遙感典型地物提取綜述

1、考慮地物光譜多樣性的遙感影像典型地物提取方法綜述摘要光譜信息是遙感影像用于分類、地物提取和目標(biāo)識別的最主要信息，然而在遙感高精度分類研究中，特別面對大區(qū)域（全國或全球尺度）地表分類時，由于地表情況復(fù)雜，地物光譜多樣性問題突出，在對遙感影像進行具體處理時往往難以實現(xiàn)高精度的地物識別。例如對于水體而言，海洋水體和內(nèi)陸水體會由于水體成分的不同而使得其具有不同的光譜特征。植被由于其具有物候特征，光譜往往會隨著季節(jié)的變化而變化，城市不透水層由于建筑物材料的差異以及大量的建筑物陰影使得地物光譜之間具有較大的差異。這些由于空間或時間引起的地物光譜多樣性特征會隨著研究范圍的增大而變得更加突出。本文從基于像元級

2、與基于亞像元級兩個方面對地物提取研究進行綜述，系統(tǒng)的介紹了當(dāng)前國內(nèi)外在考慮地物光譜多樣性典型地物提取的研究進展，為后續(xù)的研究提供參考。關(guān)鍵詞：遙感，光譜多樣性，水體，植被，建筑物，像元級，亞像元級1. 引言：光譜信息是遙感影像用于分類、地物提取和目標(biāo)識別的最主要信息，然而在遙感高精度分類研究中，特別面對大區(qū)域（全國或全球尺度）地表分類時，由于地表情況復(fù)雜，地物光譜多樣性問題突出，在對遙感影像進行具體處理時往往難以實現(xiàn)高精度的地物識別。例如對于水體而言，海洋水體和內(nèi)陸水體會由于水體成分的不同而使得其具有不同的光譜特征。植被由于其具有物候特征，光譜往往會隨著季節(jié)的變化而變化，城市不透水層由于建筑物

3、材料的差異以及大量的建筑物陰影使得地物光譜之間具有較大的差異。這些由于空間或時間引起的地物光譜多樣性特征會隨著研究范圍的增大而變得更加突出。制約遙感影像上地物信息準(zhǔn)確提取的最主要因素之一便是遙感影像上廣泛存在的“同物異譜”現(xiàn)象，該現(xiàn)象產(chǎn)生的原因主要有：（1）地物自身屬性隨著空間-時間的變化而發(fā)生變化，即是該課題所研究的地物光譜多樣性特征；（2）地物由于臨近效應(yīng)，大氣散射等使得遙感影像上地物所表現(xiàn)出來的光譜特征相對于其原有光譜特征發(fā)生變化。原因（1）是導(dǎo)致“同物異譜”現(xiàn)象最主要的原因，因此在對遙感影像進行處理中如果能夠解決地物光譜多樣性問題，其實也就很大程度上解決了遙感影像上的“同物異譜”問題。

4、地物光譜多樣性并不是毫無規(guī)律的，以落葉植被為例，在一年的周期里，落葉植被的葉綠素含量呈現(xiàn)出先增加后減少的自然規(guī)律，反映在遙感影像上為植被在綠光波段的反射率會先增加后減小。對于水體而言，無論是清澈水體還是渾濁水體，其在中紅外波段區(qū)間的反射率都趨近于0。除此之外，對于不同地物的光譜多樣性特征還有很多有待探索的規(guī)律。隨著空間科學(xué)技術(shù)，信息技術(shù)以及傳感器技術(shù)的發(fā)展，現(xiàn)已經(jīng)能夠獲取到一些具有三高特性（高空間分辨率、高光譜分辨率和高時間分辨率）的遙感影像。這為我們深入分析地物光譜多樣性特征隨著地物時空分布的不同所呈現(xiàn)出來的變與不變的內(nèi)在規(guī)律提供基礎(chǔ)。同時，由于光譜可變會嚴(yán)重影響混合像元分解中地物豐度估計的

