Spectral Characteristics of Vegetation of Poisonous Weed Degraded Grassland in the "Three-River Headwaters" Region

  • ZHOU Wei , 1, 2 ,
  • LI Haoran , 1, * ,
  • SHI Peiqi 1 ,
  • XIE Lijuan 1 ,
  • YANG Han 1
Expand
  • 1. Department of Geographic Information and Land Resources, College of Architectureand Urban Planning, Chongqing Jiaotong University, Chongqing 400074, China
  • 2. State Key Laboratory of Resources and Environment Information System, Institute of Geographic Sciences and Resources, Chinese Academy of Sciences, Beijing 100101, China
*LI Haoran, E-mail:

Received date: 2019-10-16

  Request revised date: 2020-01-16

  Online published: 2020-10-25

Supported by

Scientific and Technological Research Program of Chongqing Municipal Education Commission(KJQN201800702)

Sub Project of Chongqing Technology Innovation and Appliacation Development Special Key Project(2019M650821)

National Science Foundation for Post- doctoral Scientists of China(cstc2019jscx-fxyd0236)

National Natural Science Foundation of China(41501575)

Copyright

Copyright reserved © 2020

Abstract

The poisonous weed type degraded grassland is a type of degraded grassland in the "Three-River Headwaters" Region, which has the characteristics of community reverse succession. Its manifestation is that the grassland community with fine herbage as the dominant species evolved into the grassland community with weeds and poisonous plants as the dominant species. Therefore, the key to control this kind of grassland degradation is to monitor the spread of poisonous weeds and the change of grassland community structure. Hyperspectral remote sensing Technology can be used to identify poisonous weeds and fine herbage in a region, and spectual feature analysis is the basis of remote sensing recognition of terrain features. In this paper, the hyperspectral data of eight typical poisonous weeds and four fine herbages in the degraded grassland of toxic weed type in the Three-River Headwaters Region were selected as the research samples. The hyperspectral data in this study are all from field sampling using AvaField-2 portable hyperspectral surface object spectrometer. After Savitzky-Golay convolution smoothing, envelope removal, derivative transformation, and spectral parameterization, the spectral characteristics of poisonous weeds and fine forage species were analyzed, and the characteristic recognition bands were extracted by Mahalanobis distance method. The results showed that: (1) After data preprocessing, the spectral reflectance curves of eight poisonous weeds and four fine forages are similar, but the spectral reflectance differences can be compared through some characteristic bands and parameters; (2) NIR peak refers to the maximum reflectivity of each vegetation in the wavelength range 780~1000 nm. The NIR peak of eight typical poisonous weeds and four fine forages were significantly different. The NIR peak of Potentilla anserine reached 60.07%, while that of Poa pratensis was only 17.53%; (3) After envelope removal, the spectral difference between absorption valley and reflection peak in vegetation spectral curve is more obvious. The maximum values of Caltha and Ligulariavirgaurea with similar NIR peaks were 0.3671 and 0.2157, respectively, in the green band; (4) The sensitive recognition bands of toxic weeds and fine forages based on Mahalanobis distance are mainly distributed in the wavelength range of 680~750 nm and 900~1000 nm. This study can provide an important scientific basis for the use of hyperspectral remote sensing in the identification of large-area poisonous weeds and the monitoring of vegetation community growth. It is of great significance to the monitoring and control of poisonous weeds and the sustainable development of animal husbandry in the Three-River Headwaters Region.

