引用本文
魏秀红, 靳瑰丽, 范燕敏, 安沙舟, 夏小伟. 伊犁绢蒿荒漠草地物种光谱特征分析及识别初探. 草业科学, 2016,33(10):1924-1932
Wei Xiu-hong, Jin Gui-li, Fan Yan-min, An Sha-zhou, Xia Xiao-wei. Species analysis and identification of spectral characteristics on Seriphidium transiliense desert grassland . Pratacultural Science,2016,33(10): 1924-1932  
Permissions
Copyright©2016, 《草业科学》编辑部
《草业科学》编辑部
伊犁绢蒿荒漠草地物种光谱特征分析及识别初探
魏秀红, 靳瑰丽, 范燕敏, 安沙舟, 夏小伟
新疆农业大学草业与环境科学学院,新疆草地资源与生态重点实验室,新疆 乌鲁木齐 830052
靳瑰丽(1979-)女,河南兰考人,副教授,博士,研究方向为草地资源与生态。E-mail:[email protected]

第一作者:魏秀红(1992-)女,河南淮阳人,在读硕士生,研究方向为草业生产。E-mail:[email protected]

收稿日期: 2016-07-30
基金: 国家自然科学基金(31360571)
摘要

利用便携式地物光谱仪,对天山北坡中段伊犁绢蒿( Seriphidium transiliense)荒漠草地9种植物进行实地光谱测量,对光谱进行一阶微分、平滑、归一化、Rr-Rn光谱特征空间处理,对植物光谱特征分析及识别,并建立判别模型。结果表明,不同植物的原始光谱反射率在特定波段具有一定差异性,一阶微分对于精确提取该类草地植物红边特征参数值有重要作用,平滑处理可以有效去除噪声影响,归一化更有利于发现植物光谱特征,Rr-Rn在区分该类草地植物方面存在困难。选用近红外波段反射率(Rn),红边位置(REP),绿波段反射率(Rg),修改型土壤调节植被指数MSAVI和叶绿素吸收比值指数(CRAI)5项光谱指标建立判别函数,9种植物的判别精度达到90.5%。

关键词: 天山; 伊犁绢蒿荒漠; 高光谱特征; 物种识别
中图分类号:S812 文献标志码:A 文章编号:1001-0629(2016)10-1924-09 doi: 10.11829/j.issn.1001-0629.2015-0611
Species analysis and identification of spectral characteristics on Seriphidium transiliense desert grassland
Wei Xiu-hong, Jin Gui-li, Fan Yan-min, An Sha-zhou, Xia Xiao-wei
College of Grassland and Evironment Sciences,Xinjiang Agriculatual University, Xinjiang Key Laboratory of Grassland Restorces and Ecology, Urumqi 830052, China
Corresponding author: Jin Gui-li E-mail:[email protected]
Abstract

In this research, the portable spectrometer was used to measure the spectral characteristics of 9 plants on the northern slope of the Tianshan mountains middle Seriphidium transiliense desert grassland. The first derivative, smoothed, normalization, and Rr-Rn of spectral characteristics were analyzed to identify and establish discriminant model for different plants. The results showed that the original spectral reflectance of different plants have some differences in specific bands, a first derivative can accurate extract the red edge position of plant characteristic parameters, and smooth process have an important role in removing noise, and the normalization in favor of the spectral characteristics of plants. However, difficult exists by using Rr-Rn in terms of the grass plants distinction. Using the Rn, REP, Rg, MSAVI, CRAI five spectral indies, the established discriminant model can discriminant of nine kinds of plants and the accuracy reached 90.5%.

