植被指數(shù)整理介紹

1、植被指數(shù)介紹目錄1.植被指數(shù)概述32.植被指數(shù)的分類32.1不考慮影響因子32.2考慮影響因子42.2.1 消除土壤因子42.2.2 消除大氣因子42.2.3 消除綜合因子53.植被指數(shù)的應用53.1生態(tài)53.2林業(yè)73.3農(nóng)業(yè)93.4環(huán)境103.5海洋11參考文獻121. 植被指數(shù)概述植被指數(shù)是用不同波段的植被-土壤系統(tǒng)的反射率因子以一定形式組合成的參數(shù)，它與植被特征參數(shù)間的函數(shù)聯(lián)系比單一波段值更穩(wěn)定、可靠1。從物理意義上看，植被指數(shù)是利用綠色植被的反射光譜特征：在紅光波段的吸收和在近紅外波段的高反射之間的差異，來達到區(qū)分綠色植物與其他地物的目的。由于植被-土壤系統(tǒng)是一個復雜的非朗伯體系，它

2、的反射率因子受到各種因素的影響，因此，對于任何單一波段反射率，都會因任一個因素的變化而導致巨大變化，但當同時應用兩個或多個波段時，就可以部分消除某因素帶來的影響，還可以應用植被指數(shù)的某種形式最大限度地抑制土壤背景信息，突出植被信息。植被指數(shù)涉及的應用領域各異，用途廣泛。它可用來診斷植被一系列生物物理參數(shù)：葉面積指數(shù)（LAI）、植被覆蓋率、生物量等；又可用來分析植被生長過程：凈初級生產(chǎn)力（NPP）和蒸騰等，在應用時要根據(jù)不同的實際情況選用。而且植被光譜表現(xiàn)為植被、土壤亮度、環(huán)境影響、陰影、土壤顏色和濕度的復雜混合反應，所以植被指數(shù)的影響因子很多，具體使用時應適時修正。2. 植被指數(shù)的分類基于各種

3、應用目的和應用情況，發(fā)展了許多不同的植被指數(shù)，這些指數(shù)都有各自的優(yōu)缺點和適用條件，針對不同的應用需求，對影響因子的消除程度要求也不同。按照是否考慮影響因子將植被指數(shù)分成兩大類。2.1不考慮影響因子植被指數(shù)最早的發(fā)展是為了估算和監(jiān)測植被覆蓋，不考慮任何影響因子，簡單地將波段進行線性組合或比值，基于經(jīng)驗方法發(fā)展了比值植被指數(shù)RVI和針對LandsatMSS特定遙感圖像的土壤亮度指數(shù)SBI、綠度植被指數(shù)GVI、黃度植被指數(shù)YVI。比值植被指數(shù)RVI2是最先發(fā)展的植被指數(shù)，它處理方法簡單，能較好地反映植被的覆蓋度和生長狀況的差異，但是應用的受到植被覆蓋度的限制，只有在植被覆蓋濃密的情況下效果最好，當植

4、被覆蓋不夠濃密時（小于50%），它的分辨能力很弱，這一點與NDVI恰好相反。而且它受大氣影響較大，對土壤背景亮度敏感 。由RVI生成的植被指數(shù)圖像與NDVI生成的相比，RVI信息量更豐富，總體圖像的亮度值較低。土壤亮度指數(shù)SBI、綠度植被指數(shù)GVI、黃度植被指數(shù)YVI3是將遙感圖像進行纓帽變換，使植被與土壤的光譜特性分離。變換后得到的圖像第一分量表示土壤亮度，第二分量表示綠度，這兩個分量集中了95%的信息，構成的二位圖可以很好的反映出植被和土壤光譜特征的差異。但GVI是各波段輻射亮度值的加權和，而輻射亮度是大氣輻射、太陽輻射、環(huán)境輻射的綜合結果，所以GVI受外界條件影響大。2.2考慮影響因子針

