EN中文

地球信息科学学报 >

2019 , Vol. 21 >Issue 12: 1977 - 1986

DOI: https://doi.org/10.12082/dqxxkx.2019.190409

遥感科学与应用技术

阴影消除植被指数(SEVI)去除地形本影和落影干扰的性能评估与应用

  • 江洪 , 1, 2, * ,
  • 袁亚伟 1, 2 ,
  • 王森 1, 2
展开
  • 1. 福州大学 数字中国研究院（福建）,福州 350108
  • 2. 福州大学 空间数据挖掘与信息共享教育部重点实验室,福州 350108

江 洪（1975-）,男,福建永安人,博士,副研究员,主要从事环境遥感、信息管理研究。E-mail: jh910@fzu.edu.cn

收稿日期: 2019-07-30

  要求修回日期: 2019-10-10

  网络出版日期: 2019-12-25

基金资助

福建省自然科学基金项目(2017J01658)

国家重点研发计划项目子课题(2017YFB0504203)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Shadow-Eliminated Vegetation Index (SEVI) for Removing Terrain Shadow Effect : Evaluation and Application

  • JIANG Hong , 1, 2, * ,
  • YUAN Yawei 1, 2 ,
  • WANG Sen 1, 2
Expand
  • 1. Academy of Digital China (Fujian), Fuzhou University, Fuzhou 350108, China
  • 2. Key Laboratory of Spatial Data Mining & Information Sharing of Ministry of Education , Fuzhou University, Fuzhou 350108, China
JIANG Hong, E-mail:

Received date: 2019-07-30

  Request revised date: 2019-10-10

  Online published: 2019-12-25

Supported by

Natural Science Foundation of Fujian Province, China(2017J01658)

National Key Research and Development Program of China(2017YFB0504203)

Copyright

Copyright reserved © 2019
Fold

摘要

地形校正是崎岖山区遥感图像预处理的关键步骤。为了评估基于DEM数据的经验校正模型、山地辐射传输模型和波段组合优化计算模型在去除地形阴影效应方面的性能,并将其应用于福州市植被覆盖监测,本文采用C模型（和SCS+C模型）、6S+C模型和阴影消除植被指数（SEVI）进行评估、比较。采用1999年和2014年两期Landsat 5 TM卫星数据和相关的 30 m ASTER GDEM V2高程数据,分别计算了C校正（和SCS+C校正）和6S+C校正后的归一化植被指数（NDVI）和比值植被指数（RVI）以及基于表观反射率数据的SEVI。通过目视比较、光谱特征比较以及太阳入射角余弦值（cos i）与植被指数的线性回归分析,可以看出C模型和SCS+C模型对本影具有较好的校正效果,但对落影的校正效果欠佳。NDVI和RVI的本影与邻近无阴影阳坡的相对误差分别从71.64%、52.57%降至4.80%、6.43%（C模型）和0.50%、9.94%（SCS + C模型）,而落影与邻近无阴影阳坡的相对误差分别从62.01%、47.57%降至31.05%、24.40%（C模型）和33.42%、16.01%（SCS + C模型）。在NDVI的落影校正效果上,6S+C模型比C模型和SCS+C模型有一定的提升,本影与邻近无阴影阳坡之间的相对误差为8.63%,落影与邻近无阴影阳坡之间的相对误差为14.27%。而SEVI在消除本影和落影方面整体效果更好,本影和落影与邻近无阴影阳坡的相对误差分别为9.86%和10.53%。最后,基于SEVI对福州市1999-2014年的植被覆盖变化进行了监测。监测结果表明： ① 1999-2014年植被覆盖增加了893.61 km 2,植被增加区域主要分布在海拔250~1250 m范围内;② SEVI均值在坡度40°附近达到峰值。

关键词： 阴影消除植被指数（SEVI）; 本影; 落影; 地形校正模型; 植被监测; Landsat 5 TM; NDVI

本文引用格式

江洪 , 袁亚伟 , 王森 . 阴影消除植被指数(SEVI)去除地形本影和落影干扰的性能评估与应用[J]. 地球信息科学学报, 2019 , 21(12) : 1977 -1986 . DOI: 10.12082/dqxxkx.2019.190409

