利用光谱指数反演植被叶绿素含量的精度及稳定性研究

农业遥感中,利用光谱指数方法反演作物叶绿素含量一直得到广泛地应用。利用PSR-3500光谱仪及SPAD-502叶绿素仪同步获取了冬小麦冠层光谱数据及对应叶片的叶绿素相对含量(SPAD值),并利用高斯光谱响应模型将PSR获取的地面连续光谱数据重采样为多光谱Landsat-TM7及高光谱Hyperion光谱数据,然后分别计算基于两种传感器的归一化差值植被指数(normalized difference vegetation index, NDVI)、综合叶绿素光谱指数(MCARI/OSAVI,the ratio of the modified transformed chlorophyll absorption ratio index (MCARI) to optimized soil adjusted vegetation index(OSAVI))、三角形植被指数(triangle vegetation index, TVI)及通用植被指数(vegetation index based on universal pattern decomposition method, VIUPD),再将四种光谱指数与叶绿素含量进行回归分析。结果表明,针对重采样后的TM和Hyperion两种传感器数据,VIUPD反演叶绿素含量精度(决定系数R2)最高,反演能力最稳定,这与其“不受传感器影响”的特性密不可分;MCARI/OSAVI反演精度和稳定性次之,是因为引入的OSAVI削弱了土壤背景的影响;宽波段指数NDVI和TVI对模拟TM数据有较好的反演精度,对Hyperion数据反演精度却很低,可能是因为两种指数的构成形式简单,考虑的影响因素较少。以冬小麦为例,对利用光谱指数反演植被叶绿素含量的精度和稳定性进行了研究并分析了其影响因素,经比较发现利用植被指数VIUPD进行植被叶绿素含量反演时,其精度和稳定性最好。     

作物植被覆盖度的高光谱遥感估算模型

通过大田试验,使用ASD光谱仪测量了油菜、玉米、水稻三种作物不同覆盖度水平下的冠层光谱,同时拍照获取植被图片并用计算机求算了植被覆盖度。利用三种作物光谱求算“红边”变量,并对波段两两组合求算归一化植被指数(NDVI),建立这些光谱变量与覆盖度之间的估算模型,得到适用于三种作物的最优估算模型和最佳的NDVI波段组合。另外,利用响应函数模拟了TM归一化植被指数,同植被覆盖度进行了相关分析,回归方程的R2达到0.80,并通过了预留数据的检验,为TM数据植被覆盖度估算进行了探索性的研究。     

植被叶片叶绿素含量反演的光谱尺度效应研究

目前光谱指数方法已被广泛地应用于植被叶绿素含量的反演中,考虑到不同传感器的光谱响应存在差异,研究了光谱尺度效应对光谱指数反演植被叶片叶绿素含量的影响。基于PROSPECT模型模拟了不同叶绿素含量(5～80 μg·cm-2)下的5 nm叶片光谱反射率数据,并利用高斯光谱响应函数将其分别模拟成10～35 nm六种波段宽的光谱数据,再分析评价5～35 nm波段宽下光谱指数与叶片叶绿素含量的相关性、对叶片叶绿素含量变化及对波段宽变化的敏感性。最后,利用波段宽为40～65 nm的反射率数据对光谱指数反演植被叶绿素含量的光谱尺度效应进行验证。结果表明,通用光谱指数(vegetation index based on universal pattern decomposition method, VIUPD)反演叶绿素含量的精度最高,反演值与真实值拟合程度最好;归一化差值植被指数(normalized difference vegetation index, NDVI)和简单比值指数(simple ratio index, SRI)其次,虽然其决定系数R2高达0.89以上,但反演的叶绿素含量值小于真实值;其他光谱指数的反演结果较差。VIUPD对叶绿素含量具有较好的相关性和敏感性,受光谱尺度效应影响较小,具有较好的反演能力,这一结论恰好验证了其“独立于传感器”的特性,同时证明了VIUPD在多源遥感数据反演植被理化参量的研究中具有更好的应用前景。     

