0 引 言
2015年4月，由国务院发布的《水污染防治行动计划》(“水十条”)中明确要求，到2020年，地级以上城市建成区黑臭水体均控制在10%以内，到2030年，城市黑臭水体总体上得到消除[1]。传统实地水质取样监测，耗时耗人力，且极易受到气候和水文条件的限制，难以完成周期性的连续监测，且存在较大的观测误差。遥感技术具有实时、覆盖范围广、周期观测、成本低等优势。水质遥感监测已经成为水环境监测及预警、水体污染控制与治理、水生态环境保护等方面的主流技术手段。随着具有高空间、高光谱分辨率、重访周期短等特性的各种卫星传感器的不断涌现和精度改良，针对城市内河等复杂水体的遥感动态监测技术脱颖而出。
利用遥感手段监测和评价城市黑臭水体是近几年兴起的一种技术手段。最早的水色遥感主要针对开阔大洋和海湾区域，直到20世纪70年代，遥感技术开始被应用于对内陆水体进行识别研究。早期的研究中最相关的是对“黑水团”或“湖泛”现象的遥感观测[2-4]。而城市黑臭河道数量多，面积小，分布广，水质受人为因素干扰较大，因此，城市黑臭水体的成因及遥感监测较黑水团或湖泛更为复杂。
利用光学遥感技术对城市河道黑臭进行识别和分级需要研究黑臭水体的光谱特征和色度特征等。随着高空间分辨率和高光谱分辨率卫星传感器发展，这些遥感数据为城市黑臭水体的识别和分级提供了可能。目前已有许多利用遥感手段识别黑臭水体的研究[5-9]，但各城市间水体的黑臭类型和主要影响因素各不相同，很难总结出一个统一的遥感识别模型。且城市水体的提取和分类对卫星传感器有较高的要求，而目前常见的高空间分辨率卫星以商业卫星为主，成本较高，重访周期较长，较难满足周期性的城市黑臭水体动态监测。因此，本文以广西钦州市主城区为研究区域，结合两期的实地黑臭水体样本数据，以PlanetScope影像为数据源，分析黑臭水体与一般水体的光谱特征差异，利用统计学方法分析水质参数与卫星特征波段的相关性，构建了城市黑臭水体识别模型。验证高空间分辨率PlanetScope卫星数据在城市水体识别和污染程度识别的可行性，探析PlanetScope遥感波段与城市典型黑臭水体的相关性，丰富城市黑臭水体遥感卫星数据库，以期为我国黑臭水体整治工作攻坚战提供实践参考。
1 研究区域概况
钦州市位于广西南部沿海，北部湾北岸(107°27′E—109°56′E，21°35′N—22°41′N)，是中国-东盟自由贸易区的前沿城市之一。钦州市处于亚洲东南部季风区内，年平均气温22.3～22.5 ℃，常年阳光充足，雨水丰沛。2016年，钦州市中心城区常住人口约24.67万人，已建建设用地约59.70 km2。钦州市河流密布，河流沟渠成网。随着城市发展建设，居住人口增多，工业化发展加速，钦州市水体受到污染，水生态受损严重，环境隐患问题突出，制约了钦州市的发展建设。
2016年9月6—7日和2016年12月4日在钦州市区分别开展了两次野外水质调查行动，调查初步判定在西干渠、西干渠康熙岭支流、东干渠、桃沟和黄晚沟存在黑臭现象。两次实地调研共采集水体样本32个(图1)，其中2016年9月的样本有14个，12月的样本有18个。根据2015年住建部联合环境保护部发布的《城市黑臭水体整治工作指南》(下称《指南》)中黑臭水体判别方法，采样点的4项黑臭水体水质判别指标(透明度(SD)、溶解氧(DO)、氨氮(NH3-N)和氧化还原电位(ORP))的监测结果如表1所示。
图1 采样点位置图
Fig.1 The location of sample points
根据《指南》中水质指标黑臭分级标准。32个水体样本中，有9个水体为非黑臭，16个轻度黑臭，9个重度黑臭。为分析一般水体与黑臭水体的光谱差异，在《2016年钦州市环境质量状况公报》中年度水质优良的监测断面中选取19个样点(N1—N19)。
表1 钦州市采样点水质监测指标
Table 1 Water quality indexes values of the samples
采样时间样点编号SD/cmρ(DO)/(mg·L-1)ρ(NH3-N)/(mg·L-1)ORP/mV2016-09-06B1609.140.276195.3B2157.730.802183.0B3256.733.42162.8B4404.0711.37121.0B5104.2153.61219.8B6100.5321.44113.0B7102.489.61183.7B8352.764.0676.0B9203.942.45286.0B10451.575.52284.0B11352.955.84283.0B12201.0210.28154.0B13254.6714.35147.0B14120.6229.4135.02016-12-04B15404.0711.37121.0B16453.0710.43133.0B17254.6714.35147.0B18158.314.76143.0B19158.0715.06142.3B20195.2913.09157.3B21100.5331.44113.0B22101.2153.61219.8B23154.413.75147.6B24354.371.411182.2B25609.140.276185.3B26457.730.802183.6B2791.426.009163.2B28243.586.139158.3B29134.413.75147.6B304.76163.861173.4B31196.114.399148.5B32555.513.1135.0
