像元二分模型

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。

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VFCmin根据经验估算。

实现流程

下面我们以“当区域内可以近似取VFCmax=100%，VFCmin=0%”情况下，以及整个影像中NDVIsoil 和NDVIveg 取固定值，介绍在ENVI中实现植被覆盖度的计算方法。

使用的数据是经过几何校正、大气校正的TM影像。

(1)选择Transform->NDVI，利用TM影像计算NDVI。

(2) 选择Basic Tools->Statistics ->Compute Statistics，在文件选择对话框中，利用研究区地区的矢量数据生成的ROI建立一个掩膜文件。

选择统计文件及掩膜文件

计算统计参数

(3) 得到研究区的统计结果。在统计结果中，最后一列表示对应NDVI值的累积概率分布。我们分别取累积概率为5%和90%的NDVI值作为NDVImin和NDVImax。这里得到：

NDVImax=0.522991

NDVImin=0.031766

统计结果

(4)根据公式（4），我们可以将整个地区分为三个部分：当NDVI小于0.031766，VFC取值为0；NDVI 大于0.522991，VFC取值为1；介于两者之间的像元使用公式（4）计算。利用ENVI主菜单->Basic Tools->Band Math，在公式输入栏中输入：

(b1 lt 0.031766)*0+(b1 gt 0.522991)*1+(b1 ge 0.031766 and b1 le 0.522991)* ((b1-0.031766)/

(0.522991-0.031766)

b1：选择NDVI图像

(5) 得到一个单波段的植被覆盖度图像文件，像元值表示这个像元内的平均植被覆盖度。在Display显示。

(6) 选择Tools->Color Mapping->Density Slice，单击Clear Range按钮清除默认区间。

(7)选择Opions->Add New Ranges，根据上面的对照表依次添加10个区间，分别为每个区间设置一定的颜色，单击Apply得到如下的植被覆盖图。

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.wendangku.net/doc/3613776475.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.wendangku.net/doc/3613776475.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.wendangku.net/doc/3613776475.html, 通信作者：刘烁楠，E-mail ：1846525370＠https://www.wendangku.net/doc/3613776475.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）

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

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。

植被指数总结(1)word版本

1生物量 生物量：指某一时刻单位面积内实存生活的有机物质（干重） 北京地区森林植被：北京地区森林植被生物量遥感反演及时空动态格局分析_张 慧芳 呼伦贝尔草地：基于环境减灾卫星遥感数据的呼伦贝尔草地地上生物量反演研究 _陈鹏飞 延庆县森林：基于SPOT5的延庆县森林生物量研究_韩冬花 芦苇：基于光谱特征信息的芦苇生物量反演研究_陈爱莲 根据实地测量的芦苇反射光谱数据,建立该区域芦苇的光谱数据库,提 取芦苇光谱维特征参数;并以光谱维特征为依据选取卫星数据,分析卫 星数据与实测芦苇光谱特征的相关性,进而应用光谱角角度匹配!光谱 特征拟合!二进制编码等三种光谱匹配技术,研究卫星数据光谱与实测 芦苇光谱的匹配度,提取影像的芦苇像元,作为大面积自动估算芦苇生 物量的基础" 水稻：1.微波遥感水稻种植面积提取_生物量反演与稻田甲烷排放模拟_张远 2.水稻高光谱特征及其生物理化参数模拟与博士估测模型研究_唐延林 辽东湾翅碱蓬：辽东湾双台子河口湿地翅碱蓬生物量遥感反演研究_吴涛.caj SAVI和MSAVI与LAI的关系 取样框内样方所在经度、纬度及高程、样方内水深、植株高度、盖度等。同步采集植被冠层 光谱叶面积指数。对样方内植株个体先称干重在称量湿重。 现场光谱测定与处理：使用光谱仪为ISI921VF-256便携式地物光谱辐射计采集现场光谱值。 卫星遥感和TM数据和CCD数据。 小麦：冬小麦花期生理形态指标与卫星遥感光谱特征的相关性分析_李卫国.pdf 2 叶绿素 玉米：1.不同氮处理春玉米叶片光谱反射率与叶片全氮和叶绿素含量的相关研 究_王磊.pdf 2.基于小波分析的玉米叶绿素a与LAI高光谱反演模型研究_宋开山.pdf 3.受污染胁迫玉米叶绿素含量微小变化的高光谱反演模型_王平.pdf 4.夏玉米叶片全氮_叶绿素及叶面积指数的光谱响应研究_谭昌伟.pdf 5.利用遥感红边参数估算夏玉米农学参数的可行性分析_谭昌伟.caj

(完整word版)模型描述及TOPMODEL模型

流域水文是一个复杂的过程，其动态变化不仅受气候条件、土壤因子等的影响，植被在其中也起着非常重要的作用，只有将三者有机的结合起来，才能客观的反映流域水文动态，才能有效地对森林的水文功能进行评估。本研究拟采用的水文模型为TOPMODEL,气候模型为MT-CLIM, 考虑到本研究所涉及的范围，植被模型只选取蒸散发和林冠截流两部分。 TOPMODEL 模型 TOPMODEL 由Beven 和Kirkby 在1979年提出，是一个基于地形的半分布式模型。其理论基础为变动源面积（Variable Source Areas ），根据这个概念坡面流只在整个流域的一小部分上发生，产生坡面流的陆地表面是那些在降雨事件中地下水位上升至地表的饱和区域。O ’Loughlin （1981年）结合GIS 和现代图形技术增强了其模拟和可视化能力。TOPMODEL 被发展主要是作为一种研究工具，并且已经广泛地运用于实际当中。该模型的特点是结构简单，优选参数少，充分利用了容易获取的地形资料，而且与观测的物理水文过程密切联系。 TOPMODEL 的地形指数 地形指数的概念 地形是影响流域对降雨响应的重要因子，它决定了重力作用下流域中水分运动的趋势,因此也影响着水文系统的许多其它方面。TOPMODEL 提出了地形指数（Topographic Index ）的概念，并假定相同地形指数的水文单元上有着相似的水文学特性，而不考虑其所在的位置。地形指数是水文模型的重要组成部分，它反映了土壤湿度、地表饱和度的空间分布，和径流生成的过程(Zhang and Montgomery, 1994)，因此可以说地形指数是TOPMODEL 的核心。地形指数： ??? ? ??=βtan ln A T ； A: 特定集水区面积； β：坡度角。 地形指数的计算 地形指数通常用DEM 计算，所选用的算法与所定义栅格的尺度或精度影响着计算结果。计算地形指数时,首要的任务是确定特定集水区面积(Specific catchment area),特定集水区面积由上坡面积 (Upslope area ，a) 求得。a 被定义为一点(point)或等高线上总的集水区面积（Moore 等，1991年）。A 为每单位宽度（L ）等高线的上坡面积（A=a/L ）。A 是一个有重要水文、地理意义的分布量（Burges 等，1994年），上坡面积和特定集水区面积的计算依靠于流向路径（Flow direction ）的计算。本文采用David G. Tarboton （1997年）提出的一种简明有效的单流向算法来计算特定集水区面积。 TOPMODEL 的基本方程 TOPMODEL 基本方程的数学出发点是连续性方程和Darcy 定律，TOPMODEL 应用中有以下几点假设： （1） 土壤饱和水力传导度K z 随着土壤厚度的增加服从指数递减； fz z e K K -=0 式中：K 0：地表土壤的水力传导度；f ：为参数，表示K 随z 的下降速度。 （2） 饱和壤流受地形梯度驱动，被地下水位控制，状态稳定，并且地下水位线和饱和壤

土地／景观动态过程及模拟

第五章土地／景观动态过程及模拟 【教学目的】 通过本章的学习，掌握土地/景观变化的空间模式，土地利用／覆盖变化的生态效应分析，了解土地／景观变化模型及其利用。 【重点难点】 教学重点是土地/景观变化的空间模式，土地利用／覆盖变化的生态效应分析 景观动态是景观遭受干扰时发生的现象，是一个复杂的多尺度过程，对绝大多数生物体具有极为重要的意义。景观动态分析是景观结构和功能随时间的变化过程，实质上包括了不同组分之间复杂的相互转化，是目前景观生态学研究中的一个新热点。景观动态研究涉及复杂的自然和人为影响因素，并因此产生更加复杂的景观格局和功能变化过程。对景观动态的研究可以了解景观变化的驱动因素和机理，建立土地／景观辩护模型，预测未来景观变化方向和趋势，并通过对变化方向和速度的调控实现景观的定向演变和可持续发展。 第一节土地／景观变化的空间模式 一、人类活动对土地／景观变化的影响 在人类历史时期，土地／景观变化已在不同的时间和空间发生。 刀耕火种时期，人类对土地利用与景观的影响较小。 农业文明时期，开始吧林地、草地转化为农田，引进农业技术、过程，自然的景观转化为农业景观，以及出现了一些田园化景观和可持续农业景观。 工业化与人口的扩张，导致大量的自然与人文景观退化，从而不可避免地出现了全球性的生态环境问题。 人为活动是影响景观变化的主要因素。而了解人类干扰对景观动态变化的影响，成为合理规划和利用土地的基础。 人类活动对土地／景观变化影响包括土地利用、大型工程建设、城市化规模扩展、诱发自然灾害等方面。 人类活动对土地／景观的影响是多时间尺度的。 大时间尺度上表现为不同历史时期对土地覆被的改造。 工业革命后的百余年，人类活动在较短的时间尺度上对生态环境造成巨大的影响。二、景观变化的空间过程 １.景观破碎化 人类活动造成景观变化结果就是景观破碎化，而景观破碎化导致生物的生境破碎化，是生物多样性丧失的主要原因之一。 景观破碎化是指由于自然或人为干扰所致的景观有简单趋于复杂的过程，即由单一、均

几种常见植被指数(DOC)

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。