基于高光谱遥感技术的森林树种识别研究进展

高光谱技术的相关应用

2009年10月第5期林业资源管理

FORESTRESOURCESMANAGEMENTOctober2009

No15

基于高光谱遥感技术的森林树种识别研究进展

曾庆伟,武红敢

(中国林业科学研究院资源信息研究所,北京100091)

摘要:在详细介绍高光谱树种识别研究方法的基础上,总结了国内外利用高光谱数据进行森林树种识别的研究应用现状;剖析了目前研究中存在的主要问题;指出了今后开展高光谱树种研究的方向与潜力。关键词:高光谱;遥感;树种识别

中图分类号:S771.8 文献标识码:A 文章编号:1002-6622(2009)05-0109-06

DevelopmentofHyperspectralRemoteSensingApplicationinForestSpeciesIdentification

ZENGQingwe,iWUHonggan

(TheResearchInstituteofForestResourceInformationTechniques,ChineseAcademyofForestry,Beijing100091,China)

Abstract:Thispaperdescribesthemethodsofforestspeciesidentificationinhyperspectralremotesensinganddiscussestheapplicationofhyperspectraldatainforestspeciesidentificationathomeandabroad1Intheend,thestatusquoandproblemsofhyperspectralremotesensinginforestspeciesidentificationarediscussedandsomesuggestionsaboutitsdevelopmenttrendaremade1Keywords:hyperspectra,lremotesensing,speciesidentification0 引言

森林作为地球上可再生自然资源及陆地生态系统的主体,它为人类的生存和发展提供了丰富的物质资源,在维持生态过程和生态平衡中发挥着重要的作用

[1]

光谱分辨率的局限性,对于光谱曲线相近的树种很难进行识别,只能将其划分为植被、非植被,或者简单地将森林区分为针叶、阔叶两大类,难以满足实际生产需求

[3-5]

。高光谱遥感突破了光谱分辨率这一

。正确地识别森林树种是利用和保护森

[2]

瓶颈因子,在光谱空间上大大抑制了其它干扰因素的影响,能够准确地探测到具有细微光谱差异的各种地物类型,极大地提高了森林树种的识别精度

[6-7]

林资源的基础和依据。现行的树种识别方法主

要是依靠一些成本高、费时、费力的野外调查方法或利用大比例尺的航片来进行判读。在过去的30年中,开展了大量应用航天遥感数据(如TM,SPOT)进行森林树种分类的应用研究,但是由于多光谱遥感

,为获得更准确的森林树种分布提供了最强

有力的工具。我国在这方面的研究还处于发展的初级阶段,主要以理论分析和小范围的应用研究为主。

收稿日期:2009-06-23;修回日期:2009-09-29

基金项目:本研究得到863课题/面向地块的地物类型精细识别技术及其应用(2007AA12Z181)0的资助作者简介:曾庆伟(1984-),男,江西樟树人,在读硕士,主要从事遥感技术应用研究。

高光谱技术的相关应用

110

1 高光谱遥感森林树种识别技术

林业资源管理第5期

性越好,地物的识别和分类也就越可靠。在波段数为n的光谱影像中,测试光谱矢量为X[X1,X2,X3,,,Xn],参考光谱矢量为Y[Y1,Y2,Y3,,,Yn],那么它们之间的夹角为:

cosA=iEXiYi/=1

n

高光谱遥感的识别技术作为高光谱遥感森林树种识别的关键环节而备受关注

[8]

。由于高光谱数

据同时具有波段多、数据量大、光谱与图像合一等特点,因此需要发展更有效的识别算法才能使其发挥更大的作用。经过20多年的积累,在传统识别分类算法的基础上已经形成了一系列面向高光谱图像特点的识别算法,初步可以归纳为基于光谱特征、基于(iEXi)(iEYi)=1=1

22

(3)

光谱角度匹配对太阳辐照度、地形和反照率等因素不敏感,可以有效地减弱这些因素的影响。这光谱匹配和基于统计分析方法等3个方面。111 基于光谱特征技术

植物光谱通常包括一系列的特征吸收谱带,这些特征谱带在不同的树种类型中具有较稳定的波长位置和特征形态,能够指示出不同树种类型间的差异,是高光谱进行树种识别的基础

[9]

。光

谱微分技术(spectrumderivative)能够迅速地确定光谱拐弯点及最大、最小反射率波长位置等各种光谱特征参数。

光谱微分技术既可以消除光谱数据之间的系统误差、减弱大气辐射、散射和吸收对目标光谱的影响,又可以提取可识别地物的光谱吸收峰参数(波长位置、深度、宽度和吸收光谱指数等)。光谱一、二阶微分的计算公式如下:

Rc(Ki)=(Ri+1-Ri-1)/(2vK)(1)Rd(K2

i)=(Ri+2-2Ri+Ri-2)/(4vK)

(2)

式中:Rc(Ki)和Rd(Ki)分别是Ki波长处的一阶、二阶微分;Ri+2,Ri+1,Ri,Ri-1,Ri-2分别是相应波长处的反射率值;vK为波长间隔。另外,根据微分理论可以得到更高阶的微分光谱,高阶微分也可以消除背景噪声,分辨重叠光谱[10-11]

。

112 基于光谱匹配技术

高光谱遥感最大的优势在于利用有限细分的光谱波段,可以再现地物的光谱曲线,这样利用整个光谱曲线进行森林树种匹配识别,可以在一定程度上改善单个波形的不确定性影响(如光谱漂移、变异等),提高识别精度。

11211 光谱角度匹配(SpectralAngleMapper:SAM)

光谱角度匹配是通过计算测定光谱和参考光谱之间的/夹角0来表征两者之间的相似程度,从而实现光谱匹配分类

[12]

。如果夹角越小,说明两者相似

种方法在树种识别及其他领域分类研究中受到广泛应用。

11212 光谱相关匹配(SpectralCorrelationMapper:CSM)

针对光谱角度匹配方法不能识别正、负相关系数而只能用整数的特点,奥斯马等

[13]

用皮尔森相

关系数对SAM的余弦进行类型表达,公式为:

R=

E(X-X)(Y-Y)(4)

E(X-X)2

E(Y-Y)

2

式中:X为象元光谱,Y为参考光谱。皮尔森相关系数将数据标准化,集中自身与X和Y的均值上,CSM变化于-1和+1之间,而SAM的余弦值变化于0和1之间。研究证明,CSM方法能更有效地压缩阴影,提高识别精度。

11213 交叉相关光谱匹配(CrossCorrelogramSpec2tralMatching:CCSM)

交叉相关光谱匹配技术

[14]

通过计算测试光谱

与参考光谱在不同光谱位置(波段波长位置)的交叉相关系数,绘制交叉相关曲线图。测试光谱与参考光谱完美匹配的交叉相关图是中心匹配数为0,峰值相关系数为1的抛物线。交叉相关系数(rm)表示为:

rnERrRt-ERrERt

m=[nER-(ER(5)

r

r)]#[nERt

-(ERt)]

式中:Rr,Rt分别为测试光谱和参考光谱;n为重合波段数;m为光谱匹配位置。11214 基于模型技术

利用模型技术进行森林树种识别是高光谱遥感未来发展的重要趋势。广义距离或者广义夹角的计算要求多维变量间的独立性要好,高相关的多变量间进行距离计算没有意义,因为维数的增加并不会

高光谱技术的相关应用

第5期曾庆伟等:基于高光谱遥感技术的森林树种识别研究进展

111

提高其可分性。因此,很有必要发展一种有效表征高度相似树种曲线形状间差别的方法。相关拟合分析模型

[15]

树种识别主要包括两方面内容:森林树种类型识别和森林树种生理生化特性识别。211 森林树种类型识别

树种类型识别是高光谱树种识别研究中备受关注的应用领域。森林树种类型之间不仅具有高度相似性和空间变异性,更具有时间动态性强的特点

[18]

(CorrelationSimulatingAnalysisMode;l

CASM)就是通过对相关光谱曲线形状上的拟合来表征植被光谱特征和光谱差别,进而识别树种。其基本原理为通过分析测试光谱和参考光谱之间构成的相关曲线,比较相关曲线的斜率和截距进行目标识别。通过模型技术的森林类型信息提取有利于发现。充分发挥、利用高光谱遥感数据,不仅能够

提供更多的森林树种类型间的差异信息,而且在识不同森林树种间的细微差别,提高树种识别精度。113 基于统计分析技术

针对高光谱遥感数据量大、波段间相关性高、数据冗余度高等特点,对其进行特征提取是十分必要的。由于高光谱遥感图像的图像维和光谱维之间存在有机融合,因此高光谱图像数据的相关性表现为空间和光谱间的相关性。考虑到高光谱图像的空间分辨率为几米或几十米,地面目标可能只占几个像素,且像素值之间的连续性较差,相关性较低,故对于高光谱图像数据,我们重点研究其光谱间相关性

[16]

。用于光谱间相关性处理的特征压缩和提取的方法主要有主成分分析(PCA)、最小噪音变换(MNF)、典范变量分析等基于统计分析的方法。PCA是将相关性高的多波段信息通过数学转换降低其相关性,适合对光谱差异显著的森林树种进行识别;MNF不但具有PCA降低波段间相关性的功能,而且能够对高光谱数据进行降噪处理提高数据质量,大大提高了森林树种识别的精度,是高光谱特征提取的一种主要手段;典范变量分析

[17]

是通过较

少的典型变量之间的相关性来综合描述两个多元随机变量之间关系的一种数学方法,它是通过求算所有未知树种类别与已知树种类别的两两典范变量对,并根据它们各自的相关紧密程度来决定未知树种类别的归属。

2 高光谱遥感森林树种识别研究应用现状

近年来,随着遥感、计算机软硬件技术的发展和完善,以及相应的高光谱遥感分析处理技术的不断发展,使得高光谱遥感应用的宽度和广度越来越大。高光谱遥感已在植被研究中取得了很好的进展,其中以森林树种的高光谱遥感识别为甚。高光谱森林

别结果上也具有更高的精确性和可靠性,进而满足森林树种类型识别的要求。21111 树种类型识别

森林树种类型识别是高光谱树种类型识别研究的核心。森林树种类型识别的主要目的是提取森林树种的专题信息,为划分森林类型、绘制林相图和清查森林资源提供基础和依据

[2]

。有学者利用CASI,

HYDIC,Hyperion等航空航天高光谱数据或光谱仪实测的光谱数据进行森林树种类型的识别研究,还有学者通过利用波段组合、Logistics回归、建立光谱信息模型等方法

[8,19]

进行森林主要树种类型的识

别,均取得了与地面数据相吻合的结果。宫鹏等

[20]

在利用机载CASI高光谱数据对美国加州的6种针叶树种进行识别研究,通过利用光谱微分计算成功地识别出这6种针叶树种,向人们展示了高光谱数据在进行树种识别方面的强大能力;Zhang等

[21]

利

用小波变换方法处理HYDICE高光谱数据,对处理后的结果进行热带森林的树种识别研究,发现小波变换后的高光谱数据能提高热带森林树种的识别精度;陈尔学等

[22]

利用Hyperion高光谱数据和地面观

测数据,比较了几种高光谱统计模式识别方法,结果发现采用二阶统计量方法,同是结合空间上下文信息和光谱信息分类法(ECHO)可以有效地提高森林树种的识别精度;刘秀英等

[23]

利用地物光谱仪测量

了杉木、雪松、小叶樟树和桂花等4个树种光谱数据,并利用光谱微分、波段选择等技术成功地识别出这几个树种。

21112 外来入侵树种识别

外来入侵树种所导致的环境、经济问题已成为全球关注的焦点话题。高光谱识别外来入侵树种已有很多成功的案例。在北美中西部,研究者基于高

高光谱技术的相关应用

112

光谱数据,对外来入侵树种(如阔叶大戟柳

[25]

[24]

林业资源管理第5期

、撑3 存在的主要问题

高光谱遥感以其自身特有的优势,已经广泛地应用于森林树种识别及森林制图,其识别分类效果比常规遥感有了显著的提高,成为高光谱植被遥感研究的热点。然而,对于每个新兴的研究领域都存在诸多有待完善的方面。数据处理和分析算法的相对滞后,在一定程度上影响了其在行业应用中的发展,这也无疑将是今后研究中的重点。、黄蓟

[26]

等的识别和制图)开展了广泛而深入

[27]

的研究。澳大利亚学者利用高光谱数据对其境

[28]

内的黑莓入侵进行空间分布和扩散规律研究,成功地绘制出黑莓的空间分布图;台湾学者

利用星载

Hyperion高光谱数据成功地识别出台湾恒春地区境内的外来树种)))银合欢。相关研究表明,只要入侵树种覆盖率超过30%~40%时[29]

,就可以通过高

光谱数据进行有效地识别。212 森林树种生理生化特性识别

在森林树种的生理生化特征识别中,主要涉及叶面积指数、生物量、水分含量、郁闭度、光合有效辐射、叶绿素、各种营养成分(N、P、K等),(半)纤维、木质素、淀粉和蛋白质等

[30-34]

。Zaroc2Tejada等

[35]

通过不同尺度下冠层光谱模拟,获得了随叶绿素含量变化的一些规律。发现MCARI/OSAVI能有效去除土壤背景对植被叶绿素含量估测的影响,利用MCARI/OSAVI植被指数进行叶绿素(a+b)含量的估测可达到预想的效果。Dury等

[36]

的研究中,使用

包络线去除HYMAP遥感数据对桉树进行监测,发现利用高光谱数据反演的氮含量估测值与同步实测冠层叶片的氮含量具有一致性。宫鹏等

[37]

利用

CASI高光谱数据对美国俄勒冈州针叶树的LAI进行了估测实验。结果发现LAI与归一化植被指数(NDVI)之间的双曲线关系是估计LAI最合适的方法。张良培等

[38]

利用进行一阶导数运算处理后的

高光谱数据对生物量进行估计,其结果很好地反映了地面的实际情况。

此外,我们还可以通过森林生理生化特性的识别得到不同森林树种间的差异信息,利用这些差异信息进行树种类型识别研究,可以更为有效地提高树种类型识别的精度

[9]

。如Martin

[6]

结合

不同森林树种之间特有的生化特性,将高光谱数据AVIRIS(航空可见光/红外成像光谱仪)与簇叶化学成分之间建立关系,成功鉴别了10种森林类型(红枫、红栎、阔叶混交林、白松、铁杉、针叶混交林、挪威云杉、红松、云杉沼泽林及落叶阔叶沼泽林)。

311 数据质量与保障性有待提高

首先,机载高光谱传感器的高成本和覆盖范围的局限性,是机载高光谱用于更大尺度、更广范围的森林树种识别研究的主要障碍之一。随着高光谱传感器通道数的增加,其与空间平台数据传输资源之间的矛盾日益突出,也严重地阻碍了机载高光谱数据在森林树种识别中的发展。其次,星载高光谱数据受空间分辨率的限制,很难满足那些森林树种精细研究的应用要求,再加上星载高光谱数据还需要编程订购,时间周期长,数据量大,遥感作业效率较低,也在一定程度上限制了它的广泛应用。再次,高光谱用于森林树种识别还需地面辅助调查,尤其是对于森林类型复杂、森林树种混交程度较高的山区,由于缺乏垂直空间信息和训练样本的支持,大大限制了其应用的深度与广度。目前,森林树种识别研究主要集中在那些生境条件较为理想的区域,并且研究的对象也仅局限于为数不多的几种树种类型。312 缺乏有效的处理算法

人们在获取海量高光谱数据的同时,也面临着如何处理这些高光谱数据的难题,数据处理效果是影响高光谱应用的决定性因素。由于高光谱数据量大和信息的冗余性,利用高光谱数据进行森林树种识别依然任重道远。目前的遥感识别算法多是基于统计分析进行的,利用这些传统的模式识别算法进行高光谱森林树种识别具有很多难以克服的困难,如运算量太大,样本需求很多,会遇到/维数灾难0,难以获取合适的类型特征,无法得到各种类型的先验概率和概率分布,难以形成复杂的判别函数和判别决策面等。随着高光谱研究的深入,结合高光谱数据特点研究一些基于光谱和光谱模型的识别算法将是未来高光谱识别的重点。

高光谱技术的相关应用

第5期曾庆伟等:基于高光谱遥感技术的森林树种识别研究进展

113

另外,在遥感信息处理过程中主要还是依靠人机交互进行,智能化程度不高,可操作性不强,费时费力。因此,进行自动识别端元,提取端元光谱信息,自适应滤波完成混合光谱的分解,最小人工参与数据的自动处理等都是高光谱遥感森林树种识别研究中急需解决的问题。4 结论与展望

[5]谭炳香.高光谱遥感森林信息提取研究进展[J].林业科学研

究,2008,21(S):105-111.

[6]MartinME,NewmanSD,AbetJD,eta.lDeterminingforestspe2

ciescompositionusinghighspectralresolutionremotesensingdata[J].Remotesens.Environ,1998,65:249-254.

[7]谭炳香,李增元,陈尔学,等.高光谱与多光谱遥感数据的森林

类型识别[J].东北林业大学学报,2005,33(S):61-64.[8]eoflogisticregressionforvalidationofmapsofthe

spatialdistributionofvegetationspeciesderivedfromhighspatialresolutionhyperspectralremotelysenseddata[J].EcologicalMod2高光谱遥感克服了传统遥感技术无法实现精细类型识别的缺点,在森林树种识别中有着广阔的应用前景。尽管在现有的应用中还存在着诸多障碍,但其在植被研究中的巨大优势还是显露无疑。为推动高光谱遥感森林树种识别的发展,我们还需要深入开展以下的研究:

1)森林树种光谱数据库的完善。由于森林树种间的光谱具有相似性,树种和冠层之间变化复杂,加上不同树种混交产生的相互效应、环境和地形因素的影响,使得树种光谱特征变异普遍存在。因此,深入开展森林树种的标准光谱特征研究,总结树种在不同条件下的光谱变异,完善树种标准光谱数据库,为高光谱森林树种识别研究奠定科学的基础。

2)加强高光谱数据挖掘研究。混合像元普遍存在于高光谱遥感数据中,林业高光谱数据尤为如此。在高光谱多维光谱特征空间中,树种间细微变化极易体现,利用像元分解有利于提高树种识别精度。目前,绝大部分混合光谱分解都只采用了高光谱数据中很有限的光谱段信息,模型经验性强,规律性和可移植性差,阻碍了光谱信息的提取。随着数据挖掘技术的不断发展,重点开展多树种混交的森林混合光谱分解研究,充分挖掘光谱空间中的树种光谱变化将会有效地解决混合光谱分解的难题。参考文献:

[1]张煜星,王祝雄,武红敢,等.遥感技术在森林资源清查中应用

研究[M].北京:中国林业出版社,2007.

[2]刘旭升,张晓丽.森林植被遥感分类研究进展与对策[J].林业

资源管理,2004(1):61-64.

[3]谭炳香.高光谱遥感森林类型识别及其郁闭度定量估测研究

[D].北京:中国林业科学研究院,2006.

[4]谭炳香.高光谱遥感森林应用研究探讨[J].世界林业研究,

2003,16(2):33-37.

elling,2002,157:301-312.

[9]浦瑞良,宫鹏.高光谱遥感及其应用[M].北京:高等教育出版

社,2000.

[10]张良培,张立福.高光谱遥感[M].武汉:武汉大学出版社,

2005.

[11]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.

[12]KruseFA,LefkofAB,BoardmanJW,eta1.Thespectralimage

processingsystem(SIPS)2interactivevisualizationandanalysisofmiagingspectrometerdata[J].RemoteSensingofEnvironment,1993,44:145-163.

[13]deCarvalhoJrOA,MenesePR.SpectralCorrelationMapper

(SCM):AnImprovementontheSpectralAngleMapper(SAM)[C]//NinthJPLAirborneEarthScienceworkshop.JPLpublica2tion95-1,2000:65-74.

[14]VanderMeerF,BakkerW.Crosscorrelogramspectralmatching:

applieationtosurfacemineralogicalmappingbyusingAVIRISdatafromCuprite,Nevada[J].RemoteSensingEnviron,1997,61:371-382.

[15]赵永超.高光谱遥感中典型地物目标的光谱特征分析和信息

提取模型)几个关键问题的研究报告[D].北京:中国科学院遥感应用技术研究所,2001.

[16]黄光玉,沈占峰,赵欣梅.高光谱遥感矿物识别方法研究[J].

资源环境与工程,2007,21(1):50-54.

[17]唐守正.多元统计分析[M].北京:中国林业出版社,1986.[18]梁尧钦,曾辉.高光谱遥感在植被特征识别研究中的应用[J].

世界林业研究,2009,22(1):41-47.

[19]DarvishsefatAA,TobiasWK,KlausII.Applicationofhyper2

spectraldataforforeststandmapping[C]//SymposiumonGeo2spatialTheory.Otawa,ProcessingandApplitions,2002.

[20]宫鹏,浦瑞良,郁彬.不同季相针叶树种高光谱数据识别分析

[J].遥感学报,1998,2(3):211-217.

[21]JINKAIZhang,RivardB,AzoferfaAS,eta,lIntra2andinter2class

spectralvariabilityoftropicaltreespeciesatLaSelva,CostaRica:ImplicationsforspeciesidentificationusingHYDICEimagery[J].

高光谱技术的相关应用

114

RemoteSensingofEnvironment,2006(105):129-141.

林业资源管理第5期

[31]MeroniM,ColombobR,PanigadaC.Inversionofaradiativetrans2

fermodelwithhyperspectralobservationsforLAImappinginPoplarplantations[J].195-206.

[32]CHENGYen2ben,Zarco2TejadaPJ,RianoD,eta.lEstimating

vegetationwatercontentwithhyperspectraldatafordifferentcano2pyscenarios:

relationshipbetweenAVIRISandMODISindexes

RemoteSensingofEnvironment,2004,92:

[22]陈尔学,李增元,谭炳香,等高光谱数据森林类型统计模式识

别方法比较评价[J].林业科学,2007,43(1):84-89.[23]刘秀英,林辉,熊建利,等森林树种高光谱波段的选择[J].遥

感信息,2005,80:41-45.

[24]LawrenceRL,WoodSD,SheleyRL.Mappinginvasiveplantsu2

singhyperspectralimageryandBreimanCutlerClassifications(RandomForest)[J].RemoteSensingofEnvironment,2006,100:356-362.

[25]HamadaY,StowDA,CoulterLL,eta.lDetectingTamariskSpe2

cies(Tamarixspp.)inriparianhabitatsofSouthernCaliforniau2singhighspatialresolutionhyperspectralImagery[J].RemoteSensingofEnvironment,2007,109(2):237-248.

[26]MIAOXin,PENGGong,SwopeS,eta.lEstimationofYellow

StarthistleabundancethroughCASI22hyperspectralimageryusinglinearspectralmixturemodels[J].RemoteSensingofEnviron2ment,2006,101:329-341.

[27]DehaanR,LouisJ,WilsonA,eta.lDiscriminationofBlackberry

(Rubusfruticosussp.agg.)UsinghyperspectralimageryinKo2sciuszkoNationalPark,NSW,Australia[J].

ISPRSJournalof

[J].RemoteSensingofEnvironment,2006,105:354-366.[33]Zarco2TejadaPJ,MillerJR,HarronJ,eta.lNeedleChlorophyll

contentestimationthroughmodelinversionusinghyperspectraldatafromborealconiferforestcanopies[J].RemoteSensingofEnvi2ronment,2004,89:189-199.

[34]谭昌伟,王纪华,黄文江,等.高光谱遥感在植被理化信息提取

中的应用动态[J].西北农林科技大学学报:自然科学版,2005,33(5):151-156.

[35]Zarco2TejadaPJ,MillerJR,MoralesA,eta.lHyperspectralIndi2

cesandModelSimulationforChlorophyllEstimationinOpen2Can2opyTreeCrops[J].RemoteSensingofEnvironment,2004,90(4):463-476.

[36]Dury,StephenJW,WilliamJ,eta.lEstimatingfoliagenitrogen

concentrationfromHYMAPdatausingcontinumremovalanalysis[J].RemoteSensingofEnvironment,2004,93(1-2):18-29.[37]GongP,PuRL,MillerJR.Coniferousforestleafareaindexesti2

mationalongtheOregonTransectAirborneSpectrographicImagedata[J].PhotogrametryEngineeringandremotesensing,1995,61(9):1107-1117.

[38]张良培,郑兰芬,童庆禧.利用高光谱对生物变量进行估计

[J].遥感学报,1997,1(2):111-114.

Photogrammetry&RemoteSensing,2007,62(1):13-24.[28]林恩楷.利用高光谱影像侦测外来植物)以恒春地区银合欢

为例[D].台湾:国立中央大学,2007.

[29]WilliamsAP,HuntER.EstimationofLeafySpurgecoverfrom

hyperspectralimageryusingMixtureTunedMatchedFiltering[J].RemoteSensingofEnvironment,2002,82(2-3):446-456.[30]LeeKS,CohenWB,KennedyRE,eta.lHyperspectralversus

multispectraldataforestimatingleafareaindexinfourdifferentbi2omes[J].RemoteSensingofEnvironment,2004,91:508-520.

(上接第93页)

[5]海玉生,杨占卿.乌兰布和沙漠东北边缘流动和半固定沙丘四

种沙灌木造林技术初探[J].内蒙古林业科技,1992(2):1-4.[6]赵哈林,苏永中,周瑞莲.我国北方沙区退化植被的恢复机理

[J].中国沙漠,2006,26(3):323-328.

[7]贾铁飞,赵明,包桂兰,等.历史时期乌兰布和沙漠风沙活动的

沉积学记录与沙质荒漠化防治途径分析[J].水土保持研究,2002.9(3):51-57.

[8]中科院蒙宁综考队.内蒙古植被[M].北京:科学出版社,1985.[9]内蒙古大学生物系治沙小组.内蒙古荒漠区植被考察初报[J].

内蒙古大学学报:自然科学版,1960,2(1):9-22.

[10]新疆植物志[M].乌鲁木齐:新疆科技卫生出版社,1994.[11]徐恒刚.内蒙古西部沙区荒漠灌丛植被及沙区生态建设[M].

北京:中国农业科学技术出版社,2005.

[12]郝玉光.乌兰布和沙漠东北部绿洲化过程生态效应研究[D].

北京:北京林业大学,2006.

[13]杨根生.磴口县土地荒漠化及其整治[J].中国沙漠,1996(3):

18-19.

[14]高凌岩,贾鲜艳,张伟华.乌兰布和沙漠人工绿洲边缘植物群

落演替趋势和区域可持续发展[J].水土保持学报,2002,9(3):79-184.

本文来源：https://www.bwwdw.com/article/pa5q.html