植被指数模型详解
ENVI下植被指数模型详解
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。所有的植被指数要求从高精度的多光谱或者高光谱反射率数据中计算。未经过大气校正的辐射亮度或者无量纲的DN值数据不适合计算植被指数。
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。在ENVI中，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。
下面是7大类27种植被指数的说明，这些植被指数都是经过严格生物条件下测试的。
1宽带绿度——BroadbandGreenness(5种)
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)归一化植被指数（NormalizedDifferenceVegetationIndex——NDVI）
NDVI众所周知的一种植被指数，在LAI值很高，即植被茂密时其灵敏度会降低。其计算公式为：
NDVI=(式1)
值的范围是-1~1，一般绿色植被区的范围是0.2~0.8。
2)比值植被指数（SimpleRatioIndex——SR）
SR指数也是众所周知的一种植被指数，在LAI值很高，即植被茂密时其灵敏度会降低。其计算公式为：
(式2)
值的范围是0~30+，一般绿色植被区的范围是2~8。
3)增强植被指数（EnhancedVegetationIndex——EVI）
EVI通过加入蓝色波段以增强植被信号，矫正土壤背景和气溶胶散射的影响。EVI常用于LAI值高，即植被茂密区。其计算公式为：
EVI=（式3）值的范围是-1~1，一般绿色植被区的范围是0.2~0.8。
4)大气阻抗植被指数（AtmosphericallyResistantVegetationIndex——ARVI）
ARVI是NDVI的改进，它使用蓝色波段矫正大气散射的影响（如气溶胶），ARVI常用于大气气溶胶浓度很高的区域，如烟尘污染的热带地区或原始刀耕火种地区。其计算公式为：
EVI=（式4）
值的范围是-1~1，一般绿色植被区的范围是0.2~0.8。
5)绿度总和指数（SumGreenIndex——SG）
SG指数是用于探测绿色植被变化最简单的植被指数。由于在可见光范围内，绿色植被对光强吸收，SG指数对稀疏植被的小变化非常敏感。SG指数是
500nm~600nm范围内平均波谱反射率。
总和最后会被转化回反射率。值的范围是0~50+，一般植被区域是10~25。2窄带绿度——NarrowbandGreenness(7种)
窄带绿度指数对叶绿素含量、叶子表面冠层、叶聚丛、冠层结构非常敏感。它使用了红色与近红外区域部分——红边，红边是介于690nm~740nm之间区域，包括吸收与散射。它比宽带绿度指数更加灵敏，特别是对于茂密植被。
1)红边归一化植被指数（RedEdgeNormalizedDifferenceVegetationIndex——NDVI705）
NDVI705是NDVI的改进型，它对叶冠层的微小变化、林窗片断和衰老非常灵敏。它可用于精细农业、森林监测、植被胁迫性探测等。其计算公式为[7][8]：
NDVI705=（式5）
值的范围是-1~1，一般绿色植被区的范围是0.2~0.9。
2)改进红边比值植被指数（ModifiedRedEdgeSimpleRatioIndex——mSR705）
mSR705改正了叶片的镜面反射效应，可它可用于精细农业、森林监测、植被胁迫性探测等。其计算公式为[6]：
mSR705=（式6）
值的范围是0~30，一般绿色植被区的范围是2~8。
3)改进红边归一化植被指数(ModifiedRedEdgeNormalizedDifferenceVegetationIndex——mNDVI705)
mNDVI705是NDVI705的改进型，它考虑了叶片的镜面反射效应。它对叶冠层的微小变化、林窗片断和衰老非常灵敏。它可用于精细农业、森林监测、植被胁迫性探测等。
其计算公式为：
mNDVI705=（式7）
值的范围是-1~1，一般绿色植被区的范围是0.2~0.7。
4)Vogelmann红边指数1（VogelmannRedEdgeIndex1——VOG1）
VOG1指数对叶绿素浓度、叶冠层和水分含量的综合非常敏感。它可应用于植物物候变化研究、精细农业和植被生产力建模。其计算公式为：
VOG1=（式8）
值的范围是0~20，一般绿色植被区的范围是4~8。
5)Vogelmann红边指数2（VogelmannRedEdgeIndex2——VOG2）
VOG2指数对叶绿素浓度、叶冠层和水分含量的综合非常敏感。它可应用于植物物候变化研究、精细农业和植被生产力建模。其计算公式为：
VOG2=（式9）
值的范围是0~20，一般绿色植被区的范围是4~8。
6)Vogelmann红边指数3（VogelmannRedEdgeIndex3——VOG3）
VOG3指数对叶绿素浓度、叶冠层和水分含量的综合非常敏感。它可应用于植物物候变化研究、精细农业和植被生产力建模。其计算公式为：
VOG3=（式10）
值的范围是0~20，一般绿色植被区的范围是4~8。
7)红边位置指数（RedEdgePositionIndex——REP）
REP指数对植被叶绿素浓度变化、叶绿素浓度增加使得吸收特征变宽及红边向长波段方向移动非常敏感。红边位置在690nm~740nm范围内急剧倾斜波长范围，一般植被在700nm~730nm。
REP指数的结果输出是在0.69微米~0.74微米光谱范围内，植被红边区域内的反射率的最大导数的波长。常用于农作物监测和估产，生态系统干扰探测，光合作用模型，和由气候或其他因素产生的冠层胁迫性。
3光利用率——LightUseEfficiency(3种)
光利用率指数是用来度量植被在光合作用中对入射光的利用效率。光的利用效率直接与碳吸收效率、植被生长速度和光合有效辐射（fAPAR）有很大的关系。
1)光化学植被指数（PhotochemicalReflectanceIndex——PRI）
PRI对活植物的类胡萝卜素（尤其黄色色素）变化非常敏感，类胡萝卜素可标识光合作用光的利用率，或者碳吸收效率。可用于研究植被生产力和胁迫性，常绿灌木植被的健康，森林以及农作物的衰老。其计算公式为：
PRI=（式11）
值的范围是-1~1，一般绿色植被区的范围是-0.2~0.2。
2)结构不敏感色素指数（StructureInsensitivePigmentIndex——SIPI）
SIPI用来最大限度地提高类胡萝卜素（例如α-胡萝卜素和β-胡萝卜素）与叶绿素比率在冠层结构（如叶面积指数）减少时的敏感度，SIPI的增加标识冠
层胁迫性的增加。可用于植被健康监测、植物生理胁迫性检测和作物生产和产量分析。其计算公式为：
SIPI=（式12）
值的范围是0~2，一般绿色植被区的范围是0.8~1.8。
3)红绿比值指数（RedGreenRatioIndex——RG）
RG比值指数指示由于花青素代替叶绿素而引起叶片变红的相关表达式。可估算植被冠层发展过程，它还是叶片生产力与胁迫性的指示器，甚至可标识一些冠层的开花。应用于植物生长周期（物候）研究，冠层胁迫性检测和作物估产。
RG比值指数结果输出是红色范围内所有波段均值除以与绿色范围内所有波
段均值。值的范围是0.1~8，一般绿色植被区的范围是0.7~3。
