几种常见植被指数

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。

1、通过k-t变换使植被与土壤的光谱特性分离。植被生长过程的光谱图形呈所谓的"穗帽"状，而土壤光谱构成一条土壤亮度线，土壤的含水量、有机质含量、粒度大小、矿物成分、表面粗糙度等特征的光谱变化沿土壤亮度线方向产生。

2、kt变换后得到的第一个分量表示土壤亮度，第二个分量表示绿度，第三个分量随传感器不同而表达不同的含义。如，MSS的第三个分量表示黄度，没有确定的意义；TM 的第三个分量表示湿度。

3、第一二分量集中了>95%的信息，这两个分量构成的二位图可以很好的反映出植被和土壤光谱特征的差异。

4、GVI是各波段辐射亮度值的加权和，而辐射亮度是大气辐射、太阳辐射、环境辐射的综合结果，所以GVI受外界条件影响大。

六、PVI——垂直植被指数，在R-NIR的二为坐标系内，植被像元到土壤亮度线的垂直距离。PVI=((S R-VR)2+(SNIR-VNIR)2)1/2，S是土壤反射率，V是植被反射率。

1、较好的消除了土壤背景的影响，对大气的敏感度小于其他VI

2、PVI是在R-NIR二位数据中对GVI的模拟，两者物理意义相同

3、PVI=(DNnir-b)cosq-DNr′sinq，b是土壤基线与NIR截距，q是土壤基线与R的夹角。

七、其他

1、根据具体情况改进型：如MSS的DVI = B4-aB2，PVI=(B4-aB2-b)/(1+a2)1/2，SARVI = B4/(B2+b/a)；RDVI=(NDVI′DVI)1/2等

2、应用于高光谱数据的VI，如CARI(叶绿素吸收比值指数）和CACI（叶绿素吸收连续区指数）等

VI划分

归一化差值植被指数NDVI是植被遥感中应用最为广泛的指数之一,但它受土壤背景等因素的干扰比较强烈.结合实测的土壤数据以及公式推导、PROSAIL模型模拟等方法分析了这种影响.首先,假定与土壤线性混合且叶片呈水平分布的植被冠层,根据土壤与植被分别在红光、近红外波段处的反射率值、植被覆盖度等参数,利用公式推导了土壤背景对不同覆盖度下冠层NDVI的影响.其次,利用PROSAIL冠层光谱模拟模型,模拟分析了土壤背景对不同LAI下冠层NDVI的影响.分析的结果表明:LAI越小,土壤背景的影响越大;暗土壤背景下的冠层NDVI值大于亮土壤背景下冠层的NDVI值;并且,暗土壤条件下,NDVI值对

土壤亮度的变化更敏感,而亮土壤下,NDVI值则对LAI或覆盖度的变化更敏感.最后利用实测的不同土壤背景下的冬小麦冠层光谱数据,验证了公式推导和模型模拟的结果.

遥感植被指数NDVI计算

本科学生综合性、设计性 实验报告 姓名宋国俊学号114130168 专业地理信息系统班级 实验课程名称遥感地学分析 实验名称NDVI计算 开课学期2011 至2012 学年下学期 云南师范大学旅游与地理科学学院编印 一、实验准备

1、实验目的和要求： 利用TM卫星数据，应用ENVI软件进行归一化植被指数的计算，及在此基础对研究 区进行植被覆盖率的提取，根据植被覆盖率进行一些应用分析。 2、实验材料及相关设备： 昆明影像数据(path/row:129/43（2002.02.09）)ENVI及ArcGIS软件。 3、实验方法步骤及注意事项： 实验方法：利用ENVI及ArcGIS图像处理软件，参考软件的处理操作步骤，对图像进行处理。 注意事项：下载数据时应该严格遵照行列号来下载，下载的数据要包括完整的影像数据信息以便数据的预处理。 二、实验内容、步骤和结果（详细写清楚本次实验的完成的主要内容、具体 实施步骤和实验结果。） 1、实验内容 利用下载的昆明影像数据用ENVI进行NDVI计算，计算公式如下： NDVI=(NIR-R)/(NIR+R)(NIR为近红外波段，R为红光波段) 2、实验步骤 (1)对昆明影像数据进行辐射定标： Ⅰ、启动ENVI File→Open External File→Landsat→Geo TIFF with metadata→Enter Landsat MetaData Filenames（输入元数据） Ⅱ、Spectral→Preprocessing→Calibration utilities→Landsatcalibration→Landsat calibration input file→输 入第一步的元数据 Ⅲ、将辐射定标后的数据转化为BIL格式：

