第三章植被遥感ppt课件.ppt

《第三章植被遥感ppt课件.ppt》由会员分享，可在线阅读，更多相关《第三章植被遥感ppt课件.ppt（81页珍藏版）》请在三一办公上搜索。

1、第三章 植被遥感,城市与环境学院王细元xiyuan80_http:/ 遥感地学分析，黄家柱教授,遥感地学分析,意义：植被是全球变化中最活跃、最有价值的影响因素和指示因子。植被影响地气系统的能量平衡，在气候、水文和生化循环中起着重要作用，是气候和人文因素对环境影响的敏感指标。,研究主要方向：从土壤背景中区分出植被覆盖区域。（延伸：植被类型，类型质量）反演出植被的各种重要参数。（叶面积指数、叶子宽度、树冠行政、高度）估算与光合作用有关的物理量。（叶面积温度、植被表面水分蒸腾量）,内容提要,3.1 植被的光谱特性3.2 植被生态参数的估算3.3 灾害监测3.4 资源遥感调查,3.1 植被的光谱特性,

2、3.1.1 健康植被的光谱特性 健康植物的波谱曲线有明显的特点，在可见光的0.55m附近有一个反射率为1020的小反射峰。在0.45m和0.65m附近有两个明显的吸收谷。在0.70.8m是一个陡坡，反射率急剧增高。在近红外波段0.81.3m之间形成一个高的，反射率可达40或更大的反射峰。在1.45m，1.95m和2.62.7m处有三个吸收谷。,3.1 植被的光谱特性,3.1.2 植被光谱特征的影响因素 影响植物光谱的因素除了植物本身的结构特征，同时也受到外界的影响。外界影响主要包括季节的变化，植被的健康状况，植物的含水量的变化，植株营养物质的缺乏与否等等。但外界的影响总是通过植物本身生长发育的

3、特点在有机体的结构特征反映出来的。,从植物的典型波谱曲线来看，控制植物反射率的主要因素有植物叶子的颜色、叶子的细胞构造和植物的水分等。植物的生长发育、植物的不向种类、灌溉、施肥、气候、土壤、地形等因素都对有机物的光谱特征发生影响，使其光谱曲线的形态发生变化。,不同植物光谱反射曲线比较,不同颜色叶子的反射光谱,叶子颜色,不同水分含量对玉米叶子反射率的影响,红边定义为反射光谱的一阶微分最大值所对应的光谱位置。当叶绿素含量高，生长旺盛时，红边向波长增加的方向偏移，称红移。当植被受损时，则红边会向波长短的方向移动，称蓝移。,植物遭受不同程度损害的反射光谱曲线,3.2 植被生态参数的估算,选用多光谱遥感

4、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”(Vegetation Index)。它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。,相关文献（自学）,南京市城市绿地现状遥感分析周文佐等摘要: 研究中尝试用NDV I波段及其它波段组合对南京城市植被进行解译, 效果较好。研究结果表明, 南京生态绿地分布很不平衡。基于 TM影像的城市绿地信息提取方法研究姚 静等摘要:实验过程中首先对图像进行预处理 , 然后通过四种绿地信息提取方案进行比较分析 , 这四种方案分别为: 原始

5、波段合成法、主成份分析法、归一化植被指数 (NDV I )法和实验波段组合法。,基于TM 影像的重庆市北碚区地表植被覆盖变化兰明娟摘要: 利用重庆市北碚区 1988 年与 2007 年的 Landsat TM 影像数据, 编制归一化植被指数(NDVI)图, 进而计算生成植被覆盖度图像. 通过掩膜技术和变化检测等方法提取了研究区 1988- 2007 年的植被覆盖变化信息.基于遥感的城市绿地信息监测分析 以扬州市为例许 超摘要: 利用不同时相的 CBERS 02的 CCD数据和中国资源卫星二号星的全色数据, 选用合适的方法对城市主要地物信息进行自动(半自动)提取, 对扬州市城区绿地系统的变化进行

