基于包絡(luò)線去除法的貴州省常見(jiàn)樹(shù)種高光譜特征分析

王志杰 柳書(shū)俊 彭海蘭 楊清青

摘 要：為區(qū)別喀斯特高原森林植被類(lèi)型，利用高光譜技術(shù)對(duì)森林植被開(kāi)展光譜特征分析，為喀斯特高原貴州省森林植被的遙感探測(cè)與精準(zhǔn)識(shí)別提供理論與技術(shù)支持。本研究采用ASDFieldSpec4便攜式地物光譜儀對(duì)貴州省常見(jiàn)的華山松（Pinus armandiiFranch）、麻櫟（Quercus acutissimaCarruth）、馬尾松（Pinus massonianaLamb）、杉木（Cunninghamia lanceolata）、水杉（Metasequoia glyptostroboides）、香樟（Cinnamomum camphora）、云南松（Pinus yunnanensis）、柏木（Cupressus funebris Endl. ）8種樹(shù)種的光譜數(shù)據(jù)進(jìn)行采集。在對(duì)原始光譜數(shù)據(jù)進(jìn)行異常值處理的基礎(chǔ)上，進(jìn)行包絡(luò)線去除，比較原始光譜和包絡(luò)線去除圖，選擇差異較大的波段用于識(shí)別不同樹(shù)種。結(jié)果表明：原始光譜中11個(gè)特征波段差異都較為明顯，去包絡(luò)線中1439～1448nm、1779～1788nm、1958～1967nm和2307～2316nm波段范圍內(nèi)差異較為明顯，說(shuō)明包絡(luò)線去除法能有效縮小樹(shù)種特征波段范圍，達(dá)到運(yùn)用較少波段識(shí)別樹(shù)種的目的。用歐氏距離法對(duì)選取的特征波段進(jìn)行驗(yàn)證，發(fā)現(xiàn)運(yùn)用原始光譜曲線與包絡(luò)線去除法選取的特征波段皆能有效區(qū)分樹(shù)種，且包絡(luò)線去除法的效果更好。

關(guān)鍵詞：高光譜;樹(shù)種鑒別;包絡(luò)線去除法;歐氏距離

Abstract：In order to distinguish forest vegetation types in Karst Plateau， spectral characteristics of forest vegetation were analyzed by hyperspectral technology， which provided theoretical and technical support for remote sensing detection and accurate identification of forest vegetation in Guizhou Province. In this study， ASD FeldSpec4 portable ground object spectrometer was used to collect the spectral data of eight common tree species in Guizhou Province， including Pinus armandii Franch，Quercus acutissima Carruth，Pinus massonianaLamb，Cunninghamia lanceolate，Metasequoia glyptostroboides，Cinnamomum camphora，Pinus yunnanensis and Cupressus funebris Endl.On the basis of processing the outliers of the original spectral data， we remove the envelope， compare the original spectrum and the envelope removal chart， select different bands to identify different tree species. The results show that the difference of 11 characteristic bands in the original spectrum is obvious， and the difference of 1439～1448nm， 1779～1788nm， 1958～1967nm and 2307～2316nm in the de enveloping line is obvious. The results show that the envelope method can effectively reduce the range of tree species characteristic band， and achieve the purpose of using less band to identify tree species. After the Euclidean distance method is used to verify the selected characteristic band， it is found that the characteristic band selected by the original spectral curve and envelope division method can effectively distinguish tree species， and the effect of envelope division method is better.

Keywords：hyperspectral; tree species identification; envelope division; euclidean distance

