植被覆盖 植被指数 植被光谱
ENVI中常见植被指数介绍
作业9 植被指数植被指数概念：利用卫星不同波段探测数据组合而成的，能反映植物生长状况的指数。
植物叶面在可见光红光波段有很强的吸收特性，在近红外波段有很强的反射特性，这是植被遥感监测的物理基础，通过这两个波段测值的不同组合可得到不同的植被指数。
不同的植被覆盖类型可以通过其特有的光谱特征进行区分，这是由于叶绿素在红波段内对太阳辐射的吸收以及叶片细胞结构对红外波段内太阳辐射的强反射。
Broadband Greenness(5 indices)（宽带绿色指标(5)）宽带绿度指数可以简单度量绿色植被的数量和生长状况，它对植物的叶绿素含量、叶子表面冠层、冠层结构比较敏感，这些都是植被光合作用的主要物质，与光合有效辐射（fAPAR）也有关系。
宽带绿度指数常用于植被物候发育的研究，土地利用和气候影响评估，植被生产力建模等。
宽带绿度指数选择的波段范围在可见光和近红外，一般的多光谱都包含这些波段。
下面的公式中规定波段的中心波长：ρNIR=800nm，ρRED=680nm，ρBLUE=450nm。
1. Normalized Difference Vegetation Index归一化植被指数增强在近红外波段范围绿叶的散射与红波段范围叶绿素的吸收差异。
简称NDVI： NDVI=(NIR-R)/(NIR+R)（1）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；2.Simple Ratio Index比值植被指数在近红外波段范围绿叶的散射与红波段范围叶绿素吸收的比值。
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在遥感中，常常结合不同波长范围的反射率来增强植被特征，如植被指数（vegetation indices ——VI）的计算，植被指数（VI）是两个或多个波长范围内的地物反射率组合运算，以增强植被某一特性或者细节。
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。
本文总结现有植被指数，根据对植被波谱特征产生重要影响的主要化学成份：色素（Pigments）、水分（Water）、碳（Carbon）、氮（Nitrogen），总结了7大类实用性较强的植被指数，即：宽带绿度、窄带绿度、光利用率、冠层氮、干旱或碳衰减、叶色素、冠层水分含量。
这些植被指数可以简单度量绿色植被的数量和生长状况、叶绿素含量、叶子表面冠层、叶聚丛、冠层结构、植被在光合作用中对入射光的利用效率、测量植被冠层中氮的相对含量、估算纤维素和木质素干燥状态的碳含量、度量植被中与胁迫性相关的色素、植被冠层中水分含量等。
包括以下内容：∙∙●植被光谱特征∙∙●植被指数∙∙●HJ-1-HSI植被指数计算1.植被光谱特征植被跟太阳辐射的相互关系有别于其他物质，如裸土、水体等，比如植被的“红边”现象，即在<700nm附近强吸收，>700nm高反射。
很多因素影响植被对太阳辐射的吸收和反射，包括波长、水分含量、色素、养分、碳等。
研究植被的波长范围一般为400 nm to 2500 nm，这也是传感器设计选择的波长范围。
这个波长范围可范围以下四个部分：∙∙●可见光（Visible）：400 nm to 700 nm∙∙●近红外（Near-infrared——NIR）：700 nm to 1300 nm∙∙●短波红外1（Shortwave infrared 1—— SWIR-1）：1300 nm to 1900 nm∙∙●短波红外2（Shortwave infrared 2——SWIR-2）：1900 nm to 2500 nm其中NIR和SWIR-1的过渡区（1400nm附近）是大气水的强吸收范围，卫星或者航空传感器一般不获取这范围的反射值。
植被指数的计算方法与遥感图像处理步骤
植被指数的计算方法与遥感图像处理步骤植被指数是研究地表植被覆盖状况的重要指标，可以通过遥感技术获取高空间分辨率的植被信息。
植被指数的计算方法与遥感图像处理步骤是确定植被指数数值的关键环节。
一、什么是植被指数？植被指数是通过遥感技术获取的图像数据来计算植被覆盖状况的指标。
常见的植被指数有归一化植被指数（Normalized Difference Vegetation Index, NDVI）、植被指数（Vegetation Index, VI）等。
