基于Hyperion数据的南疆环塔里木盆地经济林树种识别敏感波段选择

冯振峰，王振锡*，岳　俊，王玲段

(1.新疆农业大学 林学与园艺学院，乌鲁木齐 830052；2.新疆教育厅干旱区林业生态与产业技术重点实验室，乌鲁木齐 830052)



基于Hyperion数据的南疆环塔里木盆地经济林树种识别敏感波段选择

冯振峰1，2，王振锡1，2*，岳俊1，2，王玲段1，2

(1.新疆农业大学 林学与园艺学院，乌鲁木齐 830052；2.新疆教育厅干旱区林业生态与产业技术重点实验室，乌鲁木齐 830052)

摘要：基于Hyperion高光谱遥感影像，以阿克苏红旗坡农场周围的3种经济林树种为研究对象，采用最佳指数法、自适应波段指数法和基于TM影像对应波段划分的波段指数法筛选出4种敏感波段组合，并运用最大似然分类方法对其进行树种识别敏感性检验。研究结果表明：筛选出的4种波段组合对3种经济林树种都有较好的可分性，总体分类精度均达到了75%以上，尤其是基于TM影像对应波段划分的波段指数法筛选的55-33-25和55-158-33组合，分类精度高达86.85%和87.47%，Kappa系数均在0.75以上，可作为南疆环塔里木盆地3种主栽经济林树种大面积遥感识别的依据。

关键词：经济林树种；高光谱遥感；数据降维；波段组合

0引言

近年来，新疆经济林种植面积每年以百万亩速度递增，特色经济林产业已经成为新疆农村经济发展和农民增收的主导产业[1]。因此开展经济林资源调査，了解和掌握经济林资源现状和变化信息对于提高林业发展决策水平，科学合理地经营管理经济林资源等都具有极其重要的意义[2]，而正确识别森林树种是前提和依据。传统的森林资源调查和监测方法以地面测量为主，存在工作量大、劳动强度大、成本高、周期长、效率低、时效性差和不可及区域难以到达等问题，难以满足当今林业发展的需要[3]。而遥感技术具有快速、准确、经济、大范围、可周期性地获取陆地、海洋和大气资料的能力，是获取地球信息的高新技术手段，在植被研究中也发挥了巨大的作用。在树种识别方面，高光谱遥感因具有较窄的波段和较高的光谱分辨率，能够准确地探测到具有细微光谱差异的各种地物类型，捕捉到不同树种之间的细小光谱差异，在一定程度上克服了多光谱遥感存在的“同物异谱”、“同谱异物”现象，极大地提高了森林树种的识别度和分类精度，推进了树种的识别研究[4-5]。李俊明[6]基于HJ-1A遥感影像，结合坡向和DEM信息，对吉林省汪清林业经营区内的蒙古栎(Quercusmonglica)、白桦(Betulaplatyphylla)和落叶松(Larixkaempferi)进行了树种识别，取得了较高精度。RajeeGeorge等[7]利用Hyperion高光谱数据对喜马拉雅山西部的白橡(Quercusleucotrichophora)、高山栎(Quercussemicarpifolia)、长叶松(Pinusroxburghii)、乔松(Pinuswallichiana)、冷杉(Abiespindrow)和雪松(Cedrusdeodara)6个树种进行了识别研究，总体精度达到了82.27%，结果表明高光谱遥感数据具有很强的森林树种识别能力。目前，国内外学者利用遥感技术对森林树种的识别进行了大量研究，但关于经济林树种遥感识别的研究尚不多见。本文以阿克苏红旗坡农场3种主栽经济林树种(苹果Maluspumila、红枣Ziziphusjujuba和香梨Pyrusbretshneideri)为研究对象，通过分析Hyperion影像中不同经济林树种的高光谱特征，选择波谱特征差异大、波段间相关性小且信息量大的波段进行组合，筛选出经济林树种识别的最佳波段组合，以期为南疆环塔里木盆地主栽经济林树种大面积遥感识别和经济林资源管理提供支撑。

