植被覆盖 植被指数 植被光谱

ENVI下植被覆盖度的遥感估算

ENVI下植被覆盖度的遥感估算 植被覆盖度是指植被（包括叶、茎、枝）在地面的垂直投影面积占统计区总面积的百分比。容易与植被覆盖度混淆的概念是植被盖度，植被盖度是指植被冠层或叶面在地面的垂直投影面积占植被区总面积的比例。两个概念主要区别就是分母不一样。植被覆盖度常用于植被变化、生态环境研究、水土保持、气候等方面。 植被覆盖度的测量可分为地面测量和遥感估算两种方法。地面测量常用于田间尺度，遥感估算常用于区域尺度。目前已经发展了很多利用遥感测量植被覆盖度的方法，较为实用的方法是利用植被指数近似估算植被覆盖度，常用的植被指数为NDVI。 估算模型 目前已经发展了很多利用遥感测量植被覆盖度的方法，较为实用的方法是利用植被指数近似估算植被覆盖度，常用的植被指数为NDVI。下面是李苗苗等在 像元二分模型的基础上研究的模型： VFC = (NDVI - NDVIsoil)/ ( NDVIveg - NDVIsoil) （1） 其中, NDVIsoil 为完全是裸土或无植被覆盖区域的NDVI值，NDVIveg 则代表完全被植被所覆盖的像元的NDVI值，即纯植被像元的NDVI值。两个值的计算公式为： NDVIsoil=（VFCmax*NDVImin- VFCmin*NDVImax）/( VFCmax- VFCmin) （2） NDVIveg=（(1-VFCmin)*NDVImax- (1-VFCmax)*NDVImin）/( VFCmax- VFCmin) （3） 利用这个模型计算植被覆盖度的关键是计算NDVIsoil和NDVIveg。这里有两种假设： 1）当区域内可以近似取VFCmax=100%，VFCmin=0%。 公式（1）可变为： VFC = (NDVI - NDVImin)/ ( NDVImax - NDVImin) （4） NDVImax 和NDVImin分别为区域内最大和最小的NDVI值。由于不可避免存在噪声，NDVImax 和NDVImin一般取一定置信度范围内的最大值与最小值，置信度的取值主要根据图像实际情况来定。 2）当区域内不能近似取VFCmax=100%，VFCmin=0%

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 ）

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

基于GIS的ndvi植被覆盖度的估算

1.绪论 1.1 课题研究的目的与意义 植被，包括森林、灌丛、草地和农作物，既是生态系统的主要组成部分，也是生态系统存在的基础，具有截流降雨、减缓径流、防沙治沙、保持水土等功能，联结着土壤、大气和水分等自然过程，在陆地表面的能量交换、生物地球化学循环和水文循环等过程中扮演着重要角色，是全球变化研究中的“指示器”[1]。植被根据生态系统中水、气等的状况，调控其内部与外部的物质、能量交换。植被覆盖与气候因子关系极为密切，研究植被覆盖变化 对气候的影响是气候变化研究的主要内容之一，它影响着土壤湿度、地表温度和地表能量与水的循环(李苗苗，2004)。

植被覆盖度(vegetation fractional cover，简称FC)是指植被(包括叶、茎、枝)在地面的垂直投影面积占统计区总面积的百分比[2]。它是植被对地面的垂直投影比例， 对于山坡进行植被覆盖度测量时，应该采用垂直于坡面的角度。植被覆盖度具有强烈的尺度效应，同一片植被，因被纳入统计的范围不同而表现为不同的植被覆盖度。如一个地区的植被覆盖度很高，但平均到全国水平就大大降低了[3]。植被覆盖度在提示地表植被分布规律, 探讨植被分布影响因子, 分析评价区域生态环境, 及时准确地掌握其动态变化, 分析其发展趋势对维护区域生态平衡等方面都具有重要意义。[4]而城市植被则是城市生态系统重要的还原组织和最重要的元素,对于保护城市生态环境具有不可忽视的作用[5] ,如有效缓解城市

“热岛效应”,改善城市区域小气候[5～7] 等。 城市化的迅速推进，带来了多样化的生态足迹，植被覆盖度，土壤污染率，地表侵蚀率，逐渐成为生态研究的热点，也成为环境保护的重点。借助于高速发展的RS与GIS技术来进行植被覆盖度的估算，将是当前环境监测的必要步骤。 徐州是由矿区发展起来的城市，由于长期开采矿产，导致了一系列严重的生态问题，如塌陷地广布，植被破坏率严重，土地侵蚀率增大，等。在此背景下，研究徐州市整体的土地覆盖情况，即是现实需要，也是未来生态城市规划的重要步骤。研究的最终结果也会给徐州市的城市规划提供信息支持与技术保障。 1.2 国内外植被覆盖度研究现状 由于植被覆盖度是许多学科的重要参数，为

