基于多源衛(wèi)星遙感影像的水生藥材芡實(shí)遙感監(jiān)測(cè)方法研究＊

吳啟南，郝振國(guó)，段金廒，孫成忠，嚴(yán) 輝，楊澤東，戴仕林

（1.南京中醫(yī)藥大學(xué)藥學(xué)院 南京 210046；2.中國(guó)測(cè)繪科學(xué)研究院 北京 100039）

芡實(shí)，又名雞頭子，大都生長(zhǎng)于淺水的湖泊區(qū)域，素有“水中人參”和“水中桂圓”的美譽(yù)，是傳統(tǒng)的中藥材和珍貴的天然補(bǔ)品[1]，是江蘇省傳統(tǒng)的水生道地藥材之一。芡實(shí)作為一種浮葉型水生草本植物，傳統(tǒng)的中藥調(diào)查方式是通過(guò)實(shí)地調(diào)查布設(shè)樣帶、樣方的方式進(jìn)行。由于芡實(shí)生長(zhǎng)在水中，常規(guī)調(diào)查方法通常無(wú)法進(jìn)行，因此，水生類(lèi)藥材的調(diào)查需要采用新技術(shù)來(lái)完成。

遙感是20世紀(jì)60年代發(fā)展起來(lái)的一門(mén)綜合性應(yīng)用學(xué)科，遙感技術(shù)作為大面積、實(shí)時(shí)全球觀測(cè)技術(shù)，正在廣泛用于植物的調(diào)查和監(jiān)測(cè)，近些年，業(yè)界一些學(xué)者把遙感技術(shù)應(yīng)用于中藥資源監(jiān)測(cè)開(kāi)展了相關(guān)研究，但針對(duì)水生藥用植物調(diào)查與監(jiān)測(cè)還沒(méi)有進(jìn)行研究先例。由于水生植物尤其是水生藥材大多生長(zhǎng)于湖泊、河流等濕地環(huán)境中，受到濕地內(nèi)地形、地貌等諸多因素的限制，人們難以對(duì)藥材的生長(zhǎng)區(qū)域進(jìn)行直接的考察[2]。而遙感技術(shù)具有多時(shí)相、多波段、覆蓋范圍廣等特點(diǎn)，近幾年已廣泛用于濕地植被及濕地資源的調(diào)查和研究中。目前有很多研究利用多光譜遙感數(shù)據(jù)進(jìn)行濕地植被識(shí)別及提取[2-17]，但目前缺乏基于遙感影像的水生藥材識(shí)別的系統(tǒng)性研究。

近年來(lái)，在中藥資源領(lǐng)域，陳士林、張本剛等利用遙感技術(shù)對(duì)人參種植區(qū)域的人參種植面積進(jìn)行調(diào)查，建立了人參資源遙感調(diào)查的技術(shù)路線和方法，并對(duì)產(chǎn)區(qū)面積進(jìn)行了測(cè)算和估產(chǎn)[18]。孫宇章、郭蘭萍等人利用遙感技術(shù)對(duì)野生中藥蒼術(shù)的資源量進(jìn)行了調(diào)查，并估算了茅山蒼術(shù)的資源量[19]。目前眾多的研究主要是利用單一遙感數(shù)據(jù)對(duì)陸生藥材分布進(jìn)行監(jiān)測(cè)研究，而對(duì)水生植物藥材的遙感監(jiān)測(cè)研究還處于空白，水生藥材由于受水體和水草等因素的影響，其監(jiān)測(cè)更為復(fù)雜。

本文針對(duì)高郵湖地區(qū)水生藥材芡實(shí)種植區(qū)域的遙感識(shí)別，獲取多時(shí)相Pléiades衛(wèi)星遙感影像資料和高分一號(hào)（GF-1）衛(wèi)星影像數(shù)據(jù)，構(gòu)建芡實(shí)分類(lèi)決策樹(shù)模型，利用GIS空間分析技術(shù)，提取芡實(shí)種植區(qū)域，對(duì)高郵湖地區(qū)的芡實(shí)種植面積和空間分布進(jìn)行研究，結(jié)合實(shí)地調(diào)查，能夠比較準(zhǔn)確反映水生藥用植物芡實(shí)的分布面積。