5、結(jié)果，因此關(guān)于光譜多樣性問題在軟分類領(lǐng)域已有較多研究，如近年來提出的CoB、EAR、IES等最有代表性端元光譜選取方法，能夠從地物光譜庫中找到地物光譜在某些波段區(qū)間的不變規(guī)律，以此篩選出最具有地物代表性的端元光譜。除此之外，軟分類領(lǐng)域涉及解決地物光譜多樣性問題的具體方法還有很多，這都為遙感影像上地物光譜多樣性問題的解決提供了思路和參考。2. 典型地物光譜規(guī)律探索地物光譜多樣性特征是指同一種地物在時空中往往呈現(xiàn)出多樣化的光譜特征，地物光譜多樣性體現(xiàn)在遙感影像上即為“同物異譜”、“端元可變(endmember variability)”、“光譜可變(spectral variability)”等現(xiàn)

6、象。地物光譜的多樣化并不是毫無規(guī)律的，其與時間、空間之間一定存在著某些變與不變規(guī)律。對于水體而言，傳感器接受到的水體輻射包括了水面反射、水體底部物質(zhì)反射和懸浮物反射，因此光譜吸收和透射特性不僅與水體本身性質(zhì)有關(guān)，還受到水中各類有機物和無機物的影響(Davis等,1978; Palmer等,2015; Villa等2015)。渾濁水體隨著水中懸浮泥沙濃度及粒徑的增加，反射率也逐漸增加，反射峰向長波方向移動，成為“紅移”，至0.8um附近，由于水體對紅外輻射的強烈吸收，反射率急劇衰減，“紅移”現(xiàn)象終止（王偉武，2006; 邢小罡等,2007;王繁,2008）。植被的光譜反射特性由其化學(xué)和生態(tài)學(xué)特征

7、決定，健康的植被有著明顯的光譜特征：在可見光藍波段0.45um和紅光波段0.67um附近各有一吸收谷值，綠光波段0.55um附近有反射率為10-20%的一個峰值：在紅光波段0.7um附近反射率值迅速升高，并且在近紅外0.8-1.0um間有一個反射率為50-60%的較寬反射坪；之后在1.4um、1.9um和2.7um出現(xiàn)三個強烈的水吸收波段（Lillesand等,2014; Das等,2013）。對于不透水層，城市道路的鋪面材料一般可分為水泥路和柏油路兩大類，其反射光譜曲線形狀大體相似，在0.4-0.6um區(qū)間緩慢上升，后趨于平緩，至0.9-1.1um區(qū)間逐漸下降。一般而言，水泥路面的反射率較柏

8、油路反射要高（劉建貴，1999）。建筑物在遙感影像上通常只能表達出建筑物屋頂信息，反映在遙感影像上即不同材料建筑物屋頂?shù)牟ㄗV特征。研究表明灰色水泥瓦在所有波段范圍上反射率中等，且變化平緩，而青瓦在可見光短波波段反射率高，在紅光波段下降趨勢也最明顯；白色涂料的屋頂反射率要顯著高于其他類型屋頂，可以達到80%（童慶喜等，2006）。在對典型地物水體、植被以及不透水層進行提取時，采用歸一化光譜指數(shù)的方法即是通過分析地物光譜多樣性中的光譜不變規(guī)律，利用地物光譜相對穩(wěn)定的波段區(qū)間來對地物進行提取(Deering,1978; McFeeters,1996; Feyis等,2014; Deng等,2015;

9、 Sun等,2014,Liu等,2013; Bolton等,2013; Mahlein等,2013; Delegido等,2013; Schuster等,2012; Veraverbeke等,2012; Tanaka等,2015)。3. 遙感影像像元級地物提取中光譜多樣性問題的解決方法當(dāng)?shù)匚镌诠庾V上的不變規(guī)律無法解決地物光譜多樣性問題時，尤其是在復(fù)雜景觀條件下,光譜特征的變異性增大,“同物異譜”現(xiàn)象嚴(yán)重, 傳統(tǒng)的基于像元級的遙感圖像分析和處理方法僅靠光譜特征是不足以表達目標(biāo)或類別的，因而其分析結(jié)果的可靠性常常不盡人意。雖然近年在基于像元級的遙感影像分析和處理上引入的方法，如模糊集（Fuzzy

