遙感地學(xué)應(yīng)用植物遙感

遙感地學(xué)應(yīng)用植物遙感第一頁，共七十一頁，2022年，8月28日2第三

章植物遙感第二頁，共七十一頁，2022年，8月28日3植物遙感研究的主要內(nèi)容：（1）通過遙感影像從土壤背景中區(qū)分出植被覆蓋區(qū)域，并對植被類型進(jìn)行劃分，區(qū)分是森林還是草場或者農(nóng)田，并區(qū)分森林、草場、農(nóng)作物的類型等。（2）能否從遙感數(shù)據(jù)中反演出植被的各種重要參數(shù)，例如葉面積指數(shù)（LAI）、葉子寬度、平均葉傾角、植被層平均高度、樹冠形狀等等，這一類問題屬于更深層次的遙感數(shù)據(jù)定量分析方法與反演技術(shù)。（3）能否準(zhǔn)確的估算出與植被光合作用有關(guān)的若干物理量，例如植被表面水分蒸騰量、光合作用強(qiáng)度（干物資生產(chǎn)率）、葉表面溫度等。第三頁，共七十一頁，2022年，8月28日4

本章內(nèi)容植物的光譜特征植被遙感判讀植物生長狀況的解譯植被指數(shù)植被指數(shù)與地表參數(shù)的關(guān)系植被遙感應(yīng)用第四頁，共七十一頁，2022年，8月28日3.1植物的光譜特征健康植物的反射光譜特征影響植物光譜的因素5第五頁，共七十一頁，2022年，8月28日63.1.1健康植物的反射光譜特征

健康植物的波譜曲線有明顯的特點，在可見光的0.55μm附近有一個反射率為10％~20％的小反射峰。在0.45μm和0.65μm附近有兩個明顯的吸收谷。在0.7~0.8μm是一個陡坡，反射率急劇增高。在近紅外波段0.8~1.3μm之間形成一個高的，反射率可達(dá)40％或更大的反射峰。在1.45μm，1.95μm和2.6~2.7μm處有三個吸收谷。第六頁，共七十一頁，2022年，8月28日7兩個反射峰、五個吸收谷第七頁，共七十一頁，2022年，8月28日8在地表景物中，通常只有植物在近紅外波段有很高的反射率，所以在彩色紅外航空像片或包含近紅外波段的假彩色合成遙感圖像上可以很容易區(qū)分植被和其他景物。第八頁，共七十一頁，2022年，8月28日93.1.2影響植物光譜的因素葉子的顏色葉子的組織結(jié)構(gòu)葉子的含水量植物的覆蓋度第九頁，共七十一頁，2022年，8月28日10葉子的顏色

植物葉子中含有多種色素，如葉青素、葉紅素、葉黃素、葉綠素等，在可見光范圍內(nèi)，其反射峰值落在相應(yīng)的波長范圍內(nèi)

第十頁，共七十一頁，2022年，8月28日11葉子的組織結(jié)構(gòu)

綠色植物的葉子是由上表皮、葉綠素顆粒組成的柵欄組織和多孔薄壁細(xì)胞組織（海綿組織）構(gòu)成。第十一頁，共七十一頁，2022年，8月28日12葉子的組織結(jié)構(gòu)

及光譜特征葉綠素對紫外線和紫色光的吸收率極高，對藍(lán)色光和紅色光也強(qiáng)烈吸收，以進(jìn)行光合作用。

對綠色光部分則部分吸收，部分反射，所以葉子呈綠色，并形成在0.55μm,附近的一個小反射峰值，而在0.33μm-0.45μm及0.65μm附近有兩個吸收谷。葉子的多孔薄壁細(xì)胞組織（海綿組織）對0.8μm-1.3μm的近紅外光強(qiáng)烈地反射，形成光譜曲線上的最高峰區(qū)。其反射率可達(dá)40％，甚至高達(dá)60%，吸收率不到15％。

