检索项:   检索词:    
  世界林业研究  2010, Vol. 23 Issue (3): 18-23  
0

引用本文  

韦玮, 李增元, 谭炳香. 高光谱遥感技术在湿地研究中的应用[J]. 世界林业研究, 2010, 23(3): 18-23.
Wei Wei, Li Zengyuan, Tan Bingxiang. A Review of Application of Hyperspectral Remote Sensing to Wetland Study[J]. World Forestry Research, 2010, 23(3): 18-23.

基金项目

国家863课题多频多谱段遥感数据生态环境参数综合反演技术(2009AA12Z146);国家"十一五"科技支撑课题湿地资源监测与评估技术研究(2006BAD23B03)

通信作者

李增元, E-mail:lizy@caf.ac.cn

作者简介

韦玮(1972-), 女, 湖北武汉人, 博士研究生, 研究方向:高光谱遥感, E-mail:weiwei@caf.ac.cn

文章历史

收稿日期:2010-02-26
高光谱遥感技术在湿地研究中的应用
韦玮 , 李增元 , 谭炳香     
中国林业科学研究院资源信息研究所,北京 100091
摘要:综述了高光谱遥感技术在国内外湿地研究中的应用; 总结了高光谱遥感技术在湿地水质参数反演、土壤含水量反演和湿地植被精细分类等方面应用的方法研究和取得的成果; 指出鉴于高光谱遥感数据自身的冗余性和信息理解程度的局限性, 在湿地研究领域中仍然存在着不足之处; 在此基础上, 提出了高光谱遥感技术应用于湿地研究的数据多元化趋势及其在湿地类型变化动态监测、湿地生态系统的自我恢复、掌握湿地资源重新积累过程等方面的应用潜力和开发前景。
关键词高光谱遥感技术    湿地    反演    
A Review of Application of Hyperspectral Remote Sensing to Wetland Study
Wei Wei, Li Zengyuan, Tan Bingxiang     
Research Institute of Forest Resource Information Techniques, Chinese Academy of Forestry, Beijing 100091, China
Abstract: Hyperspectral remote sensing data, with its advantage of high spectral resolution, has been used to invert the earth surface information.In order to understand the application of hyperspectral remote sensing to the wetland study, the paper gave a review of hyperspectral technology in national and international remote sensing of wetlands and summarized the research methods and progress results of hyperspectral remote sensing technology used in the inversion of wetland water quality parameters, the inversion of soil moisture and vegetation sophisticated classification of wetland.Then the paper pointed out that there are still the shotcomings in the application of hyperspectral remote sensing to the wetland study out of the redundancy of these data and the limitations in terms of information understanding.On this basis, the paper proposed that the application of the hyperspectral remote sensing data to wetland study will tend to diversify, and there is a great potential and application prospect in terms of the dynamical monitoring of the change in wetland type, the self-healing of wetland ecosystem and the mastering of re-accumulation process of wetland resources.
Key words: hyperspectra remote sensing    wetland    inversion    
1 高光谱遥感的特点及其优势

高光谱遥感的光谱分辨率在λ/100数量级范围[1], 其成像光谱仪可获得整个可见光、近红外、短波红外、热红外波段的多而窄的连续光谱, 波段数从几十到几百, 光谱分辨率可达10~20 nm[2-3]; 从它的每个像元均能提取一条平滑而完整的光谱曲线[4]; 可实现连续空间上的光谱测量[5]

地物波谱的研究表明[6], 当地物光谱在0.4~ 2.5 μm时, 均有可以作为识别标志的光谱吸收带, 其带宽约为20~40 nm; 高光谱遥感器正好可以捕捉到这一信息, 因此, 高光谱遥感的出现使本来在宽波段遥感中不可探测的物质, 在高光谱遥感中能被探测到。另外, 高光谱遥感获取地表影像的同时, 也获取了它们的辐射强度和光谱特征, 结合影像中每个像元的连续光谱, 能够在空间维和光谱维上快速区分和识别地面目标[5]

