CN112649383B - 一种基于光谱特征的万年青叶片铀含量反演预测方法 - Google Patents
一种基于光谱特征的万年青叶片铀含量反演预测方法 Download PDFInfo
- Publication number
- CN112649383B CN112649383B CN202011627228.5A CN202011627228A CN112649383B CN 112649383 B CN112649383 B CN 112649383B CN 202011627228 A CN202011627228 A CN 202011627228A CN 112649383 B CN112649383 B CN 112649383B
- Authority
- CN
- China
- Prior art keywords
- uranium
- leaves
- spectral
- uranium content
- content
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 229910052770 Uranium Inorganic materials 0.000 title claims abstract description 114
- JFALSRSLKYAFGM-UHFFFAOYSA-N uranium(0) Chemical compound [U] JFALSRSLKYAFGM-UHFFFAOYSA-N 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000001228 spectrum Methods 0.000 title claims description 30
- 230000003595 spectral effect Effects 0.000 claims abstract description 54
- 241001448530 Rohdea japonica Species 0.000 claims abstract description 27
- 241000196324 Embryophyta Species 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 17
- 238000002310 reflectometry Methods 0.000 claims description 13
- 230000001419 dependent effect Effects 0.000 claims description 10
- 239000000243 solution Substances 0.000 claims description 10
- 238000005303 weighing Methods 0.000 claims description 10
- VLTRZXGMWDSKGL-UHFFFAOYSA-N perchloric acid Chemical compound OCl(=O)(=O)=O VLTRZXGMWDSKGL-UHFFFAOYSA-N 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 6
- 238000010438 heat treatment Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000001035 drying Methods 0.000 claims description 4
- 239000011259 mixed solution Substances 0.000 claims description 4
- 239000012086 standard solution Substances 0.000 claims description 4
- GRYLNZFGIOXLOG-UHFFFAOYSA-N Nitric acid Chemical compound O[N+]([O-])=O GRYLNZFGIOXLOG-UHFFFAOYSA-N 0.000 claims description 3
- QZPSXPBJTPJTSZ-UHFFFAOYSA-N aqua regia Chemical compound Cl.O[N+]([O-])=O QZPSXPBJTPJTSZ-UHFFFAOYSA-N 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000012888 cubic function Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010813 internal standard method Methods 0.000 claims description 3
- 150000002500 ions Chemical class 0.000 claims description 3
