环境科学学报  2019, Vol. 39 Issue (4): 1241-1249
引用本文
刘彦君, 夏凯, 冯海林, 等. 2019. 基于无人机多光谱影像的小微水域水质要素反演[J]. 环境科学学报, 39(4): 1241-1249.
Liu Y J, Xia K, Feng H L, et al. 2019. Inversion of water quality elements in small and micro-size water region using multispectral image by UAV[J]. Acta Scientiae Circumstantiae, 39(4): 1241-1249.
基于无人机多光谱影像的小微水域水质要素反演    [PDF全文]
刘彦君1,2,3 , 夏凯1,2,3 , 冯海林1,2,3 , 方益明1,2,3     
1. 浙江农林大学信息工程学院, 杭州 311300;
2. 浙江省林业智能监测与信息技术研究重点实验室, 杭州 311300;
3. 林业感知技术与智能装备国家林业局重点实验室, 杭州 311300
收稿日期: 2018-07-30; 修回日期: 2018-09-18; 录用日期: 2018-09-18
基金项目: 国家自然科学基金两化融合项目（No.U1809208）；浙江省重点研发计划项目（No.2015C03008）；浙江省自然科学基金和青山湖科技城联合基金（No.LQY18C160002）
作者简介: 刘彦君(1993-), 女, E-mail:liuyanjunvam@163.com
通讯作者（责任作者）: 夏凯, E-mail:laxiakai@live.cn
摘要: 总磷（TP）、悬浮物浓度（SS）、浊度（TUB）3种水质参数可以直接通过遥感反演得到，常用于评价区域水环境的污染状况.以浙江农林大学东湖为研究对像，使用无人机携带多光谱传感器（Mica Sense Red Edge）获取多光谱影像，进而提取16个光谱参数，分别构建东湖水域TP、SS、TUB的反演模型.结果表明：光谱参数V5（NIR 0.770~0.890 μm）与TP、SS相关性显著（r分别为0.470、-0.537，p < 0.05），V4（0.670~0.760 μm）与TUB相关性显著（r=0.486，p < 0.05）.在建立的TP反演模型中，指数函数模型精度最高，决定系数R2为0.7829；在建立的SS、TUB反演模型中，多项式函数模型精度最高，决定系数R2分别为0.7503、0.7334.经检验，TP、SS、TUB模型估测值与实测值线性拟合曲线的决定系数R2分别为0.7374、0.8978、0.6726，满足水质要素反演的精度要求.最后利用建立的模型，结合多光谱影像数据，建立了东湖水域各参数的空间分布图，实现了水质参数的可视化，可为小微水域的污染防治提供技术支撑.
关键词: 无人机     多光谱     总磷     悬浮物浓度     浊度     遥感     反演    
Inversion of water quality elements in small and micro-size water region using multispectral image by UAV
LIU Yanjun1,2,3, XIA Kai1,2,3 , FENG Hailin1,2,3, FANG Yiming1,2,3    
1. College of Information Engineering, Zhejiang Agriculture and Forestry University, Hangzhou 311300;
2. Zhejiang Provincial Key Laboratory of Forestry Intelligent Monitoring and Information Technology, Hangzhou 311300;
3. Key Laboratory of Forestry Perception Technology and Intelligent Equipment, State Forestry Administration, Hangzhou 311300
Received 30 July 2018; received in revised from 18 September 2018; accepted 18 September 2018
Abstract: Total phosphorus (TP), suspended sediments concentration (SS), and turbidity (TUB) are important parameters that describe the water quality and have been proven to be promising tool for the regional water environment evaluation. This paper takes the Donghu Lake of Zhejiang Agriculture and Forestry University as the research object, obtains the multi-spectral images by using the multi-spectral sensor (Mica Sense Red Edge) carried by UAV, and then extracts 16 spectral parameters, which are used to construct the inversion models of TP, SS and TUB in the Donghu lake waters. The results show that the spectral parameters V5 (NIR 0.770~0.890 μm) are highly correlated with TP and SS, which are 0.47 and -0.537, respectively, V4(0.670~0.760 μm)is highly correlated with TUB, which is 0.486. For all the three parameters, the significant differences were smaller than 0.05. In the established TP inversion model, the exponential function model has the highest precision, the determination coefficient R2 is 0.7829; in the SS and TUB model, the polynomial function model has the highest precision, the determination coefficient R2 are 0.7503 and 0.7334 respectively. The test results show that the determination coefficients R2 of the estimated and measured values of linear fitting curves of TP, SS and TUB are 0.7374, 0.8978 and 0.6726 respectively, which meet the accuracy requirements of water quality factor inversion. At last, by using the established models, combined with multi-spectral image data, the spatial distribution map of the parameters concentration in the Donghu Lake waters has been established, and the visualization of water quality parameters has been realized, which provides technical support for the prevention and control of pollution in small and micro waters.
Keywords: UAV     multispectral     total phosphorus     suspended sediments concentration     turbidity     remote sensing     inversion    
1 引言(Introduction)

遥感技术因具有成本低、速度快、资料同步性好、可大面积观测等优点而被广泛地应用于水质动态监测中(Bean et al., 2017；田野等, 2015).例如, 冼翠玲等(2017)利用IKONOS影像和WorldView-Ⅱ影像反演出温瑞塘河水的总氮、总磷等参数, 平均相对误差分别为15.31%和18.95%, 并利用该反演模型建立了研究区总氮和总磷的浓度空间分布图.遥感影像还常被应用于水体浊度的反演, 研究表明, 该方法可以取得较好的效果, 决定系数R2可达到0.71(冯奇等, 2017).这些研究表明, 将卫星遥感技术应用于水质监测, 其方法已经较为成熟, 也可取得较好的成果.然而受卫星遥感影像分辨率的限制, 这种技术目前多应用于大面积水域的水质监测(Su et al., 2015), 对于小微水域中水质参数的空间分布情况, 需要采用新的方法予以解决.而且卫星遥感影像易受大气云层影响, 影像数据获取周期较长, 不能及时的检测水质污染状况(李鑫等, 2017).

近年来无人机的应用领域不断拓展, 例如, 利用无人机飞行器搭载数码相机, 可通过地面实验及光谱辐射计观察相机特性, 得到葡萄园的光谱影像图(Mathews et al., 2015).田明璐等(2017)基于无人机成像光谱仪数据, 对陕西省乾县棉花种植区的棉花叶片叶绿素相对含量进行了反演.目前, 已有个别学者将无人机技术应用于水环境的监测, 如利用无人机遥感可以获取数据用来分析水域水土流失的状况(Peter et al., 2014), 但目前这方面的研究还比较少, 还需要进行更深入的研究.基于此, 本文以浙江农林大学校园内的东湖为研究对像, 通过无人机搭载多光谱传感器获取光谱反射率数据, 构建总磷(TP)、悬浮物浓度(SS)、浊度(TUB)的反演模型并研究其浓度空间分布, 以期为水质参数的监测提供新的技术手段.

2 材料与方法(Materials and methods) 2.1 研究区概况

考虑到实验的准确性及便捷性, 本文选择浙江农林大学校园内的东湖(30°15′27.02″N, 119°43′30.01″E)作为研究区域(图 1).东湖位于学校的西南侧, 占地面积约44000 m2, 水中也有一些常见的水生植物及水生动物, 符合一个小微水域水环境的构成标准.

图 1 东湖位置示意图 Fig. 1 Illustration of the location of Donghu Lake
2.2 技术路线介绍

技术路线如图 2所示.首先在实验区域设置采样点, 采集水样, 经实验室检测得出实验所需参数值.然后利用无人机搭载多光谱传感器获取研究区域的多光谱图像, 对所获取的图像进行辐射校正处理得到光谱反射率数据.再将获取的区域光谱数据与水质要素(TP、SS、TUB)实测数据进行Pearson相关性分析, 选择相关性达标的参数通过线性函数、指数函数、多项式函数及幂函数的拟合, 构建反演模型, 使模型可以将获取的拍摄图片转换成水质要素参数值(TP、SS、TUB).最后根据获取的多光谱图像及建立的反演模型, 制作研究区域的水质要素数值分图.

图 2 技术路线图 Fig. 2 Technology Roadmap

实验中采用的无人机为大疆悟2, 搭载的光谱传感器为美国Mica Sense公司生产的Mica Sense Red Edge. Mica Sense Red Edge专门为小型无人机应用设计, 具有体积小、重量轻、便于飞行等优点, 在农业方面应用较多.此款多光谱传感器能提供Blue(0.450~0.515 μm)、Green(0.525~0.605 μm)、Red(0.630~0.690 μm)、Red edge position(0.670~0.760 μm)、NIR(0.770~0.890 μm)5个光谱带的数据, 为便于描述, 在本研究中分别将其定义为R1~R5.

2.3 数据采集和处理 2.3.1 水质参数检测

于2018年4—6月共4次在实验区域采用杯式定深水质取样器取水样, 采样点位置如图 3所示.在研究过程中发现, 排水口和入水口是影响小微水域中水质要素空间分布的主要因素, 且学校会定期对东湖水域进行排水处理, 因此, 水域中心和岸边的水质要素差异并不显著.综上, 为了方便实验开展, 仅在岸边分布了取水样点.单次实验采样点为20个, 每个点采集500 mL水样.在实验室使用钼锑抗分光光度法及杭州陆城仪器有限公司生产的悬浮物浓度检测仪、浊度检测仪, 分别检测得出实验所需的TP、SS、TUB参数, 4次实验共计获得80组实测数据.

图 3 实验区域与采样点分布图 Fig. 3 Experimental area and sampling point distribution map
2.3.2 多光谱数据的获取

在相同的时间, 利用无人机在实验区域上空拍摄多光谱数据.设定无人机飞行高度定为450 m, 飞行速度为5 m·s-1, 所选实验时间均晴朗无风, 视野较好, 且整个实验时间跨度较大, 有一定变化梯度, 对后期预测的实用性及准确性有所帮助.图 4所示为一次实验中拍摄得到的5个光谱带的多光谱影像.

图 4 水面多光谱影像 Fig. 4 Water surface multi-spectral imagery
2.3.3 多光谱数据处理

相对于卫星遥感影像, 多光谱传感器获取的影像在处理过程上较为简便, 可以省去复杂繁琐的大气校正过程, 只需要采用与多光谱传感器配套的软件将获取的影像导出, 进行辐射校正后即可得到光谱反射率数据(邵全琴等, 2018).对拍摄的大量数据进行目视挑选, 选择覆盖采样点正上方区域的影像, 将选择的影像导入ENVI5.3软件, 根据经纬度坐标, 找到20个水面采样点, 分别构建以采样点为中心的6×6(PPI)矩阵作为ROI感兴趣区域(Region of Interest, ROI), 以区域内所有点的平均光谱反射率作为该点的光谱反射率数据, 共获得80组与手工检测数据相对应的水质光谱反射率数据.随机挑选70组数据用于建模, 剩下10组用于模型检验.

2.4 光谱参数的选择与建模

为了降低背景信息的干扰, 提取有效的光谱信息, 需要尝试多样化的组合计算模式.通过对以往水质要素遥感反演研究中所使用的组合计算公式进行筛选, 选定对TP、SS、TUB 3种参数较为敏感的波段及波段组合, 得出如表 1所示的满足本实验需求的组合计算公式(杜鹃等, 2014；朱云芳等, 2017；冼翠玲等, 2017；冯奇等, 2017).

表 1 光谱参数及组合计算公式 Table 1 Spectral parameters and combination calculation formula

构建水质要素反演模型的方法：使用Matlab软件建立线性回归模型、指数模型、幂函数模型、多项式模型4种函数模型.将经过处理和选择后最终确定的光谱数据与实测数据进行拟合, 分别生成相应的模型, 再根据模型的相关评价标准选择最优的模型进行预测(Fabio et al., 2013).最后以最优模型在ENVI+IDL环境中利用获取的多光谱影像反演TP、SS、TUB, 分别制作空间分布图.

3 结果与分析(Results and analysis) 3.1 多光谱影像区域光谱特征

图 5为Mica Sense拍摄获得的5个不同波段、经过ENVI软件处理的多光谱影像, 左图为中间图像水平中心线剖面的光谱曲线, 左图中3个用矩形框标记部分的曲线对应中间图像3个水平标记的像元序列.右图是中间图像垂直中心线剖面的光谱曲线, 图中用矩形框标记部分的曲线对应于中间图像垂直标记的像元序列(水域部分).可以看出：①多光谱影像上水面区域的光谱反射率与其他地物有明显的不同, 符合一般的地物光谱曲线特征, 且在5个不同的波段, 各个位置点的光谱反射率有一定差距, 符合典型的光谱曲线规律；②在波长为0.770~0.890 μm的R5波段(NIR), 同一截面的光谱反射率较高；波长为0.670~0.760 μm的R4波段(Red edge position), 同一截面的光谱反射率最高.分析光谱参数与实测数据相关性时应注意该波段.

图 5 多光谱影像光谱曲线图 Fig. 5 Multispectral image spectrum curve
3.2 数据相关性及模型的构建

分别将测得的TP、SS及TUB与构建的光谱参数(V1~V16)进行相关性分析.样本数n=70, 在相关性分析的基础上, 选择每个水质要素指标所对应的若干p < 0.05且符合统计学要求的光谱参数数据进行下一步分析.如表 2所示, 符合TP要求的光谱参数分别有V5、V7~V11、V14、V16共8组光谱参数；符合SS要求的光谱参数分别有V4、V5、V7~V10、V13、V14、V16共9组光谱参数；符合TUB要求的光谱参数分别有V4、V5、V7~V11、V14、V16共9组光谱参数.

表 2 光谱参数与悬浮物浓度的相关系数 Table 2 Correlation coefficient between spectral parameters and suspended sediments concentration

构建模型采用以下方法：①受光照、飞行速度、风速等客观因素影响, 数据中存在着一些异常数据, 导致整体数据的相关性不足, 因此, 在符合统计学要求的基础上, 绘制相关性达标数据的散点图, 根据散点图去除异常数据.对每一个参数的散点图分别添加线性趋势线, 根据趋势线的R2判断相关性达标数据中最适用于拟合的数据.图 6所示为趋势线R2从大到小的前4个光谱参数数据, 从图中可以看出, 以TP为因变量的散点图中, 光谱参数V5的趋势线的R2值最高, RTP-V52=0.2211；以SS为因变量的散点图中, 光谱参数V5的趋势线的R2值最高, RSS-V52=0.2884；以TUB为因变量的散点图中, 光谱参数V4的趋势线的R2值最高, RTUB-V42=0.3058.根据趋势线去除异常数据, 剩余样本数分别为nTP=50、nSS=45、nTUB=45.

图 6 水质参数显著性达标数据散点图(a.TP, b.SS, c.TUB) Fig. 6 Water quality(TP, SS, TUB) significant data scatter plot

② 将剩余样本的最优光谱参数作为自变量, 分别以对应的TP、SS、TUB作为因变量, 进行拟合, 针对每种水质参数指标分别构建一元线性回归模型, 记为UTP、USS、UTUB；指数函数模型分别记为ETP、ESS、ETUB；幂函数模型分别记为PTP、PSS、PTUB；多项式模型分别记为PLTP、PLSS、PLTUB；共计3个水质参数, 12个模型.通过拟合方程的决定系数R2、均方根误差(RMSE)、回归方程的斜率及平均相对误差评价模型的估测能力和精度, 一般来讲, R2及拟合方程的斜率越接近于1, 均方根误差(RMSE)与平均相对误差越小, 模型的精度越高(Fabio et al., 2013).各参数对应的反演模型如表 3所示, 对应模型的拟合结果如图 7所示.

图 7 水质参数(TP、SS、TUB)反演模型拟合图(a.TP, b.SS, c.TUB) Fig. 7 Water quality parameters (TP, SS, TUB) inversion model fitting map

表 3 水质参数(TP、SS、TUB)反演模型 Table 3 Inversion model of water quality parameters(TP, SS, TUB)

从表 3中可以看出, 各水质参数的反演模型的R2都在0.7左右, 其中, TP的4个模型中, 指数函数模型(ETP)与多项式模型(PLTP)的决定系数R2相等, 均为0.7829；SS的4个模型中, 多项式模型(PLSS)的决定系数R2较高, 为0.7503；TUB的4个模型中, 多项式模型(PLTUB)的决定系数R2最高, 为0.7334.因此, 以RMSE为标准, 选择多项式模型PLSS和PLTUB作为SS与TUB的反演模型, 选择指数函数模型(ETP)作为TP的最终反演模型.

3.3 模型检验

利用10组检验数据的TP、SS、TUB实测值与其分别对应模型的估测值进行线性拟合, 检验结果如表 4、图 8所示.拟合结果中斜率和R2越接近1, 表明估测过程越精确.由表 4可知, ETP模型的回归斜率为0.685, 决定系数R2为0.7374；PLSS模型的回归斜率为0.8097, 决定系数R2为0.8978；PLTUB模型的回归斜率为0.7102, 决定系数R2为0.6726；同时, 与实测值、估测值的1:1趋势线进行对比, 基本上可以看出模型的估测水平较为平稳, 贴近实测值.综上, 对于本研究的3个水质参数, 其最终选定模型的反演精度与传统卫星遥感的反演精度相近(冼翠玲等, 2017；张毅博等, 2015；冯奇等, 2017), 可对东湖区域的水质参数空间分布状况进行估算.

表 4 水质参数(TP、SS、TUB)估测模型精度检验 Table 4 Accuracy test of water quality parameters (TP, SS, TUB) estimation model

图 8 水质参数估测值与实测值拟合图(a.TP, b.SS, c.TUB) Fig. 8 Fitting map of estimated values and measured values of water quality parameters
3.4 水质参数多光谱图像反演

分别使用3个选定的模型对于获取的多光谱图像各像元进行估算, 反演出东湖区域的TP、SS、TUB估算结果.首先通过绘制RIO感兴趣区(Region of Interest, ROI)方法, 将东湖水体从多光谱图像中提取出来；然后将建立的3个参数对应的最优反演模型代入波段运算工具, 计算出区域内每一个像元对应的水质参数；最后对于反演结果通过不同浓度进行分级显示, 以直观地显示出东湖区域TP、SS及TUB的空间分布规律, 结果如图 9所示, 图例自上而下表示浓度越来越大.从图中可以看出, 东湖水域的北岸区域水质较差, 水域北部的TP、SS、TUB均呈现出红色区域较多, 表明该区域3种参数数值皆较大, 这是因为北岸靠近图书馆区域, 且有大片的休闲草坪, 与较多的生物活动有关.其中, TP浓度的集中最为明显, 主要集中在北岸边, 主要是因为该区域水位较浅, 靠近岸边植物较多, 再加上北岸排水口较为集中, 影响了该区域的TP浓度分布.SS、TUB的分布趋势有一定的相似性, 但可明显看出湖心区域TUB呈弧线带状分布, 这一区域考虑与实验阶段实验区域周边进行景观改造施工有一定的关系.

图 9 水质参数浓度空间分布图(a.TP, b.SS, c.TUB) Fig. 9 Spatial distribution of water quality parameters
4 讨论(Discussion)

目前, 卫星遥感在水质要素反演中的应用已基本成熟, 反演模型也从最初的数学运算模型逐渐过渡到神经网络模型, 无论是反演手段还是反演精度都有了较大程度的提高, 但由于受卫星遥感影像分辨率的限制, 导致卫星遥感水质反演只能针对水域面积较大的区域, 类似于本研究关注的东湖水域及一些其他的城市小微水域无法适用, 存在一定的局限性(孙刚等, 2018).本研究在卫星遥感水质要素反演研究的基础上, 明确了水质要素反演需要涉及到的波段光谱信息, 选择多光谱传感器, 在水面上空获取图像数据, 并且用于影响水环境的水质参数TP、SS、TUB的反演, 取得了较好的结果, 为城市水体的水质监测提供了全新的数据来源与技术手段, 为水环境的保护及治理提供了可靠的依据(李鑫等, 2017).

研究发现, 在分析了数据的相关性及显著性后, 选择与水质要素相关性高的光谱参数建模, 建模精度难以达到估测要求, 还需去除原始数据中的异常数据才可建模.本研究在选择建模所用光谱参数时, 只选择了线性趋势线决定系数最高的参数进行建模, 再选择决定系数最高的模型用于区域影像的反演估测.但在进行区域影像反演估测时, 依旧无法确定该模型是否效果最佳, 因为水质参数的差异体现在反射率光谱从可见光到近红外的多个波段, 其他波段构建的光谱参数对于水质要素的作用及影响也不可忽视(田明璐等, 2016).

对于水质要素浓度的遥感反演, 没有统一的标准模型, 不同研究区域的光谱反射率信息会因为其不同的地理位置, 使用不同的多光谱传感器、不同的无人机飞行速度、不同的水质样本检测仪器和方法, 以及不同的水体类型, 甚至不同的季节等各种因素的变化而不同(Romero-Trigueros et al., 2017).本研究由于受到天气、设备、时间、技术等多方面的客观限制, 未能获得更多时间跨度内的数据, 所得的反演估算模型也仅对本次研究过程及结果适用.

目前对于低空无人机水质遥感的研究还处在探索阶段, 对于一些更为严谨的多光谱图像获取与处理的手段还存在着一定的限制, 本研究未能做到多光谱图像的背景去噪, 对实验结果的准确度存在影响, 下一步研究将着重解决该问题.

5 结论(Conclusions)

1) 理论研究和实验验证均证明, 无人机遥感技术在水质要素反演中应用是可行的, 可以针对一些区域面积较小的水体进行TP、SS及TUB的反演估测, 且是在卫星遥感的水质要素反演思路指导下进行的研究, 证明利用五波段的多光谱传感器获取的图像数据可以满足部分水质要素反演的需求.

2) 基于浙江农林大学东湖区域的实测水质参数及同步获取的多光谱影像光谱反射率数据, 根据经验构建了16个光谱参数, 并与实测水质参数进行了相关性分析, 发现与TP、SS相关系数最高的为NIR(0.770~0.890 μm)波段的单波段光谱反射率, 与TUB相关系数最高的为Red edge position(0.670~0.760 μm)波段的单波段光谱反射率, 且均可通过0.05水平的显著性检验.

3) 本研究分别针对TP、SS、TUB建立线性回归模型、指数函数模型、幂函数模型及多项式模型, 通过比较得出, TP的指数函数模型(ETP)、SS的多项式模型(PLSS)及TUB的多项式模型(PLTUB)的决定系数R2值最高, 分别为0.7829、0.7503、0.7334.经过检验, 3个参数对应模型的估测值与实测值线性回归方程的决定系数R2分别为0.7374、0.8978、0.6726, 表明反演模型精度较高, 可以准确地估测东湖区域的TP、SS、TUB.将TP的指数函数模型(ETP)、SS的多项式模型(PLSS)及TUB的多项式模型(PLTUB)分别应用于东湖区域的多光谱图像, 可得到这一时间段东湖TP、SS、TUB的空间分布图.研究发现, TP和SS体现出自北向南逐渐降低的趋势, 在东湖北岸沿岸区域的TP和SS均较高, 而TUB也呈现出自北向南逐渐递减的趋势, 但在湖心偏北的区域整体较高, 考虑与湖心岛及凉亭周边的生物活动较为频繁有关, 也与湖心岛及凉亭周边的水位较低有一定关系.

综上, 当下关于无人机搭载多光谱影像的水质要素反演处于探索阶段, 该方面的投入较少, 在实际研究中, 存在着大量问题及需要克服的困难：①对于无人机拍摄的多光谱影像处理需要深入研究, 进一步探讨影像的光谱反射率特征, 并进行更深入的光谱分析；②研究区设置的采样点分布不够均匀, 对于水域整体的估测有一定局限, 为了实现反演的全面性, 应当在研究区域均匀设置采样点；③结合不同尺度的卫星遥感数据, 进一步优化遥感建模方法, 同时从时间序列的角度扩充研究数据, 使得估测模型能够稳定地为水质监测工作提供长期支持.

参考文献
Bean T P, Greenwood N, Beckett R, et al. 2017. A review of the tools used for marine monitoring in the UK:Combining historic and contemporary methods with modeling and socioeconomics to fulfill legislative needs and scientific ambitions[J]. Frontiers in Marine Science. DOI:10.3389/fmars.2017.00263
杜娟, 杨国范, 李佳奇. 2014. 基于环境小卫星的凌河叶绿素a浓度定量反演[J]. 节水灌溉, 2014(9): 50–53;56. DOI:10.3969/j.issn.1007-4929.2014.09.013
冯海英, 冯仲科, 冯海霞. 2017. 一种基于无人机高光谱数据的植被盖度估算新方法[J]. 光谱学与光谱分析, 2017, 37(11): 3573–3578.
冯奇, 程学军, 沈欣, 等. 2017. 利用Landsat 8 OLI进行汉江下游水体浊度反演[J]. 武汉大学学报(信息科学版), 2017, 42(5): 643–647.
Fabio Güttler N, Niculescu S, Gohin F. 2013. Turbidity retrieval and monitoring of Danube Delta waters using multi-sensor optical remote sensing data:An integrated view from the delta plain lakes to the western-northwestern Black Sea coastal zone[J]. Remote Sensing of Environment, 132(6): 86–101.
李鑫, 孙伟, 李林. 2017. 基于小型无人机可见光遥感的蓝藻识别研究[J]. 测绘与空间地理信息, 2017(4): 153–156. DOI:10.3969/j.issn.1672-5867.2017.04.045
马荣华, 张玉超, 段洪涛. 2016. 非传统湖泊水色遥感的现状与发展[J]. 湖泊科学, 2016, 28(2): 237–245.
Mathews A J. 2015. A Practical UAV remote sensing methodology to generate multispectral orthophotos for vineyards:Estimation of spectral reflectance using compact digital cameras[J]. International Journal of Applied Geospatial Research, 6(4): 65–87. DOI:10.4018/IJAGR
Niethammer U, James M R, Rothmund S, et al. 2012. UAV-based remote sensing of the super-sauze landslide:Evaluation and results[J]. Engineering Geology, 128(11): 2–11.
Peter K D, D'Oleire-Oltmanns S, Ries J B, et al. 2014. Soil erosion in gully catchments affected by land-levelling measures in the Souss Basin, Morocco, analysed by rainfall simulation and UAV remote sensing data[J]. Catena, 113(2): 24–40.
Romero-Trigueros C, Nortes P A, Alarcón J J, et al. 2017. Effects of saline reclaimed waters and deficit irrigation on Citrus physiology assessed by UAV remote sensing[J]. Agricultural Water Management, 183: 60–69. DOI:10.1016/j.agwat.2016.09.014
邵全琴, 郭兴健, 李愈哲, 等. 2018. 无人机遥感的大型野生食草动物种群数量及分布规律研究[J]. 遥感学报, 2018, 22(3): 497–507.
史锐, 张红, 岳荣, 等. 2017. 基于小波理论的干旱区内陆湖泊叶绿素a的TM影像遥感反演[J]. 生态学报, 2017, 37(3): 1043–1053.
Su T C, Chou H T. 2015. Application of multispectral sensors carried on unmanned aerial vehicle (UAV) to trophic state mapping of small reservoirs:A case study of Tain-Pu Reservoir in Kinmen, Taiwan[J]. Remote Sensing, 7(8): 10078–10097. DOI:10.3390/rs70810078
孙刚, 黄文江, 陈鹏飞, 等. 2018. 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.
田明璐, 班松涛, 常庆瑞, 等. 2016. 基于无人机成像光谱仪数据的棉花叶绿素含量反演[J]. 农业机械学报, 2016, 47(11): 285–293. DOI:10.6041/j.issn.1000-1298.2016.11.039
田野, 郭子琪, 乔彦超, 等. 2015. 基于遥感的官厅水库水质监测研究[J]. 生态学报, 2015, 35(7): 2217–2226.
冼翠玲, 张艳军, 张明琴, 等. 2017. 基于高分辨率多光谱影像的温瑞塘河水质反演模型研究[J]. 中国农村水利水电, 2017(3): 90–95. DOI:10.3969/j.issn.1007-2284.2017.03.020
张毅博, 张运林, 査勇, 等. 2015. 基于Landsat 8影像估算新安江水库总悬浮物浓度[J]. 环境科学, 2015, 36(1): 56–63. DOI:10.3969/j.issn.1006-4427.2015.01.011
朱云芳, 朱利, 李家国, 等. 2017. 基于GF-1 WFV影像和BP神经网络的太湖叶绿素a反演[J]. 环境科学学报, 2017, 37(1): 130–137.