植被遥感综述

植被遥感及其应用综述

一，植被与植被遥感 (2)

二，植被指数 (2)

三，植被遥感和植被指数的发展历史 (2)

四，植被光谱特征 (3)

五，植被遥感反射模型 (5)

六，植被指数的影响因素 (6)

1 土壤背景 (7)

（1）土壤颜色............................... 错误！未定义书签。

（2）土壤亮度............................... 错误！未定义书签。

3 大气 (8)

4 传感器影响 (9)

（1）传感器定标 (9)

（2）传感器光谱影响 (9)

5 双向反射模型 (9)

七，各种植被指数 (10)

（一）, 简单植被指数 (10)

1，比值植被指数 (10)

2，差值植被指数 (11)

3，归一化差值植被指数 (13)

（二），基于土壤线的植被指数 (14)

垂直植被指数 (14)

土壤调节植被指数和修正的土壤调节植被指数 (16)

（三），减少大气效应的植被指数 (18)

1全球环境监测指数 (18)

2抗大气植被指数 (18)

3增强植被指数 (19)

八，植被指数与植被遥感应用 (21)

1 植被指数与分类 (21)

2 植被指数与典型地物信息提取 (21)

3 植被指数与土地覆盖及植被覆盖情况调查 (23)

4 植被遥感与生态环境监测 (24)

5 植被指数与农业生产 (25)

九，植被指数与生物物理参数 (26)

1 植被指数与叶面积指数 (26)

2 植被指数与植被盖度 (27)

3 植被指数与生物量 (27)

（1）植被指数估算草场植被高度与植被盖度

(28)

（2）植被指数、生物量与作物估产 (28)

4 植被指数与叶绿素 (28)

十，植被指数与地表生态环境参数 (29)

1 植被指数与气候因子 (29)

2植被指数与降水、植物蒸发量、土壤水分的关系 (30)

十一，植被指数的技术进展 (30)

一，植被与植被遥感

陆地表面分布着由许多植物组成的各种植物群落，如森林、草原、灌丛、荒漠、草甸、沼泽等，总称为该地区的植被。分为自然植被和人工（栽培）植被。自然植被是出现在一地区的植物长期历史发展的产物。组成植被的单元是植物群落，某一地区植被可以由单一群落或几个群落组成，如长白山植被主要由森林群落组成，而华北植被则由森林、灌丛和草甸群落组成。植被是基因库，保存着多种多样的植物、动物和微生物，并为人类提供各种重要的、可更新的自然资源。植被遥感正是利用遥感技术范围大、光谱范围广等特点对植被及相关系统进行监测、观测和保护的。陆地植被作为陆地生态系统的重要组成部分和核心环节、对气候变化的调节与反馈作用是人类调节气候、减缓温室效应的重要手段。植被初级生产力作为表征植物活动的关键变量，在地表与大气之间能量、物质与栋梁交换中扮演着重要角色，是陆地生态系统中物质与能量运转研究的重要环节。植被遥感的对象是以一定植被类型为标志的特定陆地生态系统，即包括植被在内的自然综合体。遥感图像的空间结构，反映出植被与环境之间的相互作用、相互联系以及生态系统的功能、富有生态学内涵。植被遥感可以在大范围内经济而又成效地查清植被资源和检测环境动态，从空间以不同尺度来研究地球植被层的空间结构和波动规律以及多种自然灾害和人类活动对生物圈的影响，并把植被遥感信息转换成图像和数据，供决策和管理者参考。

正是由于植被遥感的重要性，人类自1972年发射第一个对地观测卫星，就开始了研究并建立光谱响应与植被覆盖间的近似关系，从而实现对地表植被状况的简单、有效和经验的度量。

二，植被指数

植物专题信息的提取与表达方式，提出多种植被指数，并利用植被指数进行植被宏观监测及生物量估算，因此植被指数在植被遥感中占据重要的地位。

植被指数是指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。现在植被遥感的重点和热点在于研究最大化适应不同地区需要的植被指数并且这些植被指数有比较强的抗噪声能力（包括大气和土地背景的干扰等）。截至目前适应某个地区的某个特定用途的植被指数比较多效果也比较好，但是适用于多地区，多用途的植被指数比较少。用的比较多并且普遍效果比较好的是归一化差值植被指数NDVI。

三，植被遥感和植被指数的发展历史

自从遥感技术诞生之日起，人们就发现了利用他研究植被和生态环境的好处。1969 年Jordan 提出最早的一种植被指数———比值植被指数(RVI)

RVI =ρn/ρr (1)

后来有人提出了差值植被指数DVI ,

DV I =ρn -ρr (2)

Deering ( 1978 年) 提出归一化差值植被指数NDVI ,将比值限定在( - 1 ,1) 范围内, n -r NDV I =n +r

ρρρρ 由于NDV I 可以消除大部分与仪器定标、太阳角、地形、云阴影和大气条件有关辐照度的变化, 增强了对植被的响应能力,是目前已有的40 多种植被指数中应用最广的一种。尽管NDV I 得到广泛的应用,但许多研究也表明, NDVI 也受到定标和仪器特性、云和云影、大气、双向反射率、土壤及叶冠背景、高生物量区饱和等因素影响,使其应用受到限制。植被指数的全球应用要求不仅计算方式一致, 其结果也需具有空间和时间的可比性。为了减少大气对NDVI 的影响,

