遥感应用模型2植被遥感续.ppt

遥 感 应 用 模 型;Contents;;一、基于植被指数的植被分类 ; 基于植被类型之间的波谱差异，可以对遥感获得的分波段图像数据进行监督或非监督分类。下图是一个由TM图像做林地非监督分类的例子。; 如果提高图像的空间分辨率，就有可能分割混合像元，以及更详细地反映纹理信息。因此高分辨率图像有助于一些零星树木的分类，也能较大地改善识别农作物类型的能力 左图所示的是4m分辨率的IKONOS小卫星图像的局部，美国开罗莱纳州的查尔斯顿市零散分布的蓝果树和柏树以及这两种树的混合类被自动分类技术提取出来。; 从另一个方面来看，如果提高遥感图像的波谱分辨率，就有可能区分光谱差别较小的植物/作物类型，而大大提高植物/作物的可分辨类别数。右图给出了提高遥感图像波谱分辨率而增加植物/作物可分辨类别数的一个例子，研究区位于Salton 海北部的Coachilla谷，传感器为美国EOS卫星所载的高级空间热辐射热反射探测器（ASTER）。 ;2 基于彩色合成及图像增强技术的植被分类 ;加拿大魁北克北部木材林TM假彩色合成图像 ; 不同的植被类型（也包括部分土地利用类型）由于含水量和粗糙度等不同，在雷达图像上也会反映出较显著的波谱差异。让我们再看一幅由SIR-C雷达获得的加拿大寒带森林不同季节的多波段合成图像的例子。 ; 除热带地区外，世界上的大多数地区许多植物在冬季会落叶。所以将冬夏两季的图像作比较，可以较容易地区分落叶林、常绿林和常落混生林。因为落叶植物所占比例不同，冬季的近红外波段反射率会有不同程度的下降。这种利用植被季节或时相变化特征来研究植被分布和分类的技术称为变换探测。 ; 下图是用SPOT图像做农作物变换探测的例子。原始图像是同一地区冬春交接季节间隔两个月的两景SPOT图像。它处于西北非洲Ghard平原靠西摩洛哥卡萨布兰卡近大西洋海岸的地区。该地区的主要农作物包括甜菜、甘蔗、小麦和稻谷 。;细分波谱后几种合成方案的比较 ; 下图将几种分类方法与目视解译的结果进行了比较。该图像显示位于加拿大的林区，区分的主要植被类型包括针叶林、落叶树和沼泽地等。 最左面的一幅是由航空像片目视判读并结合地面调查给出的结果。 第二幅是是直接根据TM图像的波谱特征的分类结果，右边的两幅是由AVIRIS数据得到的分类结果，其中左面的是基于叶面积指数所作的分类，右面的使用NDVI来计算分类。 由比较可见，采用NDVI分类的结果远好于直接根据TM图像波谱特征的分类结果，即它更接近于目视判读的结果。 ; 在该分类图中，较亮的湖蓝色为灌木丛和未开垦森林地带，较暗的普蓝色为零散分布的热带森林和草地，紫色为苏丹型草地和林地，中绿为半干旱多林草地和灌木丛，暗绿色为林地，黄色为未开垦的落叶林地和多林草地，桔黄色为半沙漠或沙漠，红色为热带雨林和山地森林。; 同是J.C.Tucker等人的研究小组又利用AVHRR数据接着观察非洲地区植物量（绿波）的季节变化。这种变化表达于所列的4幅图像中，按图中标出的卫星图像获取日期，可见它们分别代表春夏秋冬4个季节。; 为了进行小区域更微观的分类，在植物/农作物管理和调查中可以使用Landsat和SPOT等所载的多波段传感器的数据计算NDVI。 其中TM3和MSS5、SPOT2代表可见光红光波段的反射率，可提供有关叶绿素对光的吸收数据；而TM4，MSS6、7和SPOT3代表近红外波段的反射率，对于探测植物细胞的反射率比较敏感。; 下图显示了以TM数据计算NDVI，并进行土地覆盖分类的例子。分类地区位于墨西哥丘陵地带中心Guadulajara以南的一个很大的汇水盆地。;§3.5 NDVI与植被分类;§2.5 NDVI与植被分类; 因为NDVI计算中所采用的主要数据之一——近红外波段的反射率数据，对于探测植物细胞的反射率（主要反映细胞含水量的变化）是十分敏感的。所以可以用NDVI的分布确定受旱灾影响的植被的分布区域，有时甚至可以反映植被的干枯程度。 例如2002年夏季，美国被近几十年来最严重和最大范围的干旱困扰。在一些州，夏季的6周时间里降水量不足1英寸。许多树木由于缺水而大量落叶，下层植被枯萎，草地一片棕黄。下图是经处理AVHRR图像的局部，它利用NDVI反映了美国当时的植被干枯程度和干旱区分布。;§2.5 NDVI与植被分类; 下图是以NDVI显示干旱对植物影响的程度和分布情况的另一个例子。研究区域位于东非从合恩周围伸展到埃塞俄比亚和索马里的一部分，棕色显示反常的严重植被干枯，黄色显示稍反常的情况，绿色表示那些受局地因素影响，未发生植物干枯的情况。 ;三 基于植被指数和热辐射信息分类 ; 要分析土地覆盖类型与表面