地球科學(xué) 2

1、四、植被指數(shù)與地表生態(tài)環(huán)境參數(shù)的關(guān)系,以植被指數(shù)NDVI為例，NDVI常被認(rèn)為是氣候、地形、植被/生態(tài)系統(tǒng)和土壤/水文變量的函數(shù)。從概念上講，可以用這些環(huán)境因子建立NDVI模型 ：式中，C 為氣候子模型， V 為植被/生態(tài)子模型， P 為地形子模型， S 為土壤/水文子模型。它們又可以表示為各自主因子的函數(shù)： C = F1（降水、氣溫、日照）+E1

2、 V = F2（生態(tài)系統(tǒng)類型、植被類型）+E2 P = F3（高程、坡度、坡向）+E3 S = F4（土壤持水性、養(yǎng)分、透水性、地表水利用率、地下水）+E4式中， E、E1 -- E4 為由未考慮的環(huán)境變量或潛在的測(cè)量誤差引起的模型誤差。,,以上這些描述 NDVI 的環(huán)境變量的子模型涉及的因子多，許多因子也難以具體量化，但一些因子具有相關(guān)性（如日照與氣溫常與高度相關(guān)、土壤持水性與透水性

3、呈負(fù)相關(guān)），有的變量可由其它變量描述，則模型可簡(jiǎn)化，用有限的環(huán)境變量建立。,,1、植被指數(shù)與氣候參數(shù)的關(guān)系,盡管這些變量均隨時(shí)間/空間變化，但對(duì)于一個(gè)特定的地理位置和一定時(shí)間尺度（如日、月、年或10年），地形子模型 P 可認(rèn)為是常量，植被 / 生態(tài)系統(tǒng)子模型 V 以及 土壤 / 水文子模型 S 也可認(rèn)為變化不大。 則 變化較大的是氣候子模型 C，或者說(shuō)，對(duì)一個(gè)具體時(shí)間（t）和一個(gè)具體地點(diǎn)而言，NDVI 主要成為相關(guān)氣候變量的

4、函數(shù)：,影響植被指數(shù)的氣候參數(shù)主要指降水、氣溫和日照，因此上式可表示為： 式中，Tt 表示在具體時(shí)間 t 之前一段時(shí)間的某個(gè)因子的累計(jì)影響：一般說(shuō)來(lái)，氣溫和日照是與同一年度的季節(jié)密切相關(guān)，而季節(jié)可用日期來(lái)加以描述。因此，可用一個(gè)指定變量——日期（j），作為表示氣候季節(jié)的變量，則上式可簡(jiǎn)化為： 對(duì)于一個(gè)時(shí)間分辨率為天的 NDV

5、I 模型，上式的 t 為 j，則 也就是說(shuō)，日期為 j 的NDVI為降水（Tj）和日期 j 的函數(shù)。它受日期（表征氣溫與日照）以及該日期前一時(shí)間段（Tj）降水的影響。,Di & Rundguist等（1994）用以上方法，研究了干旱-半干旱環(huán)境下，植被指數(shù) NDVI 與降水的關(guān)系，建立了植物生長(zhǎng)期內(nèi)降水—植被響應(yīng)模型，來(lái)描述降水事件對(duì)NDVI曲線變化的影響。研究結(jié)果表明：NDVI與兩三個(gè)月的累計(jì)降水有很好的相

6、關(guān)；一次降水將引起NDVI峰值出現(xiàn)，峰值出現(xiàn)時(shí)間約滯后15—25天。這種滯后現(xiàn)象可解釋為降水到達(dá)植物根部，被根系吸收并輸送到葉部，并影響到葉的色素和結(jié)構(gòu)所需要的時(shí)間。當(dāng)然，這個(gè)響應(yīng)時(shí)間是隨植物生長(zhǎng)模式、日期、土壤特性等而變化的。 此外，考慮到NDVI 與降水的空間分布及年內(nèi)、年際變化有關(guān)，有學(xué)者建立NDVI與降水/土壤水分含量之間的描述性/統(tǒng)計(jì)關(guān)系，以說(shuō)明 NDVI 是識(shí)別氣候干旱程度的一種方法；或通過(guò)NOAA數(shù)據(jù)的不

7、同植被指數(shù)來(lái)估算反映出地區(qū)氣候干旱的作物水分指數(shù)（CMI）、干旱指數(shù)（PDSI）、缺水指數(shù)（HD）的空間 / 時(shí)間變化；研究表明植被狀態(tài)指數(shù)VCI 可作為很好的干旱指標(biāo) ，用以 進(jìn)行全球干旱監(jiān)測(cè)。,,,植被指數(shù)與表面溫度的關(guān)系,許多學(xué)者研究了遙感植被指數(shù)與表面溫度的關(guān)系。 Smith和Choudhury(1991) ，利用TM數(shù)據(jù)（春）和NOAA數(shù)據(jù)（夏），提取NDVI和表面溫度（經(jīng)土壤-植被的表面熱平衡模型反演），分析澳大利