基于遥感数据的辽宁省植被变化分析

利用从美国国家海洋和大气局(NOAA)的甚高分辨率辐射计(AVHRR)获得的20年的归一化植被指数(NDVI)时序数据,分析了辽宁省的空间异质性和时间动态。通过分析研究区域2 292个点在1982～2001年间NDVI月平均值,发现有明显的反常。通过统计分析每月的NDVI值,包括最小值、平均值、最大值、变化系数(CV)、标准化不规则值(Z分),36个月的动态平均值,识别了植被动态的空间和时间变化。发现植被的NDVI在生长期有强烈的季节摆动,观测到的NDVI最大值出现在7～8月,用CV表达的季节变化范围从6%～14%。另外,在1984～1990年间植被绿度呈现一致向上的趋势,而在随后的1991～1998年间表现出很大的相反。植被绿度向上和向下的趋势遵从7到8年的摆动周期。研究还发现干燥季节NDVI的峰值沿纬度的变化是1991～1999年间比1982～1990年间大20%～25%。研究的结论是辽宁省的植被变化模式是由于20世纪最后10年加剧的干旱造成的。     

基于物候特征的植物光谱识别方法研究

光谱分析对于植物识别特征与机理研究具有重要意义,长期以来在植被光谱的叶绿素吸收特征、水分吸收特征、红边效应、光谱波形参数提取、波形转换、以及植被叶面结构和化学组份对光谱的影响方面进行了大量研究,而在植物因季节变化引起的叶面结构、叶绿素、叶面积指数变化而产生的光谱变化研究较少。通过开展对不同生活型、叶面结构与大小、物候特征的11类植物季节生长过程的地物光谱观测,提取植物的归一化植被指数NDVI、包络线去除后的绿波段最大光谱吸收深度、红波段最大光谱吸收深度参数,对该参数时间过程曲线的均值、变幅、斜率进行分析,研究植物生长期和成熟期特征参数的植物光谱可分性研究。提出了植被光谱区分度的参数运算方法,利用该参数进行植被识别能力分析。结果表明：植物生长过程的光谱特征比成熟期的光谱特征更容易区分。在相同参数对比中,生长期植物区分度比成熟期区分度高出三个点。在植物生长过程中,总体上植被的季节变幅区分度>斜率区分度>均值区分度,而对于NDVI参数季节变化,植物季节斜率区分度最大。所以利用植物的季节NDVI斜率、绿波段最大光谱吸收深度的季节变幅、红波段最大光谱吸收深度的季节变幅进行植物的识别效果最佳。     

一种基于无人机高光谱数据的植被盖度估算新方法

从分析对植被覆盖度(FVC)敏感的光谱特性入手,使用Avafield-3光谱仪(测量范围300～2 500 nm),利用人工草坪控制植被覆盖度的方式研究混合光谱与植被覆盖度的关系,通过实验发现红边区间(680～760 nm)对植被覆盖度最为敏感,而红边区间光谱的一阶导数与植被覆盖度的相关性最高(>0.98),且有较强的稳定性,因此选择红边斜率k作为估算植被盖度的参数。参考混合光谱分解法反演植被覆盖度的经典模型--即以NDVI(normalized difference vegetation index)为参数的植被覆盖度反演模型,以红边斜率代替NDVI构建了2个反演植被覆盖度FVC的新的红边斜率模型,该模型是对经典模型的进一步改进。为验证模型精度,以研究区内无人机(UVA)的高光谱数据和研究区实际测量的植被覆盖度数据进行验证：对高光谱数据计算每个像元680～760 nm之间的斜率,利用PPI(pixel purity index)提取纯像元,计算纯植被像元光谱斜率的最大值和纯土壤像元光谱斜率最小值,利用新的红边斜率FVC模型求取植被覆盖度;实测数据采用照相方法,经过几何校正、监督分类后统计植被覆盖度,结果表明：通过实测数据与无人机高光谱数据获取的植被覆盖数据进行验证,新构建的基于红边斜率的两个植被覆盖度模型的精度(R2分别达0.893 3和0.892 7)都略高于以NDVI为参数的模型(R2分别达0.839 9和0.829 9)。提出使用红边斜率计算植被覆盖度的模型,具有较明确的生物物理意义,具有较高的应用潜力和推广价值。     

