第五章 植被遥感ppt课件

.,第5章植被遥感,GeographyAnalysisforRemoteSensing,遥感地学分析,.,.,主要内容,一、植被遥感原理二、植被分类三、植被生态参数四、植被指数与地表参数的关系五、中国及中亚地区荒漠化遥感监测研究,.,一、植被遥感原理,植被遥感不仅依赖于对单张植物叶片的光谱特性的认识，还需要进一步认识植被冠层的光谱特性。（一）单张叶片光谱特性,单张叶片分为表皮、叶脉和叶肉组成,.,单张叶片的反射、吸收和透射特性,反射辐射,透射辐射,入射辐射-散射辐射=吸收辐射，用于增加植物体温和光合作用,.,植物叶片的反射、透射和吸收特性随种类、生长期、病害及入射波长不同而变化，故可依据此识别植被、诊断病害及估产。,.,（二）影响植被叶片光谱的因素,1.叶绿素植被叶子中含有多种色素，如叶青素、叶红素、叶绿素等，在可见光范围内，其反射峰值落在相应的波长范围内。,.,叶绿素a和叶绿素b导致以0.45m和0.67m为中心形成两个强烈的吸收带。,.,不同生长状态的橡树叶子,不同橡树叶子的反射特性,.,2.叶子的组织构造,绿色植物的叶子是由上表皮、叶绿素颗粒组成的栅栏组织和多孔薄壁细胞组织（海绵组织）构成的。,.,根据叶子的结构可分为结构稀疏（典型的双子叶植物）和结构紧凑（典型的单子叶植物）。,小麦、水稻、竹子,苹果、棉花、向日葵,.,近红外波段的变化,.,不同类型植物光谱曲线的差异,.,叶子年龄的增长,随着叶龄的增长，背腹性叶子的叶肉间空隙增多,新叶,成熟叶片,衰老叶片,.,近红外波段反射率的变化,.,3.叶片含水量,叶子在1.45m、1.95m和2.62.7m处各有一个吸收谷，这主要是由于叶子的细胞液、细胞膜及吸收水分子所形成的。,.,4.植被覆盖度,.,一般而言，植被覆盖程度越大，光谱特征形态受背景下垫面的影响越小,.,二、不同类型植被区分,植被具有典型的波谱特征，将其余其它典型地物，如人工建筑、裸土、水域等区分容易，但对植被类型划分却有一定难度。不同植被类型，因组织结构、季相、生态条件等不同而具有不同的光谱特征和冠层形态特征。如：正常针叶林为红到品红，枯萎为暗红色，即将枯死时为青色。故可根据植被光谱、季相、生态环境、冠层形态进行植被类型识别。,.,1.根据植被光谱划分,不同植物由于叶子的组织结构和所含色素的不同，具有不同的光谱特征。在近红外光区，草本植物的反射高于阔叶树，阔叶树高于针叶树,.,2.根据植物的物候差异来区分植物冬季多数植物凋零-长年常绿植被同种植被在不同季节的波谱特征差异不同植物生长期的不同，光谱特征也有差异,.,植物季节性规律,.,各种作物的生长期和收获期的差异,.,.,3.根据植物的生态条件的不同来区分植被,不同种类的植物有不同的适宜生态条件，如温度、水分、土壤、地貌等。比如：（我国北方山坡的阴阳面差异性）山地阴坡-易生长适应温度变化不大，湿度较大的环境的生物山地阳坡-易生长适应温度变化不大，湿度要求不高的环境的生物,.,同一地理环境植被的垂直分带性（以山西省太原以南地区植物的垂直分带性为例）,.,.,4.根据植被冠层形态区分植被,在高分辨率的遥感影像上，根据植被顶部及部分侧面形状、阴影、群落结构等区分植被类型。草本植物表现为大片均匀的色调，因其低矮无阴影；灌木呈不均匀细颗粒结构，灌木一般不高，阴影不明显；,.,（1）针叶林（云杉、松树林）在比例尺为1：1万或1：15000的影片上，针叶林一般是深灰色颗粒状图型，随比例尺进一步变小，表现为暗色调均匀的细粒状影纹（2）阔叶林（山杨、白桦）其影像色调比针叶林浅，一般呈灰色或浅灰色颗粒状或粗圆粒状图型，在秋季影片上，不同树种的树冠颜色有较大差异，因而形成色调混杂的影像。（3）针阔混交林,.,（4）灌丛多呈密集的细粒状结构，色调浅灰，因其覆盖度比森林低，又有植株阴影，故多呈均匀的浅色或灰色色调。,.,三、植被生态参数,植被指数是遥感领域中用来表征地表植被覆盖，生长状况的一个简单、有效的度量参数。随着遥感技术的发展，植被指数在环境、生态、农业等领域有了广泛的应用。随着人们对于全球变化研究的深入，以遥感信息推算区域尺度乃至全球尺度的植被指数日益成为令人关注的问题。,.,植被指数的概念,遥感图像上的植被信息，主要通过绿色植物叶子和植被冠层的光谱特性及其差异、变化而反映的，不同光谱通道所获得的植被信息可与植被的不同要素或某种特征状态有各种不同的相关性，如叶子光谱特性中，可见光谱段受叶子叶绿素含量的控制近红外谱段受叶内细胞结构的控制中红外谱段受叶细胞内水分含量的控制,.,但是，对于复杂的植被遥感，仅用个别波段或多个单波段数据分析对比来提取植被信息是相当局限的。因而往往选用多光谱遥感数据经分析运算（加、减、乘、除等线性或非线性组合方式），产生某些对植被长势、生物量等有一定指示意义的数值即所谓的“植被指数”。它用一种简单有效的形式来实现对植物状态信息的表达，以定性和定量地评价植被覆盖、生长活力及生物量等。,.,以美国陆地卫星LandsatTM传感器获取的遥感数据为例，植被指数就是由第三波段的红光波段（Red）和第四波段的近红外波段进行运算而得到可以表征植被状况的植被指数。,.,.,植被指数的类型,.,.,植被指数类型,在植被指数中，通常选用对绿色植物强吸收的可见光红波段和对绿色植物高反射的近红外波段构建。,.,植被指数类型,比值植被指数（RVI）归一化植被指数（NDVI）土壤修正植被指数（SAVI）转换土壤调整植被指数（TSAVI）修改型二次土壤调节植被指数（MSAVI）差值植被指数（DVI）绿度植被指数（GVI）垂直植被指数（PVI）,.,1.比值植被指数,根据可见光红波段（R）和近红外波段（NIR）对绿色植物的光谱响应的不同，且具有倒转关系。两者的数值比能充分表达两反射率之间的差异,或,对于绿色植物叶绿素引起的红光吸收和叶肉组织引起的近红外强反射，RVI值高（一般大于2）。而对于无植被的地面包括裸土、人工特征物、水体以及枯死或受胁迫植被，因不显示这种特殊的光谱响应，则RVI值低（一般等于1）。因此，比值植被指数能增强植被与土壤背景之间的辐射差异。,.,比值植被指数可提供植被反射的重要信息，是植被长势、丰度的度量方法之一同理，可见光绿波段（叶绿素引起的反射）与红波段之比G/R，也是有效的。比值植被指数可从多种遥感系统中得到。但主要用于Landsat的MSS、TM和气象卫星的AVHRR。,.,RVI是绿色植物的一个灵敏指示参数它与叶面积指数（LAI）、叶干生物量（DM）、叶绿素含量相关性高，被广泛用于估算和监测绿色植物生物量。在植被高密度覆盖情况下，它对植被十分敏感，与生物量的相关性最好。但当植被覆盖度小于50%时，它的分辨能力显著下降。RVI对大气状况很敏感，大气效应大大地降低了它对植被检测的灵敏度，尤其是当RVI值高时。因此，最好运用经大气纠正的数据，或将两波段的灰度值（DN）转换成反射率（）后再计算RVI，以消除大气对两波段不同非线性衰减的影响。,.,DN值转换为反射率的公式,在Landsat7快速格式产品的头文件辐射记录段中含有与辐射校正有关的参数，用户可利用这些参数将图象象元的亮度值转换成地物的辐射值或反射率。辐射记录段以“gainsandbiasesinascendingbandnumberorder”开始，逐行、按波段顺序记录了辐射校正有关的参数，每行中按bias、gain的顺序排列，其中bias的单位是W/m2.ster.m，gain的单位是(W/m2.ster.m)/DN。,.,2.归一化植被指数（NDVI）,计算公式,NDVI介于-1和1之间，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示岩石或裸土等，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几种典型的地面覆盖类型在大尺度NDVI图象上区分鲜明，植被得到有效的突出。因此，NDVI特别适用于全球或各大陆等大尺度的植被动态监测。,.,NDVI的主要用途1）可以进行不同植被类型初级生产量的估计；2）识别不同的生态区；3）监测地球表面植被的物候类型，常被用来进行区域或全球的植被状态研究；4）评价生长期和变干期的长短,.,NDVI的局限性,NDVI对土壤背景的变化较为敏感。实验证明：低植被覆盖度时（15%），植被NDVI值高于裸土NDVI值，植被可被检测出来，但因植被覆盖度很低（如干旱、半干旱地区），其NDVI很难指示区域生物量；中植被覆盖度时（2580%），NDVI值随生物量的增加呈线性迅速增加；高植被覆盖度时（80%），NDVI值增加延缓而呈现饱和状态，对植被检测灵敏度下降。实验表明，作物生长初期NDVI将过高估计植被覆盖度，而作物生长结束季节，NDVI值偏低。NDVI更适用于植被发育中期或中等覆盖度植被检测。,.,增强型植被指数（EVI）,为了克服NDVI高植被区易饱和、低植被区易受土壤背景影响的缺点，一种新型的植被指数增强性植被指数（EnhancedVegetationIndex，EVI）被发展，该植被指数引入了蓝光波段降低了大气的影响。,C1:红光波段的大气纠正因子；C2：蓝光波段的大气纠正因子；L：冠层背景纠正因子；G：增益因子。根据经验，参数C1=6.0，C2=7.5和L=1.0，G=2.5在高覆盖度时提高了敏感性。,.,MODISEVI改善表现在：(1)大气校正包括大气分子、气溶胶、薄云、水汽和臭氧。而AVHRRNDVI仅对瑞利散射和臭氧吸收做了校正；这样MODISEVI可以不采用基于比值的方法。因为比值算式是以植被指数饱和为代价来减少大气影响；(2)根据蓝光和红光对气溶胶散射存在差异的原理。采用“抗大气植被指数(ARVl)对残留气溶胶做进一步的处理；(3)采用“土壤调节植；波指数(SAVl)”减弱了树冠背景土壤变化对植被指数的影响；(4)综合ARVI和SAVI的理论基础。形成“增强型植被指数(EVI)”。它可以同时减少来自大气和土壤噪音的影响。,.,DVI差值植被指数,差值植被指数（DVI）又称环境植被指数（EVI），被定义为近红外波段与可见光红波段数值之差。即：,差值植被指数的应用远不如RVI、NDVI。它对土壤背景的变化极为敏感，有利于对植被生态环境的监测。另外，当植被覆盖浓密（80%）时，它对植被的灵敏度下降，适用于植被发育早中期，或低中覆盖度的植被检测。,.,土壤修正植被指数,SAVI（Soil-AdjustedVegetationIndex）修正了土壤背景的敏感性。,或,L是一个土壤调节系数，是由实际区域条件所决定的常量，用来减小植被指数对不同土壤反射变化的敏感性；L取值介于0-1之间；L=0表示植被覆盖度为0；L=1表示土壤背景的影响为0，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；一般情况下，L取值为0.5因子（1+L）主要是用来保证最后的SAVI值与NDVI值一样介于-1和+1之间。,.,试验证明：SAVI降低土壤背景的影响，改善植被指数与LAI的关系。但可能丢失部分植被信号，使植被指数偏低；“L”取值随植被盖度变化的规律是植被盖度越大，L取值越大。对低密度植被（LAI=00.5），L取值较小，且随L增加，土壤对植被的影响越小；当L=1时，土壤的影响几乎消失；对较高密度植被（LAI=1），最佳调节系数L=0.75；一般L=0.5时，对较宽幅度的LAI值，具有较好地降低土壤噪声的作用。,.,同一副影像的植被指数计算出来的S(SAVI)/N(NDVI)存在以下变化趋势：S/N越大，植被指数消除土壤影响的效果越好。S/N最大时的L值是研究区最合适的L值。SAVI也是应用比较广泛的一种植被指数，它可以在一定的程度上减弱土壤背景的影响，而不用计算土壤线的参数。在以往的研究中SAVI用于提取植被信息和植被覆盖度、比较不同植被的差异、反演叶绿素和氮含量、分析与叶面积指数之间的相关性并计算叶面积指数、作为遥感分类的基础、监测旱情及修正模型。,.,NDVI、EVI及SAVI关系,如果土壤影响小的情况下，SAVINDVI；如果大气影响较小的话，EVISAVI；如果土壤和大气影响均较小的话，EVINDVI。,.,转换土壤调整植被指数（TSAVI）,式中，a、b分别为土壤背景线的截距和斜率。TSAVI使土壤背景值有关参数（a，b）直接参与指数运算实验证明，SAVI和TSAVI在描述植被覆盖和土壤背景方面有着较大的优势。因其考虑了（裸土）土壤背景的有关参数，它们比NDVI对低植被盖度有更好的指示意义，适用于半干旱地区的土地利用制图。,.,土壤线（soilline）,土壤对植被指数的影响主要是土壤表面的不同反射特性。它可以是由土壤湿度、粗糙度、阴影，有机质含量及植被结构（多次散射）等引起的。土壤在可见光红波段（R）与近红外波段（NIR）的反射率具有线性关系。,A,.,土壤在R与NIR波段的反射率具有线性关系。则在NIRR通道的二维坐标中，土壤（植被背景）光谱特性的变化，表现为一个由近于原点发射的直线，称为“土壤线”。表示为：IR=bR+a，a、b为土壤线截距和斜率植被背景，包括水体/雪/各种类型土壤/落叶等非光合作用目标均表现在基线上；所有植被象素均分布在基线上NIR一侧绿色光合作用越强，离“土壤线”越远。,二维土壤光谱线,.,土壤线计算方法,一实地采样：实地采集多个土壤样点，并测定这些土壤样点在红波段和近红外波段上的光谱反射率，以近红外波段上反射率作为y轴、红波段上反射率作为x轴，将土壤的反射率值作线性回归得到土壤线。二基于卫星遥感影像：在遥感影像的近红外波段和红光波段组成的二维平面内，土壤样点也呈线状分布。在一定的观测条件下，土壤线方程可以从遥感图像的近红外波段和红波段的反射率或DN值组成的散点图中求取。,.,修改型二次土壤调整植被指数MSAVI,MSAVI不依赖于土壤线，算法很简单，是所有考虑土壤背景影响的植被指数中最简单的一种，因此应用也非常广泛。MSAVI主要用于分析植物的长势、荒漠化的研究、草地估产、计算叶面积指数、分析土壤有机质、监测旱情、分析土壤侵蚀。,.,缨帽变换中的绿度植被指数（GVI）,为了排除或减弱土壤背景值对植被光谱或植被指数的影响，除了前述出现一些调整、修正土壤亮度的植被指数（如SAVI、TSAVI、MSAVI等）外，还广泛采用了光谱数值的缨帽变换技术（TasseledCap，即TC变换）。,.,缨帽变换（TC）是一种通用的植被指数，可以被用于LandsatMMS或LandsatTM数据。LandsatMSS缨帽变换为四维空间，包括：土壤亮度指数SBI，反映土壤反射率变化的信息绿色植被指数GVI，反映地面植物的绿度黄色成分：说明植物的枯萎程度Non-such指数，无实际意义，可去除，压缩数据量变换矩阵c绿度指数（GVI）=-0.290MSS4-0.562MSS5-0.600MSS6+0.491MSS7,.,LandsatTM缨帽变换为6维空间，前三维分量有意义，包括：亮度，反映总体亮度变换绿度GVI，反映地面植物的绿度湿度变换矩阵c（去掉分辨率低的6波段）绿度指数（GVI）,.,垂直植被指数（PVI）,在R、NIR的二维坐标系内，土壤的光谱响应表现为一条斜线即土壤亮度线。土壤在R（x轴）与NIR（Y轴）波段均显示较高的光谱响应，随着土壤特性的变化，其亮度值沿土壤线上下移动。植被一般在红波段响应低，而在近红外波段光谱响应高。因此在这二维坐标系内植被多位于土壤线的左上方。,.,不同植被与土壤亮度线的距离不同。于是Richardson（1977）把植物象元到土壤亮度线的垂直距离定义为垂直植被指数（PerpendiclarVegetationIndex）。PVI是一种简单的欧几里德距离。表示为：,其中，S为土壤反射率，V为植被反射率，R为红波段，NIR为红外波段。,PVI表征着在土壤背景上存在的植被的生物量，距离越大，生物量越大,.,PVI也可定量表达为：,其中，DNNIR、DNR分别为NIR、R两波段的反射辐射亮度值；b为土壤基线与NIR反射率纵轴的截距；为土壤基线与R光反射率横轴的夹角。,PVI的显著特点是较好地滤除了土壤背景的影响，且对大气效应的敏感程度也小于其它植被指数。正因为它减弱和消除了大气、土壤的干扰，所以被广泛应用于作物估产。在岩石和土壤光谱特征都变化很大的干旱和半干旱地区，作为首选植被指数。,.,植被指数总结,NDVI和DVI等指数均受土壤背景的影响大，且随波长、土壤特征（含水量、有机质含量、表面糙度等）及植被覆盖度、作物排列方向等的变化而变化。植被指数的主要组成波段是红光和近红外波段，叶子对红光的强吸收，弱透射和反射，而作为背景的土壤则在红光波段强反射。因此在植被非完全覆盖的情况下，土壤背景的影响较大，且随覆盖度变化而变化。叶子对近红外的反射和透射均较高（各占50%），吸收极少，而土壤对近红外光的反射明显小于叶子的反射，因此，在植被非完全覆盖的情况下，冠层的近红外反射辐射中，叶层的多次反射及与土壤的相互作用是复杂的，土壤的影响仍然较大。,.,三、植被指数与地表参数的关系,1、与叶面积指数的关系叶面积越大则光合作用越强，而光合作用越强，又使植物群体的叶面积越大，植物干物质积累越多，生物量越大。同时，植物群体的叶面积越大，植物群体的反射辐射增强。,.,叶面积大，植被叶片密集，其反射近红外辐射越强，在0.7微米-0.9微米反射能量越多；叶面积大，入射辐射直接到达地表部分较少，土壤反射更弱，土壤影响也小。,.,实验证明：当作物群体LAI大于3时，其反射率可达太阳总辐射的20%；当正常稻田LAI为4时的能量透过率为太阳总辐射的23%或低于20%；对草本植物而言，叶片倾角较大，光很容易透过冠层直达底部直至土壤。当LAI高达7.5时，有5%的入射光可到达土壤表面。,.,叶面积指数计算方法,直接实测方法长宽法、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,.,直接测量法,.,Sunscan获取叶面积指数,.,.,遥感反演法,叶面积指数一般大于1，小于10，在光谱曲线中，近红外波段的反射率随叶面指数增加而增加。高塔遥感实验场的大量观测资料表明，植被指数NDVI或RVI与叶面积指数LAI的相关系数很高，且与LAI呈非线性函数关系。,.,.,式中的A、B、C及A、B、C均为经验系数，可通过模拟试验获得。其中，A、A值是由植物本身的光谱反射确定的，不同叶形，叶倾角及散射系数造成不同的A值及A值；B、B值与叶倾角、观测角有关，当叶呈水平状，则线性关系明显；当叶呈非水平状，随着LAI的增大，植被指数增大速率较慢，两者呈余弦关系，基本是线性的。C、C值取决于叶子对辐射的衰减，这种衰减是呈非线性的指数函数变化。,.,2.植被指数和叶绿素含量的关系,叶子生长初期，叶绿素含量与辐射能吸收间几乎直线相关，即叶绿素含量增多，蓝、红波段吸收增强，绿波段反射率降低，近红外反射率增强，植被指数增大；但当叶绿素含量增加到一定程度后，吸收率近于饱和，反射率变化小，植被指数的差异不明显，因而植物在生长旺季较难区分。,.,不同作物由于植土比的差异，其表达叶绿素含量的光谱模型是不同。,小麦几种植被指数模型与叶绿素含量的时间剖面曲线的关系,图中可见，G5曲线与叶绿素含量相当吻合。实验证明，对小麦而言，的光谱模型表达叶绿素含量最佳。,.,其余四个绿度模型分别为：,对大豆言，因叶子较早封垄，土壤影响较小，则G3光谱模型反映叶绿素含量最佳。,.,3.植被指数和植被覆盖度的关系,植被覆盖度指植被冠层的垂直投影面积与土壤总面积之比,即植/土比。传感器所测得的反射辐射R可表示为：其中，RV为植被的总反射辐射，RS为土壤的总反射辐射，C为植被覆盖度，则：,式中,为植被与土壤混合光谱反射率,v、s分别为纯植被和纯土壤宽波段反射率。,.,据理论推导，RVI、NDVI与植土比分别呈指数和幂函数关系，当LAI较小时，它们与植土比的变化反应不敏感。PVI与植土比呈直线相关，其对植土比的感应能力也随LAI减小而降低。就估测作物而言，PVI较为优越，但应选LAI较大的时期。实际上，植土比和叶面积指数同时随空间而变化，因此，需综合考虑植被指数与两者的关系。,.,4.植被指数和生物量的关系,生物量指的是植物组织的重量。它是由植物光合作用的干物质积累所致。显然，叶面积指数LAI与植被覆盖度均是生物量的重要指标，它们都与植被指数相关。讨论植被条件指数与植被覆盖度、生物量的关系。研究表明，引入植被条件指数来定量估算大面积植被覆盖度和生物量是有效的。,.,由NOAA/AVHRR数据获得的植被条件指数VCI被定义为：式中，NDVI、NDVImax、NDVImed、NDVImin分别为平滑化后每周（7天）的NDVI以及它的多年最大值/中值/最小值（以象元为计算单元）研究表明，用植被条件指数VCI对植被覆盖度的估算误差16%，低覆盖区误差更小；且VCI与实测的植被覆盖度相关性较高（相关系数约0.76）。,.,5.植被指数和地表生态环境参数的关系,植被指数如NDVI常被认为是气候、地形、植被/生态系统和土壤/水文变量的函数。从概念上讲，可以用这些环境因子建立NDVI模型：式中，C为气候子模型，V为植被/生态子模型，P为地形子模型，S为土壤/水文子模型。这些子模型又可表示为各自主因子的数：,.,对于一个特定的地理位置和一定时间尺度（如年或10年），地形子模型可认为是常量，植被/生态系统子模型及土壤/水文子模型也变化不大或基本倾向于常量。那么，应该说变化较大的是气候子模型，或者说，对一个具体时间（t），一个具体地点的NDVI主要成为相关气候变量的函数：,.,（1）植被指数与气候参数的关系影响植被指数的气候参数主要指水、气温和日照，因此上式可表示为：式中Tt表示在具体时间t之前一段时间的某个因子的累计影响；一般说来，气温和日照是与同一年度的季节密切相关，而季节可用日期来加以描述。因此，可用一个指定变量日期（j），作为表示气候季节的变量，则上式可简化为：,.,研究表明，NDVI与降水空间分布及年内、年际变化有关，并建立了NDVI与降水/土壤水分含量之间的描述性/统计性关系，NDVI是识别气候干旱程度的一种方法。研究表明，气候干旱的作物水分指数（CMI）、干旱指数（PDSI）、缺水指数（HD）3个指数的空间/时间变化可以通过NOAA/AVHRR的4种植被指数来估算。,.,（2）植被指数和植物蒸发量、土壤水分的关系一般说来，NDVI能反映植被状况，而植被状况与植被蒸发量、土壤水分有关的。对某一站点的绿色植被连续测定表明，累计的蒸发量与累计的植被指数间高度相关Smith等（1990）对半干旱地区的研究表明，图象上测得的植被覆盖与实际地面测得的蒸发量有密切关系：Desjardins（1989、1990）的研究发现，草本植被冠层测得的CO2和H2O通量高度相关；Cihlar等（1991）通过作物生长季节每15天的NDVI、气象站点的气象数据，由土壤水分模型（VSMB、SWOM）反演计算了根系不同深度水含量以及生态、土壤等信息。在GIS支持下研究NOAA/AVHRR的NDVI与生态变量的关系以及用NDVI来估算蒸发量的可能性。,.,研究发现，不同的植被/土壤组合显示不同的NDVI变化轨迹，它与潜在的蒸发量（PE）曲线的趋势密切相关。实际蒸发量（AE）与相应的NDVI间相关系数为0.77；NDVI与前15天的潜在蒸发量间相关系数为0.86；整个生长季节的累计NDVI与累计蒸发量高度相关，相关系数达0.96。研究表明，用NDVI和潜在蒸发量（PE）可以估算15天为周期的实际蒸发量（AE），估算误差约1015%。这个结果说明NDVI的变化轨迹可提供植物季相变化的重要信息，并能较好的估算实际蒸发量（AE）。,.,不少学者研究了不同的干旱半干旱地区植被指数与土壤水分的关系，发现植被指数与各种测量所得的土壤水分有效性（availability）之间有密切的经验关系。Singh等（1988）的研究发现，植被指数与土壤水分受胁迫（Stress）的关系，依赖于植被的类型，许多研究表明，NDVI可以作为一种有用的土壤含水量指标。,.,五、植被遥感的应用,大面积农作物的遥感估产植被及其动态变化制图灾害监测草场资源调查林业资源调查,.,1.农作物遥感估产,农作物估产则是指根据生物学原理,在收集分析各种农作物不同生育期不同光谱特征的基础上,通过平台上的传感器记录的地表信息,辨别作物类型,监测作物长势,并在作物收获前,预测作物的产量的一系列方法。包括三方面内容：农作物识别、种植面积估算、长势与旱情监测和估产模式建立,.,农作物识别与种植面积估算可以根据作物的色调、图形结构等差异最大的物候期（时相）的遥感影像和特定的地理位置等的特征，将其与其他植被区分（解译）开来。如冬小麦时相选取：播种后-越冬前（10月底-12月）和返青后-拔节前（每年3-4月）这两时段，冬小麦处于绿色期，其它绿色植被进入枯黄期。方法：遥感数据分类、绿度分层和混合像元分解,.,不同农作物光谱特性存在差别,.,作物长势监测-动态观测利用高时相分辨率的卫星影像（如NOAA、FY-等）对作物生长的全过程进行动态观测。冬小麦言，长势和旱情是影响冬小麦产量非常重要的两个指标。长势监测：用NOAA数据计算每半月的NDVI，推测冬小麦的长势和空间分布。旱情监测:采用气象站土壤水分资料，结合NDVI数据，通过旱情模型计算每旬的旱情。,.,.,.,建立农作物单产估产模式利用国内外大量预测单产模型，如气象统计模型、遥感模型等，结合使用多种模型，综合专家知识、作物长势及旱情监测结果，调整数量模型预测值，准确估测各级估产区域的作物单产。y=a+bVI，其中y为单产。,.,其中y为单产；为该研究区某农作物的总产量；A为某作物的播种面积；,.,现有遥感估产的问题,数据源的选取和精度控制方面：为降低成本，大面积估产用NOAA数据，其低空间分辨率导致作物面积分布信息不准确；提高空间分辨率的SPOT和QuickBird影像数据，因时间分辨率降低，不能进行连续的作物长势监测，降低估产精度。遥感估产模型小区实验可行，但不能满足大面积估产需求：依据植被指数与农学参数建立的遥感估产回归模型，普适性较差，未来应考虑模型的机理性与普适性，增强模型在区域间或年份间的通用性。,.,未来估产的研究趋势,提高数据源的空间分辨率。利用数据反演综合气候环境因子极端气候条件下的产量评估构建新植被指数提高估产精度,.,植被遥感病虫害监测依据：受病虫害时，叶片会出现颜色改变、结构破坏或外形改观等病态，叶片的反射光谱有明显改变。在近红外波段（700nm）受病害的植被反射率比健康