《第六章可见光与近红外波段-简讲资料》由会员分享，可在线阅读，更多相关《第六章可见光与近红外波段-简讲资料（122页珍藏版）》请在金锄头文库上搜索。
1、可见光与近红外波段遥感应用,测绘系,本章内容,6.1 植被遥感模型 6.2 水色遥感,6.1 植被遥感模型,6.1.1 植被指数分类 6.1.2 土壤背景影响与消除 6.1.3 混合象元模型,植被指数的由来,当人们用不同波段的植被-土壤系统的反射率因子以一定的形式组合成一个参数时，发现它可以突出植被信息，抑制其它目标信息，同时它与植被特性参数间的函数联系（如LAI）比单一波段值更稳定、可靠。 我们把这种多波段反射率因子的组合统称为植被指数（或植被光谱参数）。,6.1.1 植被指数分类,根据函数形式，植被指数主要分为 2类。 （1）比值型植被指数 Rir与Rr分别为近红外与红色波段的反射率。 R
2、VI称为比值植被指数 NDVI称为标准差值植被指数 （2）垂直距离型植被指数 PVI称为垂直植被指数,6.1.1 植被指数分类,NDVI,RVI,垂直植被指数 的物理意义：, 为土壤线与Rr坐标轴之间的夹角。 若忽略土壤线在Rir轴上的截距，则A(Rr,Rir)的PVI值实际上就是A点到土壤线的垂直距离。,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
3、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。,比值植被指数RVI的特性,归一化植被指数NDVI的特性,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N
4、DVI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；,应用植被指数提取植被信息比单通道值准确可靠,植被-土壤系统是一个复杂的非朗伯体系，其反射率是太阳方向、传感器方向、自身结构参数（LAI、LAD等）、光学参数（叶片反射率与透过率、土壤发射率等）等因子的函数，不同种类、不同发育期会有所变化，而且有些参数难以获得。此外，由于自然状况（风、病虫害）和人为状况的影响，各通道反射率也会发生变化，造成判读困难。 当采用多波段时，可以通过比值或差值形式，部分消除某些参
5、数（如LAD）在各波段上产生的同步影响。,(2) 传感器测量的是来自目标的辐射亮度值，当辐射环境发生变化时（如大气透明度变化造成太阳直射和天空光变化，地形地貌也会影响辐射环境），接收的目标亮度会发生变化，难以作为判读的依据。但植被指数可以部分消除这一影响。,其中S、F分别为太阳光谱和传感器响应函数，则有：,B受辐射环境变化的影响比单一波段要小得多。,6.1 植被遥感模型,6.1.1 植被指数分类 6.1.2 土壤背景影响与消除 6.1.3 混合象元模型 6.1.4 冠层反射率模型辐射传输模型,NDVI中的土壤背景影响,假设存在土壤线（斜率M，截距I）： Rs,ir = MRs,r + I 回忆
6、：,对于裸露土壤： 如假设 I=0，则NDVI=(M-1)/(M+1)，不等于0； 如 I0，则NDVI=(M-1)Rs,r+I/M+1)Rs,r+I，不仅不等于0，而且与土壤辐射亮度有关。 所以NDVI受土壤影响较大。同时由于NDVI饱和值很低（LAIMAX2-3）、非朗伯特性显著、大气影响较大，因此NDVI不是一个好的植被指数形式。,6.1.2 土壤背景影响与消除,NDVI指数的一个假设是研究区域内的所有土壤类型都是相同的，而建筑用地及盐碱地与有植被覆盖的土地类型受土地背景影响严重，就不能单一的应用NDVI指数进行区分。Huete提出了土壤调节植被指数SAVI，引入了土壤调节因子l，使无论
