基于叶面尘的银杏叶片光谱变化特征研究

吴春燕　王雪峰

(中国林业科学研究院资源信息研究所，北京 100091)



基于叶面尘的银杏叶片光谱变化特征研究

吴春燕王雪峰

(中国林业科学研究院资源信息研究所，北京 100091)

沿北京市主道路网二、三、四、五环路均匀设置12个采样点，采集银杏叶片样本120片，研究其反射光谱与叶面尘土量的关系。利用光谱仪和电子分析天平获取除尘前后叶片反射光谱及叶面尘土量，分析数据并寻求银杏叶片光谱变化特征波段，筛选出与叶面尘土量相关性高的光谱反射率，利用传统回归和偏最小二乘(PLS)回归方法分别建立模型。结果表明：除尘前后叶片光谱曲线在300～710nm范围内，叶面尘土量与叶片反射光谱特征呈负相关关系；在710～850nm范围内，有尘叶片光谱率>无尘叶片；在叶面尘土量与叶片光谱各波段组合关系研究中，红边面积和归一化指数与叶面尘土量具有相对较好的相关性，基于可见光波段与部分近红外波段的银杏叶片叶面尘土量预测结果较准；在叶片表面尘土量反演研究中，用偏最小二乘算法可在一定程度上提高叶面尘土量反演精度，在3种回归模型中偏最小二乘法反演效果相对较好。

银杏；叶面尘；光谱；回归分析；偏最小二乘法

近年来，我国工业化、城市化进程的加快导致空气质量日益恶化，大气颗粒物污染愈发严重[1-3]，雾霾天气频繁出现。我国2014年3月召开的第十二届人民代表大会二次会议指出：雾霾问题现在已经成为中国一些城市的标志性难题，而且范围还在扩大。雾霾天气能见度极低，致使道路拥堵、航运受阻、飞机延误，交通事故发生率直线上升[4-6]，因此，急需施行有效措施来改善环境、提高空气质量、减少雾霾天气出现。

银杏(Ginkgo biloba)是典型的城市绿化树种之一，被当作植物界中的"活化石"。银杏树具有美观、经济、药用等价值，其果实营养丰富，木材质地优良，还可抗病虫害，具有净化空气、抗污染、抗烟火、抗尘埃等功能。因此，就粉尘污染对银杏的影响进行研究是城市绿化领域的一个要点，可为治理雾霾天气有效措施的提出奠定一定基础。

随着光谱技术的快速发展，许多专家通过监测植物光谱特征来反映环境污染对植物的影响[7-11]。RockBN等[12]对杉木(Cunninghamia lanceolata)林地进行遥感影像测定，得出污染程度与林区光谱反射率成负相关。HolerDNH等[13]研究了受污染和未受污染叶簇植物叶片的光谱特征，结果表明，污染对其叶片具有影响。这些研究均表明，随着大气污染的加剧，大气颗粒物对植物的反射光谱影响越来越大。目前，关于树木叶片滞尘能力的大小以及叶面尘土所含元素种类和含量的研究较多，而就叶面尘对树木叶片光谱特征影响的研究较少。

叶面尘是空气中的微小颗粒物在重力、降水、吸附等因素的作用下附着于树木叶片表面的颗粒物总称，并与空气颗粒物互为源汇，叶面尘可以表征一定时间、一定区域的空气颗粒物的污染情况[14-16]。因此，以典型城市绿化树种的银杏叶片为例，利用高光谱分析法获得银杏叶片的反射光谱属性，分别对叶片在除尘前后的光谱变化特征进行比较，建立银杏叶片各反射光谱特征波段与叶面尘之间的相关关系，分别通过多元线性回归、主成分回归和偏最小二乘回归算法建立单位面积叶面尘反演模型，以期为空气污染程度评价、叶面尘对植物光谱特征的影响机理分析及正确遥感反演提供技术资料。

