实验七 植被指数提取与分析
植被指数总结资料
1生物量生物量：指某一时刻单位面积内实存生活的有机物质（干重）北京地区森林植被：北京地区森林植被生物量遥感反演及时空动态格局分析_张慧芳呼伦贝尔草地：基于环境减灾卫星遥感数据的呼伦贝尔草地地上生物量反演研究_陈鹏飞延庆县森林：基于SPOT5的延庆县森林生物量研究_韩冬花芦苇：基于光谱特征信息的芦苇生物量反演研究_陈爱莲根据实地测量的芦苇反射光谱数据,建立该区域芦苇的光谱数据库,提取芦苇光谱维特征参数;并以光谱维特征为依据选取卫星数据,分析卫星数据与实测芦苇光谱特征的相关性,进而应用光谱角角度匹配!光谱特征拟合!二进制编码等三种光谱匹配技术,研究卫星数据光谱与实测芦苇光谱的匹配度,提取影像的芦苇像元,作为大面积自动估算芦苇生物量的基础"水稻：1.微波遥感水稻种植面积提取_生物量反演与稻田甲烷排放模拟_张远2.水稻高光谱特征及其生物理化参数模拟与博士估测模型研究_唐延林辽东湾翅碱蓬：辽东湾双台子河口湿地翅碱蓬生物量遥感反演研究_吴涛.cajSAVI和MSAVI与LAI的关系取样框内样方所在经度、纬度及高程、样方内水深、植株高度、盖度等。
同步采集植被冠层光谱叶面积指数。
对样方内植株个体先称干重在称量湿重。
现场光谱测定与处理：使用光谱仪为ISI921VF-256便携式地物光谱辐射计采集现场光谱值。
卫星遥感和TM数据和CCD数据。
小麦：冬小麦花期生理形态指标与卫星遥感光谱特征的相关性分析_李卫国.pdf 2 叶绿素玉米：1.不同氮处理春玉米叶片光谱反射率与叶片全氮和叶绿素含量的相关研究_王磊.pdf2.基于小波分析的玉米叶绿素a与LAI高光谱反演模型研究_宋开山.pdf3.受污染胁迫玉米叶绿素含量微小变化的高光谱反演模型_王平.pdf4.夏玉米叶片全氮_叶绿素及叶面积指数的光谱响应研究_谭昌伟.pdf5.利用遥感红边参数估算夏玉米农学参数的可行性分析_谭昌伟.caj大豆：1.大豆叶绿素含量高光谱反演模型研究_宋开山.pdf2．大豆叶片水平叶绿素含量的高光谱反射率反演模型研究_陈婉婧.pdf(红边位置与植物叶片的相关性在红边参数中相关性最好，红边斜率主要与lai相关) 3．基于多角度成像数据的大豆冠层叶绿素密度反演_张东彦.pdf 4．基于小波分析的大豆叶绿素a含量高光谱反演模型_宋开山.pdf5．小波分析在大豆叶绿素含量高光谱反演中的应用_宋开山.pdf森林：1.基于Hyperion数据的森林叶绿素含量反演_杨曦光.pdf2.基于PROSPECT_SAIL模型的森林冠层叶绿素含量反演_杨曦光.pdf3.基于叶片光谱的森林叶绿素浓度反演研究_焦全军.pdf4．森林叶片叶绿素含量反演的比较与分析_佃袁勇.caj水稻：1.水稻叶片不同光谱形式反演叶绿素含量的对比分析研究_陈君颖.pdf2.水稻叶片叶绿素含量的光谱反演研究_陈君颖.caj3.水稻叶片叶绿素含量与吸收光谱变量的相关性研究_刘子恒.pdf4.水稻高光谱特征及其生物理化参数模拟与博士估测模型研究_唐延林.caj5.利用高光谱参数预测水稻氮素状况_色素含量和籽粒蛋白含量的研究_孙雪梅.caj6.水稻高光谱特征及其生物理化参数模拟与博士估测模型研究_唐延林.caj小麦：1.基于ACRM模型不同时期冬小麦LAI和叶绿素反演研究_李宗南.caj2.基于BP和GRNN神经网络的冬小麦冠层叶绿素高光谱反演建模研究_孙焱鑫.pdf3.基于BP和GRNN神经网络的冬小麦冠层叶绿素高光谱反演建模研究_孙焱鑫.pdf4.基于SVR算法的小麦冠层叶绿素含量高光谱反演_梁亮 (1).caj5.基于高光谱数据的小麦叶绿素含量反演_赵祥.caj6.基于高光谱数据的小麦叶绿素含量反演_赵祥.caj7.用多角度光谱信息反演冬小麦叶绿素含量垂直分布_赵春江.pdf8.冬小麦花期生理形态指标与卫星遥感光谱特征的相关性分析_李卫国.pdf丁香：丁香叶片叶绿素含量偏振高光谱数学模型反演研究_韩阳.pdf棉花：基于棉花红边参数的叶绿素密度及叶面积指数的估算_黄春燕.pdf苜蓿：基于因子分析的苜蓿叶片叶绿素高光谱反演研究_肖艳芳.pdf法国梧桐：基于主成分分析和BP神经网络的法国梧桐叶绿素含量高光谱反演研究_姚付启.pdf湿地小叶章：湿地小叶章叶绿素含量的高光谱遥感估算模型_李凤秀.pdf行道树：行道树叶绿素变化的高光谱神经网络模型_刘殿伟.pdf落叶松：用高光谱数据反演健康与病害落叶松_省略__和龙两市落叶松冠层采样测量数据_石韧.pdf毛竹林：毛竹林冠层参数动态变化及高光谱遥感反演研究_陆国富.caj阔叶红松林：阔叶红松林3个主要树种垂直结构上的光合光谱研究_方晓雨.caj3叶面积叶面积指数：（leaf area index）又叫叶面积系数，是指单位土地面积上植物叶片总面积占土地面积的倍数。
