植被遥感.docx
- 文档编号:6941197
- 上传时间:2023-01-12
- 格式:DOCX
- 页数:25
- 大小:238.57KB
植被遥感.docx
《植被遥感.docx》由会员分享,可在线阅读,更多相关《植被遥感.docx(25页珍藏版)》请在冰豆网上搜索。
植被遥感
第7章 植被遥感
植被是生长于地球表层的各种植物类型的总称,在地球系统中扮演着重要的角色,它是地球表层内重要的再生资源。
植被是全球变化中最活跃、最有价值的影响要素和指示因子。
植被影响地气系统的能量平衡,在气候、水文和生化循环中起着重要作用,是气候和人文因素对环境影响的敏感指标。
因此,地球植被及其变化一直被各国科学家和政府所关注。
卫星遥感是监测全球植被的有效手段,卫星从太空遥视地球,不受自然和社会条件的限制,迅速获取大范围观测资料,为人类提供了监测、量化和研究人类有序活动和气候变化对区域或全球植被变化影响的可能。
植被遥感研究的主要内容:
(1)通过遥感影像从土壤背景中区分出植被覆盖区域,并对植被类型进行划分,区分是森林还是草场或者农田,进而可以问是什么类型的森林,什么类型的草场,什么样的农作物,如此等等。
(2)能否从遥感数据中反演出植被的各种重要参数,例如叶面积指数(LAI)、叶子宽度、平均叶倾角、植被层平均高度、树冠形状等等,这一类问题属于更深层次的遥感数据定量分析方法与反演技术。
(3)能否准确的估算出与植被光合作用有关的若干物理量,例如植被表面水分蒸腾量、光合作用强度(干物资生产率)、叶表面温度等。
关于植被资源的清查与分类方面以已取得了较为突出的成绩,后两个问题正是植被遥感所要研究的问题,虽已取得了相当的进展,但到成熟仍需时日。
7.1 植物的光谱特征
植物的光谱特征可使其在遥感影像上有效地与其他地物相区别。
同时,不同的植物各有其自身的波谱特征,从而成为区分植被类型、长势及估算生物量的依据。
7.1.1 健康植物的反射光谱特征
健康植物的波谱曲线有明显的特点(图7.1),在可见光的0.55µm附近有一个反射率为10%~20%的小反射峰。
在0.45µm和0.65µm附近有两个明显的吸收谷。
在0.7~0.8µm是一个陡坡,反射率急剧增高。
在近红外波段0.8~1.3µm之间形成一个高的,反射率可达40%或更大的反射峰。
在1.45µm,1.95µm和2.6~2.7µm处有三个吸收谷。
图7.1绿色植物有效光谱响应特征
7.1.2 影响植物光谱的因素
影响植物光谱的因素除了植物本身的结构特征,同时也受到外界的影响。
外界影响主要包括季节的变化,植被的健康状况,植物的含水量的变化,植株营养物质的缺乏与否等等。
但外界的影响总是通过植物本身生长发育的特点在有机体的结构特征反映出来的。
从植物的典型波谱曲线来看,控制植物反射率的主要因素有植物叶子的颜色、叶子的细胞构造和植物的水分等。
植物的生长发育、植物的不向种类、灌溉、施肥、气候、土壤、地形等因素都对有机物的光谱特征发生影响,使其光谱曲线的形态发生变化。
叶子的颜色 植物叶子中含有多种色素,如叶青素、叶红素、叫黄素、叶绿素等,在可见光范围内,其反射峰值落在相应的波长范围内(图7.2)。
图 7.2不同颜色叶子的反射光谱
叶子的组织构造 绿色植物的叶子是由上表皮,叶绿素颗粒组成的栅栏组织和多孔薄壁细胞组织(海绵组织)构成。
叶绿素对紫外线和紫色光的吸收率极高,对蓝色光和红色光也强烈吸收,以进行光合作用。
对绿色光部分则部分吸收,部分反射,所以叶子呈绿色,并形成在0.55µm,附近的一个小反射峰值,而在0.33µm~0.45µm及0.65µm附近有两个吸收谷。
叶子的多孔薄壁细胞组织(海绵组织)对0.8µm~1.3µm的近红外光强烈地反射,形成光谱曲线上的最高峰区。
其反射率可达40%,甚至高达60%,吸收率不到15%。
叶子的含水量叶子在1.45µm~1.95µm和2.6~2.7µm处各有一个吸收谷,这主要由叶子的细胞液、细胞膜及吸收水分所形成。
