国土资源遥感课程报告.docx

国土资源遥感课程报告.docx

《国土资源遥感课程报告.docx》由会员分享，可在线阅读，更多相关《国土资源遥感课程报告.docx（11页珍藏版）》请在冰豆网上搜索。

国土资源遥感课程报告

摘要

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。

20多年来,已研究发展了40多个植被指数。

本文先概述了植被指数的研究现状等，之后使用了一组太湖数据反演出了3个不同模型的植被指数,并比较了这3种模型的优劣。

这将有助于遥感在农业、植被和生态环境监测方面进行有效地开发与应用。

关键词：

遥感植被指数反演

目录

一．概述4

二．研究目的4

三．研究现状5

四．研究内容5

4.1．比值植被指数5

4.2归一化植被指数5

4.3植被指数反演叶绿素浓度6

五．应用实例7

5.1实验区概况7

5.2实验数据7

5.3技术流程7

5.3实验步骤8

五．结果分析10

六．参考文献12

一．概述

植被在地球系统中扮演着重要的角色,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。

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。

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。

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。

二．研究目的

植被遥感正是利用遥感技术范围大、光谱范围广等特点对植被及相关系统进行监测、观测和保护的。

植被作为生态系统的重要组成部分和核心环节、对气候变化的调节与反馈作用是人类调节气候、减缓温室效应的重要手段。

植被初级生产力作为表征植物活动的关键变量，在地表与大气之间能量、物质与栋梁交换中扮演着重要角色，是陆地生态系统中物质与能量运转研究的重要环节。

植被遥感的对象是以一定植被类型为标志的特定陆地生态系统，即包括植被在内的自然综合体。

遥感图像的空间结构，反映出植被与环境之间的相互作用、相互联系以及生态系统的功能、富有生态学内涵。

植被遥感可以在大范围内经济而又成效地查清植被资源和检测环境动态，从空间以不同尺度来研究地球植被层的空间结构和波动规律以及多种自然灾害和人类活动对生物圈的影响，并把植被遥感信息转换成图像和数据，供决策和管理者参考。

三．研究现状

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（LandsatMSS）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、TSAVI、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形成理论方法,解决与植被指数相关的但仍末解决的一系列问题。

第三类植被指数是针对高光谱遥感及热红外遥感而发展的植被指数（如DVI、Ts-VI、PRI等）。

这些植被指数是近几年来基于遥感技术的发展和应用的深入而产生的新的表现形式。

尽管许多新的植被指数考虑了土壤、大气等多种因素并得到发展,但是应用最广的还是NDVI,并经常用NDVI作参考来评价基于遥感影像和地面测量或模拟的新的植被指数,NDVI在植被指数中仍占有重要的位置。

四．研究内容

4.1．比值植被指数 

RVI=NIR/R，或两个波段反射率的比值即为比值植被函数。

绿色健康植被地区的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）约为1； 绿色植物的灵敏指示参数，与LAI、干叶生物量（DM）、叶绿素含量相关性高，可用于检测和估算植物生物量； 当植被覆盖不够浓密时（< 50%）分辨能力很弱，只有在植被覆盖浓密的情况下效果最好； RVI比单波段监测植被更为稳定，但对大气影响敏感，所以，需要预先进行大气校正或用反射率来计算。

4.2归一化植被指数

NDVI=（NIR-R）/（NIR+R），或两个波段反射率的计算即为归一化植被指数。

取值在[-1, 1]，负值表示地面覆盖为云、水、雪等，对可见光高反射；0为岩石或裸土等，NIR和R近似相等；正值表示植被覆盖，与覆盖度呈正相关。

 NDVI可部分消除太阳高度角变化、卫星视角和大气影响，可检测植被生长状况、植被覆盖度和消除部分辐射误差等。

能较好地反映植被动态变化，与一些重要的生物物理参数如生物量、叶面积指数和光有效辐射等有密切联系；能反映出植物冠层的背景影响，如土壤、潮湿地面、枯枝落叶、粗糙度等。