由于高光谱遥感影像具有很高的光谱分辨率, 能够提供丰富的地表信息, 因而在湿地遥感应用研究中具有以下优势:

1) 高光谱遥感器可以获取湿地水体、植被和土壤较为真实的连续光谱, 并反映其光谱间的细微差别, 通过数据和图像的匹配可提高湿地分类的精度。

2) 高光谱遥感数据可以提高湿地混合像元的分解能力, 获取最终光谱端元的真实光谱特征曲线数据, 达到湿地识别和划分的目的。

3) 高光谱遥感器可直接获取植被的叶面积指数、生物量、光合有效吸收系数等植被生物物理参数等数据, 可进行湿地植被监测和植被生物量估算。

4) 高光谱数据可用于光谱角填图, 在湿地遥感应用中, 可进行土壤湿度填图、某些植被生化成分定量填图等, 为界定湿地范围、监测湿地植被和湿地植被精细分类研究提供科学依据。

2 高光谱技术在湿地遥感中的应用概况

在湿地遥感中, 高光谱技术主要应用于湿地土壤、植被和水体信息提取的研究。其中, 利用高光谱技术在湿地植被监测、植被群落精细分类、植被生物量估算等方面的研究较为广泛[7]; 在湿地水体信息提取、湖泊边界划分及水位线提取等方面做了许多方法研究[8]; 另外, 高光谱遥感技术也应用于湿地土壤湿度和土壤含水量的反演研究中。

随着高光谱遥感应用领域的不断扩展, 应用技术的不断提高, 高光谱遥感与传统遥感相比具有更强的对地物的识别能力和定量反演能力, 微观方面表现更突出, 在湿地遥感中展开了一系列的应用研究。

2.1 湿地水质参数的反演

湿地水体中含有许多悬浮物、可溶性有机物、水草及浮游生物等, 它们的存在极大地影响水体的反射特征, 高光谱遥感可以捕捉到近岸和陆地水体复杂而且多变的光学特征。在高光谱影像中, 可以通过对水中生化成分的反演进行湿地水体净化程度、湿地水质的评价和监测; 较高的光谱分辨率能有效地识别水体泥沙含量和污染浓度, 对环境调查和监测具有独特的优势[6]

目前, 利用高光谱遥感数据能够反演叶绿素、悬浮物、黄色物质、透明度和浑浊度等水质参数[9-11], 反演的方法主要有基于光谱特征分析法和生物光学模型法。

1993年Dekker[12]在测量研究19个不同类型的内陆水体光学特性的基础上, 首次利用分析方法建立了从地物光谱数据和CASI数据反演内陆水体叶绿素和藻胆素浓度的反演算法。1998年Hoogenboom[13]提出了从航空高光谱遥感获得的水表面下辐照度比反演内陆水体水中各组分含量的矩阵反演算法。疏小舟等[14]利用我国自行研制的高光谱成像仪OMIS-Ⅱ在太湖地区进行地表水质遥感实验, 结果表明OMIS-Ⅱ能够提高内陆水体藻类叶绿素的定量遥感精度。2007年李俊生[15]等利用欧空局多角度高光谱CHRIS数据的光谱特征, 通过建立叶绿素浓度反演半经验模型, 绘制了太湖梅梁湾的叶绿素浓度分布图, 取得较好结果。

2.2 湿地土壤含水量的反演 2.2.1 土壤含水量的光谱特征

土壤湿度的遥感监测主要从可见光到近红外(380~2 500 nm)波段, 通过建立土壤湿度与反射率的关系对土壤水分进行估计[16]。Bowers等指出, 土壤含水量与水分吸收强度之间有很好的线性相关关系[17], 当土壤的含水量增加时, 土壤的反射率就会下降。Bowers等[18]还指出, 随土壤水分的增加, 土壤光谱反射率在整个波长范围内降低, 尤其在760 nm, 970 nm, 1 190 nm, 1 450 nm, 1 940 nm和2 950 nm等水分吸收波段, 反射率下降更为明显。对于植被和土壤来说, 这是由于入射辐射在水的特定吸收带处被水强烈吸收所致。

