引用本文
马保东, 杨湘儒, 蒋紫薇, 车德福. 煤滞尘对叶片反射光谱与植被指数的影响与定量分析[J]. 光谱学与光谱分析, 2023,43(6): 1947-1952.
MA Bao-dong, YANG Xiang-ru, JIANG Zi-wei, CHE De-fu. Influence and Quantitative Analysis of Coal Dust Retention on Reflectance Spectra and Vegetation Index of Leaves[J]. Spectroscopy and Spectral Analysis, 2023,43(6): 1947-1952.
Doi:10.3964/j.issn.1000-0593(2023)06-1947-06  
Permissions
Copyright©2023, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
煤滞尘对叶片反射光谱与植被指数的影响与定量分析
马保东, 杨湘儒, 蒋紫薇, 车德福
东北大学资源与土木工程学院, 辽宁 沈阳 110819

作者简介: 马保东, 1983年生, 东北大学资源与土木工程学院副教授 e-mail: mabaodong_rs@126.com

收稿日期: 2021-10-07 修回日期: 2022-04-16
基金: 国家自然科学基金项目(41871310, 41201359), 中央高校基本科研业务专项资金项目(N2201007)资助
摘要

我国煤炭资源多集中在干旱少雨的北方地区, 露天开采和运输等过程极易引起煤粉尘扩散和污染。 粉尘扩散后其中一部分在重力作用下沉降覆盖到周边的植被上, 导致植被降尘现象普遍。 在利用遥感手段进行植被监测时, 降尘效应会影响植被光谱的纯净性, 使遥感器所获取的信号为植被与降尘的混合光谱信号, 从而严重影响植被定量遥感精度。 为定量研究植被遥感中煤尘的滞尘效应, 开展了叶面滞尘光谱测量实验, 探究了光谱和植被指数的变化规律; 在此基础上, 利用含有红边波段的Sentinel-2A遥感影像, 在内蒙古霍林河露天矿区分别选择煤尘影响区与对照区两个区域进行植被指数对比, 用来验证地面光谱测量实验结果。 结果表明, 随着滞尘量(0~36 g·m-2)的增加, 叶面煤尘会使叶片的反射率整体逐渐降低, 叶片光谱波峰处(560, 720, 860, 1 680和2 220 nm)的反射率变化幅度明显高于波谷处(445, 681和1 940 nm); 随着滞尘量的增加, 归一化差异植被指数(NDVI)、 简单比值指数(SR705)和归一化差异指数(ND705)明显下降, 而中分辨率成像光谱仪陆地叶绿素指数(MTCI)、 改进型简单比值指数mSR705(modified simple ratio)和改进型归一化差异指数(mND705)基本保持不变, 表现出抗煤尘特性, 445 nm处反射率和681 nm处反射率对指数起到了重要作用。 利用霍林河露天煤矿区的Sentinel-2A遥感影像计算上述指数, 将煤尘影响区与对照区比较, MTCI、 mSR705和mND705等指数表现了抗煤尘特性, 验证了地面实验的结果。 该研究为煤尘污染区域的植被遥感奠定了一定基础, 对保证植被遥感反演精度具有积极意义。

关键词: 煤尘; 植被; 光谱; 植被指数
中图分类号:TP028.8 文献标志码:A
Influence and Quantitative Analysis of Coal Dust Retention on Reflectance Spectra and Vegetation Index of Leaves
MA Bao-dong, YANG Xiang-ru, JIANG Zi-wei, CHE De-fu
School of Resources and Civil Engineering, Northeastern University, Shenyang 110819, China
Abstract

