植被指数及其应用

《植被指数及其应用》由会员分享，可在线阅读，更多相关《植被指数及其应用（42页珍藏版）》请在金锄头文库上搜索。

1、第七章 植被遥感,第四节 植被指数 (Vegetation Index)及其应用,7.4.1 植被指数综述 7.4.2 植被指数分类 7.4.3 土壤背景影响与消除 7.4.4 大气影响与消除 7.4.5 植被指数应用,Global Vegetation Index from MODIS,1）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）。,对于遥感数据的信息来讲，很难对其

2、进行分解，从而得到有用的一些参数 ，而植被指数恰好能应用于大范围的植被覆盖定性研究。 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。当我们观察植被的反射率曲线 时，红与红外区间反射率的差异会由于绿色植被 的不同覆盖而变化。使用这两个波段信息的组合 能够区分植被与土壤，以及测量不同植被覆盖度 下的光合有效生物量。,2）植被指数的基本原理,3）应用植被指数提取植被信息比单通道值准确可靠,（a） 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

3、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，部分消除某些参数（如LAD）在各波段上产生的同步影响。,（b） 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

4、多。,第七章 植被遥感,第四节 植被指数 (Vegetation Index)及其应用,7.4.1 植被指数综述 7.4.2 植被指数分类 7.4.3 土壤背景影响与消除 7.4.4 大气影响与消除 7.4.5 植被指数应用,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。 RVI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,7.4.2 植被指数分类,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

5、A点到土壤线的垂直距离。,何为土壤线？植被、水体的坐标分布？,土壤线 Kauth 和 Thomas (1976) 基于Landsat-MSS的4个波段数据，在四维空间中分析了裸露土壤光谱的变化情况。他们认为裸露土壤信号的变化都应该归结为其亮度的变化而造成的，因为大部分的土壤光谱数据都位于从原点出发的一条直线线上。这条直线被称为“土壤线”或“土壤亮度向量”。 Richardson 和 Wiegand (1977) 的研究表明，在红、近红外空间中，土壤像元会沿一条直线排列。这个发现导致了“土壤背景线” （Soil Background Line，SBL）的产生。基于SBL的指数同样也能区分土壤和植

6、被。 SBL可以使用下面的公式表示： NIR = aR+b 这里，a是土壤线的斜率， b是土壤线在原点时的纵坐标。,A Review of Vegetation Indices,第七章 植被遥感,第四节 植被指数 (Vegetation Index)及其应用,7.4.1 植被指数综述 7.4.2 植被指数分类 7.4.3 土壤背景影响与消除 7.4.4 大气影响与消除 7.4.5 植被指数应用,假设存在土壤线（斜率M，截距I）： Rs,ir = MRs,r + I 回忆：,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+

7、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。,什么情况下裸露土壤的NDVI=0？,7.4.3 土壤背景影响与消除,为了解释背景的光学特征变化并修正NDVI对土壤背景的敏感，Huete等（1998）提出了可适当描述土壤-植被系统的简单模型，即土壤调整植被指数（SAVI-Soil Adjusted Vegetation Index），其表达式为：,其中，L是一个土壤调节系数。 大量试验证明，SAVI降低了土壤背景的影响，改善了植被指

8、数与叶面积指数LAI的线性关系。但可能丢失部分植被信息，使植被指数偏低。一般来说，SAVI仅在土壤线参数a1，b0时适用。,Baret和Guyot（1991）提出植被指数应该依特殊的土壤线特征来校正，以避免其在低LAI值时出现的错误。为此，他们又提出了转换型土壤调整指数（TSAVI），表示为：,TSAVI是对SAVI的改进，它着眼于土壤线实际的a和b，而不是假设它们为1和0。 为了减少SAVI中裸露土壤的影响，Qi等（1994）发展了修改型土壤调整植被指数（MSAVI），表示为：,第七章 植被遥感,第四节 植被指数 (Vegetation Index)及其应用,7.4.1 植被指数综述 7.4

9、.2 植被指数分类 7.4.3 土壤背景影响与消除 7.4.4 大气影响与消除 7.4.5 植被指数应用,大气对组成植被指数的红、近红外波段有不同的衰减系数。大气的吸收和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，其它指数位于上述两者之间。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。这些影响限制了对植被

10、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正。,7.4.4 大气影响与消除,Kanfman等（1992）提出了大气阻抗植被指数（ARVI-atmospherically resistant vegetation index），即利用可见光的蓝光（B）和红光（R）对大气响应的差异，用红蓝波段组合替代了NDVI的红波段，以减少植被指数对大气性质的依赖。ARVI可表示为：,其中，gamma为光学路径效应因子，通常取1.0。,ARVI减小了大气气溶胶引起的大气散射对红波段的