这些指标利用遥感图像中红、近红外波段的反射光谱信息来反映植被生长情况，指数数值越高，代表植被覆盖程度越高。
二、植被指数的计算方法1. 归一化植被指数（NDVI）NDVI是最常用的植被指数之一，计算公式为（NIR-RED）/（NIR+RED），其中NIR是近红外波段的反射值，RED是红波段的反射值。
NDVI范围在-1到1之间，数值越接近1代表植被覆盖越高，数值越接近-1代表植被覆盖越低，数值接近0则代表无植被。
2. 植被指数（VI）植被指数是根据遥感图像中的红、蓝、绿波段的反射值计算得到的，常见的植被指数有绿光波段（Green）、蓝光波段（Blue）和红边波段（Red-edge）等。
植被指数的计算公式根据研究的需要而定，比如Normalized Green-Blue Vegetation Index（NGB）、Green-Blue Vegetation Index（GBVI）等。
三、遥感图像处理步骤1. 遥感图像获取遥感图像可以通过卫星、飞机等载体获取，一般包括多个波段的光谱信息。
从遥感图像中选取合适的波段进行植被指数的计算。
2. 数据预处理遥感图像预处理包括大气校正、几何纠正和辐射辐射校正等步骤，以消除由于大气、地表地貌等因素引起的图像噪声。
3. 波段选择根据研究需要和相关指数的计算公式选择合适的波段进行植被指数的计算。
常用的波段有红、近红外、绿、蓝等。
ENVI中常见植被指数介绍
作业9 植被指数植被指数概念：利用卫星不同波段探测数据组合而成的，能反映植物生长状况的指数。
植物叶面在可见光红光波段有很强的吸收特性，在近红外波段有很强的反射特性，这是植被遥感监测的物理基础，通过这两个波段测值的不同组合可得到不同的植被指数。
不同的植被覆盖类型可以通过其特有的光谱特征进行区分，这是由于叶绿素在红波段内对太阳辐射的吸收以及叶片细胞结构对红外波段内太阳辐射的强反射。
Broadband Greenness(5 indices)（宽带绿色指标(5)）宽带绿度指数可以简单度量绿色植被的数量和生长状况，它对植物的叶绿素含量、叶子表面冠层、冠层结构比较敏感，这些都是植被光合作用的主要物质，与光合有效辐射（fAPAR）也有关系。
宽带绿度指数常用于植被物候发育的研究，土地利用和气候影响评估，植被生产力建模等。
宽带绿度指数选择的波段范围在可见光和近红外，一般的多光谱都包含这些波段。
下面的公式中规定波段的中心波长：ρNIR=800nm，ρRED=680nm，ρBLUE=450nm。
1. Normalized Difference Vegetation Index归一化植被指数增强在近红外波段范围绿叶的散射与红波段范围叶绿素的吸收差异。
简称NDVI： NDVI=(NIR-R)/(NIR+R)（1）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；2.Simple Ratio Index比值植被指数在近红外波段范围绿叶的散射与红波段范围叶绿素吸收的比值。
植被光谱分析与植被指数计算
植被光谱分析与植被指数计算在遥感中，常常结合不同波长范围的反射率来增强植被特征，如植被指数（vegetation indices——VI）的计算，植被指数（VI）是两个或多个波长范围内的地物反射率组合运算，以增强植被某一特性或者细节。
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。
本文总结现有植被指数，根据对植被波谱特征产生重要影响的主要化学成份：色素（Pigments）、水分（Water）、碳（Carbon）、氮（Nitrogen），总结了7大类实用性较强的植被指数，即：宽带绿度、窄带绿度、光利用率、冠层氮、干旱或碳衰减、叶色素、冠层水分含量。
这些植被指数可以简单度量绿色植被的数量和生长状况、叶绿素含量、叶子表面冠层、叶聚丛、冠层结构、植被在光合作用中对入射光的利用效率、测量植被冠层中氮的相对含量、估算纤维素和木质素干燥状态的碳含量、度量植被中与胁迫性相关的色素、植被冠层中水分含量等。
包括以下内容：∙ ∙●植被光谱特征∙ ∙●植被指数∙ ∙●HJ-1-HSI植被指数计算1.植被光谱特征植被跟太阳辐射的相互关系有别于其他物质，如裸土、水体等，比如植被的“红边”现象，即在<700nm附近强吸收，>700nm高反射。
很多因素影响植被对太阳辐射的吸收和反射，包括波长、水分含量、色素、养分、碳等。
研究植被的波长范围一般为400 nm to 2500 nm，这也是传感器设计选择的波长范围。