植物光学模型估算叶片类胡萝卜素含量的一种双归一化差值-比值植被指数

运用高光谱技术进行植物叶片探测具有快速、无损、高精度等特点,在叶片色素等生化成分含量估算方面应用前景广阔。类胡萝卜素作为叶片中重要光合色素之一,因其在可见光区域与叶绿素的光谱吸收特征存在重叠,且其含量远低于叶绿素,导致利用光谱信息估算叶片类胡萝卜素含量存在困难,国内外少有针对类胡萝卜素含量的植被指数。利用高光谱数据光谱信息丰富的特点,提出一种以波段组合遍历与相关分析为基础,通过多指数协同来构建组合式的植被光谱指数的新方法。在PROSPECT叶片辐射传输模型模拟出大量具有不同生化和生物物理特征的叶片光谱的基础上,成功构建了一种在叶片水平下具有良好稳定性的类胡萝卜素含量估算新指数RVI_DNDVI。结果表明,该方法构建的叶片类胡萝卜素光谱指数由两部分组成：由532和405 nm构建的窄波段NDVI(与类胡萝卜素、叶绿素均强相关)和由548和498 nm构建的窄波段NDVI(仅与叶绿素强相关)进行比值组合,能较好消除叶绿素含量对指数的干扰;通过减去对叶片结构高敏感的916 nm处反射率,能消除叶肉结构参数的影响,进一步提高指数的抗干扰能力。该研究得到的指数RVI_DNDVI仅对叶片类胡萝卜素具有高敏感性,相关系数达到-0.94,对其进行指数拟合的R2达到0.834 4。经与模拟数据和实测数据的验证,该指数有较好的估算效果。     

尘埃影响下的植被指数修正研究

植被指数是表征植被覆盖,生长状况简单有效的度量参数。本文以城市绿化主要植被大叶黄杨为例,研究叶片滞尘对植被指数的影响,并构建植被指数修正模型对植被指数进行修正优化,提高植被指数的测量精度。研究选取北京城区为研究区,采集20个采样点的200个叶片样本,利用电子分析天平、ASD高光谱辐射仪及Win FOLIA叶面积仪,分别获取叶片尘埃量、光谱信息、叶面积等数据。通过对比分析样本叶片除尘前、后光谱特征及NDVI、NDWI、NDNI、NDII、CAI、PRI植被指数分布特征差异,结合单位滞尘量与光谱数据,构建植被指数修正模型,并对修正模型进行精度检验。结果表明：大叶黄杨叶片在除尘前与除尘后的光谱曲线均表现出典型的植被光谱特征,且蓝边、红边均出现在520和705 nm处,然而在350～700,750～1 350,1 500～1 850,1 900～2 100 nm波段范围内,滞尘对叶片光谱反射率影响显著,同时对植被指数也有较大影响;通过对滞尘量定量的研究分析发现,当尘埃质量增加时, NDVI和PRI植被指数与尘埃量的线性关系变弱,而NDWI,NDII,CAI植被指数与尘埃量依然保持明显的线性关系。修正模型NDVI,NDII,CAI,PRI精度验证决定系数(R2)分别为0.547,0.430,0.653,0.960,RMSE分别为0.035,0.020,0.112,0.009。研究结果表明对以后利用植被指数进行大面积植被反演、评估时,根据滞尘量影响进行修正优化,提高反演精度有一定参考意义。     

