引用本文
虞佳维, 程志庆, 张劲松, 王鹤松, 蒋跃林, 杨书运. 高光谱信息的农林植被种类区分. 光谱学与光谱分析, 2018,38(12): 3890-3896
YU Jia-wei, CHENG Zhi-qing, ZHANG Jin-song, WANG He-song, JIANG Yue-lin, YANG Shu-yun. An Approach to Distinguishing Between Species of Trees and Crops Based on Hyperspectral Information. Spectroscopy and Spectral Analysis, 2018,38(12): 3890-3896.  
Doi: 10.3964/j.issn.1000-0593(2018)12-3890-07
Permissions
Copyright©2018, 光谱学与光谱分析
光谱学与光谱分析 所有
高光谱信息的农林植被种类区分
虞佳维1,2, 程志庆1,2,*, 张劲松2, 王鹤松3, 蒋跃林1, 杨书运1
1. 安徽农业大学资源与环境学院, 安徽 合肥 230000
2. 中国林业科学研究院林业研究所, 北京 100091
3. 北京林业大学林学院森林培育与保护教育部重点实验室, 北京 100083
*通讯联系人 e-mail: chengzhiqingl@126.com

作者简介: 虞佳维, 女, 1992年生, 安徽农业大学资源与环境学院硕士研究生 e-mail: yujiawei1948@163.com

收稿日期: 2017-10-10 接受日期: 2018-03-05
基金项目: 国家科技支撑计划课题(2015BAD07B05), 安徽农业大学人才基金项目(yj2016-15), 安徽农业大学研究生创新基金项目(2017yjs-40)资助
摘要

为了能够更加快速、 准确对粮食主产区的作物与树木进行种类区分, 以黄淮海地区三种主要植被(玉米、 小麦和杨树)为研究对象, 获取该三种植被原始反射率光谱, 并对原始光谱进行特征点提取、 一阶微分变换、 二阶微分变换以及植被指数计算四种方法的分析处理, 提取三种植被各自的光谱特征点、 特征波段、 蓝黄红边微分值和、 位置、 振幅以及面积四个特征指标以及植被指数的数值区间。 基于特征值在不同植被种类间数值重叠范围越小区分精度越高的原理, 比较分析植被光谱在不同处理方法下的植被区分精度, 并且最终选取重叠范围最小的特征指标作为区分不同植被的识别指标。 结果显示: 相较于原始光谱特征点提取、 二阶微分变换以及植被指数计算, 一阶微分变换对于玉米、 小麦和杨树的识别分类具有较高的精度, 其中黄边振幅、 黄边面积以及黄边微分值和具有较高的识别精度, 黄边振幅的识别精度达到97.5%, 黄边面积以及黄边微分值识别精度达98.1%, 用另外167组数据对该结果进行验证, 显示黄边振幅的识别精度达96.4%, 黄边面积以及黄边微分值和的识别精度达97.6%。 该结果与用平均光谱曲线区分单种植被不同生长状态选取的特征值结果不同, 这种方法能有效的保留个体光谱反射曲线的差异, 从结果可见通过一阶微分变换提取黄边参数的方法能有效的用于树木和粮食作物共同种植区域的植被区分, 并且黄边面积以及黄边微分值和的识别精度最高。

关键词: 高光谱; 植被区分; 特征波段; 范围
中图分类号:S127 文献标识码:A
An Approach to Distinguishing Between Species of Trees and Crops Based on Hyperspectral Information
YU Jia-wei1,2, CHENG Zhi-qing1,2,*, ZHANG Jin-song2, WANG He-song3, JIANG Yue-lin1, YANG Shu-yun1
1. College of Resources and Environment, Anhui Agricultural University, Hefei 230000, China
2. Research Institute of Forestry, Chinese Academy of Forestry, Beijing 100091, China
3. Key Laboratory of Forest Silviculture and Conservation of Ministry of Education, College of Forestry, Beijing Forestry University, Beijing 100083, China
Abstract