植被检测实验报告
摘要：本实验旨在通过实地调查和遥感技术相结合的方法，对某地区的植被类型、覆盖度和生长状况进行检测和分析。
实验采用样方法进行实地调查，并结合遥感图像处理技术对植被覆盖度进行估算。
通过对实验数据的分析，得出该地区植被类型丰富，覆盖度较高，生长状况良好的结论，并对植被与人类活动的关系进行了探讨。
关键词：植被检测；样方法；遥感技术；植被覆盖度；生长状况一、引言植被是地球上重要的自然生态系统，对维持地球生态平衡、调节气候、保护土壤、提供生物多样性等方面具有重要作用。
准确了解植被的类型、覆盖度和生长状况，对于生态保护和资源管理具有重要意义。
本实验通过实地调查和遥感技术相结合的方法，对某地区的植被进行检测和分析。
二、实验材料与方法1. 实验地点与时间：实验地点位于我国某地区，时间为2021年8月。
2. 实验材料：（1）实地调查工具：GPS定位仪、数码相机、卷尺、样方框等；（2）遥感数据：某地区2021年7月Landsat 8遥感影像。
3. 实验方法：（1）实地调查：采用样方法进行实地调查，设置100个样方，每个样方面积为10m×10m。
在样方内，记录植被类型、覆盖度和生长状况等数据。
（2）遥感数据处理：利用遥感图像处理软件对Landsat 8遥感影像进行预处理，包括辐射校正、几何校正等。
然后，采用监督分类方法对遥感影像进行植被分类，得到植被覆盖度图。
三、实验结果与分析1. 植被类型：通过实地调查和遥感分类，共识别出6种植被类型，分别为乔木、灌木、草本、水生植物、农作物和裸地。
2. 植被覆盖度：根据实地调查和遥感估算，该地区植被覆盖度为85%，其中乔木覆盖度为45%，灌木覆盖度为20%，草本覆盖度为20%。
3. 植被生长状况：通过对植被生长状况的观察和数据分析，得出以下结论：（1）乔木生长状况良好，树冠茂密，树干粗壮；（2）灌木生长状况一般，部分灌木生长不良，存在病虫害现象；（3）草本生长状况较好，种类丰富，分布均匀；（4）农作物生长状况良好，长势旺盛。
植被指数在面向对象的森林植被提取中的应用
范围的反射率来增强植被特征ꎬ如植被指数的计算ꎮ
则ꎬ然后将实验区的分类规则应用到整个图像中ꎮ
植被指数是两个或多个波长范围内的地物反射率的
组合运算ꎬ以增强植被某一特性或者细节ꎮ 目前ꎬ在
２. １ 面向对象信息处理技术
面向对象信息处理中ꎬ处理单元不再是基于像
科学文献中发布了超过 １５０ 种植被指数模型ꎬ这些
并ꎮ 影像分割完毕后ꎬ初始影像由众多大小不一的
归一化植被指数是可见光红波段反射强度值和
多边形区域构成ꎬ各多边形实体都有相应的属性特
近红外波段反射强度值之差与两者之和的比值ꎬ用
征ꎮ 多边形实体中不仅有像素的光谱信息ꎬ还拥有
来增强在近红外波段范围绿叶的散射与红色波段范
形状信息、空间信息和纹理信息ꎮ 后续影像的分析、
光) 强吸收ꎬ在大于 ７００ ｎｍ( 近红外) 高反射ꎮ 很多
云、水、雪等ꎬ对可见光反射高ꎻ０ 表示有岩石或者土
在 ０ ２ ~ ０ ８ꎮ
因素影响植被对太阳辐射的吸收和反射ꎬ包括波长、
选取一部分区域作为实验区ꎬ获取训练样本ꎬ构
含水量、色素、养分、碳等ꎮ 因此ꎬ可以结合不同波长
建分类规则ꎬ包括对象分割和合并阈值、对象提取规
> １０ ｇꎬ但可溶性固形物( < ２０％) 和风味均逊于其
他绿果肉品种ꎻ‘ 库库瓦’ 、‘ 日内瓦’ 连续丰产性最
好ꎬ其中‘ 库库瓦’ 的成熟期最晚ꎬ‘ 日内瓦’ 成熟早
且挂果时间长ꎻ各品种间在植物学形态上存在一定
差异ꎬ叶柄颜色与果皮颜色相近ꎻ６ 个品种在抗逆性
存在一定的差异ꎮ 因此ꎬ在不同地区ꎬ可根据园地实
日内瓦
卵形
红
偏斜
绿色
极丰产
罗高
植被指数及其应用.
Baret和Guyot（1991）提出植被指数应该依特殊 的土壤线特征来校正，以避免其在低LAI值时出现的 错误。为此，他们又提出了转换型土壤调整指数 （TSAVI），表示为：
