1、考虑地物光谱多样性的遥感影像典型地物提取方法综述摘要光谱信息是遥感影像用于分类、地物提取和目标识别的最主要信息，然而在遥感高精度分类研究中，特别面对大区域（全国或全球尺度）地表分类时，由于地表情况复杂，地物光谱多样性问题突出，在对遥感影像进行具体处理时往往难以实现高精度的地物识别。例如对于水体而言，海洋水体和内陆水体会由于水体成分的不同而使得其具有不同的光谱特征。植被由于其具有物候特征，光谱往往会随着季节的变化而变化，城市不透水层由于建筑物材料的差异以及大量的建筑物阴影使得地物光谱之间具有较大的差异。这些由于空间或时间引起的地物光谱多样性特征会随着研究范围的增大而变得更加突出。本文从基于像元级
2、与基于亚像元级两个方面对地物提取研究进行综述，系统的介绍了当前国内外在考虑地物光谱多样性典型地物提取的研究进展，为后续的研究提供参考。关键词：遥感，光谱多样性，水体，植被，建筑物，像元级，亚像元级1. 引言：光谱信息是遥感影像用于分类、地物提取和目标识别的最主要信息，然而在遥感高精度分类研究中，特别面对大区域（全国或全球尺度）地表分类时，由于地表情况复杂，地物光谱多样性问题突出，在对遥感影像进行具体处理时往往难以实现高精度的地物识别。例如对于水体而言，海洋水体和内陆水体会由于水体成分的不同而使得其具有不同的光谱特征。植被由于其具有物候特征，光谱往往会随着季节的变化而变化，城市不透水层由于建筑物
3、材料的差异以及大量的建筑物阴影使得地物光谱之间具有较大的差异。这些由于空间或时间引起的地物光谱多样性特征会随着研究范围的增大而变得更加突出。制约遥感影像上地物信息准确提取的最主要因素之一便是遥感影像上广泛存在的“同物异谱 ”现象，该现象产生的原因主要有：（1）地物自身属性随着空间-时间的变化而发生变化，即是该课题所研究的地物光谱多样性特征；（2）地物由于临近效应，大气散射等使得遥感影像上地物所表现出来的光谱特征相对于其原有光谱特征发生变化。原因（1）是导致“ 同物异谱” 现象最主要的原因，因此在对遥感影像进行处理中如果能够解决地物光谱多样性问题，其实也就很大程度上解决了遥感影像上的“同物异谱”
4、 问题。地物光谱多样性并不是毫无规律的，以落叶植被为例，在一年的周期里，落叶植被的叶绿素含量呈现出先增加后减少的自然规律，反映在遥感影像上为植被在绿光波段的反射率会先增加后减小。对于水体而言，无论是清澈水体还是浑浊水体，其在中红外波段区间的反射率都趋近于 0。除此之外，对于不同地物的光谱多样性特征还有很多有待探索的规律。随着空间科学技术，信息技术以及传感器技术的发展，现已经能够获取到一些具有三高特性（高空间分辨率、高光谱分辨率和高时间分辨率）的遥感影像。这为我们深入分析地物光谱多样性特征随着地物时空分布的不同所呈现出来的变与不变的内在规律提供基础。同时，由于光谱可变会严重影响混合像元分解中地物
5、丰度估计的结果，因此关于光谱多样性问题在软分类领域已有较多研究，如近年来提出的CoB、EAR、 IES 等最有代表性端元光谱选取方法，能够从地物光谱库中找到地物光谱在某些波段区间的不变规律，以此筛选出最具有地物代表性的端元光谱。除此之外，软分类领域涉及解决地物光谱多样性问题的具体方法还有很多，这都为遥感影像上地物光谱多样性问题的解决提供了思路和参考。2. 典型地物光谱规律探索地物光谱多样性特征是指同一种地物在时空中往往呈现出多样化的光谱特征，地物光谱多样性体现在遥感影像上即为“同物异谱 ”、 “端元可变(endmember variability)”、 “光谱可变( spectral vari
