第7章植被遙感植被是生長于地球表層的各種植物類型的總稱，在地球系統(tǒng)中扮演著重要的角色，它是地球表層內(nèi)重要的再生資源。植被是全球變化中最活躍、最有價值的影響要素和指示因子。植被影響地氣系統(tǒng)的能量平衡,在氣候、水文和生化循環(huán)中起著重要作用,是氣候和人文因素對環(huán)境影響的敏感指標。因此,地球植被及其變化一直被各國科學家和政府所關注。衛(wèi)星遙感是監(jiān)測全球植被的有效手段,衛(wèi)星從太空遙視地球,不受自然和社會條件的限制,迅速獲取大范圍觀測資料,為人類提供了監(jiān)測、量化和研究人類有序活動和氣候變化對區(qū)域或全球植被變化影響的可能。植被遙感研究的主要內(nèi)容：（1）通過遙感影像從土壤背景中區(qū)分出植被覆蓋區(qū)域，并對植被類型進行劃分，區(qū)分是森林還是草場或者農(nóng)田，進而可以問是什么類型的森林，什么類型的草場，什么樣的農(nóng)作物，如此等等。（2）能否從遙感數(shù)據(jù)中反演出植被的各種重要參數(shù)，例如葉面積指數(shù)（LAI）、葉子寬度、平均葉傾角、植被層平均高度、樹冠形狀等等，這一類問題屬于更深層次的遙感數(shù)據(jù)定量分析方法與反演技術。（3）能否準確的估算出與植被光合作用有關的若干物理量，例如植被表面水分蒸騰量、光合作用強度（干物資生產(chǎn)率）、葉表面溫度等。關于植被資源的清查與分類方面以已取得了較為突出的成績，后兩個問題正是植被遙感所要研究的問題，雖已取得了相當?shù)倪M展，但到成熟仍需時日。第一節(jié)植物的光譜特征植物的光譜特征可使其在遙感影像上有效地與其他地物相區(qū)別。同時，不同的植物各有其自身的波譜特征，從而成為區(qū)分植被類型、長勢及估算生物量的依據(jù)。一、健康植物的反射光譜特征健康植物的波譜曲線有明顯的特點（圖7.1），在可見光的0.55μm附近有一個反射率為10％~20％的小反射峰。在0.45μm和0.65μm附近有兩個明顯的吸收谷。在0.7~0.8μm是一個陡坡，反射率急劇增高。在近紅外波段0.8~1.3μm之間形成一個高的，反射率可達40％或更大的反射峰。在1.45μm，1.95μm和2.6~2.7μm處有三個吸收谷。圖7.1綠色植物有效光譜響應特征二、影響植物光譜的因素影響植物光譜的因素除了植物本身的結構特征，同時也受到外界的影響。外界影響主要包括季節(jié)的變化，植被的健康狀況，植物的含水量的變化，植株營養(yǎng)物質(zhì)的缺乏與否等等。但外界的影響總是通過植物本身生長發(fā)育的特點在有機體的結構特征反映出來的。從植物的典型波譜曲線來看，控制植物反射率的主要因素有植物葉子的顏色、葉子的細胞構造和植物的水分等。植物的生長發(fā)育、植物的不向種類、灌溉、施肥、氣候、土壤、地形等因素都對有機物的光譜特征發(fā)生影響，使其光譜曲線的形態(tài)發(fā)生變化。葉子的顏色植物葉子中含有多種色素，如葉青素、葉紅素、叫黃素、葉綠素等，在可見光范圍內(nèi)，其反射峰值落在相應的波長范圍內(nèi)(圖7.2)。圖7.2不同顏色葉子的反射光譜葉子的組織構造綠色植物的葉子是由上表皮,葉綠素顆粒組成的柵欄組織和多孔薄壁細胞組織（海綿組織）構成。葉綠素對紫外線和紫色光的吸收率極高，對藍色光和紅色光也強烈吸收，以進行光合作用。對綠色光部分則部分吸收，部分反射，所以葉子呈綠色，并形成在0.55μm,附近的一個小反射峰值，而在0.33μm~0.45μm及0.65μm附近有兩個吸收谷。葉子的多孔薄壁細胞組織（海綿組織）對0.8μm~1.3μm的近紅外光強烈地反射，形成光譜曲線上的最高峰區(qū)。其反射率可達40％，甚至高達60%，吸收率不到15％。葉子的含水量葉子在1.45μm~1.95μm和2.6~2.7μm處各有一個吸收谷，這主要由葉子的細胞液、細胞膜及吸收水分所形成。植物葉子含水量的增加，將使整個光譜反射率降低（圖7.3)，反射光譜曲線的波狀形態(tài)變得更為明顯，特別足在近紅外波段，幾個吸收谷更為突出。圖7.3水分含量對玉米葉子反射率的影響在近年隨著高光譜遙感的興起而發(fā)展起來的光譜數(shù)據(jù)分析技術中，植被“紅邊”位移現(xiàn)象是研究最多、成效顯著的成果之一。“紅邊”定義為反射光譜的一階微分最大值所對應的光譜位置，通常位于0.68~0.75μm之間。當綠色植物葉綠素含量高，生長旺盛時，“紅邊”會向波長增加的方向偏移，稱“紅移”。當植物由于受金屬元素“毒害”、感染病蟲害、污染受害或者缺水缺肥等原因而“失綠”時，則“紅邊”會向波長短的方向移動，稱“藍移”。因此，根據(jù)“紅邊”位移量可以精確地估計葉綠素含量或探測葉片的生化組分。其實早在二三十年前，研究者就發(fā)現(xiàn)生長在富含Cu，Mo等重金屬元素土壤上的植物，受金屬元素“毒害”影響，其光譜反射特性會發(fā)生一些變化，主要表現(xiàn)就是紅邊和綠峰會向短波區(qū)偏移10nm~20nm不等（見圖7.4）。這種礦化帶植物光譜異常是植物遙感探礦的有用指標。圖7.4礦區(qū)紅杉林反射曲線的藍移現(xiàn)象還應該指出，不同的植物種類雖然都有共同的光譜反射特性，形成很有特色的光譜反射曲線，但并不都是千樹一面。實際上，不同的種屬，處于不同的生長環(huán)境，其光譜反射曲線就會有許多差異，如泡桐、楊等闊葉樹，枝葉繁茂，太陽輻射經(jīng)過上下多層的葉面反射，上述綠色植被的光譜反射特性表現(xiàn)得尤為突出；杉松等針葉樹，葉面積指數(shù)低，相當比重的太陽輻射穿過枝葉空隙直接投射到地面，因此植被反射總體降低，綠光區(qū)的小反射峰值也趨于平緩；草類則基本上介于兩者之間。此外．不同植被類型在可見光區(qū)的反射率彼此差異小，曲線幾乎重疊在一起，進入紅外區(qū)，反射率的差異就擴大了，彼此容易區(qū)分。放0.8μm、1.7μm和2.3μm都是識別不同植被類型的最佳波段。第二節(jié)植被生態(tài)參數(shù)的估算植被指數(shù)是遙感領域中用來表征地表植被覆蓋，生長狀況的一個簡單，有效的度量參數(shù)。隨著遙感技術的發(fā)展，植被指數(shù)在環(huán)境、生態(tài)、農(nóng)業(yè)等領域有了廣泛的應用。在環(huán)境領域，通過植被指數(shù)來反演土地利用和土地覆蓋的變化，逐漸成為實現(xiàn)對全球環(huán)境變化的研究重要手段；生態(tài)領域，隨著斑塊水平的生態(tài)系統(tǒng)研究成果拓展到區(qū)域乃至全球的空間尺度上，植被指數(shù)成了空間尺度拓展的連接點；在農(nóng)業(yè)領域，植被指數(shù)廣泛應用在農(nóng)作物分布及長勢監(jiān)測、產(chǎn)量估算、農(nóng)田災害監(jiān)測及預警、區(qū)域環(huán)境評價以及各種生物參數(shù)的提取?？