植被覆盖度分析怎么做?
植被覆盖率通常是指森林面积占土地总面积之比,一般用百分数表示.但*规定在计算森林覆盖率时,森林面积还包括灌木林面积、农田林网树占地面积以及四旁树木的覆盖面积.森林覆盖率,是反映森林资源和绿化水平的重要指标.
植被覆盖率的指标
通常用植物茎叶对地面的投影面积计算 随机选定多个一平方的被测点,测量其投影面积,求出平均值,然后乘以总的植被面积中国森林覆盖率系指郁闭度0.3以上的乔木林、竹林、*特别规定的灌木林地、经济林地的面积,以及农田林网和村旁、宅旁、水旁、路旁林木的覆盖面积的总和占土地面积的百分比.
区别就是植被包括森林和农田果园之类的,而森林是单独的一类,不包括这些.
植被覆盖率指某一地域植物垂直投影面积与该地域面积之比,用百分数表示.森林覆盖率亦称森林覆被率,指一个*或地区森林面积占土地面积的百分比,是反映一个*或地区森林面积占有情况或森林资源丰富程度及实现绿化程度的指标,又是确定森林经营和开发利用方针的重要依据之一.
植被覆盖度信息提取
植被的反射光谱曲线起伏变化明显，具有多峰与多谷的特征。植被在0.38～0.49μm波段是强吸收带，平均反射率一般不超过10%;在0.49～0.60μm波段具有波峰的形态和中等反射率(在8%～28%之间)，其中0.55μm处是叶绿素的绿色强反射区;在0.6～0.70μm段具有波谷的形态，反射率很低;到0.70～0.75μm段，反射率急剧上升，光谱曲线具有陡而接近于直线形态;在0.75～1.3μm段，因植被的吸收率很低而保持高反射率。
植被指数是以植被对红光和近红外光的生理生态效益为基础的。科学试验证明:植物叶绿素需要强烈吸收红光和蓝紫光，用于光合作用，其中以0.66μm波长附近的吸收很为强烈，吸收率可达90%。吸收强度的大小，同叶绿素的多少和叶绿素的活力的高低有关。叶绿素的数量越多，活力越高，吸收强度越大，而在波长0.7～1.1μm的近红外光谱段内，植被叶片形成强反射，吸收率几乎等于零，而透射和反射几乎各占50%。在0.35～1.1μm波段中绿色植物的红光吸收峰和近红外光反射峰及其组合，是其他生物和非生物所没有的，所以它们成为识别植被的专属性标志，而它们的组合，也就成为提取植被信息的特异性指标。
系统用于植被信息提取的数据源有Landsat-ETM、CBERS、SPOT、QUICKBIRD和MODIS，它们的IR和R波段的通道编号和波长范围见表5－2所示。
表5－2 植被指数的数据源表
常用的植被指数有:
(1)环境植被指数(EVI):即近红外波段与可见光红波段的亮度差值，又称差值植被指数，表达式为
EVI对土壤背景有一定的敏感性;当植被盖度为15%～25%时，差值随盖度的增加而迅速增大，当盖度大于80%时，灵敏度明显下降。
(2)双差植被指数(DDVI):即近红外波段与可见光红波段的亮度差值减去可见光红波段与绿波段(TM2)之差，表达为
DDVI的特点是引用了对健康茂盛的植物绿反射敏感的绿色波段，增强了植被的信息，并能在一定程度上补偿大气层的不利影响。由于绿波段对土壤敏感，按“绿峰”反射评价植被生活力，所以有利于植被分类，区分林型和树种。
(3)比值植被指数(RVI):即近红外波段与可见光红波段之比，表达为
RVI对土壤背景比较敏感，在植被盖度大于50%时，对植被盖度的差异敏感度较高，但不能很好区分小于30%的植被盖度差异。
(4)归一化植被指数(NDVI):即近红外波段与可见光红波段之差与这两个波段之和的比值，表达为
NDVI综合利用了四则运算，提高了对土壤背景变化的鉴别能力，消除了地形和群落结构的阴影的影响，削弱了大气层的干扰，因而大大扩展了对植被盖度的监测灵敏度。它是植被生长状况和植被空间分布密度的很佳指示因子，与植物分布密度呈线性相关，有较好的时相和空间适应性，因此又可称之为生物量指数或标准化植被指数。
大量研究上述各类植被指数的处理结果并进行了比较，发现各类方法提取效果无较大差异。但在干旱地区采用NDVI方法是很成熟和常用的方法，因为它综合了EVI、DVI和DDVI的算法，对植被检测灵敏度较高，对植被盖度的检测范围较宽，能消除阴影和辐射干扰。
植被覆盖度信息自动提取模块以上述原理为基础，将图像定标、NDVI植被指数计算，密度分割等功能有机地集成封装到一起(图5－6)。用户只需要通过简单的几步操作就完成从原始影像数据到植被覆盖度分类结果的转变。植被覆盖度信息提取的核心是密度分割的阈值划分问题，根据多次试验和野外调查分析，在系统内部设定了适合工作区植被盖度级别划分的阈值，随着工作程度的深入和资料积累，将不断完善阈值设定。
图5－6 植被覆盖度信息提取流程图
目前植被覆盖度信息提取流程主要如下:
(1)反射率反演:反射率反演为定量遥感的基础。在不考虑大气多次散射和交叉辐射的情况下，有:
式中: DNi为图像的灰度值; ρ 为地物的反射外大气层反射; GAINSi为辐射定标的增益系数，包括了大气透过率、传感器的波长响应等乘性因素的影响; BLASESi为辐射定标的偏移值，包括了大气层辐射、传感器暗电流等加性因素的影响。对于不同的波段以及同一波段不同的航带，辐射定标的增益值和偏移值是不同的。而通过辐射定标的增益值和偏移值即可以进行反射率 ρ 的反演。
( 2) 植被指数变换: 将经过反射率反演的图像进行NDVI ( 植被指数) 变换，得到植被指数图像。各类样本在 NDVI 图像上呈离散度矩阵，植被与非植被类型在NDVI 图像上差异很大，利用 NDVI 图像可将植被与非植被区分开来。
( 3) 密度分割: 由于植被指数是植被覆盖度的重要指标，并且对于遥感数据而言，每个像元内的反射率是林冠的反射率，而不是树冠和叶面的反射率，并且能很好地区分植被和非植被，所以植被指数数据较适用于植被覆盖度。对干流区 1∶ 10 万植被指数图像NDVI 值和重点区 1∶ 1 万植被指数图像 NDVI 值均按照植被盖度低盖度、中盖度和高盖度三个级别进行密度分割，并将分类结果与植被盖度历史专题数据以及沿干流布设的生态监测站的植被盖度数据进行反演，如精度较差，修改其密度分割参数重新分割，以达到较好的结果。
将经过密度分割的植被指数图像进行非监督分类，得到分类结果图像，并将栅格图像数据转换为带有分类属性的专题图形数据，与高分辨率的融合图像套合进行人机交互解译，修正提取不准确的地物边界，很终输出达到精度要求的专题矢量图形文件。
植被覆盖度特征提取方法
植被覆盖度特征提取可以定量地提取光谱特征、空间（几何）特征和纹理特征等，包括多光谱图像和波段间运算及不同时期观测的图像间的运算，其结果仍可形成图像。
光谱特征提取包括颜色及灰度或波段间的亮度比等目标物的光谱特征，它对应于每一个像元，但与像元的排列等空间结构无关，植被指数分析和主成分分析法就属于此类。
遥感图像上的植被信息，主要通过绿色植物叶子光谱特征的差异及动态变化而反映出来。不同光谱通道的信息可以与植被的不同要素或状态有各种不同的相关性，因而将遥感数据进行处理分析，从而得到植被指数，往往可以得到更好的植被信息。
所谓植被指数就是由多光谱数据，经线性和非线性组合构成的对植被有一定指示意义的各种数值。由于近红外波段是叶子健康状况很灵敏的标志，它对植被差异及植物长势反映敏感，指示着植物光合作用能否正常运行。可见光红波段被植物叶绿素强吸收，进行光合作用制造干物质，它是光合作用的代表波段，因此通常利用植物光谱中的近红外和可见光红波段两个很典型的波段值建立植被指数模型（李建龙等，1997），以便于植物专题研究，绿色植物的遥感监测以及生物量的估算，且在一定程度上有助于减少外界因素（如太阳高度角、大气状态和非像底观测）带来的数据误差。目前常用的植被指数模式有：
1.规一化植被指数（NVI-Normalized Vegetation Index）
又称标准化植被指数，定义为近红外波段与可见光红波段数值之差与这两个波段数值之和的比值，即 NVI=（NIR-R）/（NIR+R）。在TM图像中IR为4波段，R为3波段。
规一化植被指数是植物生长状况及植物空间分布密度的很佳指示因子，与植物分布密度呈线性相关。实验证明：NVI 对土壤背景的变化较为敏感，当植被盖度小于15%时，数值高于裸土的NVI值；而植被盖度由25%增加到80%时，NVI随植被量呈线性增加；当植被覆盖度大于80%时，NVI对植被检测灵敏度下降。因此，NVI很适合于早、中期发展阶段或低覆盖度植被的检测。
2.比值植被指数（RVI-Ratio Vegetation Index）
比值植被指数是指近红外波段与可见光波段数值的比值，即RVI=NIR/R。RVI与叶面积指数、叶干生物量、叶绿素含量相关很好。当植被覆盖度小于50%时，RVI不能很好地识别植物密度差异。但在高覆盖度下，RVI变得对植被十分敏感，与生物量的相关性很好。因而RVI更适合于植被发展高度旺盛、具有高覆盖度的植被检测中（Jackson等，1983）。RVI对大气状况极为敏感，尤其在RVI值高时，其影响相当显著，因此很好运用经大气校正的数据（陈述彭等，1990）。
3.差值植被指数（DVI-Difference Vegetation Index）
又称环境植被指数（EVI-Environmental Vegetation Index），农业植被指数（AVI Agricultural Vegetation Index）、作物植被指数（CVI-Crop Vegetation Index），是指近红外波段与可见光红波段数据的差值，即DVI=NIR-R。
DVI对土壤背景的变化较RVI要敏感。植被覆盖度为15%～25%时，它随植被量的增加而迅速增大。当植被覆盖度达80%时，它对植被的灵敏度有所下降。DVI在植被遥感中应用较为普遍。
4.正交植被指数（PVI-Perpendicular Vegetation Index）
由于土壤光谱线的存在，NVI及DVI均受背景值影响，为了削减和减轻土壤背景值对植物光谱的影响，而 PVI 可以将地形和土壤的影响缩小到很小。其公式（梅安新等，2001）为：
PVI=0.939（NIR）-0.344（R）+0.09
总之，对于多波段数据可以进行各种简单的运算，三波段的加法可以进行彩色合成，二波段的减法可以削去背景影响，关键在于这种运算能突出需要的现象。
分别利用上述5种方法对图像进行处理并将它们与原始图像按不同的组合进行彩色显示，经过筛选、比较，优化的彩色显示组合为（PVI，3，7）（各波段相应组合为红、绿、蓝），本书中主要利用这一组合显示的图像。
癫痫治疗的方法哪些好
癫痫病要怎么治疗
癫痫很好治疗方法
治疗癫痫哪些方法好
治疗癫痫病好的疗法
