EN中文

Journal of Geo-information Science >

2015 , Vol. 17 >Issue 9: 1128 - 1134

DOI: https://doi.org/10.3724/SP.J.1047.2015.01128

Orginal Article

Vegetation Information Extraction of Pinus Massoniana Forest in Soil Erosion Areas Using Soil-adjusted Vegetation Index

  • LI Jing ,
  • XU Hanqiu * ,
  • LI Xia ,
  • GUO Yanbin
Expand
  • College of Environment and Resources, Fuzhou University Institute of Remote Sensing Information Engineering, Fuzhou University Fujian Provincial Key Laboratory of Remote Sensing of Soil Erosion and Disaster Protection, Fuzhou University Fuzhou 350108, China
*Corresponding author: XU Hanqiu, E-mail:

Received date: 2015-01-04

  Request revised date: 2015-03-11

  Online published: 2015-09-07

Copyright

《地球信息科学学报》编辑部 所有
Fold

Abstract

Vegetation indices are frequently used in remote sensing applications. Nevertheless, vegetation monitoring based on vegetation indices may be affected by different soil background conditions. The aim of this study is to investigate the relationships between vegetation abundance and vegetation indices, and evaluate the performance of vegetation indices along with different values for soil-adjusted factors in vegetation-feature extractions. Changting county of Fujian, a typical reddish soil erosion region in southern China, was taken as a test site for the study. Three subtest sites were selected to represent the low, moderate and dense vegetation coverage areas, respectively. After converting the original digital numbers of the ALOS image to at-satellite reflectance, vegetation indices including the normalized difference vegetation index (NDVI), the modified soil-adjusted vegetation index (MSAVI) and the soil-adjusted vegetation index (SAVI) with soil adjustment factor (L) values of 0.25, 0.5, 0.75 and 1 were calculated. The vegetation features were then extracted from the above vegetation-enhanced images and compared to high resolution images to assess their accuracies. The results suggest that SAVI gives a better performance in both low and moderate vegetation coverage area while using a L value of 0.75 for low vegetation coverage area and 0.5 for moderate vegetation coverage area, with the overall accuracies of 76.26% and 80.65%, respectively. NDVI gives a better performance in the dense vegetation coverage area with an overall extraction accuracy of 84.01%. Whereas MSAVI does not perform well in any of the three selected test sites. The soil adjustment factor L of SAVI has significant influence on the accurate extraction of vegetation information. As increasing L from 0 to 1, the ability of the SAVI in detecting sparse vegetation is gradually enhanced, however its ability in detecting vegetation information in shaded slope areas is decreased.

Key words： vegetation extraction; soil adjustment factor; SAVI; NDVI; MSAVI

Cite this article

LI Jing , XU Hanqiu , LI Xia , GUO Yanbin . Vegetation Information Extraction of Pinus Massoniana Forest in Soil Erosion Areas Using Soil-adjusted Vegetation Index[J]. Journal of Geo-information Science, 2015 , 17(9) : 1128 -1134 . DOI: 10.3724/SP.J.1047.2015.01128

