引用本文
梁业恒, 邓孺孺, 梁钰婕, 刘永明, 吴仪, 袁宇恒, 艾先俊. 重金属污染水体背景下的底质反射率光谱特征及其对离水反射率贡献影响分析[J]. 光谱学与光谱分析, 2024,44(1): 111-117.
LIANG Ye-heng, DENG Ru-ru, LIANG Yu-jie, LIU Yong-ming, WU Yi, YUAN Yu-heng, AI Xian-jun. Spectral Characteristics of Sediment Reflectance Under the Background of Heavy Metal Polluted Water and Analysis of Its Contribution to Water-Leaving Reflectance[J]. Spectroscopy and Spectral Analysis, 2024,44(1): 111-117.
Doi:10.3964/j.issn.1000-0593(2024)01-0111-07  
Permissions
Copyright©2024, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
重金属污染水体背景下的底质反射率光谱特征及其对离水反射率贡献影响分析
梁业恒1, 邓孺孺1,2,*, 梁钰婕1, 刘永明3, 吴仪4, 袁宇恒5, 艾先俊6
1.中山大学地理科学与规划学院, 广东 广州 510006
2.广东省水环境遥感监测工程技术研究中心, 广东 广州 510006
3.中国科学院南海海洋研究所热带海洋环境国家重点实验室, 广东 广州 510301
4.香港中文大学地理与资源管理系, 香港 999077
5.北京师范大学地理科学学部, 北京 100875
6.广州市城市规划勘测设计研究院花都分院, 广东 广州 510060
*通讯作者 e-mail: eesdrr@mail.sysu.edu.cn

作者简介: 梁业恒, 1987年生, 中山大学地理科学与规划学院副研究员 e-mail: liangyeheng@163.com

收稿日期: 2022-06-28 修回日期: 2022-10-15 接受日期: 2022-10-15
基金: 国家自然科学基金项目(41901352), 广东省自然科学基金项目(2020A1515010780), 广州市科技计划项目(202102020454), 浙江省生态环境科研和成果推广项目(2020HT0010)资助
摘要

水体重金属遥感反演是水环境遥感领域中的难题, 目前仍有相当多的基础性问题有待解决, 而浅水区底质对离水反射率贡献规律是将来遥感反演模型精度其中一个重要影响因素, 尤其在重金属污染这种特殊的背景下, 揭示其贡献规律对提升水体重金属遥感模型精度有重要作用, 测量结果对研究重金属尾矿底泥的反射率光谱特征以及区分常见水底底质有参考意义。 首先利用光谱仪测量获得广东大宝山尾矿底质反射率, 发现其在波长755、 1 280、 1 620和2 200 nm存在反射峰, 有明显光谱特征, 并与河床常见的粗沙、 淤泥和石头三类底质反射率进行了对比分析, 结果表明: 一方面, 粗沙和淤泥反射率呈一缓慢上升的曲线, 与存在多个特征反射峰的矿区底泥有明显区别; 另一方面, 石头反射率则在波长范围550~650 nm出现一个宽而扁平的反射峰后随即在波长675 nm处出现波谷然后增大至波长750 nm后趋于平缓, 其特征波长与矿区底泥均不一样。 上述特征波长可作为重金属污染背景下底泥光谱的重要区分波段。 测量水深为1 cm、 10 cm和深水区的离水反射率, 结合水质遥感模型计算出1 cm水深情况下底质反射光、 水体散射光, 并将其对离水反射率贡献进行讨论。 离水反射率测量结果表明, 底质对浅水区影响极大, 随着水深变浅, 离水反射率总体不断被抬升。 而水底反射光和水体散射光对离水反射率贡献规律则以波长515 nm为分界线, 向短波方向以水体散射光贡献为主, 向长波方向则以水底反射光为主, 贡献量由底质反射能力和水体散射能力共同决定。 对考虑了底质反射光后的遥感模型精度进行评价, 模型计算得到波长范围350~950 nm内的离水反射率与野外测量值对比结果, 二者具有显著的线性相关( R2=0.964 2), 相对误差在波长范围560~830 nm低于10%, 甚者可低于5%, 模型总体模拟精度较好, 远比在不考虑底质影响时精度高, 模型满足将来水中重金属遥感反演要求。 研究结果对今后水体重金属遥感反演时处理底质影响提供了重要的参考数据和理论依据, 有助推动该领域进一步发展。

