地球科學 2

1、四、植被指數(shù)與地表生態(tài)環(huán)境參數(shù)的關(guān)系,以植被指數(shù)NDVI為例，NDVI常被認為是氣候、地形、植被/生態(tài)系統(tǒng)和土壤/水文變量的函數(shù)。從概念上講，可以用這些環(huán)境因子建立NDVI模型 ：式中，C 為氣候子模型， V 為植被/生態(tài)子模型， P 為地形子模型， S 為土壤/水文子模型。它們又可以表示為各自主因子的函數(shù)： C = F1（降水、氣溫、日照）+E1

2、 V = F2（生態(tài)系統(tǒng)類型、植被類型）+E2 P = F3（高程、坡度、坡向）+E3 S = F4（土壤持水性、養(yǎng)分、透水性、地表水利用率、地下水）+E4式中， E、E1 -- E4 為由未考慮的環(huán)境變量或潛在的測量誤差引起的模型誤差。,,以上這些描述 NDVI 的環(huán)境變量的子模型涉及的因子多，許多因子也難以具體量化，但一些因子具有相關(guān)性（如日照與氣溫常與高度相關(guān)、土壤持水性與透水性

3、呈負相關(guān)），有的變量可由其它變量描述，則模型可簡化，用有限的環(huán)境變量建立。,,1、植被指數(shù)與氣候參數(shù)的關(guān)系,盡管這些變量均隨時間/空間變化，但對于一個特定的地理位置和一定時間尺度（如日、月、年或10年），地形子模型 P 可認為是常量，植被 / 生態(tài)系統(tǒng)子模型 V 以及 土壤 / 水文子模型 S 也可認為變化不大。 則 變化較大的是氣候子模型 C，或者說，對一個具體時間（t）和一個具體地點而言，NDVI 主要成為相關(guān)氣候變量的

4、函數(shù)：,影響植被指數(shù)的氣候參數(shù)主要指降水、氣溫和日照，因此上式可表示為： 式中，Tt 表示在具體時間 t 之前一段時間的某個因子的累計影響：一般說來，氣溫和日照是與同一年度的季節(jié)密切相關(guān)，而季節(jié)可用日期來加以描述。因此，可用一個指定變量——日期（j），作為表示氣候季節(jié)的變量，則上式可簡化為： 對于一個時間分辨率為天的 NDV

5、I 模型，上式的 t 為 j，則 也就是說，日期為 j 的NDVI為降水（Tj）和日期 j 的函數(shù)。它受日期（表征氣溫與日照）以及該日期前一時間段（Tj）降水的影響。,Di & Rundguist等（1994）用以上方法，研究了干旱-半干旱環(huán)境下，植被指數(shù) NDVI 與降水的關(guān)系，建立了植物生長期內(nèi)降水—植被響應模型，來描述降水事件對NDVI曲線變化的影響。研究結(jié)果表明：NDVI與兩三個月的累計降水有很好的相

6、關(guān)；一次降水將引起NDVI峰值出現(xiàn)，峰值出現(xiàn)時間約滯后15—25天。這種滯后現(xiàn)象可解釋為降水到達植物根部，被根系吸收并輸送到葉部，并影響到葉的色素和結(jié)構(gòu)所需要的時間。當然，這個響應時間是隨植物生長模式、日期、土壤特性等而變化的。 此外，考慮到NDVI 與降水的空間分布及年內(nèi)、年際變化有關(guān)，有學者建立NDVI與降水/土壤水分含量之間的描述性/統(tǒng)計關(guān)系，以說明 NDVI 是識別氣候干旱程度的一種方法；或通過NOAA數(shù)據(jù)的不

7、同植被指數(shù)來估算反映出地區(qū)氣候干旱的作物水分指數(shù)（CMI）、干旱指數(shù)（PDSI）、缺水指數(shù)（HD）的空間 / 時間變化；研究表明植被狀態(tài)指數(shù)VCI 可作為很好的干旱指標 ，用以 進行全球干旱監(jiān)測。,,,植被指數(shù)與表面溫度的關(guān)系,許多學者研究了遙感植被指數(shù)與表面溫度的關(guān)系。 Smith和Choudhury(1991) ，利用TM數(shù)據(jù)（春）和NOAA數(shù)據(jù)（夏），提取NDVI和表面溫度（經(jīng)土壤-植被的表面熱平衡模型反演），分析澳大利