1 引言

遥感植被信息是研究全球生态变化的一个最重要参数,因此,植被信息的准确提取一直是遥感研究的一个重要课题。利用红光和近红外波段组合构建植被指数,是多光谱遥感影像数据提取植被信息的有效手段[1]。归一化植被指数（NDVI）[2]是目前使用最广泛的植被指数,然而,研究发现,NDVI指数易受土壤背景噪音的影响,土壤特性的差异（颜色、湿度、颗粒度等）也将导致NDVI指数值产生较大变化[3-4]。为此,Huete于1988年通过研究棉花冠层和草地,结合土壤线的概念,提出了土壤调节植被指数SAVI[5]。该指数在NDVI公式中引入土壤调节因子L来消除土壤背景对植被光谱信号的影响,其L的取值范围会随植被覆盖度的不同在0-1之间变化。L取0时,SAVI与NDVI相同。Huete指出,在植被覆盖度极低时,L=1;植被覆盖度中等时,L=0.5;植被覆盖度较高时,L=0.25。Huete通过研究建议L取0.5,以最大程度消除土壤影响。Bausch指出[6],在植被叶面积指数LAI已知的情况下,L最佳取值随LAI变化,具体为：LAI≤1时,L=0.6;1<LAI≤2.5时,L=0.4;LAI>2.5时,L=0.15。以上分析表明,L的取值对于准确应用SAVI具有重要意义。
迄今,SAVI已在草地、城市、干旱半干旱地区的植被提取及农作物生长监测中得到广泛应用[7-11]。在SAVI应用中,L一般取0.5,研究发现,在许多情况下,L取0.5并不能得到最佳消除土壤背景效果,故又有MSAVI、TSAVI、OSAVI、GESAVI、TSARVI等一系列土壤植被指数相继提出[12-16],以更好地消除土壤噪音。由于它们都是在SAVI基础上进行变化得到的,因此被统称为SAVI指数家族。其中,Qi等提出的改进型土壤调节植被指数MSAVI[12]是将SAVI的调节因子L改为变量,令L=1-2×NDVI×WDVI,其中,WDVI=NIR-a×R,a为土壤线斜率[17]。
该指数的特点是L随着植被覆盖密度动态变化,以达到最佳消除土壤噪音的目的。但后续研究认为MSAVI在低植被覆盖区域表现不佳,而随着植被覆盖度的增加,MSAVI会表现出一定优势[18-19]。
近年来,SAVI及其衍生指数也受到了国内学者的广泛关注。池宏康[20]比较了NDVI、SAVI、PVI和MSAVI 4种植被指数在北方干旱和半干旱地区植被研究中的作用,认为MSAVI最适于黄土高原植被提取的指数。吴俊君等[21]比较了NDVI和SAVI反演内蒙古苏尼特右旗荒漠化地区植被覆盖度的最佳波段组合,并发现SAVI建立的反演模型具有更高的精度。赵丽花等[22]采用SAVI指数对徐州市郊的干旱情况进行监测取得良好效果。徐涵秋[23]在研究城市稀少植被区时发现,SAVI比NDVI能更有效地探测城市低植被覆盖区。
以上研究表明,SAVI类指数虽然应用广泛,但大多沿用默认的0.5作为土壤调节因子L的取值,且研究范围多在我国北方干旱和半干旱地区,而对于我国南方红壤水土流失区,以马尾松为主的植被应用研究却几乎没有涉及。马尾松林是我国针叶林面积最大的树种,同时又是我国南方最具代表性的森林类型之一。因此,本研究选择我国南方典型红壤水土流失区——福建省长汀县的马尾松林作为研究对象,旨在通过SAVI、MSAVI和NDVI 3种植被指数,在不同植被覆盖密度区的应用对比研究,寻找出适合南方红壤水土流失区马尾松林的植被提取指数及其最佳土壤调节因子取值。

2 实验数据与处理方法

2.1 实验区选取

福建省长汀县是我国南方典型红壤水土流失区,其中部的河田盆地水土流失严重,一直受到中央及地方各级政府的关注。河田盆地的基岩为花岗岩,风化后的土壤以硅铝质和硅铁质红壤土为主[24]。近年,经过以种植马尾松林为主的植被修复和治理,马尾松林地已成为河田盆地的主要土地覆盖类型,占盆地总面积85%左右[25]。然而,马尾松林多为植株稀疏的幼、中龄林,松林郁闭度较低,林下裸土多有出露,在中分辨率遥感影像中以混合像元的形式大量存在,对空间分辨率≥10 m的中尺度植被信息的准确提取造成极大的影响。因此,本研究以河田盆地为实验样区,通过选择不同植被覆盖度的实验区来比较SAVI、MSAVI和 NDVI 3种植被指数的植被信息提取效果,并分析SAVI土壤调节因子L的取值功效。
实验区的选择遵循以下规则：（1）面积大小适宜;（2）实验区内地物类型以裸土与植被混杂为主,尽量减少其他地物类型;（3）植被覆盖密度具有一定的变化。据此,研究选取3个实验区：实验区A代表低植被覆盖区（小于30%）;实验区B代表中等植被覆盖区（约50%）;实验区C代表高植被覆盖区（大于65%）。