4冠层氮——CanopyNitrogen(1种)
冠层氮指数提供一种用遥感度量氮浓度的方法。氮是叶绿素的重要组成部分，具有高浓度氮的植被生长速度较快，冠层氮指数使用短波红外测量植被冠层中氮的相对含量。
归一化氮指数（NormalizedDifferenceNitrogenIndex——NDNI）NDNI是用于估算植被冠层中氮的相对含量。在1510nm的反射率主要取决于叶片氮的含量，以及冠层总体叶生物量。结合叶片氮含量和冠层叶生物量在1520nm范围内预测叶片氮的含量，在1680nm波长范围作为参考反射率，冠层叶生物量这个波长范围具有与1520nm波长范围类似的反射特性，而且1680nm波长范围内没有氮吸收影响。NDNI在植被还是绿色以及覆盖浓密时候，对氮含量的
变化非常敏感，它用于精细农业、生态系统分析和森林管理。其计算公式为：
NDNI=（式13）
值的范围是0~1，一般绿色植被区的范围是0.02~0.1。
5干旱或碳衰减——DryorSenescentCarbon(3种)
干旱或碳衰减指数是用来估算纤维素和木质素干燥状态的碳含量。干碳分子大量存在于木质材料和衰老、死亡、或休眠的植被，可以使用这些指数可以做植被着火性分析和检测森林的枯枝落叶层。干旱或碳衰减指数是基于纤维素和木质素在短波红外波段吸收特性而计算。
1)归一化木质素指数（NormalizedDifferenceLigninIndex——NDLI）
NDLI是用来估算植被冠层木质素的相对含量，应用生态系统分析和检测森林的枯枝落叶层。其计算公式为：
NDLI=（式14）值的范围是0~1，一般绿色植被区的范围是0.005~0.05。
2)纤维素吸收指数（CelluloseAbsorptionIndex——CAI）
CAI可以指示地表含有干燥植被，纤维素在2000nm~2200nm范围内吸收特征非常敏感。应用于农作物残留监测，植物冠层衰老，生态系统中的着火条件和放牧管理。其计算公式为：
NDLI=（式15）值的范围是-3~4+，一般绿色植被区的范围是-2~4。
3)植被衰减指数（PlantSenescenceReflectanceIndex——PSRI）
PSRI用来最大限度地提高类胡萝卜素（例如α-胡萝卜素和β-胡萝卜素）与叶绿素比率的灵敏度，PSRI的增加预示冠层胁迫性的增加、植被衰老的开始和植物果实的成熟。可用于植被健康监测、植物生理胁迫性检测和作物生产和产量分析。其计算公式为：
PSRI=（式16）
值的范围是-1~1，一般绿色植被区的范围是-0.1~0.2。
3.6叶色素——LeafPigments(4种)
叶色素指数用于度量植被中与胁迫性相关的色素。胁迫性相关的色素包括类胡萝卜素和花青素，这些色素大量存在衰减植被中，这些指数不能度量叶绿素。叶色素指数应用于农作物监测、生态系统研究、冠层胁迫性分析和精细农业。叶色素指数要求反射率数据范围在0~1。
1)类胡萝卜素反射指数1(CarotenoidReflectanceIndex1——CRI1)
CRI1对叶片中的类胡萝卜素非常敏感，高的CRI1值意味类胡萝卜素含量相比叶绿素含量多。其计算公式为：
CRI1=（式17）
值的范围是0~15+，一般绿色植被区的范围是1~12。
2)类胡萝卜素反射指数2(CarotenoidReflectanceIndex2——CRI2)
CRI2是CRI1的改进型，在类胡萝卜素浓度高时更加有效，高的CRI2值意味类胡萝卜素含量相比叶绿素含量多。其计算公式为：
CRI2=（式18）
值的范围是0~15+，一般绿色植被区的范围是1~11。
3)花青素反射指数1(AnthocyaninReflectanceIndex1——ARI1)
ARI1对叶片中的花青素非常敏感，ARI1值越大表明植被冠层增长或者死亡。其计算公式为：
ARI1=（式19）
值的范围是0~0.2+，一般绿色植被区的范围是0.001~0.1。
4)花青素反射指数2(AnthocyaninReflectanceIndex2——ARI2)
ARI2对叶片中的花青素非常敏感，ARI2值越大表明植被冠层增长或者死亡。ARI2是ARI1的改进，当花青素浓度高时更加有效。其计算公式为：
ARI2=（式20）
值的范围是0~0.2+，一般绿色植被区的范围是0.001~0.1。
3.7冠层水分含量——CanopyWaterContent(4种)
冠层水分含量指数用于度量植被冠层中水分含量。水分含量是一个重要的植物指标，较高的水含量表明健康植被、生长快及不易着火。冠层水分含量指数基于水在近红外和短波红外范围内的吸收特征，以及光在近红外范围的穿透性，综合起来度量总的水柱含量。
1)水波段指数（WaterBandIndex——WBI）
WBI对冠层水分状态的变化非常敏感，随着植被冠层水分的增加，970nm附近吸收强度相比900nm处有所增强。应用包括冠层胁迫性分析，生产力预测与建模，着火威胁条件分析，农作物管理，以及生态系统生理机能研究。其计算公式为：
WBI=（式21）
一般绿色植被区的范围是0.8~1.2。
2)归一化水指数（NormalizedDifferenceWaterIndex——NDWI）
NDWI对冠层水分含量的变化非常敏感，因为在857nm和1241nm具有相似的反射率，但是又不同于液态水的吸收特性。应用于冠层胁迫性分析，在浓密叶型植被的叶面积指数的研究，植被生产力模型，着火性研究。其计算公式为：
NDWI=（式22）
值的范围是-1~1，一般绿色植被区的范围是-0.1~0.4。
3)水分胁迫指数(MoistureStressIndex——MSI)
MSI对叶片水分含量的增加非常敏感。当叶片水分含量的增加，在1599nm 处的吸收强度也增加，而在819nm处的吸收强度没有影响。应用于冠层胁迫性分析，生产力预测与建模，着火威胁条件分析，以及生态系统生理机能研究。与其他水指数相反，MSI值越大，水分胁迫性越严重和水分含量越少。其计算公式为：
MSI=（式23）
值的范围是0~3+，一般绿色植被区的范围是0.4~2。
4)归一化红外指数（NormalizedDifferenceInfraredIndex——NDII）
NDII对农作物冠层的水分含量变化非常敏感，NDII的值越大表示水分含量越多。应用于农作物管理，森林冠层监测，植被胁迫性探测。其计算公式为：
NDII=（式24）
值的范围是-1~1，一般绿色植被区的范围是0.02~0.6。
References
Ceccato,P.,S.Flasse,S.Tarantola,S.Jacquemoud,andJ.M.Gregoire,2001.Detecting VegetationLeafWaterContentUsingReflectanceintheOpticalDomain.RemoteSensingo fEnvironment77:22-33.
Champagne,C.,E.Pattey,A.Bannari,andI.B.Stratchan,2001.MappingCropWaterStatu s:IssuesofScaleintheDetectionofCropWaterStressUsingHyperspectralIndices.Pro ceedingsofthe8thInternationalSymposiumonPhysicalMeasurementsandSignaturesin RemoteSensing,Aussois,France.Pp.79-84.
