高光谱遥感识别地下储存天然气微泄漏点

引用本文

李梦梦, 蒋金豹, 刘东. 高光谱遥感识别地下储存天然气微泄漏点. 光谱学与光谱分析, 2018,38(12): 3809-3814
LI Meng-meng, JIANG Jin-bao, LIU Dong. Detection of Microleakage Point of Underground Natural Gas Using Hyperspectral Remote Sensing. Spectroscopy and Spectral Analysis, 2018,38(12): 3809-3814. 复制到剪切板

Doi: 10.3964/j.issn.1000-0593(2018)12-3809-06
Permissions

光谱学与光谱分析所有

高光谱遥感识别地下储存天然气微泄漏点

李梦梦, 蒋金豹^*, 刘东

中国矿业大学(北京)地球科学与测绘工程学院, 北京 100083

*通讯联系人 e-mail: jjb@cumtb.edu.cn

作者简介: 李梦梦, 女, 1993年生, 中国矿业大学(北京)地球科学与测绘工程学院研究生 e-mail: dream_0705@sina.com

收稿日期: 2017-11-01 接受日期: 2018-04-20

基金项目: 国家自然科学基金项目(41571412)资助

摘要

如何及时准确探测天然气地下储存库或管道出现的微泄漏点目前尚是一个难题。通过野外可控系统模拟天然气微泄漏实验, 研究天然气微泄漏对地表植被的影响及遥感特征变化, 从而间接探测天然气微泄漏点。实验以草地与大豆为研究对象, 测量了胁迫区与对照区植被的冠层光谱, 进行奇异值剔除和平滑处理, 对一阶微分处理后的植被冠层光谱再进行连续小波变换分析, 发现对照组与胁迫组植被冠层光谱小波能量系数在685和715 nm处差异较大, 且规律稳定, 用其构建归一化指数( DW₆₈₅- DW₇₁₅) /( DW₆₈₅+ DW₇₁₅)(DW), 并与PRI, NPCI, NDVI, D₇₂₅ /D₇₀₂指数进行对比分析, 经J-M距离检验, 结果表明归一化指数DW在识别天然气微泄漏胁迫下的草地和大豆具有较好的识别效果, 且比PRI, NPCI, NDVI, D₇₂₅ /D₇₀₂指数具有更好的普适性与稳健性。该结果表明, 通过高光谱技术间接检测天然气微泄漏点具有可行性, 为以后的工程应用提供技术支持和理论基础。

关键词: 小波分析; 光谱特征; 天然气; 微泄漏; 归一化指数

中图分类号:P237 文献标识码:A

Detection of Microleakage Point of Underground Natural Gas Using Hyperspectral Remote Sensing

LI Meng-meng, JIANG Jin-bao^*, LIU Dong

College of Geosciences and Surveying Engineering, China University of Mining and Technology, Beijing 100083, China

Abstract

It is a challenge to timely detecte microleakage of natural gas which is stored in underground repository or pipeline. The response and other remote sensing characteristics of stressed vegetation were used to indirectly detect the microleakage point of natural gas via controlled experiments in the field. In detail, the canopy reflectance of stressed area and control area of soybean and grassland were measured respectively. Singular values were removed and spectrum was smoothed, then spectra of the canopy reflectance was analyzed using the method of continuous wavelet based on first-derivative, which showed that wavelet energy coefficients of stressed and control canopy reflectance at 685 and 715 nm were good features to separate the stressed and control groups. ( DW₆₈₅- DW₇₁₅) /( DW₆₈₅+ DW₇₁₅) ( DW) was designed in this paper using 685 and 715 nm and compared to PRI, NPCI, NDVI, and D₇₂₅ /D₇₀₂, which showed that better performance, universality and robustness were possessed by DW in identifying the stressed grassland and soybean. The results showed that it is feasible to indirectly detect natural gas microleakage points through hyperspectral technology, which can provide technical support and theoretical basis for future engineering applications.

