CN112785590A - 一种基于双差值归一化的植被指数计算方法 - Google Patents

一种基于双差值归一化的植被指数计算方法 Download PDF

Info

Publication number
CN112785590A
CN112785590A CN202110180023.5A CN202110180023A CN112785590A CN 112785590 A CN112785590 A CN 112785590A CN 202110180023 A CN202110180023 A CN 202110180023A CN 112785590 A CN112785590 A CN 112785590A
Authority
CN
China
Prior art keywords
nir
vegetation
remote sensing
sensing image
vegetation index
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110180023.5A
Other languages
English (en)
Other versions
CN112785590B (zh
Inventor
栾卓然
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei GEO University
Original Assignee
Hebei GEO University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hebei GEO University filed Critical Hebei GEO University
Priority to CN202110180023.5A priority Critical patent/CN112785590B/zh
Publication of CN112785590A publication Critical patent/CN112785590A/zh
Application granted granted Critical
Publication of CN112785590B publication Critical patent/CN112785590B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10036—Multispectral image; Hyperspectral image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

一种基于双差值归一化的植被指数计算方法涉及遥感图像处理技术领域，解决了现有植被指数计算中植被信息和非植被信息区分效果差的问题，具体过程为：获取一幅进行过辐射校正和大气校正的多光谱遥感图像；从所述多光谱遥感图像中选出Nir、R、G三个波段；根据Nir、R、G三个波段、利用NTDVI＝(Nir+G‑2×R)/(Nir+R+|G‑R|)计算植被指数NTDVI。本发明中引入植被中的叶绿素在电磁波谱反射率中的绿光波段和红光波段之间的差值，能够提高植被信息的辨识度，能够将植被信息和非植被信息明确区分，能够精确研究遥感图像中植被的分布。

