植被指数的详细描述

基本植被指数

1、Jordan [ 36 ] 于 1969 年提出了最早的 VI 之一，即植物比率指数（RVI），它是基于叶子比红外光吸收更多红色光的原理；RVI 可以在数学上表示为

其中 NIR 是近红外波段反射率，是红波段反射率。根据植被的光谱特征，浓密植物在红波段的反射率较低，与 LAI、叶片干生物量 (LDBM) 和叶片叶绿素含量具有高度相关性。RVI 广泛用于绿色生物量估计和监测，特别是在高密度植被覆盖下，因为该指数对植被非常敏感，并且与植物生物量具有良好的相关性。然而，当植被覆盖稀疏（小于 50%）时，RVI 对大气效应很敏感，它们对生物量的表征很弱。

2、植被差异指数（DVI）是后来提出的[ 38 ]，可以表示为

DVI对土壤背景的变化非常敏感；可应用于植被生态环境监测。因此，DVI 也称为环境植被指数 (EVI)。

3、垂直植被指数 (PVI) [ 38 ] 是对NIR 2D 数据中的绿色植被指数 (GVI) 的模拟。在坐标系中，土壤的光谱响应以斜线（土壤增亮线）表示。后一种效应可以解释为土壤在 NIR 和波段中呈现出高光谱响应。反射率点 ( , NIR) 与土壤线的距离定义为垂直 VI，可表示为：

绿色植被指数的缨帽转换

Kauth 和 Thomas 研究了植被生长过程的光谱模式，并将其称为“尖顶”模式，包括土壤背景反射率和亮度线。缨帽变换是将图像的原始波段转换为一组具有定义解释的新波段，这些波段对植被映射很有用。缨帽变换是通过对原始图像波段进行“线性组合”来执行的，这在概念上类似于称为主成分分析 (PCA) [ 53 ] 的多元数据分析技术。

因为人类活动导致的许多土地覆盖变化发生在 250 m 附近的空间尺度上（Townshend & Justice，1988），本文中描述的土地覆盖变化产品是从 250 m 分辨率下可用的两个 MODIS 波段推导出来的。虽然波段数量有限，但这两个波段都处于红色和近红外波长区间，是植被遥感最重要的光谱区域之一（Townshend 等，1991）。

为了检测这些类型的土地覆盖变化，使用了多种变化检测算法。三种方法利用光谱域，而其余两种基于纹理。具体来说，这些方法是：（1）red-NIR空间划分方法；（2）red-NIR空间变化向量法；(3) 改进的增量空间阈值法；(4) 空间纹理的变化；(5) 线状特征的变化。这些方法的细节在Zhan et al., 1998 , Zhan et al., 2000中给出。表 3总结了每种方法、使用的标准和实施。

为了定量评估地面“真相”与每种变化检测方法的结果之间的比较结果，对每个变化检测案例计算以下度量，即错误率和准确率：

(1)佣金误差（%） =（方法识别但未包含在地面“真实”多边形中的变化像素数）/（方法识别的变化像素总数）×100%。
(2)遗漏误差（%） =（包含在地面“真实”多边形中但未被方法识别的变化像素数）/（包含在地面“真实”多边形中的变化像素总数）×100%。
（3）检测准确率（%） =（地面“真”多边形中包含并通过该方法识别的变化像素数）/（地面“真”多边形中包含的变化像素总数）×100%。
（4）总体准确率（%） =（地面“真实”多边形中包含并通过方法识别的变化像素数）/（图像整个区域内的总像素数）×100%。

检测烧伤区域

燃烧是植物覆盖转换的最重要类型之一。燃烧破坏森林和土地资源，将地表碳储量释放到大气中（Sellers 等人，1995 年），并改变生物圈-大气相互作用Levine 等人，1995 年，Scholes，1995 年通过改变与土地覆盖相关的表面粗糙度、叶面积指数和其他生物物理参数。燃烧也是森林和稀树草原继承和恢复活力的重要因素。因此，关于燃烧事件和燃烧区域的时空分布的定量信息不仅对森林和土地资源管理很重要，而且对大气化学和气候变化研究也很重要。本节以 2000 年的爱达荷-蒙大拿和塞罗格兰德火灾事件为例，报告 VCC 变化检测算法识别烧毁区域的能力。

烧伤区域检测结果如图3所示，其中绿色像素是正确识别的烧伤区域，蓝色是错误标记的烧伤区域，红色是未检测到的烧伤区域。多边形分析表明，五种变化检测方法中的大多数和变化的综合测量方法都能很好地识别烧毁区域。

VCC 变化检测算法的结果针对 USFS 火灾周边多边形进行了多边形评估。绿色表示 VCC 算法和 USFS 多边形识别的烧毁区域。红色表示遗漏错误，蓝色表示佣金错误。地图的算法是：（1）red-NIR空间划分方法；（2）red-NIR空间变化向量法；(3) 改进的增量空间阈值法；(4)纹理变化法；(5)线性特征法；(6)五种方法的整合。黑条长 25 公里

佣金误差像素主要是地形阴影。这些阴影与烧伤区域具有非常相似的光谱和文字特征。这表明在使用卫星数据调查燃烧区域时需要更多信息来区分阴影。

另一种评估方法是将多边形中的所有像素视为已烧毁，并以像素方式将五种方法中的每一种的结果与参考数据集进行比较。在图4中以这种方式描绘了烧伤区域检测结果。正如预期的那样，逐像素评估显然不太有利。五种方法中的三种和五种方法的整合表现得相当好，但由于 USFS 火灾周边多边形内的未燃烧像素，显示出更多的遗漏错误。许多遗漏错误似乎不是真正的错误，而是代表部分烧毁或未烧毁的区域。与传统的 USFS 方法相比，遥感的使用可以在空间上更详细地表示燃烧。表现不佳的修正增量空间阈值方法比其他方法识别出更多的烧毁像素（低遗漏错误率），但其佣金错误超过 80%。高佣金错误可能是由于没有考虑到变化向量的开始或结束位置。这是因为还有其他类型的变化与森林燃烧具有相似的变化幅度和角度。线性特征法几乎漏掉了所有烧毁的像素。该结果的含义是线性特征方法可能对烧伤区域检测没有帮助。它主要用于检测具有人为结构（例如道路和围栏线）的区域的变化。

图 4。VCC 变化检测算法的结果针对 USFS 火灾周边多边形进行了逐像素评估。颜色图例和 VCC 方法编号与图 3中的相同。

为了评估五种方法中的每一种方法及其整合的结果，按照第 3 节步骤 (6) 中描述的程序生成了参考烧伤区域位图。

图 6展示了五种 VCC 方法中每一种方法的烧伤区域检测结果，以及它们与参考位图的集成。如图4 所示，绿色表示该方法正确识别烧毁像素的位置。蓝色为委托错误，红色为遗漏错误。表 5列出了每个结果的错误率和准确率. 三种光谱方法的性能明显优于两种纹理方法。变异系数变化检测方法性能不佳的一个原因可能是5月初获取的图像在较干燥的季节具有较大的异质性。5 月下旬，温暖的天气融化了山雪，提供了更好的水分条件，并引起了类似于与燃烧相关的纹理变化的变化。线性特征法再次错过了所有烧毁的像素。该地区缺乏线性特征变化是原因之一。表 3中描述的综合测量变化的结果相当不错。修正 delta 法和 CV 变化法相对较大的调试误差没有传递到积分结果中。这表明这些方法确实是相互补充的，并且集成过程有助于改善变化检测结果。

图 6。根据为 Cerro Grande 规定的火灾生成的参考燃烧区域位图评估 VCC 变化检测算法的结果。颜色图例和 VCC 方法编号与图 3中的相同。

检测洪水/洪水撤退

**洪水是另一种自然灾害，可导致大量植被覆盖转化。洪水会对道路、建筑物和农田等人类结构造成破坏。它对土地覆盖的影响也很大（Baldwin & Mitchell，2000）。**卫星遥感是监测洪水范围、损害和洪水频率的最有效方法Islam & Sado, 2000 , Zhou et al., 2000。MODIS 每日覆盖全球，应该是最有用的洪水监测卫星传感器。本节评估了 2000 年 9 月东南亚洪水的洪水范围和巴拉圭-阿根廷边境地区的水面面积变化。

按照第 3 节中描述的程序，将 VCC 算法应用于图 7中的两幅图像，考虑了五种覆盖类型：森林、短植被、裸地、水、云和云影。对于这个 VCC 应用程序，只有森林、植被或裸地转化为水的变化才是有意义的。由于没有可用于洪水的地面观测数据，因此在第 3 节中程序的步骤 (6) 之后生成了洪水区域的参考位图。得到的参考位图以红色覆盖在图 8中的时间 2 MODIS 图像上. 由于难以判断地表在云层下是陆地还是水面，因此将云层或云层阴影区排除在外。因此，参考位图中的淹没区域内有一些数据丢失。VCC 250 m 合成图像中的额外时间覆盖将消除这种影响。

如图8和表 6显示，red-NIR 空间划分方法、变化向量方法和五种方法的集成相对于参考位图表现得相当好。这两种纹理变化检测方法不适用于洪水检测。这可能是由于该地区水面和高度植被表面的均匀性造成的。改进的 delta 方法的性能不佳是由于与淹没像素和非淹没像素与植被像素相关的变化向量之间的差异微不足道。方法性能上的差异表明，只有变化向量法、空间分割法或它们的集成对检测柬埔寨等高植被地区的洪水区域有用。

图 8。VCC 变化检测算法的结果根据图 7中 2000 年柬埔寨洪水的洪水区域参考位图进行评估。颜色图例和 VCC 方法编号与图 3中的相同。

在图 10中，根据参考位图评估了 5 种 VCC 方法识别的后退洪水区域及其整合，错误率和准确率列于表 7中。结果表明，对于检测洪水退去的区域，空间分割法和变化向量法的性能优于其他方法，但线性特征法不起作用。CV 纹理方法在这种情况下比柬埔寨洪水案例效果更好，这可能是因为这种情况下洪水区域的规模远小于柬埔寨案例。

图 10。VCC 变化检测算法的结果根据图 9中的洪水区参考位图评估了2000 年泰国-老挝边境地区的洪水。颜色图例和 VCC 方法编号与图 3中的相同。

森林砍伐检测

这些结果表明，与大规模洪水或燃烧的检测相比，小规模森林砍伐区域的检测相对困难。综合 VCC 结果的检测准确率仅为 74%，存在较高的佣金（68%）和遗漏（26%）错误。五种 VCC 变化检测方法的性能比对显示了变化向量方法的相对强度，这与洪水和燃烧检测案例的结果相似。五种方法的集成性能不如单独的变化向量方法（见表8较高的遗漏误差和较低的检测精度），如前面案例中提出的变化检测案例所示。这证实了变化向量方法的有用性。

(1) MODIS VCC 产品的 5 种变化检测方法中有 4 种可以令人满意地检测淹水区、烧毁区和森林砍伐，只要修改阈值以进行实际 MODIS 反演。这些方法是**red-NIR空间分割法、red-NIR空间变化向量法、modified-delta空间阈值法和变异系数变化检测法。**线性特征方法不适用于本文提出的六种变化检测案例中的任何一种。它将在道路建设活跃的地区具有更大的价值

(2)在不同类型的土地覆被变化中，VCC变化检测方法对大面积洪水和燃烧的检测效果更好。对于检测不完整的森林砍伐，这些方法会产生很大的佣金错误。

(3) 在四种可行的变化检测方法中，red-NIR 空间变化向量法在所有六种情况下的表现都令人满意，并且在六种情况中的四种情况下表现最好。

(5) 红色-NIR 空间划分方法对两种烧伤区域检测情况都非常有效。对于检测潮湿地区的水面变化和小片的森林砍伐，这种方法可能会有很高的佣金误差。

(6) VCC产品的多种方法集成策略被证明是有效的。对于本文中介绍的所有情况，集成的性能总体上是令人满意的。这表明所选择的方法确实是相互补充的，至少对于 red-NIR 空间划分方法、变化向量方法和 CV 变化检测方法是这样。

采用了近红外空间划分方法

人类活动引起的土地覆盖变化大多与地表亮度和绿度变化有关。因此，一个像素在亮度和绿度二维空间中不同时间点的位置，应该表明是否发生了变化以及发生了何种类型的变化。由于亮度可以用反照率来表示，而绿度可以用MODIS波段2和波段1的差值来表示，因此亮度绿度空间是红色和近红外空间顺时针旋转45°。此外，在红色近红外空间中，一个点的归一化植被指数(Normalized difference Vegetation Index, NDVI)的值与原点与该点连线的斜率有关。经过原点的直线上的所有点都具有相同的NDVI值。对于给定的地理区域和一年中的时间，各种土地覆盖类型的光谱特征在红色-NIR 空间中具有特征范围。红色近红外空间划分方法利用这些特征的土地覆盖特征来检测变化。
红色近红外空间与亮绿空间的关系及各类土地覆被类型的典型特征。

该方法将红色近红外空间划分为五个类：森林(高大的木质植被，树冠覆盖超过40%)，非森林(短草本和木本植被，冠层覆盖少于40%)，裸露的地面，水体，还有烧伤疤痕。通过比较像素的位置在红色的近红外光谱空间时间1和时间2,我们可以确定是否发生了五个覆盖类型之间的转换。该方法与经典的分类差分法相似，但有以下几个重要区别:(1)与更详细的土地覆被分类相比，该方法仅区分了5类具有光谱差异的土地覆被分类;(2)在时间1(类间无混淆的光谱空间，具体解释见5.1)将一种覆盖类型的核心区在光谱空间中迁移到时间2的另一种覆盖类型的核心区时，将像素标记为仅在核心区中迁移时发生变化的像素。核心区和光谱空间中代表混合覆盖类型的区域之间的迁移不被标记为变化。这避免了高估已经改变的像素的问题，这是经典的分类差分方法的问题。为了实现250 m土地覆被变化产品的红色近红外空间划分方法，需要一组lut来确定核心区。第5节描述了这些lut的生成。

红-近红外空间变化向量法

red-NIR空间变化向量方法是基于假设土地覆被转换可以用一个表示像素点在red-NIR空间从时刻1到时刻2位置变化的向量来表征。变化矢量的起始和结束位置、方向和大小用于确定是否发生了变化以及发生了何种类型的变化。换句话说，变化向量方法使用了红色近红外空间中位置的状态和动态信息，并与5种覆盖类型的已知光谱特征相比较(图5)。例如，如果森林在时间1和时间2之间没有转换，季节变化不显著，则光谱特征不会发生实质性变化，变化矢量的大小为零或接近于零。如果森林被开垦用于农业或城市发展，成为裸地，那么变化向量一般会从低亮度、高绿度向高亮度、低绿度移动，即在红色近红外空间与红色轴平行。当森林被烧毁时，在红色近红外空间中，绿度和亮度同时下降，对应的变化矢量向近红外轴平行但负向移动。这些例子说明了变化矢量的动力学、大小和方向在识别土地覆盖变化方面的效用。然而，不同类型变化相关的变化向量在大小和方向上可能具有相似的值，如图5所示，森林到裸地和非森林植被到裸地的变化。在这种情况下，状态信息，即变化矢量的起始和结束位置，可以表示变化的类型。

红色近红外变化矢量方法与传统的多光谱或多时相变化矢量方法不同，(1)除了矢量的大小和方向外，还利用矢量的起始或结束位置;(2)利用决策树方法(见5.2)区分不同类型变化的特征特征，而不是简单地为变化幅度和/或方向设置一个阈值。红色近红外空间变化矢量的幅度A和方向h由时间1和时间2的波段1和波段2的相对值计算，公式如下：


改进了delta空间阈值法

由于植被的季节变化不属于我们感兴趣的土地覆被变化类型，我们采用改进的delta空间阈值方法来补偿季节差异，以避免老化的物候变化作为真正的变化。红色近红外空间中的变化矢量可以转换为红色(DrRed)和近红外(DrNIR)空间(简称为delta空间)，其中delta表示时间1和时间2之间的反射率差。通过这种转换，所有像素的更改矢量都从原点开始。delta-亮度和delta-绿度空间可以与delta-red和delta-NIR空间叠加，这有助于根据变化类型来解释变化矢量。修正后的delta空间是在drRed和drNIR坐标系下测量的，这两个坐标系经过drRed和drNIR的修正，以考虑反射率的预期季节变化。在数学上，如果像素的覆盖类型的红色和近红外反射率的时间1和时间2的平均值分别为MRed T1、MRed T2、MNIR T1和MNIR T2，则

