测绘工程毕业论文-常用植被指数提取及比较研究——以成都市为例 2011092610 吕航宇.doc

1、本科毕业论文（20 届）常用植被指数提取及比较研究以成都市为例所在学院专业班级 测绘工程学生姓名指导教师完成日期常用植被指数提取及比较研究以成都市为例【摘要】随着科技的腾飞，3s 技术不断革新，遥感技术的功能越来越强大，其中根据植被指数提取植被信息这一方法在各个方面得到了频繁的运用，比如交通、生态、农业、环境、辅助决策等方面。本文以成都市 TM 遥感影像为数据源，利用 ERDAS IMAGINE 提取 NDVI、RVI、DVI 三种植被指数，通过分析比较，三种植被指数影像的像元值在一定灰度值范围内的像元数量是否大致相等，根据直方图均衡化原理，选取描述成都市植被信息的最佳植被指数。结果显示，提取

2、 NDVI 归一化指数所得到的影像，在一定灰度值范围内的像元数量大致相等，即其影像直方图相比于其他两种植被指数更接近均衡化的标准，图像对比度最高，确定为描述成都市植被信息的最佳植被指数。【关键词】遥感：植被指数：NDVI：RVI：DVI目录1 引言 .12 研究区域概况 .12.1 自然地理概况 .12.2 成都市行政区划 .13 数据与数据预处理 .23.1 影像数据源 .23.2 影像数据预处理 .34 基本原理 .44.1 植被光谱特征 .44.2 三种常见植被指数 .45 研究方法 .65.1 研究技术路线 .65.2 原理与方法 .66 结果与分析 .76.1 植被指数提取 .76.

3、2 植被指数对比分析 .76.3 NDVI 变化分析 .77 讨论与展望 .9致谢 .10参考文献 .1111 引言成都市，不仅是一个著名的国际知名旅游胜地，而且国家确定了其重要的地位 西南科技和金融的中心、交通和通信的枢纽。在成都地区范围，丰富的生物资源以及生物物种，促进了该市的经济、文化和社会的发展。随着成都市城镇建设规模的扩大、经济的发展，成都人口数量激增，城市土地利用格局激变，给成都的物质需求带来极大压力，也引起了成都市自然环境的巨大变化，尤其是城区植被覆盖度的显著变化。近二十年来，成都市的城市范围内植被的覆盖面积较大程度变少，虽然部分地区还有着较为完整的公园等绿化用地，但是密集的森林

4、、高产中产草地、灌木地的面积明显在减少。在生态系统中，植被是不可或缺的一部分，它让土壤、大气、水分等相互联系、相互作用，使自然生态系统的各种物质和能量能得到交换、循环。与此同时，植被的数量、质量、类型以及生长状况也深刻影响着自然生态系统，自然生态系统所出现的一系列生态问题在某种程度上也是对植被数量、质量、类型的响应。遥感为城市的发展、变化提供了有效的监测数据和研究方法，其中植被指数在城市规划方面具有重要作用。植被指数作为一个度量参数，有效的反映着植被的这些性质，而且是应用遥感影像评价植被覆盖率的最常用依据。现今，对植被指数选取和植被覆盖率提取做了大量研究，得到了很大的进展。其中，用的最多的三种

5、植被指数是归一化植被指数(NDVI)、比值植被指数(RVI)、差值植被指数(DVI)。根据植被指数法来判定地表植被的性质、数量及其生长状况，已成为一种常用且可靠的手段。选择适当的植被指数，有利于更加清晰地得到植被覆盖度信息以及植被生长状况。本文以成都市为例，研究三种常见的植被指数的提取、分析，以及比较，选取能反映成都市辖域内植被覆盖信息的最佳植被指数。2 研究区域概况2.1 自然地理概况成都市作为四川省省会，在四川省中间部位，也即四川盆地西部（具体经纬度为：10254E 10453E、3005N 3126N ） ，是我国西南地区最大的现代化城市。全市东西方向纵跃192 千米，南北方向横跨 16

6、6 千米，总面积 1 万 2 千多平方公里，其中耕地面积达到 4 千多平方公里。成都市平面高程差异大，西部和北部较高，而东部和南部较低。其中西部靠近四川盆地，大部分为深丘和山地地形，海拔基本在 1 千米3 千米之间，最高处大邑县双河乡海拔达到 5 千多米，相对高度在1 千米左右。而东部则居于四川盆地平原，主要由冲击平原、台地和部分低山丘陵组成，土壤肥沃，有利于开垦、种植各种农产品，地势平坦，开发历史悠久，海拔一般在 750 米上下。成都市东、西两个部分之间高差悬殊，加之特殊的人文环境，以使成都拥有众多的知名旅游景点。选择合适的植被指数，提取最符合成都市植被覆盖率现状的信息，才能够更好指导实践，

7、并辅助构建更好的生态环境和进行合理的城市规划。2.2 成都市行政区划成都市辖武侯区、青羊区等 9 个市辖区，新津县、金堂县等 6 个县，代管彭州市、什邡市等 4 个县级市。利用已有矢量数据中国县级行政界线矢量图，通过 Arc GIS 9.3 提取成都市市域范围内的乡镇面状图，输出.shp 文件并以单独图层显示，制作成都市行政区划图专题图并输出地图（图 2-1） 。2图 2-1 成都市行政区划图3 数据与数据预处理3.1 影像数据源美国陆地卫星 4、5 于上个世纪 80 年代发射，使用 TM（主题增强仪）传感器，其在工作方式上几乎实现了连续获得地球遥感影像。Landsat-4 和 Landsat

8、-5 时间分辨率为 16 天，其得到的 Landsat TM 影像包含了 7 个波段：Band1蓝色、Band2绿色、Band3红色、Band4近红外、Band5短波红外、Band6热红外、Band7短波红外，7 个波段中除了热红外波段 6 的空间分辨率为 120 米外，3其他 6 个波段的空间分辨率可以达到 30 米，该传感器沿经线方向的扫描距离约为 170 公里，沿纬线方向的扫描距离约为 183 公里。 本文研究所需要的数据来源于地理空间数据云平台，通过地理空间数据云平台下载四幅 Landsat 5 TM 影像，四幅影像均拍摄于 2009 年 6 月，条带号分别为 129/38，129/3

9、9，130/38，130/39。成都市位于 4 景影像中，需将四幅影像拼接，再根据成都市区划矢量图裁切出成都市影像图以进行植被指数提取比较研究。表 3-1 影像数据说明影像数据名 日期 中心经度 中心纬度 云量 (%) 太阳方位角 太阳高度角LT51290382009163BJC002009 年 6月 12 日 1045703 314426 12.46 1051742 663137LT51290392009163BJC002009 年 6月 12 日 1043352 301726 10.81 1014538 663742LT51300382009154BJC002009 年 6月 3 日 10

10、32439 314429 17.85 1073316 662653LT51300392009154BJC002009 年 6月 3 日 1030128 301729 0.24 1040223 6636253.2 影像数据预处理遥感图像预处理包括影像多波段组合、大气辐射定标、大气 6S 校正、投影转换、图像拼接，以及成都市遥感影像裁切。（1）多波段组合Landsat-5 TM 影像总共包含 7 个波段，对遥感影像进行预处理时，首先需要将 7 个波段的影像数据进行组合，以获得多波段信息。（2）大气辐射定标遥感图像上的像元值是表示像元灰度的灰度级，而实际的电磁波信号表达的是辐亮度。因此，在进行遥感图

11、像处理时，要将灰度级转化为辐亮度，即要进行大气辐射定标，测定相应波段的地物反射率和气象要素、大气光学特性。大气辐射定标过程中，首先将 DN（图像亮度）值转为星上辐亮度。对于热红外波段，其星上辐亮度应再转为星上亮温（at-sensor brightness temperature） ，除热红外波段外的其他波段则将星上辐亮度转为大气顶层反射率（TOA reflectance） 。（3）大气（6S）校正电磁波信号在经过大气层时，并不是毫无干扰的，而是会受到很多因素的影响（如大气中水、二氧化碳、甲烷和臭氧等） ，然后会发生大气吸收、散射、反射，大气、光照、气溶胶散射等作用，从而产生程辐射度，使影像像元

12、值偏大。大气校正的目的是获得地物反射率、地表温度等真实物理模型参数，来消除这些因素的影响，狭义上是获取地物真实反射率数据，是反演地物真实反射率的过程 1。（4）影像拼接与裁切首先将 4 景影像的坐标系统设置为统一的坐标系统，然后利用 ERDAS IMAGINE 软件中的 Mosaic 图像拼接功能对遥感 4 景影像进行图像拼接。在拼接过程中，对于图像重叠部分选择以最大值输出，以去除图像背景黑色边框，拼接得到影像拼接图（图 3-1） 。利用 Arc GIS 9.3，导入拼接图，以成都市行政区划矢量图为裁切基础底图，裁切得到成都市遥感影像图，如图 3-2。4图 3-1 影像拼接图 图 3-2 成都

13、市裁切图4 基本原理4.1 植被光谱特征植被的反射光谱曲线是植被表面对电磁波不同波段的不同反射率所构成的曲线。植被在可见光和近红外波段的（350nm-800nm）反射光谱差异来源于植被体内叶绿素和其他色素成份，植被细胞散射引起植被近红外波段（800nm-1000nm）反射光谱差异，植物细胞内水体吸收能力则决定了植被短波红外波段（1000nm-2500nm）光谱特性。植被本身的很多因素都会对光谱特征产生影响，如植物的生长状况和种类，植被的灌溉和施肥，植被生长环境地气候、土壤、地形等，会使其光谱曲线的特征发生变化。同一种植被类型，因叶面结构、色素种类含量、含水量的不同，其反射率不同。同时，植被的光

14、谱特性还受到季节的变化、雨水的供给、光照条件等的影响。从植物的典型光谱曲线来看，植被在近红外波段有最高的反射率且分布范围较宽，在波长 1.45um 和2.7um 处有两个吸收谷，在可见光波段反射率小，而影响植被反射特征的因素主要有植物叶面叶绿素含量和水含量，叶细胞结构（如海绵结构反射率大）和叶的分光反射率，还有水分。植被指数主要反映植物反射和土壤背景亮度之间的差异，受到土壤颜色、大气、远程传感器校准、遥控传感器的光谱响应、和双向反射（观察角和太阳方位角对自然表面的双向反射）等因素的影响。4.2 三种常见植被指数植被指数是以遥感卫星传感器所获得的多波段组合影像数据为基础，通过数据间的线性或非线性

15、组合来检测植被的存在、数量、质量、状态和植被生长状况的时间和空间分布的特征等，并且用于诊断植被生物量的物理参数，如叶面积指数，植被面积等。随着遥感技术的发展，常用的植被指数快速扩张，主要有：归一化植被指数（NDVI） ，比 值植被指数（RVI） ，差值植被指数（DVI） ，比值短波红外指数（RSI） ，转换型植被指数（TVI） ，重归一化插值植被指数（RDVI） ，增强型植被指数 I 和 II（EVI 和EVI2） ，大气阻抗植被指数（ARVI） ，土壤调整植被（SAVI） ，修正土壤植被指数（MSAVI） ，土壤大气综合植被指数（SATVI） ，优化土壤调节植被指数（OSAVI） 2 。5图

16、 4-1 绿色植物反射波谱我们可以看到，在绿色植物的光谱反射曲线图中，绿色健康植物在可见光红光波段与近红外波段反射率相差很多，在红光范围内趋于 10%，而在近红外范围内接近 40%，这个区间内的极大反射差异可以用于提取相应植被指数。以下三种植被指数即是通过这两个波段的线性组合来得到植被的覆盖度信息：（1）归一化植被指数NDVI（Normalized Difference Vegetation Index）NDVI 的计算是先把光谱影像中近红外波段像元值减去可见光红光波段像元值，然后比去两个波段像元值之和，公式为：（4-1）（R+NI/-IR（=NDV式中 NIR=近红外波段像元值，R=可见光红

17、光波段像元值。该指数能够消除很多因素产生的影响，包括因太阳高度角、大气状况、土壤含水量以及其他因素产生的影响，而且也减少了非地类变化引起的差异。利用遥感 NDVI 可以提高识别土壤背景的能力，降低了地形和群落结构产生的阴影对植被覆盖率判定的影响，降低了大气的干扰影响，使植被覆盖度监测更加灵敏。当被检测的地区植被覆盖度小于 1/5 时，NDVI 可以很明显的把土壤和植被进行区分；当植被覆盖度在 1/4-4/5 之间的范围时，NDVI 值随植被遮盖面积的增大呈线性上升；当植被覆盖度大于 4/5 时，NDVI对植被覆盖信息的表达能力会逐步下降。（2）比值植被指数RVI （Ratio Vegetati

18、on Index）RVI 的计算是直接把光谱影像中的近红外波段的像元值比去可见光红光波段的像元值，公式为：（4-2 ）NIR/=V式中 NIR=近红外的像元值，R=可见光红光波段像元值。该指数能充分反映两个波段反射率的差异，对叶面积指数、叶干生物量、叶绿素含量较为敏感。若被检测的地区植被覆盖范围较小(指数值小于 30) ，此时就不能很明显的分别出土壤与植被覆盖范围之间存在的差异，而且由于大气对 RVI 的干扰很大，再加上地形起伏对电磁波辐射效应的影响，此时指数对植被覆盖的分辨能力相对较弱。而当被检测地区的植物生长茂盛，植被分布集中于被检测地区（指数值大于 50%）时，能很明显的表达出植被覆盖的

19、差异信息。综上可知，RVI 常用于监测植被分布密集且生长茂盛的地区。（3）差值环境植被指数DVI（Difference Vegetation Index ）DVI 的计算只需要把光谱影像中的近红外波段减去可见光红光波段灰度数值即可,公式为： （4-3）R-NI=DV式中 NIR=代近红外波段像元值，R=可见光红光波段像元值。该指数能够反映同一地物在两个波段之间的反射率差异，可以特别的表达出在可见光红光波段与近红外波段灰度值差异较大的两类地物。植被的光谱响应在这两个波段上具有明显的差别，可以用来反映地表的植被覆盖情况；突出颗粒物污染的光谱信息，可用于研究颗粒物时空分布。65 研究方法5.1 研究

20、技术路线本文通过对遥感影像进行预处理，去除或减弱因大气影响给影像带来的误差。然后利用成都市行政区划边界矢量图对遥感影像图进行裁切，在这基础上，提取计算基于成都市的三种常见植被指数，分析它们在植被信息表达上的特点，选取最佳植被表达指数。研究技术路线如图 5-1。多波段组合大气辐射定标 大气校正图 5-1 研究技术路线流程图5.2 原理与方法三种常用植被指数在植被覆盖信息表示时各有特点，归一化指数可以消除太阳高度角、大气状况、土壤水分等的影响，比值指数可以清晰表达植被覆盖度高的地区，差值指数则有利于植被监测。在成都Landsat 5 TM 成都市 4 景影像LT51290382009163BJC0

21、0、LT51290392009163BJC00LT51300382009154BJC00、LT51300392009154BJC00129038 129039 130038 130039图像预处理4 景影像拼接成都市影像图裁切NDVI 植被指数提取 RVI 植被指数提取 DVI 植被指数提取三者通过分析比较得到最佳植被指数7市地形地貌这一特定环境下，三种指数图像的对比度大小影响植被覆盖信息的表达。图像的对比度影响一幅图像的目视效果，对比度高的图像更加有利于图像信息的表达。从计算植被指数所得到的影像灰度直方图中，可以得到对比度强和对比度弱的图像。当直方图区域宽度较宽时，像元亮度分布范围广且分布均

22、匀，图像对比度相应较好，而反之，则对比度较差，即：若直方图的峰值太靠近原点方向，则图像全部画面会偏暗；若直方图峰值太远离原点方向，则图像全部画面会偏亮，这两者都不适合图像信息的表达，图像的对比度都较弱。6 结果与分析6.1 植被指数提取利用 ERDAS IMAGINE 软件中已有的三种植被指数计算公式，分别对成都市遥感影像图进行NDVI、 RVI、 DVI 的提取，计算结果如图所示。图 6-1 成都市 NDVI 图 图 6-2 成都市 RVI 图 图 6-3 成都市 DVI 图6.2 植被指数对比分析利用 Arc GIS 对三幅指数影像像元灰度值进行重分类，各植被指数以等间距分类，保证在相同的灰度范围内统计像元值数量。为达到更好统计像元数量的目的，根据各指数的像元灰度值的取值范围，现将三种植被指数按照表 6-1 分类数分类。表 6-1 各植被指数分类数指数类型 最大值 最小值 分类数NDVI 1.07277 -0.918531 22RVI 33.0709 -48.9737 29DVI 0.813397 -0.688102 20分类完成后便可以进行像元数量统计工作，各影像直方图如图 6-4、图 6-5、图 6-6，统计数据如表6-2,、表 6-3、表 6-4。