- 229910017604 nitric acid Inorganic materials 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012887 quadratic function Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 18
- 239000000523 sample Substances 0.000 description 10
- 230000000694 effects Effects 0.000 description 4
- 229910001385 heavy metal Inorganic materials 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000000540 analysis of variance Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 229910052500 inorganic mineral Inorganic materials 0.000 description 3
- 239000011707 mineral Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000001134 F-test Methods 0.000 description 2
- 238000009835 boiling Methods 0.000 description 2
- 229910052729 chemical element Inorganic materials 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000010790 dilution Methods 0.000 description 2
- 239000012895 dilution Substances 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 239000002366 mineral element Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000001988 toxicity Effects 0.000 description 2
- 231100000419 toxicity Toxicity 0.000 description 2
- 239000002351 wastewater Substances 0.000 description 2
- -1 50W halogen Chemical class 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 241000922457 Ornithogalum tenuifolium Species 0.000 description 1
- 241001448533 Rohdea Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 231100000570 acute poisoning Toxicity 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000008827 biological function Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000033558 biomineral tissue development Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 231100000739 chronic poisoning Toxicity 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 231100000783 metal toxicity Toxicity 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 230000008288 physiological mechanism Effects 0.000 description 1
- 238000004382 potting Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000000985 reflectance spectrum Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/62—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating the ionisation of gases, e.g. aerosols; by investigating electric discharges, e.g. emission of cathode