8、亞?wèn)|南部不同植被類型的NDVI（農(nóng)田、常綠林地）與表面溫度TS有不同的關(guān)系。 Kawashima(1994) 利用冬季日本東京地區(qū)晝夜的TM數(shù)據(jù)經(jīng)大氣糾正，對(duì)地表組成結(jié)構(gòu)（即建筑群與植被的比例）不同的城區(qū)（建筑群占總面積的82.5%）與郊區(qū)A（61.6%）、郊區(qū)B（30.9%），分別計(jì)算了其平均NDVI、晝夜平均地表溫度（ ）及日溫差（ ），并通過(guò)TS／NDVI，研究不同地表類型

9、表面溫度的植被效應(yīng)。,,,,Yang等（1997）對(duì)美國(guó)北部和中部大平原，用多時(shí)相NOAA數(shù)據(jù)融合的歸一化植被指數(shù)TI NDVI（ TI NDVI =∑NDVIi）和與地面氣象臺(tái)站數(shù)據(jù)所生成的7個(gè)氣候變量（2個(gè)月間隔）---表面氣溫Ta、土壤溫度Ts、太陽(yáng)輻射SR、降水量PT、大氣相對(duì)濕度RH、GDD生長(zhǎng)期溫度（被定義為日平均溫與基本溫度10℃之差）、ETP­潛在蒸散（通過(guò)方程計(jì)算），建立兩者間的關(guān)系模型[49]：,通過(guò)多元線

10、性回歸分析 表明，PT、ETP、GDD是草場(chǎng)長(zhǎng)勢(shì)和生產(chǎn)力的最主要控制因素。其中TINDVI與春夏季的降水量呈正相關(guān)，與初春的潛在蒸散呈負(fù)相關(guān)；且不同草場(chǎng)類型TINDVI的主要控制因素不同。,NDVI能反映植被狀況，而植被狀況與植被蒸發(fā)量、土壤水分有關(guān)。因此，不少學(xué)者研究植被指數(shù)與植物蒸散、土壤水分的關(guān)系。 Cihlar等（1991）通過(guò)作物生長(zhǎng)季節(jié)每15天的NDVI、氣象站點(diǎn)的氣象數(shù)據(jù)、由土壤水分模型（SWOM）反演根系

11、不同深度水含量以及生態(tài)、土壤等信息，研究不同植被/土壤組合的NDVI變化軌跡，與潛在蒸發(fā)量（PE）曲線的趨勢(shì)間的密切關(guān)系，指出NDVI與前15天的潛在蒸發(fā)量間相關(guān)系數(shù)為0.86；整個(gè)生長(zhǎng)季節(jié)的累計(jì)NDVI與累計(jì)蒸發(fā)量相關(guān)系數(shù)高達(dá)0.96；用NDVI和潛在蒸發(fā)量（PE）可以估算15天為周期的實(shí)際蒸發(fā)量（AE），估算誤差約10%～15%。 （植被指數(shù)與土壤水分的關(guān)系，將在 “土壤水分遙感”中專門論述 ）,2、 植被指數(shù)與植物

12、蒸散、土壤水分的關(guān)系,,,,以上講述的主要是一些統(tǒng)計(jì)模型，即通過(guò)大量實(shí)測(cè)數(shù)據(jù)，建立遙感植被指數(shù)與植物物理參數(shù)間的統(tǒng)計(jì)相關(guān)（多變量回歸方程）。 此方法抓住植被光譜這一本質(zhì)，簡(jiǎn)便易行，被廣泛應(yīng)用 ，但要有“先驗(yàn)知識(shí)”，其結(jié)果受先驗(yàn)數(shù)據(jù)的局限，適普性差，且未考慮非植被因素（土壤背景、地形、大氣特征）。 隨著定量遙感研究的深入，各種描述植被方向反射與植物冠層結(jié)構(gòu)之間關(guān)系的理論模型（如幾何光學(xué)模型與輻射傳輸模型等） ，也被用以定

