、圖譜合一和光譜波段多，在某一光譜段范圍內連續成像的特點。成像光譜儀解決了傳統科學領域“成像無光譜”和“光譜不成像”的歷史問題[10]。采用高光譜成像裝置獲取葉片高光譜圖像，可以進行閾值分割，提取整個葉片的平均光譜曲線。

表1 10種樹木的葉片采集數量

圖1 第380波段（671 nm）部分葉片滯塵后高光譜圖像

圖2 第380波段（671 nm）部分葉片滯塵前高光譜圖像

閾值分割是圖像分割領域中使用最為普遍的一類簡單而有效的方法[11]。單閾值分割的灰度級映射情況如式（1）。

式中(,)表示坐標為(,)的像素灰度級，分割后的圖像僅有0和1 2類灰度級，為所確定的閾值。

由于獲取的高光譜圖像中葉片和背景為明顯不同的灰度級范圍，因此本文采用單閾值分割的方法對高光譜圖像進行葉片提取。

采用高光譜成像裝置獲取葉片滯塵前后的高光譜圖像，進行平滑和降噪處理，然后利用暗電流和標準板將獲取的DN值轉換為反射率，提取光譜反射率曲線。由于葉片高光譜圖像在第1～159波段（400～512 nm）和第661～840波段（872～1 000 nm）范圍內噪聲較大，因此選擇第160～660波段（513～871 nm）范圍分析滯塵前后光譜特征變化。

1.3 分析方法

本文對采集的10種葉片滯塵前后自身的對比，排除了水分、內部結構等因素的影響，控制單一變量為塵埃。分析單一葉片光譜特征變化，多種葉片光譜特征變化，以及滯塵影響下的葉片滯塵前后的光譜差值。

1.3.1 葉片滯塵前后光譜對比方法

為了使獲取的葉片光譜更具典型性和代表性同時減小采集樹種葉片、獲取光譜數據，以及處理原始數據時所帶來的誤差。因此對26 d的葉片光譜數據進行算術平均，得到26 d的平均葉片光譜作為該葉片的反射光譜。簡單的算術平均數的計算公式為

根據式（2）計算26 d的平均葉片光譜得到10種葉片的光譜反射率曲線（見圖3）。

圖3 10種葉片滯塵前后光譜反射率曲線

1.3.2 葉片滯塵前后一階導數光譜對比方法

分析高光譜遙感信息較為常用的一種有效方法就是導數光譜方法[12]。一階導數光譜被認為可以消除部分線性和二次型背景噪聲，可以減少大氣對光的散射以及吸收對高光譜遙感測定的影響，且有利于減少因光照條件變換所產生的乘性因素的影響[13]。計算一階導數光譜的公式如式（3）：

1.3.3 多種葉片光譜特征對比方法

采用葉片滯塵前后的光譜反射率差值反映葉片對于有塵和無塵不同情況下的光譜響應，探討葉片對于有無塵埃的敏感波段，以及分析葉片在滯塵前后在不同波段的反射光譜變化，和滯塵前后不同葉片在同一波段的反射光譜變化。計算光譜差值（difference spectral index DSI）的公式如下[8]

式中1和2分別為該波段滯塵后和滯塵前的光譜反射率。

2 結果與討論

2.1 單一葉片光譜特征分析

2.1.1 葉片滯塵前后光譜對比

400～700 nm區間為植被強吸收波段，反射和透射都很低。由于植物色素吸收，特別是葉綠素a、b的強吸收，在可見光波段形成2個反射率很低的吸收谷（450 nm藍光和660 nm紅光附近）和一個反射峰（550 nm的綠光處），呈現出其獨特的光譜特征[14-16]。

根據所提取的10種葉片在500～900 nm光譜范圍內的光譜曲線（圖3），10種葉片滯塵前后的光譜反射率曲線總體變化趨勢一致，在520～550 nm之間，光譜曲線逐漸上升，在可見光波段（554～556、618～620 和676～684 nm）出現2個比較小的反射峰和一個吸收谷；在700～730 nm區間內，光譜曲線急劇上升，形成陡坡，稱之為“紅邊”。而通過對比葉片滯塵后和滯塵前的光譜曲線，均表現出在500～550 nm之間葉片滯塵后反射率高于滯塵前反射率，在550～700 nm光譜范圍內除滯塵后反射率略高于滯塵前反射率，在730～760 nm之間葉片滯塵前反射率高于滯塵后反射率。