Kanfman 和Tanre 发展了抗大气植被指数(ARVI) ,根据大气对红光通道的影响比近红外通道大得多的特点,在定义NDVI 时通过蓝光和红光通道的辐射差别修正红光通道的辐射值,以有效减少植被指数对大气的依赖,研究表明, ARVI 对大气的敏感性比NDVI 约减小4 倍。由于γ是决定A RV I 对大气调节程度的关键参数,并取决于气溶胶的类型,Kanfman 推荐的γ为常数1 仅能消除某些尺寸气溶胶的影响,有很大的局限性;且A RV I 要先通过辐射传输方程的预处理来消除分子和臭氧的作用,进行预处理时需要输入的大气实况参数往往是难以得到的,给具体应用带来困难。为此张仁华等在ARVI 的基础上,运用大气下向光谱的同步观测实例值以及大气辐射传输方程, 得到纠正NDVI 的关键参数γ,改进了ARVI 的γ始终等于1 的计算方法;同时也不必采用辐射传输模型进行预处理, 得到新的抗大气影响植被指数(IAVI) 。

许多观测显示NDVI 对植被冠层的背景亮度非常敏感,叶冠背景因雨、雪、落叶、粗糙度、有机成分和土壤矿物质等因素影响使反射率呈现时空变化。当背景亮度增加时, NDVI 也系统性地增加。在中等程度的植被,如潮湿或次潮湿土地覆盖类型,NDVI 对背景的敏感最大。为了减少土壤和植被冠层背景的干扰,Huete (1988 年)提出了土壤调节植被指数( SAVI ) , 之后又提出修正的土壤调节植被指数(MSAVI)。

四，植被光谱特征

植被光谱特征是区别植被与非植被、植被种类，监测植被生长情况等的重要基础。

色素吸收决定着可见光波段的光谱反射率，细胞结构决定近红外波段的光谱反射率，而水汽吸收决定了短波红外的光谱反射率特性。一般情况下，植被在350 - 2500nm 范围内具有如下典型反射光谱特征:

(1)3 50一490nm 谱段:由于400一450nm 谱段为叶绿素的强吸收带，425一490nm 谱段为类胡罗卜素的强吸收带，380nm 波长附近还有大气的弱吸收带，故350一490nm 谱段的平均反射率很低，一般不超过10%，反射光谱曲线的形状也很平缓;

(2) 4 90一600mn 谱段:由于550nm 波长附近是叶绿素的强反射峰区，故植被

在此波段的反射光谱曲线具有波峰的形态和中等的反射率数值(约在8-28%之间);

(3) 6 00一700nm谱段:650一700nm谱段是叶绿素的强吸收带，610、660nm 谱段是藻胆素中藻蓝蛋白的主要吸收带，故植被在600一700nm的反射光谱曲线具有波谷的形态和很低的反射率数值(除处于落叶期的植物群落外，通常不超过10%);

(4) 7 00一750nm谱段:植被的反射光谱曲线在此谱段急剧上升，具有陡而近于直线的形态。其斜率与植物单位面积叶绿素(a+b)的含量有关，但含量超过4一5mg.cm'2后则趋于稳定;

(5) 7 50一1300nm谱段:植被在此波段具有强烈反射的特性(可理解为植物防灼伤的自卫本能)，故具有高反射率的数值。此波段室内测定的平均反射率多在35一78%之间，而野外测试的则多在25一65%之间。由于760nm, 850nm, 910nm,960nm和1120nm等波长点附近有水或氧的窄吸收带，因此，750.1300nm 谱段的植被反射光谱曲线还具有波状起伏的特点;

(6) 1300一1600nm谱段:与1360一1470nm谱段是水和二氧化碳的强吸收带有关，植被在此谱段的反射光谱曲线具有波谷的形态和较低的反射率数值(大多在12一18%之间):

(7) 1600一1830nm谱段:与植物及其所含水分的波谱特性有关，植被在此波段的反射光谱曲线具有波峰的形态和较高的反射率数值(大多在20一39%之间);

(8) 1830一2080mn 谱段:此谱段是植物所含水分和二氧化碳的强吸收带，故植被在此谱段的反射光谱曲线具有波谷的形态和很低的反射率数值(大多在6一10%之间);

(9) 2080一2350nm谱段:与植物及其所含水分的波谱特性有关，植被在此波段的反射光谱曲线具有波峰的形态和中等的反射率数值(大多在10一23%之间): (10) 2350一2500mn谱段:此谱段是植物所含水分和二氧化碳的强吸收带，故植被在此谱段的反射光谱曲线具有波谷的形态和较低的反射率数值(大多在8一12%之间)。

植被波谱反射式植被遥感的基础，绿色植被无波谱特征主要取决于它的叶子。图中显示了绿色植物叶片的主要光谱响应特征。绿色植物的叶片的反射光谱曲线在450nm为中心的蓝波段和670nm为中心的红波段。叶绿素强烈吸收辐射能量（>90%）而形成吸收股，后者为光合作用的能量基础，而在这两个吸收谷之间（540nm波长附近）吸收相对减少，形成绿色反射峰区（10%～20%），它也是绿色植物成绿色的光学原理（赵英时，2003）。随波长变化，从740nm附近绿色植物的反射率急剧上升，形成陡而突出的峰值。这主要是由于植物叶肉内海绵组织的结构内有许多空腔，具有很大的反射表面，而且细胞内的叶绿素呈水溶胶态，具有强烈的红外反射。此外，在红外谱段内，植物光谱往往表现出以960nm、1100nm出的两个弱水分吸收带。在短波红外谱段内（1300nm以外），植物的反射光谱特性收到以1400nm、1900nm、2700nm为中心的谁吸收带的控制，而呈跌落状态的衰减曲线。作为绿色植物的背景的土壤的反射光谱曲线的“峰——谷”变化比较弱，对电磁波的作用主要表现为吸收和反射，透射少。因此利用植被近红外高反射和红波段强吸收的差异，极大突出植被信息，区分绿色植物与土壤水体，强化了植被与环境的差异。

