不同地理空间城市森林空气负离子浓度及其影响因素研究

朱舒欣; 何茜; 苏艳; 崔国发; 李吉跃

doi:10.12171/j.1000-1522.20220246

不同地理空间城市森林空气负离子浓度及其影响因素研究

朱舒欣^{1, 2,},
何茜¹,
苏艳¹,
崔国发²,
李吉跃^1, ,

1.
华南农业大学林学与风景园林学院，广东广州 510642
2.
北京林业大学生态与自然保护学院，北京 100083

基金项目: 广东省林业科技创新项目（2018KJCX012）。

详细信息

作者简介:
朱舒欣，博士。主要研究方向：森林康养。Email：2450315979@qq.com　地址：100083北京市海淀区清华东路35号北京林业大学生态与自然保护学院

责任作者:
李吉跃，教授，博士生导师。主要研究方向：森林康养。Email：564857527@qq.com　地址：510642广东省广州市天河区五山街道483号华南农业大学林学与风景园林学院。

中图分类号: S716.2
计量
- 文章访问数: 505
- HTML全文浏览量: 94
- PDF下载量: 59
出版历程
- 收稿日期: 2022-06-15
- 修回日期: 2022-09-12
- 录用日期: 2023-09-09
- 网络出版日期: 2023-09-11
- 刊出日期: 2023-11-29

Negative air ion concentration and its influencing factors of urban forest in different geographical spaces

Zhu Shuxin^{1, 2,},
He Qian¹,
Su Yan¹,
Cui Guofa²,
Li Jiyue^1, ,

1.
College of Forestry and Landscape Architecture, South China Agricultural University, Guangzhou 510642, Guangdong, China
2.
School of Ecology and Nature Conservation, Beijing Forestry University, Beijing 100083, China

摘要

摘要:
目的
开展不同地理空间城市森林的空气负离子浓度（NAIC）研究，为空气负离子的理论研究和森林康养基地的选址依据提供科学支撑。
方法
在2019年9月—2020年1月，2020年5—8月，选取广东省广州市的3个不同地理位置、森林面积和周边环境梯度的森林环境（远郊、近郊和城区城市森林），同时设置1个城区对照组进行NAIC差异比较，并运用Pearson相关性分析和多元逐步回归分析探讨NAIC与空气含氧量、温度、相对湿度和风速的相关关系。
结果
（1）天然林的NAIC显著高于人工林；在人工林中，高郁闭度林的NAIC显著高于中郁闭度林。（2）不同地理空间城市森林NAIC差异显著，远郊城市森林 > 近郊城市森林 > 城区城市森林 > 城区对照组。（3）森林环境产生NAIC的能力显著优于城市环境（无林地区）。（4）远郊和近郊城市森林的NAIC季节变化为夏季 > 春季 > 秋季 > 冬季，而城区城市森林和城区对照组的为秋季 > 冬季 > 春季 > 夏季。（5）远郊和近郊城市森林的NAIC与空气含氧量、温度和相对湿度均呈极显著正相关，而城区城市森林和城区对照组的NAIC与空气含氧量和温度均呈极显著负相关关系；近郊城市森林的NAIC与风速呈极显著负相关，而远郊城市森林呈极显著正相关。（6）远郊城市森林的NAIC主要与相对湿度和温度密切相关；近郊城市森林的NAIC主要受空气含氧量、风速和温度影响；城区城市森林和城市对照组的NAIC受温度的影响最大。
结论
地理空间对NAIC有显著影响，即距离城市中心较远，森林面积达到一定规模且集中连片对NAIC有正向影响，相关结果为森林康养基地的选址提供了理论依据。不同地理空间城市森林NAIC的环境影响因子各不相同，建议今后的研究综合考虑气象、林分、地形、周边环境等多个方面不同因素的协同影响，深入探讨NAIC与各环境因子的影响机制。
- 城市森林 /
- 空气负离子浓度 /
- 空气含氧量 /
- 温度 /
- 相对湿度 /
- 风速
Abstract:
Objective
The research on the negative air ion concentration (NAIC) of urban forest in different geographical spaces was to provide scientific support for the theoretical study of negative air ions and the site selection basis of forest therapy base.
Method
From September 2019 to January 2020, and from May to August 2020, three forest environments with different geographical locations, forest area and surrounding environment gradients in Guangzhou, Guangdong Province of southern China, i.e. exurban forest, suburban forest, and downtown forest were selected, and an urban control group was set up to compare NAIC differences. Pearson correlation analysis and multiple stepwise regression analysis were used to explore the correlations between NAIC and air oxygen content, temperature, relative humidity as well as wind speed.
Result
(1) NAIC of natural forests was distinctly higher than that of planted forests. In plantation, NAIC of high canopy density forests was significantly higher than that of middle canopy density forests. (2) The NAIC of urban forest in different geographical spaces was prominently different, showed as exurban forest > suburban forest > downtown forest > urban control group. (3) The ability of NAIC generation in forest environment was evidently better than that in urban environment without forests. (4) The seasonal variation of NAIC in exurban forest and suburban forest was summer > spring > autumn > winter, while that in downtown forest and urban control group was autumn > winter > spring > summer. (5) NAIC of exurban forest and suburban forest was remarkably positively correlated with air oxygen content, temperature and relative humidity, while the NAIC of downtown forest and urban control group was noticeably negatively correlated with air oxygen content and temperature; NAIC of suburban forest was significantly negatively correlated with wind speed, while that of exurban forest was notably positively correlated. (6) The NAIC of exurban forest was closely related to relative humidity and temperature. The NAIC of suburban forest was mainly affected by air oxygen content, wind speed and temperature. The NAIC of downtown forest and urban control group was mostly affected by temperature.
Conclusion
The geographical space has a significant impact on NAIC. Distance from the city center and the forest area reaching a certain scale and concentrated contiguous has a positive impact on NAIC. The relevant results provide a theoretical basis for the location of forest therapy bases. The environmental impact factors of NAIC of urban forest in different geographical spaces are different. It is suggested that future research should comprehensively consider the synergistic effects of different factors in many aspects, such as meteorology, stand, terrain, and surrounding environment, and further explore the impact mechanism of NAIC and various environmental factors.
- urban forest /
- negative air ion concentration /
- air oxygen content /
- temperature /
- relative humidity /
- wind speed

HTML全文

坡垒（Hopea hainanensis）是龙脑香科（Dipterocarpaceae）坡垒属（Hopea）常绿乔木，主要分布于中国海南和越南义安等地区。由于人为破环、环境变化和经营不善等原因，造成其成熟个体锐减，目前已被列为国家一级保护植物，也被国际自然保护联盟列入“濒危”名单^[1]。叶绿素含量通常被用来反映植物的光合能力和营养状况，是植物生长监测的重要指标^[2]。因此，对濒危树种坡垒的叶绿素进行及时、无损的监测，有利于了解其生长需求，能够为其培育经营管理的精准化、智能化提供依据。

近年来，随着图像处理和遥感技术的快速发展，图像诊断法在植物叶绿素含量监测方面的应用潜力正在被开发^[3]。在图像数据获取方面，多光谱相机因其低成本和实用性，已被广泛应用于植物生长生理参数的定量反演。在过去的研究中，研究人员通常提取图像中的光谱特征和纹理特征进行利用，并证明了其在预测植物叶绿素含量上的可行性^[4−5]。光谱和纹理特征是基于对图像空间域分析获得的特征，而图像频域也包含了许多值得探索的微动信息。近年来，图像频域信息在农林领域上的应用也在被逐步开发，已有研究证明了频域信息在挖掘微动信息方面的巨大潜力，如植物分类^[6]、氮含量反演^[7]，但在植物叶绿素含量诊断方面的研究报道依然较少，Zhuo等^[8]证明了引入频域指数来提高湿地叶绿素含量的制图精度的可行性。因此，将频域信息与空域信息融合，具有提高图像信息对植物叶绿素含量解释能力的巨大潜力，且该方法在其他植被类型或树种上的应用可行性上仍留有大量空白，值得进一步探索。此外，在过去的研究中通常仅使用单一的频域转换方法，关于不同频域变换方法在叶绿素含量估算中的差异性研究也还存在空白。因此，鉴于频域分析方法的多样性，有必要引入多种转换方法和频域指标，以确定最合适的频域分析方法。

本研究以幼龄坡垒为研究对象，采集冠层多光谱图像和SPAD值（以便携式叶绿素仪测得的SPAD值作为相对叶绿素含量实测值），计算得到包括植被指数和图像纹理的空域特征，以及3类频域转换方法（傅里叶变换、小波变换和里斯变换）下的频域特征，确定与坡垒SPAD值具有显著相关性的优选特征，并比较了不同特征下传统模型和机器学习模型在预测幼龄坡垒SPAD值方面的性能，确定最适于坡垒SPAD值预测的最适特征选择和模型形式。旨在探索融合多光谱频域特征提高坡垒SPAD值预测精度的可行性，为坡垒相对叶绿素含量的无损监测提供有效工具。

