植被指数总结资料
植被指数总结
NDVI得物理依据就是地物反射率得差异变化。所以用反射率来计算就是比较客观准确得,而『现实生活』中，大多得人，根本不会考虑用地表反射率来计算NＤVＩ,直接用DN来代替地表反射率,这样得替代就是不就是可以,从定量得角度来讲，肯定就是不够严密得，大气得影响毕竟客观存在。
４、NＤVI能反映出植物冠层得背景影响，如土壤、潮湿地面、学、枯叶、粗超度等,且与植被覆盖有关;
三、DVＩＥＶＩ——差值环境植被指数:DVI=ＮIR-Ｒ,或两个波段反射率得计算。
1、对土壤背景得变化极为敏感;
四、SAVITSAVIMSAVI——调整土壤亮度得植被指数:SAVI=（(ＮＩR-R)/（NIR+R+L))(1＋L),或两个波段反射率得计算。
1、ＮDVI得应用：检测植被生长状态、植被覆盖度与消除部分辐射误差等;
2、-1<＝NDVI<=1,负值表示地面覆盖为云、水、雪等,对可见光高反射；0表示有岩石或裸土等，NIR与Ｒ近似相等;正值,表示有植被覆盖,且随覆盖度增大而增大；
3、NDＶI得局限性表现在,用非线性拉伸得方式增强了NIR与R得反射率得对比度。对于同一幅图象,分别求ＲＶＩ与NDＶI时会发现,RＶI值增加得速度高于ＮDVＩ增加速度,即NＤVＩ对高植被区具有较低得灵敏度;
1、目得就是解释背景得光学特征变化并修正ＮDVI对土壤背景得敏感。与ＮDVI相比,增加了根据实际情况确定得土壤调节系数L，取值范围0~１。 L＝０ 时,表示植被覆盖度为零；L=1时,表示土壤背景得影响为零,即植被覆盖度非常高,土壤背景得影响为零,这种情况只有在被树冠浓密得高大树木覆盖得地方才会出现。
植被指数总结
植被遥感指数公式及简介
PVI的显著特点是较好地滤除了土壤背景的影响，且 对大气效应的敏感程度也小于其它植被指数。正因为它减 弱和消除了大气、土壤的干扰，所以被广泛应用于作物估 产。
从理论上讲，GVI、PVI均不受土壤背景的影响，对植 被具有适中的灵敏度，利于提取各种土壤背景下生长的植 被专题信息。其数值已扩展到TM的6维数据（除TM6热红外 数据），以及AVHRR的可见光——近红外数据，并有现成 的模型和成熟的图象处理算法.
植被遥感指数
植被指数类型
比值植被指数（RVI） 归一化植被指数（NDVI） 差值植被指数（DVI） 缨帽变换中的绿度植被指数（GVI） 垂直植被指数（PVI）
比值植被指数（Ratio Vegetation Index）
由于可见光红波段（R）与近红外波段（NIR）对绿色 植物的光谱响应十分不同。两者简单的数值比能充分 表达两反射率之间的差异。
NDVI=（DNNIR-DNR）/（ DNNIRDNR） NDVI=(NIR-R)/ (NIR+R)
实际上，NDVI是简单比值RVI经非线性的归一化处 理所得。
在植被遥感中，NDVI的应用最为广泛。它 是植被生长状态及植被覆盖度的最佳指示因子， 与植被分布密度呈线性相关。因此又被认为是反 映生物量和植被监测的指标。
垂直植被指数（PVI）
不同植被与土壤亮度线的距离不同。于是 Richardson（1977）把植物象元到土壤亮度线的垂 直距离定义为垂直植被指数（Perpendicular Vegetation Index）。
PVI是一种简单的欧几米得（Euclidean）距离。 ห้องสมุดไป่ตู้示为：
PVI= (SRVR)2(SVI RSVI)R 2
常用的植被指数
常用的植被指数植被指数（Vegetation Index）是指用来反映植被生长状态和活力的一种指标，常用于遥感数据的处理和分析中。
