我校环境学院张继权教授环境/灾害风险综合评价与安全协同防控团队在城市森林对大气污染物的净化能力反演方面取得重要研究进展。该团队提出了一种基于无损检测和机器学习的模拟城市森林冠层SO2净化能力的耦合方法(PROSAIL+AO+DELM)。该方法基于Sentinel-2多光谱成像卫星, 采用深度学习方法实现植被群落尺度下城市森林SO2净化能力的快速反演, 获得了长春市主城区10m分辨率的城市森林SO2净化能力图。相关成果以“Retrieval of purification ability of urban forest to SO2 stress based on the coupling of radiative transfer and AO-DELM models”为题发表在国际知名的遥感领域类期刊《International Journal of Applied Earth Observation and Geoinformation》, 得到了遥感应用等领域专家学者的广泛关注和认可。
SO2污染对农作物、森林、湖泊、建筑物都会产生不良影响。城市绿化植被是城市生态系统极为重要的组成部分, 承担着美化环境、净化空气, 甚至是修复和治理大气污染的作用。利用植物的同化功能来治理大气污染尤其是近地表城市大气的长期混合污染, 是近年来国际上正在加强研究和迅速发展的前沿性课题。现有的研究方法可以获得更准确的SO2净化能力评价结果, 但绘制群落尺度分布图并不容易，所以系统的研究植被吸收和净化SO2的能力仍然是一个具有巨大发展潜力和广泛应用的新课题。
该研究结合PROSAIL模型、植被生化参数信息和SO2净化能力, 构建出PROSAIL和AO-DELM模型耦合的城市森林SO2净化能力估算方法。首先选择长春市作为研究区, 通过城市绿化树SO2胁迫下模拟试验, 获取生理生化实验数据；其次, 实验数据输入到PROSAIL模型中, 模拟城市森林冠层光谱, 对每个参数进行全局和局部敏感性分析, 以确定不同SO2胁迫下的参数, 进而模拟SO2不同净化水平下的冠层光谱, 并构建高光谱指数,进而与SO2净化率进行相关性分析, 以获得最佳指数；之后, 利用最佳指数和Aquila优化器优化的深度极限学习机 (DELM) 方法估算城市森林冠层中的SO2净化率, 从而得出SO2净化率估算方法；最后, 该方法应用于研究区Sentinel-2多光谱影像, 从而得到群落尺度下长春市城市森林SO2净化能力的反演结果 (图1) 。
图1 技术路线
研究结果表明, 选取的3种不同颜色的城市绿化树净化SO2的能力不同（图2）, 受到SO2胁迫后的叶片光谱反射率曲线也不同（图3）。低浓度SO2能够促进绿化树叶片SPAD （图4）、干物质含量和含水量（图5）, 而高浓度则会抑制。
图2 SO2胁迫下城市绿化树叶片净化率
图3 SO2胁迫下城市绿化树叶片光谱反射率曲线 (a) 紫丁香 (b) 红叶李 (c) 金叶榆
图4 SO2胁迫下城市绿化树叶片SPAD值 (a) 紫丁香 (b) 红叶李 (c) 金叶榆
图5 SO2胁迫下城市绿化树叶片干物质含量和含水量 (a) 干物质含量 (b) 叶片含水量
基于模拟的植被冠层光谱, 在不同净化水平分别构建出光谱子集、NDI (653, 688)、DI (775, 772) 和RVI (653, 688) 与AO-DELM组合的4种估算方法。结果表明, 由光谱子集 (580-680 nm) 构建的PROSAIL+AO+DELM模型比光谱指数模型估算性能更好 (图6) 。
图6 实测和预测的SO2净化率散点图
进一步再比较5种植被群落SO2净化能力, 其表现为：落叶阔叶林 (deciduous broad-leaved forest, DBF) > 落叶针叶林(deciduous coniferous forest, DCF) > 常绿针叶林 (evergreen coniferous forest, ECF) > 灌木丛 (scrubland, SF) > 针阔叶混交林 (mixed coniferous broad-leaved forest, MCBF) , 显示出良好的预测性能 (图7) 。
图7 群落尺度城市森林SO2净化能力反演结果
该成果的第一作者为环境学院博士研究生阿如汗博士, 通讯作者为我校环境学院张继权教授。该研究得到了国家自然科学基金、国际 (区域) 合作与交流项目、吉林省重大科技计划项目和吉林省科技发展规划等项目的支持。
文章链接：https://doi.org/10.1016/j.jag.2023.103644