森林是陸地生態(tài)系統(tǒng)的主體，是人類(lèi)發(fā)展不可缺少的自然資源，準(zhǔn)確獲取森林樹(shù)種類(lèi)型與空間分布信息對(duì)于區(qū)域林業(yè)經(jīng)營(yíng)與管理、保護(hù)物種多樣性，改善區(qū)域生態(tài)環(huán)境，以及建立林木生長(zhǎng)模型等方面具有重要意義[1-5]。傳統(tǒng)的樹(shù)種識(shí)別方法主要以費(fèi)時(shí)費(fèi)力的野外調(diào)查為主。由于高光譜遙感具有波段多、波寬窄的特點(diǎn)，其光譜曲線能夠準(zhǔn)確區(qū)分地物種類(lèi)，為快速、大面積的森林樹(shù)種識(shí)別提供了可能，相關(guān)研究已成為國(guó)際高光譜植被遙感研究的熱點(diǎn)[6-9]。Matthew等[10]基于高光譜遙感影像采用物種辨識(shí)分析程序等方法提取7種熱帶雨林樹(shù)種;Bunting等[11]利用不同季節(jié)的CASI高光譜影像通過(guò)構(gòu)建樹(shù)種冠層聚類(lèi)分析法對(duì)澳大利亞昆士蘭州的9種森林群落的信息進(jìn)行了提取。宮鵬等[12]利用實(shí)測(cè)光譜數(shù)據(jù)識(shí)別了美國(guó)加州的6種主要針葉樹(shù)種，證明了高光譜數(shù)據(jù)具有較強(qiáng)的樹(shù)種識(shí)別潛力。陳爾學(xué)等[13]研究發(fā)現(xiàn)對(duì)高光譜數(shù)據(jù)進(jìn)行降維處理，并采用更加有效的二階統(tǒng)計(jì)量估計(jì)方法，進(jìn)而應(yīng)用將空間上下文信息和光譜信息相結(jié)合的分類(lèi)算法，可以有效提高高光譜數(shù)據(jù)森林類(lèi)型的識(shí)別精度。陳璇等[14]基于包絡(luò)線法和并對(duì)其進(jìn)行一階微分處理對(duì)麥冬、圓柏和珊瑚樹(shù)進(jìn)行了有效區(qū)分。王志輝等[15]利用光譜一階、二階微分法對(duì)高光譜遙感圖像進(jìn)行處理，選擇樹(shù)種特征差異性加大的波段進(jìn)行組合降維，再利用野外實(shí)地調(diào)查樣地作為訓(xùn)練樣本進(jìn)行樣本，對(duì)毛竹、雷竹、雜竹等7個(gè)樹(shù)種進(jìn)行了有效區(qū)分。徐凱健等[16]基于全年逐旬或逐月尺度的時(shí)序光譜數(shù)據(jù)，并結(jié)合相應(yīng)的微分變換方法，能有效提高區(qū)域尺度優(yōu)勢(shì)樹(shù)種的識(shí)別精度。王波等[17]基于6種典型灌木植物的室內(nèi)光譜數(shù)據(jù)，通過(guò)反射率、吸收率及其一階微分的變化，篩選出敏感波段，而后通過(guò)各個(gè)波段之間的相互組合計(jì)算NDVI值和RVI值，并且以TM設(shè)置波段計(jì)算的NDVI值和RVI值最為參考，篩選出優(yōu)于TM波段且差值最大的波段組合確定為最優(yōu)模型，最終有辨別出6種灌木植物。目前，典型高光譜特征提取方法和分類(lèi)方法主要有：包絡(luò)線去除（Continuum Removal）、主成分分析法（Principal Component Analysis， PCA）、獨(dú)立主成分分析（Independent Component Analysis， ICA）、線性判別分析（Linear Discriminant Analysis， LDA）、小波變換（Wavelet， WT）等。其中，包絡(luò)線去除法以其消除不相關(guān)背景信息、擴(kuò)大弱吸收特征信息、突出光譜曲線上吸收和反射的特征、增強(qiáng)光譜曲線各波段之間的對(duì)比性等特點(diǎn)，被廣泛應(yīng)用于地物探測(cè)[18-20]。

本研究以貴州黔中喀斯特花溪區(qū)和高原喀斯特草海自然保護(hù)區(qū)的華山松（Pinus armandii Franch）、麻櫟（Quercus acutissima Carruth）、馬尾松（Pinus massoniana Lamb）、杉木（Cunninghamia lanceolata）、水杉（Metasequoia glyptostroboides）、香樟（Cinnamomum camphora）、云南松（Pinus yunnanensis）、柏木（Cupressus funebris Endl. ）8種典型樹(shù)種為研究對(duì)象，利用包絡(luò)線去除法對(duì)實(shí)測(cè)的葉片高光譜數(shù)據(jù)進(jìn)行處理，分析提取樹(shù)種原始光譜以及包絡(luò)線去除曲線中差異較為明顯的波段，驗(yàn)證高光譜遙感數(shù)據(jù)以及包絡(luò)線去除法選擇的特征波段對(duì)于樹(shù)種識(shí)別的效應(yīng)，以期為喀斯特高原貴州省植被的遙感識(shí)別、監(jiān)測(cè)和保護(hù)提供理論依據(jù)和技術(shù)支持。

