康耀江

（北京师范大学管理学院，北京 100875）

遥感就是利用自然界中地物具有电磁波辐射的特性，来实现地物信息获取的技术，遥感技术则是实施监测的重要工具。植被指数是将遥感地物光谱资料经数学方法处理, 以反映植被状况的特征量，是用来表征地表植被覆盖及生长状况的一个简单、有效的度量参数，已广泛用来定性和定量评价植被覆盖及其生长活力。随着遥感技术的发展，植被指数在生态、农业、地理信息等领域的应用更加全面和深入。

我国草地科学自80年代初期引进航天遥感技术并开展应用以来，已取得了多方面的研究成果。植被指数作为遥感监测地面植物生长和分布的一种方法，也是反映作物生长状态的直接遥感指标，其应用效果将直接影响到遥感技术在草地资源领域的实用性和有效性。笔者在全面阐释植被指数的基础上，介绍了多种常用植被指数及其适用条件。并进一步阐叙了植被指数在草地遥感中的应用，以期为遥感技术在我国草地中的应用提供理论依据。

1 植被指数

植被指数（Vegetation Index，缩写VI）是绿色植物的光谱反射特征，其本质就是在综合考虑各有关的光谱信号的基础上，把多波段反射率做一定的数学变换，使其在增强植被信息的同时，使非植被信号最小化。植被指数主要反映植被在可见光、近红外光波段反射与土壤背景之间差异的指标，各个植被指数在一定条件下能用来定量说明植被的生长状况。影响植被指数的因子也比较多，主要属于生物领域和物理领域。生物领域是指与光学特性和植被覆盖状态相关的各种因子，而物理领域主要包括大气影响、土壤影响、遥感器影响、角度影响等。

1.1 植被指数分类

植被指数按发展阶段大致可分为基于波段简单线性组合的植被指数、消除影响因子的植被指数和针对高光谱遥感及热红外遥感的植被指数三类。

1.1.1 基于波段简单线性组合的植被指数 这类植被指数主要是基于波段的线性组合（差或和）或原始波段的比值，在没有考虑大气影响、土壤亮度和土壤颜色，也没有考虑土壤、植被间的相互作用的情况下，由经验方法发展生成的。它们具有严格的应用限制性，这是由于它们针对特定的遥感器并为明确特定应用而设计的。

1.1.2 消除影响因子的植被指数 针对波段简单线性组合的局限性，后来又发展了许许多多消除影响因子的植被指数。这类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，按土壤、大气及综合影响因子三个方向对影响因子进行消除，并通过数学、物理、逻辑经验以及通过模拟将原植被指数不断改进而发展生成的，例如PVI、SAVI、M SAV I、TSAV I、ARV I、GEM I、AVI、NDV I等等。它们普遍基于反射率值、遥感器定标和大气影响的理论，将各波段反射率以不同形式进行组合来消除外在的影响因素，如遥感器定标、大气、观测和照明条件等。

1.1.3 针对高光谱遥感及热红外遥感的植被指数 利用传统的宽波段遥感数据（如MSS、TM）研究植被，由于波段数少、光谱分辨率低，计算出的植被指数基本上是基于不连续的红光和近红外波段的，所以能反映的信息量少。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,如导数植被指数 (DVI)、温度植被指数(Ts-VI)、生理反射植被指数(PRI)等。这些植被指数是近几年来在遥感技术的发展和应用深入的基础上产生的新表现形式。

1.2 常用植被指数及其适用条件

1.2.1 比值植被指数 最早的比值植被指数（Ratio Vegetation Index，RVI）由Jordan提出，其数值是近红外波段与可见红光波段的比值，用RVI=NIR（近红外波段反射率）/R（红光波段反射率）或两个波段反射率的比值。在NOAA/AVHRR中的RV I由CH 2/CH 1计算；在Landsat-TM中RVI则由TM 4/ TM 3计算可得。

一般而言，绿色健康植被覆盖地区的RV I远大于1，而无植被覆盖的地面（裸土、人工建筑、水体、植被枯死或严重虫害）的RV I值在1左右，植被的RV I通常大于2。由于RV I是绿色植物的灵敏指示参数，与叶面积指数（LAI）、叶干生物量(DM)、叶绿素含量的相关性高，可用于检测和估算植物生物量。除此，植被覆盖度也会影响RV I，当植被覆盖度较高时，RV I对植被十分敏感；当植被覆盖度<50%时，这种敏感性显著降低，只有在植被覆盖浓密的情况下效果才最好。另外，RVI还受大气条件影响，大气效应会大大降低其对植被检测的灵敏度，所以在计算前需要进行大气校正，或用反射率计算RVI。

1.2.2 归一化植被指数 归一化植被指数(Normalized Difference Vegetation Index， NDVI)，也叫归一化差值植被指数、标准植被指数，其数值是近红外波段与可见红光波段数值之差与这两个波段数值之和的比值，用NDVI=(NIRR)/(NIR+R)表示，或用两个波段反射率的计算表示。在NOAA/AVHRR中NDV I=(CH2－CH1)/(CH2+CH1)；在Landsat-TM中 NDVI= (TM4－TM3)/(TM4+TM3)。