11、影响，减小了植被指数因大气条件变化而引起的变化。通过使用大气辐射传输模型模拟表明，ARVI对大气的敏感性比NDVI小4倍。Pinty和Verstraete（1992）针对大气效应，对AVHRR数据进行了自纠正处理，提出了一个NIR和R波段反射率的非线性组合指数全球环境监测指数（GEMI），这一指数使AVHRR数据的大气效应达到最小，却保留了植被覆盖的信息。GEMI可表示为：,应该说明的是，叶冠背景对植被指数的影响也与大气有关。研究表明，随着大气气溶胶的增加，背景值对植被指数的影响减小。Liu和Huete（1995）发展了“改进型土壤大气修正植被指数（EVI）”将背景调整和大气修正结合起来。EV

12、I被简化为：,EVI = 2.5*(NIR - Red) / (NIR + 6*Red - 7.5*Blue - 1),L为背景（土壤）调整系数，C1，C2为拟合系数。,MODIS算法中使用：,第七章 植被遥感,第四节 植被指数 (Vegetation Index)及其应用,7.4.1 植被指数综述 7.4.2 植被指数分类 7.4.3 土壤背景影响与消除 7.4.4 大气影响与消除 7.4.5 植被指数应用,Leaf area index (LAI) is ratio of the total area of all leaves on a plant to the area of grou

13、nd covered by the plant.,叶面积指数（LAI）是指每单位地表面积的叶面积比例。它对植物光合作用和能量传输是十分有意义的。绿色植物的叶子是它进行光合作用的基本器官，叶片的叶绿素在光照条件下发生光合作用，产生植物干物质积累，并使叶面积增大。叶面积越大则光合作用越强；而光合作用越强，又使植物群体的叶面积越大，植物干物质积累越多，生物量越大。 叶面积指数是利用遥感技术监测植被长势和估算产量的关键参数。叶面积指数LAI往往是难以直接从遥感数据获得，但是它与遥感参数植被指数间有密切的关系，它是联系植被指数与植物光合作用的一个主要的植冠形态参数，可以通过大量的理论和实验研究，建立各种

14、相关的理论和经验统计模型。,叶面积指数（LAI）计算,冠层反射率模型中的LAI,如果把Boolean原理应用到植被-土壤体系所构成的混合象元，则有：,其中R,v,为植被冠层十分浓密（把土壤背景全部覆盖掉），或者说植被层厚为无限深时的植被冠层反射率因子，Rs,为土壤背景的双向反射率因子，k 为消光系数，是0、LAD等参数的函数。,PVI与LAI关系,假设存在土壤线（斜率M，截距I）：,注意到存在： ，以及：,Rs,ir = MRs,r + I,若假定kir=kr=k，I=0，则有：,因此PVI与LAI成指数型函数关系，与植被反射率成线性关系，与土壤背景信息无关（假设kir=kr）。,RVI与LA

15、I关系,由于Rv,r值很小，所以：,当LAI取小值时，可进一步近似：,植被指数与LAI之间的相关系数非常高，且与LAI呈非线性函数关系。,或者表示为：,其中，A是由植物本身的光谱反射确定的；B与叶倾角、观测角有关；C值取决于叶子对辐射的衰减。A、B通常接近于1，对于小麦，叶角为球形分布，C通常取0.5。,叶绿素含量反演,叶子生长初期，叶绿素含量与辐射能吸收间几乎直线相关，即叶绿素含量增多，蓝、红波段吸收增强，绿波段反射率降低，近红外反射率增强，植被指数增大；但当叶绿素含量增加到一定程度以后，吸收率接近于饱和，反射率变化小，植被指数的差异不明显，因而植物在生长旺季较难区分。 不同作物由于植物土壤

16、比例的差异，其表达叶绿素含量的光谱模型是不同的。,植被覆盖度计算,植被覆盖度（f）指植被冠层的垂直投影面积与土壤总面积之比，即植土比。 传感器所测得的反射辐射R可表示为：,实际上，植土比（f）和叶面积指数（LAI）同时随时间、空间而变化，因此，需综合考虑植被指数与两者的关系。根据理论推导，RVI、NDVI与植土比分别呈指数和幂函数的关系，当LAI较小时，它们与植土比的变化反应不敏感。PVI与植土比呈直线相关，但对植土比的感应能力随LAI减小而降低。就作物估产而言，PVI较为优越，但应选择LAI较大的时期。 研究表明，由于健康绿色植物吸收短波红外辐射，具有较高的湿度值，对于所有土壤背景，绿色植被覆盖度随湿度值（WI）的增大而增大，对于干燥土壤增加尤其明显。因此，选用穗帽变换的亮度分量（BI）或湿度（WI）来估计植被覆盖度比绿度（GVI）更好。,生物量（bio