基于遥感影像的植被指数研究方法述评_罗亚

基于遥感影像的植被指数研究方法述评
罗 亚，徐建华，岳文泽 （华东师范大学地理系，地理信息科学教育部重点实验室，上海 200062）
【摘要】随着遥感技术的发展，植被指数作为用来表征地表植被覆盖和生长状况的度量参数，已经在环境、生态、农业等领域有了广泛的应用。

本文在分析植被指数形成机制及影响因子的基础上，对其具有一定技术突破的典型植被指数进行了归纳分类与比较分析，并评价了各自的优势和局限性。

植被指数按遥感数据采集的平台可以分为航空植被指数和航天植被指数两大类，其中航天植被指数又可以分为基于波段简单线性组合的植被指数、消除影响因子的植被指数和针对高光谱遥感及热红外遥感的植被指数三类。

最后就植被指数应用中存在的问题以及发展前景谈了一些看法：植被指数数目繁琐重复，急待规范条理化；植被指数应用领域不同，使用者时要慎重；植被指数影响因子很多，具体使用时应适时修正；植被指数公式繁琐阻碍其应用，应开发植被指数产品；遥感技术日新月异，积极研发新的植被指数。

关键词：遥感；植被指数；航空；航天
中图分类号：Q147 文献标识码：A 文章编号：1008-8873(2005)01-075-05 Research on vegetation indices based on the remote sensing images
LUO Ya, XU Jian-Hua, YUE Wen-Ze (Geography Information Science Open Lab of Education，Geography Department of East China Normal University，Shanghai 200062 China )
Abstract With the development of remote sensing technology, vegetation indices(VI), which is a quantitative indicator for ivegetation canopy and growth conditions, has been widely applied in the fields such as environmental, ecological and agricultural studies. Different types of VI have been developed during last thirty years to enhance vegetation and minimize the effects of the factors. This paper reviews the formation mechanism and the factors of VI such as vegetation conditions, atmosphere, soil, sensor calibration, sensor viewing conditions. The VI with technical innovation are discussed and analyzed for the advantages and limitations. In general, the vegetation indices are classified into airborne and satelliate VI according to the sensor platform. The satelliate vegettion indices consist of three sorts of VI: simple linear combination of the spectral bands, eliminating the effects of the factors and aiming at hyperspectral remote sensing technology and thermal infrared multi-spectral remote sensing technology. Several issues in VI future development are also addressed: Firstly, Standardization and classification of different types of VI are necessary. Secondly, the applied fields of various VI are different so that the choice of VI should be careful. Thirdly, Because of many factors of affecting VI, modification should be made before application in practice. Also, the complex formula of VI prevent its application. Finally, new VI should be developed based on the advance of remote sensing technology.
Key words: Remote sensing；Vegetation index；Airborne；Spaceflight
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[1]。

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[2]；在生态领域，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[3]；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。

植被指数的建立是基于植被在红色和近红外波段反差较大的光谱特征，本质上是在综合考虑各有关的光谱信号的基础上，把多波段反射率做一定的数学变换，使其在增强植被信息的同时，并使非植被信号最小化。

但影响植被指数的因子的比较多，主要属于生物领域和物理领域[4]。

生物领域是指与光学特性和植被覆盖状态相关的各种因子，而物理领域主要包括大气影响、土壤影响、遥感器影响、角度影响等[4, 5]。

为此，国内外学者提出了很多形式各异的植被指数来消除这些影响因子，但植被指数的使用比较混乱。

在此背景下，本文就具有一定技术突破的典型植被指数进行归纳分类与比较分析就显得尤为必要而富重要意义。

1 主要植被指数的类型及其计算方法
为寻求对地球上所有生物群体都适用的植被观测量，需要建立一种经验的或半经验的、强有力的模型用来反演植被的时空特征，因此各种形式的植被指数
收稿日期：2004-10-21，2005-02-20接受
基金项目：国家自然科学基金项目（40371092）资助
作者简介：罗亚（1981—），男，硕士研究生，专业方向GIS与城市遥感。