Abstract

Topographic correction is a crucial step in the pre-processing of remote sensing imagery of rugged terrain areas. Recently, a Shadow-Eliminated Vegetation Index (SEVI) was proposed to eliminate the influence of the self and cast terrain shadows. To further evaluate the SEVI performance for reducing the terrain shadow effect on regional scales, here we compared the SEVI with classic topographic correction models, including the C model, Sun-Canopy-Sensor (SCS)+C model, and Second Simulation of the Satellite Signal in the Solar Spectrum (6S)+C model via the case study of Fuzhou city, China. Landsat 5 TM satellite data and associated 30-meter Advanced Spaceborne Thermal Emission and Reflection Radiometer Global Digital Elevation Model Version 2 (ASTER GDEM V2) were used for the comparison. The satellite imagery were first corrected using the C, SCS+C, and 6S+C models, followed by the calculation of the Normalized Difference Vegetation Index (NDVI) and the Ratio Vegetation Index (RVI). Then, the calculated vegetation indices were evaluated in different ways, including visual comparison, statistical analysis, and linear correlation analysis of the cosine of solar incidence angle ( cos i ) versus vegetation indices. The C and SCS+C models showed accurate correction results over the self shadow areas but less accurate results over the cast shadow areas. Using adjacent sunny slopes as a reference, the relative errors of the NDVI and RVI over the self shadow areas were reduced from 71.64% and 52.57% to 4.80% and 6.43% (C model) and 0.50% and 9.94% (SCS+C model), respectively; the relative errors over cast shadow areas were reduced from 62.01% and 47.57% to 31.05% and 24.40% (C model) and 33.42% and 16.01% (SCS+C model), respectively. The 6S+C model showed better correction results over the cast shadow areas than the C model and the SCS+C model did. The relative errors of the NDVI were 8.63% and 14.27% over self shadow and cast shadow areas, respectively, if the 6S+C model was used. The SEVI seemed the most accurate among these models for corrections of self and cast shadows. The relative errors of the SEVI were 9.86% and 10.53% over the self and cast shadows, respectively. Finally, the SEVI was used to study the vegetation cover change in Fuzhou city from 1999 to 2014. Results show: (1) the vegetation cover in Fuzhou city increased from 1999 to 2014 in general, particularly over the areas with elevation ranging from 250 to 1250 meters; (2) The highest SEVI mean was located on the slope of about 40 degrees.

Key words： Shadow-Eliminated Vegetation Index; self shadow; cast shadow; topographic correction model; vegetation monitor; Landsat 5 TM; NDVI

1 引言

植被指数（VI）是利用遥感影像不同波段数据组合计算生成的数值,在一定条件下可以定量说明植被的生长状况,是植被覆盖度、叶面积指数、生物量、净初级生产力、光合有效辐射吸收等植被生物物理与生物化学参数的重要反演数据[1,2,3,4,5,6,7,8,9,10]。由于植被主要分布在山区,地形成为影响山区植被信息遥感监测精度的主要因素之一,因此消除地形影响成为山区植被遥感的重要前提。
目前,消除山区植被信息地形影响问题,主要有以下3类解决方法：① 基于DEM数据的经验校正模型[11,12,13,14,15]。这类方法主要包括朗伯体地表假设模型（如余弦模型、C模型[16]、统计模型[17]、SCS模型[18]、SCS+C模型[19]等）和非朗伯体假设模型（如Minnaert模型[20]）。这些方法物理原理清晰,效果明显,但主要校正太阳直射辐射,未考虑大气散射辐射和周围地形反射辐射的影响,会出现过校正问题;同时高精度DEM数据的可获取性（如保密问题、数据更新问题）和不同数据之间的匹配精度受到制约[13],难以满足大面积山区植被信息遥感准确、快速获取的实际需要;② 山地辐射传输模型。消除遥感影像的大气散射辐射和周围地形反射辐射等,留下太阳直射辐射计算植被指数,如光学遥感反射率模型[21,22]。这种方法物理原理可靠,效果良好,但模型参数复杂、数据难于获取,大面积推广应用难度较大;③ 波段组合优化计算模型。通过构建特殊的植被指数获取能削减地形影响的植被信息,如波段比模型[23,24,25,26,27]、FCD模型和VBSI指数[28,29,30]、地形调节植被指数（TAVI）[31]和阴影消除植被指数（SEVI）[32]等。
为了定量比较这3类方法对地形影响的校正效果,本文分别采用C模型（和SCS+C模型）、6S+C模型和SEVI等具体校正模型代表这3类方法对福州市山区植被进行评估、比较,并采用综合效果好的模型方法对福州市1999-2014年植被变化进行监测分析。

