植被指数总结
植被指数总结
植被指数
概念：利用卫星不同波段探测数据组合而成的，能反映植物生长状况的指数。
植物叶面在可见光红光波段有很强的吸收特性，在近红外波段有很强的反射特性，这是植被遥感监测的物理基础，通过这两个波段测值的不同组合可得到不同的植被指数。差值植被指数又称农业植被指数，为二通道反射率之差，它对土壤背景变化敏感，能较好地识别植被和水体。该指数陌生物量的增加而迅速增大。比值植被指数又称为绿度，为二通道反射率之比，能较好地反映植被覆盖度和生长状况的差异，特别适用于植被生长旺盛、具有高覆盖度的植被监测。归一化植被指数为两个通道反射率之差除以它们的和。在植被处于中、低覆盖度时，该指数随覆盖度的增加而迅速增大，当达到一定覆盖度后增长缓慢，所以适用于植被早、中期生长阶段的动态监测。蓝光、红光和近红外通道的组合可大大消除大气中气溶胶对植被指数的干扰，所组成的抗大气植被指数可大大提高植被长势监测和作物估产精度。
遥感技术可以监测植被的变化，主要研究植被的替代指标. NDVI，又称标化植被指数，是目前应用最为广泛的指标，是近红外波段与红色波段的差异经二者之和校正后的结果. 公式为：NDVI=（NIR-RED）/（NIR+RED），该指数值介于-1与1之间： 0代表该区域基本没有植被生长；负值代表非植被覆盖的区域；取值0~1之间，数字越大代表植被的覆盖面积越大，植被的量越多。云、水体和冰雪在红色及近红外波段均有较大反射，其NDVI值为负值；土壤和岩石在这两个波段的反射率基本相同，因此其NDVI值接近0. 对于Landsat TM传感器来说，其红外及可见红光波段分别为CH4和CH3波段. 为了对不同像素显示配色，按公式（NDVI-NDVI极小值）/（NDVI极大值-NDVI极小值）×255将NDVI扩展为0~255.
计算NDVI必须用反射率。
DN值有多种类型，TM、NOAA的原始数据就是DN值，不能用来直接计算NDVI，必须通过辐射定标计算成反射率，才能用来计算NDVI。但一般我们需要先进行大气校正，大气校正又包含多个方面，例如水汽、臭氧和气溶胶，世界上提供的NDVI数据集一般只做了其中部分的校正。对于山区，还需要做地形校正。
单纯利用DN值计算，可以解释成仅仅只是DN值计算；而TM4＝0且TM3＝0，是说TM34波段的DN值均为0时候，分母为0 ，计算不免会出现问题。
NDVI的物理依据是地物反射率的差异变化。所以用反射率来计算是比较客观准确的，而『现实生活』中，大多的人，根本不会考虑用地表反射率来计算NDVI，直接用DN来代替地表反射率，这样的替代是不是可以，从定量的角度来讲，肯定是不够严密的，大气的影响毕竟客观存在。
植被指数主要反映植被在可见光、近红外波段反射与土壤背景之间差异的指标，各个植被指数在一定条件下能用来定量说明植被的生长状况。在学习和使用植被指数时必须由一些基本的认识：
1、健康的绿色植被在NIR和R的反射差异比较大，原因在于R对于绿色植物来说是强吸收的，NIR则是高反射高透射的；
2、建立植被指数的目的是有效地综合各有关的光谱信号，增强植被信息，减少非植被信息
3、植被指数有明显的地域性和时效性，受植被本身、环境、大气等条件的影响
一、RVI——比值植被指数：RVI=NIR/R，或两个波段反射率的比值。
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。
二、NDVI——归一化植被指数：NDVI=(NIR-R)/(NIR+R)，或两个波段反射率的计算。
1、NDVI的应用：检测植被生长状态、植被覆盖度和消除部分辐射误差等；
2、-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大；
3、NDVI的局限性表现在，用非线性拉伸的方式增强了NIR和R的反射率的对比度。对于同一幅图象，分别求RVI和NDVI时会发现，RVI值增加的速度高于NDVI增加速度，即NDVI对高植被区具有较低的灵敏度；
4、NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、学、枯叶、粗超度等，且与植被覆盖有关；
三、DVIEVI——差值环境植被指数：DVI=NIR-R，或两个波段反射率的计算。
1、对土壤背景的变化极为敏感；
四、SAVITSAVIMSAVI——调整土壤亮度的植被指数：
SAVI=((NIR-R)/(NIR+R+L))(1+L)，或两个波段反射率的计算。
