地球科学教学课件 2

1、四、植被指数与地表生态环境参数的关系,以植被指数NDVI为例，NDVI常被认为是气候、地形、植被/生态系统和土壤/水文变量的函数。从概念上讲，可以用这些环境因子建立NDVI模型 ： 式中，C 为气候子模型， V 为植被/生态子模型， P 为地形子模型， S 为土壤/水文子模型。它们又可以表示为各自主因子的函数： C = F1（降水、气温、日照）+E1 V = F2（生态系统类型、植被类型）+E2 P = F3（高程、坡度、坡向）+E3 S = F4（土壤持水性、养分、透水性、地表水利用率、地下水）+E4 式中， E、E1 - E4 为由未考虑的环境变量或潜在的测量误差引起的模型误差。,以上这些

2、描述 NDVI 的环境变量的子模型涉及的因子多，许多因子也难以具体量化，但一些因子具有相关性（如日照与气温常与高度相关、土壤持水性与透水性呈负相关），有的变量可由其它变量描述，则模型可简化，用有限的环境变量建立。,1、植被指数与气候参数的关系,尽管这些变量均随时间/空间变化，但对于一个特定的地理位置和一定时间尺度（如日、月、年或10年），地形子模型 P 可认为是常量，植被 / 生态系统子模型 V 以及 土壤 / 水文子模型 S 也可认为变化不大。 则 变化较大的是气候子模型 C，或者说，对一个具体时间（t）和一个具体地点而言，NDVI 主要成为相关气候变量的函数：,影响植被指数的气候参数主要指

3、降水、气温和日照，因此上式可表示为： 式中，Tt 表示在具体时间 t 之前一段时间的某个因子的累计影响：一般说来，气温和日照是与同一年度的季节密切相关，而季节可用日期来加以描述。因此，可用一个指定变量日期（j），作为表示气候季节的变量，则上式可简化为： 对于一个时间分辨率为天的 NDVI 模型，上式的 t 为 j，则 也就是说，日期为 j 的NDVI为降水（Tj）和日期 j 的函数。它受日期（表征气温与日照）以及该日期前一时间段（Tj）降水的影响。,Di & Rundguist等（1994）用以上方法，研究了干旱-半干旱环境下，植被指数 NDVI 与降水的关系，建立了植物生长期内降水植被响应模

4、型，来描述降水事件对NDVI曲线变化的影响。研究结果表明：NDVI与两三个月的累计降水有很好的相关；一次降水将引起NDVI峰值出现，峰值出现时间约滞后1525天。这种滞后现象可解释为降水到达植物根部，被根系吸收并输送到叶部，并影响到叶的色素和结构所需要的时间。当然，这个响应时间是随植物生长模式、日期、土壤特性等而变化的。 此外，考虑到NDVI 与降水的空间分布及年内、年际变化有关，有学者建立NDVI与降水/土壤水分含量之间的描述性/统计关系，以说明 NDVI 是识别气候干旱程度的一种方法；或通过NOAA数据的不同植被指数来估算反映出地区气候干旱的作物水分指数（CMI）、干旱指数（PDSI）、缺

5、水指数（HD）的空间 / 时间变化；研究表明植被状态指数VCI 可作为很好的干旱指标 ，用以 进行全球干旱监测。,植被指数与表面温度的关系,许多学者研究了遥感植被指数与表面温度的关系。 Smith和Choudhury(1991) ，利用TM数据（春）和NOAA数据（夏），提取NDVI和表面温度（经土壤-植被的表面热平衡模型反演），分析澳大利亚东南部不同植被类型的NDVI（农田、常绿林地）与表面温度TS有不同的关系。 Kawashima(1994) 利用冬季日本东京地区昼夜的TM数据经大气纠正，对地表组成结构（即建筑群与植被的比例）不同的城区（建筑群占总面积的82.5%）与郊区A（61.6%）、

6、郊区B（30.9%），分别计算了其平均NDVI、昼夜平均地表温度（ ）及日温差（ ），并通过TSNDVI，研究不同地表类型表面温度的植被效应。,Yang等（1997）对美国北部和中部大平原，用多时相NOAA数据融合的归一化植被指数TI NDVI（ TI NDVI =NDVIi）和与地面气象台站数据所生成的7个气候变量（2个月间隔）-表面气温Ta、土壤温度Ts、太阳辐射SR、降水量PT、大气相对湿度RH、GDD生长期温度（被定义为日平均温与基本温度10之差）、ETP潜在蒸散（通过方程计算），建立两者间的关系模型49：,通过多元线性回归分析 表明，PT、ETP、GDD是草场长势和生产力的最主要控制