1研究区概况和数据预处理

1.1研究区概况

研究区位于新疆阿克苏地区红旗坡农场阿克苏机场附近，地理坐标为41°14′39″～41°19′29″N、80°16′26″～80°21′03″E，海拔1 215m。红旗坡农场属于国家重点特色林果生产基地，享誉全国的“冰糖心”红富士苹果(Malusdomesticacv.Red Fuji)产于此地，该区地处天山南麓中段，塔里木盆地北缘，南临阿克苏市，西毗温宿县，地势较平缓，属于暖温带大陆性干旱气候，光热资源丰富，无霜期205～219 d左右，土壤为砂质土壤，通透性良好，肥力中等。研究区范围内经济林树种以苹果、红枣和香梨为主，农作物及间作物较少。

1.2数据来源

本文所选用的数据包括星载高光谱遥感影像(Hyperion)、高空间分辨率遥感影像(GF1-WFV3)、GDEM数据(10 m分辨率)及研究区林果资源背景数据库。Hyperion影像是世界范围内第一个民用的全波谱范围连续成像的星载高光谱影像数据源，在356～ 2 577 nm范围内共有242个波段，波段宽度约为10 nm，空间分辨率为30 m，刈幅为7.7 km；GF1-WFV3影像有4个多光谱波段，波谱范围0.45～0.89 μm，刈幅为800 km，空间分辨率16 m，重访周期4 d；本研究所使用的Hyperion影像及GF1-WFV3影像的成像时间分别为2012年11月7日和2014年8月23日。为了确保识别研究中训练样地和检验样地的选择具有准确性、客观性和科学性，2014年5月对阿克苏机场周边约10 km×10 km范围内的经济林树种的分布格局和栽植模式做了系统的地面调查，构建了研究区林果资源背景数据库。

1.3遥感影像预处理

使用ENVI5.0对遥感影像进行预处理。针对Hyperion影像，首先去除未定标、受水汽影响较大及图像质量较差的波段[8-10]，剩余108个波段；然后对影像进行辐射校正，将像元值转换为绝对辐射值[11]；由于CCD 器件本身的非均匀性、暗电流的影响、响应函数校正的不完全、工作状态引入的非一致性及外界因素的影响，造成了高光谱图像中条带噪声的存在，严重影响了高光谱图像的质量，因此采用相邻均值法和全局去条纹法分别对图像中的坏线和条纹进行修复[12-15]，坏线修复及条纹去除效果分别如图1和图2所示。

针对GF1-WFV3遥感影像，首先结合GDEM数据及自带的RPC文件进行正射校正；然后根据辐射定标系数进行定标处理。以经过配准的8m分辨率GF1多光谱数据为基准，对Hyperion影像和GF1-WFV3影像进行几何校正，分别选取25个和61个控制点，采用三次卷积校正模型，总误差均控制在0.07个像元以内；为了获得地表真实反射率，采用Flaash模块对两景影像进行大气校正，最后对图像镶嵌处理，得到研究区的反射率影像。由于年龄较小的人工经济林郁闭度较小，受背景因素的干扰较大，难以识别，因此本研究对GF1-WFV3遥感影像采用归一化植被阈值法提取树龄大于6 a的经济林园区(NDVI≥0.41)，作为Hyperion影像开展树种识别的区域，以实地调查的各经济林树种的分布格局作为遥感信息提取的参考依据。

图1　Hyperion图像坏线修复前后对比Fig.1 Comparison of Hyperion image with the bad line and replaced

图2　Hyperion图像条纹去除前后对比Fig.2 Comparison of Hyperion image with the stripe and eliminated

2研究方法

2.1敏感波段筛选方法

由于Hyperion影像具有波段多、波段间相关性高、光谱分辨率高等特点，不可避免地存在大量冗余信息和部分噪声波段，利用全波段数据进行树种分类时，易受到 Hughes 现象影响[16]。为此，必须对高维、具有海量信息的Hyperion影像数据进行降维，才能有效提高数据处理速度和后续处理的效果[17]。为了能最大程度地减少冗余波段和保持图像的原有特征，本文采用最佳指数法(Optimum Index Factor，OIF)、自适应波段指数法(Adaptive Band Index，ABI)和基于TM影像对应波段划分的波段指数法对Hyperion影像进行降维处理。

2.1.1最佳指数法

最佳指数法(OIF)是由美国Chavaz等人提出的一种波段组合选优方法，综合考虑了各波段间的相关性及单波段图像的信息富集程度[18]。其计算公式如下：

(1)

式中：Si为第i个波段的标准差；Rij为两波段之间的相关系数。

2.1.2自适应波段指数法

自适应波段指数法(ABI)是根据高光谱数据中波段间的近邻相关性，把相关性强的波段划分到相同的独立子空间内，运用波段指数法在子空间内完成最优波段的选择。该方法充分考虑了各波段的空间相关性、谱间相关性以及信息含量[19]。其数学表达式如下：

Pi=Si/Ri。

(2)

Ri=Rw+Ra。

(3)

(4)

式中：Ra第i波段与组外波段相关系数绝对值之和的平均值；Rw为第i波段与所在组内其他波段相关系数的绝对值之和的平均值。

2.1.3基于TM影像对应波段划分的波段指数法

基于TM影像对应波段划分的波段指数法是以宽波段TM影像band2、band3、band4和band5的波段区间作为Hyperion数据波段降维分组标准的波段指数法。根据林业遥感提取森林植被信息常用的TM 453和432组合[20-22]，本文分别选取TM3红光波段(630～690 nm)、TM2绿光波段(520～600 nm)、TM4近红外波段(760～900 nm)和 TM5中红外波段(1550～1750 nm)波长范围内所对应的Hyperion影像波段，并运用波段指数法开展经济林树种识别的敏感波段筛选。

2.2分类及评价方法

在ENVI环境下，运用最大似然法对筛选出的不同波段组合的遥感图像进行经济林树种分类，并利用混淆矩阵对分类结果进行精度评价。

3结果分析

3.1最佳指数法波段选择分析

为了更好地从Hyperion数据中提取出有效的光谱特征，应用ENVI软件统计出各单波段图像的标准差和波段间的相关系数矩阵，然后运用MATLAB软件分别计算出所有可能三个波段组合对应的最佳波段指数，将OIF的值按照从大到小顺序排列，OIF值越大则表明相应波段组合图像的相关性越小，信息量越大[23]。在108个波段中选出3个波段进行组合，并计算其最佳指数，共有204 156个不同组合，表1列出了最佳指数值排在前10位的波段组合，由表可见，各波段组合中心波长(λ)均比较接近，其OIF值也差异不大。为了避免相关性高的相邻波段进行组合，综合考虑各波段在组内出现的频率及其组合的OIF值，确定利用最佳指数法选出的最佳波段组合为96-193-213。

3.2自适应波段指数法波段选择分析

首先统计出研究区Hyperion影像波段间的相关系数矩阵图，如图3所示，相关系数矩阵存在明显的分块效应，且颜色越亮的部分相关系数越大[24]。剩下的108个波段被自动分成了3个具有不同维数的子空间，各组内波段间具有相近的光谱特性，然后分别计算各组的波段指数并按从大到小的顺序列出，表2显示了排在前5位的三组波段指数。敏感波段筛选通常选择标准差较大，而相关系数较小的波段进行组合，这样既包含丰富的信息，

同时波段间又相互独立[25]。由公式(2)可知，最佳指数和标准差成正比，因此在各组内选择Pi值最大的波段进行组合，即可得到最优结果。由表2，第一组内波段为33时Pi值最大，第二组内波段为106时Pi值最大，第三组内波段为193时Pi值最大，所以利用波段指数法选出的最佳组合为33-106-193。

图3　相关系数矩阵图Fig.3 The figure of correlation matrix

3.3基于TM影像对应波段划分的波段指数法波段选择分析

根据TM影像453和432组合的波长范围分别提取Hyperion影像对应的子空间，并计算各子空间内备选波段的波段指数，排在前5位的计算结果见表3和表4。选择每个子空间内波段指数最大值所对应的波段，作为该子空间内的最优波段，两表中第一行三个波长区间的Pi值均为最大，由此确定基于TM影像对应波段划分的波段指数法筛选出的最佳波段组合分别是55-158-33和55-33-25。

表1　最佳指数结果统计

表2　自适应波段指数结果统计

表3　基于TM453对应波段划分的波段指数结果统计

表4　基于TM432对应波段划分的波段指数结果统计

3.4树种识别及精度评价

首先以NDVI≥0.41的GF1-WFV3影像为依据，对4种波段组合的RGB影像进行掩膜；然后根据样本选取的三原则[26]，在Hyperion影像上分别选取训练样本468个像元(其中红枣144个、苹果189个、香梨135个)和检验样本5 955个像元(其中红枣1 595个、苹果3 245个、香梨1 115个)；最后以选好的训练样本为基础，运用最大似然法对上述波段组合的遥感影像进行分类，分类效果如图4所示，分类结果的精度利用混淆矩阵进行评价，分类精度见表5。

由表5可以看出，4种波段组合的总体分类精度均达到了75%以上，Kappa系数均在0.6以上，说明筛选出的不同波段组合对3种经济林树种都有较好的可分性。55-158-33组合的分类精度最高，达87.47%，Kappa系数为0.7943，其次是55-33-25组合；而96-193-213和33-106-193组合的总体分类精度均为75.58%，但由Kappa系数的大小可以看出，96-193-213组合总体分类效果最差。在波段指数法筛选出来的3种波段组合当中，与33-106-193组合相比，波段组合55-158-33和55-33-25的分类精度都有显著提高，分别提高了11.89%和11.07%。由此说明，波段指数法明显优于最佳指数法，而经过改进的基于TM影像对应波段划分的波段指数法比自适应波段指数法效果更佳；同时也进一步表明运用波段指数法进行波段选择时，按波长分组划分的差异对有效波段的筛选具有较大影响。

图4　4种波段组合的分类效果图Fig.4 The classification renderings of 4 kinds of band combinations

波段组合红枣识别精度/%苹果识别精度/%香梨识别精度/%总体分类精度/%Kappa系数96-193-21380.8871.2580.6375.580.617233-106-19386.3366.5386.5575.580.625555-158-3389.5387.4384.6687.470.794355-33-2586.7786.4487.0986.650.7815

就单一树种的分类精度而言，4种波段组合基本具有一致性，红枣和香梨的分类效果都比较好，均达到了80%以上，而苹果的分类精度偏低。4种波段组合对红枣的识别效果均较好，分类精度最低的波段组合96-193-213，其分类精度也达80%以上，55-158-33组合对红枣的分类效果最好，其精度高达89.53%。可见与最佳指数法筛选出的组合相比，波段指数法筛选出的结果对红枣的识别精度有明显提高，但波段指数法筛选的3种组合之间差异不大。香梨分类精度方面，分类精度最高的波段组合为55-33-25，达87.09%，其次是33-106-193组合，96-193-213组合对香梨的分类精度最差。相对于红枣和香梨而言，苹果分类效果较差，且在各波段组合间存在明显差异，55-158-33波段组合精度最高，达87.43%，精度最低的组合是33-106-193，只有66.53%。由各波段组合苹果的混淆矩阵(见表6)可以看出，错分是导致苹果分类精度较差的直接原因，且主要错分对象为香梨。这可能与苹果和香梨均属于苹果亚科，在波谱上具有一定的相似性有关。

表6　4种波段组合苹果的混淆矩阵

4结论与讨论

为了有效地降低高光谱数据的维度，同时也避免相关性强的波段进行组合，本文利用不同的敏感波段选择方法，对Hyperion影像进行了波段选择和特征提取，筛选出了4种波段组合，分别是96-193-213、33-106-193、55-158-33和55-33-25组合，包含8个敏感波段：波段25(600 nm)、33(681 nm)、55(905 nm)、96(1 104 nm)、106(1 205 nm)、158(1 730 nm)、193(2 083 nm)和213(2 285 nm)。从光谱波长来看，波段25和33位于可见光范围(380～760 nm)，其它6个波段都分布于近红外波段范围(760～3 000 nm)，这与王志辉等[27]用于树种识别的波段大都位于近红外波段的研究结果一致。同时，大量地物实测光谱研究表明，550～600、671、900 nm是植被光谱特征提取的特征位置[28-29]，不同植物的光谱在特征位置点附近差异显著，而本研究筛选出的波段25(600 nm)、波段33(681 nm)和波段55(905 nm)均位于特征位置附近，可见星载高光谱影像和地物实测光谱在植被信息提取方面也具有较高的一致性。 因此，可认为本研究筛选出的8个波段均能够作为经济林树种识别的敏感波段。

运用最大似然法检验不同波段选择方法筛选的4种波段组合对树种识别的敏感度，结果显示4种波段组合对3种经济林树种都具有较好的可分性，基于TM影像对应波段划分的波段指数法筛选出的55-158-33和55-33-25组合总体分类精度分别为87.47%和86.65%，均达到了85%以上，且Kappa系数均高于0.75，明显优于最佳指数法和自适应波段指数法筛选出的96-193-213和33-106-193组合。基于TM影像对应波段划分的波段指数法在高光谱数据全波段范畴选取了对植被更为敏感的波长区间进行有效波段筛选，相对于自适应波段指数法的全波段参与方式，所选最优波段组合总体分类精度得到了明显的提高，表明运用波段指数法进行波段选择时，波段按波长分组划分的差异对有效波段的筛选具有较大的影响。这与王立国等[30]在波段选择方法研究中认为“高光谱数据的局部特性跟全局特性之间存在很大差异，运用波段选择在全空间进行数据降维得到的结果不一定最佳”的结论具有一致性。

本研究筛选出4种敏感波段组合对3种主栽经济林树种的总体识别精度相对较高，介于75.58%～87.47%之间，树种识别最高精度略低于G.Goodenough等[31]对5种天然林类型识别的92.9%。究其原因，主要由于研究对象为人工栽植树种，经济林生产园栽培措施(施肥、灌溉、病虫害防治等)差异引起的树木叶片色素及水分含量变化可能是影响树种识别精度高低不可忽视的因素。

今后仍需要采用多时相高光谱遥感，抑或新的数据降维方法和分类方法对经济林树种进一步开展遥感信息提取研究，对南疆环塔里木盆地特色林果主产区大范围遥感树体营养诊断、病虫害防控等经营管理具有重要的实践意义。

【参考文献】

[1]罗万杰.新疆特色林果业发展现状、存在问题及对策[J].新疆农垦科技，2012(8)：16-18.

[2]柳萍萍.基于Hyperion数据的森林类型识别[D].长沙：中南林业科技大学，2012.

[3]赵宪文，李崇贵，斯林，等.基于信息技术的森林资源调查新体系[J].北京林业大学学报，2002，24(5/6)：147-155.

[4]Martin M E，Newman S D，Aber J D，et al.Determining forest species composition using high spectral resolution remote sensing data[J].Remote Sensing of Environment，1998，65(3)：249-254.

[5]谭炳香，李增元，陈尔学，等.高光谱遥感森林信息提取研究进展[J].林业科学研究，2008，21(z1)：105-111.

[6]李俊明.基于HJ-1A高光谱遥感树种识别的研究[D].哈尔滨：东北林业大学，2013.

[7]George R，Padalia H，Kushwaha S P S.Forest tree species discrimination in western Himalaya using EO-1 Hyperion [J].International Journal of Applied Earth Observation and Geoinformation，2014，28：140-149.

[8]Kruse F A，Boardman J W，Huntington J F.Comparison of airborne Hyperspectral Data and EO-1 Hyperion for mineral mapping[J].IEEE Transactions on Geoscience and Remote Sensing，2003，41(6)：1388-1400.

[9]孙存举，雷建华，唐果山，等.基于SPOT NOVI影像的阿坝州植被变化遥感监测[J].四川林业科技，2014，35(6)：56-59.

[10]薛万蓉，王静，但沿铭，等.内江市城市热岛效应时空演变特征遥感分析[J].四川林业科技，2012，33(2)：54-59.

[11]顾名澧.多光谱扫描仪的星上辐射定标系统[J].航天返回与遥感，1998，19(3)：21-25.

[12]Dinguirard M，Slater P N.Calibration of space multispectral imaging sensor[J].Remote Sensing of Environment，1999，68(3)：194-205.

[13]谭炳香，李增元，陈尔学，等.EO-1 Hyperion高光谱数据的预处理[J].遥感信息，2005，20(6)：36-41.

[14]孙存举，梁楠.遥感光谱混合模型在成都城区植被信息提取中的应用[J].四川林业科技，2014，35(5)：84-87.

[15]杨军，赵勇，张红实，等.利用卫星遥感影像数据分析邛海湿地近50年的变迁[J].四川林业科技，2013，34(4)：65-68.

[16]刘春红，赵春晖，张凌雁.一种新的高光谱遥感图像降维方法[J].中国图象图形学报，2005，10(2)：218-222.

[17]尹继豪，王义松.高光谱遥感影像中最佳谱段的快速选择方法[J].遥感信息，2010(3)：3-6+12.

[18]Charies S.Selecting band combination from multispectral data[J].Photogrammetric Engineering and Remote Sensing，1985，51(6)：681-687.

[19]李俊明，邢艳秋，杨超.基于森林类型光谱特征的最佳波段选择研究——以HJ/1A高光谱影像为例[J].森林工程，2013，29(4)：42-46.

