实验五：植被波谱特征与叶面积指数、生物量分析（3学时）
原理与方法
遥感图像上面的植被信息主要是通过绿色植物叶子和植被灌层的光谱特性以及差异变化变现出来的，选择多光谱遥感数据进行分析运算，产生某些对植被长势、生物量等有一定指示意义的数值，即是所谓的“植被指数”。用一种简单有效的形式来实现对植被状态信息的表达，以定性和定量地评价植被覆盖、生长活力与生物量。
在植被光谱中，通常选用对绿色植物（叶绿素引起的）强吸收的可见光波段和对绿色植物（叶内组织引起的）高反射的近红外波段，通过两个不同波段数据的分析运算得到不同的植被指数，如归一化植被指数（NDVI）等。
实习仪器
学生实习机房
图象处理软件（ENVI3.5）
叶面积指数仪（WINSCANNY）
实验目的
1、掌握应用遥感图像处理软件进行植被波谱与叶面积指数、生物量测量方法。
2、掌握运用植被指数分析叶面积指数和生物量。
实验报告
内容包括：实验目的、分析叶面积指数和生物量的区域分异。
典型地物反射波谱测量与特征分析 一、实验目的与要求 1.实验意义： （1）对光谱测量仪器的认识：ASD野外光谱分析仪FieldSpecPro是一种测量可见光到近红外波段地物波谱的有效工具，它能够快速扫描地物，光线探头在毫秒内得到地物的单一光谱。FieldSpec分光仪主要由附属手提电脑，观测仪器，手枪式把手，光线光学探头以及连接数据线组成。通过连接电脑，可实时持续显示测量光谱，使得测量者可以即时获取需要的测量数据。 （2）对课堂内容的认识：地物反射光谱是指某种物体的反射率或反射辐射能随波长变化的规律，以波长为横坐标，反射率为纵坐标所得到的曲线即为反射波谱特性曲线。影响地物波谱变化的因素：太阳位置（太阳高度角和方位角）。不同的地理位置，海拔高度不同。时间、季节的变化。地物本身差异、土壤含水量、植被病虫害。 2.实验目的： （1）地物波谱数据获取需要使用地面光谱仪，通过该实验学会地面光谱仪的原理与使用方法。 （2）通过对地物光谱曲线分析，比较相异与相似地物反射光谱特征。认识并掌握典型地物反射光谱特征。
二、实验内容与方法 1.实验内容 （1）典型地物反射波谱测量 选择典型地物类型，使用地物光谱仪，开展地物光谱测量，获得典型地物可见光近红外波段（微米）的反射光谱曲线。 地物类型：植被（草地、灌丛），水体（不同水深，有无植被），土壤（裸土、有少量植被覆盖土壤），不透水地面（水泥地面、沥青路面、大理石地面）。 （2）地物波谱特征分析 a)标准波谱库浏览 b)波谱库创建 c)高光谱地物识别 从标准波谱库选择端元进行地物识别 自定义端元进行地物识别 2.实验方法 （1）ASD光谱仪简介 FieldSpec Pro型光谱仪是美国分析光谱设备(ASD)公司主要的野外用高光谱测量设备。整台仪器重量公斤，可以获取350~2500nm 波长范围内地物的光谱曲线，探测器包括一个用于350-1000nm的512像元NMOS 硅光电二极管阵列, 以及两个用于1000-2500nm的单独的热电制冷的铟-镓-砷光电探测器。便携式光谱仪是“我国典型地物标准波谱数据库”获取光谱数据的主要设备。 基本技术参数：
健康的绿色植被的光谱反射特征 地面植物具有明显的光谱反射特征,不同于土壤、水体与其她的典型地物,植被对电磁波的响应就是由其化学特征与形态学特征决定的,这种特征与植被的发育、健康状况以及生长条件密切相关。 在可见光波段内,各种色素就是支配植物光谱响应的主要因素,其中叶绿素所起的作用最为重要。健康的绿色植被,其光谱反射曲线几乎总就是呈现“峰与谷”的图形,可见光谱内的谷就是由植物叶子内的色素引起的。 例如叶绿素强烈吸收波谱段中心约0、45um与0、67um(常称这个谱带为叶绿素吸收带)的能量。植物叶子强烈吸收蓝区与红区的能量,而强烈反射绿区能量,因此肉眼觉得健康的植被呈绿色。除此之外,叶红素与叶黄素在0、45um(蓝色)附近有一个吸收带,但就是由于叶绿素的吸收带也在这个区域内,所以这两种黄色色素光谱响应模式中起主导作用。 如果植物受到某种形式的抑制而中断了正常的生长发育,它会减少甚至停止叶绿素的产生。这将导致叶绿素的蓝区与红区吸收带减弱,常使红波段反射率增强,以至于我们可以瞧到植物变黄(绿色与红色合成)。 从可见光区到大约0、7um的近红外光谱区,可瞧到健康植被的反射率急剧上升。在0、7-1、3um区间,植物的反射率主要来自植物叶子内部结构。 健康绿色植物在0、7-1、3um间,的光谱特征的反射率高达(45%-50%),透过率高达(45%-50%),吸收率低至(<5%)。植物叶子一般可反射入射能量的 40%-50%,其余能量大部分透射过去,因为在这一光谱区植物叶子对入射能量的吸收最少(一般少于5%)。 在光谱的近红外波段,植被的光谱特性主要受植物叶子内部构造的控制。在可见光波段与近红外波段之间,即大约0、76um附近,反射率急剧上升,形成“红边”现象,这就是植物曲线的最为明显的特征,就是研究的重点光谱区域。 许多种类的植物在可见光波段差异小,但近红外波段的反射率差异明显。同时,与单片叶子相比,多片叶子能够在光谱的近红外波段产生更高的反射率(高达85%),这就是因为附加反射率的原因,因为辐射能量透过最上层的叶子后,将被第二层的叶子反射,结果在形式上增强了第一层叶子的反射能量。
本科学生综合性、设计性 实验报告 姓名宋国俊学号114130168 专业地理信息系统班级 实验课程名称遥感地学分析 实验名称NDVI计算 开课学期2011 至2012 学年下学期 云南师范大学旅游与地理科学学院编印 一、实验准备
