基于ENVI与ERDAS的Hyperion高光谱经验比值法、一阶微分法叶绿素及地表参数反演 |
您所在的位置:网站首页 › envi水质反演步骤 › 基于ENVI与ERDAS的Hyperion高光谱经验比值法、一阶微分法叶绿素及地表参数反演 |
基于ENVI与ERDAS的Hyperion高光谱经验比值法、一阶微分法叶绿素及地表参数反演
1 前期准备与本文理论部分1.1 几句闲谈1.2 背景知识1.2.1 Hyperion数据介绍1.2.2 遥感图像分类方法1.2.3 大气校正1.2.4 反演算法
2 基于经验比值法、一阶微分法的叶绿素a含量反演2.1 数据导入与波段合成2.2 辐射定标与波段合成2.3 编辑头文件2.4 图像格式转换2.5 EDRDAS文件导入与裁剪2.6 监督分类2.7 水体光谱曲线提取2.8 特征波段选取与计算
3 大气校正及经验比值法波段调整3.1 转换文件数据格式3.2 FLAASH大气校正3.3 QUAC快速大气校正3.4 经验比值法调整
4 经验比值法、一阶微分法的叶绿素a含量反演结果对比5 其他探究内容5.1 基于ENVI实现微分计算5.2 水体表层沉积物平均粒径反演5.3 土壤有机质反演
本文公式、反演算法等可以参考的文献
1 前期准备与本文理论部分
1.1 几句闲谈
前面几篇博客介绍了基于Landsat这一多光谱遥感图像数据的多种地表温度(LST)反演方法,大家可以参考博客1、博客2、博客3;那么接下来,我们就将基于比多光谱数据可以说是更进一步的高光谱卫星数据——大名鼎鼎的Hyperion数据,进行多种其他地表参数的反演。其中,在此之前有必要先了解一下国内外主流的星载高光谱传感器及其平台的相关信息。 好啦,了解相关背景之后,话不多说,我们开始本次的内容。 其中,本文所用遥感影像相关数据: 点击链接:https://pan.baidu.com/s/16JUtCFhXlprRLjIhNBlikA 提取码:csdn 1.2 背景知识 1.2.1 Hyperion数据介绍 本文所使用的遥感影像数据不同于上述三篇博客所用的Landsat-7 ETM+影像数据,其来自地球观测卫星-1(Earth Observing-1,EO-1)。EO-1是美国国家航空航天局(National Aeronautics and Space Administration,NASA)新千年计划(New Millennium Program,NMP)地球探测部分中第一颗对地观测卫星,其目的即为在21世纪接替Landsat-7卫星,于2000年11月发射升空。除此之外,NMP目前还包括深空探测(Deep Space,DS)、空间技术(Space Technology,ST)两个部分。 EO-1卫星轨道参数与Landsat-7较为近似,以期实现两颗卫星图像每天具有1至4景的重叠,从而进行二者的对比。此外,EO-1已于2017年2月停止服役。 EO-1搭载了三种传感器,分别为高光谱成像光谱仪(Hyperion)、高级陆地成像仪(Advanced Land Imager,ALI)与线性标准成像光谱仪阵列大气校正器(the Linear Etalon Imaging Spectrometer Array Atmospheric Corrector,LAC)。一般地,传统的陆地资源卫星只能提供为数不多的多光谱波段,并不能很好满足日常实际研究、运用的需要;而借助具有242个波段、光谱范围为356至2578纳米的EO-1 Hyperion传感器,可获得更具价值的高光谱数据。 EO-1遥感影像命名格式如下: EO1SPPPRRRYYYYDDDXXXML_GGG_VV 其中,EO1为EO-1卫星代号,S为所用传感器代号(H为Hyperion传感器,A为ALI传感器),PPP为成像时目标所处全球参考系统(Worldwide Reference System,WRS)的轨道(Path),RRR为成像时目标所处WRS的行(Row),YYYY为成像年份,DDD为成像当日在该年份的天数,XXX分别为Hyperion、ALI与AC三种传感器的开关状态(1为开启,0为关闭),M为指向模式【(N为天底模式(Nadir),P为点在轨道模式(Pointed Within Path/Row),K为点不在轨道模式(Pointed Outside Path/Row)】,L为图像长度【F为全景(Full Scene),P为局部景(Partial Scene),Q为次级局部景(Second Partial Scene),S为样例(Swatch)】,GGG为影像地面接收站,VV为影像版本编号。 