图绿色植物光谱响应特征曲线

除植物内部所含色素、水分以及它的结构等控制着植物特殊的光谱响应特征外，植物在生长周期中，从发芽生长、开花结果到衰老死亡，它的生理、外形、结构上均会发生变化，如叶片结构变化即叶肉细胞间隙的增大或减少，叶绿素等色素的累积、衰退、消失，叶片内部水分含量的变化，枝叶的发芽生长或老化脱落以及植株对地面覆盖率的变化等。这种植物的周期性变化是以季节为循环周期的，它的化学、物理、生物性质也出现季节性变化—季相节律，植物的季相节律从植物细胞的微观结构到植物群体的宏观结构上均有反映，这种反映也就必然导致单个植物或植物群体物理光学特征的周期性变化，其光谱特征也随之发生相应变化。由于植被光谱反射率与植被类型、种类组成、植被盖度、叶绿素含量、含水量、土壤物理特征、大气状况等多种因素有关，不同植物类型影像特征不同，而且即使是同一种植物，在不同的生长发育阶段，其反射率波谱率也有细微差别，因此可以根据植被反射率变化规律来监测作物长势、物候期以及作物类型识别。由此可见研究植被参数实际上就是为深入研究植被遥感、农业遥感打下良好的基础。

五，植被遥感反射模型

描述一个表面的镜向反射特性．人们常以菲涅耳定律来表示，对于完全漫反射体．则采用朗伯定律表示。然而绝大部分物体表面反射既非镜面反射，亦非朗伯反射。其方向反射系数随入射辐射方向及探测反射方向的变化而发生变化．这种反射通常采用双向反射概念来表示。它代表了物体表面反射的普遍情况。双向反射中最基本的参量为双向反射系数分布函数(Bidirectional Reflectance Distribution Function简称BRDF)，它定义为

()(,)()()(,)

r r r i i r r i i i dL dL BRDF dE dE Ωθφ=θ;φ;θ;φ==Ωθφ 式中：i θ为入射辐射天顶角；i φ为入射辐射方位角；r θ为反射辐射天顶角；

r φ为反射辐射方位角；r Ω、i Ω分别为在辐射反射方向上的两个微小立体角；(i

dE Ω为在一个微小面积元dA 上，特定入射光(,)i i θφ在辐射亮度，其单位是2()W m - ；()r dL Ω为在一个微小面积元dA 上，特定反射光(,)r r θφ的辐射亮度，其单位为

21()W m Sr -- 。

六，植被指数的影响因素

根据植物的光谱特征可以看出，综合利用红光和红外波段来探测植被，会取得良好的结果。诸多研究也表明，红光和红外波段是植被遥感反演的理想组合，这种波段间的不同组合，统称植被指数。但是，与植物研究不同的是，植被的研究不仅涉及植物本身的特征，还要设计植物间以及植被的本地特征。要使植被数到达定量测量的目的，首先要明确影响植被指数的各个因素。

1 土壤背景

土壤背景包括土壤结构、土壤构造、土壤颜色和湿度等，他对植被参数的影响较大，尤其是植被覆盖系数时，对土壤背景作用，红波段辐射会有很大的增加，而近红外波段辐射会减小。这一影像导致有些植被指数不能对植被的光谱行为提供合适的描述。

土壤颜色变化使土壤线加宽，并且依赖于波长轴。由颜色形成噪音阻止了植被覆盖的探测，该噪音与由土壤特性变化而造成植被指数的增加有关。土壤颜色对于低密度植被区的反射率具有较大影响，尤其是在干旱环境下对植被指数的计算影响更严重。Escadafal表明，TM2，TM3反射率值与土壤颜色饱和度有关，并发展了颜色指数，其中红色指数是土壤颜色影响植被的一个校正系数。

土壤作为植物(作物)的背景对光谱的影响是随着波长而变化的。对红光波段而言，叶子对它的作用主要是吸收，透射辐射均很小。因此在非完全覆盖的情况下，红光反射辐射主要在叶子的表层及土壤背景。表层以下的叶子起的作用甚小，可以忽略不计。土壤在红光波段的反射较强。红光反射辐射显然随着覆盖百分数变化而变化，主要是非覆盖部分的土壤的贡献，而在植物(作物)覆盖之下的土壤，则由于叶子的红光透过率很小对冠层的总值贡献很小。

近红外波段则完全不相同。叶子的反射率较大，而且透过率也较大，与红光波段相反的是吸收串很小。在冠层反射辐射中，不仅第一层叶子起作用，下层叶子均有作用。对于叶子层数少的，或者说叶面积指数小的情况下，底层的土壤也起作用。

由此可见，在非完全程盖场合，辐射与叶子、土壤的互相作用相当复杂。图2.5.1.1表达了红光及红外波段的反射辐射随绿色覆盖率变化的情况。图中显示了两种不同土壤的红光及近红外反射率的实际测量情况。浅色土壤的红光反射率随覆盖率变化显著地大于暗色土壤。而近红外波段反射串正好相反，暗色土壤大于浅色土壤。

根据实际观测资料不难看到，对于同一种土壤类型的不同土壤含水量，其两个敏感波段的变化几乎是同步的。也就是说，虽然土壤湿度增高，其光谱随之发生变化，但是红光和近红外两波段的比值几乎不变化。这个基本事实说明在红光及近红外两维坐标中存在一条直线，在这一条线上，土壤水分含量不同的该两个波段的反射率的坐标点(或反射辐射)沿线移动。这条线称为土壤基线。

2 物候历

植物在其生长周期中，从发芽生长、开花结果到衰老死亡，它的生理、外形、结构上均会变化，这使它的化学、物理、生物性质出现季节性变化——季相节律，其光谱特征也随之发生相应变化。比如，中纬度地区的落叶林的林冠层季相变化是十分明显的，秋冬时节叶子全部脱落，到第二年开春又恢复生机；常绿林虽不如落叶林那么明显却有更精细的物候循环，它的叶子先后不同的分别衰老、脱落，而整体外观保持常绿。植物衰老时叶肉组织的细胞壁遭破坏，使近红外反射率下降而可见光亮度增高；叶绿素的变化产生“红边红移”现象等。因此通过遥感可以监测植物的物候变化。Dethier等(1973)曾用不同时相的遥感图像和数据，观