1、实验目的和要求： 利用TM卫星数据，应用ENVI软件进行归一化植被指数的计算，及在此基础对研究 区进行植被覆盖率的提取，根据植被覆盖率进行一些应用分析。 2、实验材料及相关设备： 昆明影像数据(path/row:129/43（2002.02.09）)ENVI及ArcGIS软件。 3、实验方法步骤及注意事项： 实验方法：利用ENVI及ArcGIS图像处理软件，参考软件的处理操作步骤，对图像进行处理。 注意事项：下载数据时应该严格遵照行列号来下载，下载的数据要包括完整的影像数据信息以便数据的预处理。 二、实验内容、步骤和结果（详细写清楚本次实验的完成的主要内容、具体 实施步骤和实验结果。） 1、实验内容 利用下载的昆明影像数据用ENVI进行NDVI计算，计算公式如下： NDVI=(NIR-R)/(NIR+R)(NIR为近红外波段，R为红光波段) 2、实验步骤 (1)对昆明影像数据进行辐射定标： Ⅰ、启动ENVI File→Open External File→Landsat→Geo TIFF with metadata→Enter Landsat MetaData Filenames（输入元数据） Ⅱ、Spectral→Preprocessing→Calibration utilities→Landsatcalibration→Landsat calibration input file→输 入第一步的元数据 Ⅲ、将辐射定标后的数据转化为BIL格式：
绿色植物的反射波谱曲线作用 2014015587—贺康康—环科 地面植物具有明显的光谱反射特征，不同于土壤、水体和其他的典型地物，植被对电磁波的响应是由其化学特征和形态学特征决定的，这种特征与植被的发育、健康状况以及生长条件密切相关。 在可见光波段内，各种色素是支配植物光谱响应的主要因素，其中叶绿素所起的作用最为重要。健康的绿色植被，其光谱反射曲线几乎总是呈现“峰和谷”的图形，可见光谱内的谷是由植物叶子内的色素引起的。 例如叶绿素强烈吸收波谱段中心约0.45um和0.67um（常称这个谱带为叶绿素吸收带）的能量。植物叶子强烈吸收蓝区和红区的能量，而强烈反射绿区能量，因此肉眼觉得健康的植被呈绿色。除此之外，叶红素和叶黄素在0.45um（蓝色）附近有一个吸收带，但是由于叶绿素的吸收带也在这个区域内，所以这两种黄色色素光谱响应模式中起主导作用。如果植物受到某种形式的抑制而中断了正常的生长发育，它会减少甚至停止叶绿素的产生。这将导致叶绿素的蓝区和红区吸收带减弱，常使红波段反射率增强，以至于我们可以看到植物变黄（绿色和红色合成）。从可见光区到大约0.7um的近红外光谱区，可看到健康植被的反射率急剧上升。在0.7-1.3um区间，植物的反射率主要来自植物叶子内部结构。 健康绿色植物在0.7-1.3um间，的光谱特征的反射率高达（45%-50%），透过率高达（45%-50%），吸收率低至（<5%）。植物叶子一般可反射入射能量的40%-50%，其余能量大部分透射过去，因为在这一光谱区植物叶子对入射能量的吸收最少（一般少于5%）。 在光谱的近红外波段，植被的光谱特性主要受植物叶子内部构造的控制。在可见光波段与近红外波段之间，即大约0.76um附近，反射率急剧上升，形成“红边”现象，这是植物曲线的最为明显的特征，是研究的重点光谱区域。 许多种类的植物在可见光波段差异小，但近红外波段的反射率差异明显。同时，与单片叶子相比，多片叶子能够在光谱的近红外波段产生更高的反射率（高达85%），这是因为附加反射率的原因，因为辐射能量透过最上层的叶子后，将被第二层的叶子反射，结果在形式上增强了第一层叶子的反射能量。（Philip et al. ，1978） 植物波谱反射特征的规律［1］ 经过的对植物进行300多个目标点的波谱反射特性的测定。从结果来看，尽管它们种类、所在位置的自然条件不同，但在绿色状态下，其特征都具有共同的规律，这些规律是: 1、特征的相似性。 2、特征的可分性。 3、特征的周期性 4、特征随季节而变化的显著性。 作物旱情监测［2］ 济南市小麦种植区TVDI 统计结果表明，对于TVDI 等级非常湿润和湿润，在六个统计时段内，面积最大都出现在六月份，面积最小都出现在一月和十二月，其次非常湿润等级还在三月的面积较大，湿润等级在十月份的面积较大；冬小麦种植区的正常TVDI等级，面积最大出现在十月，最小为一月，其他各月相差不大；出现干旱现象面积最大的月份为一月，与前文分析结果一致，统计结果同样符合。 利用多类别MODIS 植被指数和陆地表面温度产品数据，根据陆地表面温度与植被指数关系特点，建立多种干旱评价指标。结合气温、降水、土壤墒情数据，验证各干旱反演模型在济南市的适用性，研究2010年10月至2011年5月济南市干旱发生的时空演变格局。
叶面积指数LAI测量仪器介绍 目的是给出各种测量LAI的仪器的直观介绍。 LA I 是一个无量纲、动态变化的参数, 随着叶子数量的变化而变化。另外, 植物叶子的生长与植物种类自身特性、外部环境条件以及人为管理方式有关。再加上LA I 的不同定义和假设导致了LAI 值测量的极大差异。植物LAI 的地面测量方法有2 类: 直接测量和间接测量。本文简要介绍LAI2200（LAI2000）、SUNSCAN、TRAC、AccuPAR和DHP仪器并且给出一些选择建议。目前，遥感科学国家重点实验室关于LAI测量的仪器有LAI2000、LAI2200、TRAC和LI3000A。 1，LAI2200（LAI2000） LAI2200植物冠层分析仪基于成熟的LAI-2000技术平台，利用“鱼眼”光学传感器（垂直视野范围148度，水平视野范围360度，波谱响应范围320nm~490nm）测量树冠上、下5个角度的透射光线，利用植被树冠的辐射转移模型（间隙率）计算叶面积指数、空隙比等树冠结构参数。利用随机FV-2200软件，可对数据进行深入处理分析。该仪器由美国 LI-COR公司开发。 仪器组成如下图所示。
