遥感地学分析植被指数.ppt
《遥感地学分析植被指数.ppt》由会员分享，可在线阅读，更多相关《遥感地学分析植被指数.ppt（203页珍藏版）》请在冰点文库上搜索。
遥感地学分析,主讲教师：
地球科学与技术学院测绘系,研究生课程讲座,本课程学习目的：
通过本课程学习，在复习相关的遥感基础理论的基础上，了解与熟悉遥感地学的前沿领域、研究热点及遥感地学应用。
遥感地学分析课程,本课程学习目标：
1、了解遥感在陆地、海洋与大气上的若干研究及应用。
2、了解与掌握遥感技术在地表温度反演、土壤湿度、云检测等研究中的算法及主要思想。
3、初步建立起遥感地学应用体系框架。
4、能够实际解决遥感研究与应用中的主要问题。
遥感地学分析课程,遥感地学分析课程,专题1：
植被指数的发展及应用专题2：
地表温度反演与城市热岛效应专题3：
土壤湿度与干旱监测专题4：
纹理特征提取（灰度共生矩阵法）期中考试（开卷）专题5：
海洋溢油油膜识别专题6：
土壤盐渍化/土壤侵蚀/土壤退化专题7：
城市道路自动识别/城市建筑物提取专题8：
水色/水质（水体悬浮物）/赤潮专题9：
叶面积指数反演/生产力遥感估算专题10：
纹理特征提取（分形维数法及其他方法）,专题11：
云检测算法（2人）专题12：
图像融合专题13：
图像降噪与增强专题14：
图像配准专题15：
地震热红外异常提取（基准场）专题16：
地震热红外异常提取（异常信号）专题17：
MODIS陆地雾与海雾检测专题18：
气溶胶厚度检测（2人）专题19：
SAR海底地形/地貌形态特征提取/水深（2人）专题20：
遥感技术在水文地质勘察中的应用专题21：
高光谱植被指数（2人）专题22：
基于人工神经网络的遥感图像自动分类期末考试（开卷）,本课程学习内容：
成绩组成结构：
学生PPT占50%期中考试占15%期末考试占35%,第1章植被指数的发展及应用,遥感地学分析课程,1.植被指数原理2.植被指数的发展与分类3.AVHRR-NDVI的不足及MODIS-EVI的改进4.植被指数应用,植被指数的介绍,自20世纪60年代以来，科学家们就已经应用遥感数据提取并模拟各种植物的生物物理参数，这些工作都促进了植被指数（vegctatinonindex缩写Vl）的发展。
植被指数各光谱波段的线性或非线性组合，可以反映90%以上的植被信息，并能在一定程上消除外在因素的影响，如遥感器定标、大气和照明几何条件等，从而较好的反映绿色植物的生长状况及空间分布，可以宏观的反映绿色植物的生物量和盖度等生物物特征。
同时，植被指数的定量测定还可以表明植物活力，它有助于增强遥感影像的解译力，并已将其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。
植被指数的介绍,植被指数还可以用来诊断植被的一系列生物量，如叶面积指数（LAI）、植被覆盖率、生物量、光合有效辐射吸收系数（APAR），并可用于监测植被的净初级生产力（NPP）和蒸散（蒸腾）等。
可见，植被指数监测草地牧草产量和评价草地可持续性发展的基础性研究工作，直接关系到建立遥感监测模式的问题，对于有效利用遥感数据有重要的理论意义和重大的实用价值。
由于近红外波段是植被叶片健康状况最敏感的波段，对植被差异及植物长势反映敏感，对太阳光的反射也较强烈，而可见光波段尤其是红色波段对太阳辐射表现为吸收。
在遥感技术中，通常用植物反射光谱中的近红外波段和可见光红色波段来建立植物指数模型，进行植物的遥感监测及生物量的估算。
植被指数的介绍,植被指数原理,植物叶片组织对蓝光（470nm）和红光（670nm）有强烈的吸收，对绿光尤其是近红外有强烈的反射。
在蓝色（0.47m）和红色（0.67m）波段由于叶绿素和类胡萝卜素的吸收,能量很低，但在绿色波段（0.55m）附近,由于叶绿素对绿光的反射,形成一个小的峰值。