2 数据与研究方法
2.1 PlanetScope遥感影像
PlanetScope(PS)数据是由Planet公司发射的PlanetScope(PS)小卫星星座的卫星数据产品，PS现有在轨卫星共132颗，是全球最大的卫星星座，在新发射的88颗卫星稳定传输数据后，可实现每天监测全球1次。在Planet官网(https://www.planet.com)注册申请可免费下载L1B的Analytic级别产品数据。相较于当下众多高空间分辨率卫星数据，PS卫星数据有高频次重访的独特优势。PS卫星产品有4个多光谱波段，波段范围为455～860 nm，空间分辨率达3 m。PS影像信噪比高，在整个卫星传感器上具有统一的高像素质量和可用性，产品详细描述见表2。
目前，国内PS卫星数据的应用案例较少，但国外已出现许多利用PS卫星数据的相关研究，包括海洋监测[10, 11]、农业监测[12]、水文分析[13]、土地覆盖分类[14]等，均取得了较真实可靠的结果。
2.2 城市黑臭水体遥感识别算法构建
2.2.1 城市水体提取
从Planet官网获取的L1B的Analytic级别产品数据已经过几何校正和辐射校正。因此，本研究中对于PlanetScope产品数据的预处理主要包括辐射定标、大气校正、图像镶嵌和剪裁，均在ENVI5.5遥感影像处理平台中实现，其中，对PS影像的大气校正利用QUAC大气校正模型[14]，QUAC校正结果将反射率在数值上扩大10000倍，影像大气校正前后效果如图2和图3所示。
表2 PlanetScope产品相关参数描述
Table 2 The description the parameters of PlanetScope product
参数轨道高度波段范围纬度覆盖回归周期幅宽国际空间站轨道(32颗)400km太阳同步轨道(100颗)475kmBlue:455～515nmGreen:500～590nmRed:590～670nmNIR:780～860nm±52°可变±81.5°每天24.6km×16.4km
对PlanetScope影像进行城市水体提取的步骤如下：
1)通过归一化植被指数(NDVI)(计算方法如式(1)所示)进行水体和非水体的粗分类，以NDVI<0作为阈值进行划分。
2)城市下垫面覆被类型复杂，受太阳高度角等的影响，许多建筑物和土壤的反射率较低，NDVI不能完全提取，因此，利用高分辨率水体指数(HRWI)对水体作进一步提取，计算方法式(2)所示：
NDVI=(Rrs(NIR)-Rrs(Red))/
(Rrs(NIR)+Rrs(Red))
(1)
HRWI=6×Rrs(Green)-Rrs(Red)+
6.5×Rrs(NIR)+0.2
(2)
式中：Rrs(NIR)、Rrs(Red)及Rrs(Green)分别为近红外波段，红波段以及绿波段的反射率，sr-1。
3)在空间分辨率影像中，城市高楼建筑和绿化带的阴影与水体的反射率非常相似，在影像上选取水体和阴影样本进行统计分析，发现水体在蓝波段至红波段间的斜率比阴影的高，由此可利用蓝、红波段间的遥感反射率差值，并进行对数变换来区分水体和阴影，进一步进行城市水体分类提取，水体和阴影的光谱曲线如图4所示，具体分类规则及步骤如图5所示，分类提取结果如图6所示。
图2 大气校正前后水体反射率对比
Fig.2 The comparison of water body reflectance by using QUAC
图3 假彩色影像大气校正前后对比
Fig.3 Examples of false color images before/after QUAC correcting
—水体； 
—阴影。
图4 水体和阴影的光谱曲线
Fig.4 Spectral curves of water body and shadow
图5 水体提取分类决策树
Fig.5 Decision tree of water body extraction
图6 水体提取结果
Fig.6 The results of water body extraction
2.3 城市黑臭水体光谱特征分析
为了研究黑臭水体和一般水体在可见光范围内的光谱特征，将所采集的钦州市主城区黑臭水体(2016年12月实测)经GPS识别定位，在最接近的时间范围内的遥感影像上找到对应处的黑臭水体和一般水体的像元，遥感影像的采集时间为2016年12月2日。将遥感影像的反射率进行归一化处理后，利用ENVI5.5对这些像元的遥感反射率进行统计分析，得到典型黑臭水体和一般水体的光谱曲线如图7所示。
—黑臭水体； 
—一般水体。
图7 PlanetScope数据黑臭水体和一般水体光谱特征
Fig.7 The difference between spectral signature of black odorous water and normal water
由图7可知：黑臭水体与一般水体在可见光波段范围内的光谱特征有较明显区别。在蓝、绿、红3个波段处，黑臭水体的反射率均低于一般水体，走势平缓，斜率小于一般水体；在近红外波段，黑臭水体的反射率达到最大值，而一般水体与之相反，在此波段的反射率达到最小值。因此，可根据上述光谱特征差异构建黑臭水体遥感识别模型。
2.4 城市黑臭水体遥感识别算法构建
利用PlanetScope多光谱波段中钦州市黑臭水体和一般水体的特征规律进行多种线性组合，算法构建原则是通过特征波段的组合计算增大黑臭水体和一般水体之间的差距，选取一定的阈值提取城市黑臭水体。基于上述两类水体差异分析和算法构建原则，提出NIR单波段阈值法、HI指数法、EHI指数法和NDBWI指数法。
1)NIR单波段阈值法。
正常水体在可见光范围内的反射率较低，在红波段和近红外波段有强吸收性，在近红外波段的反射率达到最小，而黑臭水体在近红外波段范围内反射率增高，出现反射率峰值，由此，本研究尝试利用近红外波段处两类水体完全相反的光谱特征提取城市黑臭水体，计算如式(3)所示：
Rrs(NIR)≥K
(3)
式中：Rrs(NIR)指PlanetScope近红外波段的反射率，sr-1；K为根据统计分析选取的有效提取黑臭水体的阈值。
根据2016年12月钦州市水体取样数据，得到黑臭水体和一般水体在PlanetScope第4波段反射率的分布情况，如图8所示。可知：一般水体的近红外波段反射率取值范围较窄，变化并不大，而黑臭水体的取值范围起伏较大，但基本>0.06 sr-1。由此，针对近红外波段阈值提取黑臭水体，本研究取K=0.06 sr-1时，2016年12月的实地取样点中，B17样点被误判为一般水体，5个非黑臭样本被误判为黑臭水体。
图8 建模样点NIR反射率值分布
Fig.8 The chart of NIR reflectance of modeled samples
2)HI指数法。
由于PlanetScope传感器只含有4个波段，在一定程度上压缩了地物的光谱特性，通过波段间的差值或比值运算可以强化黑臭水体与一般水体的光谱差异信息。钦州市黑臭水体样点在PlanetScope的蓝、绿波段范围内反射率较低，且变化较一般水体平稳，通过波段组合运算增大两类水体之间的差别，建立计算式HI，如式(4)所示：
(4)
式中：Rrs(Green)，Rrs(Blue)分别为PlanetScope绿波段和蓝波段的反射率，sr-1。
根据2016年12月钦州市水体取样数据，得到黑臭水体和一般水体在的HI取值分布情况，大部分的黑臭水体样本HI取值<0.085(如图9所示)，因此，取HI≤0.085作为阈值提取黑臭水体。2016年12月的实地取样样本中，13个黑臭水体样本中有4个没有被识别，5个非黑臭水体样本中有4个被正确识别，正确识别率为72.22%。
图9 建模样点HI取值分布
Fig.9 The HI value distribution of modeled samples
3)EHI指数法。
在有限波段条件下，为了极大程度地突出地物间的光谱特征，可以通过增大分子，减小分母的方法来增大地物之间的差距。根据一般水体和黑臭水体在PlanetScope可见光范围内的平均光谱特征，本研究尝试以蓝波段(反射率最低)，红波段(光谱曲线转折点)和近红外波段(极值点)构建波段组合比值法——黑臭水体增强指数法(EHI)，计算式见式(5)：
(5)
根据2016年12月钦州市水体取样数据，得到黑臭水体和一般水体的EHI取值分布情况，大部分黑臭水体样本EHI取值均>0.46(如图10所示)。取EHI>0.46时作为阈值进行分类提取时，2016年12月的实地取样样本中，有2个黑臭水体样本未被识别，有4个非黑臭水体被误判，正确识别率为66.67%。
图10 建模样点EHI取值分布
Fig.10 The EHI value distribution of modeled samples
4)NDBWI指数法。
通过地物在特征波段的反射率的差异增大地物间的差距能克服低光谱分辨率压缩地物信息的弊端。本研究借鉴归一化植被指数NDVI算法的构建思路，尝试构建归一化黑臭水体指数法——NDBWI。钦州市黑臭水体与一般水体在可见光的蓝、绿和红光波段反射率走势相似，一般水体略高黑臭水体，其光谱存在较大的重叠现象，这对通过表观反射率进行黑臭水体识别提取带来了较大的困难。利用两类水体在红波段和近红外波段间的走势完全相反的特征，构建NDBWI，计算如式(6)所示：