1. 材料与方法

1.1 数据获取

试验地点位于海南省海口市云龙镇海南省林业科学院科研基地（110°28′08″E，19°52′25″N），试验区属热带季风气候，全年日照时间长，辐射能量大，年均日照时数大于2 000 h，年均气温24.4 ℃，平均最高气温28 ℃左右，平均最低气温18 ℃左右。研究选取健康无病害的两年生坡垒共60株作为试验材料，种植行株距均为1.2 m。在试验地布设近地面的摄影平台，通过远程连接方式控制多光谱相机（MicaSense RedEdge 3）在坡垒正上方2 m处进行俯视拍摄，以获取坡垒冠层多光谱图像。多光谱相机可获取蓝光（475 nm）、绿光（560 nm）、红光（668 nm）、近红外（840 nm）和红边（717 nm） 5个波段的信息，带宽分别为20、20、10、40、10 nm。

分别于2021年8月和2021年10月进行田间观测，共获取120组坡垒SPAD值和冠层影像数据。采用便携式叶绿素测定仪（TYS-4N）测量坡垒叶片的SPAD值，表征坡垒的相对叶绿素含量。每株坡垒选取不同方向的3枚叶片进行测定，并取其平均SPAD值代表该试验树冠层的相对叶绿素含量。最终测定得到坡垒的SPAD值最小值为5.1，平均值为22.5，最大值为41.4。

1.2 多光谱图像处理

1.2.1 图像去噪

由拍摄环境和相机硬件引起的图像噪声会对图像信息的有效性产生负面影响，因此，在进行图像分析前需对图像噪声进行处理。研究采用小波去噪方法实现多光谱图像去噪，既能有效去除噪声，又能保留图像的边缘特征^[9]。

1.2.2 图像分割

图像分割可以避免非植物区域干扰，以提高图像特征的稳健性^[10]。参考前人研究，本研究采用将植被指数与传统阈值分割法相结合的方式^[11]，选取3种植被指数，包括比值植被指数（ratio vegetation index，RVI）、差值植被指数（difference vegetation index，DVI）和归一化植被指数（normalized difference vegetation index，NDVI），与Kapur法相结合以确定优选分割方法。此外，将分割结果与人工标记的图像比较评估分割效果，使用F₁作为分割精度指标，取值范围为[0, 1]，其中0表示分割效果最差，1表示最优。定义图像分割后的真正值为V_TP，真负值为V_TN，假正值为V_FP，假负值为V_FN，则分割评价指标计算式如下。

$R=\frac{{V}_{\mathrm{T}\mathrm{P}}}{{V}_{\mathrm{T}\mathrm{P}} + {V}_{\mathrm{F}\mathrm{N}}}$

(1)

$P=\frac{{V}_{\mathrm{T}\mathrm{P}}}{{V}_{\mathrm{T}\mathrm{P}} + {V}_{\mathrm{F}\mathrm{P}}}$

(2)

${F}_{1}=\frac{2RP}{R + P}$

(3)

式中：R为召回率；P为精确率。

1.2.3 图像空域特征提取

从幼龄坡垒冠层的多光谱图像中，计算得到包括植被指数和图像纹理的空域特征。在此前的研究中，近红外和红边波段被证明对氮含量十分敏感^[12−13]，同时也与叶绿素含量密切相关。利用白板校正获得校正后的各波段图像的反射率值，基于校正后值计算得到植被指数。本研究拓展了多种传统植被指数，包括NDVI、RVI和DVI，计算方法见式（4） ~ （6）。

$\mathrm{N}\mathrm{D}\mathrm{V}\mathrm{I}\left(j\right)=\left({{R}_{\mathrm{N}\mathrm{I}\mathrm{R}}-B}_{j}\right)/\left({{R}_{\mathrm{N}\mathrm{I}\mathrm{R}} + B}_{j}\right)$

(4)

$\mathrm{R}\mathrm{V}\mathrm{I}\left(j\right)={B}_{j}/{R}_{\mathrm{N}\mathrm{I}\mathrm{R}}$

(5)

$\mathrm{D}\mathrm{V}\mathrm{I}\left(j\right)={R}_{\mathrm{N}\mathrm{I}\mathrm{R}}-{B}_{j}$

(6)

式中：R_NIR为近红外波段反射率；B_j为第j个波段反射率，其中j = {1, 2, 3, 4}，对应的B_j分别为红、绿、蓝、红边波段反射率。

此外，参考前人^[14−20]研究选取了8种其他多光谱植被指数，具体计算式见表1。

表 1 植被指数及其计算公式

Table 1. Vegetation index and its calculation formula

植被指数 Vegetation index	计算式 Calculation formula	植被指数 Vegetation index	计算式 Calculation formula
归一化红边绿指数 Normalized difference red edge-green index (NDIreg)^[14]	NDIreg = (R_RE – R_G)/(R_RE + R_G)	红边植被指数 Red-edge vegetation index (REVI)^[17]	REVI = R_NIR/R_RE – 1
归一化红边红指数 Normalized difference red edge-red index (NDIrer)^[14]	NDIrer =(R_RE – R_R)/(R_RE + R_R)	修正叶绿素吸收反射率植被指数 Modified chlorophyll absorption reflectivity index (MCARI)^[18]	MCARI = [R_RE – R_R – 0.2(R_RE – R_G)] R_RE/R_R
增强型植被指数 Enhanced vegetation index (EVI)^[15]	EVI = 2.5(R_NIR – R_R)/(R_NIR + 6R_R – 7.5R_B + 1)	改进简单比值植被指数 Modified simple ratio vegetation index (MSR)^[19]	${\text{MSR}} = ({R_{{\text{NIR}}}}/{R_{\text{R}}}-1)/\sqrt {{R_{{\text{NIR}}}}/{R_{\text{R}}} + 1}$
重归一化差异指数 Renormalized difference vegetation index (RDVI)^[16]	${\text{RDVI}} = ({R_{{\text{NIR}}}}-{R_{\text{R}}})/\sqrt {{R_{{\text{NIR}}}} + {R_{\text{R}}}}$	修正植被指数 Modified vegetation index (MVI)^[20]	${\text{MVI}} = \sqrt {({R_{{\text{NIR}}}}-{R_{\text{R}}})/({R_{{\text{NIR}}}} + {R_{\text{R}}}) + 0.5}$
注： R_R、R_G、R_B、R_NIR、R_RE分别表示红、绿、蓝、近红外、红边波段反射率。 Note: R_R, R_G, R_B, R_NIR, R_RE indicate reflectivity of red, green, blue, near infrared, and red edge bands, respectively.

下载: 导出CSV

| 显示表格

研究通过灰度共生矩阵提取不同光谱波段下坡垒冠层图像的纹理特征。灰度共生矩阵作为图像纹理的一个常用描述符，能够考虑到像素之间的距离和角度关系^[21]。从0°、45°、90°、135°这4个方向分别提取图像的能量、熵、惯性矩和相关特征，并计算4个方向的均值和标准差作为图像的纹理特征，以反映坡垒图像灰度在不同方向上的相邻间隔和变化幅度，描述图像的局部纹理信息。

1.2.4 图像频域特征提取

计算3类频域转换方法（傅里叶变换、小波变换和里斯变换）下幼龄坡垒冠层的多光谱图像的频域特征。

（1）傅里叶变换

二维离散傅里叶变换能够将图像从空间域变换到频域用于图像分析，利用快速傅里叶变换（fast Fourier transform，FFT）能够简化计算。设f（x, y）表示M × N像素的光谱带图像中像素坐标（x, y）处的灰度，则FFT简化后的傅里叶变换计算为

$F\left(u,v\right)=\sum\nolimits _{x=0}^{M-1}\left[\sum\nolimits _{y=0}^{N-1}f(x,y){w}^{ux}\right]{w}^{vy}$

(7)

其中，

$\left\{\begin{array}{c}{w}^{ux}={\text{e}}^{-2i{\text{π}}\frac{ux}{M}}\\ {w}^{vy}={\text{e}}^{-2i{\text{π}}\frac{vy}{N}}\end{array}\right.$

(8)

式中：（u, v）为像素坐标（x, y）对应的频域坐标；i为虚数单位。

基于FFT计算得到图像的傅里叶振幅谱，振幅谱对应于亮度对比度在空间频率和方向上的分布^[22]。为了进一步描述振幅谱的分布特征，使用共生矩阵来提取振幅谱的变化特征，因此可计算得到振幅谱的能量、熵、惯性矩、相关特征的均值和标准差，各波段图像的傅里叶特征见表2。

