幾種常見(jiàn)植被指數(shù)

1、常用的植被指數(shù)，土壤指數(shù)，水體指數(shù)有哪些？植被指數(shù)與土壤指數(shù)、rvi比值植被指數(shù)：RVI二NIR/R，或兩個(gè)波段反射率的比值。1綠色健康植被覆蓋地區(qū)的RVI遠(yuǎn)大于1,而無(wú)植被覆蓋的地面(裸土、人工建筑、水體、植被枯死或嚴(yán)重蟲(chóng)害)的RVI在1附近。植被的RVI通常大于2；2、RVI是綠色植物的靈敏指示參數(shù)，與LAI、葉干生物量(DM)、葉綠素含量相關(guān)性高，可用于檢測(cè)和估算植物生物量；3植被覆蓋度影響RVI，當(dāng)植被覆蓋度較高時(shí)，RVI對(duì)植被十分敏感；當(dāng)植被覆蓋度50%時(shí)，這種敏感性顯著降低；4、RVI受大氣條件影響，大氣效應(yīng)大大降低對(duì)植被檢測(cè)的靈敏度，所以在計(jì)算前需要進(jìn)行大氣校正，或用反射率計(jì)算R

2、VI。二NDVI歸一化植被指數(shù)：NDVI=(NIR-R)/(NIR+R)，或兩個(gè)波段反射率的計(jì)算。1、NDVI的應(yīng)用：檢測(cè)植被生長(zhǎng)狀態(tài)、植被覆蓋度和消除部分輻射誤差等；2、-1二NDVIv=1，負(fù)值表示地面覆蓋為云、水、雪等，對(duì)可見(jiàn)光高反射;0表示有巖石或裸土等，NIR和R近似相等；正值，表示有植被覆蓋，且隨覆蓋度增大而增大；3、NDVI的局限性表現(xiàn)在，用非線性拉伸的方式增強(qiáng)了NIR和R的反射率的對(duì)比度。對(duì)于同一幅圖象，分別求RVI和NDVI時(shí)會(huì)發(fā)現(xiàn)，RVI值增加的速度高于NDVI增加速度，即NDVI對(duì)高植被區(qū)具有較低的靈敏度；4、NDVI能反映出植物冠層的背景影響，如土壤、潮濕地面、學(xué)、枯葉

3、、粗超度等，且與植被覆蓋有關(guān)；三、DVI'EVI差值環(huán)境植被指數(shù)：DVI二NIR-R，或兩個(gè)波段反射率的計(jì)算。1、對(duì)土壤背景的變化極為敏感；四、SAVITSAVIMSAVI調(diào)整土壤亮度的植被指數(shù)：SAVI=(NIR-R)/(NIR+R+L)(1+L)，或兩個(gè)波段反射率的計(jì)算。1、目的是解釋背景的光學(xué)特征變化并修正NDVI對(duì)土壤背景的敏感。與NDVI相比，增加了根據(jù)實(shí)際情況確定的土壤調(diào)節(jié)系數(shù)L，取值范圍01。L=0時(shí)，表示植被覆蓋度為零；L=1時(shí)，表示土壤背景的影響為零，即植被覆蓋度非常高，土壤背景的影響為零，這種情況只有在被樹(shù)冠濃密的高大樹(shù)木覆蓋的地方才會(huì)出現(xiàn)。2、SAVI僅在土壤線參

4、數(shù)a=1,b=0(即非常理想的狀態(tài)下)時(shí)才適用。因此有了TSAVI、ATSAVI、MSAVI、SAVI2、SAVI3、SAVI4等改進(jìn)模型。五、GVI綠度植被指數(shù)，k-t變換后表示綠度的分量。1通過(guò)k-t變換使植被與土壤的光譜特性分離。植被生長(zhǎng)過(guò)程的光譜圖形呈所謂的"穗帽"狀，而土壤光譜構(gòu)成一條土壤亮度線，土壤的含水量、有機(jī)質(zhì)含量、粒度大小、礦物成分、表面粗糙度等特征的光譜變化沿土壤亮度線方向產(chǎn)生。2、kt變換后得到的第一個(gè)分量表示土壤亮度，第二個(gè)分量表示綠度，第三個(gè)分量隨傳感器不同而表達(dá)不同的含義。如，MSS的第三個(gè)分量表示黃度，沒(méi)有確定的意義；TM的第三個(gè)分量表示濕度。