Description

一种基于双差值归一化的植被指数计算方法
技术领域
本发明涉及遥感图像处理技术领域，具体涉及一种基于双差值归一化的植被指数计算方法。
背景技术
植被指数主要反映植被在可见光、近红外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。在植被监测中，采用卫星、飞机、无人机、地面手持波谱仪等遥感器来探测地物的遥感图像、波谱曲线、波谱数据等地物电磁波谱反射率信息。在利用上述电磁波谱反射率信息研究植被的分布、健康状况、叶绿素含量等与植被相关信息时，广泛使用的植被指数是传统的归一化植被指数(NDVI)。
传统的归一化植被指数NDVI的计算方法中采用NDVI＝(Nir-R)/(Nir+R)，Nir代表近红外处反射率数值，R代表(电磁波谱意义中的)红光波段处反射率数值。传统的归一化植被指数NDVI的计算方法是利用植被中所含有的叶绿素在电磁波谱反射率具有特殊性，植被中的叶绿素在电磁波谱反射率的典型特点为在近红外波段的强反射即高值，同时在(电磁波谱意义中的)红光波段处强吸收即低值。因此基于NDVI＝(Nir-R)/(Nir+R)的这一计算方法扩大和凸显了植被的典型特点，对研究植被的分布、健康状况、叶绿素含量有传统的权威的贡献意义。
但是由于(电磁波谱意义中的)近红外波段同样也具有一个典型特征就是对水体信息敏感，而且与水量是负相关，即地物的含水量越大在近红外波段的电磁波谱反射率越低。因此在利用植被指数研究植被的分布、健康状况、叶绿素含量时，基于NDVI的这一计算方法中近红外波段Nir反射率容易受植物含水量增高导致红外波段Nir反射率数值的下降，从而影响整体计算方法的植被信息和非植被信息的区分。例如在应用基于NDVI的计算方法研究遥感图像中植被的分布时，山体的阳坡和阴坡同样为同种属的健康植被，只是因为山体阳坡与阴坡植被的含水量不同，造成仅利用传统的归一化植被指数(NDVI)对植被指数进行计算时无法将植被信息和非植被信息很好的区分，进而无法精确研究山区遥感图像中植被的分布。
发明内容
有鉴于此，本发明提供一种基于双差值归一化的植被指数计算方法。
本发明为解决技术问题所采用的技术方案如下：
一种基于双差值归一化的植被指数计算方法，其特征在于，包括如下步骤：
S1、获取一幅进行过辐射校正和大气校正的多光谱遥感图像；
S2、从所述多光谱遥感图像中选出Nir、R、G三个波段；
S3、根据Nir、R、G三个波段、利用NTDVI＝(Nir+G-2×R)/(Nir+R+|G-R|)计算植被指数NTDVI。
本发明的有益效果是：
本发明一种基于双差值归一化的植被指数计算方法中综合利用植被中的叶绿素在电磁波谱反射率中近红外波段和红光波段之间的差值和植被中的叶绿素在电磁波谱反射率中的绿光波段和红光波段之间的差值，采用本发明的植被指数计算方法能够提高植被信息的辨识度，能够将植被信息和非植被信息明确区分，能够精确研究遥感图像中植被的分布。
附图说明
图1为本发明一种基于双差值归一化的植被指数计算方法的流程图。
图2为典型常规植被的波谱曲线图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。、
一种基于双差值归一化的植被指数计算方法，如图1，包括如下步骤：
S1、获取一幅进行过辐射校正和大气校正的多光谱遥感图像。
S2、从S1中所述的多光谱遥感图像选出Nir波段、R波段和G波段。
S3、根据Nir、R、G三个波段、利用双差值归一化的植被指数计算植被指数值NTDVI＝，双差值归一化的植被指数的表达式如下所示：
NTDVI＝(Nir+G-2×R)/(Nir+R+|G-R|)＝(Nir-R+G-R)/(Nir+R+|G-R|)
具体过程为：
S1、通过遥感图像处理软件打开一幅进行过辐射校正和大气校正的多光谱遥感图像，此时的多光谱遥感图像为光谱反射率图像。该多光谱遥感图像具有(电磁波谱意义中的)近红外波段(Nir)、(电磁波谱意义中的)红光波段(R)、(电磁波谱意义中的)绿光波段(G)。
S1之前还可包括遥感图像处理软件将原始多光谱遥感图像进行辐射校正和大气校正得到光谱反射率图像的步骤。
S2、利用遥感图像处理软件从S1中打开的多光谱遥感图像上选择Nir波段图像、R波段图像和G波段图像。
S3、利用NTDVI＝(Nir+G-2×R)/(Nir+R+|G-R|)，在遥感图像处理软件中计算多光谱遥感图像的植被指数值，即在遥感图像处理软件中根据NTDVI＝(Nir+G-2×R)/(Nir+R+|G-R|)(即根据NTDVI＝(Nir-R+G-R)/(Nir+R+|G-R|))输入NTDVI的运算公式，将输入的运算公式与Nir波段、R波段、G波段关联，计算出NTDVI，得到具有植被指数意义的遥感图像。
NTDVI公式中，Nir波段表示近红外波段(近红外波段处反射率数值)；R波段表示红光波段(红光波段处反射率数值)；G波段表示绿光波段(绿光波段处反射率数值)；||表示绝对值。