表 2 频域特征

Table 2. Frequency domain features

方法 Method	特征 Feature	命名 Naming	特征 Feature	命名 Naming	特征 Feature	命名 Naming	特征 Feature	命名 Naming
傅里叶变换 Fourier transform	能量–均值 Energy-mean	B_j-En_m^FFT	熵–均值 Entropy-mean	B_j-Ent_m^FFT	惯性矩–均值 MOI-mean	B_j-MOI_m^FFT	相关–均值 Correlation-mean	B_j-Cor_m^FFT
傅里叶变换 Fourier transform	能量–标准差 Energy-SD	B_j-En_s^FFT	熵–标准差 Entropy-SD	B_j-Ent_s^FFT	惯性矩–标准差 MOI-SD	B_j-MOI_s^FFT	相关–标准差 Correlation-SD	B_j-Cor_s^FFT
小波变换 Wavelet transform	能量–均值 Energy-mean	B_j-En_m^WT	熵–均值 Entropy-mean	B_j-Ent_m^WT	惯性矩–均值 MOI-mean	B_j-MOI_m^WT	相关–均值 Correlation-mean	B_j-Cor_m^WT
小波变换 Wavelet transform	能量–标准差 Energy-SD	B_j-En_s^WT	熵–标准差 Entropy-SD	B_j-Ent_s^WT	惯性矩–标准差 MOI-SD	B_j-MOI_s^WT	相关–标准差 Correlation-SD	B_j-Cor_s^WT
里斯变换 Riesz transform	能量–均值 Energy-mean	B_j-En_m^R	熵–均值 Entropy-mean	B_j-Ent_m^R	惯性矩–均值 MOI-mean	B_j-MOI_m^R	相关–均值 Correlation-mean	B_j-Cor_m^R
里斯变换 Riesz transform	能量–标准差 Energy-SD	B_j-En_s^R	熵–标准差 Entropy-SD	B_j-Ent_s^R	惯性矩–标准差 MOI-SD	B_j-MOI_s^R	相关–标准差 Correlation-SD	B_j-Cor_s^R
注：j = {1, 2, 3, 4, 5}，对应的B_j分别为R、G、B、NIR、RE，即红、绿、蓝、近红外、红边波段。Notes: j = {1, 2, 3, 4, 5}, B_j indicates R, G, B, NIR, RE, namely, red, green, blue, near infrared, and red edge bands.

下载: 导出CSV

| 显示表格

（2）小波变换

二维离散小波变换是一种将图像变换到小波域的多尺度分析方法。这种二维离散小波变换将图像近似信息分解为4个分量：近似系数、水平细节系数、垂直细节系数和对角细节系数。使用共生矩阵来提取4个分量的变化特征，可分别计算得到4个分量下的能量、熵、惯性矩和相关特征，然后取不同分量下各特征的平均值，作为该图像的小波特征，各波段图像的小波特征见表2。

（3）里斯变换

里斯变换是希尔伯特变换在高维度空间上的推广，可被应用于高维度的频域转换，即可用来处理二维图像信号。设（x, y）为空域坐标，（u, v）为频域中的坐标，在空域和频域中里斯内核分别被定义为

$\left({R}_{x}\left(x,y\right),{R}_{y}\left(x,y\right)\right)=\left(\frac{x}{2{\text{π}}{\left|X\right|}^{3}},\frac{y}{2{\text{π}}{\left|X\right|}^{3}}\right)$

(9)

$\left({R}_{u}\left(u,v\right),{R}_{v}\left(u,v\right)\right)=\left(-i\frac{u}{\sqrt{{u}^{2} + {v}^{2}}},-i\frac{v}{\sqrt{{u}^{2} + {v}^{2}}}\right)$

(10)

式中：（R_x, R_y）表示二维信号（x, y）对应的里斯内核； $X=(x,y)$ ；i为虚数单位。

一阶里斯变换为图像信号本身与里斯内核做卷积操作得到，完成里斯变换后，同样计算得到各波段图像的里斯特征（表2）。

1.3 特征筛选与建模方法

1.3.1 特征筛选

采用皮尔逊相关性分析法确定各图像特征与坡垒SPAD值的相关性强度，基于显著性检验结果剔除不显著的特征。对于保留的图像特征利用基于正则化的Lasso算法再次进行特征筛选，且应用方差膨胀因子（variance inflation factor，VIF）来检验特征间是否存在多重共线性。VIF被广泛应用于多重共线性的检测^[23]。一般认为，若VIF < 5，表示变量间不存在多重共线性；若5 ≤ VIF ≤ 10，表示变量间存在一定量的自相关；若VIF > 10，则表示变量间存在严重的多重共线性。

1.3.2 建模方法

采用多元线性回归（multiple linear regression，MLR）、偏最小二乘回归（partial least squares regression，PLSR）、随机森林（random forest，RF）和XGBoost算法构建坡垒SPAD值预测模型。其中，MLR为最传统的多自变量线性回归方法。PLSR可通过有机结合主成分分析与典型相关分析方法，有效避免过拟合问题^[24]。RF是基于决策树发展而来的非线性机器学习算法，通过预测一组决策树来执行分类或回归问题^[25]，模型输出结果由决策树组内的所有树确定。XGBoost是由梯度提升决策树改进而来的高效集成学习算法，每一次迭代会在前一棵树的预测结果与真实值之间的残差的基础上生成新的树^[26]，具有出色的识别和拟合能力。

1.3.3 模型检验

通过7∶3的比例随机抽样，将总样本分为样本量为84的建模样本和样本量为36的检验样本，以评估模型的应用能力。随机抽样在python中完成，首先对所有样本进行有序标记，利用“sklearn”包中的“model_selection”模块以7∶3的比例对样本进行随机抽样，并记录分别被划分为建模和检验样本的有序标记，基于有序标记再次提取对应样本可复现该随机抽样结果，使得不同建模方法能够应用于相同的样本，令模型评估结果具有可比性。本研究使用决定系数（R²）、均方根误差（root mean square error，RMSE）和平均绝对误差（mean absolute error，MAE）作为评价指标。在RF和XGBoost模型的训练过程中，选用早停法进行参数寻优以确定模型参数，寻优迭代次数设置为100，目标函数为RMSE。

2. 结果与分析

2.1 坡垒冠层多光谱图像分割

图1为3种分割方法的分割结果，分割精度计算结果见表3。由表3可知：DVI + Kapur方法对多光谱图像的分割精度最高，F₁达到0.917；NDVI + Kapur方法分割精度与其十分接近，F₁为0.914；RVI + Kapur方法损失了更多的植株信息，F₁为0.890。因此，DVI + Kapur方法为最适分割方法。

图 1 冠层多光谱图像分割

Figure 1. Multispectral image segmentation

下载: 全尺寸图片幻灯片

表 3 坡垒多光谱图像分割结果评价

Table 3. Evaluation of segmentation results for slope barrier multispectral images

分割精度指标 Segmentation accuracy indicator	RVI + Kapur	DVI + Kapur	NDVI + Kapur
精确率 Accuracy (P)	0.816	0.883	0.863
召回率 Recall (R)	0.980	0.952	0.971
F₁	0.890	0.917	0.914

下载: 导出CSV

| 显示表格

2.2 多光谱图像特征筛选

2.2.1 图像特征描述统计及其相关性分析

提取120组多光谱影像的25个多光谱植被指数和40个纹理特征，即共65个多光谱空域特征，计算其与坡垒SPAD值的相关系数并进行显著性检验，最终共有48个特征（19个植被指数和29个纹理特征）存在显著相关性。根据相关性排序，表4为相关性分别位于前10的植被指数和纹理特征的均值、相关系数及其显著性结果。其中修正叶绿素吸收反射率植被指数（modified chlorophyll absorption reflectivity index，MCARI）相关性最强，相关系数达到−0.780。

表 4 多光谱空域特征的描述统计和相关系数

Table 4. Descriptive statistics and correlation coefficients of multispectral spatial domain features

特征类别 Feature category	特征 Feature	均值 ± 标准差 Mean ± SD	相关系数 Correlation coefficient （r）	特征 Feature	均值 ± 标准差 Mean ± SD	r
植被指数 Vegetation index	MCARI	0.58 ± 0.30	−0.780^***	NIR	0.48 ± 0.11	−0.588^***
	NDIrer	0.41 ± 0.10	−0.662^***	RDVI	0.38 ± 0.10	−0.555^***
	RE	0.41 ± 0.11	−0.658^***	NDVI3	0.52 ± 0.11	−0.495^***
	DVI3	0.33 ± 0.10	−0.632^***	RVI3	3.33 ± 0.95	−0.477^***
	DVI1	0.31 ± 0.10	−0.615^***	MVI	0.99 ± 0.06	−0.400^***
纹理特征 Texture feature	B-Ent_m	0.06 ± 0.05	0.427^***	B-MOI_s	0.01 ± 0.01	0.349^***
	R-Ent_m	0.00 ± 0.00	0.416^***	RE-Cor_m	0.12 ± 0.03	−0.347^***
	G-Cor_s	0.00 ± 0.00	0.403^***	NIR-En_s	4.64 ± 1.15	0.347^**
	B-MOI_m	0.00 ± 0.00	0.400^***	NIR-Cor_m	4.70 ± 1.17	0.340^***
	B-Cor_m	0.01 ± 0.01	0.375^***	RE-Ent_s	4.72 ± 1.18	0.340^***
注：^表示图像特征与SPAD值在0.05水平上显著相关，^表示二者在0.01水平上显著相关，^*表示二者在0.001水平上显著相关。下同。Notes: ^ indicates significant correlation between image features and SPAD values at 0.05 level, ^ indicates significant correlation at 0.01 level, ^* indicates significant correlation at 0.001 level. The same below.