这个波长范围可范围以下四个部分：∙∙●可见光（Visible）：400 nm to 700 nm∙∙●近红外（Near-infrared——NIR）：700 nm to 1300 nm∙∙●短波红外1（Shortwave infrared 1—— SWIR-1）：1300 nm to 1900 nm∙∙●短波红外2（Shortwave infrared 2——SWIR-2）：1900 nm to 2500 nm其中NIR和SWIR-1的过渡区（1400nm附近）是大气水的强吸收范围，卫星或者航空传感器一般不获取这范围的反射值。
使用遥感图像进行植被覆盖度测量的方法
使用遥感图像进行植被覆盖度测量的方法植被覆盖度是评估地表生态系统的重要指标之一，可以帮助我们了解植被分布、生长状况以及生态环境的变化。
通过遥感技术，我们可以借助航天器、无人机等高空平台获取的图像数据，来进行植被覆盖度的测量与分析。
本文将介绍一些使用遥感图像进行植被覆盖度测量的方法及其应用。
一、光谱指数法光谱指数法是使用遥感图像中的光谱信息来推断植被覆盖度的一种方法。
光谱指数是根据植被对不同波段的反射特性而计算得出的。
其中，植被指数（Vegetation Index，VI）是光谱指数法中最常用的一种指数计算方法。
常见的植被指数包括归一化植被指数（Normalized Difference Vegetation Index，NDVI）、简化型植被指数（Simple Ratio Index，SR）等。
在使用光谱指数法进行植被覆盖度测量时，首先需要根据遥感图像计算出相应的植被指数值。
然后，通过与实地采样数据进行对比，建立植被指数与植被覆盖度之间的关系模型，从而推算出植被覆盖度。
这种方法具有简单、快速、非破坏性的优点，并能够进行大范围的植被分布调查，因此被广泛应用于植被覆盖度的监测与评估。
二、面向对象的分类方法面向对象的分类方法是利用遥感图像中的纹理、形状、空间分布等特征，将图像中的像素分成不同的类别，并将每个类别与相应的植被覆盖度关联起来的方法。
通过这种方法，我们可以得到植被覆盖度变化的空间分布图，并进一步进行植被生态系统调查和分析。
面向对象的分类方法需要先进行图像分类，将图像中的不同景物、地物分割成不同的对象。
然后，根据所建立的训练样本库，将这些对象分类为与植被覆盖度相关的类别。
最后，通过对每个类别中的对象进行统计，得到相应的植被覆盖度。
三、机器学习方法机器学习方法是一种将遥感图像与实地采样数据进行关联的高级技术。
通过训练模型，机器学习方法可以从遥感图像中学习到特定的植被覆盖度信息，并将其应用于未知区域的植被覆盖度估计。
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。
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。
- 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)。
NDVI的理论基础NDVI的理论基础植被指数按不同的监测方法和计算方法可分为多种多样的植被指数。
常用的有：归一化植被指数NDVI；垂直植被指数PVI；比值植被指数RVI；消除土壤影响的植被指数SAVI和全球植被指数GVI等。
其中，NDVI则是使用最广泛，效果也较好的一种。
NDVI（Normalized Difference Vegetation Index）归一化植被指数，又称标准化植被指数，在使用遥感图像进行植被研究以及植物物候研究中得到广泛应用，它是植物生长状态以及植被空间分布密度的最佳指示因子，与植被分布密度呈线性相关。
归一化植被指数(NDVI)是近红外与红色通道反射率比值(SR=NIR/RED)的一种变换形式，NDVI=(NIR-R)/(NIR+R)。
植被覆盖度（fv）fv=（NDVI-NDVImin)/(NDVImax-NDVImin).叶面积指数（LAI）LAI=k-1ln(1-fv)-1，k是消光系数，每种植被k各不相同，一般植被取值范围是0.8-1.3。
NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、枯叶、粗超度等，且与植被覆盖有关，-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。
用NDVI判断植物生长的状态：植物叶绿素发生光合作用而吸收红光，所以长势越好的植物吸收红光越多，反射近红外光也越多。
所以NDVI能反应植物生物量的多少，NDVI越大，植物长势越好。
附表：植被指数指数应用计算公式测量值的意义优点局限性NDVI 归一化植被指数监测植被生长状态、植被覆盖度和消除部分辐射误差等NDVI=(NIR-R)/(NIR+R)-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能反映出植物冠层的背景影响，如土壤、潮湿地面、枯叶、粗超度等，且与植被覆盖有关对高植被区具有较低的灵敏度RVI 比值植被指数是绿色植物的的灵敏指数参数，用于检测和估算植物生物量RVI=NIR/R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与LAI、叶干生物量(DM)、叶绿素含量相关性高植被覆盖度影响RVI，当植被覆盖度<50%时，这种敏感性显著降低；大气效应大大降低对植被检测的灵敏度DVI 差值环境植被指数DVI=NIR-R 对土壤背景的变化极为敏感SAVI 调整土壤亮度的植被指数解释背景的光学特征变化并修正NDVI对土壤背景的敏感SAVI=((NIR-R)/(NIR+R+L))(1+L)L=0 时，表示植被覆盖度为零；L=1时，表示土壤背景的影响为零，即植被覆盖度非常高，土壤背景的影响为零，这种情况只有在被树冠浓密的高大树木覆盖的地方才会出现GVI 绿度植被指数反应植被与土壤光谱特性的关系k-t变换后表示绿度的分量kt变换后得到的第一个分量表示土壤亮度，第二个分量表示绿度，第三个分量随传感器不同而表达不同的含义受外界条件影响大PVI 垂直植被指数PVI=((SR-VR)2+(SNIR-VNIR)2)1/2S是土壤反射率，V是植被反射率较好的消除了土壤背景的影响植被指数NDVI的优势及应用植被指数NDVI的优势NDVI（Normalized Difference Vegetation Index）归一化植被指数，又称标准化植被指数，它是植物生长状态以及植被空间分布密度的最佳指示因子，与植被分布密度呈线性相关。
实验表明，NDVI对土壤背景的变化较为敏感；它是单位像元内的植被类型、覆盖形态、生长状况等的综合反映，其大小取决于植被覆盖度和叶面积指数等要素；NDVI对植被覆盖度的检测幅度较宽，有较好的时间和空间适应性，因此应用较广。
NDVI在植被指数中占据着非常重要的位置，它主要具有以下几个方面的优势：⏹植被检测灵敏度较高⏹植被覆盖度的检测范围较高⏹能消除地形和群落结构的阴影和辐射干扰⏹削弱太阳高度角和大气所带来的噪音NDVI的应用⏹运用NDVI植被指数进行草地长势监测⏹社会-生态系统种动态等级结构研究⏹通过地球观测卫星获得地面真实数据⏹杂草覆盖绘图⏹作物产量/密度估计⏹用NDVI判断植物生长的状态：植物叶绿素发生光合作用而吸收红光，所以长势越好的植物吸收红光越多，反射近红外光也越多。
所以NDVI能反应植物生物量的多少，NDVI越大，植物长势越好。
⏹NDVI可用于林火监测，弥补了地理信息系统难以随时更新的数据不足，排除了云体对床干起的干扰，提高了森林火灾监测的准确性，及时性和可靠性。
SpectroSense2地表植被光谱仪SpectroSense2地表植被光谱仪是SKYE公司开发的较为先进的植被研究仪器，它分为4通道和8通道两个版本。
在野外测量过程中，可直接在LCD显示屏上读取测量值和计算地表各波段辐射之间的比值（如NDVI或RVI），也可设置时间间隔并记录数据。
SpectroSense2地表植被光谱仪可选传感器较为丰富，可使用PAR, 红外/远红外，总辐射、光照、紫外线等光学传感器，也可以根据用户需要，选择自定义波长的传感器。
测量数据通过随机软件导出，并可在Excel和word等软件直接进行编辑统计。
原理同时利用不同波段光传感器测量被测物的反射、辐射光谱值，利用数据采集器和相应的处理软件记录、计算被测物的光谱特性。
用途⏹直接测量地表植被NDVI和RVI⏹根据测量值计算其他相关植被指数（如DVI、SA VI、PVI等）⏹校准LANDSAT、MODIS、AHVRR等卫星遥感图像⏹测量总辐射、光合有效辐射等常规参数，及其他波段辐射值仪器对比：优点缺点卫星遥感适合大范围监测精度低SpectroSense2 可连续监测，精度高，便携，多种传感器选择，特有多通道传感器GreenSeeker 主动式遥感，主动发光，适用于夜间，可以车载使用扩展性差，只能测NDVI，无其他传感器CM1000非接触NDVI测量仪便携性强测量面积小PlantPen系列植物PRI & NDVI计便携性强测量面积小优势两种测量通道类型可选手持式数据管理器，轻巧方便携带精度高，提高了测量的准确性存储量大材质优良，适合各种恶劣的环境供电时间长，可连续工作300小时可连续监测基本技术指标⏹功能：SpectroSense2具有4个测量通道，具有显示功能，SpectroSense2+具有8个测量通道，具有显示和记录功能⏹手持式数据管理器读数包括辐射传感器的直接读数和成对传感器读数的比值⏹记录间隔：1、2、5、10、20、30秒；1、2、5、10、20、30分钟；1、2小时⏹精度：0.008% （20℃时，中心波段）⏹分辨率：16位⏹存储：存储16条校准曲线，1MB内存，在记录模式下可记录8个通道的数据约2000个⏹工作环境：-20~+70℃，0-100% RH⏹材质：ABS工程塑料，防水等级IP54⏹供电：内置1节9V PP3电池，可外接12V DC供电⏹供电时间：可连续显示40~50个小时，记录模式下最大可连续工作300个小时⏹尺寸：150mm×55mm×100mm⏹显示：20×4行液晶显示屏⏹按键：SpectroSense2 8个；SpectroSense2+ 12个⏹读数表重量：700克⏹辐射传感器材质：光电池或光学玻璃基本组成⏹手持式读数表或手持式显示数据采集器⏹测量支架⏹传感器平衡指示器（水平底座）⏹用户选定的不同波段带宽的传感器（用户可以根据需要进行定制，传感器符合英国国家标准，有校正和响应曲线）⏹可选的各种光传感器：如PAR, 红外/远红外，总辐射，光照，UV A，UVB（以上所有传感器均符合英国国家标准，有校正和响应曲线）SKYE 传感器辐射传感器名称技术规格 应用及特点 图示SKS 1110总辐射传感器反应波段：400~1100nm尺寸：高38×直径34mm 电流灵敏度：5μA/ W/m 2 电压灵敏度：1mV/ W/m 2 量程：0~5000 W/m 2 线性误差：<0.2%绝对校准误差：典型<3%，最大5% 余弦误差：3% 方位角误差：<1% 温度系数：±0.1%/℃ 长期稳定性：±2% 响应时间（电压输出）：10ns 内部电阻（电压输出）：c.200ohms 工作温度：-30~+75℃ 工作湿度：0~100% RH用于测量总辐射SKL 310照度传感器尺寸：高38×直径34mm 电流灵敏度：1.4μA/10kLux 电压灵敏度：1mV/10kLux 量程：0~500kLux 线性误差：<0.2%绝对校准误差：典型<3%，最大5% 余弦误差：3% 方位角误差：<1% 温度系数：±0.1%/℃ 长期稳定性：±2% 响应时间（电压输出）：10ns 内部电阻（电压输出）：c.650ohms 工作温度：-30~+75℃ 工作湿度：0~100% RH测量光照强度优 势 传感器灵敏度高，最大限度的减少误差长期的NDVI 数据采集可以通过将传感器连接到SpectroSense2来进行现场读数Skye 传感器可以更正卫星数据中出现的误差Skye 传感器有多种波段选择，以适应不同的需要，也可根据用户需要定制 Skye 传感器完全防水，适用于野外使用辐射传感器名称 技术规格应用及特点图示SKP 215光合有效辐射传感器反应波段：400~700nm 尺寸：高38×直径34mm电流灵敏度：2μA/100μmol/m²/sec 电压灵敏度：1mV/100μmol/m²/sec 量程：0~5×104μmol/m²/sec 线性误差：<0.2%绝对校准误差：典型<3%，最大5% 余弦误差：3% 方位角误差：<1% 温度系数：±0.1%/℃ 长期稳定性：±2% 响应时间（电压输出）：10ns 内部电阻（电压输出）：c.350ohms 工作温度：-30~+75℃ 工作湿度：0~100% RH测量光和有效辐射强度特点：量程较宽，适用范围较广SKE 510光合有效辐射能量传感器反应波段：400~700nm 尺寸：高38×直径34mm 电流灵敏度：3.5μA/ W/m 2 电压灵敏度：1mV/ W/m 2 量程：0~5000 W/m 2 线性误差：<0.2%绝对校准误差：典型<3%，最大5% 余弦误差：3% 方位角误差：<1% 温度系数：±0.1%/℃ 长期稳定性：±2% 响应时间（电压输出）：10ns 内部电阻（电压输出）：c.300ohms 工作温度：-30~+75℃ 工作湿度：0~100% RH测量光和有效辐射能量SKU 420 UVA 传感器反应波段：315~380nm 尺寸：高69×直径34mm 量程：0~100 W/m 2 输出信号：0-1V灵敏度：10 mV/W/ m 2 热漂移输出（-20~+50℃）：0.025mV/℃热漂移的零点偏移：典型0.01 mV/℃ 输出阻抗：500欧姆 输入电源：5~15 V 线性：最佳1%绝对校准误差：典型<3%，最大5% 余弦误差：3% 方位角误差：<1% 温度系数：±0.2%/℃ 长期稳定性：±2%响应时间：最佳在10ms 工作温度：-30~+60℃ 工作湿度：0~100% RH测量UV A 强度辐射传感器名称 技术规格应用及特点图示SKU 430 UVB 传感器反应波段：280~315nm 尺寸：高69×直径34mm 量程：0~10 W/m 2 输出信号：0-1V灵敏度：150 mV/W/ m 2 热漂移输出（-20~+50℃）：0.075mV/℃ max零点偏移范围：±1 mV 热漂移的零点偏移（-20~+50℃）：典型0.03 mV/℃输出阻抗：500欧姆 输入电源：5~15 V 线性：最佳1%绝对校准误差：典型<3%，最大5% 余弦误差：3% 方位角误差：<1% 温度系数：±0.2%/℃ 长期稳定性：±2%响应时间：最佳在10ms 工作温度：-30~+60℃ 工作湿度：0~100% RH测量UVB 强度SKR 110红外/远红外传感器反应波段：660和730nm 尺寸：高69×直径34mm660nm 灵敏度：约30 mol/amp 730nm 灵敏度：约30 mol/amp 量程：<20004μmol/m 2/sec 线性误差：<0.2%绝对校准误差：典型<3%，最大5% 余弦误差：3% 方位角误差：<1% 温度系数：±0.1%/℃ 长期稳定性：±2% 响应时间（电压输出）：10ns 工作温度：-30~+75℃ 工作湿度：0~100% RH测量红外/远红外辐射强度SKR 1800双通道传感器（用户自定义波长范围）可定义波长范围：280~1100nm 尺寸：高65×直径44mm 线性误差：<0.2%绝对校准误差：典型<3%，最大5% 余弦误差：3% 方位角误差：<1% 温度系数：±0.1%/℃ 长期稳定性：±2% 响应时间（电压输出）：10ns 工作温度：-25~+75℃ 工作湿度：0~100% RH双通道同时测量可以根据用户的需要自定义波长应用光传感器波段细分光合有效辐射不同波谱段对作物生长的影响Channel 1 - 400-500nm Channel 2 - 500-600nm Channel 3 - 600-700nmChannel 4 - standard PAR sensor 细分太阳辐射不同波谱段对作物生长的影响Channel 1 - total solar radiation Channel 2 - PAR Energy sensor Channel 3 - red 630nm Channel 4 - far-red 730nm 叶绿体研究Channel 1 - 400-500 nm Channel 2 - 500-600 nm Channel 3 - 600-700 nm Channel 2 - 700-800 nm 地表杂草覆盖度研究，测量入射光和反射光Channel 1 – 640-660nm Channel 2 – 790-810nm作物密度评测，有7个传感器，1个测量入射光，6个测量反射光 Channel 1 - 640-660nm Channel 2 - 790-810nmNDVI 不同作物指数的标准化测量 NDVI=1)Chan 2(Chan 1)Chan - 2(Chan卫星图谱地面标定传感器LANDSAT 卫星 Channel 1 - 450-500nm Channel 2 - 500-600nm Channel 3 - 650-700nm Channel 2 - 750-900nm 卫星图谱地面标定传感器AHVRR 卫星Channel 1 - 570-680nm Channel 2 - 725-1020nm辐射传感器名称技术规格应用及特点图示SKR 1850四通道传感器（用户自定义波长范围） 可定义波长范围：280~1100nm 尺寸：高55×直径54mm 线性误差：<0.2%绝对校准误差：典型<3%，最大5% 余弦误差：3% 方位角误差：<1% 温度系数：±0.1%/℃ 长期稳定性：±2% 响应时间（电压输出）：10ns 工作温度：-35~+75℃ 工作湿度：0~100% RH四通道同时测量可以根据用户的需要自定义波长。