察北半球春季植被刚生长发绿时出现的地理界线“绿波”，和秋末植被成熟、干枯时出现的“褐波”，研究绿波、褐波的推移规律等宏观物候现象。

对于农作区，物候期表现为地方农事历，即耕作、播种、发芽、生长、成熟、收获、休闲等季相循环周期。每个地区、每种作物均有它自身的农事历，这是由作物的生长特点：地方气候、地方农业耕作方式与习惯等决定的。

正因为植被具有明显的季相节律、物候变化，因此在植物遥感、植被指数提取中、遥感数据时相的选择是十分重要的。针对不同应用目的需要选择不同物候期的植被指数。如对于小麦遥感估产可能选择小麦拔节到乳熟期的植被指数为最佳；Idso等提出可用植被指数继开花期后减小的速率——即衰老率来估产，也可根据冬小麦植被指数的季节变化曲线作为参考，来确定提取冬小麦专题信息的最佳时段。

另外，植被指数还随着叶倾角、叶子层数、作物耕作的方向、间隔和冠层的光学特性的变化而变化。因而，不同的植被状态可能会有相同的植被指数。

3 大气

大气对组成植被指数的红与近红外波段有不同的衰减系数。大气的吸收与散射一般使植被的红光辐射增强(因散射、上行程辐射中大气的贡献)、近红外辐射降低(因散射和水汽吸收等衰减作用)，两者对比度下降，导致植被指数发生变化。尽管大气效应影响各种植被指数，且总效果往往使植被指数信号下降，但其影响的程度却有很大的不同。差值植被指数在浑浊和晴朗的天气条件下变化很小，而比值植被指数数值可下降50％，其他指数位于上述两者之间。

图中显示在地面及卫星数据所测得的比值植被指数全生长期变化过程比较。从图中可见，地面光谱所测得比值植被指数RVI，在植物全生长期的明显起伏；在航高3000m所得的RVI变化幅度已明显减小；而在卫星(大气顶)所得的RVI变化起伏已显模糊。大气效应对NDVI的影响以气溶胶最严重，水汽次之，再次是瑞利散射。大气气溶胶对植被指数的影响主要表现为光程辐射(附加效应)和透过率(多重效应)。前者与背景无关，易于修正；后者依赖于地面亮度较难修正。研究表明，厚云与云的阴影降低NDVI值；卷云的干扰可以使NDVI值产生15％的明显差异。这些比值植被指数的大气效应，均说明大气效应使植被指数变化。这种变化限制了对植被的检测和对植被胁迫现象的探测。甚至有的研究发现，不确定的大气影响所产生的冠层光谱变化有时超过植被自身的变化。因此，在计算NDVI、RVI等植被指数之前，需要对大气效应进行修。

图在地面及卫星数据所测得的比值植被指数全生长期变化过程比较

根据美国LANCIE研究表明，大气的衰减作用，使“穗帽”向土壤亮度线右端以缩，导致卫星遥感的植被指数减小。但是这种减小，并未扰乱植被指数与叶面积指数之间的关系。也就是说，大气的作用尚未严重干扰卫星植被指数所包含的覆盖度信息。因此，在宏观植被长势的动态监测中，并非一定要消除大气对植被天数的衰减影响，但对于作物估产则情况有所不同。

4 传感器影响

（1）传感器定标

当利用多源数据获取植被指数并进行多时相联合分析时，必须进行传感器定标。除此，利用单一数据对大范围地区进行植被指数对比分析之前，必须实现对传感器的精确定标。如果利用植被指数对全球区域植被变化进行连续监测，也需要卫星传感器辐射定标的精确数据。

（2）传感器光谱影响

用不同传感器的数据计算同一目标的植被指数可能有不同结果，这是由于每一传感器光谱波段响应函数不同，且其空间分辨率及观察视场不同。波段响应函数是波长探测能力和滤波响应的综合反映。通过计算每一波段平均反射率可评价不同响应函数对植被指数值的影响，可对响应函数和光谱值在波长范围内的积分，再除以相同波长范围的响应函数的积分值解决。

5 双向反射模型

太阳高度角、方位角及观察角的影响主要反映在大气路径长度和地表BRDF效应。二向反射函数(BRDF)把地表反射辐射描述为太阳高度角、卫星视角以及太阳与卫星遥感器之间夹角的一个函数。由于植被表面结构的非均匀性以及表面反射

辐射的各向异性，直接影响到二向反射(BRDF)，这是使NDVI值不确定性的原因之一。它使不同时相的植被指数缺乏可比性。因此NDVI数据依赖于BRDF甚至同一时相宽视角卫星遥感数据的植被指数值可因太阳高度角的变化而变化。因而，定量遥感中需要通过双向反射模型对植被指数进行角度订正。

传统遥感中，在使用光谱数据前，往往把卫星遥感数据的太阳高度角纠正到太阳垂直照射的状态下，进行太阳高度角、观察角、观察方位角的归一化订正，这是不合适的。它仅考虑了大气路径长度的影响，而忽略了方向反射效应。事实上，地表非朗伯体，植被二向性反射(BRDF)变化与植被冠层结构有关，而冠层结构受太阳高度角的影响，故植被指数依赖于此。

在地形起伏的山区、地形的阴影效应，往往掩盖了部分植被，使植被指数发生变化。最简便的方法——比值法或比值合成法可以消除部分阴影的影响，提高植被信息提取的能力。

另外，遥感器本身的辐射定标以及多种遥感器间光谱波段响应函数、空间分辨率、视场角等的差异，均会对植被指数的植被检测能力和数值的可比性发生影响。因而需要对遥感数据进行辐射纠正，以及各波段光谱响应函数间的纠正处理，以保证多源数据的综合分析和大尺度植被遥感动态监测的可靠性。

