Vegetation coverage information extraction of mine dump slope in Wuhai City of Inner Mongolia based on visible vegetation index
-
摘要:目的利用可见光植被指数快速准确获取矿山排土场坡面植被盖度,为乌海矿区排土场坡面植被调查提供有效方法。方法选取乌海市典型矿山排土场,通过样方调查法、无人机遥感及可见光植被指数计算筛选适于研究区排土场坡面植被提取的可见光植被指数,并估算其植被盖度,试为排土场坡面植被盖度提取提供新方法。结果结果表明:(1)不同可见光植被指数提取植被效果存在一定差异,其中绿红比值指数(RGRI)和绿蓝比值指数(BGRI)的灰度图中越暗的部分代表植被指数越大,而其他常见可见光植被指数是越亮的部分代表植被指数越大。(2)研究区中不同可见光植被指数灰度图像特征值基本分布在[− 1,1]范围内,由蓝、绿波段构建的归一化绿蓝差异指数(NGBDI)和绿蓝比值指数(BGRI)的灰度图中植被与裸地像元值范围有较大重叠,即存在部分混淆。(3)常见可见光植被指数中,可见光波段差异植被指数(VDVI)可以快速准确提取研究区排土场坡面植被,通过人工目视解译及误差矩阵得到VDVI植被指数提取结果平均识别精度在93.4%,表明VDVI植被指数更加适用于乌海市矿山排土场坡面植被提取,优于其他常见可见光植被指数,利用该方法估算可得研究区坡面植被盖度约20.4%。结论可见光植被指数作为一种非监督分类方法,无需人工选择参考地物即可提取植被,可以作为矿山排土场坡面植被盖度调查的一种新方法,具有广阔的应用前景,同时研究表明VDVI植被指数在提取乌海市矿山排土场坡面植被盖度时具有较高提取精度,对指导当地矿山排土场植被恢复具有实际意义。Abstract:ObjectiveThis paper aims to use visible vegetation index to get the slope vegetation coverage of mine dump quickly and accurately, and to provide an effective method for the vegetation investigation of slope in Wuhai mining area, Inner Mongolia of northern China.MethodThis study selected one of the typical mine dumps in the Wuhai City to choose a suitable visible vegetation index for local research, estimate the dump vegetation coverage, and furthermore try to provide a new method for extracting the dump slope vegetation coverage by means of Quadrat survey, UAV remote sensing and visible vegetation index.Result(1) Different visible vegetation indexes had varied vegetation extraction effects. Among them, the darker part of red-green ratio index (RGRI) and blue-green ratio index (BGRI) represented the larger vegetation index, while the brighter part of other common visible vegetation indexes represented the larger vegetation index. (2) Gray image feature values of different visible vegetation indexes mainly distributed in range of [− 1, 1] in the research area. There was a big overlap of pixel value between vegetation and land in the gray image of normalized green-blue difference index (NGBDI) and BGRI constructed from blue and green bands, which means some partial confusion between them. (3) Visible-band difference vegetation index (VDVI) can extract slope vegetation quickly and accurately among common visible vegetation indices. The average recognition accuracy of VDVI vegetation index was 93.4% by manual visual interpretation and error matrix, showing that VDVI vegetation index could be more suitable for the vegetation extraction on the mine dump in Wuhai City, and was better than the vegetation index of other common visible light. The vegetation coverage of the study area was approximately 20.4% by this method.ConclusionVisible vegetation index, an unsupervised classified method, could be a new method for investigating vegetation coverage of mine dump slope without selecting reference features by people but extract slope vegetation coverage directly and has a broad application prospect. The study also indicates that VDVI shows higher extraction accuracy of extracting vegetation coverage of mine dump slope in the Wuhai City, which means a practical significance to guide the vegetation restoration in local mine dump.