In order to distinguish between the crops and trees in the main grain producing areas more quickly and accurately, maize, wheat and poplar which are the main vegetation planted in the Huang-Huai-Hai Plain are used as the research object. Obtain the original spectral reflectance and calculate the data by using the original spectral feature point extraction, first derivation, second derivation and vegetation index. Extract the range of feature points, characteristic bands obtained by analyzing the original spectral reflectance, position, amplitude, area and differential value sum in blue, red and yellow edges by first derivation, and vegetation index by empirical formulas. Compare the accuracy of four methods in distinguishing between the three vegetable types based on the principle that the smaller the overlapping range is, the higher the accuracy of parameter will be, and choose the most suitable characteristic index as the identify indicator which has the smallest overlap in different vegetation types. The results showed that among the four methods of manipulation spectral data, first derivation had the highest accuracy in identifying corn, wheat and poplar compared with the original spectral feature point extraction, second derivation and vegetation index. Among the indexes obtained by the first derivation, the amplitude, area and differential value sum in yellow edge region had the higher recognition accuracy. The recognition accuracy of the amplitude in yellow edge was up to 97.5%, and the area and differential value sum in yellow edge was up to 98.1%. The results were verified with 167 other sets of data, and the verification results showed that the recognition accuracy of the amplitude in yellow edge was up to 96.4%, and the area and differential value sum in yellow edge was up to 97.6%. The result was different from that result which was obtained by average reflectance curve of spectrum from the single plant in different growth state, and this method could effectively preserve the difference between individual spectral reflectance curves. Thus, it could be seen that extracting the yellow edge parameters through the first derivation was effectively used in distiguishing vegetation where the crops and trees were planted in the same place, and among all the parameters, area and differential value sum in yellow edge had the highest recognition accuracy.

Key words: Hyperspectral; Vegetation differentiation; Characteristic bands; Range
引 言

近年来农林牧业争地的矛盾日益突出, 农业与林业资源的合理配置有利于农产品以及林产品的经济效益提高[1]。 黄淮海地区是小麦、 玉米以及杨树大面积种植区域, 合理配置农业与林业资源, 对提高土地利用率, 实现精准农业高效估产、 经营管理至关重要。 在植被分类方法上, 早期主要是利用人工进行实地调查, 这种方法费时费力。 近年来随着遥感技术的不断发展, 中、 高空间分辨率卫星影像被广泛的运用到植被区分中, 但是多光谱数据光谱波段宽、 分辨率较低, 对不同种类的植被不能做到精确区分[2]。 高光谱遥感技术具有光谱响应范围广、 分辨率高的特点以及蕴含着近似连续的地物信息, 这为植被的精准区分带来了可能, 但是高光谱信息也存在着数据量大并且信息冗余多的缺点[3, 4], 因此如何合理高效的利用高光谱数据进行植被区分成为了高光谱信息研究中的难点。 近年来, 国内外已有学者将高光谱数据应用于植被种类识别, 并提高了植被种类识别精度[5]。 Pontinus等利用叶绿素敏感波段(R683nm)处的反射率和水带指数(R970/R900)的线性回归提高了对铁杉的识别率[6]。 张波等将准噶尔盆地荒漠— 绿洲交错地带四种树木的光谱平均值进行一阶导数变换和倒数取对数变换后计算NDVI值进行植被区分[7]。 闫晓勇等通过测定南疆盆地主栽五种果树的均值光谱曲线, 再筛选蓝、 红、 黄边特征参量用于树种识别[8]。 张莹等对林场内5个主要树种的平均冠层反射光谱曲线, 采用导数光谱、 红边特征以及将冠层光谱曲线转化到频率域的离散傅里叶变换方法进行比较分析[9]。 Calvino-Cancela.M对南极无冰区的植被覆盖类别使用线性判别分析法进行分类[10]。 在黄淮海地区, 树木与粮食作物在同一空间共同种植, 以往研究对象主要针对单一树种或作物进行分析, 并且其分析手段都是利用提取各种植被的平均光谱数据再通过各种不同的方法将植被进行区分, 这样忽略了植被光谱反射率自身在各个波段上存在的区间范围, 削弱了整个样本存在的个体差异, 各种植被之间的光谱微小差异被弱化, 在树木与粮食作物共同种植的区间中区分精度下降。

