引用本文
徐奥, 马保东, 李兴春, 吴立新. 植物叶面铁尾矿粉尘光谱测试与定量反演实验[J].国土资源遥感,2017,29(1): 164-169.
XU Ao, MA Baodong, LI Xingchun, WU Lixin. Spectral testing and quantitative inversion for dust of iron tailings on leaf[J].REMOTE SENSING FOR LAND & RESOURCES,2017,29(1): 164-169.  
Permissions
Copyright©2017, 《国土资源遥感》编辑部
《国土资源遥感》编辑部
植物叶面铁尾矿粉尘光谱测试与定量反演实验
徐奥, 马保东, 李兴春, 吴立新
东北大学测绘工程系,沈阳 110819
通信作者: 吴立新(1966-),男,博士,长江学者特聘教授,主要从事环境与灾害遥感方面的研究。Email: digitalmine@126.com。

第一作者: 徐 奥(1992-),女,硕士研究生,主要从事环境遥感方面的研究。Email: xuao_2010@163.com。

收稿日期: 2015-07-06
基金项目: 国家自然科学基金青年基金项目“铁矿区植被综合胁迫的全波段光谱特征及协同反演模型”(编号: 41201359)资助
摘要

目前我国累计堆存的铁尾矿量高达约50亿t,所产生的尾矿粉尘污染极其严重。为此,使用辽宁鞍山矿区铁尾矿粉尘进行实景观测实验,采用人工模拟降尘与光谱测量手段,研究了降尘量对植物叶片光谱的影响规律; 并利用降尘量与植物叶片光谱相关性最好的优势波段与铁元素的光谱吸收特征,分别建立了叶面降尘量的基于植物叶片的优势波段反射率和基于铁元素的独特光谱吸收指数的2种定量反演模型。研究表明: 随着铁尾矿粉尘降尘量逐渐增大,植物叶片反射光谱曲线与粉尘的光谱曲线差异逐渐减小; 2种反演方式中降尘量与植物叶片光谱变量均呈极显著相关,但基于铁元素光谱吸收特征的定量反演模型精度更高。研究结果可为高光谱遥感应用于矿区降尘量定量监测提供基础模型与技术依据。

关键词: 叶面降尘; 铁尾矿; 高光谱反演; 光谱吸收指数
中图分类号:TP79 文献标志码:A 文章编号:1001-070X(2017)01-0164-06 doi: 10.6046/gtzyyg.2017.01.25
Spectral testing and quantitative inversion for dust of iron tailings on leaf
XU Ao, MA Baodong, LI Xingchun, WU Lixin
Surveying & Mapping Engineering Department, Northeastern University, Shenyang 110819, China
Abstract

In China, iron tailings dumps have been accumulated up to about 5 billion tons. The tailings have led to extremely serious dust pollution. Therefore, dust effects on leaf spectra were studied on the basis of the observation of real experiments with Anshan mine tailings dust and by means of artificial simulated dust and spectral measurements. The dust samples of iron tailings were taken from the Anshan mining area. The quantitative inversion of foliar dustfall was realized by using the band of the best correlation between the dustfall and the vegetation leaf spectrum and the characteristics of absorption spectra of iron respectively. The results show that, when the dustfall of iron tailings on leaf increased, the differences of spectral curve between leaf and dust decreased. In the two inversion methods, dustfall and vegetation leaf spectral variables were significantly related to each other. Furthermore, the precision of the inversion modeling according to spectral characteristics of iron is higher than that of the one according to best correlation band. The results could provide basic model and technical basis for quantifying the amount of mining dust monitoring with hyperspectral remote sensing.

Keyword: foliar dustfall; iron tailings; hyperspectral inversion; spectral absorption index
0 引言

粉尘是影响我国空气质量的主要污染物之一[1]。在一些依靠固体矿床开采发展起来的矿区城市, 粉尘污染现象普遍比较严重, 尾矿库表面产生的粉尘可传播到很远距离[2], 会对周边的生态环境造成不良影响, 导致土壤污染、土地退化、植被破坏, 甚至直接威胁到人畜生存安全[3]。降尘量是衡量一个区域生态环境质量的重要因子之一, 对其进行快速、准确监测可为地区生态环境质量评估提供基础数据和评价依据。传统的降尘量测定工序过于复杂、工作量大、效率低, 且得到的数据不够准确[4, 5]。遥感方法具有探测范围大、客观性强, 并能迅速反映动态变化的优势, 比一般探测手段的可靠性更强[6]。目前, 已有学者针对降尘量遥感监测进行了研究。Baddock等[7]以澳大利亚艾尔湖的4次典型沙尘暴为研究对象, 评价了运用MODIS数据进行粉尘源观测的可行性; Gangale等[8]研究了大气红外探测器获取的光谱数据, 验证了火山灰在红外区(800~1 200 nm)存在的特殊波段, 推断出火山灰粒度分布、红外透明度和矿物成分含量; Markowicz等[9]根据波兰观测站的火山灰遥感观测数据, 研究了火山灰光学厚度的光谱分布特征, 并与雷达观测数据进行了比较。