下载: 导出CSV

| 显示表格

经过傅里叶变换、小波变换、里斯变换共提取120个多光谱频域特征，最终共有49个特征（1个傅里叶特征，32个小波特征和16个里斯特征）与坡垒SPAD值存在显著相关性，表5为傅里叶特征和相关性分别位于前10的小波特征和里斯特征的均值、相关系数及显著性结果。其中B-Cor_s^R相关性最强，相关系数达到−0.415，而保留的与坡垒SPAD值存在显著相关的小波特征数量显著高于傅里叶特征和里斯特征。

表 5 多光谱频域特征的描述统计和相关系数

Table 5. Descriptive statistics and correlation coefficients of multispectral frequency domain features

特征类别 Feature category	特征 Feature	均值 ± 标准差 Mean ± SD	r	特征 Feature	均值 ± 标准差 Mean ± SD	r
傅里叶特征 Fourier feature	G-Cor_s^FFT	0.05 ± 0.03	−0.210^*
小波特征 Wavelet feature	G-En_m^WT	0.92 ± 0.08	−0.401^***	RE-En_m^WT	0.92 ± 0.07	−0.337^***
	G-Cor_s^WT	2.10 ± 1.57	−0.378^***	B-Ent_m^WT	0.18 ± 0.11	0.326^***
	G-En_s^WT	0.30 ± 0.26	0.367^***	G-Ent_m^WT	0.19 ± 0.16	0.325^***
	B-Cor_s^WT	2.46 ± 1.56	−0.357^***	NIR-En_m^WT	0.92 ± 0.07	−0.309^***
	B-En_s^WT	0.28 ± 0.20	0.341^***	B-En_m^WT	0.93 ± 0.06	−0.308^***
里斯特征 Riesz feature	B-Cor_s^R	0.01 ± 0.01	−0.415^***	R-En_m^R	0.16 ± 0.06	−0.288^**
	B-En_m^R	0.18 ± 0.06	−0.373^***	B-MOI_s^R	0.04 ± 0.02	0.277^**
	RE-MOI_m^R	0.01 ± 0.00	−0.346^***	NIR-En_s^R	2.46 ± 0.39	0.277^**
	NIR-En_m^R	0.20 ± 0.07	−0.301^***	G-En_m^R	0.15 ± 0.04	−0.276^**
	RE-En_m^R	0.17 ± 0.06	−0.300^***	RE-En_s^R	2.58 ± 0.36	0.270^**

下载: 导出CSV

| 显示表格

2.2.2 图像特征Lasso筛选

剔除了与坡垒SPAD值相关性未达到0.01水平上显著的特征，通过Lasso算法进行特征筛选消除多重共线性并降维。图2显示了Lasso算法的调整参数λ的迭代过程。表6为基于Lasso的特征筛选结果及各特征对应的VIF值，筛选后保留了9个多光谱空域特征和9个多光谱频域特征。结果显示筛选后保留特征的VIF值均小于10，多重共线性被有效消除，且特征维数被大大降低。

图 2 基于多光谱图像特征的λ迭代过程

MSE为均方误差；λ为调整参数。MSE represents mean square error. λ represents tuning parameter.

Figure 2. Iterative process of λ based on multispectral image features

下载: 全尺寸图片幻灯片

表 6 筛选后多光谱图像特征的应用方差膨胀因子(VIF)值

Table 6. Variance inflation factor (VIF) values of filtered multispectral image features

特征类别 Feature category	特征 Feature	VIF	特征 Feature	VIF	特征 Feature	VIF
多光谱空域特征 Multispectral spatial domain feature	RE	0.705	NDIrer	0.229	B-Ent_m	0.729
	RVI4	0.609	MCARI	2.941	RE-En_s	1.243
	DVI3	2.129	B-En_s	2.947	RE-Cor_m	0.249
多光谱频域特征 Multispectral frequency domain feature	B-En_m^WT	0.042	G-En_m^WT	0.017	B-MOI_s^R	0.012
	B-En_s^WT	0.042	NIR-En_m^WT	0.013	B-Cor_s^R	0.013
	B-Cor_s^WT	0.011	RE-En_m^WT	0.016	RE-MOI_m^R	0.010

下载: 导出CSV

| 显示表格

2.3 坡垒相对叶绿素含量预测模型

2.3.1 多光谱空域特征模型构建

以筛选得到的9个多光谱空域特征为解释变量，分别基于PLSR、RF和XGBoost算法构建坡垒SPAD值预测模型。模型建模与检验的精度评价见表7。在建模后对参数回归模型进行F检验，MLR和PLSR模型的P值分别为1.02 × 10⁻¹³和6.94 × 10⁻⁶，通过了显著性检验，表明回归方程显著。模型建模和检验的具体结果如图3所示。

表 7 基于多光谱空域特征的预测模型评价

Table 7. Evaluation of prediction model based on multispectral spatial domain features

模型 Model	建模 Modeling			检验 Testing
模型 Model	R²	MAE	RMSE	R²	MAE	RMSE
MLR	0.650	4.195	5.282	0.643	4.761	5.775
PLSR	0.649	4.209	5.286	0.677	4.532	5.493
RF	0.945	1.597	2.090	0.733	4.003	4.997
XGBoost	0.868	2.430	3.239	0.747	3.821	4.860

下载: 导出CSV

| 显示表格

图 3 基于多光谱空域特征的建模和检验结果

Figure 3. Modeling and verification results based on multispectral spatial domain features

下载: 全尺寸图片幻灯片

基于表7评价3种模型的预测精度，并与传统MLR模型进行对比，XGBoost模型检验精度最高，R²为0.747，MAE和RMSE分别为3.821和4.860。RF模型的检验精度略低于XGBoost模型，R²达到0.733。因此，XGBoost模型可作为基于多光谱空域特征预测坡垒SPAD值的优选模型。

2.3.2 多光谱频域特征模型构建

以筛选得到的9个多光谱频域特征为解释变量构建坡垒SPAD值预测模型。模型的建模与检验的精度评价见表8。在建模后对参数回归模型进行F检验，MLR和PLSR模型的P值分别为4.64 × 10⁻⁵和9.35 × 10⁻¹⁰，回归方程显著。模型建模和检验的具体结果如图4所示。

表 8 基于多光谱频域特征的预测模型评价

Table 8. Evaluation of prediction model based on multispectral frequency domain features

模型 Model	建模 Modeling			检验 Testing
模型 Model	R²	MAE	RMSE	R²	MAE	RMSE
MLR	0.369	5.990	7.092	0.402	0.424	7.470
PLSR	0.369	5.900	7.092	0.403	6.321	7.467
RF	0.866	2.696	3.274	0.412	6.035	7.409
XGBoost	0.968	1.169	1.609	0.405	5.586	7.455

下载: 导出CSV

| 显示表格

图 4 基于多光谱频域特征的建模和检验结果

Figure 4. Modeling and verification results based on multispectral frequency domain features

下载: 全尺寸图片幻灯片

基于表8评价3种模型的预测精度，并与MLR模型进行对比，在模型检验中，MLR、PLSR、RF和XGBoost模型的检验效果十分接近，其中RF模型的检验R²略高，为0.412，MAE和RMSE分别为6.035和7.409。因此RF模型可作为基于多光谱频域特征预测坡垒SPAD值的优选模型。此外，相较于多光谱空域特征模型，基于MLR、PLSR、RF、XGBoost算法的融合特征模型的精度均降低了。因此，虽然多光谱频域特征对坡垒SPAD值具有一定的解释能力，但多光谱空域特征相较于频域特征，在对坡垒SPAD值的预测方面仍具有显著优势。

2.3.3 多光谱融合特征模型构建

将筛选得到的9个多光谱空域特征和9个频域特征共同作为解释变量，构建坡垒SPAD值预测模型。模型的建模与检验的精度评价见表9。在建模后对参数回归模型进行F检验，MLR和PLSR模型的P值分别为5.83 × 10⁻¹¹和2.21 × 10⁻¹⁵，回归方程显著。模型建模和检验的具体结果如图5所示。

表 9 基于多光谱融合特征的预测模型评价

Table 9. Evaluation of prediction model based on multispectral fusion features

模型 Model	建模 Modeling			检验 Testing
模型 Model	R²	MAE	RMSE	R²	MAE	RMSE
MLR	0.700	3.806	4.894	0.537	5.074	6.576
PLSR	0.699	3.813	4.898	0.594	4.899	6.159
RF	0.947	1.552	2.056	0.791	3.431	4.414
XGBoost	0.984	0.822	1.126	0.769	3.86	4.641

下载: 导出CSV

| 显示表格

图 5 基于多光谱融合特征的建模和检验结果

Figure 5. Modeling and verification results based on multispectral fusion features

