植被遥感光谱分析 课件
- 格式:ppt
- 大小:5.15 MB
- 文档页数:46
1第五章植被遥感本章内容5.1 植被的光谱特征5.2 植被的时序特征5.3 植被指数5.4 植被指数与植被相关参数的关系5.5 农作物估产5.1 植被的光谱特征植被的光谱特征叶片光谱的影响因素可见光波段:叶绿素、胡萝卜素等吸收叶绿素吸收红、蓝光,形成绿色反射峰胡萝卜素吸收蓝光近红外波段:叶片内部的细胞结构反射叶子的细胞壁和细胞空隙间折射率不同,导致多重散射引起的短波红外波段:水分吸收1.4μm 、1.9μm 、2.7μm为中心的水吸收带植被的光谱特征冠层光谱的影响因素叶面积指数(LAI)单位地表面积上方植物单叶面积的总和覆盖度单位面积的植被覆盖比例叶倾角分布(LAD)用分布函数表征,它确定了沿入射方向和观测方向叶片的不同平均投影面积,可分为倾斜型、均匀型、喜平型、喜直型等5.3 植被指数植被指数植被指数(Vegetation Index, VI)选用多个特征波段的遥感数据,经加、减、乘、除等线性或非线性组合运算,产生某些对植被长势、生物量等有一定指示意义的专题数值,称为植被指数。
植被指数在植被指数的计算中,通常选用R波段和NIR波段。
建立植被指数的关键增强植被信息的同时,使非植被信息最小化。
比值植被指数(RVI)RVI = NIR/R由于绿色植物R值低、NIR值高,则RVI值高(一般高于2);而对于无植被的地面(如裸土、人工特征物、水体)以及枯死或受胁迫植被,因不显示这种特殊的光谱响应,则RVI值低(一般近于1)。
因此, RVI 能增强植被与土壤背景之间的辐射差异。
比值植被指数归一化植被指数归一化植被指数(NDVI)NDVI=(NIR-R)/(NIR+R)NDVI是简单比值植被指数RVI,经非线性的归一化处理后,使所得的比值,限定在[-1,1] 范围内。
NDVI是应用最为广泛的植被指数,很多遥感软件中都提供了直接计算NDVI的功能。
典型的地面覆盖类型的NDVI值域云、水、雪R > NIR,则NDVI < 0岩石、裸土R ≌ NIR,则NDVI ≌ 0植被R < NIR,则NDVI > 0增强型植被指数(EVI)缺公式其中,L为背景调整系数;C1、C2为拟合系数。
植被遥感光谱分析植被遥感数据通常通过航空或卫星遥感手段获取,包括不同波长范围的多光谱数据和高光谱数据。
这些数据记录了植被对不同波长的反射率或辐射通量的信息,通过对这些数据进行光谱分析,可以获取植被的光谱特征,从而识别植被类型、提取生理参数、评估植被健康状态等。
在植被遥感光谱分析中,有三个关键步骤:预处理、特征提取和分类识别。
预处理包括对光谱数据进行大气校正、地物校正和辐射校正等,以消除大气和地表因素对光谱信号的影响,获得地物反射率。
特征提取是指从光谱数据中提取出与植被相关的特征参数,例如植被指数、高光谱纹理特征等。
常用的植被指数包括归一化植被指数(NDVI)、差异比值植被指数(DVI)、叶绿素指数(CI)等,它们可以反映植被的绿度、生长状态和叶绿素含量。
分类识别是利用提取的特征参数,通过分类算法将不同类型的植被进行自动分类和识别。
常用的分类算法有最大似然法、支持向量机、人工神经网络等。
植被遥感光谱分析在农业、森林资源管理、环境监测等领域有广泛应用。
在农业方面,可以通过光谱分析,监测农作物的生长状态、水分和养分状况,为农业管理提供精细化的决策支持;在森林资源管理方面,可以通过遥感光谱分析,识别森林类型、估计林木生长量和生产力,帮助制定森林经营计划;在环境监测方面,可以通过光谱分析,评估湖泊水质、海岸带植被覆盖状况,帮助环境保护和生态修复工作。
然而,植被遥感光谱分析也面临一些挑战。
一方面,由于植被光谱数据的复杂性和多变性,需要对数据进行精确的校正和去除干扰因素,以获得准确的植被信息;另一方面,不同植被类型和生理状态之间的光谱差异较小,容易导致分类识别的困难,需要选择合适的特征参数和分类算法。
总之,植被遥感光谱分析是一种重要的技术手段,在农业、森林资源管理和环境监测等领域有着广泛的应用前景。
随着遥感技术的不断发展和光谱数据的提供,植被遥感光谱分析将会在未来进一步发挥更大的作用,为植被研究和资源管理提供更为精确和详细的信息。