方 金，梁天剛，呂志邦，馮琦勝，何詠琪

(草地農(nóng)業(yè)生態(tài)系統(tǒng)國家重點實驗室 蘭州大學(xué)草地農(nóng)業(yè)科技學(xué)院，甘肅 蘭州 730020)

高光譜遙感是20世紀80年代以來人類在對地觀測方面取得的重大成就之一[1]，其特點是波段多、波寬窄、波段之間近似連續(xù)，能夠提供更加豐富的地表信息，因此受到國內(nèi)外學(xué)者的極大關(guān)注和廣泛應(yīng)用[2]。目前其應(yīng)用已涵蓋地球科學(xué)的各個學(xué)科，包括植被調(diào)查[3-8]、農(nóng)業(yè)遙感[9-11]、大氣科學(xué)研究[12-13]、環(huán)境監(jiān)測[14-17]等諸多領(lǐng)域。高光譜數(shù)據(jù)的光譜分辨率達到納米級，能更加敏感地反映地物對光的吸收與反射情況[18-19]，因此可以根據(jù)光譜曲線特征識別不同地物類型。一般不同地物具有不同的光譜曲線，但也存在異物同譜或同物異譜等情況[20-21]。目前具有代表性的航空高光譜遙感儀有Airborne Visible/Infrared Imaging Spectrometer (AVIRIS)、Earth Observing-1 (EO-1)、Compact Airborne Spectral Graphic Imager (CASI)等，基于這些影像處理已經(jīng)開展了大量研究工作[22-24]。

在航空高光譜技術(shù)研究的基礎(chǔ)上，20世紀90年代末期以來迎來了航天高光譜遙感的發(fā)展階段。1999年美國地球觀測計劃(Earth Observing System，EOS)的Terra綜合平臺上的中分辨率成像光譜儀(Moderate-resolution Imaging Spectroradiometer，MODIS)——號稱新千年計劃第一星的EO-1，歐洲環(huán)境衛(wèi)星(ENVISAT)上的MERIS，以及歐洲的PROBA(Compact High Resolution Imaging Spectrometer，CHRIS)衛(wèi)星相繼升空，宣告了航天高光譜時代的來臨。國際上也有很多類似的研究，如Dutta等[25]結(jié)合EO-1數(shù)據(jù)計算出5種不同的水壓迫疾病指數(shù)，成功對印度拉賈斯坦邦的巴拉普爾區(qū)的芥末患病區(qū)域進行了制圖。Hirano等[26]運用AVIRIS高光譜數(shù)據(jù)對美國佛羅里達洲馬德拉灣的濕地地區(qū)植被進行了遙感分類。國內(nèi)近些年在高光譜遙感方面也取得了長足的進步，Weng等[27]結(jié)合土壤含鹽量光譜指數(shù)和EO-1高光譜數(shù)據(jù)，對黃河三角洲區(qū)域土壤鹽漬化狀況進行了研究；王明常等[28]利用MODTRAN4模型對CHRIS數(shù)據(jù)進行了大氣校正，校正后的數(shù)據(jù)與MODIS標準的植被光譜反射形態(tài)一致，為植被生物量等參數(shù)的定量遙感奠定了理論基礎(chǔ)；朱晶晶等[29]基于MERIS數(shù)據(jù)成功模擬了滇池2003―2009年不同月份藍藻中葉綠素濃度的時空變化規(guī)律。以上均是基于國外的高光譜數(shù)據(jù)針對相關(guān)科學(xué)問題展開的研究。自2008年我國成功發(fā)射“風(fēng)云-3號”氣象衛(wèi)星和環(huán)境與災(zāi)害監(jiān)測小衛(wèi)星(HJ-A/B)以來，針對自主研發(fā)的星載中分辨率光譜成像儀(MERSI)，特別是自2009年3月HJ-A/B衛(wèi)星交付民政部和環(huán)境保護部正式應(yīng)用以來，對高光譜成像儀(HSI)的應(yīng)用研究，便成為國內(nèi)許多學(xué)者研究的熱點。但是，目前我國針對環(huán)境減災(zāi)高光譜影像的研究還處在起步階段，只是單純對影像本身的處理及最佳波段組合進行了研究與分析[30-32]，沒有與相關(guān)學(xué)科問題聯(lián)系起來。本研究基于環(huán)境減災(zāi)衛(wèi)星的高光譜數(shù)據(jù)，以甘肅瑪曲高寒牧區(qū)作為典型研究區(qū)，開展了牧區(qū)地物光譜特征分析、土地覆蓋分類及多種植被指數(shù)的比較研究，以期為HJ-A/B衛(wèi)星高光譜數(shù)據(jù)在牧區(qū)地物識別及草地植被監(jiān)測方面的應(yīng)用提供科學(xué)依據(jù)，為HSI數(shù)據(jù)在草地生態(tài)研究中的運用奠定了基礎(chǔ)。