1978年Philip等[19]就指出, 在光谱的可见光波段, 潮湿的土壤与干燥的土壤相比, 反射率明显下降, 所以在下雨的时候, 湿的地方光线总是很暗。而Liu和Baret等[20]的研究表明, 土壤光谱反射率在一定的土壤水分临界值之下时随土壤湿度的增加而降低, 当超过该临界值后, 则随土壤水分的继续增加而增加, 而这个临界值通常大于田间持水量。

2.2.2 土壤含水量的光谱法反演

湿地土壤由于土壤含水量的不同, 具有多种土壤形态, 从湿地干土到含水量较大的淤泥, 从河岸的滩涂到湿地水体中的悬浮泥沙, 都具有不同的光谱响应特征, 影响着水体的光谱响应。1968年Ben-Gera发明了利用近红外光谱分析技术(NIRA)确定土壤湿度的方法, 能够同时简单、快速、准确地分析土壤组分。Dalal等[21]通过使用近红外波段的吸收系数可以准确地预测土壤含水量。Hatanaka T等[22]用短波热红外TM影像估测日本北部的土壤含水量。1991年Ben-Dor修改了NIRA方法, 使其适用于高分辨率遥感数据的土壤分析。Henry (1986年)和Ben- Dor (1990年)的研究表明, 短波红外的光谱特征可用于鉴定土壤中的碳、氮、有机物、水分含量以及土壤化学组分[6, 23-25]

我国学者范学炜[26]等以蓬莱西海岸西庄至栾家口岸段作为研究区, 利用机载成像高光谱数据, 通过分析砂质、黑泥砂质和黄泥砂质3种海岸类型的光谱特征, 建立分类识别模型, 完成了对3种海岸类型的分类处理, 确定出湿滩和干滩范围, 并进一步提取出高潮潮位线和低潮潮位线。刘伟东等[27]通过对土壤的光谱反射率与土壤的表面湿度进行分析, 比较5种方法反演土壤表面湿度的能力, 对小汤山试验区的土壤表面湿度进行高光谱填图, 建立了较为精细的土壤水分空间分布图。

2.3 湿地植被的精细分类

常规的多波段遥感数据, 如TM和SPOT等, 对于植被的研究仅限于一般性的红光吸收特征与近红外的反射特征[28-30]以及中红外的水吸收特征波段[31-33], 由于受波段宽度、波段数和波长位置的限制, 往往对植被类型不敏感; 而高光谱遥感在对目标的空间特征成像的同时, 对每个像元在更宽波长范围上形成数百个窄波段连续的光谱覆盖, 为定量研究植被光谱响应和物理机制提供了依据。

1998年Neuenschwander等[34]已开始利用高光谱遥感影像进行湿地信息识别与提取的研究, 并指出高光谱遥感有利于湿地植被信息的识别与区分。2003年Schmidt[35]等利用高光谱影像的短红外光谱分析盐沼湿地植被类型的光谱特征, 采用Bhattacharyya (BH)和Jeffries-Matusita距离测定法, 确定了6个波长进行植被类型的划分。Akira等[36]利用AVIRIS高光谱遥感影像(空间分辨率为20 m, 224个波段), 结合光谱数据库, 采用光谱角填图(Spectral Angle Mapper, SAM)的方法对湿地植被进行分类, 识别出泥沼地、水域和10个湿地植被类型, 整体分类精度为65.7%, 导致其提取精度较低的原因是该方法没有结合利用湿地类型分布的地理环境要素和空间结构等辅助信息。2005年Brian等[37]基于高光谱数据, 采用二阶导数法分析了识别沿海湿地植被的最优光谱波段。2006年Thomas Schmid等[38]采用高光谱多角度的CHRIS影像, 进行了湿地退化情况监测的研究等。

