ENVI下植被指数模型详解

2024-04-06 09:52

本文主要是介绍ENVI下植被指数模型详解,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

    ​植被指数(VI)是两个或多个波长范围内的地物反射率组合运算,以增强植被某一特性或者细节。所有的植被指数要求从高精度的多光谱或者高光谱反射率数据中计算。未经过大气校正的辐射亮度或者无量纲的DN值数据不适合计算植被指数。

    ​目前,在科学文献中发布了超过150种植被指数模型,这些植被指数中只有极少数是经过系统的实践检验。

    ​在ENVI中,根据对植被波谱特征产生重要影响的主要化学成份:色素(Pigments)、水分(Water)、碳(Carbon)、氮(Nitrogen),总结了7大类实用性较强的植被指数,即:宽带绿度、窄带绿度、光利用率、冠层氮、干旱或碳衰减、叶色素、冠层水分含量。这些植被指数可以简单度量绿色植被的数量和生长状况、叶绿素含量、叶子表面冠层、叶聚丛、冠层结构、植被在光合作用中对入射光的利用效率、测量植被冠层中氮的相对含量、估算纤维素和木质素干燥状态的碳含量、度量植被中与胁迫性相关的色素、植被冠层中水分含量等。

    ​下面是7大类27种植被指数的说明,这些植被指数都是经过严格生物条件下测试的。

1宽带绿度——Broadband Greenness (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 = 800 nm,ρRED = 680 nm,ρBLUE = 450 nm。

  • 归一化植被指数(Normalized Difference Vegetation Index——NDVI

NDVI众所周知的一种植被指数,在LAI值很高,即植被茂密时其灵敏度会降低。其计算公式为:

              (式1)

值的范围是-1~1,一般绿色植被区的范围是0.2~0.8。

  • 比值植被指数(Simple Ratio Index——SR

SR指数也是众所周知的一种植被指数,在LAI值很高,即植被茂密时其灵敏度会降低。其计算公式为:

                  (式2)

值的范围是0~30+,一般绿色植被区的范围是2~8。

  • 增强植被指数(Enhanced Vegetation Index——EVI

EVI通过加入蓝色波段以增强植被信号,矫正土壤背景和气溶胶散射的影响。EVI常用于LAI值高,即植被茂密区。其计算公式为:

(式3)

值的范围是-1~1,一般绿色植被区的范围是0.2~0.8。

  • 大气阻抗植被指数(Atmospherically Resistant Vegetation Index——ARVI

ARVI是NDVI的改进,它使用蓝色波段矫正大气散射的影响(如气溶胶),ARVI常用于大气气溶胶浓度很高的区域,如烟尘污染的热带地区或原始刀耕火种地区。其计算公式为:

(式4)

值的范围是-1~1,一般绿色植被区的范围是0.2~0.8。

  • 绿度总和指数(Sum Green Index——SG

SG指数是用于探测绿色植被变化最简单的植被指数。由于在可见光范围内,绿色植被对光强吸收,SG指数对稀疏植被的小变化非常敏感。SG指数是500 nm ~600 nm范围内平均波谱反射率。

总和最后会被转化回反射率。值的范围是0~50+,一般植被区域是10~25。

2窄带绿度——Narrowband Greenness (7)

窄带绿度指数对叶绿素含量、叶子表面冠层、叶聚丛、冠层结构非常敏感。它使用了红色与近红外区域部分——红边,红边是介于690 nm ~ 740 nm之间区域,包括吸收与散射。它比宽带绿度指数更加灵敏,特别是对于茂密植被。

  • 红边归一化植被指数(Red Edge Normalized Difference Vegetation Index——NDVI 705

NDVI 705是NDVI的改进型,它对叶冠层的微小变化、林窗片断和衰老非常灵敏。它可用于精细农业、森林监测、植被胁迫性探测等。其计算公式为[7] [8]:

(式5)

值的范围是-1~1,一般绿色植被区的范围是0.2~0.9。

  • 改进红边比值植被指数(Modified Red Edge Simple Ratio Index——mSR 705

mSR 705改正了叶片的镜面反射效应,可它可用于精细农业、森林监测、植被胁迫性探测等。其计算公式为[6]:

(式6)

值的范围是0~30,一般绿色植被区的范围是2~8。

  • 改进红边归一化植被指数(Modified Red Edge Normalized Difference Vegetation Index——mNDVI 705)

mNDVI 705是NDVI 705的改进型,它考虑了叶片的镜面反射效应。它对叶冠层的微小变化、林窗片断和衰老非常灵敏。它可用于精细农业、森林监测、植被胁迫性探测等。

其计算公式为:

(式7)

值的范围是-1~1,一般绿色植被区的范围是0.2~0.7。

  • Vogelmann 红边指数1(Vogelmann Red Edge Index 1——VOG1

VOG1指数对叶绿素浓度、叶冠层和水分含量的综合非常敏感。它可应用于植物物候变化研究、精细农业和植被生产力建模。其计算公式为:

(式8)

值的范围是0~20,一般绿色植被区的范围是4~8。

  • Vogelmann 红边指数2(Vogelmann Red Edge Index 2——VOG2

VOG2指数对叶绿素浓度、叶冠层和水分含量的综合非常敏感。它可应用于植物物候变化研究、精细农业和植被生产力建模。其计算公式为:

 (式9)

值的范围是0~20,一般绿色植被区的范围是4~8。

  • Vogelmann 红边指数3(Vogelmann Red Edge Index 3——VOG3

VOG3指数对叶绿素浓度、叶冠层和水分含量的综合非常敏感。它可应用于植物物候变化研究、精细农业和植被生产力建模。其计算公式为:

 (式10)

值的范围是0~20,一般绿色植被区的范围是4~8。

  • 红边位置指数(Red Edge Position Index——REP

REP指数对植被叶绿素浓度变化、叶绿素浓度增加使得吸收特征变宽及红边向长波段方向移动非常敏感。红边位置在690 nm ~ 740 nm范围内急剧倾斜波长范围,一般植被在700nm~730nm。

REP指数的结果输出是在0.69微米~0.74微米光谱范围内,植被红边区域内的反射率的最大导数的波长。常用于农作物监测和估产,生态系统干扰探测,光合作用模型,和由气候或其他因素产生的冠层胁迫性。

3光利用率——Light Use Efficiency (3)

光利用率指数是用来度量植被在光合作用中对入射光的利用效率。光的利用效率直接与碳吸收效率、植被生长速度和光合有效辐射(fAPAR)有很大的关系。

  • 光化学植被指数(Photochemical Reflectance Index——PRI

PRI对活植物的类胡萝卜素(尤其黄色色素)变化非常敏感,类胡萝卜素可标识光合作用光的利用率,或者碳吸收效率。可用于研究植被生产力和胁迫性,常绿灌木植被的健康,森林以及农作物的衰老。其计算公式为:

  (式11)

值的范围是-1~1,一般绿色植被区的范围是-0.2~0.2。

  • 结构不敏感色素指数(Structure Insensitive Pigment Index——SIPI

SIPI用来最大限度地提高类胡萝卜素(例如α-胡萝卜素和β-胡萝卜素)与叶绿素比率在冠层结构(如叶面积指数)减少时的敏感度,SIPI的增加标识冠层胁迫性的增加。可用于植被健康监测、植物生理胁迫性检测和作物生产和产量分析。其计算公式为:

 (式12)

值的范围是0~2,一般绿色植被区的范围是0.8~1.8。

  • 红绿比值指数(Red Green Ratio Index——RG

RG比值指数指示由于花青素代替叶绿素而引起叶片变红的相关表达式。可估算植被冠层发展过程,它还是叶片生产力与胁迫性的指示器,甚至可标识一些冠层的开花。应用于植物生长周期(物候)研究,冠层胁迫性检测和作物估产。

RG比值指数结果输出是红色范围内所有波段均值除以与绿色范围内所有波段均值。值的范围是0.1~8,一般绿色植被区的范围是0.7~3。

3.4冠层氮——Canopy Nitrogen (1)

冠层氮指数提供一种用遥感度量氮浓度的方法。氮是叶绿素的重要组成部分,具有高浓度氮的植被生长速度较快,冠层氮指数使用短波红外测量植被冠层中氮的相对含量。

归一化氮指数(Normalized Difference Nitrogen Index——NDNI

NDNI是用于估算植被冠层中氮的相对含量。在1510nm的反射率主要取决于叶片氮的含量,以及冠层总体叶生物量。结合叶片氮含量和冠层叶生物量在1520nm范围内预测叶片氮的含量,在1680nm波长范围作为参考反射率,冠层叶生物量这个波长范围具有与1520nm波长范围类似的反射特性,而且1680nm波长范围内没有氮吸收影响。NDNI在植被还是绿色以及覆盖浓密时候,对氮含量的变化非常敏感,它用于精细农业、生态系统分析和森林管理。其计算公式为:

(式13)

值的范围是0~1,一般绿色植被区的范围是0.02~0.1。

3.5干旱或碳衰减——Dry or Senescent Carbon (3)

干旱或碳衰减指数是用来估算纤维素和木质素干燥状态的碳含量。干碳分子大量存在于木质材料和衰老、死亡、或休眠的植被,可以使用这些指数可以做植被着火性分析和检测森林的枯枝落叶层。干旱或碳衰减指数是基于纤维素和木质素在短波红外波段吸收特性而计算。

  • 归一化木质素指数(Normalized Difference Lignin Index——NDLI

NDLI是用来估算植被冠层木质素的相对含量,应用生态系统分析和检测森林的枯枝落叶层。其计算公式为:

 (式14)

值的范围是0~1,一般绿色植被区的范围是0.005~0.05。

  • 纤维素吸收指数(Cellulose Absorption Index——CAI

CAI可以指示地表含有干燥植被,纤维素在2000 nm~ 2200 nm范围内吸收特征非常敏感。应用于农作物残留监测,植物冠层衰老,生态系统中的着火条件和放牧管理。其计算公式为:

 (式15)

值的范围是-3~4+,一般绿色植被区的范围是-2~4。

  • 植被衰减指数(Plant Senescence Reflectance Index——PSRI

    PSRI用来最大限度地提高类胡萝卜素(例如α-胡萝卜素和β-胡萝卜素)与叶绿素比率的灵敏度,PSRI的增加预示冠层胁迫性的增加、植被衰老的开始和植物果实的成熟。可用于植被健康监测、植物生理胁迫性检测和作物生产和产量分析。其计算公式为:

(式16)

值的范围是-1~1,一般绿色植被区的范围是-0.1~0.2。

3.6叶色素——Leaf Pigments (4)

叶色素指数用于度量植被中与胁迫性相关的色素。胁迫性相关的色素包括类胡萝卜素和花青素,这些色素大量存在衰减植被中,这些指数不能度量叶绿素。叶色素指数应用于农作物监测、生态系统研究、冠层胁迫性分析和精细农业。叶色素指数要求反射率数据范围在0~1。

  • 类胡萝卜素反射指数1(Carotenoid Reflectance Index 1——CRI1)

CRI1对叶片中的类胡萝卜素非常敏感,高的CRI1值意味类胡萝卜素含量相比叶绿素含量多。其计算公式为:

(式17)

值的范围是0~15+,一般绿色植被区的范围是1~12。

  • 类胡萝卜素反射指数2(Carotenoid Reflectance Index 2——CRI2)

CRI2是CRI1的改进型,在类胡萝卜素浓度高时更加有效,高的CRI2值意味类胡萝卜素含量相比叶绿素含量多。其计算公式为:

  (式18)

值的范围是0~15+,一般绿色植被区的范围是1~11。

  • 花青素反射指数1(Anthocyanin Reflectance Index 1——ARI1)

ARI1对叶片中的花青素非常敏感,ARI1值越大表明植被冠层增长或者死亡。其计算公式为:

(式19)

值的范围是0~0.2+,一般绿色植被区的范围是0.001~0.1。

  • 花青素反射指数2(Anthocyanin Reflectance Index 2——ARI2)

ARI2对叶片中的花青素非常敏感,ARI2值越大表明植被冠层增长或者死亡。ARI2 是ARI1的改进,当花青素浓度高时更加有效。其计算公式为:

(式20)

值的范围是0~0.2+,一般绿色植被区的范围是0.001~0.1。

3.7冠层水分含量——Canopy Water Content (4)

冠层水分含量指数用于度量植被冠层中水分含量。水分含量是一个重要的植物指标,较高的水含量表明健康植被、生长快及不易着火。冠层水分含量指数基于水在近红外和短波红外范围内的吸收特征,以及光在近红外范围的穿透性,综合起来度量总的水柱含量。

  • 水波段指数(Water Band Index——WBI

WBI对冠层水分状态的变化非常敏感,随着植被冠层水分的增加,970nm附近吸收强度相比900nm处有所增强。应用包括冠层胁迫性分析,生产力预测与建模,着火威胁条件分析,农作物管理,以及生态系统生理机能研究。其计算公式为:

(式21)

一般绿色植被区的范围是0.8~1.2。

  • 归一化水指数(Normalized Difference Water Index——NDWI

NDWI对冠层水分含量的变化非常敏感,因为在857 nm 和 1241 nm具有相似的反射率,但是又不同于液态水的吸收特性。应用于冠层胁迫性分析,在浓密叶型植被的叶面积指数的研究,植被生产力模型,着火性研究。其计算公式为:

(式22)

值的范围是-1~1,一般绿色植被区的范围是-0.1~0.4。

  • 水分胁迫指数(Moisture Stress Index——MSI)

MSI对叶片水分含量的增加非常敏感。当叶片水分含量的增加,在1599nm处的吸收强度也增加,而在819nm处的吸收强度没有影响。应用于冠层胁迫性分析,生产力预测与建模,着火威胁条件分析,以及生态系统生理机能研究。与其他水指数相反,MSI值越大,水分胁迫性越严重和水分含量越少。其计算公式为:

(式23)

值的范围是0~3+,一般绿色植被区的范围是0.4~2。

  • 归一化红外指数(Normalized Difference Infrared Index——NDII

NDII对农作物冠层的水分含量变化非常敏感,NDII的值越大表示水分含量越多。应用于农作物管理,森林冠层监测,植被胁迫性探测。其计算公式为:

(式24)

值的范围是-1~1,一般绿色植被区的范围是0.02~0.6。

References

Ceccato, P., S. Flasse, S. Tarantola, S. Jacquemoud, and J.M. Gregoire, 2001. Detecting Vegetation Leaf Water Content Using Reflectance in the Optical Domain. Remote Sensing of Environment 77:22-33.

Champagne, C., E. Pattey, A. Bannari, and I.B. Stratchan, 2001. Mapping Crop Water Status: Issues of Scale in the Detection of Crop Water Stress Using Hyperspectral Indices. Proceedings of the 8th International Symposium on Physical Measurements and Signatures in Remote Sensing, Aussois, France. Pp.79-84.

原文链接:https://bbs.csdn.net/forums/gisrs?spm=1001.2014.3001.6682

这篇关于ENVI下植被指数模型详解的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/879626

相关文章

Spring Security基于数据库验证流程详解

Spring Security 校验流程图 相关解释说明(认真看哦) AbstractAuthenticationProcessingFilter 抽象类 /*** 调用 #requiresAuthentication(HttpServletRequest, HttpServletResponse) 决定是否需要进行验证操作。* 如果需要验证,则会调用 #attemptAuthentica

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

OpenHarmony鸿蒙开发( Beta5.0)无感配网详解

1、简介 无感配网是指在设备联网过程中无需输入热点相关账号信息,即可快速实现设备配网,是一种兼顾高效性、可靠性和安全性的配网方式。 2、配网原理 2.1 通信原理 手机和智能设备之间的信息传递,利用特有的NAN协议实现。利用手机和智能设备之间的WiFi 感知订阅、发布能力,实现了数字管家应用和设备之间的发现。在完成设备间的认证和响应后,即可发送相关配网数据。同时还支持与常规Sof

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}

秋招最新大模型算法面试,熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候,不知道面试完会不会复盘、总结,做笔记的习惯,这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助,都附有完整答案,熬夜也要看完,祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN,还有完整版的大模型 AI 学习资料,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言

6.1.数据结构-c/c++堆详解下篇(堆排序,TopK问题)

上篇:6.1.数据结构-c/c++模拟实现堆上篇(向下,上调整算法,建堆,增删数据)-CSDN博客 本章重点 1.使用堆来完成堆排序 2.使用堆解决TopK问题 目录 一.堆排序 1.1 思路 1.2 代码 1.3 简单测试 二.TopK问题 2.1 思路(求最小): 2.2 C语言代码(手写堆) 2.3 C++代码(使用优先级队列 priority_queue)