1 材料與方法

1.1研究區(qū)概況 瑪曲縣地處青藏高原東部，海拔3 300～4 800 m，氣候寒冷，年平均溫度1.1 ℃，年降水量達615.5 mm[33]。該縣共有高寒草甸、高寒灌叢草甸和沼澤3種草地類型，草地總面積為8.59×105hm2，占全縣土地總面積的89.4%。典型試驗區(qū)位于瑪曲縣城附近(圖1)，101.806°～102.489°E ，33.657°～34.147° N，土地覆蓋類型主要有草地、水域、裸地，其中主要草地類型包括高寒灌叢草甸類和高寒草甸類。試驗區(qū)涵蓋了瑪曲縣所有草地類型及主要土地覆蓋類型，具有良好的代表性。

圖1 環(huán)境減災(zāi)(HJ-1A)衛(wèi)星高光譜影像及樣點空間分布位置Fig.1 The HJ-1A satellite hyperspectral image and the samples’ spatial distribution

1.2數(shù)據(jù)獲取

1.2.1高光譜數(shù)據(jù) 環(huán)境與災(zāi)害監(jiān)測小衛(wèi)星星座A、B星(HJ-1A/1B星)于2008年9月6日上午11點25分成功發(fā)射，HJ-1A星搭載了CCD相機和超光譜成像儀(HSI)，HJ-1B星搭載了CCD相機和紅外相機(IRS)。HSI完成對地刈寬為50 km、空間分辨率為100 m、115個光譜譜段的推掃成像，具有±30°側(cè)視能力和星上定標功能。采用的高光譜數(shù)據(jù)成像時間是2011年6月12日，景序列號為554595，產(chǎn)品序列號為555373，下載于中國資源衛(wèi)星應(yīng)用中心(http://www.cresda.com/n16/index.html)。影像波譜范圍為460-951 nm，共計115個波段，其中1～20和113、114、115波段數(shù)據(jù)本身受條帶影響，數(shù)據(jù)質(zhì)量差，因此本項研究未分析這些波段的數(shù)據(jù)。1到90為可見光波段(460-770 nm)，其中，1～20波段為藍光(460-503 nm)，21～51波段為綠光(505-595 nm),52～90波段為紅光(598-770 nm)；91到115為近紅外波段(776-951 nm)。同時，為了對該影像進行幾何精校正，選取了一景經(jīng)過校正的LANDSAT TM-5衛(wèi)星影像作為標準影像，成像時間是2000年8月20日，行列號為131036，共有7個波段，其中第6波段分辨率為120 m，其余均為30 m，影像的幅寬為185 km×185 km，校正所需波段為第3、4、5波段。

1.2.2實測數(shù)據(jù) 地面調(diào)查時間為2011年8月。在高光譜圖像覆蓋的區(qū)域內(nèi)，有26個地面樣方觀測點，樣方大小為0.5 m×0.5 m，調(diào)查項目主要包括土地覆蓋類型、牧草鮮質(zhì)量和干質(zhì)量、草地植被蓋度、草群平均高度、經(jīng)緯度、海拔等。其中，草地樣方20個，包含高寒灌叢草甸類13個，高寒草甸類7個、裸地調(diào)查樣方3個、城鎮(zhèn)調(diào)查樣方2個和水域調(diào)查樣方1個。