8、亞東南部不同植被類型的NDVI（農(nóng)田、常綠林地）與表面溫度TS有不同的關(guān)系。 Kawashima(1994) 利用冬季日本東京地區(qū)晝夜的TM數(shù)據(jù)經(jīng)大氣糾正，對地表組成結(jié)構(gòu)（即建筑群與植被的比例）不同的城區(qū)（建筑群占總面積的82.5%）與郊區(qū)A（61.6%）、郊區(qū)B（30.9%），分別計算了其平均NDVI、晝夜平均地表溫度（ ）及日溫差（ ），并通過TS／NDVI，研究不同地表類型

9、表面溫度的植被效應。,,,,Yang等（1997）對美國北部和中部大平原，用多時相NOAA數(shù)據(jù)融合的歸一化植被指數(shù)TI NDVI（ TI NDVI =∑NDVIi）和與地面氣象臺站數(shù)據(jù)所生成的7個氣候變量（2個月間隔）---表面氣溫Ta、土壤溫度Ts、太陽輻射SR、降水量PT、大氣相對濕度RH、GDD生長期溫度（被定義為日平均溫與基本溫度10℃之差）、ETP­潛在蒸散（通過方程計算），建立兩者間的關(guān)系模型[49]：,通過多元線

10、性回歸分析 表明，PT、ETP、GDD是草場長勢和生產(chǎn)力的最主要控制因素。其中TINDVI與春夏季的降水量呈正相關(guān)，與初春的潛在蒸散呈負相關(guān)；且不同草場類型TINDVI的主要控制因素不同。,NDVI能反映植被狀況，而植被狀況與植被蒸發(fā)量、土壤水分有關(guān)。因此，不少學者研究植被指數(shù)與植物蒸散、土壤水分的關(guān)系。 Cihlar等（1991）通過作物生長季節(jié)每15天的NDVI、氣象站點的氣象數(shù)據(jù)、由土壤水分模型（SWOM）反演根系

11、不同深度水含量以及生態(tài)、土壤等信息，研究不同植被/土壤組合的NDVI變化軌跡，與潛在蒸發(fā)量（PE）曲線的趨勢間的密切關(guān)系，指出NDVI與前15天的潛在蒸發(fā)量間相關(guān)系數(shù)為0.86；整個生長季節(jié)的累計NDVI與累計蒸發(fā)量相關(guān)系數(shù)高達0.96；用NDVI和潛在蒸發(fā)量（PE）可以估算15天為周期的實際蒸發(fā)量（AE），估算誤差約10%～15%。 （植被指數(shù)與土壤水分的關(guān)系，將在 “土壤水分遙感”中專門論述 ）,2、 植被指數(shù)與植物

12、蒸散、土壤水分的關(guān)系,,,,以上講述的主要是一些統(tǒng)計模型，即通過大量實測數(shù)據(jù)，建立遙感植被指數(shù)與植物物理參數(shù)間的統(tǒng)計相關(guān)（多變量回歸方程）。 此方法抓住植被光譜這一本質(zhì)，簡便易行，被廣泛應用 ，但要有“先驗知識”，其結(jié)果受先驗數(shù)據(jù)的局限，適普性差，且未考慮非植被因素（土壤背景、地形、大氣特征）。 隨著定量遙感研究的深入，各種描述植被方向反射與植物冠層結(jié)構(gòu)之間關(guān)系的理論模型（如幾何光學模型與輻射傳輸模型等） ，也被用以定

13、量反演地表植被的生物物理參數(shù)。由于這些模型假設條件較多、反演復雜、需要的參數(shù)較多，使它在實際應用中受到限制。,植被遙感模型---- 輻射傳輸模型（RT模型）,RT模型的理論基礎是輻射傳輸理論和冠層平均透射理論。 輻射傳輸理論的核心是輻射傳輸方程。它的一個基本假設是散射介質(zhì)水平方向是均勻的，垂直方向上介質(zhì)的密度、性質(zhì)有變化。它把植被冠層看作水平均勻的薄層，每一層中的植被單元可以當作小的吸收和散射體，通過引入單元性質(zhì)（大小、方位

14、等）的密度函數(shù)（如傾角分布函數(shù)）以及光學路徑、散射相函數(shù)（表征冠層的散射特征）的概念，來描述輻射（太陽直射、天空散射）與冠層（葉、莖、花等群體結(jié)構(gòu)）-下墊面（即植被—土壤耦合體系）相互作用的吸收、透射、多次散射過程。 冠層平均透射理論，即冠層的向上和向下透射相等，取其算術(shù)平均值作為平均冠層透射值。 在RT模型中，植被冠層構(gòu)成及其基本光學特性的描述，如冠層厚度、冠層密度、葉面傾角/葉面方向及其分布、葉面積指數(shù)和冠層

15、中各組成的基本散射特性等均為模型所采用的參量[1]。,以 （1984）為例 ： 它是針對冠層輻射特征的RT模型 —— 共有7個參數(shù)（3個結(jié)構(gòu)參數(shù)和4個組分光譜參數(shù)）：結(jié)構(gòu)參數(shù)：葉面積指數(shù)LAI、描述葉傾角分布的兩個參數(shù)u和V；組分光譜參數(shù)：葉片反射率 、葉片透過率 、土壤反射率 、天空散射光在總?cè)肷涔庵械谋壤齋KYL （可由大氣校正模型得到） 。

16、 SAIL模型較好的反映了水平均勻植被的葉面積指數(shù)（LAI）與葉傾角分布（LAD）對BRDF變化趨勢的影響，可用于計算一定葉結(jié)構(gòu)、光照條件下，均一葉冠層的反射，或反演冠層結(jié)構(gòu)參數(shù)等。但它假設葉子為小型，扁平狀的朗伯體，葉層水平、均勻，且沒考慮熱點效應及葉片的鏡面反射的影響[22]。。,SAIL模型,Nilson-Kuusk模型（1989） ，考慮了植被群體“熱點”效應和鏡面反射的影響，把植被群體的BRDF，分為植冠的一次散射（散射

17、與鏡面反射）、土壤的一次散射、群體和土壤的多次散射三部分，分別進行計算?？捎糜谘芯咳~子之間的相互掩蓋對冠層反射的影響（要求輸入葉尺寸和冠層離地面的高度）。但Kuusk熱點模型不能計算大型不均勻植被冠層（如行種作物，不密閉的森林）。 PROSPECT模型（1990） ，根據(jù)葉子的葉綠素含量、水分含量、結(jié)構(gòu)特征推導葉子的輻射特征的RT模型 。它可通過三個變量-- 葉綠素含量（Chlf）、葉片層數(shù) （N）、波長（λ），獲得葉子反

18、射率(ρf)和透射率(τf)等。它假設葉子的葉綠素和水分分布均一，葉子表面粗糙度沒有變化。,冠層反射模擬-- PROSPECT+SAIL模型,由PROSPECT+SAIL輻射傳輸模型--模擬冠層反射，表示為[16] ：,ρ?λ?＝?[θ? ，φ ? ，θv ，φ v， LAD ，LAI，N， Cab ， Cw ， Cdm ，s，Vis，ρS（λ）],式中，ρ（λ）為波長λ的反射率；

19、ρS（λ）為土壤反射率； 生物物理參數(shù)：葉綠素a+b濃度 Cab （μg/cm2） ，葉片層數(shù) N， 葉片水吸收深 Cw （cm） ，葉片干物質(zhì)含量 Cdm（g/cm2）， 葉面積指數(shù) LAI，葉片平均傾角 LAD ； 外部參數(shù)：太陽天頂角和方位角θ? 和φ?,，觀測天頂角和方

20、 位角θv和φ v，用能見度表示的漫射天空光 Vis（km）， 熱點效應參數(shù) s 。 冠層的VIS-NIR反射特性，不僅受LAI、色素含量的影響，而且受冠層結(jié)構(gòu)、光照-視角的幾何關(guān)系、背景效應、大氣效應等的影響，模型模擬中考慮了這些因素。,RT模型：著重對植被內(nèi)部輻射場，尤其是其方向分布進行描述。它考慮到多次散射作用。由于植被內(nèi)部輻射場的分布與植被空