Keyword: Tianshan mountains; Seriphidium transiliense desert; hyperspectral characteristics; species recognition

草地光谱具有相似性强的特点, 因此利用传统的多光谱遥感对草地类型精细分类存在一定困难[1]。高光谱遥感的波段连续、光谱分辨率高的特点, 使其能够更加准确地探测到植被的精细光谱信息[2]。目前, 诸多学者对草地植被群落及其物种进行了高光谱特征研究[3, 4, 5, 6, 7, 8], 表明了高光谱在草地类型及植物判别上具有可行性。

伊犁绢蒿(Seriphidium transiliense)荒漠草地属中亚气候型荒漠, 在我国仅分布于新疆, 是当地重要的冷季放牧地[9]。近年来, 由于气候变化和长期严重超载过牧, 该类草地退化严重, 对其进行监测具有重要的意义[3]。荒漠植被具有覆盖度较低、大面积裸露土壤的特点, 野外植被的光谱特征会受到土壤背景的影响, 因此消除低频光谱成分对植被光谱的影响, 可以突出目标植被的光谱特征, 有利于揭示荒漠植被的生理生化特点[10]。因此, 本研究通过采集草地特征植物的光谱, 利用高光谱遥感对其进行分析及识别, 为高光谱在新疆草地上的应用奠定基础。

1 材料与方法
1.1 研究区概况

由于伊犁绢蒿荒漠草地受气候、地形和土壤基质的影响, 在平原及山地丘陵处均有分布, 加之人为因素的影响程度不同, 使得该类群落的物种组成具有一定的差异性, 因此本研究区选择在位于天山北坡中段乌鲁木齐、石河子和奇台3处伊犁绢蒿荒漠草地的典型分布区, 地理位置为81° 24'57″-85° 49'4″ E, 43° 47'18″-44° 01'25″ N, 海拔831~1 288 m, 年降水50~190 mm, 研究区植物能代表天山北坡中段伊犁绢蒿荒漠的典型物种。

1.2 野外光谱数据采集

伊犁绢蒿荒漠草地属于中亚荒漠, 具有半灌木和一年生长营养期植物两个稳定的层片, 同时因分布区域的差异, 常常伴生有短生类短生植物、多年生禾草类、灌木等层片, 目前该类草地退化严重, 更有多种杂类草的侵入。由于伊犁绢蒿荒漠草地植物种类多样且生育期具有差异性, 以及建群种伊犁绢蒿具有夏眠现象, 根据以往的研究春季更能看出群落的差异[11]。因此, 本研究在5月中旬选取研究区伊犁绢蒿群落较为稳定的主要植物种进行地面数据采集, 并采集裸土光谱反射率作为辅助判别。

使用SVC HR-768便携式光谱仪采集野外植被高光谱数据, 其光谱覆盖范围350-2 350 nm。测量时间为北京时间12:00-14:00, 采集光谱时尽量选在晴朗无云的天气, 光谱测量时仪器探头垂直向下, 测量高度根据植被情况而改变, 为减少随机误差, 对每一种样本采取5次测量取算术平均值, 得到该植物的反射光谱曲线, 同时为减少大气变化给观测造成的不良影响, 测量时每隔5~10 min进行标准白板矫正[5]。

所测9种植物为伊犁绢蒿、木地肤(Kochia prostrata)、叉毛蓬(Petrosimonia sibirica)、假木贼(Anabasis sp.)、羊茅(Festuca ovina)、草原苔草(Carex liparocarpos)、小檗(Berberis thunbergii)、骆驼蓬(Peganum harmala)、芨芨草(Achnatherum splendens)。

1.3 数据处理与分析

1.3.1 一阶微分处理 不同阶数微分值具有快速确定光谱的拐点及最大、最小反射率的位置的特点, 常用于减少土壤背景值影响, 特别是荒漠草地, 其植被稀疏, 植被光谱特征受土壤背景影响较大, 在荒漠植被光谱研究中较有效, 因而本研究用光谱的差分来近似一阶微分, 见公式(1)[12]:

R'(λ i)=[R(λ i+1)-R(λ i-1)]/2Δ λ (1)

式中:λ i为i nm波段的波长, R(λ i+1)为波长λ i+1处的植物光谱反射率, Δ λ 是波长λ i+1到波长λ i的间隔, R'(λ i)为反射率在λ i的一阶微分。

