马保东, 杨湘儒, 刘全, 车德福
东北大学 资源与土木工程学院，辽宁 沈阳 110819
收稿日期：2021-10-05
基金项目：国家自然科学基金资助项目(41871310)；中央高校基本科研业务费专项资金资助项目(N2124005，N2001020)。
作者简介：马保东(1983-)，男，河北宽城人，东北大学副教授。

摘要：我国一些矿区的粉尘污染比较严重，利用遥感技术可实现全面、快速的降尘量监测.在铁矿区开展四类典型背景下的级差降尘光谱测量实验，研究不同背景下降尘量的反演精度差异.结果显示，对于高光谱模型(350~2 500 nm)，基于900 nm光谱吸收指数(SAI)建模时植物背景反演精度最高(误差为4.92 g/m²)；基于统计方法获得优势波段进行反演，发现植被和油毡楼顶的反演精度较高(误差分别为6.02和7.35 g/m²).对于多光谱模型(按Landsat-8 OLI波段设置)，亦是植物和油毡楼顶背景在第7波段反演精度较高(误差分别为6.19和7.93 g/m²).综合来看，植物背景下的降尘量反演精度最高，可作为降尘遥感监测的首选；若受限于生长季，可优先选择油毡楼顶背景.在无高光谱数据时，则以多光谱的第7波段为首选反演波段.
关键词：铁矿区降尘量反演精度多背景光谱
Experimental Study on Spectral Retrieval of Dustfall in Iron Ore Areas Under Multi-background Conditions
MA Bao-dong, YANG Xiang-ru, LIU Quan, CHE De-fu
School of Resources & Civil Engineering, Northeastern University, Shenyang 110819, China
Corresponding author: MA Bao-dong, E-mail: mabaodong_rs@126.com.

Abstract: Dust pollution is serious in some mining areas. Remote sensing could monitor dustfall comprehensively and rapidly. Four kinds of typical backgrounds were selected to carry out iron dustfall spectroscopy measurement to study the accuracy difference of dustfall retrieval. The results show that the retrieval accuracy of plant background was the highest(error is 4.92 g/m²) based on 900 nm spectral absorption index(SAI)in the hyperspectral model(350~2 500 nm). By retrieving from the dominant band obtained by the statistical method, the retrieval accuracy on the plant and linoleum roof was relatively high(error is 6.02 and 7.35 g/m², respectively). For the multi-spectral model(according to Landsat-8 OLI bands), the retrieving accuracy on the plant and linoleum roof was also high in the 7th band(error is 6.19 and 7.93 g/m², respectively). In summary, the dustfall retrieval accuracy under the plants background is the highest, which can be used as the first choice for dust fall remote sensing monitoring; if it is limited by the growing season, the background of linoleum roof can be the first choice. If there is no hyperspectral data, the 7th band of multispectral should be the first choice.
Key words: iron ore areadustfallinversion accuracymulti-backgroundspectra
粉尘污染是影响空气质量的主要因素之一^[1]，严重时将导致生态破坏并危及人类生存安全^[2].粉尘的产生与人类活动密切相关^[3].在我国，铁矿区粉尘污染更为严重，主要与我国资源特点有关.一方面，我国铁矿资源丰富，但铁矿品位低、排尾量大，造就了粉尘污染源.据统计，我国每生产1 t铁精矿平均排出2.5 t铁尾矿^[4]，在河北承德地区的超贫钒钛磁铁矿选矿比甚至普遍高于10.另一方面，一些矿山企业管理方式粗放，重经济效益轻环境保护，防尘措施严重缺失，致使粉尘污染问题更严重.
降尘量是监测粉尘污染的主要指标，也是衡量一个区域生态环境质量的重要因子之一，对其进行全面、快速、准确监测可为地区生态环境质量评估提供基础数据和评价依据.但是，传统的降尘量测定工序复杂、工作量大、效率低^[5]，不能直接获得区域面状监测结果，无法满足快速、全面的监测要求^[6].遥感具有探测范围广、时效性好的优势，比一般探测手段可靠性更强^[7-8].莱昂等^[9]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，为降尘的遥感监测打开了一扇窗口.Pascucci等^[10]关注了红泥粉尘污染，利用遥感数据反演了地表土壤和水体中红泥粉尘的含量，为区域环境政策制定提供了数据支持.Kayet等^[11]基于遥感影像计算得出矿区植被降尘量的分布.Yan等^[12]基于地面光谱数据和卫星遥感数据反演了北京城区的降尘量和分布图.孙腾腾等^[13]分析城市中心城区不同滞尘量对植物冠层光谱特征变化的影响，确定了二者之间的关系.Ma等^[14]基于植被滞尘前后遥感影像的反射率差异估算了某铁矿区的降尘量，精度较高.
尽管已开展了降尘光谱特性及遥感监测的研究，但以植物叶片为背景地物的研究居多，对其他背景地物研究较少涉及.以植物叶片为背景的降尘量监测中，植物的物候特性使降尘遥感应用的有效时间受到限制，这种情况在植物生长期较短的中国北方地区更为突出.鉴于此，拟以铁矿区粉尘作为样本，选取多种典型背景地物，实验级差控制背景地物表面降尘量，通过比对不同背景地物的反演差异，为降尘量遥感反演背景地物的选择奠定实验基础.
1 实验与数据分析1.1 光谱测量仪器本文利用SVC HR-1024光谱仪采集样本的光谱信息.SVC HR-1024光谱仪由美国Spectral Vista公司生产，光谱探测范围为350~2 500 nm，光谱分辨率3.5~9.5 nm，通道数1 024个.
1.2 实验设置与光谱采集由矿区现场调研可知，典型背景地物为道路、建筑、植被和裸土，区域降尘量最大可达200 g/m²以上(图 1).因此，分别采集上述地物(水泥路面、油毡楼顶、植物叶片和裸土)作为实验背景地物样本(图 2).
图 1(Fig. 1)

