遥感地学分析实验——实验五：植被波谱特征与叶面积指数、生物量分析
遥感地学分析—植被遥感原理
（一）单张叶片光谱特性及影响因素
❖ 3、叶片反射波谱的影响因素 ❖ 1）叶片生化组分
❖ 叶绿素a、b，导致0.45μm与0.67μm为中心形 成两个强烈的吸收带；
❖ 胡萝卜素、叶黄素导致0.43μm-0.48μm范围内 形成强烈的吸收带。
❖ 两吸收谷间（0.54μm附近）吸收相对较少， 形成绿色反射峰（10%-20%）。
✓ 等面叶的组织分化不明显。
（一）单张叶片光谱 特性及影响因素
❖ 1、植物叶片结构
✓ 叶片一般具有三部分：表皮、叶肉和叶脉 ✓ 表皮：包围整个叶片，由一层或多层组成。表
皮细胞扁平，排列紧密，通常不含叶绿体，外 表常有一层角质层。
（一）单张叶片光谱
特性及影响因素
❖ 1、植物叶片结构
✓ 叶肉：为表皮内的同化薄壁组织，有两种： （1）栅栏组织：紧靠上表皮下方，呈圆柱状，
叶方位角：法线在水平面上的投影与正北方向 的交角称为叶子在该点的方位角。
（二）植被冠层光谱特性及影响因素
❖ 2、植被冠层影响因素-植被结构
各参数的描述，如：
同一叶子的不同部位，其倾角和方位角可能有很大 差异，测量时，根据叶片弯曲程度将叶片分成几部 分，对每一部分进行测量。
一个冠层内叶倾角的分布模式可以从0 ° （水平叶 ）到90 ° （垂直叶），一般用间隔为10°作出的叶 倾角分布频率图来表示。
植被遥感研究的主要内容：
• （1）通过遥感影像从土壤背景中区分出植被覆盖 区域，并对植被类型进行划分，区分是森林还是 草场或者农田，进而可以问是什么类型的森林， 什么类型的草场，什么样的农作物，如此等等。
• （2）能否从遥感数据中反演出植被的各种重要参 数，例如叶面积指数（LAI）、叶子宽度、平均叶 倾角、植被层平均高度、树冠形状等等，这一类 问题属于更深层次的遥感数据定量分析方法与反 演技术。
植被遥感_精品文档
对于绿色植物叶绿素引起的红光吸收和叶肉组织引起的 近红外强反射，RVI值高（一般大于2）。而对于无植被 的地面包括裸土、人工特征物、水体以及枯死或受胁迫 植被，因不显示这种特殊的光谱响应，则RVI值低（一 般等于1）。因此，比值植被指数能增强植被与土壤背 景之间的辐射差异。
比值植被指数可提供植被反射的重要信息，是植被长 势、丰度的度量方法之一
4. 植被覆盖度
一般而言，植 被覆盖程度越 大，光谱特征 形态受背景下 垫面的影响越 小
二、不同类型植被区分
植被具有典型的波谱特征，将其余其它典型地 物，如人工建筑、裸土、水域等区分容易，但 对植被类型划分却有一定难度。
不同植被类型，因组织结构、季相、生态条件 等不同而具有不同的光谱特征和冠层形态特征。 如：
遥感地学分析
Geography Analysis for Remote Sensing
第5章 植被遥感
主要内容
一、植被遥感原理 二、植被分类 三、植被生态参数 四、植被指数与地表参数的关系 五、中国及中亚地区荒漠化遥感监测研究
一、植被遥感原理
植被遥感不仅依赖于对单张植物叶片的光谱特性的 认识，还需要进一步认识植被冠层的光谱特性。
山地阴坡---易生长适应温度变化不大，湿度较大的环 境的生物
山地阳坡---易生长适应温度变化不大，湿度要求不高 的环境的生物
同一地理环境植被的垂直分带性
（以山西省太原以南地区植物的垂直分带性为例）
海拔
2500m以上 2200~2500m 1600m~2200m 1200m~1600m 700m~1200m
冬季多数植物凋零----长年常绿植被 同种植被在不同季节的波谱特征差异 不同植物生长期的不同，光谱特征也有差异
叶面积指数三类遥感估算方法
叶面积指数三类遥感估算方法叶面积指数（Leaf Area Index，LAI）是一个衡量植物叶片覆盖程度的重要指标，可通过遥感技术进行估算。
