遥感教程第3-1页¶
Vegetation can be distinguished using remote sensing data from most other (mainly inorganic) materials by virtue of its notable absorption in the red and blue segments of the visible spectrum, its higher green reflectance and, especially, its very strong reflectance in the near-IR. Different types of vegetation show often distinctive variability from one another owing to such parameters as leaf shape and size, overall plant shape, water content, and associated background (e.g., soil types and spacing of the plants (density of vegetative cover within the scene). Even marine/lake vegetation can be detected. Use of remote sensing to monitor crops, in terms of their identity, stage of growth, predicted yields (productivity) and health is a major endeavor. This is an excellent example of the value of multitemporal observations, as several looks during the growing season allows better crop type determination and estimates of output. Vegetation distribution and characteristics in forests and grasslands also are readily determinable.
植被应用：¶
植被识别的一般原则¶
由于许多遥感设备工作在电磁光谱的绿色、红色和近红外区域，因此它们可以区分植被的辐射吸收和反射。植物的一个特殊特征是，叶子，一种常见的表现形式，部分是透明的，允许一些辐射通过（通常到达地面，这反映了它自己的特征）。作用在叶片上的进出辐射的一般行为如下所示：
现在，考虑这个图表，它追踪绿叶物质对入射和反射辐射的影响。
绿叶叶绿体中叶绿素色素的吸收集中在0.65微米（可见红色），绿叶叶绿体位于外叶或栅栏叶中，蓝色的吸收程度相似，从白光中去除这些颜色，使可见波长的主要但减少的反射比集中在绿色。因此，大多数植物都是绿叶色的。在叶片内部或背面的海绵状叶肉细胞中，也有0.7至1.0微米（近红外）的强反射，其中光主要在细胞壁/空气空间界面反射，大部分以强反射光形式出现。这种反射率的强度通常比大多数无机材料的强度大（百分比更高），因此植被在近红外波段显得明亮。植被的这些特性解释了它们在多光谱图像上的色调特征：蓝色中的较深色调，特别是红色，波段，绿色波段中的较浅色调，以及近红外波段中的较亮色调（在陆地卫星的多光谱扫描仪波段6和7以及主题映射器BA中的最大色调）。ND 4和SPOT乐队3）。
遥感图像中植被的识别取决于几种植物特征。例如，一般来说，落叶的叶子比常绿的针更容易反光。因此，在红外颜色复合材料中，与0.7-1.1微米间隔中的这些条带相关的红色通常比松针的色彩更丰富，从树叶中更亮。
多光谱空间图像最成功的应用之一是监测世界农业生产状况。该应用程序包括识别和区分大多数主要作物类型：小麦、大麦、谷子、燕麦、玉米、大豆、水稻和其他作物。
内布拉斯加州霍尔特县早期种植的几种作物类型的ERTS-1分类充分证明了这种能力。这对图像子集是在发射几周后获得的，它表明哪些作物成功地进行了区分；下图显示了通过使用来自两个不同图像采集日期的数据来区分这些类型的改进：
也许这是在讨论中引入大面积农田在陆地卫星上出现时的外观的一个好点。我们将用图片说明美国两个主要的农作物种植区。
第一个是加利福尼亚大峡谷或中央峡谷的一部分，特别是圣华金峡谷。这里的农业主要与大麦、苜蓿、甜菜、豆类、番茄、棉花、葡萄、桃树和核桃树等经济作物有关。1972年7月，这些领域大部分接近全面增长。内华达山脉（SierraNevada）的灌溉，其山麓位于右上角，弥补了夏季的稀少或降雨。东海岸山脉出现在左下方。山谷作物两侧的黄棕色和蓝色区域是草原和沙帕拉最适合放牧牛。农田中的蓝色区域（靠近顶部）是斯托克顿和莫德斯托的城市。