关键词: 水体重金属遥感; 重金属矿区; 底质反射率; 光谱特征分析; 模型精度评价
中图分类号:O657.3 文献标志码:A
Spectral Characteristics of Sediment Reflectance Under the Background of Heavy Metal Polluted Water and Analysis of Its Contribution to Water-Leaving Reflectance
LIANG Ye-heng1, DENG Ru-ru1,2,*, LIANG Yu-jie1, LIU Yong-ming3, WU Yi4, YUAN Yu-heng5, AI Xian-jun6
1. School of Geography and Planning, Sun Yat-sen University, Guangzhou 510006, China
2. Guangdong Engineering Research Center of Water Environment Remote Sensing Monitoring, Guangzhou 510006, China
3. State Key Laboratory of Tropical Oceanography, South China Sea Institute of Oceanology, Chinese Academy of Sciences, Guangzhou 510301, China
4. Department of Geography and Resource Management, The Chinese University of Hong Kong, Hong Kong 999077, China
5. Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China
6. Huadu Branch of Guangzhou Urban Planning and Design Survey Research Institute, Guangzhou 510060, China
*Corresponding author
Abstract

Inversion of heavy metals in water by remote sensing is a difficult problem in remote sensing of the water environment. There are still quite a few fundamental problems to be solved. The contribution law of the bottom sediment in the shallow water area to the water-leaving reflectance is one of the important factors affecting the accuracy of the remote sensing inversion model in the future. Especially in the special background of heavy metal pollution, revealing its contribution rule plays an important role in improving the accuracy of the water heavy metal remote sensing model. Meanwhile, the measurement results have reference significance for studying the reflectance spectral characteristics of heavy metal tailings sediments and distinguishing common bottom sediments. Firstly, the reflectance of the Dabaoshan Mountain tailings bottom in Guangdong was obtained by spectrometer measurement. It has reflection peaks at wavelengths of 755, 1 280, 1 620 and 2 200 nm, and has obvious spectral characteristics. The reflectance of three types of sediments coarse sand, silt and stones, which are common in riverbeds, were compared and analyzed. The results show that, on the one hand, the reflectance of coarse sand and silt shows a slowly rising curve, which is different from the sediment in the mining area with multiple characteristic reflection peaks. On the other hand, the reflectance of the stone shows a broad but flat reflection peak in the wavelength range of 550~650 nm, then a trough at the wavelength of 675 nm, and then increases to a wavelength of 750 nm and then tends to be flat. Its characteristic wavelength is different from that of the sediment in the mining area. Therefore, the above characteristic wavelengths can be used as important distinguishing bands of sediment spectra in the background of heavy metal pollution. Then, measure the water-leaving reflectance water depths of 1, 10 cm and deep water. The water-scattered light and water-bottom reflected light were calculated at a water depth of 1 cm, and the contribution of the water-leaving reflectance was discussed. The measurement results of the water-leaving reflectance show that the sediment greatly influences the shallow water area. The contribution law of the water-scattered light and water-bottom reflected light to the water-leaving reflectance takes the wavelength of 515 nm as the dividing line: in the short-wave direction, the water-scattered light is the main contribution, while in the long-wave direction, change to the water bottom reflected light. The contribution is determined by the sediment's reflection ability and the water body's scattering ability. Finally, the accuracy of the remote sensing model after considering the water-bottom reflected light is evaluated. The comparison results of the water-leaving reflectance in the wavelength range of 350~950 nm calculated by the model and the measured value in the field show a significant linear correlation ( R2=0.964 2). The relative error is less than 10% in the wavelength range of 560~830 nm and even less than 5% in some of them. The simulation accuracy of the model is good, which is far higher than that when the influence of the sediment is not considered. The model satisfies the requirements of remote sensing inversion of heavy metals in water in the future. The above research results provide important reference data and theoretical basis for processing sediment effects in remote sensing of water heavy metals inversion in the future, which will help promote further development in this field.