1.3.2 光谱平滑处理 由于光谱各波段对能量响应上具有差异, 加之仪器受电压及温度的影响, 光谱曲线总存在噪声, 难以得到平稳的信号。对于光谱曲线的高频噪声, 在处理中常进行平滑处理, 在一阶微分的处理前提下选择9点加权平滑对光谱进行去噪[13]。

1.3.3 归一化处理 由于不同区域内的土壤类型、质地等性质不同的原因, 野外光谱测量会受到影响。而归一化方法可以有效地去除光谱中土壤背景的影响, 因此可以利用对植被光谱曲线进行归一化处理, 来突出植被的形态信息, 从而区分不同类型的植被, 提高识别植被的精度[14], 见公式(2)[15]:

N(R)=(R-μ R)/σ R(2)

式中:N(R)为归一化后的光谱值, R为原始光谱的反射率, μ R为光谱平均值, σ R为光谱标准差。

1.3.4 光谱指标的选取 植被光谱指标是指通过对植物波谱分析运算所产生的某些对植被长势、生物量等有一定指示意义的数值。本研究参考张芳等[16]选取红边位置REP[17](波长620-760 nm范围内一阶微分的最大值所对应的波长位置), 对叶绿素敏感的叶绿素吸收比值指数CARI、和考虑土壤背景的修改型土壤调节植被指数MSAVI光谱指标, 分别用Rg, Rr, Rn表示绿波段(520-600 nm)、红波段(630-690 nm)和近红外波段(760-900 nm)的反射率(Rg、Rr和Rn分别为各波段的平均光谱反射率)。光谱指标参数的求法见公式(3)和(4)[18]:

CARI=(R700/R670)[(R670× a+R670+b)/(a2+1)1/2](3)

a=(R700-R550)/150, b=R550-550× a

MSAVI=Rn+0.5-[(Rn+0.5)2-2(Rn-Rr)]1/2(4)

1.3.5 数据分析 由于野外光谱仪测量时受环境影响较大, 首先对所获得的数据进行预处理, 剔除异常的光谱曲线, 并计算每个样点的光谱平均值作为该样点的反射率, 最终得到9种典型纯净植被光谱和土壤光谱。光谱反射率数据分别以原始、一阶微分、平滑、归一化和光谱特征空间5种方法处理, 计算光谱指标, 建立9种植物的多元判别模型, 并验证精度。利用Excel 2007和SPSS 20.0进行数据数据, Origin 8进行制图。

2 结果与分析
2.1 植物原始光谱特征分析

由9种草地植物原始反射光谱曲线(图1)可以明显看出, 不同植物的反射光谱曲线有一定差异, 但波形大致相同。在可见波段510-690 nm范围内, 各植物除羊茅外均出现明显峰谷值, 木地肤和羊茅的反射率在10%以上, 骆驼蓬只有在532-573 nm范围内反射率大于10%, 羊茅并未出现峰谷值。各植物冠层光谱反射率在近红外波段增加, 700-760 nm形成一个反射陡坡, 称为“ 红边” [19], 并且9种植物都表现出明显“ 红边” 效应。

图1 9种草地植物原始光谱曲线Fig.1 Original spectral curves of 9 plant species

在760-1 150 nm近红外波段, 各植被光谱反射率大小顺序为骆驼蓬> 假木贼> 草原苔草> 芨芨草> 木地肤> 羊茅> 伊犁绢蒿> 小檗> 叉毛蓬, 骆驼蓬整体反射率大于40%, 假木贼的反射率大于35%, 仅低于骆驼蓬的反射率; 而叉毛蓬的反射率整体低于25%。羊茅和木地肤的反射曲线呈上升趋势, 其中木地肤出现两个明显的峰, 羊茅则不明显; 假木贼和骆驼蓬的光谱曲线均呈下降趋势, 其余植物光谱曲线先升高后下降。草原苔草和芨芨草的反射率在30%~35%, 且芨芨草的峰谷值较明显。在这一波段范围内伊犁绢蒿和小檗的反射率曲线趋势相近, 反射率在25%~30%, 但是在可见光波段400-760 nm范围内, 伊犁绢蒿的反射率均大于5%, 而小檗除红峰附近反射率均低于5%。