1 研究區(qū)概況和衛(wèi)星遙感數(shù)據(jù)獲取

1.1 研究區(qū)概況

高郵湖位于淮河下游地區(qū)，江蘇省揚(yáng)州市寶應(yīng)湖以南，京杭大運(yùn)河以西，東經(jīng)119°06′-119°25′，北緯32°30′-33°05′之間，總面積760.67平方公里，僅次于太湖，洪澤湖，為江蘇省的第三大湖。本次影像獲取區(qū)域主要位于界首區(qū)域內(nèi)，研究區(qū)地理位置如圖1所示。

研究區(qū)域內(nèi)，芡實(shí)主要種植于堤壩圍成的水域內(nèi)，在該域內(nèi)，還生長(zhǎng)著蘆葦、浮萍、菱角、野菜等水生植物。

1.2 多源衛(wèi)星遙感數(shù)據(jù)獲取及處理

本文采用Pléiades和GF-1衛(wèi)星遙感數(shù)據(jù)，兩種遙感影像各一景。Pléiades數(shù)據(jù)包括藍(lán)、綠、紅（波長(zhǎng)分別為藍(lán)430-550 nm綠500-620 nm紅590-710 nm）3個(gè)可見(jiàn)光波段和一個(gè)近紅外波段（波長(zhǎng)為740-940 nm），空間分辨率為2 m，Pléiades數(shù)據(jù)的獲取時(shí)間為2015年7月31日，該時(shí)段內(nèi)，芡實(shí)的生長(zhǎng)已經(jīng)較為繁茂，枝葉已經(jīng)基本覆蓋湖面。

GF-1數(shù)據(jù)同樣包括藍(lán)、綠、紅（波長(zhǎng)分別為藍(lán)450-520 nm綠520-590 nm紅630-690 nm）3個(gè)可見(jiàn)光波段和一個(gè)近紅外波段（波長(zhǎng)為770-890 nm），空間分辨率為8 m，GF-1的影像獲取時(shí)間為2015年6月6日，該時(shí)段內(nèi)芡實(shí)還未種植或剛剛種植，在遙感影像上，種植芡實(shí)的區(qū)域主要表現(xiàn)為水體。

通過(guò)遙感圖像處理軟件ENVI對(duì)兩種數(shù)據(jù)源遙感影像進(jìn)行輻射校正（輻射定標(biāo)和大氣校正），消除一切與輻射有關(guān)的誤差。此外，通過(guò)在研究區(qū)域?qū)崪y(cè)控制點(diǎn)（控制點(diǎn)如表1所示），并在影像上選取同名地物控制點(diǎn)的方式對(duì)遙感影像進(jìn)行幾何精校正，最終校正誤差控制在0.5個(gè)像元內(nèi)。

圖1 研究區(qū)地理位置

2 水生植物光譜測(cè)量

不同植被的光譜特征是水生藥材植物遙感識(shí)別方法建立和驗(yàn)證的基礎(chǔ)。由于芡實(shí)生長(zhǎng)環(huán)境中不同種類(lèi)植被光譜特征的相似性，植物在空間遙感探測(cè)中容易形成“異物同譜”及“同物異譜”現(xiàn)象。同時(shí)，芡實(shí)的生長(zhǎng)受到水體環(huán)境的影響，其復(fù)雜性遠(yuǎn)遠(yuǎn)高于陸生植物，從而影響遙感分類(lèi)解譯的準(zhǔn)確性。

為了更清楚地了解芡實(shí)及其周?chē)参锏墓庾V特征，使用ASD公司生產(chǎn)的FieldSpec Pro JR便攜式地物光譜儀，測(cè)定水生植物的光譜發(fā)射率。光譜儀的波段覆蓋350-2 500 nm，其采樣間隔在350-1 000 nm內(nèi)為14 nm，在1 000-2 500 nm內(nèi)為2 nm，光譜分辨率在700 nm為3 nm。傳感器探頭全視場(chǎng)角（FOV）為25°。