Keyword: Remote sensing of heavy metals in water; Heavy metal mining area; Sediment reflectance; Spectral characteristic analysis; Model accuracy evaluation
引言

水体重金属遥感反演是水环境遥感领域的难点问题。 有学者先从分析典型重金属污染水体光谱特征[1]、 测量代表性重金属化合物光学参数[2, 3]等开展基础性工作, 推动该研究领域的起步。 但将来要真正实现卫星层面的反演应用, 仍有许多问题有待突破。 在重金属污染水体背景下如何处理浅水区的水底反射光影响, 便是提升遥感模型精度一个不可忽视的问题。 由于在浅水区遥感传感器接收到的能量除了包含水体后向散射部分外, 还包含了经水底反射后的能量, 而这部分能量并不能像处理光学深水情形那样直接忽略。 为了不断提升水体重金属遥感模型反演精度, 需要对底质反射光、 水体散射光与离水反射率三者的相互关系进行研究。 本作者曾分析过广东大宝山尾矿重金属污染水体的光谱特征[1], 但当时仍未考虑底质反射光对离水反射率的影响规律, 所研究之离水反射率近似为仅含水体后向散射部分来处理。 本文通过研究大宝山尾矿的底质反射率光谱特征, 分析底质反射光对离水反射率的贡献情况, 并给出考虑底质反射光后的遥感反演模型精度评价, 为进一步提升模型适用性提供参考依据。

近年来, 关于金属矿区底泥光谱研究包括: 从近标准土壤样品中提取的光谱响应特征带估算矿区土壤铅含量[4], 利用短波红外线勘查矿床蚀变矿物[5], 建立经验模型对矿区土壤重金属含量进行遥感反演[6, 7]等。 研究成果主要是关于土壤中重金属光谱特征, 但并非瞄准在水质遥感应用, 如“ 阳光— 水— 重金属— 底质” 这一辐射传输过程中的相互影响未得到应有的考虑。 而浅水区底质对水质遥感模型精度影响, 虽已有学者进行过讨论[8, 9, 10, 11], 但这些研究成果目前只针对叶绿素、 悬浮泥沙、 黄色物质等非重金属水质参数遥感反演应用, 对水中重金属浓度反演的适用性和精度均未有讨论。 本文则是聚焦以重金属污染背景水体为研究对象, 在分析矿区底质反射率光谱特征的基础上, 进而讨论此情景下浅水区底质对水中重金属浓度遥感反演精度影响, 有关研究尚未见报道。

首先开展包含大宝山尾矿床在内的四种不同类型底质反射率光谱特征对比实验, 然后进一步测量大宝山尾矿水库不同水深下的离水反射率, 再通过Deng等[12, 13, 14]提出的水质遥感模型模拟出该处水底反射光、 水体散射光和离水反射率三者的光谱曲线, 然后分析水底反射光和水体散射光对离水反射率的贡献规律, 最后将模型计算值与光谱仪实际测量得到的离水反射率进行对比, 进而评价该遥感模型在水体重金属反演应用中的精度。

1 实验部分
1.1 研究区

广东韶关大宝山尾矿水库是重金属污染比较典型的区域, 并且水域覆盖面积足以在遥感图像得到良好体现, 非常适合开展水体重金属遥感相关研究, 是理想的天然实验区, 因此研究区选择此处开展实验研究(#1点), 对尾矿底泥以及水深为1 cm、 10 cm和深水区(大于5 m)尾矿水库水体进行了反射率光谱测量。 为了对比分析该处底泥与其他常见类型底质的反射率光谱特征, 在广东清远北江下游的某江心滩附近水域选择了3处底质分别为粗沙(#2点)、 淤泥(#3点)和石头(#4点)的样点, 利用抓斗将各样点的底质打捞上岸后, 立即对其反射率进行了测量。 实验样点经纬度和位置示意图分别见表1和图1(a, b)。