2.1.2 葉片滯塵前后一階導數光譜對比

根據式（3）計算10種樹種的葉片滯塵前后的一階導數光譜見圖4。由圖4可知，10種樹種的葉片滯塵前后的一階導數光譜曲線在780～850 nm波段區間內有所變化且在零值附近，主要反映葉片滯塵前后光譜反射率在此波段區間的變化幅度減小。紅邊位置是在680～750 nm一階導數光譜最大的斜率，因此，10種樹種的紅邊均處于710 nm波段處左右。

紅邊是植被營養、長勢、水分、葉面積等的指示性特征，并得到了廣泛應用與證實。當植被生物量大、色素含量高、生長力旺盛時，紅邊位置會向長波方向移動（紅移）；而當遇病蟲害、污染、葉片老化等因素發生時，紅邊位置會向短波方向移動（藍移）[17-23]。由于葉片滯塵前后，葉片本身的內部生理結構并沒有發生改變，相比10種樹種葉片的一階導數光譜，滯塵前后葉片的紅邊位置并沒有發生偏移。

2.2 多種葉片光譜特征對比

10種樹種滯塵前后光譜反射率曲線見圖5。如圖5a所示，銀杏和玉蘭滯塵后的光譜曲線在515～680 nm之間與其它樹種滯塵后的光譜曲線存在明顯差異，而其余樹種在此波段區間內差異較小。銀杏和玉蘭葉片的“紅邊”較其他樹種葉片的“紅邊”偏左。由圖5b可知，與滯塵后的光譜曲線類似，在515～680 nm區間內銀杏和玉蘭葉片滯塵前的光譜反射率比其他樹種葉片滯塵前的光譜反射率高；而除銀杏和玉蘭之外的其他樹種，其葉片滯塵前的光譜反射率值基本一致。在750～900 nm光譜區間內，10種樹種的光譜反射值聚攏在42%～48%區間內，與滯塵后的光譜反射值相比，差異明顯減小。銀杏和玉蘭在滯塵前后的光譜曲線與其他樹種均存在很大差別，因此，在515～680 nm波段區間內是區別銀杏、玉蘭和其他樹種的有效波段。

2.3 滯塵影響下的葉片滯塵前后的光譜差值分析

根據式（4）計算10種葉片的滯塵前后的光譜差 值見圖6。滯塵后的葉片反射率值并不是滯塵前葉片反 射率值與塵埃反射率值的簡單的線性疊加[24]。葉片滯 塵前后的光譜差值不能代表葉面塵的光譜反射率，因 此，葉片的光譜差值曲線的變化幅度不能很好的說明 該葉片的滯塵效果，但是光譜差值曲線可以反映出此葉片對于滯塵影響的響應，以及不同葉片滯塵前后的敏感程度。

由圖6，10種葉片中，除金露梅和二球懸鈴木外，其余8種葉片在765 nm波段滯塵前后光譜差值曲線出現低谷，表現為葉片滯塵后的光譜反射率低于滯塵前的光譜反射率，而金露梅和二球懸鈴木在765 nm波段處的光譜差值接近于0，在此波段內金露梅和二球懸鈴木滯塵前后的光譜反射率值基本沒有變化，因此，765 nm波段處，金露梅和二球懸鈴木的光譜響應與其它樹種存在很大差異。

根據圖6b圖所示，在550～570 nm波段范圍內，白杜、金銀忍冬、紫薇和玉蘭的光譜差值與其它樹種表現出明顯的不同，前4種樹種的光譜差值均處于0附近，滯塵前和滯塵后的光譜反射率值基本沒有變化，由圖6左圖，其余6種樹種的光譜差值均大于0，這4種樹種在此波段區間對于滯塵的敏感度較弱。根據圖6，二球懸鈴木、金露梅和玉蘭的光譜差值曲線變化幅度較小，說明這3種樹種對于滯塵的敏感性弱，主要是由于這3種樹種葉片表面紋路清晰，溝壑深，滯塵前后葉片表面結構沒有發生明顯變化。