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Crystallography & Structural Chemistry (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Electrochemistry (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于遥感植物地球化学领域，具体为一种基于光谱特征的万年青叶片铀含量反演预测方法，通过实验室铀胁迫下植物栽培试验，共获取了铀胁迫下3个不同时期叶片铀含量以及可见光—近红外波段叶片反射光谱信息，将光谱特征与叶片铀元素含量进行数据拟合，建立万年青光谱特征和叶片铀元素含量的统计回归模型，反演万年青叶片铀含量，为覆盖区利用上覆植被进行铀矿勘查提供理论基础。
Description
技术领域
本发明属于遥感植物地球化学领域，具体涉及一种基于光谱特征的万年青叶片铀含量反演预测方法。
背景技术
铀矿是国家重要的战略性矿产。在国内核电快速发展，对铀资源需求不断加大的情况下，国内铀矿找矿也面临新区探索和攻深找盲阶段，需要加快实施新区探索，缓解后备勘查基地不足的问题。全球有近三分之二的陆地被中等到茂密的植被覆盖，目前世界上大多数矿产均产自稀疏至中等程度的植被覆盖区。我国植被覆盖区域约占国土面积的75％，大量植被覆盖区是铀矿地质工作程度极低－空白区，而在植被覆盖区仍然有发现新矿体的可能，这是目前一个重要的找矿方向。
在植被覆盖区，植被信息的干扰成为找矿的一道天然屏障，给找矿带来了巨大的困难。植被作为噪音信号干扰着矿物元素信息提取，涉及到光谱解混、干扰信息抑制等算法限制条件较多，应用区域有限。传统植被覆盖区的地质调查和地球化学元素信息提取主要立足于消除植被的影响，导致植被覆盖区的遥感找矿工作程度很低。
植被作为生态系统中最活跃的指示因子，相关研究表明，植被在生长过程中，通过根去吸收地下矿床的成矿元素，当过量的重金属元素聚集于植被体内时，使得植被的叶绿素含量、细胞结构以及含水量发生变化，致使植被生理生态特征以及光谱特征发生变化。同时利用遥感技术可捕捉到这些异常信息，通过研究其变化规律分析化学元素在植物、植被及其下伏土壤和母岩中的分布状况，以寻找矿化异常。
植被重金属含量信息估算可反映植被所处环境的胁迫信息，是利用上覆植被进行资源调查的理论基础。利用遥感技术研究化学元素在植物体内分布、含量及迁移，逐步替代传统的植被覆盖区矿产调查方法。随着高光谱遥感技术及相应数据处理方法的逐渐成熟，精细的光谱分辨率能够反映植被由于吸收过量的金属元素而造成的光谱异常，亟需开展高光谱植被重金属含量信息反演方法研究。
铀元素具有重金属毒性和放射性双重毒性，铀元素被动植物吸收后不参与任何生物功能的过程，只能在生物体内积累造成慢性或急性中毒，能够干扰植物的多种生理和代谢活动，致使植物反射光谱也随之发生改变。前人对铀元素胁迫下万年青生理机制进行过研究，但在该胁迫下万年青光谱响应特征研究极少。因此需要开展铀元素对万年青光谱特征影响的研究，将光谱特征与叶片铀元素含量进行数据拟合，构建万年青光谱特征和叶片铀元素含量的响应关系模型，为覆盖区利用上覆植被进行铀矿勘查提供理论基础。
发明内容
本发明的目的是提供一种基于光谱特征的万年青叶片铀含量反演预测方法，能够反演万年青叶片铀含量。
本发明的技术方案如下：
一种基于光谱特征的万年青叶片铀含量反演预测方法，包括如下步骤：
步骤1)植物栽培与室内条件控制
万年青植株作为实验对象进行室内水培方式培育；
步骤2)培养液浓度设
选择六价铀开展水培试验
按照1.1790g U3O8制成1g/L的铀溶液的比例配置铀标准溶液；
步骤3)光谱数据采集
测定万年青叶片在可见-近红外波段的光谱信息；
步骤4)确定被测铀元素在植物叶片中的百分含量；
步骤5)光谱数据预处理
将叶片反射曲线与同光谱仪自带的参照白板的反射曲线做比值处理，获得叶片的反射率曲线；通过反射率曲线，得到一阶导数光谱；
步骤6)光谱特征提取
7个特征参数包括：蓝谷BVP、绿峰GMP、红谷RVP、红肩RSP、红边REP、归一化植被指数NDVI705、比值植被指数B3/B4；
步骤7)光谱特征参数与叶片铀含量相关性计算
确定步骤6)中的7个特征参数与叶片铀含量的相关系数；
确定相关系数最大对应的特征参数
步骤8)叶片铀含量反演模型构建
以相关系数最大对应的特征参数作为自变量，叶片铀含量作为因变量，进行两个变量间的数据拟合及散点图绘制，构建因变量与自变量的统计回归模型；
步骤9)叶片铀含量反演预测
确定万年青倒数函数的回归模型方程，进行叶片铀含量反演预测。
所述的步骤4)具体为
4.1)将完成光谱采集的叶片立即沿梗部剪下，称取叶片的湿重；
4.2)烘干后，称取叶片干重；
4.3)烘干后的叶片在马弗炉内进行烧灰，称取烧灰后的重量；
4.4)叶片烧灰后装入烧杯中，在烧杯中加入王水形成混合液；
4.5)装有混合液的烧杯放置在电炉上加热直至烧干；
4.6)再加入高氯酸加热直至再次烧干；
4.7)加入质量浓度为3-5％的稀硝酸溶液至定容；
4.8)经滤纸过滤得到不同浓度铀处理下的水样，对水样进行检测，根据铀元素的质谱图或特征离子定性，用内标法定量；