10、set）、神經(jīng)網(wǎng)絡(luò)分類器(Neural Net Classifer)、分層聚類(Hierarchical Clustering)、空間逐步尋優(yōu)模型(Stepwise optimization)等(Comber等,2012; Ghosh等,2011; Ghaffarian等,2014; Kussul等,2014; Zhong等,2015;Garcia-Pineda等,2013; Senthilnath等,2012; Tademir等,2011; Bijamov等,2014; Zhao等,2013; Yuan等,2015)，在影像分類精度等方面有了很大的改進，但是由于這些方法從本質(zhì)上還是基于光譜特

11、征的分類，因而無法從根本上擺脫方法的局限性。因此要想進一步提升地物識別與分類精度，則必須聯(lián)合高光譜影像的光譜與空間信息（Fauvel等,2013;Plaza等,2009; Lu and Weng,2007; Fauvel等,2012 ;Gray等，2012）?？兆V特征提取與分類方法在利用地物光譜信息的同時，考慮了像素與其周圍像素的空間上下文信息，有效的降低“同物異譜”與“異物同譜”對識別精度的影響。探索聯(lián)合影像上地物空間信息與光譜信息的特征提取與識別方法也是當(dāng)前多/高光譜遙感領(lǐng)域研究的焦點(許將軍,2007,陳進,2010,黃昕,2009)。在空間信息的利用上，最常用的是地物的空間紋理信息(C

12、asa等,2013; Yuan等,2014 ;Wood等,2012; Regniers等,2013)，在最新的研究中，Osaku等(2015)和Falco等(2015)通過將地物光譜信息與地物空間紋理信息結(jié)合，實現(xiàn)了土地覆蓋的高精度分類。此外，空間關(guān)系，空間形狀等也被用于地物光譜多樣性問題的解決之中。Qiao(2014)提出了最大空間鄰接MSA和定向空間鄰接MDA兩種空間關(guān)系，通過地物與地物之間的空間關(guān)系建立規(guī)則，在高分辨率遙感影像上實現(xiàn)了地物的更準(zhǔn)確分類。隨著遙感影像數(shù)據(jù)源的豐富，我們能夠獲取到多時相的時間序列影像，這使得我們在基于遙感影像的地物提取和分類應(yīng)用中能夠更多的結(jié)合地物的時間信息。

13、Begue(2014)討論了不同植被在時間上的不同物候特征，并探索出植被光譜與時間、氣候之間的關(guān)系，為植被地物的識別提供了參考。Dudley(2015)考慮了植被光譜由物候特征所引起的差異，建立了多時相光譜庫，用類似于光譜匹配的方法對植被物種進行分類，在對具有明顯物候特征的植被物種進行分類時取得了比單時相光譜庫更好的結(jié)果。Mannel和Price(2012)利用決策樹分類法結(jié)合兩個季節(jié)（春/秋）的Landsat TM遙感影像對樹種進行分類，分類結(jié)果優(yōu)于僅用單個季節(jié)遙感影像獲得的分類結(jié)果。實驗結(jié)果表明了植被光譜在時間上季節(jié)性的變化是影響遙感影像上地物類型識別的重要因素。除此之外，GIS輔助數(shù)據(jù)的

14、結(jié)合也為地物光譜多樣性問題的解決提供思路。李德仁(2004)院士曾經(jīng)說過，從GIS空間數(shù)據(jù)庫中挖掘和發(fā)現(xiàn)的知識也可以有效的支持遙感圖像解譯，以解決“同物異譜”和“異物同譜”的問題。邸凱昌等（2000）利用GIS水域數(shù)據(jù)庫進行歸納學(xué)習(xí)，獲得了水體的形狀特征，并將其應(yīng)用于水域的細分，獲得了顯著提高的分類精度。Juel(2015)結(jié)DEM數(shù)據(jù)，利用基于目標(biāo)的圖像分析和機器學(xué)習(xí)方法，實現(xiàn)了海岸植被90%的提取精度。Asare-Kyei(2015)結(jié)合GIS數(shù)據(jù)和水文資料，利用統(tǒng)計模型提出了洪水災(zāi)害指數(shù)PHI，實現(xiàn)了洪水區(qū)域的高精度制圖。4. 遙感影像亞像元級地物信息提取中光譜多樣性問題的解決方法在遙感