Datt,B.,1999.ANewReflectanceIndexforRemoteSensingofChlorophyllContentinHigh erPlants:TestsUsingEucalyptusLeaves.JournalofPlantPhysiology154:30-36. Daughtry,C.S.T.,2001.DiscriminatingCropResiduesfromSoilbyShort-WaveInfrared Reflectance.AgronomyJournal93:125-131.
Daughtry,C.S.T.,E.R.HuntJr.,andJ.E.McMurtreyIII.2004.AssessingCropResidueCo verUsingShortwaveInfraredReflectance.RemoteSensingofEnvironment90:126-134. Fourty,T.,F.Baret,S.Jacquemoud,G.Schmuck,andJ.Verdebout,1996.LeafOpticalPro pertieswithExplicitDescriptionofItsBiochemicalComposition:DirectandInverseP roblems.RemoteSensingofEnvironment56:104-117.
Gamon,J.A.andJ.S.Surfus,1999.AssessingLeafPigmentContentandActivityWithaRef lectometer.NewPhytologist143:105-117.
Gamon,J.A.,J.Penuelas,andC.B.Field,1992.ANarrow-WavebandSpectralIndexThatTr acksDiurnalChangesinPhotosyntheticEfficiency.RemoteSensingofEnvironment41:3 5-44.
Gamon,J.A.,L.Serrano,andJ.S.Surfus,1997.ThePhotochemicalReflectanceIndex:An OpticalIndicatorofPhotosyntheticRadiationUseEfficiencyAcrossSpecies,Functio nalTypesandNutrientLevels.Oecologia112:492-501.
Gao,B.C.,1995.NormalizedDifferenceWaterIndexforRemoteSensingofVegetationLiq uidWaterfromSpace.ProceedingsofSPIE2480:225-236.
Gitelson,A.A.andM.N.Merzlyak,1994.SpectralReflectanceChangesAssociatedwithA utumnSenescenceofAesculusHippocastanumL.andAcerPlatanoidesL.Leaves.Spectral FeaturesandRelationtoChlorophyllEstimation.JournalofPlantPhysiology143:286-292.
Gitelson,A.A.,M.N.Merzlyak,andO.B.Chivkunova,2001.OpticalPropertiesandNonde structiveEstimationofAnthocyaninContentinPlantLeaves.PhotochemistryandPhoto biology71:38-45.
Gitelson,A.A.,Y.Zur,O.B.Chivkunova,andM.N.Merzlyak,2002.AssessingCarotenoid ContentinPlantLeaveswithReflectanceSpectroscopy.PhotochemistryandPhotobiolo gy75:272-281.
Hardisky,M.A.,V.Klemas,andR.M.Smart,1983.TheInfluencesofSoilSalinity,Growth Form,andLeafMoistureontheSpectralReflectanceofSpartinaAlternifloraCanopies. PhotogrammetricEngineeringandRemoteSensing49:77-83.
Huete,A.R.,H.Liu,K.Batchily,andW.vanLeeuwen,1997.AComparisonofVegetationInd icesOveraGlobalSetofTMImagesforEOS-MODIS.RemoteSensingofEnvironment59(3):44 0-451.
HuntJr.,E.R.andB.N.Rock,1989.DetectionofChangesinLeafWaterContentUsingNear-AndMiddle-InfraredReflectances.RemoteSensingofEnvironment30:43-54.
Jackson,R.D.,P.N.Slater,andP.J.Pinter,1983.DiscriminationofGrowthandWaterSt ressinWheatbyVariousVegetationIndicesThroughClearandTurbidAtmospheres.Remot eSensingoftheEnvironment15:187-208.
Jackson,T.L.,D.Chen,M.Cosh,F.Li,M.Anderson,C.Walthall,P.Doriaswamy,andE.R.H unt,2004.VegetationWaterContentMappingUsingLandsatDataDerivedNormalizedDiff erenceWaterIndexforCornandSoybeans.RemoteSensingofEnvironment92:475-482.
Kaufman,Y.J.andD.Tanre,1996.StrategyforDirectandIndirectMethodsforCorrectin gtheAerosolEffectonRemoteSensing:fromAVHRRtoEOS-MODIS.RemoteSensingofEnviro nment55:65-79.
Melillo,J.M.,J.D.Aber,andJ.F.Muratore,1982.NitrogenandLigninControlofHardwo odLeafLitterDecompositionDynamics.Ecology63:621-626.
Merzlyak,J.R.,A.A.Gitelson,O.B.Chivkunova,andV.Y.Rakitin,1999.Non-destructi veOpticalDetectionofPigmentChangesDuringLeafSenescenceandFruitRipening.Phys iologiaPlantarum106:135-141.
Penuelas,J.,F.Baret,andI.Filella,1995.Semi-EmpiricalIndicestoAssessCaroteno ids/Chlorophyll-aRatiofromLeafSpectralReflectance.Photosynthetica31:221-230 .
Penuelas,J.,I.Filella,C.Biel,L.Serrano,andR.Save,1995.TheReflectanceatthe95 0-970RegionasanIndicatorofPlantWaterStatus.InternationalJournalofRemoteSens ing14:1887-1905.
Rouse,J.W.,R.H.Haas,J.A.Schell,andD.W.Deering,1973.MonitoringVegetationSyst emsintheGreatPlainswithERTS.ThirdERTSSymposium,NASASP-351I:309-317.
Sellers,P.J.,1985.CanopyReflectance,PhotosynthesisandTranspiration.Internat ionalJournalofRemoteSensing6:1335-1372.
Serrano,L.,J.Penuelas,https://www.360docs.net/doc/888202958.html,tin,2002.RemoteSensingofNitrogenandLignininM editerraneanVegetationfromAVIRISData:DecomposingBiochemicalfromStructuralSi gnals.RemoteSensingofEnvironment81:355-364.
Sims,D.A.andJ.A.Gamon,2002.RelationshipsBetweenLeafPigmentContentandSpectra lReflectanceAcrossaWideRangeofSpecies,LeafStructuresandDevelopmentalStages. RemoteSensingofEnvironment81:337-354.
Tucker,C.J.,1979.RedandPhotographicInfraredLinearCombinationsforMonitoringV egetation.RemoteSensingoftheEnvironment8:127-150.
Vogelmann,J.E.,B.N.Rock,andD.M.Moss,1993.RedEdgeSpectralMeasurementsfromSug arMapleLeaves.InternationalJournalofRemoteSensing14:1563-1575.
