植被指数提取与分析（3课时）
1、实验的目的
掌握应用遥感图像处理软件进行植被指数提取方法，了解植被指数在图像解译中的作用。
2、实验的要求
根据植被遥感的原理和方法，利用所提供的数据，在ENVI软件下完成植被指数提取与分析。了解植被的光谱特性和不同时相植被指数差异及在土地覆盖分类中的作用等。
提取的主要植被指数：NDVI, T-C变换，比值等
植被指数分析：1）不同土地覆盖植被指数差异，不同植被指数数值；2）植被指数提取后的波段合成应用、植被指数图像的假彩色密度分割等后处理；3）分析不同时相遥感图像植被指数的差异。
3、实验的材料准备
采用软件：ENVY3.5
采用的遥感数据：Landsat TM （120－38南京地区）。数据时相：2000年6月12号和2000年9月16日。
4、实验的方法与步骤
遥感图像上的植被信息，主要通过绿色植物叶子和植被冠层的光谱特性及其差异、变化而反映的，不同光谱通道所获得的植被信息可
与植被的不同要素或某种特征状态有各种不同的相关性，因此，我们往往选用多光谱遥感数据经分析运算（加、减、乘、除等线性或非线性组合方式），产生某些对植被长势、生物量等有一定指示意义的数值——即所谓的“植被指数”。用一种简单有效的形式来实现对植物状态信息的表达，以定性和定量地评价植被覆盖、生长活力及生物量等。
在植被指数中，通常选用对绿色植物（叶绿素引起的）强吸收的可见光红波段和对绿色植物（叶内组织引起的）高反射的近红外波段。这两个波段不仅是植物光谱中的最典型的波段，而且它们对同一生物物理现象的光谱响应截然相反，故它们的多种组合对增强或揭示隐含信息将是有利的。
1）提取行归一化植被指数
归一化指数（NDVI）被定义为近红外波段与可见光红波段数值之差和这两个波段数值之和的比值。
公式：NDVI=（TM4-TM3）/（TM4+TM3）
在ENVY3.2的主菜单transforms下，运行NDVI子菜单，将得到的图像以612ndvi的文件名保存在文件夹中。得到的图像以灰阶显示如图1：
图1 2000.9.16的NDVI 图
1 2000.6.1
2 NDVI
2）提取绿度植被指数GVI
公式：
GVI=-0.2848*TM1-0.2435*TM2-0.5436*TM3+0.7243*TM4+0.084 *TM5-0.1800*TM7
在ENVY3.2的主菜单basic tools下，运行band math子菜单，键入上述公式，将得到的图像以612GVI的文件名保存在文件夹中。得到的图像以灰阶显示如图2：
图
2 2000.6.12 图
2 2000.9.16
3）提取比值植被指数RVI
比值值被指数（RVI）由于可见光红波段（R）与近红外波段（NIR）对绿色植物的光谱响应十分不同，且具倒转关系。两者简单的数值比能充分表达两反射率之间的差异。
公式：RVI= TM4/TM3
在ENVY3.2的主菜单basic tools下，运行band math子菜单，键入上述公式，将得到的图像以612GVI的文件名保存在文件夹中。得到的图像以灰阶显示如图3：
图
3 2000.6.12 图
3 2000.9.16
4）提取差值植被指数
公式：RVI= TM4-TM3
在ENVY3.2的主菜单basic tools下，运行band math子菜单，键入上述公式，将得到的图像以612chazhi的文件名保存在文件夹中。得到的图像以灰阶显示如图4：
图
4 2000.6.12 图4 2000.9.16
将得到的几种植被指数按RGB合成后得到彩色图像，可以很明显的看到黄色较亮的部分为植被覆盖地区。
5、实验结论及实验报告的撰写
将所做工作加以总结，提交实验报告，内容包括原理、过程、成果图件及实验结论。
第23卷第5期2003年5月生 态 学 报ACT A ECOLO GICA SINICA V o l.23,N o.5M ay ,2003植被指数研究进展:从AVHRR -NDVI 到MODIS -EVI 王正兴1,刘 闯1,HU ET E Alfredo 2 (1.中国科学院地理科学与资源研究所全球变化信息研究中心,北京 100101; 2.Departmen t Soil,W ater and Environ-men tal Science ,University of Arizona ,Tucson ,Arizona 85721US A ) 基金项目:中国科学院知识创新工程资助项目(CX10G-E01-07-01) 收稿日期:2002-08-03;修订日期:2003-03-20 作者简介:王正兴(1963～),男,山西省新绛县人,副研究员,主要从事资源环境遥感应用研究。