圖4 10種葉片滯塵前后一階導數光譜

圖5 10種葉片滯塵前后光譜反射率曲線

圖6 10種葉片滯塵前后光譜差值

3 結 論

1）所采集的10種葉片在500～900 nm波段區間的光譜曲線符合典型的植被光譜特性。對于單種葉片，滯塵前和滯塵后的光譜反射率曲線具有明顯變化，而且10種滯塵前后的葉片均表現出在500～550、550～700、730～760 nm波段區間內光譜有所變化，且變化趨勢基本一致。通過對比10種葉片滯塵前后的一階導數光譜曲線，滯塵前后葉片的紅邊位置并沒有發生改變。

2）對比10種葉片滯塵前和滯塵后的光譜曲線，銀杏和玉蘭與其他樹種在515～680 nm波段區間內表現出差異，可以作為銀杏、玉蘭與其他樹種區分的敏感波段區間。10種樹種在滯塵前，其光譜曲線相比滯塵后更加聚攏，可以看出塵埃對于葉片只是表觀的現象，并沒有對葉片的內部生理結構構成影響。

3）根據葉片的光譜差值，金露梅和二球懸鈴木在765 nm波段處的光譜響應與其它樹種存在很大差異；白杜、金銀忍冬、紫薇和玉蘭在550～570 nm波段區間對于滯塵的敏感度較弱；二球懸鈴木、金露梅和玉蘭對于滯塵的敏感性弱。

通過對采集的10種葉片的光譜曲線從單一葉片光譜特征，多種葉片光譜特征，以及滯塵影響下的葉片滯塵前后的光譜差值3個方面的對比和分析，10種樹種葉片的光譜曲線一致，與典型的植被光譜曲線相吻合；10種樹種滯塵前后的光譜反射率曲線發生明顯變化，且變化幅度不一，表明不同樹種對于滯塵的敏感程度有所不同。本研究分析可為大氣降塵的監測以及灰霾的治理提供應用參考；以期為經濟快速發展的城市環境空氣污染防治提供科學依據；為進一步通過高光譜探測灰霾典型成分提供理論支撐。

[1] 孫亮. 灰霾天氣成因危害及控制治理[J]. 環境科學與管理，2012，37(10)：71－75. Sun Liang. Hazard and treatment of haze weather[J]. Environmental Science and Management, 2012, 37(10): 71－75. (in Chinese with English abstract)

[2] 趙秀娟，蒲維維，孟偉，等. 北京地區秋季霧霾天PM_(2.5)污染與氣溶膠光學特征分析[J]. 環境科學，2013，34(2)：416－423. Zhao Xiujuan, Pu Weiwei, Meng Wei, et al. PM2. 5 Pollution and aerosol optical properties in fog and haze days during autumn and winter in Beijing area[J]. Environmental Science, 2013, 34(2): 416－423. (in Chinese with English abstract)

[3] 彭耕耘. 從霧霾報道看氣象新聞的拓展[J]. 新聞研究導刊，2013(3): 15－16. Peng Gengyun. Observing the development of weather news from smog reports[J]. Journal of News Research, 2013(3): 15－16. (in Chinese with English abstract)

[4] 王兵，張維康，牛香，等. 北京10個常綠樹種顆粒物吸附能力研究[J]. 環境科學，2015(2)：408－414. Wang Bing, Zhang Wenkang, Niu Xiang, et al. Particulate matter adsorption capacity of 10 evergreen species in Beijing[J]. Environmental Science, 2015(2): 408－414. (in Chinese with English abstract)

[5] 羅娜娜，趙文吉，晏星. 在滯塵影響下的植被葉片光譜變化特征研究[J]. 光譜學與光譜分析，2013，33(10)：2715－2720. Luo Nana, Zhao Wenji, Yan Xing. Impact of dust-fall on spectral features of plant leaves[J]. Spectroscopy and Spectral Analysis, 2013, 33(10): 2715－2720. (in Chinese with English abstract)

[6] Xu J H, Yu J T. Air dustfall impact on spectrum of ficus Microcarpa’s leaf[J]. Advanced Materials Research, 2013, 655/656/657: 813－815.

[7] Horler D N H, Dockray M, Barber J. The red edge of plant leaf reflectance[J]. International Journal of Remote Sensing, 1983, 4(2): 273－288.