15、影像軟分類中，認(rèn)為影像上的每個像元都是以包含不同地物信息的混合像元形式存在的，而構(gòu)成混合像元中的每一類地物則被稱為端元。端元光譜只包含一種地物信息，由于地物光譜多樣性特征，用于軟分類中豐度估計的端元光譜也一定不是恒定不變的。針對端元光譜在空間上的多樣性特征，現(xiàn)有研究中主要有以下幾類方法：4.1 考慮端元可變的迭代混合分析方法在迭代混合分析方法中，應(yīng)用最多的是Roberts（1998）等提出的多端元光譜混合分析模型（MESMA），MESMA是基于線性光譜混合分析的端元可變混合像元分解方法，通過建立地物光譜庫，逐像元調(diào)整端元的數(shù)量與端元組合動態(tài)進行混合像元分解，是比固定端元線性光譜混合模型更加合理

16、且分解精度更高的混合像元分解方法(Powell等,2007;Rashed等,2003;Wu,2004; Franke等,2009; Tits等,2012)。近年來MESMA方法廣泛應(yīng)用于植被，土壤，不透水層等地物的提取(Fand and Deng, 2014; Thorp等,2013; Zhang等,2014;Deng和Wu,2013; Nunez-Casillas等,2012; Peterson等,2015;Thorp等,2013; Michishita等,2012)，以及土地覆蓋/利用分類等領(lǐng)域(Powell等,2007; Rashed等,2003; Demarchi等，2012; Sha

17、htahmassebi等,2014;Zhang等,2014; Myint和Okin,2009; Biggs等,2010)。除此之外，考慮地物光譜多樣性對混合像元分解的影響，Asner和Lobell（2000）提出了考慮端元可變的AutoMCU光譜混合模型，它與MESMA方法中對于一個混合像元有多種端元組合形式的方法相類似，AutoMCU可將端元光譜的不確定性傳播到最后的豐度估計結(jié)果中，利用模糊估計技術(shù)分別獲得最小，平均以及最大豐度估計圖像。這種方法已廣泛應(yīng)用于基于機載或星載遙感影像的生態(tài)群落監(jiān)測之中(Asner 等,2003;Asner等,2005;Byambakhuu等,2010, Huan

18、g等,2013)。Bateson（2000）提出了端元束（Endmember Bundles）的概念，利用模擬退火算法生成端元束，并以一束光譜來代表一類端元。最近的研究中，Xu等（2015）考慮到端元光譜之間的差異，結(jié)合光譜特征和空間信息改進了端元束提取方法，取得了較好的效果。Song(2005)利用概率密度函數(shù)代替恒定的端元光譜，建立了一種新的混合像元分解模型-貝葉斯光譜混合像元分解模型（BSMA），該模型用于城市中的植被地物的豐度估計中，結(jié)果表明，BSMA可以綜合端元光譜的可變性，在混合像元分解中能夠獲得較高的豐度估計精度。多端元混合分析模型MESMA由于算法簡單且能夠最大程度考慮地物光譜

19、多樣性特征，其在解決地物光譜多樣性問題方面是應(yīng)用最為廣泛的方法。MESMA方法通過枚舉地物光譜庫中每一條光譜進行分類，由于遙感影像上不存在兩條完全相同的光譜，因此對收集的地物光譜進行最有代表性端元光譜的選取直接關(guān)系到MESMA方法的分類精度與效率。為了獲得不同地物最有代表性光譜，Roberts(2003)等提出了計數(shù)端元選擇法CoB，該方法將能夠擬合某個類別光譜庫中最大數(shù)量光譜的端元光譜選取為最有代表性端元光譜。Dennison 和Roberts(2003)引入了端元平均均方根誤差EAR，給定端元模擬該類中其他光譜的平均均方差（EAR）被計算以量測端元對該類其他光譜的代表程度。若端元擁有最低的

20、EAR則被選取為最優(yōu)代表性端元，Dennison等（2004）提出類似于EAR方法的最小平均光譜角MSAN用于最有代表性端元光譜的選取。Schaaf等（2011）提出了一種基于端元特征能否準(zhǔn)確對整個光譜庫而不是單個類別光譜庫進行分類的迭代端元選取方法IES。Roth等(2012)對幾種方法在端元選取性能上進行了評價，并結(jié)合不同方法的優(yōu)勢，提出一種混合不同方法的端元選取方法。通過最有代表性端元光譜選取，地物光譜多樣性特征由少數(shù)端元光譜所表達，不僅加快了MESMA方法的運行效率，同時也提高了MESMA方法對地物豐度的估計精度。 4.2 基于地物光譜特征的方法地物對不同波長的光呈現(xiàn)出不同的響應(yīng)特征，

