光谱参数法是遥感反演植被参数的基本方法之一

植被指数_银川平原不同类型湿地碳汇评估研究

    

    光谱参数法是遥感反演植被参数的基本方法之一，对于复杂的植被遥感，常将多光谱数据进行组合，形成对植被长势、生物量等有一定指示意义的数值，即植被指数[138]。

    因地制宜地选取最优遥感指示因子是获得较高反演精度的前提。本研究在建立遥感生物量反演模型时，结合OLI-8影像的多光谱特性与研究区湿地植被的光学需求，总结前人研究经验，选取表1-5中绿波段、红波段和近红外波段3个波段参与分析，筛选了应用广泛、普适性强的7种常见的估测植被生物量的植被指数，具体计算公式如下：

    （1）比值植被指数（Ratio Vegetation Index，RVI）

    RVI是近红外波段与可见光红光波段反射光谱的比值[91]。

    

    （3-1）

    RVI是介于DVI和NDVI之间的植被指数，增强了土壤和植被的差异，与绿色植物的叶面积指数、生物量等有关，对植被的检测十分敏感，能够很好地描述植被的生长状况和绿色生物量多少，广泛应用于监测植被生物量[140]。

    （2）差值植被指数（Difference Vegetation Index，DVI）

    DVI是近红外波段与可见光红波段反射光谱的差值[139]。

    DVI=ρNIR-ρRED

    （3-2）

    DVI对土壤背景的变化较敏感，能很好地反映植被覆盖度的变化，适用于植被覆盖度小于80%的中低覆盖度的植被检测。当植被覆盖度在15%～25%时，DVI随生物量的增加明显。

    （3）归一化植被指数（Normalized Difference Vegetation Index，NDVI）

    NDVI是近红外波段与可见光红波段数值之差和这两个波段数值之和的比值，是目前应用最广泛的植被指数。

    

    （3-3）

    NDVI值区间在[-1，1]。NDVI经比值处理，部分消除了与太阳高度角、云/阴影和大气条件有关的辐照度条件变化等的影响，在大空间尺度上有效突出了植被信息，增强了对植被的检测能力，但对高植被区具有较低的灵敏度[138]。NDVI适用于覆盖度在25%～80%的植被检测[140]。

    （4）土壤调整植被指数（SoilAdjusted Vegetation Index，SAVI）

    SAVI通过植被冠层调节因子L来减小不同土壤反射变化对植被指数影响[35]。

    SAVI=（1+L）

    （3-4）

    L为土壤调节系数，随植被覆盖度不同变化。SAVI降低了土壤背景的影响，L取值范围为0～1，L=0时，表示无植被覆盖，SAVI为NDVI；L=0.5时，表示为中等植被覆盖区；L=1时，表示植被覆盖度极高，植被指数几乎不受土壤的影响；L常常取0.5.SAVI范围为[-1，1]。

    （5）修改型土壤调整植被指数（Modified Soil-Adjusted Vegetation Index，MSAVI）

    Qi等人1994年改进了SAVI，提出了修改型土壤调整植被指数MSAVI，用来降低SAVI中裸土的影响。

    

    （3-5）

    MSAVI范围为[-1，1]，适合于不同的植被盖度、土壤背景区域，可从卫星遥感影像上直接提取[61]。

    （6）优化土壤调节植被指数（Optimized Soil-Adjusted Vegetation Index，OSAVI）

    

    （3-6）

    Rondeaux等（1996年）提出OSAVI以0.16为优化系数来减少土壤背景影响。OSAVI在各种植被覆盖情况下都能有效减少土壤的影响。

    （7）重归一化植被指数（Renormalized Difference Vegetation Index，RDVI）

    RDVI为Roujean和Broen于1995年提出。

    

    （3-7）

    RDVI取NDVI和DVI两者之长，无论植被覆盖度高或低，均适用。

    采用ENVI4.7中Bandmath工具对TM影像分别进行NDVI、DVI、RVI、RDVI、SAVI、OSAVI和MSAVI计算（图3-1），采用ARCGIS10.0软件中的空间提取模块将样点图层与植被指数图层进行叠加分析，提取各样点所在像元的植被指数值。