1　材料与方法

1.1样本采集

沿北京市主道路网二、三、四、五环路均匀分布采样点采集叶片样本，共设12个采样点。根据北京市园林绿化局的数据信息，在每处采样点选取长势大小相似、生长时间相同、均向阳生长的银杏作为采样对象。2014年5月开始，选择采集前7d无大风、无降水的日子，于每天17：00采集采样点银杏东方阳向生长的树叶，采集高度1.9m，每个采样点选取健康银杏叶片10片，共选取叶片样本120片。为避免叶片因离体而产生的生理变化给试验带来误差，保持叶片原有状态剪取后平放入冰袋保鲜盒内，迅速回室内进行叶面尘与光谱测量。

1.2光谱测量

光谱测量采用美国ASD公司生产的FieldSpec3便携式近红外光谱仪，其探测器可以探测从近紫外到近红外的波段(300～1 000nm)。仪器分辨率：3～700nm；采样间隔：1.4nm(350～1 000nm)。镜头可选择为30°视场角。光谱仪每次扫描时间0.1s，10条原始扫描光谱自动平均得到输出曲线。光谱采集步骤如下：1)设定积分时间，进行暗扫描。2)保存白板扫描。3)查看透射模式。4)将传感器置于叶片中心点上方，保持传感器到叶片的距离与到白板的距离和位置一致，稳定后保存读数。

1.3试验方法

数据获取采用：称量→测光谱→洗净→再称量→再测光谱的步骤。

1.3.1叶片的洗净与称量采用化妆棉将叶片在装有去离子水的塑料盆内快速洗净，由于采集期北京天气处于干旱状态，为避免叶片由于长时间浸泡产生吸水而引起数据差异，洗尘时间控制在10s以内。

采用精度为万分之一的电子分析天平称量叶片，叶面尘土量(Δm)计算公式如下：

Δm=m1-m2

式中：m1为除尘前的叶片质量；m2为除尘后的叶片质量。

采用单元格法测量叶片面积，叶面尘土量除以叶片面积即得单位叶片面积尘土量。

1.3.2叶片反射光谱测定将叶片置于折射率接近零的白色观测台中央，固定光谱仪探头使其垂直向下，探头视场角10°，竖直距离叶片中心点2cm。在暗室中采用唯一人工光源，测量新鲜叶片光谱，每次测量10条光谱，以其平均值作为观测叶片的光谱反射值，每次测量前均对系统配置作优化和白板校正。

1.4光谱数据处理

利用ViewSpectralPro和Matlab7.3分析原始光谱数据[17-19]。由于光谱仪所测的光谱曲线存在一些噪声，需要对光谱曲线进行平滑处理[20-21]。本研究采用移动平均方法进行去噪处理，将干扰波段去除和平滑处理后的曲线作为银杏叶片光谱反射率特征曲线。

2　结果与讨论

2.1除尘前后叶片反射光谱比较

利用ASD光谱仪获得除尘前后叶片的反射光谱曲线，结果见图1。

由图1a可知，除尘前后叶片反射光谱曲线皆在可见光波段(400～500nm、500～600nm)有2个不同大小的反射峰，分别在442、548nm处；在这2个反射峰的两侧分别在500nm和650nm处显示2个明显的吸收波谷。在近红外波段(700～850nm)处有一个强烈的反射波峰和1个反射波谷，大约在760nm处为第1个波峰值、波谷值在770nm处，第2个波峰值在810nm处。这可能是受到植物叶片表面污染物的影响，导致叶片对光谱产生吸收或透射；或是因为叶片细胞自身内部各细胞器的结构特征差异，导致叶片对不同波段产生不同的吸收和折射；同时，叶片内部排列复杂的叶脉顺序和大小形状各异的细胞器形成的不均匀性的光传播介质，致使叶片对光产生散射现象，从而产生了1个急剧下降的反射率和2个被低反射率间隔开的高反射率。

