一、植被指数的抗大气影响探讨（论文文献综述）
张仁华,饶农新,廖国男[1]（1996）在《植被指数的抗大气影响探讨》文中进行了进一步梳理提出一个应用方便的标准化差值植被指数（ＮＤＶＩ）的大气纠正方法。在大气阻抗植被指数（ＡＲＶＩ）的基础上，运用大气下向光谱的同步实例值以及大气辐射传输方程，得到纠正ＮＤＶＩ的关键参数γ↑。改进了ＡＲＶＩ的γ↑始终等于１ 的计算方法。同时也不必采用５ｓ模型进行预处理。所得新的抗大气影响植被指数（ＩＡＶＩ）为：ρｎｉｒ－ 〔ρｒ－ γ↑（ρｂ－ ρｒ）〕ρｎｉｒ＋ 〔ρｒ＋ γ↑（ρｂ－ ρｒ）〕。式中的γ↑值的变化范围可从０．６５ 到１．２１ 之间。对于混浊大气γ↑值随观测角变化更大。还提供了一组根据气象资料计算γ↑值的近似公式。根据应用表明ＩＡＶＩ比ＮＤＶＩ有明显的抗大气影响效果
李喆,胡蝶,赵登忠,向大享[2]（2015）在《宽波段遥感植被指数研究进展综述》文中研究说明植被指数是地表资源环境管理和定量评价中的一个关键性指标,能有效地描述绿色植物长势和生物量信息。从绿色植被遥感光谱特性分析出发,系统介绍几种具有代表性的宽波段植被指数模型,将其划分为3大类型,即数值计算型、土壤调节型和大气调节型。数值计算型主要包括比值植被指数、差值植被指数、归一化差值植被指数等,其计算值的物理意义不清楚。土壤调节型主要包括垂直植被指数、土壤调节植被指数、全球环境监测指数等,通过引入土壤调节因子来突出植被信息,减少土壤背景的干扰。大气调节型主要包括抗大气植被指数、大气影响抗阻植被指数、增强型植被指数等,通过引入大气调节因子来突出植被信息,减少大气气溶胶的影响。最后,对各类模型存在的问题和下一步的发展方向进行了较为深入的探讨。
张晗,赵小敏,郭熙,张佳佳,叶春,叶英聪,欧阳真程,王芳东,李小毛[3]（2018）在《基于冠层高光谱信息的水稻生长监测应用研究进展》文中指出水稻是我国主要的粮食作物,与传统的诊断方法相比,光谱与成像技术具有快速、准确、无损探测和获取水稻养分生理信息的优势,是水稻生长监测和田间精细化管理以及指导农业生产不可或缺的理论基础和关键技术。介绍高光谱技术常用的数据处理与变换方法、建模与模型验证方法,总结国内外近40年来光谱分析技术在叶面积指数、生物量、养分、叶绿素含量、植被指数、病虫害和水分等作物生长信息检测中的应用研究进展,剖析水稻光谱诊断技术亟待解决的问题,为提高水稻精确管理水平和实现精准农业提供技术支撑。最后指出,基于计算机视觉和图像处理技术,利用数码相机RGB（red,green,blue）和HSV（hue,saturation,value）等2种颜色模型以及在多因子交互作用条件下进行水稻参数分析是未来的发展趋势。
孙小琼[4]（2017）在《基于植被指数的水资源遥感定量反演模型与预测研究 ——以贵州省为例》文中进行了进一步梳理植被是联结大气、土壤和水分的自然纽带,而植被类型作为影响流域赋水强弱的主要因素之一,即植被的变化情况可以从侧面反映水资源丰欠的变化。本文利用2005-2011年间美国USGA发布的LANDSAT5数据,基于RS和GIS技术,提取DVI、RVI、EVI、NDVI、TVI五种植被指数,并结合相应的水文资料（降水量、径流深）,通过对相关性和灰色关联分析,研究近7a来贵州省植被覆盖变化与流域水资源的关系。主要结论如下:（1）贵州省喀斯特流域的降水量与landsat5遥感影像植被指数（DVI、RVI、EVI、NDVI、TVI）,通过统计学相关分析法和灰色关联分析法对二者之间的关系进行探究。总体上看,研究区降水量与同期植被指数DVI、RVI、NDVI、TVI之间存在较好的相关性;降水量与DVI、RVI、EVI、NDVI、TVI的关联度均较高,都是在0.8以上,五种植被指数均与降水量关系较密切。此外,通过对比3月份、9月份植被指数与降水量的关系,得出二者相关性是3月优于9月。（2）研究区径流深与植被指数（DVI、RVI、EVI、NDVI、TVI）均呈正相关关系,3月份径流深与DVI、RVI、EVI、NDVI、TVI的相关系数分别为0.682、0.770、0.717、0.662、0.637。9月相关系数RVI最高,相关系数为0.746;TVI和NDVI次之,相关系数分别为0.727和0.718;再次为DVI,其相关系数为0.691;EVI的相关性最差,系数为0.576。通过关联度分析,3月和9月DVI、RVI、EVI、NDVI、TVI五种植被指数均与径流深有密切的关系。