表1 光谱测量样点的经纬度 Table 1 The latitude and longitude of spectral measurement sample points

图1 采样点地理位置
(a): 韶关大宝山尾矿水库(#1点); (b): 清远北江河道(#2、 #3、 #4点)Fig.1 The sample points location
(a): Mine drainage in Dabaoshan Mountain(Point #1); (b): Beijiang River in Qingyuan City(Point #2、 #3、 #4)

1.2 离水反射率测量

在水面进行测量的光谱仪探头接收到的离水反射率Rwo包含了水体散射光Rws和水底反射光Rwb, 即

Rwo=Rws+Rwb(1)

水体散射光可用式(2)计算

Rws=βP(0+)4μK(1-Rwb)(2)

水底反射光可用式(3)计算

Rwb=Rbe-μKH(3)

离水反射率即为以上两部分光之和, 式(2)和式(3)代入式(1)得到式(4)

Rwo=Rws+Rwb=βP(0+)4μK(1-Rbe-μKH)+Rbe-μKH(4)

式(2)和式(3)的推导过程, 可参考文献[12, 13, 14]。

其中, μ =secθ z+secθ v≈ 2.7; θ z为测量时太阳天顶角, 通过查万年历获得; θ v为观测方向天顶角, 因本次实验为垂直观测, 所以θ v=0; H为水深; K为该处水域的总消光系数, 测量方法参照相关文献进行; Rb为该处水域底质反射率, 测量原理见1.3节。

但式(4)中仍有β P(0+)未知, 该参数是表征垂直方向观测下水体的后向散射能力, 这部分能量通过测量垂直方向水质情况相同但水深极大的水域来反演计算。 原理是, 当水深极大, 离水反射率仅含水体散射光的前向部分Rd, 可通过式(5)进行计算, 即

Rwo≈Rd=βP(0+)4μK(5)

可以反算出

βP(0+)=4μKRd(6)

底质反射率Rb、 浅水区离水反射率Rwo、 深水区离水反射率Rd是需要现场测量获得。 在光谱测量现场, 实验位置如图2所示。 选择三处地方(如图2中箭头A、 B、 C所指)。 其中, A处为接近水面的裸土表面, 该处泥土性质与尾矿矿床一致, 作为底质反射率Rb测量点; B处水深较浅, 此处离水反射率包含了水体散射光和水底反射光, 是进行模型计算和实际测量对比的实验点, 即Rwo测量点; C处水深极大, 此处水底反射光可以忽略, 即Rd测量点。 上述实验的水体光谱测量方法, 按照普遍接受的水面测量法进行, 底质反射率测量方法, 见1.3节。

图2 光谱测量位置Fig.2 Spectral measurement position

1.3 底质反射率测量

按照标准地物反射率测量方法, 即在相同测量环境下, 先后对标准板和目标底质进行测量, 然后利用比值法求得底质反射率Rb, 即

Rb=LbL0R0(7)

式(7)中, Lb和L0是实验现场由光谱仪分别测得的底质和标准板的辐亮度, R0是由光谱仪厂家提供的标准板反射率, 均为已知值。

2 结果与讨论
2.1 测量结果

图3为根据1.3节原理, 用光谱仪测量得到的#1点重金属尾矿底泥在波长350~2 500 nm反射率光谱曲线。 在中心波长1 400、 1 850和2 450 nm附近为水吸收带, 对土壤水分含量极为敏感, 容易超出仪器探测下限, 因此计算结果出现带状噪声。

图3 重金属尾矿底泥反射率光谱曲线(350~2 500 nm)(#1点)Fig.3 The reflectance spectrums of heavy metal tailings sediment (350~2 500 nm) (Point #1)

为了进一步讨论不同类型底质反射率特征异同, 将河底粗沙、 淤泥、 石头与重金属尾矿底泥这四类底质反射率结果放一起, 同时为了更直观展示各自光谱特征与底质状态的联系, 将底质现场情况照片一并展示, 如图4所示。