1、目的是解释背景的光学特征变化并修正NDVI对土壤背景的敏感。与NDVI相比，增加了根据实际情况确定的土壤调节系数L，取值范围0~1。 L=0 时，表示植被覆盖度为零；L=1时，表示土壤背景的影响为零，即植被覆盖度非常高，土壤背景的影响为零，这种情况只有在被树冠浓密的高大树木覆盖的地方才会出现。
2、SAVI仅在土壤线参数a=1,b=0（即非常理想的状态下）时才适用。因此有了TSAVI、ATSAVI、MSAVI、SAVI2、SAVI
3、SAVI4等改进模型。
小结：上述几种VI均受土壤背景的影响大。植被非完全覆盖时，土壤背景影响较大
五、GVI——绿度植被指数，k-t变换后表示绿度的分量。
1、通过k-t变换使植被与土壤的光谱特性分离。植被生长过程的光谱图形呈所谓的"穗帽"状，而土壤光谱构成一条土壤亮度线，土壤的含水量、有机质含量、粒度大小、矿物成分、表面粗糙度等特征的光谱变化沿土壤亮度线方向产生。
2、kt变换后得到的第一个分量表示土壤亮度，第二个分量表示绿度，第三个分量随传感器不同而表达不同的含义。如，MSS的第三个分量表示黄度，没有确定的意义；TM的第三个分量表示湿度。
3、第一二分量集中了>95%的信息，这两个分量构成的二位图可以很好的反映出植被和土壤光谱特征的差异。
4、GVI是各波段辐射亮度值的加权和，而辐射亮度是大气辐射、太阳辐射、环境辐射的综合结果，所以GVI受外界条件影响大。
六、PVI——垂直植被指数，在R-NIR的二为坐标系内，植被像元到土壤亮度线的垂直距离。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、较好的消除了土壤背景的影响，对大气的敏感度小于其他VI
2、PVI是在R-NIR二位数据中对GVI的模拟，两者物理意义相同
3、PVI=(DNnir-b)cosq-DNr´sinq，b是土壤基线与NIR截距，q 是土壤基线与R的夹角。
七、其他
1、根据具体情况改进型：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、应用于高光谱数据的VI，如CARI(叶绿素吸收比值指数）和CACI（叶绿素吸收连续区指数）等
VI划分
类型典型代表特点
线性DVI低LAI时，效果较好；LAI增加爱时对土壤背景敏感
比值型 NDVI、RVI增强了土壤与植被的反射对比
垂直型 PVI低LAI时，效果较好；LAI增加爱时对土壤背景敏感
植被指数计算方法
2.1 归一化植被指数（NDVI ） 归一化植被指数（Normalized Difference Vegetation Index ，即N D V I ）的计算公式为： NIR RED NIR RED NDVI ρρρρ-=+ 其中：NIR ρ和RED ρ分别代表近红外波段和红光波段的反射率NDVI 的值介于-1和1之间。 2.2 增强型植被指数（EVI ） 增强型植被指数（Enhanced Vegetation Index ，即EVI ）计算公式为： 2.5 6.07.51 NIR RED NIR RED BLUE EVI ρρρρρ-=?+-+ NIR ρ、RED ρ和BLUE ρ分别代表近红外波段、红光波段和蓝光波段的反射率。 2.3 高光谱归一化植被指数（Hyp_NDVI ） 对于环境与灾害监测预报小卫星高光谱载荷，选取中心波长分别位于近红外和红光的谱段进行归一化植被指数计算： _____Hyp NIR Hyp RED Hyp NDVI Hyp NIR Hyp RED -=+ 2.4 其他植被指数 （1） 比值植被指数（Ratio Vegetation Index ——RVI ） NIR RED RVI ρρ= 该植被指数能够充分表现植被在红光和近红外波段反射率的差异，能增强植被与土壤背景之间的辐射差异。但是RVI 对大气状况很敏感，而且当植被覆盖小于50%时，它的分辨能力显著下降。 （2） 差值植被指数（Difference Vegetation Index ——DVI ） NIR RED DVI ρρ=- 该植被指数对土壤背景的变化极为敏感，有利于对植被生态环境的监测，因此又被称为环境植被指数（EVI ）。 （3） 土壤调整植被指数（Soil-Adjusted Vegetation Index ——SA VI ）
植被光谱分析与植被指数计算