2015年8月21日，在高郵湖芡實(shí)生長(zhǎng)區(qū)選取4種典型的水生植物進(jìn)行光譜測(cè)定，所有水生植物均測(cè)量植物的冠層的光譜發(fā)射率，每個(gè)點(diǎn)位測(cè)定20組光譜數(shù)據(jù)，以20組光譜測(cè)量的平均值作為最終測(cè)量結(jié)果。

測(cè)量光譜反射率時(shí)，選擇天氣晴朗時(shí)段，測(cè)量工作從上午10：30開(kāi)始到13：30結(jié)束。測(cè)定時(shí)探頭垂直向下，距離水面高度為1 m，實(shí)際光譜采樣樣方大小直徑為44.3 cm的圓形區(qū)域。每20分鐘利用漫反射參考板（反射率為98%）進(jìn)行儀器優(yōu)化1次。

3 衛(wèi)星遙感分類(lèi)方法研究

研究區(qū)域位于陸地和湖泊的交接地帶，隨著水域的變化，形成了不同的植物群落，芡實(shí)種植區(qū)由圍堰分割成不同的種植區(qū)，種植區(qū)內(nèi)，典型的植被有芡實(shí)、蘆葦、野菜、菱角等。大體上可分為挺水植物、浮水植物和沉水植物3種類(lèi)別。

在遙感信息提取和分類(lèi)上，決策樹(shù)方法通過(guò)不同的決策級(jí)別設(shè)定閾值，克服了單指標(biāo)閾值的缺點(diǎn)，具有更好的適應(yīng)性。Luo Juhua等人[4,12]針對(duì)太湖流域建立了浮水植物、挺水植物和沉水植物的分類(lèi)樹(shù)模型。本研究針對(duì)研究區(qū)的實(shí)際情況，以歸一化植被指數(shù)（NDVI）、挺水植物指數(shù)（EVI）、浮水植物指數(shù)（FVI）三種光譜特征指數(shù)，對(duì)芡實(shí)等浮水植被進(jìn)行區(qū)分。為了更精確的區(qū)分芡實(shí)和其他浮水植物，利用主要浮水植物生長(zhǎng)的差異性和多時(shí)相遙感影像，對(duì)GF-1號(hào)遙感數(shù)據(jù)的分類(lèi)結(jié)果中水體部分和Pléiades的浮水植被區(qū)進(jìn)行疊加，進(jìn)而對(duì)分類(lèi)結(jié)果進(jìn)行優(yōu)化。

表1 控制點(diǎn)名稱(chēng)及經(jīng)緯度

3.1 模型構(gòu)建

由于水生藥材植物生長(zhǎng)環(huán)境的復(fù)雜性，基于Pléiades衛(wèi)星遙感影像，通過(guò)構(gòu)建NDVI、EVI和FVI三種指數(shù)，利用選取樣點(diǎn)處的反射率值，建立決策樹(shù)分類(lèi)算法。

3.1.1 NDVI指數(shù)

基于衛(wèi)星影像的藍(lán)、綠、紅和近紅外4個(gè)光譜波段，通過(guò)波段組合計(jì)算，首先計(jì)算歸一化植被指數(shù)（NDVI）以此區(qū)分植被和非植被，排除道路、村莊、水體等地面覆蓋類(lèi)型的干擾。

NDVI=(NIR-R)/(NIR+R)

（1）NDVI的應(yīng)用：檢測(cè)植被生長(zhǎng)狀態(tài)、植被覆蓋度和消除部分輻射誤差等；

（2）-1＜=NDVI＜=1，負(fù)值表示地面覆蓋為云、水、雪等，對(duì)可見(jiàn)光高反射；0表示有巖石或裸土等，NIR和R近似相等；正值表示有植被覆蓋，且隨覆蓋度增大而增大