2 研究方法

2.1 校正方法

2.1.1 C和SCS+C校正模型
（1）C校正模型
C校正模型计算公式如下：
L C = L T cos θ + c cos i + c
式中：Lc表示C校正之后的像元值;LT表示C校正之前的像元值;θ表示太阳天顶角;c表示地形校正参数;i表示太阳入射角。其中,cos i的计算公式如下：
cos i = cos σ cos θ + sin σ sin θ cos ( β - ω )
式中：i表示太阳入射角;σ表示地形坡度角;θ表示太阳天顶角;β表示地形坡向角;ω表示太阳方位角。
（2）SCS+C校正模型
为了避免SCS模型的过度校正问题,借鉴C模型引入了半经验参数c,得到了SCS+C校正模型[19]：
L SCS + C = L T cos θ ∙ cos σ + c cos i + c
式中：LSCS+C表示SCS+C模型校正后的像元值;LT表示SCS+C校正之前的像元值;θ表示太阳天顶角; σ表示地形坡度角;c表示地形校正参数;i表示太阳入射角。
SCS+C校正模型的校正参数c的解法同C校正模型。
2.1.2 6S+C校正模型
该模型首先对影像进行6S大气校正,再做C校正。研究区影像6S模型校正参数的设置如表1,校正参数c的解法同C校正模型。
表1 1999年2月3日Landsat 5 TM 6S大气校正输入参数

Tab. 1 Input parameters for 6S atmospheric correction of Landsat 5 TM on 3 February 1999

卫星几何条件 成像时间 大气模型 气溶胶模型 可见度 目标高度 传感器高度 传感器波段号 地表状况 RAPP参数
0、52.6、
140.8、0、0		 2、3 2 1 45 -0.36 -1000 27/28/29 0、0、1 -0.1
2.1.3 SEVI模型
SEVI计算如式（4）所示,其中f（Δ）为地形调节因子。f（Δ）的计算步骤为：① 选择典型样区,确保样区具有强烈的地形影响,阴阳坡对等;② 令f（Δ）从0开始,以0.001为间隔循环,同时计算SEVI与RVI的相关系数R1及SEVI与SVI相关系数R2; ③ 当R1和R2满足无限接近时（一般差值小于0.01）,退出循环,得到f（Δ）优化解。
SEVI = RVI + f ( Δ ) × SVI
RVI = B nir / B r
SVI = 1 / B r
式中：RVI表示比值植被指数;f（Δ）表示地形调节因子;SVI表示阴影植被指数;Bnir表示近红外波段反射率;Br表示红光波段反射率。

2.2 验证样本选择

在研究区内一共选择60组验证样本,每组样本包括本影、落影和相邻非阴影的阳坡。本影是物体未受到直射光源照射的阴暗面,落影是由于障碍物的遮挡而投射到其他地物上的影子,二者分别是背对太阳和障碍物遮挡所致（图1）。本影的计算公式如下：
图1 本影和落影示意

Fig. 1 Illustration of self shadow and cast shadow

S self = tan σ × cos π - ω - β > tan γ
式中：Sself表示阴影检测结果,1为本影,0为非本影;σ表示地形坡度角;π表示180°;ω表示太阳方位角;β表示地形坡向角;γ表示太阳高度角。
落影通过阴影和本影做差得到。

2.3 抗地形效果评估

采用目视分析、光谱特征分析、相对误差分析和植被指数与cos i线性回归分析等方法进行植被指数抗地形影响效果评估。植被指数采用表观反射率数据,C、SCS+C和6S+C校正数据分别计算。其中,相对误差绝对值（Absolute Relative Error, ARE）计算公式如下：
ARE = V I self / cast - V I sunny V I sunny × 100 %
式中：ARE表示相对误差绝对值;VIself/cast表示本影或落影区域内植被指数的平均值;VIsunny表示邻近非阴影阳坡植被指数的平均值。

