植被覆盖度

植被覆盖度特征提取可以定量地提取光谱特征、空间（几何）特征和纹理特征等，包括多光谱图像和波段间运算及不同时期观测的图像间的运算，其结果仍可形成图像。光谱特征提取包括颜色及灰度或波段间的亮度比等目标物的光谱特征，它对应于每一个像元，但与像元的排列等空间结构无关，植被指数分析和主成分分析法就属于此类。遥感图像上的植被信息，主要通过绿色植物叶子光谱特征的差异及动态变化而反映出来。不同光谱通道的信息可以与植被的不同要素或状态有各种不同的相关性，因而将遥感数据进行处理分析，从而得到植被指数，往往可以得到更好的植被信息。所谓植被指数就是由多光谱数据，经线性和非线性组合构成的对植被有一定指示意义的各种数值。由于近红外波段是叶子健康状况最灵敏的标志，它对植被差异及植物长势反映敏感，指示着植物光合作用能否正常运行。可见光红波段被植物叶绿素强吸收，进行光合作用制造干物质，它是光合作用的代表波段，因此通常利用植物光谱中的近红外和可见光红波段两个最典型的波段值建立植被指数模型（李建龙等，1997），以便于植物专题研究，绿色植物的遥感监测以及生物量的估算，且在一定程度上有助于减少外界因素（如太阳高度角、大气状态和非像底观测）带来的数据误差。目前常用的植被指数模式有：1.规一化植被指数（NVI-Normalized Vegetation Index）又称标准化植被指数，定义为近红外波段与可见光红波段数值之差与这两个波段数值之和的比值，即 NVI=（NIR-R）/（NIR+R）。在TM图像中IR为4波段，R为3波段。规一化植被指数是植物生长状况及植物空间分布密度的最佳指示因子，与植物分布密度呈线性相关。实验证明：NVI 对土壤背景的变化较为敏感，当植被盖度小于15%时，数值高于裸土的NVI值；而植被盖度由25%增加到80%时，NVI随植被量呈线性增加；当植被覆盖度大于80%时，NVI对植被检测灵敏度下降。因此，NVI很适合于早、中期发展阶段或低覆盖度植被的检测。2.比值植被指数（RVI-Ratio Vegetation Index）比值植被指数是指近红外波段与可见光波段数值的比值，即RVI=NIR/R。RVI与叶面积指数、叶干生物量、叶绿素含量相关最好。当植被覆盖度小于50%时，RVI不能很好地识别植物密度差异。但在高覆盖度下，RVI变得对植被十分敏感，与生物量的相关性最好。因而RVI更适合于植被发展高度旺盛、具有高覆盖度的植被检测中（Jackson等，1983）。RVI对大气状况极为敏感，尤其在RVI值高时，其影响相当显著，因此最好运用经大气校正的数据（陈述彭等，1990）。3.差值植被指数（DVI-Difference Vegetation Index）又称环境植被指数（EVI-Environmental Vegetation Index），农业植被指数（AVI Agricultural Vegetation Index）、作物植被指数（CVI-Crop Vegetation Index），是指近红外波段与可见光红波段数据的差值，即DVI=NIR-R。DVI对土壤背景的变化较RVI要敏感。植被覆盖度为15%～25%时，它随植被量的增加而迅速增大。当植被覆盖度达80%时，它对植被的灵敏度有所下降。DVI在植被遥感中应用较为普遍。4.正交植被指数（PVI-Perpendicular Vegetation Index）由于土壤光谱线的存在，NVI及DVI均受背景值影响，为了削减和减轻土壤背景值对植物光谱的影响，而 PVI 可以将地形和土壤的影响缩小到最小。其公式（梅安新等，2001）为：PVI=0.939（NIR）-0.344（R）+0.09总之，对于多波段数据可以进行各种简单的运算，三波段的加法可以进行彩色合成，二波段的减法可以削去背景影响，关键在于这种运算能突出需要的现象。分别利用上述5种方法对图像进行处理并将它们与原始图像按不同的组合进行彩色显示，经过筛选、比较，优化的彩色显示组合为（PVI，3，7）（各波段相应组合为红、绿、蓝），本书中主要利用这一组合显示的图像。