基于光谱反演的青藏高原1982年到2014年植被生长趋势分析

植被在陆地碳循环和气候系统中发挥着重要作用 ,近几十年来众多研究集中于分析植被生长状况的动态变化.拥有大面积高海拔区域的青藏高原是"世界的第三极" ,其植被生长状况对全球变暖现象十分敏感.而由光谱的可见光红波段和近红外波段反演产生的NDVI ,则是监测植被生长状况的最有效工具之一.通过一元线性回归模型 ,在青藏高原地区利用2000年到2014年的MODIS资料将GIMMS NDVI数据集从1982到2006年的时间序列扩展至2014年.相比已有的研究 ,因考虑了尺度变化引起的残差 ,NDVI扩展数据集的精度得到进一步提高.该方法可以为今后不同NDVI数据集耦合提供一种新的思路.利用1982年到2014年的NDVI新数据集可以发现以下结果 :青藏高原植被生长季的生长存在明显的增长趋势(0.000 4 yr-1 ,r2 =0.585 9 ,p<0.001) ,春、夏和秋季的增长率分别为0.000 5(r2 =0.295 4 ,p=0.001) , 0.000 3(r2 =0.105 3 ,p=0.065)和0.000 6(r2 =0.436 7 ,p<0.001).因高原植被生长 ,促进该区域碳积累效应 ,故青藏高原植被在1982到2014年间是一个稳定的碳吸收区.结合高原温度和降水资料分析植被生长状况增长的原因 ,虽二者都具有增长趋势 ,不过生长季及春、夏和秋季的NDVI变化状况同温度的相关性显著高于降水.在空间分布上 ,各区域植被增长趋势同温度、降水变化都具有明显的空间异质性.     

MODIS多光谱研究攀西地区植被对气候变化响应

遥感方法定量监测植被与气候变化的关系已经成为全球变化研究的一个重要领域。攀西地区是我国长江上游重要的生态屏障,对维持四川乃至我国整体生态环境的稳定具有重要作用。基于攀西地区多年MODIS多光谱数据和气象数据对植被动态变化以及该变化与气候因子的关系进行了探讨。结果显示,NDVI变化和气温、降水呈正相关,其中降水是影响攀西地区植被生长的主要气候因子,NDVI变化与秋季降水量变化呈现出良好的一致性;研究区植被长势与气温和降水存在一定的时滞性,主要体现在前1个月气温和降水对植被长势的影响上。     

晚播条件下基于高光谱的小麦叶面积指数估算方法

利用高光谱遥感技术,分析晚播条件下小麦叶片与冠层模式光谱特征和叶面积指数（LAI）的变化规律,建立了适用于晚播小麦的叶面积指数估算方法。研究结果表明：（1）从红光和蓝紫光420～663 nm波段提取的叶绿素光谱反射率植被指数（CSRVI）与旗叶SPAD值做相关性分析,结果表明正常播期和晚播处理在叶片模式的相关系数分别为0.963*和0.997**,达显著和极显著水平。（2）利用相关性分析,得出两个播期处理的LAI与SPAD值相关系数分别是0.847*和0.813*,均达到显著水平。SPAD值与LAI及CSRVI指数均具有相关性,可以用CSRVI指数建立LAI的估算模型。（3）对叶片模式和冠层模式光谱曲线特征分析得出,叶片模式中在680～780 nm处的反射率呈现陡升趋势,在可见光波段的446和680 nm和近红外波段的1 440和1 925 nm处各有两个明显的吸收波谷,在540～600,1 660和2 210 nm波段处有两个明显的反射波峰;三种冠层模式中60°模式下的光谱反射率整体表现为最高。（4）将各波段反射率与叶面积指数做相关性分析得出在可见光波段范围内,光谱反射率与LAI总体呈现负相关性,500～600 nm处有一个波峰。（5）将三种冠层模式下（仪器入射角度分别与地面呈30°,60°和90°夹角）的等效植被指数与LAI做相关性分析得出：60°冠层模式下八种植被指数与正常播期LAI的相关性均未达显著水平,比值植被指数（RVI）、归一化植被指数（NDVI）、增强型植被指数（EVI）、再次归一化植被指数（RDVI）、土壤调整植被指数（SAVI）、修改型土壤调整植被指数（MSAVI）的等六种植被指数与晚播条件下的LAI具有显著和极显著相关关系;90°冠层模式下CSRVI指数与正常播期处理的LAI具有显著相关关系,NDVI指数与晚播处理的LAI具有显著相关关系;30°冠层模式下的八种植被指数与两播期处理的LAI的相关性均未达显著水平。综合分析CSRVI指数、NDVI指数的相关性最高,这两种指数最具有估算LAI的潜力。（6）通过三种冠层模式所计算的植被指数估算LAI模型,结果表明,正常播期条件下,其最佳估算模型是90°冠层模式CSRVI指数所建立的线性模型Y=-7.873 6+6.223 8X;晚播条件下的最佳模型是60°冠层模式RDVI指数所建立的幂函数模型Y=30 221 333.33X17.679 1,两个模型的决定系数R2分别为0.950*和0.974**。研究表明试验中所提取的CSRVI指数能够反映旗叶叶绿素含量,可以通过光谱仪器的叶片模式对小麦生育期内叶绿素含量进行监测;通过冠层模式计算的CSRVI指数和RDVI指数所建立的LAI估算模型可以对小麦的LAI进行无损害观察。     