图4 四类底质反射率光谱曲线及现场照片Fig.4 The reflectance spectrums and field photos of four kinds of bottom sediment

图5为根据1.2节测量原理在#1点的重金属尾矿水库里, 选择1 cm、 10 cm和深水(水深大于5 m)三种情况下, 测量得到的离水反射率光谱曲线。

图5 不同水深下离水反射率光谱曲线Fig.5 The water-leaving reflectance spectrums at different depths

2.2 重金属尾矿底质反射率特征分析及与其他底质反射率对比

重金属尾矿底质反射率光谱曲线如图3所示。 由测量结果可以发现其光谱特征明显, 具体表现为: (1)可见光波段, 在350~500 nm反射率较低, 不高于2%, 从500 nm开始快速增大, 到755 nm达到第一个峰值, 反射率约为21%, 宏观表现为对绿、 红光反射强烈, 与现场看到底泥呈现鲜黄色吻合; (2)近红外波段, 从755 nm开始反射率减少至950 nm出现第一个波谷, 反射率约为16%, 随后又增强至1 280 nm, 出现第二个波峰, 反射率约为30%, 也是本测量区间内的最大值; (3)中红外波段, 位于三个水吸收带之间, 出现了两个反射峰, 分别在波长1 620和2 200 nm, 反射率分别约为: 21%和13%。

由于长期被重金属尾矿水浸泡, 底泥里已富含多种重金属, 前期已对该区的水体光谱成因进行了分析, 可知水中以硫酸铁及其水解产物为主, 因此推断其应吸附在底泥上, 表现为土壤与该重金属化合物光谱的叠加。 以上发现的特征波长位置(波峰与波谷)为将来遥感反演提供了重要的波段选择依据。

为了进一步讨论其与自然水体中常见底质反射率光谱特征的异同, 选择了河底粗沙、 淤泥、 石头进行对比, 并将对比波长统一在水质遥感常用工作波段350~950 nm范围, 如图4所示。

比较四者反射率大小: (1)在350~500 nm, 尾矿底泥与河底石头反射率相当, 均处于较低水平, 而河底粗沙与淤泥均比它们的反射率要高; (2)在500~565 nm, 尾矿底泥反射率开始增加, 四者的大小关系为: 河底石头< 尾矿底泥< 河底粗沙和淤泥; (3)在565~800 nm, 尾矿底泥反射率值超过其余三者, 并出现反射峰值; (4)在800~950 nm, 尾矿底泥反射率开始降低, 此时粗沙反射率为四者中最大, 四者的大小关系改变为: 河底淤泥和石头< 尾矿底泥< 河底粗沙。

比较四者反射率光谱特征: (1)河底粗沙与淤泥, 反射率表现为一条缓慢上升趋势的曲线, 不过淤泥的反射率比粗沙更快趋于平缓而没变化, 与淤泥呈暗褐色, 而粗沙呈鲜褐色吻合; (2)河底石头则在550~650 nm出现一个宽而扁平的反射峰, 与其表面覆盖青苔等植被有关, 该反射率曲线是石头和植被光谱特征的叠加。 (3)而尾矿底泥的光谱特征就更加丰富, 如前所描述。

总之, 四类底质反射率特征各有异同, 有较明显的光谱区分性。

2.3 重金属污染背景下底质对离水反射率贡献分析

以#1点里测量水深最浅1 cm的水域为例, 讨论重金属污染背景下底质对离水反射率贡献。 通常在利用遥感模型进行水色三要素参数反演时, 在水深极大或水质不佳的情况下, 会忽略水底反射光, 让离水反射率近似只包含水体散射光的前向部分, 但从前面的矿区底泥反射率测量结果来看(图3), 其值总体较大, 因此浅水区域的离水反射率会受底质反射影响, 将来对重金属进行遥感反演时, 大多数矿区水底反射光必需得到考虑, 并不能简单将其进行忽略处理。