一般地,遥感卫星传感器主要有两大类型:摆扫式(Whisk Broom Scanners)与推扫式(Push Broom Scanners);Hyperion属于后者。其242个波段分为可见光近红外波段(V-NIR)与短波红外波段(SWIR);其中,1至70波段属于V-NIR通道,71至242波段属于SWIR通道。两个波段之间具有20个波段的波长数值相互重叠,其分别用两套不同的敏感元件收集各自信号。 Hyperion产品波段信息如下所示。 本文使用监督分类(又称训练分类,Supervised Classification)方法提取影像中各个不同地物部分,尤其是太湖湖面水体区域。而和前期博客一致,本文的监督分类部分依然借助ERDAS软件,选择采取平行六面体规则(Parallelepied)这一非参数规则(Non-parametric Rule)与最大似然规则(Maximum Likelihood)这一参数规则(Parametric Rule)加以实现;并且尝试了特征空间规则(Feature Space)的效果。 监督分类是指在已掌握有足够先验知识(亦即训练场地)的情况下,根据已有训练场地提供的已知属性样本选择特征参数,并训练、建立得到对应判别函数;随后进而将图像未知类别部分的像素的值代入建立得到的判别函数,依据所选择的不同判别准则,对该样本所属的地物类别进行自动分类处理;即监督分类是一种利用已知地物属性、信息,进而对未知属性地物进行分类的方法。 正如上述内容所提到的,常用的监督分类判别规则包括非参数规则与参数规则两个部分。其中,非参数规则包括特征空间规则与平行六面体规则;参数规则则包括最小距离规则(Minimum Distance)、马氏距离规则(Mahalanobis Distance)、最大似然规则以及波普角规则(Spectral Angle Mapper)等多种。 ERDAS IMAGINE 2015软件中“Supervised Classification”模块可以选择的规则十分齐全。本次我们依然运用这一模块,并选择采取平行六面体规则与最大似然规则加以实现。平行六面体规则是指:根据训练样本的图像亮度值,形成一个N维的平行六面体数据空间;其余像元的光谱数值如果落在平行六面体任何一个训练样本所对应的区域,其就被划分至这一对应的类别中。其中,平行六面体的尺度是由标准差阈值所确定的,而该标准差阈值则是根据所选类的均值求出。最大似然规则是指:假设每一个波段的每一类统计都呈正态分布,并计算给定像元属于某一训练样本的似然度;随后,像元将最终被归并到似然度最大的一类样本当中。 另一方面,遥感影像处理也可使用非监督分类(又称聚类分析或点群分类,Unsupervised Classification)加以完成。非监督分类方法是在多光谱图像中搜寻、定义其自然相似光谱集群的过程,其不必针对影像地物获取先验知识,仅依靠影像中不同类地物的光谱(或纹理)信息进行特征提取,再统计特征的差别,从而达到分类的目的;最后对已分出各个类别的实际属性进行确认。 1.2.3 大气校正本次实验可以不进行大气校正;但不经过大气校正,由于未消除大气影响,会使得得到的结果会有一定误差。本实验中,我们首先不进行大气校正,对叶绿素加以反演;随后再先后尝试FLAASH大气校正与QUAC快速大气校正两种方法,对得到的高光谱遥感影像加以处理,从而对叶绿素反演精度加以提升。 大气层是介于卫星传感器与地球表层之间的一层由多种气体及气溶胶组成的介质层,其由下至上可依次分为:对流层(0至8-18千米)、平流层(8-18至50-55千米)、中间层(50-55至80-85千米)、电离层(又称热层,80-85至800千米)、散逸层(800至3000千米)。在太阳辐射到达地表再到达卫星传感器这一过程中,辐射两次经过大气,故大气对太阳辐射的作用影响较大。 