幾種常見(jiàn)植被指數(shù)

1、幾種常見(jiàn)植被指數(shù)常用的植被指數(shù)，土壤指數(shù)，水體指數(shù)有哪些？植被指數(shù)與土壤指數(shù)一、rvi比值植被指數(shù)：rvi=nir/r，或兩個(gè)波段反射率的比值。1、綠色健康植被覆蓋地區(qū)的rvi遠(yuǎn)大于1，而無(wú)植被覆蓋的地面（裸土、人工建筑、水體、植被枯死或嚴(yán)重蟲(chóng)害）的rvi在1附近。植被的rvi通常大于2；2、rvi是綠色植物的靈敏指示參數(shù)，與lai、葉干生物量(dm)、葉綠素含量相關(guān)性高，可用于檢測(cè)和估算植物生物量；3、植被覆蓋度影響rvi，當(dāng)植被覆蓋度較高時(shí)，rvi對(duì)植被十分敏感；當(dāng)植被覆蓋度<50%時(shí)，這種敏感性顯著降低；4、rvi受大氣條件影響，大氣效應(yīng)大大降低對(duì)植被檢測(cè)的靈敏度，所以在計(jì)算前需要

2、進(jìn)行大氣校正，或用反射率計(jì)算rvi。二、ndvi歸一化植被指數(shù)：ndvi=(nir-r)/(nir+r)，或兩個(gè)波段反射率的計(jì)算。1、ndvi的應(yīng)用：檢測(cè)植被生長(zhǎng)狀態(tài)、植被覆蓋度和消除部分輻射誤差等；2、-1<=ndvi<=1，負(fù)值表示地面覆蓋為云、水、雪等，對(duì)可見(jiàn)光高反射；0表示有巖石或裸土等，nir和r近似相等；正值，表示有植被覆蓋，且隨覆蓋度增大而增大；3、ndvi的局限性表現(xiàn)在，用非線性拉伸的方式增強(qiáng)了nir和r的反射率的對(duì)比度。對(duì)于同一幅圖象，分別求rvi和ndvi時(shí)會(huì)發(fā)現(xiàn)，rvi值增加的速度高于ndvi增加速度，即ndvi對(duì)高植被區(qū)具有較低的靈敏度；4、ndvi能反映出

3、植物冠層的背景影響，如土壤、潮濕地面、學(xué)、枯葉、粗超度等，且與植被覆蓋有關(guān)；三、dvievi差值環(huán)境植被指數(shù)：dvi=nir-r，或兩個(gè)波段反射率的計(jì)算。1、對(duì)土壤背景的變化極為敏感； 四、savitsavimsavi調(diào)整土壤亮度的植被指數(shù)：savi=(nir-r)/(nir+r+l)(1+l)，或兩個(gè)波段反射率的計(jì)算。1、目的是解釋背景的光學(xué)特征變化并修正ndvi對(duì)土壤背景的敏感。與ndvi相比，增加了根據(jù)實(shí)際情況確定的土壤調(diào)節(jié)系數(shù)l，取值范圍01。 l=0 時(shí)，表示植被覆蓋度為零；l=1時(shí)，表示土壤背景的影響為零，即植被覆蓋度非常高，土壤背景的影響為零，這種情況只有在被樹(shù)冠濃密的

4、高大樹(shù)木覆蓋的地方才會(huì)出現(xiàn)。2、savi僅在土壤線參數(shù)a=1,b=0（即非常理想的狀態(tài)下）時(shí)才適用。因此有了tsavi、atsavi、msavi、savi2、savi3、savi4等改進(jìn)模型。 五、gvi綠度植被指數(shù)，k-t變換后表示綠度的分量。1、通過(guò)k-t變換使植被與土壤的光譜特性分離。植被生長(zhǎng)過(guò)程的光譜圖形呈所謂的"穗帽"狀，而土壤光譜構(gòu)成一條土壤亮度線，土壤的含水量、有機(jī)質(zhì)含量、粒度大小、礦物成分、表面粗糙度等特征的光譜變化沿土壤亮度線方向產(chǎn)生。2、kt變換后得到的第一個(gè)分量表示土壤亮度，第二個(gè)分量表示綠度，第三個(gè)分量隨傳感器不同而表達(dá)不同的含義。如，ms