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。

植被覆盖度反演

题目：植被遥感监测具有很长的历史，植被遥感中植被覆盖反演是主要内容之一，线性分解模型是混合像元分解法的一种，根据混合像元分解及线性分解模型的原理，利用红碱淖2016年6月17日Landsat8 OLI数据，求取研究区植被覆盖度（写出详细计算过程和步骤）。 一、操作思路： 端元代表影像中的纯净像元，求取植被覆盖度即求取端元的丰度，因此采用混合像元分解及线性分解模型进行混合像元分解，得到端元以及相应的丰度影像，即为植被覆盖度影像。 二、操作步骤： 1.影像预处理 由于操作时间的限制和硬件设备的不允许，将影像选取一定的区域进行裁剪，感兴趣区域为roi1文件，得到裁剪后影像2016new文件，导入影像，进行影像的预处理，包括辐射定标和大气校正步骤，辐射定标采用Radiometric Calibration 工具，大气校正采用FLAASH工具，分别得到辐射定标结果2016_rad1和2016_ref 文件。 2.MNF变换 采用MNF变换工具，可将数据波段进行“降维”，提取出有用信息集中的波段，去除噪声信息集中的波段，利用Forward MNF Estimate Noise Statistic将数据进行MNF变换，得到MNF变换结果2016_MNF和噪声文件MNF_Noise和统计文件MNF_Statistic文件。 3.PPI变换 纯净像元指数法指像元被标记为纯净像元的次数，可以将混合像元进行分解，有效的提取出端元。 由于操作时间的限制和硬件设备的不允许，将MNF变换后影像与原影像选取一定的同样区域进行裁剪，感兴趣区域选择ROI2文件，得到裁剪结果为2016_MNF_sub和2016new_sub文件。 在MNF变换后发现有用信息集中在1、2、3波段，因此利用Pixel Purity Index 工具，将MNF变换后影像选择1、2、3波段进行端元提取，阈值设为3.00，操作的结果为2016_PPI文件。 4.N维可视化 利用N维可视化工具可以将端元更好的显示，有利于更加直观的确定端元，在N维可视化窗口中，选中1、2、3波段，在显示窗口中将较为集中的区域定为端元，进行类（class）的划定，一共确定三类，利用mean all工具将三类端元的波谱显示出来，并保存为波谱库2016_sli文件。 5.端元识别

植物反射波谱特征

健康的绿色植被的光谱反射特征 地面植物具有明显的光谱反射特征,不同于土壤、水体与其她的典型地物,植被对电磁波的响应就是由其化学特征与形态学特征决定的,这种特征与植被的发育、健康状况以及生长条件密切相关。 在可见光波段内,各种色素就是支配植物光谱响应的主要因素,其中叶绿素所起的作用最为重要。健康的绿色植被,其光谱反射曲线几乎总就是呈现“峰与谷”的图形,可见光谱内的谷就是由植物叶子内的色素引起的。 例如叶绿素强烈吸收波谱段中心约0、45um与0、67um(常称这个谱带为叶绿素吸收带)的能量。植物叶子强烈吸收蓝区与红区的能量,而强烈反射绿区能量,因此肉眼觉得健康的植被呈绿色。除此之外,叶红素与叶黄素在0、45um(蓝色)附近有一个吸收带,但就是由于叶绿素的吸收带也在这个区域内,所以这两种黄色色素光谱响应模式中起主导作用。 如果植物受到某种形式的抑制而中断了正常的生长发育,它会减少甚至停止叶绿素的产生。这将导致叶绿素的蓝区与红区吸收带减弱,常使红波段反射率增强,以至于我们可以瞧到植物变黄(绿色与红色合成)。 从可见光区到大约0、7um的近红外光谱区,可瞧到健康植被的反射率急剧上升。在0、7-1、3um区间,植物的反射率主要来自植物叶子内部结构。 健康绿色植物在0、7-1、3um间,的光谱特征的反射率高达(45%-50%),透过率高达(45%-50%),吸收率低至(<5%)。植物叶子一般可反射入射能量的 40%-50%,其余能量大部分透射过去,因为在这一光谱区植物叶子对入射能量的吸收最少(一般少于5%)。 在光谱的近红外波段,植被的光谱特性主要受植物叶子内部构造的控制。在可见光波段与近红外波段之间,即大约0、76um附近,反射率急剧上升,形成“红边”现象,这就是植物曲线的最为明显的特征,就是研究的重点光谱区域。 许多种类的植物在可见光波段差异小,但近红外波段的反射率差异明显。同时,与单片叶子相比,多片叶子能够在光谱的近红外波段产生更高的反射率(高达85%),这就是因为附加反射率的原因,因为辐射能量透过最上层的叶子后,将被第二层的叶子反射,结果在形式上增强了第一层叶子的反射能量。