傊?，隨著人們對于全球變化研究的深入，以遙感信息推算區(qū)域尺度乃至全球尺度的植被指數(shù)日益成為令人關注的問題。一、植被指數(shù)的概念遙感圖像上的植被信息，主要通過綠色植物葉子和植被冠層的光譜特性及其差異、變化而反映的，不同光譜通道所獲得的植被信息可與植被的不同要素或某種特征狀態(tài)有各種不同的相關性，如葉子光譜特性中，可見光譜段受葉子葉綠素含量的控制、近紅外譜段受葉內(nèi)細胞結構的控制、中紅外譜段受葉細胞內(nèi)水分含量的控制。再如，可見光中綠光波段0.52μm~0.59μm對區(qū)分植物類別敏感；紅光波段0.63μm~0.69μm對植被覆蓋度、植物生長狀況敏感等。但是，對于復雜的植被遙感，僅用個別波段或多個單波段數(shù)據(jù)分析對比來提取植被信息是相當局限的。因而往往選用多光譜遙感數(shù)據(jù)經(jīng)分析運算（加、減、乘、除等線性或非線性組合方式），產(chǎn)生某些對植被長勢、生物量等有一定指示意義的數(shù)值——即所謂的“植被指數(shù)”。它用一種簡單有效的形式來實現(xiàn)對植物狀態(tài)信息的表達，以定性和定量地評價植被覆蓋、生長活力及生物量等。在植被指數(shù)中，通常選用對綠色植物（葉綠素引起的）強吸收的可見光紅波段和對綠色植物（葉內(nèi)組織引起的）高反射的近紅外波段。這兩個波段不僅是植物光譜中的最典型的波段，而且它們對同一生物物理現(xiàn)象的光譜響應截然相反，故它們的多種組合對增強或揭示隱含信息將是有利的。二、植被指數(shù)的種類由于植被光譜受到植被本身、土壤背景、環(huán)境條件、大氣狀況、儀器定標等內(nèi)外因素的影響，因此植被指數(shù)往往具有明顯的地域性和時效性。20多年來，國內(nèi)外學者已研究發(fā)展了幾十種不同的植被指數(shù)模型見表7-1。大致可歸納為以下幾類：比值植被指數(shù)（RVI）由于可見光紅波段（R）與近紅外波段（NIR）對綠色植物的光譜響應十分不同，且具倒轉關系。兩者簡單的數(shù)值比能充分表達兩反射率之間的差異。比值植被指數(shù)可表達為：或（7-1）式中，DN為近紅外、紅外段的計數(shù)值（灰度值），ρ為地表反照率。對于綠色植物葉綠素引起的紅光吸收和葉肉組織引起的近紅外強反射，使其R與NIR值有較大的差異，使RVI值高。而對于無植被的地面包括裸土、人工特征物、水體以及枯死或受脅迫植被，因不顯示這種特殊的光譜響應，則RVI值低。因此，比值植被指數(shù)能增強植被與土壤背景之間的輻射差異。表71主要植被指數(shù)表達式一覽表因此，比值植被指數(shù)能增強植被與土壤背景之間的輻射差異。土壤一般有近于1的比值，而植被則會表現(xiàn)出高于2的比值?？梢?，比值植被指數(shù)可提供植被反射的重要信息，是植被長勢、豐度的度量方法之一。同理，可見光綠波段（葉綠素引起的反射）與紅波段之比G/R，也是有效的。比值植被指數(shù)可從多種遙感系統(tǒng)中得到。但主要用于Landsat的MSS、TM和氣象衛(wèi)星的AVHRR。RVI是綠色植物的一個靈敏的指示參數(shù)。研究表明，它與葉面積指數(shù)（LAI）、葉干生物量（DM）、葉綠素含量相關性高，被廣泛用于估算和監(jiān)測綠色植物生物量。在植被高密度覆蓋情況下，它對植被十分敏感，與生物量的相關性最好。但當植被覆蓋度小于50%時，它的分辨能力顯著下降。此外，RVI對大氣狀況很敏感，大氣效應大大地降低了它對植被檢測的靈敏度，尤其是當RVI值高時。因此，最好運用經(jīng)大氣糾正的數(shù)據(jù)，或?qū)刹ǘ蔚幕叶戎担―N）轉換成反射率（ρ）后再計算RVI，以消除大氣對兩波段不同非線性衰減的影響。歸一化植被指數(shù)（NDVI）歸一化指數(shù)（NDVI）被定義為近紅外波段與可見光紅波段數(shù)值之差和這兩個波段數(shù)值之和的比值。即：或（7-2）實際上，NDVI是簡單比值RVI經(jīng)非線性的歸一化處理所得。在植被遙感中，NDVI的應用最為廣泛。它是植被生長狀態(tài)及植被覆蓋度的最佳指示因子，與植被分布密度呈線性相關。因此又被認為是反映生物量和植被監(jiān)測的指標。經(jīng)歸一化處理的AVHRR的NDVI，部分消除了太陽高度角、衛(wèi)星掃描角及大氣程輻射的影響，特別適用于全球或各大陸等大尺度的植被動態(tài)監(jiān)測。這是因為，對于陸地表面主要覆蓋而言，云、水、雪在可見光波段比近紅外波段有較高的反射作用，因而其NDVI值為負值（＜0〉；巖石、裸土在兩波段有相似的反射作用，因ρ其NDVI值近于0；而在有植被覆蓋的情況下，NDVI為正值（＞0），并隨著植被覆蓋度增大，其NDVI值越大?？梢姡瑤追N典型的地面覆蓋類型在大尺度NDVI圖象上區(qū)分鮮明，植被得到有效的突出。但是，NDVI的一個缺陷在于，對土壤背景的變化較為敏感。實驗證明，當植被覆蓋度小于15%時，植被的NDVI值高于裸土的NDVI值，植被可以被檢測出來，但因植被覆蓋度很低，如干旱、半干旱地區(qū)，其NDVI很難指示區(qū)域的植物生物量，而對觀測與照明卻反應敏感；當植被覆蓋度由25～80%增加時，其NDVI值隨植物量的增加呈線性迅速增加；當植被覆蓋度大于80%時，其NDVI值增加延緩而呈現(xiàn)飽和狀態(tài)，對植被檢測靈敏度下降。實驗表明，作物生長初期NDVI將過高估計植被覆蓋度，而在作物生長的結束季節(jié)，NDVI值偏低。因此，NDVI更適用于植被發(fā)育中期或中等覆蓋度的植被檢測。Hμete等（1988）為了修正NDVI對土壤背景的敏感提出了可適當描述土壤——植被系統(tǒng)的簡單模型，即土壤調(diào)整后的植被指數(shù)（Soil-AdjμstedVegetationIndex），其表達式為：（7-3）或者：（7-4）其中，L是一個土壤調(diào)節(jié)系數(shù)，它是由實際區(qū)域條件所決定的常量，用來減小植被指數(shù)對不同土壤反射變化的敏感性。當L為0時，SAVI就是NDVI。對于中等植被蓋度區(qū)，L一般接近于0.5。因子（1+L）主要是用來保證最后的SAVI值與NDVI值一樣介于-1和+1之間。在SAVI的基礎上，人們又進一步發(fā)展了轉換型土壤調(diào)整指數(shù)：（7-5）將土壤背景值的有關參數(shù)（a，b）直接參與指數(shù)運算。為了減少SAVI中裸土影響，發(fā)展了修改型土壤調(diào)整植被指數(shù)：（7-6）Major等又依據(jù)土壤干濕強度及太陽入射角的變化等，給出SAVI的3種新的形式（SAVI2，SAVI3，SAVI4）等。實驗證明，SAVI和TSAVI在描述植被覆蓋和土壤背景方面有著較大的優(yōu)勢。