Cite this article

ZHOU Wei , LI Haoran , SHI Peiqi , XIE Lijuan , YANG Han . Spectral Characteristics of Vegetation of Poisonous Weed Degraded Grassland in the "Three-River Headwaters" Region[J]. Journal of Geo-information Science, 2020 , 22(8) : 1735 -1742 . DOI: 10.12082/dqxxkx.2020.190606

1 引言

三江源区位于我国青海省南部,地处青藏高原腹地。该区主要以畜牧业为主,草地是该区重要的自然资源。然而,自20世纪70年代以来,在气候变化、鼠虫害、过度放牧等自然和人为因素的共同作用下,三江源区草地呈现出明显的退化趋势[1]。三江源区退化草地类型按照景观形态可分为黑土滩型退化草地、沙化型退化草地和毒杂草型退化草地3类[2]。毒杂草是家畜不愿采食或采食后会造成损伤的草本植物的统称。毒杂草型退化具有群落演替的特点[3],其主要表现为过度放牧及鼠类等活动影响下,优良牧草被过度啃食,而毒杂草得到生存空间大量繁衍,原本以优良牧草为优势种的草地群落演变为以毒杂草为优势种的草地群落[4,5,6]。因此,毒杂草型草地退化的防治关键在于对其草地群落结构变化和毒杂草蔓延情况的监测与精准治理。
Gausman[7]最早利用红外彩色(CIR)航片对德克萨斯州南部牧场的绢毛葵进行了识别,开创了利用遥感技术研究毒杂草的先河。而高光谱遥感的应用,极大地改善了植被识别分类精度,其主要优势在于能够从成百上千个波距较窄的光谱波段中找到几个能有效识别群落中毒杂草种的特征波段,并反演出退化草地的群落结构特征,从而为毒杂草入侵及其动态变化提供新的遥感监测方法。此类方法的可行性已得到研究者们的充分验证,如Tsai等[8]以不同波段下植被所反映的光谱特征为基础,利用Hyperion高光谱数据,精确地绘制出台湾南部入侵植物罗望子、银合欢的分布图。
近年来,安如等[9]、李双[10]、喻小勇等[11]已在三江源区开展了基于高光谱数据的退化草地植被辨识试验研究,并取得了一定成果。在植被光谱特征研究中,上述研究者的分析方法以光谱反射率分析与导数变换分析为主,具体用于辨识草种的光谱参量包括“绿峰”、“红谷”的反射率以及“红边”、“黄边”、“蓝边”的波段位置、幅值[9],557 nm绿光反射峰处植被反射率、675 nm红光吸收谷处反射率、“红边”幅值和700 nm处二阶微分值[10],557、675和760 nm处反射率以及“红边”幅值[11]。而本文通过分析三江源区8种典型毒杂草和4种优良牧草的光谱反射率曲线,发现其在780~1000 nm波长范围内的反射率差异较可见光波段更明显,故引入了“近红外峰值”这一特征参量,以此能直接将其中7种植被较好地区分,其余2组“近红外峰值”接近的植被可通过“绿峰幅值”和“红谷反射率”进一步辨识。
此外,三江源区草地类型多样,如高寒草甸、高寒草原、温性草原、高寒沼泽,在不同地理环境和草地类型下,退化草地中的毒杂草种类和群落结构表现出较大差异。因此,需要更多典型草种样本来完善毒杂草种和优良牧草种的特征波谱库,并为毒杂草的高光谱遥感反演算法提供数据支撑。本研究基于野外实测高光谱数据,经过数据变换和光谱参量化进行毒杂草种和优良牧草种的光谱特征分析,并通过马氏距离法提取草种的特征识别波段。研究结果可为毒草型退化草地的遥感监测和后续精准治理提供重要的科学依据。

2 研究区概况、数据来源与研究方法

2.1 研究区概况

三江源区位于中国青海省南部,总面积30.25万km2,西以新疆省为界,东部、东南部与甘肃省、四川省毗邻,北部以青海省海西藏族自治州、海南藏族自治州及黄南藏族自治州为界,南部紧邻西藏自治区,境内包含16个县,109 个乡(镇),679个行政村[12]。其平均海拔3500~4800 m,具有群山起伏、河网密布的地貌特征,自然景观以草原、湿地和雪山冰川为主,其中草地面积占到了总土地面积的65.37%[13]。三江源区气温为-5.6~3.8 ℃,干湿两季分明,属于典型的高原大陆性气候。
本文按三江源区主要草地类型,共选取了8种典型毒杂草和4种优良牧草的高光谱数据作为研究样本(图1),具体样地信息见表1
图1 样地位置示意

