基于GF-5高光譜數(shù)據(jù)的昆崳山區(qū)域森林脅迫研究

黃寶華，周利霞，武娟

摘要：為更好地分析森林植被脅迫的生理過(guò)程，建立有效的森林監(jiān)測(cè)系統(tǒng)，使用GF-5號(hào)高光譜數(shù)據(jù)對(duì)昆崳山區(qū)域植被應(yīng)力進(jìn)行遙感健康度估測(cè)，GF-5號(hào)高光譜數(shù)據(jù)能夠使非破壞性監(jiān)測(cè)葉綠素、類(lèi)胡蘿卜素和花青素含量等葉片色素等重要指標(biāo)反映植被健康成為可能，適用于當(dāng)前研究區(qū)域的動(dòng)態(tài)健康監(jiān)測(cè)系統(tǒng)。結(jié)果顯示，混交林健康度均值最高，其次為落葉闊葉林，常綠針葉林和落葉針葉林健康度均值相當(dāng)；陽(yáng)坡森林健康度均值最高，其次為半陰坡與半陽(yáng)坡的森林健康度均值相當(dāng)，陰坡森林健康度最低；植被健康度與土壤類(lèi)型呈現(xiàn)一定相關(guān)性，與砂土呈現(xiàn)正相關(guān)，與粉砂土、黏土呈現(xiàn)負(fù)相關(guān)關(guān)系。研究表明使用與植被冠層中不同類(lèi)型與脅迫有關(guān)的遙感指數(shù)來(lái)定量表示植被特殊狀態(tài)、生物物理和生物化學(xué)特性，使森林資源的調(diào)查監(jiān)測(cè)和管理得以實(shí)現(xiàn)。

關(guān)鍵詞：GF-5高光譜；昆崳山；森林健康度；脅迫；植被指數(shù)

中圖分類(lèi)號(hào)：S771.8；S762;S763文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1006-8023（2024）01-0055-09

Study on Forest Stress in Kunyu Mountain Area Based on GF- 5 Hyperspectral Data

HUANG Baohua1， 2， ZHOU Lixia3， WU Juan4

（1.School of Transportation and Civil Engineering， Shandong Jiaotong University， Jinan 250357， China; 2.Shandong Data Open Innovation Application Laboratory， Jinan 250357， China; 3.Shandong Xingyi Spacetime Information Technologg Co.Ltd， Shandong， Yantai 264003， China; 4.Yantai Urban Planning Exhibition Hall， Shandong Yantai 213167， China; 5.Beijing 95 Yipin Technology Information Co.， LTD.， Beijing 101100， China）

Abstract： In order to better analyze the physiological process of forest vegetation stress and establish an effective forest monitoring system， remote sensing health estimation of vegetation stress in the Kunyu Mountain area was carried out using GF-5 hyperspectral data. GF-5 hyperspectral data enables non-destructive monitoring of important indicators such as chlorophyll， carotenoids， and anthocyanin content to reflect vegetation health， making it possible for the dynamic health monitoring system applicable to the current research area. The results showed that the average health level of mixed forests was the highest， followed by deciduous broad-leaved forests， and the average health level of evergreen and deciduous coniferous forests was equivalent. The average health level of forest on the sunny slope was the highest， followed by the average health level of forest on the semi shaded and semi sunny slopes， with the lowest health level of forest on the shaded slope. There was a certain correlation between vegetation health and soil type， a positive correlation with sandy soil， and a negative correlation with silt and clay. Research had shown that the use of remote sensing indices related to different types and stresses in vegetation canopy can quantitatively represent the special state， biophysical， and biochemical characteristics of vegetation， enabling the investigation， monitoring， and management of forest resources.

Keywords：GF-5 hyperspectral; Kunyu Mountain; forest health; stress; vegetation Index

0引言

森林能夠起到制造氧氣、凈化空氣、過(guò)濾塵埃、涵養(yǎng)水源和保持水土調(diào)節(jié)氣候等多方面作用，因此森林資源保護(hù)變得十分重要[1]。隨著社會(huì)經(jīng)濟(jì)的發(fā)展和人類(lèi)活動(dòng)的加劇，空氣污染、氣候變化因素導(dǎo)致森林健康狀況下降[2]，迫切需要建立一個(gè)有效的森林監(jiān)測(cè)系統(tǒng)來(lái)監(jiān)測(cè)其健康變化情況，以便采取有效手段進(jìn)行調(diào)節(jié)。但是由于森林脅迫評(píng)估復(fù)雜，一種類(lèi)型的脅迫可能由多種類(lèi)型的脅迫引起，評(píng)估受到技術(shù)手段等多方面影響，因此此項(xiàng)工作一直未能很好開(kāi)展。隨著遙感技術(shù)，尤其是高光譜技術(shù)的發(fā)展，由于該技術(shù)具有波段多且具連續(xù)、光譜范圍窄和信息量大等特點(diǎn)，能夠產(chǎn)生許多生化估計(jì)值[3]，如冠層中的葉綠素、氮、木質(zhì)素和水含量等[4]。森林植被脅迫是一個(gè)非常復(fù)雜的生理過(guò)程，會(huì)導(dǎo)致光合活性下降、葉綠素含量減少、葉片干物質(zhì)含量高和非綠色色素增加等[5]。植被中的脅迫也可能由如氮、磷、鉀、鈣、鎂、鐵和鋅等營(yíng)養(yǎng)供應(yīng)的下降引起，可以通過(guò)葉綠素含量、葉色素和落葉等遙感手段來(lái)估計(jì)森林脅迫狀況。植物的種類(lèi)和環(huán)境不同會(huì)導(dǎo)致植物營(yíng)養(yǎng)成分和含量的差異，但大部分植物仍是由葉黃素、葉綠素、胡蘿卜素、木質(zhì)素和纖維素等組成。這些成分變化會(huì)導(dǎo)致植物光譜變化，植物光譜重要因素在不同波長(zhǎng)范圍內(nèi)有所不同。色素在可見(jiàn)光（0.35～0.7 μm）范圍內(nèi)占據(jù)主要地位[6]；0.7～1.3 μm波長(zhǎng)范圍內(nèi)植物光譜的變化受細(xì)胞構(gòu)造如冠層結(jié)構(gòu)及海綿狀葉肉細(xì)胞主導(dǎo)[7]；植物光譜在1.3～2.5 μm波長(zhǎng)范圍內(nèi)主要受葉片內(nèi)水含量的影響。植物健康或存在脅迫變化總是反映在植被冠層中，通常表現(xiàn)在葉片顏色（葉片變黃/萎蔫）、葉片脫落等方面[8]。使用與植被冠層中不同類(lèi)型與脅迫有關(guān)的遙感指數(shù)來(lái)定量表示植被特殊狀態(tài)、生物物理和生物化學(xué)特性，使森林資源的調(diào)查監(jiān)測(cè)和管理得以實(shí)現(xiàn)。植被參數(shù)可以為相關(guān)研究提供大量有效信息，基于遙感影像的森林植被參數(shù)已經(jīng)成為森林健康狀況數(shù)量化表達(dá)的重要途徑[9]。

1研究區(qū)域和研究方法

1.1研究區(qū)域

昆崳山位于膠東半島東部，橫跨牟平、乳山和文登等幾地交界處，東西50 km，南北35 km，有大小山峰72個(gè)，海拔923 m的泰礴頂為膠東半島東部最高峰，素有“仙山之祖”的美譽(yù)。同時(shí)也是中國(guó)赤松（Pinus densiflora Siebold & Zucc.）的原生地和全球赤松林面積最大和保護(hù)最完好的天然分布中心。昆崳山國(guó)家級(jí)自然保護(hù)區(qū)為森林生態(tài)系統(tǒng)，生態(tài)環(huán)境優(yōu)越，是生物多樣性全球同緯度最豐富的地區(qū)之一。昆崳山森林分布主要以泰礴頂為中心向外分層發(fā)展，泰礴頂周邊主要以落葉闊葉林為主，中間為混交林，其余區(qū)域以常綠針葉林為主，如圖1所示。

1.2數(shù)據(jù)處理及技術(shù)路線(xiàn)

利用GF-5號(hào)高光譜成像儀（AHSI）的L1級(jí)產(chǎn)品數(shù)據(jù)包括Geotiff數(shù)據(jù)文件、xml說(shuō)明文件、RPC參數(shù)文件、瀏覽圖文件、覆蓋矢量文件、觀(guān)測(cè)幾何角度文件和定標(biāo)系數(shù)文件。對(duì)昆崳山地區(qū)2019年4月26日和10月3日2期GF-5號(hào)高光譜影像進(jìn)行輻射校正、大氣校正、正射校正、地形校正處理，植被指數(shù)計(jì)算和分析，利用衍生植被指數(shù)（NDVI705、CAR1、NDII）結(jié)合，定量評(píng)估昆崳山區(qū)域的森林健康狀況，作為植物健康的指標(biāo)。利用2017年10 m分辨率FROM-GLC的6類(lèi)植被覆蓋數(shù)據(jù)（http：//data.starcloud.pcl.ac.cn/zh）進(jìn)行植被類(lèi)型劃分，現(xiàn)昆崳山區(qū)域植被類(lèi)型為落葉闊葉林、落葉針葉林、常綠針葉林和混交林。結(jié)合2019年MODIS月1 km 分辨率NDVI數(shù)據(jù)（https：//www.resdc.cn/）對(duì)研究區(qū)森林生長(zhǎng)情況進(jìn)行掩膜分析。根據(jù)坡向劃分，即陰坡（0°～45°）、半陰坡（45°～135°）、陽(yáng)坡（135°～225°）、半陽(yáng)坡（225°～315°）、陰坡（315°～360°）[10]。利用研究區(qū)域土壤質(zhì)地空間分布數(shù)據(jù)，分析其與森林長(zhǎng)勢(shì)脅迫性關(guān)系，如圖2所示。

1.3植被指數(shù)健康度監(jiān)測(cè)模型

利用植被指數(shù)來(lái)表征植被活動(dòng)，植被活動(dòng)隨綠葉的季節(jié)性、空間變化而變化。該分析方法還消除了土地覆蓋類(lèi)型、土壤類(lèi)型或氣候條件引起的誤差[9]。因此，植被指數(shù)在結(jié)構(gòu)和功能方面適合監(jiān)測(cè)植被冠層的空間變異性，即綠色度指數(shù)（用于評(píng)估植被間隙）、葉色素指數(shù)（作為色素的衡量標(biāo)準(zhǔn)）和光利用效率（用于估計(jì)植物功能），提供有關(guān)植被健康的重要信息[11]。根據(jù)GF-5的光譜分辨率，選取能夠反映昆崳山區(qū)域植被健康情況的植被指數(shù)，利用衍生的植被指數(shù)經(jīng)加權(quán)疊加繪制該區(qū)域植被脅迫及健康圖，見(jiàn)表1。

2結(jié)果和討論

2.1昆崳山森林光譜特點(diǎn)及長(zhǎng)勢(shì)分析

健康樹(shù)木冠葉葉綠素含量多，近紅外波段反射率高，藍(lán)、紅外波段吸收率高，紅邊位置清晰。當(dāng)植被健康出現(xiàn)狀況時(shí)，葉面首先呈現(xiàn)黃藍(lán)相間，藍(lán)、紅波段吸收率降低，綠、紅波段反射率也降低，紅邊向長(zhǎng)波方向位移。隨著健康度的持續(xù)下降，后期由于水分和葉綠素的缺乏，葉面枯黃，近紅外峰值近乎消失，整個(gè)反射光譜曲線(xiàn)呈現(xiàn)平緩，如圖3（a）所示。

由2019年MODIS月NDVI數(shù)據(jù)獲取昆崳山地區(qū)森林生長(zhǎng)變化情況可知，針葉林、闊葉林生長(zhǎng)情況總體相適，即6—8月為森林生長(zhǎng)的最茂盛期，其后開(kāi)始下降。其中，針葉林的NDVI值由6月開(kāi)始的0.9緩慢下降至10月的0.79，10月后開(kāi)始快速下降至2月的最低值0.31；闊葉林的NDVI值6月開(kāi)始至8月為高值穩(wěn)定區(qū)，值范圍在0.8左右的，8月后開(kāi)始快速下降至最低值1月的0.26，如圖3（b）所示。

2.2植被指數(shù)監(jiān)測(cè)

利用2019年4月26日和10月3日2期具有森林生長(zhǎng)典型特征的GF-5號(hào)的9個(gè)植被指數(shù)，分析昆崳山的森林健康和量化脅迫情況，遙感衍生指數(shù)分別如圖4和圖5所示。結(jié)果表明光譜反射率隨著植物材質(zhì)、含水量、色素、碳含量和氮含量的不同而變化顯著。

NDVI705對(duì)葉冠層的微小變化、林窗片段和衰老非常靈敏，與葉綠素的相關(guān)性比紅邊參數(shù)好。NDVI705的值范圍是-1～1，健康植被介于0.2～0.9，NDVI705指數(shù)4月份為0～0.78，10月份為0～0.58。VOG1指數(shù)對(duì)葉綠素含量、葉冠層和水分含量的綜合非常敏感。VOG1的值范圍為0～20，健康植被介于4～8，VOG1指數(shù)4月份為0.63～3.73，10月份為0.68～2.29。

PRI、SIPI和NDNI等光利用率指數(shù)估算植被在光合作用中入射光的利用效率，結(jié)果表示植被健康程度。PRI指數(shù)反映類(lèi)胡蘿卜素色素，特別是活性葉片吸收的葉黃素色素（黃色）的變化，PRI值范圍是-1～1，健康植被值通常介于-0.001～0.4 [14]，PRI值4月份為-0.15～0.05，10月份為-0.18～0.05。PRI指數(shù)在這2個(gè)月份的值都較低，且變化較小。由于低類(lèi)胡蘿卜素含量不能保護(hù)葉綠素免受光損傷，導(dǎo)致吸收光能用于光合作用的能力下降。SIPI指數(shù)適用于冠層結(jié)構(gòu)高度不一致的區(qū)域，值的范圍為0～2，綠色植被介于0.8～1.8 [15]，SIPI指數(shù)4月份為0.72～1.74，10月份為0.03～1.56，這2期的SIPI指數(shù)值都較高。NDNI指數(shù)對(duì)健康植被冠層的氮含量變化具有很強(qiáng)敏感性。NDNI值范圍為0～1，綠色植被的常見(jiàn)范圍為0.02～0.1[16]，森林的NDNI指數(shù)4月份為0～0.12，10月份為0～0.15，在0.1～0.15范圍內(nèi)可以看到健康植被的孤立斑塊?？傮w而言，昆崳山區(qū)域森林顯示出葉片中的氮含量低，樹(shù)冠的整體葉生物量低，與生長(zhǎng)旺盛植被相比，表明植物生長(zhǎng)一般，葉綠素產(chǎn)生葉綠素一般。

葉色素植被指數(shù)（如CRI1和ARI1），表示植被中存在的與脅迫相關(guān)的色素（類(lèi)胡蘿卜素和花青素）的含量。較高的CRI1值意味著相對(duì)于葉綠素，類(lèi)胡蘿卜素含量較高，該指數(shù)的值范圍為0～15以上，一般植被CRI1值為1～12[5]。CRI1值4月份為-22～96.82，10月份為-0.72～17.53。4月昆崳山保護(hù)區(qū)內(nèi)的類(lèi)胡蘿卜素含量較高，周邊區(qū)域類(lèi)胡蘿卜素含量降低。10月含量相對(duì)4月高，表明10月昆崳山區(qū)域森林健康狀況下降。ARI1是對(duì)植物葉片中花青素敏感的反射率參數(shù)，ARI1的增加表明植物通過(guò)新的生長(zhǎng)或死亡而發(fā)生變化，該指數(shù)的值范圍為0～0.2以上。健康植被的常見(jiàn)范圍為0.001～0.5[6]，ARI1指數(shù)4月份的值為-13.68～31.3，10月份值為-23.32～10.27。昆崳山北部指數(shù)的值范圍明顯高于正常值，因此表明植被處于亞健康狀態(tài)。NDII為植被冠頂含水量指數(shù)，衡量樹(shù)葉樹(shù)冠中的含水量。該指數(shù)值范圍為-1～1，NDII指數(shù)健康植被的正常范圍介于0.02～1 [7]。NDII值4月份為-0.43～0.6，10月份為-0.53～0.18，10月份森林植物含水量降低較多。含水量是森林的一個(gè)重要參數(shù)，含水量越高意味著植被越健康，生長(zhǎng)速度越快，耐火性越強(qiáng)。

2.3森林健康狀況監(jiān)測(cè)

利用2019年昆崳山4月26日和10月3日NDVI705、CAR1、NDII 3個(gè)植被指數(shù)結(jié)合，定量評(píng)估昆崳山區(qū)域的區(qū)域森林生物物理和生物化學(xué)性質(zhì)的時(shí)間和空間變化和森林健康狀況。高光譜植被指數(shù)測(cè)量的植被特性可分為3大類(lèi)，即結(jié)構(gòu)、生物化學(xué)和植物生理/脅迫[22]。對(duì)GF-5號(hào)2期數(shù)據(jù)3個(gè)主要類(lèi)別中的3個(gè)植被指數(shù)（即總共9個(gè)植被指數(shù)）分析，了解昆崳山區(qū)域森林的健康狀況。為了在結(jié)構(gòu)和功能方面適當(dāng)監(jiān)測(cè)植被冠層的空間變異性，即綠色度指數(shù)（用于評(píng)估植被間隙）、葉色素指數(shù)（作為色素的衡量標(biāo)準(zhǔn)）和光利用效率（用于估計(jì)植物功能），提供了有關(guān)植被健康的重要信息。使用對(duì)森林樹(shù)冠的狀況更敏感的窄帶綠度指數(shù)可以獲得最佳效果，寬帶綠度指數(shù)對(duì)于茂密的森林條件往往是不準(zhǔn)確的，因?yàn)樯种杏写罅康木G色植被，這些植被可能會(huì)淹沒(méi)和飽和計(jì)算。

將昆崳山區(qū)域的森林健康度按由低至高劃分為0～9共10個(gè)層級(jí)。從4月份和10月份的森林健康等級(jí)分布中可以看出，昆崳山地區(qū)森林健康度整體較好，4月份的森林健康度從低到高占比依次為：12.93%、3.92%、4.94%、6.21%、15.82%、10.35%、2.05%、12.76%、15.52%、15.50%，10月份的森林健康度從低到高依次為：1.51%、1.37%、2.28%、3.43%、10.97%、8.84%、4.77%、18.79%、22.60%、25.44%，健康度在5以上的，4月份占了56.17%，10月份占了80.46%，10月份的整體健康度要高于9月份，如圖6所示。

由于4月和10月分別為森林生長(zhǎng)和衰落期，可以較好地反映植被脅迫情況，如圖7所示。通過(guò)2期健康度數(shù)據(jù)可以看出，健康度較高地區(qū)（健康度8級(jí)以上）主要分布在昆崳山自然保護(hù)區(qū)、小孤石、毛龍頂和大王頂?shù)鹊貐^(qū)，其中屋脊頂、泰礴頂周邊森林健康度較低。10月份除屋脊頂周邊小區(qū)域范圍內(nèi)，其余保護(hù)區(qū)內(nèi)森林健康度都較高，且森林健康度整體好于4月份。

2.4植被健康與相關(guān)因子脅迫關(guān)系分析

分析昆崳山森林健康和地形因子、植被類(lèi)型和土壤等脅迫因子關(guān)系可以看出，10月份昆崳山區(qū)域整體健康度較高，均值在6.5以上。其中，混交林健康度均值最高，其次為落葉闊葉林，常綠針葉林和落葉針葉林健康度均值相當(dāng)，如圖8（a）所示。

在坡向與森林健康度關(guān)系中可以看出，陽(yáng)坡森林健康度均值要遠(yuǎn)遠(yuǎn)高于其他坡向，半陰坡與半陽(yáng)坡的森林健康度均值相當(dāng)，森林健康度最低為陰坡。這是因?yàn)殛?yáng)坡受到日照時(shí)間長(zhǎng)，植被受到輻射較高，植被光合作用強(qiáng)，因此植被健康度高，如圖8（b）所示。

土壤質(zhì)地是土壤物理性狀之一，指土壤中不同大小直徑的礦物顆粒的組合狀況。土壤質(zhì)地與土壤通氣、保肥、保水狀況及耕作的難易有密切關(guān)系；土壤質(zhì)地狀況是擬定土壤利用、管理和改良措施的重要依據(jù)。肥沃的土壤不僅要求耕層的質(zhì)地良好，還要求有良好的質(zhì)地剖面。雖然土壤質(zhì)地主要決定于成土母質(zhì)類(lèi)型，有相對(duì)的穩(wěn)定性。

中國(guó)土壤質(zhì)地空間分布數(shù)據(jù)是根據(jù)1∶100萬(wàn)土壤類(lèi)型圖和第二次土壤普查獲取到的土壤剖面數(shù)據(jù)編制而成，是根據(jù)砂粒、粉粒和黏粒含量進(jìn)行土壤質(zhì)地劃分。數(shù)據(jù)分為砂土（Sand）、粉砂土（Silt）與黏土（clay）3大類(lèi)，每一類(lèi)數(shù)據(jù)均通過(guò)百分比來(lái)反映不同質(zhì)地顆粒的含量。植被健康度與土壤類(lèi)型呈現(xiàn)一定相關(guān)性，與粉砂土、砂土和黏土相關(guān)矩陣系數(shù)分別為-0.04、0.17、-0.02，見(jiàn)表3。協(xié)方差矩陣系數(shù)分別為-0.25、0.19、-0.21，見(jiàn)表4。

3結(jié)論

使用GF-5號(hào)高光譜數(shù)據(jù)對(duì)昆崳山區(qū)域植被應(yīng)力進(jìn)行遙感健康度估測(cè)，與其他同期傳感器相比，GF-5號(hào)高光譜數(shù)據(jù)具有更好的空間、光譜和輻射分辨率，適用于當(dāng)前研究區(qū)域的動(dòng)態(tài)健康監(jiān)測(cè)系統(tǒng)。高光譜遙感能夠使非破壞性監(jiān)測(cè)反映植被健康的重要指標(biāo)葉片色素成為可能，如葉綠素、類(lèi)胡蘿卜素和花青素含量。監(jiān)測(cè)到昆崳山區(qū)域森林的脅迫和健康狀況，能夠準(zhǔn)確估計(jì)植物水平的綠色或衰老狀態(tài)，這是通過(guò)現(xiàn)有的多光譜觀(guān)測(cè)無(wú)法做到的。因此，用于高光譜遙感的GF-5數(shù)據(jù)可有效用于昆崳山區(qū)域的森林健康保護(hù)和監(jiān)測(cè)。混交林健康度均值最高，其次為落葉闊葉林，常綠針葉林和落葉針葉林健康度均值相當(dāng)。陽(yáng)坡森林健康度均值最高，其次為半陰坡與半陽(yáng)坡的森林健康度均值相當(dāng)，陰坡森林健康度最低。植被健康度與土壤類(lèi)型呈現(xiàn)一定相關(guān)性，與砂土呈現(xiàn)正相關(guān)，與粉砂土、黏土呈現(xiàn)負(fù)相關(guān)關(guān)系。

【參考文獻(xiàn)】

[1]吳月圓，舒立福，王明玉等.近年世界森林火災(zāi)綜述[J].溫帶林業(yè)研究，2022，5（4）：49-54.

WU Y Y， SHU L F， WANG M Y， et.al. A review of forest fires worldwide in recent years[J]. Journal of Temperate Forestry Research， 2022， 5（4）：49-54.

[2]劉國(guó)華，傅伯杰.全球氣候變化對(duì)森林生態(tài)系統(tǒng)的影響[J].自然資源學(xué)報(bào)，2001，16（1）：71-78.

LIU G H， FU B J. Effects of global climate change on forest ecosystems[J]. Journal of Natural Resources， 2001， 16（1）：71-78.

[3]李哲，張飛，陳麗華，等.光譜指數(shù)的植物葉片葉綠素含量估算模型[J].光譜學(xué)與光譜分析，2018，38（5）：1533-1539.

LI Z， ZHANG F， CHEN L H， et.al. Research on spectrum variance of vegetation leaves and estimation model for leaf chlorophyll content based on the spectral index[J]. Spectroscopy and Spectral Analysis， 2018， 38（5）：1533-1539.

[4]祁敏，張超.森林理化參數(shù)高光譜遙感反演研究進(jìn)展[J].世界林業(yè)研究，2016，29（1）：52-57.

QI M， ZHANG C. Research progress on hyper-spectral remote sensing retrieval for forest physical and chemical parameters[J]. World Forestry Research， 2016， 29（1）：52-57.

[5]馬保東，徐奧，方丹梅，等.不同脅迫條件下茄子葉片理化參數(shù)與光譜特征差異研究[J].地理與地理信息科學(xué)，2016，32（2）：17-20.

MA B D， XU A， FANG D M， et al. Differences of bio-parameters and spectral characteristics of eggplant leaves under different stress type[J]. Geography and Geo-Information Science，2016， 32（2）：17-20.

[6]TURNER W， SPECTOR S， GARDINER N， et al. Remote sensing for biodiversity science and conservation[J]. Trends in Ecology and Evolution， 2003， 18（6）：306-313.

[7]KERR J， OSTROVSKY M. From space to species-ecological applications for remote sensing[J]. Trends in Ecology and Evolution， 2003， 18（6）：299-305.

[8]CHAUBE N R， LELE N， MISRA A， et.al. Mangrove species discrimination and health assessment using AVIRIS-NG hyperspectral data[J]. Current Science， 2019， 116（7）：1136-1142.

[9]SANJEREHEI M M. Assessment of spectral vegetation indices for estimating vegetation cover in arid and semiarid shrublands[J]. Range Management & Agroforestry， 2014， 192（1-2）：91-100.

[10]胡玉福，蔣雙龍，劉宇，等.基于RS的安寧河上游植被覆蓋時(shí)空變化研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2014，45（5）：205-215.

HU Y F， JIANG S L， LIU Y， et.al.Three-dimensional localization method of agriculture wireless sensor networks based on crossover particle swarm optimization[J]. Transactions of the Chinese Society of Agricultural Machinery， 2014， 45（5）：205-215.

[11]RRZALI S M， NURUDDIN A A， LION M. Mangrove vegetation Health Assessment Based on Remote Sensing Indices for Tanjung Piai， Malay Peninsular[J]. Journal of Landscape Ecology， 2019， 12（2） ：26-40.

[12]SIMS D A， GAMON J A. Relationships between leaf pigment content and spectral reflectance across a wide range of species， leaf structures and developmental stages[J]. Remote Sensing of Environment， 2002， 81（2-3）：337-354.

[13]VOGELMANN J E， ROCK B N， MOSS D M. Red edge spectral measurements from sugar maple leaves[J]. International Journal of Remote Sensing， 1993， 14：1563-1575.

[14]GAMON J A， SERRANO L， SURFUS J S. The photochemical reflectance index： An optical indicator of photosynthetic radiation use efficiency across species， functional types and nutrient levels[J]. Oecologia， 1997， 112：492-501.

[15]PENUELAS J， BARET F， FILELLA I. Semi-empirical indices to assess carotenoids/chlorophyll-a ratio from leaf spectral reflectance[J]. Photosynthetica， 1995， 31：221-230.

[16]SERRANO L， PENUELAS J， USTIN S L. Remote sensing of nitrogen and lignin in Mediterranean vegetation from AVIRIS Data： Decomposing biochemical from structural signals[J]. Remote Sensing of Environment， 2002， 81：355-364.

[17]MERZLYAK J R， GITELSON A A， CHIVKUNOVA O B， et.al. Non-destructive optical detection of pigment changes during leaf senescence and fruit ripening[J]. Physiologia Plantarum， 1999， 106：135-141.

[18]GITELSON A A， ZUR Y， CHIVKUNOVA O B， et.al. Assessing carotenoid content in plant leaves with reflectance spectroscopy[J]. Photochemistry and Photobiology， 2002， 75：272-281.

[19]GITELSON A A， MERZLYAK M N， CHIVKUNOVA O B. Optical properties and nondestructive estimation of anthocyanin content in plant leaves[J]. Photochemistry and Photobiology， 2001， 71：38-45.

[20]景維鵬，張明偉，林敬博.一種神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索遙感圖像分類(lèi)方法[J].哈爾濱理工大學(xué)學(xué)報(bào)，2021，26（1）：25-29.

JING W P， ZHANG M W， LIN J B. A network architecture search remote sensing image classification method[J]. Journal of Harbin University of Science and Technology， 2021， 26（1）：25-29.

[21]JACKSON T L， CHEN D， COSH M， et al. Vegetation water content mapping using Landsat data derived normalized difference water index for corn and soybeans[J]. Remote Sensing of Environment， 2004， 92：475-482.

[22]SANCHEZ-ARIAS L E， RODRIGUEZ J P， CABALLER M， et al. Diagnostic of health status in mangrove ecosystems[J]. Advanced in Environmental Research， 2011， 3：235-262.