TSAVI是对SAVI的改进，它着眼于土壤线实际的a和b， 而不是假设它们为1和0。 为了减少SAVI中裸露土壤的影响，Qi等（1994）发 展了修改型土壤调整植被指数（MSAVI），表示为：
其中，gamma为光学路径效应因子，通常取1.0。
ARVI减小了大气气溶胶引起的大气散射对红波段的影响， 减小了植被指数因大气条件变化而引起的变化。通过使用大气 辐射传输模型模拟表明，ARVI对大气的敏感性比NDVI小4倍。 Pinty和Verstraete（1992）针对大气效应，对AVHRR数据进行 了自纠正处理，提出了一个NIR和R波段反射率的非线性组合指 数－全球环境监测指数（GEMI），这一指数使AVHRR数据的
第七章
植被遥感
第四节 植被指数 (Vegetation Index)及其应用 √§7.4.1 植被指数综述 §7.4.2 植被指数分类 §7.4.3 土壤背景影响与消除 §7.4.4 大气影响与消除 §7.4.5 植被指数应用
Global Vegetation Index from MODIS
1）植被指数的由来
Rir Rr NDVI Rir Rr
对于裸露土壤：
如假设 I=0，则NDVI=(M-1)/(M+1)，不等于0；
如 I≠0，则NDVI=[(M-1)Rs,r+I]/[M+1)Rs,r+I]，不仅不 等于0，而且与土壤辐射亮度有关。 所以NDVI受土壤影响较大。同时由于NDVI饱和值很 低（LAIMAX≈2-3）、非朗伯特性显著、大气影响较大， 因此NDVI不是一个好的植被指数形式。
envi植被指数的提取
本科学生实验报告宋国俊学号114130168专业＿＿地理信息系统班级11地信验课程名称遥感运用实验名称植被指数的提取额指导教师及职称洪亮开课学期2014 至2015 学年一学期师大学旅游与地理科学学院编印二、实验容、步骤和结果找到landsat 8 的相关数据;再找另外一个时间段的数据;1）提取行归一化植被指数归一化指数（NDVI）被定义为近红外波段与可见光红波段数值之差和这两个波段数值之和的比值。
公式：NDVI=（TM4-TM3）/（TM4+TM3）在ENVI 的主菜单transforms下，运行NDVI子菜单，将得到的图像以612ndvi的文件名保存在文件夹中。
得到的图像以灰阶显示如图2014.3.16的NDVI2014.4.24NDVI2）提取绿度植被指数GVI公式：GVI=-0.2848*TM1-0.2435*TM2-0.5436*TM3+0.7243*TM4+0.084*TM5-0.1800*TM7在ENVY3.2的主菜单basic tools下，运行band math子菜单，键入上述公式，将得到的图像以612GVI的文件名保存在文件夹中。
得到的图像以灰阶显示如图2014.3.16的GVI2014.4.24GVI3）提取比值植被指数RVI比值值被指数（RVI）由于可见光红波段（R）与近红外波段（NIR）对绿色植物的光谱响应十分不同，且具倒转关系。
两者简单的数值比能充分表达两反射率之间的差异。
公式：RVI= TM4/TM3在ENVI的主菜单basic tools下，运行band math子菜单，键入上述公式，将得到的图像以612GVI的文件名保存在文件夹中。
得到的图像以灰阶显示如图2014.3.16的RVI2014.4.24RVI4）提取差值植被指数公式：RVI= TM4-TM3在ENVI的主菜单basic tools下，运行band math子菜单，键入上述公式，将得到的图像以612chazhi的文件名保存在文件夹中。
2015年空间分析复习资料---cuit
空间分析复习指南（红色字体为老师给出的重点）实验一：区域植被指数提取：1.在ArcCatalog中新建一个面图层；2.编辑面图层，画出二环路的范围，保存该图层；3.利用掩膜提取工具提取出二环路内栅格数据；4.打开建模工具，建立计算NDVI模型(NDVI=(TM4-TM3)/(TM4+TM3))，将其重分类，分类标准为0-0.2、0.2-0.4、0.4-1；5.保存模型并运行，打开运行结果得到重分类后NDVI。
打开其属性表，添加area字段,用栅格计算器计算各类制备覆盖面积。