21、地物光譜多樣性在不同波長區(qū)間上的表達也因此而不一樣，為了降低地物光譜多樣性引起的地物豐度估計誤差，在直接或間接利用地物具有明顯光譜特征的波段進行混合像元分解方面也取得了相應(yīng)的研究成果。Asner和Lobell(2000)根據(jù)植被、土壤等地物在波長區(qū)間為2100nm-2500nm的短波紅外波段上具有較強的光譜區(qū)分度特性，并且在該波長區(qū)間上，地物呈現(xiàn)出較為穩(wěn)定的光譜特征，因此提出了自動短波中紅外方法AutoSWIR,并選取該波長區(qū)間的波段應(yīng)用于干旱地區(qū)和針葉林地區(qū)植被地物的豐度估計中（Lobell等，2001,2002）。類似于AutoSWIR方法中選取地物光譜區(qū)分度強的波段進行混合像元分解，基于

22、主成分分析（PCA;Johnson等;1993;Miao等, 2006; Nocita等,2013）和離散余弦變換（DCT，Li, 2004; Bhandari等,2015）的光譜特征提取方法也用于選取地物具有較高光譜區(qū)分度和較低光譜可變性的波段用于混合像元分解。Somers等（2010）提出了一種更加實用和可靠的光譜特征提取方法，提出不穩(wěn)定指數(shù)ISI來定量地物光譜在不同波長上的穩(wěn)定性，并以此作為地物光譜穩(wěn)定波段的選取。除此之外，光譜轉(zhuǎn)換是一種間接利用地物光譜信息的方法，通過光譜轉(zhuǎn)換降低地物端元可變性和提高地物間的區(qū)分度，并將轉(zhuǎn)換后的光譜用于混合像元分解中。Wu(2004)基于Landsat

23、ETM+遙感影像提出了歸一化光譜混合分析NSMA用于城市地物的提取，被歸一化的光譜消除了地物端元光譜因光照亮度不同而產(chǎn)生的光譜差異。Zhang等（2005）將NSMA應(yīng)用于最小化苔蘚地物的光譜差異之中，取得了較好的豐度估計結(jié)果。Zhang等(2004)提出光譜導(dǎo)數(shù)混合分析方法DSU，對端元光譜進行二階求導(dǎo)，以此增大了類間端元的可分性和減小了類內(nèi)端元的可變性。與Zhang等人的方法類似，Debba等(2006)對端元光譜進行一階求導(dǎo)，并將方法應(yīng)用于遙感影像上不同礦物質(zhì)的豐度估計之中。Somers(2009)等則是將初始端元光譜和光譜導(dǎo)數(shù)結(jié)合，共同應(yīng)用于混合像元分解中，在對柑橘園中的雜草進行豐度估

24、計時取得了比單獨使用端元光譜或端元光譜的導(dǎo)數(shù)更好的結(jié)果。4.3 基于地物時間空間信息的方法在硬分類已有較多結(jié)合地物時間空間信息解決地物光譜多樣性問題的研究成果，由于基于遙感影像的軟分類是在像元內(nèi)對某種地物進行亞像元級提取，在豐度估計時難以獲取其紋理，形狀等空間信息，并且像元內(nèi)各地物類型未知，其在在時間變化、空間分布上特征便更難以利用。即使如此，國內(nèi)外學(xué)者早期便在結(jié)合地物空間信息的軟分類方法上進行了不斷探索(Plaza等,2002; Rand和Keenan, 2001; Roessner等 2001; Van等, 1999)，近年來的研究中，Ma等(2014) 利用地物在空間上具有相關(guān)性，根據(jù)端