1 材料與方法

1.1 研究區(qū)概況

貴州位于云貴高原東部（E103°36′～109°35，N24°37′～29°13′），全省總面積17.62萬(wàn)km2，平均海拔1100m左右。境內(nèi)地勢(shì)西高東低，自中部向北、東、南三面傾斜，分為高原山地、丘陵和盆地三種基本類(lèi)型，以高原山地居多，是典型的喀斯特地貌。貴州是長(zhǎng)江、珠江上游地區(qū)的重要生態(tài)屏障，是國(guó)家生態(tài)文明試驗(yàn)區(qū)。年平均氣溫在11～19℃之間，年均降雨量為1000～1300mm[21]，年日照時(shí)數(shù)為1200～1600h[22]。貴州省屬于亞熱帶濕潤(rùn)季風(fēng)氣候，因降水豐富、氣候溫暖濕潤(rùn)的氣象特點(diǎn)，物種資源較為豐富[23]。2018年森林覆蓋率已達(dá)57%。貴州省植被豐厚，具有明顯的具有明顯的亞熱帶性質(zhì)，組成種類(lèi)繁多，區(qū)系成分復(fù)雜[24]。境內(nèi)廣泛分布有赤黃壤、黃棕壤、紅壤、黃壤、石灰土、山地灌叢草甸土、水稻土、紫色土等8個(gè)土類(lèi)[25]。試驗(yàn)地點(diǎn)選擇貴州省貴陽(yáng)市花溪區(qū)和貴州省威寧縣草海自然保護(hù)區(qū)。花溪區(qū)屬典型的中亞熱帶常綠闊葉林帶，主要森林植被類(lèi)型有黔中山原濕潤(rùn)性常綠櫟林、常綠落葉混交林及馬尾松林等[26]。草海自然保護(hù)區(qū)森林植被主要為云南松（Pinus yunnanensis）、華山松（Pinus armandii Franch）、杉木（Cunninghamia lanceolata）、柏木（Cupressus funebris Endl. ）等[27]。

1.2 光譜數(shù)據(jù)采集與預(yù)處理

本研究利用ASD FieldSpec4便攜式地物光譜儀分別采集華山松、麻櫟、馬尾松、杉木、水杉、香樟、云南松、柏木等8種典型樹(shù)種的葉片光譜反射率。該設(shè)備波段范圍是350～2500nm，其中，350～1000nm波段光譜采樣間隔為1.4nm，光譜分辨率為3nm;1000～2500nm波段光譜采樣間隔為2nm，光譜分辨率為10nm[28]。

數(shù)據(jù)采集時(shí)間選擇晴朗無(wú)風(fēng)天氣，測(cè)定時(shí)間為10：00～14：00之間，分別于2018年9月30日～2018年10月31日在貴州省貴陽(yáng)市花溪區(qū)試驗(yàn)區(qū)（圖1a）和2018年7月20日～2018年7月27日在貴州省威寧縣草海試驗(yàn)區(qū)（圖1），采集方法嚴(yán)格按照ASD FieldSpec4地物光譜儀使用說(shuō)明進(jìn)行操作，每種樹(shù)種隨機(jī)選擇3塊集中連片且面積不小于10公頃的樣地，每塊樣地內(nèi)隨機(jī)選擇5個(gè)樣本，每個(gè)樣本重復(fù)測(cè)量10次，共計(jì)1200個(gè)樣本數(shù)據(jù)，而后，刪除受空氣中的水汽以及儀器的系統(tǒng)誤差影響較大的波段（759～763nm、1340～1352nm、1365～1395nm、1801～1925nm、2487～2500nm）的數(shù)據(jù)，保留質(zhì)量較高的波段的數(shù)據(jù)。

1.3 光譜微分

光譜微分可以增強(qiáng)曲線在坡度上的細(xì)微變化，突出顯示光譜曲線的差異性，采用光譜導(dǎo)數(shù)分析模型具有部分消除大氣效應(yīng)，可以消除植被光譜土壤成分的影響以及能反映植被的本質(zhì)特征等一系列優(yōu)越性[29-30]。本研究在Origin軟件中進(jìn)行一階微分、二階微分處理，其計(jì)算公式如下：