5、3、第一二分量集中了95%的信息，這兩個(gè)分量構(gòu)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。4、GVI是各波段輻射亮度值的加權(quán)和，而輻射亮度是大氣輻射、太陽(yáng)輻射、環(huán)境輻射的綜合結(jié)果，所以GVI受外界條件影響大。六、PVI垂直植被指數(shù)，在R-NIR的二為坐標(biāo)系內(nèi)，植被像元到土壤亮度線的垂直距離。PVI=(SR-VR)2+(SNIR-VNIR)2)1/2，S是土壤反射率，V是植被反射率。1、較好的消除了土壤背景的影響，對(duì)大氣的敏感度小于其他VI2、PVI是在R-NIR二位數(shù)據(jù)中對(duì)GVI的模擬，兩者物理意義相同3、PVI=(DNnir-b)cosq-DNr'sinq,b是土壤基線與NI

6、R截距，q是土壤基線與R的夾角。七、其他1根據(jù)具體情況改進(jìn)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、應(yīng)用于高光譜數(shù)據(jù)的VI，如CARI（葉綠素吸收比值指數(shù)）和CACI（葉綠素吸收連續(xù)區(qū)指數(shù)）等。VI劃分類型典型代表特點(diǎn)線性DVI低LAI時(shí)，效果較好；LAI增加愛(ài)時(shí)對(duì)土壤背景敏感比值型NDVI、RVI增強(qiáng)了土壤與植被的反射對(duì)比垂直型PVI低LAI時(shí)，效果較好；LAI增加愛(ài)時(shí)對(duì)土壤背景敏感歸一化差值植被指數(shù)NDVI是植被遙感中應(yīng)用最為廣泛的指數(shù)之一，但它受土壤背景等因

7、素的干擾比較強(qiáng)烈.結(jié)合實(shí)測(cè)的土壤數(shù)據(jù)以及公式推導(dǎo)、PROSAIL模型模擬等方法分析了這種影響.首先,假定與土壤線性混合且葉片呈水平分布的植被冠層,根據(jù)土壤與植被分別在紅光、近紅外波段處的反射率值、植被覆蓋度等參數(shù)，利用公式推導(dǎo)了土壤背景對(duì)不同覆蓋度下冠層NDVI的影響其次，利用PROSAIL冠層光譜模擬模型,模擬分析了土壤背景對(duì)不同LAI下冠層NDVI的影響分析的結(jié)果表明:LAI越小，土壤背景的影響越大;暗土壤背景下的冠層NDVI值大于亮土壤背景下冠層的NDVI值;并且,暗土壤條件下,NDVI值對(duì)土壤亮度的變化更敏感，而亮土壤下,NDVI值則對(duì)LAI或覆蓋度的變化更敏感最后利用實(shí)測(cè)的不同土壤背

8、景下的冬小麥冠層光譜數(shù)據(jù)，驗(yàn)證了公式推導(dǎo)和模型模擬的結(jié)果.I.Mcfeeters在1996年提出的歸一化差分水體指數(shù)(NDWI其表達(dá)式為：NDWI=(p(Green)-p(NIR)/(p(Green)+p(NIR)是基于綠波段與近紅外波段的歸一化比值指數(shù)。該NDWI般用來(lái)提取影像中的水體信息，效果較好。局限性：用NDWI來(lái)提取有較多建筑物背景的水體，如城市中的水體，其效果會(huì)較差。2.Gao于1996年也命名了一個(gè)NDWI，用于研究植被的含水量。其表達(dá)式為：NDWI=(p(NIR)-p(MIR)/(p(NIR)+p(MIR)=(p(0.86pm)-p(1.24pm)/(p(0.86pm)+p(1