-
Keywords:
- unmanned aerial vehicles /
- visible-bands /
- vegetation index /
- dump /
- Wuhai City
-
碳气凝胶(CA)是一种轻质纳米多孔非晶固态材料,凭借其优良的物理化学性能和导电性能,例如:比表面积大、孔隙率高、热稳定性好和机械性能优异等,被广泛应用在锂离子电池、超级电容器等电化学器件的理想电极材料、吸附介质、催化剂载体、水处理材料、色谱分离系统等领域[1-5],在与传统无机多孔材料的竞争中显示出极大的优势和应用前景[6-8]。传统碳气凝胶由一些有机化合物(如间苯二酚)先经过溶胶−凝胶法缩聚得到有机水凝胶,再经过干燥过程制备得到有机气凝胶,随后再碳化形成碳气凝胶[9]。在干燥过程中,由于这些碳气凝胶前驱体不能承受液体表面张力引起的毛细作用力,从而导致微孔塌陷[10],因此,必须采用超临界CO2干燥等昂贵、耗时的干燥工艺和严格的干燥条件。为了简化制作工艺,学者们从反应条件、原料等方面进行了相关研究。Zhang等[11]以苯酚−甲醛的酚醛树脂作为碳源,经过蒸发、聚合、碳化等步骤制得碳气凝胶并应用于超级电容器领域,直接碳化避免使用复杂的超临界CO2干燥,但过程耗时较久,且制备所得样品电化学性能一般。
与传统制备方法相比,有研究表明:高盐条件可以很大程度简化碳气凝胶制备过程,且对碳气凝胶性质无不利影响。张璇等[12]利用苯酚等原料在高浓度ZnCl2条件下经溶剂热反应,再在氮气中高温热解得到碳气凝胶,无需特殊干燥方法,简化了干燥过程。近年来,Fechler等[13]提出了一种利用葡萄糖与二元盐混合物在水热碳化过程中制备多孔碳质材料的可行方法。盐作为制孔剂和稳定剂,很容易被水冲掉,从而打开微孔。Huang等[14]在高盐条件下用苯酚单体聚合制备多孔碳气凝胶,真空干燥后直接碳化形成低密度(25 mg/cm3)高比表面积(1 340 m2/g)的酚醛碳气凝胶,盐作为制孔剂和稳定剂,在后续步骤中可用盐酸清洗除去,形成微孔。这种在高盐条件下制备碳气凝胶的方法操作简便、价格低,应用于碳气凝胶制备领域具有显著优势。
传统碳气凝胶制备原料间苯二酚、苯酚等价格昂贵且有一定毒性,而木质素具备与其相似的结构,可代替一部分苯酚、间苯二酚等物质。木质素是一种广泛存在于植物体中的重要有机高分子化合物,为自然界含量第二丰富的聚合物,含碳量超过60%,被认为是最大的芳香烃源,是最具有吸引力的炭材料前体[15-16],由紫丁香基丙烷、愈创木基丙烷、对羟苯基丙烷3种单体构成,由于其具有特殊的酚类结构,可以代替部分苯酚、间苯二酚与甲醛等交联剂发生共聚合反应,形成木质素基酚醛树脂碳气凝胶[17-20]。
本研究利用工业碱木质素与甲醛在高盐条件下直接聚合,制备多孔碳气凝胶,其中盐起制孔和稳定作用,在碳化过程升华或分解除去。用工业碱木质素替代苯酚、间苯二酚等昂贵化学品,降低成本,减小毒性,高盐条件下可以直接碳化,也省去了特殊的干燥过程,操作简便,提供了一种木质素高值化利用的新途径。
1. 材料与方法
1.1 材 料
工业碱木质素(山东龙力生物科技股份有限公司),37% ~ 40%的甲醛溶液、氯化锌、氯化钠、碳酸钠、聚四氟乙烯(PTFE)、乙炔黑均为分析纯(北京化工厂)。
1.2 木质素高盐模板碳气凝胶的制备
将2 g工业碱木质素和x g盐混合均匀,加入1.5 mL甲醛,搅拌成黏稠浆状,转移到反应釜中,160 ℃反应2 h,得到一系列LCA/ZnCl2-x、LCA/Na2CO3-x、LCA/NaCl-x的木质素碳气凝胶前驱体。将得到的一系列碳气凝胶前驱体置于样品舟,在通氮气保护的管式炉中,以3 ℃/min的升温速率升温至900 ℃,保温3 h进行碳化,自然冷却后取出,磨粉,浸泡于盐酸中,搅拌后静置24 h,重复该洗涤步骤3次后用水洗涤2次,干燥后得到木质素高盐模板碳气凝胶,进行后续检测。
1.3 样品的结构和理化性质表征
将木质素高盐模板碳气凝胶样品用导电胶固定在样品台上,经喷金处理后采用扫描电镜(Hitachi SU-8010)观察样品表面形貌;用X射线多晶衍射仪(Bruker D8 ADVANCE x-ray)对样品的结构和种类进行表征,入射激光波长0.541 78 nm,扫描范围为10° ~ 60°;将100 mg左右样品在脱气站于300 ℃下脱气3 h后,采用比表面积孔径分布仪(Autosorb-iQ2-MP)对样品的比表面积进行分析。
1.4 电化学性能表征
将炭材料、PTFE和乙炔黑按质量比8∶1∶1混合,加入适量乙醇使其混合均匀,将其涂覆于尺寸为1 cm × 1 cm的泡沫镍上,压片制成工作电极,在60 ℃下进行干燥(30 min),然后使其浸没在6 mol/L KOH电解液,并在真空环境下浸泡24 h[21]。
电化学性能测试采用三电极系统,分别以铂片为对电极,以Hg/HgO为参比电极,以制备的碳气凝胶电极材料为工作电极,以6 mol/L KOH为电解液,采用瑞士万通电化学工作站进行循环伏安(CV)、恒流充放电(GCD)和开位电路阻抗(EIS)测试。循环伏安测试的电压区间为−1 ~ 0 V,扫描速度为2 ~ 50 mV/s;恒流充放电在−1 ~ 0 V的电压区间进行,电流密度0.2 ~ 10 A/g,开位电路阻抗在开路电压下进行,频率区间为10− 2 ~ 104 Hz。
2. 结果与讨论
2.1 炭材料的形貌分析和结构表征
2.1.1 比表面积分析
