文章詳情

農業領域常用的植被指數

日期:2019-03-15 19:29
瀏覽次數:469
摘要: 農業領域常用的植被指數 ——四川明升体育备用网址科技有限公司 植被指數是指兩個或多個波長范圍內的地物反射率的組合運算,以增強植被某一特性或者細節。 目前,在科學文獻中發布了超過150種植被指數模型,這些植被指數中只有極少數是經過系統的實踐檢驗。在ENVI中,根據對植被波譜特征產生重要影響的主要化學成份:色素(Pigments)、水分(Water)、碳(Carbon)、氮(Nitrogen),總結了7大類實用性較強的植被指數,即:寬帶綠度、窄帶綠度、光利用率、冠層氮、干旱或碳衰減...

  農業領域常用的植被指數

                                     ——四川明升体育备用网址科技有限公司

植被指數是指兩個或多個波長范圍內的地物反射率的組合運算,以增強植被某一特性或者細節。

目前,在科學文獻中發布了超過150種植被指數模型,這些植被指數中只有極少數是經過系統的實踐檢驗。在ENVI中,根據對植被波譜特征產生重要影響的主要化學成份:色素(Pigments)、水分(Water)、碳(Carbon)、氮(Nitrogen),總結了7大類實用性較強的植被指數,即:寬帶綠度、窄帶綠度、光利用率、冠層氮、干旱或碳衰減、葉色素、冠層水分含量。這些植被指數可以簡單度量綠色植被的數量和生長狀況、葉綠素含量、葉子表面冠層、葉聚叢、冠層結構、植被在光合作用中對入射光的利用效率、測量植被冠層中氮的相對含量、估算纖維素和木質素干燥狀態的碳含量、度量植被中與脅迫性相關的色素、植被冠層中水分含量等。下面將詳細介紹這27種植被指數的計算方法、波段范圍、用法和局限性。

1. 寬帶指數

寬帶綠度指數Broad Greenness Index)可以簡單度量綠色植被的數量和生

長狀況,它對植物的葉綠素含量、葉片表面冠層結構比較敏感,這些都是植被光合作用的主要物質,與光合有效輻射也有關系。寬帶綠度指數常用于植被物候發育的研究,土地利用和氣候影響評估,植被生產力建模等。

寬帶綠度指數選擇的波段范圍在可見光和近紅外,一般的多光譜都包含這些波段。下面的公式中規定波段的中心波長:ρNIR = 800 nmρRED = 680 nmρBLUE = 450 nm。

1) 歸一化植被指數(Normalized Difference Vegetation Index——NDVI)

NDVI眾所周知的一種植被指數,在LAI值很高,即植被茂密時其靈敏度會

降低。其計算公式為:

          

1


NDVI值的范圍是-1~1,一般綠色植被區的范圍是0.2~0.8

2) 比值植被指數(Ratio Vegetation Index——RVI

RVI指數也是眾所周知的一種植被指數,在LAI值很高,即植被茂密時其靈

敏度會降低。其計算公式為:

             

  2


   RVI值的范圍是0~30+,一般綠色植被區的范圍是2~8

3) 增強植被指數(Enhanced Vegetation Index——EVI

EVI通過加入藍色波段以增強植被信號,矯正土壤背景和氣溶膠散射的影響。

EVI常用于LAI值高,即植被茂密區。其計算公式為:

               

 3


EVI值的范圍是-1~1,一般綠色植被區的范圍是0.2~0.8

4) 大氣阻抗植被指數(Atmospherically Resistant Vegetation Index——ARVI

ARVINDVI的改進,它使用藍色波段矯正大氣散射的影響(如氣溶膠),

ARVI常用于大氣氣溶膠濃度很高的區域,如煙塵污染的熱帶地區或原始刀耕火種地區。其計算公式為:

                  

  4


   ARVI值的范圍是-1~1,一般綠色植被區的范圍是0.2~0.8

5) 綠度總和指數Sum Green Index——SG

SG指數是用于探測綠色植被變化*簡單的植被指數。由于在可見光范圍內,綠色植被對光強吸收,SG指數對稀疏植被的小變化非常敏感。SG指數是500 nm ~600 nm范圍內平均光譜反射率。其計算公式為:

 (5)

總和*后會被轉化回反射率。值的范圍是0~50+(%),一般植被區域是10~25 (%)