[8] 陳志強，王磊，白由路，等. 玉米葉片的光譜響應及其氮素含量預測研究[J]. 光譜學與光譜分析，2013，33(4)：1066－1070. Chen Zhiqiang, Wang Lei, Bai Youlu, et al. Spectral response of maize leaves and prediction of their nitrogen content[J]. Spectroscopy and Spectral Analysis, 2013, 33(4): 1066－1070. (in Chinese with English abstract)

[9] 吳見，彭建，王孟和，等. 幾種常見樹種葉片光譜秋季變化特征分析[J]. 光譜學與光譜分析，2017，37(4)：1225－1231.Wu Jian, Peng Jian, Wang Menghe, et al. Autumn variation characteristics analysis of leaf spectrum of several common tree species[J]. Spectroscopy and Spectral Analysis, 2017, 37(4): 1225－1231. (in Chinese with English abstract)

[10] 童慶禧，張兵，鄭蘭芬. 高光譜遙感——原理、技術與應用[M]. 北京：高等教育出版社，2006.

[11] 吳一全，孟天亮，吳詩婳. 圖像閾值分割方法研究進展20年(1994-2014)[J]. 數據采集與處理，2015，30(1)：1－23. Wu Yiquan, Meng Tianliang, Wu Shihua. Research progress of image thresholding methods in recent 20 years (1994-2014)[J]. Journal of Data Acquisition & Processing, 2015, 30(1): 1－23. (in Chinese with English abstract)

[12] 于祥，張豐收，劉慶，等. 典型紅樹林反射光譜特征分析研究[J]. 光譜學與光譜分析，2013，33(2)：454－458. Yu Xiang, Zhang Fengshou, Liu Qing, et al. Analysis of typical mangrove spectral reflectance characteristics[J]. Spectroscopy and Spectral Analysis, 2013, 33(2): 454－458. (in Chinese with English abstract)

[13] 鞠昌華，田永超，朱艷，等. 油菜光合器官面積與導數光譜特征的相關關系[J]. 植物生態學報，2008，32(3)：664－672. Ju Changhua, Tian Yongchao, Zhu Yan, et al. Relationship between derivative spectra and photosynthetic organarea in rapeseed (brassica napus)[J]. Journal of Plant Ecology, 2008, 32(3): 664－672. (in Chinese with English abstract)

[14] 黃木易. 冬小麥條銹病害的高光譜遙感監測[D]. 合肥：安徽農業大學, 2004. Huang Muyi. Monitoring of Winter Wheat Stripe Rust Using Hyperspectral Remote Sensing Data[D]. Hefei: Anhui Agricultural University, 2004. (in Chinese with English abstract)

[15] 王秀珍. 水稻生物物理與生物化學參數的光譜遙感估算模型研究[D]. 杭州：浙江大學，2001. Wang Xiuzhen. The Study on Spectral Remote Sensing Estimation Models About Bio-physical and Bio-chemical Parameters of Rice[D]. Hangzhou: Zhejiang University, 2001. (in Chinese with English abstract)

[16] 徐冠華，李德仁，劉先林. 遙感在中國：紀念中國國家遙感中心成立15周年論文集[M]. 北京：測繪出版社，1996.

[17] 張敏. 蘋果褐斑病的高光譜遙感監測估算分析研究[D]. 西安：西安科技大學，2011. Zhang Min. Apple Brown Spot of Hyperspectral Remote Sensing Estimation Study[D]. Xi'an: Xi'an University of Science and Technology, 2011. (in Chinese with English abstract)

[18] Lamb D W, Steyn-Ross M, Schaare P, et al. Estimating leaf nitrogen concentration in ryegrass (Lolium spp.) pasture using the chlorophyll red-edge: Theoretical modelling and experimental observations[J]. International Journal of Remote Sensing, 2002, 23(18): 3619－3648.

[19] Danson F M, Plummer S E. Red-edge response to forest leaf area index[J]. International Journal of Remote Sensing, 1995, 16(1): 183－188.

[20] Hoque E, Hutzler P J S. Spectral blue-shift of red edge minitors damage class of beech trees[J]. Remote Sensing of Environment, 1992, 39(1): 81－84.

[21] Serrano L, Ustin S L, Roberts D A, et al. Deriving water content of chaparral vegetation from AVIRIS data.[J]. Remote Sensing of Environment, 2000, 74(3): 570－581.

[22] Gao B C. NDWI-a normalized difference water index for remote sensing of vegetation liquid water from space[C]// Imaging Spectrometry. International Society for Optics and Photonics, 1995: 257－266.