下面将介绍常用的植被指数，并解释其作用和适用情况。
1. 归一化植被指数（Normalized Difference Vegetation Index，NDVI）NDVI 是最早也是最常用的植被指数，其计算公式为 (NIR – Red) / (NIR + Red)，其中 NIR 表示近红外波段信号，Red 表示红色波段信号。
NDVI 的值范围为 -1 到 1，通常植被覆盖度高的地方 NDVI 值会更高。
NDVI 可以用来监测植被的生长周期和健康状况，评估土地的退化程度以及判断干旱和洪涝等自然灾害的影响。
2. 归一化水体指数（Normalized Difference Water Index，NDWI）NDWI 是用来区分水体和非水体的指数，其计算公式为 (Green –NIR) / (Green + NIR)，其中 Green 表示绿色波段信号。
NDWI 的值范围为 -1 到 1，如果某像素的 NDWI 值高于某个阈值，就被认为是水体；反之，就被认为是非水体。
NDWI 可以用来监测湖泊、河流、水库等水体的分布和变化情况。
3. 红边指数（Red Edge Index，REI）REI 是用来检测植被叶绿素含量和水分含量的指数，其计算公式为 (NIR – Red Edge) / (NIR + Red Edge)，其中 Red Edge 表示红边波段信号。
REI 的值范围为 -1 到 1，通常植被叶绿素含量高或水分含量高的地方 REI 值会更高。
REI 可以用来区分植被类型、监测植被健康状况以及评估土地干旱程度等。
4. 植被指数差分（Vegetation Index Difference，VID）VID 是用来监测植被健康状况和生长变化的指数，其计算公式为VID = (VI1 – VI2) / (VI1 + VI2)，其中 VI1 和 VI2 分别表示两个不同时期的植被指数。
植被指数综述
植被指数综述植被指数（Vegetation Index）是用于定量描述和监测植被生长状态的一种指标。
它是通过光谱特性来反映植被状况的指标，可以帮助我们对植被生态系统进行评估和分析，从而更好地了解植被的生长变化以及植被覆盖的情况。
在遥感学中，植被指数的计算是基于不同波段的反射率或辐射度量值。
常用的植被指数有归一化植被指数（Normalized Difference Vegetation Index, NDVI）、差值植被指数（Difference Vegetation Index, DVI）以及简化植被指数（Simple Ratio, SR）等。
归一化植被指数（NDVI）是最常用的一种指数，它可以通过计算红光波段和近红外波段的反射率之差与反射率之和的比值来得到。
NDVI的取值范围为-1到1，数值越高表示植被覆盖越密集，数值越低则表示植被覆盖越稀疏。
植被指数的应用非常广泛。
它可以用于监测农田的植被生长情况，判断作物的生长状况，有助于农业生产的管理和决策。
此外，植被指数还能用于监测森林覆盖率和森林生态系统的恢复情况，对于保护生态环境和生物多样性的研究也有着重要作用。
除了以上的应用之外，植被指数还可以用于监测荒漠化、城市植被覆盖和湿地生态系统等方面。
在这些场景下，植被指数的变化可以提供重要的参考信息，帮助人们了解和评估不同地区的植被状况，以及对环境的影响。
总的来说，植被指数是一种重要的植被监测指标，它通过遥感技术与地理信息系统相结合，为我们提供了更全面、准确的植被信息。