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

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 ）

GIS技术支持下的水土保持遥感监测浅析

GIS技术支持下的水土保持遥感监测浅析 GIS技术支持下的水土保持遥感监测，是实现水土流失及水土保持现状高精度动态监测和预报的重要手段。同时，其监测结果为决策部门提供监测区内水土流失分布、面积与流失量的逐年变化情况、林分变化情况等资料，以及水土保持植物、工程措施总体效益的演变情况。通过监测掌握监测区水土流失面积、分布状况和流失强度，水土流失造成危害及发展趋势。我国已在许多区域开展了水土保持工作，“3Ｓ”技术的应用，使水土流失快速调查与动态监测成为可能。 1 基本原理和方法 由于土壤侵蚀是发生在地表的过程，一些典型的侵蚀标志（如地表裸露程度、植被覆盖度和土地利用类型变化等）易于被遥感影像所记录，因此，RS 技术成为对土壤侵蚀进行动态监测的一种有效的技术手段。而GIS 具有强大的空间数据处理和分析能力，可以快速处理大量的遥感数据和非遥感数据，适合应用于诸如土壤侵蚀定量评价之类需要对多因子进行综合分析处理的过程。 水土保持遥感监测中应用多源信息（主要是GIS数据）来增加遥感信息量，一方面把利用遥感手段未能获取的信息补上去，另一方面根据影像提取的信息进行分析，来推断出影像上未反映的信息。 2 监测技术流程 水土保持遥感监测目标是通过遥感信息和其他相关信息，准确地得到监测区监测年的土地利用、植被、土壤侵蚀现状、水土保持措施数量和质量等情况。为数据库及应用系统建设提供数据支持，为水土保持监测和管理提供可靠依据。 2.1 监测工作流程 GIS技术支持下的水土保持遥感监测主要是运用GIS工具对遥感信息和非遥感信息进行综合分析，得到土壤侵蚀现状图及各种形式的统计数据。首先确定监测任务和目标，针对工作内容要求编制监测计划，通过对监测区遥感影像、地形图、专题图件等资料的搜集，以及野外实际勘查，了解监测区域实际情况、水土保持和水土流失实际状况，以及结合原始调查资料等辅助信息，从色调、形状、纹理、分布及水土保持专家经验等方面进行综合分析建立专题信息解译标志。采用人机交互解译或者计算机自动识别技术，进行遥感影像解译，并通过野外校核校正专题信息解译结果。 2.2 土地利用情况遥感监测