The coal resources in China are mainly concentrated in the arid and rain-less northern areas. Open-pit mining and transportation can easily cause the diffusion and pollution of coal dust. After the dust diffuses, some of them settle and cover the surrounding vegetation under gravity, leading to the common phenomenon of dust falling on vegetation. When remote sensing is used to monitor vegetation growth and health status, the dust fall effect will affect the spectral purity of vegetation so that the signal obtained by remote sensing is the mixed spectral signal of vegetation and dust fall, which seriously affects the quantitative remote sensing accuracy of vegetation. In order to study the dust retention effect of coal dust in vegetation remote sensing, the experiment of spectral measurement for dusty leaf was carried out, and the change of spectrum and vegetation index was studied. On this basis, sentinel-2A remote sensing images with red-edge bands were used to compare vegetation indices in the coal dust affected area and control area in Huolinhe open-pit mining area, the Inner Mongolia Autonomous Region, respectively, to verify the experimental results of ground spectral measurement.In this experiment, vegetation leaves were selected from a coal mining area in Shenyang. The coal dust was evenly sprayed on the leaf surface with a level difference of 2 g·m-2 to simulate the effect of dust retention on the actual leaf surface. Spad-502 chlorophyll meter was used to measure the spectrum of dust retention on the leaf surface, and the spectrum and vegetation index variation rules were explored.Since the red edge band was used for the vegetation index in this experiment, sentinel-2A remote sensing images were selected. Huolinhe Open-pit mine in NeiMengGu province and its surrounding areas were selected as the verification area. The coal-dust-affected area, and the control area were selected for vegetation index comparison to verify the experimental results of ground spectral measurement. The results show that, with the increase of dust retention (0~36 g·m-2), coal dust on the surface of the leaves will gradually reduce the overall reflectance of the leaves, and the change amplitude of the reflectance at the peak of the leaf spectrum (560, 720, 860, 1 680, 2 220 nm) is significantly higher than that at the trough (445, 681, 1 940 nm).With the increase in dust retention, NDVI (normalized difference vegetation index), SR705 (simple ratio), and ND705 (normalized difference index) decreased significantly. However, MTCI (the medium resolution imaging spectrometer terrestrial chlorophyll index), mSR705(modified simple ratio) and mND705 (modified normalized difference index) are unchanged, showing the characteristics of coal dust resistance. The reflectivity at 445 and 681 nm in these indices play an important role. By using Sentinel-2A remote sensing image in Huolinhe open pit coal mine area and comparing the coal dust affected area with the control area, MTCI, mSR705, and mND705 indices show the characteristics of coal dust resistance, verifying the results of ground experiments. The study would lay a foundation for vegetation remote sensing in the area of coal dust pollution and ensure the accuracy of vegetation remote sensing inversion.

Keyword: Coal dust; Vegetation; Spectrum; Vegetation index
引言

粉尘是影响空气质量的主要污染物之一[1], 其产生与人类活动密切相关[2]。 在一些矿区, 如煤矿、 铜金矿、 铅锌矿, 由于采矿、 运输、 加工等环节的防尘措施不到位[3, 4], 致使粉尘污染问题较为突出[5]。 我国煤炭资源丰富, 地理分布不均衡, 主要集中于亚欧大陆的内陆地区, 干燥少雨, 且露天开采比例较高, 煤粉尘扩散和污染的情况不容忽视[6, 7, 8]。 粉尘扩散后会在重力作用下沉降覆盖到工矿区及周边的植被上, 导致植被滞尘现象普遍。 植被是地表覆盖的重要组成部分之一, 其理化参数和生长状态可利用遥感技术手段进行大面积、 短周期和定量化的探测[9]。 但是, 粉尘沉降至植物叶面后, 会使叶面的反射光谱发生变化[10], 即产生滞尘效应; 进而, 相应的遥感植被指数也可能随之变化, 从而降低利用遥感手段反演植被参数的精度, 影响遥感监测技术的应用推广。

