《遥感图像处理》实验报告
实验题目：曲靖市Landsat8遥感影像
植被覆盖度反演
姓名：___ ____ 学号：
专业：___地理科学_ __ 教师：
日期：___2017年3月15日__
曲靖师范学院城市学院
一、实验目的
太阳辐射通过大气以某种方式入射到物体表面然后再反射回传感器，由于大气气溶胶、地形和邻近地物等影像，使得原始影像包含物体表面，大气，以及太阳的信息等信息的综合。如果我们想要了解某一物体表面的光谱属性，我们必须将它的反射信息从大气和太阳的信息中分离出来，这就需要进行大气校正过程。本实验以曲靖市的一景Landsat 8遥感影像为数据源，利用ENVI大气校正扩展模块（ FLAASH）进行大气校正，并对比分析大气校正前后植被、水体、土壤、裸岩等典型底物的光谱特征差异，为后续定量遥感的应用奠定一定的基础。
二、实验准备
1.软件准备：ENVI 5.3.1
2.数据准备：LC81290422015324LGN00遥感数据、地形数据
三、实验过程
（一）遥感影像数据的辐射定标
Landsat8数据和其他TM 数据类似，发布的数据标示 L1T，做过地形参与的几何校正，一般情况下可以直接使用而不需要做几何校正。为了利用其丰富的波段光谱信息，我们需要进行辐射定标处理，将原始图像上的DN值转为反射率。
1.使用ENVI5.1下的通用定标工具Radiometric Calibration进行Landsat8的辐射定标。打开LO81290422015148BJC00_MTL全波段文件，选择MultiSpectral多光谱数据进行定标，定标的范围可缩小为ROI区域。
（1）.定标参数设置。为后续的FLAASH大气校正做数据准备，单击Apply FLAASH
Settings得到相应的参数。然后点击OK输出结果。
辐射定标后的结果：
通过定标之后的影像DN值可靠。其中，底下的Data值为定标前影像的像元值，上面的Data值为定标后影像的像元值。且定标前影像的数据类型为无符号16位整型，定标后影像为浮点型辐亮度值。
（二）遥感影像的大气校正
Flassh大气校正，大气校正的意义在于去除一些大气的干扰，首先，在Envi中打开Flaash大气校正工具，Toolbox/Radiometric Correction/FLAASH Atmospheric Correction，
(1).Input Radiance Image：打开辐射定标结果数据,要求为BIL存储格式，这时会弹出Radiance Scale Factor对话框，它的作用是在单位未知的辐亮度值与浮点型辐亮度值之间做转换，并且Scale Factor=浮点型或整型亮度图像（单位未知）/ 浮点型辐射亮度。
(2).Output Reflectance File：设置输出FLAASH大气校正结果的路径；
(3).Output Directory for FLAASH Files：设置输出FLAASH校正文件的路径；
(4).Scene Center Location：自动获取；
(5).Sensor Type：Landsat-8 OLI；Sensor Altitude:自动读取；Pixel Size:自动读取；
(6).Ground Elevation: 2.135KM。利用全球900米分辨率DEM数据，首先，点出 Rejion of Interest (ROI) Tool工具，用不规则多边形划一个封闭的多边形并保存。然后导入全球900米分辨率DEM数据：Open World Data ->Elevation（GMTED2010）；在Toolbox下选择Statistics->Compute Statistics，打开Compute Statistics输入文件对话框，选择GMTED2010.jp2数据。最后用“Date Manager”加载已经保存好的ROI,点击Rejion of Interest (ROI) Tool 中的“计算”，就能得出最后的计算结果2135.566m。
(7).Flight data/Flight Time：从原始数据“LO81290422015148BJC00_MTL.txt”中找到。
（8）.Atmospheric Model：Mid-Latitude Summer（根据成像时间和纬度信息选择）,此次成像时间是5月，所以选择Mid-Latitude Summer。
（9）.Aerosol Model：Rural;
（10）.Aerosol Retrieval：2-band（K-T）；
在Multispectral Settings多光谱设置里，K-T变换选项中，Defaults下拉框：Over-Land Retrieval Standard(660:2100);Filter Function File:选择landsat8_oli.sli 波谱响应函数；
11) 其他参数按照默认设置即可。
大气校正结果：
下图是建筑的反射波普曲线，从中可看出（注：左边是未校正的影像，右边是校正好
的），校正后的基本去除了空气中水汽颗粒等因子的影响，
下图是植被的反射波普曲线，左边是未校正的影像，右边是校正好的，校正后的植被反射波普在4波段以前反射很低，主要集中在4-7波段。
下图是植被的反射波普曲线，左边是校正好的影像，右边是未校正好的，大致可以看出大气校正后消除了大气散射的影响。
下图是水体的反射波普曲线，左边是未校正的影像，右边是校正好的，从图中可以看出，校正后的影像，水体反射波普曲线从1波段到7波段，反射值不断降低。已经消除了空气中水汽等的影响。
从上述的波谱对比曲线中可以看出，经过FLAASH校正的影像基本去除了空气中水汽颗粒等因子的影响，植被、建筑、水体的波谱曲线趋于正常。
（三）去除异常值
1.利用波段运算对红波段和近红外波段进行去除异常值处理
在Band Math对话框的Enter an expression 中输入(b1 lt 0)*0+(b1 gt 10000)*0+(b1 ge 0 and b1 le 10000)*b1 点击Add to List 添加到Previous Band Math Expression 中，选中该公式，点击OK，在Variables to Bands Pairings对话框中选择红色波段，选择存储位置，点击OK。
通过直方统计查看结果
用同样的方法对近红外波段去除异常值，并查看结果。
2.将去除异常值的红波段和近红外波段进行组合（layer stracking）
3. 计算NDVI并获取阈值
点击Toolbox工具箱中Spectral/Vegetation/NDVI,弹出NDVI Calculation Input File 对话框，选择已经做好的影像作为输入图像。
在NDVI Calculation Parameters中的Input 中选择landsat OLI，NDVI的红色波段填2，近红外波段填1。
加载提取好的边界（镶嵌数据集）
新建ROI> vector提取好的边界>在roi中直接统计（computer statistics）> to text file
用ROI中的不规则多边形把影像全部画下来。
点击Compute Statistics 进行计算，下面我们分析统计结果，取一定置信度获取最大最小NDVI值。置信区间为5%-95%，将导出的数据加到EXCEL中找到5%和95%所对应的值，分别是最小值0.262745和最大值0.835294。
4. 植被覆盖度的计算公式如下：
四、实验结果
1. 覆盖度分类结果：我们再查看结算结果，可以看到波段最小值由刚才的-1变为0。
2.覆盖度分类（密度分割）
（1）对反演后的影像进行裁剪，将背景值改为-1 Toolbox > regions of interest > subset data from rois
（2）在裁剪后的影像的图层上点击右键，选择New raster color slice,点击清除按钮，添加自己所需区间并设置颜色，单击OK
分类结果：
五、实验总结
（1）.在辐射定标中，定标参数设置中，要单击Apply FLAASH Settings得到相应的参数，不然，在后面的大气校正中中找不到相应文件。
基于辐射传输方程的Landsat数据地表温度反演教程 一、数据准备 Landsa 8遥感影像数据一景，本教程以重庆市2015年7月26日的=行列号为（128，049）影像（LC8LGN00）为例。 同时需提前查询影像的基本信息（详见下表） 标识日期采集时间中心经度中心纬度LC8LGN002016/7/263:26:56 ………………………… 二、地表温度反演的总体流程 三、具体步骤 1、辐射定标 地表温度反演主要包括两部分，一是对热红外数据，二是多光谱数据进行辐射定标。 （1）热红外数据辐射定标
选择Radiometric Correction/Radiometric Calibration。在File Selection对话框中， 选择数据LC8LGN02_MTL_Thermal，单击Spectral Subset选择Thermal Infrared1（），打开Radiometric Calibration面板。 Scale factor 不能改变，否则后续 计算会报错。保持默认1即可。 （2）多光谱数据辐射定标 选择要校正的多光谱数据“LC8LGN02_MTL_MultiSpectral” 进行辐射定标。 因为后续需要对多光谱数据进行大气校正，可直接单击Apply Flaash Settings， 如下图。
注意与热红外数据辐射定标是的差 别，设置后Scale factor值为。 2、大气校正 本教程选择Flaash 校正法。FLAASH Atmospheric Correction，双击此工具，打开辐射定标的数据，进行相关的参数设置进行大气校正。 注意：如果在多光谱数据辐射定标时Scale factor值忘记设置，可在本步骤中打开辐射定标数时设置single scale faceor 值为，若已设置，则默认值为1即可。 1)Input Radiance Image：打开辐射定标结果数据； 2)设置输出反射率的路径，由于定标时候； 3)设置输出FLAASH校正文件的路径，最优状态：路径所在磁盘空间足够大； 4)中心点经纬度Scene Center Location：自动获取； 5)选择传感器类型：Landsat-8 OLI；其对应的传感器高度以及影像数据的分辨 率自动读取； 6) 设置研究区域的地面高程数据；
遥感反演土壤湿度的主要方法 遥感反演土壤湿度根据波段的不同分为3类：微波遥感土壤湿度法；作物植被指数法；热红外遥感监测法（主要是应用热惯量模型）。 1.1 微波遥感土壤湿度法 分主动微波遥感监测法和被动微波遥感监测法两种。此方法物理基础坚实，即土壤的介电特性 和土壤含水量密切相关，水分的介电常数大约为80，干土仅为3，它们之间存在较大的反差。土壤的介电常数随土壤湿度的变化而变化，表现于卫星遥感图像上将是灰度值G亮度温度Tb的变化。因此，微波遥感土壤水分的方法被广泛地应用于实际的监测工作中。 1.1.1 主动微波遥感监测法 以应用x波段侧视雷达为主，主要是后向反射系数法。因为含水量的多少直接影响土壤的介电常数，使雷达回波对土壤湿度反映极为敏感，据此可建立后向散射系数和土壤水分含量之间的函数关系。国内李杏朝据微波后向反射系数法，用x波段散射计测量土壤后向反射系数，与同步获得的X 波段、HH极化机载SAR图像一起试验监测土壤水分；田国良等在河南也应用此方法也进行土壤水分研究。主动微波遥感土壤水分精度较高，且可以全天候使用，成为监测水分最灵活、最适用、最有 效的方法，随着大量的主动微波遥感器的卫星（ERS系列、EOS、SAR、Radar sat、ADEOS、TRMM 等）的发射升空，将使微波遥感的成本不断下降，逐渐被应用于实践 1.1.2 被动微波遥感监测法 原理同主动微波遥感法。值得指出，植被在地表过程研究中的影响突出，为了消除植被的影响，必须同时重视植被的遥感监测，建立相关的计算模型。Teng等通过实验得出在浓密植被覆盖区土壤湿度监测中应避免使用19GHZ波段，此时SMMR 的6.6GHZ波段比SSM／I的19GHZ在遥感监测土壤湿度信息方面的精度更高。说明在植被较密时，为了消除植被对土壤湿度反演的影响，应尽量 选择波段较长的微波辐射计。 1.2 作物植被指数法 采用此方法是基于植被在可见光部分叶绿素吸收了70％-90％红光，反射了大部分绿光，而由 于叶肉组织的作用，后行叶片在近红外波段的反射较强。通过各光谱波段所反射的太阳辐射的比来 表达，这就叫植被指数。常用的植被指数有：归一化植被指数（Normal Difference Vegetation Index, NDVI）、比值植被指数（Ratio Vegetation Index, RVI）距平植被指数（Average Vegetation Index, AVI）和植被条件指数（Vegetation Condition Index，VCI）。 1.3 热红外遥感监测法 土壤热惯量和土壤水分的关系密切，即土壤水分高，热惯量大，土壤表面的昼夜温差小，反之 亦然。热红外遥感手段主要利用地表温度日变化幅度、植被冠层和冠层空气温差、表观热惯量、热 模型（蒸散比）估测土壤含水量[5]。 土壤热惯量法是土壤热特性的综合性参数，定义为： P = tCm (1) (1)式中：P为热惯量（J/m2 k?S1/2）；ρ为密度（kg/m3 ）；C为比热（J/kg?k）；λ为热导率。在实际工作中，常用表观热惯量来代替P： ATI=(1一A)／(Td-Tn) (2) 式中：Td、Tn分别为昼夜温度，A为全波段反照率。
定量遥感的定义 定量遥感 随着经济和科技的发展，国家的宏观决策、资源调查、环境及灾害监测等 影响国民经济发展的关键领域急需数据支持，要求数据具有空间上的宏观性， 时间上的连续性和可获取数据的全面性。而遥感技术正具备这一能力，它能够 以不同的时空尺度不断地提供多种地表特征信息。 但是与遥感卫星获取数据的能力相比，遥感数据的自动、定量化处理乃至 对遥感数据信息的理解能力与对遥感数据的有效利用却远远不足，这也是目前 制约遥感发挥作用的瓶颈问题。因此，定量遥感逐渐成为遥感发展的主要方向。 定义 定量遥感或称遥感量化遥感研究，主要指从对地观测电磁波信号中定量提 取地表参数的技术和方法研究，区别于仅依靠经验判读的定性识别地物的方法。 它有两重含义：遥感信息在电磁波的不同波段内给出的地表物质的定量的 物理量和准确的空间位置；从这些定量的遥感信息中，通过实验的或物理的模 型将遥感信息与地学参量联系起来，定量的反演或推算某些地学或生物学信息。 建模 装置在星体上的传感器，它的可测参数一般为电磁波的属性参数，也就是 电磁辐射强度、偏振度、相位差等，而我们的目的是要从这些可测参数中获得 有关目标的物理的、地理的、化学的、甚至生物学的状态参数，所以在可测参 数与目标状态参数间建立某种函数关系是实现目标参数反演的关键一步，我们 称它为建模。 遥感模型一般分为三种： 1.统计模型(即经验模型)：基于陆地表面变量和遥感数据的相关关系，对 一系列的观测数据做经验性的统计描述或者进行相关性分析，构建遥感参数与 地面观测数据之间的线性回归方程。 优点：参数少；容易建立且可以有效概括从局部区域获取的数据，简便， 适用性强；
多源遥感数据反演土壤水分方法 张友静1,王军战2,鲍艳松3 (11河海大学水文水资源与水利工程科学国家重点实验室,江苏南京 210098;21中国科学院寒区旱区环境与工程研究所, 甘肃兰州 730000;31南京信息工程大学大气物理学院,江苏南京 210044) 摘要:基于AS AR 2APP 影像数据和光学影像数据,根据水云模型研究了小麦覆盖下地表土壤含水量的反演方法。利用T M 和MOD I S 影像构建的植被生物、物理参数与实测小麦含水量进行回归分析,发现T M 影像提取的归一化水分指数(NDW I )反演精度较好,相关系数达到0187。根据这一关系,结合水云模型并联立裸露地表土壤湿度反演模型,建立了基于多源遥感数据的土壤含水量反演模型和参数统一求解方案。反演结果表明:该方案可得到理想的土壤水分反演精度,并可控制参数估计的误差。反演土壤含水量和准同步实测数据的相关系数为019,均方根误差为3183%。在此基础上,分析了模型参数的敏感性,并制作了研究区土壤缺水量分布图。 关键词:土壤含水量;多源遥感数据;水云模型;AS AR;多尺度 中图分类号:P33819 文献标志码:A 文章编号:100126791(2010)022******* 收稿日期:2009203209 基金项目:国家自然科学基金资助项目(40701130;40830639) 作者简介:张友静(1955-),男,江苏南京人,教授,主要从事遥感机理与方法研究。E 2mail:zhangyj@hhu 1edu 1cn 土壤含水量是地表和大气界面的重要状态参数,并直接影响地表的热量和水量平衡,因而受到水文、气象和农业灌溉等多个学科的关注。微波土壤水分遥感研究始于20世纪80年代,其中最具代表性的是U laby 利用试验数据得出土壤后向散射系数的主导因素为粗糙度和含水量 [1]。80年代后,Dobs on 和U laby 利用车载、高塔、航空平台的微波数据研究了土壤湿度反演的最佳工作模式,并一致认为小角度入射后向散射系数对土壤湿度最敏感[2]。随着微波散射模型不断发展,相继出现微波散射的小扰动模型、几何光学模型、物 理光学模型、两尺度模型和积分方程模型A I E M 。Dobos on 等在物理模型和试验研究的基础上各自建立了经验和半经验模型,成功地反演了裸土的土壤含水量 [324]。2000年以来,随着Rardrsat,E NV I S AT AS AR 传感器发射,基于卫星雷达数据的土壤湿度反演逐步开展。李震等综合主动和被动微波数据,建立一种半经验模型,用于估算地表土壤水分的变化 [526]。研究表明AS AR 数据在半干旱区农田土壤湿度反演方面具有独特的优势[729]。 在植被覆盖条件下,微波信号的组成十分复杂。研究提取植被覆盖下的土壤湿度信息的重点在于如何有效的分离出植被对微波的散射信号,以便用土壤的后向散射信号估算植被覆盖下的土壤含水量。直接用多频同步微波遥感数据通过理论模型或数值模拟求解植被对微波的散射信号[9],具有很好的同步性和物理意义。但遥感数据获取较为困难,同时求解所需的地面同步观测的数据要求很高,因而区域尺度的监测应用还有待深入研究。根据植被的生物、物理特征与植被散射信号之间的关系,采用同步光学遥感数据反演植被散射信号是近年来的研究热点[9211]。但在植被特征参数表达农作物后向散射信号的能力评价、模型参数的识别以及整体求解方案等方面的研究较少。此外,为满足土壤水分监测和灌溉决策的需求,还需研究不同时空分辨率数据反演植被散射信号的能力。本文根据水云模型,研究多尺度下不同植被特征参数与小麦含水量的关系,采用将所有参数放入统一框架下估算的策略,构建了结合光学和微波遥感数据的土壤水分估算模型,并分析了模型参数的敏感性。经准同步实测数据检验,小麦覆盖下土壤水分的估算达到了较高的精度。 第21卷第2期 2010年3月 水科学进展ADVANCES I N WATER SC I ENCE Vol 121,No 12 M ar .,2010
几种常见植被指数精编 W O R D版 IBM system office room 【A0816H-A0912AAAHH-GX8Q8-GNTHHJ8】
植被指数主要反映植被在可见光、近红外波段反射与土壤背景之间差异的指标，各个植被指数在一定条件下能用来定量说明植被的生长状况。在学习和使用植被指数时必须由一些基本的认识： 1、健康的绿色植被在NIR和R的反射差异比较大，原因在于R对于绿色植物来说是强吸收的，NIR则是高反射高透射的； 2、建立植被指数的目的是有效地综合各有关的光谱信号，增强植被信息，减少非植被信息 3、植被指数有明显的地域性和时效性，受植被本身、环境、大气等条件的影响 一、RVI——比值植被指数：RVI=NIR/R，或两个波段反射率的比值。 1、绿色健康植被覆盖地区的RVI远大于1，而无植被覆盖的地面（裸土、人工建筑、水体、植被枯死或严重虫害）的RVI在1附近。植被的RVI通常大于2； 2、RVI是绿色植物的灵敏指示参数，与LAI、叶干生物量(DM)、叶绿素含量相关性高，可用于检测和估算植物生物量； 3、植被覆盖度影响RVI，当植被覆盖度较高时，RVI对植被十分敏感；当植被覆盖度<50%时，这种敏感性显着降低； 4、RVI受大气条件影响，大气效应大大降低对植被检测的灵敏度，所以在计算前需要进行大气校正，或用反射率计算RVI。 二、NDVI——归一化植被指数：NDVI=(NIR-R)/(NIR+R)，或两个波段反射率的计算。 1、NDVI的应用：检测植被生长状态、植被覆盖度和消除部分辐射误差等；
2、-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大； 3、NDVI的局限性表现在，用非线性拉伸的方式增强了NIR和R的反射率的对比度。对于同一幅图象，分别求RVI和NDVI时会发现，RVI值增加的速度高于NDVI增加速度，即NDVI对高植被区具有较低的灵敏度； 4、NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、学、枯叶、粗超度等，且与植被覆盖有关； 三、DVI\EVI——差值\环境植被指数：DVI=NIR-R，或两个波段反射率的计算。 1、对土壤背景的变化极为敏感；? 四、SAVI\TSAVI\MSAVI——调整土壤亮度的植被指数：SAVI=((NIR- R)/(NIR+R+L))(1+L)，或两个波段反射率的计算。 1、目的是解释背景的光学特征变化并修正NDVI对土壤背景的敏感。与NDVI相比，增加了根据实际情况确定的土壤调节系数L，取值范围0~1。 L=0 时，表示植被覆盖度为零；L=1时，表示土壤背景的影响为零，即植被覆盖度非常高，土壤背景的影响为零，这种情况只有在被树冠浓密的高大树木覆盖的地方才会出现。 2、SAVI仅在土壤线参数a=1,b=0（即非常理想的状态下）时才适用。因此有了TSAVI、ATSAVI、MSAVI、SAVI2、SAVI 3、SAVI4等改进模型。 五、GVI——绿度植被指数，k-t变换后表示绿度的分量。
近地表气温遥感反演方法研究进展 摘要：气温是描述陆地环境条件的重要参数，也是气象观测资料中最基本观测项目之一。结合遥感的空间分辨率高，覆盖面广，资料同步性强的特点，运用遥感方法反演气温弥补了传统方法的缺点，气象卫星的发展，为其提供了技术平台支持。本文从近地表气温反演的各种不同的方法进行阐述，分别从半统计方法、统计方法、多因子分析方法和遗传算法方面进行叙述。 关键词：气温；遥感；反演方法这 1.引言 气温是描述陆地环境条件的重要参数，也是气象观测资料中最基本观测项目之一。由于近地球表面气温控制着大部分陆地表面过程(如光合作用、呼吸作用及陆地表面蒸散过程等)，因此，气温是各种植物生理、水文、气象、环境等模式或模型中的一个非常重要的近地表气象参数输入因子[1,2]。高山、水体、植被以及土壤含水量等，以至于表现出很大的空间异质性。我们常常听说的气温，是有气象观测站在植有草皮的观测场所中离地面1.5米高的百叶箱中的温度表测得的。由于温度表保持了良好的通风性并避免了阳光直接照射，因而具有较好的代表性，这个温度基本上反映了观测地点(当地)的气温。但是随着数值预报的发展，常规的探测手段越来越不能满足现代业务预报的需要。特别是在海洋，沙漠，沙漠等的荒僻的地区，基本不可能设立气象站点，即使设立站点也十分稀疏，这就使得我们所获取的气温资料十分有限，要想研究特定位置的气温水平空间分布状况及其内部结构特征等都有一定的困难。同时在不同地形和不同景观条件下，一个气象站观测的数据能够代表的范围有很大差别，即使通过空间内插过程也不能够获得满意的气温空间分布，从影响模型模拟结果[3]。 而遥感具有覆盖面广，空间分辨率高，资料同步性强的特点，所以利用卫星遥感手段资料反演近地表的大气温度就弥补了传统手段的缺陷，不论在现实意义还是经济意义上，都是非常重要的。随着大气科学理论和遥感探测技术的迅速发展，在全球大气观测系统中，卫星探测技术将会成为中流砥柱。同时，从60年代有了气象卫星之后，给遥感反演温度提供了可靠的现实依据。 目前反演大气参数的方法基本可以分为三类：物理方法、半统计方法和统计方法。物理方法是从辐射传输方程出发，根据已知的一些大气知识对方程进行简化，从而达到求解的目的，至今对它们的物理机制认识得还很不清楚，所以极大地限制了该方法的应用与发展。半统计方法是采用物理方法与实测资料的结合，建立个大气参数间的关系，然后利用实测资料进行各参数的反演。目前在该领域采用比较多的是统计方法，它主要包括单因子线性回归分析方法、多元统计方法、Bowen 比分析方法、遗传算法和神经网络方法等，利用这些方法时需考虑多种影响因素，从而建立各因素之间的相互关系[4]。 本文具体从半统计方法和统计方法对气温反演进行研究，着重论述了统计方法反演近地表气温，考虑了热红外和微波两个波段对气温的反演。
常用的植被指数，土壤指数，水体指数有哪些？ 植被指数与土壤指数 一、RVI——比值植被指数：RVI=NIR/R，或两个波段反射率的比值。 1、绿色健康植被覆盖地区的RVI远大于1，而无植被覆盖的地面（裸土、人工建筑、水体、植被枯死或严重虫害）的RVI在1附近。植被的RVI通常大于2； 2、RVI是绿色植物的灵敏指示参数，与LAI、叶干生物量(DM)、叶绿素含量相关性高，可用于检测和估算植物生物量； 3、植被覆盖度影响RVI，当植被覆盖度较高时，RVI对植被十分敏感；当植被覆盖度<50%时，这种敏感性显著降低； 4、RVI受大气条件影响，大气效应大大降低对植被检测的灵敏度，所以在计算前需要进行大气校正，或用反射率计算RVI。 二、NDVI——归一化植被指数：NDVI=(NIR-R)/(NIR+R)，或两个波段反射率的计算。 1、NDVI的应用：检测植被生长状态、植被覆盖度和消除部分辐射误差等； 2、-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大；
3、NDVI的局限性表现在，用非线性拉伸的方式增强了NIR和R的反射率的对比度。对于同一幅图象，分别求RVI和NDVI时会发现，RVI值增加的速度高于NDVI增加速度，即NDVI对高植被区具有较低的灵敏度； 4、NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、学、枯叶、粗超度等，且与植被覆盖有关； 三、DVI\EVI——差值\环境植被指数：DVI=NIR-R，或两个波段反射率的计算。 1、对土壤背景的变化极为敏感； 四、SAVI\TSAVI\MSAVI——调整土壤亮度的植被指数： SAVI=((NIR-R)/(NIR+R+L))(1+L)，或两个波段反射率的计算。 1、目的是解释背景的光学特征变化并修正NDVI对土壤背景的敏感。与NDVI相比，增加了根据实际情况确定的土壤调节系数L，取值范围0~1。L=0 时，表示植被覆盖度为零；L=1时，表示土壤背景的影响为零，即植被覆盖度非常高，土壤背景的影响为零，这种情况只有在被树冠浓密的高大树木覆盖的地方才会出现。 2、SAVI仅在土壤线参数a=1,b=0（即非常理想的状态下）时才适用。因此有了TSAVI、ATSAVI、MSAVI、SAVI2、SAVI 3、SAVI4等改进模型。 五、GVI——绿度植被指数，k-t变换后表示绿度的分量。
长江口淤泥质潮滩高程遥感定量反演及冲淤演变分析 【摘要】：淤泥质潮滩作为陆海相互作用的敏感地带，滩面泥泞、潮沟密布、变化频繁，常规地形测量难度较大。由于淤泥质潮滩具有一些能被可见光和近红外传感器探测到的特征，所以遥感技术为其地形信息提取和定量反演提供了广阔的前景。本论文首先利用多时相卫星影像资料及海图资料，结合实地调查完成了上海市不同时期的滩涂资源解译工作，统计结果为探明上海市滩涂资源总量及其变化规律提供了科学依据。利用遥感水边线方法和数值模型建立淤泥质潮滩的数字高程模型(DEM)。作者在分析长江口区不同浓度水体与背景地物光谱特征的基础上，利用多时相卫星遥感影像，采用决策树方法及区域增长算法提取水边线信息，提高了水边线提取效率和精度。利用国际上成熟的水动力数值模型(Delft-3D)模拟卫星过境时刻的潮位。最后，对具有高程值的水边线系列利用不规则三角网(TIN)完成插值，生成潮滩的数字高程模型。将得到的初始高程模型输入水动力模型，细化原来的地形条件重复运行模型，并将模型结果与水边线提取结果对比，进一步微调潮滩地形，直到模型模拟的水边线与卫星影像提取的水边线满足精度要求为止。作者以九段沙为主要研究对象，为消除潮滩冲淤变化的影响，选取相近年份的遥感数据为数据源，利用上述方法建立了不同时间段内的潮滩高程模型，并通过对比分析研究了长江口深水航道工程对九段沙冲淤演变的影响。以多时相高分辨率航空影像为数据源，在分析潮滩的动力沉积、动力地貌和光谱信息特征的基
础上，进行了崇明东滩潮沟信息的提取。根据上述的提取结果研究了Horton定律在崇明东滩潮沟系统中的适用条件，并利用Horton定律及分形分维理论从定量角度分析潮沟形态变化。利用水边线高程反演技术，结合实测潮沟宽深比资料实现了潮沟地形反演，使潮滩地形得到更精细的刻画。利用大量的实测植被光谱及生态调查数据，利用主成份分析方法(PCA)分析了潮滩植被光谱信息与生态环境因子的关系，并以此为基础将植被覆盖度指数(FVC)、潮滩高程、潮沟等信息作为植被分类的辅助信息。在植被初次分类的基础上，构造模糊矩阵，根据辅助信息对不同植被类型的隶属关系对误分的像元进行二次分类，从而提高了潮滩植被分类的精度。为了得到潮滩的沉积速率，本文利用不同年份的水边线位置和实测的高程剖面，计算了潮滩不同部位的多年平均沉积速率，并分析了潮滩冲淤的空间差异及影响因素。结合上述高程反演及平均冲淤速率计算结果，探讨崇明东滩高程及沉积速率之间的相互关系。根据植被信息提取结果，研究了崇明东滩植被对潮滩沉积速率的影响，同时根据野外实测光滩区及植被区的流速、流向及悬沙浓度特征进一步研究了植被对潮滩地貌演化的影响。论文最后探讨了空间可视化技术，利用地理信息系统三维可视化功能对潮滩地形及近岸潮位、流场模拟结果进行了虚拟表达，为海洋科学研究人员进行深入、综合分析提供了技术支持。【关键词】：长江口淤泥质潮滩水动力模型分形分维模糊矩阵潮沟空间可视化 【学位授予单位】：华东师范大学 【学位级别】：博士
基于辐射传输方程的Landsat 数据地表温度反演教程 一、数据准备 Landsa 8遥感影像数据一景，本教程以重庆市2015年7月26日的=行列号为（128，049）影像（LC8LGN00）为例。 同时需提前查询影像的基本信息（详见下表） 二、地表温度反演的总体流程 三、具体步骤 1、辐射定标 地表温度反演主要包括两部分，一是对热红外数据，二是多光谱数据进行辐射定标。 （1）热红外数据辐射定标 选择Radiometric Correction/Radiometric Calibration 。在File Selection 对话框中，选择数据LC8LGN02_MTL_Thermal ，单击Spectral Subset 选择Thermal Infrared1（），打开Radiometric Calibration 面板。 （2）多光谱数据辐射定标 选择要校正的多光谱数据“进行辐射定标。 Settings ，如下图。 2、大气校正
本教程选择Flaash 校正法。FLAASH Atmospheric Correction，双击此工具，打开辐射定标的数据，进行相关的参数设置进行大气校正。 注意：如果在多光谱数据辐射定标时Scale factor值忘记设置，可在本步骤中打开辐射定标数时设置single scale faceor 值为，若已设置，则默认值为1即可。 1)Input Radiance Image：打开辐射定标结果数据； 2)设置输出反射率的路径，由于定标时候； 3)设置输出FLAASH校正文件的路径，最优状态：路径所在磁盘空间足够大； 4)中心点经纬度Scene Center Location：自动获取； 5)选择传感器类型：Landsat-8 OLI；其对应的传感器高度以及影像数据的分辨率自动读取； 6) 设置研究区域的地面高程数据； 7)影像生成时的飞行过境时间：在layer manager中的Lc8数据图层右键选择View Metadata，浏览time字段获取成像时间； 注：也可以从元文件“”中找到，具体名称：DATE_ACQUIRED = 2013-05-12；SCENE_CENTER_TIME = 02:55:； 8) 大气模型参数选择：Sub-Arctic Summer（根据成像时间和纬度信息选择）； 9) 气溶胶模型Aerosol Model：Urban，气溶胶反演方法Aerosol Retrieval：2-band（K-T）； 10) 其他参数按照默认设置即可。 11) 多光谱参数设置中， K-T反演选择默认模式：Defaults->Over-Land Retrieval standard （600:2100） 波谱响应函数：默认指向.. \Program Files\Exelis\ENVI51\classic\filt_func\ 把它重新指向：..\Program Files\Exelis\ENVI51\resource\filterfuncs\ 注：这是因为版本的一个小bug，即Classic中的L8的波谱响应函数不正确，另外一个一劳永逸的方法是：将
作业9 植被指数 植被指数 概念：利用卫星不同波段探测数据组合而成的，能反映植物生长状况的指数。 植物叶面在可见光红光波段有很强的吸收特性，在近红外波段有很强的反射特性，这是植被遥感监测的物理基础，通过这两个波段测值的不同组合可得到不同的植被指数。 不同的植被覆盖类型可以通过其特有的光谱特征进行区分，这是由于叶绿素在红波段内对太阳辐射的吸收以及叶片细胞结构对红外波段内太阳辐射的强反射。 Broadband Greenness(5 indices)（宽带绿色指标(5)） 宽带绿度指数可以简单度量绿色植被的数量和生长状况，它对植物的叶绿素含量、叶子表面冠层、冠层结构比较敏感，这些都是植被光合作用的主要物质，与光合有效辐射（fAPAR）也有关系。宽带绿度指数常用于植被物候发育的研究，土地利用和气候影响评估，植被生产力建模等。宽带绿度指数选择的波段范围在可见光和近红外，一般的多光谱都包含这些 波段。下面的公式中规定波段的中心波长：ρNIR=800nm，ρRED=680nm，ρBLUE=450nm。 1. Normalized Difference Vegetation Index归一化植被指数 增强在近红外波段范围绿叶的散射与红波段范围叶绿素的吸收差异。 简称NDVI： NDVI=(NIR-R)/(NIR+R) （1）应用：检测植被生长状态、植被覆盖度和消除部分辐射误差等； （2）-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大； （3）NDVI的局限性表现在，用非线性拉伸的方式增强了NIR和R的反射率的对比度。对于同一幅图象，分别求RVI和NDVI时会发现，RVI值增加的速度高于NDVI增加速度，即NDVI 对高植被区具有较低的灵敏度； （4）NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、学、枯叶、粗超度等，且与植被覆盖有关； 2.Simple Ratio Index比值植被指数 在近红外波段范围绿叶的散射与红波段范围叶绿素吸收的比值。 简称SR：SR=ρNIR/ρRED 在LAI 值很高，即植被茂密时其灵敏度会降低.SR值的范围是0~30，一般绿色植被区的范围是2~8 3.Enhanced Vegetation Index 增强植被指数 增强NDVI,解决土壤背景和大气气溶胶对茂密植被的影响。 简称：EVI
利用ENVI软件反演土壤湿度指数 晏红波 2015-03-20
0. 绪论 土壤湿度在陆地与大气界面进行水分和能量的交换过程中起重要作用，同时对农作物的生长起决定性作用，而且影响着土地退化、植被覆盖，是气候、生态、水文、农业等多个领域的重要参数。区域性和大尺度的陆地土壤湿度变化信息对于陆气交互作用平衡和陆面水文研究、改善区域及全球气候模式预报结果、水涝和干旱的监测、农作物生长态势评估、自然和生态环境问题的研究等都是十分关键的因素。因此，研究区域性和大尺度的陆地土壤湿度变化情况意义重大，这也是当前国际研究的热点问题之一。 传统的土壤湿度监测方法包括烘干称重法、中子仪探测法、电阻法等，虽然可以比较准确地监测小范围内的土壤含水量，但是需要耗费较大的人力和时间，时效性不高，而且不能完全反映出较大区域内的土壤含水量的情况，不能用于大范围土壤水分的监测。利用遥感手段反演土壤湿度可以实现全区域大面积的实时动态监测，因此利用遥感手段监测土壤湿度越来越引起人们的重视。 常用的遥感波段包括可见光，近红外，热红外以及微波等。不同波段反演土壤湿度所用的反演方法也不同。 1. 遥感反演土壤湿度的主要方法 遥感反演土壤湿度根据波段的不同分为3类：微波遥感土壤湿度法；作物植被指数法；热红外遥感监测法（主要是应用热惯量模型）。 （1）微波遥感土壤湿度法 分主动微波遥感监测法和被动微波遥感监测法两种。此方法物理基础坚实，即土壤的介电特性和土壤含水量密切相关，水分的介电常数大约为80，干土仅为3，它们之间存在较大的反差。土壤的介电常数随土壤湿度的变化而变化，表现于卫星遥感图像上将是灰度值G亮度温度Tb的变化。因此，微波遥感土壤水分的方法被广泛地应用于实际的监测工作中。 A 主动微波遥感监测法 以应用x波段侧视雷达为主，主要是后向反射系数法。因为含水量的多少直接影响土壤的介电常数，使雷达回波对土壤湿度反映极为敏感，据此可建立后向散射系数和土壤水分含量之间的函数关系。国内李杏朝据微波后向反射系数法，用x波段散射计测量土壤后向反射系数，与同步获得的X波段、HH极化机载
土壤水分的遥感监测 摘要：针对日益严重的全球干旱问题，本文从水分监测领域出发进行研究。从国内外各种研究方法的比较及传统方法和遥感监测方法的比较中突出遥感监测的优越性。从遥感监测的各种方法分述，对比出气各自适用的范围和优缺点。联系实际和GIS技术的发展，提出该技术的进步空间。 一、研究土壤水分监测的意义 近百年来全球变化最突出的特征就是气候的显著变暖，这种气候变化会使有些地区极端天气与气候事件如干旱、洪涝、沙尘暴等的频率与强度加强增加。中国气候变暖最明显的地区在西北、华北和东北地区，特别是西北变暖的强度高于全国平均值，使得夏季干旱化和暖冬比较突出。新世纪以来尤为明显：2000年多省干旱面积大，达4054万公顷，受灾面积6.09亿亩，成灾面积4.02亿亩。建国以来可能是最为严重的干旱。 2003年江南和华南、西南部分地区江南和华南、西南部分地区发生严重伏秋连旱，其中湖南、江西、浙江、福建、广东等省部分地区发生了伏秋冬连旱，旱情严重。 2004年我国南方遭受53年来罕见干旱，造成经济损失40多亿元，720多万人出现了饮水困难。 2005年华南南部、云南严重秋冬春连旱，云南发生近50年来少见严重初春旱。 2006年重庆旱灾达百年一遇，全市伏旱日数普遍在53天以上，12区县超过58天。直接经济损失71.55亿元，农作物受旱面积1979.34万亩，815万人饮水困难。 2007年全国22个省全国耕地受旱面积2.24亿亩，897万人、752万头牲畜发生临时性饮水困难。中央财政先后下达特大抗旱补助费2.23亿元。 2008年云南连续近三个月干旱，云南省农作物受灾面积现达1500多万亩。仅昆明山区就有近1.9万公顷农作物受旱，13多万人饮水困难。 2009年华北、黄淮等15个省市连续3个多月，华北、黄淮、西北、江淮等
遥感植被指数的种类、适用性和优缺点分析 摘要：遥感是现代科学技术中的一种远距离观测、分析目标地物的理论和方法，它在现代环境监测中具有广泛的应用。遥感植被指数是指利用遥感图像进行植被长势、生物量生产潜能等监测的重要指标。本文将在对植物的光谱特征分析的基础上，总结相关研究，对植被指数的种类以及它们的适用性和优缺点进行分析。 1、引言 遥感是指利用不同地物波谱特征不同这一特性，通过传感器这类对电磁波敏感的仪器，在远离目标和非接触目标物体条件下探测目标地物，获取其反射、辐射或散射的电磁波信息，进行处理、分析与应用的一门科学和技术。而植被指数则是利用遥感图像获取多光谱遥感数据，经过分析得到植被分布、种类等数值，对某些植被的长势、生物量等有一定应用价值。 目前，国内外学者已研究发展了几十种不同的植被指数模型，常用的有以下几类： 1、比值植被指数（RVI）； 2、归一化植被指数（NDVI）； 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）； 6、土壤调整植被指数（SAVI）等， 这几类植被指数对植被的敏感性、抗土壤和大气的干扰性等不尽相同。一般情况下由于归一化植被指数（NDVI）与一些重要的生物物理参数如生物量、叶面积指数和光有效辐射等有密切的联系[1]，所以NDVI被广泛用于植被研究。 遥感植被指数是预测生物量、作物生产潜能以及评价一个生态系统结构与功能特征的重要指标[2]，然而遥感的植被指数不仅取决于植被的种类，还要受到其他环境条件的干扰，如土壤湿度、土壤的物理化学属性、大气条件以及季节等的影响。于是如何在不同的条件下选择不同的植被指数对更好的进行植被监测、农作物估产等有着较大的影响。本文正是通过对植被遥感的原理、植物光谱特征分析研究等的基础上，总结有关资料数据，对各类遥感植被指数的适用性和优缺点进行了分析，作为今后相关研究的参考。 2、植被遥感的原理 植物遥感依赖于植物本身的特征，主要是叶片结构特点和植被冠层光谱特性。我们都知道，植物叶片能进行光合作用，但所利用的仅是太阳光的可见光部分（0.4~0.76μm），即称之为光合有效辐射（PAR），约占太阳辐射的47%~50%，其强度随着时间、地点、大气条件等变化。 植物的光谱特征可使其在遥感影像上有效地与其他地物相区别。同时，不同
作品名称：黄河三角洲地表温度反演 姓名+学号： 小组成绩：
一、概述 1、作业背景： 地表温度是很多环境模型的一个重要参数，在大气与地表的能量与物质交换，天气预报，全球洋流循环，气候变化等研究领域有重要的应用。利用热红外遥感可以得到大范围的地表温度面状信息，与传统的地表温度测量方式相比，具有快速、便捷、测量范围大、信息连续等特点，因此利用热红外遥感数据反演地面温度得到了广泛的应用 2、作业意义： 黄河三角洲是黄河携带大量泥沙在渤海凹陷处沉积形成的冲积平原，位处黄河入海口处的黄河三角洲自然保护区正是以保护河口湿地生态系统和珍稀、濒危鸟类为主的湿地类型保护区。以利津为顶点，北到徒骇河口，南到小清河口，呈扇状三角形，面积5,450平方公里。地面平坦，在海拔10公尺以下。向东撒开的扇状地形，海拔高程低于15米，面积达5450平方公里。三角洲属，温带季风性气候。四季分明，光照充足，区内自然资源丰富。 黄河口湿地生态旅游区占地23万亩，都处在黄河三角洲之内，地貌以芦苇沼泽，湿地为主，其次为河口滩地，带翅碱蓬盐滩湿地，灌丛疏林湿地以及人工槐林湿地等。集自然景观与人文景观为一体，既有沧海桑田的神奇与壮阔，又有黄龙入海的壮观和长河落日的静美，是人们休闲、度假、观光科普的最佳场所。 二、数据介绍 数据来自地理空间数据云，Landsat 4-5 TM（陆地卫星4、5号，1982年发射后运行至今，携带有TM传感器）的相关遥感影像作为研究数据，研究黄河三角洲温度分布状况。 实验数据：2010年9月11号黄河三角洲图像（中心经度：118.8878w，中心纬度：37.4815n） 三、基本概念及技术流程图 3.1、基本概念：
《遥感图像处理》实验报告 实验题目：曲靖市Landsat8遥感影像 植被覆盖度反演 姓名：___ ____ 学号： 专业：___地理科学_ __ 教师： 日期：___2017年3月15日__ 曲靖师范学院城市学院
一、实验目的 太阳辐射通过大气以某种方式入射到物体表面然后再反射回传感器，由于大气气溶胶、地形和邻近地物等影像，使得原始影像包含物体表面，大气，以及太阳的信息等信息的综合。如果我们想要了解某一物体表面的光谱属性，我们必须将它的反射信息从大气和太阳的信息中分离出来，这就需要进行大气校正过程。本实验以曲靖市的一景Landsat 8遥感影像为数据源，利用ENVI大气校正扩展模块（ FLAASH）进行大气校正，并对比分析大气校正前后植被、水体、土壤、裸岩等典型底物的光谱特征差异，为后续定量遥感的应用奠定一定的基础。 二、实验准备 1.软件准备：ENVI 数据准备：LC8LGN00遥感数据、地形数据 三、实验过程 （一）遥感影像数据的辐射定标 Landsat8数据和其他TM 数据类似，发布的数据标示 L1T，做过地形参与的几何校正，一般情况下可以直接使用而不需要做几何校正。为了利用其丰富的波段光谱信息，我们需要进行辐射定标处理，将原始图像上的DN值转为反射率。 1.使用下的通用定标工具Radiometric Calibration进行Landsat8的辐射定标。打开LO8BJC00_MTL全波段文件，选择MultiSpectral多光谱数据进行定标，定标的范围可缩小为ROI区域。
（1）.定标参数设置。为后续的FLAASH大气校正做数据准备，单击Apply FLAASH Settings得到相应的参数。然后点击OK输出结果。 辐射定标后的结果： 通过定标之后的影像DN值可靠。其中，底下的Data值为定标前影像的像元值，上面的Data值为定标后影像的像元值。且定标前影像的数据类型为无符号16位整型，定标后影像为浮点型辐亮度值。
对几种常用植被指数的认识 植被指数主要反映植被在可见光、近红外波段反射与土壤背景之间差异的指标，各个植被指数在一定条件下能用来定量说明植被的生长状况。在学习和使用植被指数时必须由一些基本的认识： 1、健康的绿色植被在NIR和R的反射差异比较大，原因在于R对于绿色植物来说是强吸收的，NIR则是高反射高透射的； 2、建立植被指数的目的是有效地综合各有关的光谱信号，增强植被信息，减少非植被信息 3、植被指数有明显的地域性和时效性，受植被本身、环境、大气等条件的影响 一、RVI——比值植被指数：RVI=NIR/R，或两个波段反射率的比值。 1、绿色健康植被覆盖地区的RVI远大于1，而无植被覆盖的地面（裸土、人工建筑、水体、植被枯死或严重虫害）的RVI在1附近。植被的RVI通常大于2； 2、RVI是绿色植物的灵敏指示参数，与LAI、叶干生物量(DM)、叶绿素含量相关性高，可用于检测和估算植物生物量； 3、植被覆盖度影响RVI，当植被覆盖度较高时，RVI对植被十分敏感；当植被覆盖度<50%时，这种敏感性显著降低； 4、RVI受大气条件影响，大气效应大大降低对植被检测的灵敏度，所以在计算前需要进行大气校正，或用反射率计算RVI。 二、NDVI——归一化植被指数：NDVI=(NIR-R)/(NIR+R)，或两个波段反射率的计算。 1、NDVI的应用：检测植被生长状态、植被覆盖度和消除部分辐射误差等； 2、-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大； 3、NDVI的局限性表现在，用非线性拉伸的方式增强了NIR和R的反射率的对比度。对于同一幅图象，分别求RVI和NDVI时会发现，RVI值增加的速度高于NDVI增加速度，即NDVI对高植被区具有较低的灵敏度； 4、NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、学、枯叶、粗超度等，且与植被覆盖有关； 三、DVI\EVI——差值\环境植被指数：DVI=NIR-R，或两个波段反射率的计算。 1、对土壤背景的变化极为敏感； 四、SAVI\TSAVI\MSAVI——调整土壤亮度的植被指数：SAVI=((NIR-R)/(NIR+R+L))(1+L)，或两个波段反射率的计算。 1、目的是解释背景的光学特征变化并修正NDVI对土壤背景的敏感。与NDVI相比，增加了根据实际情况确定的土壤调节系数L，取值范围0~1。L=0 时，表示植被覆盖度为零；L=1时，表示土壤背景的影响为零，即植被覆盖度非常高，土壤背景的影响为零，这种情况只有在被树冠浓密的高大树木覆盖的地方才会出现。 2、SAVI仅在土壤线参数a=1,b=0（即非常理想的状态下）时才适用。因此有了TSAVI、ATSAVI、MSAVI、SAVI2、SAVI 3、SAVI4等改进模型。 小结：上述几种VI均受土壤背景的影响大。植被非完全覆盖时，土壤背景影响较大 五、GVI——绿度植被指数，k-t变换后表示绿度的分量。
冬小麦叶面积指数(LAI)的遥感反演 ——经验模型和物理模型方法 李淑敏 2010/12/13
?第一部分.基础知识 ?第二部分.遥感反演LAI 的方法 ?第三部分.研究实例 本次课程主要内容 叶面积指数LAI 、遥感反演 经验模型反演方法、物理模型反演方法 几何光学模型、辐射传输模型 PROSAIL 模型 硕士论文——―基于MODIS/ASTER 的区域冬小麦叶面 积指数PROSAIL 模型反演研究” BRDF 模型PROSPECT 模型、SAIL 模型
叶面积指数leaf area index ?定义：单位土地面积上植被叶片总面积。 叶片总面积/占地面积 ?陆地生态系统的一个十分重要的参数： 农作物产量预估和病虫害评价； 反映作物生长发育的动态特征和健康状况。 ?叶面积指数越大，表明单位土地面积上的叶面积越大。 那么，叶面积指数越大越好吗?? ?以冬小麦为例了解叶面积指数变化情况
图为不同群体叶面积指数消长模型（彭永欣等，1992）1—过大群体;2—高产群体;3—过小群体. 低增缓增快 增衰减LAI 消长动态分为四个时期 1. 低速增长期，叶片总数较多，但叶面积较小，总叶面积增速较低； 2. 缓慢增长期，单叶面积渐次增加，但低温条件，出叶周期延长； 3. 快速增长期，气温回升，植株生长快速，至孕穗期LAI 达峰值； 4. 衰减期，植株生殖生长，叶片消亡叶面积衰减，至成熟期LAI 为0。一个生长期内冬小麦叶面积指数变化
叶面积指数获取方法 ?实测方法 长宽法、称重法这些方法均需要消耗一定的人力进行实物测量。 借助有关测量工具例如LAI-2000、LAI-2200、LI-3100C、LI-3000、AccuPAR等，此方法仍需实地进行测量。 仅能获得地面有限点的LAI值，对于推广获取大范围LAI存在很大局限性，不能满足植被生态和作物长势监测需求 ?遥感反演方法由于遥感数据具有覆盖范围广、时间与空间分辨率高、花费相对较少等优点。 可以用定量遥感方法反演区域LAI ?作物生长模型模拟LAI