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

高光谱遥感及其发展与应用综述

高光谱遥感及其发展与应用综述 摘要：高光谱遥感是20世纪80年代兴起的新型对地观测技术。文中归纳了高光谱遥感技术波段多、波段宽度窄，光谱分辨率高，数据量大、信息冗余，“图谱合一”等特点，具有近似连续的地物光谱信息、地表覆盖的识别能力极大提高、地形要素分类识别方法灵活多样、地形要素的定量或半定量分类识别成为可能等优势，简单介绍了高光谱遥感在国外及国内的发展情况。在此基础上，概述了高光谱遥感在地质矿产、植被生态、大气科学、海洋、农业等领域的应用。 关键词：高光谱遥感；发展；应用 1高光谱遥感 高光谱分辨率遥感是指利用很多很窄的电磁波波段从感兴趣的物体获取有关数据。它的基础是测谱学。测谱学早在20世纪初就被用于识别分子和原子及其结构，20世纪80年代才开始建立成像光谱学。它是在电磁波谱的紫外、可见光、近红外和中红外区域，获取许多非常窄且光谱连续的图像数据的技术。成像光谱仪为每个象元提供数十至数百个窄波段光谱信息，能产生一条完整而连续的光谱曲线。 1.1高光谱遥感的特点 （1）波段多，波段宽度窄。成像光谱仪在可见光和近红外光谱区内有数十甚至数百个波段。与传统的遥感相比，高光谱分辨率的成像光谱仪为每一个成像象元提供很窄的(一般<10nm) 成像波段，波段数与多光谱遥感相比大大增多，在可见光和近红外波段可达几十到几百个，且在某个光谱区间是连续分布的，这不只是简单的数量的增加，而是有关地物光谱空间信息量的增加。 （2）光谱响应范围广，光谱分辨率高。成像光谱仪响应的电磁波长从可见光延伸到近红外，甚至到中红外。成像光谱仪采样的间隔小，光谱分辨率达到纳米级，一般为10nm左右。精细的光谱分辨率反映了地物光谱的细微特征。 （3）可提供空间域信息和光谱域信息，即“谱像合一”，并且由成像光谱仪得到的光谱曲线可以与地面实测的同类地物光谱曲线相类比。在成像高光谱遥感中，以波长为横轴，灰度值为纵轴建立坐标系，可以使高光谱图像中的每一个像元在各通道的灰度值都能产生1 条完整、连续的光谱曲线，即所谓的“谱像合一”。（4）数据量大，信息冗余多。高光谱数据的波段众多，其数据量巨大，而且由于相邻波段的相关性高，信息冗余度增加。 （5）数据描述模型多，分析更加灵活。高光谱影像通常有三种描述模型：图像模型、光谱模型与特征模型。 1.2高光谱的优势 高光谱遥感的光谱分辨率的提高，使地物目标的属性信息探测能力有所增强。因此，较之全色和多光谱遥感，高光谱遥感有以下显著优势: (1)蕴含着近似连续的地物光谱信息。高光谱影像经过光谱反射率重建，能获取

ENVI下植被覆盖度的估算

ENVI下植被覆盖度的遥感估算 2013-05-30 | 阅：1 转：17 | 分享 修改 植被覆盖度是指植被（包括叶、茎、枝）在地面的垂直投影面积占统计区总面积的百分比。容易与植被覆盖度混淆的概念是植被盖度，植被盖度是指植被冠层或叶面在地面的垂直投影面积占植被区总面积的比例。两个概念主要区别就是分母不一样。植被覆盖度常用于植被变化、生态环境研究、水土保持、气候等方面。 植被覆盖度的测量可分为地面测量和遥感估算两种方法。地面测量常用于田间尺度，遥感估算常用于区域尺度。 估算模型 目前已经发展了很多利用遥感测量植被覆盖度的方法，较为实用的方法是利用植被指数近似估算植被覆盖度，常用的植被指数为NDVI。下面是李苗苗等在像元二分模型的基础上研究 的模型： VFC = (NDVI - NDVIsoil)/ ( NDVIveg - NDVIsoil) （1） 其中, NDVIsoil 为完全是裸土或无植被覆盖区域的NDVI值，NDVIveg 则代表完全被植被所覆盖的像元的NDVI值，即纯植被像元的NDVI值。两个值的计算公式为： NDVIsoil=（VFCmax*NDVImin- VFCmin*NDVImax）/( VFCmax- VFCmin) （2） NDVIveg=（(1-VFCmin)*NDVImax- (1-VFCmax)*NDVImin）/( VFCmax- VFCmin) （3） 利用这个模型计算植被覆盖度的关键是计算NDVIsoil和NDVIveg。这里有两种假设： 1）当区域内可以近似取VFCmax=100%，VFCmin=0%。 公式（1）可变为： VFC = (NDVI - NDVImin)/ ( NDVImax - NDVImin) （4） NDVImax 和NDVImin分别为区域内最大和最小的NDVI值。由于不可避免存在噪声，NDVImax 和NDVImin一般取一定置信度范围内的最大值与最小值，置信度的取值主要根据图 像实际情况来定。 2）当区域内不能近似取VFCmax=100%，VFCmin=0% 当有实测数据的情况下，取实测数据中的植被覆盖度的最大值和最小值作为VFCmax和VFCmin，这两个实测数据对应图像的NDVI作为NDVImax 和NDVImin。 当没有实测数据的情况下，取一定置信度范围内的NDVImax 和NDVImin。VFCmax和

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。

从高光谱遥感影像提取植被信息解析

第33卷第3期 2008年5月 测绘科学 Sc i ence o f Survey ing and M app i ng V o l 33N o 3 M ay 作者简介:温兴平(1970- , 男, 山西兴县人, 在读博士, 高级工程师, 研究方向为定量遥感、遥感影像的大气校正。E -m a i:l w fxyp @sohu co m 收稿日期:2007-01-22 基金项目:本研究由国土资源大调查

(从高光谱遥感影像提取植被信息 温兴平 , 胡光道 , 杨晓峰 ( 中国地质大学数学地质遥感地质研究所, 武汉 430074; 地质过程与矿产资源国家 重点实验室, 武汉 430074; 南京信息工程大学环境科学与工程学院, 南京210044 摘要遥感可以快速有效地监测大面积植被的种类、特性、长势等各类信息。高光谱遥感数据因其特有的高 光谱分辨率特性使其在植被生态环境领域具有极大的应用潜力。植被信息作为生态环境评价的重要参数对区域生态环境的监测和建设具有重要的意义。本文基于云南省鹤庆县北衙的高光谱遥感数据用SAM 方法对植被信息进行了提取, 参考光谱使用ASD 光谱辐射仪采集的植被光谱曲线。文中对高光谱遥感影像的辐射定标和大气校正进行了研究, 针对影响光谱辐射仪采集的主要因素采取了相应的措施, 并对光谱曲线分类及参考光谱曲线的选取进行了研究。将选取出的参考光谱曲线与大气校正后的遥感影像进行S AM 匹配提取出植被信息, 经过与实地调查资料比较并计算总体精度和kappa 系数, 计算结果达到预期精度。最后将分类结果转换为矢量图, 经过投影转换为大地坐标后制作出北衙植被分布图。 关键词高光谱遥感; 植被信息; SAM; 提取 中图分类号 TP75 文献标识码 A 文章编号 1009-2307(2008 03-0066-03DO I :10 3771/j issn 1009-2307 2008 03 022 1 引言

植被覆盖度计算经验教程

ENVI5.1（5.0版本以上）计算植被覆盖度 1.加载用矢量边界裁剪过的ROI（经几何校正-辐射校正处理） 2.计算NDVI，利用ENVI5.1 Toolbox 提供的搜索功能查找NDVI模块，然 后进行NDVI计算。本例中影像数据为landsat8 影像，因此Input File Type 选项为Landsat OLI，红色波段为4，近红外为5（TM和ETM+影像的NDVI Band：Red 3 Near IR 4）

3.对计算的NDVI进行DN二值化处理，选择Toolbox 中的Band Ratio/Band Math模块，在band math 对话框中进行参数设置。首先，在Enter an expression 对话框下输入NDVI二值化公式： ((b1 lt -1)*0+((b1 ge -1) and (b1 le 1))*b1+(b1 gt 1)*1) （切记，括号为英文半角），然后单击Add to List，将波段运算表达式添加至Previous Band Math Expressions 对话框，然后OK。在新弹出的Variables to Bands Parings 对话框Avilable Bands List 对话框中选择上一步计算的NDVI，然后输出至特定位置（切记，如果电脑内存不足2G，请输出结果为File）。

4.对二值化的NDVI进行概率统计。选择Toolbox 中Statistics/Compute Statistics模块，选择二值化处理的结果（本例中，NDVI_20131119为计算得到的NDVI结果，NDVI为二值化后的结果），同时在Mask Options 下拉菜单中选择Build Mask..选项，在弹出的Mask Definition对话框中选择Import EVFs选项，创建一个mask。然后查看统计结果。详细理论请参考https://www.wendangku.net/doc/1a1325932.html,/s/blog_764b1e9d0100u29i.html

AVIRIS高光谱遥感数据的植被信息提取

A VIRIS高光谱遥感数据的植被信息提取 摘要：以ＭｏｆｆｅｔｔＦｉｅｌｄ的ＡＶＩＲＩＳ高光谱遥感影像为对象，应用基于信息量的自适应波段选择方法实现植被信息提取的最优波段组合，在此基础上采用监督分类为主、目视解译为辅的信息提取方法，在ＥＮＶＩ和ＥＲＤＡＳ遥感图像处理软件中进行分析与处理，实现植被信息提取。结果表明，与多光谱遥感数据相比，高光谱遥感数据具有更强的植被信息识别能力，提取的植被信息更丰富。 关键词：高光谱；遥感；植被；信息提取 Ａｂｓｔｒａｃｔ：ＴｈｅｖｅｇｅｔａｔｉｏｎｉｎｆｏｒｍａｔｉｏｎｏｆＭｏｆｆｅｔｔＦｉｅｌｄｗａｓｅｘｔｒａｃｔｅｄｂａｓｅｄｏｎｔｈｅＡＶＩＲＩＳｈｙｐｅｒｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｄａｔａ．Ｆｉｒｓｔｏｆａｌｌ，ｔｈｅｏｐｔｉｍａｌｂａｎｄｃｏｍｂｉｎａｔｉｏｎｏｆｈｙｐｅｒｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｆｏｒｖｅｇｅｔａｔｉｏｎｉｎｆｏｒｍａｔｉｏｎｅｘｔｒａｃｔｉｏｎｗａｓｏｂｔａｉｎｅｄｔｈｒｏｕｇｈａｄａｐｔｉｖｅｂａｎｄｓｅｌｅｃｔｉｏｎｂａｓｅｄｏｎｔｈｅｉｎｆｏｒｍａｔｉｏｎｑｕａｎｔｉｔｙ．Ｓｅｃｏｎｄｌｙ，ｔｈｅｖｅｇｅｔａｔｉｏｎｉｎｆｏｒｍａｔｉｏｎｗａｓｅｘｔｒａｃｔｅｄｍａｉｎｌｙthrough ｓｕｐｅｒｖｉｓｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎｗｉｔｈｔｈｅａｓｓｉｓｔａｎｃｅｏｆｖｉｓｕａｌｉｎｔｅｒｐｒｅｔａｔｉｏｎｂｙｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｐｒｏｃｅｓｓｉｎｇｓｏｆｔｗａｒｅＥＮＶＩａｎｄＥＲＤＡＳ．Ｔｈｅｒｅｓｕｌｔｓｈｏｗｅｄｔｈａｔｔｈｅｖｅｇｅｔａｔｉｏｎｉｎｆｏｒｍａｔｉｏｎｒｅｃｏｇｎｉｔｉｏｎａｂｉｌｉｔｙｏｆｈｙｐｅｒｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｄａｔａｗａｓｓｔｒｏｎｇｅｒｔｈａｎｔｈａｔｏｆｍｕｌｔｉ－ｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｄａｔａ，ａｎｄｔｈｅｖｅｇｅｔａｔｉｏｎｉｎｆｏｒｍａｔｉｏｎｏｂｔａｉｎｅｄｗａｓｍｏｒｅｉｎｆｏｒｍａｔｉｖｅ． Ｋｅｙｗｏｒｄｓ：ｈｙｐｅｒｓｐｅｃｔｒａｌ；ｒｅｍｏｔｅｓｅｎｓｉｎｇ；ｖｅｇｅｔａｔｉｏｎ；ｉｎｆｏｒｍａｔｉｏｎｅｘｔｒａｃｔｉｏｎ 植被是环境的重要组成因子，是反映区域生态环境的标志之一，同时也是土壤、水文等要素的解译标志［１］。植被信息作为生态环境评价的重要参数，对区域生态环境的监测和建设具有重要意义，植被调查是遥感的重要应用领域。高光谱遥感数据因其特有的高光谱分辨率特性使其在植被生态环境领域具有极大的应用潜力，本研究从ＭｏｆｆｅｔｔＦｉｅｌｄ的ＡＶＩＲＩＳ高光谱遥感影像中提取植被信息，并与多光谱遥感数据进行比较，为使用遥感技术进行植被

植被覆盖率

植被覆盖率估算模型 一：研究区域数据获取 本次实验主要是对植被覆盖率估算，因此实验区域的影像因尽量选择植被茂盛的季节。在数据源选取上，我在马里兰大学的网站下了Landsat 5 1T 级数据，包够了红，绿，蓝，近红外，热红外7个波段。下载的地区是覆盖了福建省中部地区2009年6月6日的影像。 下图（图1）为原始数据的假彩色合成 图一：原始数据假彩色合成 二：数据预处理 进行植被覆盖率估算，需要用到归一化植被指数（NDVI）。NDVI的物理依据是地物反射率的差异变化，所以用反射率来计算是比较客观准确的。 TM原始数据就是DN值，不能用来直接计算NDVI，必须通过辐射定标计算成反射率，才能用来计算NDVI。因此，要对对实验数据先进行辐射校正和大气校正。下载的L1T级数据，头文件（）有详细影像参数，控制点文件（）中有控制点高程信息用于大气校正的地形参数，可以利用这两个文件做辐射校正和大气校正。 （1）辐射定标 实验使用数据为L1T级数据，经过系统辐射校正的数据。由于1级产品的DN值是由辐射亮度线性变换得到的，因此从1级产品计算辐射亮度只需利用相关参数（Gain和Bias）进行线性反变换即可，计算过程比较简单。各参数可在影像头文件中找到，Calibration Type 注意

选择为Radiance。 图2：辐射定标参数设置 （2）大气校正 大气校正是采用ENVI的FLAASH模块，FLAASH模块要求输入辐亮度图像，输出反射率图像。之前对进行了辐射定标，得到辐亮度图像，在这里要把BSQ 格式的图像转换为BIL 或者BIP 格式的图像。FLAASH校正输入图像后，程序会让你选择Scale Factor，即原始辐亮度单位与ENVI 默认辐亮度单位之间的比例。ENVI 默认的辐亮度单位是μW/cm2 ?sr?nm，而之前我们做辐射定标时单位是W/m2 ?sr?μm，二者之间转换的比例是10，因此在下图中选择Single scale factor，填写10.000。其中参数中心坐标，影像获取时间，都可以在头文件中获取，大气参数可以查看ENVI help来确定，还有研究区域的平均高程，可以通过GCP文件大致估算。FLAASH的参数设置如下图（图3）。 图3：FLAASH参数设置 三：研究区域裁剪 本来想以福建省为研究区域，但是这景影像覆盖了福建省中部百分之90左右的距离，但并没有覆盖完整，所以无法用矢量边界裁剪，我就规则裁剪了一块区域做研究 图5：裁剪区域 四：分类 这里我选择了用最大似然法进行监督分类 （1）训练区选择

典型植物的光谱曲线有什么样的特点

典型植物的光谱曲线有 什么样的特点 Document serial number【UU89WT-UU98YT-UU8CB-UUUT-UUT108】

典型植物的光谱曲线有什么样的特点举例说明影响植物光谱曲线特征的因素有哪些 特点：微米有一个蓝光的吸收带，微米处有一个绿光的反射波峰，微米处有一个红光的吸收带。在微米、微米和微米处是水的吸收带，形成波谷。 原因：微米有一个蓝光的吸收带，微米处有一个绿光的反射波峰，微米处有一个红光的吸收带。这表明，叶绿素对蓝光和红光的吸收作用强，而对绿色的反射作用强。 在近红外波段的到微米之间有一个反射的陡坡，微米附近有一个峰值，形成植被的独有特征。这是由于植被叶子的细胞结构的影响，除了吸收和透射的部分以外而形成的高反射率。 在近红外波段到微米，是因为受绿色植物含水量的影响，吸收率增大，反射率下降。特别是在微米、微米和微米处，形成水的吸收带。 植物波谱特征的因素：除了以上述及的含水量以外，还与植物种类、季节、病虫害等密切相关。

影像因素季节病虫害植物种类右图为桷树、松树、桦树及草的波谱特 性曲线。可看出草在0.7微米后的波段 反射率较其他树种高。不同植物在不同 波段表现出来的特征不同。植物种类不同，其形状、叶片的形态及 叶片数量、叶片的氮磷钾含量、叶表反 射率也是不尽相同的，相应的，其波谱 特征也就不尽相同 右图为冬小麦在不同生长阶段的波谱特性曲线。由图看出，冬小麦的不同生长阶段的波谱特征是不同的。 这是因为在植物生长的不同阶段，其氮 磷钾含量、颜色的不同，导致了对不同 波段的反射率有所差异。 从图可知，植物所受灾害的程度不同，其波谱特征也是不同的。这是因为受灾的程度不同，植物的氮磷 钾比例、叶片面积、叶表的颜色及其反 射率会有所变化。 特点图像

利用高光谱植被指数监测紧凑型玉米叶绿素荧光参数F_v_F_m_谭昌伟

第３　 ２卷，第５期 光谱学与光谱分析Ｖｏｌ．３２，Ｎｏ．５，ｐｐ １２８７－１２９１２　０　１　２年５月 Ｓｐｅｃｔｒｏｓｃｏｐｙ　ａｎｄ　Ｓｐｅｃｔｒａｌ　Ａｎａｌｙｓｉｓ　Ｍａｙ，２ ０１２　利用高光谱植被指数监测紧凑型玉米叶绿素荧光参数Ｆｖ ／Ｆｍ谭昌伟１，黄文江２，金秀良１，王君婵１，童　璐１，王纪华２，郭文善１＊ １．扬州大学江苏省作物遗传生理重点实验室／农业部长江中下游作物生理生态与栽培重点开放实验室，江苏扬州　２２５００９２．国家农业信息化工程技术研究中心，北京　１０００９７ 摘　要　为进一步评价遥感监测紧凑型玉米叶绿素荧光参数Ｆｖ／Ｆｍ的可行性，通过开展小区紧凑型玉米试验，分析紧凑型玉米整个生育期Ｆｖ／Ｆｍ与高光谱植被指数的相关关系，建立紧凑型玉米Ｆｖ／Ｆｍ高光谱监测模型。结果表明，紧凑型玉米Ｆｖ／Ｆｍ与选取的高光谱植被指数均呈极显著正相关，其中结构敏感色素指数（ＳＩＰＩ）与Ｆｖ／Ｆｍ的相关性最好，相关系数（ｒ）为０．８８。用ＳＩＰＩ建立紧凑型玉米Ｆｖ／Ｆｍ的监测模型，其决定系 数（Ｒ２ ）为０．８１２　 ６，均方根误差（ＲＭＳＥ）为０．０８２。研究表明，利用高光谱植被指数可以有效地监测紧凑型玉米整个生育期的Ｆｖ／Ｆｍ。 关键词　高光谱植被指数；Ｆｖ／Ｆｍ；监测模型；紧凑型玉米 中图分类号：Ｓ１２７ 文献标识码：Ａ ＤＯＩ：１０．３９６４／ｊ ．ｉｓｓｎ．１０００－０５９３（２０１２）０５－１２８７－０５　收稿日期：２０１１－１０－３０，修订日期：２０１２－０１－ ２５　基金项目：国家自然科学基金项目（ ４０８０１１２２，４１１０１３９５），江苏高校优势学科建设工程项目和公益性行业（农业）科研专项经费项目（２００８０３０３７ ）资助　作者简介：谭昌伟，１９８０年生，扬州大学农学院讲师 ｅ－ｍ ａｉｌ：ｔａｎｗｅｉ０１０＠１２６．ｃｏｍ＊通讯联系人 ｅ－ｍａｉｌ：ｇ ｕｏｗｓ＠ｙｚｕ．ｅｄｕ．ｃｎ引　言 国内外大量的研究表明，叶绿素荧光（ｃｈｌｏｒｏｐｈｙ ｌｌ　ｆｌｕｏ－ｒｅｓｃｅｎｃｅ，ＣＦ）作为光合作用的指示性探针，已被广泛应用于光合作用机理研究、分析植物对环境胁迫的响应机理和探测 植物体内光合器官运转状况等［ １－ ３］。随着高光谱遥感技术的迅速发展，其很快的被广泛应用到农业的品质鉴定、估产和 病虫害等各方面。Ｗｒｉｇｈｔ［４］和王纪华等［５］ 对小麦的蛋白质品质进行了研究；Ｗｉｍ等［６］利用ＴＭ影像数据源，使用影像融 合技术重新构建了ＮＰＰ估产模型，分别对小麦和水稻进行 估产，任建强等［７］ 使用ＭＯＤＩＳ数据源、ＣＡＳＡ模型对黄淮 海平原的冬小麦进行估产并取得了较好的效果；Ｂｒｏｎｓｏｎ［８］和Ｈａｎｓｅｎ等［９］对作物的氮素含量和氮素利用率、Ｆｅｎｓｈｏｌｔ等［１０ ］对叶面积指数（ＬＡＩ ）进行了研究；在作物的病害方面：Ａｄａｍｓ等 ［１１］ 分别对大豆和蚕豆斑点葡萄孢子病和大豆黄痿 病进行了研究，并建立相关的评估指标。然而对于叶绿素荧光参数与光谱植被指数关系的研究鲜见报道。本工作以紧凑型玉米（以下称为玉米）作为研究对象，利用获取的叶绿素荧光参数与植被指数，构建以光谱植被指数为支撑的叶绿素荧光参数的遥感监测模型，实时准确获取玉米的叶绿素荧光参数信息。 １　实验部分 １．１　试验设计 ２０１０年７月至９月间试验在扬州大学试验农场（１１９°１８′ Ｅ，３２°２６′Ｎ） 开展，供试品种为３个紧凑型品种（系）：农华８号、金海５号和郑单９５８。对玉米冠层进行了光谱测量和光合有效辐射测定。为了在田间栽培条件下更大范围地表现出玉米长势差异和生化组分变异，于拔节期安排了一个从不施 氮到施重氮（级差４５０ｋｇ，０～９００ｋｇ ·ｈａ－１ ）３个氮肥水平处理，即Ｎ１：不施氮肥；Ｎ３：施氮４５０ｋｇ·ｈａ－１ ；Ｎ４：施氮９００ｋｇ ·ｈａ－１ ，使之表现为缺氮、适量氮、过量氮。３次重复，行距×株距为７０ｃｍ×６０ｃｍ，每区面积为２０ｍ×２０ｍ。 常规水分管理。１．２　光谱测试 分别在玉米拔节期（７月２３日）、喇叭口期（８月７日）、吐丝期（８月２９日）、乳熟期（９月５日） 进行４次光谱测定。采用美国ＡＳＤ　Ｆｉｅｌｄｓｐ ｅｃ　ＦＲ２ ５００型野外光谱辐射谱仪，光谱范围３５０～２　５００ｎｍ，分辨率在３５０～１　０００ｎｍ光谱区为１．４ｎｍ，１　０００～２　 ５００ｎｍ区为２ｎｍ，光谱重采样间隔为１ｎｍ。在晴朗无云、北京时间１０：３０～１４：００，选择代表性植株进行测定，测定前后用参考板标定，测定时传感器探头向下，距