3.1.2 EVI指數(shù)和FVI指數(shù)

在區(qū)分出植被的基礎(chǔ)上，根據(jù)前人的研究成果，建立FVI指數(shù)和EVI指數(shù)，區(qū)分出挺水植物、浮水植物?；谶b感影像的藍(lán)、綠、紅和近紅外4個(gè)光譜波段，通過(guò)波段組合和影像變化技術(shù)（主成份變換和纓帽變換）構(gòu)建兩個(gè)光譜特征指數(shù)EVI和FVI。

EVI指數(shù)是第4波段和第1、2、3波段的差值與它們之和的比值，即

該指數(shù)可以較好地區(qū)分挺水植物。

FVI指數(shù)是主成份變換后的第二主成份，該指標(biāo)能夠較好地識(shí)別浮水植物，而芡實(shí)作為浮水植物的一種，可利用該指標(biāo)進(jìn)行區(qū)分[4,12]。

圖2 分類(lèi)決策樹(shù)算法

分類(lèi)閾值的確定是構(gòu)建決策樹(shù)的關(guān)鍵之一。本研究中采用CART（classification and regression tree）算法確定分類(lèi)閾值。CART算法采用經(jīng)濟(jì)學(xué)中基尼系數(shù)作為選擇最佳測(cè)試變量和分割閾值的準(zhǔn)則，通過(guò)隨機(jī)抽取樣本的方式確定基尼系數(shù)的大小[20]，其數(shù)學(xué)定義如下：

式中是從訓(xùn)練樣本集中隨機(jī)抽取一個(gè)樣本，當(dāng)某一測(cè)試變量值為h時(shí)屬于第 j類(lèi)的概率；nj(h)為訓(xùn)練樣本中測(cè)試變量值為h時(shí)屬于第 j類(lèi)的樣本個(gè)數(shù)；n(h)為訓(xùn)練樣本中測(cè)試變量值為h的樣本個(gè)數(shù)；j為類(lèi)別個(gè)數(shù)。

基于NDVI、FVI、EVI構(gòu)建了芡實(shí)分類(lèi)決策樹(shù)如圖2所示。

3.2 衛(wèi)星影像疊加

根據(jù)芡實(shí)及菱角等植物的種植和生長(zhǎng)史可知，6月是芡實(shí)的種植期，此時(shí)芡實(shí)種植區(qū)在遙感影像上主要表現(xiàn)為水體或者水體與較少水生植物的混合區(qū)，而菱角等植物的生長(zhǎng)區(qū)已被較大面積的綠色葉片覆蓋。基于浮水植物區(qū)多時(shí)相空間分布的差異，利用6月獲取的GF-1衛(wèi)星數(shù)據(jù)，通過(guò)NDVI指數(shù)，以NDVI＜0.198為分類(lèi)指標(biāo)，區(qū)分出6月底高郵湖中主要水體及較少水生植物的混合區(qū)，將這些區(qū)域與Pléiades分類(lèi)結(jié)果進(jìn)行空間疊加分析，可以區(qū)分出較為準(zhǔn)確的分析結(jié)果。

3.3 結(jié)果優(yōu)化

根據(jù)芡實(shí)生長(zhǎng)的特性，如葉片覆蓋面積高達(dá)1平方米以上、大面積分布等生長(zhǎng)特性，對(duì)浮水植物的分類(lèi)去進(jìn)行優(yōu)化，利用合并、刪減等處理方式對(duì)分類(lèi)結(jié)果進(jìn)行處理。并將非浮水植物和其他地物進(jìn)行合并，進(jìn)行精度驗(yàn)證。