 局限性在于用非线性拉伸的方式增强了NIR和R的反射率对比度，与 RVI相比，NDVI对高植被区具有较低的灵敏度，即RVI增加的速度高于NDVI。

4.3植被指数反演叶绿素浓度

叶绿素a浓度目前有很多的模型，在大气纠正效果较好的前提下，比值植被指数和归一化植被指数能够较好的反演不同水体的叶绿素浓度，如下表1所示。

反映拟合效果，越接近1表示拟合效果越好。

遥感特征

模型

光谱数据模型

比值植被指数

0.8960

0.8953

0.8834

0.8868

归一化植被指数

0.8950

0.8840

0.8873

表1部分叶绿素a浓度监测模型

五．应用实例

5.1实验区概况

太湖位于长江三角洲的南缘，古称震泽、具区，又名五湖、笠泽，是中国五大淡水湖之一，界北纬30°55'40"~31°32'58"和东经119°52'32"~120°36'10"之间，横跨江、浙两省，北临无锡，南濒湖州，西依宜兴，东近苏州。

太湖湖泊面积2427.8平方公里，水域面积为2338.1平方公里，湖岸线全长393.2公里。

其西和西南侧为丘陵山地，东侧以平原及水网为主。

太湖地处亚热带，气候温和湿润，属季风气候。

太湖河港纵横，河口众多，有主要进出河流50余条。

 太湖水系呈由西向东泄泻之势，平均年出湖径流量为75亿立方米，蓄水量为44亿立方米。

太湖岛屿众多，有50多个，其中18个岛屿有人居住。

5.2实验数据

环境小卫星数据；太湖区域TM数据（L2级）；HJ1B-CCD1波谱响应函数；太湖矢量数据；实测叶绿素样点浓度数据等。

5.3技术流程

先对环境小卫星CCD数据进行数据预处理：

数据读取、辐射定标、几何校正、大气校正、太湖区裁剪，利用波段比值法对实测的叶绿素a浓度数据建立反演模型，将模型应用于太湖水面区域影像，反演出整个太湖区的叶绿素a浓度。

5.3实验步骤

1.数据预处理

先安装环境卫星数据处理补丁后进行数据读取和定标，之后对工程区做裁剪处理，接着对环境数据进行几何校正，使其具有精确的地理信息。

最后对数据做FLASSH大气校正。

图1.裁剪结果图2.选择好控制点的太湖影像

图3.几何校正后的太湖影像图4.大气校正后的太湖数据

2.反演建模

首先整理采样点实测数据，之后获取采样星上数据并进行模型参数反演。

表1.导出的chla实测含量

图5.最终反演结果

五．结果分析

图6.线性函数模型反演结果

图7.指数函数模型反演结果

图8.对数函数模型反演结果

反演模型

R²

反演效果

线性模型

0.8355

效果最好

指数模型

0.8137

效果最差

对数模型

0.816

效果一般

六．参考文献

[1] 盛永伟,陈维英,肖乾广,等.利用气象卫星植被指数进行我国植被的宏观分类[J].科学通报,1995,40

（1）:

68-71.

[2] 孙睿,朱启疆.中国陆地植被净第一性生产力及季节变化研究[J].地理学报,2000,55

（1）:

36-45.

[3] 肖乾广,陈维英,盛永伟,等.用NOAA气象卫星的AVHRR遥感资料估算中国的净第一性生产力[J].植物学报,1996,38

（1）:

35-39.

[4] 郭铌,李栋梁,蔡晓军,等.1995年中国西北东部特大干旱的气候诊断与卫星监测[J].干旱区地理,1997,9（3）:

69-74.

[5] 郭铌,陈添宇,雷建勤,等.用NOAA卫星可见光和红外资料估算甘肃省东部农田区土壤湿度[J].应用气象学报,1997