2.2 影像数据与预处理

研究选择2007年7月21日ALOS多光谱影像作为实验影像。ALOS是2006年日本研制的中高分辨率陆地观测卫星,其多光谱波段共有蓝、绿、红和近红外4个波段,分辨率为10 m。
卫星传感器接收到的目标地物的反射或辐射电磁波能量受太阳高度、地形和大气等因素的影响而导致光谱信号失真。影像的大气校正对植被的探测非常重要。研究表明,辐射校正能有效提高植被参数的反演精度[26]。本研究综合了Chander的参数[27]和Chavez的COST模型[28]的日照大气综合校正模型（IACM）[29]对影像进行辐射校正,将原始影像的灰度值（DN）转换为像元在卫星传感器处的反射率。
对于ALOS影像,首先将影像DN值转换为传感器处的光谱辐射值Lλ,再进一步将其转换为传感器处反射率ρλ。如式（1）、（2）所示。
L λ = gai n λ Q λ + bia s λ （1）
ρ λ = π ∙ ( L λ - L h ) ∙ d 2 E SU N λ ∙ cos θ s （2）
式中,λ为波段号; Q λ 为像元DN值; gai n λ 和 bia s λ 分别为传感器的增益值和偏置值; θ s 为太阳天顶角,可从影像的头文件中获得; E SU N λ 为大气顶部的平均太阳辐照度;d为日地天文单位距离,可从参考文献[27]、[30]中获得;Lh为大气影响的修正值,即各波段对应的最暗像元在传感器处的光谱辐射值。

2.3 植被信息提取算法

本次实验选用的3种植被指数分别为：归一化植被指数（NDVI）、土壤调节植被指数（SAVI）和改进型土壤调节植被指数（MSAVI）。计算公式如式（3）-（5）所示。
NDVI = NIR - R NIR + R （3）
SAVI = ( 1 + L ) × ( NIR - R ) NIR + R + L （4）
MSAVI = 2 NIR + 1 - 2 NIR + 1 ) 2 - 8 ( NIR - R ) 2 （5）
式中,NIR和R分别为近红外和红光波段的传感器处反射率,对应ALOS影像的第4和第3波段;L为土壤调节因子,取值范围为[0,1]。本研究的重点是SAVI中L的不同取值对于植被提取效果的影响,因此,结合前人研究成果与SAVI本身特点,实验中将L分别取值为0.25,0.5,0.75和1,对应的SAVI指数分别表示为SAVI0.25,SAVI0.5,SAVI0.75和SAVI1。显然,L=0时,SAVI就是NDVI,因此,本文将NDVI作为SAVI的特例。
根据式（3）-（5）分别计算实验区A、B、C的3种植被指数,获得各实验区的NDVI、SAVI及MSAVI影像。其中,SAVI指数中的L分别以0.25,0.5,0.75和1参与计算,获得了各实验区的SAVI0.25,SAVI0.5,SAVI0.75和SAVI1影像。对各植被指数影像进行统计,获得它们的直方图和统计参数,然后在直方图上通过目视判读和人工调试获得最佳阈值。对各植被增强影像进行阈值分割提取,获得植被信息的二值影像。其中,植被像元赋值为1,非植被像元赋值为0。实验区部分植被提取的二值影像如图1 所示。
Fig. 1 Vegetation extraction images (white tone represents vegetation area)

图1 实验区马尾松林植被提取结果图（白色为植被,黑色为非植被）

对所提取的植被信息做进一步精度验证。将同期的ALOS 2.5 m全色影像与多光谱影像通过Pan-sharp算法[31]进行融合,获得的2.5 m彩色融合影像作为参考影像进行精度验证。应用随机采样法,在3个实验区分别选取200~320个验证点,建立各指数影像的混淆矩阵,获得各实验区植被提取的总精度和Kappa系数（表1）,计算公式如式（6）-（7）所示。
总精度 = 分类正确点数 验证点总数 × 100 % （6）
Kappa = N ∑ i = 1 k x ii - ∑ i = 1 k ( x i + × x + i ) N 2 - ∑ i = 1 k ( x i + × x + i ) （7）
式中,N为验证点总数;k为混淆矩阵的行列数,即类别数,本次研究中为植被和非植被2类;k =2,xii为第i行第i列的数值,xi+与x+i分别代表第i行与第i列的总像元数。Kappa系数越大代表分类精度越高。

3 马尾松林遥感提取的土壤调节指数分析

3.1 实验区马尾松林植被提取对比分析

图1为实验区植被提取结果图,从表1精度验证结果看出,在中低植被覆盖区,SAVI和MSAVI的提取精度总体上优于NDVI,说明引入土壤调节因子的SAVI类指数,在中低植被覆盖区确实可取得较好的效果。具体表现为：
Tab. 1 Accuracy assessment of extracted vegetation information