第十二頁，共七十一頁，2022年，8月28日13葉子的含水量

葉子在1.45μm-1.95μm和μm處各有一個吸收谷，這主要由葉子的細(xì)胞液、細(xì)胞膜及吸收水分所形成。植物葉子含水量增加將使整個光譜反射率降低，反射光譜曲線的波狀形態(tài)變得更為明顯，特別是在近紅外波段，幾個吸收谷更為突出。第十三頁，共七十一頁，2022年，8月28日14植物的覆蓋度

當(dāng)植被葉子的密度不大，不能形成對地面的全覆蓋時，傳感器收到的反射光不僅是植被本身的光譜信息，而且還包含部分下墊面的反射光，是兩者的疊加。第十四頁，共七十一頁，2022年，8月28日15“紅移”與“藍(lán)移”

“紅邊”定義為反射光譜的一階微分最大值所對應(yīng)的光譜位置，通常位于0.68~0.75μm之間。當(dāng)綠色植物葉綠素含量高，生長旺盛時，“紅邊”會向波長增加的方向偏移，稱“紅移”。當(dāng)植物由于受金屬元素“毒害”、感染病蟲害、污染受害或者缺水缺肥等原因而“失綠”時，則“紅邊”會向波長短的方向移動，稱“藍(lán)移”。因此，根據(jù)“紅邊”位移量可以精確地估計葉綠素含量或探測葉片的生化組分。第十五頁，共七十一頁，2022年，8月28日16礦區(qū)紅杉林反射曲線的藍(lán)移現(xiàn)象

研究者就發(fā)現(xiàn)生長在富含Cu，Mo等重金屬元素土壤上的植物，受金屬元素“毒害”影響，其光譜反射特性會發(fā)生一些變化，主要表現(xiàn)就是紅邊和綠峰會向短波區(qū)偏移10nm~20nm不等（見圖7.4）。這種礦化帶植物光譜異常是植物遙感探礦的有用指標(biāo)。第十六頁，共七十一頁，2022年，8月28日173.2不同植物類型的區(qū)分1、不同植物由于葉子的組織結(jié)構(gòu)和所含色素不同，具有不同的光譜特征。

在近紅外光區(qū)，草本植物的反射高于闊葉樹，闊葉樹高于針葉樹。2、利用植物的物候期差異來區(qū)分植物。3、根據(jù)植物的生態(tài)條件區(qū)別植物類型。第十七頁，共七十一頁，2022年，8月28日183.3植物生長狀況的解譯健康的綠色植物具有典型的光譜特征。遭受病蟲害的植物其反射光譜曲線的波狀特征被拉平。第十八頁，共七十一頁，2022年，8月28日3.4植被指數(shù)植被指數(shù)植被指數(shù)的種類19第十九頁，共七十一頁，2022年，8月28日203.4.1植被指數(shù)（VegetationIndex,VI）

選用多個特征波段的遙感數(shù)據(jù)，經(jīng)加、減、乘、除等線性或非線性組合運算，產(chǎn)生某些對植被長勢、生物量等有一定指示意義的專題數(shù)值，稱為植被指數(shù)。第二十頁，共七十一頁，2022年，8月28日21植被指數(shù)計算在植被指數(shù)的計算中，通常選用R波段和NIR波段。建立植被指數(shù)的關(guān)鍵增強(qiáng)植被信息的同時，使非植被信息最小化。由于植被光譜受到植被本身、土壤背景、環(huán)境條件、大氣狀況、儀器定標(biāo)等內(nèi)外因素的影響，因此植被指數(shù)往往具有明顯的地域性和時效性。第二十一頁，共七十一頁，2022年，8月28日22主要植被指數(shù)第二十二頁，共七十一頁，2022年，8月28日23第二十三頁，共七十一頁，2022年，8月28日24