E-mail :wang z x@igsn rr.ac .cn Foundation item :th e Knowledge In novation Pro ject of Chines e Academ y of Sciences (Contract No .CX 10G -E 01-07-01)Received date :2002-08-03;Accepted date :2003-03-20 Biography :W AN G Zh eng-Xing,As sociate profess or,main res earch field:th e application of remo te s ensing for natu ral re-sources and environm ent. 摘要:目前应用广泛的植被指数AV HR R -N DV I 仍有一些缺陷,主要表现在:(1)在植被高覆盖区容易饱和,这除了红光通道就容易饱和外,主要是基于N I R /Red 比值的N DV I 算式本身存在容易饱和的缺陷; (2)没有考虑树冠背景对植被指数的影响;(3)N DV I 的比值算式和最大值合成算法(M V C )确实消除了某些内部和外部噪音,但最终的合成产品仍然有较多噪音;(4)M V C 不能确保选择最小视角内的最佳像元。所有这些AV HR R -N DV I 的局限性,在基于“中分辨率成像光谱仪(M O DIS )”的“增强型植被指数(EV I )”产品中,都有不同程度改善。M O D IS-EV I 改善表现在:(1)大气校正包括大气分子、气溶胶、薄云、水汽和臭氧,而AV HRR-N DV I 仅对瑞利散射和臭氧吸收做了校正;这样M OD IS-EV I 可以不采用基于比值的方法,因为比值算式是以植被指数饱和为代价来减少大气影响;(2)根据蓝光和红光对气溶胶散射存在差异的原理,采用“抗大气植被指数(ARV I)对残留气溶胶做进一步的处理;(3)采用“土壤调节植被指数(SAV I )”减弱了树冠背景土壤变化对植被指数的影响;(4)综合ARV I 和SAV I 的理论基础,形成“增强型植被指数(EV I)”,它可以同时减少来自大气和土壤噪音的影响;(5)采用“限定视角内最大值合成法(CV -M V C )”,选择最小视角内的最佳像元,此外,目前正在试验的“双向反射分布函数(BRD F )合成法”,首先把不同视角换算为星下点像元反射值,然后采用CV -M V C 合成,目的是进一步提高EV I 对植被季节性变化的敏感性。总之,M O D IS-EV I 使植被指数与不同覆盖程度植被的线性关系得到明显改善,尤其在高覆盖区表现良好。 关键词:AV HRR-N DV I;中分辨率成像光谱仪;M O D IS;增强型植被指数;EV I From AVHRR -N DVI to MODIS -EVI :Advances in vegetation index research W ANG Zheng-Xing 1,LIU Chuang 1,HUET E Alfredo 2 (1.Global Chan ge Information and Resear ch Center ,Institute of G eog raphic Scien c e and N atu ral Resou rces Res earch ,Ch inese Acad emy of Sciences ,B eijin g 100101,China ;2.Department Soil ,Water and Envir onmental Science ,University of A riz ona ,Tucson ,Ar izona 85721US A ).Ac -ta Ecolog ica Si nica ,2003,23(5):979～987. Abstract :Global AV HRR-N DV I data sets hav e been widely a pplied to many fields fro m land cov er cha ng e to the ex t ractio n o f v a rio us biophysical v egeta tio n pa ramete rs .Yet there still remain som e limita tio ns in
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 i ndices ——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 t o 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。 1.1植物叶片（Plant Foliage） 植物叶片包括叶、叶柄以及其他绿色物质，不同种类的叶片具有不同的形状和化学成份。对波谱特征产生重要影响