Key words: Wavelet analysis; Spectral characteristics; Natural gas; Microleakage; Normalized difference index

文章图片

引言

近年我国天然气消费量逐年快速增加, 2000年消费量为245亿m³, 而2010年则达到1 075亿m³, 年均增长15.9%, 2015 年全国天然气表观消费量1 931亿 ${m^{3}}^{[1 ⁃ 2]}$ 。 2020年天然气综合保供能力达到3 600亿立方米以上, 占一次能源消费比例的8.3%~10%^[3]。《天然气发展“ 十二五” 规划》明确提出加快天然气管网及储气设施建设^[1], 2015年我国天然气管道总长度超过7.2万km^[4], 已建成地下储气库25座^[5]。由于地下管道腐蚀、自然与人为破坏, 地下储气库地质断层、废弃的井口、注入井等封堵不好等都会导致地下储存的气体发生泄漏^[6]; 天然气泄漏不仅给国家造成直接经济损失, 且会给人民群众的生命财产安全带来严重威胁。随着天然气产业的快速发展, 迫切需要一种高效、实时、安全的检测方法, 来降低天然气管道微泄漏给人类社会带来的威胁与挑战。

近年有一些学者尝试利用高光谱遥感监测植被胁迫症状而间接检测天然气管道微泄漏。 Smith等利用725与702 nm一阶微分比值指数识别天然气胁迫下的草地、小麦和大豆^[7]; Noomen等研究了盆栽玉米在天然气、甲烷、乙烷泄漏胁迫下蓝、红及水汽吸收波段的光谱特征, 发现波段深度(band depth, BD)指数能够识别不同气体泄漏胁迫下的玉米^[8]。地表植被在天然气泄漏胁迫下其光谱特征会发生变化。

光谱曲线进行连续小波变换(CWT)之后得到的小波系数可以提供更多光谱吸收特征的位置信息^[9], 小波分析已被运用到树种识别^[10]、食品安全监测^[11]、植被理化参数反演^{[12, 13]}等方面。蒋金豹等通过HAAR小波变换, 用系数能量总和来监测地下存储CO₂泄漏^[14]; Liu等用Db5小波基函数对水稻的350~1 300 nm波段进行小波分形分析, 可以成功检测重金属污染程度^[15]。本工作拟利用连续小波分析技术, 对天然气胁迫下的草地和大豆进行光谱分析, 为构建监测地下储存天然气或管道微泄漏点模型提供理论依据。

1 实验部分

1.1 实验设计

实验场位于北京市大兴区(N: 39° 39'2.56″, E: 116° 34'33.10″), 长40 m, 宽20 m。在实验场分别设计8个草地、大豆实验小区, 各有四个天然气胁迫区和对照区, 实验时间为2016年7月— 10月。实验小区大小为2.5 m× 2.5 m, 各小区间隔为0.5 m, 天然气泄漏点位于中心位置, 泄漏速率为1 L· min^-1, 于8月29日持续泄漏至10月17日实验结束。

1.2 数据采集与预处理

冠层数据测量仪器为SVC HR-1024i 光谱仪, 其光谱范围为350~2 500 nm, 共1 024个波段, 光纤视场角为25° 。选择天气晴朗时进行野外实地采集, 时间为北京时间10:00— 14:00, 第一次数据采集日期为2016年8月26日。每个测区沿着东西轴线均匀布设4个测量点, 在每个小区测量光谱之前用标准板校正光谱仪, 垂直测量距离为1 m。冠层数据采用5点平滑法进行平滑处理^[9], 如式(1)

$R_{平滑} = \frac{1}{2.5} (\frac{1}{4} R_{i - 2} + \frac{1}{2} R_{i - 1} + R_{i} + \frac{1}{2} R_{i + 1} + \frac{1}{4} R_{i + 2}) (1)$

式(1)中, R_i为第i波段的反射率值, R_平滑为每个波段平滑后的反射率值。

	Figure Option View Download New Window
	图1 数据采集与实验田Fig.1 Data collection and experiment field

1.3 数据处理与分析方法

1.3.1 一阶微分处理

植被光谱一阶微分处理可以有效消除或减弱土壤背景的影响, 突出植被光谱曲线上相关的生化方面的细微变化, 更有利于反映植被差异特征^[16]。

$f' (R_{i}) = (f (R_{i + 1}) - f (R_{i - 1})) / 2 Δ R (2)$

式(2)中, f(R_i)为第i波段的光谱反射率, 为f'(R_i)波长的一阶微分值, Δ R为R_i₊₁到R_i的间隔。

1.3.2 连续小波变换处理

连续小波变换(CWT)处理光谱曲线后可以增强光谱吸收特征信息, 通过一个小波基函数将光谱曲线在不同尺度上转换成对应的小波系数, 如式(3)和式(4)^[9]