大气校正的目的即消除大气和光照等因素对地物反射的影响,广义上讲是获得地物反射率、辐射率或地表亮度温度等真实物理模型参数,狭义上讲是获取地物真实反射率数据。大气校正可以用来消除大气中水蒸气、氧气、二氧化碳、甲烷和臭氧等物质对地物反射的影响,也可以消除大气分子和气溶胶散射的影响。在大多数情况下,大气校正也是反演地物真实反射率的过程。 有时可完全忽略遥感数据的大气影响。对某些地物分类和变化检测过程(如用最大似然法对单时相遥感数据进行分类)而言,只要影像中用于分类的训练数据具有相对一致的尺度(即均经过或未经过大气校正),大气校正并不是必需的;而当训练数据需要进行时空拓展时,其影像分类和各种变化检测则需进行大气校正。 而对于涉及定量遥感的应用方面,如前期博客所进行的地表真实温度反演运算,大气校正则多是必不可少的环节。有研究指出,是否进行大气校正过程,对植被稀少或植被被破坏地区的NDVI计算误差影响可达50%。 大气校正方法整体上可以分为两类:一是绝对大气校正方法,即将遥感图像的DN值转换为地表反射率、地表辐射率、地表温度等数值的方法;二是相对大气校正方法,即将原始的DN值校正为不考虑地物实际反射率情况下,相同DN值代表相同地表反射率的格式的结果。在此其中,常用的绝对大气校正方法包括基于辐射传输模型方法(其中包括MOR/DTRAN模型、LOWTRAN模型、ATCOR模型、5S模型、6S模型等)、基于简化辐射传输模型的黑暗像元方法、基于统计学模型的反射率反演方法等;常用的相对大气校正方法包括基于统计的不变目标方法、直方图匹配方法等。针对上述繁多方法的选择,当进行精细的定量遥感研究时,需要采用基于辐射传输模型的大气校正方法;当进行动态监测研究时,可采用相对大气校正或简单的绝对大气校正方法;但所知参数较少时,则只能选择相对简单、对参数要求较少的方法。 本文采用FLAASH大气校正与QUAC快速大气校正两种方法。 FLAASH大气校正是一种绝对大气校正方法,其适用于多光谱数据与高光谱卫星影像数据,能够精确补偿大气对辐射的影响。这一方法采用 MODTRAN4+ 辐射传输模型,需要输入地表反射率,通过影像像素光谱中的特征估计大气属性,可以有效去除水蒸气、气溶胶散射等效应带来的干扰,精度较高。而另一方面,通过博客1可知,FLAASH大气校正方法同样对待处理数据有着一定严格的要求,例如需要数据的存储结构为“BIP”或“BIL”模式,像元值类型为经过定标后的辐射亮度(即辐射率)数据,数据单位为(μW)/(cm2nmsr)等。这需要我们针对原始数据加以一定处理。 QUAC快速大气校正自动从图像中收集不同物质的波谱信息,获取经验值,从而完成高光谱和多光谱的快速大气校正。这一大气校正方法只可以对多光谱、高光谱图像进行处理。 值得一提的是,FLAASH大气校正与QUAC快速大气校正两种方法得到的结果均为扩大了10000倍的反射率数据。 1.2.4 反演算法 获得太湖水体区域多个样点的高光谱数据曲线后,分别对其加以一阶微分处理与倒数对数处理。 本文中,针对太湖水体叶绿素a含量的估计,首先采用常见文献中已给出的模型与参数: 首先,在未进行大气校正的情况下,我们基于经验比值法、一阶微分法,对叶绿素a含量加以反演。 2.1 数据导入与波段合成(1) 将数据中“EO1H1190382004095110KZ.tgz”图像压缩包文件解压缩;打开ENVI Classic 5.3(64-bit)软件,选择“File”→“Open Image File”,在弹出的文件选择窗口中分别选中压缩包中后缀名包括8至57的50个“.tif”格式文件;点击“打开”。
(4) 结合本文开头提到的三篇博客可知,由于导入“Layer Stacking”模块的波段往往是倒序排列,这使得几十个波段的合成排序操作变得较为复杂——需要进行排序操作百余次。因此本次尝试再将文件导入ENVI软件时就采取倒序导入的方式。但随后发现即使这样操作,也会使得顺序列表中的波段倒序排列。 (5) 顺序排列完毕后,检查投影信息等无误后,点击“OK”即可开始合成操作。 (6) 多次重复这一过程,直至将同一通道内全部波长编号相连的图像各自拼接。 (7) 四个波合成后,将SWIR通道对应的三个一次合成后的图像再一次合成。 (1) 选择“Basic Tools”→“Spectral Math”,在弹出的公式创建窗口中输入本次实验的两个辐射定标公式;输入单个公式完成后,点击下方“Add to List”按钮,即可将键入的公式存入待选择区内。为了减少后期不必要的工作量,可以在编辑完成每一公式后点击“Save”按钮,并将最近一次保存的同一公式文件覆盖,以将待选择区内的两条公式统一保存。若直接选择“Band Math”(如下图)会导致无法对各波段实现简单的批量操作。
(3) 配置完成后,点击左下角“OK”按钮,即可开始公式的运行。运行结束,将所得到的研究区两幅辐射定标结果图像导入ENVI软件中,显示如下。
(1) 由于在选择波段合成范围时,我们去除了一些“坏波段”,因此合成后的图像中心波长、FWHM等信息均丢失,需要重新将其导入。考虑到176个波段数量较大,我们可以采取Excel数据导出的方式将其填入ENVI影像中。 (2) 首先在Microsoft Office Excel软件中打开原始遥感影像数据文件夹中的“Hyperion_Spectral_Coverage.xls”文件。这一表格文件为我们列出了Hyperion产品Level 1数据242个波段的相关信息,包括波段编号(Hyperion Band)、平均中心波长(Average Wavelength)、FWHM等属性数据。 (3) 将我们最终定标、合成后的176个波段对应的上述三种属性数据导入到一张新的表格中,并导出为TXT文件。其中需要注意,将V-NIR波段与SWIR波段重叠部分的数据剔除。
(6) 此时再次打开上述操作编辑头文件完毕的176个波段的图像,可以看到光谱曲线中横坐标已经由原先的1至176转变为对应波段的中心波长数值范围。 经过ENVI处理后,得到的结果图像并不能直接被ERDAS软件所识别,我们需要将其转换为“.img”等格式文件。 (1) 选择“File”→“Save File As”→“ERDAS IMAGINE”,在弹出的文件转换选择窗口中选择经过波段合成与头文件编辑后的结果图像,点击左下角“OK”。
通过上述步骤得到的“.img”格式文件范围为太湖区域加之其西南部大面积陆地区域,水体占比并不多;而遥感图像整体区域面积较大,文件数据量多;另一方面,我们的主要反演目标区域为太湖水体。因此,我们需要借助自行划定的AOI(Area of Interest)文件,将原本的整体面积地区裁剪为太湖占比较多的地区。 (1) 打开ERDAS IMAGINE 2015软件,在黑色图层窗口区域右键,并选择“Open Raster Layer”,在弹出的文件打开选择窗口中选择经过上述全部预处理后的“.img”结果图像,点击右上角“OK”。ERDAS软件选择文件时,可以借助“Recent”和“Goto”功能,选择最近操作的文件夹路径或文件。 (2) 在图像中划定一个合适的太湖AOI区域,使得全部太湖水体都包含在内。 (3) 选择“Raster”→“Subset & Chip”→“Create Subset Image”,在弹出的文件裁剪配置窗口中选择上述“.img”结果图像,配置输出文件路径和文件名,并选择输出图像文件格式为“Float Single”,在下方“AOI”选项中选择“Viewer”,点击左下角“OK”选项。这样即可以刚刚划定的AOI区域为裁剪范围。 (4) 观察得到的结果图像,若对其直方图加以分析可发现,图像中存在大量数值为零的像元。其实这样并不是图像出现错误,而是在倾斜长方形图像周围区域实际上仍为图像所包括的区域,这些大量黑色的像素数值为0,使得直方图出现零值。 如本文第一部分原理所述,本次实验我们依然利用监督分类方式区分太湖水体、其他水体与其它土地,从而实现更加精确的太湖区域提取。监督分类依然在ERDAS中实现。 (1) 选择“Raster”→“Supervised”→“Supervised Editor”,在弹出的AOI区域显示表中可以看到,此时还没有添加进入任何AOI,表格中处于空白状态。 (2) 分别依据太湖水体、其他水体与其它土地,在图像中划定区域。每一种地表类型需要划出尽可能多的AOI,以期提高最终监督分类的效果与精确度。 (3) 每划定一个AOI,便添加进入“Supervised Editor”中;同一地物类型的AOI添加完毕后,对这一类型的全部AOI加以合并,并赋以一个易于辨认的Value值。 (4) 其中,可以借助卫星地图影像对具体地物类别加以具体区分。但应注意,我们所使用的遥感影像为2004年的数据,而卫星影像数据成像时间相对较为接近我们现在的时间。因此,利用卫星影像亦只可以作为一种参考。 (5) 另一方面,亦发现无论是采用灰度图像还是选择三个波段分别作为R、G、B的值,在“Supervised Editor”中显示的颜色都是一致的,即原有的灰度图像。这一特点与前几次的多光谱博客有所差距,或许为高光谱影像的特征之一。
(8) 下图中,左图则是采用特征空间规则这一非参数规则加以实现的监督分类结果。二者对比可以看出,右侧的平行六面体规则分类效果明显优于左侧。 (1) 利用“Inquire”模块,分别选取太湖水体中20处不同位置,并上述位置对应的各波段光谱数值导入Excel表格中,作为我们观察特征波段的基础。 (2) 在进行这一步骤时,需要注意在ERDAS软件左下角有一个百分比显示区域。由于176个波段数量较多,数据在复制过程中会有些卡顿;借助百分比显示状态即可看出复制进度。 (1) 将20个采样点的光谱曲线导入Excel软件后,利用本文第一部分原理中的公式计算对应光谱数值的一阶微分与倒数对数。并将得到的结果制图。以下三幅图分别为光谱原始数值、一阶微分与倒数对数对应图像。 (2) 依据以上三幅光谱曲线,我们可以从中选取特征波峰或波谷,并将其带入经验公式中。
(4) 选择“Toolbox”→“Model Maker”→“Model Maker”,在弹出的New_Model窗口中配置模型。 (5) 经过上述ERDAS建模过程,我们得到依据经验比值方法计算的太湖水体叶绿素a含量反演结果图像。可以看到,图像中出现大量负值。这是由于我们直接选用了文献中的参数,且原始图像未经过大气校正造成的。 (6) 此外,依据上述近似的思路,利用光谱的一阶微分数值计算太湖水体叶绿素a含量。其中,本次所选择的一阶微分处理特征波段分别为波长为691.3700nm与671.0200nm的两个波段。 (7) 分别将以上两幅经验比值法、一阶微分法计算得出的叶绿素a含量结果制作为专题地图。上述经验比值法计算得到结果存在较多负值,故此处暂不展示其专题地图——大家继续往后看即可。 由以上结果可知,不进行大气校正,所得叶绿素a含量反演结果精度较低,甚至经验比值法计算得到结果存在较多负值,肯定是不对的。因此,这一部分我们基于以下两个方面,对叶绿素a含量反演精度加以提升: 进行大气校正;对出了问题的经验比值法所选用的波段加以调整。 3.1 转换文件数据格式(1) 选择“Basic Tools”→“Convert Data (BSQ,BIL,BIP)”,在弹出的文件选择窗口中选择经过波段合成、编辑头文件操作后的结果图像,点击“OK”。
(1) 选择“Basic Tools”→“Preprocessing”→“Calibration Utilities”→“FLAASH”,在弹出的转换因子窗口中选择第二项,即单一因子适用于所有波段的情况。由于我们本次所使用数据原有光谱数值为绝对辐射值的标准单位,即(μW)/(cm2nmsr),这一单位为FLAASH方法所能利用的单位,故我们需要将转换因子设定为1.00。
(1) FLAASH大气校正无法执行后,尝试使用QUAC快速大气校正方法。选择“Basic Tools”→“Preprocessing”→“Calibration Utilities”→“Quick Atmospheric Correction”,在弹出的文件选择窗口中选择待处理图像文件,点击“OK”。
(3) 将得到的QUAC快速大气校正图像与校正前图像光谱曲线加以对比,可以看到针对地表植被,光谱曲线走势更加符合植被特征曲线,尤其是550nm附近的反射峰、670nm附近的吸收谷、700nm附近的吸收陡坡、900至1300nm附近的平缓趋势等,QUAC大气校正结果图像均有着较好的展现。 3.4 经验比值法调整(1) 通过ENVI软件QUAC快速大气校正后,尝试将大气校正后的结果图像重新带入第一次未成功的经验比值模型中,再一次计算这种方法得到的叶绿素a含量。
(4) 另一方面,在重新进行监督分类时,发现总是会报出如下错误。多次尝试,均无法避免。 (5) 因此,对输入的QUAC大气校正结果图像加以光谱曲线加以复制,并导出到Excel软件中验证。
(7) Excel软件中,可以清晰地看出由B79波段开始,所有光谱数值不再发生变化。之所以在B79波段开始出现这一问题,一定是因其为SWIR波段的第一个波段,而SWIR波段相较之V-NIR波段多经过一次ENVI软件的波段合成(因为其额外需要由三组波段合成为一组);多经过一次ENVI操作,其名称会多出一个英文单词,从而出现这一问题。且由此分析,FLAASH之所以无法正常完成,亦是因为我是用ENVI进行图像预处理,使得波段名称过长;而FLAASH运行过程中会生成很多新的临时文件,这些新文件的波段命名方式应亦为在各波段前添加单词,从而导致部分波段名称中相互之间唯一不同的字符被“挤出”软件可识别的名称范围,出现重名,导致FLAASH在运行过程中报错。
(11) 修正后的经验比值模型求得的太湖水体叶绿素a含量专题地图如图所示(经过指正,以下这幅我的专题地图有误,大家所得结果可能与我的不太一样,依据实际情况判断即可)。同上述第一幅专题地图一致,在制作时需要将图像中太湖周围(即陆地部分)的0值转为NoData。 (1) 针对上述两种水体叶绿素a反演算法得到的两幅专题地图,对比、分析如下。 (2) 其中,左侧图像为经验比值模型反演结果,右侧图像为一阶微分模型反演结果。 (3) 在取值范围上,经验比值结果取值分布于0至0.040mg/L左右,一阶微分结果取值分布于0.020至0.065mg/L左右。依据文献及实际情况,可以看到上述两种方法得到的结果整体均偏小,尤其是缺少含量较高的数值(我国东部亚热带、温带内陆湖泊水体叶绿素a含量最大值往往可达0.110至0.120mg/L以上);其中,经验比值得到的结果明显小于一阶微分结果,前者最大值甚至仅仅达到后者最小值左右的水平;且经验比值结果中包含极少量负值像素。由此可知,在数值方面,一阶微分模型精度更高一些。当然,我们本次模型中常量参数均直接利用文献给出的数值,而实际中这些参数的数值是需要依据地表水体实测叶绿素含量、各波段与叶绿素含量的相关系数等加以推导、验证得出的,即上述取值范围有很大一部分是由于参数选取并不是很准确导致的。 (4) 在分布趋势上,可以看到两种方法得出的结果均符合“岸边含量达到最高,水体中心含量相对最低,由岸边至水体中心含量逐渐降低”这一情况。而不同的是,经验比值得到的结果随离岸距离的变化极其明显,呈现由东北至西南方向的条带状分布;甚至在太湖这一区域的西南部分,由于河岸向水体中心方向明显延申,导致其随亦是近岸区域,但反演得到的叶绿素a含量并没有随之升高——这样的条带状分布过于明显,可能是由于未经处理的光谱曲线含有的噪声或共线性过多,光谱的大气影响等未很好消除而导致的。而一阶微分得到的结果图像相对前者而言,其叶绿素a含量随水体向内延伸而变化的幅度较小,并不是特别明显。而两幅图中,叶绿素a含量最高和最低的区域则较为一致,均为西南圆弧状岸边处含量整体较高,东北部水域含量整体较低。 (5) 综上所述,可以看出无论是在具体数值取值范围上,还是在数值的空间分布上,一阶微分得到的结果相对较为真实。 5 其他探究内容 5.1 基于ENVI实现微分计算(1) 在ENVI 5.3 (64-bit) 软件中,可以借助“deriv”函数实现光谱曲线的微分计算。 (2) 与经典版不同的是,ENVI 5.3 (64-bit) 软件在编辑头文件时有所变化,但整体步骤流程一致。此外,太湖区域的提取亦可以在ENVI软件中通过剪裁实现。 (1) 依据本文第一部分原理,反演计算太湖区域水体表层沉积物平均粒径。 (2) 求出专题地图。
(1) 依据文献,利用两个特征波段各自倒数对数的一阶微分的比值与土壤有机质含量的二次回归方程,经过同样的建模、制图过程,得出太湖周边地区土壤有机质反演专题地图。 (2) 从中可以看出,土壤有机质含量较高的区域主要集中于城镇中心、道路两旁,这可能是由于人为、交通等导致的碳积累;大部分地区有机质含量处于0.5%至1.0%左右,这个值或许有些小于常见水平。图像中的小面积空白区域多为非太湖湖泊、水田、鱼塘等水体。 欢迎关注公众号:疯狂学习GIS |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |