1、四、植被指数与地表生态环境参数的关系 以植被指数 NDVI为例， 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。它们又可以表示为各自主因子的函数 ：C = F1（ 降水、气温、日照 ） +E1 V = F2（ 生态系统类型、植被类型 ） +E2P = F3（ 高程、坡度、坡向 ） +E3S = F4（ 土壤持水性、养分、透水性、地表水利用率、地下水 ） +E4式中， E、 E1 - E4 为由未考虑的环境变量或潜在的测
2、量误差引起的模型误差。 以上这些描述 NDVI 的环境变量的子模型涉及的因子多，许多因子也难以具体量化，但一些因子具有相关性 （如日照与气温常与高度相关、土壤持水性与透水性呈负相关） ，有的变量可由其它变量描述，则模型可简化，用有限的环境变量建立。1、 植被指数与气候参数的关系尽管这些变量均随时间 /空间变化，但对于一个特定的地理位置和一定时间尺度 （如日、月、年或 10年）， 地形子模型 P 可认为是常量，植被 / 生态系统子模型 V 以及 土壤 / 水文子模型 S 也可认为变化不大。则 变化较大的是气候子模型 C， 或者说，对一个具体时间（ t） 和一个具体地点而言， NDVI 主要成为相
3、关气候变量的函数：影响植被指数的气候参数主要指降水、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：对于一个时间分辨率为天的 NDVI 模型，上式的 t 为 j， 则 也就是说，日期为 j 的 NDVI为降水（ Tj） 和日期 j 的函数。它受日期 （表征气温与日照） 以及该日期前一时间段（ Tj） 降水的影响。 Di & Rundguist等 （ 1994） 用以上方法，研究了干旱 半干旱环
4、境下，植被指数 NDVI 与降水的关系，建立了植物生长期内 降水 植被响应模型 ，来描述降水事件对 NDVI曲线变化的影响。研究结果表明： NDVI与两三个月的累计降水有很好的相关；一次降水将引起NDVI峰值出现，峰值出现时间约滞后 1525 天。 这种滞后现象可解释为降水到达植物根部，被根系吸收并输送到叶部，并影响到叶的色素和结构所需要的时间。当然，这个响应时间是随植物生长模式、日期、土壤特性等而变化的。 此外，考虑到 NDVI 与降水的空间分布及年内、年际变化有关，有学者建立 NDVI与降水 /土壤水分含量之间的描述性 /统计关系，以说明 NDVI 是识别气候干旱程度的一种方法 ； 或通过
5、 NOAA数据的不同植被指数来估算反映出地区气候干旱的作物水分指数 （ CMI）、干旱指数 （ PDSI）、 缺水指数 （ HD） 的空间 / 时间变化；研究表明植被状态指数 VCI 可作为很好的干旱指标 ，用以 进行全球干旱监测。 植被指数与表面温度的关系 许多学者研究了遥感植被指数与表面温度的关系。Smith和 Choudhury(1991) ， 利用 TM数据 （ 春 ） 和 NOAA数据 （ 夏 ）， 提取 NDVI和表面温度 （ 经土壤 植被的表面热平衡模型反演）， 分析澳大利亚东南部 不同植被类型的 NDVI（ 农田、常绿林地 ） 与表面温度 TS有不同的关系 。 Kawashim
6、a(1994) 利用冬季日本东京地区昼夜的 TM数据经大气纠正， 对 地表组成结构 （即建筑群与植被的比例） 不同的城区 （建筑群占总面积的 82.5% ） 与郊区 A（ 61.6% ）、 郊区 B（ 30.9% ）， 分别计算了其平均 NDVI、 昼夜平均地表温度（ ）及日温差（ ），并通过 TS NDVI， 研究不同地表类型表面温度的植被效应 。 Yang等 （ 1997） 对美国北部和中部大平原， 用多时相 NOAA数据融合的归一化植被指数 TI NDVI（ TI NDVI =NDVIi） 和与地面气象台站数据所生成的 7个气候变量 （ 2个月间隔） 表面气温 Ta、 土壤温度 Ts、
7、太阳辐射 SR、 降水量 PT、 大气相对湿度 RH、 GDD生长期温度 （被定义为日平均温与基本温度 10 之差）、 ETP潜在蒸散 （通过方程计算）， 建立两者间的关系模型 49：通过多元线性回归分析 表明，PT、 ETP、 GDD是草场长势和生产力的最主要控制因素。其中TINDVI与春夏季的降水量呈正相关，与初春的潜在蒸散呈负相关；且不同草场类型 TINDVI的主要控制因素不同。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。因此，不少学者研究植被指数与植物蒸散、土壤水分的关系。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
8、土壤水分模型 （ SWOM ） 反演根系不同深度水含量以及生态 、 土壤等信息 ， 研究不同植被 /土壤组合的 NDVI变化轨迹，与潜在蒸发量 （ PE） 曲线的趋势间的密切关系，指出 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与累计蒸发量相关系数高达 0.96； 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 10% 15% 。（植被指数与土壤水分的关系，将在 “土壤水分遥感 ”中专门论述 ）2、 植被指数与植物蒸散、土壤水分的关系以上讲述的主要是一些统计模型，即通过大量 实测数据，建立遥感植被指数与 植 物物理参数间的 统计相关 （多变量回归方程） 。此方法抓住 植被光谱这一本质 ， 简便易行 ， 被广泛应用 ， 但要有 “先验知识 ”，其结果受先验 数据的局限 ， 适普性差， 且未考虑非植被因素 （土壤背景、地形、大气特征）。随着 定量遥感研究的深入，各种 描述植被方向反射与植物冠层结构之间关系的理论模型 （如几何光学模型与辐射传输模型等） ，也被用以 定量 反演地表植被的生物物理参数。由于这些模型假设条件较多、反演复杂、需要的参数较多，使它在实际应用中受到限制。
