NDVI指数在植被研究中的应用及其评价
归一化植被指数NDVI是目前应用最广泛的植被指数。不同的NDVI值对应不同的土地覆被类型，可以进行土地覆被方面的研究;NDVI20余年的时序资料可用于研究植被动态，以及与相关生态因子的相关性研究；卫星遥感技术具有覆盖面广、获取数据快等特点，可以用于环境、植被等的监测；应用NDVI发展生态学模型，可以开展生态学模拟研究，并在实地检验过程中完善。NDVI指数虽然存在容易饱和、校正有限、噪音较多等缺点，而且已经发展了新的替代性指数，但其特有的优点仍将使其在今后的研究中发挥重大作用。
植被指数是基于植物的光谱特征，将可见光与近红外遥感光谱观测通道进行组合运算而得到的数据。迄今为止，植被指数已经发展出40 余种。其中AVHRR-NDVI是目前应用最广泛的植被指数，应用领域包括土地利用、产量预报、区域检测以及生物地理学和生态学研究等。NDVI已经积累了20 余年的数据资料Anyamba Tucker，2005，应用研究颇具成效。
1、NDVI指数原理
植物叶片组织对蓝光470nm和红光650nm有强烈吸收，而对绿光和红外光强烈反射叶片中心的海绵组织和叶片背面组织对近红外辐射NIR，700-1000nm 反射较强。从红光Red到红外光，裸地反射率较高但增幅很小。植被覆盖越高，红光反射越小，近红外光反射越大。红光吸收很快达到饱和，而近红外光反射随着植被增加而增加。所以，任何强化Red 和NIR 差别的数学变换都可以作为植被指数，来描述植被状况。归一化植被指数NDVI就被定义为：NIR/Red-1/ NIR/Red1。
在理想状况下，不考虑大气、土壤背景等的影响，太阳-地物-传感器位置相对固定，此时传感器受到的信号将没有信号丢失和噪音干扰。而现实中，遥感数据要受到大气、土壤和传感器角度等因素的影响，因此在使用时需要进行必要的校正。如AVHRR-NDVI，对瑞利散射和臭氧吸收作了校正，又通过最大值合成法MVC对其他噪音作了校正。
2、NDVI指数应用举例
2.1. 土地覆被研究
在合适的条件下，不同的NDVI值对应不同的土地覆盖类型，从而可以进行大尺度上的土地覆盖分类。王长耀等2005利用1995 年NOAA 十天合成的ch4、ch5 通道亮温，先计算出陆地表面温度Ts，然后用最大值合成法计算每月的最大Ts和NDVI，以每月最大Ts和NDVI建立NDVI-Ts 空间。根据像素点NDVI，Ts在空间中的位置矢量，求出矢量在空间中的方向角度，并作归一化处理，得对到温度植被角度NTVA。12 个月NTVA 做主成分变换提取前三个主分量辅以全年总NDVI和大于0℃Ts积温，用模糊K-均值法进行全国土地覆盖分类。研究结果表明，基于NDVI-Ts 空间的NTVA 与NDVI、Ts一起作为分类特征在土地覆盖分类中具有较高的分类精度，能够取得较好的分类效果。
植被盖度是土地覆被研究的重要内容。结合实地观测来验证NDVI指数的植被盖度估测方法，可以提高实际工作的效率。张云霞等2007选择中国北方温带典型草原为研究对象，运用样方叠加的方法，选择不同植被盖度的49 块样地，将地面实测数据和ASTER 遥感数据结合，建立植被盖度经验模型，研究植被指数与植被盖度的相关性以及地面样方尺度对经验模型的影响。发现NDVI在估测草原植被盖度上优于其它植被指数RVI NDGI，而且样方尺度的选择对植被盖度经验模型的建立又很大影响，中国北方典型草原区适合大样方、取中值的方法。夏照
华等2006研究宁夏盐池县农牧交错区植被盖度，利用NDVI数据和植被盖度遥感定量模型提取植被覆盖等级图，并对比分析了1989、1999、2003 年的植被覆盖图，发现植被盖度的变化，并为当地荒漠化治理提供了建议。
2.2.NDVI时序及相关因子分析
作为植被指数，NDVI有着很好的时间序列，从而为植被动态或地表覆被动态研究，以及植被变化相关因子研究上提供方便。
在NDVI时序变化研究方面，李晓兵和史培军1999基于3S 技术，利用连续时间序列的NOAA-AVHRR 影像，通过主分量分析和非监督分类，对中国植被进行宏观分类，然后结合NDVI指数，讨论植被变化规律，进一步阐明中国植被NDVI 动态变化的地区差异。
由于NDVI数据覆盖范围遍及全球，运用NDVI时序可以进行很好的开创性研究。侯英雨等2005利用1982-2000 年NOAA-AVHRR 月合成NDVI数据对西藏草地和森林等主要植被年内和年际变化进行了初步研究，发现NDVI指数年内变化的季节性和年际变化的波动幅度规律。在生物入侵方面，李加林2006 运用MODIS 数据研究江苏沿海互花米草NDVI/EVI 的季节变化规律，发现互花米草的返青出苗、抽穗、种子成熟等主要物候期在VI 曲线上均能得到很好体现，从而当地植被管理提供借鉴。