NDVI对绿色植被表现敏感，与植被的许多参数密切相关，如吸收光合有效百分率(FPAR)、叶绿素密度、叶面积指数、植被覆盖率和蒸散率。近年来利用NDVI数据在季节性植被状况和监测土地覆盖变化等方面有越来越多的研究。NDVI其值一般在-1≤NDVI≤1之间，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。

1.2.3 差值环境植被指数 Richardson提出了差值植被指数（Difference Vegetation Index，DVI），其数值等于近红外波段与可见红光波段数值之差，用DVI＝IR－R，或用两个波段反射率的计算表示。在NOAA/AVHRR中DVI=CH2－CH1；在Landsat-TM中DV I=TM4－TM3。DV I属于线性植被指数，在低LAI时，效果较好；当LAI增加时对土壤背景的变化极为敏感。

1.2.4 绿色植被指数 绿色植被指数（Green Vegetation Index，GVI）又叫绿度植被指数，是根据大气参数、大气外太阳分光光谱照度数据，AVHRR定标参数以及由实验计算出的转换系数，获得实际应用的植被指数。k-t变换后表示绿度的分量，通过k-t变换使植被与土壤的光谱特性分离。其表达式为：GVI=1.6225CH2－2.2978CH1+11.0656。由于GV I是各波段辐射亮度值的加权和，而辐射亮度是大气辐射、太阳辐射、环境辐射的综合结果，所以GVI受外界条件影响大。

1.2.5 垂直植被指数 与RV I相比，垂直植被指数（Perpendicular Vegetation Index，PVI）受土壤亮度的影响较小。垂直植被指数是指在R-NIR的二为坐标系内，植被像元到土壤亮度线的垂直距离。PV I=[(SR－VR)2+(SN IRVNIR)2]1/2，S是土壤反射率，V是植被反射率。该指数较好地消除了土壤背景的影响，对大气的敏感度小于其他V I。PV I是在R-NIR二位数据中对GVI的模拟，两者物理意义相同。

1.2.6 其他植被指数 为更好地消除影响因子或在对现有植被指数进行修正的基础上提出了更多的植被指数。有些学者对NDVI进行修正又发展了其它的植被指数，如转换型植被指数TNDV I，再归一化植被指数RNDV I、GNDV I等。为减少土壤和植被冠层背景的双层干扰，Huete提出了土壤调节植被指数（SAV I），创造性引入了土壤亮度指数L，建立了一个可适当描述土壤-植被系统的简单模型。为减小SAV I 中裸土影响，Qi提出了修正的土壤调节植被指数（MSAVI）。它与SAVI 最大区别是L 值可以随植被密度而自动调节，较好消除了土壤背景对植被指数的影响。

随着高分辨率遥感技术的应用，又发展起来一些新的植被指数。基于高光谱遥感的植被指数中比较典型的是红边植被指数和倒数植被指数。基于热红外遥感的植被指数则在本质上是把热红外辐射（如地面亮度温度）和植被指数结合起来进行大尺度范围的遥感应用。

2 植被指数在草地遥感中的应用

2.1 植被指数与草地资源

Kogan等研究表明，通过比较33种不同的生态系统发现，草地和阔叶林植被类型的NDVI相对稳定，而沙漠和热带森林的NDVI随着时间序列的变化有着一定程度变化，变化的程度有待于进一步讨论。钟诚等利用landsat5和NOAA的遥感数据，应用GIS进行遥感信息处理，对那曲地区的草地资源进行调查。他们将遥感图像上测出各样方的植被指数与野外调查数据结合起来，可以结合草地退化指标体系完成研究区退化草地的评价。张华国等综合监督分类方法、植被指数法、阈值法和人机交互目视判读法等方法，对4M分辨率的IKONOS遥感数据进行了土地覆盖分类，获得了南麂列岛的土地覆盖的最新信息。

2.2 植被指数与牧草产量及生产力估计

研究表明，植被长势和覆盖的变化直接对应着植被指数的变化，因此可用植被指数作为牧草生长状况的定量指标，NDVI与牧草生长期地上部生物量之间相关密切，可提供直接监测总产草量的方法；并研究了天然草地NDV I和RVI的特征，确定草地的返青期，对比分析了累积NDVI与牧草产量的关系。梁天刚等以新疆阜康县为试验区，利用NOAA/AVHRR数据和地面实测产量值，分析模拟了鲜草重量和植被指数之间的数理关系，并对草地产量进行了模拟预报。数理模拟及分析的结果表明：在理论上，NDVI及RVI数据是比较理想的预报指数，直线及对数模型是理想的预报模型。植被盖度较大时，最优预报模型是采用RVI数据的对数模型。