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 i ndices ——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 t o 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。 SWIR-1 和SWIR-2的过渡区（1900nm附近）也是大气水的强吸收范围。 植被可分为三个部分组成： ??●植物叶片（Plant Foliage） ??●植被冠层（Plant Canopies） ??●非光合作用植被(Non-Photosynthetic Vegetation) 这三个部分是植被分析的基础，下面对他们详细介绍。 1.1植物叶片（Plant Foliage） 植物叶片包括叶、叶柄以及其他绿色物质，不同种类的叶片具有不同的形状和化学成份。对波谱特征产生重要影响
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。归一化差异绿度指数（NDGI），可用来对不同活力植被形式进行检验。归一化差异指数（NDI）建立了光谱反射率和棉花作物残余物的表面覆盖率的关系，以用来对作物残余物的制图。 近年来，随着高光谱分辨率遥感的发展以及热红外遥感技术的应用，又发展了红边植被指数、导数植被指数（DVI）、温度植被指数（Ts-VI）、生理反射植被指数（PRI）。“红边”的一般定义为叶绿素吸收红边斜率的拐点。红边位置灵敏于叶绿素a、b的浓度和植被叶细胞的结构。为获取红边位置信息，Miller 等用一个倒高斯模型拟合红边斜率。导数植被指数由于它能压缩背景噪音对目标信号的影响或不理想的低频信号，被应用在目前的高光谱遥感研究中，尤其是在利用高光谱遥感提取植被化学成份信息方面得到成功的应用。近年来的经验研究表明：热红外辐射（如土面亮度温度）和植被指数在大尺度范围遥感应用中可提高土地覆盖的制图和监测精度。生理反射植被指数是针对高光谱遥感的特点，对植被生化特性的短期变化（如一天的植被的光合作用）进行探测。 植被指数按发展阶段可分为三类：第一类植被指数基于波段的线性组合（差或和）或原始波段的比值，由经验方法发展的，没有考虑大气影响、土壤亮度和土壤颜色，也没有考虑土壤、植被间的相互作用（如RVI等）。它们表现了严重的应用限制性，这是由于它们是针对特定的遥感器（Landsat MSS）并为明确特定应用而设计的。第二类植被指数大都基于物理知识，将电磁波辐射、大气、植被覆盖和土壤背景的相互作用结合在一起考虑，并通过数学和物理及逻辑经验以及通过模拟将原植被指数不断改进而发展的（如PVI、S A VI、MSA VI、TSA V
植被指数
1.用ETM+图像计算植被指数并分析。 数据来源：地理空间数据云平台 Landsat 7 ETM SLC-on 卫星数字产品(1999-2003) 数据标识LE71190432002338EDC01卫星名称LANDSAT7 数据类型L7slc-on传感器ETM+ 接收站EDC白天/晚上DAY 条带号119 行编号43 太阳高度角37.8951 太阳方位角151.8815 获取时间2002-12-04 平均云量 1.0 开始时间2002-12-04 02:21:12.0 结束时间2002-12-04 02:21:12.0 中心经度118.4915 中心纬度24.5531 Landsat 7 ETM SLC-on 卫星数字产品(1999-2003) 数据标识LE71190432002066SGS00卫星名称LANDSAT7 数据类型L7slc-on传感器ETM+ 接收站SGS白天/晚上DAY 条带号119 行编号43 太阳高度角49.0019 太阳方位角133.0889 获取时间2002-03-07 平均云量0.0 开始时间2002-03-07 02:21:52.0 结束时间2002-03-07 02:21:52.0 中心经度118.4993 中心纬度24.5482 (1)由于这两个数据的空间投影与厦门市矢量图层的投影都是GCS_WGS_1984,所以不用进行重投影。 (2)利用厦门市矢量图层对这两个卫星数字产品中的B30、B40波段进行剪裁。如图1. L71119043_0432*******_B30 L71119043_0432*******_B40 L71119043_0432*******B-30 L71119043_0432*******B-40 （3）利用ARCGIS中Spatial Anaiyst---Raster Calculator进行植被指数的计算。计算公式为NDVI=(band4-band3)/(band4+band3)。得到图2.
几种常见植被指数精编WORD版
几种常见植被指数精编 W O R D版 IBM system office room 【A0816H-A0912AAAHH-GX8Q8-GNTHHJ8】
植被指数主要反映植被在可见光、近红外波段反射与土壤背景之间差异的指标，各个植被指数在一定条件下能用来定量说明植被的生长状况。在学习和使用植被指数时必须由一些基本的认识： 1、健康的绿色植被在NIR和R的反射差异比较大，原因在于R对于绿色植物来说是强吸收的，NIR则是高反射高透射的； 2、建立植被指数的目的是有效地综合各有关的光谱信号，增强植被信息，减少非植被信息 3、植被指数有明显的地域性和时效性，受植被本身、环境、大气等条件的影响 一、RVI——比值植被指数：RVI=NIR/R，或两个波段反射率的比值。 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，这种敏感性显着降低； 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。 二、NDVI——归一化植被指数：NDVI=(NIR-R)/(NIR+R)，或两个波段反射率的计算。 1、NDVI的应用：检测植被生长状态、植被覆盖度和消除部分辐射误差等；
2、-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大； 3、NDVI的局限性表现在，用非线性拉伸的方式增强了NIR和R的反射率的对比度。对于同一幅图象，分别求RVI和NDVI时会发现，RVI值增加的速度高于NDVI增加速度，即NDVI对高植被区具有较低的灵敏度； 4、NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、学、枯叶、粗超度等，且与植被覆盖有关； 三、DVI\EVI——差值\环境植被指数：DVI=NIR-R，或两个波段反射率的计算。 1、对土壤背景的变化极为敏感；? 四、SAVI\TSAVI\MSAVI——调整土壤亮度的植被指数：SAVI=((NIR- R)/(NIR+R+L))(1+L)，或两个波段反射率的计算。 1、目的是解释背景的光学特征变化并修正NDVI对土壤背景的敏感。与NDVI相比，增加了根据实际情况确定的土壤调节系数L，取值范围0~1。 L=0 时，表示植被覆盖度为零；L=1时，表示土壤背景的影响为零，即植被覆盖度非常高，土壤背景的影响为零，这种情况只有在被树冠浓密的高大树木覆盖的地方才会出现。 2、SAVI仅在土壤线参数a=1,b=0（即非常理想的状态下）时才适用。因此有了TSAVI、ATSAVI、MSAVI、SAVI2、SAVI 3、SAVI4等改进模型。 五、GVI——绿度植被指数，k-t变换后表示绿度的分量。
植被指数、变化检测与图像增强的算法实现
植被指数、变化检测与图像增强的算法实现 武汉大学遥感信息工程学院20113025900XX XX 【摘要】通过为期一周的实习，笔者思考研究了计算RVI、ND、DVI等植被指数，基于像素光谱的变化检测，均值滤波、中值滤波、高斯平滑等图像增强以及利用不同算子进行边缘检测的算法原理与程序实现。通过自主选择实验参数、确定实验方案、设计程序，解决过程中的问题，直至得出正确的结果和结论，激发了创新思维，提高了创新能力和实践能力。本文就以上所列算法进行了阐述和展示。【关键词】植被指数变化检测图像增强边缘检测算法实现 一、原理介绍 （一）植被指数 植物叶面在可见光红光波段（R）有很强的吸收特性，在近红外波段（NIR)有很强的反射特性，这是植被遥感监测的物理基础，通过这两个波段测值的不同组合可得到不同的植被指数。 比值植被指数RVI=NIR/R，绿色健康植被覆盖地区的RVI远大于1，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）RVI在1附近。 归一化植被指数NDVI=(NIR-R)/(NIR+R)，-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大。 差值环境植被指数DVI=NIR-R，正值表示植被覆盖，随覆盖度增大而增大。 调整土壤亮度植被指数SAVI=((NIR-R)/(NIR+R+L))(1+L)，L是根据实际情况确定的土壤调节系数，取值范围0~1。L=0时，表示土壤背景的影响为零，即植被覆盖度非常高，土壤背景的影响为零，这种情况只有在被树冠浓密的高大树木覆盖的地方才会出现。 （二）基于像素光谱的变化检测 变化检测是从不同时期的遥感数据中定量分析和确定地表变化的特征与过程，先获得两幅通用地点不同时间图像的差异图像，再对差异图像进行处理，将像素点分成变化和无变化两类。笔者采用了差值和比值两种方式。当差值=0或比值=1时，表示像素点无变化，否则像素点有变化。 （三）图像增强 均值滤波是一种常用的线性滤波算法，用以去除噪声，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素（以目标象素为中心的3*3或5*5或7*7个像素，构成一个滤波模板，但不包括目标像素本身），再用模板
植被指数计算方法
归一化植被指数（NDVI ） 归一化植被指数（Normalized Difference Vegetation Index ，即NDVI ）的计算公式为： NIR RED NIR RED NDVI ρρρρ-=+ 其中：NIR ρ和RED ρ分别代表近红外波段和红光波段的反射率NDVI 的值介于-1和1之间。 增强型植被指数（EVI ） 增强型植被指数（Enhanced Vegetation Index ，即EVI ）计算公式为： 2.5 6.07.51 NIR RED NIR RED BLUE EVI ρρρρρ-=?+-+ NIR ρ、RED ρ和BLUE ρ分别代表近红外波段、红光波段和蓝光波段的反射率。 高光谱归一化植被指数（Hyp_NDVI ） 对于环境与灾害监测预报小卫星高光谱载荷，选取中心波长分别位于近红外 和红光的谱段进行归一化植被指数计算： _____Hyp NIR Hyp RED Hyp NDVI Hyp NIR Hyp RED -=+ 其他植被指数 （1） 比值植被指数（Ratio Vegetation Index ——RVI ） NIR RED RVI ρρ= 该植被指数能够充分表现植被在红光和近红外波段反射率的差异，能增强植被与土壤背景之间的辐射差异。但是RVI 对大气状况很敏感，而且当植被覆盖小于50%时，它的分辨能力显著下降。 （2） 差值植被指数（Difference Vegetation Index ——DVI ） NIR RED DVI ρρ=- 该植被指数对土壤背景的变化极为敏感，有利于对植被生态环境的监测，因此又被称为环境植被指数（EVI ）。
遥感植被指数NDVI计算
本科学生综合性、设计性 实验报告 姓名宋国俊学号114130168 专业地理信息系统班级 实验课程名称遥感地学分析 实验名称NDVI计算 开课学期2011 至2012 学年下学期 云南师范大学旅游与地理科学学院编印 一、实验准备
1、实验目的和要求： 利用TM卫星数据，应用ENVI软件进行归一化植被指数的计算，及在此基础对研究 区进行植被覆盖率的提取，根据植被覆盖率进行一些应用分析。 2、实验材料及相关设备： 昆明影像数据(path/row:129/43（2002.02.09）)ENVI及ArcGIS软件。 3、实验方法步骤及注意事项： 实验方法：利用ENVI及ArcGIS图像处理软件，参考软件的处理操作步骤，对图像进行处理。 注意事项：下载数据时应该严格遵照行列号来下载，下载的数据要包括完整的影像数据信息以便数据的预处理。 二、实验内容、步骤和结果（详细写清楚本次实验的完成的主要内容、具体 实施步骤和实验结果。） 1、实验内容 利用下载的昆明影像数据用ENVI进行NDVI计算，计算公式如下： NDVI=(NIR-R)/(NIR+R)(NIR为近红外波段，R为红光波段) 2、实验步骤 (1)对昆明影像数据进行辐射定标： Ⅰ、启动ENVI File→Open External File→Landsat→Geo TIFF with metadata→Enter Landsat MetaData Filenames（输入元数据） Ⅱ、Spectral→Preprocessing→Calibration utilities→Landsatcalibration→Landsat calibration input file→输 入第一步的元数据 Ⅲ、将辐射定标后的数据转化为BIL格式：
主要植被指数类型及其应用条件
主要植被指数类型及其应用条件 分类:遥感知识 2008.7.2 08:55 作者：晓雪天飞 | 评论：0 | 阅读：79 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（R VI）。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（AVI ）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。归一化差异绿度指数（NDGI），可用来对不同活力植被形式进行检验。归一化差异指数（NDI）建立了光谱反射率和棉花作物残余物的表面覆盖率的关系，以用来对作物残余物的制图。 近年来，随着高光谱分辨率遥感的发展以及热红外遥感技术的应用，又发展了红边植被指数、导数植被指数（DVI）、温度植被指数（Ts-VI）、生理反射植被指数（PRI）。“红边” 的一般定义为叶绿素吸收红边斜率的拐点。红边位置灵敏于叶绿素a、b的浓度和植被叶细胞的结构。为获取红边位置信息，Miller 等用一个倒高斯模型拟合红边斜率。导数植被指数由于它能压缩背景噪音对目标信号的影响或不理想的低频信号，被应用在目前的高光谱遥感研究中，尤其是在利用高光谱遥感提取植被化学成份信息方面得到成功的应用。近年来的经验研究表明：热红外辐射（如土面亮度温度）和植被指数在大尺度范围遥感应用中可提高土地覆盖的制图和监测精度。生理反射植被指数是针对高光谱遥感的特点，对植被生化特性的短期 变化（如一天的植被的光合作用）进行探测。 植被指数按发展阶段可分为三类：第一类植被指数基于波段的线性组合（差或和）或原始波段的比值，由经验方法发展的，没有考虑大气影响、土壤亮度和土壤颜色，也没有考虑土壤、植被间的相互作用（如RVI 等）。它们表现了严重的应用限制性，这是由于它们是针对特定的遥感器（Landsat MSS）并为明确特定应用而设计的。第二类植被指数大都基于物理知识，将电磁波辐射、大气、植被覆盖和土壤背景的相互作用结合在一起考虑，并通过数学和物理及逻辑经验以及通过模拟将原植被指数不断改进而发展的（如PVI、SAVI、MSAVI、TSAV I、ARVI、GEMI、AVI、NDVI等）。它们普遍基于反射率值、遥感器定标和大气影响并
植被指数计算方法
2.1归一化植被指数（NDVI ） 归一化植被指数（Normalized Differenee Vegetation Index 即 NDVI ）的计算 公式为： 其中：NIR 和RED 分别代表近红外波段和红光波段的反射率 NDVI 的值介于-1和 1之间。 2.2增强型植被指数（EVI ） 增强型植被指数（En ha need Vegetation In dex 即EVI ）计算公式为: NIR 、 RED 和BLUE 分别代表近红外波段、红光波段和蓝光波段的反射率。 2.3高光谱归一化植被指数（Hyp_NDVI ） 对于环境与灾害监测预报小卫星高光谱载荷，选取中心波长分别位于近红外 和红光的谱段进行归一化植被指数计算： .. Hyp NIR Hyp RED Hyp NDVI ----------- ------------ 一 Hyp _ NIR Hyp _ RED 2.4其他植被指数 （1） 比值植被指数（Ratio Vegetation Index ------ RVI ） RVI 3 RED 该植被指数能够充分表现植被在红光和近红外波段反射率的差异，能增强植 被与土壤背景之间的辐射差异。但是 RVI 对大气状况很敏感，而且当植被覆盖 小于50%时，它的分辨能力显著下降。 (2) 差值植被指数(Differenee Vegetation Index -------- DVI ) DVI NIR RED 该植被指数对土壤背景的变化极为敏感，有利于对植被生态环境的监测，因 此又被称为环境植被指数（EVI ）。 (3) 土壤调整植被指数(Soil-Adjusted Vegetation Index --------- S AVI ) NDVI NIR RED NIR RED EVI 2.5 NIR RED NIR 6.° RED 7.5 BLUE
几种常见植被指数
常用的植被指数，土壤指数，水体指数有哪些？ 植被指数与土壤指数 一、RVI——比值植被指数：RVI=NIR/R，或两个波段反射率的比值。 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。 二、NDVI——归一化植被指数：NDVI=(NIR-R)/(NIR+R)，或两个波段反射率的计算。 1、NDVI的应用：检测植被生长状态、植被覆盖度和消除部分辐射误差等； 2、-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大；
3、NDVI的局限性表现在，用非线性拉伸的方式增强了NIR和R的反射率的对比度。对于同一幅图象，分别求RVI和NDVI时会发现，RVI值增加的速度高于NDVI增加速度，即NDVI对高植被区具有较低的灵敏度； 4、NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、学、枯叶、粗超度等，且与植被覆盖有关； 三、DVI\EVI——差值\环境植被指数：DVI=NIR-R，或两个波段反射率的计算。 1、对土壤背景的变化极为敏感； 四、SAVI\TSAVI\MSAVI——调整土壤亮度的植被指数： SAVI=((NIR-R)/(NIR+R+L))(1+L)，或两个波段反射率的计算。 1、目的是解释背景的光学特征变化并修正NDVI对土壤背景的敏感。与NDVI相比，增加了根据实际情况确定的土壤调节系数L，取值范围0~1。L=0 时，表示植被覆盖度为零；L=1时，表示土壤背景的影响为零，即植被覆盖度非常高，土壤背景的影响为零，这种情况只有在被树冠浓密的高大树木覆盖的地方才会出现。 2、SAVI仅在土壤线参数a=1,b=0（即非常理想的状态下）时才适用。因此有了TSAVI、ATSAVI、MSAVI、SAVI2、SAVI 3、SAVI4等改进模型。 五、GVI——绿度植被指数，k-t变换后表示绿度的分量。
ENVI中常见植被指数介绍
作业9 植被指数 植被指数 概念：利用卫星不同波段探测数据组合而成的，能反映植物生长状况的指数。 植物叶面在可见光红光波段有很强的吸收特性，在近红外波段有很强的反射特性，这是植被遥感监测的物理基础，通过这两个波段测值的不同组合可得到不同的植被指数。 不同的植被覆盖类型可以通过其特有的光谱特征进行区分，这是由于叶绿素在红波段内对太阳辐射的吸收以及叶片细胞结构对红外波段内太阳辐射的强反射。 Broadband Greenness(5 indices)（宽带绿色指标(5)） 宽带绿度指数可以简单度量绿色植被的数量和生长状况，它对植物的叶绿素含量、叶子表面冠层、冠层结构比较敏感，这些都是植被光合作用的主要物质，与光合有效辐射（fAPAR）也有关系。宽带绿度指数常用于植被物候发育的研究，土地利用和气候影响评估，植被生产力建模等。宽带绿度指数选择的波段范围在可见光和近红外，一般的多光谱都包含这些 波段。下面的公式中规定波段的中心波长：ρNIR=800nm，ρRED=680nm，ρBLUE=450nm。 1. Normalized Difference Vegetation Index归一化植被指数 增强在近红外波段范围绿叶的散射与红波段范围叶绿素的吸收差异。 简称NDVI： NDVI=(NIR-R)/(NIR+R) （1）应用：检测植被生长状态、植被覆盖度和消除部分辐射误差等； （2）-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大； （3）NDVI的局限性表现在，用非线性拉伸的方式增强了NIR和R的反射率的对比度。对于同一幅图象，分别求RVI和NDVI时会发现，RVI值增加的速度高于NDVI增加速度，即NDVI 对高植被区具有较低的灵敏度； （4）NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、学、枯叶、粗超度等，且与植被覆盖有关； 2.Simple Ratio Index比值植被指数 在近红外波段范围绿叶的散射与红波段范围叶绿素吸收的比值。 简称SR：SR=ρNIR/ρRED 在LAI 值很高，即植被茂密时其灵敏度会降低.SR值的范围是0~30，一般绿色植被区的范围是2~8 3.Enhanced Vegetation Index 增强植被指数 增强NDVI,解决土壤背景和大气气溶胶对茂密植被的影响。 简称：EVI
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NDVI2014.4.24NDVI 2）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GVI2014.4.24GVI 3）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
地表反射率,温度,植被指数
地表反射率、温度、植被指数、几何精纠正和Landsat影像
Basic Tools|Band Math，在Band Math对话框中输入公式，公式中的ｂ３和ｂ４分别选取第3和第4波段的地表反射率。然后导出结果。 二、地表温度反演 1、计算辐射亮度。加载htm影像，根据头文件中的数据，得到1、2波段的辐射亮度的计算公式0.067086617777667001*b1+(-0.067086617777667001)和0.037204722719868001*b2+(3.1627953249638470)，步骤同上，得出辐射量度的计算结果。 2、辐射反演。利用公式T=k2/ln(k1/Lλ+1)算地物的辐射反演，其中T为开尔温度；查找参数值：k1=666.09; k2=1282.71;Lλ分别利用步骤1中的波段1和波段2的辐射量度。 3、统计反演后的地物的温度值，并比较其差异。打开反演后的温度影像，右击影像选择ROI Tool，统计各种地物值的最大值，最小值，均值，标准差，将其统计到Excel中，比较其差异。 结果与分析 一、DNVI建模 【地表反射率】
第3波段第4波段【DNVI】 【3、4波段表观反射率和地表反射率的线性关系】
【表观反射率和地表反射率的线性关系数学表达式】 波段关系式波段关系式 1波段y=0.8933*x+0.0473 4波段y=0.9401*x+0.0065 2波段y=0.8801*x+0.0242 5波段y=0.9399*x+0.001 3波段y=0.9161*x+0.0143 7波段y=0.9584*x+0.0004 【部分地物的DNVI值】 地物DNVI值min max mean stdev Reservior 0.057713 0.338587 0.145087 0.038598 Snow -0.12395 0.152669 0.025088 0.031572 Bare Land 0.105628 0.374843 0.192701 0.043621 Urban -0.356923 0.038094 -0.273288 0.045284 Plant 0.333387 0.786695 0.656094 0.081619 Desert 0.071897 0.155663 0.100783 0.014291 River 0.043469 0.429917 0.127503 0.08131 【结果与分析】：通过对提取地物的DNVI值的可以发现，绿色的DNVI值比较高，原因是绿色植物叶绿素引起的红光吸收和叶肉组织引起的近红外光反射使得植被在近红外波段和红光波段有很大的差异；水体和
几个植被指数
RVI 比值植被指数 RVI=NIR/R，或两个波段反射率的比值。 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，这种敏感性显着降低； 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。 NDVI 归一化植被指数 NDVI=(NIR-R)/(NIR+R)，或两个波段反射率的计算。 1．NDVI的应用：检测植被生长状态、植被覆盖度和消除部分辐射误差等； 2．-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大3．NDVI的局限性表现在，用非线性拉伸的方式增强了NIR和R的反射率的对比度。对于同一幅图象，分别求RVI和NDVI时会发现，RVI值增加的速度高于NDVI增加速度，即NDVI对高植被区具有较低的灵敏度； 4．NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、雪、枯叶、粗糙度等，且与植被覆盖有关 GVI 绿度植被指数 k-t变换后表示绿度的分量。 1．通过k-t变换使植被与土壤的光谱特性分离。植被生长过程的光谱图形呈所谓的"穗帽"状，而土壤光谱构成一条土壤亮度线，土壤的含水量、有机质含量、粒度大小、矿物成分、表面粗糙度等特征的光谱变化沿土壤亮度线方向产生。 2．kt变换后得到的第一个分量表示土壤亮度，第二个分量表示绿度，第三个分量随传感器不同而表达不同的含义。如，MSS的第三个分量表示黄度，没有确定的意义；TM的第三个分量表示湿度。
植被指数提取与分析
植被指数提取与分析（3课时） 1、实验的目的 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、实验的要求 根据植被遥感的原理和方法，利用所提供的数据，在ENVI软件下完成植被指数提取与分析。了解植被的光谱特性和不同时相植被指数差异及在土地覆盖分类中的作用等。 提取的主要植被指数：NDVI, T-C变换，比值等 植被指数分析：1）不同土地覆盖植被指数差异，不同植被指数数值；2）植被指数提取后的波段合成应用、植被指数图像的假彩色密度分割等后处理；3）分析不同时相遥感图像植被指数的差异。 3、实验的材料准备 采用软件：ENVY3.5 采用的遥感数据：Landsat TM （120－38南京地区）。数据时相：2000年6月12号和2000年9月16日。 4、实验的方法与步骤 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ENVY3.2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1：
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：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 /=
基于MODIS数据的植被指数与植被覆盖度关系研究
基于MODIS数据的植被指数与植被覆盖度关系研究 在植被遥感监测领域，植被指数被普遍运用于植物生长状况及植被覆盖的研究，其与植被覆盖度有着密切的联系。文章选取攀枝花地区MODIS遥感影像作为信息源，对归一化植被指数、比值植被指数与植被覆盖度间的关系进行研究。结果表明：基于MODIS数据提取的植被指数与植被覆盖度之间存在较强的相关性，且相关系数大小与植被指数类型和选取的拟合函数类型有关。各植被指数同植被覆盖度间相关性最高的是归一化植被指数，选用相同植被指数情况下，指数曲线拟合的相关系数最大。 标签：MODIS图像；植被指数；植被覆盖度；植被指数与植被覆盖度相关系数 植被覆盖度是一个重要的生态气候参数，能为环境和气候变化研究提供重要的基础数据，对它的研究具有十分重要的意义[1]。利用遥感图像提取植被指数进而估算出植被覆盖度信息是较为简便有效的做法。目前大多数学者都致力于研究植被指数的提取方法以及植被覆盖度的提取算法，少数研究者对植被覆盖度与植被指数的相关性进行研究[2]。文章选取MODIS图像作为研究数据，采用不同的植被指数，结合不同的曲线模型对植被覆盖度与植被指数的相关性进行探讨，从而为植被覆盖度的估算选择最佳植被指数，也为准确估算植被覆盖度供理论依据。 1 研究区概况 研究区位于四川省西南部，行政区划隶属于攀枝花市，范围为102°20′E-102°45′E、26°30′N-26°45′N。研究区位于金沙江和雅砻江的交汇地带，属南亚热带亚湿润气候类型，降雨量少，生物种类繁多。区域内植被主要以热带及亚热带落叶大乔木，常绿针叶林为主。 2 数据源简介 本次研究使用的数据是由美国国家宇航局（NASA）EOS数据中心提供的MODIS数据，数据获取时间为2005年7月23日。该数据是由搭载于EOS/Terra 卫星上的中分辨率成像光谱仪（MODIS）获取的，其分辨率为250m。包括Blue、Red、NIR、MIR四个波段和经过后期处理的分辨率为250m的归一化植被指数数据、增强型植被指数。适合应用于植被指数的提取以及植被覆盖度的研究。 3 研究方法 3.1 数据预处理 根据实验要求对研究区域的MODIS数据进行预处理，主要有数据格式转换、设置投影参数、几何校正及辐射校正等。该处理利用USGS EROS数据中心开发
植被指数总结
植被指数总结 植被指数 概念:利用卫星不同波段探测数据组合而成得,能反映植物生长状况得 指数。 植物叶面在可见光红光波段有很强得吸收特性,在近红外波段有很强得反射特性,这就是植被遥感监测得物理基础,通过这两个波段测值得不同组合可得到 不同得植被指数。差值植被指数又称农业植被指数,为二通道反射率之差,它对土壤背景变化敏感,能较好地识别植被与水体。该指数陌生物量得增加而迅速增大。比值植被指数又称为绿度,为二通道反射率之比,能较好地反映植被覆盖度与生 长状况得差异,特别适用于植被生长旺盛、具有高覆盖度得植被监测。归一化植被指数为两个通道反射率之差除以它们得与。在植被处于中、低覆盖度时，该指数随覆盖度得增加而迅速增大,当达到一定覆盖度后增长缓慢，所以适用于植被早、中期生长阶段得动态监测。蓝光、红光与近红外通道得组合可大大消除大气中气溶胶对植被指数得干扰，所组成得抗大气植被指数可大大提高植被长势监测与作物估产精度。 遥感技术可以监测植被得变化,主要研究植被得替代指标、 NDVI,又称标化植被指数,就是目前应用最为广泛得指标,就是近红外波段与红色波段得差异 经二者之与校正后得结果、公式为:NDVI＝(NIR－REＤ)/（NＩＲ+ＲEＤ),该指数值介于-1与1之间: 0代表该区域基本没有植被生长;负值代表非植被覆盖得区域；取值0~1之间,数字越大代表植被得覆盖面积越大，植被得量越多。云、水体与冰雪在红色及近红外波段均有较大反射,其ＮDVＩ值为负值;土壤与岩石 在这两个波段得反射率基本相同,因此其NＤVI值接近0、对于Lａndsａt TM 传感器来说,其红外及可见红光波段分别为ＣH４与CH3波段、为了对不同像素显示配色,按公式（NDＶI-ＮDＶI极小值)/（ＮＤＶI极大值-NDＶI极小值)×2５5将NDＶI扩展为0～255、 计算ＮDVI必须用反射率。