公式为[COUNT] *30 *30。
实验二：公路选线1.加载相应图层，利用高程生成坡度；2.对土地利用进行重分类；3.相同方法对坡度进行重分类，坡度等分十类；4.利用栅格计算器合并数据集，得到成本栅格，（坡度* 0.6 +土地利用* 0.4）；5.将学校和成本栅格输入成本距离工具，输出距离成本和方向栅格数据；6.将距离成本、方向和公路起点数据输入成本路径工具，执行最优路径选择；7.地图中新增的一条线即为最优路径。
实验二拓展：商业连锁店选址1.打开建模工具，建立密度分析模型，输入人口统计数据，利用Kernel Density工具得到人口密度栅格数据；2.建立直线距离分析模型，输入商业网点，利用Euclidean Distance 工具得到空间各点到最近商业点的直线距离；3.利用栅格计算器得到复合要求的选址栅格图，（人口密度>3000 &直线距离>500），注意分析单位为米；4.利用栅格转面工具，将栅格结果转换为矢量结果，得到的结果为商业连锁店选址。
实验三：城市土地区位评价1.打开ArcMap，加载相应图层；2.设置显示坐标系为高斯投影6分带18带；3.按显示坐标系统导出数据；4.打开欧式距离工具，对主要商业点图层，选择一级商业点，对一级商业点做“欧式距离”距离分析；5.同样的方法对二级商业点做“欧氏距离”分析；6.打开栅格计算器，对第4、5步骤得到的两个栅格图层按照公式进行计算，（fi(1- di÷d)）；7.打开像元统计数据工具对第6步骤得到的两个结果进行“像元统计”取最大值得到G1；8.利用对商业点图层处理相同的方法对道路分三级，做栅格计算和“像元统计”最大值得到G2；9.利用栅格计算器将第7、8步骤最后结果分别进行负值取0处理；10.利用“栅格计算器”做最终区位评价，（0.6*G1+0.4*G2）。
植被密度测定实验报告
植被密度测定实验报告植被密度测定实验报告植被密度是指单位面积上植物个体的数量，是评价生态环境质量和研究植物群落结构的重要指标之一。
为了了解某地植被密度情况，我们进行了一次实验，以下是实验的详细内容和结果。
实验目的：通过测定植被密度，了解研究地植物的数目和分布情况。
实验材料：1. 样地：选择一个面积为1平方米的矩形区域作为样地。
2. 计数器：用于记录样地内植物个体数目。
实验步骤：1. 选择样地：在研究地选取一个代表性的区域，避免严重干扰和选择局部区域。
2. 设置样地：将1平方米的量均匀地标定出来，如使用竹竿和绳子围出一个1米×1米的区域。
3. 记录个体数目：在样地内仔细观察，记录下属于植物个体的数目。
4. 数据处理：将实验测得的植物个体数目除以样地的面积（1平方米），得到植被密度。
实验结果：我们随机选取了10个样地进行了测定，测得的植被密度如下表所示：样地编号植被密度（个/m^2）1 202 183 224 155 126 197 218 179 2310 16平均植被密度为：18个/m^2，标准差为3个/m^2。
实验讨论：通过测定植被密度，我们可以初步了解研究地的植被数量和分布情况。
从实验结果可以看出，研究地的植被密度平均为18个/m^2，标准差为3个/m^2，表明植物个体在研究地的分布相对稳定，但个体数目存在一定的波动性。
通过进一步观察和研究，我们可以进一步了解导致植被密度变动的原因，比如环境因素、人类干扰等。
实验结论：通过本次实验测定，我们初步了解了研究地的植被密度情况，平均植被密度为18个/m^2。
这为我们深入研究植物的生态环境和植物群落结构提供了基础数据，对于保护和恢复生态环境具有一定的参考价值。
【研究】毕业论文不同植被指数对TM图像植被提取研究以聊城市城区为例
【关键字】研究本科生毕业论文（设计）题目：不同植被指数对TM图像植被提取研究—以聊城市城区为例专业代码：070703作者姓名：苏宁学号：32单位：环境与规划学院指导教师：汤庆新31日原创性声明本人郑重声明：所提交的学位论文是本人在导师指导下，独立进行研究取得的成果。
除文中已经注明引用的内容外，论文中不含其他人已经发表或撰写过的研究成果，也不包含为获得聊城大学或其他教育机构的学位证书而使用过的材料。
对本文的研究作出重要贡献的个人和集体，均已在文中以明确方式标明。
本人承担本声明的相应责任。