植被指数计算方法
2.1 归一化植被指数（NDVI ） 归一化植被指数（Normalized Difference Vegetation Index ，即N D V I ）的计算公式为： NIR RED NIR RED NDVI ρρρρ-=+ 其中：NIR ρ和RED ρ分别代表近红外波段和红光波段的反射率NDVI 的值介于-1和1之间。 2.2 增强型植被指数（EVI ） 增强型植被指数（Enhanced Vegetation Index ，即EVI ）计算公式为： 2.5 6.07.51 NIR RED NIR RED BLUE EVI ρρρρρ-=?+-+ NIR ρ、RED ρ和BLUE ρ分别代表近红外波段、红光波段和蓝光波段的反射率。 2.3 高光谱归一化植被指数（Hyp_NDVI ） 对于环境与灾害监测预报小卫星高光谱载荷，选取中心波长分别位于近红外和红光的谱段进行归一化植被指数计算： _____Hyp NIR Hyp RED Hyp NDVI Hyp NIR Hyp RED -=+ 2.4 其他植被指数 （1） 比值植被指数（Ratio Vegetation Index ——RVI ） NIR RED RVI ρρ= 该植被指数能够充分表现植被在红光和近红外波段反射率的差异，能增强植被与土壤背景之间的辐射差异。但是RVI 对大气状况很敏感，而且当植被覆盖小于50%时，它的分辨能力显著下降。 （2） 差值植被指数（Difference Vegetation Index ——DVI ） NIR RED DVI ρρ=- 该植被指数对土壤背景的变化极为敏感，有利于对植被生态环境的监测，因此又被称为环境植被指数（EVI ）。 （3） 土壤调整植被指数（Soil-Adjusted Vegetation Index ——SA VI ）
考虑植被和人类活动影响的水文模型参数时变特征分析
第29卷第5期 2018年9月 水科学进展ADVANCES IN WATER SCIENCE Vol.29，No.5Sep.，2018DOI ：10.14042／https://www.360docs.net/doc/888202958.html,ki.32.1309.2018.05.003 考虑植被和人类活动影响的水文模型 参数时变特征分析 熊立华，刘烁楠，熊 斌，许文涛 （武汉大学水资源与水电工程科学国家重点实验室，湖北武汉 430072） 摘要：变化环境下流域水文物理特性常呈现“非稳态”特征，代表流域特性的模型参数也会随之发生变化，因此， 开展水文模型参数时变研究有助于提高水文模拟精度。考虑植被条件和人类活动对水文过程的影响，基于植被归 一化指数、人口、地区生产总值、粮食产量和有效灌溉面积5个指标建立两参数月水量平衡模型参数的时变函数表 达式，并考虑4种参数时变情形。选取直门达、张家山、咸阳、横江、丹江口和峡江站6个水文站分析对比4种情 形下模型的径流模拟结果及其不确定性。结果表明：所有站点在1982—2006年内水文物理特性呈现“ 非稳态”特征；且较常参数而言，时变参数模型模拟效果更好，并获得更优的确定性预报结果，其中直门达站径流模拟精度 提高最为显著，率定期和检验期内的纳西效率系数（N S ）分别提高了10.3％和8.8％。该研究可以为变化环境下流域 水库调度、水资源规划与管理等提供理论依据和技术支撑。 关键词：变化环境；两参数月水量平衡模型；时变参数；NDVI ；人类活动 中图分类号：P333.9 文献标志码：A 文章编号：1001-6791（2018）05-0625-11 收稿日期：2018-03-19；网络出版时间：2018-09-12 网络出版地址：http ：／／https://www.360docs.net/doc/888202958.html, ／kcms ／detail ／32.1309.P.20180910.1528.026.html 基金项目：国家重点研发计划资助项目（2017YFC0405901）；国家自然科学基金资助项目（51525902） 作者简介：熊立华（1972—），男，湖北荆门人，教授，博士，主要从事水文与水资源研究。 E-mail ：xionglh＠https://www.360docs.net/doc/888202958.html, 通信作者：刘烁楠，E-mail ：1846525370＠https://www.360docs.net/doc/888202958.html, 在气候变化与人类活动的影响下，传统水文模拟过程中的一致性假设受到质疑［1-2］，流域水文模型参数 随时间不变的假设也难以适用。研究表明［3- 7］，变化环境下常参数水文模型模拟能力变差，模型参数随流域气候条件和下垫面条件的变化而变化更符合实际。Pathiraja 等［3］基于数据同化方法提出了模型参数时变估计框架，并应用于西澳大利亚两组实验流域，发现常参数模型较时变参数模型模拟精度差；Wallner 和Haber-landt ［4］采用HBV-IWW 模型，在德国7个流域研究中发现考虑模型参数时变可以改善模型模拟效果，模型参数动态变化与气候因子相关；Deng 等［5］采用集合卡尔曼滤波方法在无定河流域对水文模型参数变化过程进行识别，发现参数动态变化与流域土地利用情况相关。因此，开展模型参数时变研究，有助于正确认识水文过程，提高水文模拟精度。 Westra 等［6］以澳大利亚Scott Creek 流域为研究区域，建立了GR4J 模型参数的时变函数表达式，并将产流水库蓄水容量参数定义为降雨和潜在蒸发的线性函数，定量描述了水文模型参数时变特征。目前定量描述水文模型参数时变的研究中，大多仅考虑气候变化对模型参数的影响，忽略了下垫面条件和流域人类活动的影响。因此，有必要考虑下垫面条件变化和流域人类活动的影响，建立时变参数模型，以改善水文模型模拟 能力。相关文献指出流域植被条件对水文过程影响显著［7-11］。植被归一化指数（Normalized Difference Vegetation Index ，NDVI ）作为描述流域植被覆盖条件的卫星遥感数据，已经广泛应用于水文模拟等相关研究 中［9- 11］。Deng 等［11］以美国121个M OPEX 流域为研究对象建立了模型参数与NDVI 的函数表达式，发现参数与NDVI 相关。与此同时，人类活动日益剧烈，流域自然地理环境发生变化，导致流域水文情势发生改 变［12-14］。随着人口和地区生产总值发展，用水需求不断增加、森林覆盖率降低、城区不透水面积增加等问题出现，导致流域下垫面条件发生显著变化。 地质制版 ＼DZ 15＼D ＼书版＼2018水科学进展05＼ 5校样：陆姣 时间 2018／11／15万方数据