所述的步骤5)具体为，将步骤3)采集的叶片光谱信息反射曲线首先同光谱仪自带的参照白板的反射曲线做比值处理以获得叶片的反射率曲线；然后将得到的反射率曲线按每个浓度和采样间隔进行求平均光谱、拼缝处理、求一阶导数光谱，并去包络线值处理。
所述的步骤6)光谱特征提取具体为
利用公式(1)-(3)确定红边REP、归一化植被指数NDVI705，比值植被指数B3/B4；
NDVI705＝(R750-R705)/(R750+R705) (2)
B4/B3＝RRSP/RRVP (3)
式中，
RRSP表示万年青红肩处对应的反射率值；
RRVP表示万年青红谷处对应的反射率值；
R750、R705分别表示波长750和705nm处的光谱反射率值；
B3、B4分别表示B3，B4波段反射率光谱的积分值。
所述的步骤7)具体为利用下式确定各特征参数与叶片铀含量的皮尔森相关系数
式中，r为皮尔森相关系数；n表示样本量，Xi和Yi表示第i组万年青光谱特征参数和叶片铀含量的实测值，
和
表示万年青光谱特征参数和叶片铀含量的样本平均值。
所述的步骤8)具体为
首先确定与叶片铀含量的相关程度最大的特征，记为A，其为蓝谷BVP、绿峰GMP、红谷RVP、红肩RSP、红边REP、归一化植被指数NDVI705、比值植被指数B3/B4中的一个；
8.1)建立A特征的红边位置及相应的U含量之间的拟合数据，其中因变量为叶U含量，自变量为红边位置；
8.2)确定A特征的红边位置与叶U含量的散点图，利用曲线估计法确定函数关系；
8.3)确定线性函数、对数函数、倒数函数、二次函数和三次函数的各自拟合优度R2，选择值最大的模型作为最佳回归模型。
所述的步骤9)中利用下式预测叶片铀含量
A为红边REP时，采用倒数函数模型作为最佳回归模型。
利用下式预测叶片铀含量
本发明的显著效果如下：通过实验室铀胁迫下植物栽培试验，共获取了铀胁迫下3个不同时期叶片铀含量以及可见光—近红外波段叶片反射光谱信息，将光谱特征与叶片铀元素含量进行数据拟合，建立万年青光谱特征和叶片铀元素含量的统计回归模型，反演万年青叶片铀含量，为覆盖区利用上覆植被进行铀矿勘查提供理论基础。
植物水培方式可以排除土壤中各种活性态、固定态元素的影响，达到叶片铀含量测定较为精确的效果。
附图说明
图1为万年青5个特征波段；
图2为万年青2个比值指数；
图3为万年青红边位置与叶铀含量散点图。
具体实施方式
下面通过附图及具体实施方式对本发明作进一步说明。
采用室内水培方式做盆栽实验。设置U(铀)胁迫万年青8个浓度梯度，采集了3个生长期的植物叶片反射光谱及叶片铀含量，研究了不同浓度铀胁迫下在不同生育期内叶片可见光—近红外谱波段光谱参数的变化过程及叶片铀含量，从中提取了适于表征铀元素胁迫及胁迫程度的反射光谱特征参数。利用皮尔森相关系数法建立了叶片铀含量与光谱特征参数波段位置之间的相关性，构建了基于光谱特征的叶片金属含量反演模型。
步骤1植物栽培与室内条件控制
万年青植株作为实验对象进行室内水培方式培育。
水培容器为1L玻璃烧杯，规格为154mm×113mm(高度×直径)。室内温度为25℃，控制湿度为70％～80％，利用蓝、红光灯带(数量比为1:5)模拟自然光照，照射时长为24小时，每天通入氧气2小时。
步骤2培养液浓度设计
不同形式的铀毒性是不同的，易溶于水的六价铀U(VI)容易迁移，产生的危害最大，因此，选择六价铀开展水培试验。试验所用不同质量浓度的U(VI)溶液均为1g/L铀标准溶液稀释而成。铀标准溶液的配置方法为:准确称取1.1790g基准U3O8，利用1000mL容量瓶，制成质量浓度为1g/L的铀溶液，铀的化学形态为UO2 2+。
根据铀的地壳丰度、找矿边界品位及环境监测标准等，本试验铀质量浓度设计为0mg/L、0.05mg/L、1mg/L、2mg/L、10mg/L、50mg/L、100mg/L、200mg/L。铀地壳丰度为1.3×10-6(Yan and Chi,2005)、砂岩铀矿、硬岩铀矿勘查边界品位分别为100×10-6、300×10-6；根据《铀矿冶辐射防护和环境保护规定GB/23727-2009》要求，对于有稀释能力的受纳水体，铀排放浓度在废水排放口处和排放口下游第一饮用水取水点处的浓度要求分别为0.3mg/L、0.05mg/L，没有稀释能力的受纳水体，铀排放浓度在废水排放口处的浓度要求为0.05mg/L。因此，基于上述原因设计8个浓度梯度。
步骤3光谱数据采集
测定万年青叶片在可见-近红外波段的光谱信息，每隔15天测量一次，共测3次。测量时，采用8°视场角探头，探头到叶片表面的距离为10cm，光源用光谱仪所带的50W卤化灯，其到样品表面中心的距离40cm，探头竖直向下，光源与探头方向夹角为45°；每个浓度选取每株植物有代表性的三片叶片，分别采集主茎上(最上面完全展开叶)、中间层舒展叶、下(倒三完全展开叶)叶片中部的光谱，每片叶子定点位连续测量20次并记录20次反射曲线。
步骤4叶片铀含量测定
将完成光谱采集的叶片立即沿梗部剪下。首先称取叶片的湿重，然后在105℃烘箱中进行烘干，称取烘干后植物叶片干重，接着将烘干后的植物叶片在560℃马弗炉内进行烧灰，称取植物叶片烧灰后的重量，叶片烧灰后装入烧杯中，加入10ml王水于烧杯里，放置在电炉上加热微沸直至烧干，加入5ml高氯酸加热微沸直至再次基本烧干，加入质量浓度为3-5％的稀硝酸溶液定容至5ml，经滤纸过滤得到不同浓度铀处理下的水样，使用电感耦合等离子体质谱仪对水样进行检测，根据铀元素的质谱图或特征离子定性，用内标法求出被测铀元素在植物叶片中的百分含量。