[20]Haapanen R，Ek A R，Bauer M E，et al.Delineation of forest/ non-forest land use classes using nearest neighbor methods [J].Remote Sensing of Environment，2004，89 (2)：265-271.

[21]杨俊.基于ETM+遥感影像的森林覆盖面积提取方法的研究[D].南京：南京农业大学，2006.

[22]吴露露，袁伟志，罗旭，等.基于高分辨率卫星影像绿色信息提取的最佳假彩色合成方法及评价研究[J].北京林业大学学报，2008，30(z1)：62-67.

[23]刘建平，赵英时，孙淑玲.高光谱遥感数据最佳波段选择方法实验研究[J].遥感技术与应用，2001，16(1)：7-13.

[24]孙华，鞠洪波，张怀清，等.Hyperion高光谱影像波段选择方法比较研究[J].红外，2013，34(2)：27-34.

[25]杨金红，尹球，周宁.一种改进的高光谱数据自适应波段选择方法[J].遥感技术与应用，2007，22(4)：513-519.

[26]赵英时.遥感应用分析原理与方法[M].北京：科学出版社，2003.

[27]王志辉，丁丽霞.基于叶片高光谱特性分析的树种识别[J].光谱学与光谱分析，2010，30(7)：1825-1829.

[28]谭倩，赵永超，童庆禧，等.植被光谱维特征提取模型[J].遥感信息，2001(1)：14-18.

[29]闫晓勇.基于冠层光谱的南疆盆地主栽果树树种识别有效波段选择研究[D].乌鲁木齐：新疆农业大学，2014.

[30]王立国，古延锋，张晔.基于支持向量机和子空间划分的波段选择方法[J].系统工程与电子技术，2005，27(6)：974-977.

[31]Goodenough D G，Bhogal A S，Dyk A，et al.Monitoring forests with Hyperion and ALI[A].IEEE International Geoscience and Remote Sensing Symposium and the 24th Canadian Symposium on Remote Sensing[C].Toronto，Canada，2002：882-885.

Research on the Sensitive Band Selection of Discrimination ofNon-timber Product Tree Species Surrounding Tarim Basinin Southern Xinjiang Based on Hyperion Image

Feng Zhenfeng1，2，Wang Zhenxi1，2*，Yue Jun1，2，Wang Lingduan1，2

(1. College of Forestry and Horticulture，Xinjiang Agricultural University，Urumqi 830052；2. Key Laboratory of Forestry Ecology and Industry Technology in Arid Region，Education Department of Xinjiang，Urumqi 830052)

Abstract：In this paper，three kinds of non-timber product tree species surrounding Hongqipo farm in Aksu were studied and the Optimum Index Factor method，Adaptive Band Index method，Band Index method based on the corresponding bands of TM image were used to select 4 kinds of sensitive band combinations based on Hyperion hyperspectral remote sensing image.In addition，the sensitivity of non-timber product tree species discrimination of the selected band combinations was tested by using the Maximum Likelihood method.The results showed that the band combinations selected had good divisibility for the three kinds of main non-timber product tree species and their overall classification accuracy reached more than 75%.Especially for the combinations of 55-33-25 and 55-158-33 selected by Band Index method based on the corresponding bands of TM image，the Kappa coefficient were more than 0.75 and the classification accuracy were 86.85% and 87.47%，respectively，which can be used as the evidence for large area remote sensing to identify the three kinds of non-timber product tree species surrounding Tarim Basin in southern Xinjiang.

Keywords：non-timber product tree species；hyperspectral remote sensing；data dimension reduction；band combinations

中图分类号：S 771.8

文献标识码：A

文章编号：1001-005X(2016)02-0007-07

作者简介：第一冯振峰，硕士研究生。研究方向：遥感与地理信息系统。*通信作者：王振锡，博士，副教授。研究方向：林业3S技术与应用。E-mail：wangzhenxi2003@163.com

基金项目：新疆维吾尔自治区高校科研计划科学研究重点项目(XJEDU2013I16)；国防科工局高分专项(95-Y40B02-9001-13/15-01-01)；中国博士后科学基金项目(2015M572668XB)

收稿日期：2015-11-30

引文格式：冯振峰，王振锡，岳俊，等.基于Hyperion数据的南疆环塔里木盆地经济林树种识别敏感波段选择[J].森林工程，2016，32(2)：7-13.