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。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。

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。

为了估算和监测植被覆盖，最早发展了比值植被指数（RVI）。但RVI对大气影响敏感，而且当植被覆盖不够浓密时（小于50%），它的分辨能力也很弱，只有在植被覆盖浓密的情况下效果最好。归一化差异植被指数（NDVI）对绿色植被表现敏感，它可以对农作物和半干旱地区降水量进行预测，该指数常被用来进行区域和全球的植被状态研究。对低密度植被覆盖，NDVI对于观测和照明几何非常敏感。但在农作物生长的初始季节，将过高估计植被覆盖的百分比；在农作物生长的结束季节，将产生估计低值。继之,将各波段反射率以不同形式进行组合来消除外在的影响因素，如遥感器定标、大气、观测和照明几何条件等。这些线性组合或波段比值的指数发展满足特定的遥感应用，如作物产量、森林开发、植被管理和探测等。农业植被指数（A VI）针对作物生长阶段测量绿色植被；多时相植被指数（MTVI），将两个不同日期的数值简单相减，是为了观测两个日期植被覆盖条件的变化和作物类型的分类，并用来探测由于火灾和土地流失造成的森林覆盖变化。归一化差异绿度指数（NDGI），可用来对不同活力植被形式进行检验。归一化差异指数（NDI）建立了光谱反射率和棉花作物残余物的表面覆盖率的关系，以用来对作物残余物的制图。

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，又发展了红边植被指数、导数植被指数（DVI）、温度植被指数（Ts-VI）、生理反射植被指数（PRI）。“红边”的一般定义为叶绿素吸收红边斜率的拐点。红边位置灵敏于叶绿素a、b的浓度和植被叶细胞的结构。为获取红边位置信息，Miller 等用一个倒高斯模型拟合红边斜率。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。近年来的经验研究表明：热红外辐射（如土面亮度温度）和植被指数在大尺度范围遥感应用中可提高土地覆盖的制图和监测精度。生理反射植被指数是针对高光谱遥感的特点，对植被生化特性的短期变化（如一天的植被的光合作用）进行探测。

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（Landsat MSS）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、S A VI、MSA VI、TSA V

I、ARVI、GEMI、A VI、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。

土壤亮度对植被指数有相当大的影响。许多植被指数的发展就是为了控制土壤背景的影响。土壤背景和环境反射率的空间变化与土壤结构、构造、颜色和湿度有关。由于土壤背景的作用，当植被覆盖稀疏时，红波段辐射将有很大的增加，而近红外波段辐射将减小，致使比值指数和垂直指数（PVI）都不能对植被光谱行为提供合适的描述。由此，必须发展其它新的植被指数以便更合适地描述“土壤—植被—大气”系统。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，发展了土壤亮度指数（SBI）、绿度植被指数（GVI）、黄度植被指数（YVI）等。用Landsat数据已证明SBI和GVI指数可用来评价植被和裸土的行为，GVI指数与不同植被覆盖有较大的相关性。在此基础上，又考虑到大气影响的处理，发展了调整土壤亮度指数（ASBI）和调整绿度植被指数（AGVI）。基于Landsat MSS 图像而进行主成份分析，Misra等通过计算这些指数的多项因子而又发展了Misra土壤亮度指数（MSBI）、Misra绿度植被指数（MGVI）、Misra黄度植被指数（M YVI）和Misra典范植被指数（MNSI）。为动态植被发展的裸土绿度指数（GRABS）是基于GVI和SBI发展的。绿度植被和土壤亮度指数（GVSB）在农作物识别中发挥了作用。

Kauth等利用Landsat MSS的4个光谱段作为4维空间分析了裸土的光谱变化，并注意到裸土信息变化的主要部分是由它们的亮度造成的，并提出了“土壤线”或“土壤亮度矢量”的观点。Richardson等促使了土壤背景线指数（SBL）的发展，并用来辨别土壤和植被覆盖。植被越密，植被象元离土壤线距越大。在航空和卫星遥感图像分析和解译中，土壤线的概念被广泛采用。基于土壤线理论，Jackson等发展了垂直植被指数（PVI）。相对于比值植被指数，PVI表现为受土壤亮度的影响较小。Jackson发展了基于n维光谱波段并在n维空间中计算植被指数的方法。两维空间计算的PVI、四维空间计算的植被指数及六维空间计算的植被指数是n维植被指数的特殊情况。普遍地用“n”波段计算“m”个植被指数（m≤n）。实际上，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。

NDVI和PVI在描述植被指数和土壤背景的光谱行为上存在着矛盾的一面，因此发展了土壤调整植被指数SA VI。该指数看上去似乎由N DVI和PVI组成，其创造性在于，建立了一个可适当描述土壤—植被系统的简单模型。为了减小SA VI中的裸土影响，将植被指数发展为修改型土壤调整植被指数（MSA VI）。Major等又发展了S A VI的三个新的形式：SA VI2、SA VI3和SA VI4，这些转换形式是基于理论考虑，考虑到土壤是干燥的还是湿润的，以及太阳入射角的变化等。

转换型土壤调整植被指数（TSA VI）是S A VI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。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。SA VI和TSA VI 表现出，在独立于遥感器类型的情况下，在描述植被覆盖和土壤背景方面有着