植物叶子含水量的增加,将使整个光谱反射率降低(图7.3),反射光谱曲线的波状形态变得更为明显,特别足在近红外波段,几个吸收谷更为突出。
图7.3水分含量对玉米叶子反射率的影响
在近年随着高光谱遥感的兴起而发展起来的光谱数据分析技术中,植被“红边”位移现象是研究最多、成效显著的成果之一。
“红边”定义为反射光谱的一阶微分最大值所对应的光谱位置,通常位于0.68~0.75µm之间。
当绿色植物叶绿素含量高,生长旺盛时,“红边”会向波长增加的方向偏移,称“红移”。
当植物由于受金属元素“毒害”、感染病虫害、污染受害或者缺水缺肥等原因而“失绿”时,则“红边”会向波长短的方向移动,称“蓝移”。
因此,根据“红边”位移量可以精确地估计叶绿素含量或探测叶片的生化组分。
其实早在二三十年前,研究者就发现生长在富含Cu,Mo等重金属元素土壤上的植物,受金属元素“毒害”影响,其光谱反射特性会发生一些变化,主要表现就是红边和绿峰会向短波区偏移10nm~20nm不等(见图7.4)。
这种矿化带植物光谱异常是植物遥感探矿的有用指标。
图7.4矿区红杉林反射曲线的蓝移现象
还应该指出,不同的植物种类虽然都有共同的光谱反射特性,形成很有特色的光谱反射曲线,但并不都是千树一面。
实际上,不同的种属,处于不同的生长环境,其光谱反射曲线就会有许多差异,如泡桐、杨等阔叶树,枝叶繁茂,太阳辐射经过上下多层的叶面反射,上述绿色植被的光谱反射特性表现得尤为突出;杉松等针叶树,叶面积指数低,相当比重的太阳辐射穿过枝叶空隙直接投射到地面,因此植被反射总体降低,绿光区的小反射峰值也趋于平缓;草类则基本上介于两者之间。
此外.不同植被类型在可见光区的反射率彼此差异小,曲线几乎重叠在一起,进入红外区,反射率的差异就扩大了,彼此容易区分。
放0.8µm、1.7µm和2.3µm都是识别不同植被类型的最佳波段。
7.1 植被生态参数的估算
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。
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。
在环境领域,通过植被指数来反演土地利用和土地覆盖的变化,逐渐成为实现对全球环境变化的研究重要手段;生态领域,随着斑块水平的生态系统研究成果拓展到区域乃至全球的空间尺度上,植被指数成了空间尺度拓展的连接点;在农业领域,植被指数广泛应用在农作物分布及长势监测、产量估算、农田灾害监测及预警、区域环境评价以及各种生物参数的提取。
总之,随着人们对于全球变化研究的深入,以遥感信息推算区域尺度乃至全球尺度的植被指数日益成为令人关注的问题。
7.1.1 植被指数的概念
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,如叶子光谱特性中,可见光谱段受叶子叶绿素含量的控制、近红外谱段受叶内细胞结构的控制、中红外谱段受叶细胞内水分含量的控制。
再如,可见光中绿光波段0.52µm~0.59µm对区分植物类别敏感;红光波段0.63µm~0.69µm对植被覆盖度、植物生长状况敏感等。
但是,对于复杂的植被遥感,仅用个别波段或多个单波段数据分析对比来提取植被信息是相当局限的。
因而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”。
它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。
7.1.2 植被指数的种类
由于植被光谱受到植被本身、土壤背景、环境条件、大气状况、仪器定标等内外因素的影响,因此植被指数往往具有明显的地域性和时效性。
20多年来,国内外学者已研究发展了几十种不同的植被指数模型见表7-1。
大致可归纳为以下几类:
比值植被指数(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。