植被指数

在遥感应用领域，植被指数已广泛用来定性和定量评价植被覆盖及其生长活力。由于植被光谱表现为植被、土壤亮度、环境影响、阴影、土壤颜色和湿度复杂混合反应，而且受大气空间—时相变化的影响，因此植被指数没有一个普遍的值，其研究经常表明不同的结果。研究结果表明，利用在轨卫星的红光和红外波段的不同组合进行植被研究非常好，这些波段在气象卫星和地球观测卫星上都普遍存在，并包含90%以上的植被信息，这些波段间的不同组合方式统被称为植被指数。 植被指数有助于增强遥感影像的解译力，并已作为一种遥感手段广泛应用于土地利用覆盖探测、植被覆盖密度评价、作物识别和作物预报等方面，并在专题制图方面增强了分类能力。植被指数还可用来诊断植被一系列生物物理参量：叶面积指数（LAI）、植被覆盖率、生物量、光合有效辐射吸收系数（APAR）等；反过来又可用来分析植被生长过程：净初级生产力（NPP）和蒸散（蒸腾）等。 为了估算和监测植被覆盖，最早发展了比值植被指数（RVI）。但RVI对大气影响敏感，而且当植被覆盖不够浓密时（小于50%），它的分辨能力也很弱，只有在植被覆盖浓密的情况下效果最好。归一化差异植被指数（NDVI）对绿色植被表现敏感，它可以对农作物和半干旱地区降水量进行预测，该指数常被用来进行区域和全球的植被状态研究。对低密度植被覆盖，NDVI对于观测和照明几何非常敏感。但在农作物生长的初始季节，将过高估计植被覆盖的百分比；在农作物生长的结束季节，将产生估计低值。继之,将各波段反射率以不同形式进行组合来消除外在的影响因素，如遥感器定标、大气、观测和照明几何条件等。这些线性组合或波段比值的指数发展满足特定的遥感应用，如作物产量、森林开发、植被管理和探测等。农业植被指数（A VI）针对作物生长阶段测量绿色植被；多时相植被指数（MTVI），将两个不同日期的数值简单相减，是为了观测两个日期植被覆盖条件的变化和作物类型的分类，并用来探测由于火灾和土地流失造成的森林覆盖变化。归一化差异绿度指数（NDGI），可用来对不同活力植被形式进行检验。归一化差异指数（NDI）建立了光谱反射率和棉花作物残余物的表面覆盖率的关系，以用来对作物残余物的制图。 近年来，随着高光谱分辨率遥感的发展以及热红外遥感技术的应用，又发展了红边植被指数、导数植被指数（DVI）、温度植被指数（Ts-VI）、生理反射植被指数（PRI）。“红边”的一般定义为叶绿素吸收红边斜率的拐点。红边位置灵敏于叶绿素a、b的浓度和植被叶细胞的结构。为获取红边位置信息，Miller 等用一个倒高斯模型拟合红边斜率。导数植被指数由于它能压缩背景噪音对目标信号的影响或不理想的低频信号，被应用在目前的高光谱遥感研究中，尤其是在利用高光谱遥感提取植被化学成份信息方面得到成功的应用。近年来的经验研究表明：热红外辐射（如土面亮度温度）和植被指数在大尺度范围遥感应用中可提高土地覆盖的制图和监测精度。生理反射植被指数是针对高光谱遥感的特点，对植被生化特性的短期变化（如一天的植被的光合作用）进行探测。 植被指数按发展阶段可分为三类：第一类植被指数基于波段的线性组合（差或和）或原始波段的比值，由经验方法发展的，没有考虑大气影响、土壤亮度和土壤颜色，也没有考虑土壤、植被间的相互作用（如RVI等）。它们表现了严重的应用限制性，这是由于它们是针对特定的遥感器（Landsat MSS）并为明确特定应用而设计的。第二类植被指数大都基于物理知识，将电磁波辐射、大气、植被覆盖和土壤背景的相互作用结合在一起考虑，并通过数学和物理及逻辑经验以及通过模拟将原植被指数不断改进而发展的（如PVI、S A VI、MSA VI、TSA V