Fig. 1 Diagram of the same location

表1 样地信息

Tab. 1 Sample plot information

样地编号 样地位置 海拔/m 草地类型 盖度/% 优良牧草(相对盖度/%) 典型毒杂草(相对盖度/%)
样地1 同德县北巴滩乡 3318 温性草原 68 矮嵩草(22.70) 醉马草(3.60)、早熟禾(3.12)、狼毒草1 (3.42)
样地2 泽库县王家乡 3376 高寒草原 70 针茅(40.91) 狼毒草2 (6.56)
样地3 称多县清水河镇 4419 高寒草甸 85 高山嵩草(29.5) 大戟(7.97)
样地4 玉树县隆宝自然保护区 4212 沼泽草甸 100 藏嵩草(37.45) 鹅绒委陵菜(26.22)、驴蹄草(8.99)、黄帚橐吾(7.49)

注:狼毒草1为温性草原所测的狼毒草样本,狼毒草2为高寒草原所测样本,二者均为同一草种。

2.2 数据源与预处理

本研究的高光谱数据均来源于野外采样,采用仪器为荷兰Avantes公司的AvaField-2便携式高光谱地物波谱仪,其测量的光谱波段为300~1700 nm,其中在300~1100 nm波长范围内,其光谱分辨率为1.4 nm。
地面光谱数据采集选在晴朗无云、无风的天气,且为正午时段(12:00—14:00),测量日期为2017年8月13日至2017年8月20日,处于优良牧草和毒杂草的开花-成熟期。根据三江源区主要草地类型分别选取覆盖度均匀、有代表性的草地样方2~3个,群落样方大小设置为5 m×5 m,然后针对样方中的优势种进行光谱测量,具体操作为:将探头置于成片的、盖度较高的优势种植被垂直上方约1 m处,每次测量保存10~15条光谱数据,并记录观测时间、经纬度以及样地环境相关信息。
野外采集的高光谱数据易受土壤环境和人为操作影响,故需去除偏离较大或波动异常的无效数据,并对各组高光谱数据的反射率求平均值作为其反射率光谱。此外,实地采集光谱中部分波段受植被中含水量影响导致反射率出现较大波动,故本文进行了波段截取,截取后的波段范围为400~1000 nm。
为降低地物光谱仪各个组成部分工作时产生噪声对植被反射光谱影响,需进行降噪处理。本文采用SG平滑(Savitzky-Golayconvolution smoothing, SG smoothing),该算法将最小二乘拟合同移动窗口结合起来,对信号进行处理时相当于一个低通滤波器[14],本文运用The unscrambler X 10.4软件实现了光谱的平滑滤波。

2.3 研究方法

2.3.1 包络线去除
包络线去除(Envelope Removal)来源于Clark提出的外壳系数法,该方法在野外地物高光谱应用中表明,能有效突出光谱曲线吸收特征,即吸收谷和反射峰波段的光谱特征[15]。该数据变换可通过ENVI软件来实现,处理后光谱曲线的起点和终点的包络线值为1,而2个端点之间的数值在(0, 1)之间。
2.3.2 一阶导数分析
数据求导(Derivative)是光谱分析中常用的数据变换方法之一,导数光谱可有效的消除基线和其他背景的干扰,但同时会引入噪声,导数运算阶数越高,信噪比越低[16]。本文采用SG求导(Savitzky-Golay derivative)进行一阶导数变换,该法优势在于通过移动窗口能降低噪声。
2.3.3 光谱参量化
通过一些特征波段和特征参数可以对植被光谱进行参量化描述,从而定量化地反映不同毒杂草的光谱特征差异。本文根据研究对象特点和不同的数据表现形式,采用了8项光谱特征参数进行参量化表述。
2.3.4 基于马氏距离的特征识别波段提取方法
马氏距离(Mahalanobis distance)是由印度统计学家马哈拉诺比斯提出的,表示数据的协方差距离,它能有效的计算2个未知样本集的相似度。因此,马氏距离可以量化2组不同光谱数据在某波段范围内的差异度,从而用于2种植被间的敏感特征识别波段的判别[17]。其计算方法可以用式(1)表示:
MD i = X i - μ T ( X i - μ ) - 1
式中:MD(i)为不同光谱曲线在i波段的马氏距离; Xi为不同光谱曲线在i波段的差值矩阵;μ为零点向量矩阵;Σ-1为协方差矩阵。

3 结果及分析

3.1 植被光谱反射率分析

图2为经过数据预处理后得到的8种典型毒杂草和4种优良牧草的光谱反射率曲线,其整体变化趋势相似,而通过一些特征波段可以对比其光谱反射率差异。可见光波段(380~780 nm)内,在波长518~576 nm之间各植被光谱曲线均出现了较明显的反射峰,即“绿峰”;而在波长675 nm附近存在一个吸收谷,称作“红谷”;在692~749 nm的波长范围内,各光谱曲线的反射率均快速上升,这一波段被称作植被光谱曲线的“红边”。780~1000 nm的波长范围属于近红外波段(780~2526 nm),各种植被光谱反射率曲线差异明显,具有较好的识别度。通过光谱特征参数能将植被光谱反射差异参量化显示(表2),其中,“绿峰幅值”是衡量“绿峰波段”(518~576 nm)各植被最大反射率的光谱特征参数,“红谷反射率”为“红谷波段”(650~692 nm)植被的最小反射率,而“近红外峰值”指780~1000 nm波长范围各植被的最大反射率。
图2 三江源区8种典型毒杂草与4种优良牧草的光谱反射率曲线

Fig. 2 Spectral reflectance curveof 8 typical poisonous weeds and 4 fine forages in the "Three-River Headwaters" Region

表2 三江源区8种典型毒杂草与4种优良牧草的植被反射率光谱特征参数

Tab. 2 Spectral characteristic parameters of vegetation reflectance of 8 typical poisonous weeds and 4 fine forages in the "Three-River Headwaters" Region (%)

草地类型 植被样本 绿峰幅值 红谷反射率 近红外峰值
温性草原 矮嵩草 7.94 4.89 43.91
狼毒草1 4.72 2.63 29.48
醉马草 4.16 3.39 22.60
早熟禾 3.28 2.38 17.53
高寒草原 针茅 6.35 5.17 30.91
狼毒草2 8.81 4.14 48.79
高寒草甸 高山嵩草 4.52 2.53 25.03
大戟 5.08 4.48 59.63
沼泽草甸 藏嵩草 2.97 1.41 40.68
鹅绒委陵菜 6.46 1.58 60.07
驴蹄草 6.89 2.48 49.50
黄帚橐吾 3.82 1.34 47.72
对比发现,可见光波段内各植被的反射率差异并不明显,而其“近红外峰值”差异较大,从大到小顺序为:鹅绒委陵菜>大戟>驴蹄草>狼毒草2>黄帚橐吾>矮嵩草>藏嵩草>针茅>狼毒草1>醉马草>高山嵩草>早熟禾。
各植被的“近红外峰值”普遍差异较大而可分,其中最大者鹅绒萎陵菜的“近红外峰值”达60.07%,最小者早熟禾仅为17.53%,但少数植被的“近红外峰值”也较为接近,具体包括2组:即黄帚橐吾(47.72%)、狼毒草2(48.79%)和驴蹄草(49.50%),以及大戟(59.63%)和鹅绒委陵菜(60.07%)。而通过“绿峰幅值”能较好将黄帚橐吾(3.82%)、狼毒草2(8.81%)和驴蹄草(6.89%)区分,运用“红谷反射率”也能将大戟(4.48%)和鹅绒委陵菜(1.58%)进行辨识。此外,参照温性草原的狼毒草1和高寒草原的狼毒草2反射率光谱特征参数,可知在不同环境背景下同一草种光谱反射率差异较大。

3.2 包络线去除分析

包络线去除变换后,光谱曲线(图3)中吸收谷(“红谷”,650~692 nm)和反射峰(“绿峰”,518~576 nm) 特征更加明显,而各植被光谱的数值呈现归一化(两端数值为1,中间数值取值0~1之间)。
图3 三江源区8种典型毒杂草与4种优良牧草包络线去除处理后的光谱曲线

Fig. 3 Spectral curves after envelope removalof 8 typical poisonous weeds and 4 fine forages in the "Three-River Headwaters" Region

本文定义了“绿峰指数”和“红谷指数”两项特征参数来描述植被光谱的峰谷特征,“绿峰指数”指“绿峰波段”(518~576 nm)植被的最大去包络线值,“红谷指数”为“红谷波段”(650~692 nm)植被的最小去包络线值。对比其特征参数(图4)可知,“绿峰指数”最高者为矮嵩草(0.5514),而藏嵩草最低(0.2048);“红谷指数”最高者为矮嵩草(0.2639),最低者为鹅绒委陵菜(0.0396)。分析2种狼毒草的绿峰指数(0.4358和0.4023)和红谷指数(0.1169和0.1287)发现,在不同环境下生长的同一草种其光谱峰谷特征差异不大。而峰谷差异对于不同草种的识别具有较好可分性,如近红外峰值接近的驴蹄草、黄帚橐吾,其绿峰指数分别为0.3671和0.2157。
图4 三江源区8种典型毒杂草与4种优良牧草的包络线去除法特征参数

Fig. 4 Characteristic parameters of envelope removal methodof 8 typical poisonous weeds and 4 fine forages in the "Three-River Headwaters" Region

3.3 光谱一阶导数分析

一阶导数可表征光谱反射率的变化率,图5表明8种典型毒杂草和4种优良牧草在波长692~749 nm之间存在一个光谱反射率变化较大的波段,即“红边”。
图5 三江源区8种典型毒杂草与4种优良牧草一求导后的光谱曲线

Fig. 5 Spectral curve after first derivativeof 8 typical poisonous weeds and 4 fine forages in the "Three-River Headwaters" Region

研究植被红边光谱特征,通常采用“红边幅值”、“红边位置”、“红边面积”3项光谱参数。其中,“红边幅值”为各植被在“红边”波段(692~749 nm)的光谱一阶导数最大值,“红边位置”即“红边幅值”出现位置对应的波长,“红边面积”指植被在692~749 nm波段内的光谱一阶导数值总和。参量化处理后(表3),各植被“红边幅值”按大小排序为:大戟>黄帚橐吾>驴蹄草>狼毒草1>鹅绒委陵菜>藏嵩草>针茅>狼毒草2>矮嵩草>高山嵩草>早熟禾;其“红边面积”顺序基本保持一致,最大者为大戟(46.23),最小者为早熟禾(10.50);对比其“红边幅值”出现位置,大部分植被处于719.4~724.4 nm这一波段内,而藏嵩草(730.8 nm)和驴蹄草(728.9 nm)出现了“红移”。因此,通过“红边幅值”能将8种毒杂草和4种优良牧草区分,而“红边面积”差异也是较好的补充。
表3 三江源区8种典型毒杂草与4种优良牧草的 “红边”光谱特征参数

Tab. 3 "Red Edge" spectral characteristic parameters of 8 typical poisonous weeds and 4 fine forages in the “Three-River Headwaters” Region

草地类型 植被样本 红边幅值 红边位置/nm 红边面积
温性草原 矮嵩草 0.2169 720.5 17.52
狼毒草1 0.5145 720.0 37.10
醉马草 0.1644 723.3 12.87
早熟禾 0.1333 721.7 10.50
高寒草原 针茅 0.3452 719.3 27.48
狼毒草2 0.2981 722.8 21.40
高寒草甸 高山嵩草 0.2002 720.5 16.06
大戟 0.6280 722.2 46.23
沼泽草甸 藏嵩草 0.4182 730.8 28.20
鹅绒委陵菜 0.4839 719.3 36.45
驴蹄草 0.5335 727.9 35.95
黄帚橐吾 0.5559 720.5 42.30

3.4 毒杂草与牧草的敏感识别波段分析

本文采用马氏距离法计算了4种不同草地类型的典型毒杂草与优良牧草之间的差异度,并按马氏距离值前10%的约束条件,提取其中差异性较明显且连续性较好的波段作为毒杂草与牧草的敏感识别波段。提取结果见表4,毒杂草—优良牧草的敏感识别波段主要分布在680~750 nm和900~1000 nm 波长范围内。敏感识别波段的提取将有助于高光谱遥感数据的降维处理,从而减少毒高光谱数据的冗余度。
表4 三江源区8种典型毒杂草与4种优良牧草的敏感识别波段

Tab. 4 Sensitive identification bands of 8 typical poisonous weeds and 4 fine forages in the "Three-River Headwaters" Region

草地类型 识别植被 基于光谱反射率的敏感识别波段/nm 基于一阶导数的敏感识别波段/nm
温性草原 狼毒草1—矮嵩草 695.9~718.2、988.2~1000.0 686.1~745.0
醉马草—矮嵩草 713.1~737.1、934.6~965.6 689.6~743.3
早熟禾—矮嵩草 713.1~727.9、988.2~1000.0 695.3~739.9
高寒草原 狼毒草2—针茅 734.8~786.5、945.7~1000.0 687.9~738.8
高寒草甸 大戟—高山嵩草 543.2~573.9、971.7~1000.0 689.6~739.9、924.6~932.5
沼泽草甸 鹅绒委陵菜—藏嵩草 706.8~753.6 693.0~752.9
驴蹄草—藏嵩草 702.8~749.7、879.4~890.1 708.5~754.7、946.2~956.7
黄帚橐吾—藏嵩草 734.2~743.8、951.8~1000.0 695.3~739.9

4 讨论与结论

在植被光谱特征研究中,可见光波段内的“三边”(红边、蓝边、黄边)参数与绿峰、红谷特征参数均为较常见的分析参量,而本文通过分析三江源区8种典型毒杂草和4种优良牧草的光谱反射率曲线发现近红外波段的光谱反射率差异更为明显,故又引入了“近红外峰值”特征参数。通过“近红外峰值”、“绿峰幅值”、“红谷反射率”这3项光谱特征参数,能较好地将三江源区毒杂草型退化草地的8种毒杂草和4种优良牧草的光谱差异进行定量描述和区分。
本文还研究了狼毒草在不同草地类型下的光谱特征差异,发现环境背景对植被光谱存在较大影响。并且对比温性草原狼毒草1和高寒草原狼毒草2 的原始反射率和去包络线值发现,狼毒草在2种环境下的原始光谱反射率差异较大,而包络线去除处理后其差异减小,从而证明包络线去除法能有效减少环境背景对植被光谱特征的影响,这与徐元进[15]、闻兵工[18]的研究一致。
本文通过实测获取了三江源区毒杂草型退化草地的毒杂草和优良牧草的高光谱数据,并运用数据变换和光谱特征参数对8种毒杂草和4种牧草的光谱特征进行了定量化对比分析,结果表明:
(1)可见光波段内各植被的反射率差异并不明显,而其近红外峰值差异较大,其中鹅绒萎陵菜的“近红外峰值”达60.07%,最小者早熟禾仅为17.53%;
(2)经包络线去除处理后,植被光谱曲线中吸收谷和反射峰光谱特征差异更加明显,且环境背景的影响减小;
(3)各植被“红边”特征波段分布在692~749 nm之间,“红边幅值”和“红边面积”最大者为大戟,最小者为早熟禾,而藏嵩草和驴蹄草的“红边位置”较其他植被出现了“红移”;
(4)基于各植被的光谱反射率差异(即“近红外峰值”、“绿峰幅值”和“红谷反射率”)或在“红边”这一特征波段的变化率差异(即“红边幅值”、“红边面积”和“红边位置”)均可将三江源区毒杂草型退化草地的8种毒杂草和4种优良牧草进行辨识区分;
(5)基于马氏距离法提取的毒杂草与优良牧草的敏感识别波段主要分布在680~750 nm和900~1000 nm波长范围内。
目前存在的不足在于选取样点偏少,因此用于分析的毒杂草与优良牧草样本还不足以代表整个三江源区的毒杂草型退化草地植被,未来将通过实地测量完善三江源区毒杂草高光谱数据库,并结合高光谱遥感影像进行大区域尺度的毒杂草识别与反演从而为毒杂草入侵及其动态变化提供新的遥感监测方法。
[1]
徐新良, 王靓, 李静, 等. 三江源生态工程实施以来草地恢复态势及现状分析[J]. 地球信息科学学报, 2017,19(1):50-58.

[ Xu X L, Wang L, Li J, et al. Analysis of grassland restoration situation and current situation since the implementation of Sanjiangyuan Eco-project[J]. Journal of Geo-information Science, 2017,19(1):50-58 .]

[2]
李穗英, 刘峰贵, 马玉成, 等. 三江源地区草地退化现状及原因探讨[J]. 青海农林科技, 2007(4):29-32.

[ Li S Y, Liu F G, Ma Y C, et al. Current situation and causes of grassland degradation in Sanjiangyuan area[J]. Agriculture and Forestry Science and Technology of Qinghai, 2007(4):29-32. ]

[3]
赵成章, 樊胜岳, 殷翠琴, 等. 毒杂草型退化草地植被群落特征的研究[J]. 中国沙漠, 2004,24(4):507-512.

[ Zhao C Z, Fan S Y, Yin C Q, et al. Study on the characteristics of vegetation community of poisonous weed degraded grassland[J]. Desert of China, 2004,24(4):507-512.]

[4]
公延明, 胡玉昆, 阿德力 .麦地, 等. 巴音布鲁克高寒草地退化演替阶段植物群落特性研究[J]. 干旱区资源与环境, 2010,24(6):151-154.

[ Gong Y M, Hu Y K, Adeli M, et al. Study on the characteristics of plant community in the degradation succession stage of Alpine Grassland in Bayinbuluk[J]. Resources and Environment in Arid Areas, 2010,24(6):151-154. ]

[5]
周家福, 干友民, 李志丹, 等. 川西北高寒草地退化演替群落的数量分类与排序[J]. 湖北农业科学, 2008,47(2):92-95.

[ Zhou J F, Yu Y M, Li Z D, et al. Quantitative classification and ordination of degraded successional communities of Alpine Grassland in Northwest Sichuan[J]. Hubei Agricultural Science, 2008,47(2):92-95. ]

[6]
张静, 李希来, 王金山, 等. 三江源地区不同退化程度草地群落结构特征的变化[J]. 湖北农业科学, 2009,48(9):2125-2129.

[ Zhang J, Li X L, Wang J S, et al. Changes in community structure of grassland with different degradation degrees in Sanjiangyuan area[J]. Agricultural Science of Hubei, 2009,48(9):2125-2129. ]

[7]
Gusman H W, Menges R M, Escobar D E, et al. Pubescence affects spectra and imagery of silverleaf sunflower (Helianthus argophyllus)[J]. Weed Science, 1977,25(5):437-440.

[8]
Tsai F, Lin E K, Yoshino K. Spectrally segmented principal component analysis of hyperspectral imagery for mapping invasive plant species[J]. International Journal of Remote Sensing, 2007,28(5/6):1023-1039.

[9]
安如, 姜丹萍, 李晓雪, 等. 基于地面实测高光谱数据的三江源中东部草地植被光谱特征研究[J]. 遥感技术与应用, 2014,29(2):202-211.

[ An R, Jiang D P, Li X X, et al. Study on spectral characteristics of grassland vegetation in the middle and eastern part of Sanjiangyuan based on measured hyperspectral data on the ground[J]. Remote Sensing Technology and Application, 2014,29(2):202-211. ]

[10]
李双. 基于高光谱数据的三江源退化草地杂类草遥感分类研究[D]. 北京:中国科学院地理科学与资源研究所, 2014.

[ Li S. Study on Remote Sensing Classification of miscellaneous grasses in degraded grassland of Sanjiangyuan based on hyperspectral data[D]. Beijing: Institute of Geographic Sciences and Resources, Chinese Academy of Sciences, 2014. ]

[11]
喻小勇, 邵全琴, 刘纪远, 等. 三江源区不同退化程度的高寒草甸光谱特征分析[J]. 地球信息科学学报, 2012,14(3):398-404.

[ Yu X Y, Shao Q Q, Liu J Y, et al. Spectral characteristics analysis of alpine meadow with different degradation degree in Sanjiang source area[J]. Journal of Geo- information Science, 2012,14(3):398-404. ]

[12]
王堃, 洪绂曾, 宗锦耀. “三江源”地区草地资源现状及持续利用途径[J]. 草地学报, 2005,13(S1):28-31.

[ Wang K, Hong K Z, Zong J Y. Current situation of grassland resources and ways of sustainable utilization in the "Three Rivers Source" area[J]. Journal of Grassland Science, 2005,13(S1):28-31. ]

[13]
刘纪远, 徐新良, 邵全琴. 近30年来青海三江源地区草地退化的时空特征[J]. 地理学报, 2008,63(4):364-376.

[ Liu J Y, Xu X L, Shao Q Q. Temporal and spatial characteristics of grassland degradation in Sanjiangyuan area of Qinghai Province in recent 30 years[J]. Acta Geographica Sinica, 2008,63(4):364-376. ]

[14]
蔡天净, 唐瀚. Savitzky-Golay平滑滤波器的最小二乘拟合原理综述[J]. 数字通信, 2011(1):63-68.

[ Cai T J, Tang H. A survey of the least square fitting principle of savitzkyGolay smoothing filter[J]. Digital communication, 2011(1):63-68. ]

[15]
徐元进, 胡光道, 张振飞. 包络线消除法及其在野外光谱分类中的应用[J]. 地理与地理信息科学, 2005,21(6):11-14.

[ Xu Y J, Hu G D, Zhang Z F. Envelope elimination and its application in field spectral classification[J]. Geographic and Geographic Information Science, 2005,21(6):11-14. ]

[16]
李志刚. 光谱数据处理与定量分析技术[M]. 北京: 北京邮电大学出版社, 2017.

[ Li Z G. Spectral data processing and quantitative analysis technology[M]. Beijing: Beijing University of Posts and Telecommunications Press, 2017. ]

[17]
温阿敏, 郑江华, 穆晨, 等. 新疆草原毒草白喉乌头高光谱特征提取与分析研究[J]. 中国植保导刊, 2015,35(3):5-11.

[ Wen A M, Zheng J H, Mu C, et al. Hyperspectral feature extraction and analysis of Xinjiang grassland poisonous weed Aconitum diphtheriae[J]. China Plant Protection Guide, 2015,35(3):5-11. ]

[18]
闻兵工, 杨秀策, 常悦. 一种高光谱影像包络线消除的新方法[J]. 测绘科学与工程, 2010(4):7-9.

[ Wen B G, Yang X C, Chang Y. A new method to eliminate the envelope of hyperspectral image[J]. Surveying and Mapping Science and Engineering, 2010(4):7-9. ]

Outlines

/