2.3 植被指数与草地监测

在干旱和半干旱区，NDVI与植被覆盖率、生物量和生物生产力有很好的相关关系，因此，它被用来大致划分沙漠区和半干旱草原，并可以确定生物量是否发生系统性减少。胡新博等在新疆荒漠、半荒漠地区，利用NOAA/AVHRR资料，采用垂直植被指数来大面积地开展植被识别与分类。其研究表明，应用垂直植被指教对荒漠、半荒漠地区的遥感监测效果明显优于RVI和NDVI，在解决植被低盖度区生产力动态的遥感监测方面效果较好。张洪亮等以Landsat-5 TM遥感图像和草地蝗虫发生的野外样点数据为基础信息，以青海湖地区为实验区，根据草地蝗虫发生的遥感机理，提出了一种基于比值的草地蝗虫发生监测的遥感新算法，可用于为该区草地蝗虫发生预测预报模型的建立提供遥感指标。

3 存在的问题与展望

（1）遥感植被指数的真正优势是空间覆盖范围广、时间序列长、数据具有一致可比性，但是获得这样的植被指数至少需要解决大气影响、土壤影响、角度影响这三方面的问题，因此植被指数往往具有明显的地域性和时效性。实际应用中应该结合草地科学的特点，在具体使用时因地适宜地选用和修正植被指数，尤其是建立植被指数与具体应用对象的数学模型，以实现植被指数能客观地反演应用对象的特征。

（2）就目前的研究成果来看，植被的类型较为复杂，而且任一种反映到植被指数数据的特征也不是单一的，植被类型的分类在不同的地区有不同的定义和标准，有待于更深入的研究。

（3）目前我国主要应用植被指数监测植被和农作物长势的年际比较，较广泛地应用于主要产粮县旱地和水田作物的物候期进行遥感监测，但在草地资源上利用植被指数进行定量分析有其具体的困难。首先，草地的分布都非常广泛，从低海拔的平地、河谷到高海拔的山区，在地物的判译中增加了解决异物同谱问题的难度，而农作物例如小麦等分布有比较确定的规律，一般都分布在一定海拔高度的河谷和平坦地上。其次，草地上植物种类繁多，影响光谱数据的产量、盖度等因素的变幅很大，不易在光谱数据与地面实测数据间建立准确稳定的关系，而在特定的地区，农作物一般品种和产量相对稳定。另外，农作物的产区多分布在由耕种技术、人类活动影响较大的地区，天然草地的产量则随机性较大。

（4）利用气象资料NOAA/AVHHR数据和地面实测产量值，虽然可以选出相关系数大，并通过显著水平0.01和0.05F检验的理论上最优的模型，但从实际预报的结果来看，在地形复杂、草地类型变化较大的地区，模型预报的稳定性极差。利用同时相或准同时相采集数据、建立模型的方法，一般适用于地势比较平坦，草地类型变化不大的地区；在地形和草地类型变化大的地区，如在新疆大部分地区，模型预报的产量波动极大，不能准确地反映地面草地的实际变化状况。陈全功等建立了多年平均植被指教与平均草地产量级之间的关系，使用植被指数表示草地产量，并获得了适合于地形和草地变化大的地区的预报方法和模型。但是，如果仅从植被指数来对草地进行分级还可能导致错误的结果。

随着遥感技术的日新月异，高光谱及热红外遥感技术的发展应用，植被指数的研究新领域和应用领域必将进一步拓宽。针对出现的新技术，传统的植被指数应用是否会受到限制，新的植被指数是否适宜和高效，还有待广大科研工作者的实践证明，以提高遥感技术应用特别是在草地资源方面应用的高效性和时效性。

[1] 王人潮，黄敬峰. 水稻遥感估产[M]. 北京：中国农业出版社，2001. 47-48.

[2] 郭 铌. 植被指数及其研究进展[J]. 干旱气象，2003，21（4）：71-75.

[3] 罗 亚，徐建华，岳文泽. 基于遥感影像植被指数研究方法评述[J]. 生态科学，2005，24（1）：75-79.

[4] 田庆久，闵祥军. 植被指数研究进展[J].地球科学进展，1998，13（4）：327-333.

[5] 王正兴，刘 闯，HUETE A lfredo. 植被指数研究进展：从AVHRR-NDV I到MODIS-EVI[J]. 生态学报，2003，23（5）：979-987.

[6] Kogan F N，X Zhu. Evo lution o f long-term errors in NDVI time series：1985～1999[J]. Advances in Space Research，2001，28（1）：149-153.

[7] 钟 诚，何晓蓉，李辉霞. 遥感技术在西藏那曲地区草地退化评价中的应用[J].遥感技术与应用，2003，18（2）：99-102.

[8] 张华国，黄韦艮，周长宝. 应用IKONOS卫星遥感图像监测南麂列岛土地覆盖状况[J]. 遥感技术与应用，2003，18（5）：306-312.

[9] 张洪亮，倪绍祥. 草地蝗虫发生遥感监测的一种新算法[J]. 遥感学报，2003，7（6）：504-508.