下面是关于叶面积指数估算方法的十条描述：1. 植被指数法：植被指数法是通过计算可见光或近红外波段的植被指数（如归一化植被指数，NDVI）并与地面测量的LAI进行回归分析来估算LAI。
这种方法使用简便，但由于植被指数与LAI之间的关系复杂，估算结果的精度有限。
2. 基于VegeSAIL模型的方法：VegeSAIL模型是一种基于光谱的LAI估算模型，它将植被覆盖度和植被构型与LAI进行建模。
通过遥感数据和该模型对比分析，可以估算出植被的LAI。
3. 基于PROSAIL模型的方法：PROSAIL模型是一种基于物理过程的植被辐射传输模型，可以模拟不同植被类型和结构的辐射反射特性。
通过将遥感数据与该模型相结合，可以估算出植被的LAI。
4. 基于NERD模型的方法：NERD模型是一种基于点源和线源的辐射传输模型，可以模拟植被的光谱反射特性。
通过将遥感数据与该模型相结合，可以估算出植被的LAI。
5. 基于深度学习的方法：深度学习是一种利用神经网络模拟大脑处理信息的方法。
通过训练神经网络模型，可以利用遥感数据估算出植被的LAI。
6. 基于回归分析的方法：这种方法通过建立遥感数据与地面测量LAI之间的回归关系，利用回归模型对LAI进行估算。
回归分析方法适用于区域尺度的估算，但可能受到数据不一致性和空间变异性的限制。
7. 基于的时序遥感的方法：时序遥感数据包含不同时期植被的遥感信息，可以通过比较不同时期的遥感数据，推断植被的LAI变化。
这种方法可以监测植被的动态变化，但需要较长的时间序列数据。
8. 基于植被指标的方法：这种方法通过使用特定的植被指标（如NDVI和EVI）与LAI 之间的经验关系，对植被的LAI进行估算。
这种方法简单易用，但精度较低。
9. 基于遥感图像分割的方法：这种方法通过将遥感图像分割为不同的植被对象，然后分别估算每个植被对象的LAI。
遥感应用模型5-植被(2)-叶面积指数估算模型
由于缺乏卫星过境时详细的大气剖面资料（如气 溶胶和水汽含量等），因此6S模型等大气校正模 型的应用将会受到限制。
利用暗目标法对遥感影像进行大气校正，以获得 地面反射率数据。
地面叶面积指数测量方法
考察路线与采样点的选取应遵循如下原则：一是 植物分布的代表性、均匀性；二是遥感图像可读 性；三是交通可行性。
因此，探讨利用遥感影像估算植被的叶面积指数的 方法已成为当前建立全球及区域气候、生态模型的 基础工作之一。
通常检验遥感反演叶面积指数的精度常常通过地 面实地测量的方式。
地面测量叶面积指数的方法有很多种，大致分为 两类—直接测量法和间接测量法。
➢直接测量法包括系数法和比叶重法等。在叶子 的采集和叶面积的测量过程中，具有一定的破 坏性。
➢光学模型法，基于植被的双向反射率分布函数 ，是一种建立在辐射传输模型基础上的模型， 它把LAI作为输入变量，采用迭代的方法来推算 LAI。
统计模型法输入参数单一，不需要复杂的计算， 因此成为遥感估算LAI的常用方法。但不同植被类 型的LAI与植被指数的函数关系会有所差异，在使 用时需要重新调整、拟合。
第二章 植被遥感本章主来自内容 叶面积指数估算模型
叶面积指数估算模型
叶面积指数（LAI）是指单位地表面积上方植物叶 单面面积的总和，它是叶覆盖的无量纲度量。
叶面积指数作为进行植物群体和群落生长分析的重 要参数和评价指标，在农业、林业及生态学等领域 得到了广泛的应用。
依靠传统的地面样方实测的方法来估算叶面积指数 又是一项花费巨大人力、财力且精度不高的工作。
光学模型法的优点是有物理模型基础，不受植被 类型的影响，然而由于模型过于复杂，反演非常 耗时，且反演估算LAI过程中有些函数并不总是收 敛的。
植被物理遥感反演叶面积指数(lai)的基本原理
植被物理遥感是使用遥感手段对地球表面植被进行观测和研究的一门科学。
而植被的生长状态对于环境和气候变化有着重要的影响，因此研究植被的生长状态是遥感科学的重要内容之一。
而植被叶面积指数（L本人）作为一个重要的生长状态指标，在植被生长研究中有着重要的作用。