NDBWI=
(6)
NDBWI的算法增大分子取值和缩小分母取值，从而增大两类水体间的差异。将一般水体和黑臭水体计算结果分析比较如图11所示。可知：取NDBWI≤0.45时，94.4%的黑臭水体被正确识别，只有1个黑臭水体样本被误判为一般水体。
图11 建模样点NDBWI取值分布
Fig.11 The NDBWI value distribution of modeled samples
2.5 基于色度法的饱和度算法
在钦州市黑臭水体实地调研和遥感影像对比分析中发现，黑臭水体在可见光范围内反射率较低在视觉上有直观体现。针对水色的变化，国内外已有较多学者通过色度法定量分析水色变化的规律[15]，因此，本研究通过建立色度指标和水色饱和度指标进行城市黑臭水体遥感识别算法的构建。
对2016年12月钦州市黑臭水体样本数据的饱和度取值分析步骤如下：1)利用ENVI5.5中的Band Math功能按照色度法计算公式[15]计算采样点对应的PlanetScope影像上像元的光谱色度坐标；2)利用ENVI5.5+IDL8.7编写arctan2双变量反正切函数计算角度α；3)根据计算得到的角度α在α-λ查找表中获取相应的主波长λ与色度坐标；4)计算样本的饱和度S。
2016年12月钦州市野外实地黑臭水体样本的色度坐标对应的主波长和饱和度取值分布情况如图12所示。2016年12月采集的18个黑臭水体样本中，有16个样本的色度坐标对应的主波长值均≥580 nm，大部分黑臭水体样本饱和度S值均<0.14，取S≤0.14作为黑臭水体的饱和度提取阈值时，有12个样本属于黑臭水体，有6个被划分为一般水体，其中采样点B24、B25和B26的实地调研结果为疑似黑臭。
图12 建模样点色度主波长和饱和度S取值分布
Fig.12 The CIE band and S value of modeled samples
3 识别结果及分析
3.1 基于特征波段的黑臭水体识别方法验证
在ENVI5.5中根据上述所构建的黑臭水体识别算法模型提取PlanetScope影像中研究区的黑臭水体，通过2016年9月的实地采样点进行识别算法准确度验证，共14个样本，结果表明其中10个为黑臭水体，4个为非黑臭水体。PlanetScope遥感数据的影像获取时间为2016年9月9日。根据上述所设置的阈值提取黑臭水体时，提取结果较差，说明利用不同时期的遥感影像进行黑臭水体识别时，需要对各算法的阈值进行调整。根据阈值调整结果，各黑臭水体提取算法识别结果如表3所示。
表3 基于PlanetScope遥感影像波段算法识别结果
Table 3 The recognition results algorithm based on PlanetScope bands
样点编号实测结果Rrs(NIR)≥0.12HI≤0.065EHI≥0.67NDBWI≤0.45B1非黑臭1100B2黑臭1101B3非黑臭1100B4黑臭0011B5黑臭0111B6黑臭1111B7黑臭0011B8非黑臭1000B9黑臭1101B10黑臭1101B11非黑臭1100B12黑臭1111B13黑臭0010识别正确率35.71%57.14%78.57%92.86%
注：“1”表示计算结果识别为“黑臭”，“0”表示“非黑臭”。
由表3可知：3种特征波段的识别算法中NDBWI算法的识别准确度最高，准确识别率为92.86%，黑臭水体样本B13没有被正确识别。EHI算法的识别正确率为78.57%，误判的样本有B2、B9以及B10。HI算法识别正确率为57.14%，共有6个黑臭水体样本被正确识别，3个非黑臭水体样本被误判。NIR单波段阈值算法的正确率最低，为35.71%，有5个黑臭水体样本被正确识别，4个非黑臭水体被误判。
3.2 基于饱和度算法的黑臭水体识别方法验证
根据上述方法计算2016年9月9日PlanetScope影像中与采样点对应的像元的色度坐标和饱和度，用S≤0.14作为阈值提取黑臭水体样本，计算结果如图13所示。
图13 验证样点色度饱和度
Fig.13 The S value of the verification points
由图13可知：10个黑臭水体样本中有7个样本被正确识别，3个被误判为一般水体，采样点B1、B3、B8以及B11的实地调研结果为非黑臭，也被正确识别。取饱和度S≤0.14为阈值时，正确率为78.57%。
3.3 结果与讨论
