TM影像
中期考核-托斯卡纳风格
2023年2月18日发(作者：课时训练)大区域TM影像归一化植被指数季相归一化处理方法
陈贤干;汪小钦;陈芸芝
【摘要】针对高分辨率遥感监测植被时大范围获取影像的季相往往不一致，影响
了归一化植被指数的连续性与可比性问题，借助MODIS归一化植被指数产品，
开展TM归一化植被指数季相归一化方法研究。以福建省为例，分析不同季相
MODIS归一化植被指数之间的一次项、二次项最小二乘关系及差值关系，对比分
析转换结果。结果表明，二次项关系优于其他两种效果，较好地消除归一化植被指
数时相不一致问题，获得了较为满意的效果。利用MODIS归一化植被指数构建
二次项，完成福建省TM归一化植被指数季相归一化，消除了不同景影像间的季
相不一致，使在大区域范围内归一化植被指数具有空间上的可比性和一致
性。%Moderateresolutionremotesensingdataiswidelyusedin
r,seasonalaspectsoflargeareasiseasily
inconsistentinacquiredimages,whichimpairthecontinuityand
ata
correlationanalysisofTMNDVIandMODISNDVIindifferentseasons
showsthatthevariationofTMNDVIisquitesimilartothatofMODIS
ore,withtheMODISNDVI
productsdata,thispaperstudiesTMNDVIontheseasonalnormalization
ngademonstrationbasedonFujianprovince,weanalyze
therelationshipofquadraticleastsquares,therelationshipoflinearleast
squaresanddifferentialrelationshipbetweenMODISNDVIindifferent
uently,ults
showthattherelationshipofquadraticleastsquaresmethodissuperiorto
theothertwomethods,whichcanbettereliminatetheinconsistencyof
gMODIS
NDVIproducts,webuildaquadratictermleastsquaresrelationshipand
fulfilltheseasonalnormalizedofTMNDVIinFujianprovinceandeliminate
theinconsistencyofNDVIseasonalaspectsatthesametime,makingthe
NDVIdatainlargeareashascomparabilityandconsistencyonthespace.
【期刊名称】《遥感信息》
【年(卷),期】2015(000)006
【总页数】8页(P81-88)
【关键词】MODISNDVI;归一化方法;TMNDVI;季相差异;最小二乘关系
【作者】陈贤干;汪小钦;陈芸芝
【作者单位】福州大学空间数据挖掘与信息共享教育部重点实验室，福州
350002;福州大学空间信息工程研究中心，福州350002;福州大学空间数据挖掘
与信息共享教育部重点实验室，福州350002;福州大学空间信息工程研究中心，
福州350002;福州大学空间数据挖掘与信息共享教育部重点实验室，福州
350002;福州大学空间信息工程研究中心，福州350002
【正文语种】中文
【中图分类】TP751
植被指数主要通过红光波段和近红外波段反射率的组合计算来设计并反映植被状态，
常被用来表征地表植被覆盖、评价植被的生长及分布特征，并作为一种有效的遥感
指标应用于植被监测、农情监测、土地覆盖变化等领域。目前遥感领域中提出的植