9、.24pm)植被水分指數(shù)NDWI是基于中紅外與近紅外波段的歸一化比值指數(shù)。與NDVI相比，它能有效地提取植被冠層的水分含量;在植被冠層受水分脅迫時(shí),NDWI指數(shù)能及時(shí)地響應(yīng)，這對(duì)于旱情監(jiān)測(cè)具有重要意義。而Wilson等在研究美國(guó)緬甸因州的森林時(shí)，使用了歸一化濕度指數(shù)(NormalizedDifferenceMoistureIndex,NDMI),其表達(dá)式與Gao的完全致。由于Gao的NDWI與Wilson等的NDMI指數(shù)的意義與用途是一致的，而與Mcfeeters用于研究水體的NDWI指數(shù)有所不同，因此一般將用于研究植被含水量的指數(shù)改稱為NDMI指數(shù)。3水體指數(shù)(MNDWI)指數(shù)在對(duì)Mcfee

10、ters提出的歸一化差異水體指數(shù)(NDWI)分析的基礎(chǔ)上,對(duì)構(gòu)成該指數(shù)的波長(zhǎng)組合進(jìn)行了修改,提出了改進(jìn)的歸一化差異水體指數(shù)MNDWI(ModifiedNDWI),并分別將該指數(shù)在含不同水體類型的遙感影像進(jìn)行了實(shí)驗(yàn)，大部分獲得了比NDWI好的效果,特別是提取城鎮(zhèn)范圍內(nèi)的水體.NDWI指數(shù)影像因往往混有城鎮(zhèn)建筑用地信息而使得提取的水體范圍和面積有所擴(kuò)大實(shí)驗(yàn)還發(fā)現(xiàn)MNDWI比NDWI更能夠揭示水體微細(xì)特征，如懸浮沉積物的分布、水質(zhì)的變化另外,MNDWI可以很容易地區(qū)分陰影和水體，解決了水體提取中難于消除陰影的難題.其表達(dá)式為：MNDWI=(p(Green)-p(MIR)/(p(Green)+p(MI

11、R)遙感圖像的分類方法傳統(tǒng)分類方法1.非監(jiān)督分類遙感圖像上的同類地物在相同的條件下,一般具有相同或相近的光譜特征,從而表現(xiàn)出某種內(nèi)在的相似性,歸屬于同一個(gè)光譜空間區(qū)域。而不同的地物,光譜特征不同,歸屬于不同的光譜空間區(qū)域,這是非監(jiān)督分類的理論依據(jù)。該分類方法主要是通過(guò)系統(tǒng)聚類來(lái)進(jìn)行的。聚類就是把一組像素按照相似性分為若干類,目的是使得同一類別的像素之間的距離盡可能小,而不同類別的像素之間的距離盡可能大。其算法的核心是初始類別參數(shù)的確定,以及它的迭代調(diào)整問(wèn)題。主要算法有分級(jí)集群法、ISODATA法(迭代自組織數(shù)據(jù)分析技術(shù))和K2均值算法等。2監(jiān)督分類與非監(jiān)督分類不同,監(jiān)督分類最顯著的特點(diǎn)是在分類