5、對波段簡單線性組合的植被指數(shù)的局限性，以及在實際應用中的需要，后來又發(fā)展了許許多多消除影響因子的植被指數(shù)，這些大都基于物理知識，將大氣、植被覆蓋和土壤背景的影響結合在一起考慮，并通過數(shù)學和物理及邏輯經(jīng)驗以及通過模擬將原植被指數(shù)不斷改進。大致可以進一步分成三類：考慮土壤因子、大氣因子和綜合影響因子4。2.2.1 消除土壤因子由于植被-土壤是一個系統(tǒng)，土壤的信息往往會對植被信息產(chǎn)生干擾，所以土壤是首先考慮的要消除的影響因子。垂直植被指數(shù)PVI3是基于土壤線理論發(fā)展的，是在R、NIR二維數(shù)據(jù)中對GVI的模擬,兩者物理意義相似。與RVI相同的是，在植被覆蓋濃密的情況下應用最好，又比RVI更好地濾除了土

6、壤亮度的影響，對大氣效應的敏感程度也小于其它植被指數(shù)，但它消除土壤背景信息的能力有限，會隨LAI的增加而減弱。土壤調(diào)節(jié)植被指數(shù)SAVI5在土壤線理論基礎上引入了土壤亮度指數(shù)L，建立了一個可適當描述土壤植被系統(tǒng)的簡單模型。L的取值取決于植被的密度，由等LAI和土壤線的交點產(chǎn)生。這個指數(shù)進一步降低了土壤背景的影響，減少了土壤和植被冠層背景的雙層干擾。但L1，L2會隨 LAI的增加而減小，很難獲得實時的適合的準確參數(shù)值 L，應用困難，而且可能丟失部分背景信息，導致植被指數(shù)偏低。對于植被信息提取的精度比NDVI高，能修正NDVI對土壤背景的敏感。但對于林地、耕地和園地等不同地表覆被類型空間分布信息的總

7、體提取，NDVI效果優(yōu)于SAVI?；陔y以獲得實時準確的土壤亮度指數(shù)L，對SAVI進行轉換后發(fā)展了轉換型土壤調(diào)整植被指數(shù)TSAVI6，它只需要求得土壤線的截距和斜率，適合于求解某一小范圍植被覆蓋變化較小的下墊面上的植被指數(shù)，對土壤背景的消除能力有所改善。而且考慮了裸土土壤線，比NDVI對于低植被覆蓋有更好的指示作用，兼顧了低LAI時PVI和高LAI時RVI的優(yōu)點。但指數(shù)的動態(tài)范圍較小，求解時必須預先已知下墊面植被密度或覆蓋度的分布特征，對實際應用的條件要求較高。為減小SAVI中裸土的影響，發(fā)展了修正的土壤調(diào)節(jié)植被指數(shù)MSAVI7，它的L值可以隨植被密度而自動調(diào)節(jié)，進一步減少了土壤背景影響，使植

8、被信息與土壤噪音之比更大，可以用于研究荒漠區(qū)的植被。2.2.2 消除大氣因子大氣層對遙感圖像的影響很大，在計算植被指數(shù)時同樣要消除它的影響。根據(jù)大氣對紅光通道的影響比近紅外通道大得多的特點，在定義NDVI時通過藍光和紅光通道的輻射差別修正紅光通道的輻射值，發(fā)展了抗大氣植被指數(shù)ARVI8，它定義了一個決定大氣調(diào)節(jié)程度的關鍵參數(shù)，取決于氣溶膠的類型。Kanfman推薦的為常數(shù)1僅能消除某些尺寸氣溶膠的影響，有很大局限性。對大氣的敏感性比NDVI約減小4倍，減小了大氣氣溶膠引起的大氣散射對紅的波段的影響。ARVI要先通過輻射傳輸方程的預處理來消除分子和臭氧的作用,進行預處理時需要輸入的大氣實況參數(shù)往

9、往是難以得到的，給應用帶來困難。由于預先的分子散射和臭氧訂正較復雜，在ARVI的基礎上，得到新的抗大氣影響植被指數(shù)IAVI9，它是運用大氣下向光譜的同步觀測實例值以及大氣輻射傳輸方程，得到糾正NDVI的關鍵參數(shù)，使值可從0.651.21之間變化，同時也不必采用輻射傳輸模型進行預處理。使得大氣對IAVI影響誤差為0.4%3.7%，比NDVI的14%31%有明顯的減小。為了發(fā)展一個植被指數(shù)能適用于全球范圍，且在相當長的時間間隔上具有可比性，Pinty等對AVHRR數(shù)據(jù)進行了自糾正處理，提出了全球環(huán)境監(jiān)測植被指數(shù)GEMI10，它不用改變植被信息就可以減小大氣影響，能很好地分離云和陸地表面。但GEMI

10、受到裸土的亮度和顏色相當大的影響，對于稀疏或中密度植被覆蓋不太適用，而且很難區(qū)分水生植被與陸地表面，動態(tài)分辨率也比較低。與NDVI指數(shù)相比，GEMI保存了相對低密度至濃密度覆蓋更大的動態(tài)范圍，區(qū)分植被與非植被之間差異程度比NDVI高。2.2.3 消除綜合因子歸一化差值植被指數(shù)NDVI11是在對RVI非線性歸一化處理后得到的,用非線性拉伸的方式增強了NIR和R反射率的對比度，會發(fā)現(xiàn)對于同一幅圖像，分別求RVI和NDVI時，RVI值增加的速度高于NDVI增加速度。對綠色植被表現(xiàn)敏感，對植被的響應能力增強，適合于稀疏植被條件下。它可以對農(nóng)作物和半干旱地區(qū)降水量進行預測，是目前應用最廣泛的植被指數(shù)。但

11、它受到定標和儀器特性、大氣、土壤及葉冠背景等因素影響，使其應用受到限制；由于同時考慮到多個影響因子，消除效果都不是很好，對植被冠層的背景亮度非常敏感, 很難消除大氣效應，還具有容易飽和的缺陷?；谕寥篮痛髿獾挠绊懯窍嗷プ饔玫氖聦?，提出了一種三波段梯度差植被指數(shù)TGDVI12，它具有一定的消除背景和薄云影響的能力，解決了NDVI在高植被覆蓋區(qū)飽和點低的問題。但在計算植被覆蓋度時沒有考慮植被、土壤面積比隨波長的變化情況，與實際情況存在差異，此外TGDVI用到三個波段的信息，且沒有經(jīng)過比值處理，波段噪聲的影響會較大。 3. 植被指數(shù)的應用雖然植被指數(shù)形式眾多，對于不同的實際情況可以選用合適的指數(shù)，但

12、它并不能消除所有的影響，一定會存在誤差，而且在實際應用中，只依靠單一的指數(shù)并不能進行更深層次的研究，所以在應用中植被指數(shù)往往與其他分析方法相結合，與該領域的相關參數(shù)建立數(shù)學上的關系式，達到研究目標。當用于某一研究參數(shù)的反演時，往往將植被指數(shù)與這個參數(shù)進行相關和回歸分析，建立反演模型，可用通過模型反演得到的參數(shù)進行進一步的分析；當對地物進行分類時，可結合遙感分類方法，如監(jiān)督分類、聚類分析等，與植被指數(shù)進行匹配，提高分類的精確度。還可以將植被指數(shù)與地表溫度聯(lián)合，發(fā)展新的特征空間，用于針對熱紅外遙感的數(shù)據(jù)分析。以下分別介紹了植被指數(shù)在生態(tài)、林業(yè)、農(nóng)業(yè)、環(huán)境和海洋領域的實際應用。3.1生態(tài)植被指數(shù)可以

13、與表征生態(tài)學上的參數(shù)進行聯(lián)合分析，用于生態(tài)領域的基礎性研究。曹宇等將植被指數(shù)與遙感分類方法相結合，用于生態(tài)景觀的分類13。將ETM+影像的第1、2、3、4、5、7波段分別進行各自的非監(jiān)督分類，通過對NDVI、DVI、IPVI、SAVI、RVI與中紅外波段所生成的散點圖進行聚類分析，參照已知的實際地物類型，將非監(jiān)督分類生成的7種類型依次聚類歸并為相應的7種景觀生態(tài)類型。圖1. NDVI與Band7散點圖及其聚類方法示意圖13圖2. 各項植被指數(shù)與Band7散點聚類圖13這5個散點圖具有極大相似性，都能夠很明顯地將具有典型植被信息的類別分離出來，從而表現(xiàn)出植被類別具有較高的空間分離性特征；而植被指

