第五章植被遥感.ppt

PVI也可定量表达为： 其中，DNNIR、DNR分别为NIR、R两波段的反射辐射亮度值；b为土壤基线与NIR反射率纵轴的截距；θ为土壤基线与R光反射率横轴的夹角。 PVI的显著特点是较好地滤除了土壤背景的影响，且对大气效应的敏感程度也小于其它植被指数。正因为它减弱和消除了大气、土壤的干扰，所以被广泛应用于作物估产。 在岩石和土壤光谱特征都变化很大的干旱和半干旱地区，作为首选植被指数。 植被指数总结 NDVI和DVI等指数均受土壤背景的影响大，且随波长、土壤特征（含水量、有机质含量、表面糙度等）及植被覆盖度、作物排列方向等的变化而变化。 植被指数的主要组成波段是红光和近红外波段，叶子对红光的强吸收，弱透射和反射，而作为背景的土壤则在红光波段强反射。因此在植被非完全覆盖的情况下，土壤背景的影响较大，且随覆盖度变化而变化。 叶子对近红外的反射和透射均较高（各占50%），吸收极少，而土壤对近红外光的反射明显小于叶子的反射，因此，在植被非完全覆盖的情况下，冠层的近红外反射辐射中，叶层的多次反射及与土壤的相互作用是复杂的，土壤的影响仍然较大。 三、植被指数与地表参数的关系 1、与叶面积指数的关系 叶面积越大则光合作用越强，而光 合作用越强，又使植物群体的叶面积越大，植物干物质积累越多，生物量越大。同时，植物群体的叶面积越大，植物群体的反射辐射增强。 叶面积大，植被叶片密集，其反射近红外辐射越强，在0.7微米-0.9微米反射能量越多； 叶面积大，入射辐射直接到达地表部分较少，土壤反射更弱，土壤影响也小。 实验证明： 当作物群体LAI大于3时，其反射率可达太阳总辐射的20%； 当正常稻田LAI为4时的能量透过率为太阳总辐射的23%或低于20%； 对草本植物而言，叶片倾角较大，光很容易透过冠层直达底部直至土壤。当LAI高达7.5时，有5%的入射光可到达土壤表面。 叶面积指数计算方法 直接实测方法长宽法、称重法 这些方法均需要消耗一定的人力进行实物测量。 借助有关测量工具 例如LAI-2000、LAI-2200、LI-3100C、LI-3000、AccuPAR等，此方法仍需实地进行测量。仅能获得地面有限点的LAI值，对于推广获取大范围LAI存在很大局限性，不能满足植被生态和作物长势监测需求。 遥感反演方法 由于遥感数据具有覆盖范围广、时间与空间分辨率高、花费相对较少等优点。可以用定量遥感方法反演区域LAI。 作物生长模型模拟LAI 直接测量法 Sunscan获取叶面积指数 遥感反演法 叶面积指数一般大于1，小于10，在光谱曲线中，近红外波段的反射率随叶面指数增加而增加。 高塔遥感实验场的大量观测资料表明，植被指数NDVI或RVI与叶面积指数LAI的相关系数很高，且与LAI呈非线性函数关系。 式中的A、B、C及A、B 、C 均为经验系数，可通过模拟试验获得。其中， A、 A值是由植物本身的光谱反射确定的，不同叶形，叶倾角及散射系数造成不同的A值及A值；B、B值与叶倾角、观测角有关，当叶呈水平状，则线性关系明显；当叶呈非水平状，随着LAI的增大，植被指数增大速率较慢，两者呈余弦关系，基本是线性的。C、C值取决于叶子对辐射的衰减，这种衰减是呈非线性的指数函数变化。 2. 植被指数和叶绿素含量的关系 叶子生长初期，叶绿素含量与辐射能吸收间几乎直线相关，即叶绿素含量增多，蓝、红波段吸收增强，绿波段反射率降低，近红外反射率增强，植被指数增大； 但当叶绿素含量增加到一定程度后，吸收率近于饱和，反射率变化小，植被指数的差异不明显，因而植物在生长旺季较难区分。 不同作物由于植土比的差异，其表达叶绿素含量的光谱模型是不同。 小麦几种植被指数模型与叶绿素含量的时间剖面曲线的关系 图中可见，G5曲线与叶绿素含量相当吻合。 实验证明，对小麦而言， 的光谱模型表达叶绿素含量最佳 。 其余四个绿度模型分别为： 对大豆言，因叶子较早封垄，土壤影响较小，则G3光谱模型反映叶绿素含量最佳。 3. 植被指数和植被覆盖度的关系 植被覆盖度指植被冠层的垂直投影面积与土壤总面积之比,即植/土比。传感器所测得的反射辐射R可表示为： 其中，RV为植被的总反射辐射，RS为土壤的总反射辐射，C为植被覆盖度，则： 式中,ρ为植被与土壤混合光谱反射率, ρv、ρs分别为纯植被和纯土壤宽波段反射率。 据理论推导，RVI、NDVI与植土比分别呈指数和幂函数关系，当LAI较小时，它们与植土比的变化反应不敏感。 PVI与植土比呈直线相关，其对植土比的感应能力也随LAI减小而降低。就估测作物而言，PVI较为优越，但应选LAI较大的时期。 实际上，植土比和叶面积指数同时随空间而变化，因此，需综合考虑植被指数与两者的关系。 植被指数的概念 遥感图像上的植被信息，主要