根据表4各类算法的识别结果可知，单波段阈值法的识别精度最低，虽然2016年12月各黑臭水体样本的NIR反射率和一般水体有较大差异，但是在2016年9月的遥感影像中，2类水体的NIR反射率取值范围存在交叉，导致利用NIR单波段阈值法进行黑臭水体识别时，两类水体都有被误判的现象。HI算法识别的正确率为57.14%，6个误判点中，非黑臭水体样本和黑臭水体样本各占一半，算法识别的稳定性较低。EHI算法和饱和度算法的正确识别率相等，均为78.57%，2种算法都能较正确的识别非黑臭水体，对某些黑臭水体样本出现误判。NDBWI算法的识别精度最高，调整划分阈值后，只有1个黑臭水体样本没有被正确识别，其余非黑臭水体样本均被正确识别(详见表4)。
表4 5种识别算法识别结果
Table 4 The results of 5 recognition algorithms based on PlanetScope images
序号算法波段正确率/%1Rrs(NIR)≥0.12Band435.712HI≤0.065Band1,Band257.143EHI≥0.67Band1,Band3,Band478.574NDBWI≤0.45Band1,Band2,Band3,Band492.865饱和度S≤0.14—78.57
对于各算法出现的误判，分析可能存在的原因如下：
1)2类水体之间的光谱有重叠。
水体在可见光波段的吸收性较强，反射率普遍偏低，呈现在遥感影像上的色彩较暗。根据图7可知：2类水体在前3个波段(455～670 nm)的反射率非常相近，各样本之间的光谱反射率存在较多重叠的现象。因此，利用蓝、绿波段构建的HI算法识别精度较差，2类水体都出现了误判。PlanetScope卫星系高空间分辨率，光谱分辨率较低，宽波段传感器下常常出现异物同谱的现象，无法准确鉴别地物。因此，在利用特征波段组合的方法构建识别算法时，也会存在计算结果重叠的现象，出现误判的结果。
2)2类水体水色差别较小。
清洁的水体水色多表现为较清透的灰绿色，而城市黑臭水体多表现为墨绿色、黑绿色。而城市区域大型湖泊水色较深，如钦州市的白石湖，在饱和度算法、HI算法和EHI算法下，部分白石湖湖面被误判为城市黑臭水体。流经钦州市区内的主要河流为钦江，降雨量较大时，江水浑浊，使用饱和度算法识别黑臭水体存在偏差。污染程度不同的城市水体，因收纳污染物种类不同，水色上的差异并不十分明显，这也是以色度法识别城市黑臭水体不确定性的主要来源。
3)大气校正的影响。
大气校正在水色遥感监测当中起着重要作用。适当的大气校正模型能有效缓解大气参数的变化对水体信息遥感定量反演的影响，增强水体本身的光谱信号。对于城市内陆水体，水体像元受到岸边绿化带及建筑物阴影的影响，降低了像元的“纯净度”，使得内陆水体的信号较微弱，且变化较剧烈。常用的大气校正模型主要是针对陆地以及大洋水体，在城市内陆水体的可用性上还存在着较多问题，当大气校正模型不能很好地去除大气参数带来的误差时，会对后续的定性定量遥感反演带来偏差。
4 结 论
根据实地调研的黑臭水体样本及其对PlanetScope波段的光谱特征，提出了4种基于光谱反射率和基于色度法的饱和度法的黑臭水体识别算法，并根据各算法的识别效果存在的误差做出评价分析。结果表明利用特征波段的组合对黑臭水体进行识别，提取效果较好。
1)一般水体与黑臭水体在可见光范围内的光谱曲线存在的相同点是在可见光范围内的反射率总体偏低，在蓝红波段处反射率升高。存在的差异是一般水体在蓝红波段处光谱曲线的斜率较黑臭水体的大，二者的反射率走势在红波段处出现完全相反的态势，一般水体在红波段至近红波段处的反射率明显下降，在近红波段处表现出强吸收性，而黑臭水体在红波段至近红波段处的反射率有较大升高，反射率值在近红外波段处达到最大值。
2)根据两类水体对PlanetScope波段的吸收差异，提出了NIR单波段阈值法、HI指数法、EHI指数法、NDBWI指数法以及基于色度法的饱和度法，并根据黑臭水体样本确定算法的阈值，结果表明，NDBWI指数法的正确识别率最高，其次是EHI指数法和饱和度法，NIR的识别正确率最低。
3)对于利用光学遥感技术进行水质监测，地物之间光谱重叠，异物同谱是识别误差的主要来源，城市水体污染源复杂，无法在遥感影像上直观体现某一特征，这对利用色度法进行水体类别的提取也存在困扰。遥感影像大气校正的结果是水色遥感监测中的关键点之一，PlanetScope影像是新兴的遥感产品，针对该卫星传感器的大气校正模型的研究还较少，利用通用的大气校正模型进行大气校正，其反演结果会存在一定偏差。
[1] 林培. 《城市黑臭水体整治工作指南》解读[J]. 建设科技，2015(18)：14-15，21.
[2] NICHOL J E. Remote sensing of tropical blackwater rivers: a method for environmental water quality analysis [J]. Applied Geography, 1993, 13(2): 153-68.
