几种常见植被指数.doc

几种常见植被指数.doc

《几种常见植被指数.doc》由会员分享，可在线阅读，更多相关《几种常见植被指数.doc（9页珍藏版）》请在冰点文库上搜索。

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、SAVI3、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=（（SR-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 

类型

典型代表

特点

线性

DVI

低LAI时，效果较好；LAI增加爱时对土壤背景敏感

比值型

NDVI、RVI

增强了土壤与植被的反射对比

垂直型

PVI

低LAI时，效果较好；LAI增加爱时对土壤背景敏感

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.

1.Mcfeeters在1996年提出的归一化差分水体指数（NDWI

其表达式为：

NDWI=（p（Green）-p（NIR））/（p（Green）+p（NIR））

是基于绿波段与近红外波段的归一化比值指数。

该NDWI一般用来提取影像中的水体信息，效果较好。

局限性：

用NDWI来提取有较多建筑物背景的水体，如城市中的水体，其效果会较差。

2.Gao于1996年也命名了一个NDWI，用于研究植被的含水量。

其表达式为：

NDWI=（p（NIR）-p（MIR））/（p（NIR）+p（MIR））=（p（0.86μm）-p（1.24μm））/（p（0.86μm）+p（1.24μm））

植被水分指数NDWI是基于中红外与近红外波段的归一化比值指数。

与NDVI相比,它能有效地提取植被冠层的水分含量;在植被冠层受水分胁迫时,NDWI指数能及时地响应,这对于旱情监测具有重要意义。

而Wilson等在研究美国缅甸因州的森林时，使用了归一化湿度指数（NormalizedDifferenceMoistureIndex,NDMI），其表达式与Gao的完全一致。

由于Gao的NDWI与Wilson等的NDMI指数的意义与用途是一致的，而与Mcfeeters用于研究水体的NDWI指数有所不同，因此一般将用于研究植被含水量的指数改称为NDMI指数。

3.水体指数（MNDWI）指数

在对Mcfeeters提出的归一化差异水体指数（NDWI）分析的基础上,对构成该指数的波长组合进行了修改,提出了改进的归一化差异水体指数MNDWI（ModifiedNDWI）,并分别将该指数在含不同水体类型的遥感影像进行了实验,大部分获得了比NDWI好的效果,特别是提取城镇范围内的水体.NDWI指数影像因往往混有城镇建筑用地信息而使得提取的水体范围和面积有所扩大.实验还发现MNDWI比NDWI更能够揭示水体微细特征,如悬浮沉积物的分布、水质的变化.另外,MNDWI可以很容易地区分阴影和水体,解决了水体提取中难于消除阴影的难题.

其表达式为：

MNDWI=（p（Green）-p（MIR））/（p（Green）+p（MIR））

遥感图像的分类方法

传统分类方法

　1.非监督分类

遥感图像上的同类地物在相同的条件下,一般具有相同或相近的光谱特征,从而表现出某种内在的相似性,归属于同一个光谱空间区域。

而不同的地物,光谱特征不同,归属于不同的光谱空间区域,这是非监督分类的理论依据。

该分类方法主要是通过系统聚类来进行的。

聚类就是把一组像素按照相似性分为若干类,目的是使得同一类别的像素之间的距离尽可能小,而不同类别的像素之间的距离尽可能大。

其算法的核心是初始类别参数的确定,以及它的迭代调整问题。

主要算法有分级集群法、ISODATA法（迭代自组织数据分析技术）和K2均值算法等。

2．　监督分类

与非监督分类不同,监督分类最显著的特点是在分类前人们对遥感图像上某些样区中影像地物的类别属性已有了先验知识,也就是先要从图像中选取所有要区分的各类地物的样本,用于训练分类器（建立判别函数）。

一般是在图像中选取具有代表性的区域作为训练区,由训练区得到各个类别的统计数据,进而对整个图像进行分类。

主要方法有线性判别法、最大似然法、最小距离法和平行多面体法等。

3.　分类新方法研究进展

新方法主要有决策树分类法、综合阈值法、专家系统分类法、多特征融合法、神经网络分类法以及基于频谱特征的分类法等。

3.1　决策树分类

决策树分类器（Decisiontreeclassificationframe）是以分层分类的思想作为指导原则的。

分层分类的思想是针对各类地物不同的信息特点,将其按照一定的原则进行层层分解。

在每一层的分解过程中,研究者可以根据不同的子区特征及经验知识,选择不同的波段或波段组合来进行分类.

3.2　综合阈值法

通过对徐州地区各类地物的光谱特征的综合研究,以及对不同波段的组合分析,归纳出各种地物类型信息获取的方法与途径,提出采用综合阈值法进行图像分类处理。

经研究表明,该方法能够很好地区分城镇用地和裸地等不容易区分的地类,有效降低混合象元带来的影响,提高土地利用分类的可靠性和准确性。

3.3　专家系统分类

遥感图像解译专家系统是模式识别与人工智能技术相结合的产物。

应用人工智能技术,运用解译专家的经验和方法,模拟遥感图像目视解译的具体思维过程,进行图像解译。

专家系统分类的关键是知识的发现和推理技术的运用。

目前在知识发现方面,主要是基于图像的光谱知识、辅助数据和上下文信息等。

3.4　特征融合

仅仅依靠光谱特征或纹理特征或形状特征来进行图像分类,都不能很好地将不同类别的地物目标提取出来。

因此,多特征融合的方法越来越多地被用于图像分类。

其优势是很明显的:

对同一模式所抽取的不同特征矢量总是反应模式的不同特性,对它们的优化组合,既保留了参与融合的多特征的有效鉴别信息,又在一定程度上消除了由于主客观因素带来的冗余信息,对分类识别无疑具有重要的意义。

主要有光谱特征和纹理特征,光谱特征和形状特征等。

3.5　人工神经网络

人工神经网络分类是通过对人脑神经系统结构和功能的模拟,建立一种简化的人脑数学模型。

它不需要任何关于统计分布的先验知识,不需要预定义分类中各个数据源的先验权值,可以处理不规则的复杂数据,且易与辅助信息结合。

与传统分类方法相比,ANN方法一般可获得更高精度的分类结果,特别是对于复杂类型的土地覆盖分类,该方法显示了其优越性。

但某些地物的光谱数据的集群性较差,使得网络对大多数易区分的地类识别率高,而对少数不易分的地类识别率低。

3.6　基于频谱的分类方法

传统的光谱分类方法基本上采用的都是统计分类法,大多使用均值与方差,只考虑了图像的光谱信息,没有顾及图像的纹理信息,因此分类精度较低。

基于频谱分析的分类方法是一种结合了地表信息的有效的分类方法。

作为描述地物纹理特征的常用方法之一,频谱分析通过将图像信息从空间域转换到频率域,充分利用了图像的纹理信息,并按频率高低形成地物多频谱图像。

这样在遥感图像解译过程中综合利用光谱信息、纹理信息以及多个频谱段的信息,就可以大大提高解译精度。