下载文档原格式
1生物量生物量：指某一时刻单位面积内实存生活的有机物质（干重）北京地区森林植被：北京地区森林植被生物量遥感反演及时空动态格局分析_张慧芳呼伦贝尔草地：基于环境减灾卫星遥感数据的呼伦贝尔草地地上生物量反演研究_陈鹏飞延庆县森林：基于SPOT5的延庆县森林生物量研究_韩冬花芦苇：基于光谱特征信息的芦苇生物量反演研究_陈爱莲根据实地测量的芦苇反射光谱数据,建立该区域芦苇的光谱数据库,提取芦苇光谱维特征参数;并以光谱维特征为依据选取卫星数据,分析卫星数据与实测芦苇光谱特征的相关性,进而应用光谱角角度匹配!光谱特征拟合!二进制编码等三种光谱匹配技术,研究卫星数据光谱与实测芦苇光谱的匹配度,提取影像的芦苇像元,作为大面积自动估算芦苇生物量的基础"水稻：1.微波遥感水稻种植面积提取_生物量反演与稻田甲烷排放模拟_张远2.水稻高光谱特征及其生物理化参数模拟与博士估测模型研究_唐延林辽东湾翅碱蓬：辽东湾双台子河口湿地翅碱蓬生物量遥感反演研究_吴涛.cajSAVI和MSAVI与LAI的关系取样框内样方所在经度、纬度及高程、样方内水深、植株高度、盖度等。
同步采集植被冠层光谱叶面积指数。
对样方内植株个体先称干重在称量湿重。
现场光谱测定与处理：使用光谱仪为ISI921VF-256便携式地物光谱辐射计采集现场光谱值。
卫星遥感和TM数据和CCD数据。
小麦：冬小麦花期生理形态指标与卫星遥感光谱特征的相关性分析_李卫国.pdf 2 叶绿素玉米：1.不同氮处理春玉米叶片光谱反射率与叶片全氮和叶绿素含量的相关研究_王磊.pdf2.基于小波分析的玉米叶绿素a与LAI高光谱反演模型研究_宋开山.pdf3.受污染胁迫玉米叶绿素含量微小变化的高光谱反演模型_王平.pdf4.夏玉米叶片全氮_叶绿素及叶面积指数的光谱响应研究_谭昌伟.pdf5.利用遥感红边参数估算夏玉米农学参数的可行性分析_谭昌伟.caj大豆：1.大豆叶绿素含量高光谱反演模型研究_宋开山.pdf2．大豆叶片水平叶绿素含量的高光谱反射率反演模型研究_陈婉婧.pdf(红边位置与植物叶片的相关性在红边参数中相关性最好，红边斜率主要与lai相关) 3．基于多角度成像数据的大豆冠层叶绿素密度反演_张东彦.pdf 4．基于小波分析的大豆叶绿素a含量高光谱反演模型_宋开山.pdf5．小波分析在大豆叶绿素含量高光谱反演中的应用_宋开山.pdf森林：1.基于Hyperion数据的森林叶绿素含量反演_杨曦光.pdf2.基于PROSPECT_SAIL模型的森林冠层叶绿素含量反演_杨曦光.pdf3.基于叶片光谱的森林叶绿素浓度反演研究_焦全军.pdf4．森林叶片叶绿素含量反演的比较与分析_佃袁勇.caj水稻：1.水稻叶片不同光谱形式反演叶绿素含量的对比分析研究_陈君颖.pdf2.水稻叶片叶绿素含量的光谱反演研究_陈君颖.caj3.水稻叶片叶绿素含量与吸收光谱变量的相关性研究_刘子恒.pdf4.水稻高光谱特征及其生物理化参数模拟与博士估测模型研究_唐延林.caj5.利用高光谱参数预测水稻氮素状况_色素含量和籽粒蛋白含量的研究_孙雪梅.caj6.水稻高光谱特征及其生物理化参数模拟与博士估测模型研究_唐延林.caj小麦：1.基于ACRM模型不同时期冬小麦LAI和叶绿素反演研究_李宗南.caj2.基于BP和GRNN神经网络的冬小麦冠层叶绿素高光谱反演建模研究_孙焱鑫.pdf3.基于BP和GRNN神经网络的冬小麦冠层叶绿素高光谱反演建模研究_孙焱鑫.pdf4.基于SVR算法的小麦冠层叶绿素含量高光谱反演_梁亮 (1).caj5.基于高光谱数据的小麦叶绿素含量反演_赵祥.caj6.基于高光谱数据的小麦叶绿素含量反演_赵祥.caj7.用多角度光谱信息反演冬小麦叶绿素含量垂直分布_赵春江.pdf8.冬小麦花期生理形态指标与卫星遥感光谱特征的相关性分析_李卫国.pdf丁香：丁香叶片叶绿素含量偏振高光谱数学模型反演研究_韩阳.pdf棉花：基于棉花红边参数的叶绿素密度及叶面积指数的估算_黄春燕.pdf苜蓿：基于因子分析的苜蓿叶片叶绿素高光谱反演研究_肖艳芳.pdf法国梧桐：基于主成分分析和BP神经网络的法国梧桐叶绿素含量高光谱反演研究_姚付启.pdf湿地小叶章：湿地小叶章叶绿素含量的高光谱遥感估算模型_李凤秀.pdf行道树：行道树叶绿素变化的高光谱神经网络模型_刘殿伟.pdf落叶松：用高光谱数据反演健康与病害落叶松_省略__和龙两市落叶松冠层采样测量数据_石韧.pdf毛竹林：毛竹林冠层参数动态变化及高光谱遥感反演研究_陆国富.caj阔叶红松林：阔叶红松林3个主要树种垂直结构上的光合光谱研究_方晓雨.caj3叶面积叶面积指数：（leaf area index）又叫叶面积系数，是指单位土地面积上植物叶片总面积占土地面积的倍数。
ENVI下植被指数模型详解植被指数（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。
所有的植被指数要求从高精度的多光谱或者高光谱反射率数据中计算。
未经过大气校正的辐射亮度或者无量纲的DN值数据不适合计算植被指数。
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。
在ENVI中，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。
下面是7大类27种植被指数的说明，这些植被指数都是经过严格生物条件下测试的。
1宽带绿度——BroadbandGreenness(5种)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)归一化植被指数（NormalizedDifferenceVegetationIndex——NDVI）NDVI众所周知的一种植被指数，在LAI值很高，即植被茂密时其灵敏度会降低。
其计算公式为：NDVI=(式1)值的范围是-1~1，一般绿色植被区的范围是0.2~0.8。
植被指数介绍目录1. 植被指数概述 (3)2. 植被指数的分类 (3)不考虑影响因子 (3)考虑影响因子 (4)消除土壤因子 (4)消除大气因子 (4)消除综合因子 (5)3. 植被指数的应用 (5)生态 (5)林业 (7)农业 (9)环境 (10)海洋 (11)参考文献 (12)1.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。
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Landsat?MSS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。
遥感数字图像处理教程第一章名词解释1、遥感数字图像（P1）:以数字形式存储和表达的遥感图像2、A/D 转换（P1）：把模拟图像转变成数字图像称为模/数转换，记作A/D 转换3、D/A 转换（P1）：把数字图像转 变成模拟图像称为数/模转换，记作D/A 转换简答题1、模拟图像（照片）与遥感数字图像有什么区别？ （P2） 答表1.1遥感数字图像与印刷照片的区别颜色没有特定的规则，在处理过程「二可以根据需 要通过合成产生多个波段（3-8000） 2、怎么理解图像处理的两个观点？ （P7）答：两种观点是：离散方法的观点和连续方法的观点。
1 .离散方法：图像的存储和表示均为数字形式，数字是离散的，因此，使用离散 方法进行图像处理才是合理的。
与该方法相关的一个概念是空间域。
空间域图像 处理以图像平面本身为参考，直接对图像中的像素进行处理。
2 .连续方法：图像通常源自物理世界，它们服从可用连续数学描述的规律，因此 具有连续性，应该使用连续数学方法进行图像处理。
与该方法相关的一个主要概 念是频率域。
频率域基于傅里叶变换，频率域的图像处理是对傅里叶变换后产生 的反映频率信息的图像进行处理。
完成频率域图像处理后，往往要变换回到空间 域进行图像的显示和对比。
四、论述题1、什么是遥感数字图像处理，主要内容有哪些？ （P2）答：遥感数字图像处理是通过计算机图像处理系统对遥感图像中的像素进行系列 操作的过程。
（1）图像增强：使用多种方法去除噪声，增强显示图像整体或突出图像中的特 定地物的信息，使图像更容易理解、解释和判读。
例：例如灰度拉伸、平滑、锐 化、彩色合成、主成分（K-L ）变换、K-T 变换、代数运算、图像融合照片来自于模拟方式通过摄影系统产生没有像素没有行列结构没有才」推行o 表示投有数据任何点，都没有编号摄影受电黑波谱的成像范围限制遛感数字图像 来自干数字方式 通过扫描和数码相机产生 基本利成单位是像素 具有行和列 可能会观察到扫描行 。
NDVI的理论基础NDVI的理论基础植被指数按不同的监测方法和计算方法可分为多种多样的植被指数。
常用的有：归一化植被指数NDVI；垂直植被指数PVI；比值植被指数RVI；消除土壤影响的植被指数SAVI和全球植被指数GVI等。
其中，NDVI则是使用最广泛，效果也较好的一种。
NDVI（Normalized Difference Vegetation Index）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。
归一化植被指数(NDVI)是近红外与红色通道反射率比值(SR=NIR/RED)的一种变换形式，NDVI=(NIR-R)/(NIR+R)。
植被覆盖度（fv）fv=（NDVI-NDVImin)/(NDVImax-NDVImin).叶面积指数（LAI）LAI=k-1ln(1-fv)-1，k是消光系数，每种植被k各不相同，一般植被取值范围是0.8-1.3。
NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、枯叶、粗超度等，且与植被覆盖有关，-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。
用NDVI判断植物生长的状态：植物叶绿素发生光合作用而吸收红光，所以长势越好的植物吸收红光越多，反射近红外光也越多。
所以NDVI能反应植物生物量的多少，NDVI越大，植物长势越好。
附表：植被指数指数应用计算公式测量值的意义优点局限性NDVI 归一化植被指数监测植被生长状态、植被覆盖度和消除部分辐射误差等NDVI=(NIR-R)/(NIR+R)-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能反映出植物冠层的背景影响，如土壤、潮湿地面、枯叶、粗超度等，且与植被覆盖有关对高植被区具有较低的灵敏度RVI 比值植被指数是绿色植物的的灵敏指数参数，用于检测和估算植物生物量RVI=NIR/R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。
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。
植被指数的原理与应用1. 植被指数的定义植被指数是通过遥感技术获取的一种反映植被生长状况的数据，常用于农业、林业、地表覆盖分类等领域的研究与应用。
植被指数是利用植物在不同波段的反射、吸收和透射特性来进行计算和分析的。
2. 常见的植被指数植被指数有很多种，其中比较常见的包括：NDVI（Normalized Difference Vegetation Index，归一化植被指数）、EVI（Enhanced Vegetation Index，增强型植被指数）、SAVI（Soil-Adjusted Vegetation Index，土壤调整植被指数）等，这些指数通过计算不同波段的遥感数据来反映植被的生长情况。
3. 植被指数原理植被指数的原理是利用植物在不同波段的反射特性进行计算，常用的植被指数是通过计算红外波段和可见光波段的比值来反映植被的生长情况。
以归一化植被指数（NDVI）为例，其计算公式为：NDVI = (NIR - Red) / (NIR + Red)其中，NIR代表近红外波段的反射值，Red代表可见光红波段的反射值。
通过计算得到的NDVI值范围为-1到1，数值越接近1则表示植被生长状况越好，数值越接近-1则表示植被生长状况较差。
4. 植被指数的应用植被指数在农业、林业、地表覆盖分类等领域有着广泛的应用。
4.1 农业植被指数可以通过遥感技术来监测农作物的生长状况，及时发现并预测病虫害、干旱等灾害的发生。
同时，植被指数还可以用来评估农作物的养分状况，帮助农业生产者调整施肥方案，提高农作物的产量和质量。
4.2 林业植被指数可以用来评估森林的生长状况和植被盖度，并监测林火、病虫害等森林灾害的发生。
同时，植被指数还可以用来指导森林资源的管理和保护，帮助保护林地生态环境。
4.3 地表覆盖分类植被指数可以用来对地表覆盖进行分类，比如判断土地是草地、森林、农田还是城市等。
通过对地表覆盖进行分类，可以帮助城市规划、土地资源管理、环境保护等方面的决策制定。
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 REDNDVI 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 6.07.51NIR 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 REDRVI 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 ）(1)NIR RED NIR RED SAVI L Lρρρρ-=+++ 其中，L 是一个土壤调节系数，该系数与植被浓度有关，由实际区域条件确定，用来减小植被指数对不同土壤反射变化的敏感性。
如何进行植被指数提取与分类植被指数提取与分类是遥感技术在生态环境研究中的重要应用之一。
随着遥感技术的不断发展，植被指数提取与分类在农业、林业、地理信息系统等领域发挥着重要作用。
本文将从植被指数的定义与原理、常用的植被指数、植被指数提取方法以及植被分类方法等方面进行探讨。
一、植被指数的定义与原理植被指数是利用遥感数据来表征植被状况的指标。
常见的植被指数有归一化植被指数（NDVI）、植被指数（VI）、差值植被指数（DVI）等。
这些指数基于植被在远红外波段和可见光波段的反射特征，能够反映植被的生长状况、地表水分含量等信息。
二、常用的植被指数1. 归一化植被指数（NDVI）是最常用的植被指数之一。
它利用可见光波段和近红外波段的反射率进行计算，公式为（NIR-Red）/（NIR+Red）。
NDVI的取值范围在-1到1之间，数值越高表示植被状况越好。
2. 植被指数（VI）是另一种常见的植被指数。
它利用可见光波段和近红外波段的反射率进行计算，公式为NIR/Red。
与NDVI相比，VI更加敏感于绿色植被的变化，能够更好地反映植被生长情况。
3. 差值植被指数（DVI）是利用近红外波段和红光波段的反射率进行计算，公式为NIR-Red。
DVI能够反映植被的叶绿素含量和叶面积指数等信息，常用于农业生态环境监测和作物生长状况评估。
三、植被指数提取方法1. 基于像元的提取方法是最常用的植被指数提取方法之一。
该方法将遥感图像划分为若干个像元，通过计算每个像元的植被指数值来提取植被信息。
这种方法简单直观，但在处理复杂地物时容易出现混淆现象。
2. 基于纹理特征的提取方法是另一种常用的植被指数提取方法。
该方法利用图像中植被区域的纹理特征进行分类，可以较好地区分出植被与非植被区域。
然而，该方法对于纹理特征较弱的地物分类效果较差。
四、植被分类方法1. 监督分类是常用的植被分类方法之一。
该方法依靠已知地物样本进行训练，通过统计和模型计算来进行植被分类。