7、因素。其中TINDVI与春夏季的降水量呈正相关，与初春的潜在蒸散呈负相关；且不同草场类型TINDVI的主要控制因素不同。,NDVI能反映植被状况，而植被状况与植被蒸发量、土壤水分有关。因此，不少学者研究植被指数与植物蒸散、土壤水分的关系。 Cihlar等（1991）通过作物生长季节每15天的NDVI、气象站点的气象数据、由土壤水分模型（SWOM）反演根系不同深度水含量以及生态、土壤等信息，研究不同植被/土壤组合的NDVI变化轨迹，与潜在蒸发量（PE）曲线的趋势间的密切关系，指出NDVI与前15天的潜在蒸发量间相关系数为0.86；整个生长季节的累计NDVI与累计蒸发量相关系数高达0.96；用ND

8、VI和潜在蒸发量（PE）可以估算15天为周期的实际蒸发量（AE），估算误差约10%15%。 （植被指数与土壤水分的关系，将在 “土壤水分遥感”中专门论述 ）,2、 植被指数与植物蒸散、土壤水分的关系,以上讲述的主要是一些统计模型，即通过大量实测数据，建立遥感植被指数与植物物理参数间的统计相关（多变量回归方程）。 此方法抓住植被光谱这一本质，简便易行，被广泛应用 ，但要有“先验知识”，其结果受先验数据的局限，适普性差，且未考虑非植被因素（土壤背景、地形、大气特征）。 随着定量遥感研究的深入，各种描述植被方向反射与植物冠层结构之间关系的理论模型（如几何光学模型与辐射传输模型等） ，也被用以定量反演

9、地表植被的生物物理参数。由于这些模型假设条件较多、反演复杂、需要的参数较多，使它在实际应用中受到限制。,植被遥感模型- 辐射传输模型（RT模型）,RT模型的理论基础是辐射传输理论和冠层平均透射理论。 辐射传输理论的核心是辐射传输方程。它的一个基本假设是散射介质水平方向是均匀的，垂直方向上介质的密度、性质有变化。它把植被冠层看作水平均匀的薄层，每一层中的植被单元可以当作小的吸收和散射体，通过引入单元性质（大小、方位等）的密度函数（如倾角分布函数）以及光学路径、散射相函数（表征冠层的散射特征）的概念，来描述辐射（太阳直射、天空散射）与冠层（叶、茎、花等群体结构）-下垫面（即植被土壤耦合体系）相互作

10、用的吸收、透射、多次散射过程。 冠层平均透射理论，即冠层的向上和向下透射相等，取其算术平均值作为平均冠层透射值。 在RT模型中，植被冠层构成及其基本光学特性的描述，如冠层厚度、冠层密度、叶面倾角/叶面方向及其分布、叶面积指数和冠层中各组成的基本散射特性等均为模型所采用的参量1。,以 （1984）为例 ： 它是针对冠层辐射特征的RT模型 共有7个参数（3个结构参数和4个组分光谱参数）： 结构参数：叶面积指数LAI、描述叶倾角分布的两个参数u和V； 组分光谱参数：叶片反射率 、叶片透过率 、土壤反射率 、天空散射光在总入射光中的比例SKYL （可由大气校正模型得到） 。 SAIL模型较好的反映了水

11、平均匀植被的叶面积指数（LAI）与叶倾角分布（LAD）对BRDF变化趋势的影响，可用于计算一定叶结构、光照条件下，均一叶冠层的反射，或反演冠层结构参数等。但它假设叶子为小型，扁平状的朗伯体，叶层水平、均匀，且没考虑热点效应及叶片的镜面反射的影响22。,SAIL模型,Nilson-Kuusk模型（1989） ，考虑了植被群体“热点”效应和镜面反射的影响，把植被群体的BRDF，分为植冠的一次散射（散射与镜面反射）、土壤的一次散射、群体和土壤的多次散射三部分，分别进行计算。可用于研究叶子之间的相互掩盖对冠层反射的影响（要求输入叶尺寸和冠层离地面的高度）。但Kuusk热点模型不能计算大型不均匀植被冠层