表1是不同盐模板木质素碳气凝胶的比表面积数据。从表1可以看出:不同盐模板样品的比表面积数值大约有一个数量级的差距,LCA/NaCl-4比表面积为6 m2/g,LCA/Na2CO3-4比表面积为75 m2/g,LCA/ZnCl2-4比表面积为711 m2/g,以ZnCl2为模板的碳气凝胶比表面积最大。以ZnCl2为模板的碳气凝胶,当ZnCl2加入量从LCA/ZnCl2-1增加到LCA/ZnCl2-4时,比表面积从490 m2/g增大到711 m2/g;当增加到LCA/ZnCl2-6时,比表面积减小到616 m2/g。得到和Huang等[14]类似的结论,随着盐加入量的增加,比表面积不会一直增大。可能的原因为ZnCl2加入量过多,导致ZnCl2对碳气凝胶过度蚀刻,或者是有剩余盐未除去而残留在碳气凝胶表面,导致比表面积略减小。因此使比表面积达到最大值的ZnCl2最佳加入量可继续通过实验找出。
表 1 不同盐模板制备的碳气凝胶比表面积Table 1. Specific surface area of carbon aerogels prepared by different salt templates前驱体
Precursor盐模板类型 Type of salt template 工业碱木质素∶盐
(质量比)
Industrial lignin∶salt (mass ratio)比表面积 Specific surface area/(m2·g−1) LCA/ZnCl2-1 ZnCl2 2∶1 490 LCA/ZnCl2-2 ZnCl2 2∶2 719 LCA/ZnCl2-4 ZnCl2 2∶4 711 LCA/ZnCl2-6 ZnCl2 2∶6 616 LCA/Na2CO3-4 Na2CO3 2∶4 75 LCA/NaCl-4 NaCl 2∶4 6 2.1.2 SEM分析
图1为LCA/NaCl-4、LCA/Na2CO3-4、LCA/ZnCl2-4的SEM图。从图1a可以观察到LCA/NaCl-4表面致密无明显孔洞,并能观察到NaCl结晶。NaCl使反应物发生盐析现象,苯酚类物质悬浮在表面,NaCl沉淀在底部,最终上层形成一种非常坚硬的有机碳,NaCl未对碳气凝胶起到制孔作用。图1b中可以观察到明显孔洞,但Na2CO3的蚀刻作用仍不明显,制孔能力较弱。LCA/ZnCl2-4表面十分粗糙,孔隙多(图1c),另一区域放大后可以观察到碳气凝胶状(图1d)。因此,推测3种盐的制孔能力ZnCl2 > Na2CO3 > NaCl,且只有以ZnCl2为模板的样品可以形成碳气凝胶,ZnCl2为发泡剂、制孔剂、稳定剂。通常非常精细的有机气凝胶从一开始就很坚固,致密前驱体的同时碳化和发泡,使其结构在整个成碳过程中十分稳定,所获得的坚固LCA/ZnCl2-x可以承受极性液体的毛细管压力,因此不再需要使用冷冻干燥或超临界干燥来避免毛细管力引起的微孔塌陷[13]。
2.1.3 XRD分析
图2为不同盐模板制备的碳气凝胶和工业碱木质素的XRD图谱。从图2可以观察到:LCA/ZnCl2-4、LCA/Na2CO3-4、LCA/NaCl-4这3个样品的谱图在24°和44°附近存在两个明显且较宽的衍射峰,对应于石墨的(002)面和(101)面,表明得到的产物以无定型碳为主。其中LCA/ZnCl2-4的衍射峰强度较大,表明该碳气凝胶具备更好的石墨化程度和优良的电化学储能潜力。32°和46°处两个尖锐的衍射峰在工业碱木质素和碳气凝胶产物中均存在,推测为工业碱木质素原料中难除去的固有杂质[22]。
2.2 电化学性能分析
2.2.1 循环伏安法测试
图3为不同盐模板的碳气凝胶电极在2 mV/s的扫描速度下的循环伏安曲线,3条样品电极的循环伏安曲线都近似矩形,说明该材料的电容具有双电层电容性质。以ZnCl2为模板的碳气凝胶电极循环伏安曲线的封闭面积最大,可以推测以ZnCl2为模板的碳气凝胶电极的比电容远大于以Na2CO3或NaCl为模板的碳气凝胶电极。
图4为ZnCl2加入量不同的碳气凝胶电极在2 mV/s扫描速度下的循环伏安曲线,均为近似矩形的双电层电容。LCA/ZnCl2-2和LCA/ZnCl2-4曲线封闭面积相近,比电容大小也近似相同,符合同种原料比表面积增大比电容也增大的规律。LCA/ZnCl2-6曲线封闭面积略增大,可能是LCA/ZnCl2-6中ZnCl2过量,残留的ZnCl2使得比表面积减小,但是KOH电解液中,经过循环伏安预循环和活化过程使得残留的ZnCl2被冲掉,LCA/ZnCl2-6在电解液中电解质离子所能触及的实际比表面积大于前面几个样品。
2.2.2 恒流充放电测试
图5为不同盐模板的碳气凝胶样品在0.2 A/g电流密度下的恒流充放电曲线。从图5可以看出:3个样品的恒流充放电曲线都为近似对称的等腰三角形形状,表现出双电层电容的充放电性质,表明3种样品电极的充放电都具备良好的化学可逆性。以ZnCl2为模板的碳气凝胶电极放电时间最长,表明该碳气凝胶具有更大的比电容。3条充放电曲线均出现轻微的圆弧,是由于充放电过程中发生少量氧化还原反应,产生了赝电容效应[15, 22]。图6为LCA/ZnCl2在不同电流密度下的恒流充放电曲线,随电流密度的增加,曲线仍保持近似等腰三角形,表明以ZnCl2为模板的碳气凝胶电极具备良好的化学可逆性。
为了进一步探索不同盐模板对倍率性能的影响,测试了3个样品在不同电流密度下的恒流充放电情况,将不同样品的电流密度与充放电时间换算成比电容(c)作图。计算方法为
c=I⋅TU ,I为电流密度(A/g),T为放电时间(s),U为放电电压(V)。图7为不同样品的倍率性能曲线。从图7可以看出:随电流密度的增加,所有样品的比电容都有小幅度的减小,但LCA/ZnCl2-4电极仍表现出比较好的倍率性能。LCA/ZnCl2-4在0.2 A/g的电流密度下,比电容达到124 F/g,当电流密度增加到10 A/g时,比电容保持在60 F/g,电容保持率为48%。LCA/Na2CO3-4在0.2 A/g的电流密度下,比电容为14 F/g,当电流密度增加到10 A/g时,比电容为10 F/g。LCA/NaCl-4在0.2 A/g的电流密度下,比电容为20 F/g,当电流密度增加到10 A/g时,比电容为8 F/g。以ZnCl2为模板的碳气凝胶电极具有更大的比电容和更优秀的倍率性能。2.2.3 开位电路阻抗测试
图8为不同盐模板碳气凝胶电极的开位电路阻抗曲线。3条阻抗曲线均由高频段的半圆弧和低频段的线性部分两部分组成,高频区圆弧与实轴阻抗上的截距表示内阻或等效串联电阻,表示离子在电极和电解液界面之间的迁移。以ZnCl2、NaCl、Na2CO3为盐模板的碳气凝胶的内阻分别约为0.1、11、5 Ω;中高频段的半圆弧直径对应电荷转移电阻。3种材料电荷转移电阻都很小,以ZnCl2为盐模板的碳气凝胶约为0.5 Ω;低频区近似垂直的直线表示离子在电极或电解液界面上的扩散阻力[15, 23-24]。3种盐模板中,以ZnCl2为模板的LCA/ZnCl2-4电极拥有较短的45°斜线,而且低频段直线近似垂直,所以阻抗性能更为优异,能保证电解液离子的快速传输和低电阻的电荷扩散[25-26]。
3. 结 论
(1)工业碱木质素和甲醛混合后可分别与ZnCl2、Na2CO3、NaCl在水热条件下可直接聚合,再将碳气凝胶前驱体高温碳化得到碳气凝胶,其中盐作为制孔剂和稳定剂,致密前驱体的同时碳化和发泡过程使其结构在整个碳化过程中保持稳定,得到的坚固LCA可以承受极性液体的毛细管压力,允许在环境或真空条件下干燥,不需使用特殊干燥手段。
(2)3种盐模板中,ZnCl2的制孔能力最佳,可以制备出比表面积大,电化学性能优异的多孔碳气凝胶。其中ZnCl2在聚合过程中,就已经在多孔微观结构的形成中起着关键作用[14],ZnCl2参与制孔,并且可以在碳化过程中转变为ZnO后蒸发,完成模板作用,碳气凝胶骨架中碳原子主要为sp3杂化,得到以无定型碳为主的碳气凝胶。以LCA/ZnCl2-4为例,比表面积711 m2/g,在6 mol/L的 KOH电解液中,0.2 A/g的电流密度下,比电容达到124 F/g;在10 A/g的高电流密度下,比电容维持在60 F/g,电容保持率约为48%。
(3)高盐条件中的“高”是一个相对含义,是相对其他实验中盐的添加量和本实验中其他反应物的加入量而言。Huang等[14]的研究和本实验结果证明:随着盐加入量的增加,比表面积不会一直增大。在本实验中,LCA/ZnCl2-x(x最大为6)随着盐的增加,材料的比电容等电化学性能却更加优异。所以后续的研究可以继续探究使碳气凝胶综合性能更加优异的盐加入量,或者根据碳气凝胶的用途来决定盐的加入量。
综上,以工业碱木质素为原料制备碳气凝胶有以下优点:工业碱木质素代替有毒的苯酚、间苯二酚等酚类化学品,绿色环保;工业碱木质素价格远低于昂贵的苯酚等原料,可降低成本;工业碱木质素可直接参与反应,且制备过程无需冷冻干燥,操作简单;产物以无定形碳为主,比表面积大,电化学性能优异等。因此,木质素高盐模板碳气凝胶制备的电极材料具有优良的性能,在工业化利用方面具有广阔前景。
-
图 3 目视解译与监督分类结果
A-1、B-1、C-1分别为典型样方A、B、C的航拍原始图像;A-2、B-2、C-2分别为典型样方A、B、C的目视解译结果;A-3、B-3、C-3分别为典型样方A、B、C的最大似然监督分类结果。A-1, B-1, C-1 represent original images of quadrat A, B and C, respectively; A-2, B-2, C-2 represent visual interpretation results of quadrat A, B and C, respectively; A-3, B-3, C-3 represent maximum likelihood supervised classification calculating results of quadrat A, B and C, respectively.
Figure 3. Results of visual interpretation and supervised classification
表 1 常见的可见光植被指数
Table 1 Common vegetation indices of visible bands
可见光植被指数
Visible vegetation index全称 Full name 计算公式 Equation 参考文献Reference NGRDI 归一化绿红差异指数
Normalized green-red difference index(G − R)/(G + R) [20] NGBDI 归一化绿蓝差异指数
Normalized green-blue difference index(G − B)/(G + B) [21] EXG 超绿指数
Excess green index2g − r − b [22] EXGR 超绿超红差异指数
Excess green minus excess red indexEXG − 1.4r − g [23] VEG 植被指数
Vegetation indexg/r0.67b0.33 [24] VDVI 可见光波段差异植被指数
Visible-band difference vegetation index(2G − R − B)/(2G + R + B) [11] RGRI 绿红比值指数
Red-green ratio indexR/G [25] BGRI 绿蓝比值指数
Blue-green ratio indexB/G [26] 注:G. 绿光通道;R. 红光通道;B. 蓝光通道;g. 绿光通道标准化结果;r. 红光标准化结果;b. 蓝光标准化结果;Notes: G, green channel; R, red channel; B, blue channel; g, standardization of green channel; r, standardization of red channel; b, standardization of blue channel; g = G/(G + R + B),r = R/(G + R + B),b = B/(G + R + B). 表 2 地物在红、绿、蓝波段及各可见光植被指数波段的像元值差异表
Table 2 Differences in pixel values in red, green, blue bands and vegetation indices of land cover
波段类型 Band type 植被 Vegetation 裸地 Bare land 均值 Mean 标准差 Standard deviation 均值 Mean 标准差 Standard deviation 红光波段像元值 Pixel value for red band 164.470 26.898 212.602 21.997 绿光波段像元值 Pixel value for green band 177.432 27.016 204.327 19.403 蓝光波段像元值 Pixel value for blue band 159.941 30.192 205.148 17.529 BGRI像元值 Pixel value for BGRI 0.900 0.083 1.006 0.042 EXG像元值 Pixel value for EXG 0.063 0.036 −0.015 0.006 EXGR像元值 Pixel value for EXGR −0.750 0.020 −0.821 0.013 NGBDI像元值 Pixel value for NGBDI 0.055 0.046 −0.003 0.020 NGRDI像元值 Pixel value for NGRDI 0.039 0.016 −0.019 0.015 RGRI像元值 Pixels value for RGRI 0.925 0.029 1.039 0.030 VDVI像元值 Pixel value for VDVI 0.046 0.026 −0.011 0.005 VEG像元值 Pixel value for VEG 1.093 0.045 0.973 0.009 表 3 4种可见光植被指数分类结果精度评估
Table 3 Accuracy evaluation of four kinds of vegetation indices of visible bands
% 项目 Item EXG EXGR NGRDI VDVI 监督分类
Supervised
classificationOtsu法
Otsu method双峰直方图法
Histogram methodOtsu法
Otsu method双峰直方图法
Histogram methodOtsu法
Otsu method双峰直方图法
Histogram methodOtsu法
Otsu method双峰直方图法
Histogram method样方A Quadrat A 93.53 95.41 91.80 93.55 88.35 90.14 91.12 95.86 98.93 样方B Quadrat B 61.61 75.89 62.82 83.57 64.31 90.33 61.40 90.98 96.39 样方C Quadrat C 91.27 92.86 85.82 85.87 78.81 81.30 92.22 92.89 96.80 均值 Mean 82.14 88.05 80.15 87.66 77.16 87.26 81.58 93.24 97.37 表 4 样方D精度评估表
Table 4 Accuracy evaluation of quadrat D
分类数据
Classification data双峰直方图法 Histogram method Otsu法 Otsu method 植被Vegetation 非植被
Non-vegetation行总和
Row total用户精度
User accuracy/%植被
Vegetation非植被
Non-vegetation行总和
Row total用户精度
User accuracy/%植被 Vegetation 516 240 25 318 541 558 95.32 385 202 11 971 397 173 96.99 非植被 Non-vegetation 84 415 747 313 831 728 89.85 215 453 760 660 976 113 77.93 列总和 Column total 600 655 772 631 1 373 286 600 655 772 631 1 373 286 生产者精度
Producer accuracy/%85.95 96.72 64.13 98.45 -
[1] 李登科, 范建忠, 王娟. 陕西省植被覆盖度变化特征及其成因[J]. 应用生态学报, 2010, 21(11):2896−2903. Li D K, Fan J Z, Wang J. Change characteristics and their causes of fractional vegetation coverage (FVC) in Shaanxi Province[J]. Chinese Journal of Applied Ecology, 2010, 21(11): 2896−2903.
[2] Chen B, Xu G, Coops N C, et al. Changes in vegetation photosynthetic activity trends across the Asia-Pacific region over the last three decades[J]. Remote Sensing of Environment, 2014, 144: 28−41. doi: 10.1016/j.rse.2013.12.018
[3] 韩文霆, 邵国敏, 马代健, 等. 大田玉米作物系数无人机多光谱遥感估算方法[J]. 农业机械学报, 2018, 49(7):134−143. doi: 10.6041/j.issn.1000-1298.2018.07.017 Han W T, Shao G M, Ma D J, et al. Estimating method of crop coefficient of maize based on UAV multispectral remote sensing[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(7): 134−143. doi: 10.6041/j.issn.1000-1298.2018.07.017
[4] 虞连玉, 蔡焕杰, 姚付启, 等. 植被指数反演冬小麦植被覆盖度的适用性研究[J]. 农业机械学报, 2015, 46(1):231−239. doi: 10.6041/j.issn.1000-1298.2015.01.033 Yu L Y, Cai H J, Yao F Q, et al. Applicability of vegetation indices to estimate fractional vegetation coverage[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(1): 231−239. doi: 10.6041/j.issn.1000-1298.2015.01.033
[5] 孙刚, 黄文江, 陈鹏飞, 等. 轻小型无人机多光谱遥感技术应用进展[J]. 农业机械学报, 2018, 49(3):1−17. doi: 10.6041/j.issn.1000-1298.2018.03.001 Sun G, Huang W J, Chen P F, et al. Advances in UAV based multispectral remote sensing applications[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(3): 1−17. doi: 10.6041/j.issn.1000-1298.2018.03.001
[6] 郭铌. 植被指数及其研究进展[J]. 干旱气象, 2003, 21(4):71−75. Guo N. Vegetation index and its advances[J]. Arid Meteorology, 2003, 21(4): 71−75.
[7] 罗亚, 徐建华, 岳文泽, 等. 植被指数在城市绿地信息提取中的比较研究[J]. 遥感技术与应用, 2006, 21(3):212−219. doi: 10.3969/j.issn.1004-0323.2006.03.008 Luo Y, Xu J H, Yue W Z, et al. A comparative study of extracting urban vegetation information by vegetation indices from thematic mapper images[J]. Remote Sensing Technology and Application, 2006, 21(3): 212−219. doi: 10.3969/j.issn.1004-0323.2006.03.008
[8] Groten S M E. NDVI:crop monitoring and early yield assessment of Burkina Faso[J]. Title Remote Sensing, 1993, 14(8): 1495−1515. doi: 10.1080/01431169308953983
[9] Neigh C S R, Tucker C J, Townshend J R G. North American vegetation dynamics observed with multi-resolution satellite data[J]. Remote Sensing of Environment, 2008, 112(4): 1749−1772.
[10] Piao S, Nan H, Hunting F C, et al. Evidence for a weakening relationship between inter annual temperature variability and northern vegetation activity[J/OL]. Nature Communications, 2014, 5: 5018 [2019−09−13]. https://www.nature.com/articles/ncomms6018.
[11] 汪小钦, 王苗苗, 王绍强, 等. 基于可见光波段无人机遥感的植被信息提取[J]. 农业工程学报, 2015, 31(5):152−159. doi: 10.3969/j.issn.1002-6819.2015.05.022 Wang X Q, Wang M M, Wang S Q, et al. Extraction of vegetation information from visible unmanned aerial vehicle images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(5): 152−159. doi: 10.3969/j.issn.1002-6819.2015.05.022
[12] 毛智慧, 邓磊, 贺英, 等. 利用色调—亮度彩色分量的可见光植被指数[J]. 中国图象图形学报, 2017, 22(11):1602−1610. Mao Z H, Deng L, He Y, et al. Vegetation index for visible-light true-color image using hue and lightness color channels[J]. Journal of Image and Graphics, 2017, 22(11): 1602−1610.
[13] 周勇兵, 朱永清. 基于可见光波段的城市航空影像植被提取[J]. 绿色科技, 2016(16):247−250. doi: 10.3969/j.issn.1674-9944.2016.16.097 Zhou Y B, Zhu Y Q. Vegetation extraction in urban aerial image on the basis of visible light wave[J]. Journal of Green Science and Technology, 2016(16): 247−250. doi: 10.3969/j.issn.1674-9944.2016.16.097
[14] 邓继忠, 任高生, 兰玉彬, 等. 基于可见光波段的无人机超低空遥感图像处理[J]. 华南农业大学学报, 2016, 37(6):16−22. doi: 10.7671/j.issn.1001-411X.2016.06.003 Deng J Z, Ren G S, Lan Y B, et al. Low altitude unmanned aerial vehicle remote sensing image processing based on visible band[J]. Journal of South China Agricultural University, 2016, 37(6): 16−22. doi: 10.7671/j.issn.1001-411X.2016.06.003
[15] 丁雷龙, 李强子, 杜鑫, 等. 基于无人机图像颜色指数的植被识别[J]. 国土资源遥感, 2016, 28(1):78−86. doi: 10.6046/gtzyyg.2017.01.12 Ding L L, Li Q Z, Du X, et al. Vegetation extraction method based on color indices from UAV images[J]. Remote Sensing for Land and Resources, 2016, 28(1): 78−86. doi: 10.6046/gtzyyg.2017.01.12
[16] 张正健, 李爱农, 边金虎, 等. 基于无人机影像可见光植被指数的若尔盖草地地上生物量估算研究[J]. 遥感技术与应用, 2016, 31(1):51−62. Zhang Z J, Li A N, Bian J H, et al. Estimating aboveground biomass of grassland in zoige by visible vegetation index derived from unmanned aerial vehicle image[J]. Remote Sensing Technology and Application, 2016, 31(1): 51−62.
[17] 赵静, 杨焕波, 兰玉彬, 等. 基于无人机可见光图像的夏季玉米植被覆盖度提取方法[J]. 农业机械学报, 2019, 50(5):232−240. doi: 10.6041/j.issn.1000-1298.2019.05.027 Zhao J, Yang H B, Lan Y B, et al. Extraction method of summer corn vegetation coverage based on visible light image of unmanned aerial vehicle[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(5): 232−240. doi: 10.6041/j.issn.1000-1298.2019.05.027
[18] 张泽民, 吕昌河, 谢苗苗, 等. 基于WorldView 2影像的矿区植被重建效果评估[J]. 生态学报, 2018, 38(4):1301−1310. Zhang Z M, Lü C H, Xie M M, et al. Evaluation of vegetation restoration effects in mining areas based on WorldView 2 images[J]. Acta Ecologica Sinica, 2018, 38(4): 1301−1310.
[19] 赵廷宁, 张玉秀, 曹兵, 等. 西北干旱荒漠区煤炭基地生态安全保障技术[J]. 水土保持学报, 2018, 32(1):1−5. Zhao T N, Zhang Y X, Cao B, et al. Eco-security technology for coal mining bases in the northwestern arid desert regions in China[J]. Journal of Soil and Water Conservation, 2018, 32(1): 1−5.
[20] Gitelson A A, Kaufman Y J, Stark R, et al. Novel algorithms for remote estimation of vegetation fraction[J]. Remote Sensing of Environment, 2002, 80(1): 76−87. doi: 10.1016/S0034-4257(01)00289-9
[21] Hunt E R, Cavigelli M, Daughtry C S T, et al. Evaluation of digital photography from model aircraft for remote sensing of crop biomass and nitrogen status[J]. Precision Agriculture, 2005, 6(4): 359−378. doi: 10.1007/s11119-005-2324-5
[22] Woebbecke D M, Meyer G E, Von Bargen K, et al. Color indices for weed identification under various soil, residue, and lighting conditions[J]. Transactions of the ASAE, 1995, 38(1): 259−269. doi: 10.13031/2013.27838
[23] 孙国祥, 汪小旵, 闫婷婷, 等. 基于机器视觉的植物群体生长参数反演方法[J]. 农业工程学报, 2014, 30(20):187−195. doi: 10.3969/j.issn.1002-6819.2014.20.023 Sun G X, Wang X C, Yan T T, et al. Inversion method of flora growth parameters based on machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(20): 187−195. doi: 10.3969/j.issn.1002-6819.2014.20.023
[24] Hague T, Tillett N D, Wheeler H. Automated crop and weed monitoring in widely spaced cereals[J]. Precision Agriculture, 2006, 7(1): 21−32. doi: 10.1007/s11119-005-6787-1
[25] Verrelst J, Schaepman M E, Koetz B, et al. Angular sensitivity analysis of vegetation indices derived from CHRIS/PROBA data[J]. Remote Sensing of Environment, 2008, 112(5): 2341−2353. doi: 10.1016/j.rse.2007.11.001
[26] Sellaro R, Crepy M, Trupkin S A, et al. Cryptochrome as a sensor of the blue/green ratio of natural radiation in Arabidopsis[J]. Plant Physiology, 2010, 154(1): 401−409. doi: 10.1104/pp.110.160820
[27] Otsu N. A threshold selection method from gray-level histograms[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1979, 9(1): 62−66. doi: 10.1109/TSMC.1979.4310076
[28] 李了了, 邓善熙, 丁兴号. 基于大津法的图像分块二值化算法[J]. 微计算机信息, 2005, 21(24):76−77. doi: 10.3969/j.issn.1008-0570.2005.24.027 Li L L, Deng S X, Ding X H. Binarization algorithm based on image partition derived from Da-jin Method[J]. Control and Automation, 2005, 21(24): 76−77. doi: 10.3969/j.issn.1008-0570.2005.24.027
[29] 闫利, 莫楠, 费亮, 等. 倾斜影像整体变分模型阴影检测算法改进[J]. 遥感信息, 2017, 32(2):54−59. doi: 10.3969/j.issn.1000-3177.2017.02.009 Yan L, Mo N, Fei L, et al. Improved shadow detection algorithm based on total variation model using oblique images[J]. Remote Sensing Information, 2017, 32(2): 54−59. doi: 10.3969/j.issn.1000-3177.2017.02.009
[30] 卞雪, 马群宇, 刘楚烨, 等. 基于低空可见光谱的植被覆盖率计算[J]. 水土保持通报, 2017, 37(5):270−275. Bian X, Ma Q Y, Liu C Y, et al. Vegetation coverage calculation based on low altitude visible spectrum[J]. Bulletin of Soil and Water Conservation, 2017, 37(5): 270−275.
[31] 朱孟, 周忠发, 赵馨, 等. 基于无人机遥感的喀斯特高原峡谷区火龙果单株识别提取方法[J]. 热带地理, 2019, 39(4):502−511. Zhu M, Zhou Z F, Zhao X, et al. Recognition and extraction method of single dragon fruit plant in plateau-canyon areas based on UAV remote sensing[J]. Tropical Geography, 2019, 39(4): 502−511.
[32] 郭鹏, 武法东, 戴建国, 等. 基于无人机可见光影像的农田作物分类方法比较[J]. 农业工程学报, 2017, 33(13):112−119. doi: 10.11975/j.issn.1002-6819.2017.13.015 Guo P, Wu F D, Dai J G, et al. Comparison of farmland crop classification methods based on visible light images of unmanned aerial vehicles[J]. Transactions of the Chinese Society of Agricultural Engineering, 2017, 33(13): 112−119. doi: 10.11975/j.issn.1002-6819.2017.13.015
[33] 李莹, 于海洋, 王燕, 等. 基于无人机重建点云与影像的城市植被分类[J]. 国土资源遥感, 2019, 31(1):149−155. doi: 10.6046/gtzyyg.2019.01.20 Li Y, Yu H Y, Wang Y, et al. Classification of urban vegetation based on unmanned aerial vehicle reconstruction point cloud and image[J]. Remote Sensing for Land and Resources, 2019, 31(1): 149−155. doi: 10.6046/gtzyyg.2019.01.20
[34] 郭震冬, 顾正东, 许盛, 等. 利用无人机技术进行社区植被覆盖率调查[J]. 北京测绘, 2017(5):88−91. Guo Z D, Gu Z D, Xu S, et al. The design and function development of the rural land ownership data processing software[J]. Beijing Surveying and Mapping, 2017(5): 88−91.
-
期刊类型引用(3)
1. 张耀,李树锋,付鹏飞. 纤维素碳气凝胶的制备、性质及应用. 化工新型材料. 2023(07): 8-11+20 . 百度学术
2. 刘沛静,辛福恩. 石墨烯/δ-MnO_2复合材料及其超级电容器性能研究. 电子制作. 2021(08): 87-88 . 百度学术
3. 陈浩伟,余先纯,张传艳,李銮玉,孙德林,郝晓峰. 木质素基模板炭的制备及电化学性能. 材料导报. 2021(24): 24164-24171 . 百度学术
其他类型引用(7)