6、ability)”等现象。地物光谱的多样化并不是毫无规律的，其与时间、空间之间一定存在着某些变与不变规律。对于水体而言，传感器接受到的水体辐射包括了水面反射、水体底部物质反射和悬浮物反射，因此光谱吸收和透射特性不仅与水体本身性质有关，还受到水中各类有机物和无机物的影响(Davis 等,1978; Palmer 等,2015; Villa 等 2015)。浑浊水体随着水中悬浮泥沙浓度及粒径的增加，反射率也逐渐增加，反射峰向长波方向移动，成为“ 红移 ”，至 0.8um 附近，由于水体对红外辐射的强烈吸收，反射率急剧衰减， “红移” 现象终止（王伟武， 2006; 邢小罡等,2007;王繁,200
7、8） 。植被的光谱反射特性由其化学和生态学特征决定，健康的植被有着明显的光谱特征：在可见光蓝波段 0.45um 和红光波段 0.67um 附近各有一吸收谷值，绿光波段 0.55um 附近有反射率为 10-20%的一个峰值：在红光波段 0.7um 附近反射率值迅速升高，并且在近红外 0.8-1.0um 间有一个反射率为 50-60%的较宽反射坪；之后在 1.4um、1.9um 和 2.7um 出现三个强烈的水吸收波段（Lillesand等,2014; Das 等,2013） 。对于不透水层，城市道路的铺面材料一般可分为水泥路和柏油路两大类，其反射光谱曲线形状大体相似，在 0.4-0.6um 区间
8、缓慢上升，后趋于平缓，至0.9-1.1um 区间逐渐下降。一般而言，水泥路面的反射率较柏油路反射要高（刘建贵，1999） 。建筑物在遥感影像上通常只能表达出建筑物屋顶信息，反映在遥感影像上即不同材料建筑物屋顶的波谱特征。研究表明灰色水泥瓦在所有波段范围上反射率中等，且变化平缓，而青瓦在可见光短波波段反射率高，在红光波段下降趋势也最明显；白色涂料的屋顶反射率要显著高于其他类型屋顶，可以达到 80%（童庆喜等，2006） 。在对典型地物水体、植被以及不透水层进行提取时，采用归一化光谱指数的方法即是通过分析地物光谱多样性中的光谱不变规律，利用地物光谱相对稳定的波段区间来对地物进行提取(Deering
9、,1978; McFeeters,1996; Feyis 等,2014; Deng 等,2015; Sun 等,2014,Liu 等,2013; Bolton 等,2013; Mahlein 等,2013; Delegido 等,2013; Schuster 等,2012; Veraverbeke 等 ,2012; Tanaka 等,2015)。3. 遥感影像像元级地物提取中光谱多样性问题的解决方法当地物在光谱上的不变规律无法解决地物光谱多样性问题时，尤其是在复杂景观条件下,光谱特征的变异性增大,“同物异谱”现象严重, 传统的基于像元级的遥感图像分析和处理方法仅靠光谱特征是不足以表达目标或类别
10、的，因而其分析结果的可靠性常常不尽人意。虽然近年在基于像元级的遥感影像分析和处理上引入的方法，如模糊集（Fuzzy set） 、神经网络分类器(Neural Net Classifer)、分层聚类(Hierarchical Clustering)、空间逐步寻优模型(Stepwise optimization)等(Comber 等,2012; Ghosh 等,2011; Ghaffarian 等,2014; Kussul 等,2014; Zhong 等,2015;Garcia-Pineda 等,2013; Senthilnath 等,2012; Tademir 等,2011; Bijamov 等
11、,2014; Zhao 等,2013; Yuan 等,2015)，在影像分类精度等方面有了很大的改进，但是由于这些方法从本质上还是基于光谱特征的分类，因而无法从根本上摆脱方法的局限性。因此要想进一步提升地物识别与分类精度，则必须联合高光谱影像的光谱与空间信息（Fauvel 等,2013;Plaza 等,2009; Lu and Weng,2007; Fauvel等,2012 ;Gray 等，2012） 。空谱特征提取与分类方法在利用地物光谱信息的同时，考虑了像素与其周围像素的空间上下文信息，有效的降低“同物异谱” 与“异物同谱”对识别精度的影响。探索联合影像上地物空间信息与光谱信息的特征提取与
12、识别方法也是当前多/高光谱遥感领域研究的焦点( 许将军,2007,陈进,2010,黄昕,2009)。在空间信息的利用上，最常用的是地物的空间纹理信息(Casa 等,2013; Yuan等,2014 ;Wood 等,2012; Regniers 等,2013)，在最新的研究中，Osaku 等(2015) 和Falco 等(2015)通过将地物光谱信息与地物空间纹理信息结合，实现了土地覆盖的高精度分类。此外，空间关系，空间形状等也被用于地物光谱多样性问题的解决之中。Qiao(2014)提出了最大空间邻接 MSA 和定向空间邻接 MDA 两种空间关系，通过地物与地物之间的空间关系建立规则，在高分辨率
13、遥感影像上实现了地物的更准确分类。随着遥感影像数据源的丰富，我们能够获取到多时相的时间序列影像，这使得我们在基于遥感影像的地物提取和分类应用中能够更多的结合地物的时间信息。Begue(2014) 讨论了不同植被在时间上的不同物候特征，并探索出植被光谱与时间、气候之间的关系，为植被地物的识别提供了参考。Dudley(2015)考虑了植被光谱由物候特征所引起的差异，建立了多时相光谱库，用类似于光谱匹配的方法对植被物种进行分类，在对具有明显物候特征的植被物种进行分类时取得了比单时相光谱库更好的结果。Mannel 和 Price(2012)利用决策树分类法结合两个季节（春/秋）的 Landsat TM
14、 遥感影像对树种进行分类，分类结果优于仅用单个季节遥感影像获得的分类结果。实验结果表明了植被光谱在时间上季节性的变化是影响遥感影像上地物类型识别的重要因素。除此之外，GIS 辅助数据的结合也为地物光谱多样性问题的解决提供思路。李德仁(2004) 院士曾经说过，从 GIS 空间数据库中挖掘和发现的知识也可以有效的支持遥感图像解译，以解决“同物异谱” 和“异物同谱”的问题。邸凯昌等（2000）利用 GIS 水域数据库进行归纳学习，获得了水体的形状特征，并将其应用于水域的细分，获得了显著提高的分类精度。Juel(2015)结 DEM 数据，利用基于目标的图像分析和机器学习方法，实现了海岸植被 90%
15、的提取精度。Asare-Kyei(2015)结合 GIS 数据和水文资料，利用统计模型提出了洪水灾害指数PHI，实现了洪水区域的高精度制图。4. 遥感影像亚像元级地物信息提取中光谱多样性问题的解决方法在遥感影像软分类中，认为影像上的每个像元都是以包含不同地物信息的混合像元形式存在的，而构成混合像元中的每一类地物则被称为端元。端元光谱只包含一种地物信息，由于地物光谱多样性特征，用于软分类中丰度估计的端元光谱也一定不是恒定不变的。针对端元光谱在空间上的多样性特征，现有研究中主要有以下几类方法：4.1 考虑端元可变的迭代混合分析方法在迭代混合分析方法中，应用最多的是 Roberts（ 1998）等提
16、出的多端元光谱混合分析模型（MESMA） ，MESMA 是基于线性光谱混合分析的端元可变混合像元分解方法，通过建立地物光谱库，逐像元调整端元的数量与端元组合动态进行混合像元分解，是比固定端元线性光谱混合模型更加合理且分解精度更高的混合像元分解方法(Powell 等,2007;Rashed 等,2003;Wu,2004; Franke 等,2009; Tits 等,2012)。近年来 MESMA 方法广泛应用于植被，土壤，不透水层等地物的提取(Fand and Deng, 2014; Thorp 等,2013; Zhang 等,2014;Deng 和 Wu,2013; Nunez-Casilla
17、s 等,2012; Peterson 等,2015;Thorp 等,2013; Michishita 等,2012)，以及土地覆盖/利用分类等领域(Powell 等,2007; Rashed 等,2003; Demarchi 等，2012; Shahtahmassebi 等,2014;Zhang 等,2014; Myint 和 Okin,2009; Biggs 等,2010)。除此之外，考虑地物光谱多样性对混合像元分解的影响，Asner 和 Lobell（2000）提出了考虑端元可变的 AutoMCU 光谱混合模型，它与 MESMA 方法中对于一个混合像元有多种端元组合形式的方法相类似，Aut
18、oMCU 可将端元光谱的不确定性传播到最后的丰度估计结果中，利用模糊估计技术分别获得最小，平均以及最大丰度估计图像。这种方法已广泛应用于基于机载或星载遥感影像的生态群落监测之中(Asner 等,2003;Asner 等,2005;Byambakhuu 等,2010, Huang 等,2013)。Bateson（2000）提出了端元束（Endmember Bundles）的概念，利用模拟退火算法生成端元束，并以一束光谱来代表一类端元。最近的研究中，Xu 等（2015）考虑到端元光谱之间的差异，结合光谱特征和空间信息改进了端元束提取方法，取得了较好的效果。Song(2005)利用概率密度函数代替恒
19、定的端元光谱，建立了一种新的混合像元分解模型-贝叶斯光谱混合像元分解模型（BSMA） ，该模型用于城市中的植被地物的丰度估计中，结果表明，BSMA 可以综合端元光谱的可变性，在混合像元分解中能够获得较高的丰度估计精度。多端元混合分析模型 MESMA 由于算法简单且能够最大程度考虑地物光谱多样性特征，其在解决地物光谱多样性问题方面是应用最为广泛的方法。MESMA 方法通过枚举地物光谱库中每一条光谱进行分类，由于遥感影像上不存在两条完全相同的光谱，因此对收集的地物光谱进行最有代表性端元光谱的选取直接关系到 MESMA 方法的分类精度与效率。为了获得不同地物最有代表性光谱，Roberts(2003)
20、等提出了计数端元选择法 CoB，该方法将能够拟合某个类别光谱库中最大数量光谱的端元光谱选取为最有代表性端元光谱。Dennison 和 Roberts(2003)引入了端元平均均方根误差 EAR，给定端元模拟该类中其他光谱的平均均方差（EAR）被计算以量测端元对该类其他光谱的代表程度。若端元拥有最低的 EAR 则被选取为最优代表性端元，Dennison 等（2004）提出类似于 EAR 方法的最小平均光谱角 MSAN 用于最有代表性端元光谱的选取。Schaaf 等（2011 ）提出了一种基于端元特征能否准确对整个光谱库而不是单个类别光谱库进行分类的迭代端元选取方法 IES。Roth 等(2012
21、) 对几种方法在端元选取性能上进行了评价，并结合不同方法的优势，提出一种混合不同方法的端元选取方法。通过最有代表性端元光谱选取，地物光谱多样性特征由少数端元光谱所表达，不仅加快了 MESMA 方法的运行效率，同时也提高了 MESMA方法对地物丰度的估计精度。 4.2 基于地物光谱特征的方法地物对不同波长的光呈现出不同的响应特征，地物光谱多样性在不同波长区间上的表达也因此而不一样，为了降低地物光谱多样性引起的地物丰度估计误差，在直接或间接利用地物具有明显光谱特征的波段进行混合像元分解方面也取得了相应的研究成果。Asner 和 Lobell(2000)根据植被、土壤等地物在波长区间为 2100nm
22、-2500nm 的短波红外波段上具有较强的光谱区分度特性，并且在该波长区间上，地物呈现出较为稳定的光谱特征，因此提出了自动短波中红外方法 AutoSWIR,并选取该波长区间的波段应用于干旱地区和针叶林地区植被地物的丰度估计中（Lobell 等，2001,2002） 。类似于 AutoSWIR 方法中选取地物光谱区分度强的波段进行混合像元分解，基于主成分分析（PCA;Johnson 等;1993;Miao 等, 2006; Nocita 等,2013）和离散余弦变换（DCT，Li, 2004; Bhandari等,2015）的光谱特征提取方法也用于选取地物具有较高光谱区分度和较低光谱可变性的波段
23、用于混合像元分解。Somers 等（2010）提出了一种更加实用和可靠的光谱特征提取方法，提出不稳定指数 ISI 来定量地物光谱在不同波长上的稳定性，并以此作为地物光谱稳定波段的选取。除此之外，光谱转换是一种间接利用地物光谱信息的方法，通过光谱转换降低地物端元可变性和提高地物间的区分度，并将转换后的光谱用于混合像元分解中。Wu(2004)基于 Landsat ETM+遥感影像提出了归一化光谱混合分析 NSMA 用于城市地物的提取，被归一化的光谱消除了地物端元光谱因光照亮度不同而产生的光谱差异。Zhang 等（2005）将 NSMA 应用于最小化苔藓地物的光谱差异之中，取得了较好的丰度估计结果。
24、Zhang 等(2004)提出光谱导数混合分析方法 DSU，对端元光谱进行二阶求导，以此增大了类间端元的可分性和减小了类内端元的可变性。与Zhang 等人的方法类似，Debba 等(2006)对端元光谱进行一阶求导，并将方法应用于遥感影像上不同矿物质的丰度估计之中。Somers(2009)等则是将初始端元光谱和光谱导数结合，共同应用于混合像元分解中，在对柑橘园中的杂草进行丰度估计时取得了比单独使用端元光谱或端元光谱的导数更好的结果。4.3 基于地物时间空间信息的方法在硬分类已有较多结合地物时间空间信息解决地物光谱多样性问题的研究成果，由于基于遥感影像的软分类是在像元内对某种地物进行亚像元级提取
25、，在丰度估计时难以获取其纹理，形状等空间信息，并且像元内各地物类型未知，其在在时间变化、空间分布上特征便更难以利用。即使如此，国内外学者早期便在结合地物空间信息的软分类方法上进行了不断探索(Plaza 等,2002; Rand 和Keenan, 2001; Roessner 等 2001; Van 等, 1999)，近年来的研究中， Ma 等(2014) 利用地物在空间上具有相关性，根据端元光谱由临近地物光谱决定的思想实现了高精度的亚像元级水体提取。Zhong(2015) 根据植被物候特征在一年时间内具有规律性变化的特征，利用时间序列遥感影像实现了对农作物的准确提取，Canham(2011)等
26、根据地物在局部空间中具有较低的光谱可变性，对端元选取时，仅根据以混合像元为中心的局部区域地物信息确定端元的数量和类型，并将方法应用于土壤、城市建筑物以及植被地物的丰度估计，获得了较好的结果。5. 总结综上所述，传统的混合像元分解方法对整个研究区域的遥感影像采用恒定的端元类型及数量建立混合像元模型，但实际上，遥感影像中不同像元所包含的端元是不同的。有研究者在将固定端元的混合像元分解法应用到城市土地覆盖/土地利用分类中，结果表明这种方法不足以解决城市地物在光谱上的高异质性(Powell 等,2007;吴波等,2007)。当前的研究中，应用最多的是迭代多端元混合分析模型 MESMA，此种方法虽然在已
27、有研究中已获得了较好的结果，但运行的时间效率非常低(Somers 等,2011; Rogge 等,2006 )。为使可变多端元光谱混合分析法在遥感应用中发挥更大的作用，在保证分类精度，提高运行效率的同时，还应该更积极的结合地物光谱特征，时空特征等，探索出典型地物光谱多样性的内在规律，并将此运用到基于遥感影像的软分类中为地表覆盖信息的提取，生态环境变化的监测、模拟分析等提供更多有效的方法。参考文献1 陈进. 高光谱图像分类方法研究D.长沙: 国防科学技术大学 , 2010.2 邸凯昌，李德仁，李德毅，空间数据挖掘和知识发现的框架J.武汉测绘科技大学学报，2000.25（1）：42-483 黄昕.
28、高分辨率遥感影像多尺度纹理、形状特征提取与面向对象分类研究D.武汉大学,2009.4 刘建贵.高光谱城市地物及人工目标识别和提取D.中国科学院博士论文，19995 李德仁. 论 21 世纪遥感与 GIS 的发展J. 武汉大学学报: 信息科学版, 2004, 28(2): 127-131.6 童庆喜，张兵，郑兰芬.高光谱遥感-原理，技术与方法M. 北京：高等教育出版社，2006吴波, 周小成, 赵银娣. 端元光谱变化与混合像元分解精度的关系研究 J. 遥感信息, 2007 (3): 3-7.7 王伟武，环境遥感M，杭州：浙江大学出版社， 20068 王繁. 河口水体悬浮物固有光学性质及浓度遥感反
29、演模式研究D.浙江大学,2008.9 邢小罡,赵冬至,刘玉光,杨建洪,沈红,赵玲,王林. 叶绿素 a 荧光遥感研究进展J. 遥感学报,2007,01:137-144.10许将军. 高光谱遥感图像特征提取及分类研究D.电子科技大学,2007.11 Asare-Kyei D, Forkuor G, Venus V. Modeling Flood Hazard Zones at the Sub-District Level with the Rational Model Integrated with GIS and Remote Sensing ApproachesJ. Water, 2015,
30、7(7): 3531-3564.12 Asner G P, Bustamante M M C, Townsend A R. Scale dependence of biophysical structure in deforested areas bordering the Tapajos National Forest, Central AmazonJ. Remote Sensing of Environment, 2003, 87(4): 507-520.13 Asner G P, Lobell D B. A biogeophysical approach for automated SW
31、IR unmixing of soils and vegetationJ. Remote sensing of environment, 2000, 74(1): 99-112.14 Asner G P, Knapp D E, Cooper A N, et al. Ecosystem structure throughout the Brazilian Amazon from Landsat observations and automated spectral unmixingJ. Earth Interactions, 2005, 9(7): 1-31.15 Bateson C, Asne
32、r G P, Wessman C. Endmember bundles: A new approach to incorporating endmember variability into spectral mixture analysisJ. Geoscience and Remote Sensing, IEEE Transactions on, 2000, 38(2): 1083-1094.16 Begue A, Vintrou E, Saad A, et al. Differences between cropland and rangeland MODIS phenology (st
33、art-of-season) in MaliJ. International Journal of Applied Earth Observation and Geoinformation, 2014, 31: 167-170.17 Bijamov A, Fernandez J P, Barrowes B E, et al. Camp Butner live-site UXO classification using hierarchical clustering and Gaussian mixture modelingJ. Geoscience and Remote Sensing, IE
34、EE Transactions on, 2014, 52(8): 5218-5229.18 Biggs T W, Atkinson E, Powell R, et al. Land cover following rapid urbanization on the USMexico border: Implications for conceptual models of urban watershed processesJ. Landscape and Urban Planning, 2010, 96(2): 78-87.19 Bhandari A K, Kumar A, Singh G K
35、. Improved feature extraction scheme for satellite images using NDVI and NDWI technique based on DWT and SVDJ. Arabian Journal of Geosciences, 2015: 1-18.20 Bolton D K, Friedl M A. Forecasting crop yield using remotely sensed vegetation indices and crop phenology metricsJ. Agricultural and Forest Me
36、teorology, 2013, 173: 74-84.21 Byambakhuu I, Sugita M, Matsushima D. Spectral unmixing model to assess land cover fractions in Mongolian steppe regionsJ. Remote sensing of environment, 2010, 114(10): 2361-2372.22 Casa R, Castaldi F, Pascucci S, et al. A comparison of sensor resolution and calibratio
37、n strategies for soil texture estimation from hyperspectral remote sensingJ. Geoderma, 2013, 197: 17-26.23 Canham K, Schlamm A, Ziemann A, et al. Spatially adaptive hyperspectral unmixingJ. Geoscience and Remote Sensing, IEEE Transactions on, 2011, 49(11): 4248-4262.24 Comber A, Fisher P, Brunsdon C
38、, et al. Spatial analysis of remote sensing image classification accuracyJ. Remote Sensing of Environment, 2012, 127: 237-246.25 Das D K, Pradhan S, Sehgal V K, et al. Spectral reflectance characteristics of healthy and yellow mosaic virus infected soybean (Glycine max L.) leaves in a semiarid envir
39、onmentJ. J. Agrometeorol, 2013, 15(1): 36-38.26 Debba P, Carranza E J M, Van der Meer F D, et al. Abundance estimation of spectrally similar minerals by using derivative spectra in simulated annealingJ. Geoscience and Remote Sensing, IEEE Transactions on, 2006, 44(12): 3649-3658.27 Deering D W. Rang
40、eland reflectance characteristics measured by aircraft and spacecraft sensorsM. Deering, 1978.28 Delegido J, Verrelst J, Meza C M, et al. A red-edge spectral index for remote sensing estimation of green LAI over agroecosystemsJ. European Journal of Agronomy, 2013, 46: 42-52.29 Dennison P E, Halligan
41、 K Q, Roberts D A. A comparison of error metrics and constraints for multiple endmember spectral mixture analysis and spectral angle mapperJ. Remote Sensing of Environment, 2004, 93(3): 359-367.30 Demarchi L, Canters F, Chan J C W, et al. Use of land-cover fractions derived from MESMA for urban wate
42、r balance calculationC/Geoscience and Remote Sensing Symposium (IGARSS), 2012 IEEE International. IEEE, 2012: 1594-1597.31 Deng Y, Wu C, Li M, et al. RNDSI: A ratio normalized difference soil index for remote sensing of urban/suburban environmentsJ. International Journal of Applied Earth Observation
43、 and Geoinformation, 2015, 39: 40-48.32 Falco N, Benediktsson J A, Bruzzone L. Spectral and Spatial Classification of Hyperspectral Images Based on ICA and Reduced Morphological Attribute ProfilesJ. 2015.33 Fauvel M, Tarabalka Y, Benediktsson J A, et al. Advances in spectral-spatial classification o
44、f hyperspectral imagesJ. Proceedings of the IEEE, 2013, 101(3): 652-675.34 Fauvel M, Chanussot J, Benediktsson J A. A spatialspectral kernel-based approach for the classification of remote-sensing imagesJ. Pattern Recognition, 2012, 45(1): 381-392.35 Feyisa G L, Meilby H, Fensholt R, et al. Automate
45、d Water Extraction Index: A new technique for surface water mapping using Landsat imageryJ. Remote Sensing of Environment, 2014, 140: 23-35.36 Franke J, Roberts D A, Halligan K, et al. Hierarchical multiple endmember spectral mixture analysis (MESMA) of hyperspectral imagery for urban environmentsJ.
46、 Remote Sensing of Environment, 2009, 113(8): 1712-1723.37 Garcia-Pineda O, MacDonald I R, Li X, et al. Oil spill mapping and measurement in the Gulf of Mexico with Textural Classifier Neural Network Algorithm (TCNNA)J. Selected Topics in Applied Earth Observations and Remote Sensing, IEEE Journal o
47、f, 2013, 6(6): 2517-2525.38 Gray J, Song C. Mapping leaf area index using spatial, spectral, and temporal information from multiple sensorsJ. Remote Sensing of Environment, 2012, 119: 173-183.39 Ghosh A, Mishra N S, Ghosh S. Fuzzy clustering algorithms for unsupervised change detection in remote sen
48、sing imagesJ. Information Sciences, 2011, 181(4): 699-715.40 Ghaffarian S, Ghaffarian S. Automatic histogram-based fuzzy C-means clustering for remote sensing imageryJ. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 97: 46-57.41 Huang C, Chai C W, Chang C, et al. An integrated optical rem
49、ote sensing system for environmental perturbation researchJ. Selected Topics in Applied Earth Observations and Remote Sensing, IEEE Journal of, 2013, 6(6): 2434-2444.42 Johnson P E, Smith M O, TaylorGeorge S, et al. A semiempirical method for analysis of the reflectance spectra of binary mineral mixturesJ. Journal of Geophysical Research: Solid Earth (19782012), 1983, 88(B4): 3557-3561.43 Juel A, Groom G B, Svenning J