S4、通过遥感图像处理软件输出具有植被指数意义的遥感图像，存储具有植被指数意义的遥感图像。
本发明的优选实施方式中，遥感图像处理软件采用ENVI软件或PIE软件进行实施，具体实施步骤为：a实施准备工作、b输入运算公式、c运算公式与遥感图像一一对应、d完成基于双差值归一化的植被指数计算方法(NTDVI)应用得到新的图像。具体每步的详细情况如下。
步骤a实施准备工作：通过ENVI软件/PIE软件打开一幅进行过辐射校正和大气校正后的多光谱遥感图像，分别选出进行过辐射校正和大气校正后的多光谱遥感图像中的(电磁波谱意义中的)近红外波段(Nir)、(电磁波谱意义中的)红光波段(R)、(电磁波谱意义中的)绿光波段(G)，以备后面进行基于双差值归一化的植被指数计算方法实施。
步骤b输入计算公式：利用ENVI软件/PIE软件，若采用ENVI软件则选择band math功能输入运算公式，若采用PIE软件则选择波段运算功能输入运算公式，根据NTDVI＝(Nir-R+G-R)/(Nir+R+|G-R|)＝(Nir+G-2×R)/(Nir+R+|G-R|)输入运算公式，运算公式为float(b4-b3+b2-b3)/(b4+b3+abs(b2-b3))或者float(b4+b2-2*b3)/(b4+b3+abs(b2-b3))，在ENVI软件和PIE软件中，abs()代表绝对值，*代表乘，float()代表将所计算的数值存储为浮点型图像，即ENVI软件/PIE软件中自动将所运算结果存储为浮点型图像，b4、b3、b2在下一实施步骤中一一对应基于双差值归一化的植被指数计算方法中的Nir、R、G波段，即b4表示Nir波段、b3表示R波段、b2表示G波段。
步骤c软件中运算公式与遥感图像一一关联：将ENVI软件中计算公式中的b2、b3、b4一一对应的与进行过辐射校正和大气校正的多光谱遥感影像中的(电磁波谱意义中的)绿光波段、(电磁波谱意义中的)红光波段、(电磁波谱意义中的)近红外波段进行关联。以GF-1卫星WFV传感器的遥感图像为例，分别将ENVI软件计算公式中的b2、b3、b4与GF-1卫星WFV传感器的遥感图像中的Band2、Band3、Band4这三个波段一一进行关联。
步骤d完成基于双差值归一化的植被指数计算方法(NTDVI)应用得到新的图像：输入步骤c中得到的新图像存储路径和文件名称，导出的新图像即为通过ENVI软件得到的具有植被指数意义的遥感图像。
不同卫星遥感图像运用运算公式中的不同参数如下：Landsat8-OLI卫星图像的运算公式为(Band5-Band4+Band3-Band4)/(Band5+Band4+|Band3-Band4|)＝(Band5+Band3-2×Band4)/(Band5+Band4+|Band3-Band4|)；GF-1wfv卫星图像的运算公式为(Band4-Band3+Band2-Band3)/(Band4+Band3+|Band2-Band3|)＝(Band4+Band2-2×Band3)/(Band4+Band3+|Band2-Band3|)；GF-1pms卫星图像的运算公式为(Band4-Band3+Band2-Band3)/(Band4+Band3+|Band2-Band3|)＝(Band4+Band2-2×Band3)/(Band4+Band3+|Band2-Band3|)；GF-2pms卫星图像的运算公式为(Band4-Band3+Band2-Band3)/(Band4+Band3+|Band2-Band3|)＝(Band4+Band2-2×Band3)/(Band4+Band3+|Band2-Band3|)。卫星图像除了上述常用的类型外还有很多类型，在此不再一一列举。
图2为典型的常规植被的波谱曲线图，可以看出典型的常规的植被在(电磁波谱意义中的)近红外波段(Nir)0.79-1.1微米处表现为强反射的特征，即高值。典型的常规的植被在(电磁波谱意义中的)红光波段(R)0.65微米附近存在强吸收的特征，即低值。典型的常规的植被在(电磁波谱意义中的)绿光波段(G)0.55微米附近存在较强反射的特征，即较高值，也就是绿光波段(0.576μm)反射率高于在红光波段(0.680μm)反射率，同时这一差异特点受植被自身含水量多少的影响微弱，其中微弱的干扰关系也是呈正相关，即植被中含水量增大时该差值也会微弱提升。传统NDVI的计算方法中仅利用近红外波段和红光波段特征差值，具有与植被自身含水量多少的负相关干扰，即植被中含水量增大时差值明显减小。本发明一种基于双差值归一化的植被指数计算方法中，引入植被中受植被含水量的影响相对较小的绿光波段的一个小反射峰，在继承传统的植被归一化指数的计算中利用了植被中的叶绿素在电磁波谱反射率中的近红外波段和红光波段之间的差值这一典型特点的基础上，本发明补充和增加了植被中的叶绿素在电磁波谱反射率中的绿光波段和红光波段之间的差值又一典型特点，从而提高植被信息的辨识度，能够将植被信息和非植被信息明确区分，能够精确研究山区等遥感图像中植被的分布。