[23] 李偉濤，吳見，陳泰生，等. 基于高光譜的葉片滯塵量估測模型[J]. 農業工程學報，2016，32(2)：180－185.

Li Weitao, Wu Jian, Chen Taisheng, et al. 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.

[24] 肖伸亮，陳仲新. 葉片的灰塵對高光譜遙感中植被冠層反射率的影響[J]. 中國農學通報，2007，23(4)：410－414. Xiao Shenliang, Chen Zhongxin. Assessment on effect of the dust covered foliage on canopy reflectance[J]. Chinese Agricultural Science Bulletin, 2007, 23(4): 410－414. (in Chinese with English abstract)

Changes of spectral characteristics of plant leaves before and after dust-retention under hyperspectral imaging

Zhang Aiwu, Zhang Taipei, Kang Xiaoyan, Guo Chaofan

(1.100048,; 2.100048,)

In recent years, due to the influence of natural and human factors, air pollution has become one of the serious problems in the world, which affects people’s life, physical and mental health and daily production. So this paper tried to address this problem by the monitoring and governance of haze. Analyzing the spectral characteristics of vegetation leaves before and after dust retention is an effective way to monitor haze. Plant leaves have the ability to adsorb airborne particles. By comparing the spectral curves of plant leaves before and after dust detention, it provides a scientific basis for the control of haze. In this study, the leaves of 10 common trees were collected for 26 consecutive days in October and November. Ten common tree species included Holly, Chinese rose, Platanus acerifolia, Ginkgo, Potentilla fruticosa, Lilac, Euonymus maackii, Lonicera maackii, Lagerstroemia indica and Magnolia. The hyperspectral image of leaf before and after dust retention was obtained by the hyperspectral imaging device developed by our research group. The hyperspectral image is segmented by thresholding method, and the average spectral curve of the whole leaf is extracted. The comparison of 10 kinds of leaves before and after dust retention was performed, excluding the influence of water, internal structure, and so on, and controlling dust to be the single variable. The changes of spectral characteristics of a single leaf, a variety of spectral characteristics of leaves, and the spectral differences before and after dust retention were analyzed. The basic trends of spectral changes of leaves before and after dust retention were obtained: 1) The variation trend of 10 kinds of leaves was basically the same, and the obvious spectrum changes of them before and after the dust retention were in the 500-550, 550-700 and 730-760 nm bands. 2) There was no change in the position of the red edge of the leaves before and after the dust retention, and the dust retention did not affect the internal physiological structure of the leaves. 3) The spectral response at the 765 nm band of Potentilla fruticosa and Platanus acerifolia differed greatly from other tree species; Euonymus maackii, Lonicera maackii, Lagerstroemia indica, and Magnolia had less sensitivity to dust retention in the 550-570 nm band. The spectral curves of 10 species of leaves were compared and analyzed from 3 aspects: Single leaf spectral characteristics, multiple leaf spectral characteristics, and spectral difference before and after dust retention. The spectral curves of 10 species of leaves were consistent with typical vegetation spectral curves; the spectral reflectance curves of 10 species changed obviously before and after dust retention, and the variation ranges were different, which indicated that different species had different sensitivity to dust retention. The study provides reference for monitoring atmospheric dustfall and controlling haze, and also provides theoretical support for further hyperspectral detection of typical components of haze.

dust; spectrum analysis; plants; dust retention; hyperspectral imaging; leaf spectrum

10.11975/j.issn.1002-6819.2018.19.022

TP79; S127

A

1002-6819(2018)-19-0170-07

2018-05-10

2018-09-03

國家自然科學基金（41571369）；國家重點研發計劃項目（2016YFB0502500）；北京市自然科學基金（4162034）；青海省科技計劃項目（2016-NK-138）

張愛武，博士，教授，主要從事空間信息獲取與處理、高光譜成像等方面的研究。Email：zhangaw163@163.com

張愛武，張泰配，康孝巖，郭超凡. 高光譜成像分析植物葉片滯塵前后光譜特征變化[J]. 農業工程學報，2018，34(19)：170－176. doi：10.11975/j.issn.1002-6819.2018.19.022 http://www.tcsae.org

Zhang Aiwu, Zhang Taipei, Kang Xiaoyan, Guo Chaofan. Changes of spectral characteristics of plant leaves before and after dust-retention under hyperspectral imaging[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(19): 170－176. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.19.022 http://www.tcsae.org