由于考慮了（裸土）土壤背景的有關參數(shù)，TSAVI比NDVI對低植被覆蓋有更好的指示意義，適用于半干旱地區(qū)的土地利用制圖。此外，針對不同的區(qū)域特點和不同的植被類型，人們又發(fā)展了不同的歸一化植被指數(shù)。如，用于檢驗植被不同生長活力的歸一化差異綠度指數(shù)：（7-7）用于建立光譜反射率與棉花作物殘余物的表面覆蓋率關系的歸一化差異指數(shù)：（7-8）差值植被指數(shù)（DVI）差值植被指數(shù)（DVI）又稱環(huán)境植被指數(shù)（EVI），被定義為近紅外波段與可見光紅波段數(shù)值之差。即：（7-9）差值植被指數(shù)的應用遠不如RVI、NDVI。它對土壤背景的變化極為敏感，有利于對植被生態(tài)環(huán)境的監(jiān)測。另外，當植被覆蓋濃密（≥80%）時，它對植被的靈敏度下降，適用于植被發(fā)育早－中期，或低－中覆蓋度的植被檢測。上述的NDVI、DVI等植被指數(shù)均受土壤背景的影響大，且這種影響是相當復雜的，它隨波長、土壤特征（含水量、有機質(zhì)含量、表面粗糙度等）及植被覆蓋度、作物排列方向等的變化而變化。對于植被指數(shù)的主要組成波段紅光和近紅外光而言，葉子對紅光的作用主要是吸收，而透射、反射均很小，作為背景的土壤則紅光的反射較強，因此在植被非完全覆蓋的情況下，冠層的紅光反射輻射中，土壤背景的影響較大，且隨著覆蓋度的變化而變化；但近紅外波段情況完全不同，葉子對近紅外光的反射、透射均較高（約各占50%），吸收極少，而土壤對近紅外光的反射明顯小于葉的反射。因此在植被非完全覆蓋的情況下，冠層的近紅外反射輻射中，葉層的多次反射及與土壤的相互作用是復雜的，土壤背景的影響仍較大。纓帽變換中的綠度植被指數(shù)（GVI）為了排除或減弱土壤背景值對植物光譜或植被指數(shù)的影響，除了前述出現(xiàn)一些調(diào)整、修正土壤亮度的植被指數(shù)（如SAVI、TSAVI、MSAVI等）外，還廣泛采用了光譜數(shù)值的纓帽變換技術（TasseledCap，即TC變換）。該技術是由K.J.Kaμth和G.S.Thomas首先提出，故又稱之為K-T變換。纓帽變換（TC）是指在多維光譜空間中，通過線性變換、多維空間的旋轉，將植物、土壤信息投影到多維空間的一個平面上，在這個平面上使植被生長狀況的時間軌跡（光譜圖形）和土壤亮度軸相互垂直。也就是，通過坐標變換使值被與土壤特征分離。植被生長過程的光譜圖形呈所謂的“纓帽”圖形；而土壤光譜則構成一條土壤亮度線，有關土壤特征（含水量、有機質(zhì)含量、粒度大小、土壤礦物成分、土壤表面粗糙度等）和光譜變化都沿土壤亮度線方向產(chǎn)生。纓帽變換是一種通用的植被指數(shù)，可以被用于LandsatMMS或LandsatTM數(shù)據(jù)。對于LandsatMMS數(shù)據(jù)，纓帽變換將原始數(shù)據(jù)進行正交變換，變成四維空間（包括土壤亮度指數(shù)SBI、綠色植被指數(shù)GVI、黃色成分（stμff）指數(shù)YVI，以及與大氣影響密切相關的non-sμch指數(shù)NSI）。對于LandsatTM數(shù)據(jù)，纓帽植被指數(shù)由三個因子組成——“亮度”、“綠度”與“第三”（Third）。其中的亮度和綠度相當于MSS纓帽的SBI和GVI，第三種分量與土壤特征有關，包括水分狀況。K.J.Kaμth和G.S.Thomas所提出的纓帽變換（TC變換）是以陸地衛(wèi)星MSS各波段的輻度亮度值作為變量。經(jīng)線性變換后，組成4個新變量：TC1=+0.433MSS4+0.632MSS5+0.586MSS6+0.264MSS7TC2=-0.290MSS4-0.562MSS5-0.600MSS6+0.491MSS7TC3=-0.829MSS4+0.522MSS5+0.039MSS6+0.194MSS7TC4=+0.233MSS4+0.021MSS5-0.543MSS6+0.810MSS7對于不同傳感器和地區(qū)，系數(shù)是變化的。盡管這4個新波段沒有直接的物理意義，但此信息與地面景物是有關連的。其中第二分量TC2表征“綠度”，它與綠色植被長勢、覆蓋度等信息直接相關；第一分量TC1表征“土壤亮度”，它反映土壤亮度信息；第三分量為“黃度”，無確定意義，位于TC1、TC2的右側；第四分量無景觀意義，主要為噪聲（包含系統(tǒng)噪聲和大氣信息）。第（1）二分量往往集中了95%或更多的信息。因此，植被、土壤信息主要集中在由TC1、TC2組成的二維圖形中。而對于TM而言，可見光—紅外6個波段數(shù)據(jù)經(jīng)纓帽變換的前三個分量主要反映土壤亮度、綠度、濕度特征，第四分量主要為噪聲。其中綠度指數(shù)可表示為：TC變換既然是以各波段的輻射亮度值作為變量的，這些亮度值中包含了太陽輻射、大氣輻射、環(huán)境輻射等多要素的綜合信息，因而TC變換所得的圖形和數(shù)值，受大氣沌度、光照角度等外界條件的變化而波動。在作物研究中，為了突出作物本身的光譜特征的動態(tài)信息，盡量排除大氣環(huán)境等因素的影響，在TC變換中選用反射率來替代亮度值，將典型的纓帽變換圖形進一步發(fā)展為G-轉換圖形，即綠度轉換圖形。圖形中的一維是作物在紅波段（R）與近紅外波段（NIR）組合的綠度模型（綠度變量G），另一維是作物在0.4~1.1的平均反射率，每一種作物在由這兩個變量組成的象限里均有各自獨特的變化圖形和不同的空間位置。在綠度轉換圖形上，土壤與植被光譜特征互不相干，植被的綠度測量可排除土壤背景的干擾，一個通過植被光譜圖形反映植被的生長狀況，另一個通過土壤亮度線反映植被的生長條件綠度轉換圖形可以直接形象地反映了G、P兩維變量的變化規(guī)律和植被發(fā)育過程中空間結構的變化，且信息量得到壓縮。但是它缺乏時間變量。盡管圖形反映了作物生長過程，而作物生長過程本身是時間的函數(shù)，作物光譜是隨時間的變化而變化的，但由于它缺乏具體的時間變量、不能描述作物生長期的長短，特別是當兩種作物在圖形和空間位置相近，需用時間參數(shù)加以鑒別時，該圖形反映出一定的局限性。為了彌補這一不足，往往運用多時相動態(tài)資料，繪制綠度時間剖面曲線，以顯示作物不同生長期中的顯著差異。張仁華等人在山東禹城試驗站，對黃淮海地區(qū)小麥、玉米、大豆、棉花等四種主要作物進行整個生長期較頻繁的觀測，這些作物在可見光——近紅外波段的反射率差異較小，難以區(qū)分。但是若繪制各作物的反射光譜特征的綠度轉換圖形和綠度時間剖面曲線。則各具特色，易于區(qū)分。在綠度轉換圖形上，作物在土壤平面上開始生長，隨生長階段的發(fā)展，逐漸離開土壤平面以曲線的軌跡向綠要素區(qū)域接近，然后聚集在黃要素區(qū)，最后又以各種不同路徑返回到初始的土壤平面上。原來不易區(qū)分的作物在這二維的綠度轉換圖形上相互差異明顯，再配以綠度時間剖面曲線分析，則易于識別?？