1.2.3地物標準波譜曲線獲取 獲取的HSI數(shù)據(jù)是經(jīng)過幾何粗糾正的HDF5格式的數(shù)據(jù)，數(shù)據(jù)本身幾何精度一般，受大氣影響較大，為了消除這些影像，利用The Environment for Visualizing Images (ENVI)軟件，對高光譜影像進行輻射定標、幾何精糾正、大氣校正等預(yù)處理：(1)運用ENVI下的HJ小補丁，直接讀取HDF5數(shù)據(jù)，得到經(jīng)過輻射定標和幾何粗糾正的數(shù)據(jù)。(2)結(jié)合下載的TM標準影像，運用ENVI中Registration工具對HSI數(shù)據(jù)進行幾何精糾正，減小由于幾何變形造成的誤差。(3)大氣校正是在ENVI中的FLAASH模塊下完成的，該模塊植入模型是當(dāng)下最常用的MODTRAN4模型，能夠很好地補償大氣的影響。經(jīng)過這些預(yù)處理，最終得到真實地表反射率；然后，結(jié)合LANDSAT TM-5影像和實測數(shù)據(jù)，對研究區(qū)高光譜圖像進行目視解譯，劃分出云、裸地、植被和水域4類土地覆蓋類型；最后，在每種土地覆蓋類型上隨機選取20個樣點，提取每個樣點所有波段的反射率值，分別計算各個波段的平均反射率，將其連成一條曲線作為該類型的標準光譜曲線。

為了有效突出光譜曲線的吸收和反射特征，對所有地物的標準光譜曲線分別進行包絡(luò)線去除，并且將其歸一到一致的光譜背景上，以便與其他光譜曲線進行特征數(shù)值的比較[34-36]。量化的光譜吸收特征主要包括,(a)吸收位置(Absorption Position,AP)：在光譜吸收谷中反射率最低處的波長。在經(jīng)過包絡(luò)線去除的光譜曲線上找出所有值為1的端點，每兩個相鄰的端點間反射率最低的波長便是該波帶的一個吸收位置。(b)吸收深度(Absorption Depth，AD)：在某一波段吸收范圍內(nèi)，反射率最低點到歸一化包絡(luò)線的距離。(c)吸收寬度(Absorption Width,AW)：吸收起點到吸收終點之間的波長。(d)吸收對稱性(Absorption Symmetry，AS)：以過吸收位置的垂線為界線，右邊區(qū)域面積與左邊區(qū)域面積比值的常用對數(shù)。左不對稱為負數(shù)(-)，對稱為零(0)，右不對稱為正數(shù)(+)。

2 結(jié)果與分析

2.1不同地物標準波譜曲線特征分析 分析云、水域、植被和裸地4類地物標準波譜曲線(圖2)及其包絡(luò)線去除的結(jié)果(圖3)，得到各地物波譜曲線的吸收特征(表1)。裸地的整體反射率在20%左右，其在綠光波段范圍內(nèi)(505-595 nm)逐漸上升，至紅光的前20個波段(598-678 nm)趨于穩(wěn)定，從第73波段(682 nm)到近紅外波段(925 nm)整體呈現(xiàn)上升趨勢，總反射率約10%。裸地的光譜曲線在可見光波段(460-770 nm)共有5個吸收谷點，在711 nm處達到最大吸收深度，吸收寬度也是最大，在近紅外波段有3個吸收谷點。裸地在影像區(qū)域內(nèi)可細分為城鎮(zhèn)和裸土兩個小類(圖4)，這兩類在可見光和近紅外波段的吸收位置一樣，整體波形相似，只是在720-820 nm內(nèi)城鎮(zhèn)反射率要稍高于裸土。

圖2 研究區(qū)4類主要地物標準波譜曲線Fig.2 Standard spectral curves of four major objects in study area

在可見光和近紅外波段，水域幾乎吸收了全部的能量，其吸收谷是4類地物中最多的。在可見光波段有6個吸收谷，近紅外波段有3個吸收谷。水域主要吸收谷在678 nm處，吸收深度為0.094，吸收寬度是178 nm。純凈水的整體反射率一般應(yīng)低于6.0%[37]，但由于黃河水中含有其他無機和有機物，其總體反射率不超過10.0%。黃河水域的反射率在綠光波段(505-595 nm)逐漸上升，從5.7%增至9.0%，在紅光波段(598-770 nm)保持在9.0%，到了近紅外波段(776-951 nm)逐漸下降，反射率降至7.0%左右(圖2)。

圖3 包絡(luò)線去除后的4類主要地物波譜曲線Fig.3 The continuum-removed standard spectral curves of four major objects

表1 不同地物標準波譜曲線對應(yīng)的吸收特征Table 1 The absorption features corresponding to the standard spectral curves of different objects

