植被指数整理介绍.docVIP

植被指数介绍 目录 TOC \o 1-3 \h \z \u 1. 植被指数概述 3 2. 植被指数的分类 3 2.1不考虑影响因子 3 2.2考虑影响因子 4 2.2.1 消除土壤因子 4 2.2.2 消除大气因子 4 2.2.3 消除综合因子 5 3. 植被指数的应用 5 3.1生态 5 3.2林业 7 3.3农业 9 3.4环境 10 3.5海洋 11 参考文献 12 植被指数概述 植被指数是用不同波段的植被-土壤系统的反射率因子以一定形式组合成的参数，它与植被特征参数间的函数联系比单一波段值更稳定、可靠[1]。从物理意义上看，植被指数是利用绿色植被的反射光谱特征：在红光波段的吸收和在近红外波段的高反射之间的差异，来达到区分绿色植物与其他地物的目的。 由于植被-土壤系统是一个复杂的非朗伯体系，它的反射率因子受到各种因素的影响，因此，对于任何单一波段反射率，都会因任一个因素的变化而导致巨大变化，但当同时应用两个或多个波段时，就可以部分消除某因素带来的影响，还可以应用植被指数的某种形式最大限度地抑制土壤背景信息，突出植被信息。 植被指数涉及的应用领域各异，用途广泛。它可用来诊断植被一系列生物物理参数：叶面积指数（LAI）、植被覆盖率、生物量等；又可用来分析植被生长过程：净初级生产力（NPP）和蒸腾等，在应用时要根据不同的实际情况选用。而且植被光谱表现为植被、土壤亮度、环境影响、阴影、土壤颜色和湿度的复杂混合反应，所以植被指数的影响因子很多，具体使用时应适时修正。 植被指数的分类 基于各种应用目的和应用情况，发展了许多不同的植被指数，这些指数都有各自的优缺点和适用条件，针对不同的应用需求，对影响因子的消除程度要求也不同。按照是否考虑影响因子将植被指数分成两大类。 2.1不考虑影响因子 植被指数最早的发展是为了估算和监测植被覆盖，不考虑任何影响因子，简单地将波段进行线性组合或比值，基于经验方法发展了比值植被指数RVI和针对Landsat?MSS特定遥感图像的土壤亮度指数SBI、绿度植被指数GVI、黄度植被指数YVI。 比值植被指数RVI[2]是最先发展的植被指数，它处理方法简单，能较好地反映植被的覆盖度和生长状况的差异，但是应用的受到植被覆盖度的限制，只有在植被覆盖浓密的情况?下效果最好，当植被覆盖不够浓密时（小于50%），它的分辨能力很弱，这一点与NDVI恰好相反。而且它受大气影响较大，对土壤背景亮度敏感 。由RVI生成的植被指数图像与NDVI生成的相比，RVI信息量更丰富，总体图像的亮度值较低。 土壤亮度指数SBI、绿度植被指数GVI、黄度植被指数YVI[3]是将遥感图像进行缨帽变换，使植被与土壤的光谱特性分离。变换后得到的图像第一分量表示土壤亮度，第二分量表示绿度，这两个分量集中了95%的信息，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。但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。 2.2考虑影响因子 针对波段简单线性组合的植被指数的局限性，以及在实际应用中的需要，后来又发展了许许多多消除影响因子的植被指数，这些大都基于物理知识，将大气、植被覆盖和土壤背景的影响结合在一起考虑，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。大致可以进一步分成三类：考虑土壤因子、大气因子和综合影响因子[4]。 2.2.1 消除土壤因子 由于植被-土壤是一个系统，土壤的信息往往会对植被信息产生干扰，所以土壤是首先考虑的要消除的影响因子。垂直植被指数PVI[3]是基于土壤线理论发展的，是在R、NIR二维数据中对GVI的模拟,两者物理意义相似。与RVI相同的是，在植被覆盖浓密的情况下应用最好，又比RVI更好地滤除了土壤亮度的影响，对大气效应的敏感程度也小于其它植被指数，但它消除土壤背景信息的能力有限，会随LAI的增加而减弱。 土壤调节植被指数SAVI[5]在土壤线理论基础上引入了土壤亮度指数L，建立了一个可适当描述土壤——植被系统的简单模型。L的取值取决于植被的密度，由等LAI和土壤线的交点产生。这个指数进一步降低了土壤背景的影响，减少了土壤和植被冠层背景的双层干扰。但L1，L2会随 LAI的增加而减小，很难获得实时的适合的准确参数值 L，应用困难，而且可能丢失部分背景信息，导致植被指数偏低。对于植被信息提取的精度比NDVI高，能修正NDVI对土壤背景的敏感。但对于林地、耕地和园地等不同地表覆被类型空间分布信息的总体提取，NDVI效果优于SAVI。 基于难以获得实时准确的土壤亮度指数L，对SAVI进行转换后发展了转换型土壤调整植被指数TSAVI[6]，它只需要求得土壤线的