植被指数

1.用ETM+图像计算植被指数并分析。 数据来源：地理空间数据云平台 Landsat 7 ETM SLC-on 卫星数字产品(1999-2003) 数据标识LE71190432002338EDC01卫星名称LANDSAT7 数据类型L7slc-on传感器ETM+ 接收站EDC白天/晚上DAY 条带号119 行编号43 太阳高度角37.8951 太阳方位角151.8815 获取时间2002-12-04 平均云量 1.0 开始时间2002-12-04 02:21:12.0 结束时间2002-12-04 02:21:12.0 中心经度118.4915 中心纬度24.5531 Landsat 7 ETM SLC-on 卫星数字产品(1999-2003) 数据标识LE71190432002066SGS00卫星名称LANDSAT7 数据类型L7slc-on传感器ETM+ 接收站SGS白天/晚上DAY 条带号119 行编号43 太阳高度角49.0019 太阳方位角133.0889 获取时间2002-03-07 平均云量0.0 开始时间2002-03-07 02:21:52.0 结束时间2002-03-07 02:21:52.0 中心经度118.4993 中心纬度24.5482 (1)由于这两个数据的空间投影与厦门市矢量图层的投影都是GCS_WGS_1984,所以不用进行重投影。 (2)利用厦门市矢量图层对这两个卫星数字产品中的B30、B40波段进行剪裁。如图1. L71119043_0432*******_B30 L71119043_0432*******_B40 L71119043_0432*******B-30 L71119043_0432*******B-40 （3）利用ARCGIS中Spatial Anaiyst---Raster Calculator进行植被指数的计算。计算公式为NDVI=(band4-band3)/(band4+band3)。得到图2.

浅谈无人机遥感技术在农业中的应用

浅谈无人机遥感技术在农业中的应用 1 监测病虫害 病虫害是影响作物产量的直接因素，是世界各国的主要农业灾害之一。大规模的病虫害会给农业生产和国民经济造成巨大损失。据联合国粮农组织统计，世界粮食产量因病虫害造成的损失占粮食总产量的20%以上。 利用遥感监测技术跟追病虫害进展情况，有利于展开精准治理工作，做到及时发现、及时处理，也有利于早期防治。其原理是，病虫害会造成作物叶片细胞结构色素、水分、氮元素等性质发生变化，从而引起反射光谱的变化，所以病虫害作物的反射光谱和正常作物可见光到热红外波段的反射光谱有明显差异。 在美国、澳大利亚等地，用无人机遥感监测并不罕见。比如，美国有种植户用无人机监测的麦田锈病情况，从中可以明显看出哪里是重灾区。也有人用无人机查看苜蓿地里的菟丝子（一种恶性寄生性杂草，主要寄生于苜蓿等豆科作物，苜蓿生长易受到恶性杂草菟丝子的严重危害，常造成苜蓿植株成片死亡），从而能在灾害大规模爆发前做到提早预防。

2 土壤属性分析 当今，世界农业现代化大国都在提倡精准农业，要求根据土壤性状，在作物生长过程中调节对作物的要素投入，以最低的投入达到最高的产出，并高效利用各类农业资源，改善环境，取得较好的经济效益和环境效益。 作为空中监测技术，农业遥感是推动农业走向精准化的有利手段。农业遥感监测主要以作物、土壤为对象。作物在可见光-近红外光谱波段中，反射率主要受到作物色素、细胞结构和含水率的影响，特别是在可见光红光波段有很强吸收波段，在近红外波段有很强的反射特性，可以被用来进行作物长势、作物品质、作物病虫害等方面的监测。土壤可见-近红外光谱总体反射率相对较低，在可见光谱波段主要受到土壤有机质、氧化铁等赋色成分的影响。因此，土壤、作物等地物固有的反射光谱特性是农业遥感的基础。 在精准农业中，有一个重要的概念叫做归一化植被指数。根据专业解释，归一化植被指数是反映农作物长势和营养信息的重要参数之一，计算方式是近红外波段的反射值与红光波段的反射值之差比上两者之和。归一化植被指数可以为改善作物健康提供参考依据，比如告诉你农田是否需要额外施肥。