步骤5光谱数据预处理
将步骤3采集的叶片反射曲线首先同光谱仪自带的参照白板的反射曲线做比值处理以获得叶片的反射率曲线；然后将得到的反射率曲线按每个浓度每个采样间隔在ViewSpec Pro5.6软件中进行求平均光谱、拼缝处理、求一阶导数光谱；在ENVI软件中进行去包络线值处理。
步骤6光谱特征提取
将预处理后的光谱数据转化为可以表征其特性的光谱特征参数，本发明所用的特征参数包括：蓝谷BVP、绿峰GMP、红谷RVP、红肩RSP，利用公式(1)-(3)确定红边REP、归一化植被指数NDVI705，比值植被指数B3/B4。其含义如下：
BVP：波段400—500nm范围叶片反射光谱最小值对应的波长；
GMP：波段500—600nm范围叶片反射光谱最大值对应的波长；
RVP：波段600—720nm范围叶片反射光谱最大值对应的波长；
RSP：波段750—950nm范围叶片反射光谱最小值对应的波长；
NDVI705＝(R750-R705)/(R750+R705) (2)
B4/B3＝RRSP/RRVP (3)
式中，
RRSP表示万年青红肩处对应的反射率值；
RRVP表示万年青红谷处对应的反射率值。
R750、R705分别表示波长750和705nm处的光谱反射率值
B3、B4分别表示B3，B4波段反射率光谱的积分值；
λ400～500为波段范围400—500nm处对应的波长；
λ500～600为波段范围500—600nm处对应的波长；
λ600～720为波段范围600—720nm处对应的波长；
λ750～950为波段范围750—950nm处对应的波长。
本实施例中，铀胁迫下，万年青叶片光谱特征中的红边位置先“红移”再“蓝移”，绿峰位置先“蓝移”再“红移”，而红谷位置发生“蓝移”现象比较明显(表1)。植被指数B4/B3的比值呈现先升高后降低的规律，在局部递增浓度间B4/B3的比值呈现逐渐降低的趋势。NDVI705值在中期和晚期呈现出随着铀浓度的升高而降低的规律(表2)。
表1不同生育期不同浓度U胁迫下万年青叶片光谱5个特征参数(单位：nm)
表2不同生育期不同浓度铀胁迫下万年青比值指数
步骤7光谱特征参数与叶片铀含量相关性计算
利用皮尔森相关系数公式(公式8)，通过Matlab编程计算出万年青的7个特征参数与叶片铀含量的相关系数以及对应图(表3、图1、图2)，结果表明，红边位置与叶片铀含量的相关系数最大，R＝-0.8748，负相关，而且位移量变化最显著，蓝移达到6nm。因此，选择红边波段位置作为进一步分析万年青叶片铀含量反演模型的特征参数。
式中，r为皮尔森相关系数
n表示样本量，Xi和Yi表示第i组万年青光谱特征参数和叶片铀含量的实测值，
和
表示万年青光谱特征参数和叶片铀含量的样本平均值。
表3万年青光谱参数与叶片铀含量的相关关系
| 蓝谷 | 绿峰 | 红谷 | 红肩 | 红边 | B<sub>4</sub>/B<sub>3</sub> | NDVI | |
| 叶片铀含量 | 0.2454 | 0.8580 | 0.1794 | 0.3250 | -0.8748 | 0.5511 | 0.0079 |
步骤8叶片铀含量反演模型构建
根据步骤7中万年青红边波段位置与叶片铀含量的相关程度最大，为-0.8748，利用红边波段位置来提取叶片U含量信息。具体步骤如下：
步骤(8.1)经过万年青叶片U含量均值以及标准误差统计，剔除异常数据，建立万年青样品点的红边位置及相应的U含量之间的拟合数据，表4；绘制散点图，图3所示。
因变量为“叶U含量”，单位mg/L，在回归方程中用“U”表示，自变量为“红边位置”，单位nm，在回归方程中用“REP”表示。
表4万年青叶U含量与红边位置
步骤(8.2)统计分析并分别绘制万年青的红边位置与叶U含量的散点图(图3)，得出变量“红边位置(REP)”与“叶U含量(U)”不具有明显的线性关系，因此，使用回归方法中的“曲线估计”确定数据中有用的函数关系。
步骤(8.3)选用“分析-回归-曲线估计”的所有模型，以模型的拟合优度值为主要依据，来筛选最佳回归模型，万年青拟合优度R2如表5：
表5万年青统计回归模型决定系数R2
可以看出线性函数、对数函数、倒数函数、二次函数和三次函数这5个回归模型拟合效果更好，其中倒数函数模型的决定系数R2为0.750，是最大的。
以倒数函数的回归模型为例(表6)，可以看出，R＝0.866>0.8，说明自变量“REP”与因变量“U”的相关性很强，属于“高度相关”。R2＝0.750>0.7，说明回归方程对样本数据的拟合效果较高，说明自变量可以解释因变量75.0％的差异性。因此，选择倒数函数模型为最佳统计回归模型。
表6倒数函数模型汇总表
| R | R平方 | 调整后R平方 | 估计值得标准误差 |
| 0.866 | 0.750 | 0.734 | 0.017 |
步骤9叶片铀含量反演预测
根据步骤8中的最佳倒数函数统计模型方差分析结果及统计回归系数，得出万年青倒数函数的回归模型方程，进行叶片铀含量反演预测。具体步骤如下：