被指数有100多种［1］，如归一化植被指数（NDVI）、比值植被指数（RVI）、
差值植被指数（DVI）、垂直植被指数（PVI）、土壤修正植被指数（SAVI）等
［2－5］，其中NDVI是最常用的。
高时间分辨率的遥感数据能以较短的重访周期进行大范围的重复访问，能够较好地
反映植被的季相变化，但空间分辨率较低。如MODIS的NDVI产品能提供一致的、
空间分布的、多时相的全球植被状态参数，在区域与全球植被动态监测中得到广泛
应用［6－14］。然而其250m～1km的空间分辨率却不足以反映地表植被状况
空间分布中高分辨率的差异，无法满足中高分辨率的植被监测应用需求。在应用中
高分辨率遥感进行植被监测时，中高空间分辨率的遥感数据通常只覆盖较小的空间
范围，在多云多雨的广大南方地区，同一区域或者较大区域所获取影像季相往往不
一致，影响了植被指数的连续性与可比性，如何消除较大区域范围内植被指数的季
相影响，是中高分辨率遥感应用的难题之一。
如何综合利用中高空间分辨率数据和高重访周期数据，生成同时具有高时间和高空
间分辨率的遥感数据对于遥感的深入应用意义重大。大多数研究人员采用时空融合
的方法，如Lorenzo等［15］将多时相低分辨率NDVI与基于高分辨率遥感数据
的植被分类图相结合，进行亚像元分解，得到了高时空分辨率的NDVI数据；Gao
等［16］提出时空适应性反射率融合模型（STARFM），获取MODIS数据相应
时间的模拟Landsat数据；蒙继华等［17］改进STARFM算法，发展出不同时空
分辨率植被指数融合模型STAVFM，将MODISNDVI时间变化信息与ETM
NDVI空间差异信息的有机结合，从而构建高时空分辨率NDVI数据。但是，这些
融合方法大多关注于算法的实现，应用区域较小，其对大范围的应用效果和效率有
待于验证。针对不同传感器的植被指数，研究主要侧重于分析不同传感器由于光谱
响应函数差异引起的植被指数间存在差异及相互转换［18－20］，没有考虑季相
的差异。
在中高分辨率遥感数据中，TM数据应用最广，且时间序列长。本文以福建省为例，
针对不同季相的TM数据，借助MODIS的NDVI产品，开展TM影像NDVI季
相归一化方法研究。
1.1研究区概况与数据预处理
（1）研究区概况
福建省地处我国东南沿海，介于23°33′N～28°20′N、115°50′E～120°40′E之间，
东与我国台湾省隔海相望，东北与浙江毗邻，西北横贯武夷山脉与江西相交，西南
与广东相连，如图1所示。位于亚热带地区，属典型的亚热带季风气候，夏季高
温多雨，冬季温和少雨，平均气温15.3℃～21.9℃，平均降雨量930mm～
1843mm。全省土地面积121400km2，其中山地、丘陵占全省总面积的80%以
上，地势总体上西北高、东南低。研究区主要的土地覆盖／利用类型为林地、耕地、
裸地、居民地和水体，以林地为主，约占全省土地面积的2／3。
（2）Landsat5TM数据预处理
完整覆盖福建省TM影像需要13景，选择2010年左右无云和少云的影像，影像
的获取时间如下：轨道号118／41、118／42的2009年4月28日TM影像；
轨道号119／41、119／42、119／43的2009年6月6日TM影像；轨道号
120／41、120／42、120／44的2009年10月3日TM影像；轨道号120／40、
120／42、120／43的2009年12月6日TM影像；轨道号121／41、121／42、
121／43的2010年1月14日TM影像。其中轨道号120／42的影像有2景，
2009年12月6日的影像作为参与季相归一化的数据，2009年10月3日影像作
为方法验证比较的参考数据。
利用遥感图像处理软件，对Landsat5TM遥感影像进行几何校正、大气辐射校正、
影像裁剪等预处理，计算NDVI（文中用TMNDVI表示）。由于影像获取的季相
各不相同，无法进行对比分析，拟将不同时相TMNDVI数据归一化到2009年
10月中上旬。
（3）MODISNDVI数据预处理
MODISNDVI数据来源于美国国家航空航天局NASA免费提供的覆盖福建省的
MOD13Q1级植被指数产品，时间范围为2009年～2010年，空间分辨率250m，
时间分辨率为16d。采用MODIS网站上提供的MRT（MODISReprojection
Tool）重投影工具对研究区数据进行格式转换和重投影，将影像的原始投影转换
为与TM数据一致的投影，同时完成图像裁剪和重采样。
1.2方法
首先对TM数据和MODISNDVI数据进行预处理获得相应的NDVI数据，分析
TMNDVI与MODISNDVI时间变化趋势相似性，根据不同季相MODISNDVI
之间不同关系，将T0时刻TMNDVI分别模拟为Tt时刻的TMNDVI数据，并与
参考数据进行对比分析，选择适宜的模拟方法进行TMNDVI数据季相归一化。所
采用的总体技术路线如图2所示。
（1）TM影像植被指数计算
归一化植被指数［21］（NormalizedDifferenceVegetationIndex，NDVI）是
植被生长状态及植被覆盖度的最佳指示因子，在植被遥感中应用最为广泛。NDVI
经比值处理可以部分消除与太阳高度角、卫星观测角、地形、云、阴影和大气条件
有关的辐照度条件变化（大气程辐射）等的影响。其计算公式为：
其中，ρNIR和ρRED分别为近红外波段和红光波段的地表反射率。
（2）归一化方法
植被指数季相归一化，是基于同一时相的植被长势在空间地域上和同一空间地域的
植被在不同时相上存在差异，为消除植被物候引起的季相差异而提出来的归一化方
法，使其具备时间和空间上可比性［20］。季相归一化基本原理的前提是同一时
相的MODISNDVI与TMNDVI满足空间分布和动态变化的一致性［22－24］，
根据选定T0、Tt时刻的MODISNDVI数据，利用它们之间的相互关系来模拟回
归方程，将T0时刻的TMNDVI数据归一化到Tt时刻的TMNDVI数据。
本文主要基于最小二乘多项式（一次项和二次项）、差值关系开展季相的归一化。
由于多项式拟合方法简单，计算速度快，且能拟合所有像元，考虑到研究区范围和
NDVI变化特征，因此采用最小二乘多项式回归方程来完成影像归一化：
其中，x是T0时相的影像；y是Tt时相影像；c0、c1、c2、c3…cn为拟合系数。
利用T0、Tt时相的MODISNDVI建立最小二乘多项式关系，求出相关的拟合系
数，然后应用于TM影像。本文采用一次项式（3）、二次项式（4）方法。
式（3）、式（4）中，a、b、c为拟合系数。
差值关系是指不同时相数据之间存在差值增量，根据不同时相参考数据之间的差值
关系来模拟实验数据，实现季相的归一化：
其中，x为已知T0时相的TMNDVI，y为待归一化的Tt时相的影像；Δm为Tt、
T0时刻的MODISNDVI数据之间的差值。
2.1TMNDVI与MODISNDVI时间变化趋势分析
TMNDVI是否与MODISNDVI具有相似的时间变化趋势，是MODISNDVI的
变化方程能否应用于TMNDVI归一化的关键。利用轨道号120／42获取的2009
年12月6日（T0）和10月3日（Tt）TM数据及相应时期的MODISNDVI开
展两者时间变化趋势分析。
分别将T0、Tt时刻的TMNDVI和MODISNDVI的像元值投影到二维特征空间
上，进行回归分析，求出转换方程（图3），统计它们的直方图（图4），并且利
用它们之间的转换方程分别对T0时刻TMNDVI实验数据进行回归模拟，然后分
别用各模拟数据减去参考数据，获得各模拟的差值直方图（图5）。
图3中，从转换方程来看，T0、Tt时刻TMNDVI一次项和二次项转换方程及
MODISNDVI的转换方程决定系数在0.60～0.71之间，相关性较高。TMNDVI
一次项转换关系与MODISNDVI一次项的差异小于0.03；在T0时刻TMNDVI
的主要分布区域（0.15，0.55），二次项的差异也小于绝对值0.03。因此TM