圖4 城鎮(zhèn)和裸土的標準波譜曲線Fig.4 Standard spectral curves of towns and bare lands

云的波譜曲線變化趨勢平緩，其總反射率約為50.0%。在整個研究波段范圍內(nèi)，只有3個吸收谷，是4類地物中吸收位置最少的。可見光波段(460-770 nm)吸收谷在711 nm處，近紅外波段(776-951 nm)吸收谷分別在892和917 nm處。云的反射率在綠光波段(505-595 nm)基本保持不變，在紅光波段(598-770 nm)先減小后增加，在711 nm處有一個吸收峰，近紅外波段(776-951 nm)是其反射率最高的波段(圖2)。

植被的波譜曲線在綠光范圍內(nèi)(505-595 nm)呈現(xiàn)緩慢上升趨勢，反射率從9.5%增加到12.4%。從595 nm到665 nm，波譜曲線平坦，反射率下降了0.7%。進入紅邊區(qū)域，反射率迅速由11.77%增至28.86%。近紅外波段(776-951 nm)是相對平坦的高反射率區(qū)域，雖有3個吸收谷，但吸收深度均較小。植被在可見光波段(460-770 nm)有較強的吸收特性，吸收位置為678 nm，吸收深度0.414，吸收寬度為162 nm。縱觀整條波譜曲線，研究區(qū)植被整體反射率沒有達到理論上的高度，這可能與研究區(qū)采樣點的植被類型及蓋度等因素有關(guān)。研究區(qū)的植被類型主要為高寒灌叢草甸和高寒草甸，比較波譜曲線發(fā)現(xiàn)兩者的波形相似，吸收位置十分相近，高寒灌叢草甸的反射率略低于高寒草甸。在綠光波段以及紅光波段(460-721 nm)，高寒灌叢草甸反射率均低于4.0%，經(jīng)過紅邊區(qū)域上升后，兩者反射率更加接近，高寒灌叢草甸只比高寒草甸低1.0%左右(圖5)。以上4類地物吸收位置的不同主要體現(xiàn)在紅光波段，在近紅外波段吸收的位置和深度基本相同。

圖5 高寒灌叢草甸與高寒草甸的標準波譜曲線Fig.5 Standard spectral curves of alpine shrub meadow and alpine meadow

2.2分類結(jié)果對比 利用監(jiān)督分類的最大似然法和光譜角分類方法[38-39]對高光譜影像進行分類，同時對高光譜影像進行目視解譯，依據(jù)目視解譯結(jié)果，對監(jiān)督分類(圖6a)和光譜角分類(圖6b)結(jié)果進行精度評價(表2)。

利用樣點分析發(fā)現(xiàn)，光譜角分類精度為76.9%，監(jiān)督分類的精度為73.1%(圖6)。由于樣點較少，驗證時穩(wěn)定性較差，將兩種分類結(jié)果同目視解譯結(jié)果進行對比驗證發(fā)現(xiàn)，光譜角分類法的總精度達85.9%，比監(jiān)督分類約高13個百分點(表2)。對比兩種分類結(jié)果，監(jiān)督分類受云層影響很大，不能將山體陰坡的植被和處于云影下的植被與水域區(qū)分開，因此分類結(jié)果圖中云的面積較大。光譜角分類方法的計算不再局限于3個波段，單一波段波寬窄，吸收的能量少，對地物特征的反映受自身條件的制約，光譜角分類方法可以考慮到所有波段的影響，從而可以提高分類精度。特別是它能成功對薄云和陰影下的地物進行識別。運用光譜角分類法，將4類地物細分為云、高寒灌叢草甸、高寒草甸、裸土、城鎮(zhèn)和水域6類。研究結(jié)果表明，城鎮(zhèn)與裸土、高寒灌叢草甸與高寒草甸之間的分類效果不好，主要原因是兩種地物的特征相似，光譜曲線非常相近，導(dǎo)致分類效果較差。

由此可見，光譜角分類法具有較高的分類精度，更適合高光譜影像的分類，但對眾多地物進行詳細分類時，仍然受空間分辨率較低(100 m)等因素的嚴重影響，需要不斷深入研究。

表2 不同分類方法的土地覆蓋分類精度Table 2 The land cover classification accuracy of different classification methods

