植被指数

许多研究城市/郊区问题的专家对监测城市建筑面积的空间分布和扩 展较感兴趣，这些数据可用于预测流域径流和进行其他方面的规划。
第四章 遥感数字图像增强处理
常用的红外(IR)与红(R)波段
传感器 Landsat TM Landsat MSS SPOT XS NOAA AVHRR
IR波段 4 7 3 2
R波段 3 5 2 1
Huete和Liu，1994 Running等，1994 Huete等，1997 Huete和Justice， 1994 Huete等，2002
部分遥感植被指数（ 部分遥感植被指数（续）
植被指数
新型植被指数 （NVI） 不受气溶胶影响的植 被指数（AFRI）
NVI =
方程
ρ 777 − ρ 747 ρ 673 ρ nir − 0.66 ρ 1.6 µm AFRI 1.6 µm = ρ nir + 0.66 ρ 1.6 µm ρ nir − 0.5 ρ 2.1µm AFRI 2.1µm = ρ nir + 0.5 ρ 2.1µm
参考文献
LWCI
[
ft
]

Hunt等，1987
中红外指数 土壤调整植被指数 （SAVI）和修正的 SAVI指数（MSAVI） 大气阻抗植被指数 （ARVI） 土壤和大气阻抗植被 指数（SARVI） 增强型植被指数 （EVI）
wk.baidu.comMidIR =
MidIR TM 5 MidIR TM 7
Musick和Pelletier,1988 Huete，1988 Huete和Liu，1994 Running等，1994 Qi等，1995 Kaufman和Tanre,1992 Huete和Liu，1994
GARSS
= G − 0 . 09178 B + 5 . 58959
MSI =
MidIR NIR
TM 5
TM 4
部分遥感植被指数（ 部分遥感植被指数（续）
植被指数
叶片相对含水量指数 （LWCI）
方程
− log 1− NIRTM 4 − MidIR TM 5 ft = − log 1− NIRTM 4 − MidIR TM 5
SAVI =
(1 + L )( ρ nir − ρ red ) ( ρ nir + ρ red ) + L
∗ ∗ ( ρ nir − ρ rb ) ARVI = ∗ ( ρ nir + ρ rb ) ∗ ∗ ( ρ nir − ρ rb ) ARVI = ∗ ∗ ( ρ nir + ρ rb + L ) ∗ ∗ ( ρ nir − ρ reb ) EVI = G (1 + L ) ∗ ∗ ∗ ( ρ nir + C 1 ρ reb − C 2 ρ blue + L )
第二节 植被指数
植被指数（植被变换） 植被指数（植被变换）
• 自20世纪60年代以来，科学家已经利用遥感数据提取和模拟 了各种生物物理变量。 • 植被指数：无量纲的辐射测度来反映绿色植被的相对丰度及 其活动，其中包括叶面指数（LAI）、绿色覆盖百分比、叶绿 色含量、绿色生物量等。植被指数应该：
1、对植物生物物理参数尽可能敏感，最好呈线性响应，这使其可以在 大范围的植被条件下使用，并且方便对指数验证和定标； 2、归一化模拟外部效应如太阳角、观测角和大气，以便能够进行空间 和时间上的比较； 3、归一化内部效应如冠层背景变化，包括地形（坡度和坡向）、土壤 的差别，以及衰老或木质化（不进行光合作用的冠层组份）植被的差 异； 4、能和一些特定的可测度的生物物理参数，例如生物量LAI或者APAR 进行耦合，作为验证和质量控制部分；
4) 正交植被指数(Perpendicular Vegetation Index，PVI) 对于NOAA卫星的AVHRR：PVI = 1.6225(IR) – 2.2978(R) + 11.0656 对于Landsat：PVI = 0.939(IR) – 0.344(R) + 0.09
5)归一化建筑物指数（Normalized Difference Built-upIndex，NDBI）
植被指数 • 植被指数有很多，下表列举了应用最广泛的 一些植被指数。很多的植被指数都用到与健 康绿色植被有关的红光和近红外的反射率之 间的反比关系
根据地物光谱反射率的差异作比值运算可以突出图像中植被的特征、 提取植被类别或估算绿色生物量，通常把能够提取植被的算法称为植被 指数(Vegetation Index，VI)。 绿色植物叶子的细胞结构在近红外具有高反射，其叶绿素在红光波 段具有强吸收。因此在多光谱图像中，用红外／红波段图像做比值运算， 在比值图像上植被区域具有高亮度值，甚至在绿色生物量很高时达到饱 和，从而可以提取植被信息。