Claims (6)

1.一种基于双差值归一化的植被指数计算方法，其特征在于，包括如下步骤：
S1、获取一幅进行过辐射校正和大气校正的多光谱遥感图像；
S2、从所述多光谱遥感图像中选出Nir、R、G三个波段；
S3、根据Nir、R、G三个波段、利用NTDVI＝(Nir+G-2×R)/(Nir+R+|G-R|)计算植被指数NTDVI。
2.如权利要求1所述的一种基于双差值归一化的植被指数计算方法，其特征在于，所述S1的具体过程为：通过遥感图像处理软件打开一幅进行过辐射校正和大气校正的多光谱遥感图像。
3.如权利要求2所述的一种基于双差值归一化的植被指数计算方法，其特征在于，所述S2的具体过程为：所述遥感图像处理软件从S1所述多光谱遥感图像中选出Nir波段、R波段和G波段。
4.如权利要求3所述的一种基于双差值归一化的植被指数计算方法，其特征在于，所述S3的具体过程为：在遥感图像处理软件中根据NTDVI＝(Nir+G-2×R)/(Nir+R+|G-R|)输入NTDVI的运算公式，将所述运算公式与Nir波段、R波段、G波段关联，计算植被指数NTDVI。
5.如权利要求4所述的一种基于双差值归一化的植被指数计算方法，其特征在于，在所述遥感图像处理软件中输入的NTDVI的运算公式为：
float(b4-b3+b2-b3)/(b4+b3+abs(b2-b3))，
或者为float(b4+b2-2*b3)/(b4+b3+abs(b2-b3))，
其中abs()代表绝对值，*代表乘，float()代表将所计算的数值存储为浮点型图像，b4表示Nir波段、b3表示R波段、b2表示G波段。
6.如权利要求2至5中任意一项所述的一种基于双差值归一化的植被指数计算方法，其特征在于，所述遥感图像处理软件采用ENVI软件或采用PIE软件。
CN202110180023.5A 2021-02-09 2021-02-09 一种基于双差值归一化的植被指数计算方法 Active CN112785590B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110180023.5A CN112785590B (zh) 2021-02-09 2021-02-09 一种基于双差值归一化的植被指数计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110180023.5A CN112785590B (zh) 2021-02-09 2021-02-09 一种基于双差值归一化的植被指数计算方法

Publications (2)

Publication Number Publication Date
CN112785590A true CN112785590A (zh) 2021-05-11
CN112785590B CN112785590B (zh) 2022-09-13

Family

ID=75761449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110180023.5A Active CN112785590B (zh) 2021-02-09 2021-02-09 一种基于双差值归一化的植被指数计算方法

Country Status (1)

Country Link
CN (1) CN112785590B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102708307A (zh) * 2012-06-26 2012-10-03 上海大学 一种应用于城市的植被指数构造方法
CN104483271A (zh) * 2014-12-19 2015-04-01 武汉大学 光学反射模型与微波散射模型协同的森林生物量反演方法
CN106525731A (zh) * 2016-09-27 2017-03-22 北京农业信息技术研究中心 基于遥感与农学知识的冠层叶氮垂直分布探测方法及装置
CN109087316A (zh) * 2018-09-07 2018-12-25 南京大学 一种基于遥感图像的大棚提取方法和装置
CN109543654A (zh) * 2018-12-14 2019-03-29 常州大学 一种反映农作物生长状况的改进型植被指数的构建方法
CN109884664A (zh) * 2019-01-14 2019-06-14 武汉大学 一种城市地上生物量光学微波协同反演方法及系统
CN110852381A (zh) * 2019-11-11 2020-02-28 四川航天神坤科技有限公司 一种林火火烧迹地的提取方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102708307A (zh) * 2012-06-26 2012-10-03 上海大学 一种应用于城市的植被指数构造方法
CN104483271A (zh) * 2014-12-19 2015-04-01 武汉大学 光学反射模型与微波散射模型协同的森林生物量反演方法
CN106525731A (zh) * 2016-09-27 2017-03-22 北京农业信息技术研究中心 基于遥感与农学知识的冠层叶氮垂直分布探测方法及装置
CN109087316A (zh) * 2018-09-07 2018-12-25 南京大学 一种基于遥感图像的大棚提取方法和装置
CN109543654A (zh) * 2018-12-14 2019-03-29 常州大学 一种反映农作物生长状况的改进型植被指数的构建方法
CN109884664A (zh) * 2019-01-14 2019-06-14 武汉大学 一种城市地上生物量光学微波协同反演方法及系统
CN110852381A (zh) * 2019-11-11 2020-02-28 四川航天神坤科技有限公司 一种林火火烧迹地的提取方法及系统