14、數(shù)值相對較低的類別卻相互交織、混雜、疊加在一起，很難詳細區(qū)分出其具體類別，適用于低植被覆蓋度的NDVI的優(yōu)越性也不是很明顯，說明這些類別需要結合別的方法來判斷。在實際的景觀生態(tài)類型遙感解譯與分類應用當中，要盡可能全面地選取不同的植被指數(shù)進行綜合分析，并結合常規(guī)的遙感影像監(jiān)督與非監(jiān)督分類方法，會提高景觀生態(tài)類型的遙感判讀與解譯能力。錢峻屏等利用植被指數(shù)調(diào)查東部樣帶的生產(chǎn)力格局14。使用NOAA衛(wèi)星AVHRR逐日衛(wèi)星影像集，采用信息量綜合評價方法從RVI、NDV I、SAVI、MSAV I中選取信息量最大的NDVI與RVI。結合已有的地面觀測點的植被生產(chǎn)力資料，適當補充了有代表性的森林、農(nóng)作物、草

15、地區(qū)的實測資料作為參考，用相關分析的方法建立兩個植被指數(shù)與凈第一生產(chǎn)力NPP的回歸模型，繪制了整個樣帶范圍的干、濕兩季NPP分布圖。 表1.樣帶分區(qū)內(nèi)植被指數(shù)平均信息量及排序14通過比較表1中4種植被指數(shù)的信息量，可以看出NDVI和RVI的信息量更豐富，尤其是RVI?；贜DVI適用于低植被覆蓋和RVI適用于高植被覆蓋的特點，從中也可以間接看出華北地區(qū)植被覆蓋度較其他3個地區(qū)低。圖3.樣帶干、濕兩季NPP分布圖14文章中是以月為單位進行整個樣帶NPP的計算，但對不同的植被類型，其對環(huán)境變化的敏感程度不一樣，月變化數(shù)據(jù)有時不足以表現(xiàn)其季相變化模式，如草地和農(nóng)田常常在一旬內(nèi)就有明顯的季相差異。3.

16、2林業(yè)植被指數(shù)可用于森林生物量的模擬預測，從宏觀上把握森林植被的各種狀況。張志東等用植被指數(shù)進行森林生物量的空間分布模擬15，了解各物種的分布格局。采用覆蓋研究區(qū)的TM影像數(shù)據(jù)，選取4個植被指數(shù)：短紅外濕度植被指數(shù)MVI5、中紅外濕度植被指數(shù) MVI7和RVI、 NDVI，將物種根據(jù)演替地位劃分成先鋒種和頂極種，利用Pearson相關分析分別計算了總物種、先鋒種和頂極種生物量與植被指數(shù)的關系，利用逐步多重線性回歸分析構建了生物量與植被指數(shù)的回歸模型。根據(jù)回歸模型, 分別對總物種、先鋒種和頂極種生物量在研究區(qū)的空間分布進行了預測，利用殘差圖對生物量預測圖的精度進行評估。先鋒種生物量無論從量上還是

17、從分布格局上均與總物種和頂極種生物量存在顯著的差異。圖4.生物量與植被指數(shù)的相關分析和回歸模型15相關分析表明頂極種生物量和總生物量與植被指數(shù)存在相似的相關性, 均與植被指數(shù)MVI7和MVI5顯著相關(p 0.01)，先鋒種生物量和NDVI、RVI顯著相關(p0.05)；回歸模型表明總生物量和頂極種生物量分別與MVI7和MVI5回歸關系顯著，而先鋒種生物量和RVI回歸關系相對較弱。由于NDVI易飽和的缺點，在熱帶森林中不能有效地反映植被特征的變化，所以RVI對先鋒種生物量的指示作用明顯好于NDVI。而短紅外波段對估測森林生物量具有高的敏感性, 近紅外波段其次, 而紅光波段的敏感性最弱，因此分別