比值植被指数可表达为:
或
(7-1)
式中,DN为近红外、红外段的计数值(灰度值),ρ为地表反照率。
对于绿色植物叶绿素引起的红光吸收和叶肉组织引起的近红外强反射,使其R与NIR值有较大的差异,使RVI值高。
而对于无植被的地面包括裸土、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。
因此,比值植被指数能增强植被与土壤背景之间的辐射差异。
表71主要植被指数表达式一览表
因此,比值植被指数能增强植被与土壤背景之间的辐射差异。
土壤一般有近于1的比值,而植被则会表现出高于2的比值。
可见,比值植被指数可提供植被反射的重要信息,是植被长势、丰度的度量方法之一。
同理,可见光绿波段(叶绿素引起的反射)与红波段之比G/R,也是有效的。
比值植被指数可从多种遥感系统中得到。
但主要用于Landsat的MSS、TM和气象卫星的AVHRR。
RVI是绿色植物的一个灵敏的指示参数。
研究表明,它与叶面积指数(LAI)、叶干生物量(DM)、叶绿素含量相关性高,被广泛用于估算和监测绿色植物生物量。
在植被高密度覆盖情况下,它对植被十分敏感,与生物量的相关性最好。
但当植被覆盖度小于50%时,它的分辨能力显著下降。
此外,RVI对大气状况很敏感,大气效应大大地降低了它对植被检测的灵敏度,尤其是当RVI值高时。
因此,最好运用经大气纠正的数据,或将两波段的灰度值(DN)转换成反射率(ρ)后再计算RVI,以消除大气对两波段不同非线性衰减的影响。
归一化植被指数(NDVI) 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。
即:
或
(7-2)
实际上,NDVI是简单比值RVI经非线性的归一化处理所得。
在植被遥感中,NDVI的应用最为广泛。
它是植被生长状态及植被覆盖度的最佳指示因子,与植被分布密度呈线性相关。
因此又被认为是反映生物量和植被监测的指标。
经归一化处理的AVHRR的NDVI,部分消除了太阳高度角、卫星扫描角及大气程辐射的影响,特别适用于全球或各大陆等大尺度的植被动态监测。
这是因为,对于陆地表面主要覆盖而言,云、水、雪在可见光波段比近红外波段有较高的反射作用,因而其NDVI值为负值(<0〉;岩石、裸土在两波段有相似的反射作用,因ρ其NDVI值近于0;而在有植被覆盖的情况下,NDVI为正值(>0),并随着植被覆盖度增大,其NDVI值越大。
可见,几种典型的地面覆盖类型在大尺度NDVI图象上区分鲜明,植被得到有效的突出。
但是,NDVI的一个缺陷在于,对土壤背景的变化较为敏感。
实验证明,当植被覆盖度小于15%时,植被的NDVI值高于裸土的NDVI值,植被可以被检测出来,但因植被覆盖度很低,如干旱、半干旱地区,其NDVI很难指示区域的植物生物量,而对观测与照明却反应敏感;当植被覆盖度由25~80%增加时,其NDVI值随植物量的增加呈线性迅速增加;当植被覆盖度大于80%时,其NDVI值增加延缓而呈现饱和状态,对植被检测灵敏度下降。
实验表明,作物生长初期NDVI将过高估计植被覆盖度,而在作物生长的结束季节,NDVI值偏低。
因此,NDVI更适用于植被发育中期或中等覆盖度的植被检测。
Hµete等(1988)为了修正NDVI对土壤背景的敏感提出了可适当描述土壤——植被系统的简单模型,即土壤调整后的植被指数(Soil-AdjµstedVegetationIndex),其表达式为:
(7-3)
或者:
(7-4)
其中,L是一个土壤调节系数,它是由实际区域条件所决定的常量,用来减小植被指数对不同土壤反射变化的敏感性。
当L为0时,SAVI就是NDVI。
对于中等植被盖度区,L一般接近于0.5。
因子(1+L)主要是用来保证最后的SAVI值与NDVI值一样介于-1和+1之间。
在SAVI的基础上,人们又进一步发展了转换型土壤调整指数:
(7-5)
将土壤背景值的有关参数(a,b)直接参与指数运算。
为了减少SAVI中裸土影响,发展了修改型土壤调整植被指数:
(7-6)
Major等又依据土壤干湿强度及太阳入射角的变化等,给出SAVI的3种新的形式(SAVI2,SAVI3,SAVI4)等。
实验证明,SAVI和TSAVI在描述植被覆盖和土壤背景方面有着较大的优势。
由于考虑了(裸土)土壤背景的有关参数,TSAVI比NDVI对低植被覆盖有更好的指示意义,适用于半干旱地区的土地利用制图。
此外,针对不同的区域特点和不同的植被类型,人们又发展了不同的归一化植被指数。
如,用于检验植被不同生长活力的归一化差异绿度指数:
(7-7)
用于建立光谱反射率与棉花作物残余物的表面覆盖率关系的归一化差异指数:
(7-8)
差值植被指数(DVI) 差值植被指数(DVI)又称环境植被指数(EVI),被定义为近红外波段与可见光红波段数值之差。
即:
(7-9)
差值植被指数的应用远不如RVI、NDVI。
它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。
另外,当植被覆盖浓密(≥80%)时,它对植被的灵敏度下降,适用于植被发育早-中期,或低-中覆盖度的植被检测。
上述的NDVI、DVI等植被指数均受土壤背景的影响大,且这种影响是相当复杂的,它随波长、土壤特征(含水量、有机质含量、表面粗糙度等)及植被覆盖度、作物排列方向等的变化而变化。
对于植被指数的主要组成波段红光和近红外光而言,叶子对红光的作用主要是吸收,而透射、反射均很小,作为背景的土壤则红光的反射较强,因此在植被非完全覆盖的情况下,冠层的红光反射辐射中,土壤背景的影响较大,且随着覆盖度的变化而变化;但近红外波段情况完全不同,叶子对近红外光的反射、透射均较高(约各占50%),吸收极少,而土壤对近红外光的反射明显小于叶的反射。
因此在植被非完全覆盖的情况下,冠层的近红外反射辐射中,叶层的多次反射及与土壤的相互作用是复杂的,土壤背景的影响仍较大。
缨帽变换中的绿度植被指数(GVI) 为了排除或减弱土壤背景值对植物光谱或植被指数的影响,除了前述出现一些调整、修正土壤亮度的植被指数(如SAVI、TSAVI、MSAVI等)外,还广泛采用了光谱数值的缨帽变换技术(TasseledCap,即TC变换)。
该技术是由K.J.Kaµth和G.S.Thomas首先提出,故又称之为K-T变换。
缨帽变换(TC)是指在多维光谱空间中,通过线性变换、多维空间的旋转,将植物、土壤信息投影到多维空间的一个平面上,在这个平面上使植被生长状况的时间轨迹(光谱图形)和土壤亮度轴相互垂直。
也就是,通过坐标变换使值被与土壤特征分离。
植被生长过程的光谱图形呈所谓的“缨帽”图形;而土壤光谱则构成一条土壤亮度线,有关土壤特征(含水量、有机质含量、粒度大小、土壤矿物成分、土壤表面粗糙度等)和光谱变化都沿土壤亮度线方向产生。
缨帽变换是一种通用的植被指数,可以被用于LandsatMMS或LandsatTM数据。
对于LandsatMMS数据,缨帽变换将原始数据进行正交变换,变成四维空间(包括土壤亮度指数SBI、绿色植被指数GVI、黄色成分(stµff)指数YVI,以及与大气影响密切相关的non-sµch指数NSI)。
对于LandsatTM数据,缨帽植被指数由三个因子组成——“亮度”、“绿度”与“第三”(Third)。
其中的亮度和绿度相当于MSS缨帽的SBI和GVI,第三种分量与土壤特征有关,包括水分状况。
K.J.Kaµth和G.S.Thomas所提出的缨帽变换(TC变换)是以陆地卫星MSS各波段的辐度亮度值作为变量。
经线性变换后,组成4个新变量:
TC1=+0.433MSS4+0.632MSS5+0.586MSS6+0.264MSS7
TC2=-0.290MSS4-0.562MSS5-0.600MSS6+0.491MSS7