4 芡實(shí)衛(wèi)星遙感監(jiān)測(cè)結(jié)果

4.1 研究區(qū)水生類(lèi)典型地物光譜特征分析

從圖3中可以看出，不同種類(lèi)的水生植物波譜曲線都呈現(xiàn)出典型植物光譜特征，在560 nm附近形成了明顯的反射“綠峰”；在可見(jiàn)光部分的紅光波段（670 nm為中心）附近有較強(qiáng)的吸收，形成吸收谷；在680-740 nm之間反射率增高最快，出現(xiàn)“紅邊”；在740-1 300 nm之間其光譜反射率較高，形成水生植物在近紅外波段的反射高原區(qū)，而在1 670 nm和2 200 nm附近分別有一個(gè)明顯的反射峰。不同類(lèi)別水生植物光譜反射率大小在可見(jiàn)光和近紅外波段差異明顯，在近紅外發(fā)射高原區(qū)（740 nm-1 300 nm）有位突出。而芡實(shí)和菱角的發(fā)射光譜在1 980 nm之后都趨近于0。

圖3 四種水生植物的光譜曲線圖

針對(duì)遙感影像上對(duì)應(yīng)的波段，提取該波段的反射率值，得到圖4的光譜曲線。

從圖4中可以看出，在495、585、656三個(gè)波段：蘆葦和芡實(shí)發(fā)射率值極為接近，而野菜和菱角極為接近，存在“異物同譜”現(xiàn)象，而在842.5波段，蘆葦?shù)姆瓷渎式^對(duì)值要高于其他三種植物。

4.2 研究區(qū)域水生藥材芡實(shí)遙感監(jiān)測(cè)分類(lèi)結(jié)果

從光譜特征曲線中可以看到，水生植物在藍(lán)、綠、紅三個(gè)波段的反射率極為相近，最大的偏差也只有0.1左右。盡管在近紅外波段，蘆葦?shù)陌l(fā)射率高于其他三種水生植物，但芡實(shí)、野菜和菱角的反射率卻極為相近，這對(duì)于利用遙感影像進(jìn)行芡實(shí)區(qū)域的分類(lèi)將造成極大的干擾。為此，利用GF-1衛(wèi)星的NDVI分類(lèi)圖，對(duì)決策樹(shù)結(jié)果進(jìn)行空間疊加分析，可以極大地提高分類(lèi)精度。

通過(guò)實(shí)地調(diào)查了解到，在6月初時(shí)，芡實(shí)種植區(qū)還沒(méi)有被芡實(shí)覆蓋，在遙感影像上表現(xiàn)為水體，而菱角等浮生植物已有葉片覆蓋，所以將高分一號(hào)衛(wèi)星上的水體區(qū)和決策樹(shù)結(jié)果中的浮水植物區(qū)域進(jìn)行交集疊加運(yùn)算，疊加區(qū)域即為芡實(shí)分類(lèi)區(qū)域。由于芡實(shí)生長(zhǎng)區(qū)域同時(shí)存在野菜、菱角等水生植物的伴生，造成分類(lèi)結(jié)果中存在“孤島”和分類(lèi)中的混合像元問(wèn)題，為此，對(duì)分類(lèi)后的影像進(jìn)行了圖斑去除、合并、過(guò)濾等后處理操作。最終疊加結(jié)果如圖5所示。

在GIS技術(shù)的支持下，經(jīng)在研究區(qū)內(nèi)分析統(tǒng)計(jì)，有近5.0平方公里的范圍種植了芡實(shí)。

5 芡實(shí)衛(wèi)星遙感監(jiān)測(cè)分類(lèi)結(jié)果的驗(yàn)證

對(duì)本次芡實(shí)遙感監(jiān)測(cè)分類(lèi)結(jié)果的驗(yàn)證采用ENVI的混淆矩陣法驗(yàn)證和實(shí)地驗(yàn)證相結(jié)合的方法。