1.4 包絡(luò)線去除

在光譜曲線相似的情況下，直接從中提取光譜特征不便于計(jì)算，因此需要對(duì)光譜曲線作進(jìn)一步處理，以突出光譜特征。包絡(luò)線去除法可以有效突光譜曲線的吸收、反射和發(fā)射特征，并將其歸一到一個(gè)一直的背景上，有利于和其他光譜曲線進(jìn)行特征數(shù)值的比較[31-33]。本研究在ENVI Class軟件中進(jìn)行包絡(luò)線去除，其計(jì)算公式如下：

1.5 檢驗(yàn)分析

為了檢驗(yàn)原始光譜特征波段和去除包絡(luò)線特征波段識(shí)別樹(shù)種的效果，本研究使用歐式距離法在SPSS25.0軟件中對(duì)其進(jìn)行檢驗(yàn);以原始光譜所選的特征波段為例，首先計(jì)算所選波段各個(gè)樹(shù)種所有樣本的原始光譜反射率平均值，然后選擇比較樹(shù)種，分別計(jì)算每一樹(shù)種每一樣本與比較樹(shù)種平均值之間的歐氏距離，最后再計(jì)算各樹(shù)種所有樣本的歐氏距離平均值（表2）。如果不同樹(shù)種間的歐式距離的平均值大于同樹(shù)種間的歐氏距離平均值，則說(shuō)明所選波段能有效區(qū)分這8種樹(shù)種。

2 結(jié)果與分析

2.1 原始光譜曲線分析

由圖2可知，8種樹(shù)種的光譜曲線形態(tài)相似性高，符合綠色植物的光譜曲線特征。但由于不同植被內(nèi)含成分的不同，導(dǎo)致其在相同的外部條件下對(duì)太陽(yáng)輻射的吸收和反射不盡相同，圖2中八種樹(shù)種光譜曲線在某些波段差異明顯，這些差異波段更好的反映了不同樹(shù)種之間的光譜特性的差異。挑選差異性較為明顯的549～558nm、785～794nm、964～973nm、1078～1087nm、1190～1199nm、1268～1277nm、1445～1454nm、1665～1674nm、1775～1784nm、1956～1965nm和2211～2220nm共11個(gè)波段（波段范圍10nm），取其平均值進(jìn)行比較。由圖3可知，在8種樹(shù)種光譜曲線的第一個(gè)波峰范圍（549～558nm）內(nèi)，云南松-柏木、馬尾松-杉木、華山松-麻櫟-水杉-香樟三組之間區(qū)分明顯，但是后兩組組內(nèi)樹(shù)種區(qū)分不明顯;在785～794nm范圍內(nèi)，云南松與其它七種樹(shù)種差異較大，麻櫟-香樟、水杉-杉木-柏木、華山松-馬尾松三組差異明顯，但組內(nèi)差異較小;964～973nm、1078～1089nm與785～794nm波段范圍內(nèi)差異情況類(lèi)似;在1445～1454nm波段范圍內(nèi)麻櫟與其他7種樹(shù)種差異明顯，水杉-香樟、杉木-云南松-華山松-馬尾松-柏木兩組差異性較大，但組內(nèi)差異性小;1956～1965nm、2211～2220nm與1445～1454nm波段范圍內(nèi)差異情況類(lèi)似;其他4個(gè)波段范圍（1190～1199nm、1268～1277nm、1665～1674nm和1775～1784nm）內(nèi)8種樹(shù)種差異明顯。

2.2 包絡(luò)線分析

原始光譜曲線的峰值點(diǎn)即為包絡(luò)線的節(jié)點(diǎn)，當(dāng)某一波段光譜一階微分值為0，且光譜二階微分值小于0，則此波段為包絡(luò)線節(jié)點(diǎn)[34]。通過(guò)原始光譜曲線、一階微分值、二階微分值確定8種樹(shù)種的包絡(luò)線節(jié)點(diǎn)（表1），8類(lèi)樹(shù)種在同一波峰處對(duì)應(yīng)的波長(zhǎng)位置不同，為使包絡(luò)線與原始光譜曲線的交點(diǎn)唯一，對(duì)8類(lèi)樹(shù)種的各波峰節(jié)點(diǎn)值進(jìn)行統(tǒng)一，選擇各波峰所對(duì)應(yīng)的波長(zhǎng)位置，取其相似值或平均值作為包絡(luò)線的起始節(jié)點(diǎn)及末端節(jié)點(diǎn)[34]。據(jù)上述方法，共得到8種樹(shù)種8個(gè)特征波段（350～540nm、550～750nm、870～1070nm、1080～1260nm、1270～1680nm、1690～1800nm、1810～2220nm、2230～2500nm）。由圖4可知，去除包絡(luò)線后的曲線差異明顯，特別是在特征波段范圍內(nèi)，差異比較顯著。為進(jìn)一步比較各樹(shù)種去包絡(luò)線后的差異性，在上述8個(gè)波段范圍里各自波段范圍的最低點(diǎn)內(nèi)選取波段寬度為10nm并計(jì)算其包絡(luò)線去除值的平均值進(jìn)行比較[34]。由圖5可知，平均包絡(luò)線去除值在1439～1448nm、1779～1788nm、1958～1967nm和2307～2316nm波段之間具有明顯的差異。

2.3 檢驗(yàn)分析

包絡(luò)線去除所選波段檢驗(yàn)方法一致（表3）。由表2、表3可知不同樹(shù)種間的歐氏距離大于同種樹(shù)種間的歐式距離值，僅表3中華山松與馬尾松的歐氏距離的均值0.4570，小于華山松與華山松歐氏距離的平均值0.4945，香樟與麻櫟的歐式距離的均值0.2310，小于麻櫟與麻櫟歐氏距離的平均值0.2417。表明可根據(jù)原始光譜和去包絡(luò)線曲線圖的差異性所選的特征波段可以對(duì)8種樹(shù)種初步進(jìn)行有效區(qū)分。

3 結(jié)論與討論

高光譜數(shù)據(jù)以其波段多且連續(xù)的特性，能夠?yàn)椴煌瑯?shù)種提供更多的光譜反射率信息，光譜微分分析充分利用高光譜的連續(xù)性，將原始光譜里的微小變化與差異進(jìn)行擴(kuò)大，從而被廣泛應(yīng)用于樹(shù)種的鑒別[35]。

本研究對(duì)貴州省常見(jiàn)的8種樹(shù)種進(jìn)行高光譜測(cè)量，通過(guò)對(duì)其原始光譜曲線和去包絡(luò)線曲線分析，找出其差異較明顯的波段作為特征波段，最后使用歐式距離法檢驗(yàn)所選的特征波段對(duì)不同樹(shù)種的區(qū)分效果。結(jié)果表明，雖然整體上8種樹(shù)種的光譜特性相似度較高，符合綠色植被的光譜曲線，且在可見(jiàn)光到近紅外波段內(nèi)（350～1000nm）具有典型的“兩峰三谷”曲線特征[36]，但在一些波段范圍內(nèi)存在微小的差異，從原始光譜曲線上能看出體現(xiàn)八種樹(shù)種微小的差異的波段大多集中在近紅外波段范圍內(nèi)。其中，有一個(gè)在綠光波段，波段范圍為549～558nm，且從圖2可以看出差異最明顯的波段是：1190～1199nm、1268～1277nm;而包絡(luò)線去除法能有效增大原始光譜的差異，便于更加精確地選取特征波段;包絡(luò)線去除法選擇的波段有一個(gè)位于綠光波段490～499nm、一個(gè)位于紅光波段670～679nm，其余位于近紅外波段，從圖4可以看出差異最明顯的波段是1779～1788nm。為了驗(yàn)證兩種方法所選取的特征波段能否有效地區(qū)分八類(lèi)樹(shù)種，本研究采用歐氏距離法進(jìn)行檢驗(yàn)，從表2可以看出不同樹(shù)種的歐氏距離大于同種樹(shù)種，而且包絡(luò)線去除法所選取的特征波段歐氏距離驗(yàn)證的結(jié)果數(shù)值差異更大，其區(qū)分效果更好。