高光谱遥感在掌握湿地的面积和该生态系统中各种植被群落的分布、了解复杂而重要的湿地生态系统方面提供了可能和条件。1995年12月中科院遥感所与日本宇宙开发事业团合作[39], 采用模块式航空成像光谱仪MAIS, 对鄱阳湖湿地植被进行遥感监测, 在光谱区域440~2 491 nm的波长范围内选取30个波段成像, 采用倒数光谱波形匹配模型和光谱夹角填图方法, 成功地对鄱阳湖湿地生态系统进行了分类。

2006年高占国等[40]采用高光谱测量仪测定上海崇明东滩自然保护区盐沼植物群落的光谱反射率, 结合CASI默认植被波段组, 应用主分量分析法和相关分析法分析了不同群落光谱特征与生态环境因子之间的关系, 结果表明, 间接排序法能够识别盐沼植被中光滩、海三棱藤草群落、芦苇群落和互花米草等群落的光谱特征, 并选择出识别效果最好的波段组, 指出植物群落的高度和盖度是光谱反射率影响最大的生态环境因子。该研究成果可为高光谱遥感监测湿地植被群落的空间分布和扩散规律提供技术支撑, 为高光谱遥感影像的影像判读和解译分类以及盐沼湿地植被制图提供科学依据。

2008年李凤秀等[41]采用高光谱可见光-近红外波段及其微分光谱波段(350~1 050 nm)逐波段构建FNDVI, FRVI, FDVI, FDNDVI, FDRVI和FDDVI植被指数, 分别找出与叶绿素a (Chl-a)具有最佳相关性波段组合的植被指数, 建立湿地小叶章Chl-a含量的最佳估算模型, 并对比分析了最佳模型与线性模型的预测精度等。2009年张东等[42]对星载Hyperion高光谱影像数据进行预处理, 利用像元灰度斜率阈值法、波段全局归一化法和归一化差值植被指数法实现影像的坏线修复、垂直像纹去除以及潮滩研究区的地物分离。在进行大气校正和几何校正处理后, 得到潮滩地表真实光谱反射率影像, 该流程为湖滩地物进一步的高光谱定量遥感解译提供了必要的技术支撑。

2.4 湿地研究中的其他应用

高光谱遥感技术在湿地分类、边界、水体、湿地植被和湿地生境因子等遥感信息提取中广泛应用, 其算法和模型建立层出不穷, 在与其他遥感数据源相结合的应用中, 取长补短, 显现了独特的优势。2003年Wataru[43]等基于SPOT HRV多光谱影像的绿、红和近红外波段数据及AVHRR数据, 进行了湿地混合光谱特征的分析研究。2004年Schmid等[44]结合高光谱和多光谱数据, 基于高光谱DAIS影像、多光谱ETM+和TM影像, 采用非监督ISODATA聚类法, 结合湿地地面光谱数据库和野外调查, 对湿地进行分类及其动态变化的监测, 结果取得了较高的分类精度和监测信息。2005年Foudan[45]等基于AISA高光谱遥感影像提取被油污染的湿地和海岸线, 结果表明, 高光谱数据能更好地克服多光谱数据的局限性与不足。2008年李凤秀等[46]尝试用不同方法构建洪河自然保护区湿地植被乌拉苔草的高光谱植被指数, 建立水上鲜/干生物量高光谱估算模型, 并比较了不同模型的反演精度, 结果表明, 采用微分光谱植被指数FDRVI和FDNDVI对乌拉苔草水上鲜生物量和干生物量的估算可以取得较高的预测精度。

3 高光谱遥感在湿地研究中存在的不足

多光谱影像具有覆盖面积广阔、影像容易获取等优势被广泛用于湿地动态监测研究。受数据源和实验条件等多种因素的制约, 采用高光谱影像进行湿地监测和分类的研究相对较少。然而, 高光谱遥感在湿地信息提取和精细分类等方面具有独特优势。尽管国内外很多学者和专家针对基于多时相、多分辨率、多数据源遥感影像的湿地信息提取, 提出了许多新理论、新技术、新方法, 并逐渐加以改进、完善和进行应用研究, 取得了一些较理想的研究结果, 但是在高光谱遥感技术应用于湿地特征信息提取的研究中仍存在着以下不足:

1) 湿地水体信息提取的方法研究较为单一, 集中体现在可见光谱分类和光谱波段比值法, 这种方法的单独使用会混淆水体和其他地物, 比如阴影、居民点等, 造成误判。

2)通常利用湿地光谱特征的时间效应, 采用多时相遥感影像对湿地水体进行监测和划分, 然而这种多时相遥感影像的获取周期比较长, 影像匹配和融合算法较复杂, 增加了湿地信息提取的难度。

3) 从热红外与微波遥感进行土壤水分监测的研究较多[47-48], 应用领域也比较广泛, 但针对湿地区域特殊的生态系统下土壤含水量特点进行的反演提取技术研究非常少。

4) 植被光谱不仅具有高度相似性和空间变异性, 而且更具有较强的时间动态性。不同植被的光谱随时间的变化规律也有明显的区别, 因此充分发挥高光谱遥感的独特性能, 特别是在区分地表细微差别方面的优势, 同时结合植被的时间动态特征, 将大大提高土地覆盖类型的识别与分类的精度。但就目前而言, 由于高光谱遥感数据的冗余性和信息理解程度的局限性, 高光谱植被分类仍然有待进一步的研究发展。

4 高光谱遥感在湿地研究中的应用展望

在30多年的时间里, 各种遥感数据源都广泛地应用于湿地的研究中。从对湿地范围的变迁、生态系统的演变进行的宏观监测, 到湿地组成成分的遥感信息提取、湿地环境因子的反演等, 都不断地拓展和探索着遥感数据的应用技术。

湿地是介于陆地和水体之间的一个特有的生态系统, 它的结构复杂, 具有不稳定性, 对外界人为和自然因素的干扰具有较强的敏感性。高光谱遥感技术在湿地研究中的应用日益增多, 在对湿地水体的信息提取、湿地土壤湿度的监测、湿地植被的精细分类以及湿地类型的划分方面作如下展望:

1) 遥感技术应用于湿地研究方面的数据源呈现出多源化。多源遥感数据的获取、处理、分析及其相互之间的融合使用将成为湿地遥感技术研究中的发展趋势; 而利用多源遥感数据, 发展复合分类法技术, 有助于湿地因子提取和湿地分类精度的提高, 将进一步促进遥感影像分类技术在湿地研究中的应用。

2) 高光谱技术在湿地植被生物量估测研究方面具有很大潜力。

3) 建立湿地土壤含水量与湿地边界的相关性分析, 并通过湿地含水量的反演科学界定湿地范围。

4) 湿地植被群落精细分类技术的研究。

5) 由于人类活动的加剧和自然因素的干扰, 已经造成了许多湿地生态的破坏和湿地资源的严重丧失, 大片的自然湿地逐渐分离破碎[49], 即使在我国湿地资源最丰富的三江平原也已经没有了集中连片的湿地[50], 自然湿地在景观上的斑块化和功能退化已既成事实[51-53], 因此, 湿地的主要研究区域将由宏观尺度走向中观和微观尺度[54]; 对湿地的研究将从宏观定性的湿地划分逐渐转向对湿地生态系统中各物质微观定量的反演和识别, 为了解湿地生态系统的自我恢复、掌握湿地资源重新积累的过程提供依据。