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。

浅谈农业遥感技术

摘要:信息技术和生物技术可以说是当今21世纪的两大前沿科学技术。遥感技 术作为现代信息技术的前沿技术，在农业生产中发挥着不可估量的作用,而且其在农业上的应用日益广泛、深入。该文介绍了我国遥感技术的基本内涵,阐述了遥感技术在我国农业生产上的应用概况，论述了遥感技术在农业资源调查、灾情监测与预报、农业环境保护以及农作物 估产等方面的应用, 提出了在农业生产上的应用实例,讨论了遥感技术的缺陷，并展望了遥感技术在农业上应用的美好前景。 Abstract: The information and biological technology are the two frontier science- technology in 21st century. As the frontier modern information technology，the remote sensing technology plays an invaluable role in agricultural production. And Its application in agriculture is increasingly extensive and in-depth. This paper introduces the basic connotation of remote sensing technology in China, describes the overview of the application of it in China's agricultural production, discusses the application of it in agricultural resources survey, disaster monitoring and forecasting, agricultural environmental protection and estimating crop yield and other aspect, proposes application examples in agricultural production, discuss defects of remote sensing technology，and finally looking good prospects for the application of remote sensing technology in agriculture 关键词: 遥感技术；农业；应用；缺陷；展望 Keyword：remote sensing technology; agriculture; application; defects;prospects. 一、遥感技术概述 1.基本概念 遥感技术是20世纪60年代蓬勃发展起来的一种探测技术,是根据电磁波的理论，应用各种传感仪器对远距离目标所辐射和反射的电磁波信息，进行收集、处理，并最后成像，从而对地面各种景物进行探测和识别的一种综合技术。 随着空间技术、信息技术、电子计算机技术和环境科学的发展,遥感技术逐步发展为一门新兴交叉学科技术。 遥感技术(Remote sensing，RS)与地理信息系统(Geography information systems，GIS)、全球定位系统(Global positioning systems，GPS)合称为3S技术，在现阶段各行业发展中拥有广泛的应用和广阔的发展前景。 现代遥感技术, 已构成地面、空中、太空三个立体层面。国外的遥感技术大多首先应用于农业, 美国利用陆地卫星和气象卫星等数据,预测全世界的小麦产量, 准确度大于90%; 英国利用遥感技术, 4个人工作9个月,就把全国的土地划分为5大类、31个亚类, 并测出了面积,绘制成地图。近30多年来,遥感技术在大面积作物长势监测与估产、农情宏观预报、农业资源调查等方面做出了重要贡献。 2.优越性 1)可获取大范围数据资料 遥感用航摄飞机飞行高度为10km左右,陆地卫星的卫星轨道高度达910km左右,从而, 可及时获取大范围的信息。

主要植被指数类型及其应用条件

主要植被指数类型及其应用条件 分类:遥感知识 2008.7.2 08:55 作者：晓雪天飞 | 评论：0 | 阅读：79 在遥感应用领域，植被指数已广泛用来定性和定量评价植被覆盖及其生长活力。由于植被光谱表现为植被、土壤亮度、环境影响、阴影、土壤颜色和湿度复杂混合反应，而且受大气空间—时相变化的影响，因此植被指数没有一个普遍的值，其研究经常表明不同的结果。研究结果表明，利用在轨卫星的红光和红外波段的不同组合进行植被研究非常好，这些波段在气象卫星和地球观测卫星上都普遍存在，并包含90%以上的植被信息，这些波段间的不同组合方式统被称为植被指数。植被指数有助于增强遥感影像的解译力，并已作为一种遥感手段广泛应用于土地利用覆盖探测、植被覆盖密度评价、作物识别和作物预报等方面，并在专题制图方面增强了分类能力。植被指数还可用来诊断植被一系列生物物理参量：叶面积指数（LAI）、植被覆盖率、生物量、光合有效辐射吸收系数（APAR）等；反过来又可用来分析植被生长过程：净初级生产 力（NPP）和蒸散（蒸腾）等。 为了估算和监测植被覆盖，最早发展了比值植被指数（R VI）。但RVI对大气影响敏感，而且当植被覆盖不够浓密时（小于50%），它的分辨能力也很弱，只有在植被覆盖浓密的情况下效果最好。归一化差异植被指数（NDVI）对绿色植被表现敏感，它可以对农作物和半干旱地区降水量进行预测，该指数常被用来进行区域和全球的植被状态研究。对低密度植被覆盖，NDVI对于观测和照明几何非常敏感。但在农作物生长的初始季节，将过高估计植被覆盖的百分比；在农作物生长的结束季节，将产生估计低值。继之,将各波段反射率以不同形式进行组合来消除外在的影响因素，如遥感器定标、大气、观测和照明几何条件等。这些线性组合或波段比值的指数发展满足特定的遥感应用，如作物产量、森林开发、植被管理和探测等。农业植被指数（AVI ）针对作物生长阶段测量绿色植被；多时相植被指数（MTVI），将两个不同日期的数值简单相减，是为了观测两个日期植被覆盖条件的变化和作物类型的分类，并用来探测由于火灾和土地流失造成的森林覆盖变化。归一化差异绿度指数（NDGI），可用来对不同活力植被形式进行检验。归一化差异指数（NDI）建立了光谱反射率和棉花作物残余物的表面覆盖率的关系，以用来对作物残余物的制图。 近年来，随着高光谱分辨率遥感的发展以及热红外遥感技术的应用，又发展了红边植被指数、导数植被指数（DVI）、温度植被指数（Ts-VI）、生理反射植被指数（PRI）。“红边” 的一般定义为叶绿素吸收红边斜率的拐点。红边位置灵敏于叶绿素a、b的浓度和植被叶细胞的结构。为获取红边位置信息，Miller 等用一个倒高斯模型拟合红边斜率。导数植被指数由于它能压缩背景噪音对目标信号的影响或不理想的低频信号，被应用在目前的高光谱遥感研究中，尤其是在利用高光谱遥感提取植被化学成份信息方面得到成功的应用。近年来的经验研究表明：热红外辐射（如土面亮度温度）和植被指数在大尺度范围遥感应用中可提高土地覆盖的制图和监测精度。生理反射植被指数是针对高光谱遥感的特点，对植被生化特性的短期 变化（如一天的植被的光合作用）进行探测。 植被指数按发展阶段可分为三类：第一类植被指数基于波段的线性组合（差或和）或原始波段的比值，由经验方法发展的，没有考虑大气影响、土壤亮度和土壤颜色，也没有考虑土壤、植被间的相互作用（如RVI 等）。它们表现了严重的应用限制性，这是由于它们是针对特定的遥感器（Landsat MSS）并为明确特定应用而设计的。第二类植被指数大都基于物理知识，将电磁波辐射、大气、植被覆盖和土壤背景的相互作用结合在一起考虑，并通过数学和物理及逻辑经验以及通过模拟将原植被指数不断改进而发展的（如PVI、SAVI、MSAVI、TSAV I、ARVI、GEMI、AVI、NDVI等）。它们普遍基于反射率值、遥感器定标和大气影响并

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。

地表反射率,温度,植被指数

地表反射率、温度、植被指数、几何精纠正和Landsat影像

Basic Tools|Band Math，在Band Math对话框中输入公式，公式中的ｂ３和ｂ４分别选取第3和第4波段的地表反射率。然后导出结果。 二、地表温度反演 1、计算辐射亮度。加载htm影像，根据头文件中的数据，得到1、2波段的辐射亮度的计算公式0.067086617777667001*b1+(-0.067086617777667001)和0.037204722719868001*b2+(3.1627953249638470)，步骤同上，得出辐射量度的计算结果。 2、辐射反演。利用公式T=k2/ln(k1/Lλ+1)算地物的辐射反演，其中T为开尔温度；查找参数值：k1=666.09; k2=1282.71;Lλ分别利用步骤1中的波段1和波段2的辐射量度。 3、统计反演后的地物的温度值，并比较其差异。打开反演后的温度影像，右击影像选择ROI Tool，统计各种地物值的最大值，最小值，均值，标准差，将其统计到Excel中，比较其差异。 结果与分析 一、DNVI建模 【地表反射率】