在近红外波段,由于叶肉海绵组织结构中有许多空腔,具有很大的反射表面,而且细胞内叶绿体呈水溶胶状态,辐射能量大都被散射掉,形成高反射率,表现在反射曲线上从0.7m处反射率迅速增大,至1.1m附近有一峰值,形成植被的独有特征。
红色和近红外波段的反差是对植物量很敏感的度量。
无植被或少植被区反差最小,中等植被区反差是红色和近红外波段的变化结果,而高植被区只有近红外波段对反差有贡献,红色波段趋于饱和,不再变化。
因此,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，如差值植被指数（NIR-RED）、比值植被指数（NIR/RED）、归一化植被指数（NIR-RED）/（NIR+RED）。
现实情况下植被指数,影响植被指数的因子包括生物因子和物理因子两大类，即包括植物的水分含量、年龄、矿物质、寄生虫的伤害以及覆盖几何、排列空间和方向、叶子分布等，还有大气影响、土壤特性差异、亮度和色度及传感器影响等。
实际中,获得的植被指数受到了多种因素的干扰，包含噪音影响，影响了植被指数对植被情况反演的真实度。
要获得较为理想的植被指数还需要解决以下问题：
现实情况下植被指数,
（1）大气影响在光波通过700km厚的大气时，大气中的水汽、臭氧、气溶胶等成份通过散射和吸收等作用,使传感器获得的信号产生扭曲,使某些噪音夹杂其中。
由于传感器的视角范围0-55,实际穿越的大气层更厚。
根据Pitts等的研究,大气吸收可减小近红外信息量的20%以上。
据研究估算,水汽吸收和瑞利散射的影响占植被指数的5.5%。
根据Jackson研究,大气混浊限制了植被的测量并妨碍了植被胁迫的探测。
因此,必须恢复已经被大气扭曲的Red和NIR反射值,或通过其它方法消除这些影响,才能保证植被指数的可信度。
利用卫星遥感数据进行的空间一时相研究表明，大气对植被指数也有影响:
在红波段增加了辐射，而在近红外波段降低了辐射，从而使植被指数减小。
大气降低了红色和近红外反射信号的对比度，从而减少了NDVI的值。
红色波段的信号通常由于散射、上行路径辐射中大气的贡献而增强，而近红外信号由于散射和水汽吸收等大气衰减作用而减弱。
净效果是NDVI信号的下降和地表植被量被低估。
NDVI信号衰减与大气中气溶胶含量有关，大气越浑浊，衰减越大。
大气效应对NDVI的影响以气溶胶最严重（0.04-0.2），其次是水汽（0.04-0.08），再次是瑞利散射（0.02-0.04）。
（2）土壤影响尽管研究对象是植被,但植被只覆盖实际观测目标的一部分,传感器接收的信号包括植被以外的背景。
土壤亮度对植被指数有相当大的影响。
许多植被指数就是为了控制土壤背景对光谱反射的影响而提出的。
当植被覆盖稀疏时，由于土壤背景亮度的作用，红波段的辐射将会增加，而近红外波段辐射将会减少，致使比值植被指数（RVI）和垂直植被指数（PVI）都不能合适的对植被光谱进行度量。
因此，植被指数应能更好地描述“土壤一植被一大气”系统。
土壤颜色也是影响植被指数的一个重要因素。
特别是它妨碍了对低植被覆盖率的探测。
土壤颜色变化使土壤线加宽，这种颜色形成噪音，阻止了对植被覆盖的探测。
土壤颜色对于低密度植被区的反射率具有较大影响，尤其在干旱环境下对植被指数的计算影响更为显著。
在植被状况相同,植被背景有变化时,传感器接收到的信号也可能变化。
（3）角度影响全球平均云雾覆盖55%,为了弥补云雾影响,需要多次观测地面同一地点才有可能获得较大区域的无云观测数据。
但每次观测时“太阳-地物-传感器”的几何关系都可能变化,这种变化除了强化以上的大气影响外,还可能直接影响植被指数计算。
如一棵树,从树顶（被观测对象处于星下点）、迎光面（前向散射）、背光面（后向散射）等角度观测,所得到的植被指数可能不同。
双向反射观察角和太阳方位角对自然表面的双向反射产生很大的影响。
由于地球表面是非朗伯体，双向反射特性必须考虑。
双向反射率函数（bidirectionalreflectancedistrib-utionfunctionBRDF）从其物理意义上可以描述为:
从特定方向向目标物投入的辐射能量的微小增量与其所引起的另一方向上的反射散射能量的增量的比值。
双向反射率分布函数BRDF是描述一个表面的反射特性的最基本的参量。
实际物体的反射不仅具有方向性,而且这种方向还依赖于入射的方向。
二向性反射率分布函数BRDF。
（bidirectionalreflectancedistributionfunction、BRDF）,描述表面反射特性空间分布的基本参数.,设波长为，空间具有分布函数的入射辐射，从（i，i）方向，以辐射亮度L（i，i，）投射向点目标，造成该点目标的辐照度增量为dE（r，r，）.传感器接收到的反射辐射，则定义双向反射率分布函数：
BRDF是波长与入射方向的函数.,BRDF=dL（r,r,）/dE（r,r,）,为了校正双向反射对植被指数的影响，人们需要考虑观察天顶角和观测方位角。
如果植被指数是与星下点观察对称的，则只需考虑观测的天顶角。
观察角的影响扭曲了像元的几何形状，影响了空间分辨率和由表面反射的能量积分。
必须去除这些角度变化引起的植被指数变化,如使角度影响归一化,才能使系列数据具有可比性。
为实现“在较大空间、在较长时间序列、数据具有一致可比性”的目标,必须首先解决以上问题,否则,定量遥感研究的基础就不稳固。
总之，植被指数受到土壤湿度、土壤颜色、土壤亮度、大气、传感器等的影响与制约。
由于像元表达的是植被和其它因素的混合反应，致使植被指数的研究变得更加复杂。
因此，在实际应用中对植被指数的取舍应慎重。
（4）遥感器光谱响应用不同遥感器的数据计算同一目标的植被指数可能结果不同,这是由于每一遥感器光谱波段响应函数不同,且其空间分辨率及观察视场也常常不同。
一特定波段的响应函数是一个依赖波长探测和滤波响应的综合反映。
通过计算每一波段平均反射率可评价不同响应函数对植被指数值的影响。
可对响应函数和光谱值在波长范围内的积分,再除以相同波长范围的响应函数的积分值来解决。
2.植被指数的发展和分类,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（LandsatMSS）并为明确特定应用而设计的。
2植被指数的发展和分类,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、TSAVI、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形成理论方法,解决与植被指数相关的一系列问题。
第三类:
植被指数是针对高光谱遥感及热红外遥感而发展的植被指数（如DVI、Ts-VI、PRI等）。
这些植被指数是近几年来基于遥感技术的发展和应用的深入而产生的新的表现形式。
尽管许多新的植被指数考虑了土壤、大气等多种因素并得到发展,但是应用最广的还是NDVI,并经常用NDVI作参考来评价基于遥感影像和地面测量或模拟的新的植被指数,NDVI在植被指数中仍占有重要的位置。
植被指数的分类可分为3类:
1、基于斜率的（slope-based）植被指数2、基于距离的（distance-based）植被指数3、正交转换植被指数。
1）、基于斜率的植被指数基于斜率的植被指数是遥感图像红色波段和近红外波段数据的简单运算组合,其中包括RATI、NDVI、RVI、NRVI、TVI、CTVI和TTVI等,其数值可以表示绿色植被覆盖的情况和植被生物量的大小。
比值植被指数（TheRatioVegetationIndex,RATIO）是由Rouse等提出的,其计算公式是近红外波段（NIR）与红色波段（RED）反射率的比值,即:
该指数反映了植被覆盖区域遥感图像像素在红色波段和红外波段的差别,指数数值大,是红色波段低反射和红外波段高反射共同作用的结果。
但是,该指数在运算过程中容易遇到除数为0的情况。
校正植被指数（TheNormalizedDifferenceVegetationIndex,NDVI,又译归一化植被指数）也是由Rouse等提出的一种光谱植被指数,其目的是利用遥感数据将绿色植被从土壤背景中分离出来。