7、深色或浅色土壤背景中求得的植被指数都完全相等，从而消除了土壤背景的干扰。SAVI指数计算公式为：,公式中，l即为土壤调节因子，其值介于01之间。“0”和“1”分别代表植被覆盖率极高和极低的两种极端情况。通常选择0.5可以较好地减弱土壤的背景差异，减弱土壤的噪声影响。由于引入了土壤调节因子，SAVI适用于城区的提取。,6.1.2 土壤背景影响与消除,NDVI,RVI,6.1 植被遥感模型,6.1.1 植被指数分类 6.1.2 土壤背景影响与消除 6.1.3 混合象元模型 6.1.4 冠层反射率模型辐射传输模型,6.1.3 混合象元模型,混合象元 (mixed pixel),象元中存在多于 1 种
8、地物时，称其为“混合象元”。与此相对应，只包括 1种地物的象元为“纯象元” (pure pixel)。 事实上，遥感图象中，尤其是低空间分辨率的图象中，各个象元通常都包括多种地物。 尽管不同的自然地物有其不同的波谱、时间、角度等特征，但是遥感记录的象元只有单一的波谱、时间、角度等特征，即混杂后的特征。它给遥感解译造成困扰。,1km*1km方框 (相当于NOAA -AVHRR象元),北京城郊Landsat-TM图象(分辨率30m),从左图可以看出来，1个AVHRR象元中存在多种地物，如小麦、村庄、裸地、水体、道路等，即混合象元。该象元反射率不同于任一单纯地物的反射率。,同物异谱、异物同谱,端元
9、(endmember),如果用混合象元进行判读，会造成很大误差。通常需要对混合象元进行分解，分析混合象元中存在的地物种类及其所占比例。 分解混合象元时，被分解出来的成分称为端元。每个端元通常对应一种地物。 端元常被认为组成混合象元的最基本的成分；在混合象元模型中，端元是不能再分的。,6.1.3 混合象元模型,我们可以认为一个混合象元由植被、裸地、水体组成，此时端元就是植被、裸地和水体。 如果我们需要在植被中区分小麦和林地，在裸地中区分村庄和撂荒地，则此时我们认为一个混合象元由小麦、林地、村庄、撂荒地和水体等端元组成。 端元的个数完全根据实际需要、遥感数据（多维）信息量、以及端元之间的差异而确定
10、。,6.1.3 混合象元模型,子象元 (sub-pixel),当我们描述混合象元内部某种地物时，也常称其为子象元。子象元，顾名思义，就是指尺度小于一个象元，而我们又希望予以关注的地物。 象元是我们可以判读遥感图像的最基本单元，也就是说，当地物小于 1 个象元时，通常是不能被判读出来的，这时，需要我们进行象元分解。,6.1.3 混合象元模型,总之： 当我们关注象元时，我们用混合象元或纯象元等名词。 当我们关注象元内部时，我们用端元或子象元等名词。通常，端元的含义与子象元的含义相同。 混合象元分解也称为子象元分解，主要目的就是为了求算各子象元（端元）所占的面积（比例）。当然，子象元（端元）的精确位
11、置是无法通过分解确定的。,6.1.3 混合象元模型,混合象元 模型,混合象元模型的公式可以表示为，象元反射率是所组成端元的反射率、各端元所占面积比例、以及其它参数的函数，即：, = F (1, a1, 2, a2, , n, an, X),其中 j=1,n 表示端元序号，为反射率，a为面积比例，X表示其它各种参数（可能不止1个）。,6.1.3 混合象元模型,混合象元模型有很多类型。其中最早使用、最简单、目前还常被使用的是线性模型。 以下，我们将主要介绍线性模型。,6.1.3 混合象元模型,只考虑 2个端元的线性模型,考虑 1个混合象元中只存在植被和裸土，此时混合象元的反射率为：, = vav
