重金属污染种类的判别是作物生长环境监测的重要组成部分。该研究旨在提出一种由叶片光谱构建的铜铅污染判别特征(Copper and Lead Contamination Discriminating Features,CLCDF),以实现作物铜、铅污染判别。以典型作物玉米为试验对象...重金属污染种类的判别是作物生长环境监测的重要组成部分。该研究旨在提出一种由叶片光谱构建的铜铅污染判别特征(Copper and Lead Contamination Discriminating Features,CLCDF),以实现作物铜、铅污染判别。以典型作物玉米为试验对象,运用包络线去除与导数处理叶片光谱,基于该研究提出的归一化铜铅污染指数(NormalizedDifference Copper and Lead Contamination Index,NDCLCI)构建叶片CLCDF,在CLCDF分布域内建立判别平面(Discriminating Plane,DP)。依据CLCDF与DP的位置关系,得出直观的污染种类判别规则,并利用判别距离(Discriminating Distance,DD)对判别规则进行量化。基于训练集数据进行试验,提取到189种用于判别铜、铅污染的DP,同时获取了对应的污染种类判别规则,判别正确率为100%。使用验证集数据进行验证,189种DP中的88种判别效果较好,判别正确率为78.22%。该研究结果证明,基于CLCDF的铜铅污染判别方法效果良好且稳定。展开更多
文摘重金属污染种类的判别是作物生长环境监测的重要组成部分。该研究旨在提出一种由叶片光谱构建的铜铅污染判别特征(Copper and Lead Contamination Discriminating Features,CLCDF),以实现作物铜、铅污染判别。以典型作物玉米为试验对象,运用包络线去除与导数处理叶片光谱,基于该研究提出的归一化铜铅污染指数(NormalizedDifference Copper and Lead Contamination Index,NDCLCI)构建叶片CLCDF,在CLCDF分布域内建立判别平面(Discriminating Plane,DP)。依据CLCDF与DP的位置关系,得出直观的污染种类判别规则,并利用判别距离(Discriminating Distance,DD)对判别规则进行量化。基于训练集数据进行试验,提取到189种用于判别铜、铅污染的DP,同时获取了对应的污染种类判别规则,判别正确率为100%。使用验证集数据进行验证,189种DP中的88种判别效果较好,判别正确率为78.22%。该研究结果证明,基于CLCDF的铜铅污染判别方法效果良好且稳定。