七，各种植被指数

根据植被的光谱特性,将卫星可见光和近红外波段进行组合,形成了各种植被指数。植被指数是对地表植被状况的简单、有效和经验的度量,目前已经定义了40 多种植被指数,广泛地应用在全球与区域土地覆盖、植被分类和环境变化,第一性生产力分析[, 作物和牧草估产、干旱监测等方面;并已经作为全球气候模式的一部分被集成到交互式生物圈模式和生产效率模式中;且被广泛地用于诸如饥荒早期警告系统等方面的陆地应用;植被指数还可以转换成叶冠生物物理学参数。本节具体介绍了各种植被指数和各自的适用范围。

（一）, 简单植被指数

1，比值植被指数

RVI = NIR / R

绿色健康植被地区的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）约为1；

绿色植物的灵敏指示参数，与LAI、干叶生物量（DM）、叶绿素含量相关性高，可用于检测和估算植物生物量；

当植被覆盖不够浓密时（< 50%）分辨能力很弱，只有在植被覆盖浓密的情况下效果最好；

RVI比单波段监测植被更为稳定，但对大气影响敏感，所以，需要预先进行大气校正或用反射率来计算；

比值植被指数应用实例:

利用气象卫星监测大范围森林虫害

森林病虫害严重地威胁着林木的生存，使材质降低并影响其更新。人们常将森林病虫害喻为“不冒烟的森林火灾”，因为森林病虫害造成的经济损失和林木损失都达到甚至超过了森林火灾，而它对生态环境所带来的负效应就更为严重了。为了有效地防治森林病虫害，首先必须及时、准确掌握病虫害的发生发展情况，以便制订相应的防治策略。如何有效地监测和防治森林病虫害，已成为科技工作者努力研究和探讨的课题。

当树木遭受病虫害侵袭时，首先是近红外波段的反射率明显降低，近红外陡坡效应明显削弱甚至消失；接着绿光区的小反射峰位置逐渐向红光区漂移，叶色由绿变黄、变褐，以至枯死。健康树木与受害树木光谱特性的这种差异，是我们利用遥感技术进行森林虫害调查的技术基础。

在虫害监测中，植被指数与针叶生物量的关系是选择指数的依据。由于地面条件的限制，很难直接统计分析它们的关系，但已有一些研究对植被指数、植物生物量与叶面积指数做过统计分析。研究认为，在不同区域及不同条件下，每种植被指数有不同的相关性，没有一个统一的关系。每种植被指数在应用时都有它的适应性和局限性。NDVI是植物生长状况及植被空间分布密度的最佳指示因子，与植物分布密度呈线性关系。当植被覆盖度小于80％时，NDVI随植被量呈线性增加；而当植被覆盖度大于80％时，NDVI对植被检测的灵敏度下降。RVI与叶面积指数、叶干生物量、叶绿素含量相关最好。当植被覆盖度小于50％时，RVI 不能很好地识别植被密度差异，但在高覆盖度下RVI对植被十分敏感，与生物量的相恭性很好。其它两种植被指数PVI，GVI的特点是均可减少土壤背景值对植物光谱的影响，但在多层森林群落结构及丘陵、山地地区，就不能准确地反映植被的情况。相对而言，在对森林虫害的监测中RVI(比值植被指数)较为有效

。用气象卫星遥感数字资料计算出比值植被指数，经实地抽样调查确定受虫灾影响后的临界值，以此确定的受灾区域与实况对比判对率为73％。利用TM图像目视解译对虫害影响进行判读，与用AVHRR信息分析的结果进行统计分析，二者统计相关系数达0．91，显著性水平0．001。AVHRR所做出的受松毛虫灾害面积分析结果比用TM 解译的面积小，结果相差20％左右。利用气象卫星资料进行森林虫害调查，是以林木受害后叶绿素含量的变化为基础的，分析时应充分考虑由自然地理环境等背景信息造成的差异，区别非虫害的影响。与用陆地卫星TM信息解译及森防部门实地调查的结果比较，对于轻度受灾的区域，用气象卫星不易分辨出来；而对中等以上灾害，使森林植被指数发生变化的区域，均能有效地反映出来。

2，差值植被指数

DVI = NIR – R

算法简单，但对土壤背景的变化极为敏感；

当植被覆盖度为15%至25%时， DVI随植被覆盖度的增加迅速增加。当植被覆盖度大于80%时， DVI对植被覆盖度变化的敏感性明显降低。

差值植被指数应用举例：

利用水稻成熟期冠层高光谱数据进行估产研究

通过监测农作物生育期内的光谱变化，研究农作物的反射光谱与叶面积指数、地上生物量、产量、色素含量等农学参数之间的关系，可以为作物遥感长势监测和遥感估产提供依据。由于植被反射光谱在可见光范围主要受植被色素（叶绿素

和类胡萝卜素）和覆盖度的影响，在近红外区域主要受冠层和叶片结构、生物量、生化成分等影响，因此，可以用农作物冠层的反射光谱及其变量来估算其农学参数。

为了分析水稻冠层高光谱与产量的关系，根据成熟期水稻冠层光谱的特点，采用以下差值植被指数和红边（波长范围680-700nm）参数作为光谱变量：R1200-R680, R990-R682 ,R1200-R550 ,R990-R550,

R800-R550 ,R1200-R440 ,R990-R440 ,R800-R440,红边幅值D（红光680-760nm

范围内一阶导数最大值），红边面积S（红光680-760nm范围内一阶导数光谱曲线

与波长横坐标所包围的面积，近似计算公式为）。实验证明，实际

产量.与理论产量之间有较大的差异，其平均相对误差为13.6%，但实际产量与理

论产量之间极显著相关，回归方程为

分别计算理论产量与齐穗期、灌浆期、乳熟期和蜡熟期水稻冠层上述光谱变量的相关系数，从表) 可知，理论产量与所选的水稻成熟期冠层光谱植被指数之间都存在极显著相关，其中与差值植被指数的相关性好于与红边幅值、红边面积的相关性。