（3）在对降水量的监测中,总体而言,曲线模型中的三次多项式方程和多元线性模型比二次多项式的拟合精度更高。即相对于二次多项式来说,曲线模型和多元线性回归模型更能反映植被指数与降水量的关系。而在径流深与植被指数的构建的数学模型中,指数模型与多元线性模型的拟合精度较好,指数模型3月和9月R2高达0.8以上。（4）在植被指数与降水量的回归关系模型中,无论是3月还是9月,三次多项式模型优于其他曲线模型（二次多项式和指数回归模型）。基于RVI建立的三次多项式关系模型的R2,3月份和9月份分别达到了0.653、0.774,并对三次多项式模型进行验证,发现实测值与预测值非常接近,平均误差分别为18%和7%。综上,说明三次多项式模型可以满足喀斯特地区水资源的宏观监测的需要,也说明三次多项式关系模型用来监测降水量是一种简单有效、切实可行的方法。在植被指数与径流深的构建的数学模型中,多元线性模型与指数模型R2均大于0.7,模拟效果较好。（5）不同植被指数与水资源的内在联系是有差异的,植被指数与同期径流深的密切程度高于降水量与植被指数。其中,与径流深和降水量相关性最好的是比值植被指数（RVI）。
罗亚,徐建华,岳文泽[5]（2005）在《基于遥感影像的植被指数研究方法述评》文中认为随着遥感技术的发展,植被指数作为用来表征地表植被覆盖和生长状况的度量参数,已经在环境、生态、农业等领域有了广泛的应用。本文在分析植被指数形成机制及影响因子的基础上,对其具有一定技术突破的典型植被指数进行了归纳分类与比较分析,并评价了各自的优势和局限性。植被指数按遥感数据采集的平台可以分为航空植被指数和航天植被指数两大类,其中航天植被指数又可以分为基于波段简单线性组合的植被指数、消除影响因子的植被指数和针对高光谱遥感及热红外遥感的植被指数三类。最后就植被指数应用中存在的问题以及发展前景谈了一些看法:植被指数数目繁琐重复,急待规范条理化;植被指数应用领域不同,使用者时要慎重;植被指数影响因子很多,具体使用时应适时修正;植被指数公式繁琐阻碍其应用,应开发植被指数产品;遥感技术日新月异,积极研发新的植被指数。
段纪维,钟九生,江丽,代仁丽,何志远,林双双,何鑫[6]（2020）在《基于哨兵2可见光波段的喀斯特地区植被提取方法》文中进行了进一步梳理为了从可见光波段准确的提取植被信息,研究喀斯特地貌植被在可见光范围内的相关特征,利用哨兵2影像可见光波段,建立红、绿、蓝3个波段的波谱空间特征。结果表明:植被光谱在蓝-绿的空间比值特征与其他地物存在可分离性,而且植被的亮度值在3个可见光内都相对较低。提取的植被结果与归一化差异植被指数（NDVI）、过绿指数（EXG）、超绿超红差异指数（EXGR）、植被指数（VEG）、可见光波段差异指数（VDVI）、归一化绿红差异指数（NGRDI）和归一化绿蓝差异指数（NGBDI）对比,其精度达到92.67%,优于其他可见光提取方法,表明该方法在可见光波段对喀斯特地区植被提取的有效性。
何涛[7]（2006）在《荒漠草原生物量监测研究中植被指数选择的初步探讨》文中认为荒漠草原是我国北方典型草原带与荒漠区之间的狭长过渡带,呈东北—西南走向。荒漠草原在生态和经济方面具有重要意义,但我国对荒漠草原的研究还不够深入,在应用先进的遥感技术与基础调查数据结合对荒漠草原进行研究方面还有欠缺。本文对植被的光谱特征进行介绍,概述了常用的植被指数及其优缺点。探索选择适合荒漠草原监测的植被指数方法的思路。
郭铌[8]（2003）在《植被指数及其研究进展》文中指出介绍了植被的光谱特征,概述了几种常见的植被指数及其优缺点。对MODIS探测器监测植被的特点和美国NASA归一化差值植被指数（NDVI）和增强植被指数（EVI）产品特性和不足做了说明,指出了研究西北地区MODIS植被指数的重要意义。
张学艺[9]（2009）在《基于EOS/MODIS的几种植被指数》文中研究指明从EOS卫星的中分辨率光谱仪MOD IS出发,选取已定义的40多种植被指数中最常用的几种指数进行重点介绍,并对已有的研究成果进行总结,指出优劣,为实际业务应用和科研提供参考。针对MOD IS的植被指数合成算法进行了详尽介绍,以将其与AVHRR植被指数的合成算法区别开来。结合西北当前在MOD IS植被指数方面的研究和应用情况进行了总结。