25、元光譜由臨近地物光譜決定的思想實現(xiàn)了高精度的亞像元級水體提取。Zhong(2015)根據(jù)植被物候特征在一年時間內(nèi)具有規(guī)律性變化的特征，利用時間序列遙感影像實現(xiàn)了對農(nóng)作物的準(zhǔn)確提取，Canham(2011)等根據(jù)地物在局部空間中具有較低的光譜可變性，對端元選取時，僅根據(jù)以混合像元為中心的局部區(qū)域地物信息確定端元的數(shù)量和類型，并將方法應(yīng)用于土壤、城市建筑物以及植被地物的豐度估計，獲得了較好的結(jié)果。5. 總結(jié)綜上所述，傳統(tǒng)的混合像元分解方法對整個研究區(qū)域的遙感影像采用恒定的端元類型及數(shù)量建立混合像元模型，但實際上，遙感影像中不同像元所包含的端元是不同的。有研究者在將固定端元的混合像元分解法應(yīng)用到城市

26、土地覆蓋/土地利用分類中，結(jié)果表明這種方法不足以解決城市地物在光譜上的高異質(zhì)性(Powell等,2007;吳波等,2007)。當(dāng)前的研究中，應(yīng)用最多的是迭代多端元混合分析模型MESMA，此種方法雖然在已有研究中已獲得了較好的結(jié)果，但運行的時間效率非常低(Somers等,2011; Rogge等,2006 )。為使可變多端元光譜混合分析法在遙感應(yīng)用中發(fā)揮更大的作用，在保證分類精度，提高運行效率的同時，還應(yīng)該更積極的結(jié)合地物光譜特征，時空特征等，探索出典型地物光譜多樣性的內(nèi)在規(guī)律，并將此運用到基于遙感影像的軟分類中為地表覆蓋信息的提取，生態(tài)環(huán)境變化的監(jiān)測、模擬分析等提供更多有效的方法。參考文獻1

27、陳進. 高光譜圖像分類方法研究D.長沙:國防科學(xué)技術(shù)大學(xué), 2010.2 邸凱昌，李德仁，李德毅，空間數(shù)據(jù)挖掘和知識發(fā)現(xiàn)的框架J.武漢測繪科技大學(xué)學(xué)報，2000.25（1）：42-483 黃昕.高分辨率遙感影像多尺度紋理、形狀特征提取與面向?qū)ο蠓诸愌芯緿.武漢大學(xué),2009.4 劉建貴.高光譜城市地物及人工目標(biāo)識別和提取D.中國科學(xué)院博士論文，19995 李德仁. 論 21 世紀(jì)遙感與 GIS 的發(fā)展J. 武漢大學(xué)學(xué)報: 信息科學(xué)版, 2004, 28(2): 127-131.6 童慶喜，張兵，鄭蘭芬.高光譜遙感-原理，技術(shù)與方法M.北京：高等教育出版社，2006吳波, 周小成, 趙銀娣. 端

28、元光譜變化與混合像元分解精度的關(guān)系研究J. 遙感信息, 2007 (3): 3-7.7 王偉武，環(huán)境遙感M，杭州：浙江大學(xué)出版社，20068 王繁. 河口水體懸浮物固有光學(xué)性質(zhì)及濃度遙感反演模式研究D.浙江大學(xué),2008.9 邢小罡,趙冬至,劉玉光,楊建洪,沈紅,趙玲,王林. 葉綠素a熒光遙感研究進展J. 遙感學(xué)報,2007,01:137-144.10 許將軍. 高光譜遙感圖像特征提取及分類研究D.電子科技大學(xué),2007.11 Asare-Kyei D, Forkuor G, Venus V. Modeling Flood Hazard Zones at the Sub-District Le

29、vel with the Rational Model Integrated with GIS and Remote Sensing ApproachesJ. Water, 2015, 7(7): 3531-3564.12 Asner G P, Bustamante M M C, Townsend A R. Scale dependence of biophysical structure in deforested areas bordering the Tapajos National Forest, Central AmazonJ. Remote Sensing of Environme

30、nt, 2003, 87(4): 507-520.13 Asner G P, Lobell D B. A biogeophysical approach for automated SWIR unmixing of soils and vegetationJ. Remote sensing of environment, 2000, 74(1): 99-112.14 Asner G P, Knapp D E, Cooper A N, et al. Ecosystem structure throughout the Brazilian Amazon from Landsat observati