植物在陆表广泛覆盖, 既是卫星遥感观测和记录的第一表层, 也是遥感图像表征的直接信息[10]。因此, 以植物为背景对象研究降尘量的遥感监测方法具有普遍意义。光谱特征是利用遥感技术对相关目标进行定性与定量探测的重要依据。目前, 已有学者针对降尘覆盖下的植物叶片的光谱特征进行研究。谭德军等[11]对重庆市万盛矿区粉尘污染的典型农作物进行了高光谱反射率测定, 分析了粉尘污染导致的植物总体光谱反射率和在1 000 nm及1 200 nm附近的光谱小吸收谷异常, 揭示了受粉尘污染的最严重区域和植物种类; 王涛等[12]对叶面除尘前、后的反射光谱和一阶导数光谱的差异进行了分析比较, 表明叶面降尘可提高可见光波段的反射率、降低近红外波段的反射率, 且对可见光波段的影响要大于近红外波段; 万余庆等[13]对长寿草和芋头叶进行了煤粉尘覆盖条件下的光谱测试研究, 表明煤粉尘量越大、植物自身的光谱特征越弱、粉尘的光谱特性越强。但是, 专门针对铁尾矿降尘的研究还很少。我国铁矿资源丰富, 但铁矿资源品位低, 铁尾矿排放量大, 每生产1 t铁精矿平均排出2.5 t铁尾矿[14]。据统计, 在1949―2009年间, 全国铁尾矿排放量约为62亿t, 特别是2003年以后尾矿排放量呈大幅度上升趋势, 2009年排出的尾矿量达5.5亿t, 2010年排放量超过6亿t[3]。当前, 对排出的大部分铁尾矿均采取了堆存处置, 导致铁尾矿的堆存量巨大。截至2010年, 我国累计堆存的铁尾矿量高达50亿t左右[15], 且随着铁矿开采和铁尾矿排放的不断继续, 铁尾矿堆存量还将日益增大[16]。辽宁鞍山地区是我国最重要的钢铁工业基地之一[17], 拥有丰富的铁矿资源[18]。但是, 鞍山市东部和南部的铁矿尾矿库在主导风向作用下, 常使周边地区降尘量远超过8 t/(月· km2)的标准, 污染十分严重[17]。本文以鞍山齐大山铁矿尾矿砂为粉尘样本, 通过实地监测实验, 采用不同级差控制植物叶面铁尾矿粉尘降尘量, 测量不同降尘量情况下的叶片光谱; 进而统计分析降尘量反演的优势波段, 建立植物粉尘降尘量反演模型; 同时, 基于铁尾矿粉尘中铁元素独特的光谱反射特性建立降尘量反演模型, 并对2种反演模型的精度进行对比。本文旨在通过实地观测实验为高光谱遥感应用于矿区降尘量定量监测提供基础模型与技术依据。

1 研究方法
1.1 样品采集

本文实验采集的植物样品为绿萝叶片。摘取绿萝叶片后, 立即将其固定于实验测试的水平平台上, 以确保叶面平整。粉尘样本采集自鞍钢矿业公司齐大山铁矿尾矿库, 主要成分及其百分比含量如下: SiO2, 82.28%; TFe(全铁), 9.90%; FeO, 1.62%; MgO, 0.85%; Al2O3, 0.73%; CaO, 0.66%。粉尘的粒度特征为: 粒径≤ 19.348 μ m占5.31%, (19.348, 283.704) μ m占89.38%, ≥ 283.704 μ m占5.31%。

1.2 降尘量设置

根据前期实验观测分析, 降尘量达240 g/m2(未超过实际矿区周边降尘量)时, 植物叶片光谱特征基本表现为粉尘光谱特征。辽宁省环保厅规定降尘量标准为8 t/(月· km2)[17], 本次实验设置的粉尘浓度级差为辽宁省标准的一半, 即4 g/m2, 共62组(0~244 g/ m2)。实验时, 将绿萝叶片放置于其外接矩形大小的盒内, 按4 g/m2级差逐级将铁尾矿粉尘均匀覆盖到矩形区域上。图1示出不同降尘量下的植物叶片。

图1 不同降尘量下植物叶片Fig.1 Leaves covered with different dustfalls

1.3 光谱测量

本实验使用 SVC HR-1024光谱仪(350~2 500 nm)采集绿萝叶片的反射光谱信息。仪器参数见表1。

表1 SVC HR-1024基本参数 Tab.1 Basic parameters of SVC HR-1024

实验光源为卤素灯, 高度角为60° , 距目标50 cm; 光谱仪测量时间为2 s; 使用4° 镜头, 镜头距叶片高度设为55 cm, 以确保叶片充满视场(图2)。

图2 实验用仪器Fig.2 Instruments for experiment

每添加1次粉尘覆盖, 测量1次光谱曲线, 并保持测量位置和角度不变, 共测得到62条光谱曲线。

1.4 数据处理

用Excel的随机数发生器将62条实测光谱曲线数据随机分成2组, 每组各31条, 第1组用于建模, 第2组用于验证。首先, 用第1组光谱测试曲线进行光谱-叶面降尘量相关性分析, 并选择相关系数绝对值最大的波段作为优势波段, 对降尘量进行线性回归分析, 建立降尘量的统计反演模型; 同时, 根据铁尾矿砂的吸收特征, 选择900 nm附近的光谱吸收指数(spectral absorption index, SAI)作为光谱变量, 建立降尘量的特征反演模型; 然后, 利用第2组数据对上述反演模型进行验证, 评估2种模型的预测能力和稳定性。

本文选择均方根误差(root mean square error, RMSE)、平均相对误差(mean relative error, MRE)和决定系数(R2)作为精度指标, 即

RMSE=1N∑i=1N(xi-yi)2, (1)

MRE=1N∑I=1N|yi-xi|yi×100%, (2)

式中: N为样本数目; xi为反演得到的降尘量; yi为实测的降尘量。RMSE越小, 表明拟合结果越好; MRE越小, 表示分析结果越接近真实值。R2表示回归分析趋势线的预测值与对应的实测数据之间的拟合程度, 取值范围为0~1; 当趋势线的R2等于或接近1时, 其可靠性最高。

2 结果与分析
2.1 植物叶面降尘量对叶片光谱特征的影响

图3示出铁尾矿光谱曲线(粗黑线)、叶片光谱曲线(粗绿线)和不同降尘量下的叶片反射光谱曲线(细彩线, 越偏离粗黑线、降尘量越少)。

图3 不同降尘量下的植物叶片反射光谱曲线Fig.3 Spectral reflectance curves of leaves covered with different dustfalls

从图3可以看出, 在整体上随着铁尾矿粉尘降尘量的逐渐增大, 植物叶片的反射光谱曲线与铁尾矿粉尘光谱曲线的差异逐渐减小; 当降尘量达到设定的最大值时, 植物叶片与粉尘的光谱曲线之间差异最小。具体表现为: 叶片在350~690 nm范围内, 光谱反射率逐渐升高, 绿峰逐渐消失, 光谱曲线趋于平缓; 在708 nm附近出现交点, 红边斜率逐渐减小; 在750~1 250 nm范围内, 光谱反射率逐渐降低, 红外反射坪下降; 在1 384.3 nm附近出现交点; 在1 395.5~1 576.5 nm以及1 763~2 500 nm范围内, 光谱反射率逐渐升高; 在1 580~1 860 nm范围内, 反射峰逐渐降低; 在1 400 nm和1 900 nm附近, 水分吸收谷逐渐消失, 趋于平缓。

2.2 植物叶面降尘量与反射率的相关性分析

为选取合适的反演波段, 对350~2 500 nm范围内所有波段的叶片反射率与铁尾矿粉尘降尘量进行了相关性分析(图4)。

图4 叶片粉尘降尘量与反射率的相关性Fig.4 Correlation between foliar dustfall and reflectance

因实测光谱曲线样本数目为31个, 故当|R|> 0.456时, 可满足99%的置信度。如图4所示, 没有被粉色栅栏遮盖的波段均满足99%的置信度。可见, 植物叶片的粉尘降尘量与其光谱反射率在350~711.1 nm(含绿峰), 1 395.5~1 576.5 nm(含水分吸收谷)及1 763~2 500 nm(含水分吸收谷)范围内呈比较显著的正相关; 在711.1~1 395.5nm(含红外反射坪), 1 591~1 738.3 nm范围内呈比较显著的负相关; 而在正、负相关关系转换的过渡波段范围内(如1 576.5~1 591 nm和1 727.6~1 770.1 nm, 植物粉尘降尘量与其光谱反射率的相关性较低, 未能通过显著性检验。

2.3 基于优势波段反射率的建模与验证

根据植物粉尘降尘量与光谱反射率之间的相关性, 提取出相关系数绝对值最大的波段, 称之为“ 优势波段” 。本文提取的优势波段的波长为2 239.2 nm, 该波段中植物粉尘降尘量与光谱反射率相关系数达到0.982, 呈极显著相关(图4)。据此, 对植物粉尘降尘量与光谱反射率进行建模, 即

Ref=12.385Dus-206.62, (3)

式中: Dus为粉尘降尘量, g/m2; Ref为光谱反射率, %。二者的相关系数为0.963, 呈极显著相关。

将第2组曲线相应波段的光谱反射率输入上述反演模型, 计算得到粉尘降尘量; 将其与实测的叶片降尘量进行对比, 得到RMSE=13.288 g/m2, MRE=18.7%, R2=0.960(图5)。

图5 基于优势波段反演的降尘量与实测降尘量对比Fig.5 Comparison between dustfall inversed using advantageous band and measured dustfall

2.4 基于Fe3+光谱吸收指数的建模与验证

通过非吸收基线方程和比值处理, 剔除非吸收物质的光谱贡献, 王晋年等[19]建立了光谱吸收指数(spectral absorption index, SAI), 并据此测定某一特定波长的相对光谱吸收深度, 给出了综合描述光谱吸收特征的新“ 度量” 。在鞍山铁矿山尾矿中, Fe2O3的含量为14.37%, 仅次于Si O220。这种氧化的Fe3+在900 nm附近表现为特征吸收峰[21]。设Fe3+在900 nm附近的光谱吸收指数为SA IFe3+, 据此对铁矿山尾矿粉尘的降尘量进行了遥感检测。光谱曲线的光谱吸收特征可以由光谱吸收谷点m与该谷点的2个肩部S1和S2组成[22](图6)。

图6 光谱吸收指数示意图[19]Fig.6 Diagram of spectral absorption index [19]

其计算公式为

SAIFe3+=ρ/ρm=dρ1+(1-d)ρ2ρm, (4)

d=(λm-λ2)(λ1-λ2), (5)

式中: λ 1, λ 2和λ m分别为2个肩部S1, S2和谷点m对应的波长; ρ 1, ρ 2和ρ m分别为2个肩部S1, S2和谷点m对应的反射率; ρ 为2个肩部连线上的谷点对应的反射率。

通过计算光谱曲线的一阶导数, 提取出900 nm附近的肩部波段759.8 nm和980.3 nm, 谷点波段886.2 nm; 进而计算植物在不同铁尾矿粉尘降尘量下的SA IFe3+, 并对SA IFe3+与粉尘降尘量建模, 即

SAIFe3+=1252.7Dus-1159.4, (6)

式中: Dus为粉尘降尘量, g/m2; SA IFe3+为Fe3+在900 nm附近的光谱吸收指数。二者的相关系数为0.990, 呈极显著相关。

将第2组光谱反射率数据输入上述模型进行验证, 得到反演的植物粉尘降尘量; 并与实测的粉尘降尘量进行对比, 得到RMSE=12.041 g/m2, MRE=18.2%, R2=0.975(图7)。

图7 基于SA IFe3+反演的降尘量与实测降尘量对比Fig.7 Comparison between dustfall inversed using SA IFe3+and measured dustfall

2种方法的R2均较高, 说明反演模型具有较高的可靠性。与基于植物粉尘降尘量优势波段反射率的反演方法相比, 基于铁粉尘光谱吸收指数的反演精度相对更高, RMSE降低9.4%, MRE降低0.5%。其原因在于: 优势波段虽然具有普适性, 但缺少对铁尾矿粉尘中特征元素Fe3+的特殊关注; 而运用光谱吸收指数SA IFe3+来进行反演, 则从本质上表达了地物光谱吸收系数的变化特征[19], 能更为敏感地检测出含有铁离子的粉尘, 因此反演的粉尘降尘量也更为准确。