目前, 已有学者针对遥感滞尘效应开展研究。 莱昂[11]较早地指出了表面尘埃对地物遥感探测的影响, 认为需将背景物质的光谱和它表面尘埃的光谱区分开, 为遥感的滞尘效应研究打开了一扇窗口。 Zhu[12]以北京市为研究对象, 在不同的粉尘污染程度收集高光谱数据, 得出不同浓度粉尘污染环境中, 反射率的变化不同, 叶片表面的光谱反射率与叶尘量为正相关的结论。 林文鹏[13]研究了降尘量对叶片含水量估计准确性的影响, 推导了基于光谱的水分含量指标, 并对滞尘的影响进行了评价, 结果显示, 随着叶片降尘量的变化, 等效水厚度(EWT)和叶片含水量(FWC)相关性系数变化较为显著。 Zhu[14]定量反演降尘与植物光谱反射率的关系时, 选取城市内不同粉尘污染源, 模拟沙尘的光谱特征, 结果显示随着叶面滞尘量增加, 光谱反射率与降尘量之间存在稳定的相关性。 Zhao[15]利用高光谱数据分析了矿区草地植被滞尘的光谱响应特征并且预测降尘的空间分布扩散特点, 不仅论证了基于植被理化特征响应提取波段的重要性, 也为快速监测草原植被滞尘量奠定了基础。 Su[16]通过室内控制试验, 研究叶面滞尘量对植被光谱响应特征, 为建立滞尘植被光谱反射物理模型提供参考与借鉴。 Ma[17]通过地面实验确立植被指数对滞尘量变化的定量响应关系, 据此关系利用遥感数据估算了某铁矿区的叶面滞尘量。 总的来看, 当前研究多为定性研究, 集中在“ 有尘” 与“ 无尘” 两种状态, 很少对“ 有尘” 状态进行精细化、 定量化研究; 对沙尘区[18]、 城市[10]等区域叶面滞尘效应研究较多, 对矿区尤其是煤矿区鲜有涉及。 因此, 以煤尘为研究对象, 定量研究煤尘覆盖条件下叶片光谱变化及植被指数变化情况, 为保证煤矿区植被相关理化参数的遥感探测精度提供参考。

1 实验部分

首先, 选择煤尘和植物叶片样本开展室内叶片降尘测谱实验, 获取不同量级降尘叶片光谱, 计算植被指数并进行抗尘特性分析; 然后, 基于Sentinel-2A卫星遥感数据计算植被指数, 选择煤尘影响区与对照区验证植被指数的抗尘特性(图1)。

图1 本研究流程图Fig.1 Technical flowchart of this study

1.1 煤尘与植物叶片样本

煤尘样本采集于沈阳某煤矿。 为了便于实验研究, 对样本进行破碎和筛选, 获取小于等于75 μ m粒径的煤尘。 植物叶片样本为4片爬山虎叶片, 在采摘叶片之后立即进行测谱实验以保证叶片新鲜。

1.2 地面光谱实验

将煤尘以2 g· m-2的级差均匀喷洒至叶片表面, 滞尘量范围为0~36 g· m-2。 每完成一个量级煤尘的喷洒, 立即将叶片放置在实验台的固定位置上, 保证叶片平整, 采用SVC-1024光谱仪进行光谱测量。 SVC-1024光谱仪的光谱探测范围为350~2 500 nm, 通道数为1 024, 光谱分辨率为3.5~9.5 nm。

1.3 地面光谱数据处理与分析

首先, 对获取的不同滞尘量级叶片的光谱数据进行比较, 探究煤尘对叶片光谱的影响规律。 然后, 基于光谱计算表征叶绿素效果较好的6个植被指数NDVI、 SR705、 ND705、 mSR705、 mND705、 和MTCI(表1), 研究植被指数随煤尘量级的变化规律, 筛选煤尘覆盖条件下适于遥感反演的植被指数。

表1 叶绿素相关的植被指数列表 Table 1 Chlorophyll-related vegetation index
1.4 遥感数据处理与验证

对于地面光谱测量实验数据的分析结果, 利用遥感影像数据进行验证。 以内蒙古霍林河露天矿周边区域为验证区, 分别选择煤尘影响区与对照区两个区域进行植被指数对比, 以验证地面光谱测量实验结果。 由于上述指数多用到红边波段, 因此选择Sentinel-2A卫星遥感数据进行验证。 Sentinel-2A卫星所携带的光学传感器多光谱成像仪(MSI)在可见光-短波红外波长区间拥有多个特征波段(表2), 可进行更为精细的植被叶绿素等参数估算[24]。 下载L1C级产品数据后, 先利用欧空局提供的Sen2Cor插件对其进行大气校正, 再利用SNAP软件将影像的空间分辨率重采样为30 m; 然后, 基于重采样的遥感数据分别计算上述6个植被指数, 比对植被指数变化情况。