TC3=-0.829MSS4+0.522MSS5+0.039MSS6+0.194MSS7
TC4= +0.233MSS4+0.021MSS5-0.543MSS6+0.810MSS7
对于不同传感器和地区,系数是变化的。
尽管这4个新波段没有直接的物理意义,但此信息与地面景物是有关连的。
其中第二分量TC2表征“绿度”,它与绿色植被长势、覆盖度等信息直接相关;第一分量TC1表征“土壤亮度”,它反映土壤亮度信息;第三分量为“黄度”,无确定意义,位于TC1、TC2的右侧;第四分量无景观意义,主要为噪声(包含系统噪声和大气信息)。
第
(1)二分量往往集中了95%或更多的信息。
因此,植被、土壤信息主要集中在由TC1、TC2组成的二维图形中。
而对于TM而言,可见光—红外6个波段数据经缨帽变换的前三个分量主要反映土壤亮度、绿度、湿度特征,第四分量主要为噪声。
其中绿度指数可表示为:
TC变换既然是以各波段的辐射亮度值作为变量的,这些亮度值中包含了太阳辐射、大气辐射、环境辐射等多要素的综合信息,因而TC变换所得的图形和数值,受大气沌度、光照角度等外界条件的变化而波动。
在作物研究中,为了突出作物本身的光谱特征的动态信息,尽量排除大气环境等因素的影响,在TC变换中选用反射率来替代亮度值,将典型的缨帽变换图形进一步发展为G-转换图形,即绿度转换图形。
图形中的一维是作物在红波段(R)与近红外波段(NIR)组合的绿度模型(绿度变量G),另一维是作物在0.4~1.1的平均反射率,每一种作物在由这两个变量组成的象限里均有各自独特的变化图形和不同的空间位置。
在绿度转换图形上,土壤与植被光谱特征互不相干,植被的绿度测量可排除土壤背景的干扰,一个通过植被光谱图形反映植被的生长状况,另一个通过土壤亮度线反映植被的生长条件绿度转换图形可以直接形象地反映了G、P两维变量的变化规律和植被发育过程中空间结构的变化,且信息量得到压缩。
但是它缺乏时间变量。
尽管图形反映了作物生长过程,而作物生长过程本身是时间的函数,作物光谱是随时间的变化而变化的,但由于它缺乏具体的时间变量、不能描述作物生长期的长短,特别是当两种作物在图形和空间位置相近,需用时间参数加以鉴别时,该图形反映出一定的局限性。
为了弥补这一不足,往往运用多时相动态资料,绘制绿度时间剖面曲线,以显示作物不同生长期中的显著差异。
张仁华等人在山东禹城试验站,对黄淮海地区小麦、玉米、大豆、棉花等四种主要作物进行整个生长期较频繁的观测,这些作物在可见光——近红外波段的反射率差异较小,难以区分。
但是若绘制各作物的反射光谱特征的绿度转换图形和绿度时间剖面曲线。
则各具特色,易于区分。
在绿度转换图形上,作物在土壤平面上开始生长,随生长阶段的发展,逐渐离开土壤平面以曲线的轨迹向绿要素区域接近,然后聚集在黄要素区,最后又以各种不同路径返回到初始的土壤平面上。
原来不易区分的作物在这二维的绿度转换图形上相互差异明显,再配以绿度时间剖面曲线分析,则易于识别。
可见,运用动态遥感信息和相应的动态植被指数是进行作物识别与监测的有效方法。
垂直植被指数(PVI) 垂直植被指数(PVI)是在R、NIR二维数据中对GVI的模拟,两者物理意义相似。
在R、NIR的二维坐标系内,土壤的光谱响应表现为一条斜线——即土壤亮度线。
土壤在R与NIR波段均显示较高的光谱响应,随着土壤特性的变化,其亮度值沿土壤线上下移动。
而植被一般在红波段响应低,而在近红外波段光谱响应高。
因此在这二维坐标系内植被多位于土壤线的左上方。
不同植被与土壤亮度线的距离不同。
于是Richardson(1977)把植物象元到土壤亮度线的垂直距离定义为垂直植被指数(PerpendicµlarVegetationIndex)。
PVI是一种简单的欧几米得(Eµclidean)距离。
表示为:
(7-10)
其中S为土壤反射率,V为植被反射率,R为红波段,NIR为红外波段。
PVI表征着在土壤背景上存在的植被的生物量,距离越大,生物量越大,也可将PVI定量表达为:
(7-11)
其中,DNNIR、DNR分别为NIR、R两波段的反射辐射亮度值;
b为土壤基线与NIR反射率纵轴的截距;
θ为土壤基线与R光反射率横轴的夹角。
PVI的显著特点是较好地滤除了土壤背景的影响,且对大气效应的敏感程度也小于其它植被指数。
正因为它减弱和消除了大气、土壤的干扰,所以被广泛应用于作物估产。
从理论上讲,GVI、PVI均不受土壤背景的影响,对植被具有适中的灵敏度,利于提取各种土壤背景下生长的植被专题信息。
其数值已扩展到TM的6维数据(除TM6热红外数据),以及AVHRR的可见光——近红外数据,并有现成的模型和成熟的图象处理算法例如:
对于MSS数据可表示为:
对于AVHRR数据可以表示为:
这里应该说明的是,气象卫星AVHRR的GVI与陆地卫星MSS的GVI有极高的相关性。
这就是说,尽管它们的空间分辨率、时间分辨率差异很大,但它们可以获得数据结果十分一致的GVI,两者的绿度植被指数可以相互对比,互为替代。
因而中大尺度植被监测中,多时相AVHRR的GVI可以直接用以替代或填补MSS资料的空缺,更利于植被季相节律的综合分析研究。
7.1.3 植被指数与叶面积指数的关系
叶面积指数LAI是指每单位土壤表面积的叶面面积比例。
它对植物光合作用和能量传输是十分有意义的。
绿色植物的叶子是它进行光合作用的基本器官,叶片的叶绿素在光照条件下发生光合作用,产生植物干物质积累,并使叶面积增大。
叶面积越大则光合作用越强,而光合作用越强,又使植物群体的叶面积越大,植物干物质积累越多,生物量越大。
同时,植物群体的叶面积越大,植物群体的反射辐射增强。
实验证明:
当作物群体LAI大于3时,其反射率可达太阳总辐射的20%;当正常稻田LAI为4时的能量透过率为太阳总辐射的23%或低于20%;对草本植物而言,叶片倾角较大,光很容易透过冠层直达底部直至土壤则当LAI高达7.5时,有5%的入射光可到达土壤表面。
可见,叶面积指数LAI,是利用遥感技术监测植被长势和估算产量的关键参数。
然而,叶面积指数LAI往往是难以直接从遥感仪器获得,但是它与遥感参数—植被指数间有密切的关系,它是联系植被指数与植物光合作用的一个主要的植冠形态参数。
叶面指数一般大于1,小于10,在光谱曲线中,近红外波段的反射率随叶面指数增加而增加。
外表上的和表面覆盖面积随时间发生变化,是植物和地面其它大多数地物(特别是那些与气候无关的)相区别的标志。
张仁华等人(1996)在15米塔上准垂直向下测量小麦全生育期的NDVI和RVI值,并同地面所测得的叶面积指数进行全过程对比。
实验证明,NDVI与RVI表达叶面积指数LAI的效果基本一致,特别是用全过程最大值相除后所得到的相对比值更为一致。
其中,当覆盖度较小时,均显示出相对值偏小的现象。
这是受土壤背景光谱影响的结果。
另外根据高塔遥感实验场的大量观测资料表明,植被指数NDVI或RVI与叶面积指数LAI的相关系数很高,且与LAI呈非线性函数关系。
它们之间的关系可表示为:
(7-13)
两者形式相似,数值对应,从这点看,两者基本等价。
式中的A、B、C及A'、B'、C'均为经验系数,可通过模拟试验获得。
其中, A、 A'值是由植物本身的光谱反射确定的,不同叶形,叶倾角及散射系数造成不同的A值及A'值;B、B'值与叶倾角、观测角有关,当叶呈水平状,则线性关系明显;当叶呈非水平状,随着LAI的增大,植被指数增大速率较慢,两者呈余弦关系,基本是线性的。
C、C'值取决于叶子对辐射的衰减,这种衰减是呈非线性的指数函数变化。
(7-14)
式中,K为作物群体消光系数,如冬小麦拔节前K≈0.28;拔节后K≈0.35。
C为作物覆盖度。
VI与
- 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 遥感
![提示](https://static.bdocx.com/images/bang_tan.gif)