下载: 全尺寸图片幻灯片

基于表9评价3种模型的预测精度，并与MLR模型进行对比，RF和XGBoost模型依然获得了更优的检验效果，其中RF模型检验精度最高，R²为0.791，MAE和RMSE为3.431和4.414。XGBoost模型的检验精度略低于RF模型，R²为0.769，PLSR检验精度最低，R²为0.594。因此，RF模型可作为基于多光谱融合特征预测坡垒SPAD值的优选模型。

相较于单空域或单频域特征模型，基于RF、XGBoost算法的融合特征模型的精度均获得了提高。以优选模型RF模型为例，融合特征模型较多光谱空域特征模型的R²提高了7.9%，MAE和RMSE分别降低了14.3%和11.7%，较多光谱频域特征模型的R²提高了92.0%，MAE和RMSE分别降低了43.1%和40.4%。

3. 讨　　论

植被指数、纹理特征可以在一定程度上反映植物的生长状况和冠层形态差异等。频域特征则能挖掘图像中的微动信息，从而与植物生长生理状态产生联系。叶绿素含量的变化能够引起叶片颜色变化，在图像的光谱、纹理和频域信息上也有所体现^[4,8]。根据相关性分析可以确定相对叶绿素含量预测的优选图像特征，在一项研究中，绿色归一化差分指数被认为是红树林叶绿素含量最好的监测指标^[27]。而在本研究中，MCARI对幼龄坡垒SPAD值的变化具有最高解释能力，相关性最高。因此，若使用单图像特征反映幼龄坡垒相对叶绿素含量，MCARI可作为优选指标。这与前人研究结果不同，是由于不同植物间的生理特征差异会导致图像特征适用性的差异。此外，本研究选取的图像特征有限，因此在未来仍需引入或构建其他指数，探索能够有效反映幼龄坡垒相对叶绿素含量的最佳指标。

在基于多光谱空频域特征建模的对比分析中，空域特征表现了优于频域特征的性能，大量频域指数也均表现了与SPAD值的显著相关性，这与Zhuo等^[8]的研究结果（频域指数的表现优于纯光谱指数）存在差异，但也存在一致性，即融合特征对SPAD值的预测精度优于单类特征，证明了频域指数在预测幼龄坡垒SPAD值方面的巨大潜力，也表明了频域特征引入的必要性和可行性。此外，本研究还对比了傅里叶变换、小波变换和里斯变换3种方式下的频域特征的性能，结果表明小波特征和里斯特征的性能要优于傅里叶变换特征，这与此前Yang等^[7]应用小波特征反演叶绿素含量的研究结果具有一致性，证明了小波特征的应用潜力。但此前研究未能考虑到里斯特征对植物相对叶绿素含量变化的解释能力，因此本研究对引入的3种频域特征进行对比分析具有一定的现实意义。此外，在未来的研究中还可进一步挖掘不同图像频域信息对植物相对叶绿素含量预测的应用潜力。

此外，在以往的研究中，传统的参数模型算法^[28]和近年来发展迅速的机器学习算法^[29]都已被应用于植物养分含量或生长特征的图像预测。本研究比较了传统模型（PLSR）和机器学习模型（RF和XGBoost）的性能，证明了在预测幼龄坡垒SPAD值方面，RF和XGBoost模型能够获得比PLSR更强的拟合效果。值得注意的是，虽然RF和XGBoost模型采用不同方式来避免过拟合^[26,30]，但由于参数复杂，过拟合问题依然容易产生。在本研究中，采用了早停法确定优选参数以避免过拟合现象，研究结果表明虽然在空域特征和融合特征模型中，RF和XGBoost均获得了良好的检验精度，但依然与建模精度存在明显差异，仍存在一定的过拟合现象。因此，在未来的研究中，将考虑引入更多的智能参数寻优方法，以探索更优的避免过拟合的参数确定方法。

4. 结　　论

基于幼龄坡垒的SPAD值与相应的多光谱图像特征的相关性分析结果，多光谱空域特征较频域特征对坡垒SPAD值的变化更为敏感，但二者均表现了对坡垒相对叶绿素含量预测的应用潜力。其中MCARI可作为基于单图像特征预测坡垒SPAD值的优选特征，相关性最强，达到−0.780。而在3种频域变换方法中，基于对相关性分析和显著性筛选结果，小波变换为优选多光谱图像频域变换方法，其次为里斯变换，傅里叶特征表现较差。

此外，基于不同特征不同算法下的幼龄坡垒SPAD值预测模型的评价对比结果，引入多光谱频域特征可以有效提高坡垒SPAD值预测精度，具体不同输入特征下的模型预测精度排序为单频域特征模型 < 单空域特征模型 < 融合特征模型。而在不同算法下的多光谱空、频、融合特征模型中，XGBoost模型精度与RF模型精度相近，XGBoost和RF算法为多光谱图像特征预测幼龄坡垒SPAD值的优选建模方法。

图 1 不同林分条件NAIC的差异比较

NAIC. 空气负离子浓度；*表示在0.05水平上差异显著；**表示在0.01水平上差异显著；***表示在0.001水平上差异显著； ns表示没有显著性差异。NAIC is negative air ion concentration, * means significant difference at 0.05 level, **means significant difference at 0.01 level, *** means significant difference at 0.001 level, and ns means no significant difference.

Figure 1. Difference comparison of NAIC under different stand conditions

下载: 全尺寸图片幻灯片

图 2 不同地理空间城市森林NAIC的季节比较

EF. 远郊城市森林；SF. 近郊城市森林；DF. 城区城市森林；UCG. 城区对照组。下同。不同小写字母表示同一地理空间内不同季节间差异显著。EF, exurban forest; SF, suburban forest; DF, downtown forest; UCG, urban control group. The same below. Different lowercase letters indicate significant differences between seasons in the same geographical space.

Figure 2. Seasonal comparison of NAIC of urban forest in different geographical spaces

下载: 全尺寸图片幻灯片

图 3 不同季节城市森林NAIC的地理空间比较

不同小写字母表示同一季节内不同地理空间差异显著。Different lowercase letters indicate significant differences between geographical spaces in the same season.

Figure 3. Geospatial comparison of NAIC of urban forest in different seasons

下载: 全尺寸图片幻灯片

表 1 不同地理空间城市森林的研究样地概况

Table 1 Overview of study sites of urban forest in different geographical spaces

城市森林类型 Urban forest type	研究地 Study site	所选样地的林分类型 Stand type of selected sample plot	海拔 Altitude/m	面积/hm² Area/ha	郁闭度 Canopy density	林龄/a Stand age/year	样点数量 Sample point number
远郊城市森林 Exurban forest	石门国家森林公园 Shimen National Forest Park	阔叶混交林 Broadleaved mixed forest	820	65.0	0.9	≥ 100	4
		毛竹林 Phyllostachys edulis forest	810	19.3	0.8	≥ 30	4
		枫香林 Liquidambar formosana forest	450	15.6	0.6	≥ 20	3
		杉木林 Cunninghamia lanceolata forest	350	17.9	0.7	≥ 30	3
		枫香杉木混交林 Liquidambar formosana and Cunninghamia lanceolata mixed forest	290	25.6	0.5	≥ 20	3
近郊城市森林 Suburban forest	广东省龙眼洞林场 Guangdong Longyandong Forest Farm	红锥林1 Castanopsis hystrix forest 1	259	35.6	0.8	≥ 30	3
		红锥林2 Castanopsis hystrix forest 2	286	27.8	0.6	≥ 20	3
		木荷林1 Schima superba forest 1	320	14.3	0.7	≥ 20	3
		木荷林2 Schima superba forest 2	415	15.1	0.6	≥ 20	3
城区城市森林 Downtown forest	长岗山自然保护区 Changgangshan Nature Reserve	针阔混交林 Coniferous and broadleaved mixed forest	40 ~ 50	15.0	0.7	≥ 25	3
城区对照组 Urban control group	五山街道 Wushan Street		40	5.0 ~ 6.0			3

下载: 导出CSV

表 2 不同林分类型的划分

Table 2 Division of different stand types

林分类型 Stand type	天然林 Natural forest	人工林 Plantation
林分类型 Stand type	天然林 Natural forest	混交林 Mixed forest	纯林 Pure forest	成熟林 Mature forest	中龄林 Middle-aged forest	高郁闭度林 High canopy density forest	中郁闭度林 Middle canopy density forest
阔叶混交林 Broadleaved mixed forest	√
毛竹林 Phyllostachys edulis forest			√	√		√
枫香林 Liquidambar formosana forest			√		√		√
杉木林 Cunninghamia lanceolata forest			√	√		√
枫香杉木混交林 Liquidambar formosana and Cunninghamia lanceolata mixed forest		√			√		√
红锥林1 Castanopsis hystrix forest 1			√	√		√
红锥林2 Castanopsis hystrix forest 2			√		√		√
木荷林1 Schima superba forest 1			√		√	√
木荷林2 Schima superba forest 2			√		√		√
针阔混交林 Coniferous and broadleaved mixed forest		√		√		√

下载: 导出CSV

表 3 不同地理空间城市森林的环境因子

Table 3 Environmental factors of urban forest in different geographical spaces

环境因子 Environmental factor	远郊城市森林 Exurban forest	近郊城市森林 Suburban forest	城区城市森林 Downtown forest	城区对照组 Urban control group
空气含氧量 Air oxygen content/%	21.17 ± 0.38 a	21.13 ± 0.30 ab	21.10 ± 0.16 b	20.98 ± 0.12 c
温度 Temperature/℃	23.41 ± 4.41 c	24.20 ± 5.12 c	27.51 ± 6.21 b	28.76 ± 6.54 a
相对湿度 Relative humidity/%	79.72 ± 12.03 a	77.06 ± 11.26 b	72.42 ± 11.99 c	64.51 ± 12.82 d
风速 Wind speed/(m·s⁻¹)	0.93 ± 0.77 c	2.05 ± 1.64 a	0.83 ± 0.72 c	1.22 ± 0.66 b
注：不同小写字母表示不同地理空间城市森林的环境因子差异显著（p < 0.05）。Note: different lowercase letters indicate significant differences between environmental factors of urban forest in different geographical spaces (p < 0.05).