2.2 植物一阶微分光谱曲线特征分析

从伊犁绢蒿荒漠草地9种典型植物的一阶微分光谱曲线(图2)可以看出, 各植物的红边特征突出外, 在可见光区520 nm和560 nm波段附近的吸收峰和吸收谷也突出显示出来。叉毛蓬、骆驼蓬的“ 绿峰” 、“ 红谷” 和“ 红边” 幅值均远大于其它草地植物, 羊茅最低, 骆驼蓬在波长720.4 nm处红边幅值为0.768 6, 羊茅的红边幅值仅为0.227 5, 草原苔草的红边幅值为0.445 4, 其余植物红边幅值在0.280 0~0.400 0。其中假木贼在波长506和541.6 nm处波动明显, 不能判断是否是受噪声影响, 因此进行了平滑处理(图3), 对比可以看出, 假木贼的光谱曲线明显波动消失, 表明该方法不仅能够保留光谱原有的特征, 还能够有效去除噪声, 是地物实测光谱预处理的一种常用手段。

图2 9种草地植物一阶微分光谱曲线Fig.2 First derivative spectra curves of 9 plant grassland species

图3 9种草地植物一阶微分平滑曲线Fig.3 Smoothed first derivative spectra curves of 9 plant grassland species

2.3 植物归一化光谱曲线特征分析

在波段380-600 nm可见光区, 各植物反射率的大小顺序为假木贼> 骆驼蓬> 芨芨草> 叉毛蓬> 小檗> 伊犁绢蒿> 草原苔草> 木地肤> 羊茅(图4)。近红外波段760-940 nm, 骆驼蓬的反射率高于其它植物, 羊茅的反射率最低, 木地肤反射率高于羊茅, 低于其它植物。波段1 100~1 400 nm, 假木贼的反射率最低, 骆驼蓬的反射率高于假木贼, 但低于其它7种植物, 其它植物光谱曲线较为接近。

图4 9种草地植物归一化光谱曲线Fig.4 The normalization spectral curves of 9 plant grassland species

2.4 植物光谱特征空间分析及识别

2.4.1 Rr-Rn空间特征分布分析 光谱特征空间是指多波段光谱信息或由此得到的两个或两个以上地表生态物理参数组成的光谱空间[20]。土壤线是由土壤红光波段与近红外波段反射率(分别用Rr、Rn表示)的比值计算而来, 许多植被指数的设计都基于土壤线这一概念。图5为9种植物光谱在Rr-Rn二维空间的分布, 土壤线是通过采样点裸地光谱进行计算。

图5 Rr-Rn光谱特征空间示意图Fig.5 Scatter map of spectral feature space in RED/NIR band

在Rr-Rn二维空间, 骆驼蓬、叉毛蓬、小檗分别与其它植物重叠较小, 基本可以清楚地被区分出来。而其它植物部分有严重重叠, 说明它们之间存在同物异谱和异物同谱现象。 可以看出在端元尺度下, 利用遥感常用的Rr-Rn空间, 识别骆驼蓬、叉毛蓬和小檗3种植物具有一定可靠性。

2.4.2 基于判别分析的物种识别 选用5项光谱指标Rn、REP、Rg、MSAVI、CRAI建立判别模型, 判断样本光谱属于哪一种植物。建立的判别函数如下:

Y伊犁绢蒿=21.808× Rn+68.878× REP-47.810× Rg-1 999.057× MSAVI-3.268× CRAI-24 077.334;

Y木地肤=21.743× Rn+69.448× REP-46.642× Rg-2 018.041× MSAVI-3.397× CRAI-24 485.671;

Y叉毛蓬=21.056× Rn+67.589× REP-48.026× Rg-2 004.397× MSAVI-2.994× CRAI-23 150.093;