3.4.2植被指數(shù)的種類1）比值植被指數(shù)：

RVI=NIR/R

由于綠色植物R值低、NIR值高，則RVI值高（一般高于2）；而對于無植被的地面（如裸土、人工特征物、水體）以及枯死或受脅迫植被，因不顯示這種特殊的光譜響應(yīng)，則RVI值低（一般近于1）。因此，RVI能增強(qiáng)植被與土壤背景之間的輻射差異。第二十四頁，共七十一頁，2022年，8月28日25比值植被指數(shù)可提供植被反射的重要信息，是植被長勢、豐度的度量方法之一。同理，可見光綠波段（葉綠素引起的反射）與紅波段之比G/R，也是有效的。比值植被指數(shù)可從多種遙感系統(tǒng)中得到。但主要用于Landsat的MSS、TM和氣象衛(wèi)星的AVHRR。第二十五頁，共七十一頁，2022年，8月28日26RVI是綠色植物的一個靈敏的指示參數(shù)。研究表明，它與葉面積指數(shù)（LAI）、葉干生物量（DM）、葉綠素含量相關(guān)性高，被廣泛用于估算和監(jiān)測綠色植物生物量。在植被高密度覆蓋情況下，它對植被十分敏感，與生物量的相關(guān)性最好。但當(dāng)植被覆蓋度小于50%時，它的分辨能力顯著下降。此外，RVI對大氣狀況很敏感，大氣效應(yīng)大大地降低了它對植被檢測的靈敏度，尤其是當(dāng)RVI值高時。因此，最好運用經(jīng)大氣糾正的數(shù)據(jù)，或?qū)刹ǘ蔚幕叶戎担―N）轉(zhuǎn)換成反射率（ρ）后再計算RVI，以消除大氣對兩波段不同非線性衰減的影響。第二十六頁，共七十一頁，2022年，8月28日272）歸一化植被指數(shù)（NDVI）：

歸一化指數(shù)（NDVI）被定義為近紅外波段與可見光紅波段數(shù)值之差和這兩個波段數(shù)值之和的比值。即：或NDVI是簡單比值RVI經(jīng)非線性的歸一化處理所得。在植被遙感中，NDVI的應(yīng)用最為廣泛，是植被生長狀態(tài)及植被覆蓋度的最佳指示因子，與植被分布密度呈線性相關(guān)。因此又被認(rèn)為是反映生物量和植被監(jiān)測的指標(biāo)。第二十七頁，共七十一頁，2022年，8月28日28典型的地面覆蓋類型的NDVI值域：云、水、雪

R>NIR，則NDVI<0巖石、裸土

R≌NIR，則NDVI≌0植被

R<NIR，則NDVI>0第二十八頁，共七十一頁，2022年，8月28日29第二十九頁，共七十一頁，2022年，8月28日30NDVI的一個缺陷在于，對土壤背景的變化較為敏感。實驗證明，當(dāng)植被覆蓋度小于15%時，植被的NDVI值高于裸土的NDVI值，植被可以被檢測出來，但因植被覆蓋度很低，如干旱、半干旱地區(qū)，其NDVI很難指示區(qū)域的植物生物量，而對觀測與照明卻反應(yīng)敏感；當(dāng)植被覆蓋度由25～80%增加時，其NDVI值隨植物量的增加呈線性迅速增加；當(dāng)植被覆蓋度大于80%時，其NDVI值增加延緩而呈現(xiàn)飽和狀態(tài)，對植被檢測靈敏度下降。

第三十頁，共七十一頁，2022年，8月28日31差值植被指數(shù)（DVI）

差值植被指數(shù)（DVI）又稱環(huán)境植被指數(shù)（EVI），被定義為近紅外波段與可見光紅波段數(shù)值之差。即：

差值植被指數(shù)的應(yīng)用遠(yuǎn)不如RVI、NDVI。它對土壤背景的變化極為敏感，有利于對植被生態(tài)環(huán)境的監(jiān)測。另外，當(dāng)植被覆蓋濃密（≥80%）時，它對植被的靈敏度下降，適用于植被發(fā)育早－中期，或低－中覆蓋度的植被檢測。第三十一頁，共七十一頁，2022年，8月28日32纓帽變換中的綠度植被指數(shù)（GVI）而對于TM而言，可見光—紅外6個波段數(shù)據(jù)經(jīng)纓帽變換(TC)的前三個分量主要反映土壤亮度、綠度、濕度特征，第四分量主要為噪聲。其中綠度指數(shù)可表示為：TC變換既然是以各波段的輻射亮度值作為變量的，這些亮度值中包含了太陽輻射、大氣輻射、環(huán)境輻射等多要素的綜合信息，因而TC變換所得的圖形和數(shù)值，受大氣純度、光照角度等外界條件的變化而波動。第三十二頁，共七十一頁，2022年，8月28日33在作物研究中，為了突出作物本身的光譜特征的動態(tài)信息，盡量排除大氣環(huán)境等因素的影響，在TC變換中選用反射率來替代亮度值，將典型的纓帽變換圖形進(jìn)一步發(fā)展為G-轉(zhuǎn)換圖形，即綠度轉(zhuǎn)換圖形。圖形中的一維是作物在紅波段（R）與近紅外波段（NIR）組合的綠度模型（綠度變量G），另一維是作物在0.4~1.1的平均反射率，每一種作物在由這兩個變量組成的象限里均有各自獨特的變化圖形和不同的空間位置。第三十三頁，共七十一頁，2022年，8月28日34在綠度轉(zhuǎn)換圖形上，土壤與植被光譜特征互不相干，植被的綠度測量可排除土壤背景的干擾，一個通過植被光譜圖形反映植被的生長狀況，另一個通過土壤亮度線反映植被的生長條件綠度轉(zhuǎn)換圖形可以直接形象地反映了G、P兩維變量的變化規(guī)律和植被發(fā)育過程中空間結(jié)構(gòu)的變化，且信息量得到壓縮。但是它缺乏時間變量。第三十四頁，共七十一頁，2022年，8月28日35盡管圖形反映了作物生長過程，而作物生長過程本身是時間的函數(shù)，作物光譜是隨時間的變化而變化的，但由于它缺乏具體的時間變量、不能描述作物生長期的長短，特別是當(dāng)兩種作物在圖形和空間位置相近，需用時間參數(shù)加以鑒別時，該圖形反映出一定的局限性。為了彌補(bǔ)這一不足，往往運用多時相動態(tài)資料，繪制綠度時間剖面曲線，以顯示作物不同生長期中的顯著差異。第三十五頁，共七十一頁，2022年，8月28日3.5植被指數(shù)與地表參數(shù)的關(guān)系植被指數(shù)與葉面積指數(shù)的關(guān)系植被指數(shù)與葉綠素含量的關(guān)系植被指數(shù)與植被覆蓋度的關(guān)系植被指數(shù)與生物量的關(guān)系植被指數(shù)與地表生態(tài)環(huán)境參數(shù)的關(guān)系植被指數(shù)與氣候參數(shù)的關(guān)系植被指數(shù)與植物蒸發(fā)量、土壤水分的關(guān)系36第三十六頁，共七十一頁，2022年，8月28日371、植被指數(shù)與葉面積指數(shù)的關(guān)系葉面積指數(shù)LAI是指每單位土壤表面積的葉面面積比例。它對植物光合作用和能量傳輸是十分有意義的。葉面積越大則光合作用越強(qiáng)，而光合作用越強(qiáng)，又使植物群體的葉面積越大，植物干物質(zhì)積累越多，生物量越大。同時，植物群體的葉面積越大，植物群體的反射輻射增強(qiáng)。實驗證明：當(dāng)作物群體LAI大于3時，其反射率可達(dá)太陽總輻射的20%；當(dāng)正常稻田L(fēng)AI為4時的能量透過率為太陽總輻射的23%或低于20%；對草本植物而言，葉片傾角較大，光很容易透過冠層直達(dá)底部直至土壤則當(dāng)LAI高達(dá)7.5時，有5%的入射光可到達(dá)土壤表面。第三十七頁，共七十一頁，2022年，8月28日38葉面積指數(shù)LAI，是利用遙感技術(shù)監(jiān)測植被長勢和估算產(chǎn)量的關(guān)鍵參數(shù)。然而，葉面積指數(shù)LAI往往是難以直接從遙感儀器獲得，但是它與遙感參數(shù)—植被指數(shù)間有密切的關(guān)系，它是聯(lián)系植被指數(shù)與植物光合作用的一個主要的植冠形態(tài)參數(shù)。葉面積指數(shù)一般大于1，小于10，在光譜曲線中，近紅外波段的反射率隨葉面指數(shù)增加而增加。第三十八頁，共七十一頁，2022年，8月28日39外表上的和表面覆蓋面積隨時間發(fā)生變化，是植物和地面其它大多數(shù)地物（特別是那些與氣候無關(guān)的）相區(qū)別的標(biāo)志。植被指數(shù)NDVI或RVI與葉面積指數(shù)LAI的相關(guān)系數(shù)很高，且與LAI呈非線性函數(shù)關(guān)系。式中的A、B、C及A'、B'、C'均為經(jīng)驗系數(shù)，可通過模擬試驗獲得。其中，A、A'值是由植物本身的光譜反射確定的，不同葉形，葉傾角及散射系數(shù)造成不同的A值及A'值；B、B'值與葉傾角、觀測角有關(guān)，當(dāng)葉呈水平狀，則線性關(guān)系明顯；當(dāng)葉呈非水平狀，隨著LAI的增大，植被指數(shù)增大速率較慢，兩者呈余弦關(guān)系，基本是線性的。C、C'值取決于葉子對輻射的衰減，這種衰減是呈非線性的指數(shù)函數(shù)變化。第三十九頁，共七十一頁，2022年，8月28日402、植被指數(shù)與葉綠素含量的關(guān)系