参考文献
[1]
陈述彭, 童庆禧, 郭华东. 遥感信息机理研究[M]. 北京: 科学出版社, 1998. (0)
[2]
李龙正. 高光谱影像仪发展及影像市场前景[J]. 科仪新知, 1993, 26(2): 50-57. (0)
[3]
孙钊. 高光谱遥感的应用[J]. 贵州教育学院学报:自然科学, 2004, 15(4): 58-61. (0)
[4]
童庆禧, 张兵, 郑兰芬. 高光谱遥感原理、技术与应用[M]. 北京: 高等教育出版社, 2006. (0)
[5]
赵英时, 等. 遥感应用分析原理与方法[M]. 北京: 科学出版社, 2003. (0)
[6]
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. (0)
[7]
方洪亮, 田庆久. 高光谱遥感在植被监测中的研究综述[J]. 遥感技术与应用, 1998, 13(1): 62-69. DOI:10.3969/j.issn.1004-0323.1998.01.010 (0)
[8]
范学炜, 高瑞萍, 张汉德. 基于成像高光谱数据的高低潮位线提取方法研究[J]. 海洋科学进展, 2006, 24(4): 561-567. DOI:10.3969/j.issn.1671-6647.2006.04.020 (0)
[9]
Vittorio E Brando, Arnold G Dekker. Satellite hyperspectral remote sensing for estimating estuarine and coastal water quality[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(6): 1378-1386. DOI:10.1109/TGRS.2003.812907 (0)
[10]
张凤丽, 杨锋杰, 万余庆. 水体污染物与反射光谱的相关性分析[J]. 中国给水排水, 2002, 18(8): 81-83. DOI:10.3321/j.issn:1000-4602.2002.08.029 (0)
[11]
万余庆, 张凤丽, 闫永忠. 利用细分光谱仪数据分析水体泥沙含量的方法研究[J]. 国土资源遥感, 2002(2): 51-55. DOI:10.3969/j.issn.1001-070X.2002.02.013 (0)
[12]
Dekker A G. Detection of optical water parameters for eutrophic lakes by high resolution remote sensing[D]. Amsterdam: Free University, 1993. (0)
[13]
Hoogenboon H J, Dekker A G, Althuis I A. Simulation of AVIRIS sensitivity for detecting chlorophyll over coastal and inland waters[J]. Remote Sensing of Environment, 1998, 65: 333-340. DOI:10.1016/S0034-4257(98)00042-X (0)
[14]
疏小舟, 汪骏发. 航空成像光谱水质遥感研究[J]. 红外与毫米波学报, 2000, 19(4): 273-276. DOI:10.3321/j.issn:1001-9014.2000.04.005 (0)
[15]
李俊生, 张兵, 申茜, 等. 航天成像光谱仪CHRIS在内陆水质监测中的应用[J]. 遥感技术与应用, 2007, 22(5): 593-597. DOI:10.3969/j.issn.1004-0323.2007.05.003 (0)
[16]
Priyabrata S, Rabi N S, Bhabani S D, et al. Estimation of soil hydraulic properties using proximal spectral reflectance in visible, near-infrared, and shortwave-infrared (VIS-NIR-SWIR) region[J]. Geoderma, 2009(152): 338-349. (0)
[17]
Bowers S A, Smith S J. Spectrophoto metric determination of soil water content[C]∥ Soil Science Society of America Proceedings, 1972, 36: 978-980. (0)
[18]
Stoner E R, Baumgardner M F. Characteristic variations in reflectance of surface soils[J]. Soil Science Society of America Journal, 1981, 45: 1161-1165. DOI:10.2136/sssaj1981.03615995004500060031x (0)
[19]
Philip H S, Shirley M D. Remote sensing:the quantitative approach[M]. Berkshire: McGraw-Hill International Book Company, 1978: 147-168. (0)
[20]
Liu W D, Baret F, Gu X F, et al. Relating soil surface moisture to reflectance[J]. Remote Sensing of Environment, 2002, 81(2/3): 238-246. (0)
[21]
Dalal R C, Henry R J. Simultaneous determination of moisture, organic carbon, and total nitrogen by infrared reflectance spectrometry[J]. Soil Science Society of America Journal, 1986, 50: 120-123. DOI:10.2136/sssaj1986.03615995005000010023x (0)