Y假木贼=22.388× Rn+69.562× REP-47.89× Rg-1 983.977× MSAVI-3.577× CRAI-24 582.265;

Y羊茅=21.522× Rn+67.657× REP-46.111× Rg-1 947.796× MSAVI-3.41× CRAI-23 244.444;

Y草原苔草=23.838× Rn+68.79× REP-49.788× Rg-1 992.953× MSAVI-3.646× CRAI-24 043.051;

Y小檗=21.022× Rn+68.433× REP-41.102× Rg-1 781.654× MSAVI-4.209× CRAI-23 922.994;

Y骆驼蓬=27.679× Rn+69.057× REP-59.506× Rg-2 169.422× MSAVI-3.340× CRAI-24 169.658;

Y芨芨草=23.146× Rn+69.71× REP-48.646× Rg-1 984.027× MSAVI-3.762× CRAI-24 699.013。

作判别时, 将所测样本光谱指标分别代入9个公式中, 计算判别函数值, 哪个函数值最大即属于哪一种植物。观察9个判别公式, 其中对应指标的系数相差并不是很大, 说明不同的荒漠草地植物光谱曲线区别不大, 多个指标参与识别, 可以提高识别的精度。

采用自身验证法对原样本进行精度验证(表1), 羊茅、小檗和骆驼蓬3种植物, 回判准确率达100%, 完全被识别。伊犁绢蒿有3个样本被错判为木地肤, 有两个样本被错判为假木贼, 回判准确率为80.8%, 木地肤有4个样本被错判为伊犁绢蒿, 叉毛蓬有两个样本错判成伊犁绢蒿, 假木贼有两个样本被判错为芨芨草, 回判准确率最低, 为77.8%, 草原苔草有1个样本被错判为伊犁绢蒿, 芨芨草有两个样本被错判为假木贼, 总精度为90.5%。

表1 判别模型精度验证 Table 1 Accuracy validation of discriminant model
3 讨论

本研究是在伊犁绢蒿荒漠草地采集的光谱数据, 植物群落是与裸地镶嵌存在的, 并不是绝对的植物群落, 因此, 光谱仪摄取地物光谱可能摄入的是植物和裸地综合反射光谱, 但是植物的比重最大, 基本可以体现其光谱特征, 周边少量其它地物也会影响其整体光谱, 并且各植物的整体反射率曲线走势差异并不大。Rr-Rn光谱特征空间分析可以明显看出植物团聚, 与土壤清楚区分, 没有重叠, 说明采集的植物光谱数据具有可靠性。

绿色植物光谱曲线在(400-760 nm)的可见光波段有一个小的反射峰, 两侧有两个低谷(蓝波段450 nm, 红波段670 nm), 是因为叶绿素对蓝光和红光有较强的吸收作用, 而对绿光有较强的反射作用[21, 22]。本研究中除羊茅外其余特征植物的叶绿素反射峰的特征均与之相吻合, 原因是羊茅叶片内卷成针状, 受土壤背景影响较大, 叶片偏灰色, 叶绿素含量低, 没有明显的“ 峰” 和“ 谷” 特征, 红边特征也由于覆盖度低的原因而较弱, 并且反射率较高; 木地肤的叶片较小, 叶绿素含量较低, 所以反射率最高; 小檗相对于其它植物植株较高, 叶绿素含量多, 而叉毛蓬在这个季节长势好, 地面生物量大, 从而导致这两种植物的反射率较低。