第3波段第4波段【DNVI】 【3、4波段表观反射率和地表反射率的线性关系】

【表观反射率和地表反射率的线性关系数学表达式】 波段关系式波段关系式 1波段y=0.8933*x+0.0473 4波段y=0.9401*x+0.0065 2波段y=0.8801*x+0.0242 5波段y=0.9399*x+0.001 3波段y=0.9161*x+0.0143 7波段y=0.9584*x+0.0004 【部分地物的DNVI值】 地物DNVI值min max mean stdev Reservior 0.057713 0.338587 0.145087 0.038598 Snow -0.12395 0.152669 0.025088 0.031572 Bare Land 0.105628 0.374843 0.192701 0.043621 Urban -0.356923 0.038094 -0.273288 0.045284 Plant 0.333387 0.786695 0.656094 0.081619 Desert 0.071897 0.155663 0.100783 0.014291 River 0.043469 0.429917 0.127503 0.08131 【结果与分析】：通过对提取地物的DNVI值的可以发现，绿色的DNVI值比较高，原因是绿色植物叶绿素引起的红光吸收和叶肉组织引起的近红外光反射使得植被在近红外波段和红光波段有很大的差异；水体和

ENVI中常见植被指数介绍

作业9 植被指数 植被指数 概念：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。 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。 Broadband Greenness(5 indices)（宽带绿色指标(5)） 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. Normalized Difference Vegetation Index归一化植被指数 增强在近红外波段范围绿叶的散射与红波段范围叶绿素的吸收差异。 简称NDVI： NDVI=(NIR-R)/(NIR+R) （1）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； 2.Simple Ratio Index比值植被指数 在近红外波段范围绿叶的散射与红波段范围叶绿素吸收的比值。 简称SR：SR=ρNIR/ρRED 在LAI 值很高，即植被茂密时其灵敏度会降低.SR值的范围是0~30，一般绿色植被区的范围是2~8 3.Enhanced Vegetation Index 增强植被指数 增强NDVI,解决土壤背景和大气气溶胶对茂密植被的影响。 简称：EVI

植被指数计算方法

归一化植被指数（NDVI ） 归一化植被指数（Normalized Difference Vegetation Index ，即NDVI ）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。 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。 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 -=+ 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 ）。

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

envi植被指数的提取

本科学生实验报告 宋国俊学号114130168 专业＿＿地理信息系统班级11地信 验课程名称遥感运用 实验名称植被指数的提取额 指导教师及职称洪亮 开课学期2014 至2015 学年一学期

师大学旅游与地理科学学院编印

二、实验容、步骤和结果

找到landsat 8 的相关数据; 再找另外一个时间段的数据; 1）提取行归一化植被指数 归一化指数（NDVI）被定义为近红外波段与可见光红波段数值之差和这两个波段数值之和的比值。 公式：NDVI=（TM4-TM3）/（TM4+TM3） 在ENVI 的主菜单transforms下，运行NDVI子菜单，将得到的图像以612ndvi的文件名保存在文件夹中。得到的图像以灰阶显示如图 2014.3.16的NDVI2014.4.24NDVI 2）提取绿度植被指数GVI 公式： GVI=-0.2848*TM1-0.2435*TM2-0.5436*TM3+0.7243*TM4+0.084*TM5-0.1800*TM7

在ENVY3.2的主菜单basic tools下，运行band math子菜单，键入上述公式，将得到的图像以612GVI的文件名保存在文件夹中。得到的图像以灰阶显示如图 2014.3.16的GVI2014.4.24GVI 3）提取比值植被指数RVI 比值值被指数（RVI）由于可见光红波段（R）与近红外波段（NIR）对绿色植物的光谱响应十分不同，且具倒转关系。两者简单的数值比能充分表达两反射率之间的差异。 公式：RVI= TM4/TM3 在ENVI的主菜单basic tools下，运行band math子菜单，键入上述公式，将得到的图像以612GVI的文件名保存在文件夹中。得到的图像以灰阶显示如图

