植被指数整理介绍

1、植被指数介绍目录1.植被指数概述32.植被指数的分类32.1不考虑影响因子32.2考虑影响因子42.2.1 消除土壤因子42.2.2 消除大气因子42.2.3 消除综合因子53.植被指数的应用53.1生态53.2林业73.3农业93.4环境103.5海洋11参考文献121. 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

2、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。2. 植被指数的分类基于各种

3、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LandsatMSS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RVI2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

4、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YVI3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

5、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PVI3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

6、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SAVI5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

7、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TSAVI6，它只需要求得土壤线的截距和斜率，适合于求解某一小范围植被覆盖变化较小的下垫面上的植被指数，对土壤背景的消除能力有所改善。而且考虑了裸土土壤线，比NDVI对于低植被覆盖有更好的指示作用，兼顾了低LAI时PVI和高LAI时RVI的优点。但指数的动态范围较小，求解时必须预先已知下垫面植被密度或覆盖度的分布特征，对实际应用的条件要求较高。为减小SAVI中裸土的影响，发展了修正的土壤调节植被指数MSAVI7，它的L值可以随植被密度而自动调节，进一步减少了土壤背景影响，使植

8、被信息与土壤噪音之比更大，可以用于研究荒漠区的植被。2.2.2 消除大气因子大气层对遥感图像的影响很大，在计算植被指数时同样要消除它的影响。根据大气对红光通道的影响比近红外通道大得多的特点，在定义NDVI时通过蓝光和红光通道的辐射差别修正红光通道的辐射值，发展了抗大气植被指数ARVI8，它定义了一个决定大气调节程度的关键参数，取决于气溶胶的类型。Kanfman推荐的为常数1仅能消除某些尺寸气溶胶的影响，有很大局限性。对大气的敏感性比NDVI约减小4倍，减小了大气气溶胶引起的大气散射对红的波段的影响。ARVI要先通过辐射传输方程的预处理来消除分子和臭氧的作用,进行预处理时需要输入的大气实况参数往

9、往是难以得到的，给应用带来困难。由于预先的分子散射和臭氧订正较复杂，在ARVI的基础上，得到新的抗大气影响植被指数IAVI9，它是运用大气下向光谱的同步观测实例值以及大气辐射传输方程，得到纠正NDVI的关键参数，使值可从0.651.21之间变化，同时也不必采用辐射传输模型进行预处理。使得大气对IAVI影响误差为0.4%3.7%，比NDVI的14%31%有明显的减小。为了发展一个植被指数能适用于全球范围，且在相当长的时间间隔上具有可比性，Pinty等对AVHRR数据进行了自纠正处理，提出了全球环境监测植被指数GEMI10，它不用改变植被信息就可以减小大气影响，能很好地分离云和陆地表面。但GEMI

10、受到裸土的亮度和颜色相当大的影响，对于稀疏或中密度植被覆盖不太适用，而且很难区分水生植被与陆地表面，动态分辨率也比较低。与NDVI指数相比，GEMI保存了相对低密度至浓密度覆盖更大的动态范围，区分植被与非植被之间差异程度比NDVI高。2.2.3 消除综合因子归一化差值植被指数NDVI11是在对RVI非线性归一化处理后得到的,用非线性拉伸的方式增强了NIR和R反射率的对比度，会发现对于同一幅图像，分别求RVI和NDVI时，RVI值增加的速度高于NDVI增加速度。对绿色植被表现敏感，对植被的响应能力增强，适合于稀疏植被条件下。它可以对农作物和半干旱地区降水量进行预测，是目前应用最广泛的植被指数。但

11、它受到定标和仪器特性、大气、土壤及叶冠背景等因素影响，使其应用受到限制；由于同时考虑到多个影响因子，消除效果都不是很好，对植被冠层的背景亮度非常敏感, 很难消除大气效应，还具有容易饱和的缺陷。基于土壤和大气的影响是相互作用的事实，提出了一种三波段梯度差植被指数TGDVI12，它具有一定的消除背景和薄云影响的能力，解决了NDVI在高植被覆盖区饱和点低的问题。但在计算植被覆盖度时没有考虑植被、土壤面积比随波长的变化情况，与实际情况存在差异，此外TGDVI用到三个波段的信息，且没有经过比值处理，波段噪声的影响会较大。 3. 植被指数的应用虽然植被指数形式众多，对于不同的实际情况可以选用合适的指数，但

12、它并不能消除所有的影响，一定会存在误差，而且在实际应用中，只依靠单一的指数并不能进行更深层次的研究，所以在应用中植被指数往往与其他分析方法相结合，与该领域的相关参数建立数学上的关系式，达到研究目标。当用于某一研究参数的反演时，往往将植被指数与这个参数进行相关和回归分析，建立反演模型，可用通过模型反演得到的参数进行进一步的分析；当对地物进行分类时，可结合遥感分类方法，如监督分类、聚类分析等，与植被指数进行匹配，提高分类的精确度。还可以将植被指数与地表温度联合，发展新的特征空间，用于针对热红外遥感的数据分析。以下分别介绍了植被指数在生态、林业、农业、环境和海洋领域的实际应用。3.1生态植被指数可以

13、与表征生态学上的参数进行联合分析，用于生态领域的基础性研究。曹宇等将植被指数与遥感分类方法相结合，用于生态景观的分类13。将ETM+影像的第1、2、3、4、5、7波段分别进行各自的非监督分类，通过对NDVI、DVI、IPVI、SAVI、RVI与中红外波段所生成的散点图进行聚类分析，参照已知的实际地物类型，将非监督分类生成的7种类型依次聚类归并为相应的7种景观生态类型。图1. NDVI与Band7散点图及其聚类方法示意图13图2. 各项植被指数与Band7散点聚类图13这5个散点图具有极大相似性，都能够很明显地将具有典型植被信息的类别分离出来，从而表现出植被类别具有较高的空间分离性特征；而植被指

14、数值相对较低的类别却相互交织、混杂、叠加在一起，很难详细区分出其具体类别，适用于低植被覆盖度的NDVI的优越性也不是很明显，说明这些类别需要结合别的方法来判断。在实际的景观生态类型遥感解译与分类应用当中，要尽可能全面地选取不同的植被指数进行综合分析，并结合常规的遥感影像监督与非监督分类方法，会提高景观生态类型的遥感判读与解译能力。钱峻屏等利用植被指数调查东部样带的生产力格局14。使用NOAA卫星AVHRR逐日卫星影像集，采用信息量综合评价方法从RVI、NDV I、SAVI、MSAV I中选取信息量最大的NDVI与RVI。结合已有的地面观测点的植被生产力资料，适当补充了有代表性的森林、农作物、草

15、地区的实测资料作为参考，用相关分析的方法建立两个植被指数与净第一生产力NPP的回归模型，绘制了整个样带范围的干、湿两季NPP分布图。 表1.样带分区内植被指数平均信息量及排序14通过比较表1中4种植被指数的信息量，可以看出NDVI和RVI的信息量更丰富，尤其是RVI。基于NDVI适用于低植被覆盖和RVI适用于高植被覆盖的特点，从中也可以间接看出华北地区植被覆盖度较其他3个地区低。图3.样带干、湿两季NPP分布图14文章中是以月为单位进行整个样带NPP的计算，但对不同的植被类型，其对环境变化的敏感程度不一样，月变化数据有时不足以表现其季相变化模式，如草地和农田常常在一旬内就有明显的季相差异。3.

16、2林业植被指数可用于森林生物量的模拟预测，从宏观上把握森林植被的各种状况。张志东等用植被指数进行森林生物量的空间分布模拟15，了解各物种的分布格局。采用覆盖研究区的TM影像数据，选取4个植被指数：短红外湿度植被指数MVI5、中红外湿度植被指数 MVI7和RVI、 NDVI，将物种根据演替地位划分成先锋种和顶极种，利用Pearson相关分析分别计算了总物种、先锋种和顶极种生物量与植被指数的关系，利用逐步多重线性回归分析构建了生物量与植被指数的回归模型。根据回归模型, 分别对总物种、先锋种和顶极种生物量在研究区的空间分布进行了预测，利用残差图对生物量预测图的精度进行评估。先锋种生物量无论从量上还是

17、从分布格局上均与总物种和顶极种生物量存在显著的差异。图4.生物量与植被指数的相关分析和回归模型15相关分析表明顶极种生物量和总生物量与植被指数存在相似的相关性, 均与植被指数MVI7和MVI5显著相关(p 0.01)，先锋种生物量和NDVI、RVI显著相关(p0.05)；回归模型表明总生物量和顶极种生物量分别与MVI7和MVI5回归关系显著，而先锋种生物量和RVI回归关系相对较弱。由于NDVI易饱和的缺点，在热带森林中不能有效地反映植被特征的变化，所以RVI对先锋种生物量的指示作用明显好于NDVI。而短红外波段对估测森林生物量具有高的敏感性, 近红外波段其次, 而红光波段的敏感性最弱，因此分别

18、由短红外波段和中红外波段与近红外波段组合成的MVI5和MVI7，对总物种生物量和顶极种生物量有较好的指示作用。图5. 总物种(a)、顶极种(b)和先锋种(c)生物量(1 000 kghm2)分布15麻坤等提取能够敏感反映植被生长健康状况的植被指数来进行森林健康评估16。使用包含了火地塘林区在内的秦岭中段森林的HJ-/HISL2级高光谱数据，从植被指数中利用敏感性分析法17，剔除在该地区对植被生长状况反应不明显的植被指数：Vogelmann红边指数1和红边位置指数，建立评价森林生长健康状况（FHI）的模型，据此模型对影像逐象元进行处理，得到4个健康等级。但影像数据无法有效反映林分结构和生物多样性

19、，无法从生态系统尺度去实现森林生态系统健康状况的有效评价。图6.各植被指数公式及信息统计16敏感性分析法的原理主要是计算影像内各个植被指数的变异系数，变异系数越大，表示该植被指数在研究区域内可以敏感反应植被生长状况，可以看出叶色素指数比绿度指数更能反映植被的生长状况。红光波段受植被覆盖度影响较大，使得NDVI和RVI对森林的指示效果不好。图7. 森林健康等级分布图163.3 农业植被指数可与农作物的生长参数、土壤相关参数建立联系，反演出农田信息。柳钦火等用植被指数反演土壤湿度来开展干旱检测18。结合NDVI与地表温度，分析LST/NDVI特征空间在不同区域和季节的变化，建立LST/NDVI斜率

20、与土壤湿度的回归方程，并分析回归方程系数的时空变异，最后得到由LST/NDVI斜率反演土壤湿度的关系式，按土壤湿度进行旱情分级，并与全国耕地分布图进行叠加，得到全国耕地旱情分布图。图8. LST/NDVI斜率与土壤湿度的相关关系18由于遥感反演数据与地面观测数据存在时空匹配问题，在LST/NDVI斜率与土壤湿度的线性回归拟合过程中，采用了阈值的方法剔除干扰异点像元来提高精度，阈值的设置应考虑时间、空间的变化；提出的LST/NDVI斜率与土壤湿度的定量关系适于较高土壤湿度的情况，将其外推至低土壤含水量情况可能存在差异。张树誉等选用MODIS- NDVI建立的植被指数序列监测农作物长势19。使用N

21、DVI的单日植被指数、旬/月植被指数，采用逐年比较模型的差值分析方法, 利用本旬的NDVI资料与前一旬及上年同一时段的资料进行差值对比分析。结合地面农业气象观测站结果, 参考农业部门的苗情等级划分标准, 将长势优劣的差异值T量化。像元的NDVI值是多种土地利用类型混合作用的结果, 进行有效的混合像元分解, 可以提高NDVI曲线对研究目标的指示程度；还可采用植被表面温度TS 与NDVI的矢量空间来描述冬小麦的长势并诊断水分的胁迫, 更准确地诊断长势的问题所在, 建立作物长势诊断模型。图9. 2004年、2005年NDVI旬变化曲线193.4环境植被指数可通过反映植被信息，间接表明环境信息，如地表

22、温度，用于城市热环境研究20。王伟等选用南京市Landsat ETM+影像为数据源，用NDVI和减化比值植被指数RSR，建立地表温度与NDVI、RSR 的二维散点图和回归。结果显示，地表温度与NDVI呈显著线性负相关，与RSR呈幂函数负相关，植被覆盖度越高，对应的地表温度越低。两者的拟合误差出现在植被稀疏且地表温度较高的地区，RSR对植被覆盖类型变化的敏感性小，与LAI的定量关系更好，短波红外的引入可抑制一定的背景影响，故对于混合像元，RSR比NDVI更有效；而NDVI不仅受植物种类、叶面积大小、土壤背景和阴影的影响较大，且易饱和，相比而言RSR是一种可互补的、甚至更适用的城市热环境评价指标。

23、图10.地表温度与NDVI( a) 和地表温度与RSR( b) 的拟合模型203.5海洋植被指数在海洋中的应用主要是针对绿潮等的监测，用于估计水体的状况。刘振宇等用日照一青岛一威海一带海域的Terra数据提取浒苔信息21。计算出区域的EVI和NDVI后，确定正确的阈值便可以很好剔除云的影像区分出浒苔区域。对分析出的浒苔的面积进行统计,可以看出EVI提取到的浒苔信息较好。大气的吸收和散射同海水的吸收使得图像中浒苔信息较弱, 也就是说消弱了浒苔在近红外的反射高峰与红光波段的低谷, 使得两者间的差异变小,给浒苔信息的提取带来了困难。图11. NDVI和EVI处理分类图21辛红梅等用植被指数确定赤潮高

24、光谱敏感波段22，即赤潮水体特征反射峰位置。选取RVI、NDVI、TVI和DVI，计算所有组合波段下的植被指数。通过计算结果与已知结果的比较，计算每种组合的显著性度量，确定该植被指数的最佳组合波段，即值最大的组合波段。图12.植被指数波段选择结果22图12中实线为从原始高光谱数据中提取的赤潮水体光谱曲线，虚线为从原始高光谱数据中提取的正常水体光谱曲线，竖线代表了与RVI对应的最佳组合波段。针对赤潮目标，RVI的显著性度量的值最大，在其对应的波段赤潮水体与正常水体的差异最大。参考文献1徐希孺.遥感物理M.北京：北京大学出版社，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、罗亚, 徐建华, 岳文泽.基于遥感影像的植被指数研究方法述评J.生态科学, 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张仁华，饶农新，廖国男.植被指数的抗大气影响探讨J.植物学报，1996，38(1)：53-62.10PintyB,andVerstraeteMM.1992GEMI:ANon-LinearIndextoMonitorGlobalVegetationfromSatellitesJ.Vegetation,101:15-20.11RouseJW,HaasRH,SchellJA,andD