下载: 导出CSV

表 4 不同地理空间城市森林NAIC与环境因子的相关性分析

Table 4 Correlation analysis of NAIC and environmental factors of urban forest in different geographical spaces

相关关系 Correlation	分析 Analysis	远郊城市森林 Exurban forest	近郊城市森林 Suburban forest	城区城市森林 Downtown forest	城区对照组 Urban control group
NAIC与空气含氧量 NAIC and air oxygen content	Pearson相关性 Pearson correlation	0.147^**	0.687^**	−0.333^**	−0.466^**
	显著性 Significance	0.000	0.000	0.000	0.000
	样本量 Sample capacity	567	378	198	198
NAIC与温度 NAIC and temperature	Pearson相关性 Pearson correlation	0.155^**	0.633^**	−0.413^**	−0.671^**
	显著性 Significance	0.000	0.000	0.000	0.000
	样本量 Sample capacity	567	378	198	198
NAIC与相对湿度 NAIC and relative humidity	Pearson相关性 Pearson correlation	0.352^**	0.314^**	0.089	0.075
	显著性 Significance	0.000	0.000	0.214	0.295
	样本量 Sample capacity	567	378	198	198
NAIC与风速 NAIC and wind speed	Pearson相关性 Pearson correlation	0.130^**	−0.247^**	0.000	0.081
	显著性 Significance	0.002	0.000	0.998	0.256
	样本量Sample capacity	567	378	198	198

下载: 导出CSV

表 5 不同地理空间城市森林NAIC与环境因子的多元逐步回归分析

Table 5 Multiple stepwise regression analysis of NAIC and environmental factors of urban forest in different geographical spaces

城市森林类型 Urban forest type	模型 Model		B	SE	β	t	Sig.	R²
远郊城市森林 Exurban forest	1	常量 Constant	−952.071	415.033		−2.294	0.022	0.124
	1	相对湿度 Relative humidity	45.973	5.148	0.352	8.930	0.000	0.124
	2	常量 Constant	−2275.262	524.169		−4.341	0.000	0.148
		相对湿度 Relative humidity	46.119	5.080	0.353	9.079	0.000
		温度 Temperature	56.038	13.857	0.157	4.044	0.000
近郊城市森林 Suburban forest	1	常量 Constant	−42884.544	2455.112		−17.467	0.000	0.472
	1	空气含氧量 Air oxygen content	2131.428	116.194	0.687	18.344	0.000	0.472
	2	常量 Constant	−41317.185	2428.410		−17.014	0.000	0.497
		空气含氧量 Air oxygen content	2065.834	114.645	0.666	18.019	0.000
		风速 Wind speed	−88.698	20.747	−0.158	−4.275	0.000
	3	常量 Constant	−31785.841	3790.366		−8.386	0.000	0.511
		空气含氧量 Air oxygen content	1572.754	189.409	0.507	8.303	0.000
		风速 Wind speed	−81.148	20.619	−0.145	−3.936	0.000
		温度 Temperature	35.981	11.081	0.200	3.247	0.001
城区城市森林 Downtown forest	1	常量 Constant	1597.024	75.315		21.205	0.000	0.171
城区城市森林 Downtown forest	1	温度 Temperature	−16.978	2.671	−0.413	−6.357	0.000	0.171
城区对照组 Urban control group	1	常量 Constant	1009.273	38.705		26.076	0.000	0.450
城区对照组 Urban control group	1	温度 Temperature	−16.620	1.313	−0.671	−12.662	0.000	0.450

下载: 导出CSV

参考文献(40)