学位论文作者签名：日期指导教师签名：日期目录前言 (1)1 研究区概况 (1)2 研究方法 (2)2.1数据来源 (2)2.2遥感图像数据预处理 (2) (2) (2) (3)2.3波段选择 (3)2.4主成分分析（PCA） (3)3 植被信息的提取 (4)3.1归一化植被指数（NDVI） (5)3.2比值植被指数（RVI） (5)3.3波段组合 (7)3.4监督分类 (8) (8) (8) (8)3.5评价分类结果 (10)3.6分类后处理 (12)4 分类结果比较与分析 (12)5 结论 (13)参照文献 (15)致谢 (16)摘要植被指数是描述地表植被覆盖程度的重要参数，植被指数的研究对土地复垦、生态保护等方面具有指导意义。
本文将聊城市城区作为研究区域，以2000年的TM数据为遥感数据源，在ERDAS IMAGINE 8.6软件平台上研究了归一化植被指数（NDVI）和比值植被指数（RVI）对不同地表植被覆盖情况的反映效果。
通过定量化比较表明，归一化植被指数能够更好的反映全区的植被状况。
关键词：遥感；ERDAS IMAGINE；归一化植被指数；比值植被指数；植被覆盖AbstractVegetation index is one of the important parameters to describe vegetation coverage. The research of vegetation index has instructive significance in aspects of land, reclamation and ecological protection ect. Using the remote sense data LandSat-TM of 2000 and taking the Liaocheng government office area as a pilot area. This article studied the vegetation index-NDVI (Normalized Difference Vegetation Index) and RVI (Ratio Of Vegetation Index) for the reflection of differnet vegetation coverage results with ERDAS IMAGINE software. Through the quantitative comparision, it shows that the NDVI is better for indicating the vegetation status.Key words: Remote Sensing; ERDAS IMAGINE; NDVI; RVI; Vegetation Cover不同植被指数对TM图像植被提取研究—以聊城市城区为例前言绿色植被是生态环境中最敏感和最主要的环境因子，它的变化直接或间接的影响到其他环境因子的变化。
实验七 植被指数提取与分析
实验七 植被指数提取与分析1实训目的：掌握应用遥感图像处理软件进行植被指数提取方法，了解植被指数在图像解译中的作用。
2实训内容：提取主要指被指数：归一化植被指数NDVI 、比值植被指数RVI 。
植被指数分析：不同土地覆盖植被指数差异，不同植被指数数值。
3实训材料准备采用软件：ERDAS 软件遥感数据：SPOT 多光谱遥感影像图: spotxs tm 遥感影像图: t mAtlanta.img 4实训方法与步骤；遥感图像上的植被信息，主要通过绿色植物叶子和植被冠层的光谱特性及其差异、变化而反映的，不同的光谱通道所获得的植被信息可与植被的不同要素或某种特征状态有各种不同的相关性，因此，我们往往选用多光谱遥感数据经分析运算（加、减、乘、除等线性或非线性组合方式）产生某些对植被长势、生物量等有一定指示意义的数值——即所谓的“植被指数”。
用一种简单有效的形式来实现对植物状态信息的表达，以定性和定量地评价植被覆盖、生长活力及生物量等。
在植被指数中，通常选用对选用对绿色植物（叶绿素引起的）强吸收的可见光红波段和对绿色植物（叶内组织引起的）高反射的近红外波段。
这两个波段不仅是植物光谱中的最典型的波段，而且它们对同一生物物理现象的光谱响应截然相反，故它们的多种组合对增强或揭示隐含信息将是有利的。
1）提取归一化植被指数：2）提取比值植被指数：3）植被指数土地覆盖植被指数差异：土地覆盖类型植被指数值NDVI植被指数值RVI)/()(R NIR R NIR spot spot spot spot NDVI +-=RNIR DN DN RVI /=植被覆盖度提取（选作）植被指数与植被盖度的关系：)/()(min max min NDVI NDVI NDVI NDVI f g --=。
植被指数
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 n3;ρ
nir nir
red red
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
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）
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。
植被光谱分析与植被指数计算解读
植被光谱分析与植被指数计算在遥感中，常常结合不同波长范围的反射率来增强植被特征，如植被指数（vegetation indices ——VI）的计算，植被指数（VI）是两个或多个波长范围内的地物反射率组合运算，以增强植被某一特性或者细节。
目前，在科学文献中发布了超过150种植被指数模型，这些植被指数中只有极少数是经过系统的实践检验。
本文总结现有植被指数，根据对植被波谱特征产生重要影响的主要化学成份：色素（Pigments）、水分（Water）、碳（Carbon）、氮（Nitrogen），总结了7大类实用性较强的植被指数，即：宽带绿度、窄带绿度、光利用率、冠层氮、干旱或碳衰减、叶色素、冠层水分含量。
这些植被指数可以简单度量绿色植被的数量和生长状况、叶绿素含量、叶子表面冠层、叶聚丛、冠层结构、植被在光合作用中对入射光的利用效率、测量植被冠层中氮的相对含量、估算纤维素和木质素干燥状态的碳含量、度量植被中与胁迫性相关的色素、植被冠层中水分含量等。
包括以下内容：∙∙●植被光谱特征∙∙●植被指数∙∙●HJ-1-HSI植被指数计算1.植被光谱特征植被跟太阳辐射的相互关系有别于其他物质，如裸土、水体等，比如植被的“红边”现象，即在<700nm附近强吸收，>700nm高反射。
很多因素影响植被对太阳辐射的吸收和反射，包括波长、水分含量、色素、养分、碳等。
研究植被的波长范围一般为400 nm to 2500 nm，这也是传感器设计选择的波长范围。
这个波长范围可范围以下四个部分：∙∙●可见光（Visible）：400 nm to 700 nm∙∙●近红外（Near-infrared——NIR）：700 nm to 1300 nm∙∙●短波红外1（Shortwave infrared 1—— SWIR-1）：1300 nm to 1900 nm∙∙●短波红外2（Shortwave infrared 2——SWIR-2）：1900 nm to 2500 nm其中NIR和SWIR-1的过渡区（1400nm附近）是大气水的强吸收范围，卫星或者航空传感器一般不获取这范围的反射值。
遥感地学解译植被指数实验报告
ENVI软件植被指数计算与分析实验本结采选取点位数量校少，结果不够町案，建议选取40个左右数据点位I-实验步骤1. 导入遥感影像，利用ENVI软件的“波段运算”功能计算原始图像的“NDVI、RVI. DVI和GVI”四种植被指数。
并生成四幅经处理后的影像。
其计算公式如下:• DVI = TM4 - TM3 • GVI = -0.2848 * TM1 - 0.2435 * TM2 - 0.5436 * TM3 + 0.7243 * TM4 + 0.0840 * TM5 一0.1800 * TM72. 将生成的四幅影像导入到窗口内，对四幅影像进行关联。
3. 在同一片植被分布区利用"鼠标取值”功能在随机选取多个数据点，并分别记录四幅影像对应点的数值。
在整幅影像上随机选取多个数据点，并分别记录四幅影像对应点的数值。
• 生成的四种植被指数对应影像图。
NDVI = TM4-TM3TM4+TM3RVI TM4TM3"□ U♦ O Z- - / Z ： M «(1 I 0 X)「—电• 一、•泄：。