几种常见植被指数精编WORD版
几种常见植被指数精编 W O R D版 IBM system office room 【A0816H-A0912AAAHH-GX8Q8-GNTHHJ8】
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。 1、对土壤背景的变化极为敏感；? 四、SAVI\TSAVI\MSAVI——调整土壤亮度的植被指数：SAVI=((NIR- R)/(NIR+R+L))(1+L)，或两个波段反射率的计算。 1、目的是解释背景的光学特征变化并修正NDVI对土壤背景的敏感。与NDVI相比，增加了根据实际情况确定的土壤调节系数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。 2、SAVI仅在土壤线参数a=1,b=0（即非常理想的状态下）时才适用。因此有了TSAVI、ATSAVI、MSAVI、SAVI2、SAVI 3、SAVI4等改进模型。 五、GVI——绿度植被指数，k-t变换后表示绿度的分量。
植被指数
在遥感应用领域，植被指数已广泛用来定性和定量评价植被覆盖及其生长活力。由于植被光谱表现为植被、土壤亮度、环境影响、阴影、土壤颜色和湿度复杂混合反应，而且受大气空间—时相变化的影响，因此植被指数没有一个普遍的值，其研究经常表明不同的结果。研究结果表明，利用在轨卫星的红光和红外波段的不同组合进行植被研究非常好，这些波段在气象卫星和地球观测卫星上都普遍存在，并包含90%以上的植被信息，这些波段间的不同组合方式统被称为植被指数。 植被指数有助于增强遥感影像的解译力，并已作为一种遥感手段广泛应用于土地利用覆盖探测、植被覆盖密度评价、作物识别和作物预报等方面，并在专题制图方面增强了分类能力。植被指数还可用来诊断植被一系列生物物理参量：叶面积指数（LAI）、植被覆盖率、生物量、光合有效辐射吸收系数（APAR）等；反过来又可用来分析植被生长过程：净初级生产力（NPP）和蒸散（蒸腾）等。 为了估算和监测植被覆盖，最早发展了比值植被指数（RVI）。但RVI对大气影响敏感，而且当植被覆盖不够浓密时（小于50%），它的分辨能力也很弱，只有在植被覆盖浓密的情况下效果最好。归一化差异植被指数（NDVI）对绿色植被表现敏感，它可以对农作物和半干旱地区降水量进行预测，该指数常被用来进行区域和全球的植被状态研究。对低密度植被覆盖，NDVI对于观测和照明几何非常敏感。但在农作物生长的初始季节，将过高估计植被覆盖的百分比；在农作物生长的结束季节，将产生估计低值。继之,将各波段反射率以不同形式进行组合来消除外在的影响因素，如遥感器定标、大气、观测和照明几何条件等。这些线性组合或波段比值的指数发展满足特定的遥感应用，如作物产量、森林开发、植被管理和探测等。农业植被指数（A VI）针对作物生长阶段测量绿色植被；多时相植被指数（MTVI），将两个不同日期的数值简单相减，是为了观测两个日期植被覆盖条件的变化和作物类型的分类，并用来探测由于火灾和土地流失造成的森林覆盖变化。归一化差异绿度指数（NDGI），可用来对不同活力植被形式进行检验。归一化差异指数（NDI）建立了光谱反射率和棉花作物残余物的表面覆盖率的关系，以用来对作物残余物的制图。 近年来，随着高光谱分辨率遥感的发展以及热红外遥感技术的应用，又发展了红边植被指数、导数植被指数（DVI）、温度植被指数（Ts-VI）、生理反射植被指数（PRI）。“红边”的一般定义为叶绿素吸收红边斜率的拐点。红边位置灵敏于叶绿素a、b的浓度和植被叶细胞的结构。为获取红边位置信息，Miller 等用一个倒高斯模型拟合红边斜率。导数植被指数由于它能压缩背景噪音对目标信号的影响或不理想的低频信号，被应用在目前的高光谱遥感研究中，尤其是在利用高光谱遥感提取植被化学成份信息方面得到成功的应用。近年来的经验研究表明：热红外辐射（如土面亮度温度）和植被指数在大尺度范围遥感应用中可提高土地覆盖的制图和监测精度。生理反射植被指数是针对高光谱遥感的特点，对植被生化特性的短期变化（如一天的植被的光合作用）进行探测。 植被指数按发展阶段可分为三类：第一类植被指数基于波段的线性组合（差或和）或原始波段的比值，由经验方法发展的，没有考虑大气影响、土壤亮度和土壤颜色，也没有考虑土壤、植被间的相互作用（如RVI等）。它们表现了严重的应用限制性，这是由于它们是针对特定的遥感器（Landsat MSS）并为明确特定应用而设计的。第二类植被指数大都基于物理知识，将电磁波辐射、大气、植被覆盖和土壤背景的相互作用结合在一起考虑，并通过数学和物理及逻辑经验以及通过模拟将原植被指数不断改进而发展的（如PVI、S A VI、MSA VI、TSA V
植被指数
1.用ETM+图像计算植被指数并分析。 数据来源：地理空间数据云平台 Landsat 7 ETM SLC-on 卫星数字产品(1999-2003) 数据标识LE71190432002338EDC01卫星名称LANDSAT7 数据类型L7slc-on传感器ETM+ 接收站EDC白天/晚上DAY 条带号119 行编号43 太阳高度角37.8951 太阳方位角151.8815 获取时间2002-12-04 平均云量 1.0 开始时间2002-12-04 02:21:12.0 结束时间2002-12-04 02:21:12.0 中心经度118.4915 中心纬度24.5531 Landsat 7 ETM SLC-on 卫星数字产品(1999-2003) 数据标识LE71190432002066SGS00卫星名称LANDSAT7 数据类型L7slc-on传感器ETM+ 接收站SGS白天/晚上DAY 条带号119 行编号43 太阳高度角49.0019 太阳方位角133.0889 获取时间2002-03-07 平均云量0.0 开始时间2002-03-07 02:21:52.0 结束时间2002-03-07 02:21:52.0 中心经度118.4993 中心纬度24.5482 (1)由于这两个数据的空间投影与厦门市矢量图层的投影都是GCS_WGS_1984,所以不用进行重投影。 (2)利用厦门市矢量图层对这两个卫星数字产品中的B30、B40波段进行剪裁。如图1. L71119043_0432*******_B30 L71119043_0432*******_B40 L71119043_0432*******B-30 L71119043_0432*******B-40 （3）利用ARCGIS中Spatial Anaiyst---Raster Calculator进行植被指数的计算。计算公式为NDVI=(band4-band3)/(band4+band3)。得到图2.