[3] Kutser T, Paavel B, Verpoorter C, et al. Remote sensing of black lakes and using 810 nm reflectance peak for retrieving water quality parameters of optically complex waters [J]. Remote Sensing, 2016, 8(6): 497.
[4] Tiit K, Pierson Donald C, Kallio Kari Y, et al. Mapping lake CDOM by satellite remote sensing [J]. Remote Sensing of Environment, 2005, 94(4): 535-540.
[5] 姚俊, 曾祥福, 益建芳. 遥感技术在上海苏州河水污染监测中的应用 [J]. 影像技术, 2003(2): 3-7.
[6] 万风年, 纪晓亮, 朱元励, 等. 应用遥感监测城市水体水质研究 [J]. 浙江农业科学, 2013, 1(3): 349-355.
[7] 王云鹏, 闵育顺, 傅家谟, 等. 水体污染的遥感方法及在珠江广州河段水污染监测中的应用 [J]. 遥感学报, 2001, 5(6): 460-465.
[8] 温爽, 王桥, 李云梅, 等. 基于高分影像的城市黑臭水体遥感识别:以南京为例 [J]. 环境科学, 2018, 39(1): 57-67.
[9] 曹红业. 中国典型城市黑臭水体光学特性分析及遥感识别模型研究 [D]. 成都：西南交通大学, 2017.
[10] Ahola R, Chenier R, Faucher M A, et al. Satellite derived bathymetry for arctic charting: a review of sensors and techniques for operational implementation within the Canadian Hydrographic Service [M]. Remote Sensing of the Ocean, Sea Ice, Coastal Waters, and Large Water Regions， 2018.
[11] Tamondong A, Cruz C, Quides R R, et al. Remote sensing-based estimation of seagrass percent cover and LAI for above ground carbon sequestration mapping [M]. Remote Sensing of the Open and Coastal Ocean and Inland Waters， 2018.
[12] Ichikawa D, Wakamori K. The integrated use of landsat, sentinel-2 and Planet Scope satellite data for crop monitoring [M]. Igarss 2018—2018 Ieee International Geoscience and Remote Sensing Symposium, 2018: 7707-7710.
[13] Possa E M, Maillard P, Gomes M F, et al. On water surface delineation in rivers using Landsat-8, Sentinel-1 and Sentinel-2 data [M]. Remote Sensing for Agriculture, Ecosystems, and Hydrology, 2018.
[14] Shendryk I, Rist Y, Lucas R, et al. Deep Learning-a New Approach for Multi-Label Scene Classification in Planetscope and Sentinel-2 Imagery [M]. Igarss 2018—2018 Ieee International Geoscience and Remote Sensing Symposium, 2018: 1116-1119.
[15] Pozdnyakov D V, Kondratyev K Y, Bukata R P, et al. Numerical modelling of natural water colour: implications for remote sensing and limnological studies [J]. International Journal of Remote Sensing, 1998, 19(10): 1913-1932.