通过田间小区实验，我们测量了水稻在成熟过程中冠层、叶片和穗的光谱及小区的理论产量和实际产量，构建了新的高光谱差值植被指数R1200-R680, R990-R682 ,R1200-R550 ,R990-R550,R800-R550 ,R1200-R440 ,R990-R440 ,R8 00-R440，经相关分析，发现：（1）水稻从抽穗开始一直到收割，其冠层光谱反射率随发育期推移在可见光范围逐渐增大，在近红外区域逐渐减小；在水稻成熟过程中，其叶片、穗和冠层光谱的红边位置存在“蓝移”现象，这种“蓝移”现象随发育期推移而愈趋明显。这表明似乎可以通过水稻冠层、叶片反射光谱的变化来监测其成熟程度。（2）水稻理论产量和实际产量与其成熟过程中冠层高光谱变量R1200-R680, R990-R682 ,R1200-R550 ,R990-R550,R800-R550 ,R1200-R440 ,R990-R440 ,R8 00-R440、红边幅值和红边面积之间都存在极显著正相关，其中以R1200-R440和R990-R440的相关性最好。因此，可以用水稻成熟过程中冠层高光谱数据来估

测其产量，这为用高光谱遥感方法进行水稻估产提供了可行性。

3，归一化差值植被指数

NDVI = (NIR – R) / (NIR + R)

取值在[-1, 1]，负值表示地面覆盖为云、水、雪等，对可见光高反射；0为岩石或裸土等，NIR和R近似相等；正值表示植被覆盖，与覆盖度呈正相关。

NDVI可部分消除太阳高度角变化、卫星视角和大气影响，可检测植被生长状况、植被覆盖度和消除部分辐射误差等。

较好地反映植被动态变化，与一些重要的生物物理参数如生物量、叶面积指数和光有效辐射等有密切联系；能反映出植物冠层的背景影响，如土壤、潮湿地面、枯枝落叶、粗糙度等。

局限性在于用非线性拉伸的方式增强了NIR和R的反射率对比度，与 RVI相比，NDVI对高植被区具有较低的灵敏度，即RVI增加的速度高于NDVI。

归一化植被指数应用举例：

近几十年黄河源区气候与植被变化及相关分析

通过对黄河源区气温、降水量、NDVI指数变化以及NDVI指数与气温、降水量的相关性进行

分析，结果表明:黄河源区气温近50年呈升高趋势;源区近34年年降水a呈减少趋势，20世纪80年代源区降水盘较多，比较湿润.近20年黄河源区及源区东北部植被搜盖较差，且不容易保持，达日及源区东南部植被硕盖相对较好，且容易保持;源区植被覆盖与气沮、降水量均呈正相关关系，降水盆对植被覆盖的影响比气温的影响大.

根据一日四次的气温观测资料求日、月及年平均值，根据日降水量资料求月、年降水量。分析年平均气温及年降水量和7月平均气温及降水量的变化趋势，并用t 检验法对趋势线进行显著性检验。

NDVI能够很好地反映植被覆盖的变化情况。采用植被长势较好的7月份资料进行分析。从图3中可看出，红原、若尔盖、玛曲、达日的NDVI值较高，也很接近，平均都在0.7左右。这4个地方的植被覆盖变化情况很相似，植被覆盖情况较好。兴海、玛多NDVI值较低，平均仅0.2左右，这两地的植被理盖情况较差。从趋势线看，玛曲、玛多、兴海NDVI近20年呈下降趋势，而且玛多、兴海下降幅度较大;红原、若尔盖、达日NDVI指数近20年呈增加趋势，达日、红原相对增加较大。对图3趋势线经t检验发现均未通过0.05显著性水平检验，说明源区6站近20年NDVI 增加、减少的趋势不显著。结果表明，源头区及源区东北部植被覆盖相对较差，植被不容易保持;达日及源区东南部植被覆盖相对较好，植被容易保持。

计算了NDVI与气温、降水的相关系数，结果如表1所示。在源区，NDVI与降水的相关性相当好，相关系数达到0.452，而且通过了99%的信度检验;相比之下，NDVI 与气温的相关系数只有0.215，而且只通过了95%的信度检验。但从整体来讲，源区NDVI与气温、降水的相关性相当好，说明气温、降水对NDVI影响很大，尤其是降水的影响更大。除多分析了拉萨地区NDVI与降水、气温的相关性，结果表明，拉萨地区NDVI值对降水的变化很敏感;德力格尔等研究了人工增雨对生态效应的检验，结果表明人工增雨对增加植被覆盖具有正效应。降水对NDVI的影响很大，与他们的研究结果一致。

（二），基于土壤线的植被指数

垂直植被指数

S一土壤反射率；

V一植被反射率；

R一红波段；

NⅣ一近红外波段.