2.4 植被变化监测

2.4.1 差值法
采用植被指数差值法[34]结合阈值分割技术进行植被变化监测。
P t 2 - t 1 = SEV I t 2 - SEV I t 1
式中：Pt2-t1表示从t1到t2时间段内SEVI的变化量;SEVIt1表示t1时相的SEVI;SEVIt2表示t2时相的SEVI。
2.4.2 植被伪变化信息剔除
植被伪变化包括非植被之间的变化,如沙滩与河流、建筑用地与水体之间的变化。基于变化检测结果分析可知,如果某像元植被满足后一时期较前一时期的植被指数减少了,那前一时期该像元必须是植被,反之亦然。因此,通过设置前后2个时期的SEVI阈值,对非植被的伪变化信息进行剔除[35]。
2.4.3 空间分析
为了研究植被与地形（高程和坡度）的相关性,对DEM进行分级,以50 m为步长,将研究区0~1791 m的DEM数据分为36级,统计每一级高程范围内SEVI平均值。同样,以5°为步长,将0~69.5°的地形坡度分为14个级别,依次统计每个级别内SEVI平均值。

3 试验区概况及结果分析

3.1 试验区概况与数据源

试验区福建省福州市山地占比多、地形复杂（图2）,最小坡度0°,最大坡度大于50°,平均坡度23.44°,标准方差10.34°。
图2 福州市研究区与验证样区

Fig. 2 Study area and validation sample in Fuzhou city, China

遥感影像选择1999年2月3日和2014年1月27日Landsat 5 TM影像,空间分辨率30 m;DEM 数据选择ASTER GDEM V2数据,空间分辨率30 m[33]。其中,研究样区位于119°25′7″E-119°31′27″E,26°6′35″N-26°12′15″N。

3.2 抗地形效果

3.2.1 目视分析
计算结果表明基于表观反射率数据计算的NDVI、RVI的地形阴影明显,纹理效果突出（图3（a）-（b））,基于C校正和SCS+C校正数据计算的NDVI、RVI的地形阴影部分亮度有所增强,地形纹理效应减弱（图3（c）-（f））;基于6S+C校正数据计算的NDVI、RVI的地形阴影和纹理进一步减弱,平缓地区较陡峭地区效果更明显（图3（g）-（h））;而采用未经地形校正和大气校正的表观反射率数据计算的SEVI的地形阴影几乎消除,地形纹理进一步减弱（图3（i））。
图3 基于不同数据计算的植被指数灰度图

注：图（a）、（b）分别是采用表观反射率数据计算的NDVI和RVI;图（c）、（d）分别是采用C校正后数据计算的NDVI和RVI;图（e）、（f）分别是采用SCS+C校正后数据计算的NDVI和RVI;图（g）、（h）分别是采用6S+C校正后数据计算的NDVI和RVI;图（i）是采用表观反射率数据计算的SEVI。

Fig. 3 Grayscale images of vegetation indices calculated from different data

3.2.2 光谱特征分析
对60组本影、落影和相邻非阴影阳坡样本的数值分析结果显示,基于表观反射率数据计算的NDVI、RVI在本影和落影的植被指数值都低于阳坡（图4（a）-（b））。基于C校正和SCS+C校正数据计算的NDVI、RVI在本影的植被指数值达到阳坡水平,但在落影的植被指数值和阳坡差异较大,证明C校正和SCS+C校正只对本影有较好的校正效果,对落影校正效果欠佳（图4（c）-（f））。基于6S+C校正数据计算的NDVI在本影和落影的数值基本上达到阳坡的水平,而RVI效果不如NDVI好,但优于单纯的C校正和SCS+C校正的效果（图4（g）-（h））。仅用表观反射率数据计算的SEVI在本影和落影的数值与阳坡的数值更接近（图4（i））。
图4 60组样本植被指数折线图

注：图（a）、（b）分别是采用表观反射率数据计算的NDVI和RVI;图（c）、（d）分别是采用C校正后数据计算的NDVI和RVI;图（e）、（f）分别是采用SCS+C校正后数据计算的NDVI和RVI;图（g）、（h）分别是采用6S+C校正后数据计算的NDVI和RVI;图（i）是采用表观反射率数据计算的SEVI。

Fig. 4 Line charts of vegetation indices of 60 samples

3.2.3 相对误差分析
相对误差统计结果表明：① 没有经过地形校正的NDVI的本影相对误差可以达到71.64%,落影的相对误差可以达到62.01%;RVI的本影相对误差达到52.57%,落影相对误差达到47.57%;② C校正和SCS+C校正对本影的校正效果好,而对落影的校正效果欠佳,落影相对误差仍然超过16.01%;③ 6S+C校正之后的NDVI对落影的校正效果较好,可以达到14.27%;但RVI在落影的误差仍然较大;④ SEVI的本影相对误差为9.86%,落影相对误差为10.53%,整体校正效果更好（表2）。
表2 阴影（本影和落影）区植被指数相对误差绝对值

Tab.2 Absolute values of the relative errors of vegetation indices between shadows and adjacent sunny areas

植被指数 数据类别 VIself VIcast VIsunny AREself/% AREcast/%
NDVI 表观反射率 0.13 0.18 0.47 71.64 62.01
C校正数据 0.44 0.29 0.42 4.80 31.05
SCS+C校正数据 0.40 0.27 0.40 0.50 33.42
6S+C校正数据 0.59 0.55 0.64 8.63 14.27
RVI 表观反射率 1.32 1.46 2.79 52.57 47.57
C校正数据 2.62 1.86 2.46 6.43 24.40
SCS+C校正数据 4.08 3.81 4.53 9.94 16.01
6S+C校正数据 3.88 3.41 5.03 22.86 32.29
SEVI 表观反射率 4.74 4.71 5.26 9.86 10.53

注：VIself、VIcast是本影、落影区域内植被指数的平均值;VIsunny是邻近阳坡无阴影区域植被指数的平均值;AREself是本影与相邻阳坡无阴影区域的植被指数平均值相对误差;AREcast是落影与相邻阳坡无阴影区域的植被指数平均值相对误差。

3.2.4 与cos i相关性分析
植被指数与cos i的散点图和线性拟合结果显示本影（蓝色）与落影（红色）和邻近无阴影阳坡（绿色）被直线（cos i=0）分开,落影和阳坡的cos i大于0并有部分重叠,这说明落影与本影不同,因此传统基于DEM的经验校正模型在理论上对落影是失效的（图5）。从图5可看出,C校正和SCS+C校正对本影校正效果较好,本影的植被指数接近阳坡的数值,明显优于落影的校正效果。6S+C校正之后的NDVI在本影和落影的数值与阳坡的差异进一步减小,而SEVI在本影和落影的数值与阳坡的数值相当,效果优于其它校正结果。
图5 植被指数和cos i散点图

注：图（a）、（b）为采用表观反射率数据计算的NDVI和RVI与cos i的散点图;图（c）、（d）为采用C校正后数据计算的NDVI和RVI与cos i的散点图;图（e）、（f）为采用SCS+C校正后数据计算的NDVI和RVI与cos i的散点图;图（g）、（h）为采用6S+C校正后数据计算的NDVI和RVI与cos i的散点图;图（i）为采用表观反射率数据计算的SEVI与cos i的散点图。

Fig. 5 Scatter plots of vegetation indices versus cos i

3.3 福州市SEVI变化

3.3.1 SEVI计算结果
抗地形影响效果分析表明SEVI具有较好的性能,因此应用f（Δ）优化值（1999年0.134、2014年0.177）计算得到1999年和2014年的SEVI结果（图6）。对SEVI结果进行标准化处理后,计算1999年与2014年的SEVI差值,再经阈值分割和掩膜提取（表3）,剔除非植被地类之间转换造成的伪变化,最终得到1999-2014年SEVI变化图（图7）。由图7可见,福州市西部山区（如闽侯县、闽清县和永泰县）植被覆盖率高于东部沿海地区。东部植被覆盖率较低的地方主要分布在居民区附近、河流沿岸以及一些岛屿等人类活动较多的区域,其中福州城区和福清的植被覆盖率最低。1999-2014年,福州市植被增加区域主要分布在罗源县、连江县和闽侯县南部,而福州部分地区植被呈现减少的趋势。
图6 1999年和2014年福州市SEVI标准化结果

Fig. 6 Normalized SEVI of Fuzhou city in 1999 and 2014

表3 植被变化阈值选取和统计结果

Tab. 3 Vegetation change thresholds and statistics

植被变化类型 植被指数阈值 植被指数差值阈值 变化面积/km2 净增面积/km2
植被减少 SEVI1999>0.31 SEVI2014-1999<-0.10 641.44
植被增加 SEVI2014>0.32 SEVI2014-1999>0.21 1535.05 893.61
图7 1999-2014年福州市植被变化空间分布

Fig. 7 Vegetation change maps of Fuzhou city from 1999 to 2014

3.3.2 SEVI空间分布特征
海拔250~1250 m（对应高程5-25级）的区域,SEVI分布比较平稳,平均值在0.5左右;但高程在 0~5级和28级以上,SEVI值较低。通过对高海拔区域（海拔1250 m以上）的研究发现,高海拔区域主要位于永泰县东湖尖（福州最高峰）附近,该处有较多的居民区。从SEVI与坡度图拟合关系可看出,坡度是影响植被分布的重要因素,SEVI随坡度的增大而增大,当坡度达到40°左右时,SEVI均值最大（图8）。
图8 SEVI与高程和坡度拟合曲线

Fig. 8 Correlation between SEVI and elevation and slope

4 结论

本文采用C模型（和SCS+C模型）、6S+C模型以及SEVI 3类不同的地形校正方法对福州市山区植被进行评估、比较和分析,结果表明：
（1）没有经过地形校正的山区NDVI和RVI在阴影区存在较大的信息误差,与邻近无阴影阳坡最大相对误差达到71.64%。因此,在崎岖山区植被参数反演中,阴影干扰问题不容忽视。
（2）不同地形校正方法能不同程度消除地形影响。基于DEM的经验校正（如C校正和SCS+C校正）对本影的校正效果较好,但对落影的校正效果较差。6S+C校正效果优于前者,对落影的校正效果提升明显,但6S模型参数设置复杂并会产生异常值等。SEVI无需引入DEM数据,仅通过红光波段与近红外波段的非线性组合,就能有效消除地形本影和落影的干扰,适用于复杂地形山区植被信息获取与应用;但f（Δ）的计算方法还处于经验模型阶段,需要进一步研究新的算法。
（3）福州市1999-2014年植被覆盖总体上呈现增加的趋势,净增893.61 km2。植被增加的区域主要集中在海拔250~1250 m高程范围内,而低海拔区域植被覆盖增加较少甚至个别地方植被出现不同程度的减少。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Chen J, Black T . Defining leaf area index for non-flat leaves[J]. Plant, Cell and Environment, 1992,15(4):421-429.

DOI

[2]
Bajocco S, Angelis A, Salvati L . A satellite-based green index as a proxy for vegetation cover quality in a Mediterranean region[J]. Ecological Indicators, 2012,23(4):578-587.

DOI PMID

[3]
Zhang Z M, He G J, Wang X Q , et al. Leaf area index estimation of bamboo forest in Fujian province based on IRS P6 LISS 3 imagery[J]. International Journal of Remote Sensing, 2011,32(19):5365-5379.

DOI

[4]
江洪, 汪小钦, 孙为静 . 福建省森林生态系统NPP的遥感模拟与分析[J]. 地球信息科学学报, 2010,12(4):580-586.

[ Simulation by remote sensing and temporal-spatial analysis of forest ecosystem net primary productivity in Fujian province, China[J]. Journal of Geo-information Science, 2010,12(4):580-586. ]

[5]
朱高龙, 居为民, Chen J, 等. 帽儿山地区森林冠层叶面积指数的地面观测与遥感反演[J]. 应用生态学报, 2010,21(8):2117-2124.

[ Zhu G L, Ju W M, Chen J , et al. Forest canopy leaf area index in Maoershan Mountain: Ground measurement and remote sensing retrieval[J]. Chinese Journal of Applied Ecology, 2010,21(8):2117-2124. ]

[6]
何磊, 唐姝娅, 苗放 , 等. 岷江上游典型流域叶面积指数的遥感模型及反演[J]. 水土保持研究, 2010,17(1):218-221.

[ He L, Tang S Y, Miao F , et al. Remote sensing model and inversion of leaf area index in the typical area of Minjiang Valley Upriver[J]. Research of Soil and Water Conservation, 2010,17(1):218-221. ]

[7]
Tian Q, Luo Z, Chen J , et al. Retrieving leaf area index for coniferous forest in Xingguo County, China with Landsat ETM+ images[J]. Journal of Environmental Management, 2007,85:624-627.

DOI

[8]
Soudani K, François C, Maire G , et al. Comparative analysis of IKONOS, SPOT, and ETM+ data for leaf area index estimation in temperate coniferous and deciduous forest stands[J]. Remote Sensing of Environment, 2006,102:161-175.

DOI

[9]
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.

[ Tian Q J, Min X J . Advances in study on vegetation indices[J]. Advance in earth sciences, 1998,13(4):327-333. ]

[10]
孙华, 鞠洪波, 张怀清 , 等. 三种回归分析方法在Hyperion影像LAI反演中的比较[J]. 生态学报, 2012,32(24):7781-7790.

DOI

[ Sun H, Ju H B, Zhang H Q , et al. Comparison of three regression analysis methods for application to LAI inversion using Hyperion data[J]. Acta Ecologica Sinica, 2012,32(24):7781-7790. ]

[11]
廖钰冰, 陈新芳, 陈喜 , 等. 地形校正对叶面积指数遥感估算的影响[J]. 遥感信息, 2011(5):47-51.

[ Liao Y B, Chen X F, Chen X , et al. Effect of topographic correction on estimation of leaf area index based on Landsat TM[J]. Remote Sensing Information, 2011(5):47-51. ]

[12]
高永年, 张万昌 . 遥感影像地形校正研究进展及其比较实验[J]. 地理研究, 2008,27(2):467-477.

[ Gao Y N, Zhang W C . Research progress and comparative experiment of remote sensing image topographic correction[J]. Geographical Research, 2008,27(2):467-477. ]

[13]
闻建光, 柳钦火, 肖青 . 基于模拟数据分析地形校正模型效果及检验[J]. 北京师范大学学报:自然科学版2007, 43(3):255-263.

[ Wen J G, Liu Q H, Xiao Q . Assessment of different topographic correction methods and validation[J]. Journal of Beijing Normal University: Natural science, 2007,43(3):255-263. ]

[14]
Riaño D, Chuvieco E, Salas J , et al. Assessment of different topographic corrections in Landsat-TM data for mapping vegetation types[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003,41(5):1056-1061.

DOI

[15]
黄微, 张良培, 李平湘 . 一种改进的卫星影像地形校正算法[J]. 中国图象图形学报, 2005,10(9):1124-1128.

DOI

[ Huang W, Zhang L P, Li P X . An improved satellite image topographic correction algorithm[J]. Journal of Image and Graphics, 2005,10(9):1124-1128. ]

[16]
Teillet P M, Guindon B, Goodenough D G . On the slope-aspect correction of multispectral scanner data[J]. Canadian Journal of Remote Sensing, 1982,8(2):84-106.

DOI

[17]
Meyer P, Itten K I, Kellenberger T , et a1. Radiometric corrections of topographically induced effects on Landsat TM data in an alpine environment[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 1993,48(4):17-28.

DOI

[18]
Gu D, Gillespie A . Topographic normalization of Landsat TM images of forest based on subpixel sun-canopy-sensor geometry[J]. Remote Sensing of Environment, 1998,64(2):166-175.

DOI

[19]
Soenen S A, Peddle D R, Coburn C A . SCS+C: A modified sun-canopy-sensor topographic correction in forested terrain[J]. IEEE Transactions on Geoscience & Remote Sensing, 2005,43(9):2148-2159.

DOI PMID

[20]
Smith J A, Lin T L, Ranson K L . The Lambertian assumption and Landsat data[J]. Photogrammetric engineering & Remote sensing, 1980,46(9):1183-1189.

DOI PMID

[21]
Sandmeier S, Itten K I . A physically-based model to correct atmospheric and illumination effects in optical satellite data of rugged terrain[J]. IEEE Trans Geoscience and Remote Sens, 1997,35(3):708-717.

[22]
闻建光, 柳钦火, 肖青 , 等. 复杂山区光学遥感反射率计算模型[J]. 中国科学D 辑:地球科学, 2008,38(11):1419-1427.