a—>—A -。
歹R<n»c«r 9i9乂tTfl % €401» MtG% Mt). IM KM2囹目口0 i »ic «(awnrft；8 « UD,l3l kM• 记录的同一植被区5个随机点的四种植被指数对应的数值NDVI0.16670.22390.29730.30430.44RVI 1.4 1.5769 1.8462 1.875 2.5714DVI1015111411GVI■0.4043 4.3875 3.8194 5.1023 6.0423• 记录的整幅影像上13个随机点的四种植被指数对应的数值NDVI0.02860.04920.06930.08470.10.1429O.1S620.18640.22450.27270.29420.33330.44833 RVI 1.0588 1.1034 1.1489 1.1852 1.2222 1.3333 1.3703 1.4583 1.5789 1.75 1.83332 2.625 DVI2375691011113101413 GVI・ 10.014・ 7.5061・ 7.&B83・ 2.6526-1.7088・ 0.1154-1.85580.5935 2.81150.7553 2.9902 5.0034 6.61324. 利用Excel软件作出不同植被指数的关系图，并对其进行分析。
生态环境调查遥感解译植被指数对蓝藻水华进行提取
生态环境调查遥感解译植被指数对蓝藻水华进行提取水华是一种广泛存在淡水生态系统中的由藻类大量繁殖引起的严重的水环境问题。
水华目前缺乏严格的定义，一般认为“水华”是指浮游藻类的生物量显著高于一般水体的平均值，并在水体表面大量聚集，形成肉眼可见的藻类聚集体，蓝藻是藻类分类系统中最低等、最原始的植物类群，广泛分布于各种水域及潮湿环境，尤其喜欢生于含氮量高、有机质较丰富的碱性水体中，在夏秋季节适宜的环境下监藻大量繁殖，形成“水华”。
从蓝藻水华的光谱特征分析可知，蓝藻水华在近红外波段具有的类似于植被光谱曲线特征的陡坡效应，这是蓝藻水华与水体明显的差异，因而可以利用“植被指数”这种简单而有效的形式来实现对蓝藻水华分布信息的表达，监测蓝藻水华的暴发状况。
还可以通过不同富集度水华陡坡效应的差异，来间接表达水华强弱等级。
诸如Landsat8，HJ-1CCD等宽波段多光谱逐感数据，没有在蓝藻特有的藻青蛋白的特征反射波段（620 nm处）设置高光谱分辨率的波段，因此无法准确区分蓝藻水华和水草。
解决的途径就是根据先验知识提取水草的分布区域，然后在非水草的区域识别蓝藻水华。
植被数据分析报告(3篇)
第1篇一、前言随着全球气候变化和人类活动的加剧，植被覆盖状况已成为衡量生态环境质量和可持续发展的重要指标。
植被数据分析对于研究植被生长规律、生态环境变化、土地资源管理等方面具有重要意义。
本报告通过对某地区植被数据进行收集、整理和分析，旨在揭示该地区植被覆盖特征及其变化规律，为生态环境保护和可持续发展提供科学依据。
二、数据来源与处理1. 数据来源本报告所使用的数据主要来源于遥感影像、地面实测数据、气象数据等。
遥感影像数据采用Landsat 8卫星遥感影像，时间范围为2010年至2020年；地面实测数据包括植被类型、植被覆盖度、生物量等指标，数据来源于野外调查；气象数据包括温度、降水量等，数据来源于气象局。
2. 数据处理（1）遥感影像处理：对Landsat 8卫星遥感影像进行预处理，包括辐射校正、几何校正、大气校正等，以提高遥感影像的质量。
（2）地面实测数据处理：对地面实测数据进行整理和分类，建立植被类型与植被覆盖度的对应关系。
（3）气象数据处理：对气象数据进行整理和插值，生成空间分布图。
三、植被覆盖特征分析1. 植被类型分布根据遥感影像和地面实测数据，该地区植被类型主要有森林、草地、农田、水域等。
其中，森林覆盖面积最大，占该地区总面积的60%；草地覆盖面积次之，占25%；农田和水域分别占15%和10%。
2. 植被覆盖度通过对遥感影像进行植被指数提取，分析该地区植被覆盖度空间分布特征。
结果显示，该地区植被覆盖度整体较高，平均值为70%。
其中，森林覆盖度最高，平均值为80%；草地覆盖度次之，平均值为65%；农田和水域覆盖度较低，平均值为30%。