NDVI指数在植被研究中的应用及其评价

NDVI指数在植被研究中的应用及其评价 归一化植被指数NDVI是目前应用最广泛的植被指数。不同的NDVI值对应不同的土地覆被类型，可以进行土地覆被方面的研究;NDVI20余年的时序资料可用于研究植被动态，以及与相关生态因子的相关性研究；卫星遥感技术具有覆盖面广、获取数据快等特点，可以用于环境、植被等的监测；应用NDVI发展生态学模型，可以开展生态学模拟研究，并在实地检验过程中完善。NDVI指数虽然存在容易饱和、校正有限、噪音较多等缺点，而且已经发展了新的替代性指数，但其特有的优点仍将使其在今后的研究中发挥重大作用。 植被指数是基于植物的光谱特征，将可见光与近红外遥感光谱观测通道进行组合运算而得到的数据。迄今为止，植被指数已经发展出40 余种。其中AVHRR-NDVI是目前应用最广泛的植被指数，应用领域包括土地利用、产量预报、区域检测以及生物地理学和生态学研究等。NDVI已经积累了20 余年的数据资料Anyamba Tucker，2005，应用研究颇具成效。 1、NDVI指数原理 植物叶片组织对蓝光470nm和红光650nm有强烈吸收，而对绿光和红外光强烈反射叶片中心的海绵组织和叶片背面组织对近红外辐射NIR，700-1000nm 反射较强。从红光Red到红外光，裸地反射率较高但增幅很小。植被覆盖越高，红光反射越小，近红外光反射越大。红光吸收很快达到饱和，而近红外光反射随着植被增加而增加。所以，任何强化Red 和NIR 差别的数学变换都可以作为植被指数，来描述植被状况。归一化植被指数NDVI就被定义为：NIR/Red-1/ NIR/Red1。 在理想状况下，不考虑大气、土壤背景等的影响，太阳-地物-传感器位置相对固定，此时传感器受到的信号将没有信号丢失和噪音干扰。而现实中，遥感数据要受到大气、土壤和传感器角度等因素的影响，因此在使用时需要进行必要的校正。如AVHRR-NDVI，对瑞利散射和臭氧吸收作了校正，又通过最大值合成法MVC对其他噪音作了校正。 2、NDVI指数应用举例 2.1. 土地覆被研究 在合适的条件下，不同的NDVI值对应不同的土地覆盖类型，从而可以进行大尺度上的土地覆盖分类。王长耀等2005利用1995 年NOAA 十天合成的ch4、ch5 通道亮温，先计算出陆地表面温度Ts，然后用最大值合成法计算每月的最大Ts和NDVI，以每月最大Ts和NDVI建立NDVI-Ts 空间。根据像素点NDVI，Ts在空间中的位置矢量，求出矢量在空间中的方向角度，并作归一化处理，得对到温度植被角度NTVA。12 个月NTVA 做主成分变换提取前三个主分量辅以全年总NDVI和大于0℃Ts积温，用模糊K-均值法进行全国土地覆盖分类。研究结果表明，基于NDVI-Ts 空间的NTVA 与NDVI、Ts一起作为分类特征在土地覆盖分类中具有较高的分类精度，能够取得较好的分类效果。 植被盖度是土地覆被研究的重要内容。结合实地观测来验证NDVI指数的植被盖度估测方法，可以提高实际工作的效率。张云霞等2007选择中国北方温带典型草原为研究对象，运用样方叠加的方法，选择不同植被盖度的49 块样地，将地面实测数据和ASTER 遥感数据结合，建立植被盖度经验模型，研究植被指数与植被盖度的相关性以及地面样方尺度对经验模型的影响。发现NDVI在估测草原植被盖度上优于其它植被指数RVI NDGI，而且样方尺度的选择对植被盖度经验模型的建立又很大影响，中国北方典型草原区适合大样方、取中值的方法。夏照