该指数是近红外波段和红色波段的差异经过二者之和校正后的结果,即:
NDVI是最常用的植被指数,因为它不但保留了使地形影响最小化的能力,同时还产生了线性的衡量尺度,除数为0的可能性也显著减小。
此外,该指数数值介于-1与1之间,0代表该区域基本没有植被生长,负值则代表非植被覆盖的区域。
它有两个突出的优点:
第一，太阳高度角的差别被很大程度上的减少了，这一点对进行大空间尺度的植被研究是非常重要的;第二，最大NDVI值的选择将极大地减小远离星下点的像元被选中的机会。
NDVI对绿色植物的生长状况及空间分布密度反映敏感，但受土壤背景的影响较大，以致在作物生长的初始季节，过高地估计植被的覆盖度，而在作物生长结束季节对植被的覆盖度的估计偏低。
转换植被指数（TheTransformedVegetationIndex,TVI）是对NDVI的改进,计算方法是在NDVI数值加上0.50这个常数是考虑到如果NDVI是负值则无法取平方根,而取平方根则是为了将近似Poisson分布的NDVI数值转换为正态分布。
但是,要计算TVI这一植被指数,就要求输入的NDVI值要大于-0.5。
如果NDVI值小于-0.5,加上0.5这一常数后仍是负值,就无法计算TVI。
校正转换植被指数（TheCorrectedTransformedVegetationIndex,CTVI）是对TVI的校正。
由于NDVI的范围在-1到1之间,所以给所有NDVI值加上0.5的方法显然无法完全消除负值。
为解决这一问题而引入的CTVI。
这样就排除了取平方根时出现负值的情况。
Thiam指出,由于有时CTVI的图像结果“噪声干扰”相当严重,因此建议去掉CTVI公式里的第一项,这样效果更好一些。
于是,在原来TVI的表达式中将NDVI取绝对值后开平方,就得到一个新的植被指数,称为Thiam转换植被指数（ThiamsTransformedVegetationIndex,TTVI）。
简易比值植被指数（RatioVegetationIndex,RVI）是前面提到的RATIO植被指数的倒数:
校正比值植被指数（TheNormalizedRatioVegetationIndex,NRVI）是对RVI进行校正后得到的,公式如下所示:
通过校正减少了地形、光照和大气的影响,同时将RVI转换成为正态分布。
2）、基于距离的植被指数基于距离的植被指数是通过测量遥感图像某一像素的反射率和裸露土壤的反射率之间的差别来反映该区域的植被覆盖程度,它们的主要用途是在植被稀疏、像素中同时包含有绿色植被和土壤背景的情况下,消除土壤亮度的影响,提取关于植被的信息。
垂直植被指数是在植被指数的基础上借用“土壤线”CSoilLine）的概念而发展起来的。
所谓“土壤线，是指由近红外波段和红色波段所构成的二维平面上，土壤背景的光谱数据基本上沿着与这两个轴呈45的直线即“土壤线）分布。
kautch等利用Landsat/MSS的4个光谱段作为4维空间，分析了裸土的光谱变化，并注意到裸土信息变化的主要部分是由它们的亮度造成的，从而提出了“土壤线”或“土壤亮度矢量”的观点。
试验表明，对每一种土壤而言，其红色波段与近红外波段的反射率值随土壤含水量及表面粗糙度的变化近似满足线性关系（土壤线），此线性关系可用于对土壤反射率进行描述。
土壤线的方程为:
NIR=aR+bNIR、R一分别代表土壤在近红外波段和红色波段的反射率;a、b一分别为土壤线的斜率和截距。
正是这些参数确定了不同类型土壤的土壤线。
研究表明，尽管土壤反射率受许多因素的影响而变化，然而对在同一地区、同一种土壤来说，在相同的红色波段和近红外波段的组合下，该土壤的土壤线是固定的，不随时间而变化，也不随土壤湿度和太阳高度角等因素的变化而变动。
即土壤类型是影响土壤线变化的主要因素，不同土壤类型的土壤线有其各自的a,b值。