表1 实验区植被提取精度验证

指数类型及L取值 阈值 实验区A 实验区B 实验区C
总精度（%） Kappa 总精度（%） Kappa 总精度（%） Kappa
SAVI0 （NDVI） 0.38 74.43 0.4287 75.40 0.5190 84.01 0.6531
SAVI0.25 0.23 75.80 0.4574 77.02 0.5457 81.50 0.6092
SAVI0.5 0.18 75.80 0.4574 80.65 0.6143 79.00 0.5518
SAVI0.75 0.16 76.26 0.4543 77.02 0.5416 74.29 0.4698
SAVI1 0.15 74.43 0.4081 75.81 0.5144 73.04 0.4562
MSAVI 0.16 74.16 0.4480 76.21 0.5149 79.62 0.5785
（1）低植被覆盖实验区A面积为4.23 km2,验证点219个。植被提取精度最高的为SAVI0.75,总精度为76.26%,Kappa系数为0.4543,比NDVI提高了2.5%和6%;SAVI0.25及SAVI0.5的总精度和Kappa系数比NDVI分别提高了2%和7%;而MSAVI虽然在总精度上略逊于NDVI,但在Kappa系数上却高出NDVI近5%。这说明在低植被覆盖区,SAVI类指数确实能够获得比NDVI好的精度。但同时也可以看到,SAVI不同的L取值对精度有一定的影响,当L取0.25和0.5时,其精度略低于L取0.75的精度,当L取1时,其Kappa系数不如NDVI。
（2）中等植被覆盖实验区B面积为8.25 km2,验证点248个。植被提取精度最高的为SAVI0.5,其总精度为80.65%,Kappa系数为0.6143,分别比NDVI高7%和18%。而MSAVI的精度也略高于NDVI。同样表明在中等植被覆盖区,SAVI类指数能获得比NDVI好的精度,且效果比低植被覆盖区明显。从L取值的变化来看,其精度的变化有一定的规律性,即在L=0.5时最大,随着L取值的递增或递减,精度则随之降低。总之,不同的L取值所获得的精度总体都要优于NDVI,显然在中等植被覆盖区要选用SAVI来进行植被信息提取,且L=0.5为最佳选择。
（3）高植被覆盖实验区C面积为24.70 km2,验证点319个。NDVI的提取精度最高,为84.01%,Kappa系数为0.6531。而SAVI和MSAVI的精度都明显逊于NDVI。显然对于高植被覆盖区,土壤噪音明显减少,所以,具有削弱土壤噪音功能的SAVI类指数便失去优势。从SAVI中的调节因子L的取值变化,对精度的影响关系较明显。表现在随着L值的降低,SAVI越趋近NDVI,因此,植被的提取精度也随之升高。

3.2 土壤调节因子L对植被提取的影响

3.2.1 稀疏植被识别
SAVI中土壤调节因子L的意义在于减少稀疏植被覆盖区域的土壤噪音对植被提取的影响,增强裸土与稀疏植被的可分性。图2利用红绿混色法将不同植被指数的提取结果影像分别用红色、绿色通道进行叠加,则2个指数共同提取为植被的像元叠加后呈黄色（红、绿的混色为黄色）,叠加后为红色或绿色的像元为单一指数提取的植被,而非植被像元呈黑色。图2比较了L取值为0（NDVI）、0.25和0.75的植被提取结果看出：（1）利用SAVI0.25提取稀疏植被的效果明显好于NDVI。如图2（a）的谷底中有很多表现为浅红色的稀疏植被,它们多与裸土交混,在图2（b）中SAVI0.25可将它们提取出来,而NDVI则做不到;（2）图2（d）中有部分像元为红色,说明与SAVI0.25相比,SAVI0.75能探测更加稀疏的植被。这也是在低植被覆盖实验区A中,SAVI0.75的植被提取精度略高于SAVI0.25的主要原因。
Fig. 2 Comparison of vegetation extraction using different vegetation indices

