1.2 国内外研究现状

从遥感影像中提取植被信息的方法有很多种，比如归一化植被指数（NDVI ） 与波段组合法、原始波段合成法、HIS 变换融合法、植被指数（VI）提取法以 及基于知识库分类法的植被提取、分级分类提取法等其他植被提取方法。其中原 始波段合成法和植被指数法是植被信息提取中使用相对较多的方法。在原始波段 合成法中，一般是利用人自身的经验来定性分析，并选择出满足信息提取条件的 波段数据。如 Landsat7 的 TM4（近红外波段）、TM3（红色波段）和 TM2（绿 色波段）都可以适当反映植被信息。所以植被覆盖的遥感解译通常采用 RGB432 彩色合成[5]。马明国等人通过目视解译方法来提取金塔绿洲植被等信息就是利用 TM 影像的 432 原始波段合成法，景观格局的变化情况也被他们研究了出来。 由此可见这种方法还是能够较好地用于植被信息得提取。除去波段包括信息量的 多少和波段间关联性的深浅，这个方法的优点便是能够直接组合使用[6]。提取的 植被信息精度较低是它的缺点。文献综述

在植被指数提取法中，广泛的使用植被指数可检测植被覆盖度极其发展状 况。国内外专家研究表明在遥感影像植被提取和分类中，植被指数法可达较高精 度。VI 是指在 0.65µm 处植被的叶绿素会进行强吸收，并利用红外与近红外波段 的线性组合或比值来显示植被的信息状态。差值植被指数 (DVI)、归一化植被 指数 (NDVI)、绿度植被指数（GVI）、比值植被指数 (RVI) 、垂直植被指数(PVI) 等都是很常见的植被指数。为了消除外在因素的影响，以不同形式组合各波段反 射率便是这些指数法的关键。一些特殊的遥感应用便需要这些波段比值指数或线 性组合。差值植被指数又被称作环境植被指数 (EVI)，因为其对变化的土壤背 景的敏感度，而被经常用于植被环境检测。它对于植被生态环境的监测很有利。 NDVI 经常被用来研究区域和全球植被状态，相对来说，它不管对低密度还是高 密度植被覆盖都较为敏感。太阳辐射、大气辐射、环境辐射影响了辐射亮度，而 各波段辐射亮度值的加权和决定了 GVI，所以外界条件对 GVI 的影响很大。RVI 方法只适用于植被覆盖浓密的影像，而且其很容易受大气的影响。PVI 有一点同 RVI，遇见稀疏的植被覆盖时，近红外辐射减小，红波段辐射增加，并不能进行 监测[7]。研究表明，NDVI 是最优先考虑的遥感监测指数。赵鹏祥等人用了差值 运算、植被指数、密度分割三种影像增强方法进行了比较，证明了植被信息提取 用植被指数进行效果较好。

为了提取植被信息，也可用很多常见的遥感影像分类方法。20 世纪 80 年代， 统计模式识别方法进行计算机分类遥感图像很常见。它是利用影像里地物光谱特 征来分类影像中，主要被分为非监督分类和监督分类。非监督分类是指人们只借 遥感影像上地物光谱特征的分布规律，而对分类过程不提前加以任何先验知识。

ISODATA 算法聚类和 K-均值聚类法分析是常见的算法。马飞虎等利用实际数据 的试验并实现了海底底质分类，这些都是在 ISODATA 算法基础之上的[8]。监督 分类也叫训练分类法，它是一个未知类别像元被样本中已知类别像元识别出的过 程。训练区里的像元便是被确认类别的样本像元。在它当中最常用的方法有最大 似然法。王琳等人为了解译出盐城市不同时期的土地利用图，用了最大似然法识 别并提取植被信息。这样做很大程度上避免了“混合像元”的不确定因素，并且 降低了“异质同像”的误判率[9]。

20 世纪 90 年代后，出现了决策树分类法、多源信息融合分类法、面向对象 分类法等大量遥感图像分类方法。利用整体数据集从上往下逐级细分来模拟人工 分类过程的一种分类方法便是决策树分类法。杨曦光等利用 SPOT 5 卫星数据， 以山东省荣成市镆铘岛为例，探讨了基于决策树方法的海岛土地利用类型的遥感 分类，得到了较好的分类结果[10]。来!自~优尔论-文|网www.youerw.com