本研究主要是基于實(shí)測(cè)的葉片光譜數(shù)據(jù)進(jìn)行的，而高光譜遙感則是基于遙感影像對(duì)植被冠層光譜信息數(shù)據(jù)進(jìn)行采集的;實(shí)測(cè)的葉片光譜數(shù)據(jù)對(duì)于物種識(shí)別來(lái)說(shuō)具有精度高的優(yōu)點(diǎn)，而遙感影像對(duì)于大尺度、大范圍的物種識(shí)別則更勝一籌。在后續(xù)的研究中需進(jìn)一步探討葉片的實(shí)測(cè)光譜數(shù)據(jù)與植物生理生化指標(biāo)含量的關(guān)系，并與遙感影像相結(jié)合，從而為大尺度植被的精準(zhǔn)識(shí)別和監(jiān)測(cè)提供科學(xué)依據(jù)[37]。

參 考 文 獻(xiàn)：

[1] 李文華，李飛.中國(guó)森林資源研究[M].北京：中國(guó)林業(yè)出版社，1996.

[2] LAUREL，BALLANTI，LEONHARD，et al.Tree species classification using hyperspectral imagery：a comparison of two classifiers[J].Remote sensing，2016.

[3] JONES T G，COOPS N C，SHARMA T，et al.Assessing the utility of airborne hyperspectral and LiDAR data for species distribution mapping in the coastal Pacific Northwest，Canada[J].Remote sensing of environment，2010，114（12）：2841-2852.

[4] FALKOWSKI M J，HUDAK A T，CROOKSTON N L，et al.Landscape-scale parameterization of a tree-level forest growth model：a k-nearest neighbor imputation approach incorporating LiDAR data[J].Canadian journal of forest research，2010，40（2）：184-199.

[5] 陶江玥，劉麗娟，龐勇，等.基于機(jī)載激光雷達(dá)和高光譜數(shù)據(jù)的樹(shù)種識(shí)別方法[J].浙江農(nóng)林大學(xué)學(xué)報(bào)，2018，35（2）：314-323.

[6] 劉代志，黃世奇，王藝婷，等.高光譜遙感圖像處理與應(yīng)用[M].北京：科學(xué)出版社，2016.

[7] 趙春暉，王立國(guó)，齊濱，等.高光譜遙感圖像處理方法及應(yīng)用[M].北京：電子工業(yè)出版社，2016.

[8] HARRISON D，RIVARD B，SANCHEZ AZOFEIFA A.Classification of tree species based on longwave hyperspectral data from leaves， a case study for a tropical dry forest[J].International journal of applied earth observation & geoinformation，2018，66：93-105.

[9] MADONSELA S，CHO M A，MATHIEU R，et al. Multi-phenology WorldView-2 imagery improves remote sensing of savannah tree species[J].International journal of applied earth observation & geoinformation，2017，58：65-73.

[10] CLARK M L，ROBERTS D A，CLARK D B.Hyperspectral discrimination of tropical rain forest tree species at leaf to crown scales[J].Remote sensing of environment，2005，96（3-4）：375-398.

[11] LUCAS R， BUNTING P，PATERSON M，et al.Classification of Australian forest communities using aerial photography， CASI and HyMap data[J].Remote sensing of environment，2008，112（5）：2088-2103.

[12] 宮鵬，浦瑞良，郁彬.不同季相針葉樹(shù)種高光譜數(shù)據(jù)識(shí)別分析[J].遙感學(xué)報(bào)，1998（3）：211-217.

[13] 陳爾學(xué)，李增元，譚炳香，等.高光譜數(shù)據(jù)森林類(lèi)型統(tǒng)計(jì)模式識(shí)別方法比較評(píng)價(jià)[J].林業(yè)科學(xué)，2007（1）：84-89，130.

[14] 陳璇，林文鵬，王瑤，等.基于包絡(luò)線法的長(zhǎng)江三角洲典型植物光譜識(shí)別研究[J].海洋環(huán)境科學(xué)，2017，36（5）：688-692.

[15] 王志輝，張樂(lè)，徐惠軍，等.基于高光譜遙感圖像的樹(shù)種（樹(shù)種組）分類(lèi)[J].華東森林經(jīng)理，2019，33（2）：61-66.

[16] 徐凱健，田慶久，徐念旭，等.基于時(shí)序NDVI與光譜微分變換的森林優(yōu)勢(shì)樹(shù)種識(shí)別[J].光譜學(xué)與光譜分析，2019，39（12）：3794-3800.

[17] 王波，柳小妮，王洪偉，等.東祁連山高寒灌叢六種灌木植物的光譜特征分析[J].光譜學(xué)與光譜分析，2019，39（5）：1509-1516.

