基于BP神經(jīng)網(wǎng)絡(luò)的高光譜果樹樹種識(shí)別研究

李子藝++王振錫++岳俊

摘要：高光譜具有波段窄、波段多的特點(diǎn)，能夠提供比多光譜遙感更精細(xì)的地物光譜信息，為識(shí)別光譜性質(zhì)相似的森林樹種提供了有效途徑。對(duì)南疆盆地4種主栽果樹樹種（蘋果、香梨、核桃、紅棗）的冠層光譜數(shù)據(jù)進(jìn)行測(cè)量，用BP神經(jīng)網(wǎng)絡(luò)對(duì)原始光譜數(shù)據(jù)及其經(jīng)一階微分、對(duì)數(shù)一階微分、歸一化一階微分變換后的光譜數(shù)據(jù)進(jìn)行分類識(shí)別，結(jié)果表明：對(duì)數(shù)一階微分和歸一化一階微分變換后樹種識(shí)別精度分別為94%和88%以上；紅邊區(qū)的光譜波段包含了大量樹種識(shí)別的信息；采用BP神經(jīng)網(wǎng)絡(luò)能夠?qū)δ辖璧刂髟怨麡溥M(jìn)行基于冠層光譜的分類，而且分類精度相對(duì)較高。

關(guān)鍵詞：高光譜數(shù)據(jù)；波段選擇；BP神經(jīng)網(wǎng)絡(luò)；樹種識(shí)別；果樹

中圖分類號(hào)： S126；TP391.4文獻(xiàn)標(biāo)志碼： A文章編號(hào)：1002-1302（2016）05-0410-04

在南疆特色林果產(chǎn)業(yè)化的進(jìn)程中，其信息化建設(shè)明顯滯后，傳統(tǒng)調(diào)查方式以多光譜遙感和地面輔助調(diào)查為主，不僅分辨率具有局限性，而且費(fèi)時(shí)、耗力、周期長(zhǎng)[1]。自1980年以來(lái)，高光譜遙感沖破技術(shù)障礙，在對(duì)地觀測(cè)方面獲得了重大突破，相比多光譜遙感技術(shù)，它具有波段窄、數(shù)量多的特征，可以提供更詳細(xì)的目標(biāo)光譜信息，為研究地物的細(xì)微特征提供了快速、準(zhǔn)確、有效的途徑[2]。因此林果樹種的高光譜遙感識(shí)別對(duì)新疆南疆盆地特色林果產(chǎn)業(yè)的可持續(xù)經(jīng)營(yíng)具有重要的現(xiàn)實(shí)意義[3-5]。目前，我國(guó)已有一些基于高光譜遙感技術(shù)進(jìn)行森林樹種識(shí)別的研究。宮鵬等通過(guò)對(duì)6種主栽針葉樹種的高光譜實(shí)地測(cè)量，開展了不同季節(jié)（夏、秋季）針葉樹種的高光譜數(shù)據(jù)分類研究[6]。王志輝等利用測(cè)量的4種樹種葉片光譜數(shù)據(jù)，進(jìn)行了可識(shí)別性波段的選擇與光譜特征參量的分析[7]。于祥等對(duì)廣西紅樹林進(jìn)行高光譜實(shí)測(cè)，通過(guò)多種光譜分類方法對(duì)多個(gè)紅樹林樹種進(jìn)行了分類研究[8]。

高光譜遙感技術(shù)在為樹種的精細(xì)識(shí)別帶來(lái)可能性的同時(shí)，也帶來(lái)了數(shù)據(jù)冗余度大的問(wèn)題。怎樣在高光譜數(shù)據(jù)信息利用最大化的基礎(chǔ)上，高效處理高光譜數(shù)據(jù)成為高光譜研究領(lǐng)域的焦點(diǎn)和未來(lái)發(fā)展的重要方向[9-11]。劉秀英等利用分層聚類法和逐步判別分析進(jìn)行波段選擇，對(duì)桂花樹、小葉樟樹、雪松和杉木4個(gè)樹種的識(shí)別進(jìn)行了研究，取得了較好的效果[12]。藏卓等利用對(duì)雪松、黑松、馬尾松、杉木等針葉樹種的高光譜實(shí)測(cè)，通過(guò)主成分分析和遺傳算法兩種波段選擇方法對(duì)樹種識(shí)別進(jìn)行比較研究，有一定的實(shí)用性[13]。此外，許多學(xué)者基于遙感影像對(duì)森林類型進(jìn)行分類時(shí)，使用了最佳指數(shù)法、波段指數(shù)法、灰度值法等幾種常用的高光譜遙感影像的波段選擇方法，認(rèn)為最佳指數(shù)法用于高光譜遙感的樹種識(shí)別具有一定可行性和優(yōu)越性[14-16]。因此，本研究采用最佳指數(shù)法對(duì)高光譜數(shù)據(jù)進(jìn)行波段選擇，并利用BP神經(jīng)網(wǎng)絡(luò)對(duì)波段選擇數(shù)據(jù)進(jìn)行分類，從而對(duì)新疆南疆盆地4種主栽果樹樹種進(jìn)行分類識(shí)別，為探索星載高光譜遙感樹種識(shí)別提供技術(shù)支持。