图2 不同植被指数植被提取效果对比图

3.2.2 阴坡植被监测
本研究所选的3个实验区均含有一定的阴坡植被。实验发现,NDVI在阴坡植被的监测能力强于SAVI类指数。图2（b）中绿色部分为NDVI能够提取而SAVI0.25无法提取的植被信息,而这些植被都分布在山体阴坡上。由于受到遮挡,阴坡植被在近红外波段和红光波段反射率都远低于阳坡植被。从图3可看出,只有NDVI的阴坡植被均值大于裸土均值,而各种L取值的SAVI在阴坡的植被均值均小于裸土均值,MSAVI同样如此。显然,SAVI对于阴坡植被的提取能力受到L的限制,随着L取值的增高,阴坡植被的SAVI值不断减小并趋于0（图3）,导致阴坡植被无法被完全提取。而图2（d）中也可看出,SAVI0.25和SAVI0.75均无法有效提取阴坡植被。显然,L的引入导致SAVI指数在阴坡值降低是造成其漏提阴坡植被的主要原因,L取值越大,漏提的阴坡植被越多。
Fig. 3 Vegetation indices of typical features in the test sites

图3 植被指数在阴阳坡的均值变化对比

4 结论

通过对福建长汀红壤水土流失区马尾松林的实验表明,针对不同的植被覆盖度地区应采用不同的植被指数,以取得最佳植被提取效果。对所采用的3种植被指数的比较发现,具有降低土壤噪音功能的SAVI指数,在低、中等植被覆盖区表现较好;NDVI指数由于难于探测稀疏植被而在低、中等植被覆盖区表现较逊色,但在高植被覆盖区的表现最好;而同样具有降低土壤噪音的MSAVI指数,在降低土壤噪音的效果上远不及SAVI,其提取精度也不比NDVI有明显的优势。总体看来,在低植被覆盖区宜采用SAVI0.75提取植被信息;在中等植被覆盖区则可采用SAVI0.5;但在高植被覆盖区,由于土壤噪音的影响大大减小,SAVI类指数的作用不再有效,故仍以NDVI为最佳指数。
SAVI指数中土壤调节因子L的取值不同,会对植被提取精度产生明显的影响,且在中、高植被覆盖区表现得更为明显,呈现出一定的规律性。对于中等植被覆盖区,L=0.5时提取植被精度最高,随着L取值的递增或递减,精度会随之降低;而对于高植被覆盖区,植被的提取精度会随着L取值的增大而降低。
L在监测稀疏植被时具有重要的作用,主要表现为L可以增强SAVI的稳定性,使其不随土壤反射率的强弱而大幅波动,从而使SAVI提取稀疏植被效果明显优于NDVI。在阴影区植被的监测,NDVI指数较SAVI指数具有明显的优势,后者主要受到土壤调节因子L的影响,使其阴坡的植被信息弱于裸土信息,从而降低了SAVI探测阴坡植被信息的能力。
本文对植被提取结果进行精度验证的方法是目视解译高分辨率融合影像。今后,需在人机交互分析方面深入研究。

The authors have declared that no competing interests exist.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
田庆久,闵祥军.植被指数研究进展[J].地球科学进展,1998,13(4):327-333.

[2]
Rouse J W, Haas R H, Schell J A, et al.Monitoring vegetation systems in the Great Plains with ERTS[C]. The 3rd ERTS Symposium, Washington D C, USA, 1973.

[3]
陈述彭,赵英时.遥感地学分析[M].北京:测绘出版社,1990.

[4]
张丽,何晓旭,魏鸣.基于NDVI的淮河流域植被覆盖度动态变化[J].长江流域资源与环境, 2012,21(Z1):51-52.

[5]
Huete A R.A soil-adjusted vegetation index (SAVI)[J]. Remote Sensing of Environment, 1988,25:295-309.

[6]
Bausch W C.Soil background effects on reflectance-based crop coefficients for corn[J]. Remote Sensing of Environment, 1993,46(2):213-222.

[7]
Ullah S, Si Y, Schlerf M, et al.Estimation of grassland biomass and nitrogen using MERIS data[J]. International journal of applied earth observation and geoinformation, 2012,19:196-204.

[8]
Singh K K, Nigam M J, Pal K.Detection of 2011 Tohoku Tsunami Inundated Areas in Ishinomaki City Using Generalized Improved Fuzzy Kohonen Clustering Network[J]. European Journal of Remote Sensing, 2014,47:461-475.