E-mail: ys03161044@
生态科学 2005年2月第24卷第1期 ECOLOGIC SCIENCE Feb., 2005, 24(1):75～79
便应势而生。

植被指数按遥感数据采集的平台可分为航空植被指数和航天植被指数两大类。

1.1航空遥感
航空遥感具有灵活机动和高空间分辨率等特点，然而由于航空遥感为低遥感平台成像，太阳高度角、飞行姿态等对地物成像的影响较卫片严重得多，同时局地气象的影响，航片摄影、冲、印等环节所造成影像还原程度的不一致，使得同一套航片中不同航片之间的色差、色彩均匀度不一致的问题普遍存在。

若直接套用已有的植被指数及信息提取方法，则会造成各种偏差，显然不适应城市绿化遥感的定量分析要求[6]。

为此，周廷刚等（2003）提出了针对城市绿化航空遥感调查新的植被指数—非线性彩红外植被指数（NCIVI ），并应用于宁波市城市绿化调查。

研究结果表明，NCIVI 对城市绿化提取效果明显优于NDVI ，正确提取率可以提高3.5%[7]。

1
)ln (111+++−+=
G R K J
G R P R K NCIVI (1)
式中：P 1和K 1可以根据植被在某一航片上R ，G 中的最大、最小值的组合求出，J 值可由R －G 散点图读出截距。

陈云浩等（2004）构造了适应航片绿化信息提取的可调节航空植被指数（ANVI ）。

ANVI 与NCIVI 形式上大同小异，它经上海的绿化信息提取实践证明，ANDVI 能够很好的适应航空遥感的特点，有效的克服外因对地物波谱反射成像的非线性扰动 [6]。

1.2 航天遥感
航天遥感植被指数相对航空遥感植被指数而言，发展比较早相对也比较成熟，按发展阶段大致可分为基于波段简单线性组合的植被指数、消除影响因子的植被指数和针对高光谱遥感及热红外遥感的植被指数三类。

1.2.1基于波段简单线性组合的植被指数 最早的比值植被指数 RED NIR RVI ρρ/=由Jordan （1969）提出[8]。

RVI 比用单波段信息监测植被更为稳定，因为 RVI 强化了植被在近红外和红外波段反射率的差异。

但当植被覆盖不够浓密时（小于50%），RVI 的分辨能力很弱；当植被覆盖越来越茂密时，由于反射的红光辐射很小，以至RVI 将无限增长。

Kauth 等（1976）基于经验的方法，在忽略大气、土壤、植被间相互作用的前提下，针对Landsat MSS 的特定遥感图像，发展了土壤亮度指数（SBI ）、绿度植被指数（GVI ）、黄度植被指数（YVI ）[9]。

Wheeler
和Misra 等（1976）基于Landsat MSS 图像而进行主
成份分析，通过计算这些指数的多项因子又发展了Misra 土壤亮度指数（MSBI ）、Misra 绿度植被指数（MGVI ）、Misra 黄度植被指数（MYVI ）和Misra 典范植被指数（MNSI ）[10]。

总之，这一类植被指数大都是基于波段的简单线性组合或原始波段的比值，由经验方法发展而来，没有考虑大气、土壤等因子的综合影响，由于针对特定的遥感器并为特定目的而设计，所以应用也有严重的限制性。

1.2.2消除影响因子的植被指数 针对波段简单线性组合的植被指数的局限性，后来又发展了许许多多消除影响因子的植被指数，归纳起来大致可以按土壤、大气及综合影响因子三个方向进一步划分。

①消除土壤影响
为了消除土壤的影响，很多人在这方面做了工作。

比较早的是Kauth and Thomas （1976）[9]，基于土壤线理论，发展了垂直植被指数（PVI ），相对于RVI ，PVI 表现为受土壤亮度的影响较小。