图 1 铁矿区降尘情况Fig.1 Dustfall in iron ore area (a)—植物叶片降尘；(b)—建筑物降尘.

图 2(Fig. 2)

图 2 四类典型背景地物的实验测试样本Fig.2 Experimental test samples of four types of typical background features (a)—水泥路面；(b)—油毡楼顶；(c)—植物叶片；(d)—裸土.

矿区的粉尘主要源自尾矿库，因此以铁尾矿尘为实验降尘样本.粉尘样本采集自鞍钢矿业公司齐大山铁矿尾矿库，主要成分(质量分数)：SiO₂，82.28 %; TFe(全铁)，9.90 %; FeO，1.62 %; MgO，0.85 %; Al₂O₃，0.73 %; CaO，0.66 %.粒径主要分布在19.348~283.704 μm之间.
样本采集完毕之后，开始设置人工级差降尘光谱测量实验.实验的粉尘添加梯度为4 g/m²，上限为240 g/m²，即需要分别在4种背景地物上按梯度逐次添加粉尘.光谱测量在室内进行，光源为卤素灯，高度角为60°.先测量无粉尘覆盖的背景地物光谱，再测量覆盖不同降尘量的背景地物光谱.
1.3 数据分析方法基于室内采集的光谱数据，分别建立降尘量的高光谱和多光谱(Landsat-8 OLI波段)反演模型.根据前人研究^[15]，降尘量与光谱变量之间多呈线性关系，因此本文仅研究线性回归模型.高光谱模型通过两种方法建立.一种是基于统计的方法，进行光谱数据与降尘量之间的相关性分析，选择相关系数最大的波段作为优势波段，基于优势波段建立降尘量的线性反演模型.另一种是基于光谱特征指数的方法，从降尘的化学特性出发，根据铁尾矿尘的吸收特征，选择900 nm附近的光谱吸收指数(spectral absorption index，SAI)作为光谱变量，基于光谱变量建立降尘量的线性反演模型^[15].多光谱模型按照较为常用的Landsat-8 OLI传感器的波段进行设置，在设定的波段范围通过相关性分析选取优势波段，基于优势波段建立降尘量的线性反演模型.
建模之后，检验模型可靠性与精度.实验中采集的样本数据(包含光谱数据和对应的降尘量数据)，2/3用于建立回归模型，其余的1/3用于评价模型精度.本文选择均方根误差(RMSE)作为精度指标，即
式中：N为样本数目；x_i为反演得到的降尘量；y_i为实测的降尘量.均方根误差越小，则说明模型的拟合效果越好，反演精度越高.最终，通过对比不同背景地物反演降尘的敏感度与精度差异，确定优势背景地物，为遥感监测应用提供选项.
2 结果与讨论本次实验共得到60组不同降尘量的光谱数据(图 3)，将60组数据随机分为2组，分别用于建模和验证.
图 3(Fig. 3)

图 3 不同降尘量下背景地物的光谱Fig.3 Spectra of background ground objects under different dustfall (a)—水泥路面；(b)—油毡楼顶；(c)—植物叶片；(d)—裸土.