土壤线参数一般随土壤类型、试验状况、波段位置和波段宽度而变化。
随着植被覆盖量的增大,原先裸露的土壤背景逐渐被掩盖,而被植被覆盖区域的像素在二维光谱空间的位置则朝着与土壤线垂直的方向偏离。
垂直植被指数（ThePerpendicularVegetationIndex,PVI）是由Richardson和Wiegand提出的,而这一类别其余的植被指数则大都是由PVI衍变而来的。
如图所示,PVI计算的是每一个像素的坐标（如:
Rp5,Rp7）到土壤线的垂直距离，得到这一垂直距离需要4个步骤.,
（1）通过对裸露土壤反射率数据的回归分析（以红色波段为应变量,红外波段为自变量）确定土壤线的直线回归方程:
（2）确定垂直线的方程:
b0和b1的计算方法如下:
其中Rp5=红色波段反射率，Rp7=红外波段反射率，,其中a1=土壤线的斜率。
（3）计算土壤线和垂直线的交点的坐标（例如坐标）,（4）利用勾股定理计算交点（,）和像素坐标（,）之间的距离。
垂直植被指数（PerpendicularVegetationindex）垂直植被指数具有许多优点，如能去除土壤背景的影响，对大气效应不甚敏感，同时具有线性可加性，因此适合遥感图像混合像元的分解应用。
利用垂直植被指数从混合像元的综合地物信息中提取水稻生长状况信息，是可行和有效的方法。
另外，垂直植被指数在岩石和土壤光谱特征都变化很大的干旱和半干旱地区，可以作为首选植被指数。
在大面积使用时，垂直植被指数还有抑制微地形起伏的作用。
因此，垂直植被指数被广泛应用于作物估产等方面。
但是，由于垂直植被指数是在“土壤线”的概念基础上发展出来的，而“土壤线”因地区不同、土壤类型不同而不同。
同时，如果将土壤的色调考虑进去，“土壤线”就不再是一条严格的线，而是成为有一定宽度的带，对其求算就会变得非常复杂，而且会存在一定误差，因此应谨慎使用。
但本试验研究区域小且试验地较集中，土壤颜色的变化不明显，可以忽略。
但是PVI公式计算比较繁琐,而且无法将落在土壤线左侧和右侧的像素（例如:
代表水和代表植被的像素）区分开来,因此一系列对于PVI的改进方法出现了。
由于植被的光谱反射特性是红外波段反射率要高于红色波段反射率,因此所有的植被像素将落在土壤线的右侧。
有时代表非植被区域的像素与土壤线之间可能会有相同的距离,而其位置则落在土壤线的左侧。
这样一来,二者的PVI数值相同,无法区分。
PVI1对落在土壤线左侧的那些像素赋以负值,解决了这一问题。
NIR=近红外波段反射率，RED=可见光红色波段反射率，a=土壤线截距，b=土壤线斜率。
PVI2用土壤线截距对红色波段反射率进行加权运算:
PVI3是由Qi等提出的,表达式如下:
NIR=近红外波段反射率，RED=可见光红色波段反射率，a=土壤线截距，b=土壤线斜率。
差异植被指数（DifferenceVegetationIndex,DVI）的特点在于用土壤线的斜率对近红外波段反射率进行加权。
表达式如下:
其中=土壤线斜率，MSS7=近红外波段反射率，MSS5=可见光红色波段反射率。
土壤修正植被指数（TheSoil-AdjustedVegetationIndex,SAVI）通过在NDVI表达式的分母中加入固定的土壤修正因子L的方法,达到将土壤背景对植被信号的影响减到最小目的。
不同反射特性（例如:
土壤的颜色和亮度不同）的土壤,其L值也各不相同。
L值的选取依赖于所要分析的植被的密度。
Huete等认为在植被密度很低的区域,L值取1.0较为合适,植被密度中等的区域取0.5,而植被密度较高的区域取0.25。
当L=0时,SAVI与NDVI相等。
=近红外波段反射率,=可见光红色波段反射率，L=土壤修正因子。
转换土壤修正植被指数（TheTransformedSoilAdjustedVegetationIndex,TSAVI1）是由Baret等定义的,他们认为SAVI的概念只有在土壤线的斜率a=1、截距b=0的情况下才是准确的。