13、量反演地表植被的生物物理參數(shù)。由于這些模型假設(shè)條件較多、反演復(fù)雜、需要的參數(shù)較多，使它在實(shí)際應(yīng)用中受到限制。,植被遙感模型---- 輻射傳輸模型（RT模型）,RT模型的理論基礎(chǔ)是輻射傳輸理論和冠層平均透射理論。 輻射傳輸理論的核心是輻射傳輸方程。它的一個(gè)基本假設(shè)是散射介質(zhì)水平方向是均勻的，垂直方向上介質(zhì)的密度、性質(zhì)有變化。它把植被冠層看作水平均勻的薄層，每一層中的植被單元可以當(dāng)作小的吸收和散射體，通過(guò)引入單元性質(zhì)（大小、方位

14、等）的密度函數(shù)（如傾角分布函數(shù)）以及光學(xué)路徑、散射相函數(shù)（表征冠層的散射特征）的概念，來(lái)描述輻射（太陽(yáng)直射、天空散射）與冠層（葉、莖、花等群體結(jié)構(gòu)）-下墊面（即植被—土壤耦合體系）相互作用的吸收、透射、多次散射過(guò)程。 冠層平均透射理論，即冠層的向上和向下透射相等，取其算術(shù)平均值作為平均冠層透射值。 在RT模型中，植被冠層構(gòu)成及其基本光學(xué)特性的描述，如冠層厚度、冠層密度、葉面傾角/葉面方向及其分布、葉面積指數(shù)和冠層

15、中各組成的基本散射特性等均為模型所采用的參量[1]。,以 （1984）為例 ： 它是針對(duì)冠層輻射特征的RT模型 —— 共有7個(gè)參數(shù)（3個(gè)結(jié)構(gòu)參數(shù)和4個(gè)組分光譜參數(shù)）：結(jié)構(gòu)參數(shù)：葉面積指數(shù)LAI、描述葉傾角分布的兩個(gè)參數(shù)u和V；組分光譜參數(shù)：葉片反射率 、葉片透過(guò)率 、土壤反射率 、天空散射光在總?cè)肷涔庵械谋壤齋KYL （可由大氣校正模型得到） 。

16、 SAIL模型較好的反映了水平均勻植被的葉面積指數(shù)（LAI）與葉傾角分布（LAD）對(duì)BRDF變化趨勢(shì)的影響，可用于計(jì)算一定葉結(jié)構(gòu)、光照條件下，均一葉冠層的反射，或反演冠層結(jié)構(gòu)參數(shù)等。但它假設(shè)葉子為小型，扁平狀的朗伯體，葉層水平、均勻，且沒(méi)考慮熱點(diǎn)效應(yīng)及葉片的鏡面反射的影響[22]。。,SAIL模型,Nilson-Kuusk模型（1989） ，考慮了植被群體“熱點(diǎn)”效應(yīng)和鏡面反射的影響，把植被群體的BRDF，分為植冠的一次散射（散射

17、與鏡面反射）、土壤的一次散射、群體和土壤的多次散射三部分，分別進(jìn)行計(jì)算?？捎糜谘芯咳~子之間的相互掩蓋對(duì)冠層反射的影響（要求輸入葉尺寸和冠層離地面的高度）。但Kuusk熱點(diǎn)模型不能計(jì)算大型不均勻植被冠層（如行種作物，不密閉的森林）。 PROSPECT模型（1990） ，根據(jù)葉子的葉綠素含量、水分含量、結(jié)構(gòu)特征推導(dǎo)葉子的輻射特征的RT模型 。它可通過(guò)三個(gè)變量-- 葉綠素含量（Chlf）、葉片層數(shù) （N）、波長(zhǎng)（λ），獲得葉子反

18、射率(ρf)和透射率(τf)等。它假設(shè)葉子的葉綠素和水分分布均一，葉子表面粗糙度沒(méi)有變化。,冠層反射模擬-- PROSPECT+SAIL模型,由PROSPECT+SAIL輻射傳輸模型--模擬冠層反射，表示為[16] ：,ρ?λ?＝?[θ? ，φ ? ，θv ，φ v， LAD ，LAI，N， Cab ， Cw ， Cdm ，s，Vis，ρS（λ）],式中，ρ（λ）為波長(zhǎng)λ的反射率；

19、ρS（λ）為土壤反射率； 生物物理參數(shù)：葉綠素a+b濃度 Cab （μg/cm2） ，葉片層數(shù) N， 葉片水吸收深 Cw （cm） ，葉片干物質(zhì)含量 Cdm（g/cm2）， 葉面積指數(shù) LAI，葉片平均傾角 LAD ； 外部參數(shù)：太陽(yáng)天頂角和方位角θ? 和φ?,，觀測(cè)天頂角和方

20、 位角θv和φ v，用能見(jiàn)度表示的漫射天空光 Vis（km）， 熱點(diǎn)效應(yīng)參數(shù) s 。 冠層的VIS-NIR反射特性，不僅受LAI、色素含量的影響，而且受冠層結(jié)構(gòu)、光照-視角的幾何關(guān)系、背景效應(yīng)、大氣效應(yīng)等的影響，模型模擬中考慮了這些因素。,RT模型：著重對(duì)植被內(nèi)部輻射場(chǎng)，尤其是其方向分布進(jìn)行描述。它考慮到多次散射作用。由于植被內(nèi)部輻射場(chǎng)的分布與植被空

21、間結(jié)構(gòu)密切相關(guān)，因而RT模型可詳細(xì)描述植被體內(nèi)的結(jié)構(gòu)特征，用以反演植被結(jié)構(gòu)參數(shù)。但由于假設(shè)水平均勻植被組分在同一高度上是隨機(jī)分布的，因此僅適用于連續(xù)植被的反演，如作物群體（壟狀特征不明顯或處于生長(zhǎng)期的作物）、大面積生長(zhǎng)茂盛的草地等，而對(duì)復(fù)雜的不連續(xù)的植被冠層，如森林等是不適用的。 RT模型雖理論嚴(yán)謹(jǐn)，但參數(shù)多，推導(dǎo)繁瑣。 在遙感像元尺度上，地球陸地表面大量呈現(xiàn)出非均勻的復(fù)雜結(jié)構(gòu)，且以表面散射為主，這是用輻射傳輸理論難以合理解釋的[1

22、、20]。,植被遙感模型----幾何光學(xué)模型（GO模型）,GO模型 —— 把幾何光學(xué)理論引入到植被的BRDF研究中。它主要考慮地物的宏觀幾何結(jié)構(gòu)，把地面目標(biāo)假定為具有已知幾何形狀和光學(xué)性質(zhì)、按一定方式排列的幾何體。 它把觀測(cè)視場(chǎng)（或像元），分為承照植被、承照地面、陰影植被、陰影地面4個(gè)分量。這4個(gè)分量是隨著太陽(yáng)角與觀察角的變化而變化，而觀測(cè)結(jié)果則是這4個(gè)分量亮度的面積加權(quán)和。,幾何光學(xué)模型的四分量,（“遙感物理”課程圖示）,假定

23、觀測(cè)視場(chǎng)內(nèi)只有地面和樹冠的反射；考慮天空光和多次散射，則遙感器接收的信號(hào)S 為4個(gè)分量的面積加權(quán)和： S = Kg·G+ Kc·C+ Kz·Z+ Kt·T 其中，Kg 是視場(chǎng)A內(nèi)地面受陽(yáng)光承照部分的面積與A之比； Kc是視場(chǎng)A內(nèi)樹冠承照表面的投影面積比；

24、 Kz和Kt分別是視場(chǎng)內(nèi)陰影中地面和樹冠與A之面積比； G、C、Z、T 分別是光照地面、光照樹冠、陰影地面、陰影 樹冠這4個(gè)分量在給定日照條件下的實(shí)際亮度。 上式中，若已知各波段的G、C、Z、T 和相應(yīng) S，則通過(guò)解線性方程組不難得到Kg、Kc、Kz、Kt。這里G、C、Z、T被當(dāng)作已知值或測(cè)量值。 但實(shí)際應(yīng)用中，以光照樹冠 C 為例，人們希

25、望可以把C與葉面反射率 、葉面積指數(shù)LAI、天空光等聯(lián)系起來(lái)。于是人們進(jìn)一步研究G、C、Z、T 的參數(shù)化問(wèn)題[1]。,GO模型通過(guò)分析這些幾何體對(duì)光線的截獲和遮陰及地表面的反射來(lái)確定植冠的方向反射。因此，首先要解決的是植被幾何結(jié)構(gòu)和空間分布模型化，如幾何結(jié)構(gòu)可以用結(jié)構(gòu)參數(shù)（株密度、樹冠大小、高度等）來(lái)表達(dá)；其次要解決的是利用幾何光學(xué)理論來(lái)計(jì)算植被的方向反射函數(shù)。 GO模型適于森林等不連續(xù)植被冠層的反射狀況。最具代表性的模型為

26、Li-Strahler GOMS模型 [23、24]。,把樹冠當(dāng)作橢球體，共有8個(gè)參數(shù) --- 4個(gè)結(jié)構(gòu)參數(shù)nR2、b/R、h/b、Δh/ b，和4個(gè)光譜組分參數(shù)G、C、Z、T ；其中n表單位面積內(nèi)樹冠的數(shù)目、R為橢球的水平半徑、b為垂直半徑、h為球心離地表的距離、Δh為樹冠中心高度均勻分布時(shí)最高值與最低值之差。 結(jié)構(gòu)參數(shù)：nR2反映垂直方向上樹冠覆蓋度；b/R為樹冠形態(tài)參數(shù)，主要影響非天頂方向觀察的覆蓋度；h/b為樹冠離地高度參

27、數(shù)，主要影響地面反射對(duì)熱點(diǎn)貢獻(xiàn)的寬度；Δh/b為樹冠高度分布離散程度。 光譜參數(shù)：G、C、Z、T 分別為給定入照條件下地面、樹冠和陰影地面、陰影樹冠的亮度。,,GOMS模型,GOMS模型表示為：,其中，ds 是地表或樹冠表面的面積元； R(s)是該面積元（假設(shè)是朗伯表面）的反射率； （i , s）和（r , s）分別是ds的法矢量與入射及觀察的方向矢量 夾角的余弦； Ii (s)表示ds

28、受陽(yáng)光直照與否的指數(shù)，數(shù)值為1（受直照）或0； Ir(s)是ds是否直接在觀察者視場(chǎng)內(nèi)的指數(shù)，為1（直接可見(jiàn)）或0； A 是視場(chǎng)（FOV）在水平地面的投影。,幾何光學(xué)模型著重于對(duì)植被冠層外表幾何特征的描述，通過(guò)分析這些幾何體對(duì)光線的截獲和遮陰及地表面的反射來(lái)確定植冠的方向反射或反演植被冠層的結(jié)構(gòu)特征。它簡(jiǎn)單明晰，適用于處理不連續(xù)植被（如灌木林、稀疏森林，針葉林，果園）以及粗糙地表等RT模型難以適用的地物。 其不

29、足之處在于只考慮冠層表面的一次散射，未考慮內(nèi)部的多次散射對(duì)構(gòu)成“陰影區(qū)”地物反射強(qiáng)度的影響，也不考慮植被—土壤系統(tǒng)的非朗伯輻射特性，以及對(duì)群體結(jié)構(gòu)假設(shè)的局限性等，使其計(jì)算精度受到影響[25] 。,植被遙感模型----幾何光學(xué)-輻射傳輸混合模型,幾何光學(xué)-輻射傳輸（GORT）混合模型（李小文等，1995），即利用GO模型在解釋陰影投影面積和地物表面空間相關(guān)性上的基本優(yōu)勢(shì)，同時(shí)引入RT模型在解釋均勻介質(zhì)中多次散射上的優(yōu)勢(shì)，分兩個(gè)層次來(lái)建立承

30、照面與陰影區(qū)反射強(qiáng)度的RT模型。聯(lián)系兩者的關(guān)鍵是間隙率模型（Li -Strahler，1988）。 間隙率模型可以簡(jiǎn)述如下[1]： 式中，P(i)是從給定方向光線穿越i個(gè)樹冠的概率，是由樹冠的宏觀大小和分布確定的統(tǒng)計(jì)量；Si是光線穿越樹冠的平均路徑， 是由樹冠內(nèi)部構(gòu)造（如樹葉大小、密

31、度）等決定的衰減常數(shù)。 GORT混合模型是通用模型，它既適用于稀疏群體，也適用于密閉群體。將它用于不同太陽(yáng)高度時(shí)，對(duì)森林反照率和BRDF的計(jì)算，獲得了較好的結(jié)果。,混合模型假定了一系列的幾何光學(xué)模型的機(jī)理，比如說(shuō)，傳感器所收集到的輻射反射分為三個(gè)方面：植被Rv、光照土壤 Ris、陰影土壤 Rss，即：R(λ) = fvRv(λ) ＋fisRis(λ) ＋fssRss(λ) 它似線性光譜混合模型（LSMM）， 但克服了

32、LSMM的最后輸出并不是植被分布的缺點(diǎn)，且 LSMM為二維，混合模型為三維。 混合模型不僅可反演地表的結(jié)構(gòu)性信息、冠層主要的生物物理特征（如 LAI ），而且能較好地描述在冠層中復(fù)雜輻射傳遞過(guò)程。結(jié)果表明這一模型是反演混合冠層中植被豐度的良好工具。 研究表明：這一模型與線性光譜混合模型（LSMM）相比，考慮了冠層附近的成蔭、穿透、多向散射過(guò)程，且反演植被覆蓋率時(shí)所得誤差更小，所用參數(shù)更少； 但它忽略了冠層表面性質(zhì)

33、。,b=2R/H ； 象元尺度 6m-16m ； 兩種冠層高度： i) H=2R b=1 ， ii) H=5R b=0.4 ； h=1m ； 不同層數(shù)：i) n=10 ， ii) n=20 ； 0.5<LAI<7 ； LAD (leaf angle distribution) 的三種情況： i) 水平葉 ii) 球型分布 iii) 優(yōu)勢(shì)水平分布 。,模型需要

34、考慮的基本冠層參數(shù)：,R(λ) = fvR∞(λ) ＋[ρs(λ) －R ∞(λ)]exp(-C·LAI)] ＋ fsρs(λ)[fi＋(1－fi)(1－LAIL)k]式中， ρs 是土壤反射， R∞(λ) 是飽和反射， C 描述植物攔截輻射的能力（取決于葉子對(duì)輻射的衰減）， LAIL 是單層LAI分量（0，1）， LAIL=L

35、AI/n， κ為黑度系數(shù)， K 預(yù)建構(gòu)有關(guān)， τk 描述 波長(zhǎng)變化， fv、fi、 fs分別為植被、光照土壤 、陰影土壤的相對(duì)面積系數(shù)。,變換后得混合冠層的反射模型為：,計(jì)算機(jī)模擬模型,上述的三種模型在處理植被結(jié)構(gòu)時(shí)大都不考慮植被各組分的尺寸大小、各組分間距離以及它們非隨機(jī)的空間分布特性。對(duì)于自然植被來(lái)說(shuō)，這顯然是不真實(shí)的。 計(jì)算機(jī)模擬模型可以比上述模型更靈活、更詳細(xì)、更真

36、實(shí)的處理上述非均勻群體問(wèn)題。目前，計(jì)算機(jī)模擬模型已從純蒙特卡洛法向“結(jié)構(gòu)真實(shí)模型”、三維可視化表達(dá)模型的方向發(fā)展。,以上介紹了幾類植被遙感模型——通過(guò)模型的BRDF來(lái)反演地表參數(shù)（如反照率 ，反射率 等）和地表幾何特征（如植被結(jié)構(gòu)參數(shù)——LAI、LAD等）。,（三） 應(yīng)用實(shí)例 -- 中尺度植被動(dòng)態(tài)監(jiān)測(cè)與制圖,以內(nèi)蒙古典型干草原地帶為研究區(qū)，通過(guò)對(duì)NOAA/AVHRR，不同時(shí)相植被指數(shù) RVI 圖象進(jìn)行分割處理，進(jìn)行植被

37、動(dòng)態(tài)監(jiān)測(cè)和繪制植被類型圖。具體步驟為[53] ：1）遙感資料的預(yù)處理，選擇植物生長(zhǎng)季節(jié)中，4個(gè)不同時(shí)相的無(wú)云圖象（1989年5月4日，6月8日，7月3日，8月13日），對(duì)這些圖象數(shù)據(jù)進(jìn)行輻射糾正、大氣糾正、幾何糾正，并使不同時(shí)相的圖象在空間上嚴(yán)格配準(zhǔn)。2）求算比值植被指數(shù) RVI=CH2/CH1，得4個(gè)不同時(shí)相的植被指數(shù)圖象。3）對(duì)4個(gè)不同時(shí)相的RVI圖象進(jìn)行主成分分析。其中第一主分量PC1（方差百分比達(dá) 89.9%）集中了4個(gè)不

38、同時(shí)期的絕大部分植被信息。該圖象作為進(jìn)一步分析的典型圖象。,內(nèi)蒙某地區(qū)多時(shí)相植被指數(shù)VI 圖象K-L變換特征統(tǒng)計(jì),4）采用閾值方法，對(duì)上述的第一主成分圖象進(jìn)行空間分割，將圖象分割為9級(jí)。閾值的確定：先對(duì)第一主成分圖象進(jìn)行灰度線性拉伸，根據(jù)直方圖上每個(gè)特征峰的形狀和位置等細(xì)節(jié)，確定分割端點(diǎn)。5）圖象分割后生成植被類型圖。將分割圖象與該地的植被圖進(jìn)行比較，使各色調(diào)分別代表不同的地表覆蓋類型（植被類型）。,多時(shí)相植被指數(shù)VI 圖第一主分量的

39、圖像分割,6）中尺度植被動(dòng)態(tài)變化分析（季相變化、綠波進(jìn)退等）。 選擇不同時(shí)相（1987.6.8、1989.8.13 ）的RVI圖象，分別進(jìn)行圖象分割，并對(duì)分割后的兩張彩色編碼圖像進(jìn)行動(dòng)態(tài)變化分析。,右下兩張圖顯示，綠峰的水平距離差約200km，反映出季節(jié)和降水波動(dòng)的結(jié)果.即6月為草的生長(zhǎng)旺季，8月草已開始枯黃；另?yè)?jù)氣候資料，當(dāng)?shù)?986、1987年為豐水年，草場(chǎng)返青早、生長(zhǎng)旺、綠峰迅猛推進(jìn)，而1988、1989年為大旱年，草類提

40、前枯萎，綠峰提前全線消退，致使兩者的季節(jié)差大于正常年份。,2、大尺度植被動(dòng)態(tài)變化分析,圍繞全球生態(tài)環(huán)境進(jìn)行大尺度植被動(dòng)態(tài)監(jiān)測(cè)及植被與氣候的關(guān)系研究。 用全球AVHRR數(shù)據(jù)（1km）以象元為單元，計(jì)算日GVI（為了排除大氣影響、云的干擾 ）—— 周GVI（ 7天的最大值）——月GVI（4周的最大值），以便大尺度動(dòng)態(tài)分析。,如，分析GVI的月變化，并作不同月份GVI的彩色合成圖，以分析GVI的季節(jié)變化；,對(duì)月GVI圖象-

41、---自動(dòng)分類----植被類型圖（熱帶雨林、常綠林、落葉林、苔原凍土、草地、半干旱、高山干旱、干旱沙漠 等 8類）；不同月份或不同季節(jié) 8種不同植被類型的 GVI變化曲線分析；年平均植被指數(shù) 圖象的分類，繪制全球植被圖；將8種類別歸并為森林、草地、沙漠3大類，進(jìn)行大區(qū)域GVI分布特點(diǎn)和類別的研究； 通過(guò)以年為單位的GVI的多年對(duì)比，分析不同區(qū)域（全球、歐亞、大洋洲、南美、北美、非洲等）的植被年變化。,1987年,Glob

42、al LandCover Classfication 1987,全球的 NDVI —— 集群分類 —— 得全球土地覆蓋類型圖（分出 熱帶雨林、熱帶大草原、落葉林、常綠—落葉林、季雨林、熱帶草原和草原、草原、地中海灌木、常綠林、落葉林地、灌木和僅有旱生植被的干草原、苔原凍土冰區(qū)、沙漠 等13 種土地覆蓋類型），并作13種類別NDVI的季節(jié)變化曲線，以進(jìn)行全球土地覆蓋類型的動(dòng)態(tài)監(jiān)測(cè)。,全 球 陸 地 植 被,全球陸地植被,NSMC,MODI

43、S合成植被指數(shù)（2001年）,1月,4月,7月,10月,,NSMC,NDVI空間分布特征,參考文獻(xiàn) 1,Campbell James B. , 1987 , Introduction to Remote Sensing , Published by the Guilford Press, New York, London.Boochs F., 1990, shape of the Red Edge As Vitality lndic

44、ator for plants, J.Remote Sens., 11(10):1741~1753.王長(zhǎng)耀、牛錚、唐華俊等，2001，對(duì)地觀測(cè)技術(shù)與精細(xì)農(nóng)業(yè)，科學(xué)出版社.Lillesand Thomas M. & Kiefer Ralph W. , 1994 , Remote Sensing and Image Interpretation (3rd Ed ), Published by John Wiley &

45、 Sons, Inc.Jensen John R. , 1996 , Introductory Digital Image Processing : A Remote Sensing Perspective (2nd Ed ), Published by Prentice--Hall, Englewood Cliffs, N.J.陳述彭、趙英時(shí)，1990，遙感地學(xué)分析，測(cè)繪出版社.Yoshioka H., T. Miura, A

46、.R. Huete & B.D. Ganapol ,2000, Analysis of Vegetation Isolines in Red-NIR Reflectance Space , Remote Sensing of Environ., 74(2): 313~326.張仁華，1996，實(shí)驗(yàn)遙感模型及地面基礎(chǔ)，科學(xué)出版社.Huete A. R., 1988, A Soil-adjusted vegetation ind

47、ix (SAVI). Remote Sens. Environ., 25:295~309.Banair A. et al., 1995, A Review of Vegetation lndices, Remote Sens. Review ,13:95~120.Broge N.H. & E. Leblanc, 2001, Comparing Prediction Power and Stability of Broadba

48、nd and Hyperspectral Vegetation Indices for Estimation of Green Leaf Area Index and Canopy Chlorophyll Density , Remote Sensing of Environ.,76(2): 156~172.Major D. T., Baret F., & Guyot G., 1990, A ratio vegetation

49、index adjusted for soil brighness, Int. J. Remote Sens., 11:727~740.Lyon J. G., et al., 1998, A Change Detection Experiment Using Vegetation Indices, Phote. Engin. & R.emote Sens., 64(2): 143~150.,參考文獻(xiàn) 2,[ Roujean

50、 J.L. & Breon F.M.,1995, Estimating PAR Absorbed by Vegetation from Bidirectional Reflectance Measurements, Remote Sensing of Environ.,51:375~384 .Kim M.S.,Daughtry C.S.T.,Chappelle E.W. & McMurtrey J.E., 1994,

51、The use of High Spectral Resolution Bands for Estimating Absorbed Photosynthetically Active Radiation (APAR) , In:Proc.ISPRS’94 Val d’Isere,France 17-21 January 1994 (pp.299~306) . Ben-dor E. & Kruse F. A., 1995 ,

52、 Surface Mineral Mapping of Makhtesh Ramon,Negev, Israel using GER 63 Channel Scanner Data, International Journal of Remote Sensing,16,3529~3553.[ Rahman , 2001, Influence of Atmospheric Correction on the Estimation of

53、Biophysical Parameters of Crop Canopy Using Satellite Remote Sensing , International Journal of Remote Sensing , 22(7): 1245~1268 . [ Bo-Cai Gao & Rong-Rong Li , 2000, Quantitative Improvement in the Estimates of

54、NDVI Values from Remotely Sensed Data by Correcting Thin Cirrus Scattering Effects , Remote Sensing of Environ., 74(3): 494~502 . Chappell A., J. W. Seaquist, L. Eklundh , 2001 ,Improving the Estimation of Noi

55、se from NOAA AVHRR NDVI for Africa Using Geostatistics , International Journal of Remote Sensing , 22(6): 1067~1080 Lymburner L., Paul J. B. et al.,2000 , Estimation of Canopy-Average Surface-Specific Leaf Area Using L

56、andsat TM Data， Photo. Engin. & R. S. ,66(2):183-191. Leonard B., J. M. Chen et al., 2000, A Shortwave Infrared Modification to the Simple Ratio for LAI Retrieval in Boreal Forests - An Image and Model Analysis, R

57、emote Sensing of Environ.,71(1): 16~25. Demarez V. & J.P. Gastellu-Etchegorry , 2000, A Modeling Approach for Studying Forest Chlorophyll Content , Remote Sensing of Environ.,71(1): 226~238. Stella W.T. &

58、R.r M.Hoffer，1998，Responses of Spectral Indices to Variations in Vegetation Cover and Soil Background ,Photogrammetric Engineering&Romtote Sensing， 64(9):915~921.,參考文獻(xiàn) 3,[ Moleele N., S. Ringrose, W. Arnberg et al.,

59、 2001 , Assessment of vegetation indexes useful for browse (forage) prediction in semi-arid rangeland，Int. J. Remote Sens., 22(5):741~756. [ Xiang Gao, Alfredo R. H., Wenge Ni & Tomoaki M. ,2000, Optical-Bio

60、physical Relationships of Vegetation Spectra without Background Contamination, Remote Sensing of Environ., 74(3): 609~620. Di L. & D. C. Rundquist, Han L., 1994, Modelling Relationships between NDVI and Precipita

61、tion during Vegetative growth cycles, Int. J. Remote Sens., 15(10):2121~2136.[ Kogan F., 1990, Remote sensing of weather impacts on vegetation in non-homogeneous areas, Int. J. Remote Sens., 11:1405~1419. Smith R.

62、C. G. & Choudhury, B. J. 1990, On the correlation of Indices of vegetation and surface Temperature over south-eastern Australia, Int. J. Remote Sens., 11:2113~2120.[ Gallo K. P. et al., 1993, The use of NOAA AVHRR

63、 data for assessment of the urban \ heat island effect, J. Appl. Meteorol. 32: 899~908.[ Shigeto K., 1994, Relation between Vegetation, Surface Temperature and Surface Composition in the Tokyo Region during Winter, Re

64、mote Sens. Environ., 50:52~60.[ Yang L. M. et al., 1998, An Analysis of Relationships among climate Forcing and Time-Integrated NDVI of Grasslands over the U.S. Northern and Central Great Plains, Remote Sens. Environ.,

65、 65:25~37.[ Kawashima S., 1994, Relation between Vegetation, Surface Temperature, and surface composition in the Tokyo Region during Winter, Remote Sens. Environ. 50:52~60.[ Cihlar, J. et al., 1991, Relation between t

66、he Normalized Difference Vegetation Index and Ecological Variables, Remote Sens. Environ., 35(1):279~298 K. D. Grover, M. D. Steven, G. Rondeaux, J. A. Clark, 2000, Estimating albedo from limited spectral and angular

67、data, International Journal of Remote Sensing, 21(1): 155-165 V. Demarez and J.P. Gastellu-Etchegorry , 2000, A Modeling Approach for Studying Forest Chlorophyll Content , Remote Sensing of Environ.,71(1): 226-238[ 馮強(qiáng)