表2 Sentinel-2A MSI波段参数(部分波段) Table 2 Band parameters of Sentinel-2A MSI (partial bands)
2 结果与讨论
2.1 叶面煤尘滞尘引起的叶片光谱变化

以其中一个叶片样本为例, 比对不同滞尘量级的光谱曲线。 结果显示, 在整个探测波长范围内(350~2 500 nm), 滞尘叶面的反射率都随着滞尘量的增加而降低(图2), 降幅随着滞尘量的增加而渐趋缓慢。 随着滞尘量增加, 不同波长范围的光谱反射率变化幅度存在差别。 选择几个典型的峰谷处(445, 560, 681, 720, 860, 1 680, 1 940和2 220 nm), 以无尘叶片为基准计算其反射率变化幅度(图3)。 结果显示, 波谷处(445, 681, 1 940 nm)的反射率变化幅度整体上小于波峰处(560, 720, 860, 1 680, 2 220 nm)。 在滞尘量为36 g· m-2时, 波谷处反射率变化幅度在33.0%~39.1%之间, 波峰处反射率变化幅度在72.2%~84.0%之间。

图2 滞尘叶片反射光谱随滞尘量变化情况Fig.2 Change of the reflection spectrum of the dust deposited blade with the dust amount

图3 滞尘叶片峰谷波段反射率变化情况Fig.3 Change of reflectivity in the peak and valley bands of dust deposited blade

2.2 不同滞尘量下植被指数的变化与分析

基于上述滞尘条件下的反射光谱, 计算实验叶片的6个植被指数, 逐一比较4个滞尘叶片(叶绿素SPAD值分别为11.9, 17.6, 25.1, 34.2)的植被指数变化情况(图4)。 结果显示, 植被指数数值存在叶片间差异, 主要由叶绿素含量差异引起。 对于不同叶绿素含量的叶片, 植被指数随滞尘量的变化规律存在一致性, 即NDVI、 SR705和ND705等3个植被指数随着滞尘量的增加而明显降低, 而MTCI、 mSR705和mND705等3个植被指数随着滞尘量的增加未发生明显变化, 或者说, 这三个指数具有抗煤尘特性, 即叶面滞尘未使它们发生明显变化。 选择这三个指数进行相关的植被参数反演可有效抑制煤尘滞尘效应, 这三个植被指数的抗尘特性对保证煤尘覆盖条件下植被理化参数反演精度具有重要意义。

图4 植被指数值随滞尘量变化情况Fig.4 Change of vegetation index value with dust amount

mSR705和mND705是改进型植被指数, 与SR705和ND705相比, 计算式中的R750和R705都与R445做差法。 R445在绝大多数叶绿素含量范围内具有稳定性, 增加R445的初衷是抵消叶片结构导致反射率整体升高对光谱指数表征叶绿素能力的影响[24]。 MTCI是针对某传感器专门设计, 除了R754和R709, 计算式中引入了R681, 指数值与叶绿素含量表现出较好的相关性[25]。 根据图3, R445和R681在滞尘条件下变化幅度相对较小且二者极为接近(在滞尘量最大时变幅仅相差3.2%), 其在滞尘条浸下的变量与其他波段反射率的变量共同维护了对应植被指数(MTCI、 mSR705和mND705)的抗尘特性。