由图2可看出，除尘前后叶片光谱曲线走势基本一致，但因叶片尘土量的不同，其光谱曲线存在一定差异，同时响应模式也随之而改变。叶片在520～560nm和760～850nm这2个波段范围内的反射光谱规律分别为：光谱反射率范围分别在0.02～0.15和0.05～0.25；这2个波段内的反射率大小分别为：无尘叶片>有尘叶片，有尘叶片>无尘叶片。由图1a可以看出，2条反射光谱曲线在715nm附近的相交，使得叶面尘对叶片在可见光(350～760nm)、近红外(760～850nm)2个区域的反射率产生了不同的增减规律。

在可见光各波段的反射率大小因受到叶片各种色素的影响而存在差异：有尘叶片比无尘叶片平均减少了11.56%，其中在482nm处有最大减幅12.97%。在近红外(760～850nm)区域，有尘叶片的光谱反射率比无尘叶片平均增加了10.12%。可能是由于受粉尘颗粒物自身对入射光不同角度的折射以及对光的部分吸收或者是在进行叶片反射光谱测量时存在系统误差的原因。在绿光区域的520～560nm波段内，有尘叶片的反射光谱小于无尘叶片，这或与叶片自身构造特征有关，近红外波段的光量子与叶片内部细胞成分(水分子)发生反应，导致被强烈吸收光谱反射率减小。这种特征对树木叶片表面的尘土量以及树木所处环境的受污染程度有敏感的指示性。

2.2除尘前后一阶导数光谱

分析高光谱遥感信息较为常用的一种有效方法就是导数光谱技术[22]。一阶导数光谱被认为可以消除部分线性和二次型背景噪声，可以减少大气对光的散射以及吸收对高光谱遥感测定的影响，且有利于减少因光照条件变换所产生的乘性因素的影响。三边参数就是通过计算反射光谱的一阶导数取得的光谱参量[23]。在红边参数中，其红边斜率为取680～750nm范围内一阶导数光谱的最大值，最大值所对应的波长为红边位置，该范围内一阶导数的和为红边面积，蓝边(490～530nm)面积和黄边(550～580nm)面积的意义与红边面积类似[24]。三边参数可以更好地对银杏叶片反射光谱特征进行分析与研究，银杏叶片除尘前后的一阶导数光谱图见图2。由图2可知，红边和黄边位置、蓝边和黄边斜率在除尘前后无变化，即这4个三边参数对叶面尘的干扰不敏感；有尘叶片的蓝边位置以及蓝边和红边面积以及较无尘叶片减小，其减幅分别为0～0.002，0～0.003，0～0.0012；黄边面积和红边斜率均较无尘叶片增大，其增幅分别为0～0.002，0.005～0.033。红边上蕴含的丰富光谱信息一直是相关研究的热点，相对于红边斜率和红边面积，红边位置表现出对叶面尘的较强抗干扰能力。

2.3红边参数特征比较

由红边区间(680～750nm)的原始光谱曲线和一阶导数曲线[25](图3)可见，银杏叶片反射光谱的红边区间的原始光谱(图3a)在除尘前后呈现不同的规律，反射光谱存在较大差异，在680～715nm范围内光谱反射率大小为：有尘叶片<无尘叶片，在715～750nm范围内为：有尘叶片>无尘叶片。光谱“红边”的一阶导数曲线(图3b)显示，有无尘土叶片的红边位置未发生明显变化，有尘叶片的红边斜率有所增大，红边面积均有所减小。