3 结论

通过实验测定并分析了铁尾矿粉尘在不同降尘量条件下植物叶片的光谱特征变化, 据此建立了铁尾矿降尘量的反演模型, 并进行了验证对比。得出如下结论:

1)植物叶片在铁尾矿粉尘降尘量逐渐增大的情况下, 植物光谱特征(如绿峰、红边、红外反射坪及水分吸收谷)逐渐消失。

2)分别利用2 239.2 nm优势波段反射率和铁光谱吸收指数SA IFe3+建立降尘量的反演模型, 经验证对比表明两者的可靠性均较高; 但后者精度更高, 更适合用于铁尾矿粉尘降尘量的高光谱遥感反演。

需要指出的是, 大范围的航空与航天遥感降尘监测是基于植被的冠层尺度, 而本文只是基于地面实验的叶片尺度研究了铁尾矿粉尘降尘量的高光谱反演方法, 与大范围、多尺度的遥感应用还有一定差距。因此, 后续研究将重点关注植物叶片与冠层尺度之间反演结果的转换, 为实现降尘量的大范围航空、航天遥感监测提供技术支持。

The authors have declared that no competing interests exist.

参考文献
[1] 乔玉霜, 王静, 王建英. 城市大气可吸入颗粒物的研究进展[J]. 中国环境监测, 2011, 27(2): 22-26.
Qiao Y S, Wang J, Wang J Y. Research progress of the inhalable particular in the urban air[J]. Environmental Monitoring in China, 2011, 27(2): 22-26. [本文引用:1]
[2] 彭杰, 向红英, 王家强, 等. 叶面降尘的高光谱定量遥感模型[J]. 红外与毫米波学报, 2013, 32(4): 313-318, 343.
Peng J, Xiang H Y, Wang J Q, et al. Quantitative model of foliar dustfall content using hyperspectral remote sensing[J]. Journal of Infrared and Millimeter Waves, 2013, 32(4): 313-318, 343. [本文引用:1]
[3] 陈虎, 沈卫国, 单来, 等. 国内外铁尾矿排放及综合利用状况探讨[J]. 混凝土, 2012(2): 88-92.
Chen H, Shen W G, Shan L, et al. Situation of discharge and comprehensive utilization of iron tailings domestic and abroad[J]. Concrete, 2012(2): 88-92. [本文引用:2]
[4] 肖慧玲. 粉尘污染下园林植物的光谱特征及光合特性研究[D]. 武汉: 华中农业大学, 2013.
Xiao H L. Research on the Spectral and Photosynthetic Characteristics of Land scape Plants Under Dust Pollution[D]. Wuhan: Huazhong Agricultural University, 2013. [本文引用:1]
[5] 尹航. 环境监测方法汇编: 大气环境[M]. 北京: 中国标准出版社, 2007.
Yin H. Methods of Environment Monitoring: Air Environment Assembly[M]. Beijing: Stand ards Press of China, 2007. [本文引用:1]
[6] 孙家抦. 遥感原理与应用[M]. 2版. 武汉: 武汉大学出版社, 2009: 25, 33-57.
Sun J B. Principles and Applications of Remote Sensing[M]. 2nd ed. Wuhan: Wuhan University Press, 2009: 25, 33-57. [本文引用:1]
[7] Baddock M C, Bullard J E, Bryant R G. Dust source identification using MODIS: A comparison of techniques applied to the Lake Eyre Basin, Australia[J]. Remote Sensing of Environment, 2009, 113(7): 1511-1528. [本文引用:1]
[8] Gangale G, Prata A J, Clarisse L. The infrared spectral signature of volcanic ash determined from high-spectral resolution satellite measurements[J]. Remote Sensing of Environment, 2010, 114(2): 414-425. [本文引用:1]
[9] Markowicz K M, Zielinski T, Pietruczuk A, et al. Remote sensing measurements of the volcanic ash plume over Poland in April 2010[J]. Atmospheric Environment, 2012, 48: 66-75. [本文引用:1]
[10] 赵英时. 遥感应用分析原理与方法[M]. 北京: 科学出版社, 2003: 360.
Zhao Y S. The Principle and Method of Analysis of Remote Sensing Application[M]. Beijing: Science Press, 2003: 360. [本文引用:1]
[11] 谭德军, 谢巨天, 简季, 等. 万盛采矿区粉尘污染农作物光谱特性分析[J]. 国土资源遥感, 2013, 25(2): 121-130. doi: DOI: 106046/gtzyyg. 2013. 02. 21.
