青海师范大学

硕士学位论文开题报告书论文题目基于多源遥感数据的青海湖流域植被指数研究院（系）生命与地理科学学院学位类别理学硕士学科专业（专业领域）地图学与地理信息系统研究方向遥感技术应用研究生姓名刘金锋导师姓名殷青军青海师范大学研究生部制注：此表一式三份，学校档案室一份，本人档案一份，院系一份2论文选题的国内外研究现状及发展趋势：植被指数是由多光谱数据线性和非线性组合构成的对植被具有一定指示意义的数值，主要利用绿色植被在红光波段和近红外波段具有不同的光谱特性，通过卫星探测数据的线性或非线性组合来反映绿色植物的生长状况，定量地表明了植被活力。植被指数按发展阶段可分为三类：第一类植被指数基于波段的线性组合(差或和)或原始波段的比值，由经验方法发展的，没有考虑大气影响、土壤亮度和土壤颜色，也没有考虑土壤、植被间的相互作用(如RVI等)。它们表现了严重的应用限制性，这是由于它们是针对特定的遥感器(IandsatMSS)并为明确特定应用而设计的。第二类植被指数大都基于物理知识，将电磁波辐射、大气、植被覆盖和土壤背景的相互作用结合在一起考虑，并通过数学和物理及逻辑经验以及通过模拟将原植被指数不断改进而发展的(如PVI、SAVI、MSAVI、TSAVI、ARVI、GEMI、AVI、NDVI等)。它们普遍基于反射率值、遥感器定标和大气影响并形成理论方法，解决与植被指数相关的但仍末解决的一系列问题。第三类植被指数是针对高光谱遥感及热红外遥感而发展的植被指数(如DVI、Ts—VI、PHI等)。这些植被指数是近几年来基于遥感技术的发展和应用的深入而产生的新的表现形式。[1]常见的植被指数大概有几十种。最早的一种植被指数—比值植被指数(RVI)，对大气影响敏感，而且当植被覆盖不够浓密时(小于50％)，它的分辨能力也很弱，只有在植被覆盖浓密的情况下效果最好，对于浓密植物反射的红光辐射很小,RVI无限增长。后来有人提出了差值植被指数DVI,Deering(1978年)提出归一化差值植被指数NDVI,将比值限定在(-1,1)范围内,NDVI可以消除大部分与仪器定标、太阳角、地形、云阴影和大气条件有关辐照度的变化,增强了对植被的响应能力,应用最为广泛。NDVI对绿色植被表现敏感，它可以对农作物和半干旱地区降水量进行预测，该指数常被用来进行区域和全球的植被状态研究。对低密度植被覆盖，NDVI对于观测和照明几何非常敏感。但在农作物生长的初始季节，将过高估计植被覆盖的百分比；在农作物生长的结束季节，将产生估计低值。目前应用广泛的植被指数AVHRR-NDVI缺陷主要表现在：（1）在植被高覆盖区容易饱和，这除了红光通道就容易饱和外，主要是基于NIR/RED比值的NDVI算式本身存在容易饱和的缺陷；（2）没有考虑树冠背景对植被指数的影响；（3）NDVI的比值算式和最大值合成算法（MVC）确实消除了某些内部和外部噪音，但最终的合成产品仍然有较多噪音；（4）MVC不能确保选择最小视角内的最佳像元。所有这些AVHRR-NDVI的局限性，在基于中分辨率成像光谱仪（MODIS）的增强型植被指数（EVI）产品中3都有不同程度改善。MODIS-EVI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AVHRR-NDVI仅对瑞利散射和臭氧吸收做了校正，这样MODIS-EVI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（ARVI）对残留气溶胶做进一步的处理；（3）采用土壤调节植被指数（SAVI）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;(5)采用限定视角内最大值合成法(CV-MVC)”选3择最小视角内的最佳像元,此外，目前正在实验的“双向反射分布函数（BRDF）合成法”首先把不同视角换算为星下点像元反射值然后采用（CV-MVC）合成，目的是进一步提高EVI对植被季节性变化的敏感性，总之，MODIS-EVI使植被指数与不同覆盖程度植被的线性关系得到明显改善，尤其在高覆盖区表现良好。[2]农业植被指数(AVI)针对作物生长阶段测量绿色植被；多时相植被指数(MTVI)，将两个不同日期的数值简单相减，是为了观测两个日期植被覆盖条件的变化和作物类型的分类，并用来探测由于火灾和土地流失造成的森林覆盖变化。归一化差异绿度指数(NDGI)，可用来对不同活力植被形式进行检验。归一化差异指数(NDI)建立了光谱反射率和棉花作物残余物的表面覆盖率的关系，以用来对作物残余物的制图。近年来，随着高光谱分辨率遥感的发展以及热红外遥感技术的应用，又发展了红边植被指数、导数植被指数(DVI)、温度植被指数(Ts一Ⅵ)、生理反射植被指数(PHI)。“红边”的一般定义为叶绿素吸收红边斜率的拐点。红边位置灵敏于叶绿素a．b的浓度和植被叶细胞的结构。[3]为获取红边位置信息，Miller等[4]用一个倒高斯模型拟合红边斜率。导数植被指数由于它能压缩背景噪音对目标信号的影响或不理想的低频信号，被应用在目前的高光谱遥感研究中，尤其是在利用高光谱遥感提取植被化学成份信息方面得到成功的应用。近年来的经验研究表明：热红外辐射(如土面亮度温度)和植被指数在大尺度范围遥感应用中可提高土地覆盖的制图和监测精度。生理反射植被指数是针对高光谱遥感的特点，对植被生化特性的短期变化(如一天的植被的光合作用)进行探测[5].土壤亮度对植被指数有相当大的影响。许多植被指数的发展就是为了控制土壤背景的影响。土壤背景和环境反射率的空间变化与土壤结构、构造、颜色和湿度有关。由于土壤背景的作用，当植被覆盖稀疏时，红波段辐射将有很大的增加，而近红外波段辐射将减小，致使比值指数和垂直指数（PVI）都不能对植被光谱行为提供合适的描述。由此，必须发展其它新的植被指数以便更合适地描述“土壤—植被—大气”系统。基于经验的方法，在忽略大气、土壤、植被间相互作用的前提下，发展了土壤亮度指数（SBI）、绿度植被指数（GVI）、黄度植被指数（YVI）等。用Landsat数据已证明SBI和GVI指数可用来评价植被和裸土的行为，GVI指数与不同植被覆盖有较大的相关性。在此基础上，又考虑到大气影响的处理，发展了调整土壤亮度指数（ASBI）和调整绿度植被指数（AGVI）。基于LandsatMSS图像而进行主成份分析，Misra等通过计算这些指数的多项因子而又发展了Misra土壤亮度指数（MSBI）、Misra绿度植被指数（MGVI）、Misra黄度植被指数（MYVI）和Misra典范植被指数（MNSI）。为动态植被发展的裸土绿度指数（GRABS）是基于GVI和SBI发展的。绿度植被和土壤亮度指数（GVSB）在农作物识别中发挥了作用。Kauth等利用LandsatMSS的4个光谱段作为4维空间分析了裸土的光谱变化，并注意到裸土信息变化的主要部分是由它们的亮度造成的，并提出了“土壤线”或“土壤亮度矢量”的观点。Richardson等促使了土壤背景线指数（SBL）的发展，并用来辨别土壤和植被覆盖。植被越密，植被象元离土壤线距越大。在航空和卫星遥感图像分析和解译中，土壤线的概念被广泛采用。基于土壤线理论，Jackson等发展了垂直植被指数4（PVI）。相对于比值植被指数，PVI表现为受土壤亮度的影响较小。Jackson发展了基于n维光谱波段并在n维空间中计算植被指数的方法。两维空间计算的PVI、四维空间计算的植被指数及六维空间计算的植被指数是n维植被指数的特殊情况。普遍地用“n”波段计算“m”个植被指数（m≤n）。实际上，相对于仅用红波段和红外波段的方法，通道数一味增加，常常并不能对植被指数有多大的贡献。NDVI和PVI在描述植被指数和土壤背景的光谱行为上存在着矛盾的一面，为了减少土壤和植被冠层背景的干扰,Huete(1988年)[6]提出了土壤调节植被指数(SAVI),该指数看上去似乎由NDVI和PVI组成，其创造性在于，建立了一个可适当描述土壤—植被系统的简单模型。为了减小SAVI中的裸土影响，之后又提出修正的土壤调节植被指数(MSAVI)[7].Major等又发展了SAVI的三个新的形式：SAVI2、SAVI3和SAVI4，这些转换形式是基于理论考虑，考虑到土壤是干燥的还是湿润的，以及太阳入射角的变化等。转换型土壤调整植被指数（TSAVI）是SAVI的转换形式，也与土壤线有关。土壤线的参数参加该指数的运算，而且具有全球的特性。TSAVI又进行改进，通过附加一个“X”值，将土壤背景亮度的影响减小到最小值。SAVI和TSAVI表现出，在独立于遥感器类型的情况下，在描述植被覆盖和土壤背景方面有着较大的优势。对于半干旱地区的土地利用图，TSAVI已证明满足于低覆盖植被特性。由于考虑了裸土土壤线，TSAVI比NDVI对于低植被覆盖有更好的指示作用。高志海[8]等利用TM资料,分析了NDVI、SAVI和MSAVI对植被信息的提取能力,结果表明SAVI提取植被信息效果较好,消除土壤影响和适应植被变化的能力强;L是SAVI提取植被信息的关键,Huete推荐的最佳L值(0.5)有很大局限性。池宏康[9]利用NOAA/AVHRR数据评价了适于提取黄土高原地区植被信息的最佳植被指数是MSAVI。MSAVI能增强植被信号,最大限度地消除土壤背景的影响,并能宏观真实地反映该地区自然植被地带的界线。在SAIL[10]模式敏感性分析中发现,大气引起的NDVI噪音在暗的土壤背景下是十分显著的,而土壤对NDVI产生的噪音随着大气气溶胶含量的增加而降低。这样,增加大气噪音降低了NDVI信号,但也最小化了土壤对NDVI的噪音。Huete等[11]利用Terra发射后第一年(2000年3月～2001年5月)的MODIS植被指数产品,对其在不同地区生物群系下的植被监测能力作了评估,并分析了MODIS与AVHRR植被指数特点。说明EVI比NDVI对高生物量区更敏感。MODIS植被研究组的分析表明在高气溶胶含量下,EVI比NDVI更稳定,即具有抗大气干扰能力,表明EVI对背景噪音不敏感。植被指数没有一个统一的值，其研究结果经常不一致，未来的研究应以“植被一土壤一大气”系统为一个整体目标，并应考虑到遥感器及电磁波辐射特性。针对具体环境，要谨慎取舍植被指数，根据考察区域的特点，发展植被指数。超(高)光谱遥感技术(如AVIRIS)及热红外多光谱遥感技术(如ASTER)的发展将拓宽植被指数的研究领域，并将成为新的研究生长点。5论文选题的意义及基本内容：意义:植被指数定量地表明了植被活力，它们比用单波段来探测绿色植被更具有灵敏性并广泛应用在遥感影像的解译中，分析已发展的各种植被指数的优势与局限性，将其应用在具体区域中研究，可以结合青海湖具体环境特征和背景值特点，分析青海湖流域植被指数差异，最终找到适宜的植被指数指标，为青海湖流域植被的监测、生物量反演、植被覆盖度估测、荒漠化研究、净第一性植被生产力等方面提供科学监测根据，有助于遥感应用开发及未来植被指数的发展。基本内容：（1）研究青海湖流域区域特点，分析可能影响青海湖流域植被指数的环境因子；（2）采集野外光谱数据，统计光谱特征、周围环境因素及其地物类型（植被类型）；（3）针对不同类型典型地物（注意考查高中低覆盖度植物），分析其光谱特征，并修正部分光谱特征；（4）植被指数参数（土壤、水分、温度、坡度、坡向等）和土壤背景值参数的测定；（5）分析光谱数据，验证实验效果，研究青海湖流域植被指数指标，选取适宜性指标，对青海湖流域植被作出评价。6论文选题的研究特色和创新之处：研究特色：1）基于中国最大内流湖流域—青海湖流域植被指数研究为本论文区域选取特色；2）数据采集参数测量和背景值测定为本论文实践特色3）光谱相关性分析修正系统论和统计学方法分析背景为技术特色创新之处：（1）文献资料对其他区域植被指数有研究，但青海湖流域具体区域植被指数指标目前研究不多；（2）过去的研究中对NDVI研究