9种植物的原光谱反射曲线在特定波段有一定差异性。光谱一阶微分精确提取了植物光谱特征的红边位置和红边幅值等有效信息, 进一步对光谱曲线进行平滑处理, 有效地去除光谱中存在的噪声, 并能保留光谱原有特征。将光谱归一化处理后, 植物的光谱曲线变得很接近, 更有利于发现各植物的光谱曲线差异, 在可见光波段可以清晰分辨出各植物, 但在近红外波段只能区分出羊茅、假木贼和骆驼蓬3种植物, 可能是采集的并不是绝对的单一植物种群, 造成光谱数据的重叠。光谱特征空间仅可以区分出骆驼蓬、叉毛蓬和小檗3种植物, 因为在植物生长过程中, 生物量的增加和植物冠层的增大, 会使植物光谱在红光和近红外光谱空间的位置远离土壤线[17], 而骆驼蓬的冠层结构较大且郁闭度高, 所以距土壤线最远; 小檗属于灌木, 植株相对较大, 枝干较多, 对光的吸收程度与其它植物有明显差异, 可以清楚区分; 叉毛蓬植株小, 且叶片圆柱状, 距离土壤线最近; 其它植物的形态结构造成反射率近似, 从而有些部分重叠, 难以区分, 具体原因有待于进一步研究。

本研究主要探讨分析植物在光谱特征上具有的区别, 以上方法在识别植物上具有一定的可行性, 为后期高光谱遥感监测提供支撑, 但鉴于本研究结果是一年数据, 因此具体的识别标准, 还需要多年验证。

4 结论

原始光谱能识别伊犁绢蒿荒漠草地9种植物, 可见波段400-760 nm处, 木地肤、羊茅、伊犁绢蒿和小檗光谱曲线有一定差异; 波段510-690 nm 处木地肤、羊茅和骆驼蓬光谱曲线有一定差异; 近红外波段760-1 150 nm范围内可以区分出骆驼蓬、假木贼、羊茅、木地肤、草原苔草、芨芨草和叉毛蓬。

光谱一阶微分技术、归一化和Rr-Rn光谱特征空间3种光谱处理方法均不能完全将9种植物明显识别开来, 但具有对识别植物的专一性, 识别出的结果更具可靠性。将一级微分光谱曲线进行平滑处理可以有效去除植物光谱曲线的噪声影响。植物光谱曲线经过一阶微分后, 可以清楚区分骆驼蓬、叉毛蓬和羊茅, 光谱归一化后可以识别假木贼、骆驼蓬、木地肤和羊茅; Rr-Rn光谱特征空间可以清楚区分骆驼蓬、叉毛蓬和小檗。

采用判别分析建立的判别模型可以准确识别样本的类别, 羊茅、小檗和骆驼蓬3种植物识别精度达到100%, 伊犁绢蒿识别精度为80.8%, 木地肤识别精度84.6%, 假木贼识别精度77.8%, 草原苔草识别精度95%, 芨芨草识别精度83.3, 总精度为90.5%。

The authors have declared that no competing interests exist.