ENVI的混淆矩陣法驗(yàn)證法是以圖斑對(duì)象為最小單位，以混淆矩陣為基礎(chǔ)，利用分類(lèi)前預(yù)先設(shè)置好的樣本評(píng)價(jià)當(dāng)前的分類(lèi)結(jié)果。混淆矩陣的原理是將地表真實(shí)像元的位置和類(lèi)別與分類(lèi)結(jié)果中相對(duì)應(yīng)像元的位置和類(lèi)別作比較，混淆矩陣的每一列代表了地面參考驗(yàn)證信息，每一列中的數(shù)值等于地表真實(shí)像元在分類(lèi)圖像中對(duì)應(yīng)于相應(yīng)類(lèi)別的數(shù)量；混淆矩陣的每一行代表了遙感數(shù)據(jù)的分類(lèi)信息，每一行中的數(shù)值等于遙感分

類(lèi)像元在地表真實(shí)像元相應(yīng)類(lèi)別中的數(shù)量。

表2 分類(lèi)精度驗(yàn)證

精度檢驗(yàn)結(jié)果如表2所示。

對(duì)上述驗(yàn)證結(jié)果研究人員進(jìn)行實(shí)地調(diào)查驗(yàn)證，并對(duì)多個(gè)種植農(nóng)戶進(jìn)行調(diào)研分析，影像總體的分類(lèi)精度也在80%左右，基本上與上述驗(yàn)證相吻合。經(jīng)實(shí)地走訪發(fā)現(xiàn)，2015年高郵湖北部地區(qū)發(fā)生洪水，造成部分種植區(qū)域水深過(guò)深，芡實(shí)生長(zhǎng)受到影響，導(dǎo)致種植區(qū)內(nèi)中心部分芡實(shí)無(wú)法生長(zhǎng)，在遙感圖像上呈現(xiàn)為水體，在種植區(qū)內(nèi)出現(xiàn)了不連續(xù)分布的局面。對(duì)于研究區(qū)北部和東部出現(xiàn)的不連續(xù)種植，是由于部分農(nóng)戶在該區(qū)域內(nèi)進(jìn)行引種試種，并非分類(lèi)錯(cuò)誤。

圖4 四種植物對(duì)應(yīng)波段上的光譜曲線值

圖5 影像疊加分析結(jié)果

6 結(jié)束語(yǔ)

近些年，應(yīng)用衛(wèi)星遙感技術(shù)監(jiān)測(cè)中藥資源的生長(zhǎng)、分布及資源變化受到業(yè)界諸多學(xué)者的關(guān)注，也取得了一些研究成果。但基于多源衛(wèi)星遙感數(shù)據(jù)對(duì)水生藥材監(jiān)測(cè)研究還處于空白。

本文以高郵湖為研究試驗(yàn)區(qū)，基于Pléiades和GF-1高分辨率影像的波段特征和影像變換技術(shù)及前人的研究成果，提出了基于NDVI、EVI和FVI指數(shù)，利用CART算法中基尼指數(shù)的原理確定分割閾值，構(gòu)建了高郵湖芡實(shí)的決策樹(shù)分類(lèi)模型，較為精確地區(qū)分出了高郵湖地區(qū)浮水植物的生長(zhǎng)區(qū)域。算法建立過(guò)程中，利用光譜儀實(shí)地采集了芡實(shí)生長(zhǎng)區(qū)內(nèi)相似地物的光譜反射率，并進(jìn)行了光譜特征分析，為分類(lèi)算法的發(fā)展和最終技術(shù)路線的建立提供了基礎(chǔ)。

本文根據(jù)文獻(xiàn)調(diào)研和野外實(shí)測(cè)數(shù)據(jù)，獲取了高郵湖芡實(shí)生長(zhǎng)區(qū)域水生植物的相關(guān)信息，考慮芡實(shí)不同時(shí)間的生長(zhǎng)趨勢(shì)，利用多源、多時(shí)相衛(wèi)星遙感數(shù)據(jù)，通過(guò)不同時(shí)間芡實(shí)生長(zhǎng)狀態(tài)的變化來(lái)確定芡實(shí)的分布區(qū)域，為進(jìn)行大范圍水生藥材監(jiān)測(cè)探索了一種新的思路和方法。

1 沈蓓,吳啟南,陳蓉,等.芡實(shí)的現(xiàn)代研究進(jìn)展.西北藥學(xué)雜志,2012,27(2):185-187.