2. 窄帶綠度——Narrowband Greenness

窄帶綠度指數對葉綠素含量、葉子表面冠層、葉聚叢、冠層結構非常敏感。它使用了紅色與近紅外區域部分——紅邊,紅邊是介于690 nm ~ 740 nm之間區域,包括吸收與散射。它比寬帶綠度指數更加靈敏,特別是對于茂密植被。

1) 紅邊歸一化植被指數(Red Edge Normalized Difference Vegetation Index——NDVI 705

NDVI 705NDVI的改進型,它對葉冠層的微小變化、林窗片斷和衰老非常靈敏。它可用于精細農業、森林監測、植被脅迫性探測等。其計算公式為

              

  6


NDVI705值的范圍是-1~1,一般綠色植被區的范圍是0.2~0.9

2) 改進紅邊比值植被指數(Modified Red Edge Simple Ratio Index——mSR 705

mSR 705改正了葉片的鏡面反射效應,可它可用于精細農業、森林監測、植被脅迫性探測等。其計算公式為

                

 7


mSR705值的范圍是0~30,一般綠色植被區的范圍是2~8

3) 改進紅邊歸一化植被指數(Modified Red Edge Normalized Difference Vegetation Index——mNDVI 705)

mNDVI 705NDVI 705的改進型,它考慮了葉片的鏡面反射效應。它對葉冠層的微小變化、林窗片斷和衰老非常靈敏。它可用于精細農業、森林監測、植被脅迫性探測等。其計算公式為:

  

(8) 


mNDVI705值的范圍是-1~1,一般綠色植被區的范圍是0.2~0.7

4) Vogelmann 紅邊指數1(Vogelmann Red Edge Index 1——VOG1)

VOG1指數對葉綠素濃度、葉冠層和水分含量的綜合非常敏感。它可應用于植物物候變化研究、精細農業和植被生產力建模。其計算公式為:

        

 (9)


VOG1值的范圍是0~20,一般綠色植被區的范圍是4~8

5) Vogelmann 紅邊指數2Vogelmann Red Edge Index 2——VOG2

VOG2指數對葉綠素濃度、葉冠層和水分含量的綜合非常敏感。它可應用于植物物候變化研究、精細農業和植被生產力建模。其計算公式為:

        

 10


VOG2值的范圍是是0~20,一般綠色植被區的范圍是4~8

6) Vogelmann 紅邊指數3Vogelmann Red Edge Index 3——VOG3

VOG3指數對葉綠素濃度、葉冠層和水分含量的綜合非常敏感。它可應用于植物物候變化研究、精細農業和植被生產力建模。其計算公式為:

       

11


VOG2值的范圍是是0~20,一般綠色植被區的范圍是4~8

7) 紅邊位置指數(Red Edge Position Index——REP

REP指數對植被葉綠素濃度變化、葉綠素濃度增加使得吸收特征變寬及紅邊向長波段方向移動非常敏感。紅邊位置在690 nm ~ 740 nm范圍內急劇傾斜波長范圍,一般植被在700 nm~730 nm

REP指數的結果輸出是在0.69μm~0.74μm光譜范圍內,植被紅邊區域內的反射率的*大導數的波長。常用于農作物監測和估產,生態系統干擾探測,光合作用模型,和由氣候或其他因素產生的冠層脅迫性。

光譜反射率的一階微分計算公式為:

        

 (12)


紅邊計算公式為

       

 (13)


3. 光利用率指數——Light Use Efficiency

光利用率指數是用來度量植被在光合作用中對入射光的利用效率。光的利用效率直接與碳吸收效率、植被生長速度和光合有效輻射(fAPAR)有很大的關系。

1) 光化學植被指數(Photochemical Reflectance Index——PRI

PRI對活植物的類胡蘿卜素(尤其黃色色素)變化非常敏感,類胡蘿卜素可標識光合作用光的利用率,或者碳吸收效率。可用于研究植被生產力和脅迫性,常綠灌木植被的健康,森林以及農作物的衰老。其計算公式為:

           

14


PRI值的范圍是-1~1,一般綠色植被區的范圍是-0.2~0.2

2) 結構不敏感色素指數(Structure Insensitive Pigment Index——SIPI

SIPI用來*大限度地提高類胡蘿卜素(例如α-胡蘿卜素和β-胡蘿卜素)與葉綠素比率在冠層結構(如葉面積指數)減少時的敏感度,SIPI的增加標識冠層脅迫性的增加。可用于植被健康監測、植物生理脅迫性檢測和作物生產和產量分析。其計算公式為:

          

  15


SIPI值的范圍是0-2,一般綠色植物區的范圍是0.8-1.8

3) 紅綠比值指數(Red Green Ratio Index——RG

RG比值指數指示由于花青素代替葉綠素而引起葉片變紅的相關表達式。可估算植被冠層發展過程,它還是葉片生產力與脅迫性的指示器,甚至可標識一些冠層的開花。應用于植物生長周期(物候)研究,冠層脅迫性檢測和作物估產。

RG比值指數結果輸出是紅色范圍內所有波段均值除以與綠色范圍內所有波段均值。其計算公式為:

           

 16


RG值的范圍是0.1~8,一般綠色植被區的范圍是0.7~3

4. 冠層氮——Canopy Nitrogen

冠層氮指數提供一種用遙感度量氮濃度的方法。氮是葉綠素的重要組成部分,具有高濃度氮的植被生長速度較快,冠層氮指數使用短波紅外測量植被冠層中氮的相對含量。

歸一化氮指數(Normalized Difference Nitrogen Index——NDNI

NDNI是用于估算植被冠層中氮的相對含量。在1510nm的反射率主要取決于葉片氮的含量,以及冠層總體葉生物量。結合葉片氮含量和冠層葉生物量在1520nm范圍內預測葉片氮的含量,在1680nm波長范圍作為參考反射率,冠層葉生物量這個波長范圍具有與1520nm波長范圍類似的反射特性,而且1680nm波長范圍內沒有氮吸收影響。NDNI在植被還是綠色以及覆蓋濃密時候,對氮含量的變化非常敏感,它用于精細農業、生態系統分析和森林管理。其計算公式為:

             

17


NDNI值的范圍是0~1,一般綠色植被區的范圍是0.02~0.1

5. 葉色素——Leaf Pigments

葉色素指數用于度量植被中與脅迫性相關的色素。脅迫性相關的色素包括類胡蘿卜素和花青素,這些色素大量存在衰減植被中,這些指數不能度量葉綠素。葉色素指數應用于農作物監測、生態系統研究、冠層脅迫性分析和精細農業。葉色素指數要求反射率數據范圍在0~1

1) 類胡蘿卜素反射指數1(Carotenoid Reflectance Index 1——CRI1)

CRI1對葉片中的類胡蘿卜素非常敏感,高的CRI1值意味類胡蘿卜素含量相比葉綠素含量多。其計算公式為:

               

 18


CRI1值的范圍是0~15+,一般綠色植被區的范圍是1~12

2) 類胡蘿卜素反射指數2(Carotenoid Reflectance Index 2——CRI2)

CRI2CRI1的改進型,在類胡蘿卜素濃度高時更加有效,高的CRI2值意味類胡蘿卜素含量相比葉綠素含量多。其計算公式為:

         

 19


CRI2值的范圍是0~15+,一般綠色植被區的范圍是1~11

3) 花青素反射指數1(Anthocyanin Reflectance Index 1——ARI1)

ARI1對葉片中的花青素非常敏感,ARI1值越大表明植被冠層增長或者死亡。

其計算公式為:

              

  20


ARI1值的范圍是0~0.2+,一般綠色植被區的范圍是0.001~0.1

4) 花青素反射指數2(Anthocyanin Reflectance Index 2——ARI2)

ARI2對葉片中的花青素非常敏感,ARI2值越大表明植被冠層增長或者死亡。ARI2 ARI1的改進,當花青素濃度高時更加有效。其計算公式為:

    

 21


ARI2值的范圍是0~0.2+,一般綠色植被區的范圍是0.001~0.1

6.  冠層水分含量——Canopy Water Content

冠層水分含量指數用于度量植被冠層中水分含量。水分含量是一個重要的植物指標,較高的水含量表明健康植被、生長快及不易著火。冠層水分含量指數基于水在近紅外和短波紅外范圍內的吸收特征,以及光在近紅外范圍的穿透性,綜合起來度量總的水柱含量。

1) 水波段指數(Water Band Index——WBI

WBI對冠層水分狀態的變化非常敏感,隨著植被冠層水分的增加,970nm附近吸收強度相比900nm處有所增強。應用包括冠層脅迫性分析,生產力預測與建模,著火威脅條件分析,農作物管理,以及生態系統生理機能研究。其計算公式為:

                

   (22)


一般綠色植被區的范圍是0.8~1.2

2) 歸一化水指數(Normalized Difference Water Index——NDWI

NDWI對冠層水分含量的變化非常敏感,因為在857 nm 1241 nm具有相似的反射率,但是又不同于液態水的吸收特性。應用于冠層脅迫性分析,在濃密葉型植被的葉面積指數的研究、植被生產力模型、著火性研究。其計算公式為:

       

  23


NDWI值的范圍是-1~1,一般綠色植被區的范圍是-0.1~0.4

3) 水分脅迫指數(Moisture Stress Index——MSI)

MSI對葉片水分含量的增加非常敏感。當葉片水分含量的增加,在1599nm處的吸收強度也增加,而在819nm處的吸收強度沒有影響。應用于冠層脅迫性分析,生產力預測與建模,著火威脅條件分析,以及生態系統生理機能研究。與其他水指數相反,MSI值越大,水分脅迫性越嚴重和水分含量越少。其計算公式為:

            

  24


MSI值的范圍是0~3+,一般綠色植被區的范圍是0.4~2

4) 歸一化紅外指數(Normalized Difference Infrared Index——NDII

NDII對農作物冠層的水分含量變化非常敏感,NDII的值越大表示水分含量越多。應用于農作物管理,森林冠層監測,植被脅迫性探測。其計算公式為:

  

   25


NDII值的范圍是是-1~1,一般綠色植被區的范圍是0.02~0.6

7. 干旱或碳衰減——Dry or Senescent Carbon

干旱或碳衰減指數是用來估算纖維素和木質素干燥狀態的碳含量。干碳分子大量存在于木質材料和衰老、死亡、或休眠的植被,可以使用這些指數可以做植被著火性分析和檢測森林的枯枝落葉層。干旱或碳衰減指數是基于纖維素和木質素在短波紅外波段吸收特性而計算。

1) 歸一化木質素指數(Normalized Difference Lignin Index——NDLI

NDLI是用來估算植被冠層木質素的相對含量,應用生態系統分析和檢測森林的枯枝落葉層。其計算公式為:

           

  26


NDN1值的范圍是0~1,一般綠色植被區的范圍是0.005~0.05

2) 纖維素吸收指數(Cellulose Absorption Index——CAI

CAI可以指示地表含有干燥植被,纖維素在2000 nm~ 2200 nm范圍內吸收特征非常敏感。應用于農作物殘留監測,植物冠層衰老,生態系統中的著火條件和放牧管理。其計算公式為:

     

  27


3) 植被衰減指數(Plant Senescence Reflectance Index——PSRI

PSRI用來*大限度地提高類胡蘿卜素(例如α-胡蘿卜素和β-胡蘿卜素)與葉綠素比率的靈敏度,PSRI的增加預示冠層脅迫性的增加、植被衰老的開始和植物果實的成熟。可用于植被健康監測、植物生理脅迫性檢測和作物生產和產量分析。其計算公式為:

        

  28


PSRI值的范圍是-1~1,一般綠色植被區的范圍是-0.1~0.2

 

參考文獻:

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.

Datt, B., 1999. A New Reflectance Index for Remote Sensing of Chlorophyll Content in Higher Plants: Tests Using Eucalyptus Leaves. Journal of Plant Physiology 154:30-36.

Daughtry, C.S.T., 2001. Discriminating Crop Residues from Soil by Short-Wave Infrared Reflectance. Agronomy Journal 93:125-131.

Daughtry, C.S.T., E.R. Hunt Jr., and J.E. McMurtrey III. 2004. Assessing Crop Residue Cover Using Shortwave Infrared Reflectance. Remote Sensing of Environment 90:126-134.

Fourty, T., F. Baret, S. Jacquemoud, G. Schmuck, and J. Verdebout, 1996. Leaf Optical Properties with Explicit Description of Its Biochemical Composition: Direct and Inverse Problems. Remote Sensing of Environment 56:104-117.

Gamon, J.A. and J.S. Surfus, 1999. Assessing Leaf Pigment Content and Activity With a Reflectometer. New Phytologist 143:105-117.

Gamon, J.A., J. Penuelas, and C.B. Field, 1992. A Narrow-Waveband Spectral Index That Tracks Diurnal Changes in Photosynthetic Efficiency. Remote Sensing of Environment 41:35-44.

Gamon, J.A., L. Serrano, and J.S. Surfus, 1997. The Photochemical Reflectance Index: An Optical Indicator of Photosynthetic Radiation Use Efficiency Across Species, Functional Types and Nutrient Levels. Oecologia 112:492-501.

Gao, B.C., 1995. Normalized Difference Water Index for Remote Sensing of Vegetation Liquid Water from Space. Proceedings of SPIE 2480: 225-236.

Gitelson, A.A. and M.N. Merzlyak, 1994. Spectral Reflectance Changes Associated with Autumn Senescence of Aesculus Hippocastanum L. and Acer Platanoides L. Leaves. Spectral Features and Relation to Chlorophyll Estimation. Journal of Plant Physiology 143:286-292.

Gitelson, A.A., M.N. Merzlyak, and O.B. Chivkunova, 2001. Optical Properties and Nondestructive Estimation of Anthocyanin Content in Plant Leaves. Photochemistry and Photobiology 71:38-45.

Gitelson, A.A., Y. Zur, O.B. Chivkunova, and M.N. Merzlyak, 2002. Assessing Carotenoid Content in Plant Leaves with Reflectance Spectroscopy. Photochemistry and Photobiology 75:272-281.

Hardisky, M.A., V. Klemas, and R.M. Smart, 1983. The Influences of Soil Salinity, Growth Form, and Leaf Moisture on the Spectral Reflectance of Spartina Alterniflora Canopies. Photogrammetric Engineering and Remote Sensing 49:77-83.

Huete, A.R., H. Liu, K. Batchily, and W. van Leeuwen, 1997. A Comparison of Vegetation Indices Over a Global Set of TM Images for EOS-MODIS. Remote Sensing of Environment 59(3):440-451.

Hunt Jr., E.R. and B.N. Rock, 1989. Detection of Changes in Leaf Water Content Using Near- And Middle-Infrared Reflectances. Remote Sensing of Environment 30:43-54.

Jackson, R.D., P.N. Slater, and P.J. Pinter, 1983. Discrimination of Growth and Water Stress in Wheat by Various Vegetation Indices Through Clear and Turbid Atmospheres. Remote Sensing of the Environment 15:187-208.

Jackson, T.L., D. Chen, M. Cosh, F. Li, M. Anderson, C. Walthall, P. Doriaswamy, and E.R. Hunt, 2004. Vegetation Water Content Mapping Using Landsat Data Derived Normalized Difference Water Index for Corn and Soybeans. Remote Sensing of Environment 92:475-482.

Kaufman, Y.J. and D. Tanre, 1996. Strategy for Direct and Indirect Methods for Correcting the Aerosol Effect on Remote Sensing: from AVHRR to EOS-MODIS. Remote Sensing of Environment 55:65-79.

Melillo, J.M., J.D. Aber, and J.F. Muratore, 1982. Nitrogen and Lignin Control of Hardwood Leaf Litter Decomposition Dynamics. Ecology 63:621-626.

Merzlyak, J.R., A.A. Gitelson, O.B. Chivkunova, and V.Y. Rakitin, 1999. Non-destructive Optical Detection of Pigment Changes During Leaf Senescence and Fruit Ripening. Physiologia Plantarum 106:135-141.

Penuelas, J., F. Baret, and I. Filella, 1995. Semi-Empirical Indices to Assess Carotenoids/Chlorophyll-a Ratio from Leaf Spectral Reflectance. Photosynthetica 31:221-230.

Penuelas, J., I. Filella, C. Biel, L. Serrano, and R. Save, 1995. The Reflectance at the 950-970 Region as an Indicator of Plant Water Status. International Journal of Remote Sensing 14:1887-1905.

Rouse, J.W., R.H. Haas, J.A. Schell, and D.W. Deering, 1973. Monitoring Vegetation Systems in the Great Plains with ERTS. Third ERTS Symposium, NASA SP-351 I: 309-317.

Sellers, P.J., 1985. Canopy Reflectance, Photosynthesis and Transpiration. International Journal of Remote Sensing 6:1335-1372.

Serrano, L., J. Penuelas, and S.L. Ustin, 2002. Remote Sensing of Nitrogen and Lignin in Mediterranean Vegetation from AVIRIS Data: Decomposing Biochemical from Structural Signals. Remote Sensing of Environment 81:355-364.

Sims, D.A. and J.A. Gamon, 2002. Relationships Between Leaf Pigment Content and Spectral Reflectance Across a Wide Range of Species, Leaf Structures and Developmental Stages. Remote Sensing of Environment 81:337-354.

Tucker, C.J., 1979. Red and Photographic Infrared Linear Combinations for Monitoring Vegetation. Remote Sensing of the Environment 8:127-150.

Vogelmann, J.E., B.N. Rock, and D.M. Moss, 1993. Red Edge Spectral Measurements from Sugar Maple Leaves. International Journal of Remote Sensing 14:1563-1575.