2.4回归分析方法

为了建立最优银杏单位面积叶面尘土量预测模型，本文对3种生物统计模型进行分析对比，以优选出预测能力强的预测模型。

大量研究表明，绿峰、红边面积、归一化指数、简单比值指数等4个光谱参数对叶片光谱反射率有很好的指示作用[26-27]，具体描述见表1。

表1　光谱参数

2.4.1多元线性回归分析根据表1参数反演单位面积叶面尘土量，采用80个叶片样本，选取绿峰(544nm)、红边面积、R706/R809及归一化指数(ND705)以构建单位面积叶面尘土量与光谱反射率的传统回归模型，结果见图4。对以上4个变量进行模型回归得到的各自变量间决定系数分别为0.374、0.456、0.361、0.329，可见以上4个变量经回归模型拟合的决定系数都较低，因此，传统的多元线性回归分析没有解决多重共线性问题。

2.4.2主成分回归分析主成分回归分析(PCR)主要是将一组相互有关的数据，通过正交变换将其变换为相互无关的变量，即主成分[28]。其过程是先将标准化后的因变量与主成分得分进行OLS回归，得到主成分回归系数；再把主成分回归系数转化为因变量和自变量都标准化后的回归方程的系数；最后把该系数转化为原因变量对原自变量的回归系数，得到主成分回归模型。对提取的波长进行主成分分析可知：当主成分数为2时，贡献率大于0.790，得到基于4个光谱参数的主成分回归模型为：

y=4.292 994-15.328 274x1+5.195 18x2-0.940 815x3-0.082 982x4

(1)

式中：y为银杏单位面积叶面尘土量；x1为544nm处的光谱反射率；x2为R706/R809的比值；x3为红边面积；x4为归一化指数(ND705)。

利用采集样本时同时获取的40个样本的光谱数据，对模型进行检验，见图5。结果表明：单位面积叶面尘土量预测值与实测值的决定系数为0.812，建立的回归直线方程为：

y=0.918 9 x+0.000 35

(2)

2.4.3偏最小二乘回归分析为提高反演精度，利用所得的4个特征变量进行偏最小二乘相关分析(PLS)。PLS是基于自变量的主成分分析将各主成分纳入到回归模型中，直至方程精度达到满意为止，可解决变量间多重相关性的问题[29]。结果表明，偏最小二乘回归结果对自变量成分对的解释率分别为0.389、0.295、0.163、0.073，累积值分别为：0.389、0.684、0.847、0.920；当回归模型选取4个成分对时，回归结果对自变量的累积解释率为0.920；当提取3个PLS主成分时，对干单位面积叶面尘土量的累积解释能力达到0.847；并得出归一化指数(ND705)对模型贡献较小。

利用所得的3个PLS主成分与单位面积叶面尘土量作相关分析，最终得到基于4个原变量的PLS回归模型为：

y=0.005 242-0.010 366 x1-0.000 569 x2-0.000 666 x3-0.000 348 x4

(3)

式中：y为银杏单位面积叶面尘土量；x1为544nm处的光谱反射率；x2为R706/R809的比值；x3为红边面积；x4为归一化指数(ND705)

利用采集样本时同时获取的40个样本的光谱数据，对模型进行检验，见图6。结果表明：单位面积叶面尘土量预测值与实测值的决定系数为0.890，建立的回归直线方程为：

Y=0.846 1 X+0.001 02

(4)

2.5多种回归方法的比较分析

基于传统的回归方法、主成分回归方法以及偏最小二乘算法的回归结果，结合均方根误差(RMSE)和决定系数(R2)2个参数，进行单位面积叶面尘土量与叶片光谱特征变化信息回归模型的精度对比，结果见表2。

表2　反演模型的精度比较

由表2可知，回归模型主要分为线性回归、主成分回归及PLS偏最小二乘回归3种。由以上分析可知PLS比PCR多提取出一个主成分，说明作PCR分析时，有一个主成分未通过检验进而被引入模型。这些主成分都能很好地代表和解释原始光谱，并均可以克服多重共线性，但同时PLS能将提取的主成分与银杏单位面积叶面尘土量进行相关性分析。由RMSE均方根误差值和R2决定系数值，可得PLS偏最小二乘回归模型精度最高，RMSE为0.002 2，R2为0.890；其次为主成分回归模型，RMSE为0.002 3，R2为0.812，在线性模型中，以红边面积为自变量的模型精度最高，RMSE和R2分别为0.0024、0.456，精度最低的是自变量为ND705的模型拟合，RMSE和R2分别为0.002 5、0.329。