6、动态监测及分析。,城市绿地遥感信息自动提取研究 以广州市为例刘小平 , 邓孺孺, 彭晓鹃摘要: 提出了一种新的基于像元信息分解和神经网络分类相结合的城市绿地遥感信息自动提取方法。基于ETM+遥感影像的南京市城市绿地的动态监测郑光摘要: 本文利用 1988 年和2002 年的南京市域范围的ETM+ / TM 影像, 通过分别计算亮度指数和垂直植被指数, 建立亮度-垂直植被指数( BI-PVI) 平面, 通过计算TM3-TM4平面内的点到 非植被线的距离, 求得亮度- 植被指数向量, 进而得出变化向量获取城市绿地的变化,植被指数的主要种类 ：（1）比值植被指数（RVI） （2）归一化植被指数（ND

7、VI） （3）差值植被指数（DVI） （4）缨帽变换中的绿度植被指数（GVI）（5）垂直植被指数（PVI）,3.2 植被生态参数的估算,（1）比值植被指数（Ratio Vegetation Index） 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。两者简单的数值比能充分表达两反射率之间的差异。 比值植被指数可表达为： RVI=DNNIR/ DNR 或 RVI=NIR/R （简单表示为NIR/R）,3.2 植被生态参数的估算,RVI是绿色植物的一个灵敏的指示参数。研究表明，它与叶面积指数（LAI）、叶干生物量（DM）、叶绿素含量相关性高，被广泛用于估算和监测绿色植物

8、生物量。在植被高密度覆盖情况下，它对植被十分敏感，与生物量的相关性最好。但当植被覆盖度小于50%时，它的分辨能力显著下降。 此外，RVI对大气状况很敏感，大气效应大大地降低了它对植被检测的灵敏度，尤其是当RVI值高时。因此，最好运用经大气纠正的数据，或将两波段的灰度值（DN）转换成反射率（）后再计算RVI，以消除大气对两波段不同非线性衰减的影响。,3.2 植被生态参数的估算,（2）归一化植被指数（Normalized Difference Vegetation Index）NDVI=（DNNIR-DNR）/（ DNNIRDNR）NDVI=(NIR-R)/ (NIR+R) 实际上，NDVI是简单

9、比值RVI经非线性的归一化处理所得。,3.2 植被生态参数的估算,在植被遥感中，NDVI的应用最为广泛。它是植被生长状态及植被覆盖度的最佳指示因子，与植被分布密度呈线性相关。因此又被认为是反映生物量和植被监测的指标。 NDVI的一个缺陷在于，对土壤背景的变化较为敏感。 实验表明，作物生长初期NDVI将过高估计植被覆盖度，而在作物生长的结束季节，NDVI值偏低。因此，NDVI更适用于植被发育中期或中等覆盖度的植被检测。,3.2 植被生态参数的估算,3.2 植被生态参数的估算,（3）差值植被指数（Difference Vegetation Index） 差值植被指数（DVI）又称环境植被指数（EV

10、I），被定义为近红外波段与可见光红波段数值之差。 即DVI= DNNIR-DNR或 DVI=NIR - R,3.2 植被生态参数的估算,差值植被指数的应用远不如RVI、NDVI。它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。 上述的NDVI、DVI等植被指数均受土壤背景的影响大，且这种影响是相当复杂的，它随波长、土壤特征（含水量、有机质含量、表面粗糙度等）及植被覆盖度、作物排列方向等的变化而变化。,3.2 植被生态参数的估算,（4）缨帽变换中的绿度植被指数（GVI） 缨帽变换（TC）是指在多维光谱空间中，通过线性变换、多维空间的旋转，将植物、土壤信息投影到多维空间的一个平面上，在这个

11、平面上使植被生长状况的时间轨迹（光谱图形）和土壤亮度轴相互垂直。也就是，通过坐标变换使值被与土壤特征分离。 缨帽变换是一种通用的植被指数，可以被用于 Landsat MMS 或 Landsat TM 数据。,3.2 植被生态参数的估算,缨帽变换（TC变换）是以陆地卫星MSS各波段的辐度亮度值作为变量。经线性变换后，组成4个新变量： TC10.433MSS40.632MSS50.586MSS60.264MSS7 TC2-0.290MSS4-0.562MSS5-0.600MSS60.491MSS7 TC3-0.829MSS40.522MSS50.039MSS60.194MSS7 TC4 0.233

12、MSS40.021MSS5-0.543MSS60.810MSS7,3.2 植被生态参数的估算,第一分量TC1表征“土壤亮度”，它反映土壤亮度信息； 第二分量TC2表征“绿度”，它与绿色植被长势、覆盖度等信息直接相关； 第三分量为“黄度”，无确定意义，位于TC1、TC2的右侧； 第四分量为“nonesuch”无景观意义，主要为噪声（包含系统噪声和大气信息）。 第一、二分量往往集中了95%或更多的信息。因此，植被、土壤信息主要集中在由TC1、TC2组成的二维图形中。,3.2 植被生态参数的估算,而对于TM而言，可见光红外6个波段数据经缨帽变换的前三个分量主要反映土壤亮度、绿度、湿度特征，第四分量主

13、要为噪声。其中绿度指数可表示为： GVI=-0.2848TM1-0.2435TM2- 0.5436TM3+0.7243TM4 +0.084TM5-0.1800TM7,3.2 植被生态参数的估算,3.2 植被生态参数的估算,（5）垂直植被指数（PVI） 不同植被与土壤亮度线的距离不同。于是Richardson（1977）把植物象元到土壤亮度线的垂直距离定义为垂直植被指数（Perpendicular Vegetation Index）。 PVI是一种简单的欧几米得（Euclidean）距离。表示为： 其中S为土壤反射率，V为植被反射率，R为红波段，NIR为红外波段。,3.2 植被生态参数的估算,P

14、VI=,PVI表征着在土壤背景上存在的植被的生物量，距离越大，生物量越大，也可将PVI定量表达为： PVI=（DNNIR-b）cos -DNRsin 其中，DNNIR、DNR分别为NIR、R两波段的反射辐射亮度值； b为土壤基线与NIR反射率纵轴的截距； 为土壤基线与R光反射率横轴的夹角。,3.2 植被生态参数的估算,PVI的显著特点是较好地滤除了土壤背景的影响，且对大气效应的敏感程度也小于其它植被指数。正因为它减弱和消除了大气、土壤的干扰，所以被广泛应用于作物估产。 从理论上讲，GVI、PVI均不受土壤背景的影响，对植被具有适中的灵敏度，利于提取各种土壤背景下生长的植被专题信息。其数值已扩展

15、到TM的6维数据（除TM6热红外数据），以及AVHRR的可见光近红外数据，并有现成的模型和成熟的图象处理算法.,3.2 植被生态参数的估算,主要植被指数一览表,3.2.1 叶面积指数的估算 叶面积指数LAI是指每单位土壤表面积的叶面面积比例。它对植物光合作用和能量传输是十分有意义的。实验证明：当作物群体LAI大于3时，其反射率可达太阳总辐射的20%；当正常稻田LAI为4时的能量透过率为太阳总辐射的23%或低于20%；对草本植物而言，叶片倾角较大，光很容易透过冠层直达底部直至土壤则当LAI高达7.5时，有5%的入射光可到达土壤表面。叶面指数一般大于1，小于10 如下图所示，在光谱曲线中，近红外波

16、段的反射率随叶面指数增加而增加。,3.2 植被生态参数的估算,3.2 植被生态参数的估算,A.裸土（bare soil in field）B.生长旺季（ full growth）C.秋季落叶（fall senescence）,根据高塔遥感实验场的大量观测资料表明，植被指数NDVI或RVI与叶面积指数LAI的相关系数很高，且与LAI呈非线性函数关系。 VI与LAI的关系，除了随不同物候期植物生理状况的变化而变化以外，还依赖于太阳高度角和方位角变化对植冠反射的影响，以及依赖于生态系统的类型如冠层密度、下垫面类型等。,3.2 植被生态参数的估算,3.2.2 植被叶绿素含量的估算 叶子生长初期，叶绿素

17、含量与辐射能吸收间几乎直线相关，即叶绿素含量增多，蓝、红波段吸收增强，绿被段反射率降低，近红外反射率增强，植被指数增大；但当叶绿素含量增加到一定程度后，吸收率近于饱和，反射率变化小，植被指数的差异不明显，因而植物在生长旺季较难区分。 不同作物由于植土比的差异，其表达叶绿素含量的光谱模型是不同的。,3.2 植被生态参数的估算,小麦光谱组合模型和叶绿素含量的时间剖面曲线,3.2 植被生态参数的估算,分析小麦几种植被指数模型与叶绿素含量的时间剖面曲线的关系。实验证明，对小麦而言G5 （NIR/R2）的光谱模型表达叶绿素含量最佳。其余四个绿度模型分别为：,3.2 植被生态参数的估算,3.2 植被生态参

18、数的估算,3.2.3 植被盖度的估算植被覆盖度指植被冠层的垂直投影面积与植被区总面积之比。其范围分布在01之间，数值越大表明植被覆盖度越高。国内外研究表明，植被指数反映了植被的状况，通过计算DNVI，建立NDVI同植被覆盖度之间关系的经验公式来计算植被覆盖度。,据理论推导，RVI、NDVI与植土比分别呈指数和幂函数关系，当LAI较小时，它们与植土比的变化反应不敏感。PVI与植土比呈直线相关，其对植土比的感应能力也随LAI减小而降低。就估测作物而言，PVI较为优越，但应选LAI较大的时期。 实际上，植土比和叶面积指数同时随空间而变化，因此，需综合考虑植被指数与两者的关系。,3.2 植被生态参数的

19、估算,3.2.4 生物量的估算 生物量指的是植物组织的重量。它是由植物光合作用的干物质积累所致。显然，叶面积指数LAI与植被覆盖度均是生物量的重要指标，它们都与植被指数相关。,3.2 植被生态参数的估算,由NOAA/AVHRR数据获得的植被条件指数VCI被定义为：VCI=（NDVI-NDVImed）/（NDVImax-NDVImin） 式中，NDVI、NDVImed、NDVImax、NDVImin分别为平滑化后每周（7天）的NDVI以及它的多年最大值、中值、最小值（以象元为计算单元）。,3.2 植被生态参数的估算,Anatoly等（1990）曾对干湿两种气候条件和不同生态区（高程与NDVI值不

20、同），运用NOAA/AVHRR数据获得的植被条件指数VCI来估算植被覆盖度以及草场与作物生产力，并通过大量地面实测数据来验证遥感估算的结果。 研究结果表明，用植被条件指数VCI对植被覆盖度的估算误差16%，低覆盖区误差更小；且VCI与实测的植被覆盖度相关性较高（相关系数约0.76）。因此，用遥感卫星数据所获得的植被条件指数VCI方法，来定量估算大面积植被覆盖度和生物量是有效的。,3.2 植被生态参数的估算,3.3 灾害监测,3.3.1 病虫害监测 病虫害是农业生产的大敌，它不仅能造成减产，而且大大降低了质量。一个国家或地区，如果发生了病虫害，必须在最短的时间内了解受灾的作物（或果木）和面积。遥

21、感技术可以随时提供情报。以便及时采取措施治理或合理安排计划。据美国农业部报告，每年由于植物病害的损失约37亿美元，由于虫害的损失约38亿美元。,遥感病虫害调查已有一些成功的例子。许多经验告诉我们，用近红外光谱段的彩红外片或热探测，调查病虫害的危害效果较好。 其道理，一种可能的解释是：健康叶片海绵状的叶肉组织，在其全部空间都充满了水分而膨胀时，对任何辐射能都是一种良好的反射体，对近红外波段的辐射能力也如此，间插在其间的栅状柔软网胞组织。吸收可见光中的蓝光和红光，反射绿光；当水分代谢受到妨碍，植物开始衰蔽时，叶内就逐渐毁坏，接着植物逐渐枯死，从而导致叶片对近红外辐射的反射能力减小。,3.3 灾害监

22、测,这种变化，在可见光部分的反射率发生改变之前的相当长一段时间内就发生了。这是因为在这段时间内，在栅状柔软网胞组织中，叶绿素的数量或质量还没有发生改变。红外波段的像片上，可以早于人的肉眼观测到病虫的危害，这对于病虫害调查和测报极其重要。此外，树和人一样，有病的树温度升高，有时比正常温度高2.2。病越重的树，红外辐射越多。,3.3 灾害监测,3.3.2 森林火灾监测 随着社会的发展，人们日益关注森林、草场火灾及季节性燃烧对气候和经济的影响，迫切需要对其进行监测。1998年，全球火灾监测中心（Global Fire Monitoring Center，简称GFMC）成立，其主要目的是让世界各国通过

23、Internet分享其火灾监测的成果，发展和规范全球火灾监测的方法，并为其它科学组织提供各种火灾监测产品。 采用航空监测火灾的手段是不经济的，而且也难以覆盖所有地区。自有了对地观测卫星，这种大范围乃至全球的火灾监测成为可能。星载扫描幅宽、每天覆盖全球的高温传感器，是提供大面积火情监测高效、经济的主要手段。,3.3 灾害监测,森林火灾是森林的首要大害，全世界因火灾造成的损失约1。利用遥感技术监测火灾在国外其始于60年代初期的航空热红外探测。目前用于林火监测的主要有热红外数据、TM数据和NOAA/AVHRR数据。 热红外受大气窗口的局限，目前主要应用35m波段和814m波段这两个大气窗口，这与一般

24、认为林火温度在600900K之间，其峰值波在3.224.83m相吻合。因此35m波段是监测林火的最佳波段。由35m波段的扫描图像，能清楚地显示火点，火线的形状、大小和位置，对于特别小的隐火、残火有较强的识别能力。,3.3 灾害监测,美国是利用卫星进行火灾监测的最早国家，目前用多种卫星资料开展火灾监测，如NOAA/AVHRR，GOES，EOS/MODIS、国防气象卫星等。目前对全球公开的产品主要是由EOS/MODIS生成的火灾监测产品，包括日产品、8天合成产品，10km和50km月格点统计产品等，后者适用于全球气候模式应用。,3.3 灾害监测,3.3.3 旱灾监测 干旱是目前世界普遍关心的重大问

25、题，第三世界大多数国家都受到干旱的严重威胁。由于环境进一步恶化，科学家们预测近50年世界某些地方将进一步干旱。我国每年都有干旱发生。据不完全统计，我国各种受灾面积中，旱灾占61%，水灾占24%，冰雹灾占9%，霜冻灾占6%。国家每年用于救济干旱灾害的费用达6.7亿元人民币。为了合理使用水资源，有效地抗旱救灾，必须迅速知道那里受旱，程度如何，而卫星遥感监测是一种有效方法。,3.3 灾害监测,通常干旱是指某地团长期没有降水或降水显著偏少造成空气干燥、土壤缺水甚至干涸的现象。 干旱没有唯一的标准，可以从各个方面去定义，但都离不开水和植被。遥感监测干旱也基于土壤水分和植被状况。对于裸地，卫星遥感的重点是

26、土壤含水量，对于有植被覆盖的区域，卫星遥感的重点是植被指数的变化及植被冠层蒸腾状况的变化。,3.3 灾害监测,3.4.1 草场资源调查 草场上牧草的长势好坏与牧草的产量直接相关，而产草量是载畜量（单位面积草场可养牲畜的头数）的决定因素。我国在内蒙古草场遥感综合调查、天山北坡草场调查、湖北西南山区草场调查、西藏北部草场调查中，在应用遥感技术确定草场类型，进行草场质量评价的基础上，内蒙古草场资源遥感结合地面样点光谱测量数据，指出比值植被指数RVI=NIR/R与产草量W有良好的关系： W=-86.9+162.65RVI（相关系数r=0.966）,3.4 资源遥感调查,根据这一方程计算出全自治区草场的

27、总产草量。为保证草场的更新和持续利用，可供牲畜食用的草量仅为总产草量的50%左右，按此比例得出全自治区可食产草量为91286657.02t。以每头绵羊平均日食鲜草3.5kg计算，求出全自治区的适宜载畜量为7066.3万头绵羊单位（其他大牲畜1头相当15头绵羊单位）。将这一指标与实际载畜量进行比较，可以确定哪些草场还有潜力，哪些草场属于超载，从而为畜牧业的发展提供科学的依据。在具体工作中还可以划分出不同草场类型，不同产草量等级，分别确定合理的载畜量。,3.4 资源遥感调查,3.4.2 林业资源调查 林业部门是我国采用遥感技术进行资源调查最早的部门之一，在我国的各大林区都应用过遥感影像制作森林分布

28、图、宜林地分布图等，并对林地的面积变化进行动态监测。 其中尤其是1987-1990年之间全面开展的“三北”防护林遥感综合调查的重点科技攻关项目，对横贯我国的东北、华北和西北已建的防护林网的分布、面积、保存率和有效性进行评估。,3.4 资源遥感调查,本章结束,3.2 植被生态参数的估算,A.裸土（bare soil in field）B.生长旺季（ full growth）C.秋季落叶（fall senescence）,练习（部分植被指数建模）,构建NDVI计算模型,首先是打开ERDAS软件，选择MODELER工具，单击Model Maker打开工具面板，开始创建模型。,($n1_lanier(

29、4) - $n1_lanier(3)/($n1_lanier(4) + $n1_lanier(3)+0.00001),函数：,$n1_lanier(4) - $n1_lanier(3)$n1_lanier(4) + $n1_lanier(3)EITHER 0 IF ( $n3_memory=0 ) OR $n2_memory / $n3_memory OTHERWISE,可根据算出的NDVI值计算植被覆盖度，其公式为： Fcover=NDVI-NDVIsoil/NDVIveg-NDVIsoil Fcover为覆盖度，NDVI为归一化植被指数，NDVIsoil为土壤的NDVI，NDVIveg为植

30、被覆盖像元最大值的NDVI。 若在研究区内没有完全的裸土和植被覆盖最大区。一般会认为裸土对NDVI值约取0.05，当NDVI0.7时，则为植被覆盖密集区。,Fcover的计算,构建GVI计算模型,首先是打开ERDAS软件，选择MODELER工具，单击Model Maker打开工具面板，开始创建模型。,-0.2848*$n1_lanier(1)-0.2435*$n1_lanier(2)-0.5436*$n1_lanier(3)+0.7243*$n1_lanier(4)+0.084*$n1_lanier(5)-0.1800*$n1_lanier(7),函数：,GVI=-0.2848TM1-0.2435TM2-0.5436TM3+0.7243TM4 +0.084TM5-0.1800TM7,PVI计算,先获取R,NIR二维平面中的土壤亮度线（选择一些土壤样点，然后进行直线拟合） 利用 PVI=（DNNIR-b）cos -DNRsin，求垂直植被指数值。,=39.72,COS=0.7691,SIN=0.6391,PVI=0.7691*DNNIR-0.6391DNR+9.94,NDVI结果图,GVI结果图,PVI结果图,