12、（如行种作物，不密闭的森林）。 PROSPECT模型（1990） ，根据叶子的叶绿素含量、水分含量、结构特征推导叶子的辐射特征的RT模型 。它可通过三个变量- 叶绿素含量（Chlf）、叶片层数 （N）、波长（），获得叶子反射率(f)和透射率(f)等。它假设叶子的叶绿素和水分分布均一，叶子表面粗糙度没有变化。,冠层反射模拟- PROSPECT+SAIL模型,由PROSPECT+SAIL辐射传输模型-模拟冠层反射，表示为16 ：, ， ，v ， v， LAD ，LAI，N， Cab ， Cw ， Cdm ，s，Vis，S（）,式中，（）为波长的反射率； S（）为土壤反射率； 生物物理参数：叶绿素a

13、+b浓度 Cab （g/cm2） ，叶片层数 N， 叶片水吸收深 Cw （cm） ，叶片干物质含量 Cdm（g/cm2）， 叶面积指数 LAI，叶片平均倾角 LAD ； 外部参数：太阳天顶角和方位角 和,，观测天顶角和方 位角v和 v，用能见度表示的漫射天空光 Vis（km）， 热点效应参数 s 。 冠层的VIS-NIR反射特性，不仅受LAI、色素含量的影响，而且受冠层结构、光照-视角的几何关系、背景效应、大气效应等的影响，模型模拟中考虑了这些因素。,RT模型：着重对植被内部辐射场，尤其是其方向分布进行描述。它考虑到多次散射作用。由于植被内部辐射场的分布与植被空间结构密切相关，因而RT模型可详

14、细描述植被体内的结构特征，用以反演植被结构参数。但由于假设水平均匀植被组分在同一高度上是随机分布的，因此仅适用于连续植被的反演，如作物群体（垄状特征不明显或处于生长期的作物）、大面积生长茂盛的草地等，而对复杂的不连续的植被冠层，如森林等是不适用的。 RT模型虽理论严谨，但参数多，推导繁琐。 在遥感像元尺度上，地球陆地表面大量呈现出非均匀的复杂结构，且以表面散射为主，这是用辐射传输理论难以合理解释的1、20。,植被遥感模型-几何光学模型（GO模型）,GO模型 把几何光学理论引入到植被的BRDF研究中。它主要考虑地物的宏观几何结构，把地面目标假定为具有已知几何形状和光学性质、按一定方式排列的几何体

15、。 它把观测视场（或像元），分为承照植被、承照地面、阴影植被、阴影地面4个分量。这4个分量是随着太阳角与观察角的变化而变化，而观测结果则是这4个分量亮度的面积加权和。,几何光学模型的四分量,（“遥感物理”课程图示）,假定观测视场内只有地面和树冠的反射；考虑天空光和多次散射，则遥感器接收的信号S 为4个分量的面积加权和： S = KgG+ KcC+ KzZ+ KtT 其中，Kg 是视场A内地面受阳光承照部分的面积与A之比； Kc是视场A内树冠承照表面的投影面积比； Kz和Kt分别是视场内阴影中地面和树冠与A之面积比； G、C、Z、T 分别是光照地面、光照树冠、阴影地面、阴影 树冠这4个分量在给定

16、日照条件下的实际亮度。 上式中，若已知各波段的G、C、Z、T 和相应 S，则通过解线性方程组不难得到Kg、Kc、Kz、Kt。这里G、C、Z、T被当作已知值或测量值。 但实际应用中，以光照树冠 C 为例，人们希望可以把C与叶面反射率 、叶面积指数LAI、天空光等联系起来。于是人们进一步研究G、C、Z、T 的参数化问题1。,GO模型通过分析这些几何体对光线的截获和遮阴及地表面的反射来确定植冠的方向反射。因此，首先要解决的是植被几何结构和空间分布模型化，如几何结构可以用结构参数（株密度、树冠大小、高度等）来表达；其次要解决的是利用几何光学理论来计算植被的方向反射函数。 GO模型适于森林等不连续植被冠

17、层的反射状况。最具代表性的模型为Li-Strahler GOMS模型 23、24。,把树冠当作椭球体，共有8个参数 - 4个结构参数nR2、b/R、h/b、h/ b，和4个光谱组分参数G、C、Z、T ；其中n表单位面积内树冠的数目、R为椭球的水平半径、b为垂直半径、h为球心离地表的距离、h为树冠中心高度均匀分布时最高值与最低值之差。 结构参数：nR2反映垂直方向上树冠覆盖度；b/R为树冠形态参数，主要影响非天顶方向观察的覆盖度；h/b为树冠离地高度参数，主要影响地面反射对热点贡献的宽度；h/b为树冠高度分布离散程度。 光谱参数：G、C、Z、T 分别为给定入照条件下地面、树冠和阴影地面、阴影树冠