综上所述，在4个自变量中，红边面积为较好单位面积叶面尘土量反演的自变量选项；在上述3种回归分析方法中，偏最小二乘回归法(PLS)为基于叶片光谱反射特征的银杏单位面积叶面尘土量反演效果较好的方法。

3　结　论

1) 除尘前后叶片光谱曲线虽然走势基本相同，但在400～500、650～740、760～810nm波段区间内二者的差异性较大。

2) 在单位面积叶面尘土量与除尘前后叶片反射光谱信息的相关分析中：光谱波段在350～560nm范围内，单位面积叶面尘土量与叶片反射光谱特征呈负相关，有尘叶片的光谱反射率小于无尘叶片，其中，最大负值点为482nm处，决定系数为-0.6，原因主要是银杏叶片反射率与所处环境、病虫害情况等有关，不同环境的叶片波谱特征各具特色。此外，与叶片结构也有关系，近红外波段的光量子与叶片水分中的氢氧键发生反应，导致被强烈吸收光谱反射率减小；而在光谱波段为720～850nm，银杏叶片光谱反射率大小为有尘叶片>无尘叶片。

3) 由单位面积叶面尘土量与4个对叶片光谱反射率有很好的指示作用的光谱参数的相关矩阵分析可知，红边面积和归一化指数与单位面积叶面尘土量具有相对较好的相关性。由此可知，基于可见光波段与部分近红外波段的银杏叶片单位面积叶面尘土量反演的效果较好。

4) 研究建立不同单位面积叶面尘土量的叶片反射光谱模型，在350～850nm波段范围内，选取不同因子作为自变量，得出以红边面积(SDr)作为参数可以在一定精度范围内预测银杏叶片表面尘土量。通过野外试验对不同叶片表面尘土量下的银杏叶片反射光谱特征的研究，并基于传统线性回归、主成分回归和PLS偏最小二乘回归方法，结合叶片反射光谱特征信息，以构建尘土量回归模型并对其精度进行分析。结果可知：偏最小二乘回归模型(PLS)精度最高，其次为主成分回归模型，相对较低的是线性回归模型。由此可得，高光谱能够快速对银杏叶片单位面积叶面尘土量进行适时预测，银杏单位面积叶面尘土量反演效果较好的模型为偏最小二乘回归模型。

[1]孙亮. 灰霾天气成因危害及控制治理 [J]. 环境科学与管理，2012，37(10): 71-75.

[2]赵秀娟，蒲维维，孟伟，等. 北京地区秋季雾霾天PM2.5污染与气溶胶光学特征分析[J].环境科学，2013，34(2): 416-423.

[3]彭耕耘. 从雾霾报道看气象新闻的拓展[J]. 热点透视，2013(3): 15-16.

[4]SantoshKP，TripathiBD.Seasonalvariationofleafdustaccumulationandpigmentcontentinplantspecies[J].UrbParticPollut，2008，37: 865-870.

[5]SharifiMR，GibsonAC，RundelPW.SurfacedustimpactsongasexchangeinMojaveDesertshrubs[J].JApplEcol，1997，34(3): 837-846.

[6]HarrisonRM，ThorpeA.Sourcesandpropertiesofnon-exhaustparticulatematterfromroadtraffic:areview[J].SciTotalEnviron，2008，400(1/3): 270-282.

[7]杨杰，田永超，姚霞，等. 水稻上部叶片叶绿素含量的高光谱估算模型[J]. 生态学报，2009，29(12): 6561-6571.