[ Wen J G, Liu Q H, Xiao Q , et al. Optical reflectance model in rugged terrain[J]. Science in China (Series D: Earth Sciences), 2008,38(11):1419-1427. ]

[23]
Liao Z M, He B B, Quan X W . Modified enhanced vegetation index for reducing topographic effects[J]. Journal of Applied Remote Sensing, 2015,9(1):096068.

DOI

[24]
许章华, 刘健, 余坤勇 , 等. 阴影植被指数SVI的构建及其在四种遥感影像中的应用效果[J]. 光谱学与光谱分析, 2013(12):3359-3365.

[ Xu Z H, Liu J, Yu K Y , et al. Construction of vegetation shadow index (SVI) and application effects in four remote sensing images[J]. Spectroscopy and Spectral Analysis, 2013(12):3359-3365. ]

[25]
吴志杰, 徐涵秋 . 卫星影像数据构建山地植被指与应用分析[J]. 地球信息科学学报, 2011,13(5):656-664.

DOI

[ Wu Z J, Xu H Q . A new index for vegetation enhancements of mountainous regions based on satellite image data[J]. Journal of Geo-Information Science, 2011,13(5):656-664. ]

[26]
Holben B, Justice C . An examination of spectral band ratioing to reduce the topographic effect on remotely sensed data[J]. International Journal of Remote Sensing, 1981,2(2):115-133.

DOI

[27]
Colby J . Topographic normalization in rugged terrain[J]. Photogrammetric Engineering and Remote Sensing, 1991,57:531-537.

[28]
李晓琴, 孙丹峰, 张凤荣 . 基于遥感的北京山区植被覆盖景观格局动态分析.[J] 山地学报, 2003,21(3):272-280.

[ Li X Q, Sun D F, Zhang F R . Landscape pattern analysis on change in the fraction of green vegetation based on remotely sensed data in Beijing mountainous area[J]. Journal of mountain science, 2003,21(3):272-280. ]

[29]
江洪, 汪小钦, 陈星 . 一种以FCD模型从SPOT影像提取植被覆盖率的方法[J]. 地球信息科学, 2005,7(4):113-116.

[ Jiang H, Wang X Q, Chen X . A method for abstraction of vegetation density from SPOT image[J]. Journal of Geo-Information Science, 2005,7(4):113-116. ]

[30]
江洪, 王钦敏, 汪小钦 . 福建省长汀县植被覆盖度遥感动态监测研究[J]. 自然资源学报, 2006,21(1):126-132.

DOI

[ Jiang H, Wang Q M, Wang X Q . Dynamic monitoring of vegetation fraction by remote sensing in Changting County of Fujian province[J]. Journal of Natural Resources, 2006,21(1):126-132. ]

[31]
江洪, 汪小钦, 吴波 , 等. 地形调节植被指数构建及在植被覆盖度遥感监测中的应用[J]. 福州大学学报:自然科学版, 2010,38(4):527-532.

[ Jiang H, Wang X Q, Wu B , et al. A Topography-Adjusted Vegetation Index (TAVI) and its application in vegetation fraction monitoring[J]. Journal of Fuzhou University: Natural Science Edition, 2010,38(4):527-532. ]

[32]
Jiang H, Wang S, Cao X J , et al. A shadow-eliminated vegetation index (SEVI) for removal of self and cast shadow effects on vegetation in rugged terrains[J]. International Journal of Digital Earth, 2019,12(9):1013-1029.

DOI

[33]
数据来源于中国科学院计算机网络信息中心地理空间数据云平台( http://www.gscloud.cn.)

[ The data set is provided by Geospatial Data Cloud site, Computer Network Information Center, Chinese Academy of Sciences. ( http://www.gscloud.cn)]

[34]
孙晓霞, 张继贤, 燕琴 , 等. 遥感影像变化检测方法综述及展望[J]. 遥感信息, 2011(1):119-123.

[ Sun X X, Zhang J X, Yan Q , et al. Overview and prospects of remote sensing image change detection methods[J]. Remote Sensing Information, 2011(1):119-123. ]

[35]
张号, 邓强 . 遥感影像变化检测中伪变化信息剔除[J]. 工程技术研究, 2017(4):43-44.

[ Zhang H, Deng Q . Detection of pseudo-variation information in remote sensing image change detection[J]. Engineering Research, 2017(4):43-44. ]

Options
文章导航

/

〈 〉