本工作以黄淮海平原小麦、 玉米和杨树为研究对象, 将树木与粮食作物一起进行分析, 利用ASD高光谱仪分别测定不同植被的高光谱数据, 根据植被的个体差异分析整个高光谱数据集的反射率范围值, 选择以往研究中的常用方法, 利用原始光谱特征点、 一阶微分变换、 二阶微分变换以及植被指数处理方法对高光谱数据进行处理, 并比较分析不同光谱处理方法提取的参数在以上三种植被中的验证结果与分类精度, 为农田主要植被高光谱分类提供理论依据与技术支撑。

1 实验部分
1.1 光谱测定

杨树片林试验地位于衡水市武邑县(115° 52'58.25″E, 37° 46'59.69″N), 杨树树种为107杨, 杨树片林占地面积为30 000 m2; 冬小麦试验地位于河北省保定市的黄淮海平原农区, 冬小麦与玉米为当地主要生产品种; 所有地块的施肥和灌溉等田间栽培、 管理措施与当地常规方法一致。

光谱仪为美国ASD公司生产的Field Spec Pro(350~2 500 nm, 视场角25° ), 三种植被的冠层光谱测定均在天气晴朗无云、 无风10:00— 14:00进行; 选取小麦、 玉米以及杨树成熟期进行光谱采样, 主要在2013年6月对田间小麦叶片进行冠层光谱测定, 在2014年8月对玉米叶片进行冠层光谱测定, 以及在2014年10月5日利用树顶上方1 m处的平台光纤镜头离杨树冠层1.5 m处垂直朝下对杨树进行冠层光谱测定。 由于1 360~2 500 nm波段受环境中水分以及二氧化碳的影响较大, 该波段反射率的数值偏高, 因此主要选取350~1 350 nm之间的波段进行处理分析, 用162组数据进行数据分析, 并用167组数据对实验结果进行验证。

1.2 高光谱数据变换处理

已有许多的方法用来处理高光谱数据, 本文选取了较为常见, 且实用性强, 计算量较小, 在样本量较大的情况下能快速、 准确计算的光谱分析方法, 主要有原始光谱特征点、 一阶微分变换、 二阶微分变换以及红边植被指数。

1.2.1 原始光谱特征点提取

在原始光谱曲线中寻找不同植被的差异特征点来区分各植被的方法较为简单、 方便。 绿色植被的光谱响应特征相似, 具有相似的反射率光谱曲线, 但不同绿色植被的生理生化具有差异, 对蓝黄红光以及水分等具有不同的光谱反射响应, 因此选取了三种植被的四个波峰以及四个波谷, 分别为450, 550, 670, 880, 980, 1 070, 1 200和1 260 nm作为原始光谱的特征点。 其中450 nm附近为蓝光吸收带, 550 nm附近为叶绿素强反射峰区, 670 nm为红光吸收带, 880, 980, 1 070, 1 200和1 260 nm波长点附近有水或氧的窄吸收带。

1.2.2 高光谱微分变换

光谱数据微分处理不仅能有效削弱背景对目标植被光谱的影响, 分辨重叠光谱, 提高信噪比, 而且能消除部分大气噪音, 从而更好地反映作物内部的生化组成及含量信息[11]。 一阶微分变换[12]反应了植被反射率在各波段变化程度的大小, 可以抑制植被受大气和低频背景噪声的影响, 二阶微分可以有效的放大光谱曲线的变化特征[13]。 故选用高光谱的一阶及二阶微分变换。

根据一阶微分数据, 计算确定蓝边、 黄边和红边的微分值和、 位置、 振幅以及面积这四个参数的范围, 以此作为区分各植被的指标。 其中闫晓勇等分析指出采用蓝边面积、 蓝边斜率、 黄边面积、 近红外平台、 红边面积、 蓝边位置、 黄边位置、 红边位置对南疆五种植被的区分能达到86.67%的精度[8]。 张丽云分析了各植被平均光谱在蓝边、 黄边和红边的微分值和、 位置、 振幅以及面积, 得出红边的四个参数在不同植被中差异明显, 蓝边和黄边的参数稍弱的结论。 王岽等用蓝边、 黄边和红边的位置以及面积参数对八种农作物进行区分, 发现这些参数对农作物的识别效果较好, 其中红边面积效果最好[14]。