5、s的第三個(gè)分量表示黃度，沒(méi)有確定的意義；tm的第三個(gè)分量表示濕度。3、第一二分量集中了>95%的信息，這兩個(gè)分量構(gòu)成的二位圖可以很好的反映出植被和土壤光譜特征的差異。4、gvi是各波段輻射亮度值的加權(quán)和，而輻射亮度是大氣輻射、太陽(yáng)輻射、環(huán)境輻射的綜合結(jié)果，所以gvi受外界條件影響大。六、pvi垂直植被指數(shù)，在r-nir的二為坐標(biāo)系內(nèi)，植被像元到土壤亮度線的垂直距離。pvi=(s r-vr)2+(snir-vnir)2)1/2，s是土壤反射率，v是植被反射率。1、較好的消除了土壤背景的影響，對(duì)大氣的敏感度小于其他vi2、pvi是在r-nir二位數(shù)據(jù)中對(duì)gvi的模擬，兩者物理意義相同3、pv

6、i=(dnnir-b)cosq-dnr´sinq，b是土壤基線與nir截距，q是土壤基線與r的夾角。七、其他1、根據(jù)具體情況改進(jìn)型：如mss的dvi = b4-ab2，pvi=(b4-ab2-b)/(1+a2)1/2，sarvi = b4/(b2+b/a)；rdvi=(ndvi´dvi)1/2等。2、應(yīng)用于高光譜數(shù)據(jù)的vi，如cari(葉綠素吸收比值指數(shù)）和caci（葉綠素吸收連續(xù)區(qū)指數(shù)）等。vi劃分 類型典型代表特點(diǎn)線性dvi低lai時(shí)，效果較好；lai增加愛(ài)時(shí)對(duì)土壤背景敏感比值型ndvi、rvi增強(qiáng)了土壤與植被的反射對(duì)比垂直型pvi低lai時(shí)，效果較好；lai

7、增加愛(ài)時(shí)對(duì)土壤背景敏感歸一化差值植被指數(shù)ndvi是植被遙感中應(yīng)用最為廣泛的指數(shù)之一,但它受土壤背景等因素的干擾比較強(qiáng)烈.結(jié)合實(shí)測(cè)的土壤數(shù)據(jù)以及公式推導(dǎo)、prosail模型模擬等方法分析了這種影響.首先,假定與土壤線性混合且葉片呈水平分布的植被冠層,根據(jù)土壤與植被分別在紅光、近紅外波段處的反射率值、植被覆蓋度等參數(shù),利用公式推導(dǎo)了土壤背景對(duì)不同覆蓋度下冠層ndvi的影響.其次,利用prosail冠層光譜模擬模型,模擬分析了土壤背景對(duì)不同lai下冠層ndvi的影響.分析的結(jié)果表明:lai越小,土壤背景的影響越大;暗土壤背景下的冠層ndvi值大于亮土壤背景下冠層的ndvi值;并且,暗土壤條件下,nd

8、vi值對(duì)土壤亮度的變化更敏感,而亮土壤下,ndvi值則對(duì)lai或覆蓋度的變化更敏感.最后利用實(shí)測(cè)的不同土壤背景下的冬小麥冠層光譜數(shù)據(jù),驗(yàn)證了公式推導(dǎo)和模型模擬的結(jié)果.在1996年提出的歸一化差分水體指數(shù)（ndwi其表達(dá)式為：ndwi =(p(green)-p(nir)/(p(green)+p(nir)是基于綠波段與近紅外波段的歸一化比值指數(shù)。該ndwi一般用來(lái)提取影像中的水體信息，效果較好。局限性：用ndwi來(lái)提取有較多建筑物背景的水體，如城市中的水體，其效果會(huì)較差。2. gao于1996年也命名了一個(gè)ndwi，用于研究植被的含水量。其表達(dá)式為：ndwi=(p(nir)-p(mir)/(p(n