测量注意事项： 尽可能避免直射的阳光，尽量在日出日落时或者多云的天气（阴天）进行测量，如果避免不了，需要注意：1，使用270度的遮盖帽或者更小视野的遮盖帽；2，背对着阳光进行测量，遮挡住日光和操作者本身；3，对植物冠层进行遮阴处理；4，如果云分布不均匀导致光线不均匀的天气条件下要等待云彩飘过并且遮挡了阳光时再进行测量。 在非均匀、不连续植被情况下以及复杂地形区的测量结果不理想。 2，SUNSCAN
在遥感应用领域，植被指数已广泛用来定性和定量评价植被覆盖及其生长活力。由于植被光谱表现为植被、土壤亮度、环境影响、阴影、土壤颜色和湿度复杂混合反应，而且受大气空间—时相变化的影响，因此植被指数没有一个普遍的值，其研究经常表明不同的结果。研究结果表明，利用在轨卫星的红光和红外波段的不同组合进行植被研究非常好，这些波段在气象卫星和地球观测卫星上都普遍存在，并包含90%以上的植被信息，这些波段间的不同组合方式统被称为植被指数。 植被指数有助于增强遥感影像的解译力，并已作为一种遥感手段广泛应用于土地利用覆盖探测、植被覆盖密度评价、作物识别和作物预报等方面，并在专题制图方面增强了分类能力。植被指数还可用来诊断植被一系列生物物理参量：叶面积指数（LAI）、植被覆盖率、生物量、光合有效辐射吸收系数（APAR）等；反过来又可用来分析植被生长过程：净初级生产力（NPP）和蒸散（蒸腾）等。 为了估算和监测植被覆盖，最早发展了比值植被指数（RVI）。但RVI对大气影响敏感，而且当植被覆盖不够浓密时（小于50%），它的分辨能力也很弱，只有在植被覆盖浓密的情况下效果最好。归一化差异植被指数（NDVI）对绿色植被表现敏感，它可以对农作物和半干旱地区降水量进行预测，该指数常被用来进行区域和全球的植被状态研究。对低密度植被覆盖，NDVI对于观测和照明几何非常敏感。但在农作物生长的初始季节，将过高估计植被覆盖的百分比；在农作物生长的结束季节，将产生估计低值。继之,将各波段反射率以不同形式进行组合来消除外在的影响因素，如遥感器定标、大气、观测和照明几何条件等。这些线性组合或波段比值的指数发展满足特定的遥感应用，如作物产量、森林开发、植被管理和探测等。农业植被指数（A VI）针对作物生长阶段测量绿色植被；多时相植被指数（MTVI），将两个不同日期的数值简单相减，是为了观测两个日期植被覆盖条件的变化和作物类型的分类，并用来探测由于火灾和土地流失造成的森林覆盖变化。归一化差异绿度指数（NDGI），可用来对不同活力植被形式进行检验。归一化差异指数（NDI）建立了光谱反射率和棉花作物残余物的表面覆盖率的关系，以用来对作物残余物的制图。 近年来，随着高光谱分辨率遥感的发展以及热红外遥感技术的应用，又发展了红边植被指数、导数植被指数（DVI）、温度植被指数（Ts-VI）、生理反射植被指数（PRI）。“红边”的一般定义为叶绿素吸收红边斜率的拐点。红边位置灵敏于叶绿素a、b的浓度和植被叶细胞的结构。为获取红边位置信息，Miller 等用一个倒高斯模型拟合红边斜率。导数植被指数由于它能压缩背景噪音对目标信号的影响或不理想的低频信号，被应用在目前的高光谱遥感研究中，尤其是在利用高光谱遥感提取植被化学成份信息方面得到成功的应用。近年来的经验研究表明：热红外辐射（如土面亮度温度）和植被指数在大尺度范围遥感应用中可提高土地覆盖的制图和监测精度。生理反射植被指数是针对高光谱遥感的特点，对植被生化特性的短期变化（如一天的植被的光合作用）进行探测。 植被指数按发展阶段可分为三类：第一类植被指数基于波段的线性组合（差或和）或原始波段的比值，由经验方法发展的，没有考虑大气影响、土壤亮度和土壤颜色，也没有考虑土壤、植被间的相互作用（如RVI等）。它们表现了严重的应用限制性，这是由于它们是针对特定的遥感器（Landsat MSS）并为明确特定应用而设计的。第二类植被指数大都基于物理知识，将电磁波辐射、大气、植被覆盖和土壤背景的相互作用结合在一起考虑，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而发展的（如PVI、S A VI、MSA VI、TSA V
实验一植被覆盖度反演 一、实验目的 植被覆盖度是指植被（包括叶、茎、枝）在地面的垂直投影面积占统计区总面积的百分比。通常林冠称郁闭度，灌草等植被称覆盖度。它是衡量地表植被覆盖的一个最重要的指标，被覆盖度及其变化是区域生态系统环境变化的重要指示，对水文、生态、全球变化等都具有重要意义。目前已有许多利用遥感技术测量植被覆盖度的方法，其中应用最广泛的方法是利用植被指数近似估算植被覆盖度，常用的植被指数为NDVI，本次实验完成植被覆盖度反演。 二、实验数据 实验选取两景覆盖北京市的Landsat8 OLI影像、土地覆盖类型图以及北京行政边界矢量数据为数据源。其中，土地覆盖类型图是作为掩膜文件使用，其目的是为了便于植被覆盖度的估算；北京行政边界矢量数据是裁剪出北京市行政区内的范围。Landsat8 OLI影像是从地理空间数据云网站上下载得到的，其成像时间为2013年10月份。与Landsat7的ETM+成像仪相比，OLI成像仪获取的遥感图像辐射分辨率达到12比特，图像的几何精度和数据的信噪比也更高。OLI成像仪包括9个短波谱段（波段1～波段9），幅宽185km，其中全色波段地面分辨率为15m，其他谱段地面分辨率为30m。 三、实验方法 本文反演植被覆盖度所采用的是像元二分模型方法，像元二分模型是一种简单实用的遥感估算模型，它假设一个像元的地表由有植被覆盖部分与无植被覆盖部分组成，而遥感传感器观测到的光谱信息(S)也由这2个组分因子线性加权合成，各因子的权重是各自的面积在像元中所占的比率，如其中植被覆盖度可以看作是植被的权重。因此，像元二分模型的原理如下：VFC = (S - Ssoil)/ ( Sveg - Ssoil) S为遥感信息，其中Ssoil 为纯土壤像元的信息, Sveg 为纯植被像元的信息。 改进的像元二分法——遥感信息选择为NDVI VFC = (NDVI - NDVIsoil)/ ( NDVIveg - NDVIsoil) 两个参数的求解公式 NDVIsoil=(VFCmax*NDVImin- VFCmin*NDVImax)/( VFCmax- VFCmin) NDVIveg=((1-VFCmin)*NDVImax- (1-VFCmax)*NDVImin)/( VFCmax- VFCmin) 当区域内可以近似取VFCmax=100%，VFCmin=0% VFC = (NDVI - NDVImin)/ ( NDVImax - NDVImin) 当区域内不可以近似取VFCmax=100%，VFCmin=0%，当有实测数据的情况下，取实测数据中的植被覆盖度的最大值和最小值；当没有实测数据的情况下，植被覆盖度的最大值和最小值根据经验估算。 其中, NDVIsoil 为裸土或无植被覆盖区域的NDVI值, 即无植被像元的NDVI 值；而NDVIveg 则代表完全被植被所覆盖的像元的NDVI 值, 即纯植被像元的NDVI 值。 四、实验处理步骤 1、实验处理流程如下图所示
植被光谱分析与植被指数计算 在遥感中，常常结合不同波长范围的反射率来增强植被特征，如植被指数（vegetation indices ——VI）的计算，植被指数（VI）是两个或多个波长范围内的地物反射率组合运算，以增强植被某一特性或者细节。目前，在科学文献中发布了超过150种植被指数模型，这些植被指数中只有极少数是经过系统的实践检验。本文总结现有植被指数，根据对植被波谱特征产生重要影响的主要化学成份：色素（Pigments）、水分（Water）、碳（Carbon）、氮（Nitrogen），总结了7大类实用性较强的植被指数，即：宽带绿度、窄带绿度、光利用率、冠层氮、干旱或碳衰减、叶色素、冠层水分含量。这些植被指数可以简单度量绿色植被的数量和生长状况、叶绿素含量、叶子表面冠层、叶聚丛、冠层结构、植被在光合作用中对入射光的利用效率、测量植被冠层中氮的相对含量、估算纤维素和木质素干燥状态的碳含量、度量植被中与胁 迫性相关的色素、植被冠层中水分含量等。 包括以下内容： ??●植被光谱特征 ??●植被指数 ??●HJ-1-HSI植被指数计算 1.植被光谱特征 植被跟太阳辐射的相互关系有别于其他物质，如裸土、水体等，比如植被的“红边”现象，即在<700nm附近强吸收，>700nm高反射。很多因素影响植被对太阳辐射的吸收和反射，包括波长、水分含量、色素、养分、碳等。研究植被的波长范围一般为400 nm to 2500 nm，这也是传感器设计选择的波长范围。这个波长范围可范围以下四个部分： ??●可见光（Visible）：400 nm to 700 nm ??●近红外（Near-infrared——NIR）：700 nm to 1300 nm ??●短波红外1（Shortwave infrared 1—— SWIR-1）：1300 nm to 1900 nm ??●短波红外2（Shortwave infrared 2——SWIR-2）：1900 nm to 2500 nm 其中NIR和SWIR-1的过渡区（1400nm附近）是大气水的强吸收范围，卫星或者航空传感器一般不获取这范围的反射值。 SWIR-1 和 SWIR-2的过渡区（1900nm附近）也是大气水的强吸收范围。 植被可分为三个部分组成： ??●植物叶片（Plant Foliage） ??●植被冠层（Plant Canopies） ??●非光合作用植被(Non-Photosynthetic Vegetation) 这三个部分是植被分析的基础，下面对他们详细介绍。
在光谱的中红外阶段，绿色植物的光谱响应主要被1.4μm、1.9μm和2.7μm附近的水的强烈吸收带所支配。 地面植物具有明显的光谱反射特征，不同于土壤、水体和其他的典型地物，植被对电磁波的响应是由其化学特征和形态学特征决定的，这种特征与植被的发育、健康状况以及生长条件密切相关。 在可见光波段内，各种色素是支配植物光谱响应的主要因素，其中叶绿素所起的作用最为重要。在中心波长分别为0.45μm（蓝色）和0.65μm（红色）的两个谱带内，叶绿素吸收大部分的摄入能量，在这两个叶绿素吸收带间，由于吸收作用较小，在0.54μm（绿色）附近行程一个反射峰，因此许多植物看起来是绿色的。除此之外，叶红素和叶黄素在0.45μm （蓝色）附近有一个吸收带，但是由于叶绿素的吸收带也在这个区域内，所以这两种黄色色素光谱响应模式中起主导作用。 在光谱的近红外波段，植被的光谱特性主要受植物叶子内部构造的控制。健康绿色植物在近红外波段的光谱特征是反射率高（45%-50%），透过率高（45%-50%），吸收率低（<5%）。在可见光波段与近红外波段之间，即大约0.76μm附近，反射率急剧上升，形成“红边”现象，这是植物曲线的最为明显的特征，是研究的重点光谱区域。许多种类的植物在可见光波段差异小，但近红外波段的反射率差异明显。同时，与单片叶子相比，多片叶子能够在光谱的近红外波段产生更高的反射率（高达85%），这是因为附加反射率的原因，因为辐射能量透过最上层的叶子后，将被第二层的叶子反射，结果在形式上增强了第一层叶子的反射能量。 在光谱的中红外阶段，绿色植物的光谱响应主要被1.4μm、1.9μm和2.7μm附近的水的强烈吸收带所支配。2.7μm处的水吸收带是一个主要的吸收带，它表示水分子的基本振动吸收带。1.9μm，1.1μm，0.96μm处的水吸收带均为倍频和合频带，故强度比谁的基本吸收带弱，而且是依次减弱的。1.4μm和1.9μm处的这两个吸收带是影响叶子的中红外波段光谱响应的主要谱带。1.1μm和0.96μm处的水吸收带对叶子的反射率影响也很大，特别是在多层叶片的情况下。研究表明，植物对入射阳光中的红外波段能量的吸收程度是叶子中总水分含量的函数，即是叶子水分百分含量和叶子厚度的函数。随着叶子水分减少，植物中红外波段的反射率明显增大（Philip et al.,1978）
重庆交通大学 学生实验报告 实验课程名称遥感地学分析 开课实验室土木学院机房实验室 学院河海学院年级 2012级专业班资环1班学生姓名邓双福学号 631203050107 开课时间 2014 至 2015 学年第二学期 河海学院资源与环境科学系 2015年6月
实验题目遥感地物识别与专题制图 实验时间2015年6月1日实验地点土木学院机房实验室 实验成绩实验性质综合性试验 一、实验目的 1、以自己所熟悉的软件,选择一个区域(影像自己选择,不小于500×500像素),进行地物类型的判别与读取(人机交 互目视解译或者计算机自动分类)监督与非难监督 2、考察学生对本课程有关典型地物类别光谱特征知识点的掌握情况。 3、地物类型不小于五类,结果输出为专题图,图分,图例,各地物类型的面积(矢量面积,栅格百分比)。 二、原理与方法 实验数据：地理空间数据云网址下载三市ETM遥感影像。 图像预处理：下载的遥感影像进行预处理。 图像预处理流程图如下： 波段合成：将下载到的单波段遥感数据运用ENVI进行波段合成，形成假彩色的遥感影像图。 监督分类(supervised)，又称训练分类法，即用被确认类别的样本像元去识别其他未知类别像元的过程。已被确认类别的样本像元是指那些位于训练区的像元。在监督分类过程中，首先选择可以识别或者借助其他信息可以判定其类型的像元建立分类模板（训练样本），然后让计算机系统基于该模板自动识别具有相同特性的像元。对分类结果进行评价后再对分类模板进行修改，多次反复后建立一个比较准确的模板，并在此基础上最终进行分类。监督分类一般有以下几个步骤：定义分类模板、评价分类模板、进行监督分类、评价分类结果，在实际应用过程中，可以根据需要执行其中的部分操作。 分类后处理（Post-Classification Process），无论监督分类还是非监督分类，都是按照光谱特征进行聚类分析的，因此，都带有一定的盲目性。所以，对获得的分类结果需要进行一些处理工作才能得到最终相对理想的分类结果，这些处理操作统称为分类后处理。
植被指数表达式总表 名称简写公式作者及日期 比值植被指数 RVI R/NIR Pearson等人，1972 植被指数序数 VIN NIR/R Pearson等人，1972 转换型植被指数 TVI Rouse等人， 1974 绿度植被指数 GVI(-0.283MSS4-0.66MSS5+0.577MSS6+0.388MSS7）Kauth等人， 1976 土壤亮度指数 SBI(-0.283MSS4-0.66MSS5+0.577MSS6+0.388MSS7）Kauth等人， 1976 黄度植被指数 YVI(-0.283MSS4-0.66MSS5+0.577MSS6+0.388MSS7）Kauth等人， 1976 非此植被指数 NSI(-0.283MSS4-0.66MSS5+0.577MSS6+0.388MSS7）Kauth等人， 1976 土壤背景线 SBL （MSS7-2.4MSS5）Richardson等人，1977 差值植被指数 DVI (2.4MSS7-MSS5）Richardson等人，1977 Misra土壤亮度指数MSBI( 0.406MSS4+0.60MSS5+0.645MSS6+0.243MSS7）Misra等人，1977 Misra绿度植被指数MGVI(-0.386MSS4-0.53MSS5+0.535MSS6+0.532MSS7）Misra等人，1977 Misra黄度植被指数MYVI(0.723MSS4-0.597MSS5+0.206MSS6-0.278MSS7）Misra等人，1977 Misra非此植被指数MNSI(0.404MSS4-0.039MSS5-0.505MSS6+0.762MSS7）Misra等人，1977 垂直植被指数PVI Richardson等人，1977 农业植被指数AVI (2.0MSS7-MSS5) Ashburn，1978 裸土植被指数GRABS (GVI-0.09178SBI+5.58959) Hay等人，1978 多时相植被指数MTVI (NDVI(date 2)-NDVI(date 1)) Yazdani等人， 1981 绿度土壤植被指数GVSB GVI/SBIBadhwar等人，1981 调整土壤亮度植被指数ASBI (2.0YVI)Jackson等人， 1983 调整绿度植被指数AGVI GVI-(1+0.018GVI)YVI-NSI/2Jackson等人， 1983 植被指数TVI Perry等人， 1984 植被指数DVI (NIR-R) Clevers等人，1986 归一化差异绿度指数NDGI (G-R)/(G+R) Chamadn等人， 1991 红色植被指数RI （R-G）/（R+G）Escadafal等人, 1991 归一化差异植被指数NDI (NIR-MIR)/(NIR+MIR) McNairn等人， 1993 归一化植被指数NDVI (NIR-R)/(NIR+R) Rouse等人， 1974 垂直植被指数PVI （NIR-aR-b）/ Jackson等人, 1980 土壤调整植被指数SAVI （1+L） Huete等人, 1988 转换型土壤调整指数TSAVI [a(NIR-aR-B)]/(R+aNIR-ab)Baret等人, 1989 改进的转换型土壤调整植被指数TSAVI [a(NIR-aR-B)]/[R+aNIR-ab+X(1+a )] Baret等人, 1989 大气阻抗植被指数ARVI （NIR-RB）/（NIR+RB）Kanfman等人，1992 全球环境监测指数GEMI (1-0.25)-(R-0.125)/(1-R) ; =[2(NIR -R )+1.5NIR+0.5R]/(NIR+R+0.5 ) Pinty等人，1992
A.直接方法直接测定方法是一种传统的、具有一定破坏性的方法。 1、叶面积的测定，传统的格点法和方格法。 2、描形称重法. 在一种特定的坐标纸上,用铅笔将待测叶片的轮廓描出并依叶形剪下坐标纸,称取叶形坐标纸重量,按公式计算叶面积. 3、仪器测定法. 叶面积测定仪可以分成两种类型,分别通过扫描和拍摄图像获取叶面积. 扫描型叶面积仪主要由扫描器(扫描相机) 、数据处理器、处理软件等组成,可以获得叶片的面积、长度、宽度、周长、叶片长度比和形状因子以及累积叶片面积等数据,主要仪器有: CI - 202 便携式叶面积仪、L I- 3000台式或便携式叶面积仪、AM - 300手持式叶面积仪等. 此外,还有使用台式扫描仪和专业图像分析软件测定的方法. 图像处理型 叶面积仪由数码相机、数据处理器、处理分析软件和计算机等组成,可以获取叶片面积、形状等数据,主要仪器有:W IND I2AS图象分析系统、SKYE 叶片面积图像分析仪、Decagon - Ag图象分析系统、WinFOL IA 多用途叶面积仪等. B、间接方法间接方法是用一些测量参数或用光学仪器得到叶面积指数,测量方便快捷,但仍需要用直接方法所得结果进行校正。 1、点接触法 点接触法是用细探针以不同的高度角和方位角刺入冠层,然后记录细 探针从冠层顶部到达底部的过程中针尖所接触的叶片数目,用以下公式计算. 式中,LA I为叶面积指数, n为探针接触到的叶片数, G (θ) 为投影函数,θ为天顶角. 当天顶角为57.5°时,假设叶片随机分布和叶倾角椭圆分布 ,则冠层 叶片的倾角对消光系数K的影响最小,此时采用32.5°倾角刺入冠层,会得出较准确的结果,用以下公式计算. 点接触法是由测定群落盖度的方法演进而来的 ,在小作物LA I的测量中较准确 ,但在森林中应用比较困难 ,主要是由于森林植物树体高大以及针叶树种中高密度的针叶影响了测定。 2、消光系数法 该法通过测定冠层上下辐射以及与消光系数该法通过测定冠层上下辐射以及与消光系数相关的参数来计算叶面积指数,前提条件是假设叶片。随机分布和叶倾角呈椭圆分布,由Beer - Lambert定 律知:
《遥感地学分析》课程教学大纲 一、课程基本情况 二、课程性质与作用 遥感地学分析课程是遥感科学与技术专业一门重要的专业基础课，同时也是地理信息系统专业推广地理信息系统工具应用的一门重要的选修课。遥感技术是当今国际上异常活跃，发展日新月异的高新科技领域，是构筑“数字地球”不可或缺的强大核心技术，现已发展到推广应用阶段,在众多的专业领域得到广泛应用,已成为地学领域相关科学研究的全新技术方法。在我国也深入到国民经济和社会发展的众多领域，在国家资源环境调查、重大自然灾害监测、城市规划与管理、海洋勘察、国家安全等方面发挥着越来越重要的作用。《遥感地学分析》是遥感与地学交叉的边缘科学，是一门以传播图像科技知识为主的专业课程，具有明显的应用技术学科特点，是地学类各专业的技术方法课。该课程是应用遥感的理论、方法和技术，应用遥感数据源，实现复杂地学问题的快捷、方便、省时和省力的解决。 三、培养目标与标准 本课程需在学习了测量学等课程后再深入学习本课程。本课程具体完成培养方案如下：
信息渠道获得知识，侧重知识的获取，没有实训要求。T：讲授，指教、学活动中由教师引导开展的基础测试或练习，匹配有课程讨论、课后研讨等环节。U：运用，指以学生为主导，通过实练而形成的对完成某种任务所必须的活动方式，匹配有课程的三级项目或其它实践环节。 四、理论教学内容与学时分配
五、实践（实验、上机）教学内容与学时分配 高光谱与高空间分辨率遥感实验紧密结合大纲要求，在前所学课程基础上，深入应用ENVI软件对高光谱与高空间分辨率遥感图像进行验证和综合分析，是对理论知识的深入消化与理解。 六、学业考核 本课程的作业规范：每章结束后布置适量作业，学生独立完成，以便加深对本课程的理解。每个月布置一个中型的项目，学生撰写项目书，并完成整个流程，上交项目报告！