从图5三种水深情况下的离水反射率测量结果可以发现: (1)当水深极大, 此时离水反射率总体最低, 仅包含水体散射光前向部分能量; (2)随着水深变浅(图5中水深10 cm的情形), 反射率总体不断抬升, 水体散射光后向部分经底质反射出水以及底质反射光的能量开始同时增加; (3)随着水深变得更浅(图5中水深1 cm的情形), 离水反射率各波段继续抬升, 抬升幅度与前面测得的矿区底泥反射率密切相关, 当底泥某波长下反射率较大则该波长的离水反射率抬升幅度就随之变大, 抬升量所服从的数理关系是后续研究内容; (4)可以发现实验样点最浅的1 cm水深下离水反射率测量结果, 总体被抬升最厉害, 受到水底反射光影响最为强烈, 就连本该水体为强吸收的990~1 150 nm波段范围, 也出现了一个小反射峰, 这恰恰是矿区底质反射率开始爬升快要达到峰值的波段。

为了更直观分析浅水区水底反射光和水体散射光在离水反射率各自的贡献, 以1 cm水深下测量得到的离水反射率为例, 用1.2节式(1)— 式(3)分别模拟计算得到这三个反射率参数的光谱曲线如图6所示, 水体散射光与水底反射光贡献占比如图7所示。 从计算结果可知: 从350 nm开始, 离水反射率以水体散射光能量贡献为主(占比超过50%), 此时由于该波长范围底泥反射率仍比较低, 所产生的水底反射光仍比较弱, 随着波长增至515 nm附近时, 二者能量贡献达至相当(二者占比均接近50%); 随着底泥反射率开始增大, 水底反射光能量占比超过水体散射光, 占主导地位。 可以发现, 水体散射光在650 nm附近处出现峰值, 水体散射光和底质反射光能量贡献均处于较高水平, 使得水体的离水反射率在此处波长达到最大, 对红光反射最为强烈, 与作者前期测量结果相吻合。

图6 离水反射率Rwo、 水体散射光Rws、 水底反射光Rwb的模型计算值(水深1 cm)Fig.6 Model calculated values of water-leaving reflectance, water scattered light and water-bottom reflected light (water depth is 1 cm)

图7 水底反射光与水体散射光占比曲线Fig.7 Proportion of water-bottom reflected light and water scattered light

2.4 浅水区离水反射率测量值与模型计算值对比分析

为了说明考虑水底反射光后对模型精度影响, 将光谱仪实地测量水深1 cm处的离水反射率和利用式(1)计算得到的模拟值进行对比, 如图8所示。 二者的相关性如图9所示, 为直观显示各波长下的相关性情况, 图中各点赋上与波长对应的颜色(近红外波段用暗红色表示)。 二者相对误差随波长变化曲线如图10所示。

图8 浅水区离水反射率的模型计算值与实测值对比(水深1 cm)Fig.8 Comparison between the model calculated and measured values of water-leaving reflectance in shallow water area (water depth is 1 cm)

图9 离水反射率模型计算值与实测值散点图与相关性Fig.9 Correlation between the model calculated and measured values of water-leaving reflectance

图10 遥感模型相对误差随波长变化曲线Fig.10 The relative error of remote sensing model varies with wavelength

从上述结果发现: 图8直观显示出二者的光谱曲线特征和数值接近。 进一步地, 图9中的实测值与模型计算值具有显著的相关性(R2=0.964 2)。 图10中的相对误差随波长变化曲线则表现出“ 两端高, 中间低” 的特点, 在560~830 nm之间, 二者相对误差可在10%以内, 甚者可在5%以内。 对于相对误差较大位于“ 两端” 的区间, 分别讨论其原因: 在350~560 nm, 反射率总体在低值区, 因此容易超过光谱仪探测下限从而产生波动误差; 在830~950 nm, 该波段的水吸收较强, 对水体厚度探测非常敏感, 水面稍有晃动, 光谱测量结果就会有较大的变化。 尽管如此, 二者误差也远比在不考虑底质反射影响时要低(由图6中可见模型计算得到的离水反射率与水体散射光存在明显差异), 说明模型计算结果和实际情况吻合得不错, 也印证了上述所用之模型精度符合将来用于水体重金属反演应用的要求。

