第六章可见光与近红外波段-简讲.ppt

可见光与近红外波段遥感应用本章内容6.1植被遥感模型植被指数的由来根据函数形式，植被指数主要分为2类。
（1）比值型植被指数

Rir与Rr分别为近红外与红色波段的反射率。
RVI称为比值植被指数
NDVI称为标准差值植被指数
（2）垂直距离型植被指数

PVI称为垂直植被指数NDVI垂直植被指数的物理意义：1、绿色健康植被覆盖地区的RVI远大于1，而无植被覆盖的地面（裸土、人工建筑、水体、植被枯死或严重虫害）的RVI在1附近。植被的RVI通常大于2；
2、RVI是绿色植物的灵敏指示参数，与LAI、叶干生物量(DM)、叶绿素含量相关性高，可用于检测和估算植物生物量；
3、植被覆盖度影响RVI，当植被覆盖度较高时，RVI对植被十分敏感；当植被覆盖度<50%时，这种敏感性显著降低；
4、RVI受大气条件影响，大气效应大大降低对植被检测的灵敏度，所以在计算前需要进行大气校正，或用反射率计算RVI。归一化植被指数——NDVI的特性波段号应用植被指数提取植被信息比单通道值准确可靠(2)传感器测量的是来自目标的辐射亮度值，当辐射环境发生变化时（如大气透明度变化造成太阳直射和天空光变化，地形地貌也会影响辐射环境），接收的目标亮度会发生变化，难以作为判读的依据。但植被指数可以部分消除这一影响。...6.1植被遥感模型NDVI中的土壤背景影响NDVI指数的一个假设是研究区域内的所有土壤类型都是相同的，而建筑用地及盐碱地与有植被覆盖的土地类型受土地背景影响严重，就不能单一的应用NDVI指数进行区分。Huete提出了土壤调节植被指数SAVI，引入了土壤调节因子l，使无论深色或浅色土壤背景中求得的植被指数都完全相等，从而消除了土壤背景的干扰。SAVI指数计算公式为：NDVI6.1植被遥感模型6.1.3混合象元模型端元(endmember)我们可以认为一个混合象元由植被、裸地、水体组成，此时端元就是植被、裸地和水体。
如果我们需要在植被中区分小麦和林地，在裸地中区分村庄和撂荒地，则此时我们认为一个混合象元由小麦、林地、村庄、撂荒地和水体等端元组成。
端元的个数完全根据实际需要、遥感数据（多维）信息量、以及端元之间的差异而确定。子象元(sub-pixel)总之：
当我们关注象元时，我们用混合象元或纯象元等名词。
当我们关注象元内部时，我们用端元或子象元等名词。通常，端元的含义与子象元的含义相同。
混合象元分解也称为子象元分解，主要目的就是为了求算各子象元（端元）所占的面积（比例）。当然，子象元（端元）的精确位置是无法通过分解确定的。混合象元模型混合象元模型有很多类型。其中最早使用、最简单、目前还常被使用的是线性模型。
以下，我们将主要介绍线性模型。只考虑2个端元的线性模型注意到：考虑3个端元的线性模型注意到：我们可以获取2个波段（如红波段和近红外波段）的遥感数据，以构成方程组：考虑n个端元的线性模型大写ρ方程数多于未知数时，可以进一步提高反演精度。反演的精度取决于：象元反射率与端元反射率的精度。
其次，遥感数据集的选取也很重要。端元的反射率在不同数据中差别越大，反演越精确。
模型中的误差项主要是由于遥感数据误差、混合象元中其它端元的贡献、以及其它随机误差引起的。6.1植被遥感模型我们如何定量地研究植被覆盖区域的反射特征？但是不可否认的是，遥感也象其它学科一样，经历着从简单到复杂、从定性到定量的发展过程和发展趋势，尤其是作为一门新兴学科，更是如此。以植被指数、光谱-地物相关方法为代表的工作是在实验数据和感官经验的基础上完成的，缺乏一套有力完整的理论体系作支撑，因而是经验或半经验的。其理论基础是统计相关，其根本弱点在于主观性和片面性，具有数据的局限性和结果的难以重复性。随着遥感定量化呼声日高和遥感手段的日益丰富完备，迫切需要发展有物理意义的理论模型，解决植被遥感中存在的问题和不足。在研究植被等地物的光谱特征时，人们逐渐发现了“同物异谱、异物同谱”的现象，地面测量的光谱曲线与实际遥感测量的光谱曲线很难一一对应。研究者考虑到这种现象可能是混合象元引起的，于是引进了混合象元模型及其求解方法。在混合象元中，植被的反射率是已知的。
但是实际上，由于植被反射率是由叶片、下层土壤等形成的综合因素，即植被区域不是一个平面刚体，辐射是可以穿过冠层表面的，通过各种散射后，再从冠层上界逸出，被传感器所接收。因而形成冠层反射率模型。
可以这样认为，混合象元是二维的，冠层反射率模型是三维的。如果从遥感分析的角度，我们可以依据尺度由大向小排列顺序如下：在冠层反射率模型中，通常分为两类，即几何光学模型与辐射传输模型。
之所以分成两类模型，主要是由于地面的植被（在生态学上就是林地、草地、农田）主要有两种外在形态。一种是几何特征明显（如树木、灌丛、成垄分布的农作物等），另一种则无明显几何特征