2.3草地植被指數(shù)與生物量模型分析 高光譜數(shù)據(jù)波段多，不同波段之間相互組合便能計算出眾多不同的植被指數(shù)，優(yōu)于傳統(tǒng)的多光譜影像數(shù)據(jù)。本研究運用ENVI中的band math 工具，通過不同的波段組合共計算出了9種不同的植被指數(shù)(表3)。歸一化植被指數(shù)(Normalized Difference Vegetation Index,NDVI)、比值植被指數(shù)(Simple Ratio Index,SR)和綠度總和指數(shù)(Sum Green Index,SG)為寬帶綠度指數(shù)，可以簡單度量綠色植被的生長狀況，對植物的葉綠素含量、葉面冠層結(jié)構(gòu)比較敏感，寬帶綠度指數(shù)常用于植被物候發(fā)育的研究、土地利用和氣候影響評估、植被生產(chǎn)力建模等。紅邊歸一化植被指數(shù) (Red Edge Normalized Difference Vegetation Index,NDVI 705)和紅邊指數(shù)(Vogelmann Red Edge Index,VOG)為窄帶綠度指數(shù)，他們比寬帶綠度指數(shù)更加靈敏，特別是對于茂密植被。光化學(xué)植被指數(shù)(Photochemical Reflectance Index,PRI)和紅綠比值指數(shù)(Red Green Ratio Index,RG)是兩種光利用率指數(shù)，可用來度量植被在光合作用中對入射光的利用效率。類胡蘿卜素反射指數(shù)1(Carotenoid Reflectance Index 1,CRI1)和類胡蘿卜素反射指數(shù)2(Carotenoid Reflectance Index 2,CRI2)是葉色素指數(shù)，用于度量植被中與脅迫性相關(guān)的色素。所有植被指數(shù)在植被覆蓋區(qū)的取值范圍均在其理論取值范圍之內(nèi)。

歸一化植被指數(shù)、比值植被指數(shù)、紅邊歸一化植被指數(shù)這3種植被指數(shù)與地上生物量顯著相關(guān)，其余的相關(guān)性不好(表4)。在以上3種植被指數(shù)中，決定系數(shù)大于0.4的有歸一化植被指數(shù)和比值植被指數(shù)，其中基于比值植被指數(shù)的生物量反演模型的F檢驗值最大，其次為歸一化植被指數(shù)。因此，基于HJ-1A衛(wèi)星高光譜資料的歸一化植被指數(shù)和比值植被指數(shù)是適合瑪曲縣草地植被生物量動態(tài)監(jiān)測的較好的植被指數(shù)。

3 結(jié)論

通過對HSI數(shù)據(jù)的輻射校正、幾何精糾正、大氣校正等預(yù)處理，結(jié)合地面實測數(shù)據(jù)，并經(jīng)過大量分析得出如下結(jié)論。

1)研究區(qū)裸地、水域、云、植被的光譜曲線在紅光波段具有明顯的差異：水域的吸收位置最多，有6個，裸地次之，云和植被的吸收位置最少，均只有1個，但是植被的吸收深度要遠高于云的吸收深度；波譜曲線整體反射率方面，云最高，在50.0%左右，水域最低，在10.0%左右；在近紅外波段吸收的位置和深度基本相同。后兩者反射率更加接近，高寒灌叢草甸只比高寒草甸低1.0%左右。

圖6 監(jiān)督分類(a)與光譜角分類結(jié)果(b)Fig.6 The results of supervised classification (a) and spectral angle mapper(b)

表3 不同植被指數(shù)的計算公式及植被覆蓋區(qū)取值范圍 Table 3 The formulas and threshold values of different vegetation indexes in vegetation regions

表4 不同植被指數(shù)(y)與地上生物量干質(zhì)量(x)的線性回歸模型Table 4 Regression models between vegetation indexes(y) and dry weight of above ground biomass(x)

2)基于高光譜影像的光譜角分類法優(yōu)于監(jiān)督分類。光譜角分類的精度達到85.9%，高于監(jiān)督分類的72.5%，兩種分類方法均適合高光譜影像的分類，但光譜角分類能夠識別薄云、云下陰影以及山體陰影處的地物。

3)建立了9種不同植被指數(shù)與生物量之間的線性回歸模型，發(fā)現(xiàn)歸一化植被指數(shù)、比值植被指數(shù)和紅邊歸一化植被指數(shù)3種植被指數(shù)與生物量的相關(guān)性較好，其中模型決定系數(shù)大于0.4的有歸一化植被指數(shù)和比值植被指數(shù)，因此這兩種植被指數(shù)適合研究區(qū)草地植被生物量的動態(tài)監(jiān)測。

由于高寒草甸和高寒灌叢草甸波譜曲線高度相似，而且影像本身波段寬度較窄(450-950 nm)，沒有將高寒草甸和高寒灌叢區(qū)分開來進行的土地覆蓋分類。這是本研究的一個遺憾，希望隨著國家航空航天科技的發(fā)展和研究的深入，能夠在日后成功運用國產(chǎn)影像數(shù)據(jù)對各種類型草地進行很好的分類。

[1] 王先華,王樂意,喬延利.遙感中的高光譜技術(shù)及應(yīng)用[J].光電子技術(shù)與信息,2001,14(6):7-13.

[2] 童慶禧,張兵,鄭蘭芬.高光譜遙感原理、技術(shù)及應(yīng)用[M].北京:高等教育出版社,2006:1-2.

[3] 廖春華,張顯峰,孫權(quán),等.基于HJ-1高光譜數(shù)據(jù)的植被覆蓋度估測方法研究[J].遙感信息,2011(5):65-70.

[4] 張連蓬,柳欽火,王德高,等.高光譜遙感植被指數(shù)的普適性分析[J].測繪通報,2010(9):1-4.

[5] 范燕敏,武紅旗,靳瑰麗.新疆草地類型高光譜特征[J].草業(yè)科學(xué),2006,23(6):15-18.

[6] 周磊,辛?xí)云?李剛,等.高光譜遙感在草原監(jiān)測中的應(yīng)用[J].草業(yè)科學(xué),2009,26(4):20-27.

[7] 劉月,春喜,張美杰,等.內(nèi)蒙古不同植被光譜特征分析[J].內(nèi)蒙古草業(yè),2011,23(3):44-48.

[8] 錢育蓉,楊峰,李建龍,等.利用高光譜數(shù)據(jù)快速估算高羊茅牧草光合色素的研究[J].草業(yè)學(xué)報,2009,18(4):94-102.

[9] 邢素麗,張廣錄.我國農(nóng)業(yè)遙感的應(yīng)用現(xiàn)狀與展望[J].農(nóng)業(yè)工程學(xué)報,2003,19(6):174-178.

[10] 姚云軍,秦其明,張自力,等.高光譜技術(shù)在農(nóng)業(yè)遙感中的應(yīng)用研究進展[J].農(nóng)業(yè)工程學(xué)報,2008,24(7):301-306.

[11] 張文,張建利,陳功.葉面施肥對草坪高光譜反射率及色澤的影響[J].草業(yè)學(xué)報,2009,18(2):115-121.

[12] 官莉,Huang H L,王振會.紅外高光譜資料反演有云時大氣溫濕廓線的模擬研究[J].遙感學(xué)報,2008,12(6):987-991.

[13] 劉三超,高懋芳,柳欽火,等.高光譜數(shù)據(jù)反演大氣水汽研究[J].遙感信息,2009(3):11-14.

[14] 包玉龍,張繼權(quán),趙云升,等.基于高光譜的草地可燃物含水率估測方法[J].紅外,2011,32(7):38-42.

[15] 董延旭,蔣洪波,陳超,等.基于實測光譜分析的HJ -1B數(shù)據(jù)淺層雪深反演[J].光譜學(xué)與光譜分析,2011,31(10):2784-2788.

[16] 宋珍,陳曉玲,劉海,等.基于HJ-1A/1B衛(wèi)星遙感數(shù)據(jù)的積雪識別方法研究[J].長江流域資源與環(huán)境,2011,20(5):553-558.

[17] 簡季,江洪,江子山.川西北米亞羅地區(qū)雪積/雪融光譜測量及光譜分析[J].光譜學(xué)與光譜分析,2011,31(5):1361-1365.

[18] 蘇紅軍,杜培軍.高光譜數(shù)據(jù)特征選擇與特征提取研究[J].遙感技術(shù)與應(yīng)用,2006,21(4):288-293.