参考文献
[1] 钱金波, 马明国. 遥感技术在毒草识别中的研究进展. 遥感技术与应用, 2009, 24(5): 685-690.
Qian J B, Ma M G. A review of poisonous weeds detection using remote sensing technology. Remote Sensing Technology and Application, 2009, 24(5): 685-690. (in Chinese) [本文引用:1]
[2] 王秀珍, 黄敬峰, 李云梅, 沈掌泉, 王人潮. 高光谱数据与水稻农学参数之间的相关分析. 浙江大学学报: 农业与生命科学版, 2002, 28(3): 283-288.
Wang X Z, Huang J F, Li Y M, Shen Z Q, Wang R C. Relationships between rice agricultural parameter and hyperspectra data. Journal of Zhejiang University: Agriculture and Life Sciences, 2002, 28(3): 283-288. (in Chinese) [本文引用:1]
[3] 何龙, 安沙舟, 靳瑰丽, 范燕敏, 张廷. 退化伊犁绢蒿荒漠草地高光谱特征分析. 草地学报, 2014, 22(2): 271-276.
He L, An S Z, Jin G L, Fan Y M, Zhang T. Analysis on high spsctral characteristics of degraded Seriphidium transiliense desert grassland . Acta Agrestia Sinica, 2014, 22(2): 271-276. (in Chinese) [本文引用:2]
[4] 盖颖颖, 范闻捷, 徐希孺, 闫彬彦, 王焕炯, 刘媛. 基于高光谱数据的呼伦贝尔草原花期物种识别和覆盖度估算. 光谱学与光谱分析, 2011, 31(10): 2778-2783.
Gai Y Y, Fan W J, Xu X R, Yan B Y, Wang H J, Liu Y. Flower species identification and coverage estimation based on hyperspectral remote sensing data in hulunbeier grassland . Spectroscopy and Spectral Analysis, 2011, 31(10): 2778-2783. (in Chinese) [本文引用:1]
[5] 胡远宁, 崔霞, 孟宝平, 杨淑霞, 梁天刚, 甘南高寒草甸主要毒杂草光谱特征分析. 草业科学, 2015, 32(2): 160-167.
Hu Y N, Cui X, Meng B P, Yang S X, Liang T G. Spectral characteristics analysis of typical poisonous weeds in Gannan alpine meadow. Pratacultural Science, 2015, 32(2): 160-167. (in Chinese) [本文引用:2]
[6] 娜日苏, 苏和, 格根图, 贾玉山, 丁霞, 德勒格日玛. 内蒙古退化草甸草原近地面光谱特征的研究. 中国草地学报, 2010, 32(2): 66-70.
Narisu, Suhe, Gegentu, Jia Y S, Ding X, Delegerima. Study on near surface spectral characteristics in degraded meadow steppe in Inner Mongolia. Chinese Journal of Grassland , 2010, 32(2): 66-70. (in Chinese) [本文引用:1]
[7] 靳瑰丽, 何龙, 安沙舟, 范燕敏, 武鹏飞. 退化伊犁绢蒿荒漠草地特征植物光谱特征. 草业科学, 2014, 31(10): 1848-1858.
Jin G L, He L, An S Z, Fan Y M, Wu P F. Spectral features of eight desert range plants on degradation Seriphidium transiliense desert grassland . Pratacultural Science, 2014, 31(10): 1848-1858. (in Chinese) [本文引用:1]
[8] Cochrane M A. Using vegetation reflectance variability for species level classification of hyper spectral data. International Journal of Remote Sensing, 2000, 21(10): 2075-2087. [本文引用:1]
[9] 靳瑰丽, 朱进忠, 刘洪来, 唐式敏, 王彩虹. 退化伊犁绢蒿荒漠草地主要植物生理生态适应性研究. 草地学报, 2011, 19(1): 26-30.
Jin G L, Zhu J Z, Liu H L, Tang S M, Wang C H. Study on physiology/ecology adaptation of main plant in degraded Seriphidium transiliense desert rangeland . Acta Agrestia Sinica, 2011, 19(1): 26-30. (in Chinese) [本文引用:1]
[10] 范燕敏, 武红旗, 靳瑰丽. 新疆草地类型高光谱特征分析. 草业科学, 2006, 23(6): 15-18.
Fan Y M, Wu H Q, Jin G L. Hyper spectral properties analysis of grassland types in Xinjiang. Pratacultural Science, 2006, 23(6): 15-18. (in Chinese) [本文引用:1]
[11] 靳瑰丽, 何龙, 梁娜, 鲍文婧. 不同退化阶段伊犁绢蒿荒漠草地群落生长季动态变化分析. 新疆农业科学, 2014, 51(9): 1754-1759.
