随着工业化和城市化的迅速发展,城市大气污染日趋严重。城市绿化植物能够有效地阻滞空气中的粉尘,改善城市的生态环境质量。目前,植物的滞尘效应已成为筛选城市绿化植物的一个重要指标。如何评估植物的滞尘效应已成为当前研究的重点。高光谱遥感技术为植被滞尘的定量化研究提供了高效、便捷、非破坏性的技术手段。因此,为促进遥感技术在植物滞尘效应中的应用,本文根据叶片表面的特征差异,选择广州市常见绿化植物金叶榕、红花檻木、朱蕉为研究对象,利用高光谱遥感技术,研究滞尘污染下的植物叶片光谱特征,选择适合反演分析的波段,利用Pearson相关性方法以及支持向量机(SVM)、分类与回归树(CART)、随机森林(RF)等三种机器学习算法分别构建植物滞尘效应的光谱估算模型,并通过反演模型的定量精度评价指标,对几种方法进行比较和分析,以探讨适用于模型反演的最优方法。得出结论如下:(1)滞尘量随着时间的增加而增加,但达到饱和之后,滞尘量将不再增加,甚至出现了减少的趋势。三种植物的饱和滞尘量从大到小依次为:朱蕉(2.23 g/m2)>红花繼木(2.21 g/m2)>金叶榕(2.12 g/m2)。(2)可见光与近红外波段(350-1360nm)可以有效地反映叶面滞尘效应的光谱特征,是光谱特征规律研究的重要波段区间,也是反演波段选择的重要区间,且光谱反射率一阶导数比光反射率更适用于模型的反演。(3)RF算法可以有效地对高光谱数据进行降维。对比模型构建的方法可知,机器学习算法明显优于Pearson相关性方法,其中SVM算法和RF算法的模型反演效果最好,具体哪种最优与植被的种类有关。(4)不同的植物种类,用于构建高精度反演模型的波段和方法是不同的,其中红花檻木的反演波段数为150,最优反演方法为RF算法;朱蕉的反演波段数为74,最优反演方法为SVM算法;金叶榕的反演波段数为80,最优反演方法为SVM和RF算法,二者差别不大,均可采用。