1材料與方法

1.1試驗(yàn)對(duì)象

試驗(yàn)時(shí)間為2014年6月，試驗(yàn)地點(diǎn)位于新疆阿克蘇地區(qū)紅旗坡農(nóng)場(chǎng)（地理坐標(biāo)41°14′39″～41°16′18″N、80°15′46″～80°18′51″E，海拔1 213 m），試驗(yàn)對(duì)象是處在相同立地條件、自然狀態(tài)下生長(zhǎng)的4種南疆塔里木盆地主栽果樹樹種：紅富士蘋果（Malus pumila Mill）、庫(kù)爾勒香梨（Pyru bretschneideri Rehd）、核桃（Juglans regia Linn.）、紅棗（Ziziphus zizyphus Mill）。選擇冠型均勻的樣本，蘋果為大、中、小冠型，香梨、核桃為大冠型，紅棗為小冠型，共選擇樣地21塊，總樣株252株，其中蘋果樣地6塊，每塊11～12株，香梨、核桃樣地各5塊，每塊12～13株，紅棗樣地5塊，每塊12株，基本生長(zhǎng)狀況如表1所示。

1.2數(shù)據(jù)獲取

光譜測(cè)量?jī)x器采用美國(guó)ASD公司生產(chǎn)的手持式野外光譜輻射儀（FieldSpec HandHeld），該儀器能夠在325～1 075 nm 的波長(zhǎng)范圍內(nèi)進(jìn)行連續(xù)的光譜測(cè)量，光譜分辨率和光譜采樣間隔均為1 nm，視場(chǎng)角為25°，共751個(gè)波段。在天氣晴朗、無(wú)風(fēng)無(wú)云的條件下，選擇正午太陽(yáng)高度角變化不大的時(shí)間段（北京時(shí)間12：00—16：00）進(jìn)行4種果樹冠層光譜反射率數(shù)據(jù)測(cè)量。測(cè)量時(shí)，將光譜儀探頭垂直向下置于冠層之上，并與冠幅保持約1 m高度，同時(shí)根據(jù)所選樣株冠幅大小調(diào)整探頭與冠幅的距離。將每個(gè)樣株冠層分為陰面、陽(yáng)面2個(gè)方向進(jìn)行測(cè)量，每個(gè)方向重復(fù)測(cè)量5次，取平均值作為樣株這一方向上的光譜反射率，之后在剔除異常反射率光譜曲線的基礎(chǔ)上，對(duì)每種樹該方向的所有樣本的光譜反射率進(jìn)行平均，得到每種樹該方向的光譜值。為保證數(shù)據(jù)的有效性與準(zhǔn)確性，每隔10 min進(jìn)行1次標(biāo)準(zhǔn)白板矯正。

1.3高光譜數(shù)據(jù)轉(zhuǎn)換

從光譜測(cè)量結(jié)果看，在400 nm以前和900 nm以后的光譜數(shù)據(jù)噪聲比較大，因此，剔除了首尾兩端噪音較大的數(shù)據(jù)，只對(duì)400～900 nm范圍內(nèi)的光譜數(shù)據(jù)進(jìn)行處理[17]。光譜一階微分是處理光譜數(shù)據(jù)常用的方法之一[18]，它既可以有效地解決光譜數(shù)據(jù)間系統(tǒng)誤差的問(wèn)題、減少背景噪聲（通常指大氣輻射、散射和吸收）對(duì)目標(biāo)光譜的干擾[7，19]，又能夠加強(qiáng)光譜曲線在坡度上的微小變化[20]，從而辨認(rèn)出重合的光譜，有利于將可識(shí)別地物的光譜吸收峰參數(shù)提取出來(lái)[2]。光譜反射值經(jīng)過(guò)對(duì)數(shù)和歸一化變換后，不僅有利于加強(qiáng)紅光區(qū)與綠光的光譜差異，而且有利于削弱因光強(qiáng)變化而引起的乘性因素的影響[12]。但是，只對(duì)光譜數(shù)據(jù)作對(duì)數(shù)和歸一化處理是不夠的，還需進(jìn)行微分轉(zhuǎn)換，這樣才能取得相對(duì)于原始光譜更好的效果，因?yàn)槿绱耍纯稍谙诵砸蛩氐幕A(chǔ)上降低附加低頻噪聲的影響[6]。因此本試驗(yàn)對(duì)原始光譜數(shù)據(jù)R進(jìn)行如下3種變換：

（1）對(duì)R的一階微分變換：

d（R）=[（r3-r1）/Δλ，（r4-r2）/Δλ，…，（rn-rn-2）/Δλ]（Δλ為2倍波段寬）

（2）對(duì)R的對(duì)數(shù)一階微分變換：

lg（R）=[lg（r1），lg（r2），lg（r3），…，lg（rn）]

d[lg（R）]

（3）對(duì)R的歸一化一階微分變換：

N（R）=[（r1-rmin）/（rmax-rmin），（r2-rmin）/（rmax-rmin），…，（rn-rmin）/（rmax-rmin）]

d[N（R）]

1.4波段選擇方法

本試驗(yàn)采用最佳指數(shù)法對(duì)高光譜數(shù)據(jù)進(jìn)行波段選擇。最佳指數(shù)因子將標(biāo)準(zhǔn)差與相關(guān)系數(shù)有效地結(jié)合，其基本原理是光譜數(shù)據(jù)所包含的信息量與標(biāo)準(zhǔn)差成正比，標(biāo)準(zhǔn)差愈大，信息量愈多；光譜數(shù)據(jù)的獨(dú)立性與波段間的相關(guān)系數(shù)成反比，波段間的相關(guān)系數(shù)愈低，獨(dú)立性愈高且信息冗余度愈小[14]。其計(jì)算公式為：

OIF=∑3i=1Si/∑3i=1|Rij|

式中：OIF表示最佳指數(shù)因子，Si是第i個(gè)波段的標(biāo)準(zhǔn)差，Rij是第i、j 2個(gè)波段間的相關(guān)系數(shù)。

1.5人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用

神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）是一種人腦的抽象計(jì)算模型，通過(guò)各個(gè)處理單元間的有機(jī)連接而形成網(wǎng)絡(luò)，以此進(jìn)行人腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與功能模擬的一種計(jì)算機(jī)建模方式[21]。目前，BP神經(jīng)網(wǎng)絡(luò)是運(yùn)用最廣的方法之一。BP（back-propagation）神經(jīng)網(wǎng)絡(luò)是一種多層前饋型神經(jīng)網(wǎng)絡(luò)，它不僅包含輸入層和輸出層，而且具有一層或多層隱藏層，但最常用的為單層結(jié)構(gòu)[22]。BP神經(jīng)網(wǎng)絡(luò)算法需通過(guò)正、反向傳播兩個(gè)過(guò)程：正向傳播過(guò)程就是樣本信息最先從輸入層開始，經(jīng)過(guò)隱藏層的逐步計(jì)算，傳送到輸出層最后得到預(yù)測(cè)結(jié)果；得到預(yù)測(cè)誤差后便進(jìn)入反向傳播過(guò)程，即誤差逐層反方向傳回輸出層，期間所有權(quán)值得以修正[23]。如此反復(fù)迭代，直到滿足用戶要求為止，通過(guò)對(duì)BP神經(jīng)網(wǎng)絡(luò)輸入-輸出間映射能力的訓(xùn)練，便能夠?qū)ζ渌ㄐ畔⑦M(jìn)行自動(dòng)分類和模式識(shí)別[24]。本次試驗(yàn)隨機(jī)選取1/3樣本作為訓(xùn)練樣本，剩余的2/3樣本作為測(cè)試樣本，最終以測(cè)試樣本的預(yù)測(cè)精度用作評(píng)價(jià)數(shù)據(jù)變換及波段選擇方法優(yōu)劣的指標(biāo)。

2結(jié)果與分析

2.14種果樹冠層光譜特征

植物的組織結(jié)構(gòu)、生化成分、形態(tài)學(xué)特征等決定了其光譜反射特性[25]。在可見(jiàn)光波段，綠色植被的反射光譜主要受到冠層葉綠素含量和蓋度的影響，反射率較低；近紅外波段則受到冠層結(jié)構(gòu)、葉面積指數(shù)和生物量的影響，反射率較高[26]。正是因?yàn)樯鲜鲆蛩氐挠绊懀沟貌煌脖坏墓庾V反射率存在一定的差異，而這些因素與植被的生長(zhǎng)發(fā)育及環(huán)境等密切相關(guān)，同時(shí)又與巖石、土壤、水體等地物的光譜特征截然不同[27]。

根據(jù)蘋果、香梨、核桃、紅棗實(shí)測(cè)的冠層光譜數(shù)據(jù)，在剔除受首尾噪聲影響的波段和奇異值后，分別進(jìn)行均值處理，運(yùn)用Origin軟件繪制得南疆盆地4種主栽果樹樹種冠層陽(yáng)面、冠層陰面的光譜曲線（圖1、圖2）。由圖1、圖2知，從總體上看，盡管4種果樹的光譜曲線間都存在差異，但其整體走勢(shì)基本一致，呈現(xiàn)出典型的綠色植被光譜曲線特征。在400～490 nm波段時(shí)，反射率曲線較為平緩，并且反射值低，均處于0.1以下；隨波長(zhǎng)增大，反射率開始緩慢上升，在550 nm附近呈現(xiàn)出一個(gè)反射峰，即“綠峰”，這是由于植被葉綠素的強(qiáng)烈反射造成，也是人肉眼看到植物呈綠色的原因[28]；然后反射率值開始下降，在680 nm附近形成“紅谷”，這和葉綠素a在680 nm與700 nm具有較強(qiáng)的吸收作用有關(guān)[29]；“紅谷”過(guò)后，反射率驟然上升，即為“紅邊效應(yīng)”[30]；在760～900 nm近紅外波段范圍內(nèi)，反射率曲線在750 nm附近形成拐點(diǎn)后平滑上升，此處可以認(rèn)為是植被防灼傷的自衛(wèi)本能[27]。由此說(shuō)明，在不同波段，南疆盆地4種主栽果樹樹種冠層光譜特征表現(xiàn)不同。

2.2最佳指數(shù)法的波段組合

以上文提取的501個(gè)波段為數(shù)據(jù)源，首先應(yīng)用Excel軟件對(duì)平均光譜每10個(gè)連續(xù)波段進(jìn)行平均，并計(jì)算出各單波段的標(biāo)準(zhǔn)差，然后應(yīng)用Matlab軟件計(jì)算各波段間的相關(guān)系數(shù)矩陣，再分別求出所有可能3個(gè)波段組合對(duì)應(yīng)的OIF，OIF越大，則信息量越大，獨(dú)立性越高，反之，信息量越少，相關(guān)性越大，最后將OIF值進(jìn)行排序，即可選出最佳波段組合[15]。由表2至表5知，原始光譜陽(yáng)面最佳波段組合為波段32-49-50，即波段范圍710～719、880～889、890～899 nm；陰面最佳波段組合為波段1-38-39，即波段范圍400～409、770～779、780～789 nm；一階微分光譜陽(yáng)面最佳波段組合為波段31-42-49，即波段范圍700～709、810～819、880～889 nm；陰面最佳波段組合為波段21-33-34，即波段范圍600～609、720～729、730～739 nm；對(duì)數(shù)一階微分光譜陽(yáng)面最佳波段組合為波段29-35-50，即波段范圍680～689、740～749、890～899 nm；陰面最佳波段組合為波段4-30-40，即波段范圍430～439、690～699、790～799 nm；歸一化一階微分光譜陽(yáng)面最佳波段組合為波段16-34-49，即波段范圍550～559、730～739、880～889 nm；陰面最佳波段組合為波段6-34-39，即波段范圍450～459、730～739、750～759 nm。

2.3應(yīng)用BP神經(jīng)網(wǎng)絡(luò)的樹種識(shí)別

將原始光譜數(shù)據(jù)、一階微分、對(duì)數(shù)一階微分和歸一化一階微分變換后的光譜數(shù)據(jù)運(yùn)用Clementine 12.0中的Neural Net模型進(jìn)行分類，通過(guò)調(diào)整網(wǎng)絡(luò)參數(shù)得到最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)，從而得到最優(yōu)的預(yù)測(cè)模型[31]。經(jīng)過(guò)反復(fù)試驗(yàn)確定BP神經(jīng)網(wǎng)絡(luò)的最優(yōu)結(jié)構(gòu)為：將30個(gè)所選波段作為輸入神經(jīng)元，4個(gè)預(yù)先分類值作為輸出神經(jīng)元，隱藏層1層，隱藏單元5個(gè)，各層間采用Sigmoid激勵(lì)函數(shù)，迭代次數(shù)100次，訓(xùn)練算法選擇“快速訓(xùn)練法”，訓(xùn)練模式選擇“專家”，沖量項(xiàng)設(shè)為0.9，初始學(xué)習(xí)率設(shè)為0.3。由表6、表7可知，無(wú)論是果樹冠層陽(yáng)面還是陰面光譜數(shù)據(jù)，對(duì)數(shù)一階微分變換均取得了最佳效果，前者測(cè)試精度為94.70%，后者測(cè)試精度為96.58%，均超過(guò)了90%，歸一化一階微分變換后的光譜數(shù)據(jù)識(shí)別效果次之，而原始光譜數(shù)據(jù)的樹種識(shí)別精度最低，僅為60.93%和62.33%。3種經(jīng)過(guò)微分轉(zhuǎn)換處理后的光譜數(shù)據(jù)與原始數(shù)據(jù)相比，分類精度超過(guò)其30%左右，充分說(shuō)明高光譜數(shù)據(jù)的微分處理能產(chǎn)生較高的分類精度。

2.4波段重要性

Neural Net模型在進(jìn)行分類時(shí)可以計(jì)算出變量的貢獻(xiàn)率，經(jīng)對(duì)數(shù)一階微分處理后的光譜數(shù)據(jù)識(shí)別精度最高，因此對(duì)對(duì)數(shù)一階微分光譜數(shù)據(jù)對(duì)應(yīng)的特征波段進(jìn)行變量重要性計(jì)算，結(jié)果見(jiàn)圖3、圖4。由圖3、圖4可知，陽(yáng)面波段組合中各個(gè)波段在樹種分類時(shí)的貢獻(xiàn)率依次為685 nm>684 nm>897 nm>689 nm>898 nm>746 nm>742 nm>747 nm>687 nm>686 nm，陰面波段組合中各個(gè)波段在樹種分類時(shí)的貢獻(xiàn)率依次為690 nm>693 nm>699 nm>697 nm>430 nm>796 nm>692 nm>691 nm>795 nm>695 nm，貢獻(xiàn)率較大的波段均位于紅邊區(qū)（680～760 nm），這充分證明大量樹種識(shí)別的信息包含在紅邊區(qū)的光譜波段中。

3討論與結(jié)論

原始光譜數(shù)據(jù)經(jīng)對(duì)數(shù)一階微分、歸一化一階微分變換后可改善樹種識(shí)別精度。對(duì)手持式野外光譜輻射儀測(cè)得的4種果樹樹種高光譜數(shù)據(jù)不作任何處理，直接進(jìn)行波段選擇，然后利用BP神經(jīng)元網(wǎng)絡(luò)來(lái)識(shí)別此4種樹種，效果并不理想，識(shí)別精度僅為60.93%和62.33%。運(yùn)用高光譜數(shù)據(jù)的轉(zhuǎn)換方法能夠提高樹種的識(shí)別精度，2種最理想的轉(zhuǎn)換方法是對(duì)數(shù)一階微分和歸一化一階微分，分類精度分別在94%和88%以上。這與宮鵬等用神經(jīng)元網(wǎng)絡(luò)算法對(duì)6種主要針葉樹種進(jìn)行分類識(shí)別時(shí)得到的對(duì)數(shù)變換后一階微分和歸一化變換后一階微分能夠獲得最好的識(shí)別精度的結(jié)果相一致[6]。另外，劉秀英等利用逐步判別分析法對(duì)杉木和馬尾松進(jìn)行分析時(shí)，同樣得到了對(duì)數(shù)一階微分的識(shí)別精度最高，精度為96.67%[19]。

大量樹種識(shí)別的信息包含在紅邊區(qū)的光譜波段中。Neural Net模型在進(jìn)行分類時(shí)對(duì)對(duì)數(shù)一階微分光譜數(shù)據(jù)對(duì)應(yīng)的特征波段進(jìn)行了變量重要性計(jì)算，結(jié)果顯示，貢獻(xiàn)率較大的波段（陽(yáng)面波段組合：685 nm、684 nm、689 nm、746 nm、742 nm、747 nm、687 nm、686 nm，陰面波段組合：690 nm、693 nm、699 nm、697 nm、692 nm、691 nm、695 nm）都在紅邊區(qū)范圍（680 nm～760 nm）內(nèi)。這與劉秀英等采用分層聚類法對(duì)杉木、雪松、小葉樟樹和桂花進(jìn)行分類識(shí)別獲得的紅邊區(qū)的光譜波段包含了大量樹種識(shí)別的信息結(jié)果相一致[12]。

BP神經(jīng)網(wǎng)絡(luò)進(jìn)行南疆盆地主栽果樹樹種識(shí)別時(shí)取得了較好的分類效果。由于BP神經(jīng)網(wǎng)絡(luò)具有強(qiáng)有力的學(xué)習(xí)能力，可以實(shí)現(xiàn)輸入與輸出之間的高度非線性映射，因此被廣泛的應(yīng)用在各種品種識(shí)別領(lǐng)域中，并得到了十分理想的分類效果[32-34]。本研究通過(guò)BP神經(jīng)網(wǎng)絡(luò)算法對(duì)南疆盆地4種主栽果樹樹種進(jìn)行分類，最高精度達(dá)到96.58%，說(shuō)明采用BP神經(jīng)網(wǎng)絡(luò)算法能夠?qū)δ辖璧刂髟怨麡錁浞N進(jìn)行基于冠層光譜的分類，并且達(dá)到了相對(duì)較高的識(shí)別精度。

參考文獻(xiàn)：

[1]譚炳香，李增元，陳爾學(xué)，等. 高光譜遙感森林信息提取研究進(jìn)展[J]. 林業(yè)科學(xué)研究，2008，21（z1）：105-111.

[2] Salehia B，Zoej M J V. The delineation of tree crowns in Australian mixed species forests using hyperspectral compact air-borne spectrographic imager （CASI） data[J]. Remote Sense Environ，2002，36：332.

[3] 陳國(guó)芳，尼和邁提·霍嘉.新疆林果業(yè)產(chǎn)業(yè)化發(fā)展的對(duì)策建議[J]. 新疆農(nóng)業(yè)科學(xué)，2005，42（增刊1）：211-212.

[4]李金葉，袁強(qiáng)，蔣慧. 基于區(qū)域適應(yīng)性的特色林果業(yè)發(fā)展探討[J]. 新疆農(nóng)業(yè)科學(xué)，2010，47（4）：741-749.

[5]孫蘭鳳. 可持續(xù)視角下的新疆特色林果業(yè)發(fā)展研究[D]. 烏魯木齊：新疆大學(xué)，2009.

[6]宮鵬，浦瑞良，郁彬. 不同季相針葉樹種高光譜數(shù)據(jù)識(shí)別分析[J]. 遙感學(xué)報(bào)，1998，2（3）：211-217.

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

[8]于祥，趙冬至，張豐收，等. 紅樹林高光譜分析技術(shù)研究[J]. 濱州學(xué)院學(xué)報(bào)，2006，22（6）：53-56.

[9]陳述澎，童慶喜，郭華東，等. 遙感信息機(jī)理研究[M]. 北京：科學(xué)出版社，1998：139.

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

[11]褚西鵬.基于葉片非成像高光譜數(shù)據(jù)樹種分類[D]. 杭州：浙江農(nóng)林大學(xué)，2012.

[12]劉秀英，林輝，熊建利，等. 森林樹種高光譜波段的選擇[J]. 遙感信息，2005（4）：41-44，64.

[13]臧卓，林輝，孫華，等. 南方主要針葉樹種高光譜數(shù)據(jù)降維分類研究[J]. 中南林業(yè)科技大學(xué)學(xué)報(bào)，2010，30（11）：20-25.

[14]李俊明. 基于HJ-1A高光譜遙感樹種識(shí)別的研究[D]. 哈爾濱：東北林業(yè)大學(xué)，2013.

[15]嚴(yán)恩萍，林輝，莫登奎，等. 基于光譜特征的森林類型識(shí)別研究[J]. 中南林業(yè)科技大學(xué)學(xué)報(bào)，2011，31（11）：23-29.

[16]柳萍萍. 基于Hyperion數(shù)據(jù)的森林類型識(shí)別[D]. 長(zhǎng)沙：中南林業(yè)科技大學(xué)，2012.

[17]邢東興，常慶瑞. 基于花期果樹冠層光譜反射率的果樹樹種辨識(shí)研究[J]. 紅外與毫米波學(xué)報(bào)，2009，28（3）：207-211.

[18]李明州.光譜分析技術(shù)和應(yīng)用[M]. 北京：科學(xué)出版社，2006：163.

[19]劉秀英，臧卓，孫華，等. 基于高光譜數(shù)據(jù)的杉木和馬尾松識(shí)別研究[J]. 中南林業(yè)科技大學(xué)學(xué)報(bào)，2011，31（11）：30-33.

[20]童慶禧，張兵，鄭蘭芬.高光譜遙感的多學(xué)科應(yīng)用[M]. 北京：電子工業(yè)出版社，2006：74-79.

[21]薛薇，陳歡歌.Clementine數(shù)據(jù)挖掘方法及應(yīng)用[M]. 北京：電子工業(yè)出版社，2010：181.

[22]王志軍，叢培盛，周佳璐，等. 基于圖像處理與人工神經(jīng)網(wǎng)絡(luò)的小麥顆粒外觀品質(zhì)評(píng)價(jià)方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2007，23（1）：158-161.

[23]張保生，姚瑞央. 基于BP神經(jīng)網(wǎng)絡(luò)算法的紅棗分級(jí)技術(shù)應(yīng)用[J]. 廣東農(nóng)業(yè)科學(xué)，2010，37（11）：282-283.

[24]楊希，王鵬. 基于BP神經(jīng)網(wǎng)絡(luò)的高分辨率遙感影像分類[J]. 測(cè)繪，2011，34（3）：115-118.

[25]李小梅.多角度高光譜遙感森林類型分類方法研究[D]. 呼和浩特：內(nèi)蒙古農(nóng)業(yè)大學(xué)，2010.

[26]林文鵬，李厚增，黃敬峰，等. 上海城市植被光譜反射特征分析[J]. 光譜學(xué)與光譜分析，2010，30（11）：3111-3114.

[27]譚炳香.高光譜遙感森林類型識(shí)別及其郁閉度定量估測(cè)研究[D]. 北京：中國(guó)林業(yè)科學(xué)研究院，2006.

[28]鄧良基.遙感基礎(chǔ)與應(yīng)用[M]. 北京：中國(guó)農(nóng)業(yè)出版社，2009.

[29]肖海燕，曾輝，昝啟杰，等. 基于高光譜數(shù)據(jù)和專家決策法提取紅樹林群落類型信息[J]. 遙感學(xué)報(bào)，2007，11（4）：531-537.

[30]何詩(shī)靜.基于葉片和冠層級(jí)別的高光譜城市樹種識(shí)別[D]. 武漢：華中農(nóng)業(yè)大學(xué)，2011.

[31]劉飛，王莉，何勇，等. 應(yīng)用可見(jiàn)/近紅外光譜進(jìn)行黃酒品種的判別[J]. 光譜學(xué)與光譜分析，2008，28（3）：586-589.

[32]吳桂芳，蔣益虹，王艷艷，等. 基于獨(dú)立主成分和BP神經(jīng)網(wǎng)絡(luò)的干紅葡萄酒品種的鑒別[J]. 光譜學(xué)與光譜分析，2009，29（5）：1268-1271.

[33]王艷艷，何勇，邵詠妮，等. 基于可見(jiàn)-近紅外光譜的咖啡品牌鑒別研究[J]. 光譜學(xué)與光譜分析，2007，27（4）：702-706.

[34]邵詠妮，何勇，鮑一丹. 基于獨(dú)立組分分析和BP神經(jīng)網(wǎng)絡(luò)的可見(jiàn)/近紅外光譜蜂蜜品牌的鑒別[J]. 光譜學(xué)與光譜分析，2008，28（3）：602-605.范釗. 黃河流域農(nóng)田土壤有機(jī)氯農(nóng)藥殘留污染特征研究[J]. 江蘇農(nóng)業(yè)科學(xué)，2016，44（5）：414-419.