Jin G L, He L, Liang N, Bao W J. The community dynamic change of degraded Seriphidium transiliense in desert grassland duing the growing season. Xinjiang Agricultural Sciences, 2014, 51(9): 1754-1759. (in Chinese) [本文引用:1]
[12] 夏小伟, 靳瑰丽, 安沙舟, 范燕敏, 梁娜. 围栏封育下伊犁绢蒿荒漠草地特征植物高光谱特征变化分析. 草业科学, 2015, 32(6): 870-876.
Xia X W, Jin G L, An S Z, Fan Y M, Liang N. Spectral characteristics of typical plants in Seriphidium transiliense desert grassland under enclosure. Pratacultural Science, 2015, 32(6): 870-876. (in Chinese) [本文引用:1]
[13] 张银, 周孟然. 近红外光谱分析技术的数据处理方法. 红外技术, 2007, 29(6): 345-348.
Zhang Y, Zhou M R. Methods for data process of near infrared spectroscopy analysis. Infrared Technology, 2007, 29(6): 345-348. (in Chinese) [本文引用:1]
[14] 邹文涛, 张韬, 郝飞, 孟庆伟. 锡林郭勒盟典型草原区植被光谱特征研究. 内蒙古农业大学学报: 自然科学版, 2008, 29(1): 61-64.
Zou W T, Zhang T, Hao F, Meng Q W. Research on the spectral characteristic of typical steppe in Xilinguole County, Inner Mongolia. Journal of Inner Mongolia Agricultural University: Natural Science Edition, 2008, 29(1): 61-64. (in Chinese) [本文引用:1]
[15] 安如, 姜丹萍, 李晓雪, 王喆, Jonathan Arthur Quaye-Ballard. 基于地面实测高光谱数据的三江源中东部草地植被光谱特征研究. 遥感技术与应用, 2014, 29(2): 202-211.
An R, Jang D P, Li X X, Wang Z, Jonathan A Q-B. Using hyperspectral data to determine spectral characteristics of grassland vegetation in central and eastern parts of Three-river Source. Remote Sensing Technology and Application, 2014, 29(2): 202-211. (in Chinese) [本文引用:1]
[16] 张芳, 熊黑钢, 尔巴依·阿布都沙力克, 栾福明. 新疆天山北坡常见盐生植物端元尺度光谱特征及识别. 光谱学与光谱分析, 2011, 31(12): 3336-3341.
Zhang F, Xiong H G, Nurbay Abudoushalike, Luan F M. Response characteristics of the field-measured spectrum four gerenral types of halophyte and species recognition in the northern slope area of Tianshan Mountain in Xingjiang. Spectroscopy and Spectral Analysis, 2011, 31(12): 3336-3341. (in Chinese) [本文引用:1]
[17] John R J. 遥感数字图像处理导论. 陈晓玲, 译. 北京: 机械工业出版社, 2007.
John R J. Introductory Digital Image Processing. Chen X L. Translation. Beijing: China Machine Press, 2007. (in Chinese) [本文引用:2]
[18] 徐希儒. 遥感物理. 北京: 北京大学出版社, 2005.
Xu X R. Physics for Remote Sensing. Beijing: Peking University Press, 2005. (in Chinese) [本文引用:1]
[19] 童庆禧, 张兵, 郑兰芬. 高光谱遥感——原理、技术与运用. 北京: 高等教育出版社, 2006.
Tong Q X, Zhang B, Zheng L F. Hyperspectral Remote Sensing——Theory, Technology and Application. Beijing: Higher Education Press, 2006. (in Chinese) [本文引用:1]
[20] 阿布都瓦斯提·吾拉木. 基于n维光谱特征空间的农田干旱遥感监测. 北京: 北京大学博士学位论文, 2006.
Abuduwasiti·Wulamu. Remote sensing monitoring of farmland drought based on n-dimensional spectral feature space. PhD Thesis. Beijing: Peking University, 2006. (in Chinese) [本文引用:1]
[21] 浦瑞良, 宫鹏. 高光谱遥感及其应用. 北京: 高等教育出版社, 2000.
Pu R L, Gong P. Hyperspectral Remote Sensing and Application. Beijing: Higher Education Press, 2000. (in Chinese) [本文引用:1]
[22] 杨可明, 郭达志. 植被高光谱特征分析及其病害信息提取研究. 地理与地理信息科学, 2006, 22(4): 31-34.
Yang K M, Guo D Z. Analysis of hyperspectral features and extraction of disease for vegetation. Geography and Geo- Information Science, 2006, 22(4): 31-34. (in Chinese) [本文引用:1]