植被指数、变化检测与图像增强的算法实现
植被指数、变化检测与图像增强的算法实现 武汉大学遥感信息工程学院20113025900XX XX 【摘要】通过为期一周的实习，笔者思考研究了计算RVI、ND、DVI等植被指数，基于像素光谱的变化检测，均值滤波、中值滤波、高斯平滑等图像增强以及利用不同算子进行边缘检测的算法原理与程序实现。通过自主选择实验参数、确定实验方案、设计程序，解决过程中的问题，直至得出正确的结果和结论，激发了创新思维，提高了创新能力和实践能力。本文就以上所列算法进行了阐述和展示。【关键词】植被指数变化检测图像增强边缘检测算法实现 一、原理介绍 （一）植被指数 植物叶面在可见光红光波段（R）有很强的吸收特性，在近红外波段（NIR)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。 比值植被指数RVI=NIR/R，绿色健康植被覆盖地区的RVI远大于1，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）RVI在1附近。 归一化植被指数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，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。 差值环境植被指数DVI=NIR-R，正值表示植被覆盖，随覆盖度增大而增大。 调整土壤亮度植被指数SAVI=((NIR-R)/(NIR+R+L))(1+L)，L是根据实际情况确定的土壤调节系数，取值范围0~1。L=0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。 （二）基于像素光谱的变化检测 变化检测是从不同时期的遥感数据中定量分析和确定地表变化的特征与过程，先获得两幅通用地点不同时间图像的差异图像，再对差异图像进行处理，将像素点分成变化和无变化两类。笔者采用了差值和比值两种方式。当差值=0或比值=1时，表示像素点无变化，否则像素点有变化。 （三）图像增强 均值滤波是一种常用的线性滤波算法，用以去除噪声，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素（以目标象素为中心的3*3或5*5或7*7个像素，构成一个滤波模板，但不包括目标像素本身），再用模板
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 i ndices ——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 t o 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。 SWIR-1 和SWIR-2的过渡区（1900nm附近）也是大气水的强吸收范围。 植被可分为三个部分组成： ??●植物叶片（Plant Foliage） ??●植被冠层（Plant Canopies） ??●非光合作用植被(Non-Photosynthetic Vegetation) 这三个部分是植被分析的基础，下面对他们详细介绍。 1.1植物叶片（Plant Foliage） 植物叶片包括叶、叶柄以及其他绿色物质，不同种类的叶片具有不同的形状和化学成份。对波谱特征产生重要影响
几种常见植被指数
常用的植被指数，土壤指数，水体指数有哪些？ 植被指数与土壤指数 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。 1、对土壤背景的变化极为敏感； 四、SAVI\TSAVI\MSAVI——调整土壤亮度的植被指数： SAVI=((NIR-R)/(NIR+R+L))(1+L)，或两个波段反射率的计算。 1、目的是解释背景的光学特征变化并修正NDVI对土壤背景的敏感。与NDVI相比，增加了根据实际情况确定的土壤调节系数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。 2、SAVI仅在土壤线参数a=1,b=0（即非常理想的状态下）时才适用。因此有了TSAVI、ATSAVI、MSAVI、SAVI2、SAVI 3、SAVI4等改进模型。 五、GVI——绿度植被指数，k-t变换后表示绿度的分量。
植被指数计算方法
归一化植被指数（NDVI ） 归一化植被指数（Normalized Difference Vegetation Index ，即NDVI ）的计算公式为： NIR RED NIR RED NDVI ρρρρ-=+ 其中：NIR ρ和RED ρ分别代表近红外波段和红光波段的反射率NDVI 的值介于-1和1之间。 增强型植被指数（EVI ） 增强型植被指数（Enhanced Vegetation Index ，即EVI ）计算公式为： 2.5 6.07.51 NIR RED NIR RED BLUE EVI ρρρρρ-=?+-+ NIR ρ、RED ρ和BLUE ρ分别代表近红外波段、红光波段和蓝光波段的反射率。 高光谱归一化植被指数（Hyp_NDVI ） 对于环境与灾害监测预报小卫星高光谱载荷，选取中心波长分别位于近红外 和红光的谱段进行归一化植被指数计算： _____Hyp NIR Hyp RED Hyp NDVI Hyp NIR Hyp RED -=+ 其他植被指数 （1） 比值植被指数（Ratio Vegetation Index ——RVI ） NIR RED RVI ρρ= 该植被指数能够充分表现植被在红光和近红外波段反射率的差异，能增强植被与土壤背景之间的辐射差异。但是RVI 对大气状况很敏感，而且当植被覆盖小于50%时，它的分辨能力显著下降。 （2） 差值植被指数（Difference Vegetation Index ——DVI ） NIR RED DVI ρρ=- 该植被指数对土壤背景的变化极为敏感，有利于对植被生态环境的监测，因此又被称为环境植被指数（EVI ）。
遥感植被指数NDVI计算
本科学生综合性、设计性 实验报告 姓名宋国俊学号114130168 专业地理信息系统班级 实验课程名称遥感地学分析 实验名称NDVI计算 开课学期2011 至2012 学年下学期 云南师范大学旅游与地理科学学院编印 一、实验准备
1、实验目的和要求： 利用TM卫星数据，应用ENVI软件进行归一化植被指数的计算，及在此基础对研究 区进行植被覆盖率的提取，根据植被覆盖率进行一些应用分析。 2、实验材料及相关设备： 昆明影像数据(path/row:129/43（2002.02.09）)ENVI及ArcGIS软件。 3、实验方法步骤及注意事项： 实验方法：利用ENVI及ArcGIS图像处理软件，参考软件的处理操作步骤，对图像进行处理。 注意事项：下载数据时应该严格遵照行列号来下载，下载的数据要包括完整的影像数据信息以便数据的预处理。 二、实验内容、步骤和结果（详细写清楚本次实验的完成的主要内容、具体 实施步骤和实验结果。） 1、实验内容 利用下载的昆明影像数据用ENVI进行NDVI计算，计算公式如下： NDVI=(NIR-R)/(NIR+R)(NIR为近红外波段，R为红光波段) 2、实验步骤 (1)对昆明影像数据进行辐射定标： Ⅰ、启动ENVI File→Open External File→Landsat→Geo TIFF with metadata→Enter Landsat MetaData Filenames（输入元数据） Ⅱ、Spectral→Preprocessing→Calibration utilities→Landsatcalibration→Landsat calibration input file→输 入第一步的元数据 Ⅲ、将辐射定标后的数据转化为BIL格式：
基于垂直观测的植被冠层高光谱偏振反射特性研究_吕云峰
第３ ３卷，第４期 光谱学与光谱分析Ｖｏｌ．３３，Ｎｏ．４，ｐｐ １０２８－１０３１２ ０ １ ３年４月 Ｓｐｅｃｔｒｏｓｃｏｐｙ ａｎｄ Ｓｐｅｃｔｒａｌ Ａｎａｌｙｓｉｓ Ａｐ ｒｉｌ，２０１３ 基于垂直观测的植被冠层高光谱偏振反射特性研究 吕云峰 长春师范学院城市与环境科学学院，吉林长春 １３００３２ 摘 要 以玉米冠层为研究对象，首先利用偏振反射机理分析了玉米冠层的反射信息中存在偏振现象；随后在抽穗前不同生长时期垂直观测方向对其高光谱偏振信息进行了测量，证明了理论推导，而且发现偏振光在总的反射光中所占的比例可达１０％。这即表明了偏振测量可以为对地遥感提供辅助信息，同时也说明利用偏振信息反演大气参数时应该考虑地表偏振对它的影响。关键词 遥感；高光谱；偏振；植被冠层 中图分类号：ＴＰ７２ 文献标识码：Ａ ＤＯＩ：１０．３９６４／ｊ ．ｉｓｓｎ．１０００－０５９３（２０１３）０４－１０２８－０４ 收稿日期： ２０１２－０８－２４，修订日期：２０１２－１０－２５ 基金项目：国家自然科学基金项目（ ４１２０１３４３），吉林省科技厅青年科研基金项目（２０１１０１１０５），吉林省教育厅“十二五”项目（２０１２２２０）和长春师范学院自然科学基金项目（２０１００２４ ）资助 作者简介：吕云峰，１９７７年生，长春师范学院城市与环境科学学院博士研究生 ｅ－ｍａｉｌ：ｑｉｎｇｓｏｎｇ ｗｅｂ＠１６３．ｃｏｍ引 言 对地遥感技术中偏振测量已经可以反演地表参数提供额 外且有效的辅助信息，同时也会对探测器获得的大气偏振特 性有所影响［ １］ 。早期的研究已经表明，可见光波段范围内的偏振测量可 以用来估计植被冠层的粗糙度［ ２］ 。植被冠层的粗糙度可以从冠层延伸到叶片，因为冠层的粗糙度可以确定植物的生长方向，叶片粗糙度决定了植被冠层对光的偏振能力，同时，叶片越多产生偏振光机会就越大。所以，植被量的多少就可以通过偏振来反映出来 ［３］ 。镜面反射是在植被冠层较常见的一 种现象，也是产生偏振的主要原因。Ｖａｎｄｅｒｂｉｌｔ［４］ 等推导出可以反映植被冠层镜面反射与偏振反射光的模型，该模型基于冠层的形态、物候特征与菲涅尔公式。可以将生长阶段、叶片含水量、某些植被疾病与偏振测量之间建立起关系。 像玉米、高粱和小麦这样的植被冠层，通常会产生大量的镜面反射光，从而在朝向太阳方向倾斜观测时这些植物会出现白光而不是绿光。植物闪光叶片的镜面反射主要是源于 叶片表皮的蜡质层，而这部分光是偏振光［５］ 。Ｖａｎｄｅｒｂｉｌｔ［５］等 对作物冠层的偏振特性做了研究，这对植被冠层对光的散射与偏振作用的理解提供了基本的解释。与此同时，利用偏振测量可以将小麦冠层的反射信息分成镜面反射部分和漫反射 部分，这将有助于发展更完善的植被冠层辐射传输模型［ ６］ 。为了更好的理解植被散射光中偏振特性，Ｗｏｅｓｓｎｅｒ与Ｈａｐ ｋｅ［７］ 研究了三叶草的偏振特性，在与前面研究结果相同的基础上，他们发现投射光会产生负偏振显现，而这会影响 呈聚集状态叶片对光的偏振能力。在对小麦冠层进行偏振测 量时，Ｇｈｏｓｈ等［８］ 在相对太阳入射方位１８０° ，探测天顶角度为６０°，７０°和８０°前向散射方向对小麦冠层进行了偏振测量，并以偏振度为指标说明了偏振测量可以更好的描述小麦抽穗期的开始时间。 在植被偏振测量过程中，研究者们都将注意力集中在了冠层对光的偏振能力及单个叶片的偏振反射特性，Ｇｒａｎｔ 等［９］ 在布儒斯特角处对大量不同种类的植物叶片进行了偏振 测量，发现所有叶片对光都具有偏振作用，镜面反射与表面颗粒的散射都会引起偏振光，而且偏振光只在叶片表面产生，叶片内部结构对偏振没有任何影响。 随着对地偏振测量的发展，也由实验测量转变到模型的 建立，Ｂｒｅｏｎ等［１ ０］ 建立了基于物理理论的分析模型，其中包括植被的偏振反射模型，他们的结果表明，在星载遥感背景下，利用偏振反射监测植被的信息将会非常的弱，但是却对气溶胶遥感有很大帮助。虽然如此，如果气溶胶的偏振反射小于地表的偏振反射，则相对误差就会变的非差大。Ｂｒｅｏｎ 等［１０］ 的模型同时也指出最适合气溶胶遥感的情况是地表偏 振反射非常小的探测角度方向。也就是在垂直向下方向进行大气偏振信息的获取，因为这个角度可以认为相对大气偏振 而言地物偏振可以忽略［ １１］ 。但是，实际当中由于地面粗糙不平的表面会引起很多的镜面反射，使垂直探测时地表的偏振 作用会很大［ １２］ ，出现地面偏振大于大气偏振的机会就会增加。 所以针对以上在对植被冠层的偏振测量过程中大部分研
植被指数计算方法
2.1归一化植被指数（NDVI ） 归一化植被指数（Normalized Differenee Vegetation Index 即 NDVI ）的计算 公式为： 其中：NIR 和RED 分别代表近红外波段和红光波段的反射率 NDVI 的值介于-1和 1之间。 2.2增强型植被指数（EVI ） 增强型植被指数（En ha need Vegetation In dex 即EVI ）计算公式为: NIR 、 RED 和BLUE 分别代表近红外波段、红光波段和蓝光波段的反射率。 2.3高光谱归一化植被指数（Hyp_NDVI ） 对于环境与灾害监测预报小卫星高光谱载荷，选取中心波长分别位于近红外 和红光的谱段进行归一化植被指数计算： .. Hyp NIR Hyp RED Hyp NDVI ----------- ------------ 一 Hyp _ NIR Hyp _ RED 2.4其他植被指数 （1） 比值植被指数（Ratio Vegetation Index ------ RVI ） RVI 3 RED 该植被指数能够充分表现植被在红光和近红外波段反射率的差异，能增强植 被与土壤背景之间的辐射差异。但是 RVI 对大气状况很敏感，而且当植被覆盖 小于50%时，它的分辨能力显著下降。 (2) 差值植被指数(Differenee Vegetation Index -------- DVI ) DVI NIR RED 该植被指数对土壤背景的变化极为敏感，有利于对植被生态环境的监测，因 此又被称为环境植被指数（EVI ）。 (3) 土壤调整植被指数(Soil-Adjusted Vegetation Index --------- S AVI ) NDVI NIR RED NIR RED EVI 2.5 NIR RED NIR 6.° RED 7.5 BLUE
植被指数模型详解
ENVI下植被指数模型详解 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。所有的植被指数要求从高精度的多光谱或者高光谱反射率数据中计算。未经过大气校正的辐射亮度或者无量纲的DN值数据不适合计算植被指数。 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。在ENVI中，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。 下面是7大类27种植被指数的说明，这些植被指数都是经过严格生物条件下测试的。 1宽带绿度——BroadbandGreenness(5种) 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)归一化植被指数（NormalizedDifferenceVegetationIndex——NDVI）
定量遥感实习三 植被冠层反射率模型
实习三 植被冠层反射率模型 一、实习目的 学习和掌握叶片反射率模型PROSPECT 和冠层反射率模型Sail 的使用。 二、实习内容 （1）熟悉Prospect 和Sail 模型的输入参数和输出结果； （2）利用实测数据进行叶片反射率和冠层二向反射率的模拟； （3）利用模型进行一些基本原理的验证。 三、实习步骤 （1）叶片反射率 1、安装WinSail 程序，打开Prospect ，点击Options ——Winsail (multiple wavelength ) generation mode ，波长范围为400——2400nm ，所以在Lower wavelength 中输入400，在Upper wavelength 中输入2400，wavelength increment （波长间隔）中输入5，叶片叶肉结构Leaf mesophyll structure index ，输入1.3。 2、利用Prospect 模型分别模拟苜蓿、莴苣、玉米、向日葵和水稻五种作物的叶片反射率和透射率。分别在Chlorophyll content （叶绿素含量）、Water content （含水量）、Dry matter content （干物质）中输入5中作物对应的参数，最后点击Calculate multiple Rf/Tr values (%)，得出各自的运行结果。 3、将五组数据导入到excel 表格中，每组数据对应两个数值，即叶片反射率Ref 和透射率Tr ，将透射率删除，插入图表，绘制各作物的叶片反射率光谱曲线，横轴表示波长，纵轴表示反射率，光谱曲线如下图所示： 5种作物叶片反射率 01020304050400 800 1200 1600 2000 2400 波长（nm）反射率苜蓿Ref 莴苣Ref 向日葵Ref 玉米Ref 水稻Ref （2）冠层反射率 1、运行Winsail 程序，分别输入太阳赤纬、纬度等相关参数，在Leaf Reflectance/Transmittance 中导入刚刚利用Prospect 求出的各作物的叶片反射率，Background Spectrum 选择SOIL_SAIL ，Background reflectance 选择rsoil.dat ，最后点击运行。
主要植被指数类型及其应用条件
主要植被指数类型及其应用条件 分类:遥感知识 2008.7.2 08:55 作者：晓雪天飞 | 评论：0 | 阅读：79 在遥感应用领域，植被指数已广泛用来定性和定量评价植被覆盖及其生长活力。由于植被光谱表现为植被、土壤亮度、环境影响、阴影、土壤颜色和湿度复杂混合反应，而且受大气空间—时相变化的影响，因此植被指数没有一个普遍的值，其研究经常表明不同的结果。研究结果表明，利用在轨卫星的红光和红外波段的不同组合进行植被研究非常好，这些波段在气象卫星和地球观测卫星上都普遍存在，并包含90%以上的植被信息，这些波段间的不同组合方式统被称为植被指数。植被指数有助于增强遥感影像的解译力，并已作为一种遥感手段广泛应用于土地利用覆盖探测、植被覆盖密度评价、作物识别和作物预报等方面，并在专题制图方面增强了分类能力。植被指数还可用来诊断植被一系列生物物理参量：叶面积指数（LAI）、植被覆盖率、生物量、光合有效辐射吸收系数（APAR）等；反过来又可用来分析植被生长过程：净初级生产 力（NPP）和蒸散（蒸腾）等。 为了估算和监测植被覆盖，最早发展了比值植被指数（R VI）。但RVI对大气影响敏感，而且当植被覆盖不够浓密时（小于50%），它的分辨能力也很弱，只有在植被覆盖浓密的情况下效果最好。归一化差异植被指数（NDVI）对绿色植被表现敏感，它可以对农作物和半干旱地区降水量进行预测，该指数常被用来进行区域和全球的植被状态研究。对低密度植被覆盖，NDVI对于观测和照明几何非常敏感。但在农作物生长的初始季节，将过高估计植被覆盖的百分比；在农作物生长的结束季节，将产生估计低值。继之,将各波段反射率以不同形式进行组合来消除外在的影响因素，如遥感器定标、大气、观测和照明几何条件等。这些线性组合或波段比值的指数发展满足特定的遥感应用，如作物产量、森林开发、植被管理和探测等。农业植被指数（AVI ）针对作物生长阶段测量绿色植被；多时相植被指数（MTVI），将两个不同日期的数值简单相减，是为了观测两个日期植被覆盖条件的变化和作物类型的分类，并用来探测由于火灾和土地流失造成的森林覆盖变化。归一化差异绿度指数（NDGI），可用来对不同活力植被形式进行检验。归一化差异指数（NDI）建立了光谱反射率和棉花作物残余物的表面覆盖率的关系，以用来对作物残余物的制图。 近年来，随着高光谱分辨率遥感的发展以及热红外遥感技术的应用，又发展了红边植被指数、导数植被指数（DVI）、温度植被指数（Ts-VI）、生理反射植被指数（PRI）。“红边” 的一般定义为叶绿素吸收红边斜率的拐点。红边位置灵敏于叶绿素a、b的浓度和植被叶细胞的结构。为获取红边位置信息，Miller 等用一个倒高斯模型拟合红边斜率。导数植被指数由于它能压缩背景噪音对目标信号的影响或不理想的低频信号，被应用在目前的高光谱遥感研究中，尤其是在利用高光谱遥感提取植被化学成份信息方面得到成功的应用。近年来的经验研究表明：热红外辐射（如土面亮度温度）和植被指数在大尺度范围遥感应用中可提高土地覆盖的制图和监测精度。生理反射植被指数是针对高光谱遥感的特点，对植被生化特性的短期 变化（如一天的植被的光合作用）进行探测。 植被指数按发展阶段可分为三类：第一类植被指数基于波段的线性组合（差或和）或原始波段的比值，由经验方法发展的，没有考虑大气影响、土壤亮度和土壤颜色，也没有考虑土壤、植被间的相互作用（如RVI 等）。它们表现了严重的应用限制性，这是由于它们是针对特定的遥感器（Landsat MSS）并为明确特定应用而设计的。第二类植被指数大都基于物理知识，将电磁波辐射、大气、植被覆盖和土壤背景的相互作用结合在一起考虑，并通过数学和物理及逻辑经验以及通过模拟将原植被指数不断改进而发展的（如PVI、SAVI、MSAVI、TSAV I、ARVI、GEMI、AVI、NDVI等）。它们普遍基于反射率值、遥感器定标和大气影响并
地表反射率,温度,植被指数
地表反射率、温度、植被指数、几何精纠正和Landsat影像
Basic Tools|Band Math，在Band Math对话框中输入公式，公式中的ｂ３和ｂ４分别选取第3和第4波段的地表反射率。然后导出结果。 二、地表温度反演 1、计算辐射亮度。加载htm影像，根据头文件中的数据，得到1、2波段的辐射亮度的计算公式0.067086617777667001*b1+(-0.067086617777667001)和0.037204722719868001*b2+(3.1627953249638470)，步骤同上，得出辐射量度的计算结果。 2、辐射反演。利用公式T=k2/ln(k1/Lλ+1)算地物的辐射反演，其中T为开尔温度；查找参数值：k1=666.09; k2=1282.71;Lλ分别利用步骤1中的波段1和波段2的辐射量度。 3、统计反演后的地物的温度值，并比较其差异。打开反演后的温度影像，右击影像选择ROI Tool，统计各种地物值的最大值，最小值，均值，标准差，将其统计到Excel中，比较其差异。 结果与分析 一、DNVI建模 【地表反射率】
第3波段第4波段【DNVI】 【3、4波段表观反射率和地表反射率的线性关系】
【表观反射率和地表反射率的线性关系数学表达式】 波段关系式波段关系式 1波段y=0.8933*x+0.0473 4波段y=0.9401*x+0.0065 2波段y=0.8801*x+0.0242 5波段y=0.9399*x+0.001 3波段y=0.9161*x+0.0143 7波段y=0.9584*x+0.0004 【部分地物的DNVI值】 地物DNVI值min max mean stdev Reservior 0.057713 0.338587 0.145087 0.038598 Snow -0.12395 0.152669 0.025088 0.031572 Bare Land 0.105628 0.374843 0.192701 0.043621 Urban -0.356923 0.038094 -0.273288 0.045284 Plant 0.333387 0.786695 0.656094 0.081619 Desert 0.071897 0.155663 0.100783 0.014291 River 0.043469 0.429917 0.127503 0.08131 【结果与分析】：通过对提取地物的DNVI值的可以发现，绿色的DNVI值比较高，原因是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光反射使得植被在近红外波段和红光波段有很大的差异；水体和