玉米叶面积指数变化及其应用 摘要 叶面积指数（LAI）与作物产量的增长联系紧密，在一定范围内随着叶面积指 数的增加群体光合速率提高。LAI与品种特性，种植密度，栽培措施，气象条件 有密切联系。本文分别从玉米LAI模型构建和不同处理措施对玉米LAI的影响角 度总结近年来关于玉米LAI的研究以及其对于农业生产的意义。 前言 玉米是大田中的主要作物之一，我国的玉米生产水平有较大的提高潜力。叶 面积指数是计算作物蒸散和干物质累积最重要的生理参数，可为植冠表面最初能 量交换描述提供结构化定量信息，是进行物质循环及能量代谢等研究的基础，是 除单叶光合作用速率以外决定作物冠层光合作用计算精确与否的重要参数，且最 能反映遥感数据与作物生长状态密切关系关系，因此研究叶面积指数动态变化模 式有重要的应用价值。目前有关玉米LAI的测定，LAI动态模型的建立，不同株 型玉米LAI动态变化和不同的栽培因子对于玉米LAI的影响是研究的热点。 一、玉米LAI动态模型 关于玉米全生育期的动态变化模拟模型主要是logistic模型的扩展。例如中国科 学院地理科学与资源研林忠辉等提出的模型便是以积温指标表示的生育阶段为 自变量,综合不同地理位置、品种、播期、密度等的影响,是一个扩展的Logistic 叶面积生长模型。[1] 玉米叶面积指数随生育进程变化可分为4 个时期,即缓慢增长期,指播种～拔 节期叶面积指数增长缓慢;线性增长期,指拔节～抽雄吐丝期叶面积指数增长最 快,且吐丝期达最大值;相对稳定期,指抽雄吐丝～乳熟期叶面积指数相对稳定而 后期略有下降;衰退期,指乳熟～蜡熟期叶面积指数下降。Logistic 曲线可较好 地表述玉米叶面积指数前2 个生育阶段,但不能表述相对稳定期后期及衰退期叶 面积指数下降过程,必须经过修正方可用于整个生育期动态变化模拟。[2] 玉米LAI动态模型主要用于区域作物生长模拟模型和区域作物生长监测及遥感 估产。 二、不同株型玉米LAI动态变化 主要是研究平展型品种和紧凑型品种的LAI动态变化，通过比较得出不同品种 的最大最适叶面积指数，从而为玉米的增产提供理论依据。例如沈阳农业大学的 任志勇等通过比较的玉米品种平展型品种连玉16( A1)、半紧凑型品种丹玉 39( A2) 、紧凑型品种郑单958( A3)不同时期的LAI得出了不同株型品种获得最 高产量的密度不同, 获得最高产量的最大叶面积指数也不同的结论。连玉16在2 600株/667m2密度下获得了最高产量, 其叶面积指数为3.8 ,丹玉39和郑单958在 4 500株/667m2 密度下获得了最高产量, 其叶面积指数分别为5. 15和5. 66。[3] 吉林农大的岳阳等通过分析：两个紧凑型玉米品种：先玉335、郑单958；两个平 展型玉米品种：“三北9、长城799不同生育时期的LAI动态变化得出了两个紧凑 型玉米品种的群体叶面积指数、光合速率等均比两个平展型玉米品种表现优良， 有利于光合产物的积累，提高产量的结论。[4] 这些都为玉米栽培品种的选择和玉米育种提供了重要的参考。 三、不同的栽培因子对于玉米LAI的影响
主要植被指数类型及其应用条件 分类:遥感知识 2008.7.2 08:55 作者：晓雪天飞 | 评论：0 | 阅读：79 在遥感应用领域，植被指数已广泛用来定性和定量评价植被覆盖及其生长活力。由于植被光谱表现为植被、土壤亮度、环境影响、阴影、土壤颜色和湿度复杂混合反应，而且受大气空间—时相变化的影响，因此植被指数没有一个普遍的值，其研究经常表明不同的结果。研究结果表明，利用在轨卫星的红光和红外波段的不同组合进行植被研究非常好，这些波段在气象卫星和地球观测卫星上都普遍存在，并包含90%以上的植被信息，这些波段间的不同组合方式统被称为植被指数。植被指数有助于增强遥感影像的解译力，并已作为一种遥感手段广泛应用于土地利用覆盖探测、植被覆盖密度评价、作物识别和作物预报等方面，并在专题制图方面增强了分类能力。植被指数还可用来诊断植被一系列生物物理参量：叶面积指数（LAI）、植被覆盖率、生物量、光合有效辐射吸收系数（APAR）等；反过来又可用来分析植被生长过程：净初级生产 力（NPP）和蒸散（蒸腾）等。 为了估算和监测植被覆盖，最早发展了比值植被指数（R VI）。但RVI对大气影响敏感，而且当植被覆盖不够浓密时（小于50%），它的分辨能力也很弱，只有在植被覆盖浓密的情况下效果最好。归一化差异植被指数（NDVI）对绿色植被表现敏感，它可以对农作物和半干旱地区降水量进行预测，该指数常被用来进行区域和全球的植被状态研究。对低密度植被覆盖，NDVI对于观测和照明几何非常敏感。但在农作物生长的初始季节，将过高估计植被覆盖的百分比；在农作物生长的结束季节，将产生估计低值。继之,将各波段反射率以不同形式进行组合来消除外在的影响因素，如遥感器定标、大气、观测和照明几何条件等。这些线性组合或波段比值的指数发展满足特定的遥感应用，如作物产量、森林开发、植被管理和探测等。农业植被指数（AVI ）针对作物生长阶段测量绿色植被；多时相植被指数（MTVI），将两个不同日期的数值简单相减，是为了观测两个日期植被覆盖条件的变化和作物类型的分类，并用来探测由于火灾和土地流失造成的森林覆盖变化。归一化差异绿度指数（NDGI），可用来对不同活力植被形式进行检验。归一化差异指数（NDI）建立了光谱反射率和棉花作物残余物的表面覆盖率的关系，以用来对作物残余物的制图。 近年来，随着高光谱分辨率遥感的发展以及热红外遥感技术的应用，又发展了红边植被指数、导数植被指数（DVI）、温度植被指数（Ts-VI）、生理反射植被指数（PRI）。“红边” 的一般定义为叶绿素吸收红边斜率的拐点。红边位置灵敏于叶绿素a、b的浓度和植被叶细胞的结构。为获取红边位置信息，Miller 等用一个倒高斯模型拟合红边斜率。导数植被指数由于它能压缩背景噪音对目标信号的影响或不理想的低频信号，被应用在目前的高光谱遥感研究中，尤其是在利用高光谱遥感提取植被化学成份信息方面得到成功的应用。近年来的经验研究表明：热红外辐射（如土面亮度温度）和植被指数在大尺度范围遥感应用中可提高土地覆盖的制图和监测精度。生理反射植被指数是针对高光谱遥感的特点，对植被生化特性的短期 变化（如一天的植被的光合作用）进行探测。 植被指数按发展阶段可分为三类：第一类植被指数基于波段的线性组合（差或和）或原始波段的比值，由经验方法发展的，没有考虑大气影响、土壤亮度和土壤颜色，也没有考虑土壤、植被间的相互作用（如RVI 等）。它们表现了严重的应用限制性，这是由于它们是针对特定的遥感器（Landsat MSS）并为明确特定应用而设计的。第二类植被指数大都基于物理知识，将电磁波辐射、大气、植被覆盖和土壤背景的相互作用结合在一起考虑，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而发展的（如PVI、SAVI、MSAVI、TSAV I、ARVI、GEMI、AVI、NDVI等）。它们普遍基于反射率值、遥感器定标和大气影响并
叶面积指数仪的用途及工作原理介绍 植物的生长与植物的叶面积之间存在着密切的联系，我们知道叶片是植物进行光合作用的重要部分，因此植物的光合物质积累直接受到叶面积大小的影响，另外一方面通过测定和分析叶面积的变化，还能够掌握植物的生长，为制定科学的栽培技术措施等提供依据。因此在现代科技农业发展中，叶面积的测定变得越来越重要。应用叶面积指数仪来检测植物叶面积，简单直观，十分符合现代农业科研的实际工作需要。 虽然测定叶面积的方法很多，有叶形纸称重法、鲜样称重法和干样称重法、长宽系数法、回归方程法和叶面积指数仪测定法等，但是在众多的测定方法中，叶面积指数仪测定法无疑是最简单、直观和高效的，利用叶面积指数仪直接测定，可以准确而快速的获取叶面积相关数据，为科研工作的开展节约时间和成本。那么叶面积指数仪有什么特别之处，使其拥有如此突出的优势呢，叶面积指数仪的工作原理是什么？ 托普云农叶面积指数仪的工作原理是利用光电转换的方法来测定叶面积值，当均匀光源照射仪器的磨砂玻璃时，由于漫反射，会使其成均匀散光亮面，再经透镜成像于光电池上，用光电池产生光电流，由微安表指示出来，将被测叶片放在均匀光面前，则亮面面积相应减少，产生的光电流减少，被测叶面积与亮面面积之比等于光电流减少与亮面产生的电流之比，测定的叶面积大小可以通过叶面积指数仪的显示框直接显示出来，达到了快速测定，直观显示测定结果的效果。 托普云农研发制造的这款TOP-1300叶面积指数仪可测量叶面积指数、散射辐射透过率、不同太阳高度角下的直射辐射透过率、不同太阳高度角下的消光系
数、叶面积密度的方位分布等。 叶面积指数仪采用国际上一致采用的原理（比尔定律以及冠层孔隙率与冠层结构相关的原理），通过专用鱼眼镜头成像和CCD图像传感器测量冠层数据和获取植物冠层图像，利用软件对所得图像和数据进行分析计算，得出冠层相关指标和参数。具有精确、省时省力、快捷方便的特点。 托普云农叶面积指数仪可测量：叶面积指数、散射辐射透过率、不同太阳高度角下的直射辐射透过率、不同太阳高度角下的消光系数、叶面积密度的方位分布、冠层内外的光合有效辐射(PAR)等。植物叶面积指数仪/叶面积仪广泛应用于作物、植物群体冠层受光状况的测量分析以及农林业科研工作。 托普云农叶面积指数仪功能特点： 1、无损测量叶面积指数以及冠层结构。
常用的植被指数，土壤指数，水体指数有哪些？ 植被指数与土壤指数 一、RVI——比值植被指数：RVI=NIR/R，或两个波段反射率的比值。 1、绿色健康植被覆盖地区的RVI远大于1，而无植被覆盖的地面（裸土、人工建筑、水体、植被枯死或严重虫害）的RVI在1附近。植被的RVI通常大于2； 2、RVI是绿色植物的灵敏指示参数，与LAI、叶干生物量(DM)、叶绿素含量相关性高，可用于检测和估算植物生物量； 3、植被覆盖度影响RVI，当植被覆盖度较高时，RVI对植被十分敏感；当植被覆盖度<50%时，这种敏感性显著降低； 4、RVI受大气条件影响，大气效应大大降低对植被检测的灵敏度，所以在计算前需要进行大气校正，或用反射率计算RVI。 二、NDVI——归一化植被指数：NDVI=(NIR-R)/(NIR+R)，或两个波段反射率的计算。 1、NDVI的应用：检测植被生长状态、植被覆盖度和消除部分辐射误差等； 2、-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大；
3、NDVI的局限性表现在，用非线性拉伸的方式增强了NIR和R的反射率的对比度。对于同一幅图象，分别求RVI和NDVI时会发现，RVI值增加的速度高于NDVI增加速度，即NDVI对高植被区具有较低的灵敏度； 4、NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、学、枯叶、粗超度等，且与植被覆盖有关； 三、DVI\EVI——差值\环境植被指数：DVI=NIR-R，或两个波段反射率的计算。 1、对土壤背景的变化极为敏感； 四、SAVI\TSAVI\MSAVI——调整土壤亮度的植被指数： SAVI=((NIR-R)/(NIR+R+L))(1+L)，或两个波段反射率的计算。 1、目的是解释背景的光学特征变化并修正NDVI对土壤背景的敏感。与NDVI相比，增加了根据实际情况确定的土壤调节系数L，取值范围0~1。L=0 时，表示植被覆盖度为零；L=1时，表示土壤背景的影响为零，即植被覆盖度非常高，土壤背景的影响为零，这种情况只有在被树冠浓密的高大树木覆盖的地方才会出现。 2、SAVI仅在土壤线参数a=1,b=0（即非常理想的状态下）时才适用。因此有了TSAVI、ATSAVI、MSAVI、SAVI2、SAVI 3、SAVI4等改进模型。 五、GVI——绿度植被指数，k-t变换后表示绿度的分量。