植被光谱特性

在光谱的中红外阶段，绿色植物的光谱响应主要被1.4μm、1.9μm和2.7μm附近的水的强烈吸收带所支配。 地面植物具有明显的光谱反射特征，不同于土壤、水体和其他的典型地物，植被对电磁波的响应是由其化学特征和形态学特征决定的，这种特征与植被的发育、健康状况以及生长条件密切相关。 在可见光波段内，各种色素是支配植物光谱响应的主要因素，其中叶绿素所起的作用最为重要。在中心波长分别为0.45μm（蓝色）和0.65μm（红色）的两个谱带内，叶绿素吸收大部分的摄入能量，在这两个叶绿素吸收带间，由于吸收作用较小，在0.54μm（绿色）附近行程一个反射峰，因此许多植物看起来是绿色的。除此之外，叶红素和叶黄素在0.45μm （蓝色）附近有一个吸收带，但是由于叶绿素的吸收带也在这个区域内，所以这两种黄色色素光谱响应模式中起主导作用。 在光谱的近红外波段，植被的光谱特性主要受植物叶子内部构造的控制。健康绿色植物在近红外波段的光谱特征是反射率高（45%-50%），透过率高（45%-50%），吸收率低（<5%）。在可见光波段与近红外波段之间，即大约0.76μm附近，反射率急剧上升，形成“红边”现象，这是植物曲线的最为明显的特征，是研究的重点光谱区域。许多种类的植物在可见光波段差异小，但近红外波段的反射率差异明显。同时，与单片叶子相比，多片叶子能够在光谱的近红外波段产生更高的反射率（高达85%），这是因为附加反射率的原因，因为辐射能量透过最上层的叶子后，将被第二层的叶子反射，结果在形式上增强了第一层叶子的反射能量。 在光谱的中红外阶段，绿色植物的光谱响应主要被1.4μm、1.9μm和2.7μm附近的水的强烈吸收带所支配。2.7μm处的水吸收带是一个主要的吸收带，它表示水分子的基本振动吸收带。1.9μm，1.1μm，0.96μm处的水吸收带均为倍频和合频带，故强度比谁的基本吸收带弱，而且是依次减弱的。1.4μm和1.9μm处的这两个吸收带是影响叶子的中红外波段光谱响应的主要谱带。1.1μm和0.96μm处的水吸收带对叶子的反射率影响也很大，特别是在多层叶片的情况下。研究表明，植物对入射阳光中的红外波段能量的吸收程度是叶子中总水分含量的函数，即是叶子水分百分含量和叶子厚度的函数。随着叶子水分减少，植物中红外波段的反射率明显增大（Philip et al.,1978）