[18] 童慶禧，張兵，鄭蘭芬.高光譜遙感——原理、技術(shù)與應(yīng)用[M].北京：高等教育出版社，2006.

[19] 劉秀英，王力，常慶瑞，等.利用包絡(luò)線消除法反演黃綿土水分含量[J].武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2017，42（5）：661-668.

[20] 姚艷敏，魏娜，唐鵬欽，等.黑土土壤水分高光譜特征及反演模型[J].農(nóng)業(yè)工程學(xué)報(bào)，2011，27（8）：95-100.

[21] 蔣榮.地形因子對(duì)貴州喀斯特地區(qū)坡面土壤侵蝕的影響[D].南京：南京大學(xué)，2013.

[22] 王孜昌，王宏艷.貴州省氣候特點(diǎn)與植被分布規(guī)律簡(jiǎn)介[J].貴州林業(yè)科技，2002（4）：46-50.

[23] 肖俊.貴州省農(nóng)業(yè)氣候資源分析及應(yīng)用[D].雅安：四川農(nóng)業(yè)大學(xué)，2018.

[24] 劉曉，郭穎，徐海，等.貴州省森林生態(tài)系統(tǒng)服務(wù)功能的價(jià)值評(píng)估[J].貴州農(nóng)業(yè)科學(xué)，2014，42（12）：60-65，69.

[25] 呂文強(qiáng)，周傳艷，閆俊華，等.貴州省主要森林類(lèi)型土壤有機(jī)碳密度特征及其影響因素[J].地球與環(huán)境，2016，44（2）：147-153.

[26] 吳庭，龍翠玲.不同人為干擾類(lèi)型對(duì)城市近郊植物群落物種多樣性的影響——以貴陽(yáng)市花溪區(qū)為例[J].林業(yè)資源管理，2017（3）：75-79.

[27] 侯春蘭，楊瑞，王勇，等.草海流域6種林分枯落物水源涵養(yǎng)功能研究[J].林業(yè)資源管理，2020（1）：108-115.

[28] 牛亞龍，劉廷璽，段利民，等.科爾沁沙地5種典型沙生植被高光譜特性分析與遙感解譯參數(shù)提取[J].生態(tài)與農(nóng)村環(huán)境學(xué)報(bào)，2017，33（7）：632-644.

[29] 王志輝.高光譜遙感在森林樹(shù)種識(shí)別中的應(yīng)用[D].杭州：浙江農(nóng)林大學(xué)，2011.

[30] 童慶喜，張兵，鄭蘭芬.高光譜遙感——原理、技術(shù)與應(yīng)用[M].北京：高等教育出版社，2006.

[31] 王濤，喻彩麗，張楠楠，等.基于去包絡(luò)線和連續(xù)投影算法的棗園土壤電導(dǎo)率光譜檢測(cè)研究[J].干旱地區(qū)農(nóng)業(yè)研究，2019，37（5）：193-199，217.

[32] 謝伯承，薛緒掌，劉偉東，等.基于包絡(luò)線法對(duì)土壤光譜特征的提取及其分析[J].土壤學(xué)報(bào)，2005（1）：171-175.

[33] 陳彥兵，況潤(rùn)元，曾帥.基于高光譜數(shù)據(jù)的鄱陽(yáng)湖濕地典型植被識(shí)別分析[J].人民長(zhǎng)江，2018，49（20）：19-23.

[34] 丁麗霞，王志輝，葛宏立.基于包絡(luò)線法的不同樹(shù)種葉片高光譜特征分析[J].浙江林學(xué)院學(xué)報(bào)，2010，27（6）：809-814.

[35] 王志輝，丁麗霞.基于葉片高光譜特性分析的樹(shù)種識(shí)別[J].光譜學(xué)與光譜分析，2010，30（7）：1825-1829.

[36] 陳程，杜健民，楊紅艷.內(nèi)蒙古荒漠化草原植被高光譜特征提取與分析[J].光學(xué)儀器，2018，40（6）：42-47.

[37] 姚付啟，張振華，楊潤(rùn)亞，等.基于紅邊參數(shù)的植被葉綠素含量高光譜估算模型[J].農(nóng)業(yè)工程學(xué)報(bào)，2009，25（S2）：123-129.