[1]	邵海荣, 贺庆棠. 森林与空气负离子[J]. 世界林业研究, 2000, 13(5): 19−23. Shao H R, He Q T. Forest and air anion[J]. World Forestry Research, 2000, 13(5): 19−23.
[2]	吴楚材, 郑群明, 钟林生. 森林游憩区空气负离子水平的研究[J]. 林业科学, 2001, 37(5): 75−81. Wu C C, Zheng Q M, Zhong L S. A study of aero-anion concentration in forest recreation area[J]. Scientia Silvae Sinicae, 2001, 37(5): 75−81.
[3]	冯鹏飞, 于新文, 张旭. 北京地区不同植被类型空气负离子浓度及其影响因素分析[J]. 生态环境学报, 2015, 24(5): 818−824. Feng P F, Yu X W, Zhang X. Variations in negative air ion concentrations associated with different vegetation types and influencing factors in Beijing[J]. Ecology and Environmental Sciences, 2015, 24(5): 818−824.
[4]	古琳. 无锡惠山三种游憩林生态保健功能研究[D]. 北京: 中国林业科学研究院, 2013. Gu L. Ecological health effects of three recreational forests in Hui Mountain of Wuxi City, Jiangsu Province, Southern China[D]. Beijing: Chinese Academy of Forestry, 2013.
[5]	文野. 赣北山地森林康养要素时空动态与康养功能研究[D]. 南昌: 江西农业大学, 2020. Wen Y. Research on spatio-temporal dynamics of forest convalescence factors and convalescent functions in Northern Jiangxi Province[D]. Nanchang: Jiangxi Agricultural University, 2020.
[6]	Jun N, Qiong X, Dengrong S, et al. Research on relation between air anions and environment in Shanghai City[J]. Chinese Forestry Science and Technology, 2004, 3(3): 84−89.
[7]	Li Y, Guo X, Wang T, et al. Characteristics of atmospheric small ions and their application to assessment of air quality in a typical semi-arid city of Northwest China[J]. Aerosol and Air Quality Research, 2015, 15(3): 865−874. doi: 10.4209/aaqr.2014.06.0123
[8]	谭东, 张样盛, 杨娟. 茶山竹海负氧离子浓度分布状况及变化规律初探[J]. 三峡环境与生态, 2010, 32(3): 26−28. Tan D, Zhang Y S, Yang J. A primary exploration on distribution and the variation of negative oxygen ion concentration in Chashanzhuhai[J]. Environment and Ecology in the Three Gorges, 2010, 32(3): 26−28.
[9]	Luo L, Sun W, Han Y, et al. Importance evaluation based on random forest algorithms: insights into the relationship between negative air ions variability and environmental factors in urban green spaces[J]. Atmosphere, 2020, 11(7): 706. doi: 10.3390/atmos11070706
[10]	Miao S, Zhang X, Han Y, et al. Random forest algorithm for the relationship between negative air ions and environmental factors in an urban park[J]. Atmosphere, 2018, 9(12): 463. doi: 10.3390/atmos9120463
[11]	韦朝领, 王敬涛, 蒋跃林, 等. 合肥市不同生态功能区空气负离子浓度分布特征及其与气象因子的关系[J]. 应用生态学报, 2006, 17(11): 2158−2162. Wei C L, Wang J T, Jiang Y L, et al. Air negative charge ion concentration and its relationships with meteorological factors in different ecological functional zones of Hefei City[J]. Chinese Journal Applied Ecology, 2006, 17(11): 2158−2162.
[12]	李江荣, 高郯, 陈康, 等. 藏东南急尖长苞冷杉林空气负离子浓度特征及其与气象因子的关系[J]. 东北林业大学学报, 2021, 49(10): 77−82. Li J R, Gao T, Chen K, et al. Characteristics of negative air ion concentration and its relationships with meteorological factors in Abies georgei var. smithii forest of Southeast Tibet[J]. Journal of Northeast Forestry University, 2021, 49(10): 77−82.
[13]	Retalis A, Nastos P, Retalis D. Study of small ions concentration in the air above Athens, Greece[J]. Atmospheric Research, 2009, 91(2−4): 219−228. doi: 10.1016/j.atmosres.2008.05.011
[14]	李哲. 对不同林分中空气负氧离子含量变化规律的研究[D]. 长沙: 中南林业科技大学, 2017. Li Z. The study on the variation of air negative oxygen ion content in different forest parts[D]. Changsha: Central South University of Forestry & Technology, 2017.
[15]	朱舒欣, 何双玉, 胡菲菲, 等. 石门国家森林公园夏季不同林分保健功能综合评价[J]. 北京林业大学学报, 2021, 43(6): 60−74. doi: 10.12171/j.1000-1522.20200343 Zhu S X, He S Y, Hu F F, et al. Comprehensive evaluation of healthcare functions among different stands in Shimen National Forest Park of southern China in summer[J]. Journal of Beijing Forestry University, 2021, 43(6): 60−74. doi: 10.12171/j.1000-1522.20200343
[16]	王锋, 陈倩倩, 余斐, 等. 不同海拔和造林密度对红锥人工林生长的影响[J]. 广东林业科技, 2015, 31(3): 57−61. Wang F, Chen Q Q, Yu F, et al. Effects of different altitude and density on growth of effects of different altitude and density on growth of Castanopsis hystrix plantation[J]. Guangdong Forestry Science and Technology, 2015, 31(3): 57−61.
[17]	佟富春, 肖以华. 广州长岗山森林土壤线虫的群落结构特征[J]. 林业科学, 2014, 50(2): 111−120. Tong F C, Xiao Y H. Community structure of soil nematodes in Changgangshan Natural Reserve of Guangzhou[J]. Scientia Silvae Sinicae, 2014, 50(2): 111−120.
[18]	刘世荣, 马姜明, 缪宁. 中国天然林保护、生态恢复与可持续经营的理论与技术[J]. 生态学报, 2015, 35(1): 212−218. Liu S R, Ma J M, Miao N. Achievements in natural forest protection, ecological restoration, and sustainable management in China[J]. Acta Ecologica Sinica, 2015, 35(1): 212−218.
[19]	王一荃, 周璋, 李意德, 等. 不同热带森林空气负离子浓度评价研究[J]. 生态环境学报, 2021, 30(5): 898−906. Wang Y Q, Zhou Z, Li Y D, et al. The spatial-temporal pattern and influencing factors of negative air ions in tropical forests, Hainan, China[J]. Ecology and Environmental Sciences, 2021, 30(5): 898−906.
[20]	刘新, 吴林豪, 张浩, 等. 城市绿地植物群落空气负离子浓度及影响要素研究[J]. 复旦学报(自然科学版), 2011, 50 (2): 206−212. Liu X, Wu L H, Zhang H, et al. Study on the concentration of negative air ions and the influential factors in different urban plant communities[J]. Journal of Fudan University (Natural Science), 2011, 50 (2): 206−212.
[21]	佘思玥, 魏家星, 王楠琪, 等. 南京市不同纯林群落结构参数与夏季降温增湿效应关系研究[J]. 广西植物, 2018, 38(3): 361−369. doi: 10.11931/guihaia.gxzw201707024 She S Y, Wei J X, Wang N Q, et al. Correlation between community structure parameters of pure forests and temperature reduction and humidity increase in summer[J]. Guihaia, 2018, 38(3): 361−369. doi: 10.11931/guihaia.gxzw201707024
[22]	杜万光, 王成, 王茜, 等. 北京香山公园主要植被类型的夏季环境效应评价[J]. 林业科学, 2018, 54(4): 155−164. Du W G, Wang C, Wang Q, et al. Evaluation of summer environmental effects of the main vegetation types in Beijing Fragrant Hills Park[J]. Scientia Silvae Sinicae, 2018, 54(4): 155−164.
[23]	郑诗禹, 张绿水, 郭晓敏, 等. 不同森林郁闭度环境内空气负氧离子的时空变化及环境影响要素研究: 以广州帽峰山为例[J]. 生态环境学报, 2021, 30(11): 2204−2212. Zheng S Y, Zhang L S, Guo X M, et al. Spatial and temporal variations of negative oxygen ions in the air and environmental influencing factors in forest environment with different canopy densities: a case study of Maofeng Mountain in Guangzhou[J]. Ecology and Environmental Sciences, 2021, 30(11): 2204−2212.
[24]	刘双芳, 张维康, 韩静波, 等. 不同植被结构对空气质量的调控功能[J]. 生态环境学报, 2020, 29 (8): 1602−1609. Liu S F, Zhang W K, Han J B, et al. Regulation of air quality by different vegetation structures in a green space[J]. Ecology and Environmental Sciences, 2020, 29(8): 1602−1609.
[25]	毛成忠, 于乃莲, 杜佳乐, 等. 典型城市区与森林区空气负氧离子特征比较分析[J]. 气象科技, 2014, 42(6): 1083−1089. Mao C Z, Yu N L, Du J L, et al. Characteristics comparison of negative oxygen ions between typical urban and forest areas[J]. Meteorological Science and Technology, 2014, 42(6): 1083−1089.
[26]	邵海荣, 贺庆棠, 阎海平, 等. 北京地区空气负离子浓度时空变化特征的研究[J]. 北京林业大学学报, 2005, 27(3): 35−39. Shao H R, He Q T, Yan H P, et al. Spatio-temporal changes of negative air ion concentrations in Beijing[J]. Journal of Beijing Forestry University, 2005, 27(3): 35−39.
[27]	赵怡宁, 史常青, 许荡飞, 等. 崇礼区典型林分空气负离子浓度及影响因素[J]. 林业科学研究, 2018, 31(3): 127−135. Zhao Y N, Shi C Q, Xu D F, et al. Variations in negative air ion concentrations associated with different vegetation types and influencing factors in Chongli District[J]. Forest Research, 2018, 31(3): 127−135.
[28]	张万超, 郑俊鸣, 丁旭玲, 等. 3种仙人掌科植物负离子释放量与释放通道的相关性研究[J]. 热带作物学报, 2016, 37(7): 1298−1305. Zhang W C, Zheng J M, Ding X L, et al. Correlation between the negative air ions released by 3 species in Cactaceae and the releasing passage[J]. Chinese Journal of Tropical Crops, 2016, 37(7): 1298−1305.
[29]	Zhang J, Rong Y, Yin Q, et al. Spatiotemporal variation and influencing factors of TSP and anions in coastal atmosphere of Zhanjiang City, China[J]. International Journal of Environmental Research and Public Health, 2022, 19(4): 2030. doi: 10.3390/ijerph19042030
[30]	Wang Y, Ni Z, Wu D, et al. Factors influencing the concentration of negative air ions during the year in forests and urban green spaces of the Dapeng Peninsula in Shenzhen, China[J]. Journal of Forestry Research, 2020, 31(6): 2537−2547. doi: 10.1007/s11676-019-01047-z
[31]	齐冰, 杜荣光, 邵碧嘉. 杭州市空气负离子变化特征分析[J]. 气象与减灾研究, 2011, 34(4): 68−71. doi: 10.3969/j.issn.1007-9033.2011.04.011 Qi B, Du R G, Shao B J. Characteristics of anion variation in Hangzhou[J]. Meteorology and Disaster Reduction Research, 2011, 34(4): 68−71. doi: 10.3969/j.issn.1007-9033.2011.04.011
[32]	黎勋, 魏建军, 王玮. 广西负氧离子浓度的变化特征分析[J]. 气象研究与应用, 2019, 40(3): 98−101. Li X, Wei J J, Wang W. Preliminary study on the variation characteristics of negative oxygen ion concentration in Guangxi[J]. Journal of Meteorological Research and Application, 2019, 40(3): 98−101.
[33]	徐猛, 陈步峰, 粟娟, 等. 广州帽峰山林区空气负离子动态及与环境因子的关系[J]. 生态环境, 2008, 17(5): 1891−1897. Xu M, Chen B F, Su J, et al. Dynamic of negative air ions and its relationship to environmental factors in Maofeng Mountain, Guangzhou[J]. Ecology and Environment, 2008, 17(5): 1891−1897.
[34]	王艳英, 王成, 董建文, 等. 福州旗山常绿阔叶混交林空气含氧量日变化特征[J]. 中国城市林业, 2014, 12(4): 6−9. Wang Y Y, Wang C, Dong J W, et al. Diurnal oxygen concentration changes in mixed evergreen broad-leaved forest at Qishan, Fuzhou[J]. Journal of Chinese Urban Forestry, 2014, 12(4): 6−9.
[35]	马荣, 王志高, 黄玉洁, 等. 午潮山国家森林公园秋季空气负离子浓度及影响因素[J]. 森林与环境学报, 2021, 41(1): 26−34. Ma R, Wang Z G, Huang Y J, et al. Spatio-temporal pattern of air anion concentrations and their influencing factors in autumn of Wuchaoshan National Forest Park[J]. Journal of Forest and Environment, 2021, 41(1): 26−34.
[36]	Cui Y, Zhao Y Z, Zhang N, et al. An inversion model for estimating the negative air ion concentration using MODIS images of the Daxing’anling region[J]. PLoS One, 2020, 15(11): e242554.
[37]	王波, 闫晓云, 侯秀娟, 等. 夏季干旱半干旱城市公园不同植被配置环境效应评价研究[J]. 西北林学院学报, 2022, 37(2): 248−255. Wang B, Yan X Y, Hou X J, et al. Evaluation of the environmental effects of different vegetation configurations in arid and semi-arid urban parks in summer[J]. Journal of Northwest Forestry University, 2022, 37(2): 248−255.
[38]	Shi G, Zhou Y, Sang Y, et al. Modeling the response of negative air ions to environmental factors using multiple linear regression and random forest[J]. Ecological Informatics, 2021, 66: 101464. doi: 10.1016/j.ecoinf.2021.101464
[39]	侯秀娟, 闫晓云, 王波, 等. 夏季干旱半干旱城市公园绿地空气负离子与空气颗粒物变化特征[J]. 南京林业大学学报(自然科学版), 2022, 46(4): 212−220. Hou X J, Yan X Y, Wang B, et al. Variation characteristics of air anion and air particulate matter in arid and semi-arid urban park green space in summer[J]. Journal of Nanjing Forestry University (Natural Sciences Edition), 2022, 46(4): 212−220.
[40]	杨畅, 王月容, 汤志颖, 等. 不同群落结构风景游憩林生态保健效应研究: 以北京西山国家森林公园为例[J]. 生态学报, 2022, 42(16): 1−15. Yang C, Wang Y R, Tang Z Y, et al. Ecological health care effects of scenic recreational forests with different community structures: a case study of Beijing Xishan National Forest Park[J]. Acta Ecologica Sinica, 2022, 42(16): 1−15.