[22]
Hatanaka T, Nishimune A, Nira R. Estimation of available moisture holding capacity of upland soils using Landsat TM data[J]. Soil Science and Plant Nutrition, 1995, 41(3): 577-586. DOI:10.1080/00380768.1995.10419619 (0)
[23]
Ben-Dor E, Banin A. Visible and near-infrared (0.4~1.1μm) analysis of arid and semiarid soils[J]. Remote Sensing of Environment, 1994, 48(3): 261-274. DOI:10.1016/0034-4257(94)90001-9 (0)
[24]
Ben-Dor E, Pathin K, Banin A, et al. Mapping of several soil properties using DAIS-7915 hyperspectral scanner data:a case study over clayey soils in Israel[J]. International Journal of Remote Sensing, 2002, 23(6): 1043-1062. DOI:10.1080/01431160010006962 (0)
[25]
Ben-Dor E. The reflectance spectra of organic matter in the visible near-infrared and short wave infrared region (400~2500nm) during a controlled decomposition process[J]. Remote Sensing Environment, 1997, 61: 1-15. DOI:10.1016/S0034-4257(96)00120-4 (0)
[26]
范学炜, 高瑞萍, 张汉德. 基于成像高光谱数据的高低潮位线提取方法研究[J]. 海洋科学进展, 2006, 24(4): 561-567. DOI:10.3969/j.issn.1671-6647.2006.04.020 (0)
[27]
刘伟东, FrédéricBaret, 张兵, 等. 高光谱遥感土壤湿度信息提取研究[J]. 土壤学报, 2004, 41(5): 700-706. DOI:10.3321/j.issn:0564-3929.2004.05.006 (0)
[28]
Horler D N H, et al. The red edge of plant leaf reflectance[J]. International Journal of Remote Sensing, 1983, 4(2): 273-288. DOI:10.1080/01431168308948546 (0)
[29]
Ustin S L, Roberts D A, Green R O, et al. Remote sensing methods monitor natural resources[J]. Photonics Spectra, 1999, 33(10): 108-111, 113. (0)
[30]
江樟焰. 基于红光、近红外反射率的遥感光谱植被指数的线性性好土壤背景影像分析[D]. 北京师范大学, 2006. (0)
[31]
Baret F, Jacquermoud S, Guyot G, et al. Modeled analysis of the biophysical nature of spectral shifts and comparison with information content of broad bands[J]. Remote Sensing of Environment, 1992, 41(2/3): 133-142. (0)
[32]
Broge N H, Leblanch E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density[J]. Remote Sensing of Environment, 2001, 76(2): 156-172. DOI:10.1016/S0034-4257(00)00197-8 (0)
[33]
Penuelas J, Pinol J, Ogaya R R, et al. Estimation of plant water concentration by the reflectance water index WI (R900/R970)[J]. International Journal of Remote Sensing, 1997, 18(13): 2869-2875. DOI:10.1080/014311697217396 (0)
[34]
Neuenschwander A L, M M Crawford, M J Provancha. Mapping of coastal wetlands via hyperspectral AVIRIS data[C]∥IEEE International Geoscience and Remote Sensing Symposium Proceedings, USA, 1998: 189-191. (0)
[35]
Schmidt K S, Skidmore A K. Spectral discrimination of vegetation types in a coastal wetland[J]. Remote Sensing of Environment, 2003, 85(1): 92-108. DOI:10.1016/S0034-4257(02)00196-7 (0)
[36]
Akira Hirano, Marguerite Madden, Roy Welch. Hyperspectral image data for mapping wetland vegetation[J]. Wetlands, 2003, 23(2): 436-448. DOI:10.1672/18-20 (0)