在不同的应用领域中，植被指数具有广泛的应用前景，有助于我们更好地保护和管理地球上的植被资源，实现可持续发展的目标。
本文简要介绍了植被指数的概念和应用，并列举了一些常用的植被指数。
通过对植被指数的深入了解，我们可以更好地理解植被生长状态，为植被资源的保护和管理提供科学依据。
希望本文对读者对植被指数有所了解和启发，促进植被科学研究的发展和应用的推广。
几种常见植被指数
植被指数主要反映植被在可见光、近红外波段反射与土壤背景之间差异的指标，各个植被指数在一定条件下能用来定量说明植被的生长状况。
在学习和使用植被指数时必须由一些基本的认识：1、健康的绿色植被在 NIR 和 R 的反射差异比较大，原因在于 R 对于绿色植物来说是强吸收的， NIR 则是高反射高透射的；2、建立植被指数的目的是有效地综合各有关的光谱信号，增强植被信息，减少非植被信息3、植被指数有明显的地域性和时效性，受植被本身、环境、大气等条件的影响一、 RVI——比值植被指数： RVI=NIR/R，或两个波段反射率的比值。
1、绿色健康植被覆盖地区的 RVI 远大于 1，而无植被覆盖的地面（裸土、人工建筑、水体、植被枯死或严重虫害）的 RVI 在 1 附近。
植被的 RVI 通常大于2；2、RVI 是绿色植物的灵敏指示参数，与LAI 、叶干生物量 (DM)、叶绿素含量相关性高，可用于检测和估算植物生物量；3、植被覆盖度影响 RVI，当植被覆盖度较高时， RVI 对植被十分敏感；当植被覆盖度 <50%时，这种敏感性显著降低；4、RVI 受大气条件影响，大气效应大大降低对植被检测的灵敏度，所以在计算前需要进行大气校正，或用反射率计算RVI。
二、NDVI——归一化植被指数： NDVI=(NIR-R)/(NIR+R) ，或两个波段反射率的计算。
1、NDVI的应用：检测植被生长状态、植被覆盖度和消除部分辐射误差等；2、-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等， NIR 和 R 近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大；3、NDVI的局限性表现在，用非线性拉伸的方式增强了NIR 和 R 的反射率的对比度。
对于同一幅图象，分别求RVI 和 NDVI时会发现， RVI 值增加的速度高于 NDVI增加速度，即 NDVI对高植被区具有较低的灵敏度；4、NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、学、枯叶、粗超度等，且与植被覆盖有关；三、 DVI\EVI ——差值环境植被指数：DVI=NIR-R，或两个波段反射率的计算。
植被指数
植被指数（Vegetable Index）植被指数是不同遥感光谱波段间的线性或非线性组合，被认为能作为反映绿色植被的相对丰度和活性的辐射量值（无量纲）的标志，是绿色植被的叶面积指数（LAI）、盖度、叶绿素含量、绿色生物量以及被吸收的光合有效辐射（APAR）的综合体现。
目前，在科学文献中发布了超过150种植被指数模型，这些植被指数中只有极少数是经过系统的实践检验。
植被指数主要反映植被在可见光、近红外波段反射与土壤背景之间差异的指标，各个植被指数在一定条件下能用来定量说明植被的生长状况。