3 结论

测量获得了大宝山尾矿水库底质反射率、 浅水区离水反射率, 通过遥感模型计算出水底反射光、 水体散射光和离水反射率, 分析了前两部分组成光对离水反射率贡献规律, 并对考虑底质反射光后的遥感模型进行精度评价。 从以上研究结果可以发现:

(1)重金属尾矿底质反射率存在多个反射峰的明显光谱特征, 并且与河床常见的粗沙、 淤泥、 石头底质有很好的光谱可分性。 测量结果为考虑底质反射光后的遥感模型提供了必要参数, 扩充了可面向水质遥感应用的底质反射率光谱库。

(2)在重金属污染背景下的浅水区底质反射光对离水反射率有极大影响, 其影响程度和底质反射率大小呈正相关。 当考虑了水底反射光的遥感模型, 其精度远高于仅考虑水体散射光前向部分的情况, 修正后的模型可满足将来矿区水体重金属浓度提取要求。

研究成果在水体重金属遥感反演面向实际应用和推动该领域发展提供了参考依据和理论基础。

参考文献
[1] CUI Wei, MA Xiao-yong(崔伟, 马晓勇). The Administration and Technique of Environmental Monitoring(环境监测管理与技术), 2022, 34(3): 53. [本文引用:2]
[2] LIANG Ye-heng, DENG Ru-ru, GAO Yi-kang, et al(梁业恒, 邓孺孺, 高奕康, 等). Journal of Remote Sensing(遥感学报), 2016, 20(1): 27. [本文引用:1]
[3] DENG Ru-ru, LIANG Ye-heng, GAO Yi-kang, et al(邓孺孺, 梁业恒, 高奕康, 等). Journal of Remote Sensing(遥感学报), 2016, 20(1): 35. [本文引用:1]
[4] Zhou Mo, Zou Bin, Tu Yulong, et al. Geocarto International, 2022, 37(26): 13248. [本文引用:1]
[5] CHEN Hua-yong, ZHANG Shi-tao, CHU Gao-bin, et al(陈华勇, 张世涛, 初高彬, 等). Acta Petrologica Sinica(岩石学报), 2019, 35(12): 3629. [本文引用:1]
[6] Wan Yuqing, Fan Yuhai, Jin Moushun. Scientific Reports, 2021, 11: 440. [本文引用:1]
[7] HAN Ling, LIU Zhi-heng, NING Yu-ming, et al(韩玲, 刘志恒, 宁昱铭, 等). Conservation and Utilization of Mineral Resources(矿产保护与利用), 2019, 39(1): 109. [本文引用:1]
[8] Lee Zhongping, Carder K, Mobley C, et al. Applied Optics, 1999, 38(18): 3831. [本文引用:1]
[9] Barnes B, Garcia R, Hu Chuanming, et al. Remote Sensing of Environment, 2018, 204: 424. [本文引用:1]
[10] Li Jiwei, Yu Qian, Tian Yong Q, et al. Remote Sensing of Environment, 2018, 218: 189. [本文引用:1]
[11] Zhou Xiaochi, Marco M, Albertson J, et al. Remote Sensing, 2017, 9(4): 393. [本文引用:1]
[12] LIU Wen-ya, DENG Ru-ru, LIANG Ye-heng, et al(刘文雅, 邓孺孺, 梁业恒, 等). Remote Sensing for Land and Resources(国土资源遥感), 2019, 31(2): 102. [本文引用:2]
[13] DENG Ru-ru, HE Zhi-jian, CHEN Xiao-xiang, et al(邓孺孺, 何执兼, 陈晓翔, 等). Acta Scientiarum Naturalium Universitatis Sunyatseni(中山大学学报·自然科学版), 2002, 41(3): 99. [本文引用:2]
[14] Deng Ruru, Liu Qinghuo, Ke Ruipeng, et al. Acta Oceanologica Sinica, 2004, 23(1): 119. [本文引用:2]