倒数函数模型方差分析表(表7)可得出，F检验统计量的观测值为47.908，方差分析的显著性水平为sig＝0.000<0.05，即应该拒绝F检验的原假设，从而在显著性水平为0.05的情形下认为因变量叶U含量“U”与自变量红边位置“REP”之间有显著的倒数函数关系，可以建立倒数函数模型。
表7倒数函数模型方差分析表
| 平方和 | df | 平均值平方 | F | 显著性sig | |
| 回归 | 0.015 | 1 | 0.015 | 47.908 | 0.000 |
| 残差 | 0.005 | 16 | 0.000 | ||
| 总计 | 0.019 | 17 |
倒数函数模型的回归系数表(表8)，可得出，该模型的常数项为-3.625，自变量红边位置“REP”的回归系数为2592.371，因此可以得到回归方程为
其中R＝0.866(R2＝0.750)。表中显示回归系数的显著性水平为sig＝0.000<0.05，故应拒绝T检验的原假设，从而说明建立倒数函数回归模型是恰当的。其中常数项的显著水平为sig＝0.000<0.05，由于常数项的显著性意义不大，也可以不考虑。
表8倒数函数模型回归系数表
综上，可以得出万年青叶片铀含量的反演模型方程：
Claims (7)
1.一种基于光谱特征的万年青叶片铀含量反演预测方法，其特征在于，包括如下步骤：
步骤1)植物栽培与室内条件控制
万年青植株作为实验对象进行室内水培方式培育；
步骤2)培养液浓度设
选择六价铀开展水培试验
按照1.1790g U3O8制成1g/L的铀溶液的比例配置铀标准溶液；
步骤3)光谱数据采集
测定万年青叶片在可见-近红外波段的光谱信息；
步骤4)确定被测铀元素在植物叶片中的百分含量；
步骤5)光谱数据预处理
将叶片反射曲线与同光谱仪自带的参照白板的反射曲线做比值处理，获得叶片的反射率曲线；通过反射率曲线，得到一阶导数光谱；
步骤6)光谱特征提取
7个特征参数包括：蓝谷BVP、绿峰GMP、红谷RVP、红肩RSP、红边REP、归一化植被指数NDVI705、比值植被指数B3/B4；
步骤7)光谱特征参数与叶片铀含量相关性计算
确定步骤6)中的7个特征参数与叶片铀含量的相关系数；
确定相关系数最大对应的特征参数
步骤8)叶片铀含量反演模型构建
以相关系数最大对应的特征参数作为自变量，叶片铀含量作为因变量，进行两个变量间的数据拟合及散点图绘制，构建因变量与自变量的统计回归模型；
步骤9)叶片铀含量反演预测
确定万年青倒数函数的回归模型方程，进行叶片铀含量反演预测；
所述的步骤4)具体为
4.1)将完成光谱采集的叶片立即沿梗部剪下，称取叶片的湿重；
4.2)烘干后，称取叶片干重；
4.3)烘干后的叶片在马弗炉内进行烧灰，称取烧灰后的重量；
4.4)叶片烧灰后装入烧杯中，在烧杯中加入王水形成混合液；
4.5)装有混合液的烧杯放置在电炉上加热直至烧干；
4.6)再加入高氯酸加热直至再次烧干；
4.7)加入质量浓度为3-5％的稀硝酸溶液至定容；
4.8)经滤纸过滤得到不同浓度铀处理下的水样，对水样进行检测，根据铀元素的质谱图或特征离子定性，用内标法定量；
所述的步骤6)光谱特征提取具体为
利用公式(1)-(3)确定红边REP、归一化植被指数NDVI705，比值植被指数B3/B4；
NDVI705＝(R750-R705)/(R750+R705) (2)
B4/B3＝RRSP/RRVP (3)
式中，
RRSP表示万年青红肩处对应的反射率值；
RRVP表示万年青红谷处对应的反射率值；
R750、R705分别表示波长750和705nm处的光谱反射率值；
B3、B4分别表示B3，B4波段反射率光谱的积分值。
2.如权利要求1所述的一种基于光谱特征的万年青叶片铀含量反演预测方法，其特征在于：所述的步骤5)具体为，将步骤3)采集的叶片光谱信息反射曲线首先同光谱仪自带的参照白板的反射曲线做比值处理以获得叶片的反射率曲线；然后将得到的反射率曲线按每个浓度和采样间隔进行求平均光谱、拼缝处理、求一阶导数光谱，并去包络线值处理。
3.如权利要求1所述的一种基于光谱特征的万年青叶片铀含量反演预测方法，其特征在于：所述的步骤7)具体为利用下式确定各特征参数与叶片铀含量的皮尔森相关系数
式中，r为皮尔森相关系数；n表示样本量，Xi和Yi表示第i组万年青光谱特征参数和叶片铀含量的实测值，
和
表示万年青光谱特征参数和叶片铀含量的样本平均值。
4.如权利要求1所述的一种基于光谱特征的万年青叶片铀含量反演预测方法，其特征在于：所述的步骤8)具体为
首先确定与叶片铀含量的相关程度最大的特征，记为A，其为蓝谷BVP、绿峰GMP、红谷RVP、红肩RSP、红边REP、归一化植被指数NDVI705、比值植被指数B3/B4中的一个；
8.1)建立A特征的红边位置及相应的U含量之间的拟合数据，其中因变量为叶U含量，自变量为红边位置；
8.2)确定A特征的红边位置与叶U含量的散点图，利用曲线估计法确定函数关系；
8.3)确定线性函数、对数函数、倒数函数、二次函数和三次函数的各自拟合优度R2，选择值最大的模型作为最佳回归模型。
5.如权利要求1所述的一种基于光谱特征的万年青叶片铀含量反演预测方法，其特征在于：所述的步骤9)中利用下式预测叶片铀含量
6.如权利要求5所述的一种基于光谱特征的万年青叶片铀含量反演预测方法，其特征在于：A为红边REP时，采用倒数函数模型作为最佳回归模型。