Tan D J, Xie J T, Jian J, et al. Analysis on spectral characteristics of dust polluted crops in Wansheng coal mineing district[J]. Remote Sensing for Land and Resources, 2013, 25(2): 121-130. doi: DOI:10.6046/gtzyyg.2013.02.21. [本文引用:1]
[12] 王涛, 刘洋, 吴海云, 等. 叶面尘对作物反射光谱及氮营养监测的影响[J]. 光谱学与光谱分析, 2012, 32(7): 1895-1898.
Wang T, Liu Y, Wu H Y, et al. Influence of foliar dust on crop reflectance spectrum and nitrogen monitoring[J]. Spectroscopy and Spectral Analysis, 2012, 32(7): 1895-1898. [本文引用:1]
[13] 万余庆, 谭克龙, 周日平. 高光谱遥感应用研究[M]. 北京: 科学出版社, 2006: 208-217.
Wan Y Q, Tan K L, Zhou R P. Application of Hyperspectral Remote Sensing[M]. Beijing: Science Press, 2006: 208-217. [本文引用:1]
[14] 韩跃新, 孙永升, 李艳军, 等. 我国铁矿选矿技术最新进展[J]. 金属矿山, 2015, 44(2): 1-11.
Han Y X, Sun Y S, Li Y J, et al. New development on mineral processing technology of iron ore resources in China[J]. Metal Mine, 2015, 44(2): 1-11. [本文引用:1]
[15] 刘永光, 王晓雷. 铁尾矿资源化综合利用的发展[J]. 现代矿业, 2010, 26(2): 28-30.
Liu Y G, Wang X L. Development of comprehensive utilization of iron tailings as resource[J]. Modern Mining, 2010, 26(2): 28-30. [本文引用:1]
[16] 黄勇刚. 我国铁尾矿资源的利用现状及展望[J]. 资源与产业, 2013, 15(3): 40-44.
Huang Y G. Utilization status and outlook of China’s iron ore tailings[J]. Resources & Industries, 2013, 15(3): 40-44. [本文引用:1]
[17] 王佳文, 王磊, 胡继元. 东北老工业基地城市转型的规划思考——以《鞍山市城市总体规划(2013-2020)》为例[J]. 城市规划, 2014, 38(S2): 105-113.
Wang J W, Wang L, Hu J Y. Reflections on transition planning of old industrial base cities in northeast China: Taking the comprehensive plan of Anshan City as an example[J]. City Planning Review, 2014, 38(S2): 105-113. [本文引用:3]
[18] 王忠红, 陈强, 刘华艳. 鞍山地区铁矿资源特点及开发利用建议[J]. 金属矿山, 2008, 38(7): 64-66.
Wang Z H, Chen Q, Liu H Y. Characteristics of iron ore resources in Anshan region and suggestions on their exploitation and utilization[J]. Metal Mine, 2008, 38(7): 64-66. [本文引用:1]
[19] 王晋年, 郑兰芬, 童庆禧. 成象光谱图象光谱吸收鉴别模型与矿物填图研究[J]. 环境遥感, 1996, 11(1): 20-31.
Wang J N, Zheng L F, Tong Q X. The spectral absorption identification model and mineral mapping by imaging spectrometer data[J]. Remote Sensing of Environment, 1996, 11(1): 20-31. [本文引用:2]
[20] Yu H H, Xue X X, Huang D W. Synthesis of mesoporous silica materials(MCM-41) from iron ore tailings[J]. Materials Research Bulletin, 2009, 44(11): 2112-2115. [本文引用:1]
[21] 童庆禧, 张兵, 郑兰芬. 高光谱遥感的多学科应用[M]. 北京: 电子工业出版社, 2006: 153-155.
Tong Q X, Zhang B, Zheng L F. Hyperspectral Remote Sensing and It's Multidisciplinary Applications[M]. Beijing: Publishing House of Electronics Industry, 2006: 153-155. [本文引用:1]
[22] 刘良云. 植被定量遥感原理与应用[M]. 北京: 科学出版社, 2014: 42-44.
Liu L Y. Principle and Application of Plant Quantitative Remote Sensing[M]. Beijing: Science Press, 2014: 42-44. [本文引用:1]