梢?，運用動態(tài)遙感信息和相應的動態(tài)植被指數(shù)是進行作物識別與監(jiān)測的有效方法。垂直植被指數(shù)（PVI）垂直植被指數(shù)（PVI）是在R、NIR二維數(shù)據(jù)中對GVI的模擬，兩者物理意義相似。在R、NIR的二維坐標系內(nèi)，土壤的光譜響應表現(xiàn)為一條斜線——即土壤亮度線。土壤在R與NIR波段均顯示較高的光譜響應，隨著土壤特性的變化，其亮度值沿土壤線上下移動。而植被一般在紅波段響應低，而在近紅外波段光譜響應高。因此在這二維坐標系內(nèi)植被多位于土壤線的左上方。不同植被與土壤亮度線的距離不同。于是Richardson（1977）把植物象元到土壤亮度線的垂直距離定義為垂直植被指數(shù)（PerpendicμlarVegetationIndex）。PVI是一種簡單的歐幾米得（Eμclidean）距離。表示為：（7-10）其中S為土壤反射率，V為植被反射率，R為紅波段，NIR為紅外波段。PVI表征著在土壤背景上存在的植被的生物量，距離越大，生物量越大，也可將PVI定量表達為：（7-11）其中，DNNIR、DNR分別為NIR、R兩波段的反射輻射亮度值；b為土壤基線與NIR反射率縱軸的截距；q為土壤基線與R光反射率橫軸的夾角。PVI的顯著特點是較好地濾除了土壤背景的影響，且對大氣效應的敏感程度也小于其它植被指數(shù)。正因為它減弱和消除了大氣、土壤的干擾，所以被廣泛應用于作物估產(chǎn)。從理論上講，GVI、PVI均不受土壤背景的影響，對植被具有適中的靈敏度，利于提取各種土壤背景下生長的植被專題信息。其數(shù)值已擴展到TM的6維數(shù)據(jù)（除TM6熱紅外數(shù)據(jù)），以及AVHRR的可見光——近紅外數(shù)據(jù)，并有現(xiàn)成的模型和成熟的圖象處理算法例如：對于MSS數(shù)據(jù)可表示為：對于AVHRR數(shù)據(jù)可以表示為：這里應該說明的是，氣象衛(wèi)星AVHRR的GVI與陸地衛(wèi)星MSS的GVI有極高的相關性。這就是說，盡管它們的空間分辨率、時間分辨率差異很大，但它們可以獲得數(shù)據(jù)結果十分一致的GVI，兩者的綠度植被指數(shù)可以相互對比，互為替代。因而中大尺度植被監(jiān)測中，多時相AVHRR的GVI可以直接用以替代或填補MSS資料的空缺，更利于植被季相節(jié)律的綜合分析研究。三、植被指數(shù)與葉面積指數(shù)的關系葉面積指數(shù)LAI是指每單位土壤表面積的葉面面積比例。它對植物光合作用和能量傳輸是十分有意義的。綠色植物的葉子是它進行光合作用的基本器官，葉片的葉綠素在光照條件下發(fā)生光合作用，產(chǎn)生植物干物質(zhì)積累，并使葉面積增大。葉面積越大則光合作用越強，而光合作用越強，又使植物群體的葉面積越大，植物干物質(zhì)積累越多，生物量越大。同時，植物群體的葉面積越大，植物群體的反射輻射增強。實驗證明：當作物群體LAI大于3時，其反射率可達太陽總輻射的20%；當正常稻田LAI為4時的能量透過率為太陽總輻射的23%或低于20%；對草本植物而言，葉片傾角較大，光很容易透過冠層直達底部直至土壤則當LAI高達7.5時，有5%的入射光可到達土壤表面?？梢?，葉面積指數(shù)LAI，是利用遙感技術監(jiān)測植被長勢和估算產(chǎn)量的關鍵參數(shù)。然而，葉面積指數(shù)LAI往往是難以直接從遙感儀器獲得，但是它與遙感參數(shù)—植被指數(shù)間有密切的關系，它是聯(lián)系植被指數(shù)與植物光合作用的一個主要的植冠形態(tài)參數(shù)。葉面指數(shù)一般大于1，小于10，在光譜曲線中，近紅外波段的反射率隨葉面指數(shù)增加而增加。外表上的和表面覆蓋面積隨時間發(fā)生變化，是植物和地面其它大多數(shù)地物（特別是那些與氣候無關的）相區(qū)別的標志。張仁華等人（1996）在15米塔上準垂直向下測量小麥全生育期的NDVI和RVI值，并同地面所測得的葉面積指數(shù)進行全過程對比。實驗證明，NDVI與RVI表達葉面積指數(shù)LAI的效果基本一致，特別是用全過程最大值相除后所得到的相對比值更為一致。其中，當覆蓋度較小時，均顯示出相對值偏小的現(xiàn)象。這是受土壤背景光譜影響的結果。另外根據(jù)高塔遙感實驗場的大量觀測資料表明，植被指數(shù)NDVI或RVI與葉面積指數(shù)LAI的相關系數(shù)很高，且與LAI呈非線性函數(shù)關系。它們之間的關系可表示為：（7-13）兩者形式相似，數(shù)值對應，從這點看，兩者基本等價。式中的A、B、C及A'、B'、C'均為經(jīng)驗系數(shù)，可通過模擬試驗獲得。其中，A、A'值是由植物本身的光譜反射確定的，不同葉形，葉傾角及散射系數(shù)造成不同的A值及A'值；B、B'值與葉傾角、觀測角有關，當葉呈水平狀，則線性關系明顯；當葉呈非水平狀，隨著LAI的增大，植被指數(shù)增大速率較慢，兩者呈余弦關系，基本是線性的。C、C'值取決于葉子對輻射的衰減，這種衰減是呈非線性的指數(shù)函數(shù)變化。（7-14）式中，K為作物群體消光系數(shù)，如冬小麥拔節(jié)前K≈0.28；拔節(jié)后K≈0.35。C為作物覆蓋度。VI與LAI的關系，除了隨不同物候期植物生理狀況的變化而變化以外，還依賴于太陽高度角和方位角變化對植冠反射的影響，以及依賴于生態(tài)系統(tǒng)的類型如冠層密度、下墊面類型等。四、植被指數(shù)與葉綠素含量的關系葉子生長初期，葉綠素含量與輻射能吸收間幾乎直線相關，即葉綠素含量增多，藍、紅波段吸收增強，綠被段反射率降低，近紅外反射率增強，植被指數(shù)增大；但當葉綠素含量增加到一定程度后，吸收率近于飽和，反射率變化小，植被指數(shù)的差異不明顯，因而植物在生長旺季較難區(qū)分。不同作物由于植土比的差異，其表達葉綠素含量的光譜模型是不同。圖7.5顯示小麥幾種植被指數(shù)模型與葉綠素含量的時間剖面曲線的關系。圖7.5小麥光譜組合模型和葉綠素含量的時間剖面曲線從圖中可見，G5曲線與葉綠素含量相當吻合。實驗證明，對小麥而言，的光譜模型表達葉綠素含量最佳。其余四個綠度模型分別為：（7-15）（7-16）（7-17）（9-18）對大豆而言，因葉子較早封壟，土壤影響較小，則G3光譜模型反映葉綠素含量最佳。研究還表明，可以根據(jù)紅邊拐點對應的反射光譜值，來估計冠層葉綠素含量（Chlf），葉綠素含量增加，拐點值相應增加。V.Demarez等（2000）指出：林冠層葉綠素含量Chlf除了以紅邊拐點對應的波長λi來確定外，還受葉面積指數(shù)LAI、觀測方向、下墊面反射和冠層結構等因素的影響。