Notes

来源于百度百科等处

（一）增强植被指数（Enhanced Vegetation Index——EVI）

1) 特征：

EVI常用于LAI值高，即植被茂密区;
值的范围是-1~1，一般绿色植被区的范围是0.2-0.8

增强植被指数（EVI）算法是遥感专题数据产品中生物物理参数产品中的一个主要算法，可以同时减少来自大气和土壤噪音的影响，稳定地反应了所测地区植被的情况。基于 MODIS 的 EVI 植被指数具有较高的空间分辨率，可详细地反映地表植被特征。
红光和近红外探测波段的范围设置更窄，不仅提高了对稀疏植被探测的能力，而且减少了水汽的影响，同时，引入了蓝光波段对大气气溶胶的散射和土壤背景进行了矫正。

2)

增强植被指数(enhanced vegetation index,EVI),

双波段增强植被指数(2-bands enhanced vegetation index,EVI2)

应用：

①运用影像数据通过植被指数的提取分析来分析植被变化；
按照增强植被指数的算法，通过对来自大气和土壤噪音的处理，生产出 EVI.tif

②EVI可以描述特定气候带内植被在不同季节的差异。采用EVI来分析植被变化及与气候的变化，能反映研究区域内植被空间差异。通过分析不同生态分区EVI变化特征与气象因子的相关性为环境监测，治理及植被控制决策提供数据参考和理论基础。

依据农作物生长盛期时间，推断农作物生长前期和生长后期：

逐像元依据每个生长周期内农作物生长盛期时间，推断农作物的播种期和收获期，进而确定农作物生长前期和生长后期。在农作物播种时，通常需要翻耕清除杂草，此时植被覆盖极少，EVI指数数值通常达到极低值。随着农作物的出苗并逐渐生长，EVI时序曲线也随之快速上升，直至生长盛期达到峰值。农作物生长盛期过后，进入收获期，农作物收割后通常地表重现裸露状态，EVI时序曲线迅速下降。确定农作物的播种期和收获期的方法有很多，如可以依据EVI时序曲线在农作物生长盛期前后出现的谷值推断农作物的播种期和收获期。但由于遥感影像噪声的干扰，EVI时序曲线的谷值出现处存在很大的不确定性因素，直接影响到所获取农作物播种期和收获期的准确性。为简便起见，本专利中，将农作物生长盛期出现时间往前推70天，确定为农作物播种期，并将农作物播种期到生长盛期这段时间确定为农作物生长前期。同时将农作物生长盛期出现时间往后推50天，确定为农作物收获期，进而将农作物生长盛期到收获期这段时间确定为农作物生长后期。

参考

（二）归一化植被指数 (NDVI)

 

1）计算方法：

 

NDVI=(NIR-R)/(NIR+R)，或两个波段反射率的计算

 

2）NDVI的应用：

 

检测植被生长状态、植被覆盖度和消除部分辐射误差等；
NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、雪、枯叶、粗糙度等，且与植被覆盖有关

 

3）-1<=NDVI<=1

 

负值表示地面覆盖为云、水、雪等，对可见光高反射；
0表示有岩石或裸土等，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

 

4）NDVI局限性

 

用非线性拉伸的方式增强了NIR和R的反射率的对比度。
对于同一幅图象，分别求RVI和NDVI时会发现，RVI值增加的速度高于NDVI增加速度，即NDVI对高植被区具有较低的灵敏度；

（三）典型光谱与纹理特征提取

利用先验知识，在融合后的高空间分辨率遥感影像上，针对4类主要地物类型(水体、建筑物与道路、林地、裸土)，选取5-10个典型区域；
根据区域的农业耕种特点，针对不同种植作物的耕地(水稻、小麦、蔬菜、棉花等)，同样选取5-10个典型区域；
通过典型区域不同波段的灰度表现构建不同地物类型的光谱特征空间及光谱特征矢量

利用连续的高时间分辨率的多光谱遥感数据，计算典型区域近10年的EVI值，提取出典型区域10年的原始EVI时间序列。
采用一维高斯滤波器对原始EVI时间序列平滑去噪，绘制出不同地物类型的EVI时间序列曲线。
结合不同植物与作物(杨树、松树、水稻、小麦、蔬菜、杂草等)的物候特征，得到不同植被覆盖类型的EVI时间序列特征。

作物遥感监测面临的问题：
(1)在主要农作物识别中，通常需要用到耕地掩膜数据，由于土地利用/覆盖数据的时效性与精度等各方面问题，不可避免地带来误差，从而直接影响到农作物面积遥感估算的精度；
(2)由于农作物生长期内云雨天气比较频繁，一些时期的遥感影像不免受到云的影响，导致遥感指数时序曲线受到干扰，为基于多期或时间序列的遥感分类方法带来挑战。