垂直植被指数具有许多优点，如能去除土壤背景的影响，对大气效应不甚敏感，同时具有线性可加性，因此适合遥感图像混合像元的分解应用。利用垂直植被指数从混合像元的综合地物信息中提取水稻生长状况信息，是可行和有效的方法另外，垂直植被指数在岩石和土壤光谱特征都变化很大的干旱和半干旱地区，可以作为首选植被指数。在大面积使用时，垂直植被指数还有抑制微地形起伏的作用。因此，垂直植被指数被广泛应用于作物估产等方面。但是，由于垂直植被指数是在“土壤线”的概念基础上发展出来的，而“土壤线”因地区不同、土壤类型不同而不同。同时，如果将土壤的色调考虑进去，“土壤线”就不再是一条严格的线，而是成为有一定宽度的带，对其求算就会变得非常复杂，而且会有一定的误差。

垂直植被指数应用举例：

利用垂直植被指数监测季节性裸露农田

季节性裸露农田是北京地区冬春季大气“土壤尘”的主要来源。而农田季节性裸露的快速、准确监测是治理方案制定与实施的依据。根据北京地区裸露农田种植作物和其它地表覆盖类型的物候特征之间的差异，选用2004年春夏季3个时相的TM遥感影像数据，利用垂直植被指数，同时结合北京地区的DEM 数据以及北京地区的行政边界矢量数据，建立了北京地区季节性裸露农田遥感监测专家模型。

在干旱多风沙的冬春季，北京平原区域的土地覆盖主要有冬小麦、牧草、居民区、道路、苗圃、果树、水体、裸露农田等类型。研究区内不同地表覆盖类型之间的物候特征也不尽相同，其中，冬小麦一般在3月中旬返青，5月上甸长势最旺，6月中旬左右收割；冬春季裸露农田在4月底5月初春夏之交播种春玉米、豆类等，5月中旬出苗，8月中旬长势最旺，9月中旬收获；牧草一般在4月初返青，数天后长势旺盛；苗圃、果树和其它落叶林木，在4月中旬开始返绿，到5月下旬达到最旺；居民区和道路等在不同时期基本保持不变。季节性裸露农田在种植作物出苗以前，表现出土壤的光谱特性，理论上PVI 值为0，随着作物的生长，PVI 也逐渐增大。北京平原地区主要土地覆盖类型的PVI，在春夏季随时间变化。

根据北京地区不同覆盖类型P 随时间变化的差异，同时考虑到北京地区的季节性裸露农田一般在平原，以及水体对近红外波段的低反射和高吸收特性_1 ，利用由2004年4月17日、5月19日、7月6日的反射率图像计算出来的P 数据，同时结合北京地区的DEM计算出来的坡度数据、4月17日的近红外波段的反射率以及北京市区县边界图GIS数据，设计出北京地区的冬春季裸露农田监测专家模型，具体实现流程图如图6所示。在模型逻辑判断算法具体实现时，利用坡度小于5度，去除山区；利用4月17日的近红外波段发射率大于0．1去除水域；利用4月17日的P 小于0．06并且大于一0．06剔除冬小麦和牧草等冬春季覆盖的植被区域；利用5月19日的P 小于0．05且大于一0．06剔除果园、苗圃等林木植被区域；利用7月6日的P 大于0．15，剔除居民区和道路等，最后保留下来的就是研究区内的2003年冬至2004年春季节性裸露农田。

以本文设计冬春季农田季节性裸露监测专家模型，监测出北京地区2003冬～2004年春北京地区农田季节性裸露的面积和空间分布。监测结果表明，季节性裸露农田总面积为87362．57 hm ，主要分布在延庆县、顺义区、密云县和通州区等，其空间分布图如图7所示。各区县的季节性面积统计如表1所示。以28个外业调查样点对提取结果进行验证，提取精度达到92 %。

土壤调节植被指数和修正的土壤调节植被指数

引入了土壤亮度指数L，建立了一个可适当描述土壤-植被系统的简单模型。

L可以随植被密度而自动调节，能较好地消除土壤背景对植被指数的影响。SAVI提取植被信息效果较好,消除土壤影响和适应植被变化的能力强; L是SAVI提取植被信息的关键, Huete 推荐的最佳L 值(0. 5) 有很大局限性除土壤背景的影响,并能宏观真实地反映该地区自然植被地带的界线。

土壤植被指数和修正土壤调节植被指数应用举例：

阿拉善左旗天然梭梭林鼠害防治的遥感监测

利用1999年和2002年两期内蒙古阿拉善左旗TM遥感图像，进行大沙鼠鼠害防治前后梭梭林受害程度调查。对比分析了防治区与对照区植被生长状况，分析了健康和受害植被的光谱特征、其背景的纹理特征。用土壤调节植被指数和统计分类的方法，得出了受害植被的生长状况、健康植被面积增长量及对照区植被生长情况的相关数据。与实地害鼠密度的变化验证比较，为鼠害防治管理和动态监测提供科学依据。

计算1999、2002年防治区和对照区图像的SAVI，得SAVI 图像，并绘制直方图(图2)。防治区1999年SAVI 范围在25～99，均值为62．775，2002年SAVI范围在127～208，均值为164．418，平均增长了1．62倍。而对照区1999年SAVI 范围在29～92，均值为54．761，2002年SAVI 范围在26～89，均值为57．807，基本没有变化。

绘制1999年和2002年的sA 变化图(图3)可得，从1999-2002年，防治区的sA 增加了1．62倍，说

明防治区的受灾程度明显减轻，植被生物量显著提高。而对照区基本没有变化，受灾程度仍很严重，生物量处于很低的水平。为了检验分析结果，对防治区在1999年和2002年的鼠口密度进行地面抽样调查，绘制鼠口密度变化图(图4)，由图4可知，1999-2002年，防治区的鼠口密度从每公顷38只减少到2只，而对照区每公顷增加了2只，即防治区鼠害大幅减轻，对照区变化不大，危害仍很严重，这与遥感分析结果相吻合。

在最新遥感图像上，从光谱反射能力可知，防治区植被叶绿素和盖度明显增加。防治区的沙波纹浅，植被固沙能力强，对照区沙波纹深，植被固沙能力弱。两期遥感图像中，防治区在鼠害防治后比防治前的生物量有大幅提高，受灾程度明显减轻，这体现在1999-2002年防治区土壤调节植被指数增加了1．62倍，防治区在鼠害防治后健康植被面积增长了2．35倍。由于2002年雨水丰沛，对植被的生长有利，在一定程度上也促进了防治区健康植被的增加。两期遥感图像中的鼠害对照区的SAVI 基本没变化，说明在3 a中植被生物量和覆盖度没有大的变化，均处于很低的水平，受灾仍很严重。虽然2002年雨水较多，地面杂草种类多，害鼠的食物来源丰富，梭梭受害有所减轻，但从遥感图像上看，没有明显好转，有待于进一步的防治。