由于多数情况并非如此,因此他们参考PVI的概念对SAVI进行转换,定义了第一个转换土壤修正植被指数,即,其表达式如下:
其中NIR=近红外波段反射率，RED=红色波段反射率，a=土壤线斜率，b=土壤线截距。
转换型土壤调整指数（Transformedsoiladjustedvegetationindex）转换型土壤调整植被指数（TSAVI）是SAVI的转换形式，也与土壤线有关。
土壤线的参数参加该指数的运算，而且具有全球的特性。
SAVI和TSAVI表现出，在独立于遥感器类型的情况下，在描述植被覆盖和土壤背景方面有着较大的优势。
对于半干旱地区的土地利用图，TSAVI已证明满足于低覆盖植被特性。
由于考虑了裸土土壤线，TSAVI比NDVI对于低植被覆盖有更好的指示作用。
Baret等还对TSAVI又进行了第二次校正,添加了校正因子0.08,目的是使背景土壤亮度产生的影响减到最小。
校正后的指数,即的表达式如下:
加权差异植被指数（TheWeightedDifferenceVegetableIndex,WDVI）的表达式如下:
24,=近红外波段反射率,=红色波段反射率,=土壤线斜率,公式中用土壤线斜率对红色波段反射率进行加权的目的,是使近红外波段的植被信号最大化,同时使土壤亮度的影响最小化。
改进土壤修正植被指数（TheModifiedSoilAdjustedVegetationIndex,MSAVI）修正型土壤植被指数（ModifiedSoilAdjustedVegetationIndex）是一种适合于不同植被覆盖度，不同土壤背景的下垫面，他不仅能够消除或减弱土壤背景噪声，而且动态范围较大，土壤调节因子有植被指数自身调整，对于应用卫星遥感资料求解区域面上的植被指数更有效。
是在改进L因子的基础上提出的对SAVI的两种改进方式,包括：
3、正交转换植被指数正交转换植被指数是将原始的各波段遥感数据进行正交转换,得到一组新的、互不相关的数据,并从中提取绿色植被指数的特征分量。
主成分分析（PrincipalComponentsAnaylsis,PCA）是通过n维图像数据的正交转换,得到一组互不相关的新图像（成分）,并且这组新图像的排列顺序是根据它们提供原始数据所含信息的数量多少而确定的。
主成分分析在地理信息系统和遥感图像处理上应用于数据压缩、时间序列分析等方面。
对遥感图像进行主成分分析后,第一主成分通常反映了土壤背景的信息,而第二主成分则通常代表了植被覆盖的状况。
在第二主成分中,近红外波段的系数一般为正,而可见光波段的系数通常为负,从而突出了绿色植被的信息。
穗帽变换绿色植被指数（TheGreenVegetationIndex,GVIoftheTasseledCap）是Kauth和Thomas从MSS（MultiSpectralScanner,多光谱扫描仪）原始图像中提取的四个新分量中的第二分量,称为“绿度”,反映了绿色生物量的特征。
GVI提供了通用系数,对MSS原始数据进行加权运算,从而得到转换后的新分量。
MSS或TM（ThematicMapper,专题制图仪）遥感数据的绿色植被指数（GVI）分量的表达式如下:
GVIMSS=（-0.386MSS4）+（-0.562MSS5）+（0.600MSS6）+（0.491MSS7）GVITM=（-0.24717TM1）+（-0.16263TM2）+（-0.40639TM3）+（-0.85458TM4）+（0.05493TM5）+（-0.11749TM7）,GVI表达式中,可见光波段的加权系数为负数,这样就使得背景土壤的影响最小化；而近红外波段的加权系数为正数,对绿色值被信号起到了增强的作用。
Misra绿色植被指数（MisrasGreenVegetationIndex,MGVI）是与穗帽变换GVI作用相当的一种光谱植被指数。
MGVI是对MSS数据进行特定正交变换后得到的四个新分量中的第二分量。
MGVI的代数表达式是:
MGVI=-0.386MSS4
升级会员 