傅银贞,汪小钦[10]（2010）在《基于北京一号CCD数据的植被指数特性分析》文中提出植被指数是遥感领域用来表征地表植被覆盖及生长状况简单而有效的度量参数,在环境、生态、农业等领域都有广泛的应用。但由于植被指数繁多,在选择和应用植被指数时往往很随意或盲目。本文以北京一号覆盖永安市的CCD多光谱数据为例,基于光谱、方差和多重分析方法,对13种植被指数特性进行分析。结果表明:RGNDI、RGRI、MSAVI、TNDVI、NDGI可以较好区分农田和浓密林地;RGNDI、NDGI、RGRI可以有效地消除阴影的影响,却易与水体混淆;在不考虑阴影的情况下,NDVI、RVI、RDVI、GRNDVI比RGNDI、NDGI、RGRI可以更好区分不同覆盖程度的植被。
二、植被指数的抗大气影响探讨（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、植被指数的抗大气影响探讨（论文提纲范文）
（2）宽波段遥感植被指数研究进展综述（论文提纲范文）
| 1 研究进展 |
| 2 数值计算型植被指数 |
| 2. 1 比值型植被指数 |
| 2. 1. 1 比值植被指数( RVI) |
| 2. 1. 2 归一化差值植被指数( NDVI) |
| 2. 1. 3 转换植被指数( TVI) |
| 2. 1. 4 宽动态植被指数( WDRVI) |
| 2. 2 差值型植被指数 |
| 2. 2. 1 差值植被指数( DVI) |
| 2. 2. 2 加权差值植被指数( WDVI) |
| 2. 2. 3 再归一化植被指数( RDVI) |
| 2. 3 模型评价 |
| 3 土壤调节型植被指数 |
| 3. 1 垂直植被指数 |
| 3. 2 土壤调节植被指数 |
| 3. 2. 1 土壤调节植被指数( SAVI) |
| 3. 2. 2 转换型土壤调节植被指数( TSAVI) |
| 3. 2. 3 修正型土壤调节植被指数( MSAVI) |
| 3. 2. 4 优化型土壤调节植被指数( OSAVI) |
| 3. 2. 5 综合型土壤调节植被指数( GESAVI) |
| 3. 3 全球环境监测指数 |
| 3. 4 模型评价 |
| 4 大气调节型植被指数 |
| 4. 1 抗大气植被指数 |
| 4. 2 大气影响抗阻植被指数 |
| 4. 3 增强型植被指数 |
| 4. 4 模型评价 |
| 5 结 语 |
（3）基于冠层高光谱信息的水稻生长监测应用研究进展（论文提纲范文）
| 1 水稻长势监测 |
| 1.1 水稻叶面积指数的监测 |
| 1.2 生物量的监测 |
| 1.3 水稻叶绿素含量的监测 |
| 2 水稻高光谱参数与信息提取方法 |
| 2.1 高光谱数据的处理与变换 |
| 2.1.1 反射光谱连续统去除法 |
| 2.1.2 光谱反射率数据变换法 |
| 2.2 光谱建模方法与模型验证 |
| 2.3 光谱特征位置变量分析与“三边参数” |
| 2.4 高光谱植被指数 |
| 3 水分监测 |
| 4 水稻营养诊断 |
| 4.1 水稻氮营养诊断与研究 |
| 4.2 水稻磷营养诊断与研究 |
| 4.3 水稻钾营养诊断与研究 |
| 5 水稻病虫害的胁迫 |
| 6 研究尚须解决的问题与研究方向 |
| 6.1 尚须解决的问题 |
| 6.1.1 高光谱遥感农学参数与反演模型精度的鲁棒性、动态性和普适性有待提高 |
| 6.1.2 多因子交互作用条件下光谱敏感特征的稳定性考虑相对欠缺 |
| 6.2 研究方向 |
（4）基于植被指数的水资源遥感定量反演模型与预测研究 ——以贵州省为例（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究目的和研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 遥感定量研究进展 |
| 1.2.2 植被指数(VI)研究进展 |
| 1.3 研究内容、方法及技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 第二章 研究区概况和数据来源 |
| 2.1 研究区概况 |
| 2.2 数据源的选取 |
| 2.2.1 水文数据 |
| 2.2.2 遥感数据 |
| 第三章 研究区植被指数与降水量的响应关系 |
| 3.1 3 月植被指数与同期降水量的响应关系 |
| 3.1.1 相关性分析 |