[9]
Haboudane D, Tremblay N, Miller J R, et al.Remote estimation of crop chlorophyll content using spectral indices derived from hyperspectral data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2008,46(2):423-437.

[10]
Mulla D J.Twenty five years of remote sensing in precision agriculture: Key advances and remaining knowledge gaps[J]. Biosystems Engineering, 2013,114(4):358-371.

[11]
Peña-Barragán J M, Ngugi M K, Plant R E, et al. Object-based crop identification using multiple vegetation indices, textural features and crop phonology[J]. Remote Sensing of Environment, 2011,115(6):1301-1316.

[12]
Qi J, Chehbouni A, Huete A R, et al.A modified soil adjusted vegetation index[J]. Remote Sensing of Environment, 1994,48(2):119-126.

[13]
Major D J, Baret F, Guyot G.A ratio vegetation index adjusted for soil brightness[J]. International Journal of Remote Sensing, 1990,11(5):727-740.

[14]
Rondeaux G, Steven M, Baret F.Optimization of soil-adjusted vegetation indices[J]. Remote Sensing of Environment, 1996,55(2):95-107.

[15]
Gilabert M A, González-Piqueras J, Garcıa-Haro F J, et al. A generalized soil-adjusted vegetation index[J]. Remote Sensing of Environment, 2002,82(2):303-310.

[16]
Myneni R B, Asrar G.Atmospheric effects and spectral vegetation indices[J]. Remote Sensing of Environment, 1994,47(3):390-402.

[17]
Clevers J, Verhoef W.LAI estimation by means of the WDVI: A sensitivity analysis with a combined PROSPECT-SAIL model[J]. Remote Sensing Reviews, 1993,7(1):43-64.

[18]
Purevdorj T, Tateishi R, Ishiyama T, et al.Relationships between Percent Vegetation Cover and Vegetation Indices[J]. International Journal of Remote sensing, 1998,19(18):3519-3535.

[19]
Leprieur C, Kerr Y H, Mastorchio S, et al.Monitoring vegetation cover across semi-arid regions: comparison of remote observations from various scales[J]. International Journal of Remote Sensing, 2000,21(2):281-300.

[20]
池宏康. 黄土高原地区提取植被信息方法的研究[J].植物学报,1996,38(1):40-44.

[21]
吴俊君,高志海,李增元,等.基于天宫一号高光谱数据的荒漠化地区稀疏植被参量估测[J].光谱学与光谱分析,2014,34(3):751-756.

[22]
赵丽花,杜培军,逄云峰,等.基于温度植被旱情指数的徐州市郊干旱遥感监测[J].水土保持通报,2010,30(4):110-114.

[23]
徐涵秋. 基于谱间特征和归一化指数分析的城市建筑用地信息提取[J].地理研究,2005,24(2):311-320.

[24]
徐涵秋. 福建省长汀县河田盆地区近35年来地表裸土变化的遥感时空分析[J].生态学报,2013,33(10):2946-2953.

[25]
曾宏达,徐涵秋,谢锦升,等.红壤侵蚀区马尾松林碳储量估算的遥感植被指数选择[J].地理科学,2014,34(7):870-875.

[26]
Liang S, Fang H, Chen M.Atmospheric correction of Landsat ETM+ land surface imagery: I.Methods. IEEE Transactions on Geoscience and Remote Sensing[J]. 2001,39(11):2490-2498.

[27]
Chander G, Markham B L, Helder D L.Summary of current radiometric calibration coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI sensors[J]. Remote Sensing of Environment, 2009,113(5):893-903.

[28]
Charvz Jr P S. Image-based atmospheric corrections - Revisited and revised[J]. Photogrammetric Engineering and Remote Sensing, 1996,62(9):1025-1036.

[29]
徐涵秋. 基于影像的Landsat TM/ETM+数据正规化技术[J].武汉大学学报(信息科学版),2007,32(1):65-69.

[30]
Bouvet M, Chander G, Goryl P.Preliminary radiometric calibration assessment of ALOS AVNIR-2[C]. IEEE International Geoscience and Remote Sensing Symposium Boston, 2007:2673-2676.

[31]
谭永生,沈掌泉,贾春燕,等.中高分辨率遥感影像融合研究[J].遥感技术与应用,2007,22(4):536-542.

Options
Outlines

/

〈 〉