12、+ sas,其中， 为反射率，a为面积比例，下标v代表植被，下标s代表裸土。,6.1.3 混合象元模型,注意到：, = vav + s (1 - av),av + as = 1,则此时上式可以写为：,如果我们已经知道了植被反射率v，以及裸土反射率s ，则通过探测到的象元反射率，即可反演出植被所占面积比例av，进而根据象元面积，得出植被面积。裸土的面积比例也可通过1 - av获得。,6.1.3 混合象元模型,考虑 3个端元的线性模型,考虑 1个混合象元中存在植被、裸土和水体，此时混合象元的反射率为：, = vav + sas + waw,其中， 为反射率，a为面积比例，下标v代表植被，下标s代表
13、裸土，下标w代表水体。,6.1.3 混合象元模型,注意到：, = vav + sas + w (1 av - as),av + as + aw = 1,则此时上式可以写为：,如果我们已经知道了各端元的反射率v、s 、w，也知道探测到的象元反射率，但由于该式有 2个未知数，av与as，仍无法求解。此时，必须引入更多的遥感信息，以构成至少由 2个非同构方程组成的方程组，才可以求解。,6.1.3 混合象元模型,我们可以获取 2个波段（如红波段和近红外波段）的遥感数据，以构成方程组：,上述方程组有 2个方程， 2个未知数，可以求解出我们所需要的av、as 、aw。 同样地，我们也可以选取 2个时相的遥
14、感数据，构成上述方程组，进行求解。只要端元的反射率有不同的变化（以避免方程同构）即可。,面积不变，反射率变,6.1.3 混合象元模型,考虑 n个端元的线性模型,结合上述模型分析，我们可以概括出包括 n个端元的混合象元在第 i个波段或时相的反射率为：,其中， 为反射率，a为面积比例，下标 j代表第 j个端元。并有：,6.1.3 混合象元模型,其中|、|e|均为m行的单列矩阵，|为m行n列矩阵，|a|为n行单列矩阵。 模型反演就是求解方程组的过程，有很多种解法，这里就不列举了。,6.1.3 混合象元模型,如果可虑误差项，则混合象元反射率可以写为：,其中e为遥感数据的误差项。由此我们可以列出由m个波
15、段或时相数据构成的方程组，并用矩阵表示：,上式各项具体矩阵表达式如何,方程数多于未知数时，可以进一步提高反演精度。,要保证上式能反演，未知数的个数要小于等于独立方程的个数，注意到面积比例和为1，增加了 1个方程，则首要的反演条件为：,n m+1,其次，端元所占面积比例在所采用的数据集中不能有变化。,6.1.3 混合象元模型,反演的精度取决于：象元反射率与端元反射率的精度。 其次，遥感数据集的选取也很重要。端元的反射率在不同数据中差别越大，反演越精确。 模型中的误差项主要是由于遥感数据误差、混合象元中其它端元的贡献、以及其它随机误差引起的。,6.1.3 混合象元模型,6.1 植被遥感模型,6.1
16、.1 植被指数分类 6.1.2 土壤背景影响与消除 6.1.3 混合象元模型 6.1.4 冠层反射率模型辐射传输模型,我们如何定量地研究植被覆盖区域的反射特征？,植被遥感中，从一开始就被普遍认同和采用的方法是，利用植被反射光谱在可见光和近红外波段上明显的不同，构建遥感植被指数，在研究纠正植被形态、土壤光学特性、太阳位置以及云和大气等影响的基础上，反演地表状况，用以与各种植被变量（包括LAI）、植株生物量、植被覆盖度、光合组织总量、光合有效辐射和初级生产力等因子进行相关。这种方法抓住了植被的光谱特征，简单而明确，具有很强的实用性，易于为大多数研究者所接受。目前开展的大部分植被遥感的研究工作都是从这方面展开的。,6.1.4 冠层反射率模型辐射传输模型,但是不可否认的是，遥感也象其它学科一样，经历着从简单到复杂、从定性到定量的发展过程和发展趋势，尤其是作为一门新兴学科，更是如此。以植被指数、光谱-地物相关方法为代表的工作是在实验数据和感官经验