后来Jackson （1983）又拓宽了PVI 基于ｎ维光谱波段并在ｎ维空间中计算植被指数的方法，普遍地用“ｎ”波段计算“ｍ”个植被指数（ｍ≤ｎ） [11]。

但事实上，相对于仅用红波段和红外波段的方法，通道数一味增加，常常并不能对植被指数有多大的贡献。

1/)(2+−−=a b aR NIR PVI (2)
)1(L L
SAVI r n r
n +++−=ρρρρ (3)
a 为土壤线的斜率，
b 为土壤线的截距，L 为土壤亮度指数。

为减少土壤和植被冠层背景的双层干扰，Huete （1988年）提出了土壤调节植被指数（SA VI ） [12]，该指数该指数看上去似乎由NDVI 和PVI 组成，其创造性在于，引入了土壤亮度指数L ，建立了一个可适当描述土壤——植被系统的简单模型。

L 的取值取决于植被的密度，Huete 建议L 的最佳值为0.5，也可以在0（黑色土壤）～1（白色土壤）之间变化[12~13]。

试验证明，SA VI 降低了土壤背景的影响，但可能丢失部分背景信息，导致植被指数偏低。

为减小SA VI 中裸土影响，Qi （1994）提出了修正的土壤调节植被指数（MSA VI ）[14]。

它与SA VI 最大区别是L 值可以随植被密度而自动调节，较好消除了土壤背景对植被指数影响。

2/))(8)12(12(2r n n n MSAVI ρρρρ−−+−+= (4)
76 生 态 科 学 24 卷
基于土壤线的理论，Baret 等（1989）对SA VI 进行转换发展了转换型土壤调整植被指数(TSA VI)[15]。

由于考虑了裸土土壤线，TSA VI 比NDVI 对于低植被覆盖有更好的指示作用，适用于半干旱地区的土地利用图。

后来Baret 和Guyot （1991）对TSA VI 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，发展了ATSA VI 。

)/()]([ab aNIR R B aR NIR a TSAVI −+−−= （5）
)]1(/[)]([2a X ab aNIR R B aR NIR a ATSAVI ++−+−−= （6）
ATSA VI 和TSA VI 是对SA VI 的改进，着眼于土
壤线实际的a 和b ，而不是假设为1和0。

后来Major 等（1990）发现冠层近红外反射可以被表示为红光发射的线性函数，给出了SA VI 的第二种形式，即SA VI 2＝NIR/（R+b/a ），并依据土壤干湿强度及太阳入射角的变化等，给出了SA VI 的其它形式（SA VI 3、SA VI 4）等[16]。

②消除大气影响 Kanfman 和Tanre （1992）根据大气对红光通道的影响比近红外通道大得多的特点，在定义NDVI 时通过蓝光和红光通道的辐射差别修正红光通道的辐射值，类似于热红外波段的劈窗技术（the split window technique ），发展了抗大气植被指数（ARVI ）[17]。

研究表明，ARVI 对大气的敏感性比NDVI 约减小4倍。

γ是决定ARVI 对大气调节程度的关键参数，并取决于气溶胶的类型。

Kanfman 推荐的γ为常数1仅能消除某些尺寸气溶胶的影响，有很大的局限性；且ARVI 进行预处理时需要输入的大气实况参数往往是难以得到的，给应用带来困难。

)/()(****rb n rb n ARVI ρρρρ+−= (7)
)*
**(ττρργρρ−−=b rb (8)
式中ρ*
是预先经过了分子散射和臭氧订正的反射率,γ为大气调节参数。

为此张仁华等（1996）在ARVI 的基础上，运用大气下向光谱的同步观测实例值以及大气辐射传输方程，
得到纠正NDVI 的关键参数γ，使γ值可从0.65～1.21
之间变化，同时也不必采用辐射传输模型进行预处理，
得到新的抗大气影响植被指数(IA VI)。