与其他类型的粉尘相比(以铁尾矿粉尘为例), 煤尘在量级和光谱变化上存在差异。 在铁尾矿粉尘实验中, 最大量级达80 g· m-2叶片光谱接近于纯铁尾矿粉尘光谱[12]; 而在本实验中, 最大量级达36 g· m-2叶片光谱就基本与纯煤粉尘光谱相同了。 这从另一角度说明, 煤粉尘可能更易飘散, 更易对植被光谱造成“ 污染” , 从而引起基于光谱反演植被参数的精度降低, 这也是本研究的意义所在。 在光谱变化上, 随着铁尾矿尘的增加, 在可见光等波段叶片的反射率会升高, 在近红外等波段叶片的反射率会降低[12]; 而煤尘实验中, 叶片在整个波段范围的反射率都呈现下降趋势。 这与两种粉尘的化学成分有关。 铁尾矿粉尘的主要成分是SiO2, 导致其反射光谱在可见光等波段高于叶片; 而煤尘的主要成分是固定碳, 导致其反射光谱在整个波段范围低于叶片。 因此, 二者的滞尘叶片光谱呈现差异性变化, 也说明了开展不同类型粉尘遥感滞尘效应研究的必要性。

2.3 基于遥感影像的验证

霍林河露天煤矿位于内蒙古自治区通辽市境内, 是全国五大露天煤矿之一(图5)。 选择紧邻露天矿的某植被覆盖区域为试验区1和试验区2, 该区植被叶面有煤尘滞尘; 选择远离露天矿的某区域为对照区, 植被叶面无煤尘覆盖。 下载该区的Sentinel-2A影像数据, 进行大气校正与重采样后, 分别计算6个植被指数。 比对试验区与对照区的植被指数, 结果显示, NDVI、 SR705和ND705的变化率在-11.4%~-20.8%之间, 变幅较大; MTCI、 mSR705和mND705的变化率在-0.2%~3.9%之间, 变幅较小, 远小于其他3个指数(表3)。 由此可见, 在遥感数据结果中, 叶面煤尘确实引起了一些植被指数的大幅变化, 而另外一些指数的抗尘特性也得到了验证。 因此, 三个抗尘植被指数可用于煤尘扩散区的植被叶绿素遥感监测, 利于准确掌握煤矿区的生态环境状况, 可为煤矿区尤其是生态脆弱的煤矿区的生态环境治理提供有效决策支持。

图5 霍林河露天煤矿区假彩色影像图Fig.5 False color images of Huolinhe open pit coal mine

表3 基于Sentinel-2A遥感数据的植被指数对比 Table 3 Vegetation index comparison based on Sentinel-2A data
3 结论

叶面煤尘会对叶片的反射光谱及植被指数产生影响。 为定量分析这种影响, 设计了不同滞尘量级的滞尘叶面光谱测量实验, 并利用遥感影像数据对实验结果进行了验证。 所得结论如下。

(1)随着滞尘量的增加, 叶面煤尘会引起叶片反射率整体下降, 叶片光谱波峰处(560, 720, 860, 1 680和2 220 nm)的反射率变化幅度明显高于波谷处(445, 681和1 940 nm)。

(2)六个常用植被指数中, 随着滞尘量的增加, NDVI、 SR705和ND705会明显下降, 而MTCI、 mSR705和mND705基本保持不变, 具有抗煤尘特性。 抗煤尘指数中的R445和R681起到了重要作用。