[8]AsrarG，FuchsM，KanemasuET，etal.Estimatingabsorbedphotosyntheticradiationandleafareaindexfromspectralreflectanceinwheat[J].AmericanSocietyofAgronomy，1984，76(2): 300-306.

[9]朱锋，宫辉力，孙天琳，等. 不同组分比例的高光谱混合象元反射光谱形态特征研究[J].光谱学与光谱分析，2013，33(7): 1897-1902.

[10]BelénD，LourdesL，JeanMR，etal.Examinationofthequalityofspinachleavesusinghyperspectralimaging[J].PostharvestBiologyandTechnology，2013，85: 8-17.

[11]SolomonWN，BarendFNE，IsabelMW，etal.HyperspectralreflectancefeaturesofwaterhyacinthgrowingunderfeedingstressesofNeochetinaspp.anddifferentheavymetalpollutants[J].InternationalJournalofRemoteSensing，2014，35(3): 799-817.

[12]RockBN，HoshizakiT，MillerJR.Comparisonofinsituandairbornespectralmeasurementsoftheblueshiftassociatedwithforestdecline[J].RemoteSensingEnvironment，1988，24:109-127.

[13]HorlerDNH，DockrayM，BarberJ.Therededgeofplantleafreflectance[J].InternationalJournalofRemoteSensing，1983，4(2): 273-288.

[14]田亦陈，贾坤，吴炳方，等. 大麻植物冠层光谱特征研究 [J]. 光谱学与光谱分析，2010，30(12): 3334-3337.

[15]瞿瑛，刘素红，李小文. 基于函数拟合的玉米叶片反射光谱时间变化规律分析 [J]. 光谱学与光谱分析，2013，33(1): 131-135.

[16]DanielAS，JohnAG.Relationshipsbetweenleafpigmentcontentandspectralreflectanceacrossawiderangeofspecies，leafstructuresanddevelopmentalstages[J].RemoteSensingofEnvironment，2002，81(2/3): 337-354.

[17]DaughtryCST，WalthallCL，KimMS.Estimatingcornleafchlorophyllconcentrationfromleafandcanopyreflectance[J].RemoteSensingofEnvironment，2000，74(2): 229-239.

[18]GuptaRK，VijayanD，PrasadTS.Newhyperspectralvegetationcharacterizationparameters[J].AdvancesofSpaceResearch，2001， 8(1): 201-206.

[19]毛罕平，张晓东，李雪，等. 基于光谱反射特征葡萄叶片含水率模型的建立 [J]. 江苏大学学报(自然科学版)，2008，29(5): 369-372.

[20]MarieVM，RasmusB，MaxEB，etal.Diagnosinglatentcopperdeficiencyinintactbarleyleaves(Hordeum vulgare，L.)usingnearinfraredspectroscopy[J].JournalofAgriculturalFoodChemistry，2013，61(46): 10901-10910.

[21]王海华，李长缨，李民赞. 基于近红外反射光谱的洋葱可溶性固体物检测 [J]. 光谱学与光谱分析，2013，33(9): 2403-2406.[22]于祥，张丰收，刘庆，等. 典型红树林反射光谱特征分析研究 [J]. 光谱学与光谱分析，2013，33(2): 454-458.

[23]RaymondRS，JamshidF，RonyS，etal.Physiologicalandspectralresponsetowaterstressinducedbyregulateddeficitirrigationonpeartrees[J].AppliedRemoteSensingJournal，2013，3(1): 9-17.

[24]SanchesID，SouzaFCR，MagalhaesLA，etal.Assessingtheimpactofhydrocarbonleakagesonvegetationusingreflectancespectroscopy[J].ISPRSJournalofPhotogrammetryandRemoteSensing，2013，78: 85-101.

[25]付彦博，范燕敏，盛建东，等. 紫花苜蓿冠层反射光谱与叶片含水率关系研究[J].光谱学与光谱分析，2013，33(3): 766-769.