植被双向反射分布函数的模型及其发展

介绍了双向反射分布函数(BRDF)的概念和反映植被特性的归一化植被指数(NDVI)、增强植被指数(EVI)、差值植被指数(DVI)等一些重要指数参数。评述了近年发展起来的植被BRDF模型的构建方法,例如统计反演方法,MODIS植被指数合成法和集合卡曼滤波法(EnKF)。分析了目标表面BRDF数据的获取方法和改进的驱动核算法。对BRDF模型的发展趋势进行了展望。     

基于时序高分一号宽幅影像火后植被光谱及指数变化分析

为了探究国产高分卫星遥感技术监测火干扰对植被生长影响的能力及其表征植被指数,选取2014年发生在四川省雅江县和冕宁县的两场森林火灾形成的火烧迹地作为研究区,利用火灾前后时序的高分一号宽幅(GF-1 WFV)数据,对不同受灾程度火烧迹地火灾前后的光谱特征变化进行分析,并以月为单位分析了不同受害程度植被火后两年内由GF-1 WFV数据生成的归一化植被指数(NDVI)、增强型植被指数(EVI)和全球环境监测植被指数(GEMI)等三种表征植被生长状态的植被指数的变化,结合研究区纬度、海拔和气候条件分析火后植被的年内恢复规律。结果表明：火烧造成植被色素和细胞结构破坏,使其不再表现出正常植被特有的光谱特征,在可见光区受害植被的反射率相比于正常植被偏高,且其值随受灾程度加重而升高;在近红外波段火干扰后的植被反射率降低,其值远低于正常植被的反射率值。NDVI,EVI和GEMI在表征植被恢复生长过程中存在高度相关性且对植被季节变化敏感,均能反映植被恢复的生长过程,具有描述火烧区植被恢复动态过程的能力;受灾植被恢复生长过程中的植被指数变化与正常植被年生长过程的植被指数变化趋势基本一致,同样存在生长季和非生长季;火烧区植被的NDVI,EVI和GEMI值相比正常植被对应植被指数值始终偏低,且植被受灾越严重,其植被指数值在同期中对应越低。     

西藏当雄河谷阳坡海拔梯度上植被光谱特征分析

以西藏当雄河谷阳坡海拔梯度上植被冠层光谱为研究对象,分析不同海拔位置上植被光谱特征差异及物理含义,通过植被光谱特征的分层聚类分析,评估当雄阳坡植被垂直分布的遥感识别可行性。结果表明：水分指数(WI)、光谱红边位置(REP)、归一化植被指数(NDVI)分别与叶片水分含量、干重生物量、植被盖度存在较强的相关性,且不同植被类型间的WI,REP和NDVI存在显著差异;基于光谱特征集的分层聚类分析实现了阳坡12个样点逐级分类,其结果与地面调查基本匹配,表明所选择的植被光谱特征能够表征实验区垂直分布的植被类型差异,分析结果可为青藏高原植被垂直分布信息的遥感提取提供光谱特征的先验知识支持。     

基于CASI高光谱数据的作物叶面积指数估算

叶面积指数(LAI)的快速估算对于及时了解作物长势、病虫害监测以及产量评估具有重要意义。利用2012年7月7日在黑河流域张掖市获取的CASI高光谱数据,精确提取出了不同作物的光谱反射率,同时结合地面实测数据,对比分析了宽波段和“红边”植被指数在估算作物LAI方面的潜力,在此基础上,基于波段组合算法,筛选出作物LAI估算的敏感波段,并构建了两个新型光谱指数NDSI和RSI,最后对研究区域作物LAI的空间分布进行了分析。结果表明,在植被覆盖度较低的情况下,宽波段植被指数NDVI对LAI具有较好的估算效果,模型的精度R2与RMSE分别为0.52,0.45(p<0.01);对于“红边”植被指数,由于CI_{red edge}充分考虑了不同的作物类型,其对LAI的估算精度与NDVI一致;利用波段组合算法构建的光谱指数NDSI_{(569.00, 654.80)}和RSI_{(597.6, 654.80)}对LAI估算的效果要优于NDVI与CI_{red edge},其中,NDSI_{(569.00, 654.80)}主要利用了植被光谱“绿峰”和“红谷”附近的波段,模型估算的精度R2可达0.77(p<0.000 1);根据LAI与NDSI_{(569.00, 654.80)}之间的函数关系,绘制作物LAI的空间分布图,经分析,研究区域的西北部LAI值偏低,需增施肥料。研究结果,可为农业管理部门及时掌握作物长势信息、制定施肥策略提供技术支持。     

结合DEM的红边-近红外植被指数提取城市植被信息

随着生活水平的不断提高,城市植被已成为衡量城市宜居性的重要标准之一,对城市生物多样性评估和保护起到非常重要的作用。因此,合理规划城市植被是解决环境问题和提高生活质量的重要手段。因此,城市植被的提取和监测成为重中之重的任务。目前,城市植被提取一方面受到地域和物种的影响,另一方面也受到地形和建筑物阴影的影响。为解决上述问题,提出了一种结合数字高程模型(DEM)的红边-近红外植被指数模型（RENVI）。首先选取了3景经过辐射定标和大气校正的具有红边波段、且光谱和空间分辨率较高的Worldview-3遥感影像;然后,根据红边波段对于植被具有较高的敏感性,且红边范围内的光谱数据与反映植被生长状况的参数有较好的相关关系原理,采用DEM模型和红边波段光谱差异,有效去除地形和建筑物阴影;最后,在可见光波段范围内建立红边光谱-近红外光谱构建特征空间,构建了红边-近红外植被指数模型,同时与归一化植被指数（NDVI）和增强型植被指数（EVI）进行城市植被提取的定性和定量对比分析。定性分析是利用真实植被影像参考图与模型提取植被影像进行视觉分析;后者是采用用户精度、生产者精度、总体精度和Kappa系数进行量化分析。定性分析表明：NDVI和EVI提取城市植被,由于建筑和道路像元混淆在植被中,产生了错分和漏分的问题。RENVI较好地消除了阴影像元与植被像元混淆问题,能准确的提取城市植被,减少了冗余度,增加了植被指数的信息量。定量分析表明：RENVI模型较NDVI和RVI能够准确提取城市植被,3景影像总体精度分别为89%,81.4%和91.8%,Kappa系数分别为0.852 8,0.791 3和0.905 2。综上所述,该方法有效提高了城市植被提取精度,并取得了较好的提取视觉效果。     