本文将从植被物理遥感的基本原理出发，结合L本人的意义和遥感技术的方法，对植被叶面积指数的反演进行详细介绍。
一、植被物理遥感的基本原理植被物理遥感是利用电磁波在地球大气和植被上的相互作用特性，通过遥感手段来获得植被信息的一种研究方法。
它主要基于以下几个基本原理：1. 光谱特征：植被反射和吸收不同波长的电磁波具有不同的特征，通过对这些特征的分析可以获取植被的信息。
2. 辐射传输：植被对不同波段的光有着不同的透过、反射和散射特性，通过对辐射传输的研究可以了解植被在不同波段下的特性。
3. 植被生理过程：植物的生长状况和生理过程与其在不同波段上的反射、吸收等特性存在相关性，通过对植被生理过程的研究可以推断植被在遥感数据中的表现。
以上基本原理为植被物理遥感的开展提供了理论基础，并为植被信息的提取和解释奠定了基础。
二、叶面积指数（L本人）的意义叶面积指数（Leaf Area Index，简称L本人）是指植被表面单位面积上叶片的总表面积与该单位面积的比值。
L本人的大小反映了植被的生物量、生长状态和生态功能，同时也是评价植被覆盖度和光能利用效率的重要参数。
1. 生物量：L本人与植被的生物量密切相关，L本人较高表示植被的叶面积较大，通常意味着植被覆盖度较高，生物量也较高。
2. 生态功能：L本人反映了植被的光合作用能力和蒸腾作用强弱，对于了解植被的生态功能和生态系统的健康状况有着重要的指导意义。
3. 环境变化：L本人的变化对于环境变化和气候变化有着一定的响应，通过监测L本人的变化可以了解植被对环境变化的响应和适应能力。
由于L本人在植被研究和生态环境监测中的重要作用，因此通过遥感手段反演L本人成为了研究的重要课题之一。
实验报告范例-遥感地物波谱特性分析
1．“L7ETM+_121-032_123457”遥感数据地物波谱特性分析
要求：以“L7ETM+_121-032_123457（200210）”为数据源，进行典型地物水体的波谱特性分析（要求选取两种或两种以上含沙量不同的水体像元点，依托Excel表格绘制其波谱特性曲线，并分析水体在不同条件下的波谱曲线特性差异）。
清水对光的反射率低，沙子能增强对光的反射率。故含沙量越高对光的反射率高，含沙量低的对光的反射率低。
2．“L7ETM+_116-031_123457”遥感数据地物波谱特性分析
要求：以“L7ETM+_116-031_123457（199909）”为数据源，进行典型地物植被的波谱特性分析（要求选取三种或三种以上不同树种的像元点，依托Excel表格绘制其波谱特性曲线，并分析植被不同种类之间的波谱曲线特性差异）。
基本要求与说明：
1．实验原理部分文字阐述要简洁明了，可附相应公式、图解；
2．实验步骤与方法请尽量详细叙述，如果有必要请附相应图形、图像；
3．表格大小和所列条目数可以根据实际情况进行调整与增删。
实验报告
实验目的
1．掌握遥感图像地物波谱辐射特性
理解色彩三要素，三间色，三基色，互补色，标准假彩色合成的原理
2．掌握典型地物（水体、植被、新鲜雪）的反射波谱曲线特征
3．掌握地物波谱特性的分析方法
4．Байду номын сангаас
主要实验内容
一、地物波谱曲线
要求：说明什么是地物波谱曲线。
物体在同一时间、空间条件下，其反射、发射、吸收和透射电磁波特性是波长的函数。通常以横坐标表示波长，以纵坐标表示地物辐射电磁波的能量（反射率、发射率或亮度系数）作出的相关曲线，就是地物的波谱曲线。
植被光谱分析与植被指数计算解读
植被光谱分析与植被指数计算解读植被光谱是指随着光波长的变化，植物所吸收、反射和传输的光的能量分布的变化。
植被光谱分析通过测量植物在不同波长的光下的反射或吸收情况，可以获取丰富的生理和生态信息。
一般来说，植物对于光谱中的红光和近红外光具有较高的反射能力，而对于绿光的反射较低。
利用这些特点，可以通过光谱数据对植物的生理状态、营养状况、水分含量等进行分析。
