本发明公开了一种抗地形效应与背景影响的新型植被指数的校正方法，包括A收集植被的遥感影像和DEM数据；B由所述DEM数据计算坡度、坡向，对所述遥感影像进行大气校正，获得地表反射率；C根据坡度数据和地表反射率计算各像元对应的植被指数NIRv和地形校正因子P；将所述植被指数NIRv和地形校正因子P作为输入计算抗地形植被指数。本发明提出的在原有植被指数引入地形校正因子进行校正的方法，普适性强，具有较强的抗地形性和表征植被结构的能力，有望进一步提高植被指数在山区的应用潜力。
1.一种抗地形效应与背景影响的新型植被指数的校正方法，其特征在于，包括以下步骤：
B由所述DEM数据计算坡度、坡向，对所述遥感影像进行大气校正，获得地表反射率；
C根据坡度数据和地表反射率计算各像元对应的植被指数NIRv和地形校正因子P；
D将所述植被指数NIRv和地形校正因子P作为输入计算抗地形植被指数，所述计算抗地形植被指数的计算公式为
TCNIRV＝NIRV·P (9)所述地形校正因子的计算公式为式中S和St分别为平地和山地的消光路径长度，Ω1和Ω2分别是入射方向和出射方向。
2.根据权利要求1所述一种抗地形效应与背景影响的新型植被指数的校正方法，其特征在于，所述植被指数的计算公式为NIRV＝NDVI·NT＝NDVI·NIR (8)式中NDVI代表归一化植被指数，NIR代表近红外反射率,任何波长为λ的像元反射率，可以表示为植被部分和土壤背景反射率的面积加权和，即：
λT＝λV·f+λS·(1‑f) (3)式中，λT、λV、λS分别为波长为λ的像元整体反射率、植被部分的反射率和土壤背景的反射率，f为像元内植被所占的比例，下标T、V、S分别代表整个像元、像元内植被和像元内土壤背景,为方便起见，近红外光反射率用N表示，红光反射率用R表示,则像元内来自植被的近红外反射率NIRv可以表示为：NIRV＝NV·f (4)式中，NV表示植被真实的近红外反射率,假设1：土壤的近红外波段反射率等于红波段反射率，即NS＝RS；
假设2：植被部分的近红外波段反射率远大于红波段反射率，即NV>>RV,则上式可以表示为：
结合方程式(4)和(6)，得到，NIRV＝NDVI·(NT+NS·(1‑f)) (7)假设3：像元的近红外波段反射率远大于土壤的近红外波段反射率或者像元内植被所占的比例接近于1，即NT>>NS或者f≈1,则式(7)可以简化为：
NIRV＝NDVI·NT＝NDVI·NIR (8)。
一种抗地形效应与背景影响的新型植被指数的校正方法
技术领域
[0001] 本发明属于数据校正技术领域，尤其涉及一种抗地形效应与背景影响的新型植被指数的校正方法。
背景技术
[0002] 植被指数已广泛应用于植被长势监测。然而，植被指数易受土壤背景、大气条件、地形、光照与观测角度等外在因素的影响,为了抑制这些影响，一系列新型植被指数被相继
提出，如可以抑制土壤影响的NIRv、SAVI，可以抑制大气影响的ARVI，以及可以抑制饱和效
应的EVI等。
[0003] 地形引起遥感观测的显著畸变，为后续应用带来较大不确定性。为了抑制地形效应，发展了多种地形校正方法，如余弦校正、SE校正、SCS+C校正、PLC校正等。但是上述都是
针对遥感影像光谱反射率提出的模型，尚不存在专门针对植被指数的地形校正方法。
[0004] 归一化植被指数NDVI是一种最常用的植被指数，用非线性拉伸的方式增强了近红外和红波段反射率的对比度，用来监测植被的生长状态、植被覆盖度等，相对于SAVI、EVI等
植被指数，NDVI的比值形式使其可以抵消大部分地形影响。但是，由于对植被茂密区不敏
感，即会出现“饱和”现象。
[0005] 近红外反射率植被指数NIRv是近几年提出的植被指数，表征混合像元中植被部分的近红外波段反射率，相对于NDVI，NIRv能够抑制土壤背景影响且不易饱和。但是，在地形
起伏较大的山区，NIRv容易受到地形的影响。
[0006] 现有的植被指数大多没有考虑地形的影响，会给地形起伏较大的山区的植被参数反演和监测带来较大的不确定性。因此需要一种抗地形效应与背景影响的新型植被指数的
校正方法。
发明内容
[0007] 本发明提供一种抗地形效应与背景影响的新型植被指数的校正方法。
[0008] 本发明包括以下步骤：
[0009] A收集植被的遥感影像和DEM数据；
[0010] B由所述DEM数据计算坡度、坡向，对所述遥感影像进行大气校正，获得地表反射率；
[0011] C根据坡度数据和地表反射率计算各像元对应的植被指数NIRv和地形校正因子P；
[0012] D将所述植被指数NIRv和地形校正因子P作为输入计算抗地形植被指数，所述计算抗地形植被指数的计算公式为
[0013] TCNIRV＝NIRV·P(9)。
[0014] 进一步地，所述植被指数的计算公式为
[0015] NIRV＝NDVI·NT＝NDVI·NIR(8)
[0016] 进一步地，所述地形校正因子的计算公式为
[0017]
[0018] 式中S和St分别为平地和山地的消光路径长度，Ω1和Ω2分别是入射方向和出射方向。
[0019] 本发明的有益效果为：
[0020] 本发明提出的在原有植被指数引入地形校正因子进行校正的方法，普适性强，具有较强的抗地形性和表征植被结构的能力，有望进一步提高植被指数在山区的应用潜力。
附图说明
[0021] 图1抗地形效应与背景影响的新型植被指数的校正方法的流程图；
[0022] 图2抗地形效应与背景影响的新型植被指数验证数据示意图；
[0023] 图3实施例中不同植被指数之间散点图。
具体实施方式
[0024] 以下对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
[0025] 如图1所示，在本实施例子中包括以下步骤：
[0026] A收集植被的遥感影像和DEM数据；
[0027] B由所述DEM数据计算坡度、坡向，对所述遥感影像进行大气校正，获得地表反射率；
[0028] C根据坡度数据和地表反射率计算各像元对应的植被指数NIRv和地形校正因子P；
[0029] D将所述植被指数NIRv和地形校正因子P作为输入计算抗地形植被指数。
[0030] 任何波长为λ的像元反射率，可以表示为植被部分和土壤背景反射率的面积加权和，即：
[0031] λT＝λV·f+λS·(1‑f) (3)
[0032] 式中，λT、λV、λS分别为波长为λ的像元整体反射率、植被部分的反射率和土壤背景的反射率，f为像元内植被所占的比例，下标T、V、S分别代表整个像元、像元内植被和像元内
土壤背景。为方便起见，近红外光反射率用N表示，红光反射率用R表示。
[0033] 则像元内来自植被的近红外反射率NIRV可以表示为：
[0034] NIRV＝NV·f (4)
[0035] 式中，NV表示植被真实的近红外反射率。
[0036] 在以下假设下：
[0037] 假设1：土壤的近红外波段反射率等于红波段反射率，即NS＝RS。
[0038] 则归一化植被指数NDVI可以表示为：
[0039]
[0040] 假设2：植被部分的近红外波段反射率远大于红波段反射率，即NV＞＞RV。
[0041] 则上式可以表示为：
[0042]
[0043] 结合方程式(4)和(6)，得到，
[0044] NIRV＝NDVI·(NT+NS·(1‑f)) (7)
[0045] 假设3：像元的近红外波段反射率远大于土壤的近红外波段反射率或者像元内植被所占的比例接近于1，即NT＞＞NS或者f≈1。
[0046] 则式(7)可以简化为：
[0047] NIRV＝NDVI·NT＝NDVI·NIR ·(8)
[0048] NIRv的物理意义为像元中植被部分的近红外反射率，这正符合路径长度修正(Path length correction,PLC)地形校正方法的假设，可使用PLC方法对其进行地形校正，
因此得到本发明的新型植被指数(TCNIRv)如下：
[0049] TCNIRV＝NIRV·P (9)
[0050] 式中，P为地形校正因子，可表达为：
[0051]
[0052] 式中S和St分别为平地和山地的消光路径长度，Ω1和Ω2分别是入射方向和出射方向。平地和坡地路程长度分别定义为：
[0053] S(θ)＝1/cos(θ) (11)
[0054]
[0055] 式中，θ、分别为太阳/观测天顶角和方位角，α、β分别为坡度、坡向。
[0056] 在本实施例子中使用Sentinal‑2A山区影像验证了本算法的有效性，并与NDVI和NIRv做了对比。如图2为方法验证所使用的一景遥感影像数据的和对应的DEM数据。
[0057] 图3所示分别是NIRv vs NDVI与TCNIRv vs NDVI之间的散点图，其中“阳坡”和“阴坡”分别代表阳坡和阴坡像元，TCNIRv为本发明的新型植被指数，由图3可见，NIRv阳坡值明
显高于阴坡，即NIRv受地形严重影响；而本发明所提新型植被指数在阴阳坡不存在明显差
异，即地形影响被基本消除。同时可以看到，当NDVI达到峰值(0.9)而饱和时，TCNIRv从0.3
增长到0.5，即本发明提出的新型植被指数相较于NDVI，饱和效应显著降低。
[0058] 以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其
发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