施引文献(29)

期刊类型引用(14)

1.	魏广阔，闫升，赵廷宁，杨建英，贾志刚，李瑞鹏. 不同植被类型对河北张宣矿区铁尾矿土壤物理性质影响及评价. 中国水土保持科学(中英文). 2025(01): 159-167 . 百度学术
2.	珊丹，崔崴，邢恩德，杨凌云. 矿山废弃地植被恢复对土壤养分的影响与评价. 山西农业大学学报(自然科学版). 2024(01): 101-110 . 百度学术
3.	周欣. 基于最小数据集的祁连山青海云杉森林土壤质量评价. 农业灾害研究. 2024(08): 270-272 . 百度学术
4.	俞琦，胡劭骥，申欣凯，曲来叶. 基于CNKI文献分析下不同生态系统土壤质量评价研究. 安徽农学通报. 2023(04): 104-113 . 百度学术
5.	张垚，白秀梅，郭汉清，杨秀清，亢晨波，刘洋，马文硕. 基于最小数据集的关帝山典型植被类型土壤质量评价. 山西农业科学. 2022(05): 675-681 . 百度学术
6.	珊丹，郭建英，荣浩，王小莉，张铁钢，邢恩德，吴旭南. 施肥对干旱半干旱草原区金属矿山尾矿库土壤质量的影响及其评价. 安全与环境工程. 2022(03): 208-217 . 百度学术
7.	张垚，白秀梅，郭汉清，亢晨波. 基于最小数据集的矿区复垦土壤质量分析. 山西农业科学. 2022(07): 1021-1029 . 百度学术
8.	袁运许，许永利，刘硕，马百衡，冀广，宋建伟，李小光. 河北省主要铁矿迹地复垦区土壤肥力现状调查分析. 有色金属(矿山部分). 2022(06): 55-63 . 百度学术
9.	安如意，王辉，李晟洲，田鹏飞，吴浩，刘祥宏. “双碳”背景下铁尾矿库生态修复技术方向与策略. 有色金属(矿山部分). 2022(06): 82-91 . 百度学术
10.	李玲，王珂，王秀丽，路婕，黎鹏，张少然. 矿区复垦土壤研究进展. 河南农业大学学报. 2021(01): 8-14 . 百度学术
11.	辛未冬，刘华煜，杨轶萌，赵浩志. 复垦对煤矸石山地表节肢动物群落特征的影响. 生态学杂志. 2021(07): 2213-2222 . 百度学术
12.	苏学武，张绍良，侯湖平，杨永均，唐立羽，张统，顾春芬，纵博. 基于连通性分析的采煤塌陷地复垦利用潜力评价. 中国矿业. 2021(11): 42-49 . 百度学术
13.	刘文博，姚华彦，王静峰，陈传明，刘玉亭. 铁尾矿资源化综合利用现状. 材料导报. 2020(Z1): 268-270 . 百度学术
14.	刘文博，姚华彦，王静峰，陈传明，刘玉亭. 铁尾矿资源化综合利用现状. 材料导报. 2020(S1): 268-270 . 百度学术

其他类型引用(15)

资源附件(0)

图(3) / 表(5)

计量

文章访问数: 505
HTML全文浏览量: 94
PDF下载量: 59
被引次数: 29

1. 材料与方法
1.1 数据获取
1.2 多光谱图像处理
1.2.1 图像去噪
1.2.2 图像分割
1.2.3 图像空域特征提取
1.2.4 图像频域特征提取
1.3 特征筛选与建模方法
1.3.1 特征筛选
1.3.2 建模方法
1.3.3 模型检验
2. 结果与分析
2.1 坡垒冠层多光谱图像分割
2.2 多光谱图像特征筛选
2.2.1 图像特征描述统计及其相关性分析
2.2.2 图像特征Lasso筛选
2.3 坡垒相对叶绿素含量预测模型
2.3.1 多光谱空域特征模型构建
2.3.2 多光谱频域特征模型构建
2.3.3 多光谱融合特征模型构建
3. 讨　　论
4. 结　　论

1. 材料与方法
1.1 数据获取
1.2 多光谱图像处理
1.2.1 图像去噪
1.2.2 图像分割
1.2.3 图像空域特征提取
1.2.4 图像频域特征提取
1.3 特征筛选与建模方法
1.3.1 特征筛选
1.3.2 建模方法
1.3.3 模型检验
2. 结果与分析
2.1 坡垒冠层多光谱图像分割
2.2 多光谱图像特征筛选
2.2.1 图像特征描述统计及其相关性分析
2.2.2 图像特征Lasso筛选
2.3 坡垒相对叶绿素含量预测模型
2.3.1 多光谱空域特征模型构建
2.3.2 多光谱频域特征模型构建
2.3.3 多光谱融合特征模型构建
3. 讨　　论
4. 结　　论

参考文献(40)

施引文献(29)

资源附件(0)

不同地理空间城市森林空气负离子浓度及其影响因素研究

作者简介: 朱舒欣，博士。主要研究方向：森林康养。Email：2450315979@qq.com 地址：100083北京市海淀区清华东路35号北京林业大学生态与自然保护学院

责任作者: 李吉跃，教授，博士生导师。主要研究方向：森林康养。Email：564857527@qq.com 地址：510642广东省广州市天河区五山街道483号华南农业大学林学与风景园林学院。

计量

出版历程

Negative air ion concentration and its influencing factors of urban forest in different geographical spaces

1. 材料与方法

1.1 数据获取

1.2 多光谱图像处理

1.2.1 图像去噪

1.2.2 图像分割

1.2.3 图像空域特征提取

1.2.4 图像频域特征提取

1.3 特征筛选与建模方法

1.3.1 特征筛选

1.3.2 建模方法

1.3.3 模型检验

2. 结果与分析

2.1 坡垒冠层多光谱图像分割

2.2 多光谱图像特征筛选

2.2.1 图像特征描述统计及其相关性分析

2.2.2 图像特征Lasso筛选

2.3 坡垒相对叶绿素含量预测模型

2.3.1 多光谱空域特征模型构建

2.3.2 多光谱频域特征模型构建

2.3.3 多光谱融合特征模型构建

3. 讨 论

4. 结 论

期刊类型引用(14)

其他类型引用(15)

计量

出版历程

目录

1. 材料与方法

1.1 数据获取

1.2 多光谱图像处理

1.2.1 图像去噪

1.2.2 图像分割

1.2.3 图像空域特征提取

1.2.4 图像频域特征提取

1.3 特征筛选与建模方法

1.3.1 特征筛选

1.3.2 建模方法

1.3.3 模型检验

2. 结果与分析

2.1 坡垒冠层多光谱图像分割

2.2 多光谱图像特征筛选

2.2.1 图像特征描述统计及其相关性分析

2.2.2 图像特征Lasso筛选

2.3 坡垒相对叶绿素含量预测模型

2.3.1 多光谱空域特征模型构建

2.3.2 多光谱频域特征模型构建

2.3.3 多光谱融合特征模型构建

3. 讨 论

4. 结 论

作者简介:
朱舒欣，博士。主要研究方向：森林康养。Email：2450315979@qq.com　地址：100083北京市海淀区清华东路35号北京林业大学生态与自然保护学院

责任作者:
李吉跃，教授，博士生导师。主要研究方向：森林康养。Email：564857527@qq.com　地址：510642广东省广州市天河区五山街道483号华南农业大学林学与风景园林学院。

3. 讨　　论

4. 结　　论

3. 讨　　论

4. 结　　论