21、間結(jié)構(gòu)密切相關(guān)，因而RT模型可詳細描述植被體內(nèi)的結(jié)構(gòu)特征，用以反演植被結(jié)構(gòu)參數(shù)。但由于假設水平均勻植被組分在同一高度上是隨機分布的，因此僅適用于連續(xù)植被的反演，如作物群體（壟狀特征不明顯或處于生長期的作物）、大面積生長茂盛的草地等，而對復雜的不連續(xù)的植被冠層，如森林等是不適用的。 RT模型雖理論嚴謹，但參數(shù)多，推導繁瑣。 在遙感像元尺度上，地球陸地表面大量呈現(xiàn)出非均勻的復雜結(jié)構(gòu)，且以表面散射為主，這是用輻射傳輸理論難以合理解釋的[1

22、、20]。,植被遙感模型----幾何光學模型（GO模型）,GO模型 —— 把幾何光學理論引入到植被的BRDF研究中。它主要考慮地物的宏觀幾何結(jié)構(gòu)，把地面目標假定為具有已知幾何形狀和光學性質(zhì)、按一定方式排列的幾何體。 它把觀測視場（或像元），分為承照植被、承照地面、陰影植被、陰影地面4個分量。這4個分量是隨著太陽角與觀察角的變化而變化，而觀測結(jié)果則是這4個分量亮度的面積加權(quán)和。,幾何光學模型的四分量,（“遙感物理”課程圖示）,假定

23、觀測視場內(nèi)只有地面和樹冠的反射；考慮天空光和多次散射，則遙感器接收的信號S 為4個分量的面積加權(quán)和： S = Kg·G+ Kc·C+ Kz·Z+ Kt·T 其中，Kg 是視場A內(nèi)地面受陽光承照部分的面積與A之比； Kc是視場A內(nèi)樹冠承照表面的投影面積比；

24、 Kz和Kt分別是視場內(nèi)陰影中地面和樹冠與A之面積比； G、C、Z、T 分別是光照地面、光照樹冠、陰影地面、陰影 樹冠這4個分量在給定日照條件下的實際亮度。 上式中，若已知各波段的G、C、Z、T 和相應 S，則通過解線性方程組不難得到Kg、Kc、Kz、Kt。這里G、C、Z、T被當作已知值或測量值。 但實際應用中，以光照樹冠 C 為例，人們希

25、望可以把C與葉面反射率 、葉面積指數(shù)LAI、天空光等聯(lián)系起來。于是人們進一步研究G、C、Z、T 的參數(shù)化問題[1]。,GO模型通過分析這些幾何體對光線的截獲和遮陰及地表面的反射來確定植冠的方向反射。因此，首先要解決的是植被幾何結(jié)構(gòu)和空間分布模型化，如幾何結(jié)構(gòu)可以用結(jié)構(gòu)參數(shù)（株密度、樹冠大小、高度等）來表達；其次要解決的是利用幾何光學理論來計算植被的方向反射函數(shù)。 GO模型適于森林等不連續(xù)植被冠層的反射狀況。最具代表性的模型為

26、Li-Strahler GOMS模型 [23、24]。,把樹冠當作橢球體，共有8個參數(shù) --- 4個結(jié)構(gòu)參數(shù)nR2、b/R、h/b、Δh/ b，和4個光譜組分參數(shù)G、C、Z、T ；其中n表單位面積內(nèi)樹冠的數(shù)目、R為橢球的水平半徑、b為垂直半徑、h為球心離地表的距離、Δh為樹冠中心高度均勻分布時最高值與最低值之差。 結(jié)構(gòu)參數(shù)：nR2反映垂直方向上樹冠覆蓋度；b/R為樹冠形態(tài)參數(shù)，主要影響非天頂方向觀察的覆蓋度；h/b為樹冠離地高度參