有了这种季节性补偿，与季节变化相关的反射率波动的影响在理论上被消除。drRed和drNIR值显著大于0，反映了真实的土地覆被变化。对于MODIS 250m土地覆被变化产品，采用改进的delta空间阈值方法，通过以下步骤来标识是否发生了变化以及发生了何种类型的变化。

使用一组覆盖类型的LUTs，即5种覆盖类型中每一种在时间1的波段1和波段2反射率值的范围，使用波段1和波段2的反射率和一组覆盖类型的LUTs确定每个像素的覆盖类型。

用式(6)和式(7)计算drRed和drNIR的值。

将方程(1)(3)中的DrRed和DrNIR代入dr Red和DrNIR计算A和h。

根据计算出的A和h，结合步骤(1)中确定的覆盖类型的变化LUTs，确定变化是否已经发生，以及变化的类型。
5中描述了覆盖型lut和变化型lut

纹理变化检测方法

**纹理特征描述了一个波段内或多个波段组合中反射的空间分布或异质性。关于空间分布的信息与光谱特征提供的信息互补。我们旨在使用此产品检测的大多数土地覆盖变化都对应于纹理特征的变化。例如，由伐木或耕作引起的森林砍伐通常增加了这些地区边界上的森林砍伐地区的异质性。**沙漠中的农业扩张也增加了景观的异质性。

许多纹理特征的度量方法已经被提出。在将其中一些措施应用于测试数据集后，我们发现使用 3 像素 x 3 像素内核纹理中相邻像素的 NDVI 值的变异系数**（CoV：标准差除以平均值）**是有效的 变化检测测量。对于 250 m MODIS 土地覆盖变化产品的发布版本，我们使用以下标准来标记变化的像素：如果 |CoVT2 - CoV T1| >4，然后将像素标记为已更改，其中 CoV T1 和 CoV T2 分别是围绕 T1 和 T2 像素的 3x3 像素内核中 NDVI 的 CoV 值。

线性特征变化检测方法

线性特征变化检测方法是基于人类活动引起的许多土地覆盖变化与道路、电力线通行权或田地边缘等明确边界相关的观测。如果在时间2观察到线性特征，但在时间1不存在，可以推断变化已经发生。线性特征变化检测方法包括三个步骤:(1)利用边缘增强方法对相邻像素的灰度水平进行处理，实现线性特征的高亮;(2)分别在时间1和时间2的边缘增强图像中识别线性特征;(3)如果在时间2而不是时间1识别出一个线性特征，则标记像素为变化。

**探索性分析发现，**波段1(红色)反射率在鉴别线性特征方面比波段2或基于波段1和波段2组合的指标更好。第1波段反射率的步骤(1)边缘增强计算像素周围的3x3图像核中每个像素和每个邻居的灰度值的绝对差的平均值。在步骤(2)中，使用以下规则导出线性特征存在的连续指示器:通过3x3图像核中的中心像素在四个方向的每个方向上，找到边缘增强的最小值，然后保存这四个最小值的最大值。步骤(3)如果步骤(2)的结果大于等于3.7，则将该像素标记为包含边，如果时间2中存在边而时间1中不存在边，则将该像素标记为变化。

用于实现和测试变更检测算法的数据集

使用上述变化检测算法，将从MODIS波段1和波段2获取的数据生成250 m MODIS土地覆盖变化产品。然而，为了获得开发该产品所需的算法所需的lut，在获得真实的MODIS数据之前，需要一个全球的红色和近红外地表反射率数据集。此外，为了测试变化检测方法的性能，需要测试站点的模拟MODIS数据。为了实现这些目的，我们使用两种现有的遥感数据。首先，主要利用AVHRR数据和Landsat TM光谱数据生成三种光谱方法(红色近红外空间划分法、变化向量法和改进的delta空间阈值法)的LUTs;其次，利用Landsat TM影像对模拟数据集，对5种变化检测方法进行了测试。第4.1和4.2节描述了这些数据集。

L UT s为红色的近红外空间划分方法