7.权利要求5所述的一种基于光谱特征的万年青叶片铀含量反演预测方法，其特征在于：利用下式预测叶片铀含量
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011627228.5A CN112649383B (zh) | 2020-12-31 | 2020-12-31 | 一种基于光谱特征的万年青叶片铀含量反演预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011627228.5A CN112649383B (zh) | 2020-12-31 | 2020-12-31 | 一种基于光谱特征的万年青叶片铀含量反演预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112649383A CN112649383A (zh) | 2021-04-13 |
| CN112649383B true CN112649383B (zh) | 2023-03-17 |
Family
ID=75366751
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011627228.5A Active CN112649383B (zh) | 2020-12-31 | 2020-12-31 | 一种基于光谱特征的万年青叶片铀含量反演预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112649383B (zh) |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107561024B (zh) * | 2017-07-17 | 2020-03-17 | 核工业北京地质研究院 | 一种适用于盐湖富铀水体的高光谱遥感识别方法 |
| CN107421894A (zh) * | 2017-09-28 | 2017-12-01 | 威海五洲卫星导航科技有限公司 | 基于无人机高光谱反演土壤中重金属污染监测方法 |
| CN108152235B (zh) * | 2018-03-21 | 2020-09-22 | 中南大学 | 一种联合土壤室内外光谱的重金属含量反演方法 |
| CN108663330B (zh) * | 2018-04-19 | 2019-08-16 | 中国自然资源航空物探遥感中心 | 一种基于叶片实测光谱的植被覆盖区土壤铜元素反演方法 |
| CN109047304B (zh) * | 2018-07-25 | 2021-08-10 | 西南科技大学 | 修复土壤铀镉复合污染的根茎类植物的筛选方法及应用 |
| FR3088445B1 (fr) * | 2018-11-14 | 2020-10-30 | Orano Mining | Procede d'evaluation de la concentration massique en uranium d'un echantillon par spectrometrie gamma et dispositif associe |
| CN110865416A (zh) * | 2019-11-15 | 2020-03-06 | 南华大学 | 一种放射性胁迫下的植物生化指征测量方法 |
| CN111398254B (zh) * | 2020-03-26 | 2021-09-24 | 浙江大学 | 一种水稻叶片重金属铜元素定量检测方法及系统 |
-
2020
- 2020-12-31 CN CN202011627228.5A patent/CN112649383B/zh active Active
Non-Patent Citations (2)
| Title |
|---|
| Research on the remote sensing prospecting model for typical uranium mining area along the Sino-Russian economic corridor;Yongfei Che等;《PROCEEDINGS OF SPIE》;第11023卷;全文 * |
| 高光谱遥感在寻找铀富集植物中的应用;李佳珍;《中国优秀硕士学位论文全文数据库 信息科技辑》(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112649383A (zh) | 2021-04-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hong et al. | Estimating lead and zinc concentrations in peri-urban agricultural soils through reflectance spectroscopy: Effects of fractional-order derivative and random forest | |
| Curran et al. | Exploring the relationship between reflectance red edge and chlorophyll content in slash pine | |