| 3.1.2 灰色关联分析 |
| 3.1.3 模型构建与检验 |
| 3.2 9 月份植被指数与降水量的响应关系 |
| 3.2.1 相关性分析 |
| 3.2.2 灰色关联分析 |
| 3.2.3 模型构建与检验 |
| 3.3 本章小结 |
| 第四章 研究区植被指数与径流深的响应关系 |
| 4.1 3 月份植被指数与径流深的响应关系 |
| 4.1.1 相关性分析 |
| 4.1.2 灰色关联分析 |
| 4.1.3 建立模型与检验 |
| 4.2 9 月植被指数与径流深的相关性分析 |
| 4.2.1 相关性分析 |
| 4.2.2 灰色关联度分析 |
| 4.2.3 建立模型与检验 |
| 4.3 本章小结 |
| 第五章 结论与不足 |
| 5.1 结论 |
| 5.2 存在的问题 |
| 参考文献 |
| 附录 |
| 致谢 |
（5）基于遥感影像的植被指数研究方法述评（论文提纲范文）
| 1 主要植被指数的类型及其计算方法 |
| 1.1 航空遥感 |
| 1.2 航天遥感 |
| 1.2.1 基于波段简单线性组合的植被指数 |
| 1.2.2 消除影响因子的植被指数 |
| 1.2.3 针对高光谱遥感及热红外遥感的植被指数 |
| 2 植被指数研究的问题与展望 |
（6）基于哨兵2可见光波段的喀斯特地区植被提取方法（论文提纲范文）
| 1 研究区概况 |
| 2 研究方法 |
| 2.1 数据来源 |
| 2.2 方法原理 |
| 2.3 实验数据选取 |
| 2.4 地类样本选取 |
| 3 结果与分析 |
| 3.1 光谱分析 |
| 3.2 植被阈值分析 |
| 3.3 光谱比值分析 |
| 3.3.1 地物光谱散点对比分析 |
| 3.3.2 方程构建 |
| 3.4 提取结果分析 |
| 3.5 不同植被指数分析 |
| 4 讨论与结论 |
（7）荒漠草原生物量监测研究中植被指数选择的初步探讨（论文提纲范文）
| 1 引言 |
| 2 植被指数研究进展 |
| 3 植被指数选择的初步探讨 |
| 4 结语 |
（8）植被指数及其研究进展（论文提纲范文）
| 引 言 |
| 1 植被指数的定义 |
| 1.1 植被的光谱特征 |
| 1.2 植被指数的发展史 |
| 2 MODIS植被指数 |
| 3 结 语 |
（9）基于EOS/MODIS的几种植被指数（论文提纲范文）
| 1 EOS/MODIS介绍 |
| 2 几种EOS/MODIS植被指数介绍 |
| 3 MODIS植被指数的合成 |
| 4 结语 |
（10）基于北京一号CCD数据的植被指数特性分析（论文提纲范文）
| 1 引言 |
| 2 研究技术路线和方法 |
| 2.1 研究技术路线 |
| 2.2 研究方法 |
| 3 植被指数的计算 |
| 4 结果与分析 |
| 4.1 植被指数光谱分析 |
| 4.2 植被指数的方差分析 |
| 4.3 植被指数的多重比较分析 |
| 5 结束语 |
四、植被指数的抗大气影响探讨（论文参考文献）
- [1]植被指数的抗大气影响探讨[J]. 张仁华,饶农新,廖国男. 植物学报, 1996(01)
- [2]宽波段遥感植被指数研究进展综述[J]. 李喆,胡蝶,赵登忠,向大享. 长江科学院院报, 2015(01)
- [3]基于冠层高光谱信息的水稻生长监测应用研究进展[J]. 张晗,赵小敏,郭熙,张佳佳,叶春,叶英聪,欧阳真程,王芳东,李小毛. 江苏农业科学, 2018(12)
- [4]基于植被指数的水资源遥感定量反演模型与预测研究 ——以贵州省为例[D]. 孙小琼. 贵州师范大学, 2017(02)
- [5]基于遥感影像的植被指数研究方法述评[J]. 罗亚,徐建华,岳文泽. 生态科学, 2005(01)
- [6]基于哨兵2可见光波段的喀斯特地区植被提取方法[J]. 段纪维,钟九生,江丽,代仁丽,何志远,林双双,何鑫. 林业资源管理, 2020(06)
- [7]荒漠草原生物量监测研究中植被指数选择的初步探讨[J]. 何涛. 内蒙古草业, 2006(01)
- [8]植被指数及其研究进展[J]. 郭铌. 干旱气象, 2003(04)
- [9]基于EOS/MODIS的几种植被指数[J]. 张学艺. 安徽农业科学, 2009(26)
- [10]基于北京一号CCD数据的植被指数特性分析[J]. 傅银贞,汪小钦. 测绘科学, 2010(06)