葉子生長初期，葉綠素含量與輻射能吸收間幾乎直線相關(guān)，即葉綠素含量增多，藍(lán)、紅波段吸收增強(qiáng)，綠波段反射率降低，近紅外反射率增強(qiáng)，植被指數(shù)增大；但當(dāng)葉綠素含量增加到一定程度后，吸收率近于飽和，反射率變化小，植被指數(shù)的差異不明顯，因而植物在生長旺季較難區(qū)分。不同作物由于植土比的差異，其表達(dá)葉綠素含量的光譜模型是不同。下圖顯示小麥幾種植被指數(shù)模型與葉綠素含量的時間剖面曲線的關(guān)系。第四十頁，共七十一頁，2022年，8月28日41第四十一頁，共七十一頁，2022年，8月28日42從圖中可見，G5曲線與葉綠素含量相當(dāng)吻合。實驗證明，對小麥而言，G5=NIR/R2的光譜模型表達(dá)葉綠素含量最佳。其余四個綠度模型分別為：第四十二頁，共七十一頁，2022年，8月28日43對大豆而言，因葉子較早封壟，土壤影響較小，則G3光譜模型反映葉綠素含量最佳。研究還表明，可以根據(jù)紅邊拐點對應(yīng)的反射光譜值，來估計冠層葉綠素含量（Chlf），葉綠素含量增加，拐點值相應(yīng)增加。V.Demarez等（2000）指出：林冠層葉綠素含量Chlf除了以紅邊拐點對應(yīng)的波長λi來確定外，還受葉面積指數(shù)LAI、觀測方向、下墊面反射和冠層結(jié)構(gòu)等因素的影響。若不考慮冠層結(jié)構(gòu)（如成熟林型或桿狀林型等），林冠層葉綠素含量Chlf的估計誤差可達(dá)23μg/cm2。第四十三頁，共七十一頁，2022年，8月28日443、植被指數(shù)與植被覆蓋度的關(guān)系

植被覆蓋度指植被冠層的垂直投影面積與土壤總面積之比,即植/土比。傳感器所測得的反射輻射R可表示為：

其中，RV為植被的總反射輻射，RS為土壤的總反射輻射，C為植被覆蓋度，則：式中,ρ為植被與土壤混合光譜反射率,ρv、ρs分別為純植被和純土壤寬波段反射率。第四十四頁，共七十一頁，2022年，8月28日45據(jù)理論推導(dǎo)，RVI、NDVI與植土比分別呈指數(shù)和冪函數(shù)關(guān)系，當(dāng)LAI較小時，它們與植土比的變化反應(yīng)不敏感。PVI與植土比呈直線相關(guān)，其對植土比的感應(yīng)能力也隨LAI減小而降低。就估測作物而言，PVI較為優(yōu)越，但應(yīng)選LAI較大的時期。實際上，植土比和葉面積指數(shù)同時隨空間而變化，因此，需綜合考慮植被指數(shù)與兩者的關(guān)系。第四十五頁，共七十一頁，2022年，8月28日46對同一地區(qū)來說，作物品種特性差異較小，作物長勢越好，葉面積指數(shù)越大作物產(chǎn)量就越高。也就是說，作物（主指冬小麥）的理論產(chǎn)量與抽穗期葉面積指數(shù)呈很好的直線相關(guān)關(guān)系。因此，可以將一個地區(qū)的平均葉面積指數(shù)（LAI）與該地區(qū)植土比（KW）的乘積（LK）作為該地區(qū)作物總產(chǎn)的線性相關(guān)因子。第四十六頁，共七十一頁，2022年，8月28日474、植被指數(shù)與生物量的關(guān)系

生物量指的是植物組織的重量。它是由植物光合作用的干物質(zhì)積累所致。顯然，葉面積指數(shù)LAI與植被覆蓋度均是生物量的重要指標(biāo)，它們都與植被指數(shù)相關(guān)。討論植被條件指數(shù)與植被覆蓋度、生物量的關(guān)系。第四十七頁，共七十一頁，2022年，8月28日48由NOAA/AVHRR數(shù)據(jù)獲得的植被條件指數(shù)VCI被定義為：

式中，NDVI、NDVImax、NDVImed、NDVImin分別為平滑化后每周（7天）的NDVI以及它的多年最大值、中值、最小值（以象元為計算單元）第四十八頁，共七十一頁，2022年，8月28日49Anatoly等（1990）曾對干濕兩種氣候條件和不同生態(tài)區(qū)（高程與NDVI值不同），運用NOAA/AVHRR數(shù)據(jù)獲得的植被條件指數(shù)VCI來估算植被覆蓋度以及草場與作物生產(chǎn)力，并通過大量地面實測數(shù)據(jù)來驗證遙感估算的結(jié)果。研究結(jié)果表明，用植被條件指數(shù)VCI對植被覆蓋度的估算誤差＜16%，低覆蓋區(qū)誤差更?。磺襐CI與實測的植被覆蓋度相關(guān)性較高（相關(guān)系數(shù)約0.76）。因此，用遙感衛(wèi)星數(shù)據(jù)所獲得的植被條件指數(shù)VCI方法，來定量估算大面積植被覆蓋度和生物量是有效的。第四十九頁，共七十一頁，2022年，8月28日505、

植被指數(shù)與地表生態(tài)環(huán)境參數(shù)的關(guān)系

植被指數(shù)如NDVI常被認(rèn)為是氣候、地形、植被/生態(tài)系統(tǒng)和土壤/水文變量的函數(shù)。從概念上講，可以用這些環(huán)境因子建立NDVI模型：式中，C為氣候子模型，V為植被/生態(tài)子模型，P為地形子模型，S為土壤/水文子模型。這些子模型又可表示為各自主因子的數(shù)：第五十頁，共七十一頁，2022年，8月28日51但是對于一個特定的地理位置和一定時間尺度（如年或10年），地形子模型可認(rèn)為是常量，植被/生態(tài)系統(tǒng)子模型及土壤/水文子模型也變化不大或基本傾向于常量。那么，應(yīng)該說變化較大的是氣候子模型，或者說，對一個具體時間（t），一個具體地點的NDVI主要成為相關(guān)氣候變量的函數(shù)：第五十一頁，共七十一頁，2022年，8月28日526、植被指數(shù)與氣候參數(shù)的關(guān)系影響植被指數(shù)的氣候參數(shù)主要指水、氣溫和日照，因此上式可表示為：

式中Tt表示在具體時間t之前一段時間的某個因子的累計影響；一般說來，氣溫和日照是與同一年度的季節(jié)密切相關(guān)，而季節(jié)可用日期來加以描述。因此，可用一個指定變量——日期（j），作為表示氣候季節(jié)的變量，則上式可簡化為：第五十二頁，共七十一頁，2022年，8月28日53對于一個時間分辨率為天的NDVI模型，上式的t為j，則：

也就是說，日期為j的NDVI為降水和日期j的函數(shù)。它受日期（表征氣溫與日照）以及該日期前一時間段降水的影響。第五十三頁，共七十一頁，2022年，8月28日547、植被指數(shù)與植物蒸發(fā)量、土壤水分的關(guān)系一般說來，NDVI能反映植被狀況，而植被狀況與植被蒸發(fā)量、土壤水分有關(guān)的。對某一站點的綠色植被連續(xù)測定表明，累計的蒸發(fā)量與累計的植被指數(shù)間高度相關(guān)Smith等（1990）對半干旱地區(qū)的研究表明，圖象上測得的植被覆蓋與實際地面測得的蒸發(fā)量有密切關(guān)系：Desjardins（1989、1990）的研究發(fā)現(xiàn)，草本植被冠層測得的CO2和H2O通量高度相關(guān)；Cihlar等（1991）通過作物生長季節(jié)每15天的NDVI、氣象站點的氣象數(shù)據(jù)，由土壤水分模型（VSMB、SWOM）反演計算了根系不同深度水含量以及生態(tài)、土壤等信息。在GIS支持下研究NOAA/AVHRR的NDVI與生態(tài)變量的關(guān)系以及用NDVI來估算蒸發(fā)量的可能性。第五十四頁，共七十一頁，2022年，8月28日55研究發(fā)現(xiàn)，不同的植被/土壤組合顯示不同的NDVI變化軌跡，它與潛在的蒸發(fā)量（PE）曲線的趨勢密切相關(guān)。實際蒸發(fā)量（AE）與相應(yīng)的NDVI間相關(guān)系數(shù)為0.77；NDVI與前15天的潛在蒸發(fā)量間相關(guān)系數(shù)為0.86；整個生長季節(jié)的累計NDVI與累計蒸發(fā)量高度相關(guān)，相關(guān)系數(shù)達(dá)0.96。研究表明，用NDVI和潛在蒸發(fā)量（PE）可以估算15天為周期的實際蒸發(fā)量（AE），估算誤差約10～15%。這個結(jié)果說明NDVI的變化軌跡可提供植物季相變化的重要信息，并能較好的估算實際蒸發(fā)量（AE）。第五十五頁，共七十一頁，2022年，8月28日56不少學(xué)者研究了不同的干旱—半干旱地區(qū)植被指數(shù)與土壤水分的關(guān)系，發(fā)現(xiàn)植被指數(shù)與各種測量所得的土壤水分有效性（availability）之間有密切的經(jīng)驗關(guān)系。Singh等（1988）的研究發(fā)現(xiàn)，植被指數(shù)與土壤水分受脅迫（Stress）的關(guān)系，依賴于植被的類型，許多研究表明，NDVI可以作為一種有用的土壤含水量指標(biāo)。第五十六頁，共七十一頁，2022年，8月28日57ChoμdhμryGolμs（1988）運用Nimbμs-7的多通道微波輻射儀（SMMR）和NOAA/AVHRR數(shù)據(jù)，由SMMR的微波數(shù)據(jù)得亮度溫度和由AVHRR得植被指數(shù)NDVI，再通過降水指數(shù)（API）模型與土壤濕度進(jìn)行相關(guān)分析。同時用SMMR和AVHRR的可見光—近紅外數(shù)據(jù)建立土壤濕度模型（線性回歸方程）得到4級土壤濕度，與不考慮植被的3級土壤濕度相比較。Di（1991）提出用NOAA/AVHRR所得的NDVI和表面溫度，以及氣候數(shù)據(jù)計算區(qū)域尺度土壤水分的方法。研究結(jié)果表明，此法所得的區(qū)域土壤水分與作物水分指數(shù)（CMI）和Palmer干旱指數(shù)（PDSI）有高度相關(guān)。第五十七頁，共七十一頁，2022年，8月28日583.6植被遙感的應(yīng)用大面積農(nóng)作物的遙感估產(chǎn)植被及其動態(tài)變化制圖城市綠化調(diào)查草場資源調(diào)查林業(yè)資源調(diào)查第五十八頁，共七十一頁，2022年，8月28日59大面積農(nóng)作物估產(chǎn)農(nóng)作物估產(chǎn)用遙感手段大面積地對某種作物做出產(chǎn)量預(yù)測，為國家進(jìn)行國民經(jīng)濟(jì)重大決策提供基礎(chǔ)信息。