[37]
Brian L Becker, David P Lusch, Qi Jiaguo. Identifying optimal spectral bands from in situ measurements of Great Lakes coastal wetlands using second-derivative analysis[J]. Remote Sensing of Environment, 2005, 97(2): 238-248. DOI:10.1016/j.rse.2005.04.020 (0)
[38]
Thomas Schmid, Jose Gumuzzio, Magaly Koch, et al. Semi-arid wetlands: assessment of their degradation status and monitoring by multi-sensor remote sensing[C]∥ 4th ESA CHRIS PROBA, Frascati Workshop ESA-ESRIN, 19-21 September, 2006. (0)
[39]
王晓鸿. 鄱阳湖湿地生态系统评估[M]. 北京: 科学出版社, 2004. (0)
[40]
高占国, 张利权. 应用间接排序识别盐沼植被的光谱特征:以崇明东滩为例[J]. 植物生态学报, 2006, 30(2): 252-260. DOI:10.3321/j.issn:1005-264X.2006.02.007 (0)
[41]
李凤秀, 张柏, 刘殿伟, 等. 湿地小叶章叶绿素含量的高光谱遥感估算模型[J]. 生态学杂志, 2008, 27(7): 1077-1083. (0)
[42]
张东, 张鹰, 李欢. 海岸带星载高光谱遥感影像预处理方法[J]. 海洋科学进展, 2009, 27(1): 92-97. DOI:10.3969/j.issn.1671-6647.2009.01.012 (0)
[43]
Wataru Takeuchi, Masayuki Tamura, Yoshifumi Yasuoka. Estimation of methance emission from West Siberian wetland by scaling technique between NOAA AVHRR and SPOT HRV[J]. Remote Sensing of Environnment, 2003, 85(1): 21-29. DOI:10.1016/S0034-4257(02)00183-9 (0)
[44]
Schmid T, Koch M, Gumuzzio J, et al. A spectral library for a semi-arid wetland and its application to studies of wetland degradation using hyperspectral and multi-spectral data[J]. International Journal of Remote Sensing, 2004, 25(13): 2485-2496. DOI:10.1080/0143116031000117001 (0)
[45]
Foudan Salem, Menas Kafatos, Tarek EL-Ghasawi, et al. Hyperspectral image assessment of oil-contaminated wetland[J]. International Journal of Remote Sensing, 2005, 26(4): 811-821. DOI:10.1080/01431160512331316883 (0)
[46]
李凤秀, 张柏, 刘殿伟. 洪河自然保护区乌拉苔草生物量高光谱遥感估算模型[J]. 湿地科学, 2008, 6(1): 51-58. (0)
[47]
毛克彪, 唐华俊, 周清波, 等. 被动微波遥感土壤水分反演研究综述[J]. 遥感技术与应用, 2007, 22(3): 466-470. DOI:10.3969/j.issn.1004-0323.2007.03.028 (0)
[48]
毛克彪, 覃志豪, 徐斌. 被动微波土壤水分反演模型研究[J]. 测绘与空间地理信息, 2005, 28(5): 12-14. DOI:10.3969/j.issn.1672-5867.2005.05.004 (0)
[49]
刘红玉, 吕宪国, 张世奎, 等. 三江平原流域湿地景观破碎化过程研究[J]. 应用生态学报, 2005, 16(2): 289-295. DOI:10.3321/j.issn:1001-9332.2005.02.019 (0)
[50]
刘红玉, 张世奎, 吕宪国. 20世纪80年代以来挠力河流域湿地景观变化过程研究[J]. 自然资源学报, 2002, 17(6): 698-705. DOI:10.3321/j.issn:1000-3037.2002.06.007 (0)
[51]
张树清, 张柏, 汪爱华. 三江平原湿地消长与区域气候变化关系研究[J]. 地球科学进展, 2001, 16(6): 836-841. DOI:10.3321/j.issn:1001-8166.2001.06.013 (0)
[52]
汪爱华, 张树清, 何艳芬. RS和GIS支持下的三江平原沼泽湿地动态变化研究[J]. 地理科学, 2002, 22(5): 636-640. DOI:10.3969/j.issn.1000-0690.2002.05.022 (0)
[53]
刘红玉, 张世奎, 吕宪国. 三江平原湿地景观结构的时空变化[J]. 地理学报, 2004, 59(3): 391-400. DOI:10.3321/j.issn:0375-5444.2004.03.009 (0)
[54]
周德民, 宫辉力, 胡金明, 等. 中国湿地卫星遥感的应用研究[J]. 遥感技术与应用, 2006, 21(6): 577-583. DOI:10.3969/j.issn.1004-0323.2006.06.019 (0)