植被指数是从植被光谱数据中计算出的一种定量指标，用于揭示植物的生长状况和生理特征。
常见的植被指数有归一化植被指数（NDVI）、叶绿素指数（CI）、简化绿度指数（SR）、水分指数（WI）等。
植被指数的计算一般是通过光谱数据中的不同波段的反射值进行比较和组合计算得出的。
归一化植被指数（NDVI）是最常用的植被指数之一、它是利用红光和近红外光之间的差异来评估植被生长状况的指数。
NDVI的计算公式为：NDVI=(NIR - Red)/(NIR + Red)，其中NIR代表近红外光波段的反射值，Red代表红光波段的反射值。
NDVI的取值范围为-1到1，数值越大表示植被生长状况越好。
叶绿素指数（CI）是评估植被叶绿素含量的指标。
叶绿素是植物光合作用的重要组成部分，通过测量不同波段的光反射率可以推算出植物叶绿素的含量。
常见的叶绿素指数包括结构化叶绿素指数（SCI）和非结构化叶绿素指数（NNCI）等。
简化绿度指数（SR）是一种用于估计植物总叶绿素含量的指标。
它基于不同波段的光反射率之间的比较和计算进行求解。
SR的计算公式为：SR = (NIR - Red) / NIR，其中NIR代表近红外光波段的反射值，Red代表红光波段的反射值。
水分指数（WI）是评估土壤水分状况和植物水分含量的指标。
通过测量植物叶片在不同波段的反射率，可以推算出植物的水分含量和土壤的水分状况。
常见的水分指数有归一化差异植被指数（NDWI）、水分转换指数（WTCI）等。
植被光谱分析与植被指数计算在许多领域有着广泛的应用。
第五章 植被遥感
实验表明，作物生长初期NDVI将过高估计植被覆盖 度，而作物生长结束季节，NDVI值偏低。 NDVI 更适用于植被发育中期或中等覆盖度植被检测。
增强型植被指数（EVI）
为了克服NDVI高植被区易饱和、低植被区易受土壤背 景影响的缺点，一种新型的植被指数——增强性植被指 数（Enhanced Vegetation Index，EVI）被发展，该植被 指数引入了蓝光波段降低了大气的影响。
NDVI的主要用途 1）可以进行不同植被类型初级生产量的估计； 2）识别不同的生态区； 3）监测地球表面植被的物候类型，常被用来进 行区域或全球的植被状态研究； 4）评价生长期和变干期的长短
NDVI的局限性
NDVI 对土壤背景的变化较为敏感。 实验证明：
低植被覆盖度时（＜15%），植被NDVI值高于裸土NDVI 值，植被可被检测出来，但因植被覆盖度很低（如干旱、 半干旱地区），其 NDVI很难指示区域生物量； 中植被覆盖度时（25—80%）， NDVI值 随生物量的增 加呈线性迅速增加； 高植被覆盖度时（＞80%）， NDVI值 增加延缓而呈现 饱和状态，对植被检测灵敏度下降。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
实验五：植被波谱特征与叶面积指数、生物量分析（3学时）
原理与方法
遥感图像上面的植被信息主要是通过绿色植物叶子和植被灌层的光谱特性以及差异变化变现出来的，选择多光谱遥感数据进行分析运算，产生某些对植被长势、生物量等有一定指示意义的数值，即是所谓的“植被指数”。
用一种简单有效的形式来实现对植被状态信息的表达，以定性和定量地评价植被覆盖、生长活力与生物量。
在植被光谱中，通常选用对绿色植物（叶绿素引起的）强吸收的可见光波段和对绿色植物（叶内组织引起的）高反射的近红外波段，通过两个不同波段数据的分析运算得到不同的植被指数，如归一化植被指数（NDVI）等。
实习仪器
学生实习机房
图象处理软件（ENVI3.5）
叶面积指数仪（WINSCANNY）
实验目的
1、掌握应用遥感图像处理软件进行植被波谱与叶面积指数、生物量测量方法。
2、掌握运用植被指数分析叶面积指数和生物量。
实验报告
内容包括：实验目的、分析叶面积指数和生物量的区域分异。