18、的亮度。,GOMS模型,GOMS模型表示为：,其中，ds 是地表或树冠表面的面积元； R(s)是该面积元（假设是朗伯表面）的反射率； （i , s）和（r , s）分别是ds的法矢量与入射及观察的方向矢量 夹角的余弦； Ii (s)表示ds受阳光直照与否的指数，数值为1（受直照）或0； Ir(s)是ds是否直接在观察者视场内的指数，为1（直接可见）或0； A 是视场（FOV）在水平地面的投影。,几何光学模型着重于对植被冠层外表几何特征的描述，通过分析这些几何体对光线的截获和遮阴及地表面的反射来确定植冠的方向反射或反演植被冠层的结构特征。它简单明晰，适用于处理不连续植被（如灌木林、稀疏森林，针叶

19、林，果园）以及粗糙地表等RT模型难以适用的地物。 其不足之处在于只考虑冠层表面的一次散射，未考虑内部的多次散射对构成“阴影区”地物反射强度的影响，也不考虑植被土壤系统的非朗伯辐射特性，以及对群体结构假设的局限性等，使其计算精度受到影响25 。,植被遥感模型-几何光学-辐射传输混合模型,几何光学-辐射传输（GORT）混合模型（李小文等，1995），即利用GO模型在解释阴影投影面积和地物表面空间相关性上的基本优势，同时引入RT模型在解释均匀介质中多次散射上的优势，分两个层次来建立承照面与阴影区反射强度的RT模型。联系两者的关键是间隙率模型（Li -Strahler，1988）。 间隙率模型可以简述

20、如下1： 式中，P(i)是从给定方向光线穿越i个树冠的概率，是由树冠的宏观大小和分布确定的统计量；Si是光线穿越树冠的平均路径， 是由树冠内部构造（如树叶大小、密度）等决定的衰减常数。 GORT混合模型是通用模型，它既适用于稀疏群体，也适用于密闭群体。将它用于不同太阳高度时，对森林反照率和BRDF的计算，获得了较好的结果。,混合模型假定了一系列的几何光学模型的机理，比如说，传感器所收集到的辐射反射分为三个方面：植被Rv、光照土壤 Ris、阴影土壤 Rss，即：R() = fvRv() fisRis() fssRss() 它似线性光谱混合模型（LSMM）， 但克服了LSMM的最后输出并不是植被分

21、布的缺点，且 LSMM为二维，混合模型为三维。 混合模型不仅可反演地表的结构性信息、冠层主要的生物物理特征（如 LAI ），而且能较好地描述在冠层中复杂辐射传递过程。结果表明这一模型是反演混合冠层中植被丰度的良好工具。 研究表明：这一模型与线性光谱混合模型（LSMM）相比，考虑了冠层附近的成荫、穿透、多向散射过程，且反演植被覆盖率时所得误差更小，所用参数更少； 但它忽略了冠层表面性质。,b=2R/H ； 象元尺度 6m-16m ； 两种冠层高度： i) H=2R b=1 ， ii) H=5R b=0.4 ； h=1m ； 不同层数：i) n=10 ， ii) n=20 ； 0.5LAI7 ；

22、LAD (leaf angle distribution) 的三种情况： i) 水平叶 ii) 球型分布 iii) 优势水平分布 。,模型需要考虑的基本冠层参数：,R() = fvR() s() R ()exp(-CLAI) fss()fi(1fi)(1LAIL)k 式中， s 是土壤反射， R() 是饱和反射， C 描述植物拦截辐射的能力（取决于叶子对辐射的衰减）， LAIL 是单层LAI分量（0，1）， LAIL=LAI/n， 为黑度系数， K 预建构有关， k 描述 波长变化， fv、fi、 fs分别为植被、光照土壤 、阴影土壤的相对面积系数。,变换后得混合冠层的反射模型为：,计算机模拟

23、模型,上述的三种模型在处理植被结构时大都不考虑植被各组分的尺寸大小、各组分间距离以及它们非随机的空间分布特性。对于自然植被来说，这显然是不真实的。 计算机模拟模型可以比上述模型更灵活、更详细、更真实的处理上述非均匀群体问题。目前，计算机模拟模型已从纯蒙特卡洛法向“结构真实模型”、三维可视化表达模型的方向发展。,以上介绍了几类植被遥感模型通过模型的BRDF来反演地表参数（如反照率 ，反射率 等）和地表几何特征（如植被结构参数LAI、LAD等）。,（三） 应用实例 - 中尺度植被动态监测与制图,以内蒙古典型干草原地带为研究区，通过对NOAA/AVHRR，不同时相植被指数 RVI 图象进行分割处理，

24、进行植被动态监测和绘制植被类型图。具体步骤为53 ： 1）遥感资料的预处理，选择植物生长季节中，4个不同时相的无云图象（1989年5月4日，6月8日，7月3日，8月13日），对这些图象数据进行辐射纠正、大气纠正、几何纠正，并使不同时相的图象在空间上严格配准。 2）求算比值植被指数 RVI=CH2/CH1，得4个不同时相的植被指数图象。 3）对4个不同时相的RVI图象进行主成分分析。其中第一主分量PC1（方差百分比达 89.9%）集中了4个不同时期的绝大部分植被信息。该图象作为进一步分析的典型图象。,内蒙某地区多时相植被指数VI 图象K-L变换特征统计,4）采用阈值方法，对上述的第一主成分图象进

25、行空间分割，将图象分割为9级。阈值的确定：先对第一主成分图象进行灰度线性拉伸，根据直方图上每个特征峰的形状和位置等细节，确定分割端点。 5）图象分割后生成植被类型图。将分割图象与该地的植被图进行比较，使各色调分别代表不同的地表覆盖类型（植被类型）。,多时相植被指数VI 图第一主分量的图像分割,6）中尺度植被动态变化分析（季相变化、绿波进退等）。 选择不同时相（1987.6.8、1989.8.13 ）的RVI图象，分别进行图象分割，并对分割后的两张彩色编码图像进行动态变化分析。,右下两张图显示，绿峰的水平距离差约200km，反映出季节和降水波动的结果.即6月为草的生长旺季，8月草已开始枯黄；另据

26、气候资料，当地1986、1987年为丰水年，草场返青早、生长旺、绿峰迅猛推进，而1988、1989年为大旱年，草类提前枯萎，绿峰提前全线消退，致使两者的季节差大于正常年份。,2、大尺度植被动态变化分析,围绕全球生态环境进行大尺度植被动态监测及植被与气候的关系研究。 用全球AVHRR数据（1km）以象元为单元，计算日GVI（为了排除大气影响、云的干扰 ） 周GVI（ 7天的最大值）月GVI（4周的最大值），以便大尺 度动态分析。,如，分析GVI的月变化，并作不同月份GVI的彩色合成图，以分析GVI的季节变化；,对月GVI图象-自动分类-植被类型图（热带雨林、常绿林、落叶林、苔原冻土、草地、半干旱

27、、高山干旱、干旱沙漠 等 8类）；不同月份或不同季节 8种不同植被类型的 GVI变化曲线分析；年平均植被指数 图象的分类，绘制全球植被图；将8种类别归并为森林、草地、沙漠3大类，进行大区域GVI分布特点和类别的研究； 通过以年为单位的GVI的多年对比，分析不同区域（全球、欧亚、大洋洲、南美、北美、非洲等）的植被年变化。,1987年,Global LandCover Classfication 1987,全球的 NDVI 集群分类 得全球土地覆盖类型图（分出 热带雨林、热带大草原、落叶林、常绿落叶林、季雨林、热带草原和草原、草原、地中海灌木、常绿林、落叶林地、灌木和仅有旱生植被的干草原、苔原冻土

28、冰区、沙漠 等13 种土地覆盖类型），并作13种类别NDVI的季节变化曲线，以进行全球土地覆盖类型的动态监测。,全 球 陆 地 植 被,全球陆地植被,NSMC,MODIS合成植被指数（2001年）,1月,4月,7月,10月,NSMC,NDVI空间分布特征,参考文献 1,Campbell James B. , 1987 , Introduction to Remote Sensing , Published by the Guilford Press, New York, London. Boochs F., 1990, shape of the Red Edge As Vitality lnd

29、icator for plants, J.Remote Sens., 11(10):17411753. 王长耀、牛铮、唐华俊等，2001，对地观测技术与精细农业，科学出版社. Lillesand Thomas M. & Kiefer Ralph W. , 1994 , Remote Sensing and Image Interpretation (3rd Ed ), Published by John Wiley & Sons, Inc. Jensen John R. , 1996 , Introductory Digital Image Processing : A Remote Sens

30、ing Perspective (2nd Ed ), Published by Prentice-Hall, Englewood Cliffs, N.J. 陈述彭、赵英时，1990，遥感地学分析，测绘出版社. Yoshioka H., T. Miura, A.R. Huete & B.D. Ganapol ,2000, Analysis of Vegetation Isolines in Red-NIR Reflectance Space , Remote Sensing of Environ., 74(2): 313326. 张仁华，1996，实验遥感模型及地面基础，科学出版社. Huete

31、 A. R., 1988, A Soil-adjusted vegetation indix (SAVI). Remote Sens. Environ., 25:295309. Banair A. et al., 1995, A Review of Vegetation lndices, Remote Sens. Review ,13:95120. Broge N.H. & E. Leblanc, 2001, Comparing Prediction Power and Stability of Broadband and Hyperspectral Vegetation Indices fo

32、r Estimation of Green Leaf Area Index and Canopy Chlorophyll Density , Remote Sensing of Environ.,76(2): 156172. Major D. T., Baret F., & Guyot G., 1990, A ratio vegetation index adjusted for soil brighness, Int. J. Remote Sens., 11:727740. Lyon J. G., et al., 1998, A Change Detection Experiment Usi

33、ng Vegetation Indices, Phote. Engin. & R.emote Sens., 64(2): 143150.,参考文献 2, Roujean J.L. & Breon F.M.,1995, Estimating PAR Absorbed by Vegetation from Bidirectional Reflectance Measurements, Remote Sensing of Environ.,51:375384 . Kim M.S.,Daughtry C.S.T.,Chappelle E.W. & McMurtrey J.E., 1994, The u

34、se of High Spectral Resolution Bands for Estimating Absorbed Photosynthetically Active Radiation (APAR) , In:Proc.ISPRS94 Val dIsere,France 17-21 January 1994 (pp.299306) . Ben-dor E. & Kruse F. A., 1995 , Surface Mineral Mapping of Makhtesh Ramon,Negev, Israel using GER 63 Channel Scanner Data, Int

35、ernational Journal of Remote Sensing,16,35293553. Rahman , 2001, Influence of Atmospheric Correction on the Estimation of Biophysical Parameters of Crop Canopy Using Satellite Remote Sensing , International Journal of Remote Sensing , 22(7): 12451268 . Bo-Cai Gao & Rong-Rong Li , 2000, Quantitative

36、Improvement in the Estimates of NDVI Values from Remotely Sensed Data by Correcting Thin Cirrus Scattering Effects , Remote Sensing of Environ., 74(3): 494502 . Chappell A., J. W. Seaquist, L. Eklundh , 2001 ,Improving the Estimation of Noise from NOAA AVHRR NDVI for Africa Using Geostatistics , Int

37、ernational Journal of Remote Sensing , 22(6): 10671080 Lymburner L., Paul J. B. et al.,2000 , Estimation of Canopy-Average Surface-Specific Leaf Area Using Landsat TM Data， Photo. Engin. & R. S. ,66(2):183-191. Leonard B., J. M. Chen et al., 2000, A Shortwave Infrared Modification to the Simple Rati

38、o for LAI Retrieval in Boreal Forests - An Image and Model Analysis, Remote Sensing of Environ.,71(1): 1625. Demarez V. & J.P. Gastellu-Etchegorry , 2000, A Modeling Approach for Studying Forest Chlorophyll Content , Remote Sensing of Environ.,71(1): 226238. Stella W.T. & R.r M.Hoffer，1998，Responses

39、 of Spectral Indices to Variations in Vegetation Cover and Soil Background ,Photogrammetric Engineering&Romtote Sensing， 64(9):915921.,参考文献 3, Moleele N., S. Ringrose, W. Arnberg et al., 2001 , Assessment of vegetation indexes useful for browse (forage) prediction in semi-arid rangeland，Int. J. Remo

40、te Sens., 22(5):741756. Xiang Gao, Alfredo R. H., Wenge Ni & Tomoaki M. ,2000, Optical-Biophysical Relationships of Vegetation Spectra without Background Contamination, Remote Sensing of Environ., 74(3): 609620. Di L. & D. C. Rundquist, Han L., 1994, Modelling Relationships between NDVI and Precipitation during Vegetative growth cycles, Int. J. Remote Sens., 15(10):21212136. Kogan F., 1990, Remote sensing of weather impacts on vegetation in non-homogeneous areas, Int. J. Remote Sens., 11:14051419. Smith R. C. G. & Choudhu