ENVI下植被覆盖度的遥感估算 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。容易与植被覆盖度混淆的概念是植被盖度，植被盖度是指植被冠层或叶面在地面的垂直投影面积占植被区总面积的比例。两个概念主要区别就是分母不一样。植被覆盖度常用于植被变化、生态环境研究、水土保持、气候等方面。 植被覆盖度的测量可分为地面测量和遥感估算两种方法。地面测量常用于田间尺度，遥感估算常用于区域尺度。目前已经发展了很多利用遥感测量植被覆盖度的方法，较为实用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。 估算模型 目前已经发展了很多利用遥感测量植被覆盖度的方法，较为实用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。下面是李苗苗等在 像元二分模型的基础上研究的模型： VFC = (NDVI - NDVIsoil)/ ( NDVIveg - NDVIsoil) （1） 其中, NDVIsoil 为完全是裸土或无植被覆盖区域的NDVI值，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。两个值的计算公式为： NDVIsoil=（VFCmax*NDVImin- VFCmin*NDVImax）/( VFCmax- VFCmin) （2） NDVIveg=（(1-VFCmin)*NDVImax- (1-VFCmax)*NDVImin）/( VFCmax- VFCmin) （3） 利用这个模型计算植被覆盖度的关键是计算NDVIsoil和NDVIveg。这里有两种假设： 1）当区域内可以近似取VFCmax=100%，VFCmin=0%。 公式（1）可变为： VFC = (NDVI - NDVImin)/ ( NDVImax - NDVImin) （4） NDVImax 和NDVImin分别为区域内最大和最小的NDVI值。由于不可避免存在噪声，NDVImax 和NDVImin一般取一定置信度范围内的最大值与最小值，置信度的取值主要根据图像实际情况来定。 2）当区域内不能近似取VFCmax=100%，VFCmin=0%
2.1 归一化植被指数（NDVI ） 归一化植被指数（Normalized Difference Vegetation Index ，即N D V I ）的计算公式为： NIR RED NIR RED NDVI ρρρρ-=+ 其中：NIR ρ和RED ρ分别代表近红外波段和红光波段的反射率NDVI 的值介于-1和1之间。 2.2 增强型植被指数（EVI ） 增强型植被指数（Enhanced Vegetation Index ，即EVI ）计算公式为： 2.5 6.07.51 NIR RED NIR RED BLUE EVI ρρρρρ-=?+-+ NIR ρ、RED ρ和BLUE ρ分别代表近红外波段、红光波段和蓝光波段的反射率。 2.3 高光谱归一化植被指数（Hyp_NDVI ） 对于环境与灾害监测预报小卫星高光谱载荷，选取中心波长分别位于近红外和红光的谱段进行归一化植被指数计算： _____Hyp NIR Hyp RED Hyp NDVI Hyp NIR Hyp RED -=+ 2.4 其他植被指数 （1） 比值植被指数（Ratio Vegetation Index ——RVI ） NIR RED RVI ρρ= 该植被指数能够充分表现植被在红光和近红外波段反射率的差异，能增强植被与土壤背景之间的辐射差异。但是RVI 对大气状况很敏感，而且当植被覆盖小于50%时，它的分辨能力显著下降。 （2） 差值植被指数（Difference Vegetation Index ——DVI ） NIR RED DVI ρρ=- 该植被指数对土壤背景的变化极为敏感，有利于对植被生态环境的监测，因此又被称为环境植被指数（EVI ）。 （3） 土壤调整植被指数（Soil-Adjusted Vegetation Index ——SA VI ）
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。
总第84期第3期 基于遥感影像的归一化植被指数算法研究 符思涛周云 （遥感信息工程学院07023信箱湖北武汉430079） 摘要植被归一化指数研究是遥感应用的主要领域，同时也是遥感学科的重要的研究问题。基于遥感影像的归一化植被指数研究方法和理论随着计算机算法的发展有了很大的进步，在介绍了植被指数概念的基础上阐述了NDVI的特征及其优势,同时也通过编写程序实现了对遥感影像的归一化植被指数的提取。此外，通过利用遥感软件ERDAS IMAGINE9.1对遥感影像进行植被指数的提取,对提取结果进行了对比分析，从而优化了自编程序算法。 关键词遥感归一化植被指数（NDVI）ERDAS IMAGINE 1概述 1.1植被指数 广义上的植被指数是指利用卫星不同波段探测数据组合而成的，能反映植物生长状况的指数。植物叶面在可见光红光波段有很强的吸收特性，在近红外波段有很强的反射特性，这是植被遥感监测的物理基础，通过这两个波段测值的不同组合可得到不同的植被指数。植被指数是对地表植被活动的简单、有效和经验的度量,这一指数在一定程度上反映着植被的演化信息。通过大量地物光谱波段测量研究分析发现,植被红光波段0.55-0.68μm有一个强烈的吸收带,它与叶绿素密度成反比;而近红外波段0.725-1.1μm有一个较高的反射峰,它与叶绿素密度成正比。因此,通常使用红色可见光通道(0.6-0.7μm)和近红外光谱通道(0.7-1.1μm)的组合来设计植被指数。这两个波段归一化组合与植被的叶绿素含量、叶面积及生物量密切相关,所以植被指数便成为植被生态研究领域的基础。 1.2归一化植被指数 NDVI(Normalized Difference Vegetation In-dex)归一化植被指数,又称标准化植被指数,在使用遥感图像进行植被研究以及植物物候研究中得到广泛应用,它是植物生长状态以及植被空间分布密度的最佳指示因子,与植被分布密度呈线性相关。实验表明,NDVI对土壤背景的变化较为敏感;它是单位像元内的植被类型、覆盖形态、生长状况等的综合反映,其大小取决于植被覆盖度和叶面积指数等要素;NDVI对植被盖度的检测幅度较宽,有较好的时相和空间适应性,因此应用较广。 NDVI=(NIR-R)/(NIR+R)(其中NIR代表近红外波段,R代表红波段)。NDVI在植被指数中占据着非常重要的位置,它主要具有以下几方面的优势: 1)植被检测灵敏度较高; 2)植被覆盖度的检测范围较宽; 3)能消除地形和群落结构的阴影和辐射干扰; 4)削弱太阳高度角和大气所带来的噪音。 2算法设计 （1）计算框图 图1 基于遥感影像的归一化植被指数算法研究31 ··
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：
1.用ETM+图像计算植被指数并分析。 数据来源：地理空间数据云平台 Landsat 7 ETM SLC-on 卫星数字产品(1999-2003) 数据标识LE71190432002338EDC01卫星名称LANDSAT7 数据类型L7slc-on传感器ETM+ 接收站EDC白天/晚上DAY 条带号119 行编号43 太阳高度角37.8951 太阳方位角151.8815 获取时间2002-12-04 平均云量 1.0 开始时间2002-12-04 02:21:12.0 结束时间2002-12-04 02:21:12.0 中心经度118.4915 中心纬度24.5531 Landsat 7 ETM SLC-on 卫星数字产品(1999-2003) 数据标识LE71190432002066SGS00卫星名称LANDSAT7 数据类型L7slc-on传感器ETM+ 接收站SGS白天/晚上DAY 条带号119 行编号43 太阳高度角49.0019 太阳方位角133.0889 获取时间2002-03-07 平均云量0.0 开始时间2002-03-07 02:21:52.0 结束时间2002-03-07 02:21:52.0 中心经度118.4993 中心纬度24.5482 (1)由于这两个数据的空间投影与厦门市矢量图层的投影都是GCS_WGS_1984,所以不用进行重投影。 (2)利用厦门市矢量图层对这两个卫星数字产品中的B30、B40波段进行剪裁。如图1. L71119043_0432*******_B30 L71119043_0432*******_B40 L71119043_0432*******B-30 L71119043_0432*******B-40 （3）利用ARCGIS中Spatial Anaiyst---Raster Calculator进行植被指数的计算。计算公式为NDVI=(band4-band3)/(band4+band3)。得到图2.
Erdas里面利用NDVI提取植被指数的步骤 NDVI：归一化植被指数和植物的蒸腾作用、太阳光的截取、光合作用以及地表净初级生产力等密切相关。 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； 在erdas里面利用NDVI提取植被指数的步骤如下： 1、在Erdas的主工具中选择Interpreter模块，出现Image Interpreter 对话框 2、然后选择Spectral Enhancement，会弹出Spectral Enhancement对话框 3、再选择Indices选项出现Indices对话框
以SPOT 数据为例进行说明，选择InputFile ，选择Output File ，在OutputOptions 的Sensor 中选择SPOT XS/XI ，在SelectFunction 里面选择NDVI ，DataType 默认为Float 不用改变，可以发现最下面的Function 显示band 3 - band 2 / band 2 +band 3，这个就是NDVI 的计算公式。最后选择OK 即可完成，这里要注意的是没有OutputFile 的话Ok 按钮时不能使用的。如果NDVI 计算的话在ENVI 是最方便的在Transform 菜单下就有，同时ENVI 的波段计算功能也很方便完成NDVI 计算。
ＭＯＤＩＳ数据植被指数的提取方法研究 何红艳。张志浩 （内蒙古遥感中心，呼和浩特０１００１０） 摘要：植被指数已广泛应用于植被覆盖密度评价、植被长势、农作物估产模型等。本文以中国北方１２省为例，对ＭＯＤＩＳ数据，运用Ｅ№厂Ｉ４．２软件提取植被指数进行了应用研究。 关键词：ＮＤ、厂Ｉ植被指数北方１２省ＭＯＤＩＳ数据ＥＮｖＩ４．２ １引言 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，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被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。植被指数计算经过近２０年的发展，目前已经有几十种，最为广泛的是归—化差值植被指数（ｍ厂Ｉ），它是可见光（红光）和近红外两波段的归—化值，它—方面能够反映植被光合作用的有效辐射吸收隋况，另一方面能够反映作物长势、叶面积指数（Ｌｍ）等。 ＭＯＤＩＳ具有３６个光学通道，分布在０．４～１４／ｘｍ的电磁波谱范围内。３６个通道的ＭＯＤＩＳ数据有２５０ｍ、５００ｍ、１０００ｍ的地面空间分辨率。ＭＯＤＩＳ的前两个通道提供２５０ｍ分辨率的数据，这对植被指数的研究非常重要，它的第一通道是红光波段，第二通道是近红外波段，通过这两个波段的波段运算来得到ＮＤＶＩ值。ＭＯＤＩＳ可见光、近红外波段范围比较窄，描述植被信息的时候所受到的干扰很少，并且ＭＯＤＩＳ的近红外波段的水汽吸收区被剔除，而红色波段对叶绿素吸收更敏感，而且它时间分辨率高，通道多，数据接收免费等特点是ＮＱＡＡ—ＡＶＨＲＲ传感器或别的传感器不能比拟的。 提取植被指数是植被监测研究的基础，本文以中国北方１２省为例，在遥感处理软件采用ＥＮｖＩ４．２软件，利用ＭｏＤＩＳ数据提取植被指数的方法作了研究。 。２提取植被指数的方法 植被指数提取的方法很多，最为常用的一种方法是通过遥感影像处理软件对遥感影像的不同波段之间进行波段计算而得到的。 本研究中使用中分辨率成像光谱仪（Ｍ∞ＩＳ）数据的ＭＯＤＩＳＬＢ产品，ＭＯＤＩＳ数据有３６个波段，１～２波段是２５０ｍ空间分辨率的数据，３～７波段是５００ｍ空间分辨率的数据。７～３６是１０００ｍ空间分辨率。其中第一波段（波长０．６２～０．６７ｔａｎ）为红光波段，为叶绿素主要吸收波段；第二波段（波长０．８４１～０．８７６脚）为近窒ｒＪ，ｂ波段，对绿色植被的差异敏感， ?５８１?
基于遥感影像的不同植被指数比较研究 以汶川地区的多光谱遥感影像Landsat 8 OLI为数据源，利用比值植被指数（RVI）、归一化植被指数（NDVI）、土壤调节植被指数（SA VI）、修正的土壤调节植被指数（MSA VI）4种植被指数和植被信号与土壤噪音之比（S/N）对研究区不同区域的植被进行比较研究，结果表明归一化植被指数与土壤调节植被指数适合该地区的实际情况。 标签：遥感影像；植被指数；信噪比；比较研究 引言 现如今，遥感探测已成为植被研究的一个高效方法，植被指数是遥感领域中用来表征地表植被覆盖，生长状况的一个简单有效的度量参数。植被指数的定量测量可表明植被活力，它比单波段用来探测生物量有更好的灵敏性。随着遥感技术的发展，植被指数在环境、生态、农业等领域有了广泛的应用。目前为止，已经有许多植被指数被发现与研究，不同的植被指数有其不同的适用性，由于地理环境、植被覆盖度、植被生长状况等很多因素的影响，对于不同的地区，植被指数会有不同的敏感性。同理，在同一地区的不同区域植被指数也会有不同的体现。其次植被信号与土壤噪音之比是植被指数选择的一个重要因素，安培浚等从降低土壤背景的影响效果、探測植被覆盖度的能力、探测植被信息的能力三个方面，利用对比分析的方法做了西北干旱地区民勤绿洲的植被指数遥感定量研究；陈明华等利用同样的方法做了不同植被指数估算植被覆盖度的比较研究。基于此，在对研究区域了解有限的情况下，根据获取的遥感影像，观察植被的分布情况，把研究区分为5个感兴趣区域，然后再用植被指数与信噪比对植被指数的生长状况以及植被指数的选取进行对比研究。从而找出适合汶川地区植被研究的植被指数，为遥感监测该研究区的植被提供依据。 1 研究区概况 汶川县位于四川省西北部的阿坝州境东南部的岷江两岸，纬度坐标为北纬30°45′～31°43′与东经102°51′～103°44′之间。其总面积为408432.56公顷。汶川县气候随东南向西北地势上升，呈比较完整的垂直气候带。在2000米以下地区，年均气温13.5℃（北部）～14.1℃（南部），无霜期247～269天，雨量528.7～1332.2毫米，日照1693.9～1042.2小时，适宜各类动植物生长。 2 数据来源 本文研究区的数据来自2013年汶川县Landsat8OLI遥感影像图，利用ENVI5.1对遥感影像进行辐射定标、大气校正、拼接、裁剪，然后再色彩合成得到预处理之后的图像（图1）。 3 理论基础
[基础科学]Erdas和ENVI利用NDVI提取植被指数的步骤Erdas和ENVI中利用NDVI提取植被指数的步骤 NDVI:归一化植被指数 和植物的蒸腾作用、太阳光的截取、光合作用以及地表净初级生产力等密切相关。 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; erdas里面利用NDVI提取植被指数的步骤:
1、在Erdas的主工具中选择Interpreter模块，出现Image Interpreter对话框 2、然后选择Spectral Enhancement，会弹出Spectral Enhancement对话框 3、再选择Indices选项出现Indices对话框 以TM数据为例进行说明，选择InputFile，选择Output File，在OutputOptions的Sensor中选择Landst TM，在SelectFunction里面选择NDVI，DataType默认为Float不用改变，可以发现最下面的Function显示band 4 - band 3 / band 4 +band 3，这个就是NDVI的计算公式。最后选择OK即可完成，这里要注意的是没有OutputFile的话Ok按钮时不能使用的。如果NDVI计算的话在ENVI是最方便的在Transform菜单下就有，同时ENVI的波段计算功能也很方便完成NDVI计算。 另外，ERDAS MODEL做NDVI分类 首先说如何做NDVI，虽然ERDAS里有个现成专门可以做NDVI的的地方，但是我们注意到TM4+TM3可能为0，当除数为0时系统会报错，所以应该在分母上加0.001或0.0001都可以。这样分母就不会为0了，同时注意输出图象类型要是float single，否则做出来的结果可能是空白图象。 给NDVI图象进行再分类:注意输出图象类型为thematic。
归一化植被指数（NDVI ） 归一化植被指数（Normalized Difference Vegetation Index ，即NDVI ）的计算公式为： NIR RED NIR RED NDVI ρρρρ-=+ 其中：NIR ρ和RED ρ分别代表近红外波段和红光波段的反射率NDVI 的值介于-1和1之间。 增强型植被指数（EVI ） 增强型植被指数（Enhanced Vegetation Index ，即EVI ）计算公式为： 2.5 6.07.51 NIR RED NIR RED BLUE EVI ρρρρρ-=?+-+ NIR ρ、RED ρ和BLUE ρ分别代表近红外波段、红光波段和蓝光波段的反射率。 高光谱归一化植被指数（Hyp_NDVI ） 对于环境与灾害监测预报小卫星高光谱载荷，选取中心波长分别位于近红外 和红光的谱段进行归一化植被指数计算： _____Hyp NIR Hyp RED Hyp NDVI Hyp NIR Hyp RED -=+ 其他植被指数 （1） 比值植被指数（Ratio Vegetation Index ——RVI ） NIR RED RVI ρρ= 该植被指数能够充分表现植被在红光和近红外波段反射率的差异，能增强植被与土壤背景之间的辐射差异。但是RVI 对大气状况很敏感，而且当植被覆盖小于50%时，它的分辨能力显著下降。 （2） 差值植被指数（Difference Vegetation Index ——DVI ） NIR RED DVI ρρ=- 该植被指数对土壤背景的变化极为敏感，有利于对植被生态环境的监测，因此又被称为环境植被指数（EVI ）。
作业9 植被指数 植被指数 概念：利用卫星不同波段探测数据组合而成的，能反映植物生长状况的指数。 植物叶面在可见光红光波段有很强的吸收特性，在近红外波段有很强的反射特性，这是植被遥感监测的物理基础，通过这两个波段测值的不同组合可得到不同的植被指数。 不同的植被覆盖类型可以通过其特有的光谱特征进行区分，这是由于叶绿素在红波段内对太阳辐射的吸收以及叶片细胞结构对红外波段内太阳辐射的强反射。 Broadband Greenness(5 indices)（宽带绿色指标(5)） 宽带绿度指数可以简单度量绿色植被的数量和生长状况，它对植物的叶绿素含量、叶子表面冠层、冠层结构比较敏感，这些都是植被光合作用的主要物质，与光合有效辐射（fAPAR）也有关系。宽带绿度指数常用于植被物候发育的研究，土地利用和气候影响评估，植被生产力建模等。宽带绿度指数选择的波段范围在可见光和近红外，一般的多光谱都包含这些 波段。下面的公式中规定波段的中心波长：ρNIR=800nm，ρRED=680nm，ρBLUE=450nm。 1. Normalized Difference Vegetation Index归一化植被指数 增强在近红外波段范围绿叶的散射与红波段范围叶绿素的吸收差异。 简称NDVI： NDVI=(NIR-R)/(NIR+R) （1）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； 2.Simple Ratio Index比值植被指数 在近红外波段范围绿叶的散射与红波段范围叶绿素吸收的比值。 简称SR：SR=ρNIR/ρRED 在LAI 值很高，即植被茂密时其灵敏度会降低.SR值的范围是0~30，一般绿色植被区的范围是2~8 3.Enhanced Vegetation Index 增强植被指数 增强NDVI,解决土壤背景和大气气溶胶对茂密植被的影响。 简称：EVI
基于MODIS数据的植被指数与植被覆盖度关系研究 在植被遥感监测领域，植被指数被普遍运用于植物生长状况及植被覆盖的研究，其与植被覆盖度有着密切的联系。文章选取攀枝花地区MODIS遥感影像作为信息源，对归一化植被指数、比值植被指数与植被覆盖度间的关系进行研究。结果表明：基于MODIS数据提取的植被指数与植被覆盖度之间存在较强的相关性，且相关系数大小与植被指数类型和选取的拟合函数类型有关。各植被指数同植被覆盖度间相关性最高的是归一化植被指数，选用相同植被指数情况下，指数曲线拟合的相关系数最大。 标签：MODIS图像；植被指数；植被覆盖度；植被指数与植被覆盖度相关系数 植被覆盖度是一个重要的生态气候参数，能为环境和气候变化研究提供重要的基础数据，对它的研究具有十分重要的意义[1]。利用遥感图像提取植被指数进而估算出植被覆盖度信息是较为简便有效的做法。目前大多数学者都致力于研究植被指数的提取方法以及植被覆盖度的提取算法，少数研究者对植被覆盖度与植被指数的相关性进行研究[2]。文章选取MODIS图像作为研究数据，采用不同的植被指数，结合不同的曲线模型对植被覆盖度与植被指数的相关性进行探讨，从而为植被覆盖度的估算选择最佳植被指数，也为准确估算植被覆盖度供理论依据。 1 研究区概况 研究区位于四川省西南部，行政区划隶属于攀枝花市，范围为102°20′E-102°45′E、26°30′N-26°45′N。研究区位于金沙江和雅砻江的交汇地带，属南亚热带亚湿润气候类型，降雨量少，生物种类繁多。区域内植被主要以热带及亚热带落叶大乔木，常绿针叶林为主。 2 数据源简介 本次研究使用的数据是由美国国家宇航局（NASA）EOS数据中心提供的MODIS数据，数据获取时间为2005年7月23日。该数据是由搭载于EOS/Terra 卫星上的中分辨率成像光谱仪（MODIS）获取的，其分辨率为250m。包括Blue、Red、NIR、MIR四个波段和经过后期处理的分辨率为250m的归一化植被指数数据、增强型植被指数。适合应用于植被指数的提取以及植被覆盖度的研究。 3 研究方法 3.1 数据预处理 根据实验要求对研究区域的MODIS数据进行预处理，主要有数据格式转换、设置投影参数、几何校正及辐射校正等。该处理利用USGS EROS数据中心开发
2.1归一化植被指数（NDVI ） 归一化植被指数（Normalized Differenee Vegetation Index 即 NDVI ）的计算 公式为： 其中：NIR 和RED 分别代表近红外波段和红光波段的反射率 NDVI 的值介于-1和 1之间。 2.2增强型植被指数（EVI ） 增强型植被指数（En ha need Vegetation In dex 即EVI ）计算公式为: NIR 、 RED 和BLUE 分别代表近红外波段、红光波段和蓝光波段的反射率。 2.3高光谱归一化植被指数（Hyp_NDVI ） 对于环境与灾害监测预报小卫星高光谱载荷，选取中心波长分别位于近红外 和红光的谱段进行归一化植被指数计算： .. Hyp NIR Hyp RED Hyp NDVI ----------- ------------ 一 Hyp _ NIR Hyp _ RED 2.4其他植被指数 （1） 比值植被指数（Ratio Vegetation Index ------ RVI ） RVI 3 RED 该植被指数能够充分表现植被在红光和近红外波段反射率的差异，能增强植 被与土壤背景之间的辐射差异。但是 RVI 对大气状况很敏感，而且当植被覆盖 小于50%时，它的分辨能力显著下降。 (2) 差值植被指数(Differenee Vegetation Index -------- DVI ) DVI NIR RED 该植被指数对土壤背景的变化极为敏感，有利于对植被生态环境的监测，因 此又被称为环境植被指数（EVI ）。 (3) 土壤调整植被指数(Soil-Adjusted Vegetation Index --------- S AVI ) NDVI NIR RED NIR RED EVI 2.5 NIR RED NIR 6.° RED 7.5 BLUE
专业经营各类实验仪器、科研仪器设备 NDVI植被指数测定仪 伴随测量技术的进步，获取归一化植被指数NDVI变得较为容易。主要方法分两种：一种是利用高空卫星，这种方法的特点是观测范围大；另一种是用小型传感器在地面进行观测。观测范围相对较小，对象可以是一片样地或是单株植物。 利用植被反射率在可见光区和近红外区的差异，就能计算NDVI。之所以用这两个波段来计算NDVI，是由于植物叶绿素吸收红光，而近红外谱段对冠层结构以及叶片内部细胞结构的变化很敏感。 这样来说吧，在植被冠层中，健康叶片的数量越多，叶面积越大，对红光的反射率就越低，因为吸收的多，而对近红外NDVI的反射率就越高。具体计算时，是把两者之和除以两者之差。 在地表光谱比较分化的情况下，如植被盖度低，裸土比例大，归一化植被指数NDVI 就可能会出现偏差。 土壤水分含量在样带上不同区域存在差异，对应的NDVI就不同。这说明NDVI对土壤水分含量的变化非常敏感。 合理施用氮肥是农作物增产的重要手段。但是确定植物如何能高效地利用氮肥,确定佳施肥时机的方法花费很高，而且费时费力。CM1000NDVI测量仪通过测量归一化植被差
专业经营各类实验仪器、科研仪器设备异指数(NDVI)来获取氮利用率和氮肥需要量数据，可以帮助你快速、及时、高效的了解农作物的氮肥所需含量，准确掌握施肥时机。 南京欧熙科贸有限公司专业经营各类实验仪器、科研仪器设备，代理各大国际知名品牌仪器，如德国Lambrecht气象站，Spectrum 农业用仪器，进口全自动太阳光度计，意大利重金属分析仪，澳大利亚 Next Instruments 近红外谷物分析仪, 法国GBX 水分活度仪，日本FUDOH 蛋品高胶强度测定仪，美国Organomation氮吹仪等，服务于环境，食品，生命科学、工业、制药以及商业实验室等众多领域。 公司本身以高校及企事业科研院所的技术力量为依托，具备了扎实的专业基础和丰富的实践经验。公司自成立以来与众多国内外知名仪器设备制造商长期保持良好的合作关系，作为一家专注于为客户提供高效﹑简捷﹑快速有效解决方案的科研产品供应商，以不懈的努力、真诚的服务和更加优惠的价格来回报广大客户一直是我公司不变的承诺。 真诚欢迎各界朋友、新老客户来公司参观、指导、洽谈业务，对我们的工作给予指正与帮助。
植被光谱分析与植被 指数计算
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。 1.1植物叶片（Plant Foliage） 植物叶片包括叶、叶柄以及其他绿色物质，不同种类的叶片具有不同的形状和化学成份。对波谱特征产生重要影响的主要化学成份包括：色素（Pigments）、水分（Water）、碳（Carbon）、氮（Nitrogen），这也是遥感反演的基础，如用植被指数来估算叶子的化学成份。 ●色素（Pigments） 叶色素主要包括叶绿素、叶黄素和花青素。这些都是植被的健康的指标，比如含高浓度叶绿素的植被一般很健康，相反，叶黄素和花青素常常出现在健康较差的植被，濒临死亡的植被出现红色、黄色或棕色。 叶色素只影响可见光部分（400nm~700nm），图1为几种叶色素在可见光范围的相对光谱吸收特征。