| Lewis et al. | Assessing burn severity and comparing soil water repellency, Hayman Fire, Colorado | |
| Palacios-Orueta et al. | Remote sensing of soil properties in the Santa Monica Mountains I. Spectral analysis | |
| Johnson et al. | Multivariate analysis of AVIRIS data for canopy biochemical estimation along the Oregon transect | |
| Ben-Dor et al. | Mapping of several soil properties using DAIS-7915 hyperspectral scanner data-a case study over clayey soils in Israel | |
| Lee et al. | Estimating chemical properties of Florida soils using spectral reflectance | |
| Cotrozzi et al. | Reflectance spectroscopy: A novel approach to better understand and monitor the impact of air pollution on Mediterranean plants | |
| CN110967311B (zh) | 基于红外光谱和磁化率测量的斑岩矿床蚀变分带识别方法 | |
| CN103954567A (zh) | 基于连续统去除法的土壤盐分测定方法 | |
| CN107589094B (zh) | 基于光谱特征的鞍山式铁矿石类型确定方法 | |
| Lin et al. | Predicting copper content in chicory leaves using hyperspectral data with continuous wavelet transforms and partial least squares | |
| Short | Geochemical variations in four residual soils | |
| Bösken et al. | Investigating the last glacial Gravettian site ‘Ságvár Lyukas Hill’(Hungary) and its paleoenvironmental and geochronological context using a multi-proxy approach | |
| CN109959619B (zh) | 一种测定贝类养殖蓝碳在沉积物中的累积速率的方法 | |
| CN108956955A (zh) | 土壤重金属来源分析及风险评价方法 | |
| CN110163424A (zh) | 一种基于梯度薄膜扩散技术的水稻籽粒中镉污染风险预警方法 | |
| Chakraborty et al. | Mineral prospecting from biogeochemical and geological information using hyperspectral remote sensing-Feasibility and challenges | |
| CN107907490A (zh) | 基于室外降雨和室内土壤的土壤侵蚀高光谱反演方法 | |
| CN112649383B (zh) | 一种基于光谱特征的万年青叶片铀含量反演预测方法 | |
| CN105954226B (zh) | 对叶表结构不敏感的叶绿素含量的检测方法 | |
| Patil et al. | A review on determination of soil organic matter and soil moisture content using conventional methods and image processing techniques | |
| Rahman et al. | Detecting salinity and soil nutrient deficiencies using spot satellite data | |
| Sandeep et al. | Diffuse reflectance spectroscopy of a tropical southern Indian lake sediment core: A window to environmental change | |
| CN110243773B (zh) | 一种利用土壤高光谱反射率计算土壤全盐含量的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |