基于UAV-RGB的矿区植物分类及其叶绿素含量时空变化分析.pdf

Series No.570December 2023 金 属 矿 山METAL MINE 总 第570 期2023 年第 12 期收稿日期 2023-06-05基金项目 国家重点研发计划项目(编号:2016YFC0501107);神华包头能源有限责任公司科技项目(编号:CEZB200204913);鄂尔多斯科技合作重大专项(编号:2021EEDSCXQDFZ010)。作者简介 陈 凯(1985),男,高级工程师。通信作者 雷少刚(1981),男,教授,博士,博士研究生导师。基于 UAV-RGB 的矿区植物分类及其叶绿素含量时空变化分析陈 凯1 雷少刚2 杨星晨2 史运喜2 陈树召2(1.国家能源集团包头能源李家壕煤矿,内蒙古 鄂尔多斯 017000;2.中国矿业大学矿山生态修复教育部工程研究中心,江苏 徐州 221116)摘 要 相比于高光谱遥感和多光谱遥感,在无人机上搭载 RGB 相机,不仅操作简单,而且成本低廉。但是,目前基于无人机 RGB 相机进行矿区典型植物分类的研究较少。另外,开采沉陷对地表植物叶绿素含量的时空扰动规律尚不清楚。为解决上述问题,本研究融合 RGB 影像的光谱信息、纹理信息和点云的 3D 特征,使用神经网络、支持向量机、随机森林 3 种机器学习分类算法,实现了对采煤沉陷区典型植被的分类。基于多期影像的分类结果和植被指数,分析开采沉陷对典型植物叶绿素含量的时空扰动规律。研究表明,最佳的分类算法为支持向量机。多特征融合可以显著提高分类精度,相比于只用光谱特征,多特征融合后的总体分类精度提高了 9.45%。总体分类精度可达 90%,Kappa 系数为 0.906,可满足矿区植被调查的需要。通过分析针茅和柠条叶绿素含量的时空变化,发现采煤对拉伸区植被的影响最大,其次是压缩区和中性区。拉伸区应作为生态修复的重点区域。地裂缝是生态修复的重点对象。与针茅相比,柠条能更好地适应采煤引起的干扰,可作为生态恢复的先锋物种。关键词 RGB 影像 矿区 机器学习 遥感分类 叶绿素含量 中图分类号P237 文献标志码A 文章编号1001-1250(2023)-12-227-07DOI 10.19614/ki.jsks.202312034Plant Classification and Analysis of Chlorophyll Content Temporal and Spatial Changes in Mining Areas Based on UAV-RGBCHEN Kai1 LEI Shaogang2 YANG Xingchen2 SHI Yunxi2 CHEN Shuzhao2(1.National Energy Group Baotou Energy Lijiahao Coal Mine,Ordos 017000,China;2.Ministry of Education Engineering Research Center for Mine Ecological Restoration,China University of Mining and Technology,Xuzhou 221116,China)Abstract Compared with hyperspectral remote sensing and multispectral remote sensing,it is not only easy to operate,but also low cost to carry an RGB camera on the Unmanned Aerial Vehicle(UAV).However,there are few researches on the classification of typical plants in mining areas based on UAV-RGB cameras.In addition,the temporal and spatial disturbance of mining subsidence on chlorophyll content of surface plants is still unclear.In order to solve the above problems,this paper com-bines spectral information and texture information of RGB images and 3D characteristics of point cloud,and uses three machine learning classification algorithms,namely,neural network,support vector machine,and random forest,to achieve the classifica-tion of typical vegetation in mining subsidence areas.Based on the classification results of multi-period images and vegetation index(Blue-red ratio vegetation index,BRRI),the temporal and spatial disturbance regularity of mining subsidence on chloro-phyll content of typical plants was analyzed.Research has shown that the best classification algorithm is support vector ma-chine.Multi feature fusion can significantly improve classification accuracy,with an overall classification accuracy improvement of 9.45%compared to using only spectral features.The overall classification accuracy can reach 90%,and Kappa coefficient is 0.906,which can meet the needs of vegetation investigation in mining area.Analyzing the spatiotemporal changes in chlorophyll content of Stipa and Caragana,it was found that coal mining had the greatest impact on vegetation in the stretching zone,fol-lowed by the compression zone and neutral zone.The stretching zone should be regarded as the key area of ecological restora-tion.Ground fissure is the key object of ecological restoration.Compared with Stipa,Caragana can better adapt to the disturb-722ance caused by coal mining and can be considered as a pioneer species for ecological restoration.Keywords RGB image,mining area,machine learning,remote sensing classification,chlorophyll content 矿山开采方式包括露天开采和地下开采。地下开采通过构建井筒和巷道等方式进行地下作业,往往会对其周边原本稳定的岩土结构造成巨大影响,继而引发地表形变1。研究表明,地表形变会造成井工矿区植被退化2。植被退化成为了矿山生态环境质量下降的主要方面。因此,及时地进行植被调查对矿区生态修复工作具有重要意义。植物物种调查是植被调查工作的基础。由于其高效、准确的优点,利用遥感的方式进行植物物种识别得到了广泛的应用。例如,Lucas 等3利用机载高光谱影像对美国密西西比州 Horn 岛进行了植物种类识别;Hakkenberg 等4综合高分影像、机载高光谱影像和激光雷达在森林地区实现了物种分类并完成了植物多样性制图。但是,现有研究大多基于高光谱遥感数据,有些甚至需要融合激光雷达数据。而这些数据(高光谱、激光雷达)成本高,数据源少。尤其是在偏远的矿区,更是难以获取合适的影像数据,因此难以普及。将 RGB 相机搭载于无人机(Unmanned Ae-rial Vehicle,UAV),不仅成本低廉,而且操作简单,因此便于在矿区推广应用。但是,目前基于 UAV-RGB进行植物分类的研究较少,发展新的植物分类技术具有较好的应用前景。将机器学习技术应用于遥感图像分类,是目前研究的热点。例如,黄雨菲等5利用 U-net 深度学习方法识别不同滨海湿地植物种类的精度可达 95.67%,总体精度较其他分类方法提高 6.67%13.67%;杜保佳6利用随机森林、卷积神经网络和支持向量机 3种方法对植物群落分类,同样取得了较好的效果。但是,将机器学习方法应用于 RGB 影像的研究尚不多见,尤其是针对矿区植被类型。另外,对植被生理参数进行分析也是植被调查工作的重要内容。以往研究表明,叶绿素含量是早期识别和评价植被健康状况的关键诊断指标,可较好地反映植被退化程度7。因此,基于遥感技术,分析地表沉陷对植物叶绿素含量的时空扰动规律,可及时发现生态质量退化区,有效地指导矿山生态修复工作。综合现有研究的不足以及实际需求,本文以内蒙古李家壕矿为例,使用机器学习技术,提出了一种基于 RGB 相机的矿区典型植物分类方法。随后,在多期分类结果的基础上,分析了 2 种典型植物的叶绿素含量的时空变化规律,以期为矿山生态环境的精准修复提供指导。1 研究区概况和数据来源1.1 研究区概况以内蒙古鄂尔多斯市的李家壕矿为研究区,该矿的开采方式为井下开采。矿区属于干旱半干旱气候,降水量小但蒸发量大。年均降雨量为 348.3 mm,然而年均蒸发量为 2 506.3 mm。矿区内原生植被稀疏,以草地为主,其中大部分为针茅。乔灌类植被较少,多为人工种植的柠条、樟子松、杨树等。研究区生态环境脆弱,原有的生态系统在矿山开采过程中受到影响和破坏,目前部分区域已开展生态修复工作。1.2 数据来源1.2.1 无人机数据选择晴朗无云的天气获取无人机影像,影像获取时间、相片数量、航高、空间分辨率和影像重叠度如表1 所示。无人机型号是大疆公司生产的 PHANTOM4 RTK,包含红绿蓝 3 个波段。根据地形条件、开采进度和精度要求,设计无人机飞行航线,包括飞行范围、飞行高度和重叠度。在 11 00 到 13 00 之间获取数据,以尽量减少来自大气的干扰和太阳高度角的变化。利用 Pix4Dmapper 软件对影像进行预处理,生成正射影像图。为了提高影像空间位置的精度,我们在研究区均匀布设了 20 个像控点,以完成影像的精配准工作。表 1 无人机影像参数Table 1 UAV image parameters采集日期照片数量/张 航高/m分辨率/cm重叠度2021-05-303 171601.644航向 80%旁向 70%2021-06-073 066601.644航向 80%旁向 70%2021-06-112 493601.644航向 80%旁向 70%2021-06-202 817601.644航向 80%旁向 70%2021-07-013 584601.644航向 80%旁向 70%2021-07-032 5391804.932航向 80%旁向 70%2021-07-132 890601.644航向 80%旁向 70%2021-07-192 699601.644航向 80%旁向 70%2021-07-253 777601.644航向 80%旁向 70%1.2.2 植被数据为了对植物分类结果进行验证,我们分别对各类地物类型选取一定数量的样本,样本选取过程中尽可能地避免混入其他地物像元,以保证统计结果的准确性。共选取杨树样本 39 个,樟子松样本 38 个,柠条样本 40 个,针茅样本 40 个,裸地样本 36 个。我们对选择的样本进行定位,定位设备为华测公司生产的822总第 570 期 金 属 矿 山 2023 年第 12 期X5 工程型 RTK 产品。2 研究方法研究区的主要植物种类有针茅、柠条、杨树、樟子松等。因此将地物类型分为 6 类,包括柠条、针茅、杨树、樟子松、裸地以及其他。由于无人机数据仅包含红、绿、蓝 3 个波段的反射率信息,仅凭光谱信息难以实现植被种类的区分。因此,为了充分挖掘 RGB 影像中的潜在信息,本文提出将影像的纹理特征以及密集匹配点云计算的几何特征引入到分类工作中。综合光谱信息、纹理信息和几何特征,借助机器学习算法,实现植物种类的识别。2.1 纹理特征无人机 RGB 影像具有高空间分辨率,其纹理信息比较丰富,因此可以借助不同地物间的纹理差异来提高分类的精度。图像的纹理特征提取方法已经十分成熟,各种理论方法层出不穷8。本文选取了著名的灰度共生矩阵9。其定义为灰度图像中特定方向 上间距为 d 的 2 个灰度值同时出现的联合概率分布。实验中采用 ENVI5.3 软件对 RGB 影像进行处理,分别获得红、绿、蓝 3 个波段的 4 个纹理特征,包括方差、相异性、信息熵和二阶矩。其中,滤波窗口大小设为 55,空间相关性矩阵 X 和 Y 的变化值设为 1,灰度化级别按照默认设置。2.2 几何特征点云的 3D 特征体现点云的分布结构,同时也反映了植被的三维结构特征。本文采用软件 Cloud-Compare2.12.4 提取了包括高斯曲率以及特征值相关特征在内的共计 5 个点云几何特征。特征值相关特征是基于邻域内所有点的协方差矩阵所求的 3 个特征值计算所得,3 个特征值分别记作 L1、L2、L3,并且 L1L2L3。具体包括各向同性、曲面变化率、球体指数和垂直度等 4 个特征。2.3 特征选择选取变异系数10来反映各样本的上述 20 种特征的离散程度。地物样本的某一特征的变异系数越小,则表示此特征对于该类地物的代表性越强。但能否有效地将该类地物与其他地物类型区分开来,仅统计各特征的变异系数并不够。针对某一特征,还要统计各地物类型之间的差异性。因此选取差异系数11来反映各地物类型在某一特征的差异程度,差异系数越大,表示该特征用于区分地物的效果越好。变异系数和差异系数的计算:V=SM 100%,(1)DW=M1-M2M2 100%,(2)式中,V 为变异系数;S 为标准差;M 为均值;DW为类间差异系数;M1为第一类地物的均值;M2为第二类地物的均值。2.4 分类模型本文选取了神经网络、支持向量机以及随机森林3 种机器学习方法。神经网络是用计算机模拟人脑的结构,用大量的处理单元模拟人脑神经元12。神经网络通常由输入层、隐藏层和输出层构成,通过损失函数和梯度下降法不断调整参数,最终确定分类模型。支持向量机13是一种基于统计学习的分类方法,其核心思想是通过非线性映射将原始空间转换到一个高维特征空间,将原始空间中的非线性可分问题变成高维特征空间中的线性可分问题,从而在高维特征空间中寻找最优的分类面。随机森林14本质上属于机器学习中的集成学习,它的基本单元是决策树,每棵决策树都是一个分类器,其核心思想是将所有树的分类结果进行投票输出。2.5 叶绿素含量植被指数高空间分辨率的无人机影像中包含大量与植被冠层相关的信息,所以可以利用遥感植被指数来表征植被冠层的叶绿素含量。本文影像数据仅包含红、绿、蓝 3 个波段,故选用与 RGB 相关的植被指数。前人研究表明,红波段和蓝波段与叶绿素含量密切相关,已有一些植被指数被证明是切实可行的,如BRRI15和 Ikaw16。经过对比,我们最终选择了BRRI 指数:BRRI=BR,(3)式中,B 为蓝光波段的反射率;R 为红光波段的反射率。BRRI 的值位于 0、1 之间,值越大代表冠层叶绿素含量越高。3 结果与讨论3.1 特征选择根据植被类型的地面调查结果,在影像中提取针茅、柠条、樟子松、杨树、裸地的光谱特征、纹理特征以及几何特征,计算各特征的变异系数以及不同地类间的差异系数。以柠条为例,表 2 为柠条 20 种特征的变异系数以及柠条与其他地类间的差异系数。可以看出,柠条各类特征的变异系数大小不一,其中高斯曲率的变异系数最大,为 103.85%,绿波段信息熵的变异系数最小,为 2.09%。此外,柠条与樟子松的绿波段二阶矩差异系数最大,为 1 104.93%,柠条与针茅的绿波段相异性差异系数最小,为 0.08%。综合922 陈 凯等:基于 UAV-RGB 的矿区植物分类及其叶绿素含量时空变化分析 2023 年第 12 期了所有地类各特征的变异系数以及每一地类与其他地类各特征的类间差异系数后,最终选定红、绿、蓝 3波段的二阶矩以及点云几何特征中的高斯曲率、各向同性、曲面变化率和球体指数 7 个特征。加上红绿蓝3 个光谱波段,共计 10 个特征。表 2 柠条各特征的变异系数以及柠条与其他地类各特征的类间差异系数Table 2 The coefficient of variation of various characteristics of Caragana korshinskii and the coefficient of inter class differences between Caragana korshinskii and other land types%特征变异系数 V针茅 Dw樟子松 Dw杨树 Dw裸地 Dw红光波段12.361 8723.056 29-0.285 5312.361 8788.287 23绿光波段10.280 0716.514 343.6842 5810.280 0762.587 15蓝光波段5.957 17819.627 72-9.251 345.957 178100.039 4红波段方差36.886 3860.196 84-37.47 0136.886 3853.589 91红波段相异性26.891 8418.590 64-51.1674 26.891 844.275 575红波段信息熵2.870 6060.827 003-38.205 72.870 606-9.599 23红波段二阶矩16.558 7746.258 21 047.73416.558 77121.149 3绿波段方差13.707 811.723 286-19.472 713.707 81-38.383 7绿波段相异性7.630 4380.076 9-29.448 97.630 438-38.201 7绿波段信息熵2.0901 714.220 881-33.237 32.090 171-5.614 85绿波段二阶矩17.535 825.592 691 104.93317.535 892.085 45蓝波段方差15.794 29-23.163 7-19.633 515.794 293.0247 42蓝波段相异性9.488 782-20.599-21.4089.488 782-1.355 31蓝波段信息熵2.941 901-2.125 86-30.963 12.941 901-1.732 63蓝波段二阶矩13.265 3347.487 97770.093 313.265 3356.412 75高斯曲率103.854 3429.646 764.032 66103.854 3102.297 3各向同性41.899 09130.201 175.348 3741.899 0935.900 7曲面变化率61.088 83215.153112.796 361.088 83-2.084 42球体指数65.302 08245.704 5121.745 965.302 082.7040 09垂直度36.980 8853.458 2267.041 6136.980 88-40.887 4 注:黑体为最终选取的特征。3.2 植物分类选取最佳的特征后,我们采用 3 种机器学习的方法(神经网络、支持向量机、随机森林)对植物类型进行分类。本研究综合了 RGB 相机的光谱信息、纹理信息和点云的 3D 特征(即植被的结构信息)。首先仅采用光谱特征进行分类,然后采用光谱+纹理特征的方式,最后采用光谱+纹理+3D 几何特征的方式,分类结果如图1 所示(以7 月13 日的影像为例)。随后我们使用总体分类精度和 Kappa 系数对分类结果进行评价(表 3)。总体而言,支持向量机是 3 种分类方法中效果最好的。同时,结果也表明,采用多特征融合的方法确实能够获得更好的分类结果。以支持向量机为例,仅使用光谱特征,其总体分类精度为80.57%,当在光谱特征中加入纹理特征和 3D 几何特征后,总体分类精度提高了 9.45%,达到 90.02%。由于无人机数据易于获得,未来可以利用多期遥感影像提取植物的物候信息。将物候信息融合到现有方法中,或许可以进一步提高物种分类精度。另外,可以尝试更多的机器学习算法,将遥感分类与人工智能更好地结合。表 3 精度评价Table 3 Accuracy evaluation分类特征分类方法总体分类精度/%Kappa 系数RGB 特征神经网络77.145 00.650 3支持向量机80.572 40.738 2随机森林79.677 90.728 9RGB 特征+纹理特征神经网络88.159 70.865 9支持向量机89.984 60.893 5随机森林82.429 80.745 3RGB 特征+纹理特征+3D 特征神经网络89.356 60.890 5支持向量机90.020 70.905 8随机森林84.421 50.757 83.3 叶绿素含量的时空变化分析采用多特征融合的手段,使用支持向量机对获取的全部 9 期无人机影像进行分类,并计算 BRRI 指数。在研究区选取一条垂直于开采方向的样线(图2),结合分类结果,提取了样线上针茅和柠条 2 种植物的 BRRI 指数。根据开采沉陷情况,分别统计了中性区、压缩区、拉伸区和自然区域的 BRRI 指数,并计算退化系数,以反映植被的退化程度:032总第 570 期 金 属 矿 山 2023 年第 12 期图 1 分类结果Fig.1 Classification results退化系数=沉陷区 BRRI 指数自然区 BRRI 指数.(4)图 2 样线以及中性区、压缩区、拉伸区Fig.2 Transect and neutral zone,compression zone and stretching zone 退化系数的值越低,代表植物受到的胁迫越严重。BRRI 和退化系数的时空变化如图 3 所示。在调查初期,退化系数的值在 1 附近,说明自然区和沉陷区的植被叶绿素含量基本一致,此时植物尚未受到扰动。根据井下开采数据,该工作面在 6 月 15 日掘进至样线所在的位置。但是从图 3 可知,在 6 月 15 日之前,植物就出现了退化的趋势,这是开采的超前影响所致。对于同一区域,针茅的退化系数均低于柠条,说明灌木比草本更能抵抗开采带来的胁迫。对于同一物种,中性区的退化系数最高,其次是压缩区,拉伸区的退化系数最低。这说明拉伸区的植被退化最严重,应该作为生态修复的重点区域。图中显示,一段时间后退化系数会逐渐上升。这说明植被正在逐渐恢复,但是其退化系数仍然小于 1,即开采区植物的叶绿素含量仍然低于自然区。通过分析矿区典型植物的叶绿素含量的时空变化,发现位于拉伸区的植物受到的胁迫最严重。这可能是由于地表形变的原因,拉伸区更容易产生地裂缝,而地裂缝会造成土壤含水量的缺失17。该研究区属于干旱半干旱地区,水分是影响植物生长的限制性因素,缺水更容易导致植被的退化,直观的表现则为叶绿素含量的下降。因此,地裂缝应作为矿区生态治理的重点对象,而拉伸区则为生态修复的重点区域。研究发现,相比于柠条,在同样的环境下针茅受到的胁迫更大。这可能是因为柠条的根系更为发达,即使生长于裂缝区,也不易断裂(图 4(a)。而针茅在地表形变剧烈的地区更容易发生根系断裂,进而死亡(图 4(b)。本文结果表明,在工作面未开采到植被样线所在的位置时,植被叶绿素含量已经出现了下降。这说明开采引起的超前影响就足以导致植被的退化。采后 40 d 时,掘进面已经超过植被样线约 320 m(开采速度约为 8 m/d)。此时植被叶绿素含量虽然有所升高,但是依然低于自然区域的水平。这说明不论是在时间维还是空间维,矿山开采对植被的影响都是存在的,需要采取相应的保护与修复措施。从132 陈 凯等:基于 UAV-RGB 的矿区植物分类及其叶绿素含量时空变化分析 2023 年第 12 期图 3 BRRI 指数和退化系数的时空变化Fig.3 Temporal and spatial variations of BRRI index and degradation coefficient7 月 10 日开始,该工作面采取了一系列生态修复措施,如治理裂缝,给植被浇水等。可以看到,7 月 13日的退化系数得到了明显的回升,说明这些生态修复措施起到了较好的效果,应继续坚持。图 4 地裂缝对植被根系的损伤Fig.4 Damage of vegetation roots caused by ground fissures4 结 论考虑到经济成本以及数据源的可获取性,将RGB 相机搭载于无人机上,是一种在矿区进行植被遥感调查的有效手段。由于其操作简单且成本低廉,因此易于在矿区得到大范围推广。基于无人机获取的 RGB 影像,本文提出了一种针对矿区典型植物的遥感分类方法。该方法融合了影像的光谱信息、纹理信息和点云的 3D 特征,使用 3 种机器学习分类算法,实现了矿区典型植物的分类。研究发现,多特征融合可以显著提高分类的精度,最佳的机器学习算法为支持向量机,其总体分类精度可达 90%,基本可以满足矿区植物调查的需求。通过对植物叶绿素含量的时空变化进行分析,发现沉陷拉伸区的植被更容易出现退化,其次是压缩区和中性区。相比于针茅,柠条更能抵抗地下开采带来的扰动,适合作为矿区生态修复的先锋物种。参 考 文 献1 杨瑞.晋北黄土区井工煤矿生态风险评价研究D.北京:中国地质大学(北京),2021.YANG Rui.Research on Ecological Risk Assessment of Coal Mines in the Loess Area of North ShanxiD.Beijing:China University of 232总第 570 期 金 属 矿 山 2023 年第 12 期Geosciences(Beijing),2021.2 米家鑫.半干旱区井工矿山地表形变对植被的长期影响研究D.徐州:中国矿业大学,2021.MI Jiaxin.Study on Longterm Effects of Ground Deformation on Veg-etation in Semi-arid Underground MinesD.Xuzhou:China Univer-sity of Mining and Technology,2021.3 LUCAS K L,CARTER G A.The use of hyperspectral remote sensing to assess vascular plant species richness on Horn Island,MississippiJ.Remote Sensing of Environment,2008,112(10):3908-3915.4 HAKKENBERG C R,PEET R K,URBAN D L,et al.Modeling plant composition as community continua in a forest landscape with LiDAR and hyperspectral remote sensing J.Ecological Applications,2018,28,177-190.5 黄雨菲,路春燕,贾明明,等.基于无人机影像与面向对象-深度学习的滨海湿地植物物种分类J.生物多样性,2023,31(3):143-158.HUANG Yufei,LU Chunyan,JIA Mingming,et al.Plant species classification of coastal wetlands based on UAV images and object-o-riented deep learningJ.Biodiversity Science,2023,31(3):143-158.6 杜保佳.基于无人机高光谱影像的湿地植物群落分类与冠层氮素含量反演研究D.长春:中国科学院大学(中国科学院东北地理与农业生态研究所),2021.DU Baojia.Nitrogen Content Retrieval of Wetland Plant Community Canopy Based on Unmanned Aerial Vehicle Hyperspectral Remote SensingD.Changchun:University of Chinese Academy of Sciences(Northeast Institute of Geography and Agroecology,Chinese Acade-my of Sciences),2021.7 PENG Yu,FAN Min,WANG Qinghui,et al.Best hyperspectral indi-ces for assessing leaf chlorophyll content in a degraded temperate vegetation J.Ecology and Evolution,2018,8(14):7068-7078.8 杨艳魁.结合光谱和纹理信息的高分辨率遥感影像茶园提取D.福州:福州大学,2018.YANG Yankui.Extraction of Tea Garden with High Resolution Re-mote Sensing Image Combined with Spectral and Texture InformationD.Fuzhou:Fuzhou University,2018.9 钟滨,廖永皓,蔡海生.基于光谱与纹理特征的高分二号竹林信息提取-以庐山自然保护区为例J.测绘与空间地理信息,2020,43(12):8-13.ZHONG Bin,LIAO Yonghao,CAI Haisheng.Extraction bamboo for-est from GF-2 satellite based on spectral and texture features:Taking Lushan nature reserve as an exampleJ Geomatics&Spatial Infor-mation Technology,2020,43(12):8-13.10 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.GUO Peng,WU Fadong,DAI Jianguo,et al.Comparison of farm-land crop classification methods based on visible light images of un-manned aerial vehiclesJ.Transactions of the Chinese Society of Agricultural Engineering.2017,33(13):112-119.11 周涛,胡振琪,阮梦颖,等.基于无人机遥感的煤矸石山植被分类J.煤炭科学技术,2023,51(5):245-259.ZHOU Tao,HU Zhenqi,RUAN Mengying,et al.Classification of coal gangue pile vegetation based on UAV remote sensingJ.Coal Science and Technology,2023,51(5):245-259.12 张鹏飞.基于卷积神经网络的遥感图像分类算法研究D.合肥:合肥工业大学,2022.ZHANG Pengfei.Research on Remote Sensing Image Classification Algorithm Based on CNND.Hefei:Hefei University of Technolo-gy,2022.13 张怡.基于贝叶斯算法优化支持向量机的遥感分类研究D.上海:华东师范大学,2021.ZHANG Yi.Research on Remote Sensing Classification Based on Bavesian Algorithm Optimized Support Vector MachineD.Shang-hai:East China Normal University,2021.14 周珂,杨永清,张俨娜,等.光学遥感影像土地利用分类方法综述J.科学技术与工程,2021,21(32):13603-13613.ZHOU Ke,YANG Yongqing,ZHANG Yanna,et al.Review of land use classification methods based on optical remote sensing imagesJ.Science Technology and Engineering,2021,21(32):13603-13613.15 贺英,邓磊,毛智慧,等.基于数码相机的玉米冠层 SPAD 遥感估算J.中国农业科学,2018,51(15):2886-2897.HE Ying,DENG Lei,MAO Zhihui,et al.Remote sensing estimation of canopy SPAD value for maize based on digital cameraJ.Scien-tia Agricultura Sinica,2018,51(15):2886-2897.16 ELSAYED S,GALAL H,ALLAM A,et al.Passive reflectance sens-ing and digital image analysis for assessing quality parameters of mango fruitsJ.Scientia Horticulturae,2016,212:136-147.17 许传阳,马守臣,张合兵,等.煤矿沉陷区沉陷裂缝对土壤特性和作物生长的影响J.中国生态农业学报,2015,23(5):597-604.XU Chuanyang,MA Shouchen,ZHANG Hebing,et al.Effect of cracks on soil characteristics and crop growth