参考文献
Gupta等，2001
Karnieli等，2001
三角植被指数（TVI） 简化的简单比值植被 指数（RSR） 可见光大气阻抗植被 指数（VARI）
TVI = 0.5 120(ρ nir −ρ green) − 200(ρred − ρ green) Broge和Leblance,2000
[
]
部分遥感植被指数
植被指数
简单比值指数（SR） 归一化植被指数 （NDVI）
SR =
方程
参考文献
Birth和McVey，1968 Colombo等，2003 Rouse等，1974 Deering等，1975 Huete等，2002
ρ ρ
red nir
NDVI =
ρ −ρ ρ +ρ
nir nir
red red
ρnir ρ swir− ρ swir min 1 − RSR = ρ ρred swir max + ρ swir min
VARIgreen =
Chen等，2002
ρ green− ρ red ρ green + ρred − ρblue
Gitelson等，2002
归一化建筑物指数 （NDBI）
VI Function NDVI Function
植被指数（ ） 植被指数（VI）计算
TM 4 − TM 3 VI = TM 4 + TM 3
If TM4+TM3==0，VI==0
归一化植被指数（ 归一化植被指数（NDVI）处理算法 ）
VI − VIMin NDVI = * 255 VIMax − VIMin
NDVI 结果
NDVI 取值范围 0~255； 值大图像亮， 植被覆盖好。
NDBI =
MidIR 5 − NIRTM 4 TM MidIR 5 + NIRTM 4 TM
Zha等，2003
Built − uparea = NDBI − NDVI
第四章 遥感数字图像增强处理
3) 差值植被指数(Difference Vegetation Index，DVI) DVI = IR - R
II =
NIR NIR
TM 4 TM 4
− MidIR + MidIR
TM 5 TM 5
Hardisky等，1983 Richardson和 Wiegand，1977 Hay等，1979 Rock 等，1986
PVI = (0.355MSS 4 − 0.149 MSS 2) 2 + (0.355MSS 4 − 0.852 MSS 2) 2
植被指数的应用极为广泛，例如：利用植被指数可监测某一区域农 作物长势，在此基础上建立农作物估产模型从而进行大面积的农作物 估产。 植被指数运算不仅仅用于植被分析，还广泛应用于其他地物信息的 提取。在地质探测中，地质学家常用TM的某种组合解译矿石类型。
ERDAS NDVI计算流程 计算流程
NDVI 算 法 Modeler
K-T K-T变换（缨帽变换） Landsat MSS 亮度 绿度 黄度 其他
Kauth Thomas,1976 Kauth和Thomas,1976 Kauth等,1979
B=0.332MSS1+0.603MSS2+0.675MSS3+0.262MSS4 G=-0.283MSS1-0.660MSS2+0.577MSS3+0.388MSS4 Y=-0.899MSS1+0.428MSS2+0.076MSS3-0.041MSS4 N=-0.016MSS1+0.131MSS2-0.452MSS3+0.882MSS4
部分遥感植被指数（ 部分遥感植被指数（续）
植被指数
Mapper（TM） Landsat Thematic Mapper（TM） 亮度 绿度 湿度 红外指数（II） 正交植被指数（PVI） 裸土绿度指数 （GRASS） 水分胁迫指数（MSI）
方程
参考文献
Grist和Kauth等,1986
B=0.2909TM1+0.2493TM2+0.4806TM3+0.5568TM4+0.4 Lunetta等，2002 438TM5+0.1706TM7 Price等，2002 G=-0.2728TM1-0.2174TM20.5508TM3+0.7221TM4+0.0733TM5-0.1648TM7 W=0.1446TM1+0.1761TM2+0.3322TM3+0.3396TM40.6210TM5-0.4186TM7