[19] 徐元進,胡光道,張振飛.基于光譜整體形態(tài)和局部吸收谷位置的高光譜遙感圖像地物識別[J].武漢大學(xué)學(xué)報,2010,35(7):868-872.

[20] 徐興新,葉宗懷,許安,等.廣州市水體和植物的遙感光譜分析[J].地質(zhì)地球化學(xué),1989(5):49-53.

[21] 張俊,沈亞婷,王學(xué)軍.基于高光譜吸收特征參數(shù)以及光譜吸收指數(shù)的藻類葉綠素a反演分離模型研究[J].農(nóng)業(yè)環(huán)境科學(xué)學(xué)報,2011,30(8):1622-1629.

[22] 宋曉宇,王紀華,劉良云,等.基于高光譜遙感影像的大氣糾正：用AVIRIS數(shù)據(jù)評價大氣糾正模塊FLAASH[J].遙感技術(shù)與應(yīng)用,2005,20(4):393-398.

[23] 田豐,楊蘇明,王潤生.EO-1 Hyperion高光譜數(shù)據(jù)FLAASH模塊大氣糾正[J].新疆地質(zhì),2010,28(1):109-112.

[24] 劉麗娟,龐勇,范文義,等.整合機載CASI和SASI高光譜數(shù)據(jù)的北方森林樹種填圖研究[J].遙感技術(shù)與應(yīng)用,2011,26(2):129-136.

[25] Dutta S,Bhattacharya B K,Rajak D R.Diease detection in mustard crop using EO-1 hyperion satellite data[J].Journal of the Indian Society of Remote Sensing,2006,34(3):325-330.

[26] Hirano A,Madden M,Welch R.Hyperspectral image data for mapping wetland vegetation[J].Wetlands,2003,23(2):436-448.

[27] Weng Y L,Gong P,Zhu Z L.A spectral index for estimating soil salinity in the Yellow River Delta Region of China using EO-1 Hyperion data[J].Pedosphere,2010,20(3):378-388.

[28] 王明常,王亞楠,陳圣波,等.多角度高光譜CHRIS/Proba植被模式數(shù)據(jù)大氣校正[J].吉林大學(xué)學(xué)報,2011,41(2):609-614.

[29] 朱晶晶，陳晉，王勝強，等.基于MERIS數(shù)據(jù)的滇池葉綠素濃度時空變化(2003-2009年)及趨勢[J].湖泊科學(xué)，2011,23(4):581-590.

[30] 鈕立明,蒙繼華,吳炳方,等.HJ-1A星HSI數(shù)據(jù)2級產(chǎn)品處理流程研究[J].國土資源遙感,2011(1):77-82.

[31] 楊貴軍,黃文江,劉三超,等.環(huán)境減災(zāi)衛(wèi)星高光譜數(shù)據(jù)大氣校正模型及驗證[J].北京大學(xué)學(xué)報,2010,46(5):821-828.

[32] 馬娜,胡云鋒,莊大方,等.基于最佳波段指數(shù)和J-M距離可分性的高光譜數(shù)據(jù)最佳波段組合選取研究[J].遙感技術(shù)與應(yīng)用,2010,25(3):358-365.

[33] 卡召加.甘南瑪曲縣草地沙化現(xiàn)狀成因及治理對策[J].甘肅農(nóng)業(yè),2005,227(6):31-32.

[34] 白繼偉,趙永超,張兵,等.基于包絡(luò)線消除的高光譜圖像分類方法研究[J].計算機工程與應(yīng)用,2003(13):88-90.

[35] 徐元進,胡光道,張振飛.包絡(luò)線消除法及其在野外光譜分類中的應(yīng)用[J].地理與地理信息科學(xué),2005,21(6):11-14.

[36] 張雪紅,劉紹民,何蓓蓓.基于包絡(luò)線消除法的油菜氮素營養(yǎng)高光譜評價[J].農(nóng)業(yè)工程學(xué)報,2008,24(10):151-155.

[37] 趙學(xué)英,馬浩祿,張在厚.黃河高含沙水體光譜特性研究[J].人民黃河,1985(2):9-15.

[38] 黃立賢,沈志學(xué).高光譜遙感圖像的監(jiān)督分類[J].地理空間信息,2011,9(6):81-83.

[39] 許衛(wèi)東.高光譜遙感分類與提取技術(shù)[J].紅外,2004，25(5):28-34.