幾種常見植被指數(shù)

1、常用的植被指數(shù)，土壤指數(shù)，水體指數(shù)有哪些？植被指數(shù)與土壤指數(shù)一、RVI比值植被指數(shù)：RVI=NIR/R，或兩個(gè)波段反射率的比值。1、綠色健康植被覆蓋地區(qū)的RVI遠(yuǎn)大于1，而無(wú)植被覆蓋的地面（裸土、人工建筑、水體、植被枯死或嚴(yán)重蟲害）的RVI在1附近。植被的RVI通常大于2；2、RVI是綠色植物的靈敏指示參數(shù)，與LAI、葉干生物量(DM)、葉綠素含量相關(guān)性高，可用于檢測(cè)和估算植物生物量；3、植被覆蓋度影響RVI，當(dāng)植被覆蓋度較高時(shí)，RVI對(duì)植被十分敏感；當(dāng)植被覆蓋度50%時(shí)，這種敏感性顯著降低；4、RVI受大氣條件影響，大氣效應(yīng)大大降低對(duì)植被檢測(cè)的靈敏度，所以在計(jì)算前需要進(jìn)行大氣校正，或用反射率

2、計(jì)算RVI。二、NDVI歸一化植被指數(shù)：NDVI=(NIR-R)/(NIR+R)，或兩個(gè)波段反射率的計(jì)算。1、NDVI的應(yīng)用：檢測(cè)植被生長(zhǎng)狀態(tài)、植被覆蓋度和消除部分輻射誤差等；2、-1=NDVI95%的信息，這兩個(gè)分量構(gòu)成的二位圖可以很好的反映出植被和土壤光譜特征的差異。4、GVI是各波段輻射亮度值的加權(quán)和，而輻射亮度是大氣輻射、太陽(yáng)輻射、環(huán)境輻射的綜合結(jié)果，所以GVI受外界條件影響大。六、PVI垂直植被指數(shù)，在R-NIR的二為坐標(biāo)系內(nèi)，植被像元到土壤亮度線的垂直距離。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、較好的消除了土壤背景的影響，

3、對(duì)大氣的敏感度小于其他VI2、PVI是在R-NIR二位數(shù)據(jù)中對(duì)GVI的模擬，兩者物理意義相同3、PVI=(DNnir-b)cosq-DNrsinq，b是土壤基線與NIR截距，q是土壤基線與R的夾角。七、其他1、根據(jù)具體情況改進(jìn)型：如MSS的DVI = B4-aB2，PVI=(B4-aB2-b)/(1+a2)1/2，SARVI = B4/(B2+b/a)；RDVI=(NDVIDVI)1/2等。2、應(yīng)用于高光譜數(shù)據(jù)的VI，如CARI(葉綠素吸收比值指數(shù)）和CACI（葉綠素吸收連續(xù)區(qū)指數(shù)）等。VI劃分類型典型代表特點(diǎn)線性DVI低LAI時(shí)，效果較好；LAI增加愛時(shí)對(duì)土壤背景敏感比值型NDVI、RVI增

4、強(qiáng)了土壤與植被的反射對(duì)比垂直型PVI低LAI時(shí)，效果較好；LAI增加愛時(shí)對(duì)土壤背景敏感歸一化差值植被指數(shù)NDVI是植被遙感中應(yīng)用最為廣泛的指數(shù)之一,但它受土壤背景等因素的干擾比較強(qiáng)烈.結(jié)合實(shí)測(cè)的土壤數(shù)據(jù)以及公式推導(dǎo)、PROSAIL模型模擬等方法分析了這種影響.首先,假定與土壤線性混合且葉片呈水平分布的植被冠層,根據(jù)土壤與植被分別在紅光、近紅外波段處的反射率值、植被覆蓋度等參數(shù),利用公式推導(dǎo)了土壤背景對(duì)不同覆蓋度下冠層NDVI的影響.其次,利用PROSAIL冠層光譜模擬模型,模擬分析了土壤背景對(duì)不同LAI下冠層NDVI的影響.分析的結(jié)果表明:LAI越小,土壤背景的影響越大;暗土壤背景下的冠層ND

5、VI值大于亮土壤背景下冠層的NDVI值;并且,暗土壤條件下,NDVI值對(duì)土壤亮度的變化更敏感,而亮土壤下,NDVI值則對(duì)LAI或覆蓋度的變化更敏感.最后利用實(shí)測(cè)的不同土壤背景下的冬小麥冠層光譜數(shù)據(jù),驗(yàn)證了公式推導(dǎo)和模型模擬的結(jié)果.1.Mcfeeters在1996年提出的歸一化差分水體指數(shù)（NDWI其表達(dá)式為：NDWI =(p(Green)-p(NIR)/(p(Green)+p(NIR)是基于綠波段與近紅外波段的歸一化比值指數(shù)。該NDWI一般用來(lái)提取影像中的水體信息，效果較好。局限性：用NDWI來(lái)提取有較多建筑物背景的水體，如城市中的水體，其效果會(huì)較差。2. Gao于1996年也命名了一個(gè)NDW

6、I，用于研究植被的含水量。其表達(dá)式為：NDWI=(p(NIR)-p(MIR)/(p(NIR)+p(MIR) =(p(0.86m)-p(1.24m)/(p(0.86m)+p(1.24m)植被水分指數(shù)NDWI是基于中紅外與近紅外波段的歸一化比值指數(shù)。與NDVI相比,它能有效地提取植被冠層的水分含量;在植被冠層受水分脅迫時(shí),NDWI指數(shù)能及時(shí)地響應(yīng),這對(duì)于旱情監(jiān)測(cè)具有重要意義。而Wilson等在研究美國(guó)緬甸因州的森林時(shí)，使用了歸一化濕度指數(shù)（Normalized Difference Moisture Index, NDMI），其表達(dá)式與Gao的完全一致。由于Gao的NDWI與Wilson等的NDM

7、I指數(shù)的意義與用途是一致的，而與Mcfeeters用于研究水體的NDWI指數(shù)有所不同，因此一般將用于研究植被含水量的指數(shù)改稱為NDMI指數(shù)。3.水體指數(shù)（MNDWI）指數(shù)在對(duì)Mcfeeters提出的歸一化差異水體指數(shù)(NDWI)分析的基礎(chǔ)上,對(duì)構(gòu)成該指數(shù)的波長(zhǎng)組合進(jìn)行了修改,提出了改進(jìn)的歸一化差異水體指數(shù)MNDWI(Modified NDWI), 并分別將該指數(shù)在含不同水體類型的遙感影像進(jìn)行了實(shí)驗(yàn),大部分獲得了比NDWI好的效果,特別是提取城鎮(zhèn)范圍內(nèi)的水體.NDWI指數(shù)影像因往往混有城鎮(zhèn)建筑用地信息而使得提取的水體范圍和面積有所擴(kuò)大.實(shí)驗(yàn)還發(fā)現(xiàn)MNDWI比NDWI更能夠揭示水體微細(xì)特征,如懸浮

8、沉積物的分布、水質(zhì)的變化.另外, MNDWI可以很容易地區(qū)分陰影和水體, 解決了水體提取中難于消除陰影的難題.其表達(dá)式為：MNDWI =(p(Green)-p(MIR)/(p(Green)+p(MIR)遙感圖像的分類方法 傳統(tǒng)分類方法1. 非監(jiān)督分類遙感圖像上的同類地物在相同的條件下 , 一般具有相同或相近的光譜特征 , 從而表現(xiàn)出某種內(nèi)在的相似性 , 歸屬于同一個(gè)光譜空間區(qū)域 。 而不同的地物 , 光譜特征不同 , 歸屬于不同的光譜空間區(qū)域 , 這是非監(jiān)督分類的理論依據(jù)。 該分類方法主要是通過系統(tǒng)聚類來(lái)進(jìn)行的 。 聚類就是把一組像素按照相似性分為若干類 , 目的是使得同一類別的像素之間的距離

9、盡可能小 , 而不同類別的像素之間的距離盡可能大 。 其算法的核心是初始類別參數(shù)的確定 , 以及它的迭代調(diào)整問題 。 主要算法有分級(jí)集群法 、 I S ODAT A 法 (迭代自組織數(shù)據(jù)分析技術(shù) )和 K2 均值算法等。2 監(jiān)督分類與非監(jiān)督分類不同 , 監(jiān)督分類最顯著的特點(diǎn)是在分類前人們對(duì)遙感圖像上某些樣區(qū)中影像地物的類別屬性已有了先驗(yàn)知識(shí) , 也就是先要從圖像中選取所有要區(qū)分的各類地 物 的樣 本 , 用 于 訓(xùn) 練 分 類 器 (建 立 判 別 函數(shù) ) 。 一般是在圖像中選取具有代表性的區(qū)域作為訓(xùn)練區(qū) , 由訓(xùn)練區(qū)得到各個(gè)類別的統(tǒng)計(jì)數(shù)據(jù) , 進(jìn)而對(duì)整個(gè)圖像進(jìn)行分類。 主要方法有線性判別法

10、 、 最大似然法 、 最小距離法和平行多面體法等 。3. 分類新方法研究進(jìn)展新方法主要有決策樹分類法 、 綜合閾值法 、專家系統(tǒng)分類法、 多特征融合法 、 神經(jīng)網(wǎng)絡(luò)分類法以及基于頻譜特征的分類法等。3.1 決策樹分類決策樹分類器 ( Dec isi on tr ee c l a ssi fi ca ti on fr a me) 是以分層分類的思想作為指導(dǎo)原則的 。 分層分類的思想是針對(duì)各類地物不同的信息特點(diǎn) , 將其按照一定的原則進(jìn)行層層分解。 在每一層的分解過程中 , 研究者可以根據(jù)不同的子區(qū)特征及經(jīng)驗(yàn)知識(shí) , 選擇不同的波段或波段組合來(lái)進(jìn)行分類.3.2 綜合閾值法通過對(duì)徐州地區(qū)各類地物的光

11、譜特征的綜合研究 , 以及對(duì)不同波段的組合分析 , 歸納出各種地物類型信息獲取的方法與途徑 , 提出采用綜合閾值法進(jìn)行圖像分類處理 。 經(jīng)研究表明 , 該方法能夠很好地區(qū)分城鎮(zhèn)用地和裸地等不容易區(qū)分的地類 , 有效降低混合象元帶來(lái)的影響 , 提高土地利用分類的可靠性和準(zhǔn)確性。3.3 專家系統(tǒng)分類遙感圖像解譯專家系統(tǒng)是模式識(shí)別與人工智能技術(shù)相結(jié)合的產(chǎn)物 。 應(yīng)用人工智能技術(shù) , 運(yùn)用解譯專家的經(jīng)驗(yàn)和方法 , 模擬遙感圖像目視解譯的具體思維過程 , 進(jìn)行圖像解譯。 專家系統(tǒng)分類的關(guān)鍵是知識(shí)的發(fā)現(xiàn)和推理技術(shù)的運(yùn)用 。 目前在知識(shí)發(fā)現(xiàn)方面 , 主要是基于圖像的光譜知識(shí)、 輔助數(shù)據(jù)和上下文信息等 。3.

12、4 特征融合僅僅依靠光譜特征或紋理特征或形狀特征來(lái)進(jìn)行圖像分類 , 都不能很好地將不同類別的地物目標(biāo)提取出來(lái) 。 因此 , 多特征融合的方法越來(lái)越多地被用于圖像分類 。 其優(yōu)勢(shì)是很明顯的 : 對(duì)同一模式所抽取的不同特征矢量總是反應(yīng)模式的不同特性 , 對(duì)它們的優(yōu)化組合 , 既保留了參與融合的多特征的有效鑒別信息 , 又在一定程度上消除了由于主客觀因素帶來(lái)的冗余信息 , 對(duì)分類識(shí)別無(wú)疑具有重要的意義 。 主要有光譜特征和紋理特征 ,光譜特征和形狀特征等 。3.5 人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)分類是通過對(duì)人腦神經(jīng)系統(tǒng)結(jié)構(gòu)和功能的模擬 , 建立一種簡(jiǎn)化的人腦數(shù)學(xué)模型。它不需要任何關(guān)于統(tǒng)計(jì)分布的先驗(yàn)知識(shí) , 不需要預(yù)定義分類中各個(gè)數(shù)據(jù)源的先驗(yàn)權(quán)值 , 可以處理不規(guī)則的復(fù)雜數(shù)據(jù) ,且易與輔助信息結(jié)合 。與傳統(tǒng)分類方法相比 , ANN 方法一般可獲得更高精度的分類結(jié)果 , 特別是對(duì)于復(fù)雜類型的土地覆蓋分類 , 該方法顯示了其優(yōu)越性 。 但某些地物的光譜數(shù)據(jù)的集群性較差 , 使得網(wǎng)絡(luò)對(duì)大多數(shù)易區(qū)分的地類識(shí)別率高 , 而對(duì)少數(shù)不易分的地類識(shí)別率低 。3.6 基于頻譜的分類方法傳統(tǒng)的光譜分類方法基本上采用的都是統(tǒng)計(jì)分類法 , 大多使用均值與方