31、ons and automated spectral unmixingJ. Earth Interactions, 2005, 9(7): 1-31.15 Bateson C, Asner G P, Wessman C. Endmember bundles: A new approach to incorporating endmember variability into spectral mixture analysisJ. Geoscience and Remote Sensing, IEEE Transactions on, 2000, 38(2): 1083-1094.16 Begu

32、e A, Vintrou E, Saad A, et al. Differences between cropland and rangeland MODIS phenology (start-of-season) in MaliJ. International Journal of Applied Earth Observation and Geoinformation, 2014, 31: 167-170.17 Bijamov A, Fernandez J P, Barrowes B E, et al. Camp Butner live-site UXO classification us

33、ing hierarchical clustering and Gaussian mixture modelingJ. Geoscience and Remote Sensing, IEEE Transactions on, 2014, 52(8): 5218-5229.18 Biggs T W, Atkinson E, Powell R, et al. Land cover following rapid urbanization on the USMexico border: Implications for conceptual models of urban watershed pro

34、cessesJ. Landscape and Urban Planning, 2010, 96(2): 78-87.19 Bhandari A K, Kumar A, Singh G K. Improved feature extraction scheme for satellite images using NDVI and NDWI technique based on DWT and SVDJ. Arabian Journal of Geosciences, 2015: 1-18.20 Bolton D K, Friedl M A. Forecasting crop yield usi

35、ng remotely sensed vegetation indices and crop phenology metricsJ. Agricultural and Forest Meteorology, 2013, 173: 74-84.21 Byambakhuu I, Sugita M, Matsushima D. Spectral unmixing model to assess land cover fractions in Mongolian steppe regionsJ. Remote sensing of environment, 2010, 114(10): 2361-23

36、72.22 Casa R, Castaldi F, Pascucci S, et al. A comparison of sensor resolution and calibration strategies for soil texture estimation from hyperspectral remote sensingJ. Geoderma, 2013, 197: 17-26.23 Canham K, Schlamm A, Ziemann A, et al. Spatially adaptive hyperspectral unmixingJ. Geoscience and Re

37、mote Sensing, IEEE Transactions on, 2011, 49(11): 4248-4262.24 Comber A, Fisher P, Brunsdon C, et al. Spatial analysis of remote sensing image classification accuracyJ. Remote Sensing of Environment, 2012, 127: 237-246.25 Das D K, Pradhan S, Sehgal V K, et al. Spectral reflectance characteristics of

38、 healthy and yellow mosaic virus infected soybean (Glycine max L.) leaves in a semiarid environmentJ. J. Agrometeorol, 2013, 15(1): 36-38.26 Debba P, Carranza E J M, Van der Meer F D, et al. Abundance estimation of spectrally similar minerals by using derivative spectra in simulated annealingJ. Geos

39、cience and Remote Sensing, IEEE Transactions on, 2006, 44(12): 3649-3658.27 Deering D W. Rangeland reflectance characteristics measured by aircraft and spacecraft sensorsM. Deering, 1978.28 Delegido J, Verrelst J, Meza C M, et al. A red-edge spectral index for remote sensing estimation of green LAI

40、over agroecosystemsJ. European Journal of Agronomy, 2013, 46: 42-52.29 Dennison P E, Halligan K Q, Roberts D A. A comparison of error metrics and constraints for multiple endmember spectral mixture analysis and spectral angle mapperJ. Remote Sensing of Environment, 2004, 93(3): 359-367.30 Demarchi L

41、, Canters F, Chan J C W, et al. Use of land-cover fractions derived from MESMA for urban water balance calculationC/Geoscience and Remote Sensing Symposium (IGARSS), 2012 IEEE International. IEEE, 2012: 1594-1597.31 Deng Y, Wu C, Li M, et al. RNDSI: A ratio normalized difference soil index for remot

42、e sensing of urban/suburban environmentsJ. International Journal of Applied Earth Observation and Geoinformation, 2015, 39: 40-48.32 Falco N, Benediktsson J A, Bruzzone L. Spectral and Spatial Classification of Hyperspectral Images Based on ICA and Reduced Morphological Attribute ProfilesJ. 2015.33

43、Fauvel M, Tarabalka Y, Benediktsson J A, et al. Advances in spectral-spatial classification of hyperspectral imagesJ. Proceedings of the IEEE, 2013, 101(3): 652-675.34 Fauvel M, Chanussot J, Benediktsson J A. A spatialspectral kernel-based approach for the classification of remote-sensing imagesJ. P

44、attern Recognition, 2012, 45(1): 381-392.35 Feyisa G L, Meilby H, Fensholt R, et al. Automated Water Extraction Index: A new technique for surface water mapping using Landsat imageryJ. Remote Sensing of Environment, 2014, 140: 23-35.36 Franke J, Roberts D A, Halligan K, et al. Hierarchical multiple

45、endmember spectral mixture analysis (MESMA) of hyperspectral imagery for urban environmentsJ. Remote Sensing of Environment, 2009, 113(8): 1712-1723.37 Garcia-Pineda O, MacDonald I R, Li X, et al. Oil spill mapping and measurement in the Gulf of Mexico with Textural Classifier Neural Network Algorit

46、hm (TCNNA)J. Selected Topics in Applied Earth Observations and Remote Sensing, IEEE Journal of, 2013, 6(6): 2517-2525.38 Gray J, Song C. Mapping leaf area index using spatial, spectral, and temporal information from multiple sensorsJ. Remote Sensing of Environment, 2012, 119: 173-183.39 Ghosh A, Mis

47、hra N S, Ghosh S. Fuzzy clustering algorithms for unsupervised change detection in remote sensing imagesJ. Information Sciences, 2011, 181(4): 699-715.40 Ghaffarian S, Ghaffarian S. Automatic histogram-based fuzzy C-means clustering for remote sensing imageryJ. ISPRS Journal of Photogrammetry and Re

48、mote Sensing, 2014, 97: 46-57.41 Huang C, Chai C W, Chang C, et al. An integrated optical remote sensing system for environmental perturbation researchJ. Selected Topics in Applied Earth Observations and Remote Sensing, IEEE Journal of, 2013, 6(6): 2434-2444.42 Johnson P E, Smith M O, TaylorGeorge S

49、, et al. A semiempirical method for analysis of the reflectance spectra of binary mineral mixturesJ. Journal of Geophysical Research: Solid Earth (19782012), 1983, 88(B4): 3557-3561.43 Juel A, Groom G B, Svenning J C, et al. Spatial application of Random Forest models for fine-scale coastal vegetati

50、on classification using object based analysis of aerial orthophoto and DEM dataJ. International Journal of Applied Earth Observation and Geoinformation, 2015, 42: 106-114.44 Roth K L, Dennison P E, Roberts D A. Comparing endmember selection techniques for accurate mapping of plant species and land c

51、over using imaging spectrometer dataJ. Remote Sensing of Environment, 2012, 127: 139-152.45 Kussul N, Skakun S, Kussul O. Comparative analysis of neural networks and statistical approaches to remote sensing image classificationJ. International Journal of Computing, 2014, 5(2): 93-99.46 Lillesand T,

52、Kiefer R W, Chipman J. Remote sensing and image interpretationM. John Wiley & Sons, 2014.47 Lin J, Wang Q, Yuan Y. In defense of iterated conditional mode for hyperspectral image classificationC/Multimedia and Expo (ICME), 2014 IEEE International Conference on. IEEE, 2014: 1-6.48 Liu C, Shao Z,

53、Chen M, et al. MNDISI: a multi-source composition index for impervious surface area estimation at the individual city scaleJ. Remote Sensing Letters, 2013, 4(8): 803-812.49 Li J. Wavelet-based feature extraction for improved endmember abundance estimation in linear unmixing of hyperspectral signalsJ

54、. Geoscience and Remote Sensing, IEEE Transactions on, 2004, 42(3): 644-649.50 Lobell D B, Asner G P, Law B E, et al. Subpixel canopy cover estimation of coniferous forests in Oregon using SWIR imaging spectrometryJ. Journal of geophysical research, 2001, 106(D6): 5151-5160.51 Lobell D B, Asner G P, Law B E, et al. View angle effects on canopy reflectance and spectral mixture analysis of coniferous forests using AVIRISJ. International Jour