1、健康的绿色植被在NIR和R的反射差异比较大，原因在于R对于绿色植物来说是强吸收的，NIR则是高反射高透射的；2、建立植被指数的目的是有效地综合各有关的光谱信号，增强植被信息，减少非植被信息3、植被指数有明显的地域性和时效性，受植被本身、环境、大气等条件的影响几种常用的植被指数及其应用（一）比值植被指数（RVI)公式：RVI=ρNIR/ρRED(近红外波段反射率/红光波段反射率)特征：植被覆盖度影响RVI，当植被覆盖度较高时，RVI对植被十分敏感；当植被覆盖度<50%时，这种敏感性显著降低；值的范围是0-30+，一般绿色植被区的范围是2-8。
RVI受大气条件影响，大气效应大大降低对植被检测的灵敏度，所以在计算前需要进行大气校正，或用反射率计算RVI。
应用：①利用比值植被指数研究城市建设用地扩张速率，预测或规划城市未来今年的发展前景。
不同用地的地表温度由高到低排序是城镇用地、工矿与交通用地、农村宅基地、林地、旱地，说明建设用地的地表温度较高，其比值植被指数较非建设用地小。
RVI的平均值Ｍ和标准差Ｄ可以作为定量指标来提取建设用地：RVI ≤Ｍ-Ｄ/２为建设用地；RVI＞Ｍ-Ｄ/２为非建设用地。
②可用于实时、快速、无损监测作物氮素状况，这对于精确氮肥管理有重要意义。
利用高光谱比值指数RSI(990,720)来估算小麦叶片氮积累量为便携式小麦氮素监测仪的研制开发及遥感信息的快速提取提供了适用可行的波段选择与技术依据。
几种常见植被指数
几种常见植被指数标准化管理部编码-[99968T-6889628-J68568-1689N]植被指数主要反映植被在可见光、近红外波段反射与土壤背景之间差异的指标，各个植被指数在一定条件下能用来定量说明植被的生长状况。
在学习和使用植被指数时必须由一些基本的认识：1、健康的绿色植被在NIR和R的反射差异比较大，原因在于R对于绿色植物来说是强吸收的，NIR则是高反射高透射的；2、建立植被指数的目的是有效地综合各有关的光谱信号，增强植被信息，减少非植被信息3、植被指数有明显的地域性和时效性，受植被本身、环境、大气等条件的影响一、RVI——比值植被指数：RVI=NIR/R，或两个波段反射率的比值。
1、绿色健康植被覆盖地区的RVI远大于1，而无植被覆盖的地面（裸土、人工建筑、水体、植被枯死或严重虫害）的RVI在1附近。
植被的RVI通常大于2；2、RVI是绿色植物的灵敏指示参数，与LAI、叶干生物量(DM)、叶绿素含量相关性高，可用于检测和估算植物生物量；3、植被覆盖度影响RVI，当植被覆盖度较高时，RVI对植被十分敏感；当植被覆盖度<50%时，这种敏感性显着降低；4、RVI受大气条件影响，大气效应大大降低对植被检测的灵敏度，所以在计算前需要进行大气校正，或用反射率计算RVI。
二、NDVI——归一化植被指数：NDVI=(NIR-R)/(NIR+R)，或两个波段反射率的计算。
1、NDVI的应用：检测植被生长状态、植被覆盖度和消除部分辐射误差等；2、-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大；3、NDVI的局限性表现在，用非线性拉伸的方式增强了NIR和R的反射率的对比度。
对于同一幅图象，分别求RVI和NDVI时会发现，RVI值增加的速度高于NDVI增加速度，即NDVI对高植被区具有较低的灵敏度；4、NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、学、枯叶、粗超度等，且与植被覆盖有关；三、DVI\EVI——差值\环境植被指数：DVI=NIR-R，或两个波段反射率的计算。
植被遥感指数公式及简介..
