植物表型程序学习（二）

接上文

（三）归一化植被指数计算(NDVI)

(1)归一化植被指数概念

1.NDVI（Normalized Difference Vegetation Index,归一化差分植被指数,标准差异植被指数)，也称为生物量指标变化，通过测量近红外（植被强烈反射） 和红光（植被吸收）之间的差异来量化植被，可使植被从水和土中分离出来

2.NDVI的范围始终为-1至+1。但是每种类型的土地覆盖并没有明确的界限，例如，当值为负数时，很可能是水。另一方面，如果NDVI值接近+1，则很有可能是茂密的绿叶。然而，当NDVI接近于零时，没有绿叶，甚至可能是城市化区域。

3.NDVI是分析人员在遥感中最常用的指标。

(2)NDVI基本原理：

植物叶片组织对蓝光(470nm)和红光(650nm)有强烈吸收，而对绿光和红外光强烈反射。

叶片中心的海绵组织和叶片背面组织对近红外辐射(NIR, 700-1000nm)反射较强。

从红光(Red)到红外光(NIR)，裸地反射率较高但增幅很小。

植被覆盖越高，红光反射越小，近红外光反射越大。红光吸收很快达到饱和，而近红外光反射随着植被增加而增加。

所以，任何强化Red和NIR差别的数学变换都可以作为植被指数，来描述植被状况。归一化植被指数(NDVI)就被定义为:

此公式的结果生成一个介于-1和+1之间的值。如果红色通道的反射率较低（或较低的值），而NIR通道的反射率较高，则将产生较高的NDVI值。反之亦然。

(3)NDVI在农业中示例

检查一下中心枢纽灌溉的农业区的NDVI。枢轴灌溉在一个点上旋转，从而创建圆形作物图案。

真实的颜色是红色，绿色和蓝色条带的外观。真实的色彩是因为其与我们的眼睛所见相同。

在公式中，可以看到NDVI如何利用近红外（NIR）。因此，当将NIR波段显示为红色时，得到的是红外色。我们说彩色红外是因为近红外在红色通道中。正如在下面看到的那样，支点灌溉植被应该已经以鲜红色显示出来

应用公式时，亮绿色表示NDVI高。而红色的NDVI较低。因此，通过测量近红外光（植被强烈反射）和红光（植被吸收）之间的差异来量化植被。

(4)具有NDVI近红外功能的卫星

Sentinel-2，Landsat 和SPOT 等卫星会产生红色和近红外图像

15 个免费卫星图像数据源：15 Free Satellite Imagery Data Sources - GIS Geography

(5)植被指数

这里扩展一下植被指数的概念：

根据波段间的比值运算能够提取植被的算法，称为植被指数(Vegetation Index，VI)

• 比值植被指数(RVI:Ratio Vegetation Index)：RVI=NIR/R
• 归一化植被指数(NDVI:Normalized Vegetation Index)：NDVI = (NIR-R)/(NIR+R)
• 差值植被指数(DVI:Difference Vegetation Index)：DVI=NIR-R

(6)归一化植被指数代码学习

1.python包中的functools，reduce, operator

functools：用于高阶函数，指那些作用于函数或者返回其它函数的函数，通常只要是可以被当做函数调用的对象就是这个模块的目标。

operator：标准运算符替代函数，例如，operator.add(x, y) 与表达式 x+y 相同。 许多函数名与特殊方法名相同，只是没有双下划线。为了向后兼容性，也保留了许多包含双下划线的函数。为了表述清楚，建议使用没有双下划线的函数。函数包含的种类有：对象的比较运算、逻辑运算、数学运算以及序列运算。

reduce：python3中，内置函数中已经没有reduce了。要使用reduce，需要从functools模块里引入

reduce有三个参数，第一个是函数function，第二个是序列sequence，第三个是initial，为初始值，可以忽略。可以看到源代码中已经使用了两个参数

2.多维数组的直方图函数

1)histogram：直方图

2)gd.numpy.searchsorted()

根据函数定义，该函数在应该插入元素以保持顺序的地方查找索引。将索引查找到排序数组“a”中，这样，如果“v”中的相应元素被插入索引之前，则“a”的顺序将被保留。

2)gd.numpy.sort()

返回数组的排序副本

3)gd.numpy.concatenate()

沿现有轴连接一系列阵列

3.ndvi数据的输出

该代码主要目标是计算归一化指数并保存彩色的NDVI数据为geotiff图片

读入NIR和Red图，并对数据进行处理，然后对数据进行输出

这里看一下SaveArray( )函数的定义

输出图如下

（四）土壤调节植被指数 (SAVI)

(1) SAVI概念

(SAVI) 方法是试图通过土壤亮度校正系数最小化土壤亮度影响的植被指数。 它通常用在植被覆盖率较低的干旱区域，其输出值在 -1.0 到 1.0 之间。

SAVI = ((NIR - Red)/(NIR + Red + L)) * (1 + L)

(2) SAVI代码学习

该代码可以获取土壤和植被的uint8格式图像，如下图所示

主要代码分为几块

1.读取土壤和植被NIR和Red图像的处理数据（是多维数组）

2.获取土壤和植被的SAVI数据

3.绘制土壤和植被的uint8格式图像

（五）冠层覆盖度

上面已经计算量土壤调节植被指数 (SAVI)

这里接着对冠层覆盖度进行计算绘图

如下图所示

主要代码分析

红色图框中在获取掩码数据后进行比例计算获取"冠层覆盖度"

随后使用matlab绘图方法绘制冠层覆盖度