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
GIDEON OKPOTI TETTEH 等: "Automatic Generation of Water Masks from RapidEye Images", 《JOURNAL OF GEOSCIENCE AND ENVIRONMENT PROTECTION》 *
T. FISCHER: "High resolution mapping of Normalized Difference Vegetation Indices", 《GEOPHYSICAL RESEARCH ABSTRACTS》 *
卞雪等: "基于低空可见光谱的植被覆盖率计算", 《水土保持通报》 *
吴风志等: "基于OLI数据的云南禄劝县石漠化敏感性评价", 《测绘与空间地理信息》 *
封红娥 等: "GF-1与Landsat8水体叶绿素a浓度协调反演", 《国土资源遥感》 *
毛智慧等: "无人机多光谱遥感在玉米冠层叶绿素预测中的应用研究", 《光谱学与光谱分析》 *
潘霞等: "植被指数遥感演化研究进展", 《北方园艺》 *
贾玉秋 等: "基于GF-1 与Landsat-8 多光谱遥感影像的玉米LAI 反演比较", 《农业工程学部》 *

Also Published As

Publication number Publication date
CN112785590B (zh) 2022-09-13

Similar Documents

Publication Publication Date Title
Baloloy et al. Estimation of mangrove forest aboveground biomass using multispectral bands, vegetation indices and biophysical variables derived from optical satellite imageries: Rapideye, planetscope and sentinel-2
Wei et al. Cloud detection for Landsat imagery by combining the random forest and superpixels extracted via energy-driven sampling segmentation approaches
Van Aardt Spectral separability among six southern tree species
CN110796001B (zh) 一种卫星影像覆膜农田识别与提取方法及系统
CN109345555A (zh) 基于多时相多源遥感数据进行水稻识别的方法
CN109543654B (zh) 一种反映农作物生长状况的改进型植被指数的构建方法
CN110208193B (zh) 一种基于光学遥感卫星影像的珊瑚礁一体化监测方法
Zhang et al. Extraction of tree crowns damaged by Dendrolimus tabulaeformis Tsai et Liu via spectral-spatial classification using UAV-based hyperspectral images
CN112287886B (zh) 基于高光谱图像融合图谱特征的小麦植株氮含量估测方法
CN114821362A (zh) 一种基于多源数据的水稻种植面积提取方法
Izzuddin et al. Analysis of airborne hyperspectral image using vegetation indices, red edge position and continuum removal for detection of Ganoderma disease in oil palm.
Bei et al. Leaf chlorophyll content retrieval of wheat by simulated RapidEye, Sentinel-2 and EnMAP data
CN112836725A (zh) 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法
CN114778483A (zh) 用于监测山地的遥感影像近红外波段地形阴影校正方法
CN111007013A (zh) 面向东北冷凉区的作物轮作休耕遥感监测方法与装置
CN107330801A (zh) 一种冬小麦种植比例的计算方法及装置
Borana et al. Hyperspectral data analysis for arid vegetation species: Smart & sustainable growth
CN115641504A (zh) 一种基于作物物候特征与决策树模型的田块边界自动化遥感提取方法
Mangalraj et al. Recent trends and advances in hyperspectral imaging techniques to estimate solar induced fluorescence for plant phenotyping
Omran Remote estimation of vegetation parameters using narrowband sensor for precision agriculture in arid environment
CN113534083B (zh) 基于sar的玉米留茬方式识别方法、装置和介质
CN112785590B (zh) 一种基于双差值归一化的植被指数计算方法
Jadhav et al. Hyperspectral remote sensing for agricultural management: a survey
CN112231638B (zh) 一种太阳诱导叶绿素荧光干旱监测方法
CN115063610A (zh) 基于Sentinel-1、2影像的大豆种植区识别方法及其面积测算方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant