植被指数总结.docx
- 文档编号:30035047
- 上传时间:2023-08-04
- 格式:DOCX
- 页数:20
- 大小:175.57KB
植被指数总结.docx
《植被指数总结.docx》由会员分享,可在线阅读,更多相关《植被指数总结.docx(20页珍藏版)》请在冰豆网上搜索。
植被指数总结
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.caj
SAVI与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。
卫星遥感与TM数据与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与叶绿素含量的相关研究_王磊.pdf
2.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.pdf
3.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.pdf
4.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.pdf
5.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.pdf
2.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.pdf
5.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.pdf
2.基于PROSPECT_SAIL模型的森林冠层叶绿素含量反演_杨曦光.pdf
3.基于叶片光谱的森林叶绿素浓度反演研究_焦全军.pdf
4.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.pdf
2.水稻叶片叶绿素含量的光谱反演研究_陈君颖.caj
3.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.pdf
4.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
5.利用高光谱参数预测水稻氮素状况_色素含量与籽粒蛋白含量的研究_孙雪梅.caj
6.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与叶绿素反演研究_李宗南.caj
2.基于BP与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.pdf
3.基于BP与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.pdf
4.基于SVR算法的小麦冠层叶绿素含量高光谱反演_梁亮
(1).caj
5.基于高光谱数据的小麦叶绿素含量反演_赵祥.caj
6.基于高光谱数据的小麦叶绿素含量反演_赵祥.caj
7.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.pdf
8.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:
基于主成分分析与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__与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.caj
3叶面积
叶面积指数:
(leafareaindex)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。
即:
叶面积指数=叶片总面积/土地面积。
叶面积指数(LeafAreaIndex,LAI)是指单位地表面积上所有叶片面积总与的一半。
叶面积的大小及其分布直接影响着植被冠层对光能的截获及利用,因此LAI已成为在研究植物光合作用、蒸腾作用、碳循环与水分截获时的一个重要参数,从而广泛地应用于各种地学模型,如生态系统功能模型、作物生长模型、净初级生产力模型、大气模型、水循环模型及生物地理化学模型等。
直接观测方法:
拓印叶片后用结合求积仪测量、光电叶面积仪扫描直接测量与叶片拍照后进行计算机处理等方法是点的LAI的直接观测方法。
适用于小型或少量样区观测。
光学仪器观测:
各种LAI光学观测仪器(如LAI2000,DEMON,TRAC,MVI等)通过测量植物冠层间隙度获得植物冠层LAI,观测效率高于上述传统观测方法,但在草地应用时易产生较大的误差。
遥感方法:
遥感技术具有覆盖广、重采样频率高等优点,为进行区域或全球范围的LAI反演提供了有效途径。
方法一,统计模型法:
统计模型法以光谱反射率或植被指数为自变量、LAI为因变量,采用各种统计方法建立的根据遥感资料估算LAI的模型,该类模型虽然存在着参数随时间与地点变化的不足,但输入参数少,形式简洁,计算简单。
统计模型现在常被用于从高分辨率遥感数据生成LAI,对反演方法得到的LAI进行检验。
方法二,物理模型法(包括辐射传输模型与几何光学模型),:
物理模型建立在辐射传输模型基础上,物理机理性强,但所需参数多,结果对参数设置敏感。
方法三:
综合模型方法
草地:
1.基于高光谱数据与RBF神经网络方法的草地叶面积指数反演_包刚.pdf
每个样地内布设30个1m×1m的样方,每个样方内测定5条冠层光谱反射率曲线,取其平均值作为该样方的最终光谱反射率。
光谱测量使用美国ASD公司设计制造的Field-
Spec○RHandHeld高便携性地物波谱仪,可在350~1100nm波长范围内进行连续测量(采样间隔约为1.5nm),适用于从农作物监测、森林与草地研究到海洋学研究、矿物勘察等各方面。
使用光谱采集软件包RS3对光谱数据进行均值计算、数据导出等预处理。
采用美国LI-COR公司生产的LAI-2000冠层分析仪测量草地冠层叶面积指数,该仪器使用的敏感波段设计在320~490nm之间,通过辐射转移模型用观测数据来推算LAI。
2.内蒙古不同类型草地叶面积指数遥感估算_柳艺博.pdf
LAI2000冠层分析仪进行草地LAI的地面测量。
用高精度手持GPS记录样区中心经纬度及海拔高度,并用数码相机拍摄周围景观,记录样区的群落组成、优势种、层次、盖度、植被高度以及坡向、坡度等基础数据。
可以满足建模与验证的基本需求。
芦苇:
1.基于神经网络方法的芦苇叶面积指数遥感反演_陈健.pdf
2层BP神经网络模型来反演研究区的芦苇LAI,以FCR模型模拟的TM数据的前4个波段的反射率值以及土壤类型作为模型的输入值,以LAI为输出值,激活函数选用双曲正切函数。
样本训练采用Levenberg-Marquardt算法,为了防止过度拟合,提高网络的泛化能力,每训练一定次数后便计算测试样本的误差,以便及时终止训练。
2.芦苇地叶面积指数的遥感反演_陈健.pdf
首先,利用FCR模型进行计算,得出芦苇在当时条件下的查找表;然后,对查找表进行分析计算,并得出统计规律;最后,根据该统计规律进行芦苇地LAI制图。
研究表明,该方法计算简单易行,且精度较高,可较精确地用来反演芦苇地的LAI。
小麦:
1.冬小麦叶面积指数高光谱遥感反演方法对比.pdf
2.基于HJ星高光谱数据红边参数的冬小麦叶面积指数反演_陈雪洋.pdf
3.基于高光谱遥感的小麦叶干重与叶面积指数监测_冯伟.pdf
4.基于人工神经网络方法的冬小麦叶面积指数反演_马茵驰.pdf
5.利用HJ_1_A_BCCD2数据反演冬小麦叶面积指数_赵虎.pdf
6.小麦叶面积指数的高光谱反演_梁亮.pdf
7.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
水稻:
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
森林:
1.HJ_1CCD与Landsat__省略_在森林叶面积指数反演中的比较分析_朱高龙.pdf
2.帽儿山地区森林冠层叶面积指数的地面观测与遥感反演_朱高龙.pdf
柑橘树:
基于光谱信息的柑橘树叶面积指数测试系统研制_吴伟斌.pdf
大豆:
基于人工神经网络的大豆叶面积高光谱反演研究_宋开山.pdf
玉米:
1.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.pdf
2.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.pdf
棉花:
棉花叶面积指数冠层反射率光谱响应及其反演_柏军华.pdf
祁连山云杉林:
祁连山区青海云杉林冠层叶面积指数的反演方法_赵传燕.pdf
烟草:
烟草叶面积指数的高光谱估算模型_张正杨.pdf
落叶松:
兴安落叶松叶面积指数反演与验证研究_弓瑞(3).caj
芦苇:
东亚飞蝗发生区芦苇LAI的遥感反演及其尺度效应研究_陈健.caj
东北绿化树种:
东北主要绿化树种叶面积指数_LAI_高光谱估算模型研究_汤旭光
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
4葡萄花油层
1.叠前反演技术在乾安北地区葡萄花油层的应用_柯钦.pdf
5N,P
水稻:
1.基于冠层反射光谱的水稻氮素营养与籽粒品质监测_周冬琴.caj
2.利用高光谱参数预测水稻氮素状况_色素含量与籽粒蛋白含量的研究_孙雪梅.caj
3.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.基于冠层反射光谱的小麦氮素营养与籽粒品质监测_李映雪.caj
2.基于氮素营养指数的冬小麦籽粒蛋白质含量遥感反演_陈鹏飞.pdf
3.利用地_空高光谱遥感监测小麦氮素状况与生长特征_鞠昌华.caj
4.基于植物净初级生产力模型的区域冬小麦估产研究_任建强.pdf
5.小麦冠层反射光谱与籽粒蛋白质含量及相关品质指标的定量关系_李映雪
(1).pdf
6.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
森林:
基于多源遥感数据的森林蓄积量估测方法研究_杨永恬.caj
苹果树:
苹果树花期叶_冠N_P营养状况的卫星遥感反演研究_王凌(3).caj
夏玉米:
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.pdf
烟草:
烟草高光谱特性与农艺_生理_品质指标关系与估测模型研究_李向阳.caj
紫花苜蓿与缘毛雀麦:
紫花苜蓿与缘毛雀麦高光谱与营养成分的相关性研究_纳钦.caj
6蛋白质
小麦:
小麦冠层反射光谱与籽粒蛋白质含量及相关品质指标的定量关系_李映雪
水稻:
1.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
2.利用高光谱参数预测水稻氮素状况_色素含量与籽粒蛋白含量的研究_孙雪梅.caj
7类胡萝卜素
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.caj
水稻:
1.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
2.利用高光谱参数预测水稻氮素状况_色素含量与籽粒蛋白含量的研究_孙雪梅.caj
8石油烃
芦苇:
1.黄河三角洲石油污染对湿地芦苇与碱蓬幼苗生长影响的模拟研究_于君宝.caj
温室盆栽模拟结果表明,随着石油浓度的增高,芦苇与盐地碱蓬株高的受抑制程度不断增强,随着时间的推移,石油污染对芦苇分蘖的抑制作用减弱,而对盐地碱蓬幼苗的分枝数抑制作用加大。
随石油浓度的增加,盐地碱蓬幼苗叶片中可溶性蛋白质含量先升高后降低,丙二醛含量与过氧化物酶活力先降低后升高,过氧化氢酶活力显著降低;芦苇幼苗则对石油污染表现出相对较强的耐受性。
不同石油污染条件下芦苇幼苗叶片叶绿素含量表现出先下降后升高的变化趋势。
从整体上来看,石油烃类污染对盐地碱蓬幼苗的抑制作用要高于芦苇幼苗,也说明处理石油烃类污染物中芦苇比碱蓬更具有优势。
2.辽河河口湿地芦苇的生长及生物量研究_邵成.caj
保护区内选择样地,随机选取样方带回实验室;石油污染区域内芦苇的高度与径向生长受到明显抑制,但芦苇密度增加,污染对地上及地下生物量均无明显影响.农业开发区域芦苇地上生物量最低.自然区域内的芦苇在高度、直径、密度与地上生物量方面都比较稳定,除密度外,其它指标在6个样地中均较高,表明石油及农业开发不同程度上影响芦苇生长,自然区域芦苇生长最好.
翅碱蓬:
1.石油烃对翅碱蓬生理特性的影响及植物_微生物联合降解_高乃媛.caj
通过盆栽实验,测定在低浓度石油烃浓度下翅碱蓬的生长生理指标及沉积物与翅碱蓬中石油烃含量的变化,研究石油烃对翅碱蓬生理特性与抗氧化酶系统的影响及植物-微生物联合修复效果。
结果表明,翅碱蓬抗氧化酶能够快速活性来抵御逆境,植株还可通过增加其叶绿素含量等来适应或补偿逆境造成的损失。
同时还发现,当植物处于石油烃污染沉积物时,它体内污染物的分布会与自然情况下有所不同,自然情况下分布为茎>叶>根,受污染时分布为根>茎>叶,该结果可以作为判断沉积物是否受到污染的依据。
实验的不同处理(加植物加菌组、只加菌未种植物组、种植物未加菌组)去除率分别为70.87%、63.66%与60.26%,翅碱蓬-降解菌处理的沉积物中石油烃残留浓度最低、去除量最高,表明植物-微生物联合作用更有利于石油烃污染沉积物的修复。
2.石油污染盐碱土壤翅碱蓬根围的细菌多样性及耐盐石油烃降解菌筛选_王新新.caj
9重金属:
重金属目前尚没有严格统一的定义,在化学中一般指密度在.45创饰3以上的金属称为重金属;
翅碱蓬:
1.常见重金属在翅碱蓬(Suaedaheteropter)根际沉积物系统季节迁移变化_朱鸣鹤.caj
应用原子吸收光谱法(AAS)与电感耦合等离子体原子发射光谱法(ICP-AES)对翅碱蓬-根际沉积物系统常见重金属(Cu、Pb、Zn与Cd)总量与不同化学形态含量进行了季节跟踪测定。
结果表明,系统中Cu、Zn、Pb与Cd环境化学行为呈现显著季节变化。
从化学形态上看,根际沉积物中Cu与Pb在生理周期内均以残渣态为主,有机结合态在夏季与秋季达较高值。
Zn在生理周期内均以交换态为主且随季节变化明显,碳酸结合态与铁锰结合态随季节变化不明显。
Cd以残渣态为主,交换态在春季达最高。
从总量上看,根际沉积物中的Cu、Zn、Pb的总量在夏季与秋季具有较高值。
从系统迁移情况看,植物对Cu与Pb吸收量均为冬季>春季>秋季>夏季,且大部分限制于地下;其体内分布除秋季Pb为根>叶>茎外,其它时期均为根>茎>叶。
Zn吸收量为秋季>夏季>冬季>春季,且绝大部分被吸收至地上。
Zn吸收与分布取决于根际沉积物生物有效含量;总之,春季植物体重金属向根际沉积物迁移。
夏季与秋季,Cu、Pb与Cd由根际沉积物向植物体迁移变化并不明显,而Zn正好相反。
4种元素在冬季均为根际沉积物向植物体内迁移。
2.潮滩植物翅碱蓬对Cu_Zn_Pb与Cd累积及其重金属耐性_朱鸣鹤.caj
化学方法+仪器测定:
结果表明,其对Cu、Zn、Pb与Cd四种重金属在不同潮滩均有比较明显的累积效应,累积量均表现为Zn>Pb>Cu>Cd,而累积吸收系数分别达到4.7、4.6、3.1与4.9,生物富集吸收系数分别为0.97、1.73、0.41与2.23;研究结果还表明,由于该植物对上述四种重金属有一定的选择吸收耐性,其累积在植物的不同部位存在明显的差异,其中Cu表现为根>茎>叶,Zn表现为叶>根>茎,Pb表现为根>叶>茎,Cd表现为根>茎U叶,而迁移效率表现为Zn>Cu>Cd>Pb。
3辽东湾双台子河口湿地翅碱蓬生物量遥感反演研究_吴涛
辽东湾双台子河口湿地翅碱蓬面积变化呈先降后升的趋势。
通过植被指数(NDVI、RVI、PVI与MSAVI)与生物量的算法反演,发现翅碱蓬生物量曲线与分布面积曲线的变化趋势一致。
4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
基于MTVI2与环境减灾卫星多光谱影像可准确生成草地生物量空间分布图。
5基于SPOT5的延庆县森林生物量研究_韩冬花
6
芦苇:
1.芦苇对湿地中重金属吸收的研究_崔妍.caj
在没有新污染源的情况下,预测1.1年可以把污染土壤中nz吸收到安全值以F,使上壤清洁;12.8年能把土壤中污染重金属Cd吸收干净;.94年能把污染土壤中重金属Cu吸收干净,说明芦苇对该地区Cu的吸收较弱"而74.8年才能把污染土壤中Pb吸收干净,这说明芦苇对该地区Pb几乎没有吸收作用
2基于光谱特征信息的芦苇生物量反演研究_陈爱莲
根据实验数据建立光谱数据库,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。
10花青素
1花青素的研究现状及发展趋势_赵宇瑛.caj
2翅碱蓬花青素提取方法研究_刘晶晶.caj
冠层光谱参量(反射率R、一阶微分光谱R′与红边位置REP)
生物化学参数:
叶绿素,类胡萝卜素,全氮,蛋白质,直链淀粉含量,
生物物理参数:
叶面积,生物量,含水率,活体形态参数,
叶面积指数(LAI)
比值植被指数(RVI)
再归一化植被指数(RDVI)
与归一化植被指数(NDVI)
垂直植被指数(PVI)
差值植被指数(DVI)
土壤调整植被指数(SAVI)
转换型土壤调整指数(TSAVI)
11植被指数
不含经验参数的RVI,NDVI,DVI,RDVI等植被指数,也包括将土壤背景、大气效应考虑在内的SAVI,TSAVI,MSAVI,ARVI,PVI等植被指数
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。
在学习与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与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与时效性,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,可用于检测与估算植物生物量;
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、植被覆盖度与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与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与R的反射率的对比度。
对于同一幅图象,分别求RVI与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;
红光(0.6-0.76μm,600-760nm)近红外(0.76-3μm,760-3000nm)
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
——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、SAVI3、SAVI4等改进模型。
小结:
上述几种VI均受土壤背景的影响大。
植被非完全覆盖时,土壤背景影响较大
五 TSAVI
转换型土壤调整植被指数TSAVI=a(NIR-aR-b)/(aNIR+R-ab)
转换型土壤调整植被指数(TSAVI)是SAVI的转换形式,也与土壤线有关。
土壤线的参 数参加该指数的运算,而且具有全球的特性。
TSAVI又进行改进,通过附加一个“X”值,将土壤背景亮度的影响减小到最小值。
SAVI与TSAVI表现出,在独立于遥感器类型的情况下, 在描述植被覆盖与土壤背景方面有着较大的优势。
对于半干旱地区的土地利用图,TSAVI已 证明满足于低覆盖植被特性。
由于考虑了裸土土壤线,TSAVI比NDVI对于低植被覆盖有更好的指示作用。
土壤线概念:
在NIR-R的二维空间中,土壤的光谱特性表现为近似从坐标原点发射、与两个坐标轴呈近45°的直线,称之为土壤线。
有公式:
则,RR为红光波段反射率,RNIR为近红外波段反射率,a为斜率,b为截距。
33页
六MSAVI
修改型二次土壤调整植被指数
七RDVI
在归一化植被指数
RDVI=(NDVI*DVI)1/2
八、GVI
——绿度植被指数,k-t变换后表示绿度的分量。
(没有公式)1、通过k-t变换使植被与土壤的光谱特性分离。
植被生长过程的光谱图形呈所谓的"穗帽"状,而土壤光谱构成一条土壤亮度线,土壤的含水量、有机质含量
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 植被 指数 总结