根据实际观测研
究表明，大气对IA VI 影响误差为0.4%～3.7%，比NDVI
的14%～31%有明显的减小[18]。

Pinty 等（1992）对A VHRR 数据进行了自纠正处理，
提出了全球环境监测植被指数（GEMI ）。

GEMI 不用
改变植被信息而可以减小大气影响，能很好地分离云
和陆地表面，并保存了比NDVI 指数相对低密度至浓密
度覆盖更大的动态范围。

但GEMI 受到裸土的亮度和
颜色相当大的影响，对于稀疏或中密度植被覆盖不太
适用，而且很难区分水生植被与陆地表面，动态分辩率也比较低[19]。

)1/()125.0()25.01(R R GEMI −−−−=ηη （9）
)5.0/(]5.05.1)(2[22
++++−=R NIR R NIR R NIR η (10)
③消除综合影响因子
归一化差值植被指数NDVI 由Rouse 等 （1973）[20]在对RVI 非线性归一化处理后得到的植被指数。

NDVI 增强了对植被的响应能力，是目前应用最广的植被指数。

但许多研究也表明，NDVI 也受到定标和仪器特性、云和云影、大气、双向反射率、土壤及叶冠背景、高生物量区饱和等因素影响，使其应用受到限制[1]。

后来其他学者对NDVI 进行修正又发展了其它的植被指数，如转换型植被指数TNDVI （Deering 等，1975）[21]，再归一化植被指数RNDVI （ Roujean 和Breon ，1995）[22]、GNDVI （Gitelson 等，1996） [23]。

)/()(R NIR R NIR NDVI ρρρρ−−= (11) 基于土壤和大气的影响是相互作用的事实，Liu and Huete （1995）[24]引入一个反馈项来同时对二者进行订正，这就是改进型土壤大气修正植被指数EVI 。

它利用背景调节参数Ｌ和大气修正参数Ｃ1、Ｃ2同时减少背景和大气的作用。

)1(21L L
C C EVI b r n r
n ++−+−=
ρρρρρ （12）
唐世浩（2003）提出了一种三波段梯度差植被指数（TGDVI ）。

TGDVI 具有一定的消除背景和薄云影响的能力，同时该植被指数还解决了NDVI 饱和点低
的问题。

但TGDVI 在计算植被覆盖度时没有考虑植
被、土壤面积比随波长的变化情况，与实际情况存在差异。

此外，TGDVI 用到三个波段的信息，而且没有
经过比值处理，波段噪声的影响会较大[25]。

g
r g r r ir r
ir R R R R TGDVI λλλλ−−−−−= （13） 总之，此类植被指数大都基于物理知识，将大气、
植被覆盖和土壤背景的影响结合在一起考虑，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。

1.2.3针对高光谱遥感及热红外遥感的植被指数 传统的宽波段遥感数据（如MSS 、TM ）研究植被是由
于波段数少、光谱分辨率低，并且利用其计算出的植
被指数也基本都是基于不连续的红光和近红外波段，所能反演的信息量少[26]。

近年来，随着高光谱分辨率遥感的发展以及热红外遥感技术的应用，又发展了一1期 罗 亚，等：基于遥感影像的植被指数研究方法述评 77
些新的植被指数，比如基于高光谱遥感的植被指数、基于热红外遥感的植被指数和基于两个或三个离散波段的植被指数等。

基于高光谱遥感的植被指数中比较典型的是红边植被指数和倒数植被指数。

红边植被指数是基于红边（680～750nm ）的光谱特征发展的。

在红边研究中，主要采用红边斜率和红边位置来描述红边的特性。

红边斜率主要与植被覆盖度或叶面积指数有关，覆盖度越高越大，红边斜率就越大。

红边位置则灵敏于叶绿素ａ、ｂ的浓度和植被叶细胞的结构。

因此通过对红边特性的研究，就可以对植被的生长状态进行监测[27]。

红边的位置和斜率可以利用高光谱遥感数据通过由Guyot 和Beret 在1988年提出的一种算法来近似得出。

Mille （1990）用一个倒高斯模型拟合红边斜率，也可以获取红边位置信息[28]。

导数植被指数由于它能压缩背景噪音对目标信号的影响或不理想的低频信号，被应用在目前的高光谱遥感研究中，尤其是在利用高光谱遥感提取植被化学成份信息方面得到成功的应用。

Demetriades-Shah et al.（1990）对高光谱遥感中导数的求解方法进行了综述，并指出DVI 不但能消除大气效应的影响还能从根本上消除土壤的影响[29]。

基于热红外遥感的植被指数本质上是把热红外辐射(如地面亮度温度)和植被指数结合起来进行大尺度范围的遥感应用。

江东等（2001）构建了水分指数NDVI ／Ts ，分析了它与农作物产量的相关关系[30]。

陈云浩等（2003）进行地表植被动态变化的监测研究发现Ts ／NDVI 表达信息最丰富，不但能有效减少低植被覆盖地区的土壤背景的影响，而且利用Ts 信息可以改善NDVI 在高植被覆盖地区易于饱和的缺点[31]。

王鹏新（2001）提出了条件植被温度指数VTCI ，研究一特定年内某一时期整个区域相对干旱的程度及其变化规律 [32]。

基于两个或三个离散波段的植被指数以生理反射植被指数PRI 和叶绿素吸收比值指数CARI 为代表。

PRI 是由Gamon et al. （1992）在对向日葵生化特性的短期变化(如一天的植被的光合作用)探测基础上提出的，当时名称为physiological reflectance index （PRI ），并认为PRI 与净光合作用有关[33]。

后来Peñuelas 等（1995）把它推广到其它应用领域，对其进行了修正，并改名为photochemical reflectanceindex ，至今一直在沿用 [34]。

)/()(570531570531R R R R PRI −−= (14) Kim 和Daughtry 等（1994）研究发现对于叶片而
言，即使叶绿素含量有差异，其550 nm 和700 nm 的发射率之比也是恒定的，基于此关系和叶绿素在670 nm 的吸收，提出了叶绿素吸收比值指数CARI [35]。

)/()
1(6706707005
.02670R R a b
R a CARI ×+++×= (15) a 和b 可以由550 nm 和700 nm 的反射率组合得出。

2 植被指数研究的问题与展望
（1）植被指数数目繁琐重复，急待规范条理化。

目前形式各异的植被指数数目看似百花争鸣，事实上有些只是对以前植被指数变相的重复，虽然针对特定应用对象或使用特定的数据计算结果稍好一点，但并不能作为植被指数做进一步推广。

所以，植被指数急需设立统一的标准法则，进行有条件的筛选或剔除，使植被指数做到精而使用。

（2）植被指数应用领域各异，使用时要慎重。

植被指数应用领域很广，不同的植被指数在不同的领域应用效果显然是不一样的，所以在实际应用中，使用者对植被指数的取舍要相当慎重，决不能生搬硬套。

（3）植被指数影响因子很多，具体使用时应适时修正。

由于植被光谱受到植被本身、环境条件、大气状况等多种因素的影响，因此植被指数往往具有明显的地域性和时效性，所以使用者具体使用时应因地适宜的选用和修正，尤其要注意建立植被指数与具体应用对象的数学模型，以实现植被指数能客观地反演应用对象的特征。

（4）植被指数公式繁琐阻碍其应用，应开发植被指数产品。

植被指数公式很多比较复杂繁琐，导致使用者消耗了很多无谓的精力在推算过程上，严重阻碍了植被指数的应用。

因此，为提高使用者的工作效率和促进植被指数统一规范化，相应的专业人员或公司应开发针对使用的者不同应用需求的植被指数产品。

（5）遥感技术日新月异，积极研发新的植被指数。

随着遥感技术的进步，比如高光谱遥感技术及热红外遥感技术的发展，必将进一步拓宽植被指数的研究领域，虽然目前植被指数数目也很多，但针对出现的新技术，传统的植被指数应用必将受到限制，所以研究人员应适时研发新的植被指数，将有助于遥感的发展。

参考文献
[1] 郭 铌. 2003. 植被指数及其研究进展[J]. 干旱气象，
21(4)
：71-75. [2] 高志强，刘纪远. 2000. 基于遥感和GIS 的中国植被指数78 生 态 科 学 24 卷
变化的驱动因子分析及模型研究[J]. 气候与环境研究，
5(2)：155-164.
[3] 赵士洞，罗天祥. 1998. 区域尺度陆地生态系统生物生产
力研究方法[J]. 资源科学，20(1)：23-34.
[4] Gamon J A，Peñuelas J and Field C B. 1992. A narrow-wave-
band spectral index that tracks diurnal changes in photosyn-
thetic efficiency[J], Remote Sens. Environ,41:35–44.
[5] 田庆久，闵祥军. 1998. 植被指数研究进展[J]. 地球科学
进展，13(4)：327-333.
[6] 陈云浩，李晓兵，李京，等. 2004. 面向航空遥感应用
的可调节植被指数研究[J]. 中国矿业大学学报，33(4)：
438-442.
[7] 周廷刚，郭达志，陶康华. 2003. NCIVI及其在城市绿化航
空遥感调查中的应用—以宁波市为例[J]. 城市环境与城
市生态，16(1)：25-27.
[8] Jordan C F. 1969. Derivation of leaf area index from quality
of light on the foresr floor[J]. Ecology,50:663-666.
[9] Kauth R J, Thomas G S. 1976. The tasseled cap-a graphic
description of the spectral-temporal development of agriculture crops as seen by Landsat[A] . Pros Symposium
on Machine Processing of Remotely Sensed Data[C].
Purdure University, West Lafayette, Indiana：41-51.
[10] Wheeler S G, and Misra P N. 1976. Linear dimensionality of
landsat agricultural data with implications for classifications[A].Pros Symposium on Machine Processing
of Remotely Sensed Data[C]. West Lafayette, Indiana.
Laboratory for the Applications of Remote Sensing.
[11] Jackson, R D, Slater P N , and Pinter P J. 1983.
Discrimination of growth and water stress in wheat by
various vegetation indices through clear and turbid
atmospheres[J]. Remote Sens. Environ,13:187-208.
[12] Huete A R. 1988. A soil-adjusted vegetation index (SA VI) [J].
Remote Sens. Environ,25: 295-309.
[13] Elvidge C D, and Z Chen. 1995. Comparison of broad-band
and narrow-band red and near-infrared vegetation indices[J].
Remote Sens. Environ, 54: 38-48.
[14] Qi J A. 1994. Modified soil adjusted vegetation index[J].
Remote Sens. Environ,48: 119-126.
[15] Baret F, Guyot G, Major D J. 1989. TSA VI: A vegetation
index which minimize soil brightness effects on LAI and
APAR estimation[A]. Proceedings of the 12th Canadian
Symposium on Remote sensing and IGARSS'89[C],
Vancouver, Canada, 3:1355-1358.
[16] Major D J, Baret F, and Guyot G. 1990. A ratio vegetation
index adjusted for soil brightness[J].Int. J. Remote Sens ,
11: 727-740.
[17] Kaufman Y J. and Tanré D . 1992．Atmospherically resistant
vegetation index (ARVI) for EOS-MODIS[J]. IEEE Trans.
on Geosci. and Remote Sensin, 30(2): 261-270.
[18] 张仁华，饶农新，廖国男. 1996. 植被指数的抗大气影响
探讨[J]. 植物学报，38(1)：53-62