若不考慮冠層結構（如成熟林型或桿狀林型等），林冠層葉綠素含量Chlf的估計誤差可達23μg/cm2。因此，需要充分考慮LAI、視角、下墊面反射、冠層結構等因素，通過BRDF模型求解冠層反射，進行森林葉綠素含量的估計。五、植被指數(shù)與植被覆蓋度的關系植被覆蓋度指植被冠層的垂直投影面積與土壤總面積之比。即植/土比。傳感器所測得的反射輻射R可表示為：（7-19）其中，RV為植被的總反射輻射，RS為土壤的總反射輻射，C為植被覆蓋度，則：（7-20）（7-21）式中，r為植被與土壤混合光譜反射率；rV、rS分別為純植被和純土壤寬波段反射率。據(jù)理論推導，RVI、NDVI與植土比分別呈指數(shù)和冪函數(shù)關系，當LAI較小時，它們與植土比的變化反應不敏感。PVI與植土比呈直線相關，其對植土比的感應能力也隨LAI減小而降低。就估測作物而言，PVI較為優(yōu)越，但應選LAI較大的時期。實際上，植土比和葉面積指數(shù)同時隨空間而變化，因此，需綜合考慮植被指數(shù)與兩者的關系。對同一地區(qū)來說，作物品種特性差異較小，作物長勢越好，葉面積指數(shù)越大作物產(chǎn)量就越高。也就是說，作物（主指冬小麥）的理論產(chǎn)量與抽穗期葉面積指數(shù)呈很好的直線相關關系。因此，可以將一個地區(qū)的平均葉面積指數(shù)（LAI）與該地區(qū)植土比（KW）的乘積（LK）作為該地區(qū)作物總產(chǎn)的線性相關因子。六、植被指數(shù)與生物量的關系以上討論了植被指數(shù)與葉面積指數(shù)、植被覆蓋度的相關性。盡管不同的植被指數(shù)與LAI、植被覆蓋度的相關性大小不同，但總體看來，這種相關性是明顯的。生物量指的是植物組織的重量。它是由植物光合作用的干物質(zhì)積累所致。顯然，葉面積指數(shù)LAI與植被覆蓋度均是生物量的重要指標，它們都與植被指數(shù)相關。關于植被指數(shù)與生物理的定量關系，將在下面的“作物估產(chǎn)”部分作詳細論述。這里僅討論植被條件指數(shù)與植被覆蓋度、生物量的關系。由NOAA/AVHRR數(shù)據(jù)獲得的植被條件指數(shù)VCI被定義為：（7-22）式中，NDVI、NDVImax、NDVImed、NDVImin分別為平滑化后每周（7天）的NDVI以及它的多年最大值、中值、最小值（以象元為計算單元）。Anatoly等（1990）曾對干濕兩種氣候條件和不同生態(tài)區(qū)（高程與NDVI值不同），運用NOAA/AVHRR數(shù)據(jù)獲得的植被條件指數(shù)VCI來估算植被覆蓋度以及草場與作物生產(chǎn)力，并通過大量地面實測數(shù)據(jù)來驗證遙感估算的結果。研究結果表明，用植被條件指數(shù)VCI對植被覆蓋度的估算誤差＜16%，低覆蓋區(qū)誤差更??；且VCI與實測的植被覆蓋度相關性較高（相關系數(shù)約0.76）。因此，用遙感衛(wèi)星數(shù)據(jù)所獲得的植被條件指數(shù)VCI方法，來定量估算大面積植被覆蓋度和生物量是有效的。七、植被指數(shù)與地表生態(tài)環(huán)境參數(shù)的關系植被指數(shù)如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：（7-23）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。這些子模型又可表示為各自主因子的數(shù)：上述的E1、E2、E3、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?？梢钥闯錾鲜瞿Ｐ蜕婕暗囊蜃雍芏啵S多因子也難以具體化。但是由于其中一些環(huán)境變量并非完全獨立，具有相關性，如日照與氣溫常高度相關、土壤持水性與透水性呈負相關。因此，模型可以被簡化，有些變量可以由其它變量描述，則用有限的環(huán)境變量建立NDVI模型是可能的。很顯然，描述NDVI的這些環(huán)境變量均隨時間/空間變化，則可以認為NDVI是個三維變量。但是對于一個特定的地理位置和一定時間尺度（如年或10年），地形子模型可認為是常量，植被/生態(tài)系統(tǒng)子模型及土壤/水文子模型也變化不大或基本傾向于常量。那么，應該說變化較大的是氣候子模型，或者說，對一個具體時間（t），一個具體地點的NDVI主要成為相關氣候變量的函數(shù)：（7-24）八、植被指數(shù)與氣候參數(shù)的關系影響植被指數(shù)的氣候參數(shù)主要指水、氣溫和日照，因此（9-24）式可表示為：（7-25）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，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：（7-26）對于一個時間分辨率為天的NDVI模型，上式的t為j，則：（7-27）也就是說，日期為j的NDVI為降水和日期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降水的影響。Di&Rμndgμist等（1994）進一步研究了在植物缺水條件下（即干旱—半干旱環(huán)境下），植被指數(shù)NDVI與降水的關系，建立了植物生長期內(nèi)降水—植被響應模型，來描述一次降水事件帶來的隨時間變化的NDVI響應曲線和對總的NDVI響應延續(xù)時間，以說明植被如何響應降水事件。研究結果證實了NDVI與兩三個月的累計降水有很好的相關關系：一次降水引起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，被根系吸收并田輸送到葉部，并影響到葉的色素和結構所需要的時間。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。不少學者（Tμcker等1985，Peters1989，Nicholson等1990，Di1991，Schμltz等1993）也都對NDVI與降水的關系進行研究，指出NDVI與降水空間分布及年內(nèi)、年際變化有關，并建立了NDVI與降水/土壤水分含量之間的描述性/統(tǒng)計性關系，以說明NDVI是識別氣候干旱程度的一種方法。如Walsh（1987）的研究表明，反映Oklahoma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）3個指數(shù)的空間/時間變化可以通過NOAA/AVHRR的4種植被指數(shù)來估算；Peters等（1991）的研究表明，北美半干旱的Nebraska地區(qū)NOAA/AVHRR的NDVI與干旱指數(shù)間存在統(tǒng)計相關。并用NDVI找出了1988年該州的干旱中心；Kogan和Sμllivan（1993）證實植被條件指數(shù)（VCI）可作為很好的干旱指標，運用長期NDVI測量所得的VCI進行全球干旱監(jiān)測。植被指數(shù)與表面溫度的關系，也被許多學者研究。Nemani&Rμnning（1989）通過植被蒸騰的冠層阻力，搞清溫度與NDVI有關。Smith&Choμdhμry對澳大利亞東南部地區(qū)，利用TM數(shù)據(jù)（春）和NOAA/AVHRR數(shù)據(jù)（夏），提取表面溫度和NDVI，通過一個土壤——植被的表面熱平衡模型，分析了農(nóng)田與常綠林地的NDVI與表面溫度關系。這種關系對兩者是不同的。Hope&McDowell（1992）調(diào)查高草牧區(qū)的NDVI和遙感所得的表面溫度的關系，評價燒草或其它環(huán)境控制的效應。Gallo等（1993）在研究城市熱島效應時，發(fā)現(xiàn)由多種地表環(huán)境因子組成的城市和郊區(qū)的NDVI，與所觀測的地表最小溫度呈線性關系。Shigeto（1994）研究由TM數(shù)據(jù)所提取的NDVI和亮度溫度及表面溫度梯度之間的線性關系，并研究不同地表類型表面溫度的植被效應。九、植被指數(shù)與植物蒸發(fā)量、土壤水分的關系一般說來，NDVI能反映植被狀況，而植被狀況與植被蒸發(fā)量、土壤水分有關的。對某一站點的綠色植被連續(xù)測定表明，累計的蒸發(fā)量與累計的植被指數(shù)間高度相關Smith等（1990）對半干旱地區(qū)的研究表明，圖象上測得的植被覆蓋與實際地面測得的蒸發(fā)量有密切關系：Desjardins（1989、1990）的研究發(fā)現(xiàn)，草本植被冠層測得的CO2和H2O通量高度相關；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（VSMB、SWOM）反演計算了根系不同深度水含量以及生態(tài)、土壤等信息。在GIS支持下研究NOAA/AVHRR的NDVI與生態(tài)變量的關系以及用NDVI來估算蒸發(fā)量的可能性。研究發(fā)現(xiàn)，不同的植被/土壤組合顯示不同的NDVI變化軌跡，它與潛在的蒸發(fā)量（PE）曲線的趨勢密切相關。實際蒸發(fā)量（AE）與相應的NDVI間相關系數(shù)為0.77；NDVI與前15天的潛在蒸發(fā)量間相關系數(shù)為0.86；整個生長季節(jié)的累計NDVI與累計蒸發(fā)量高度相關，相關系數(shù)達0.96。研究表明，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%。這個結果說明NDVI的變化軌跡可提供植物季相變化的重要信息，并能較好的估算實際蒸發(fā)量（AE）。不少學者研究了不同的干旱—半干旱地區(qū)植被指數(shù)與土壤水分的關系，發(fā)現(xiàn)植被指數(shù)與各種測量所得的土壤水分有效性（availability）之間有密切的經(jīng)驗關系。Singh等（1988）的研究發(fā)現(xiàn)，植被指數(shù)與土壤水分受脅迫（Stress）的關系，依賴于植被的類型，許多研究表明，NDVI可以作為一種有用的土壤含水量指標。ChoμdhμryGolμs（1988）運用Nimbμs-7的多通道微波輻射儀（SMMR）和NOAA/AVHRR數(shù)據(jù)，由SMMR的微波數(shù)據(jù)得亮度溫度和由AVHRR得植被指數(shù)NDVI，再通過降水指數(shù)（API）模型與土壤濕度進行相關分析。同時用SMMR和AVHRR的可見光—近紅外數(shù)據(jù)建立土壤濕度模型（線性回歸方程）得到4級土壤濕度，與不考慮植被的3級土壤濕度相比較。Di（1991）提出用NOAA/AVHRR所得的NDVI和表面溫度，以及氣候數(shù)據(jù)計算區(qū)域尺度土壤水分的方法。研究結果表明，此法所得的區(qū)域土壤水分與作物水分指數(shù)（CMI）和Palmer干旱指數(shù)（PDSI）有高度相關。第三節(jié)災害監(jiān)測一、病蟲害監(jiān)測病蟲害是農(nóng)業(yè)生產(chǎn)的大敵，它不僅能造成減產(chǎn)，而且大大降低了質(zhì)量。一個國家或地區(qū)，如果發(fā)生了病蟲害，必須在最短的時間內(nèi)了解受災的作物（或果木）和面積。遙感技術可以隨時提供情報。以便及時采取措施治理或合理安排計劃。據(jù)美國農(nóng)業(yè)部報告，每年由于植物病害的損失約37億美元，由于蟲害的損失約38億美元。松林等針葉林約占我國森林總面積的1/2，由于幾乎年年都不同程度地遭受松毛蟲害的侵擾，損失巨大，嚴重影響了我國林業(yè)的發(fā)展。由中科院遙感衛(wèi)星地面站和中科院動物研究所聯(lián)合研制的“森林蟲害的衛(wèi)星遙感監(jiān)測”系統(tǒng)，結合衛(wèi)星遙感技術和地理信息系統(tǒng)，在深入研究松毛蟲的生態(tài)習性和遙感信息特征的基礎上，依據(jù)衛(wèi)星遙感信息機理，建立了蟲情監(jiān)測、蟲災評估的遙感信息模型，設計并實現(xiàn)了可執(zhí)行軟件包。經(jīng)在南北兩個試驗區(qū)5年的檢驗、修訂，達到實用化精度要求，并建立了運行系統(tǒng)。在遙感信息源能及時獲得的條件下，可在越冬代松毛蟲產(chǎn)生危害之前的2~3周，按1/100000圖件預報輕重二級危害程度和危害面積分布。遙感病蟲害調(diào)查已有一些成功的例子。許多經(jīng)驗告訴我們，用近紅外光譜段的彩紅外片或熱探測，調(diào)查病蟲害的危害效果較好。其道理，一種可能的解釋是：健康葉片海綿狀的葉肉組織，在其全部空間都充滿了水分而膨脹時，對任何輻射能都是一種良好的反射體，對近紅外波段的輻射能力也如此，間插在其間的柵狀柔軟網(wǎng)胞組織。吸收可見光中的藍光和紅光，反射綠光；當水分代謝受到妨礙，植物開始衰蔽時，葉內(nèi)就逐漸毀壞，接著植物逐漸枯死，從而導致葉片對近紅外輻射的反射能力減小。這種變化，在可見光部分的反射率發(fā)生改變之前的相當長一段時間內(nèi)就發(fā)生了。這是因為在這段時間內(nèi)，在柵狀柔軟網(wǎng)胞組織中，葉綠素的數(shù)量或質(zhì)量還沒有發(fā)生改變。紅外波段的像片上，可以早于人的肉眼觀測到病蟲的危害，這對于病蟲害調(diào)查和測報極其重要。此外，樹和人一樣，有病的樹溫度升高，有時比正常溫度高2.2℃。病越重的樹，紅外輻射越多。美國林業(yè)局有個林場試驗站，在直升飛機上用紅外探測裝置根據(jù)樹溫探測病樹，還研究利用這種技術在人造衛(wèi)星上進行探測的可能性。試驗表明：在凌晨，用8~14μm波段的紅外探測裝置能發(fā)現(xiàn)病樹和健康樹之間的顯著溫度差別。紅外探測器把紅外輻射送入數(shù)字計數(shù)器，后者與電視攝像機及錄像帶連在一起，可在電視屏幕上顯示樹頂?shù)膱D像和樹的溫度。錄像帶可用于研究。作物長勢差的區(qū)域從遙感圖像上能夠識別出來。果園中，絕大部分果樹都有大小一致的冠幅，如果其中一片的冠幅從周圍向中心逐漸變小、肯定就有某種病害發(fā)生了。造成近紅外波段反射減少的危害因子很多，有病蟲害、日灼、凍害、礦物質(zhì)營養(yǎng)缺乏、毒害、早、澇等。判讀像片時，要結合地面情況校核。遙感技術現(xiàn)用于寄主植物生態(tài)學、病蟲防治措施和效果評價三個領域。對寄主植物病蟲害季節(jié)性數(shù)量變化與分布范圍的遙感調(diào)查，不僅能比田間調(diào)查省時省錢，而且，提早發(fā)現(xiàn)就能在災害并不嚴重時開始防治，這樣，既減少用藥量，又減輕了農(nóng)藥對環(huán)境的污染，還保護了作物或林果。遙感調(diào)查有助于制訂合理的大范圍控制計劃，提供國境地區(qū)最易受害作物和果林的病蟲害信息以及進入途徑。如桔黑刺粉虱是柑桔的危險害蟲，經(jīng)常從得克薩斯州柑桔生產(chǎn)區(qū)越過墨西哥邊界。墨西哥的桔實蠅威脅得克薩斯州與加里福尼亞州的柑桔。美國農(nóng)業(yè)部植保局釋放不孕蠅控制進入加里福尼亞州的桔實蠅，用防治前后的紅外片估計防治措施的效果。二、森林火災監(jiān)測隨著社會的發(fā)展，人們?nèi)找骊P注森林、草場火災及季節(jié)性燃燒對氣候和經(jīng)濟的影響，迫切需要對其進行監(jiān)測。1998年，全球火災監(jiān)測中心（GlobalFireMonitoringCenter，簡稱GFMC）成立，其主要目的是讓世界各國通過Internet分享其火災監(jiān)測的成果，發(fā)展和規(guī)范全球火災監(jiān)測的方法，并為其它科學組織提供各種火災監(jiān)測產(chǎn)品。采用航空監(jiān)測火災的手段是不經(jīng)濟的，而且也難以覆蓋所有地區(qū)。自有了對地觀測衛(wèi)星，這種大范圍乃至全球的火災監(jiān)測成為可能。星載掃描幅寬、每天覆蓋全球的高溫傳感器，是提供大面積火情監(jiān)測高效、經(jīng)濟的主要手段?；饘ι锶τ兄鴺O其重要的影響力?；鹗窃S多陸地生態(tài)過程中的一個重要過程；同時，生物燃燒時釋放出的氣體和顆粒物對發(fā)生在大氣中的物理和化學過程有重要影響?；饘τ跓釒Т蟛菰⒈辈可趾吞υh(huán)境區(qū)有著深遠的影響，并且是熱帶和亞熱帶森林毀壞的主要制造者。此外，一些零星的很強的火也出現(xiàn)在許多森林、草場和荒原等生態(tài)群落。監(jiān)測森林大火發(fā)生的位置和燃燒范圍以及與此有關的影響是全球變化研究計劃的重要組成部分。森林火災是森林的首要大害，全世界因火災造成的損失約1‰。利用遙感技術監(jiān)測火災在國外其始于60年代初期的航空熱紅外探測。目前用于林火監(jiān)測的主要有熱紅外數(shù)據(jù)、TM數(shù)據(jù)和NOAA/AVHRR數(shù)據(jù)。熱紅外受大氣窗口的局限，目前主要應用3~5mm波段和8~14mm波段這兩個大氣窗口，這與一般認為林火溫度在600~900K之間，其峰值波在3.22~4.83mm相吻合。因此3~5mm波段是監(jiān)測林火的最佳波段。由3~5mm波段的掃描圖像，能清楚地顯示火點，火線的形狀、大小和位置，對于特別小的隱火、殘火有較強的識別能力。當林火火焰溫度達到1300K左右時，其輻射峰值2.233~5mm正處在TM7（2.08~2.35mm）的光譜響應范圍，故TM影像能監(jiān)測林火溫度很高的特大林火災害，TM6（9.8~12.6mm）在夜間能提供熱圖像，對暗火、殘火有一定的探測作用。另外，TM資料有豐富的植物長勢信息和其它地物信息，對林火災害后評估有很好的作用。氣象衛(wèi)星用于林火監(jiān)測覆蓋面積大，發(fā)現(xiàn)火災及時，而且能積累火災發(fā)生、發(fā)展的整個過程，具有敏感度高、時效好、快速、成本低的優(yōu)點。其中可見光通道（CH1：0.58~0.65mm）圖像清晰反映林火煙塵信息；近紅外通道（CH2：0.725~1.1mm）反映過火林地信息，也能反映煙塵信息；CH1和CH2圖像組合可用于火區(qū)和周邊林地，以及林火前后比較分析；中紅外通道（CH3：3.55~3.95mm）圖像反映林火高溫區(qū)的分布；熱紅外通道（CH4：9.3~11.3mm；CH5：11.5~12.5mm）圖像反映地表常溫范圍的溫度，因此能反映林火燃燒區(qū)和過火區(qū)。自對地觀測衛(wèi)星業(yè)務化運行以來，許多國家在火災監(jiān)測中都取得了許多成果，為全球環(huán)境和災害監(jiān)測作出了重要貢獻。美國是利用衛(wèi)星進行火災監(jiān)測的最早國家，目前用多種衛(wèi)星資料開展火災監(jiān)測，如NOAA/AVHRR，GOES，EOS/MODIS、國防氣象衛(wèi)星等。目前對全球公開的產(chǎn)品主要是由EOS/MODE生成的火災監(jiān)測產(chǎn)品，包括日產(chǎn)品、8天合成產(chǎn)品，10km和50km月格點統(tǒng)計產(chǎn)品等，后者適用于全球氣候模式應用。MODIS對10×10km及0.5o×0.5o兩種火災產(chǎn)品進行火災分級，其主要參考標準是4μm通道的亮溫?；馂姆旨墭藴室姳?-2。過火面積的估算是根據(jù)1km分辨率的8天和月平均產(chǎn)品來計算得到。表7-2MODIS火災產(chǎn)品分級標準等級標準0T4<315K1315K<T4<320K2320K<T4<325K3325K<T4<335K4335K<T4<350K5350K<T4<400K6400K<T4<450K7450K<T4<500K加拿大科研人員利用衛(wèi)星遙感數(shù)據(jù)，結合常規(guī)火災觀測資料，對其國內(nèi)30年森林草場火災發(fā)生頻率和過火面積進行了統(tǒng)計，發(fā)現(xiàn)由人類活動引起的火災比諸如閃電等引起的火災次數(shù)稍多一些。但由自然引起的火災，其燃燒面積相比之下要大得多。中國氣象局國家衛(wèi)星氣象中心于1985年開始利用NOAA/AVHRR資料開展森林草場火災監(jiān)測業(yè)務研究工作，并于1986年4月13日首次監(jiān)測到內(nèi)蒙古草原火災。同年開始向有關部門進行監(jiān)測服務。經(jīng)過有關科技人員的不懈努力，邊服務邊研究，火災監(jiān)測水平不斷提高。先后開發(fā)了多通道火情監(jiān)測彩圖色合成圖，火點精確定位，火點自動識別，子像元火點面積估算，過火面積計算等技術，并結合地理信息系統(tǒng)，對火點性質(zhì)（林區(qū)火、草原火或農(nóng)田火）和所處行政區(qū)劃進行自動判識。