冬小麦不同生育时期叶面积指数反演方法

针对当前作物叶面积指数遥感反演过程中,在不同生育时期采用相同的植被指数进行反演存在叶面积指数反演精度较低的问题。以冬小麦为研究对象,选取了对冬小麦覆盖度响应程度不同的六种宽带和四种窄带共10种植被指数,分析比较了在冬小麦整个生育期选用当前广泛使用的归一化植被指数(NDVI)反演冬小麦的LAI和在冬小麦不同生长阶段选用不同的植被指数反演冬小麦LAI的结果差异。在冬小麦整个生育期内使用NDVI反演小麦LAI得到的LAI反演值和真实值之间的R2=0.558 5,RMSE=0.320 9。改进的比值植被指数(mSR)适合于反演冬小麦生长前期(拔节期之前)的LAI,得到的LAI反演值和真实值之间的相关系数r=0.728 7,均方根误差RMSE=0.297 1;比值植被指数(SR)适于反演冬小麦生长中期(拔节到抽穗前),得到的LAI反演值和真实值之间的R2=0.654 6,RMSE=0.306 1;NDVI适于反演冬小麦生长后期(抽穗到成熟期)的LAI,得到的LAI反演值和真实值之间的R2=0.679 4,均方根误差RMSE=0.316 4。 研究表明：在冬小麦的不同生育时期,根据地表作物覆盖度的变化和反射率的变化,选择不同的植被指数建立冬小麦LAI的反演模型获得的反演精度均高于在冬小麦整个生育期使用NDVI获得的反演结果。说明在冬小麦的不同生育时期选择不同的植被指数构建LAI的分段反演模型可以改善冬小麦LAI的反演精度。     

基于天宫一号高光谱数据的荒漠化地区稀疏植被参量估测

为了精准地估测荒漠化地区的稀疏植被信息,选取内蒙古苏尼特右旗为研究区,以天宫一号高光谱数据为数据源,结合野外实地调查数据,通过归一化植被指数(normalized difference vegetation index, NDVI)和土壤调节植被指数(soil adjusted vegetation index, SAVI)对研究区内的植被覆盖度和生物量进行反演,并对比两种植被指数的优劣。首先,分析了每种波段组合下的植被指数与覆盖度、生物量的相关性,确定了最大相关的波段组合。覆盖度和生物量与NDVI的最大相关系数可达0.7左右,而与SAVI的最大相关系数可达0.8左右。NDVI的最佳波段组合的红光波段中心波长为630 nm,近红外波段的中心波长为910 nm,而SAVI的组合为620和920 nm。其次,分别构建了两种植被指数与覆盖度、生物量之间的线性回归模型,所建模型的R2均能达到0.5以上。SAVI所建模型R2要比NDVI略高,其中植被覆盖度的反演模型R2高达0.59。经留一交叉验证,SAVI所建模型的均方根误差RMSE也比基于NDVI的模型小。结果表明：天宫一号高光谱数据丰富的光谱信息能有效地反映地表植被的真实情况,并且SAVI比NDVI更能较为精准地估测荒漠化地区的稀疏植被信息。     

阴影植被指数SVI的构建及其在四种遥感影像中的应用效果

阴影是遥感影像中普遍存在的干扰因素,如何有效去除阴影已成为共识,寻找一个有效的阴影检测指标是实现影像阴影去除的基础工作。以Landsat TM,ALOS AVNIR-2,CBERS-02B CCD及HJ-1 CCD影像为试验数据,立足于进一步增大阴影区植被与明亮区植被、水体间的差异,实现影像阴影的有效检测,构建了一个新的植被指数——阴影植被指数SVI,该指数既可保证明亮区植被、阴影区植被、水体区在近红外波段的绝对差异,又能对NDVI进行放大,消除可能存在的混淆现象,改变NDVI直方图的“偏态”现象,使植被指数值更接近于正态分布,更符合地面实际;该指数适用于近红外波段辐射特征差异较大的地物。采用精度评估法验证SVI对明亮区植被、阴影区植被、水体区三类地物的识别效果,结果显示,四幅影像总分类精度依次高达98.89%,100%,97.78%,97.78%,总Kappa系数依次为0.983 3,1,0.966 7,0.966 7, 说明SVI对明亮区植被、阴影区植被及水体区具有极好的检测效果;对子影像、SVI与NDVI的统计指标对比亦说明,SVI可靠、有效,可以将其应用于影像阴影去除。