18、由短紅外波段和中紅外波段與近紅外波段組合成的MVI5和MVI7，對總物種生物量和頂極種生物量有較好的指示作用。圖5. 總物種(a)、頂極種(b)和先鋒種(c)生物量(1 000 kghm2)分布15麻坤等提取能夠敏感反映植被生長健康狀況的植被指數(shù)來進行森林健康評估16。使用包含了火地塘林區(qū)在內(nèi)的秦嶺中段森林的HJ-/HISL2級高光譜數(shù)據(jù)，從植被指數(shù)中利用敏感性分析法17，剔除在該地區(qū)對植被生長狀況反應不明顯的植被指數(shù)：Vogelmann紅邊指數(shù)1和紅邊位置指數(shù)，建立評價森林生長健康狀況（FHI）的模型，據(jù)此模型對影像逐象元進行處理，得到4個健康等級。但影像數(shù)據(jù)無法有效反映林分結構和生物多樣性

19、，無法從生態(tài)系統(tǒng)尺度去實現(xiàn)森林生態(tài)系統(tǒng)健康狀況的有效評價。圖6.各植被指數(shù)公式及信息統(tǒng)計16敏感性分析法的原理主要是計算影像內(nèi)各個植被指數(shù)的變異系數(shù)，變異系數(shù)越大，表示該植被指數(shù)在研究區(qū)域內(nèi)可以敏感反應植被生長狀況，可以看出葉色素指數(shù)比綠度指數(shù)更能反映植被的生長狀況。紅光波段受植被覆蓋度影響較大，使得NDVI和RVI對森林的指示效果不好。圖7. 森林健康等級分布圖163.3 農(nóng)業(yè)植被指數(shù)可與農(nóng)作物的生長參數(shù)、土壤相關參數(shù)建立聯(lián)系，反演出農(nóng)田信息。柳欽火等用植被指數(shù)反演土壤濕度來開展干旱檢測18。結合NDVI與地表溫度，分析LST/NDVI特征空間在不同區(qū)域和季節(jié)的變化，建立LST/NDVI斜率

20、與土壤濕度的回歸方程，并分析回歸方程系數(shù)的時空變異，最后得到由LST/NDVI斜率反演土壤濕度的關系式，按土壤濕度進行旱情分級，并與全國耕地分布圖進行疊加，得到全國耕地旱情分布圖。圖8. LST/NDVI斜率與土壤濕度的相關關系18由于遙感反演數(shù)據(jù)與地面觀測數(shù)據(jù)存在時空匹配問題，在LST/NDVI斜率與土壤濕度的線性回歸擬合過程中，采用了閾值的方法剔除干擾異點像元來提高精度，閾值的設置應考慮時間、空間的變化；提出的LST/NDVI斜率與土壤濕度的定量關系適于較高土壤濕度的情況，將其外推至低土壤含水量情況可能存在差異。張樹譽等選用MODIS- NDVI建立的植被指數(shù)序列監(jiān)測農(nóng)作物長勢19。使用N

21、DVI的單日植被指數(shù)、旬/月植被指數(shù)，采用逐年比較模型的差值分析方法, 利用本旬的NDVI資料與前一旬及上年同一時段的資料進行差值對比分析。結合地面農(nóng)業(yè)氣象觀測站結果, 參考農(nóng)業(yè)部門的苗情等級劃分標準, 將長勢優(yōu)劣的差異值T量化。像元的NDVI值是多種土地利用類型混合作用的結果, 進行有效的混合像元分解, 可以提高NDVI曲線對研究目標的指示程度；還可采用植被表面溫度TS 與NDVI的矢量空間來描述冬小麥的長勢并診斷水分的脅迫, 更準確地診斷長勢的問題所在, 建立作物長勢診斷模型。圖9. 2004年、2005年NDVI旬變化曲線193.4環(huán)境植被指數(shù)可通過反映植被信息，間接表明環(huán)境信息，如地表

22、溫度，用于城市熱環(huán)境研究20。王偉等選用南京市Landsat ETM+影像為數(shù)據(jù)源，用NDVI和減化比值植被指數(shù)RSR，建立地表溫度與NDVI、RSR 的二維散點圖和回歸。結果顯示，地表溫度與NDVI呈顯著線性負相關，與RSR呈冪函數(shù)負相關，植被覆蓋度越高，對應的地表溫度越低。兩者的擬合誤差出現(xiàn)在植被稀疏且地表溫度較高的地區(qū)，RSR對植被覆蓋類型變化的敏感性小，與LAI的定量關系更好，短波紅外的引入可抑制一定的背景影響，故對于混合像元，RSR比NDVI更有效；而NDVI不僅受植物種類、葉面積大小、土壤背景和陰影的影響較大，且易飽和，相比而言RSR是一種可互補的、甚至更適用的城市熱環(huán)境評價指標。

23、圖10.地表溫度與NDVI( a) 和地表溫度與RSR( b) 的擬合模型203.5海洋植被指數(shù)在海洋中的應用主要是針對綠潮等的監(jiān)測，用于估計水體的狀況。劉振宇等用日照一青島一威海一帶海域的Terra數(shù)據(jù)提取滸苔信息21。計算出區(qū)域的EVI和NDVI后，確定正確的閾值便可以很好剔除云的影像區(qū)分出滸苔區(qū)域。對分析出的滸苔的面積進行統(tǒng)計,可以看出EVI提取到的滸苔信息較好。大氣的吸收和散射同海水的吸收使得圖像中滸苔信息較弱, 也就是說消弱了滸苔在近紅外的反射高峰與紅光波段的低谷, 使得兩者間的差異變小,給滸苔信息的提取帶來了困難。圖11. NDVI和EVI處理分類圖21辛紅梅等用植被指數(shù)確定赤潮高

24、光譜敏感波段22，即赤潮水體特征反射峰位置。選取RVI、NDVI、TVI和DVI，計算所有組合波段下的植被指數(shù)。通過計算結果與已知結果的比較，計算每種組合的顯著性度量，確定該植被指數(shù)的最佳組合波段，即值最大的組合波段。圖12.植被指數(shù)波段選擇結果22圖12中實線為從原始高光譜數(shù)據(jù)中提取的赤潮水體光譜曲線，虛線為從原始高光譜數(shù)據(jù)中提取的正常水體光譜曲線，豎線代表了與RVI對應的最佳組合波段。針對赤潮目標，RVI的顯著性度量的值最大，在其對應的波段赤潮水體與正常水體的差異最大。參考文獻1徐希孺.遙感物理M.北京：北京大學出版社，2006:121-122.2JordanCF.1969.Derivat

25、ionofleafareaindexfromqualityoflightontheforesrfloorJ.Ecology,50:663-666.3KauthRJ,ThomasGS.1976.Thetasseledcap-agraphicdescriptionofthespectral-temporaldevelopmentofagriculturecropsasseenbyLandsatA.ProsSymposiumonMachineProcessingofRemotelySensedDataC.PurdureUniversity,WestLafayette,Indiana：41-51.4

26、羅亞, 徐建華, 岳文澤.基于遙感影像的植被指數(shù)研究方法述評J.生態(tài)科學, 2005, 24(1): 75-79.5HueteAR.1988.Asoil-adjustedvegetationindex(SAVI)J.RemoteSens.Environ,25:295-309.6BaretF,GuyotG,MajorDJ.1989.TSAVI:AvegetationindexwhichminimizesoilbrightnesseffectsonLAIandAPARestimationA.Proceedingsofthe12thCanadianSymposiumonRemotesensingan

27、dIGARSS89C,Vancouver,Canada,3:1355-1358.7QiJA.1994.ModifiedsoiladjustedvegetationindexJ.RemoteSens.Environ,48:119-126.8Kaufman Y J, Tanre D. Atmospherically resistant vegetation index (ARVI) for EOS-MODISJ. Geoscience and Remote Sensing, IEEE Transactions on, 1992, 30(2): 261-270.9張仁華，饒農(nóng)新，廖國男.植被指數(shù)的抗大氣影響探討J.植物學報，1996，38(1)：53-62.10PintyB,andVerstraeteMM.1992GEMI:ANon-LinearIndextoMonitorGlobalVegetationfromSatellitesJ.Vegetation,101:15-20.11RouseJW,HaasRH,SchellJA,andD