目前，對火災監(jiān)測專題圖像和報告的制作在衛(wèi)星資料接受后半小時內(nèi)即可完成，并及時發(fā)往有關部門，為撲滅大火贏得時間。自開展森林草場火災監(jiān)測業(yè)務以來，每年向森林、草場防火部門提供2000多個火點信息，每次重大火情都得到實時監(jiān)測。讓人們記憶猶新是1987年5月發(fā)生在東北大興安嶺的特大森林大火，在大火燃燒的26天中，衛(wèi)星監(jiān)測的火災信息為撲滅大火起到了極其重要的作用。何建邦等（1994）以NOAA/AVHRR為主要信息源，運用人工神經(jīng)網(wǎng)絡方法和智能化的專家系統(tǒng)相結合，建立林火信息提取的方法，在西南重點林區(qū)成功地解決了林火的識別問題，報準率和定位精度都有大幅度提高。另外，以航空遙感彩色紅外影像為主要信息源，形成計算機圖像處理、林火熱點特征提取的技術方法，能準確地區(qū)分工業(yè)用火、生活用火和林火，識別最小的林火面積在1平方米左右，并可輸出林火區(qū)的面積和強度。高世忠等（1996）選擇多時相的TM影像數(shù)據(jù)為主要信息源，以SPOT、MSS數(shù)據(jù)和彩色紅外航空相片為輔助資料，在橫斷山中段的攀西林區(qū)云南松林一系列舊火燒跡地，進行了更新恢復和生態(tài)變化的遙感調(diào)查，對各生態(tài)因子的空間分布特征及生態(tài)變化的影響規(guī)律進行分析，利用遙感信息，以及地形、土壤、林分和林火受害程度等要素建立森林火災后生態(tài)變化遙感監(jiān)測評價模型。1999年山區(qū)呂梁地區(qū)，4月9日的TM圖像上清楚可看到暗紅色斑塊狀景象，利用舊一化植被指數(shù)（TM4-TM3）/（TM4+TM3），與火燒前的TM圖像相比，即可證明暗紅色斑塊狀物為火燒過的跡地。因而利用TM數(shù)據(jù)，對研究區(qū)域進行歸一化植被指數(shù)的求算，即可探測林火的位置及范圍。三、旱災監(jiān)測干旱是目前世界普遍關心的重大問題，第三世界大多數(shù)國家都受到干旱的嚴重威脅。由于環(huán)境進一步惡化，科學家們預測近50年世界某些地方將進一步干旱。我國每年都有干旱發(fā)生。據(jù)不完全統(tǒng)計，我國各種受災面積中，旱災占61%，水災占24%，冰雹災占9%，霜凍災占6%。國家每年用于救濟干旱災害的費用達6.7億元人民幣。為了合理使用水資源，有效地抗旱救災，必須迅速知道那里受旱，程度如何，而衛(wèi)星遙感監(jiān)測是一種有效方法。（1）干旱概念及干旱指標①干旱概念通常干旱是指某地團長期沒有降水或降水顯著偏少造成空氣干燥、土壤缺水甚至干涸的現(xiàn)象。農(nóng)作物是否遭到干旱的危害，要看農(nóng)作物吸收和蒸發(fā)水分的平衡是否遭到破壞，它的正常生理活動是否遭到損害。因此，從農(nóng)業(yè)生產(chǎn)的角度看，干旱的發(fā)生是一個很復雜的過程，它受到多種因素的制約。首先是氣象因素，除了降水量以外，降水的強度、氣溫、光照、風速也在一定程度上影響干旱的強度，其次是農(nóng)業(yè)生產(chǎn)本身的特點，這里有農(nóng)林牧結構、耕作制度、農(nóng)作物種類、生育時期以及耕作措施等等；除此以外還有某些自然地理條件，如土壤、水文、地形地貌等等；最后是社會經(jīng)濟條件，如灌溉條件、保持土壤水分所需要的物質(zhì)條件等等。②干旱指標干旱指標是確定干旱是否發(fā)生以及發(fā)生干旱嚴重程度的一種量度。由于干旱的原因比較復雜，除了降水量持續(xù)偏少外，還與作物對水分的要求，人類補充水分虧缺的能力以及土壤持水、保水等因素有關。因此，人們從各個方面來定義干旱，確定干旱的指標。例如世界氣象組織根據(jù)各國對干旱指標的研究，一共列出55個指標，這些指標可以概括為以下幾個類型：降水；降水與平均溫度比；土壤水分和作物參數(shù)；氣候指標和蒸散量估算；綜合指標。同時，干旱既然是一種“氣候異常”現(xiàn)象，因此即便是同一個國家，不同的氣候區(qū)域也會有不同的標準。中國農(nóng)業(yè)氣象學家，在進行干旱分析和預報時，往往使用下述干旱指標：降水量、降水相對變率、土壤水分、降水蒸發(fā)比、土壤水分收支差額。（2）干旱遙感監(jiān)測原理從“干旱”的定義及其指標的分類中可以看出，干旱沒有唯一的標準，可以從各個方面去定義，但都離不開水和植被。遙感監(jiān)測干旱也基于土壤水分和植被狀況。對于裸地，衛(wèi)星遙感的重點是土壤含水量，對于有植被覆蓋的區(qū)域，衛(wèi)星遙感的重點是植被指數(shù)的變化及植被冠層蒸騰狀況的變化。下面分別簡述。①熱慣量法熱慣量法主要用于裸露土壤。它是用熱紅外方法遙感濕度，基于熱傳導方程：（7-28）其中：，λ為熱傳導度，Ca為和容量，ρ為土壤密度，Z為土壤深度，t為時間，T為土壤溫度，此熱傳導方程的邊界條件為：（7-29）其中，為日平均溫度，為Ocm的地表溫度日較差，ω為角頻率，解方程后，得到熱慣量表達式：（7-30）其中P為熱慣量，即衛(wèi)星間接遙感量，ΔT0為每日最高溫度和最低溫度之差，人為全波段反照率，B為常數(shù)。通常用統(tǒng)計方法建立土壤水分遙感模型，但目前國內(nèi)建立的多是線性模型，而冪函數(shù)模型比線性模型好，因此它的物理意義與上述公式的數(shù)字表達式相一致，試驗結果表明擬合精度也比其它函數(shù)形式的擬合精度高，冪函數(shù)形式為：（7-31）式中，為土壤水分，是擬合系數(shù)（最小二乘法擬合），P是熱慣量。②植被指數(shù)法植被長勢受到許多因素的影響。在干旱年份，水對植被長勢起關鍵作用。水分虧缺，植被長勢不好，葉面積指數(shù)下降，葉子內(nèi)的葉綠素減少，它對太陽的近紅外光的反射能力降低，衛(wèi)星遙感得到的植被指數(shù)會明顯降低。以此來表明干旱程度，就是監(jiān)測干旱的植被指數(shù)法。植被在近紅外波段有較高的反射率，美國極軌氣象衛(wèi)星NOAA改進的甚高分辨率輻射儀（AVHRR）第二通道0.7—1.1μm正是在近紅外波段，它是植被遙感最理想的通道。但由于太陽高度、衛(wèi)星掃描角及大氣削弱等諸方面影響，只用第二通道的反照率遙感植被狀況誤差很大，即使植被生長沒有什么變化，兩天所得的數(shù)值也會相差較大。理論和實踐證明，用N0AA／AVHRR第（1）第二通道數(shù)據(jù)的各種組合得到的植被指數(shù)即歸一化植被指數(shù)（NDVI）比單通道好得多。目前世界各國研究全球變化、監(jiān)測災害均采用歸一化植被指數(shù)。③植被供水指數(shù)法熱慣量方法只對裸露土壤適用，因為在有植被覆蓋情況下，特別是在植被覆蓋度