3. 植被生物量根据地面实测数据，该地区植被生物量空间分布特征与植被覆盖度基本一致。
森林生物量最高，平均值为5吨/公顷；草地生物量次之，平均值为3吨/公顷；农田和水域生物量较低，平均值为1吨/公顷。
四、植被变化规律分析1. 植被类型变化通过对遥感影像进行长时间序列分析，发现该地区植被类型变化主要表现为森林和草地的相互转化。
植被指数在城市绿地信息提取中的比较研究
n+
DV I=
ni r -
r
L = 1. 5 C 1 = 6 C 2= 7. 5 R DV I = N IR - RED N IR + RED GEM I= ( 1- 0. 25 ) - ( R - 0. 125) / ( 1- R ) = [ 2( N IR2 - R 2 ) + 1. 5N IR + 0. 5R ] / ( N IR + R + 0. 5) T G DV I= G N D V I= (
〔 9〕
中的优劣进行比较研究, 希望能为城市绿地时空变 化监测有所贡献。
2 研究方法与技术路线
2. 1 植被指数及其计算 目前 , 植被指数种类繁多 , 考虑到城市下垫面的 特殊性质及其计算的可行性, 本文选取了消除大气 影响和消除综合因子影响的植被指数, 包括归一化
10〕 9〕 差值植被指数 NDVI 〔 、 差值植被指数 DVI 〔 、 改进
NIR Gre en )
RV I=
NIR / RED
R i r- Rr R r- R g , i r- r r- g TN D V I= ( N DV I+ 0. 5)
/(
NIR +
Green ) ni r =
T G DV I= 0, 若 T GD V I< 0, 0. 83nm r = 0. 66nm g = 0. 56nm
〔 7, 8〕 〔 6〕 〔 5〕
。 城市绿地在改善城市生态环境方面发挥着重
要作用 , 不仅能为广大居民提供良好的生活空间 , 而 且在维持城市环境质量和城市可持续发展中占有不 可替代的地位。 而城市绿地景观的空间结构 , 在很大 程度上又控制着城市绿地景观的功能及其生态作用 的发挥 , 影响着城市中物质流、 能量流和信息流的正
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
实验七 植被指数提取与分析
1实训目的：
掌握应用遥感图像处理软件进行植被指数提取方法，了解植被指数在图像解译中的作用。
2实训内容：
提取主要指被指数：归一化植被指数NDVI 、比值植被指数RVI 。
植被指数分析：不同土地覆盖植被指数差异，不同植被指数数值。
3实训材料准备
采用软件：ERDAS 软件
遥感数据：SPOT5多光谱遥感影像图 4实训方法与步骤；
遥感图像上的植被信息，主要通过绿色植物叶子和植被冠层的光谱特性及其差异、变化而反映的，不同的光谱通道所获得的植被信息可与植被的不同要素或某种特征状态有各种不同的相关性，因此，我们往往选用多光谱遥感数据经分析运算（加、减、乘、除等线性或非线性组合方式）产生某些对植被长势、生物量等有一定指示意义的数值——即所谓的“植被指数”。
用一种简单有效的形式来实现对植物状态信息的表达，以定性和定量地评价植被覆盖、生长活力及生物量等。
在植被指数中，通常选用对选用对绿色植物（叶绿素引起的）强吸收的可见光红波段和对绿色植物（叶内组织引起的）高反射的近红外波段。
这两个波段不仅是植物光谱中的最典型的波段，而且它们对同一生物物理现象的光谱响应截然相反，故它们的多种组合对增强或揭示隐含信息将是有利的。
SPOT5多光谱影像数据特征
波段 波长/μm 分辨率/m Band1（近红外） 0.78～0.89 10 Band2（红色） 0.61～0.68 10 Band3（绿色） 0.49～0.61 10 Band4（中红外）
1.58～1.78
20
1）提取归一化植被指数：
2）提取比值植被指数：
3）植被指数土地覆盖植被指数差异：
)
/()(R
NIR
R NIR spot
spot
spot spot NDVI +-=R
NIR DN DN RVI /=
土地覆盖类型
植被指数值NDVI
植被指数值RVI
植被覆盖度提取（选作）
植被指数与植被盖度的关系：
)
/()(min
max
min
NDVI
NDVI
NDVI
NDVI f g --=。