9、ir)+p(mir) =(pm)-pm)/(pm)+pm)植被水分指數(shù)ndwi是基于中紅外與近紅外波段的歸一化比值指數(shù)。與ndvi相比,它能有效地提取植被冠層的水分含量;在植被冠層受水分脅迫時(shí),ndwi指數(shù)能及時(shí)地響應(yīng),這對(duì)于旱情監(jiān)測(cè)具有重要意義。而wilson等在研究美國(guó)緬甸因州的森林時(shí)，使用了歸一化濕度指數(shù)（normalized difference moisture index, ndmi），其表達(dá)式與gao的完全一致。由于gao的ndwi與wilson等的ndmi指數(shù)的意義與用途是一致的，而與mcfeeters用于研究水體的ndwi指數(shù)有所不同，因此一般將用于研究植被含水量的指數(shù)改稱為

10、ndmi指數(shù)。3.水體指數(shù)（mndwi）指數(shù)在對(duì)mcfeeters提出的歸一化差異水體指數(shù)(ndwi)分析的基礎(chǔ)上,對(duì)構(gòu)成該指數(shù)的波長(zhǎng)組合進(jìn)行了修改,提出了改進(jìn)的歸一化差異水體指數(shù)mndwi(modified ndwi), 并分別將該指數(shù)在含不同水體類型的遙感影像進(jìn)行了實(shí)驗(yàn),大部分獲得了比ndwi好的效果,特別是提取城鎮(zhèn)范圍內(nèi)的水體.ndwi指數(shù)影像因往往混有城鎮(zhèn)建筑用地信息而使得提取的水體范圍和面積有所擴(kuò)大.實(shí)驗(yàn)還發(fā)現(xiàn)mndwi比ndwi更能夠揭示水體微細(xì)特征,如懸浮沉積物的分布、水質(zhì)的變化.另外, mndwi可以很容易地區(qū)分陰影和水體, 解決了水體提取中難于消除陰影的難題.其表達(dá)式為：mn

11、dwi =(p(green)-p(mir)/(p(green)+p(mir)遙感圖像的分類方法 傳統(tǒng)分類方法1. 非監(jiān)督分類遙感圖像上的同類地物在相同的條件下 , 一般具有相同或相近的光譜特征 , 從而表現(xiàn)出某種內(nèi)在的相似性 , 歸屬于同一個(gè)光譜空間區(qū)域 。 而不同的地物 , 光譜特征不同 , 歸屬于不同的光譜空間區(qū)域 , 這是非監(jiān)督分類的理論依據(jù)。 該分類方法主要是通過(guò)系統(tǒng)聚類來(lái)進(jìn)行的 。 聚類就是把一組像素按照相似性分為若干類 , 目的是使得同一類別的像素之間的距離盡可能小 , 而不同類別的像素之間的距離盡可能大 。 其算法的核心是初始類別參數(shù)的確定 , 以及它的迭代調(diào)整問(wèn)題 。 主要算法

12、有分級(jí)集群法 、 i s odat a 法 (迭代自組織數(shù)據(jù)分析技術(shù) )和 k2 均值算法等。2 監(jiān)督分類與非監(jiān)督分類不同 , 監(jiān)督分類最顯著的特點(diǎn)是在分類前人們對(duì)遙感圖像上某些樣區(qū)中影像地物的類別屬性已有了先驗(yàn)知識(shí) , 也就是先要從圖像中選取所有要區(qū)分的各類地 物 的樣 本 , 用 于 訓(xùn) 練 分 類 器 (建 立 判 別 函數(shù) ) 。 一般是在圖像中選取具有代表性的區(qū)域作為訓(xùn)練區(qū) , 由訓(xùn)練區(qū)得到各個(gè)類別的統(tǒng)計(jì)數(shù)據(jù) , 進(jìn)而對(duì)整個(gè)圖像進(jìn)行分類。 主要方法有線性判別法 、 最大似然法 、 最小距離法和平行多面體法等 。3. 分類新方法研究進(jìn)展新方法主要有決策樹(shù)分類法 、 綜合閾值法 、專家系

13、統(tǒng)分類法、 多特征融合法 、 神經(jīng)網(wǎng)絡(luò)分類法以及基于頻譜特征的分類法等。 決策樹(shù)分類決策樹(shù)分類器 ( dec isi on tr ee c l a ssi fi ca ti on fr a me) 是以分層分類的思想作為指導(dǎo)原則的 。 分層分類的思想是針對(duì)各類地物不同的信息特點(diǎn) , 將其按照一定的原則進(jìn)行層層分解。 在每一層的分解過(guò)程中 , 研究者可以根據(jù)不同的子區(qū)特征及經(jīng)驗(yàn)知識(shí) , 選擇不同的波段或波段組合來(lái)進(jìn)行分類. 綜合閾值法通過(guò)對(duì)徐州地區(qū)各類地物的光譜特征的綜合研究 , 以及對(duì)不同波段的組合分析 , 歸納出各種地物類型信息獲取的方法與途徑 , 提出采用綜合閾值法進(jìn)行圖像分類處理 。 經(jīng)

14、研究表明 , 該方法能夠很好地區(qū)分城鎮(zhèn)用地和裸地等不容易區(qū)分的地類 , 有效降低混合象元帶來(lái)的影響 , 提高土地利用分類的可靠性和準(zhǔn)確性。 專家系統(tǒng)分類遙感圖像解譯專家系統(tǒng)是模式識(shí)別與人工智能技術(shù)相結(jié)合的產(chǎn)物 。 應(yīng)用人工智能技術(shù) , 運(yùn)用解譯專家的經(jīng)驗(yàn)和方法 , 模擬遙感圖像目視解譯的具體思維過(guò)程 , 進(jìn)行圖像解譯。 專家系統(tǒng)分類的關(guān)鍵是知識(shí)的發(fā)現(xiàn)和推理技術(shù)的運(yùn)用 。 目前在知識(shí)發(fā)現(xiàn)方面 , 主要是基于圖像的光譜知識(shí)、 輔助數(shù)據(jù)和上下文信息等 。 特征融合僅僅依靠光譜特征或紋理特征或形狀特征來(lái)進(jìn)行圖像分類 , 都不能很好地將不同類別的地物目標(biāo)提取出來(lái) 。 因此 , 多特征融合的方法越來(lái)越多地

15、被用于圖像分類 。 其優(yōu)勢(shì)是很明顯的 : 對(duì)同一模式所抽取的不同特征矢量總是反應(yīng)模式的不同特性 , 對(duì)它們的優(yōu)化組合 , 既保留了參與融合的多特征的有效鑒別信息 , 又在一定程度上消除了由于主客觀因素帶來(lái)的冗余信息 , 對(duì)分類識(shí)別無(wú)疑具有重要的意義 。 主要有光譜特征和紋理特征 ,光譜特征和形狀特征等 。 人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)分類是通過(guò)對(duì)人腦神經(jīng)系統(tǒng)結(jié)構(gòu)和功能的模擬 , 建立一種簡(jiǎn)化的人腦數(shù)學(xué)模型。它不需要任何關(guān)于統(tǒng)計(jì)分布的先驗(yàn)知識(shí) , 不需要預(yù)定義分類中各個(gè)數(shù)據(jù)源的先驗(yàn)權(quán)值 , 可以處理不規(guī)則的復(fù)雜數(shù)據(jù) ,且易與輔助信息結(jié)合 。與傳統(tǒng)分類方法相比 , ann 方法一般可獲得更高精度的分類結(jié)果 , 特別是對(duì)于復(fù)雜類型的土地覆蓋分類 , 該方法顯示了其優(yōu)越性 。 但某些地物的光譜數(shù)據(jù)的集群性較差 , 使得網(wǎng)絡(luò)對(duì)大多數(shù)易區(qū)分的地類識(shí)別率高 , 而對(duì)少數(shù)不易分的地類識(shí)別率低 。 基于