$\begin{array}{l} f (a, b) = < f, φ_{a, b} > = \overset{+ \infty}{\int_{- \infty}} f (t) φ_{a, b} (t) d t (3) \\ φ_{a, b} (t) = \frac{1}{\sqrt[]{a}} φ (\frac{t - b}{a}) (4) \end{array}$

式(3)和式(4)中, f(t)为光谱反射率数据; t为光谱波段; φ _a_,_b(t)为小波基函数; a为尺度因子, b为平移因子。

1.3.3 J-M距离

J-M距离具有收敛性, 其判别标准如下, 通常用 $J_{ij}^{2}$ 来表达, 当0< $J_{ij}^{2}$ ≤ 1.0时, 类别之间无可分性; 当1.0< $J_{ij}^{2}$ ≤ 1.8时, 类别之间有一定可分性, 但也有部分重叠; 当1.8< $J_{ij}^{2}$ ≤ 2.0时, 类别间具有很好的可分性^[9], 可用式(5)和式(6)表示

$\begin{array}{l} J_{ij} = [2 (1 - e^{- α} {)]}^{1 / 2} (5) \\ α = \frac{1}{8} (μ_{i} - μ_{j})^{T} {(\frac{σ_{i} - σ_{j}}{2})}^{- 1} (μ_{i} - μ_{j}) + \\ \frac{1}{2} \ln [\frac{| (σ_{i} + σ_{j}) / 2 |}{(| σ_{i} |\cdot| σ_{j} {|)}^{1 / 2}}] (6) \end{array}$

式(6)中, σ _i和σ _j为相应的矩阵样本协方差; μ _i和μ _j分别为类别i和j的样本平均向量。

1.4 选用的植被指数

根据前人研究结果, 选择了部分植被指数并与本研究设计的指数进行对比分析。

表1 高光谱指数 Table 1 Hyperspectral indices

2 数据处理与分析

2.1 冠层数据分析

草地在天然气泄漏胁迫11天后, 可见光范围内(380~760 nm)反射率差异较小, 近红外范围内(760~900 nm)反射率降低。从图2可以看出, 随着胁迫持续, 可见光范围内反射率逐渐增大, 近红外范围内反射率降低, 但胁迫组和对照组的差距在减小。大豆在受天然气泄漏胁迫11天后可见光范围内反射率没有变化, 近红外范围内反射率稍微减小, 随胁迫持续进行, 可见光范围内反射率仍没有显著差异, 而近红外范围内差异在增大。天然气泄漏胁迫使草地和大豆的光谱曲线发生了变化, 但是不同植被的光谱曲线变化具有差异性。

从图2中可以看出, 胁迫第22天时, 冠层光谱一阶微分处理后, 草地胁迫组出现轻微的红边蓝移现象, 红边蓝移达9 nm, 但是大豆的胁迫组并未出现明显的红边蓝移现象。在整个生育期都具有上述规律。

2.2 小波能量系数分析

选择的小波基函数为Bior1.3(双正交样条), 分解尺度为2¹, 2², 2³, 2⁴, 2⁵, 2⁶共六个尺度, 用Matlab R2014a软件对草地和大豆冠层光谱数据进行一阶微分和CWT处理, 将每条处理后的光谱曲线分解成上述尺度小波系数。分解尺度小, 包含的细微信息多, 则不利于敏感波段选择; 分解尺度大, 包含的细微信息少, 信息量损失较多, 同样不利于选择敏感波段。因此通过分析不同尺度的小波系数图发现在700~770 nm内, 尺度2²和2³有多处峰值和谷值, 表明在不同波段位置对照组和实验组具有差异性, 且变化剧烈, 稳定性较差; 尺度2⁴和2⁵有较少的峰值和谷值, 尺度2⁵曲线过于平滑, 信息损失量过大, 因此选择尺度2⁴进行敏感波段分析, 如图3所示。对照组与实验组的一阶小波能量系数进行差值分析, 从图3中可见, 草地对照组与实验组在685, 718和745 nm附近差异较大; 大豆对照组与实验组在685, 700, 715, 745和765 nm处有较大差异, 综合草地和大豆的多期实测数据分析, 发现685和715 nm处的差值规律具有一定的稳定性, 因此选择685和715 nm作为敏感波段来检测天然气泄漏胁迫下的草地和大豆, 从而构建DW指数: (DW₆₈₅-DW₇₁₅)/(DW₆₈₅+DW₇₁₅)。

	Figure Option View Download New Window
	图2 9月30日草地(a)和大豆(b)冠层光谱反射率, 9月19日草地(c)和大豆(d)一阶微分数据Fig.2 The spectral reflectance of grass (a) on Sept. 30 and soybean (b) and derivative of grass (c) and soybean (d) on Sept. 19

	Figure Option View Download New Window
	图3 草地(a)和大豆(b)小波能量系数和实验组与对照组的能量系数差值(c)Fig.3 Wavelet coefficients of grass (a) and soybean (b); and difference value of wavelet coefficients between stressed and control groups (c)

2.3 归一化能量系数指数分析

设计归一化指数DW与PRI, NDVI, NPCI, D₇₂₅/D₇₀₂等四个指数进行定性与定量地比较分析, 并用JM距离定量地比较对照组与实验组之间的可分性。

从表2中可见, 草地PRI, NDVI和NPCI从胁迫第33天开始, 对照组与实验组之间的J-M距离大于1.8, 而构建的DW指数与D₇₂₅/D₇₀₂从胁迫第22天开始就可以稳定地识别天然气胁迫下的草地。大豆PRI, NDVI, NPCI和D₇₂₅/D₇₀₂在整个实验期内J-M距离都小于1.8, 而DW指数从胁迫第22天开始就可以很好地识别天然气胁迫下的大豆, 且D₇₂₅/D₇₀₂指数并不具备识别大豆的能力, 因此DW指数更具有普适性。 PRI, NDVI, NPCI和D₇₂₅/D₇₀₂指数在胁迫33天后均能够识别天然气泄漏胁迫下的草地, 而无法识别胁迫大豆, 说明草地对天然气泄漏胁迫的敏感性高于大豆。

PRI, NDVI, NPCI和D₇₂₅/D₇₀₂指数不能同时识别天然气胁迫下的草地和大豆, 对不同植被缺乏稳定性, 而DW指数可以稳定地识别天然气胁迫下的草地和大豆, 具有一定的普适性。

	Figure Option View Download New Window
	图4 实验组和对照组不同高光谱指数对比图Fig.4 Different hyperspectral indices comparative diagram between stressed and control

表2 草地和大豆不同高光谱指数J-M距离 Table 2 J-M distances of grass and soybean for different hyperspectral indices

3 结论

通过野外模拟天然气地下储气库或管道微泄漏对地表植被的胁迫实验, 分析植被光谱变化特征, 构建微泄漏点识别模型, 主要得出以下结论:

(1) 天然气微泄漏胁迫下的草地与大豆冠层光谱与对照组相比, 在可见光区域变化不一致, 但在近红外区域都降低了。

(2) 在一阶微分处理基础上对光谱进行连续小波变换, 通过小波能量系数发现685和715 nm是区分对照组与胁迫组的敏感波段。

(3) 通过J-M距离检验, 结果表明DW指数在天然气微泄漏胁迫发生22天后, 可以稳健地区分健康与胁迫的草地与大豆, 而PRI, NDVI, NPCI, D₇₂₅/D₇₀₂指数仅能够在胁迫33天后识别健康与胁迫草地, 则在整个生育期无法准确地识别健康与胁迫大豆。

DW指数既可以早于其他指数识别天然气微泄漏下胁迫下的植被, 又能够同时识别胁迫草地与大豆, 具有一定的普适性与鲁棒性。因此利用高光谱通过植被的光谱曲线变化来检测天然气泄漏点的方法有可行性; 但本实验仅选择两种植被, 还需通过更多植被来进行检验与验证。

The authors have declared that no competing interests exist.

参考文献

文献选项

[1]	Development and Reform Commission, Energy Bureau(发展改革委、能源局). The 12th Five-Year Plan for Natural Gas Development(《天然气发展“十二五规划”》), 2012. [本文引用:1]
[2]	Development and Reform Commission, Energy Bureau(发展改革委、能源局). The 13th Five-Year Plan for Natural Gas Development(《天然气发展“十三五规划”》), 2016. [本文引用:1]
[3]	TONG Xiao-bo(仝晓波). The Release of the 13th Five-Year Plan for Oil and Gas Development(油气发展“十三五”规划发布). China Energy News(中国能源报), 2017 -01-23(001). [本文引用:1]
[4]	YAN Qun(燕群). Natural Gas Industry(天然气工业), 2016, (10): 163. [本文引用:1]
[5]	WEI Huan, TIAN Jing, LI Jian-zhong(魏欢, 田静, 李建中). International Petroleum Economics(国际石油经济), 2015, 23(6): 57. [本文引用:1]
[6]	ZHANG Gang-xiong, LI Bin, ZHENG De-wen(张刚雄, 李彬, 郑得文). Natural Gas Industry(天然气工业), 2017, (1): 153. [本文引用:1]
[7]	Smith K L, Steven M D, Colls J J. International Journal of Remote Sensing, 2004, 25: 4395. [本文引用:1]
[8]	Noomen M F, Skidmore A K, van der Meer F D, et al. Remote Sensing of Environment, 2006, 105: 262. [本文引用:1]
[9]	JIANG Jin-bao, CHEN Yun-hao, LI Jing(蒋金豹, 陈云浩, 李京). Experimental Study on High Spectral Remote Sensing Under Stress-Cases of Rust, Water Leaching and CO2 Leakage Stress(胁迫条件下的植被高光谱遥感实验研究-以条锈病、水浸与CO2泄漏胁迫为例). Beijing: Science Press(北京: 科学出版社), 2016. [本文引用:4]
[10]	Ghiyamat A, Shafri H Z M, Mahdiraj G A. International Journal of Remote Sensing, 2015, 36(1): 318. [本文引用:1]
[11]	Pu Hongbin, Sun Dawen, Ma Ji. Food Bioprocess Technol, 2014, 7: 3088. [本文引用:1]
[12]	LIANG Dong, YANG Qin-ying, HUANG Wen-jiang(梁栋, 杨勤英, 黄文江). Infrared and Laser Engineering(红外与激光工程), 2015, 44(1): 335. [本文引用:1]
[13]	FANG Sheng-hui, LE Yuan, LIANG Qi(方圣辉, 乐源, 梁琦). Geomatics and Information Science of Wuhan University(武汉大学学报· 信息科学版), 2015, 40(3): 296. [本文引用:1]
[14]	JIANG Jin-bao, HE Ru-yan, Stevend Michael(蒋金豹, 何汝艳, Stevend Michael). Coal Journal(煤炭学报), 2015, (9): 2152. [本文引用:1]
[15]	Liu Meiling, Liu Xiangnan, Ding Weicui, et al. International Journal of Applied Earth Observation and Geoinformation, 2011, (13): 246. [本文引用:1]
[16]	ZHAO Ying-shi(赵英时). Principle and Method of Remote Sensing Application Analysis(遥感应用分析原理与方法). Beijing: Science Press(北京: 科学出版社), 2013. [本文引用:1]
[17]	Gamon J A, Peñuelas J, Filed C B. Remote Sensing of Environment, 1992, 41(1): 35. [本文引用:1]
[18]	Peñuelas J, Filella I, Lloret P. International Journal of Remote Sensing, 1995, 16(14): 2727. [本文引用:1]
[19]	Rouse J W, Haas R W, Schell J A, et al. Monitoring the Vernal Advancement and Retrogradation (Greenwave Effect) of Natural Vegetation. NASA/GSFC Type Ⅲ Final Report, 1974. [本文引用:1]

0.0

... 规划》明确提出加快天然气管网及储气设施建设^[1], 2015年我国天然气管道总长度超过7 ...

0.0

2017

0.0

... 3%~10%^[3] ...

2016

0.0

... 2万km^[4], 已建成地下储气库25座^[5] ...

2015

0.0

... 2万km^[4], 已建成地下储气库25座^[5] ...

2017

0.0

... 由于地下管道腐蚀、自然与人为破坏, 地下储气库地质断层、废弃的井口、注入井等封堵不好等都会导致地下储存的气体发生泄漏^[6] ...

2004

0.0

... Smith等利用725与702 nm一阶微分比值指数识别天然气胁迫下的草地、小麦和大豆^[7] ...

2006

0.0

... Noomen等研究了盆栽玉米在天然气、甲烷、乙烷泄漏胁迫下蓝、红及水汽吸收波段的光谱特征, 发现波段深度(band depth, BD)指数能够识别不同气体泄漏胁迫下的玉米^[8] ...

0.0

... 光谱曲线进行连续小波变换(CWT)之后得到的小波系数可以提供更多光谱吸收特征的位置信息^[9], 小波分析已被运用到树种识别^[10]、食品安全监测^[11]、植被理化参数反演^[12,13]等方面 ...

... 冠层数据采用5点平滑法进行平滑处理^[9], 如式(1) ...

... 连续小波变换(CWT)处理光谱曲线后可以增强光谱吸收特征信息, 通过一个小波基函数将光谱曲线在不同尺度上转换成对应的小波系数, 如式(3)和式(4)^[9] ...

... 0时, 类别间具有很好的可分性^[9], 可用式(5)和式(6)表示 ...

2015

0.0

2014

0.0

2015

0.0

LIANG

Dong

, YANG

Qin-ying

, HUANG

Wen-jiang

(梁栋, 杨勤英, 黄文江). Infrared and Laser Engineering(红外与激光工程), 2015, 44(1): 335.

Leaf area index (LAI) is an important parameter of crop diagnosis and yield prediction. The LAI of winter wheat obtained from Beijing city had been estimated successfully by support vector machine regression (SVR) model built with LAI and wavelet coefficients of hyperspectral reflectance. The inversion results of this paper method and other five methods, such as selected vegetation indices and partial least-square (PLS) regression models, were analyzed. It was found that the sensitive bands to assess LAI were 680 nm, 739 nm, 802 nm, and 895 nm, and the corresponding wavelet decomposition scales were 8, 4, 9, and 8 determined by continuous wavelet transform(CWT), respectively. The decision coefficient ( R 2 ) of regression equation between LAI and wavelet coefficient was significantly higher than that of between LAI and canopy reflectance. The SVR model based on wavelet coefficients performed best with R 2 of 0.86, and RMSE of 0.43, while the regression models based on two common spectral vegetation indices (NDVI and RVI) performed poor in estimating LAI of winter wheat's multiple birth period ( R 2 RMSE >0.56). It can conclude that the pretreatment method of CWT is better effective for selecting sensitive spectral characteristics to LAI. Meanwhile, SVR is more suitable for developing model in LAI estimation than PLS regression. The combination of CWT and SVR is feasible to realize remote sensing inversion of LAI in the whole growth period of winter wheat.

1. Key Laboratory of Intelligent Computer & Signal Processing, Ministry of Education, Anhui University, Hefei 230039, China; 2. School of Electronic and Information Engineering, Anhui University, Hefei 230039, China; 3. Key Laboratory of Digital Earth Sciences, Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100094, China; 4. Beijing Agriculture Information Technology Research Center, Beijing 100097, China

叶面积指数(LAI)是作物长势诊断及产量预测的重要参数。通过对冬小麦采样点的高光谱曲线进行连续小波变换(CWT),然后利用小波系数与LAI 建立支持向量机回归(SVR)模型,实现冬小麦不同生育时期的叶面积指数估算。通过对所研究方法与选取的植被指数、偏最小二乘(PLS)回归等5种方法的反演结果进行统计分析。结果表明:利用连续小波变换确定的LAI 的敏感波段为680、739、802、895 nm,对应尺度分别为8、4、9 和8,对应小波系数的LAI 回归确定系数( R 2 )明显高于冠层反射率的回归确定系数;利用小波系数与LAI 建立的SVR 模型的反演精度最高,模型实测值与预测值的检验精度( R 2 )为0.86,均方根误差(RMSE)为0.43;而常用植被指数(归一化植被指数,NDVI;比值植被指数,RVI)建立的估测模型对冬小麦多个生育时期LAI 反演精度最低( R 2 RMSE >0.56)。因此利用连续小波变换进行数据预处理,能更好地筛选出对叶面积指数敏感的信息,LAI 回归方法比较结果表明,SVR 比PLS 更适合于LAI 的估测,通过将CWT 与SVR 结合(CWT-SVR)能实现不同生育时期冬小麦叶面积指数的遥感估算。

2015

0.0

2015

0.0

... 蒋金豹等通过HAAR小波变换, 用系数能量总和来监测地下存储CO₂泄漏^[14] ...

2011

0.0

... Liu等用Db5小波基函数对水稻的350~1 300 nm波段进行小波分形分析, 可以成功检测重金属污染程度^[15] ...

0.0

... 植被光谱一阶微分处理可以有效消除或减弱土壤背景的影响, 突出植被光谱曲线上相关的生化方面的细微变化, 更有利于反映植被差异特征^[16] ...

1992

0.0

1995

0.0

1974

0.0