1.2.3 植被指数

植被指数(VI)是两个或多个波长范围内的地物反射率组合运算, 能有效地增强植被某一细节; 通过植被指数来区分各种植被的方法运算简单, 便于操作, 实用性强。 万红等计算青藏高原地区不同植被类型的植被指数, 发现各类植被的植被指数有较大差距[15]。

红边一般定义为叶绿素吸收红边斜率的拐点, 且红边比叶绿素含量、 叶内组织结构和植物体内含水量的影响更为灵敏[16]。 刘佳提出增加红边波段能有效提高光谱的植被分类精度[17], 邹红玉认为红边是植物光谱的最明显特征, 可用来识别植被种类[18]。 因此本研究中主要选用红边植被指数。 所选用的红边植被指数属于窄带绿度指数, 相较于宽带绿度指数它能够更加灵敏的反映植被冠层的微小变化, 本工作选取前人提出的13个红边植被指数, 见表1。

表1 常见红边植被指数及定义 Table 1 Red edge parameters and definitions of common spectrum
1.3 植被分类原理

将玉米、 小麦和杨树的原始光谱经特征点提取、 一阶微分变换、 二阶微分变换以及红边特征植被指数的方法提取特征指标的范围值。 比较三种植被在所选取的这些特征指标中的结果是否存在交集, 交集越小说明在该特征指标中三种植被的差异越大, 最终判断出三种植被之间无交集范围的指标, 该指标即为能将此三种植被进行最有效区分的指标。 该过程主要使用Excel以及Origin。

2 结果与讨论
2.1 原始数据特征波段区分方法

对所测得的162组原始光谱数据进行分析, 计算出三种植被在每个波段上反射率最小值和最大值, 具体结果见图1。 图1表示了各个波段上光谱反射率的取值范围, 三种植被在各个波段的反射率都有一定程度的重叠。 在350~670 nm之间玉米各波段反射率范围较宽, 三种植被在该波段上反射率范围重叠较大, 在750~1 350 nm之间玉米各波段反射率与小麦的反射率差异明显, 但杨树的反射率与玉米以及小麦的反射率有不同程度的重叠。 根据绿色植被在350~1 350 nm中, 对于不同波段光上的高反射率及高吸收率特征所形成的波峰以及波谷选取了原始光谱中八个特征点反射率的范围, 见表2, 其中450, 550和670 nm三种植被的反射率都有一定程度的重叠, 550 nm处玉米的反射光谱曲线与另外两种植被的曲线差异较大, 880, 980以及1 070 nm处小麦与其余两种植被显现出明显的非重叠差异, 1 200和1 260 nm处玉米和小麦光谱呈现出非重叠差异。 从特征波段分析可见通过近红外波段880, 980以及1 070 nm可以将小麦从三种植被中区分出来, 并且玉米和杨树在该波段中呈交错重叠, 因此该波段可作为区分植被的波段。

图1 三种植被的光谱反射率范围Fig.1 Spectral range curves of three vegetation

表2 三种植被特征波段光谱反射率范围 Table 2 Spectral reflectance range of characteristic band of three kinds of vegetation
2.2 一阶微分及蓝黄红边四项指标区分方法

从图2中可见相较与其他波段, 在蓝边、 黄边以及红边区域三种植被的光谱一阶微分数值的波动较为明显, 表明这三个区域可用于植被区分。 但仅凭这三个区域的一阶微分数据难以将三种植被进行精准区分, 因此引入了三个区域内的四个参量: 微分值和、 位置、 振幅以及面积[14], 具体结果见表3, 其中区域面积表示该波段范围内光谱一阶反射率值与X轴所围成的面积, 若大于“ 0” , 表示面积位于X轴上方, 若小于“ 0” , 表示面积位于X轴下方。 在蓝边范围内, 小麦和杨树的各参数范围十分相似, 玉米与另外两种植被在蓝边振幅参数上没有交集, 而在另外三个参数范围取值上都有一定程度的重叠, 其中蓝边位置重叠最为明显。 在黄边区域内, 三种植被在黄边位置范围有较大程度的重叠, 而另外三各参数的取值范围显现出明显的非重叠差异。 在红边区域内, 三种植被在红边位置结果范围的重叠区间很小, 在红边微分值和、 振幅以及面积这三个参数的结果范围中, 小麦与其他两种植被的取值结果显现出明显的非重叠差异, 但是玉米和杨树在这三个参数的取值范围有明显的重叠。 因此, 通过分析得到黄边振幅、 黄边面积以及黄边微分值和可用于三种植被的区分。

图2 三种植被一阶微分光谱范围Fig.2 Three planting is covered by first order differential spectral range

2.3 二阶微分光谱特征波段区分方法

二阶微分光谱的曲线图如图3所示, 通过比较分析选取了具有显著差异的700~840 nm, 其结果显示在图4。 从图4中可以看出相较于整个波段而言, 位于红边范围附近的715~725, 750~770以及810~830 nm这三个波段的二阶微分结果有较大的波动, 可以作为区分三者植被种类的特征波段。 分析三者植被在这三个波段中二阶微分结果的取值范围, 在715~725 nm这个范围内玉米的二阶微分光谱与另外两种植被有较大区别, 但小麦和杨树的二阶光谱相似。 750~770 nm范围内玉米和杨树的二阶微分光谱范围非常相似, 小麦在这范围内的二阶微分光谱取值范围较窄, 包含与其他两种植被的取值范围内。 820 nm附近的波段, 三者植被的二阶微分范围相互重叠较大, 其中玉米的数值范围最广。 在三个波动范围较大的波段中三种植被的二阶微分值都有一定程度的重叠, 但在三种波段中重叠范围最大的植被在不断变化。 因此, 仅利用二阶微分变换的方法对这三种植被进行区分有一定的困难。

表3 三种植被特征参数结果范围 Table 3 Results range of characteristic parameters of three vegetation

图3 三种植被二阶微分光谱范围Fig.3 Second derivation spectra of three types of plants

图4 700~840 nm二阶微分光谱范围Fig.4 Second derivation spectra in the range of 700~840 nm

2.4 植被指数对于树种的区分

根据上述所选取的13个植被指数计算公式, 分别计算了玉米、 小麦和杨树三种植被13个植被指数, 具体数值见表4。 通过两两分析, 玉米和小麦在这13组数据中, 除了mSR705两者之间有重叠, 其余12个植被指数在这两种植被之间均没有交集。 小麦和杨树在这13个植被指数上均没有交集。 但是, 玉米和杨树在这13个植被指数中显示出明显的重叠现象, 除了在VOG-1, VOG-2, VOG-3和RI-2dB这四个植被指数两种植被的结果范围相互重叠外, 另外9组植被指数杨树的取值范围完全处于玉米的取值范围中。 因此, 除mSR705以外12个植被指数的结果范围显示小麦与另外两种植被呈现明显的非重叠差异, 但玉米和杨树在这13个植被指数的结果上显示重叠严重, 结果表明除mSR705外的12个植被指数可以将小麦从三种植被种区分出来。

表4 玉米、 小麦和杨树的13个红边植被指数的取值范围 Table 4 The range of 13 red edge vegetation indices for maize, wheat and poplar
2.5 不同区分方法的比较与分析

用原始光谱特征波段提取、 一阶微分变换、 二阶微分变换以及植被指数的方法对黄淮海地区树木和粮食作物共同种植区的植被光谱数据进行计算处理。 在上述四种处理方法中, 通过原始光谱提取特征点的方法简单、 易操作, 但选取的八个特征点仅表明三种植被的原始光谱在各特征点上存在区别, 并不能将三种植被区分开。 微分变换的方法能有效的消除土壤背景以及大气对植被光谱的影响[26, 27], 并且放大光谱曲线的变化, 通过一阶微分方法构建的蓝黄红边的微分值和、 位置、 振幅以及面积能有效放大三种植被在光谱曲线上的微小区别, 并且反射率波动较小的波段能得到抑制。 本研究用162组数据对三种植被进行识别分析, 结果表明黄边振幅、 黄边面积以及黄边微分值和能够有效区分玉米、 小麦和杨树, 且黄边振幅的识别精度达97.5%, 黄边面积以及黄边微分值和的识别精度达98.1%, 并用167组数据对以上三个指标进行精度验证, 得到黄边振幅的识别精度达96.4%, 黄边面积以及黄边微分值和的识别精度达97.6%, 具体结果见表5。

表5 用于区分三种植被的指标及识别精度 Table 5 Indices and accuracies of distinguishing three vegetations

二阶微分相较于一阶微分能更加细致的表现出差异大的部分, 压缩差异小的部分[12], 但由于在本研究中并非采用各植被的平均光谱进行植被区分, 而是考虑了个体差异, 分析了整个光谱数据集, 从而导致一阶微分处理后结果范围大的植被经二阶微分处理后与结果范围小的植被重叠程度反而加大了。 近红外区域是对植被差异反应最灵敏的区域, 利用植被光谱数据的可见光与近红外波段构建的13个特征植被指数能将小麦与另外两种植被区分开。 用一阶微分方法和植被指数的方法均涉及到了红边区域, 但结果表明一阶微分的区分精度高于植被指数, 通过一阶微分构建的红边区域4个参数和植被指数的方法均能将小麦从3种植被中区分出来, 玉米和杨树在各植被指数范围上的重叠范围比通过一阶微分构建的红边区域4个参数要大。 由一阶微分构建的红边参数与本工作中选取的植被指数在三种植被的区分上表现出相似的结果。 已有研究表明在单是树种或者粮食作物的种植区域用一阶微分构建的红边参数具有较高植被分类精度[14], 但本工作的样本为两者共同种植区域, 从而导致得到了不一样的结果。

3 结 论

通过原始光谱特征点、 一阶微分变换、 二阶微分变换以及特征植被指数四种光谱数据分析方法, 计算每种方法提取出的每个参数的结果区间, 逐步对比三种植被在每个参数中的结果区间, 依据特征参数结果区间的交集越小植被的区分精度越高的标准, 选取能够精确区分三种植被的方法。 通过研究得到一阶微分能够有效的用于树种与粮食作物共同生长区域的植被区分, 其中通过一阶微分获得的三边参数中, 黄边振幅、 黄边面积以及黄边微分值和对三种植被的区分能达到较高的区分精度, 该结果为黄淮海地区树木与粮食作物共同种植区域的植被区分提供理论支持。

The authors have declared that no competing interests exist.

参考文献
[1] SUI Peng, XU Cui, QI Fan, et al(隋鹏, 许翠, 齐帆, 等). Chinese Agricultural Science Bulletin(中国农学通报), 2007, 10: 66. [本文引用:1]
[2] SU Xiu, GENG Jie, MA Xiao-rui, et al(苏岫, 耿杰, 马晓瑞, 等). Marine Environmental Science(海洋环境科学), 2017, (1): 114. [本文引用:1]
[3] CHEN Shu-peng, TONG Qing-xi, GUO Hua-dong(陈述澎, 童庆喜, 郭华东). Information Mechanism Study of Remote Sensing(遥感信息机理研究). Beijing: Sciences Press北京: 科学出版社, 1998. 32. [本文引用:1]
[4] YANG Guo-peng, YU Xu-chu, FENG Wu-fa, et al(杨国鹏, 余旭初, 冯伍法, 等). Bulletin of Surveying & Mapping(测绘通报), 2008, (10): 1. [本文引用:1]
[5] ZANG Zhuo, LIN Hui, YANG Min-hua(臧卓, 林辉, 杨敏华). Journal of Central South University of Forestry & Technology(中南林业科技大学学报), 2013, 33(1): 35. [本文引用:1]
[6] Pontinus J, Hallett R, Martin M. Remote Sensing of Environment, 2005, 97(2): 163. [本文引用:1]
[7] ZHANG Bo, NIU Ting, FANG Shi-feng, et al(张波, 牛婷, 房世峰, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2016, 36(4): 1104. [本文引用:1]
[8] YAN Xiao-yong, WANG Zhen-xi, YUE Jun(闫晓勇, 王振锡, 岳俊). Tianjin Agricultural Sciences(天津农业科学), 2014, 20(9): 28. [本文引用:2]
[9] ZHANG Ying, ZHANG Xiao-li, WANG Shu-han, et al(张莹, 张晓丽, 王书涵, 等). Journal of Northwest A&F Univcrsity·Nat. Sci. Ed. (西北农林科技大学学报·自然科学版), 2016, 44(2): 83. [本文引用:1]
[10] Calviño-Cancela M, Martín-Herrero J. Remote Sensing, 2016, 8(856): rs8100856. [本文引用:1]
[11] SHU Tian, YUE Yan-bin, LI Li-jie, et al(舒田, 岳延滨, 李莉婕, 等). Jiangsu Journal of Agricultural Sciences(江苏农业学报), 2016, 32(6): 1310. [本文引用:1]
[12] LIN Chuan, GONG Zhao-ning, ZHAO Wen-ji, et al(林川, 宫兆宁, 赵文吉, 等). Acta Ecologica Sinica(生态学报), 2013, 33(4): 1172. [本文引用:2]
[13] CHAI Ying, RUAN Ren-zong, CHAI Guo-wu(柴颖, 阮仁宗, 柴国武). Remote Sensing for Land & Resources(国土资源遥感), 2016, 28(3): 86. [本文引用:1]
[14] WANG Dong, WU Jian(王岽, 吴见). Geography and Geo-Information Science(地理与地理信息科学), 2015, (2): 29. [本文引用:3]
[15] WAN Hong, LI Xi-can, WAN Jian-hua, et al(万红, 李希灿, 万剑华, 等). Journal of Arid Land Resources & Environment(干旱区资源与环境), 2013, 27(11): 39. [本文引用:1]
[16] FENG Wei, ZHU Yan, YAO Xia, et al(冯伟, 朱艳, 姚霞, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2009, 25(11): 194. [本文引用:1]
[17] LIU Jia, WANG Li-min, TENG Fei, et al(刘佳, 王利民, 滕飞, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2016, (13): 140. [本文引用:1]
[18] ZOU Hong-yu(邹红玉). Remote Sensing Information(遥感信息), 2010, 2010(4): 112. [本文引用:1]
[19] Vogelmann J E, Rock B N, Moss D M. International Journal of Remote Sensing, 1993, 14: 1563. [本文引用:1]
[20] Zarco-Tejada P J, Miller J R, Mohammed G H, et al. IEEE Transactions on Geoscience and Remote Sensing, 2001, 39(7): 1491. [本文引用:1]
[21] Carter G A, Dell T R, Cibula W G. Canadian Journal of Forest Research, 1996, 26: 402. [本文引用:1]
[22] Gitelson A A, Merzlyak M N. Internal Journal of Remote Sensing, 1997, 18: 2691. [本文引用:1]
[23] Gitelson A A, Merzlyak M N. Journal of Plant Physiology, 1994, 143: 286. [本文引用:1]
[24] Sims D A, Gamon J A. Remote Sensing of Environment, 2002, 81: 331. [本文引用:1]
[25] Gupta R K, Vijayan D, Prasad T S. Advances in Space Research, 2003, 32: 2217. [本文引用:1]
[26] XU Ping, LIU Jun-feng, ZHANG Jing-cheng, et al(徐平, 刘俊峰, 张竞成, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2016, 32(23): 137. [本文引用:1]
[27] LIU Xiu-ying, LIN Hui, XIONG Jian-li, et al(刘秀英, 林辉, 熊建利, 等). Remote Sensing Information(遥感信息), 2005, (4): 41. [本文引用:1]