第二幅陆地卫星图像是在大平原的小麦地带。下图是8月底堪萨斯州西部的情况。大部分场景由小农场组成，许多农场的面积都很大（1平方英里）。主要农作物是冬小麦，通常在6月前收割。然后种植春小麦、高粱、大麦和苜蓿。这是一个过渡时期，几乎所有的右侧都被大量种植，但左侧（高平原，海拔较高）包含一些未种植的农场和荒地，一些用于放牧。
许多因素结合在一起，导致人类种植的各种作物光谱特征存在微小到巨大的差异。一般来说，我们必须在特定时间从代表性样本中确定一个区域内每种作物的特征。然而，有些作物在同等生长阶段的光谱响应非常相似。在近红外波段，作物（植物）类型之间的差异可能相当小，如这些（偏移）光谱曲线所示（其中土壤类型、地面湿度等其他变量实际上保持不变）。
` <>`__3-1 ： Drawing on your experience and common sense, make (or think) a list of the factors that will affect the spectral signatures of field crops. `ANSWER <Sect3_answers.html#3-1>`__
通过遥感，可以在全球范围内随时量化这些作物和其他作物的总面积。对于更大的进口量，准确地（最好是90%）估计每种作物在当地、区域或全球的预期产量（以蒲式耳或其他单位生产）。为此，我们首先计算每种作物的专用区域，然后结合单位面积的可靠产量评估，农学家可以在具有代表性的地面实况调查点（或在美国，县农业代理商通常从农民自己那里获得）。通过使用周期性卫星轨道提供的农田重复覆盖来增强可靠性，当然，假设云覆盖足够稀疏，能够在生长季节培育出若干良好的外观。通常，从卫星数据中获得的产量估计比传统的收割方法更全面和更早（通常以周为单位）。有关土壤含水量的信息，通常对良好生产至关重要，可以通过某些卫星观测进行定性（在有利条件下，定量）评估。
在适当的情况下，一般从水分不足或病虫害中检测作物的压力是可行的，有时在农民意识到问题之前建议进行处理。应力通过近红外反射率的逐渐减小而短波红外反射率的逆转来表示，如下图所示：
这一效应在这组大豆植株叶片的田间光谱测量中得到了定量的证明，因为这些叶片承受的压力越来越大，导致水分流失和细胞壁破裂。
当使用近红外图像或数据时，由可变应力引起的植被活力差异尤其明显。在这张用彩色红外胶片拍摄的航空照片中，健康的植被是红色的，而“生病”（压力）的植被是蓝到黄白色的：
对于识别作物，我们使用的两个重要参数是作物类型的大小和形状（例如，大豆已展开叶丛；玉米具有长而窄的长茎和薄且顶部带有流苏的茎；以及小麦 [谷物草家族] 有长而细的中心茎，在短枝上有一些小而弯曲的叶子，上面都有一个头部，上面有制作面粉的谷粒。其他考虑因素包括单叶表面积、株高和投下的阴影量、行间作物（豆类、饲料作物和果园的正常排列）的间距或其他种植几何结构。生长阶段（作物成熟度）也是一个因素。例如，在小麦的发育过程中，它经历了几个不同的步骤，例如，发育它的含核头部，并从绿色变为金棕色（见下文）。
另一个相关参数是叶面积指数（lai），定义为植被中叶总面积（另一半为底面）的一半与包含该植被的总表面积之比。如果所有的叶子都从树冠上取下来放在地上，它们相对于树冠下突出的地面面积的组合面积将是大于1但通常小于10的数字。例如，作为一棵完全叶子的树，它会产生一些赖氨酸值，这取决于叶子的大小和形状、枝干的数量以及其他因素。LAI与总生物量（营养物质量）有关。 [活的和死的] 单位面积，通常以吨或千克每公顷为单位 [2.47英亩] ）在植物和各种措施的植被指数（见下文）。只要有良好的现场支持数据，并且定量（数学）模型有效，利用遥感输入可以可变的可靠性进行生物量估算。LAI和NDVI (page 3-4 _）在计算中使用。
原则上，实际LAI必须在现场直接通过剥除所有叶片来确定，但在实践中，可以通过统计抽样或测量一些特性（如反射率）来估计。因此，遥感可以确定一个LAI估计，如果反射符合适当的领域或地面真相。对于遥感作物，LAI受植株间反射土壤量的影响（因此，从侧面看，直下可以看到玉米和土壤，但在成熟时，玉米地似乎距离很近）。对于下面所示的光谱特征，近红外反射率将随着LAI的增加而增加。
与大多数其他类型的地面特征（尤其是与天气无关的特征）相比，地表面积随时间的变化和覆盖范围的变化是植被的标志。尤其是作物在生长季节表现出强烈的变化，如图所示，在这三个阶段-田间裸露土壤；完全生长；秋季衰老：
` <>`__3-2 ： How would non-growing or dead vegetation (such as crops in senescence) be detected by Landsat? `ANSWER <Sect3_answers.html#3-2>`__