利用两期遥感图像对天然梭梭林鼠害防治效果进行监测，可以由图像图直接确定鼠害防治区的位置，查看鼠害防治情况，及时掌握害鼠对梭梭林危害的现状。用遥感图像的光谱和纹理特征，以及用植被指数和统计分类的方法，可得出防治后的效果，特别是能够明显看到采取治理措施的防治区与未采取防治措施的对照

区，从植物生长状况到鼠害受灾程度的变化差别显著。这也为鼠害防治效果的大面积跟踪调查、监测害鼠种群对梭梭林危害和进一步防治的规划提供依据。而且ETM+数据具有优越的性能价格比，单位面积的经济成本只有1．46 x 10 元·hm～，有利于沙漠区大面积林地鼠害遥感监测的推广和应用。若能获取鼠害防治规划图，可叠加在遥感图像上，检查是否在规划区域进行了鼠害治理以及防治的效果，及时了解害鼠发展动态，为鼠害防治的科学管理提供决策支持。

（三），减少大气效应的植被指数

1全球环境监测指数

GEMI不用改变植被信息而可以减小大气影响，能很好地分离云和陆地表面，并保存了比NDVI指数相对低密度至浓密度覆盖更大的动态范围。但GEMI受到裸土的亮度和颜色相当大的影响，对于稀疏或中密度植被覆盖不太适用，而且很难区分水生植被与陆地表面，动态分辨率也比较低。

2, 抗大气植被指数

ARVI对大气的敏感性比NDVI约减小4倍。Y是决定ARVI对大气调节程度的关键参数，并取决于气溶胶的类型。Kanfman推荐的Y为常数1仅能消除某些尺寸气溶胶的影响，有很大的局限性；且ARVI进行预处理时需要输入的大气实况参数往往是难以得到的，给应用带来困难。

抗大气植被指数应用举例：

将遥感信息提取作为切人点，选择天津大港独流域河下游泻洪区芦苇地和黄华芦苇地为研究对象，通过分析东亚飞蝗生境的芦苇生物量、叶面积指数统计数据与光谱数据和遥感影像数据，找出探测蝗灾的光谱特征域在遥感影像上对应的位置，提出监测和预测蝗灾的遥感方法。

从图中可以看出，ARVI的直方图，整条曲线比较平滑，其像元亮度值从0～70像元数急剧上升，从70～100又急剧下降，这两个区间地物主要以水体、建筑物、公路等为主，其像元数占整个像元数的26．4％：100～255之间像元数变化比较平稳，这一区间也正是植被集中分布区，植被主要以芦苇为主，其像元数占整个像元数的73．6％。在图像上亮度值代表植被区间在100～255之间，其中，严重受灾芦苇样地亮度值大约在100～140之间，轻度受灾芦苇样地亮度值在140～190之间，基本未受灾芦苇样地亮度值在190～255之间。插页彩片7为模糊分类结果，图中蓝色部分为蝗虫分布区。

通过对严重受灾芦苇样方、未受灾芦苇样方、轻度受灾芦苇样方的地面实测数据、光谱数据和遥感数据处理与分析，可以进一步做综合性的相关分析。由图4～7可以看出，实测3种样地叶面积指数(LAI)／生物量(Bio)与地面实测植被指数(NDVI)，遥感植被指数(NDVI)，抗大气植被指数(ARVI)之间的相关系数分别为0．945，0．841，0．892。表明叶面积指数(LAI)／生物量(Bio)与3种植被指数之间都有一定的正相关性。又由于受灾芦苇样方、未受灾健康芦苇样方、轻度受灾芦苇样方3种样方芦苇高度、叶片大小、叶片多少和受灾程度的差异性，且在严重受灾芦苇样方，尽管生物量为833 g／m。，但只剩下3～5片叶子，因此叶面积指数较低为0．19；而未受灾芦苇样方的Bio和LA1分别为2 070 s／m 和1．99。根据前人的经验和实测分析图表可以得出，不同程度受灾的芦苇样地的绿度与叶面积指数的大小和生物量的多少有一定的关系，因此，地面和遥感相结合来监测蝗害是有效的。

3增强植被指数

EVI利用背景调节参数L和大气修正参数C1，C2同时减少背景和大气的作用，其中，参数C1,C2M描述的是蓝色通道对红色通道进行大气气溶胶的散射修正。

增强植被指数应用举例：

基于MODIS增强型植被指数的青海省牧草产量估产研究

利用青海省22个生态环境监测站在2003和2004年牧草生长季内各月所测的牧草鲜草产量数据，并搜集了该时段内逐日的MODIS遥感数据，通过对图像的预处理，云区识别，植被指数的计算及月最大植被指数的合成，形成了与牧草产量数据相对应的MODIS EVI数据。然后按牧草生长季和草地类型建立了牧草鲜草产量与MODIS植被指数的关系模型。结果表明，牧草产量和MODIS EVI之间存在较高的相关性，用指数函数建立产量模型效果较好。按牧草生长季建立的牧草产量检测模型比按草地类型建立的模型相关性要高。

按牧草生长季建立回归方程

在2003、2004年5、6、7、8月的月最大植被指数图上读取青海省22个生态环境监测站的EVI值，并与同期的牧草实测值建立回归方程，经对比，指数关系拟合效果最佳，牧草生长季内各月的产量检测模型见图2。

牧草产量和MODIS EVI数据之间具有较高的相关性，其指数关系模型能较好地反映牧草地上部分草地生物量。另外，按草地类型建立的监测模型R 值明显小于按牧草生长季建立模型的R 值。