当前研究最多的还是NDVI时序变化与其它生态因子相关性的研究，而这些生态因子主要是气候因子，如降水，温度等。NOAA-AVHRR 20 多年的NDVI时间序列资料，可以作为地表指数来研究不同时期植被对降水的响应Anyamba Tucker 2005。Jeremy 等2004运用NDVI时序数据来研究美国新墨西哥州6种半干旱环境下的植被群落，发现NDVI每年有两个峰值，分别出现在春季和夏季，对应植物的生长高峰期，其中 6 个群落春季的NDVI指数更具有空间异质性。另外，NDVI变异性与受季风和厄尔尼诺现象影响的降水变化一致。陈云浩等2001，2002以NDVI时序资料为基本数据源，应用变化矢量分析和诸成分分析方法，分析1983-1992 年中国植被变化特征，总结了NDVI变化规律，并结合全国160 个气象站的月均温和降雨数据，探讨了气温、降水对中国植被NDVI变化的驱动作用。杨建平等2005使用8km 分辨率Pathdfinder NOAA-AVHRR-NDVI时序数据，对青藏高原长江黄河源区1982-2001 年地表植被覆盖的空间分布和时间序列变化进行了分析，并在典型区NDVI与气温、降水和浅层地温单相关分析的基础上，构建了NDVI与气温、降水和浅层地温的统计模型，发现20 年来江河源地区的植被覆盖总体上保持原状，局部继续退化。张远东等2003利用1992-1996 年NOAA/AVHRR 逐旬NDVI数据和气候、水文资料，分别对绿洲和荒漠进行了NDVI 与气候、水文因子间的相关分析，发现绿洲与荒漠NDVI具有不同的季节变化规律。郭广猛等2007使用2000 年与2004 年250m 分辨率的MODIS 植被指数数据NDVI，分析了泾河上游固原地区植被和降水利用效率变化，结果表明该区植被覆盖情况有较大好转。付新峰等2007分析了雅鲁藏布江流域的NDVI时空变化特征，在流域DEM 的支持下，把流域站点主要气候因子降水量与平均气温等数据采用Kriging方法插值成与流域NDVI相一致的空间Grid 数据，发现NDVI 与降水量之间存在显著的相关性。张军等2001 利用1982-1992 年时间序列的NOAA-AVHRR 8km×8km 分辨率的NDVI，将研究区域的土地覆盖类型分为10 类，然后结合该地区的19 个气象站1982-1992 年的年平均气温、年最高温度、年最低温度、年降水量和年相对湿度研究了各类型NDVI年平均值的变化与气候因子之间的关系进一步阐明了气候因子是NDVI动态变化的主要原因。王宏等2005
利用Krigging插值方法对1982-1999 年降水、气温数据插值生成中国东北地区的二维气象因子影像，然后与东北地区的1982-1999年的NOAA-AVHRRR-NDVI 月平均、季平均、年平均影像做零时滞偏相关、复-3- NDVI指数在植被研究中的应用及其评价相关分析，及以月为时滞间隔偏相关、复相关分析，得出东北地区森林植被类型与气象因子相关性的时空分异规律。
2.3. 动态监测
卫星遥感图像以覆盖面广、获取信息快的优点，成为动态监测的有效途径。孙丹峰等2002 利用NDVI植被指数和半方差纹理特征的知识进行影像大类区域分割，再结合光谱知识对各影像区域进行详细分类同时利用区域生长技术与地类空间知识进行区域分类，然后进行分类后处理与变化信息提取，利用基础图件提供的知识与各区域分类进行比较以发现变化的区域。王宏等2006 采用Savitzky-Golay滤波算法平滑了1982-1999 年NOAA-AVHRR-NDVI时间序列影像，然后利用曲线拟合了锡林郭勒典型草原1982-1999 年的每年物候期返青期、黄枯期及18 年的平均物候期和生长季长度，并对1982-1999 年的物候期进行了线性拟合，分析物候期的变化趋势，从而达到监测目的。此外，将NDVI应用于林火监测，可以弥补地理信息系统GIS难以随时更新数据的不足，排除云体对NOAA-AVHRR 传感器CH3 通道的干扰提高森林火灾监测的准确性、及时性和可靠性何筱萍易浩若1997。
2.4. 生态学模拟研究
发掘NDVI与生态学过程的关系及其量化方法，可以用于生态学模拟研究。Burgheimer2006 等研究了叶色列内盖夫西北黄土沙丘地区雨季的BSCbiological soil crusts、光谱反射率和光合活性三者之间关系，发现NDVI指数能很好地指示BSC 同化活动的潜在量级，而且可以指示不同微型植物光合作用率。郑元润和周广胜2000 基于叶面积指数LAI和归一化植被指数NDVI建立了中国森林植被净第一性生产力NPP模型，经我国13 组森林植被生产力数据的验证表明，该模型的预测结果与实测值相符较好，对我国森林植被有良好的适应性。王宏等2006运用阈值法、滑动平均法、最大变化斜率、曲线拟合模型四种基于NDVI的参数估测方法，模拟了锡林浩特1991-1999 年的草原生长季，野外实测验证说明，基于曲线拟合模型能适用于大尺度上的植被生长季变化监测存在问题是拟合曲线很难接近于实际曲线。
由于高海拔地段情况特殊，如生长季短、冬季长、冰雪覆盖、常绿树种占优势等特征，NDVI数据很难应用。Pieter 等2006利用斯堪的纳维亚半岛2000-2004年的NDVI数据，运用模型的方法来估计生物物理参数和研究植被物候，结果显示，比目前基于傅立叶序列Fourier series和非对称高斯函数asymmetric Gaussianfunctions的方法要优越许多。
3. NDVI指数存在问题
目前，AVHRR-NDVI虽广泛应用，但仍存在一些问题：
1 在植被高覆盖区容易饱和；
2 对大气干扰所做的校正有限；
3 没有考虑树冠背景对植被指数的影响；
4 NDVI的比值算式和最大值合成算法MVC虽消除了某些内部和外部噪音但MVC 不能确保选择最小视角内的最佳像元，最终的合成产品仍然有较多噪音王正兴等，2003。-4- NDVI指数在植被研究中的应用及其评价
Jiang 等2006运用线性谱混合模型linear spectral mixing models分析了NDVI
和破碎化植被覆盖的关系，发现NDVI指数在异质性土地覆盖上显示出很强的尺度差异，再加上其本身的非线性特征，而不能很好地分析植被碎块。SDVI指数scaled difference vegetation index更加适合分析高度异质性的植被碎块。此外，AVHRR-NDVI数据与后继的NDVI数据还存在连续性的问题。MODIS和VIIRS 的NDVI数据受大气中水蒸气的影响很小，而AVHRR-NDVI数据却被水蒸气大大地削减了。如何多传感器Multi-sensorNDVI数据的连续性是很重要又很难解决的问题Willem et al. 2006。
4. 展望
1999 年12 月18 日和2002 年5 月4 日，美国分别发射Terra 和Aqua 两颗卫载有星，“中分辨率成像光谱仪” MODerate resolution Imaging Spectroradiometer，MODIS。MODIS 植被指数主要是是250-1000m 的两种植被指数：归一化植被指数NDVI和增强型植被指数Enhanced Vegetation Index ，EVI 。开发MODIS-NDVI的目的是继承已有20 年时间序列的AVHRR-NDVI，而开发MODIS-EVI 的目的是改进NDVI的某些缺陷特别是大气噪声、土壤背景、饱和度等问题。
作为替代性植被指数，EVI 综合大气抵抗植被指数Atmospherically ResistantVegetation Index ARVI 和抗土壤植被指数Soil Adjusted Vegetation IndexSAVI，进行了全面的大气校正王正兴等，2003。相比之下，NDVI似乎更好地表达了大气候带植被的空间差异而EVI 似乎可以更好地描述特定气候带内植被在不同季节的差异王正兴等，2006。NDVI仍会在以后的研究中发挥作用。
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
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：
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 ）
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
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。
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
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 ··
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.
几种常见植被指数精编 W O R D版 IBM system office room 【A0816H-A0912AAAHH-GX8Q8-GNTHHJ8】
植被指数主要反映植被在可见光、近红外波段反射与土壤背景之间差异的指标，各个植被指数在一定条件下能用来定量说明植被的生长状况。在学习和使用植被指数时必须由一些基本的认识： 1、健康的绿色植被在NIR和R的反射差异比较大，原因在于R对于绿色植物来说是强吸收的，NIR则是高反射高透射的； 2、建立植被指数的目的是有效地综合各有关的光谱信号，增强植被信息，减少非植被信息 3、植被指数有明显的地域性和时效性，受植被本身、环境、大气等条件的影响 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，这种敏感性显着降低； 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。
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
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
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
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 ）。
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
本科学生实验报告 宋国俊学号114130168 专业＿＿地理信息系统班级11地信 验课程名称遥感运用 实验名称植被指数的提取额 指导教师及职称洪亮 开课学期2014 至2015 学年一学期
师大学旅游与地理科学学院编印
二、实验容、步骤和结果
找到landsat 8 的相关数据; 再找另外一个时间段的数据; 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ENVI 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 2014.3.16的NDVI2014.4.24NDVI 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 2014.3.16的GVI2014.4.24GVI 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ENVI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