2.1 基于高光谱特征的降尘量反演精度分析分别利用基于统计关系的方法和基于铁尾矿900 nm SAI的方法进行高光谱建模.总的来看，两种方法中降尘量与光谱变量之间都呈极显著相关关系(见表 1).
表 1(Table 1)

表 1 不同背景地物降尘的高光谱特征Table 1 Hyperspectral characteristics of dustfall with different backgrounds 方法 参数 水泥路面 油毡楼顶 植被 裸土 基于统计关系 优势波段 2 466.2 nm 1 875 nm 2 174.2 nm 436.1 nm 关系式(x为粉尘量，y为优势波段反射率) y=0.024 9x+29.72 y=0.053 3x+13.97 y=0.067 2x+13.26 y=0.015 8x+8.44 相关性 极显著 极显著 极显著 极显著 RMSE/(g·m-2) 18.22 7.35 6.02 28.29 基于铁尾矿900 nm光谱吸收指数 波峰位置 759.8 nm；980.3 nm 波谷位置 900 nm 关系式(x为粉尘量，y为SAI) y=0.000 324x+1.05 y=0.000 287x+1.01 y=0.000 475x+0.97 y=0.000 199x+1.02 相关性 极显著 极显著 极显著 极显著 RMSE/(g·m-2) 21.96 23.32 4.92 26.26

表 1 不同背景地物降尘的高光谱特征 Table 1 Hyperspectral characteristics of dustfall with different backgrounds

基于统计关系的方法，首先根据每类背景地物反射率与降尘量之间的相关性确定对应的优势波段，即相关系数最大值对应的波长为优势波段.结果显示，水泥路面、油毡楼顶、植物叶片和裸土对应的降尘量反演优势波段分别为2 466.2，1 875，2 174.2和436.1 nm.基于四类背景地物优势波段的反射率，分别建立降尘量反演模型.结果表明，植物叶片反射率与降尘量关系式的斜率最大，说明植被光谱对降尘量的敏感度最高；对应地，其反演误差最小(6.02 g/m²)，反演效果最好.其次是油毡楼顶，敏感度和反演精度(误差为7.35 g/m²)略低于植物叶片.裸土的反演误差最大，反演效果也是四类地物中最差的.
基于铁尾矿900 nm SAI的方法，建模结果显示植物叶片SAI对降尘量的敏感度最高，反演误差最小(4.92 g/m²)，精度高于统计方法.其次分别为水泥路面和油毡楼顶.同样，裸土的关系式斜率最小，对降尘量的敏感度最低，反演误差最大.
对比两种方法的结果发现，植物叶片背景条件下，利用基于铁尾矿900 nm SAI的方法的反演精度高于基于统计关系的方法，其他背景条件下则反之.铁尾矿900 nm SAI基于两个波峰和一个波谷的反射率计算获得，是铁尾矿尘的一个光谱特征变量.该指数对植被背景上的铁尾矿降尘较为敏感，因此建模反演精度最高.
2.2 基于多光谱特征的降尘量反演精度分析按照Landsat-8 OLI的8个波段(全色波段和热红外波段除外)的中心波长设置相应的多光谱波段，并逐个波段进行分析与建模(表 2).结果显示，裸土的第6波段(1 609.2 nm)和水泥路面的第7波段(2 199.4 nm)的反射率与降尘量之间的相关性不显著，其他背景地物的各个波段反射率与降尘量之间都呈极显著或显著相关.总体来看，植被在第7波段的精度最高(误差为6.19 g/m²)，油毡楼顶在第7波段的精度次之(误差为7.93 g/m²).
表 2(Table 2)

表 2 不同背景地物降尘的多光谱特征Table 2 Multi-spectral characteristics of dustfallwith different backgrounds 波段序号 水泥路面 油毡楼顶 植被 裸土 1 (443.7 nm) 关系式 y=-0.037 4x+23.37 y=0.014 5x+10.25 y=0.039 2x+5.73 y=0.014 8x+8.33 相关性 极显著 极显著 极显著 极显著 RMSE/ (g·m-2) 33.53 27.01 17.35 29.02 2 (482.8 nm) 关系式 y=-0.039 7x+24.79 y=0.015 2x+10.79 y=0.043 5x+5.45 y=0.013 9x+9.53 相关性 极显著 极显著 极显著 极显著 RMSE/ (g·m-2) 32.56 24.54 16.46 29.51 3 (562.5 nm) 关系式 y=-0.041 8x+28.93 y=0.020 0x+12.42 y=0.031 7x+11.15 y=0.010 6x+14.18 相关性 极显著 极显著 极显著 极显著 RMSE/ (g·m-2) 30.65 18.35 14.02 33.68 4 (655 nm) 关系式 y=-0.038 4x+32.10 y=0.026 5x+13.42 y=0.066 3x+5.49 y=0.007 4x+18.87 相关性 极显著 极显著 极显著 极显著 RMSE/ (g·m-2) 29.42 14.01 12.73 41.95 5 (865.5 nm) 关系式 y=-0.038 2x+32.84 y=0.028 2x+13.89 y=-0.105 9x+50.32 y=-0.001 9x+24.63 相关性 极显著 极显著 极显著 极显著 RMSE/ (g·m-2) 26.76 10.05 13.26 70.04 6 (1609.2 nm) 关系式 y=-0.013 1x+35.96 y=0.051 1x+13.66 y=0.019 3x+25.57 y=0.000 6x+30.83 相关性 极显著 极显著 极显著 不显著 RMSE/ (g·m-2) 42.76 8.18 17.14 384.28 7 (2 199.4 nm) 关系式 y=0.000 1x+34.29 y=0.056 8x+13.22 y=0.067 0x+13.46 y=0.003 8x+30.43 相关性 不显著 极显著 极显著 极显著 RMSE/ (g·m-2) 4 180.60 7.93 6.19 61.26 8 (1 376.8 nm) 关系式 y=-0.014 0x+35.80 y=0.048 9x+13.97 y=-0.003 0x+31.20 y=0.001 4x+29.98 相关性 极显著 极显著 显著 显著 RMSE/ (g·m-2) 44.57 8.44 142.39 178.45 注：x为粉尘量，y为对应波段的反射率.

表 2 不同背景地物降尘的多光谱特征 Table 2 Multi-spectral characteristics of dustfallwith different backgrounds

分波段来看，在第1, 2, 3, 4, 7波段，植物叶片背景的降尘量反演精度皆高于其他三类背景地物；在第5, 6, 8波段，油毡楼顶背景的降尘量反演精度高于其他背景地物.在多光谱波段，降尘量反演精度与反射率对降尘量敏感度并未完全对应.对各类背景地物进行分别比较，水泥路面在第5波段的降尘量反演精度最高(误差为26.76 g/m²)，油毡楼顶在第7波段的精度最高(误差为7.93 g/m²)，植被在第7波段的精度最高(误差为6.19 g/m²)，而裸土在第1波段的精度最高(误差为29.02 g/m²).裸土在8个波段的关系式斜率都较小，说明裸土对于降尘量的敏感度较低，而且反演效果整体较差.由于裸土与粉尘的光谱反射率曲线较为接近，区分度较差，从而影响了降尘量的反演精度.
总体来看，植被和油毡楼顶背景在第7波段(2 199.4 nm)的反射率对降尘量的变化敏感，因此其反演精度较高.一个例外是，植被在第5波段(865.5 nm)的反射率与降尘量之间的关系式斜率为-0.105 9，从绝对值上来说是最大的波段，但该波段的反演精度并不高(误差为13.26 g/m²).植被在包含865.5 nm在内的近红外波段具有高反射率，是植被特有的光谱特征之一.降尘的覆盖导致该波段的反射率降低，但并非呈现完全的线性下降，这可能是导致此波段反演降尘量精度不高的原因，需要开展更多实验加以深入研究.
3 结论1) 对于高光谱模型，植被背景在利用基于铁尾矿900 nm SAI方法的建模反演精度最高(误差为4.92 g/m²)；基于统计方法获得水泥路面、油毡楼顶、植物叶片和裸土对应的降尘量反演优势波段分别为2 466.2，1 875，2 174.2和436.1 nm，但只有植被和油毡楼顶的反演精度较高(误差分别为6.02和7.35 g/m²).
2) 对于多光谱模型，植被背景在第7波段降尘量反演精度最高(误差为6.19 g/m²)，油毡楼顶背景在第7波段反演精度略低(误差为7.93 g/m²).
3) 综合来看，植被背景下的降尘量反演精度最高，进行降尘量遥感监测时可首选植被.若监测时间不在植被生长季，可优先选择油毡楼顶作为背景地物.在无法获取高光谱数据时，则以多光谱的第7波段(2 199.4 nm)为首选反演波段.
本研究为不同时相、不同背景地物条件下的降尘量遥感监测奠定了一定实验基础.未来将继续研究更多背景地物条件下、不同种类降尘的光谱特征，并开展遥感监测试验，为大范围推广应用奠定基础.
参考文献

[1]	Ma B D, Li X, Liang A, et al. Experimental and numerical investigation of dustfall effect on remote sensing retrieval accuracy of chlorophyll content[J]. Sensors, 2019, 19(24): 5530. DOI:10.3390/s19245530
[2]	Arrivabene H P, da Costa Souza I, Có W L O, et al. Effect of pollution by particulate iron on the morphoanatomy, histochemistry, and bioaccumulation of three mangrove plant species in Brazil[J]. Chemosphere, 2015, 127: 27-34. DOI:10.1016/j.chemosphere.2015.01.011
[3]	Neff J C, Ballantyne A P, Farmer G L, et al. Increasing eolian dust deposition in the western United States linked to human activity[J]. Nature Geoscience, 2008, 1(3): 189-195. DOI:10.1038/ngeo133
[4]	韩跃新, 孙永升, 李艳军, 等. 我国铁矿选矿技术最新进展[J]. 金属矿山, 2015(2): 1-11. (Han Yue-xin, Sun Yong-sheng, Li Yan-jun, et al. New development on mineral processing technology of iron ore resources in China[J]. Metal Mine, 2015(2): 1-11.)
[5]	张正偲, 董治宝. 降尘收集方法对降尘效率的影响[J]. 环境科学, 2013, 34(2): 499-508. (Zhang Zheng-si, Dong Zhi-bao. Effect of dust deposition collection methods on collection efficiency[J]. Environmental Science, 2013, 34(2): 499-508.)
[6]	Vermote E, Justice C, Claverie M, et al. Preliminary analysis of the performance of the Landsat 8/OLI land surface reflectance product[J]. Remote Sensing of Environment, 2016, 185: 46-56. DOI:10.1016/j.rse.2016.04.008
[7]	Hmida S B, Kallel A, Gastellu-Etchegorry J P, et al. Crop biophysical properties estimation based on LiDAR full-waveform inversion using the DART RTM[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2017, 10(11): 4853-4868. DOI:10.1109/JSTARS.2017.2763242
[8]	Jacquemoud S, Verhoef W, Baret F, et al. PROSPECT+SAIL models: a review of use for vegetation characterization[J]. Remote Sensing of Environment, 2009, 113: S56-S66. DOI:10.1016/j.rse.2008.01.026
[9]	莱昂, 项月琴, 张良培. 风化及其它类荒漠漆表面层对高光谱分辨率遥感的影响(一)[J]. 环境遥感, 1996, 11(2): 138-150. (Lyon R J P, Xiang Yue-qin, Zhang Liang-pei. The effects of weathering and other varnish-like coatings on high spectral resolution airborne imagery(part one)[J]. Remote Sensing of Environment China, 1996, 11(2): 138-150.)
[10]	Pascucci S, Belviso C, Cavalli R M, et al. Using imaging spectroscopy to map red mud dust waste: the Podgorica Aluminum Complex case study[J]. Remote Sensing of Environment, 2012, 123: 139-154. DOI:10.1016/j.rse.2012.03.017
[11]	Kayet N, Pathak K, Chakrabarty A, et al. Assessment of foliar dust using Hyperion and Landsat satellite imagery for mine environmental monitoring in an open cast iron ore mining areas[J]. Journal of Cleaner Production, 2019, 218: 993-1006. DOI:10.1016/j.jclepro.2019.01.305
[12]	Yan X, Shi W, Zhao W, et al. Mapping dustfall distribution in urban areas using remote sensing and ground spectral data[J]. Science of the Total Environment, 2015, 506: 604-612.
[13]	孙腾腾, 林文鹏, 李莹, 等. 不同滞尘量对城市植物冠层光谱的影响[J]. 光谱学与光谱分析, 2017, 37(8): 2539-2545. (Sun Teng-teng, Lin Wen-peng, Li Ying, et al. Effect of different dust weight levels on unban canopy reflectance spectroscopy[J]. Spectroscopy and Spectral Analysis, 2017, 37(8): 2539-2545.)
[14]	Ma B D, Pu R, Wu L, et al. Vegetation index differencing for estimating foliar dust in an ultra-low-grade magnetite mining area using Landsat imagery[J]. IEEE Access, 2017, 5: 8825-8834.
[15]	徐奥, 马保东, 李兴春, 等. 植物叶面铁尾矿粉尘光谱测试与定量反演实验[J]. 国土资源遥感, 2017, 29(1): 164-169. (Xu Ao, Ma Bao-dong, Li Xing-chun, et al. Spectral testing and quantitative inversion for dust of iron tailings on leaf[J]. Remote Sensing for Land & Resources, 2017, 29(1): 164-169.)