12、前人們對(duì)遙感圖像上某些樣區(qū)中影像地物的類別屬性已有了先驗(yàn)知識(shí),也就是先要從圖像中選取所有要區(qū)分的各類地物的樣本,用于訓(xùn)練分類器(建立判別函數(shù))。一般是在圖像中選取具有代表性的區(qū)域作為訓(xùn)練區(qū),由訓(xùn)練區(qū)得到各個(gè)類別的統(tǒng)計(jì)數(shù)據(jù),進(jìn)而對(duì)整個(gè)圖像進(jìn)行分類。主要方法有線性判別法、最大似然法、最小距離法和平行多面體法等。3.分類新方法研究進(jìn)展新方法主要有決策樹(shù)分類法、綜合閾值法、專家系統(tǒng)分類法、多特征融合法、神經(jīng)網(wǎng)絡(luò)分類法以及基于頻譜特征的分類法等。3.1決策樹(shù)分類決策樹(shù)分類器(Decisiontreeclassificationframe)是以分層分類的思想作為指導(dǎo)原則的。分層分類的思想是針對(duì)各類地物不同

13、的信息特點(diǎn),將其按照一定的原則進(jìn)行層層分解。在每一層的分解過(guò)程中,研究者可以根據(jù)不同的子區(qū)特征及經(jīng)驗(yàn)知識(shí),選擇不同的波段或波段組合來(lái)進(jìn)行分類.3.2綜合閾值法通過(guò)對(duì)徐州地區(qū)各類地物的光譜特征的綜合研究,以及對(duì)不同波段的組合分析,歸納出各種地物類型信息獲取的方法與途徑,提出采用綜合閾值法進(jìn)行圖像分類處理。經(jīng)研究表明,該方法能夠很好地區(qū)分城鎮(zhèn)用地和裸地等不容易區(qū)分的地類,有效降低混合象元帶來(lái)的影響,提高土地利用分類的可靠性和準(zhǔn)確性。3.3專家系統(tǒng)分類遙感圖像解譯專家系統(tǒng)是模式識(shí)別與人工智能技術(shù)相結(jié)合的產(chǎn)物。應(yīng)用人工智能技術(shù),運(yùn)用解譯專家的經(jīng)驗(yàn)和方法,模擬遙感圖像目視解譯的具體思維過(guò)程,進(jìn)行圖像解譯

14、。專家系統(tǒng)分類的關(guān)鍵是知識(shí)的發(fā)現(xiàn)和推理技術(shù)的運(yùn)用。目前在知識(shí)發(fā)現(xiàn)方面,主要是基于圖像的光譜知識(shí)、輔助數(shù)據(jù)和上下文信息等。3.4特征融合僅僅依靠光譜特征或紋理特征或形狀特征來(lái)進(jìn)行圖像分類,都不能很好地將不同類別的地物目標(biāo)提取出來(lái)。因此,多特征融合的方法越來(lái)越多地被用于圖像分類。其優(yōu)勢(shì)是很明顯的:對(duì)同一模式所抽取的不同特征矢量總是反應(yīng)模式的不同特性,對(duì)它們的優(yōu)化組合,既保留了參與融合的多特征的有效鑒別信息,又在一定程度上消除了由于主客觀因素帶來(lái)的冗余信息,對(duì)分類識(shí)別無(wú)疑具有重要的意義。主要有光譜特征和紋理特征,光譜特征和形狀特征等。3.5人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)分類是通過(guò)對(duì)人腦神經(jīng)系統(tǒng)結(jié)構(gòu)和功能的模擬,建立一種簡(jiǎn)化的人腦數(shù)學(xué)模型。它不需要任何關(guān)于統(tǒng)計(jì)分布的先驗(yàn)知識(shí),不需要預(yù)定義分類中各個(gè)數(shù)據(jù)源的先驗(yàn)權(quán)值,可以處理不規(guī)則的復(fù)雜數(shù)據(jù),且易與輔助信息結(jié)合。與傳統(tǒng)分類方法相比,ANN方法一般可獲得更高精度的分類結(jié)果,特別是對(duì)于復(fù)雜類型的土地覆蓋分類,該方法顯示了其優(yōu)越性。但某些地物的光譜數(shù)據(jù)的集群性較差,使得網(wǎng)絡(luò)對(duì)大多數(shù)易區(qū)分的地類識(shí)別率高,而對(duì)少數(shù)不易分的地類