根据生长季节气候驱动的变化对植被动力学的研究被称为 物候学 . 一个很好的例子是，在春夏生长的一个单一周期内，重复卫星观测如何提供有关自然植被和作物物候历史的最新信息，这是乌鲁比克斯坦阿拉尔海以南的阿姆河-达尔加三角洲（南部）的AVHRR图像序列。-中亚）。三角洲（该地区的主要农业区）的植被数量表示为NDVI，该指数定义于 page 3-4 . 咸海——一个巨大的内陆湖——现在正在迅速干涸（见第页）。 page 14-15 ）
更普遍的是，随着春天到夏天到来的“绿化”，每年都会出现季节性变化，因为树木和草地都开始了它们的年度生长。尤其是树木的落叶导致整个区域都被活跃的植被所占据，这在以绿色呈现的多光谱图像中很明显。陆地上的modis传感器有几个植被敏感带，用于计算被称为增强植被指数（evi）的ndvi变化。这三张图片（标题中的日期）显示了生长中的自然植被在美国的分布情况。
为了强调随时间变化的作物光谱响应的可变性，我们在下面的序列图中显示了小麦的物候阶段：
|图中顶部区域以图形形式显示了冬小麦的生长阶段，每个阶段与地面上的外观（4个中间面板）以及陆地卫星图像（4个较低面板）有关。|
请注意，在陆地卫星图像中，小麦田（尤其是最左边图像中的浅蓝色多边形）在紧急阶段在红外波段（因此是红色）显示出最亮的响应，但在成熟阶段则变得反应较弱。牧草和紫花苜蓿，组成牧草成熟（红）很晚。
` <>`__3-3 ： The display above was made as part of the LACIE program, designed to demonstrate that crop history can be monitored by satellite and that productivity (yield in bushels) and prediction of total yield in a season from regions of major productions can be quantitatively assessed. How were the specific crop types used as training sites identified (determined)? `ANSWER <Sect3_answers.html#3-3>`__
通过对几种变量在确定作物类型中的作用的调查，现在让我们看看迄今为止报告的最成功的分类之一。这些都是由高光谱传感器实现的，如Aviris（第页 13-9 ）还有海比隆。美国宇航局EO-1上的超离子高光谱传感器 ((Page Intro-24) _已经为澳大利亚的科尔曼巴利试验区获得了多渠道数据。这张图片由近红外可见光中的3条狭窄通道拍摄而成，显示了玉米、水稻和大豆的田地在（南半球）生长季节是如何改变其反射率的。请注意，作物形状的显著差异是产生反射差异的一个重要因素（健康的叶植被通常具有一个特征，即反射百分比变化不大，因此作物形状的差异成为区别因素）。
来自hyperion的多通道数据用于绘制土壤和三种作物的观测光谱特征，如图所示（右上角确定的曲线 [大部分屏幕上的文字太小，无法辨认。] 从上到下，是土壤、玉米、水稻和大豆）：
使用大量选定的单个超离子通道，生成了次新世四个类别的监督分类；这一最终结果比通常通过陆地卫星获得的宽带数据更准确：
|使用EO-1海波龙数据对澳大利亚农田中的玉米、水稻、大豆和裸地进行分类。γ
另一个图像变量是作物的背景，即培育土壤，颜色和其他特性随特定土壤类型而变化，反射率取决于其含水量。湿度会使给定的土壤颜色变暗，如这对图像中的飞机图像所示：
通常情况下，当土壤不同程度干燥时，水分的分布在成像的贫瘠土地上是可变的，从而产生斑点状或斑点状的外观。热成像（第9节）通过温度变化得出不同土壤含水量。作物本身的水量也会影响感测温度（压力 [缺水] 或者病的作物材料通常更温暖）。土壤水分变化在这张由多个田地的空气热传感器拍摄的图像中很明显，其中高湿度与田地中红色和黄色的蓝色和干燥部分相关：
可见光波段、近红外波段和热波段的组合可以同时吸收缺水和由此对农田作物造成的压力。这组三张图片是由一架飞机上的Daedulus仪器拍摄的。在上面的图片中，黄色的标记是未挂的田地，蓝色和绿色的标记是种植作物。中心图像提取了作物田的水分分布模式。底部图像显示了部分与水分不足有关的应力水平。
被动微波 (page 8-8 _）还能吸收土壤水分。在微波传感器溢出的农田图像中，较冷的区域显得较暗——尽管除了水分以外，其他因素，如缺少或存在正在生长的作物（及其类型），也可以解释一些较暗的色调：
雷达同样可以探测农田土壤湿度的变化。下图是位于亚利桑那州凤凰城附近马里科帕的一个实验站的C波段机载SAR图像。较暗的区域是那些既有较高湿度又有生长作物的区域，在这种情况下，向SAR接收器产生的回报较少。
主动微波传感器，或雷达，可以使用几个变量来识别作物植被，甚至发展作物类型的分类。这是1994年4月4日拍摄的荷兰农田的SIR-C（航天飞机）图像。假彩色合成是在hh极化模式下用l波段=红色；l波段hv=绿色；c波段hh=蓝色（参见 page 8-5 ）