[26]皇才进，韩鲁佳，刘贤，等. 基于LOCAL算法的秸秆水分和热值的近红外光谱快速分析[J].红外与毫米波学报，2009，28(3): 184-187.

[27]刘雪华，吴燕. 大熊猫主食竹开花后叶片光谱特性的变化 [J].光谱学与光谱分析，2012，32(12): 3341-3346.

[28]SmithKL，StevenMD，CollsJJ.Useofhyperspectralderivativeratiosinthered-edgeregiontoidentifyplantstressresponsestogasleaks[J].RemoteSensingofEnvironment，2004，92(2): 207-217.

[29]CiroM，RiccardoS，EnricoG.ReflectancespectralanalysesfortheassessmentofenvironmentalpollutioninthegeothermalsiteofMt.Amiata(Italy)[J].AtmosphericEnvironment，2013，79: 650-665.

(责任编辑曹龙)

Study on Spectral Features of Ginkgo Biloba LeavesBasedonFoliarDustContent.

Wu Chunyan，Wang Xuefeng

(Research Institute of Forest Resources Information Techniques, Chinese Academy of Forestry，Beijing 100091，China)

Inthisstudy,wecollected120samplesofGinkgo bilobaleavesalongthemainroadnetwork:two,three,four,fifthRingRoadinBeijingtostudytherelationshipbetweenthespectralreflectanceandfoliardust.Throughelectronicbalanceandanalyticalspectraldevicesfieldspecpro(ASD)analysis,informationofdustcontentandreflectancespectroscopyofthedustleavesandthecleanleaveswasobtained.ForthesakeofseekingvariationcharacteristicsofspectralregionofGinkgo bilobaleaves,spectralreflectancedatawasanalyzed.Thespectralreflectance,whichhadahighcorrelationwithfoliardustcontent,wasscreenedout.Afterthat,inordertoexploretherelationshipbetweenfoliardustcontentandspectralreflectance,usingtraditionalregressionmethodandpartialleastsquares(PLS)regressionmethodestablishedthemodelrespectively,theeffectsofdifferentfoliardustcontentonplantspectralcharacteristicswereelaborated.Theexperimentshowedthattherewasanegativecorrelationbetweenfoliardustcontentandleafspectralreflectancecharacteristicsontheleafspectrumcurvesofthecleananddustleaves,intherangeof300-710nm;thespectralreflectanceofdustwasgreaterthanthecleanleafintherangeof710-850nm.Inthestudyofthecombinationrelationshipbetweenfoliardustcontentandleafspectralbands,wecouldfindoutthattherewasarelativelygoodrelevancebetweentheareaofrededgeandfoliardustcontent,andthesameasnormalizeddifferenceindex.TheresultofpredictionoffoliardustcontentofGinkgo bilobaleaveswasaccuratebasedonvisibleandnear-infraredwavelengths.Intheresearchofinversionofleafsurfacedustcontent,followingthetraditionallinearregressionmodelandprincipalcomponentregressionmodel,theprecisionofinversionoffoliardustcontentcouldbeimprovedbypartialleastsquares(PLS)inacertainextent.Therefore,weconcludedthattheeffectofpartialleastsquaresinversionwasthebestamongthe3kindsofregressionmodel.

Ginkgo biloba;foliardust;spectrum;regressionanalysis;partialleastsquaremethod

2015-03-29

中央公益性科研院所基本科研业务费专项(CAFYBB2014MA006)资助；国家重大专项项目(21-Y30B05-9001-13/15)资助。

王雪峰(1968—)，男，博士，研究员。研究方向： 计算机视觉、数字图像处理。Email：xuefeng@caf.ac.cn。

10.11929/j.issn.2095-1914.2016.01.016

S771.8；S731.2

A

2095-1914(2016)01-0091-09

第1作者：吴春燕(1989—)，女，硕士生。研究方向：林业信息技术。Email：593408754@qq.com。