СПЕКТРАЛЬНЫЕ ХАРАКТЕРИСТИКИ ВОССТАНОВЛЕННОЙ РАСТИТЕЛЬНОСТИ И АНАЛИЗ ИХ КОРРЕЛЯЦИИ С СОДЕРЖАНИЕМ ХЛОРОФИЛЛА НА ТЕРРИТОРИИ РУДНИКА ПО ДОБЫЧЕ РЕДКОЗЕМЕЛЬНЫХ МЕТАЛЛОВ

Вследствие специальной технологии добычи разработка месторождений редкоземельных элементов изменяет свойства поверхности окружающей почвы и наносит ущерб экосистеме, что приводит к трудностям в экологическом восстановлении растительности. В качестве восстанавливаемой растительности выбраны тунговые деревья, бамбуковая ива и карибская сосна. Сопоставлены их спектральные характеристики в условиях экологического стресса окружающей среды. Путем анализа корреляции между содержанием в них хлорофилла и спектральными параметрами создана теоретическая основа гиперспектрального дистанционного зондирования для мониторинга восстановления растительности после воздействия редкоземельных элементов. Полученные результаты показывают, что коэффициент отражения в полосах видимого диапазона для трех типов растительности <0.15, а в пиках в зеленой области и провалах в красной наблюдаются различные степени “красного смещения”. Проведен корреляционный анализ между содержанием хлорофилла в трех типах растительности и исходными спектрами и спектрами производных. Оптимальная полоса в исходных спектрах сосредоточена вблизи красного провала. Спектры производных первого порядка более дисперсны, чем исходные спектры; сигнал, соответствующий тунговому дереву, сосредоточен на красном крае области, сигнал карибской сосны расположен в ближнем инфракрасном диапазоне, а сигнал бамбуковой ивы находится вблизи зеленого пика и красного края полосы. Эти три типа растительности имеют неcколько одинаковых и несколько различных параметров, чувствительных к хлорофиллу. Среди них REP — максимальный параметр для тунгового дерева, Dr — для карибской сосны, а SDr-SDb/SDb + SDr — для бамбуковой ивы, что может служить ориентиром для построения инверсионных моделей различного содержания хлорофилла в растительности.

1. L. Xia, Geograph. Geo-Inform. Sci., 26, N 5, 37–40 (2010).

2. Hou Huifang, Qiao Xiaoying, Hao Ruijuan, Guo Yiwei, J. Anhui Agric. Sci. Bull., 22, N 11, 16–21 (2016).

3. Yanfang Ming, Lijuan Cheng, Huiyong Yu, Wang Chunxiang, J. Ind. Soc. Remote Sens., 46, N 1, 69–79 (2017).

4. Baodong Ma, Ao Xu, Xuanxuan Zhang, IEEE Int. Geosci. Remote Sens. Symp. (IGARSS) 10–15 (2016).

5. Shichao Cui, Kefa Zhou, J. Earth Sci. Inform., 10, 169–181 (2016).

6. L. Xia, L. Shaofeng, Z. Liquan, J. Sci. Surv. Mapping, 32, N 2, 111–113 (2007).

7. G. Chaofan, Xiaoyu Guo, J. Acta Ecol. Sin., 36, N 20, 6538–6546 (2016).

8. Shi Bingquan, Zhang Xiaoli, Bai Xueqi, Zhang Xinxin, J. Northeast Forestry Univ., 43, N 5, 80–83 (2015).

9. P. Bei, Z. Gengxing, Z. Xicun, Liu Haiteng, Liang Shuang, Tian Dade, J. Spectrosc. Spectr. Anal., 33, N 8, 2203–2206 (2013).

10. L. Qingsan, W. Chuanyi, T. Xiaolei, Xu Jialai, Yang Jutian, Liu Li, Zhu Xianzhi, Zhang Yuqin, Xu Xiuhong, Southwest China J. Agric. Sci., 32, N 2, 333–338 (2017).

11. D. Huaqiang, G. Hongli, F. Wenyi, Jin Wei, Zhou Yufeng, Li Jin, J. Spectrosc. Spectr. Anal., 29, N 11, 30–37 (2009).

12. G. L. Maire, C. François, E. Dufrêne, J. Remote Sens. Environ., 89, N 1, 1–28 (2004).

13. M. A. Cho, A. K. Skidmore, J. Remote Sens. Environ., 101, N 2, 181–193 (2006).

14. G. Rondeaux, M. Steven, F. Baret, J. Remote Sens. Environ., 55, N 2, 95–107 (1996).

15. N. H. Broge, E. Leblanc, J. Remote Sens. Environ., 76, N 2, 156–172 (2001).

16. D. A. Sims, J. A. Gamon, J. Remote Sens. Environ., 81, N 2-3, 337–354 (2002).

17. Y. Fang, C. Donghua, L. Hu, Li Jiangui, Xu Limin, J. Remote Sens. Inform., 31, N 3, 88–93 (2016).

18. Yao Fuqi, Zhang Zhenhua, Yang Runya, Sun Jinwei, Cui Sufang, J. Trans. CSAE, 25, N 2, 123–129 (2009).