(3)利用Sentinel 2A影像数据对地面光谱测量结果进行了验证, 为遥感应用进一步奠定了基础。

本研究目前集中在叶片尺度, 而遥感应用主要是基于冠层尺度。 因此, 在将来的研究中会将滞尘实验扩展至冠层尺度, 综合考虑叶面积、 叶倾角等多方面因素。

参考文献
[1] XU Ao, MA Bao-dong, LI Xing-chun, et al(徐奥, 马保东, 李兴春, 等). Remote Sensing For Land & Resources(国土资源遥感), 2017, 29(1): 164. [本文引用:1]
[2] Mahato Mukesh Kumar, Singh Abhay Kumar. Journal of the Air & Waste Management Association, 2020, 70(12), 1378. [本文引用:1]
[3] LU Jie, LEI Shao-gang(卢洁, 雷少刚). Safety in Coal Mines(煤矿安全), 2017, 48(8): 231. [本文引用:1]
[4] Su Kai, Yu Qiang, Hu Yahui, et al. Forests, 2019, 10: 418. [本文引用:1]
[5] Kayet Narayan, Pathak Khanindra, Chakrabarty Abhisek, et al. Journal of Cleaner Production, 2019, 218: 993. [本文引用:1]
[6] Wang Chongyang, Zhang Chen, Zhou Xia, et al. IGARSS 2018-2018 IEEE International on Geoscience and Remote Sensing Symposium, 2018, 3355. [本文引用:1]
[7] Lin Wenpeng, Yu Xumiao, Di Xu, et al. Remote Sensing, 2021, 13: 3570. [本文引用:1]
[8] ZHAO Na, LI Yu-jie, CAO Yue-e, et al(赵娜, 李玉洁, 曹月娥, 等). Southwest China Journal of Agricultural Sciences(西南农业学报), 2019, 32(5): 1016. [本文引用:1]
[9] ZHAO Lin-lin, ZHANG Rui, LIU Yan-xu, et al(赵琳琳, 张锐, 刘焱序, 等). Acta Ecologica Sinica(生态学报), 2020, 40(10): 12. [本文引用:1]
[10] SUN Teng-teng, LIN Wen-peng, LI Ying, et al(孙腾腾, 林文鹏, 李莹, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2017, 37(8): 2539. [本文引用:2]
[11] Lyon R J P, XIANG Yue-qin, ZHANG Liang-pei(莱昂, 项月琴, 张良培). National Remote Sensing Bulletin(遥感学报), 1996, 11(2): 138. [本文引用:1]
[12] Zhu Jiyou, Yu Qiang, Zhu Hua, et al. Environmental Science and Pollution Research, 2019, 26: 36764. [本文引用:3]
[13] Lin Wenpeng, Li Yuan, Du Shiqiang, et al. Ecological Indicators, 2019, 104: 41. [本文引用:1]
[14] Zhu Jiyou, Zhang Xinna, He Weijun, et al. Scientific Reports, 2020, 10: 15803. [本文引用:1]
[15] Zhao Yibo, Lei Shaogang, Yang Xingchen, et al. Remote Sensing, 2020, 12: 2019. [本文引用:1]
[16] SU Kai, YU Qiang, SUN Xiao-ting, et al(苏凯, 于强, 孙小婷, 等). Journal of Beijing Forestry University(北京林业大学学报), 2021, 43(11): 40. [本文引用:1]
[17] Ma B, Pu R, Wu L, et al. IEEE Access, 2017, 5: 8825. [本文引用:1]
[18] JIA Wen-ru, LI Sheng-yu, GAO Xiao-yang, et al(贾文茹, 李生宇, 高晓阳, 等). Journal of Desert Research(中国沙漠), 2014, 34(3): 658. [本文引用:1]
[19] HE Yu-hang, ZHOU Xian-feng, ZHANG Jing-cheng, et al(何宇航, 周贤锋, 张竞成, 等). Geography and Geo-Information Science(地理与地理信息科学), 2021, 37(4): 28. [本文引用:1]
[20] Li Zhaoqin, Guo Xulin. International Journal of Remote Sensing, 2018, 39(20): 6893. [本文引用:1]
[21] He Li, Ren Xingxu, Wang Yangyang, et al. Scientific Reports, 2020, 10: 13943. [本文引用:1]
[22] Pastor-Guzman J, Brown L, Morris H, et al. Remote Sensing, 2020, 12(16): 2652. [本文引用:1]
[23] HE Cai-lian, ZHENG Shun-lin, ZHOU Shao-meng, et al(何彩莲, 郑顺林, 周少猛, 等). Journal of South China Agricultural University(华南农业大学学报), 2016, 37(5): 45. [本文引用:1]
[24] LI Xu-wen, SHI Hao, ZHANG Yue, et al(李旭文, 侍昊, 张悦, 等). Environmental Monitoring in China(中国环境监测), 2018, 34(4): 169. [本文引用:2]