归一化植被指数 （Normalized Difference Vegetation Index）
NDVI=（DNNIR-DNR）/（ DNNIRDNR） NDVI=(NIR-R)/ (NIR+R)
实际上，NDVI是简单比值RVI经非线性的归一化处 理所得。
在植被遥感中，NDVI的应用最为广泛。它 是植被生长状态及植被覆盖度的最佳指示因子， 与植被分布密度呈线性相关。因此又被认为是反 映生物量和植被监测的指标。 NDVI的一个缺陷在于，对土壤背景的变化 较为敏感。 实验表明，作物生长初期NDVI将过高估计 植被覆盖度，而在作物生长的结束季节，NDVI 值偏低。因此，NDVI更适用于植被发育中期或 中等覆盖度的植被检测。
而对于TM而言，可见光—红外6个波段数据 经缨帽变换的前三个分量主要反映土壤亮度、绿 度、湿度特征，第四分量主要为噪声。其中绿度 指数可表示为：
GVI=-0.2848TM1-0.2435TM2-0.5436TM3 +0.7243TM4 +0.084TM5-0.1800TM7
垂直植被指数（PVI）
其中S为土壤反射率，V为植被反射率，R为红波段， NIR为红外波段。
PVI表征着在土壤背景上存在的植被的生物量， 距离越大，生物量越大，也可将PVI定量表达为：
PVI=（DNNIR-b）•cos -DNR•sin
其中，DNNIR、DNR分别为NIR、R两波段的反射辐 射亮度值； b为土壤基线与NIR反射率纵轴的截距； 为土壤基线与R光反射率横轴的夹角。
植被遥感指数
植被指数类型
比值植被指数（RVI） 归一化植被指数（NDVI） 差值植被指数（DVI）
缨帽变换中的绿度植被指数（GVI） 垂直植被指数（PVI）
- 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)。
1生物量生物量：指某一时刻单位面积内实存生活的有机物质（干重）北京地区森林植被：北京地区森林植被生物量遥感反演及时空动态格局分析_张慧芳呼伦贝尔草地：基于环境减灾卫星遥感数据的呼伦贝尔草地地上生物量反演研究_陈鹏飞延庆县森林：基于SPOT5的延庆县森林生物量研究_韩冬花芦苇：基于光谱特征信息的芦苇生物量反演研究_陈爱莲根据实地测量的芦苇反射光谱数据,建立该区域芦苇的光谱数据库,提取芦苇光谱维特征参数;并以光谱维特征为依据选取卫星数据,分析卫星数据与实测芦苇光谱特征的相关性,进而应用光谱角角度匹配!光谱特征拟合!二进制编码等三种光谱匹配技术,研究卫星数据光谱与实测芦苇光谱的匹配度,提取影像的芦苇像元,作为大面积自动估算芦苇生物量的基础"水稻：1.微波遥感水稻种植面积提取_生物量反演与稻田甲烷排放模拟_张远2.水稻高光谱特征及其生物理化参数模拟与博士估测模型研究_唐延林辽东湾翅碱蓬：辽东湾双台子河口湿地翅碱蓬生物量遥感反演研究_吴涛.cajSAVI和MSAVI与LAI的关系取样框内样方所在经度、纬度及高程、样方内水深、植株高度、盖度等。
同步采集植被冠层光谱叶面积指数。
对样方内植株个体先称干重在称量湿重。
现场光谱测定与处理：使用光谱仪为ISI921VF-256便携式地物光谱辐射计采集现场光谱值。
卫星遥感和TM数据和CCD数据。
小麦：冬小麦花期生理形态指标与卫星遥感光谱特征的相关性分析_李卫国.pdf 2 叶绿素玉米：1.不同氮处理春玉米叶片光谱反射率与叶片全氮和叶绿素含量的相关研究_王磊.pdf2.基于小波分析的玉米叶绿素a与LAI高光谱反演模型研究_宋开山.pdf3.受污染胁迫玉米叶绿素含量微小变化的高光谱反演模型_王平.pdf4.夏玉米叶片全氮_叶绿素及叶面积指数的光谱响应研究_谭昌伟.pdf5.利用遥感红边参数估算夏玉米农学参数的可行性分析_谭昌伟.caj大豆：1.大豆叶绿素含量高光谱反演模型研究_宋开山.pdf2．大豆叶片水平叶绿素含量的高光谱反射率反演模型研究_陈婉婧.pdf(红边位置与植物叶片的相关性在红边参数中相关性最好，红边斜率主要与lai相关) 3．基于多角度成像数据的大豆冠层叶绿素密度反演_张东彦.pdf 4．基于小波分析的大豆叶绿素a含量高光谱反演模型_宋开山.pdf5．小波分析在大豆叶绿素含量高光谱反演中的应用_宋开山.pdf森林：1.基于Hyperion数据的森林叶绿素含量反演_杨曦光.pdf2.基于PROSPECT_SAIL模型的森林冠层叶绿素含量反演_杨曦光.pdf3.基于叶片光谱的森林叶绿素浓度反演研究_焦全军.pdf4．森林叶片叶绿素含量反演的比较与分析_佃袁勇.caj水稻：1.水稻叶片不同光谱形式反演叶绿素含量的对比分析研究_陈君颖.pdf2.水稻叶片叶绿素含量的光谱反演研究_陈君颖.caj3.水稻叶片叶绿素含量与吸收光谱变量的相关性研究_刘子恒.pdf4.水稻高光谱特征及其生物理化参数模拟与博士估测模型研究_唐延林.caj5.利用高光谱参数预测水稻氮素状况_色素含量和籽粒蛋白含量的研究_孙雪梅.caj6.水稻高光谱特征及其生物理化参数模拟与博士估测模型研究_唐延林.caj小麦：1.基于ACRM模型不同时期冬小麦LAI和叶绿素反演研究_李宗南.caj2.基于BP和GRNN神经网络的冬小麦冠层叶绿素高光谱反演建模研究_孙焱鑫.pdf3.基于BP和GRNN神经网络的冬小麦冠层叶绿素高光谱反演建模研究_孙焱鑫.pdf4.基于SVR算法的小麦冠层叶绿素含量高光谱反演_梁亮 (1).caj5.基于高光谱数据的小麦叶绿素含量反演_赵祥.caj6.基于高光谱数据的小麦叶绿素含量反演_赵祥.caj7.用多角度光谱信息反演冬小麦叶绿素含量垂直分布_赵春江.pdf8.冬小麦花期生理形态指标与卫星遥感光谱特征的相关性分析_李卫国.pdf丁香：丁香叶片叶绿素含量偏振高光谱数学模型反演研究_韩阳.pdf棉花：基于棉花红边参数的叶绿素密度及叶面积指数的估算_黄春燕.pdf苜蓿：基于因子分析的苜蓿叶片叶绿素高光谱反演研究_肖艳芳.pdf法国梧桐：基于主成分分析和BP神经网络的法国梧桐叶绿素含量高光谱反演研究_姚付启.pdf湿地小叶章：湿地小叶章叶绿素含量的高光谱遥感估算模型_李凤秀.pdf行道树：行道树叶绿素变化的高光谱神经网络模型_刘殿伟.pdf落叶松：用高光谱数据反演健康与病害落叶松_省略__和龙两市落叶松冠层采样测量数据_石韧.pdf毛竹林：毛竹林冠层参数动态变化及高光谱遥感反演研究_陆国富.caj阔叶红松林：阔叶红松林3个主要树种垂直结构上的光合光谱研究_方晓雨.caj3叶面积叶面积指数：（leaf area index）又叫叶面积系数，是指单位土地面积上植物叶片总面积占土地面积的倍数。
即：叶面积指数=叶片总面积/土地面积。
叶面积指数( Leaf A rea Index, LA I)是指单位地表面积上所有叶片面积总和的一半。
叶面积的大小及其分布直接影响着植被冠层对光能的截获及利用, 因此LA I已成为在研究植物光合作用、蒸腾作用、碳循环和水分截获时的一个重要参数, 从而广泛地应用于各种地学模型, 如生态系统功能模型、作物生长模型、净初级生产力模型、大气模型、水循环模型及生物地理化学模型等。
直接观测方法：拓印叶片后用结合求积仪测量、光电叶面积仪扫描直接测量和叶片拍照后进行计算机处理等方法是点的LAI 的直接观测方法。
适用于小型或少量样区观测。
光学仪器观测：各种LAI 光学观测仪器( 如LAI 2000，DEMON，TRAC，MVI 等) 通过测量植物冠层间隙度获得植物冠层LAI，观测效率高于上述传统观测方法，但在草地应用时易产生较大的误差。
遥感方法：遥感技术具有覆盖广、重采样频率高等优点，为进行区域或全球范围的LAI 反演提供了有效途径。
方法一，统计模型法：统计模型法以光谱反射率或植被指数为自变量、LAI 为因变量，采用各种统计方法建立的根据遥感资料估算LAI 的模型，该类模型虽然存在着参数随时间和地点变化的不足，但输入参数少，形式简洁，计算简单。
统计模型现在常被用于从高分辨率遥感数据生成LAI，对反演方法得到的LAI 进行检验。
方法二，物理模型法（包括辐射传输模型和几何光学模型）,：物理模型建立在辐射传输模型基础上，物理机理性强，但所需参数多，结果对参数设置敏感。
方法三：综合模型方法草地：1.基于高光谱数据和RBF神经网络方法的草地叶面积指数反演_包刚.pdf ○1每个样地内布设30 个1 m ×1 m 的样方，每个样方内测定5 条冠层光谱反射率曲线，取其平均值作为该样方的最终光谱反射率。
光谱测量使用美国ASD 公司设计制造的Field- Spec○R HandHeld 高便携性地物波谱仪，可在350 ～1 100 nm 波长范围内进行连续测量( 采样间隔约为1．5 nm) ，适用于从农作物监测、森林和草地研究到海洋学研究、矿物勘察等各方面。
使用光谱采集软件包RS3 对光谱数据进行均值计算、数据导出等预处理。
○2采用美国LI －COR 公司生产的LAI －2000 冠层分析仪测量草地冠层叶面积指数，该仪器使用的敏感波段设计在320 ～490 nm 之间，通过辐射转移模型用观测数据来推算LAI。
2.内蒙古不同类型草地叶面积指数遥感估算_柳艺博.pdfLAI 2000 冠层分析仪进行草地LAI 的地面测量。
用高精度手持GPS记录样区中心经纬度及海拔高度，并用数码相机拍摄周围景观，记录样区的群落组成、优势种、层次、盖度、植被高度以及坡向、坡度等基础数据。
可以满足建模和验证的基本需求。
芦苇：1.基于神经网络方法的芦苇叶面积指数遥感反演_陈健.pdf2层BP神经网络模型来反演研究区的芦苇LAI, 以FCR 模型模拟的TM 数据的前4个波段的反射率值以及土壤类型作为模型的输入值, 以LAI 为输出值, 激活函数选用双曲正切函数。
样本训练采用Levenberg - Marquardt算法,为了防止过度拟合, 提高网络的泛化能力, 每训练一定次数后便计算测试样本的误差, 以便及时终止训练。
2.芦苇地叶面积指数的遥感反演_陈健.pdf首先, 利用FCR 模型进行计算, 得出芦苇在当时条件下的查找表; 然后, 对查找表进行分析计算, 并得出统计规律; 最后, 根据该统计规律进行芦苇地LA I制图。
研究表明, 该方法计算简单易行, 且精度较高, 可较精确地用来反演芦苇地的LA I。
小麦：1.冬小麦叶面积指数高光谱遥感反演方法对比.pdf2.基于HJ星高光谱数据红边参数的冬小麦叶面积指数反演_陈雪洋.pdf3.基于高光谱遥感的小麦叶干重和叶面积指数监测_冯伟.pdf4.基于人工神经网络方法的冬小麦叶面积指数反演_马茵驰.pdf5. 利用HJ_1_A_BCCD2数据反演冬小麦叶面积指数_赵虎.pdf6.小麦叶面积指数的高光谱反演_梁亮.pdf7.冬小麦花期生理形态指标与卫星遥感光谱特征的相关性分析_李卫国.pdf水稻：水稻高光谱特征及其生物理化参数模拟与博士估测模型研究_唐延林.caj 森林：1.HJ_1CCD与Landsat__省略_在森林叶面积指数反演中的比较分析_朱高龙.pdf2.帽儿山地区森林冠层叶面积指数的地面观测与遥感反演_朱高龙.pdf 柑橘树：基于光谱信息的柑橘树叶面积指数测试系统研制_吴伟斌.pdf大豆：基于人工神经网络的大豆叶面积高光谱反演研究_宋开山.pdf玉米：1.夏玉米叶片全氮_叶绿素及叶面积指数的光谱响应研究_谭昌伟.pdf2.基于小波分析的玉米叶绿素a与LAI高光谱反演模型研究_宋开山.pdf 棉花:棉花叶面积指数冠层反射率光谱响应及其反演_柏军华.pdf祁连山云杉林:祁连山区青海云杉林冠层叶面积指数的反演方法_赵传燕.pdf烟草:烟草叶面积指数的高光谱估算模型_张正杨.pdf落叶松：兴安落叶松叶面积指数反演与验证研究_弓瑞(3).caj芦苇：东亚飞蝗发生区芦苇LAI的遥感反演及其尺度效应研究_陈健.caj东北绿化树种：东北主要绿化树种叶面积指数_LAI_高光谱估算模型研究_汤旭光毛竹林：毛竹林冠层参数动态变化及高光谱遥感反演研究_陆国富.caj4葡萄花油层1.叠前反演技术在乾安北地区葡萄花油层的应用_柯钦.pdf5 N,P水稻：1.基于冠层反射光谱的水稻氮素营养与籽粒品质监测_周冬琴.caj2.利用高光谱参数预测水稻氮素状况_色素含量和籽粒蛋白含量的研究_孙雪梅.caj3.水稻高光谱特征及其生物理化参数模拟与博士估测模型研究_唐延林.caj小麦：1.基于冠层反射光谱的小麦氮素营养与籽粒品质监测_李映雪.caj2.基于氮素营养指数的冬小麦籽粒蛋白质含量遥感反演_陈鹏飞.pdf3.利用地_空高光谱遥感监测小麦氮素状况与生长特征_鞠昌华.caj4.基于植物净初级生产力模型的区域冬小麦估产研究_任建强.pdf5.小麦冠层反射光谱与籽粒蛋白质含量及相关品质指标的定量关系_李映雪 (1).pdf6.冬小麦花期生理形态指标与卫星遥感光谱特征的相关性分析_李卫国.pdf森林：基于多源遥感数据的森林蓄积量估测方法研究_杨永恬.caj苹果树：苹果树花期叶_冠N_P营养状况的卫星遥感反演研究_王凌(3).caj夏玉米：夏玉米叶片全氮_叶绿素及叶面积指数的光谱响应研究_谭昌伟.pdf烟草：烟草高光谱特性与农艺_生理_品质指标关系和估测模型研究_李向阳.caj 紫花苜蓿和缘毛雀麦：紫花苜蓿和缘毛雀麦高光谱与营养成分的相关性研究_纳钦.caj6蛋白质小麦：小麦冠层反射光谱与籽粒蛋白质含量及相关品质指标的定量关系_李映雪水稻：1.水稻高光谱特征及其生物理化参数模拟与博士估测模型研究_唐延林.caj2.利用高光谱参数预测水稻氮素状况_色素含量和籽粒蛋白含量的研究_孙雪梅.caj7类胡萝卜素阔叶红松林：阔叶红松林3个主要树种垂直结构上的光合光谱研究_方晓雨.caj 水稻：1.水稻高光谱特征及其生物理化参数模拟与博士估测模型研究_唐延林.caj2.利用高光谱参数预测水稻氮素状况_色素含量和籽粒蛋白含量的研究_孙雪梅.caj8石油烃芦苇：1. 黄河三角洲石油污染对湿地芦苇和碱蓬幼苗生长影响的模拟研究_于君宝.caj 温室盆栽模拟结果表明，随着石油浓度的增高，芦苇和盐地碱蓬株高的受抑制程度不断增强，随着时间的推移，石油污染对芦苇分蘖的抑制作用减弱,而对盐地碱蓬幼苗的分枝数抑制作用加大。