第二讲 植被指数构建原理在线视频

首先 我们来看一下

遥感植被指数构建的方法及其原理

我们大家知道 植被指数广泛应用于

农作物种植面积提取和长势监测工作中

植被指数的本质是特征选取和特征增强

来增强植被与植被的对比度

不同长势植被之间的对比度

植被指数的构建目的是

通过不同波段的组合变换

来达到增大农作物与其他作物的区别度

减轻土壤背景的干扰

减少地形影响的目的

从而得到能够衡量植被的多少

及植被活力的参数

植被指数的构建一般遵循以下原则

第一 对植物生物物理参数尽可能地敏感

最好呈线性响应

这样可以使所构建的植被指数

在大范围的植被条件下可以使用

而且 便于对指数验证和定标

第二 归一化模拟外部效应

比如说太阳高度角

观测角和大气

以便能够进行空间和时间上的比较

第三 归一化内部效应

比如说冠层背景变化

包括地形土壤的差别

以及衰老或木质化

也就是不进行光合作用的这部分

植被的差异

第四 能和一些特定的

可测度的生物物理参数

比如说是生物量

LAI或APAR进行耦合

作为验证和质量控制部分

这是植被 泥沙

砂质壤土 沥青

清洁的水 新雪

这6类不同地物类型的光谱反射率曲线

因为这6种地物类型的材质

物理组成等显著的不同

所以他们的光谱反射率曲线差异非常明显

因此 可以很容易地通过光谱差异

将各种地物类型区别开来

这些图片发分别是正常的叶片

刚受到损害的叶片

和受到一定程度损害的叶片

和枯死叶片的光谱曲线

可以明显看出正常的植物叶片

和非正常植物叶片的光谱曲线

是有不同程度的差异的

与正常水平差异越远的叶片光谱曲线

与√特征的差异越来越大

通过这两组图片

我们可以得出这样一个结论

可以通过不同波段的反射特征来区别

植被与非植被的不同

植被长势的差异

下面 我们来学习第二个内容

植被指数的构建原理

植被指数的构建

本质是通过影像的算术操作

增强植被信息

削弱背景信息的影响

是以像素对像素为基础

在两幅或者多幅影像间进行

例如 两幅影像相减产生一幅新影像

这幅新影像在坐标(x,y)处的像素值

与进行相减处理的影像中

同一位置的像素值有所不同

可用于突出目标信息

不同影像之间的算术运算包括

加法运算 减法运算 比值运算

通过不同波段之间的不同运算

我们可以得到多种植被指数

其中 加法运算是指两幅同样大小的影像

对应像元的灰度值相加

主要用于对同一个区域多幅的影像求平均

这样 可以有效减少影像的随机噪声

影像加法运算的表达式是

f_c (x,y)=a[f_1 (x,y)+f_2 (x,y)]

这个系数a是用来确保像元的值

在显示设备的动态范围之内

减法运算是指两幅同样大小的影像

对应像元的灰度值相减

差值影像提供了不同波段

或不同时相影像间的差异信息

能够用在动态监测

影像背景消除

及其目标识别等工作中

影像减法运算的表达式为

f_D (x,y)=a{[f_1 (x,y)-f_2 (x,y)]+b}

a和b也是同样保证处理后的影像

在设备的显示动态范围之内

这是黑龙江省军川农场内的

一片玉米和大豆种植区

在2007年7月23日和9月25日的

Landsat TM遥感影像

从影像上可以看出

7月23日的遥感影像上

有云及云的阴影存在

大豆地块是玫红色的

在玫红色的区域内光谱差异比较大

与玉米地块不太容易区别

9月25日的遥感影像没有云的影响

大豆地块是玫红色区域

这时候玫红色区域内部的光谱差异

已经不明显

大豆地块和玉米地块之间

有明显的光谱差异

这两幅分别是经过

加法运算和减法运算的影像结果

从运算后的影像结果可以看出

经过算术运算的影像

都带有云和云的阴影信息

加法运算的结果较为平滑

噪声比较少

减法运算的结果

对影像间的差异表达的效果明显

比值运算是指两个不同波段的影像

对应像元的灰度值相除

当然这里的除数不能为0

相除以后

如果出现小数则采用取整的方法

并乘以系数a将处理后的结果调整到

显示设备的动态范围之内

影像比值运算的表达式是

f_E (x,y)=Integer[a (f_1 (x,y))/(f_2 (x,y))]

两者之间的比值乘以系数a

得到增强后的影像

我们知道 遥感影像在获取的时候

由于地形起伏

以及太阳斜射地面等因素的影响

造成在不同的地形部位

比如阳坡和阴坡的辐射量

有很大的不同

在影像上形成一些亮度差异

也就是我们所说的同物异谱现象

比值算法则可以能够很好地去除地形坡度

和坡向引起的辐射量变化

在一定程度上消除同物异谱的现象

这是在阴坡和阳坡

接收太阳光情况的示意图

由于山体的遮挡

在阴坡的阴影区只能接收到散射光的能量

举例来说

在阴坡和阳坡

具有两个区域的相同地物类型

在阳坡因为接收比较多的能量

所以 在第一波段和第二波段的DN值

分别是28和43

阴坡则因为接收的能量比较少

在两个波段的DN值则分别是22和34

如果做比值运算的话

在阳坡和阴坡的比值分别为

28/43=0.65

22/34=0.65

因而 虽然有阴坡和阳坡的差异

通过比值运算还是可以使用

同一个特征值来表达同一类地物

植被指数是利用绿色植物叶子的

细胞结构在近红外波段有高反射率

在红光波段具有强吸收的特征

通过红波段和近红外影像的分析运算

比如 加 减 乘 除或非线性组合方式

来突出植被信息

从而产生某些对植被长势监测

病虫害监测

农作物估产等有一定指示意义的数值

常用的植被指数有

比值植被指数RVI

差值植被指数DVI

归一化差值植被指数NDVI

正交植被指数PVI

下面 我们先来看一下

归一化差值植被指数

它的英文全称是

Normalized Difference Vegetation Index

表达式为

NDVI=(ρ_NIR-ρ_red)/(ρ_NIR+ρ_red )

归一化差值植被指数的构建原理

就是前面我们所分析的

植被光谱反射率曲线

植被由于叶肉组织的作用

在近红外波段具有较高的反射率

由于叶绿素的吸收作用

在红光波段具有低的反射率

因而形成一个类似“√”的上升形状

通过相减运算和比值运算

可以部分消除与太阳高度角

卫星观测角 地形起伏

云的阴影等与大气条件有关的

辐射变化的影响

增强植被与非植被之间

不同植被之间的差异

经过算术运算后的像素值取值范围在[-1,1]

负值表示地面覆盖为云 雪等

对可见光具有高反射

0表示是岩石或裸土

近红外波段和红波段的反射率近似相等

正值则表示有植被覆盖

且随覆盖度的增大而增大

图片中表达的是以Landsat TM影像的

可见光红波段和近红外波段反射率

分别为X轴和Y轴时

土壤由于在近红外波段

和红波段的反射率近似相等

因而 形成一条近似1：1的线

不同覆盖度的植被在近红外波段的反射率

远远大于在红波段的反射率

因而 植被在这个二维特征空间中

都处在1：1土壤线的上方

植被越浓密

就在距离1：1土壤线上方越远的地方

云 水在近红外波段的反射率

小于红波段的反射率

因此 都在1：1土壤线的下方

这是利用NDVI植被指数区分植被与非植被

植被茂密程度不同的原理和基础

接下来 我们看一下垂直植被指数PVI

我们统计裸土 稀疏植被和茂密植被

在遥感影像红波段和近红外波段的反射率特征

可以发现 裸土

因为在两个波段的反射率近似相等

所以基本分布在1：1线的附近

植被都分布在1：1线的上方

且植被越浓密 距离1：1线的上方越远

也就是说稀疏植被到1：1线的距离

比茂密植被到1：1线的距离要小

这是茂密植被在红波段

近红外波段反射率散点图中的位置

这是稀疏植被在红波段

近红外波段反射率散点图中的位置

这是裸土在红波段—近红外波段

反射率散点图中的位置

接近1：1线

根据这个统计规律

构建垂直植被指数

目的是消除土壤背景的影响

垂直植被指数的表达式

就是目前我们所看到的表达式

PVI表征在红波段—近红外波段

反射率的二维坐标系内PV

植被像元到土壤亮度线的垂直距离

其中b是土壤基线到ρ_NIR的截距

角度θ是土壤基线与ρ_Red的夹角

在ρ_Red-ρ_NIR的二维坐标系内

PVI指数表示植被像元

到土壤亮度线的垂直距离

因此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

这是ENVI软件自带影像图的

真彩色合成效果

从影像中 我们可以看出整个区域内的

地物类型有农田 林地

和不同质地的岩石

比值植被指数RVI的计算结果

可以看出植被是白色到浅灰色

非植被为暗色

差值植被指数DVI上

农田可以为亮色

其他地物类型为暗色调

归一化差值植被指数NDVI上

植被为亮色 非植被为暗色

相对于比值植被指数来说

林地可以提取的比较完整

垂直植被指数PVI

主要突出的是农田植被信息

从计算结果可以看出

噪声信息去除的效果比较好