[19] Pinty B, and Verstraete M M. 1992．GEMI: A Non-Linear
Index to Monitor Global Vegetation from Satellites[J].
Vegetation,101: 15-20.
[20] Rouse J W, Haas R H, Schell J A, and Deering D W. 1974.
Monitoring vegetation systems in the Great Plains with
ERTS[A]. Proceedings of Third Earth Resources Technology
Satellite-1 Symposium[C], Greenbelt: NASA SP-351：
310-317.
[21] Deering D W, Rouse J W, Haas R H, and Schell J A. 1975.
Measuring forage production of grazing units from Landsat
MSS data[A].Proceedings of Tenth International Symposium
on Remote Sensing of Environment[C], Ann Arbor, ERIM,
2: 1169-1178.
[22] Roujean J L, and Breon F M. 1995. Estimating PAR
absorbed by vegetation from bidirectional reflectance
measurements[J]. Remote Sens. Environ, 51: 375-384.
[23] Gitelson A, Kaufman Y J, and Merzlyak M N. 1996. Use of
a green channel in remote sensing of global vegetation from
EOS-MODIS[J]. Remote sens. Environ. , 58(3): 289-298. [24] Liu H Q, Huete A R. 1995. A feedback based modification
of the NDVI to minimize canopy background and
atmosphere noise[J]. IEEE Trans Geosci Remote Sensing ,
33:457-465.
[25] 唐世浩，朱启疆，王锦地. 2003. 三波段梯度差植被指数
的理论基础及其应用[J]. 中国科学（D辑），33(11)：
1094-1102.
[26] George Alan Blackburn. 1998．Auantifying Chlorophylls and
Caroteniods at Leaf and Capopy Scales: An Evaluation of
Some Hyperspevtral Approaches[J]. Remote Sen.
Enviroment , 66: 273-285.
[27] 杨吉龙，李家存，杨德明. 2001. 高光谱分辨率遥感在植
被监测中的应用综述[J]. 世界地质，20(3): 307-312.
[28] Miller J R. 1990. Quantitative characterizition of the
vegetation red edge reflectance: An inverted-Gaussian
reflectance model[J]. International Journal of Remote
Sensing, 11 (10): 1755-1733.
[29] Demetriades-Shah T H., Steven M D, and Clark J A. 1990.
High resolution derivative spectra in remote sensing. Remote
Sens. Enviro, 33: 55-64.
[30] 江东，王乃斌，杨小唤，刘红辉．2001. 植被指数—地
面温度特征空间的生态学内涵及其应用[J]. 地理科学进
展, 20(2): 146-152.
[31] 陈云浩，李晓兵，史培军，等. 2003. 中国北方草地与农
牧交错带植被的NDVI-Ts空间的年内变化特征[J]. 植物
学报，45(10): 1139-1145.
[32] 王鹏新，龚健雅，李小文. 2001. 条件植被温度指数及其
在干旱监测中的应用[J]．武汉大学学报信息科学版，
26(5): 412-417.
[33] Gamon J A, Peñuelas J, and Field C B. 1992. A narrow-wa-
veband spectral index that tracks diurnal changes in photo-
synthetic efficiency[J]. Remote Sens. Environ,41: 35-44. [34] Peñuelas J, Filella I, and Gamon J A. 1995. Assessment of
photosynthetic radiation-use efficiency with spectral reflectance[J]. New Phytol, 131: 291-296.
[35] Kim M S , Daughtry C S T , Chappelle E W and McMurtrey
J E. 1994. The use of High Spectral Resolution Bands for
Estimating Absorbed Photosynthetically Active Radiation
(APAR) [A]. 6th Symp. On Physical Measurements and
Signatures in Remote sensing[C], Val D’Isere, France:
299-306.
1期罗亚，等：基于遥感影像的植被指数研究方法述评79。