2 林川,宮兆寧,趙文吉.基于中分辨率TM數(shù)據(jù)的濕地水生植被提取.生態(tài)學(xué)報(bào),2010,30(23):6460-6469.

3 Brooks C,Grimm A,Shuchman R,et al.A satellite-based multitemporal assessment of the extent of nuisance Cladophora and related submerged aquatic vegetation for the Laurentian Great Lakes.Remote Sens Envirom,2015,157:58-71.

4 Luo J,Ma R,Duan H,et al.A New Method for Modifying Thresholds in the Classification of Tree Models for Mapping Aquatic Vegetation in Taihu Lake with Satellite Images.Remote Sens,2014,6(8):7442-7462.

5 Villa P,Brisciani M,Braga F,et al.IComparative Assessment of Broadband Vegetation Indices Over Aquatic Vegetation.IEEE JSelec Top Appl Earth Obser Remote Sens,2014,7(7):3117-3127.

6 簡(jiǎn)永興,李仁東,王建波,等.鄱陽(yáng)湖灘地水生植物多樣性調(diào)查及灘地植被的遙感研究.植物生態(tài)學(xué)報(bào),2001,25(5):581-587.

7 李俊生,吳迪,吳遠(yuǎn)峰,等.基于實(shí)測(cè)光譜數(shù)據(jù)的太湖水華和水生高等植物識(shí)別.湖泊科學(xué),2009,21(2):215-222.

8 劉暉,胡湘陽(yáng),張?zhí)秫P.遙感影像在水生植物提取中的探討.科技傳播,2012(10):71-72.

9 劉潔.基于TM、ETM～+影像的東平湖濕地信息提取及時(shí)空演變研究.泰安:山東農(nóng)業(yè)大學(xué)碩士學(xué)位論文,2013.

10龍娟.基于光譜特征分析的野鴨湖濕地典型植物信息提取方法研究.北京:首都師范大學(xué)碩士學(xué)位論文,2011.

11龍娟,郭逍宇,宮兆寧,等.基于光譜特征的濕地水生植被信息提取研究.北京:中國(guó)地理學(xué)會(huì)百年慶典大會(huì),2009.

12王琪,周興東,羅菊花,等.考慮生活史的太湖沉水植物優(yōu)勢(shì)種遙感監(jiān)測(cè).湖泊科學(xué),2015,27(5):953-961.

13夏雙,阮仁宗,顏梅春.基于TM影像的水體信息提取方法研究(英文).南京林業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版),2012,36(4):29-35.

14夏曉瑞,韋玉春,徐寧,等.基于決策樹(shù)的Landsat TM/ETM+圖像中太湖藍(lán)藻水華信息提取.湖泊科學(xué),2014,26(6):907-915.

15楊凱,林開(kāi)愚,張榮幸,等.遙感數(shù)字圖象處理技術(shù)在洪湖水生植物分布調(diào)查中的應(yīng)用.植物生態(tài)學(xué)報(bào)（英文版）,1983(05):472-481.

16鄒維娜.上海地區(qū)典型沉水植物光譜特征研究及其應(yīng)用.上海:華東師范大學(xué)博士學(xué)位論文,2014.

17鄒維娜,張利權(quán),袁琳.基于光譜特征的沉水植物種類(lèi)識(shí)別研究.華東師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2014(04):132-140.

18陳士林,張本剛,張金勝,等.人參資源儲(chǔ)藏量調(diào)查中的遙感技術(shù)方法研究.世界科學(xué)技術(shù)-中醫(yī)藥現(xiàn)代化,2005,7(4):37-43.

19孫宇章,郭蘭萍,朱文泉,等.道地藥材茅蒼術(shù)的資源遙感監(jiān)測(cè).中國(guó)中藥雜志,2008,33(4):353-356.

20 Trendowicz A,Jeffery R.Classification and regression tree.oftware Project Effort Estimation.Springer,Cham:295-304.