淤泥质潮滩沉积物含水量遥感反演模型研究＊

尹 君，张 东，刘 鑫，陶 旭

（南京师范大学 地理科学学院，江苏 南京210023）

潮滩是海陆交互作用的地带，拥有丰富的生物、海洋能等资源，对人类生活和经济活动具有重要意义［1］。淤泥质潮滩是潮滩的一种重要类型，在我国分布广泛。由于其自身的自然特性以及潮汐水位变动等因素的影响，遥感是研究和监测淤泥质潮滩地物信息变化的重要技术手段［2－4］。对于潮滩地区而言，其独特的水动力及沉积动力环境使得地表反射率光谱受到沉积物粒径、含水量等因素的影响，其中水分对利用遥感手段准确提取地物信息起着关键作用。同时潮滩表层沉积物含水量与潮滩的高程、潮侵率等要素有关，因此准确提取潮滩沉积物含水量有助于进一步了解潮滩特性，推动相关科学研究的开展以及潮滩资源的开发利用［5］。

目前针对潮滩沉积物含水量的遥感研究主要集中在多光谱遥感解译方面，代表性的研究有：张鹰等［1］结合地表实测光谱和同步含水量测量，建立了潮滩沉积物含水量的遥感反演模型，初步获取了潮间带光滩区的含水量空间分布，结果表明利用遥感技术快速获得潮间带沉积物含水量是可行的；沈永明等［5］利用Landsat TM遥感影像进行多种图像处理，找出TM图像与潮滩表层沉积物含水量相关系数绝对值最高的数字图像处理方法，然后结合傅立叶变换处理，实现了潮滩沉积物含水量模型的推算。以上这些方法虽然可以从遥感影像中提取沉积物含水量，但是由于许多地物光谱吸收特征在吸收深度一半处的宽度为20～40nm，因而多光谱传感器不足以用于沉积物含水量监测，无法准确反映潮滩沉积物含水量的变化［6］。为了构建更加适合潮滩区的沉积物含水量遥感反演模型，以便从影像光谱信息中快速、准确地获取含水量信息，高光谱遥感数据的应用是一种有效解决方案。

据此，本研究通过实验室环境下采集不同类型沉积物样本的含水量及同步的实测光谱曲线，在对波段反射率数据进行统计分析的基础上，结合现有的土壤含水量简化模型形式和常用的4种植被指数模型形式，构建适合于淤泥质潮滩表层沉积物含水量遥感反演的半经验模型，实现含水量的准确预测。该模型的建立可有效削弱含水量对潮滩地物信息遥感采集带来的影响，提高潮滩地物遥感反演的精度。

1 数据获取

1.1 研究区概况

本研究选取2个研究区，分别为盐城市的大丰王港潮滩（120°45＇～120°57＇E，33°03＇～33°16＇N）和新洋港潮滩（119°48＇～120°56＇E，32°34＇～34°28＇N）。研究区滩面平坦，表层沉积物主要为粉砂，是典型的粉砂淤泥质海岸。其中大丰王港潮滩位于苏北辐射沙脊群内侧的潮间带，水动力条件主要受南黄海旋转潮波和苏北沿岸流的影响［7］；新洋港位于盐城珍禽国家级自然保护区的核心区内，是里下河地区主要入海水道之一。

1.2 野外样品采集与分析

在大丰王港采样的时间为2008－06－01－05，在新洋港采样的时间为2011－07－06－08，分别采集潮滩表层约1cm厚的土样。采样时使用密封袋对样品密封、编号并保存。采样区及采样点位置如图1所示，两个潮滩共采集230个沉积物样本。使用Malvern MasterSizer 2000激光粒度仪对样品进行沉积物粒度参数分析，然后根据Shepard分类方法进行分类。经分析，样品一共可分为5类：粉砂、砂质粉砂、粉砂质砂、砂和粘土质粉砂。

图1 研究区采样点示意图Fig.1 Locations of sampling points in the study area

1.3 沉积物含水量及光谱数据的获取

1.3.1 实验仪器及实验环境介绍

沉积物光谱测量采用美国ASD公司的全光谱便携式光谱分析仪（ASD FieldSpec Pro FR），仪器波长范围为350～2 500nm。为了便于沉积物样品的存放、称重、烘干，统一使用直径为9cm，高度为1.6cm的培养皿盛放实验样品。在暗室中进行实验，采用ASD自带的50w卤素灯人工光源提供平行光。人工光源照射方向与垂直方向夹角15°，光源距离培养皿的垂直高度为50cm。光谱仪探头选取5°视场角，距离培养皿20cm且垂直于培养皿架设。测试时培养皿边壁进行涂黑处理，上方用中心被剪成直径约为6cm的圆形黑色吸光绒布遮盖，以进一步减少光线的二次反射对光谱测量结果的影响。

1.3.2 沉积物含水量及光谱数据采集

实验共选取40个沉积物样本，实验选点的空间分布如图1所示，其中粉砂5个，粉砂质砂12个，砂8个，砂质粉砂10个，粘土质粉砂5个。测量前，清洗、烘干培养皿并记录培养皿净重。为使实验更加接近野外实测条件，将测试的沉积物样本放入烧杯并加入约400mL的海水搅匀，静置12h以上，待土样全部沉淀之后抽去上层多余的海水，最后将湿土倒入培养皿。土样高度约为1cm，该高度可以屏蔽培养皿底部的反射，模拟无限深的现场沉积物环境。测量时，每隔10min采集一次样品的光谱曲线，同时记录样品质量。因在室内环境下进行含水量变化实验，含水量变化过慢，因此使用烘箱对土样进行短时间的烘干，以加速水分蒸发。由于沉积物表面的不均一性，同时为了避免随意移动样品造成人为误差，在测量同一样品时按照以下规律移动样品：以光纤探头在测试台的垂直落点为中心位，以人工光源入射方向为0°方位，取1cm为移动幅度，避开0°方位逆时针方向移动，测量中心位、90°、180°、270°共计4个方位，每个方位采集10次反射率曲线。湿土光谱测量完成之后，将样品放入烘箱，在105℃条件下烘干6h获得干土样本，再对其称重并采集干土时的反射率光谱曲线。本阶段累计共测得581个含水量及同步光谱反射率数据，其中砂样品98测次，粉砂样品80测次，粉砂质砂样品145测次，砂质粉砂样品141测次，粘土质粉砂样品117测次。

1.3.3 含水量及光谱数据处理

本研究采用称重法计算得到沉积物含水量。由于在相同温度条件下，黏粒的持水能力要超过粒径较粗的颗粒，因此实验中获得的不同类型沉积物的最高含水量有较大差异，按照由低到高排列，测得各类型沉积物的最大含水量：砂22.3%、粉砂质砂31.0%、砂质粉砂41.4%、粉砂49.0%和粘土质粉砂6.60%。

对获取的反射率数据计算3点滑动平均以消除“毛刺”现象，之后对同一样品不同位置的反射率计算平均值，以此作为该样品在该含水量条件下的光谱最终测量结果。为了配合Hyperion影像的波段设置，并去除高光谱影像中未标定以及受水汽影响较大的波段，我们对所采集的2151波段进行重采样，采样间隔为10 nm，最后获得164波段的反射率数据。

2 研究方法

2.1 单波段含水量遥感反演模型

沉积物反射率与含水量关系的研究结果表明：指数模型能够更好的表征沉积物反射率与含水量之间的变化关系［8－11］。但是当不考虑沉积物类型时，指数模型的反演结果会变差，甚至是无效的［6，10］。因此针对不同的沉积物类型，我们选用沉积物反射率－含水量简化指数模型［9］构建沉积物含水量单波段模型，该模型适用于近乎裸土且沉积物结构均匀时的情况，这与本研究区（潮滩裸地）的环境相似。模型如下：

式中Rw，i、Rd，i分别为波段i的湿土反射率和干土反射率；a为沉积物水吸收率；WI为反演的沉积物含水量。

对式（1）变形，可得到单波段含水量模型表达式：

单波段模型中，水吸收率a对于同一种沉积物类型近似为常数，因此可利用式（2）对不同含水量下的不同波段分别计算对应的a值，然后求平均确定a值。通过统计实测含水量与对应的湿、干土反射率对数之间的相关性，根据相关性大小，确定出反演含水量的最佳波段i。

2.2 波段组合含水量遥感反演模型

波段组合模型参考了4种常见的植被指数的形式，通过选取适合的波段来构建沉积物含水量反演指数，然后利用含水量反演指数构建含水量遥感反演模型。本研究构建的含水量指数：比值含水量指数RWCI（Ratio Water Content Index）（IRWCI）、归一化差值含水量指数 NDWCI（Normalized Difference Water Content Index）（INDWCI）、沉积物调整含水量指数SAWCI（Sediment－Adjusted Water Content Index）（ISAWCI）和增强型含水量指数 EWCI（Enhanced Water Content Index）（IEWCI）［12－15］。各指数表达式如下：

式中Ri、Rj为波段i、j的反射率；L为沉积物调节参数，L1＝0.5，L2＝1；Ro为不同沉积物光谱曲线上特征峰对应的波段反射率。

由分析知，对于不同的沉积物类型，各特征峰所处的波段范围大致相同，并且特征峰的范围不因含水量的变化而变化。由于这些特征峰处的反射率受到沉积物类型影响较大，因此利用EWCI指数剔除该部分影响，并初步将Ro定为600，783，1 296，1 609和2 143nm五个波段对应的反射率值，随后利用 Matlab软件对每个波段进行二重循环，从中选取反演结果最好的波段，由此来确定构建EWCI模型的最佳Ro波段。

在4种波段组合模型构建时，首先利用Matlab软件编制程序，对实测光谱曲线的所有波段进行二重循环，计算各波段或波段组合与实测含水量之间的相关性，筛选出最佳波段，构建模型；然后再利用验证数据对模型进行验证，评估各模型的实用性，获得最佳含水量遥感反演模型。

3 结果分析

3.1 沉积物光谱曲线特征分析

研究表明，含水量对沉积物的反射率有重要影响。以粉砂样本的部分含水量光谱曲线（图2）为例进行分析：1）当粉砂含水量较高，为0.490和0.451时，采集的光谱值较低，且在1 457nm附近接近0值，这是由于在含水量较高时反射率主要受水分吸收的影响，在短波红外波段水体的强吸收使得该波段内的光谱值急剧减小［16］。2）而当粉砂含水量在0.451以下时，光谱值明显增大，这主要是由于在含水量较低时反射率受到水体吸收和光谱散射的双重作用影响［10］。3）当粉砂含水量为0时，在427～1 790nm以及2 002～2 153 nm沉积物光谱曲线随波长的增加而单调上升，且在427～824nm和2 002～2 153nm时光谱反射率上升剧烈，993～1 790nm沉积物光谱反射率的整体趋势为上升，但上升趋势减缓，在993～1 064nm处有小幅震荡；在824～993nm光谱反射率近乎水平；2 133～2 335nm沉积物光谱反射率值随波长的增加呈震荡下降趋势。

由曲线形态知，无论含水量高低，获得的光谱曲线在427～824nm时与干土时的曲线形态相似，而在1 457～2 335nm范围内光谱曲线变化剧烈，且当含水量较低时曲线在1 679nm和2 034nm附近有强吸收带。在933～1 346nm曲线形态也有明显差异：当含水量较高时光谱曲线变化剧烈，而当含水量较低时光谱曲线则与干土时的形态类似。由图2及以上分析可知：当含水量较低时波长较长的波段如1 679和2 034 nm波段对沉积物含水量的变化敏感；而当含水量较高时，在933～1 346nm范围内的波长对沉积物含水量的变化更加敏感。

图2 不同含水量下粉砂光谱曲线Fig.2 Spectral curves of silt samples with different water content

3.2 单波段含水量遥感模型反演结果分析

根据吴代辉等的研究［6，10］，对单波段模型根据沉积物类型分别进行建模。按照砂、粉砂、粉砂质砂、砂质粉砂、粘土质粉砂的顺序，其建模和验证数据分别为：建模59，48，87，85和70个样本，验证39，32，58，56和47个样本。表1列出了不同类型沉积物的水吸收率值以及进行含水量反演的最佳波段，R2和RMSE为利用验证样本光谱计算得到的模拟含水量与实测含水量之间的确定性系数和均方根误差。

表1 沉积物含水量反演的单波段模型Table 1 Single－band model for the sediment water content inverse

由于粒径、结构等的差异，导致不同类型沉积物的持水能力不同，因此类型沉积物的水吸收率系数a也不同。由建模结果知：除砂质粉砂模型确定性系数R2为0.543外，其余沉积物含水量模拟的确定性系数均高于0.62，其中具有较高含水量的粘土质粉砂反演情况最好，反演的确定性系数R2为0.694。由于各沉积物实测最高含水量存在差异，因此通过计算各沉积物RMSE与最高含水量Wmax的比值来分析单波段模型对不同沉积物含水量拟合精度的好坏。由计算结果知：砂、粉砂、粘土质粉砂拟合精度较好，分别为0.148，0.145和0.136；而粉砂质砂和砂质粉砂拟合精度较差，分别为0.268和0.191。从整体看含水量高低差异对沉积物含水量单波段反演结果影响小。

单波段模型选取的最佳波段多集中于1 990～2 100nm附近，这主要是由于在波段重采样时将主要的水汽吸收波段去除，但是高光谱数据的波段与波段间的间隔小，信息相关性高，因而单波段模型选取的最佳波段仍集中于对水分反应敏感的水汽吸收波段附近。

广东缺煤、少油、乏气，水电已基本开发完毕，一次能源扩大生产能力有限。受资源条件限制，广东能源生产结构简单，能源消费对外依存度高，80%以上的能源消费总量靠从省外和国外购入，非可再生能源消费比重高，清洁优质能源比重较低。广东能源生产和消费结构不尽合理，综合利用水平偏低，环保压力大，供需矛盾突出，用能成本居高不下。

3.3 波段组合含水量遥感模型反演结果分析

除单波段模型外，波段组合模型也是遥感反演提取地物参数的常用方法。波段组合的方式可以最大限度地利用不同波段的光谱信息，通过波段间的运算组合生成新的反演因子，从而达到削弱背景噪声、提高模型反演精度的目的。表2列出了沉积物含水量反演的波段组合模型及精度验证结果。

表2 沉积物含水量反演的波段组合模型Table 2 Combinative band model for the sediment water content inverse

根据表2中各指数模型的确定性系数R2及RMSE，按照沉积物粒径由大到小依次排列作图3和图4。为全面进行比较，在图中加入不区分沉积物类型以及单波段模型的模拟结果。

分析沉积物粒径大小对持水能力的影响知：除SAWCI指数模型模拟得到的粉砂质砂的R2比砂质粉砂大0.005以外，其余沉积物类型的确定性系数均随着沉积物粒径的减小、沉积物持水能力的增强而呈逐渐增大趋势，其中砂的R2最低，粘土质粉砂的R2最高，4种波段组合模型的平均R2分别为0.626和0.868。表明沉积物粒径越小，土质结构越致密，含水量模拟精度越高。

从模型拟合精度对比分析可知（图3和图4）：EWCI指数模型拟合得到的各沉积物R2中，除粉砂的拟合结果比RWCI指数模型略低外，其余沉积物类型模拟的R2均为最高，拟合得到的各沉积物R2平均值0.818；SAWCI、RWCI指数模型得到的拟合结果次之，R2平均值分别为0.750和0.771；NDWCI指数模型拟合得到的沉积物R2均为最低值，为0.675。说明NDWCI指数模型的估算能力最差，而EWCI指数模型的估算能力则相对较好。NDWCI指数模型的RMSE最大，而EWCI指数模型的RMSE结果中，除粉砂类型模拟的RMSE值较高外，其余沉积物类型模拟的RMSE均为最小。这也说明了EWCI指数模型的预测精度最好，残差较小。

对比分析不区分沉积物类型时的拟合结果可知：由于各类型沉积物含水量对光谱响应不同，造成了不区分沉积物类型条件下各含水量指数模型的估算能力均下降，其中NDWCI指数模型的R2最小，仅有0.602，但RMSE在4种指数模型中却为最大；EWCI指数模型的R2最大，达到了0.706，而RMSE最小，仅为0.071。说明当不区分沉积物类型时EWCI指数模型的估算能力最佳，预测精度最好。

图3 不同模型反演含水量的R2对比Fig.3 Comparison of R2 of the sediment water contents reproduced with different models

图4 不同模型反演含水量的RMSE对比Fig.4 Comparison of RMSEof the sediment water contents reproduced with different models

3.4 单波段模型与波段组合模型拟合结果对比分析

从波段组合模型与单波段模型的拟合结果对比可知：当沉积物粒径较大、含水量较小时，波段组合模型的R2出现小于单波段的情况。如砂类型时，单波段模型的R2仅小于EWCI指数模型，而粉砂质砂类型时，单波段模型的R2大于NDWCI指数模型。因波段组合模型通过波段间的数学运算，最大限度地利用了不同波段的光谱信息，因此大部分波段组合模型拟合得到的结果仍要好于单波段模型。就EWCI指数而言，其在NDWCI和SAWCI指数的基础上，引入了受沉积物类型影响较大的敏感波段，通过减去敏感波段反射率的方法来进一步突出含水量信息，因此EWCI拟合得到的R2要远大于单波段模型，且RMSE也小于单波段模型。

此外，单波段模型、RWCI、NDWCI及SAWCI指数模型对砂质粉砂的拟合结果均为降低，这与R2随沉积物粒径的减小而增大的趋势相反，而EWCI指数模型则能很好地解决该问题，其砂质粉砂拟合得到的R2为0.823。因此，EWCI指数模型最适合反演潮滩表层沉积物含水量。

3.5 沉积物类型归一化构建波段组合模型结果分析

式中RN为沉积物归一化之后的反射率；RM为不同含水量对应的沉积物反射率；Rθ为相应的沉积物干土反射率。

NEWCI指数模型建模及验证结果如表3所示。由于沉积物归一化后得到的反射率曲线在可见光范围内变化平缓，而在近红外波段有强吸收峰，因此不同于EWCI指数模型选取的最佳波段，NEWCI指数模型的最佳波段均集中于近红外波段。最佳波段的选取说明利用沉积物类型归一化的方法可以进一步削弱沉积物类型对含水量反演结果的影响，突出含水量信息，从而提高反演精度。

表3 沉积物含水量反演的NEWCI指数模型Table 3 NEWCI index based band combinative model for sediment moisture inversion

对比EWCI和NEWCI两个指数模型的确定性系数R2可知：当区分沉积物类型时，NEWCI指数模型对部分沉积物的估算能力好于EWCI指数模型，其中粉砂质砂、粉砂以及粘土质粉砂的估算能力均好于EWCI指数模型，仅砂和砂质粉砂的确定性系数比EWCI指数模型低0.083和0.014；当忽略沉积物类型时，NEWCI模型的估算能力明显好于EWCI指数模型，R2提高到了0.8，且均方根误差也比EWCI指数模型时降低了0.012。这说明沉积物类型归一化的方法可以有效地减小由于沉积物类型差异带来的误差，从而提高模型含水量估算能力和预测精度。

为了进一步对比EWCI与NEWCI对含水量的预测效果，将验证组光谱数据分别代入2个模型，计算出预测含水量，然后与实测含水量进行比较。图5为不区分沉积物类别时EWCI指数模型以及NEWCI指数模型获得的预测与实测含水量对比图。从图中可知：

1）当实测含水量为0时，EWCI指数模型的预测含水量为0～0.15，而NEWCI指数模型因利用干土反射率进行了归一化处理，所以预测含水量更符合实际情况。

2）当预测含水量为0.3～0.6时，EWCI指数模型的散点过于分散，NEWCI指数模型的散点相对集中，导致NEWCI指数模型的拟合度高于EWCI指数模型，其拟合得到的R2分别为0.565、0.334，说明EWCI指数模型相对于NEWCI指数模型在对高含水量时的预测能力偏弱。而在预测0.3以下的沉积物含水量时两者精度接近。总体说明NEWCI指数模型对含水量的估算范围比EWCI指数模型更广，因此NEWCI指数模型更加适合潮滩沉积物含水量遥感反演。

图5 预测含水量与实测含水量对比图Fig.5 Comparison diagram between the predicted and the observed water contents

4 结论

为提高含水量遥感反演精度，我们根据单波段含水量简化模型和波段组合模型构建了5种形式的沉积物含水量遥感反演模型。为了减小沉积物类型对模型预测精度的影响，对沉积物类型进行归一化运算，其反演结果可在潮滩地物信息遥感反演时有效削弱水分的影响，提高地物信息提取的精度。研究结果表明：

1）单波段模型的拟合结果中，除砂质粉砂模型确定性系数R2为0.543外，其余沉积物含水量模型确定性系数均高于0.62。从整体看含水量高低差异对沉积物含水量单波段反演结果影响不大；

2）RWCI、NDWCI、SAWCI和EWCI含水量指数构建的含水量波段组合反演模型中，NDWCI指数模型对含水量的预测能力最差，拟合得到的各沉积物R2平均值为0.675，EWCI指数模型的含水量估算能力相对较好，拟合得到的各沉积物R2平均值为0.818。当忽略沉积物类型时EWCI指数模型拟合得到的R2为0.706，RMSE为0.059，这是因为EWCI指数在NDWCI和SAWCI的基础上增加了沉积物调节系数，并引入了受沉积物类型影响较大的敏感波段，通过减去敏感波段反射率的方法，来进一步突出含水量信息，从而达到提高反演精度的目的；

3）利用不同类型沉积物的干土反射率对沉积物样本反射率进行归一化处理，在EWCI指数模型的基础上进一步构建NEWCI含水量反演模型，该模型在预测含水量为0以及30%～60%含水量时，R2比EWCI指数模型高0.231，而在预测0.3以下的沉积物含水量时两者精度接近，表明NEWCI指数模型更适用于潮滩沉积物含水量的预测。

（References）：

［1］ZHANG Y，ZHANG D，HU P X.Water content of soil on outcrop beach measured by remote sensing［J］.Acta Oceanologica Sinica，2008，5（30）：29－34.张鹰，张东，胡平香.海岸带潮滩土壤含水量遥感测量［J］.海洋学报，2008，5（30）：29－34.

［2］THOMAS S，JÜRGEN B，URSSCHIMIDHALTER.High resolution topsoil mapping using hyperspectral image and field data in multivariate regression modeling procedures［J］.Geoderma，2006，136（1－2）：235－244.

［3］ZHENG Z S，ZHOU Y X，LI X，et al.Relationship between mudflat evolution dynamic and vegetation at Chongming Dongtan integrating with remote sensing and hydrodynamic model［J］.Resources and Environment in The Yangtze Basin，2010，19（12）：1368－1373.郑宗生，周云轩，李行，等.基于遥感及数值模拟的崇明东滩冲淤与植被关系探讨［J］.长江流域资源与环境，2010，19（12）：1368－1373.

［4］HUO M，FAN D D，LU Q，et al.Decadal variations in the erosion/deposition pattern of Nanhui muddy bank and their mechanism in the Changjiang Delta［J］.Acta Oceanologica Sinica，2010，32（5）：41－51.火苗，范代读，陆琦，等.长江口南汇边滩冲淤变化规律与机制［J］.海洋学报，2010，32（5）：41－51.

［5］SHEN Y M，YANG J S，ZHANG R S，et al.Study on model of surface sediment humidity on tidal flat based on remote sensing image of TM［J］.Scientia Geographica Sinica，2009，29（3）：415－420.沈永明，杨劲松，张忍顺，等.基于TM 图像的潮滩表层沉积物含水量推算模型研究——以江苏辐射沙洲区为例［J］.地理科学，2009，29（3）：415－420.

［6］WU D H，FAN W J，CUI Y K，et al.Review of monitoring soil water content using hyperspectral remote sensing［J］.Spectroscopy and Spectral Analysis，2010，30（11）：3067－3071.吴代辉，范闻捷，崔要奎，等.高光谱遥感监测土壤含水量研究进展［J］.光谱学与光谱分析，2010，30（11）：3067－3071.

［7］JIA J J，WANG Y P，GAO S，et al.Bedload transport and grain size trend information interpretation of tidal flat in JiangSu DaFeng［J］.Chinese Science Bulletin，2005，50（22）：2546－2554.贾建军，汪亚平，高抒，等.江苏大丰潮滩推移质输运与粒度趋势信息解译［J］.科学通报，2005，50（22）：2546－2554.

［8］BACH H，MAUSER M.Modelling and model verification of the spectral reflectance of soils under varying moisture conditions［J］.Proceedings of IGASS’94，Pasadena，IEEE，1994，4：2354－2356.

［9］ETIENNE M，HENRI D.Modeling soil moisture－reflectance［J］.Remote Sensing of Environment，2000，76（2）：173－180.

［10］LIU W，BARET F，GU X F，et al.Relating soil surface moisture to reflectance［J］.Remote Sensing of Environment，2002，81（2－3）：238－246.

［11］DENG R R，TIAN G L，LIU Q H.Bi－directional Reflectance Model of Canopy and Soil Based on Multi－Scatterings［J］.Journal of Remote Sensing，2004，8（3）：193－200.邓孺孺，田国良，柳钦火.基于多次散射的植被—沉积物二向反射模型［J］.遥感学报，2004，8（3）：193－200.

［12］JIA H F，LIU X H，et al.The principle of environmental remote sensing and its applications［M］.Beijing：Tsinghua University Press，2006：175－76.贾海峰，刘雪华，等.环境遥感原理与应用［M］.北京：清华大学出版社，2006：175－176.

［13］LUO Y，XU J H，YUE W Z.Research on vegetation indices based on the remote sensing images［J］.Ecologic Science，2005，24（1）：75－79.罗亚，徐建华，岳文泽.基于遥感影像的植被指数研究方法述评［J］.生态科学，2005，24（1）：75－79.

［14］WANG Z X，LIU C，HUETE A.From AVHRR－NDVI to MODIS－EVI：Advances in vegetation index research［J］.Acta Ecologica Sinca，2003，23（5）：979－987.王正兴，刘闯，Huete Alfredo.植被指数研究进展：从AVHRR－NDVI到 MODIS－EVI［J］.生态学报，2003，23（5）：979－987.

［15］LI X S，LI Z Y，GAO Z H，et al.Estimation of sparse vegetation cover in arid regions based on vegetation indices derived from Hyperion data［J］.Journal of Beijing Forestry university，2010，32（3）：95－100.李晓松，李增元，高志海，等.基于Hyperion植被指数的干旱地区稀疏植被覆盖度估测［J］.北京林业大学学报，2010，32（3）：95－100.

［16］TONG Q X，ZHANG B，DENG L F.Hyperspectral remote sensing［M］.Beijing：Higher Education Press，2006：25.童庆禧，张兵，郑兰芬.高光谱遥感——原理、技术与应用［M］.北京 ：高等教育出版社，2006：25.