27、數(shù)，主要影響地面反射對熱點貢獻的寬度；Δh/b為樹冠高度分布離散程度。 光譜參數(shù)：G、C、Z、T 分別為給定入照條件下地面、樹冠和陰影地面、陰影樹冠的亮度。,,GOMS模型,GOMS模型表示為：,其中，ds 是地表或樹冠表面的面積元； R(s)是該面積元（假設是朗伯表面）的反射率； （i , s）和（r , s）分別是ds的法矢量與入射及觀察的方向矢量 夾角的余弦； Ii (s)表示ds

28、受陽光直照與否的指數(shù)，數(shù)值為1（受直照）或0； Ir(s)是ds是否直接在觀察者視場內(nèi)的指數(shù)，為1（直接可見）或0； A 是視場（FOV）在水平地面的投影。,幾何光學模型著重于對植被冠層外表幾何特征的描述，通過分析這些幾何體對光線的截獲和遮陰及地表面的反射來確定植冠的方向反射或反演植被冠層的結(jié)構(gòu)特征。它簡單明晰，適用于處理不連續(xù)植被（如灌木林、稀疏森林，針葉林，果園）以及粗糙地表等RT模型難以適用的地物。 其不

29、足之處在于只考慮冠層表面的一次散射，未考慮內(nèi)部的多次散射對構(gòu)成“陰影區(qū)”地物反射強度的影響，也不考慮植被—土壤系統(tǒng)的非朗伯輻射特性，以及對群體結(jié)構(gòu)假設的局限性等，使其計算精度受到影響[25] 。,植被遙感模型----幾何光學-輻射傳輸混合模型,幾何光學-輻射傳輸（GORT）混合模型（李小文等，1995），即利用GO模型在解釋陰影投影面積和地物表面空間相關(guān)性上的基本優(yōu)勢，同時引入RT模型在解釋均勻介質(zhì)中多次散射上的優(yōu)勢，分兩個層次來建立承

30、照面與陰影區(qū)反射強度的RT模型。聯(lián)系兩者的關(guān)鍵是間隙率模型（Li -Strahler，1988）。 間隙率模型可以簡述如下[1]： 式中，P(i)是從給定方向光線穿越i個樹冠的概率，是由樹冠的宏觀大小和分布確定的統(tǒng)計量；Si是光線穿越樹冠的平均路徑， 是由樹冠內(nèi)部構(gòu)造（如樹葉大小、密

31、度）等決定的衰減常數(shù)。 GORT混合模型是通用模型，它既適用于稀疏群體，也適用于密閉群體。將它用于不同太陽高度時，對森林反照率和BRDF的計算，獲得了較好的結(jié)果。,混合模型假定了一系列的幾何光學模型的機理，比如說，傳感器所收集到的輻射反射分為三個方面：植被Rv、光照土壤 Ris、陰影土壤 Rss，即：R(λ) = fvRv(λ) ＋fisRis(λ) ＋fssRss(λ) 它似線性光譜混合模型（LSMM）， 但克服了

32、LSMM的最后輸出并不是植被分布的缺點，且 LSMM為二維，混合模型為三維。 混合模型不僅可反演地表的結(jié)構(gòu)性信息、冠層主要的生物物理特征（如 LAI ），而且能較好地描述在冠層中復雜輻射傳遞過程。結(jié)果表明這一模型是反演混合冠層中植被豐度的良好工具。 研究表明：這一模型與線性光譜混合模型（LSMM）相比，考慮了冠層附近的成蔭、穿透、多向散射過程，且反演植被覆蓋率時所得誤差更小，所用參數(shù)更少； 但它忽略了冠層表面性質(zhì)

33、。,b=2R/H ； 象元尺度 6m-16m ； 兩種冠層高度： i) H=2R b=1 ， ii) H=5R b=0.4 ； h=1m ； 不同層數(shù)：i) n=10 ， ii) n=20 ； 0.5<LAI<7 ； LAD (leaf angle distribution) 的三種情況： i) 水平葉 ii) 球型分布 iii) 優(yōu)勢水平分布 。,模型需要

34、考慮的基本冠層參數(shù)：,R(λ) = fvR∞(λ) ＋[ρs(λ) －R ∞(λ)]exp(-C·LAI)] ＋ fsρs(λ)[fi＋(1－fi)(1－LAIL)k]式中， ρs 是土壤反射， R∞(λ) 是飽和反射， C 描述植物攔截輻射的能力（取決于葉子對輻射的衰減）， LAIL 是單層LAI分量（0，1）， LAIL=L

35、AI/n， κ為黑度系數(shù)， K 預建構(gòu)有關(guān)， τk 描述 波長變化， fv、fi、 fs分別為植被、光照土壤 、陰影土壤的相對面積系數(shù)。,變換后得混合冠層的反射模型為：,計算機模擬模型,上述的三種模型在處理植被結(jié)構(gòu)時大都不考慮植被各組分的尺寸大小、各組分間距離以及它們非隨機的空間分布特性。對于自然植被來說，這顯然是不真實的。 計算機模擬模型可以比上述模型更靈活、更詳細、更真

36、實的處理上述非均勻群體問題。目前，計算機模擬模型已從純蒙特卡洛法向“結(jié)構(gòu)真實模型”、三維可視化表達模型的方向發(fā)展。,以上介紹了幾類植被遙感模型——通過模型的BRDF來反演地表參數(shù)（如反照率 ，反射率 等）和地表幾何特征（如植被結(jié)構(gòu)參數(shù)——LAI、LAD等）。,（三） 應用實例 -- 中尺度植被動態(tài)監(jiān)測與制圖,以內(nèi)蒙古典型干草原地帶為研究區(qū)，通過對NOAA/AVHRR，不同時相植被指數(shù) RVI 圖象進行分割處理，進行植被

37、動態(tài)監(jiān)測和繪制植被類型圖。具體步驟為[53] ：1）遙感資料的預處理，選擇植物生長季節(jié)中，4個不同時相的無云圖象（1989年5月4日，6月8日，7月3日，8月13日），對這些圖象數(shù)據(jù)進行輻射糾正、大氣糾正、幾何糾正，并使不同時相的圖象在空間上嚴格配準。2）求算比值植被指數(shù) RVI=CH2/CH1，得4個不同時相的植被指數(shù)圖象。3）對4個不同時相的RVI圖象進行主成分分析。其中第一主分量PC1（方差百分比達 89.9%）集中了4個不

38、同時期的絕大部分植被信息。該圖象作為進一步分析的典型圖象。,內(nèi)蒙某地區(qū)多時相植被指數(shù)VI 圖象K-L變換特征統(tǒng)計,4）采用閾值方法，對上述的第一主成分圖象進行空間分割，將圖象分割為9級。閾值的確定：先對第一主成分圖象進行灰度線性拉伸，根據(jù)直方圖上每個特征峰的形狀和位置等細節(jié)，確定分割端點。5）圖象分割后生成植被類型圖。將分割圖象與該地的植被圖進行比較，使各色調(diào)分別代表不同的地表覆蓋類型（植被類型）。,多時相植被指數(shù)VI 圖第一主分量的

39、圖像分割,6）中尺度植被動態(tài)變化分析（季相變化、綠波進退等）。 選擇不同時相（1987.6.8、1989.8.13 ）的RVI圖象，分別進行圖象分割，并對分割后的兩張彩色編碼圖像進行動態(tài)變化分析。,右下兩張圖顯示，綠峰的水平距離差約200km，反映出季節(jié)和降水波動的結(jié)果.即6月為草的生長旺季，8月草已開始枯黃；另據(jù)氣候資料，當?shù)?986、1987年為豐水年，草場返青早、生長旺、綠峰迅猛推進，而1988、1989年為大旱年，草類提

40、前枯萎，綠峰提前全線消退，致使兩者的季節(jié)差大于正常年份。,2、大尺度植被動態(tài)變化分析,圍繞全球生態(tài)環(huán)境進行大尺度植被動態(tài)監(jiān)測及植被與氣候的關(guān)系研究。 用全球AVHRR數(shù)據(jù)（1km）以象元為單元，計算日GVI（為了排除大氣影響、云的干擾 ）—— 周GVI（ 7天的最大值）——月GVI（4周的最大值），以便大尺度動態(tài)分析。,如，分析GVI的月變化，并作不同月份GVI的彩色合成圖，以分析GVI的季節(jié)變化；,對月GVI圖象-

41、---自動分類----植被類型圖（熱帶雨林、常綠林、落葉林、苔原凍土、草地、半干旱、高山干旱、干旱沙漠 等 8類）；不同月份或不同季節(jié) 8種不同植被類型的 GVI變化曲線分析；年平均植被指數(shù) 圖象的分類，繪制全球植被圖；將8種類別歸并為森林、草地、沙漠3大類，進行大區(qū)域GVI分布特點和類別的研究； 通過以年為單位的GVI的多年對比，分析不同區(qū)域（全球、歐亞、大洋洲、南美、北美、非洲等）的植被年變化。,1987年,Glob

42、al LandCover Classfication 1987,全球的 NDVI —— 集群分類 —— 得全球土地覆蓋類型圖（分出 熱帶雨林、熱帶大草原、落葉林、常綠—落葉林、季雨林、熱帶草原和草原、草原、地中海灌木、常綠林、落葉林地、灌木和僅有旱生植被的干草原、苔原凍土冰區(qū)、沙漠 等13 種土地覆蓋類型），并作13種類別NDVI的季節(jié)變化曲線，以進行全球土地覆蓋類型的動態(tài)監(jiān)測。,全 球 陸 地 植 被,全球陸地植被,NSMC,MODI

43、S合成植被指數(shù)（2001年）,1月,4月,7月,10月,,NSMC,NDVI空間分布特征,參考文獻 1,Campbell James B. , 1987 , Introduction to Remote Sensing , Published by the Guilford Press, New York, London.Boochs F., 1990, shape of the Red Edge As Vitality lndic

44、ator for plants, J.Remote Sens., 11(10):1741~1753.王長耀、牛錚、唐華俊等，2001，對地觀測技術(shù)與精細農(nóng)業(yè)，科學出版社.Lillesand Thomas M. & Kiefer Ralph W. , 1994 , Remote Sensing and Image Interpretation (3rd Ed ), Published by John Wiley &

45、 Sons, Inc.Jensen John R. , 1996 , Introductory Digital Image Processing : A Remote Sensing Perspective (2nd Ed ), Published by Prentice--Hall, Englewood Cliffs, N.J.陳述彭、趙英時，1990，遙感地學分析，測繪出版社.Yoshioka H., T. Miura, A

46、.R. Huete & B.D. Ganapol ,2000, Analysis of Vegetation Isolines in Red-NIR Reflectance Space , Remote Sensing of Environ., 74(2): 313~326.張仁華，1996，實驗遙感模型及地面基礎，科學出版社.Huete A. R., 1988, A Soil-adjusted vegetation ind

47、ix (SAVI). Remote Sens. Environ., 25:295~309.Banair A. et al., 1995, A Review of Vegetation lndices, Remote Sens. Review ,13:95~120.Broge N.H. & E. Leblanc, 2001, Comparing Prediction Power and Stability of Broadba

48、nd and Hyperspectral Vegetation Indices for Estimation of Green Leaf Area Index and Canopy Chlorophyll Density , Remote Sensing of Environ.,76(2): 156~172.Major D. T., Baret F., & Guyot G., 1990, A ratio vegetation

49、index adjusted for soil brighness, Int. J. Remote Sens., 11:727~740.Lyon J. G., et al., 1998, A Change Detection Experiment Using Vegetation Indices, Phote. Engin. & R.emote Sens., 64(2): 143~150.,參考文獻 2,[ Roujean

50、 J.L. & Breon F.M.,1995, Estimating PAR Absorbed by Vegetation from Bidirectional Reflectance Measurements, Remote Sensing of Environ.,51:375~384 .Kim M.S.,Daughtry C.S.T.,Chappelle E.W. & McMurtrey J.E., 1994,

51、The use of High Spectral Resolution Bands for Estimating Absorbed Photosynthetically Active Radiation (APAR) , In:Proc.ISPRS’94 Val d’Isere,France 17-21 January 1994 (pp.299~306) . Ben-dor E. & Kruse F. A., 1995 ,

52、 Surface Mineral Mapping of Makhtesh Ramon,Negev, Israel using GER 63 Channel Scanner Data, International Journal of Remote Sensing,16,3529~3553.[ Rahman , 2001, Influence of Atmospheric Correction on the Estimation of

53、Biophysical Parameters of Crop Canopy Using Satellite Remote Sensing , International Journal of Remote Sensing , 22(7): 1245~1268 . [ Bo-Cai Gao & Rong-Rong Li , 2000, Quantitative Improvement in the Estimates of

54、NDVI Values from Remotely Sensed Data by Correcting Thin Cirrus Scattering Effects , Remote Sensing of Environ., 74(3): 494~502 . Chappell A., J. W. Seaquist, L. Eklundh , 2001 ,Improving the Estimation of Noi

55、se from NOAA AVHRR NDVI for Africa Using Geostatistics , International Journal of Remote Sensing , 22(6): 1067~1080 Lymburner L., Paul J. B. et al.,2000 , Estimation of Canopy-Average Surface-Specific Leaf Area Using L

56、andsat TM Data， Photo. Engin. & R. S. ,66(2):183-191. Leonard B., J. M. Chen et al., 2000, A Shortwave Infrared Modification to the Simple Ratio for LAI Retrieval in Boreal Forests - An Image and Model Analysis, R

57、emote Sensing of Environ.,71(1): 16~25. Demarez V. & J.P. Gastellu-Etchegorry , 2000, A Modeling Approach for Studying Forest Chlorophyll Content , Remote Sensing of Environ.,71(1): 226~238. Stella W.T. &

58、R.r M.Hoffer，1998，Responses of Spectral Indices to Variations in Vegetation Cover and Soil Background ,Photogrammetric Engineering&Romtote Sensing， 64(9):915~921.,參考文獻 3,[ Moleele N., S. Ringrose, W. Arnberg et al.,

59、 2001 , Assessment of vegetation indexes useful for browse (forage) prediction in semi-arid rangeland，Int. J. Remote Sens., 22(5):741~756. [ Xiang Gao, Alfredo R. H., Wenge Ni & Tomoaki M. ,2000, Optical-Bio

60、physical Relationships of Vegetation Spectra without Background Contamination, Remote Sensing of Environ., 74(3): 609~620. Di L. & D. C. Rundquist, Han L., 1994, Modelling Relationships between NDVI and Precipita

61、tion during Vegetative growth cycles, Int. J. Remote Sens., 15(10):2121~2136.[ Kogan F., 1990, Remote sensing of weather impacts on vegetation in non-homogeneous areas, Int. J. Remote Sens., 11:1405~1419. Smith R.

62、C. G. & Choudhury, B. J. 1990, On the correlation of Indices of vegetation and surface Temperature over south-eastern Australia, Int. J. Remote Sens., 11:2113~2120.[ Gallo K. P. et al., 1993, The use of NOAA AVHRR

63、 data for assessment of the urban \ heat island effect, J. Appl. Meteorol. 32: 899~908.[ Shigeto K., 1994, Relation between Vegetation, Surface Temperature and Surface Composition in the Tokyo Region during Winter, Re

64、mote Sens. Environ., 50:52~60.[ Yang L. M. et al., 1998, An Analysis of Relationships among climate Forcing and Time-Integrated NDVI of Grasslands over the U.S. Northern and Central Great Plains, Remote Sens. Environ.,

65、 65:25~37.[ Kawashima S., 1994, Relation between Vegetation, Surface Temperature, and surface composition in the Tokyo Region during Winter, Remote Sens. Environ. 50:52~60.[ Cihlar, J. et al., 1991, Relation between t

66、he Normalized Difference Vegetation Index and Ecological Variables, Remote Sens. Environ., 35(1):279~298 K. D. Grover, M. D. Steven, G. Rondeaux, J. A. Clark, 2000, Estimating albedo from limited spectral and angular

67、data, International Journal of Remote Sensing, 21(1): 155-165 V. Demarez and J.P. Gastellu-Etchegorry , 2000, A Modeling Approach for Studying Forest Chlorophyll Content , Remote Sensing of Environ.,71(1): 226-238[ 馮強