NDVI与MODISNDVI的转换相关差异较小，两者具有较为一致的时间变化趋势。
从图4直方图得出，12月份NDVI值小于10月份，MODISNDVI总体上大于
TMNDVI，在中高植被覆盖区域，T0和Tt时刻TMNDVI的变化趋势与MODIS
NDVI的变化趋势非常相似。从差值直方图（图5）看出，T0、Tt时刻TMNDVI
之间模拟结果与MODISNDVI之间模拟结果的差值误差均在x＝0两侧分布，且
变化趋势一致，说明满足其转换精度要求。综上分析，可知TMNDVI与MODIS
NDVI随时间变化趋势具有很高的相似性，利用MODISNDVI的变化趋势来进行
TMNDVI的季相归一化是可行的。
2.2归一化方法比较分析
利用真实数据，从误差分析、模拟数据统计分析等方面对不同归一化方法进行比较
分析。
（1）误差分析
根据归一化方法原理，将T0、Tt时刻的MODISNDVI的像元值投影到二维特征
空间上，然后对二者的关系进行回归分析，求出二者NDVI之间的转换方程（图3
（b））。利用二者一次项、二次项以及差值关系的转换方程对T0时刻TMNDVI
实验数据进行回归模拟，利用图3（b）关系方程以及公式（5）方法将实验数据
归一化为Tt时刻TMNDVI模拟数据。
本文利用模拟数据与参考数据进行比较，从而对转换关系方程进行验证。在影像上
随机选取67026个像元作为验证样本，然后分别用各模拟数据减去参考数据，获
得各模拟的差值数据，并将差值数据与参考对应数据投影到二维特征空间上（图
6），差值数据的值越趋近于零就越接近真实值。再将模拟数据与参考数据的验证
样本像元值投影到二维特征空间（图7），通过计算均方根差（RMSE）来评价转
换方程的模拟精度［25］。RMSE计算公式如下：
其中，Z′k为模拟数据的NDVI值，Zk为参考数据的NDVI值，N为验证样本个
数。
图6中，一次项、二次项的误差数据基本上分布在y＝0两侧，点更加的聚集；而
差值关系的误差值大部分分布在y＝0下方。二次项的斜率较一次项平缓，更接近
于y＝0直线，表明二次项拟合的效果更接近真实值。图7中，一次项、二次项模
拟数据的RMSE很小，只有0.0673和0.0671，表明拟合效果好，二者中又以二
次项模拟的RMSE稍小些，而且二次项模拟值与参考值的散点基本沿y＝x线两侧
分布，较一次项模拟、差值模拟精度更高。特别是在NDVI大于0.3的区域，模拟
值与参考值更为接近，对于季相变化敏感的植被覆盖区域有较好的适宜性。
（2）TMNDVI统计分析
统计实验数据、参考数据与模拟数据，数据结果如表1所示。
从表1可见，一次项、二次项模拟数据的统计特征值与参考数据对应的统计特征
值接近，差值关系的统计特征值与实验数据对应的统计特征值接近，这说明一次项、
二次项模拟数据的结果比差值模拟结果理想，主要原因是差值关系的运算考虑到不
同时相间隔时间要短，以及不同空间分辨率尺度转换。
从一次项、二次项模拟数据统计特征值得出，获取时间为12月实验数据其NDVI
小于10月获取的值是符合季相变化特征的。经过归一化处理后，3种归一化方法
的均值、最大值均有不同程度的提高，一次项和二次项的结果统计特征比较接近，
其中二次项的模拟结果与参考影像最为相似。利用二次项关系进行季相归一化处理，
基本可以满足中高分辨率大范围NDVI数据一致性的应用要求。
（3）典型地物NDVI比较
一次项与二次项模拟结果统计上比较接近，但他们对不同典型地物的适应程度如何
还需要进一步分析。在模拟和参考影像上选取林地、耕地、裸地、不透水面、水体
等不同地物的NDVI值作为样本，计算均值和RMSE，如表2所示。从表中可以
看出：
林地：一次项、二次项归一化均值很接近参考均值0.598，RMSE小于0.05，二
者林地模拟整体精度很高。
耕地：一次项、二次项的模拟均值较参考均值相差0.1左右，且两者RMSE相似，
由于不同季相耕地的植被覆盖受季节种植作物变化影响很大，且空间尺度上也未能
准确地反映其细节，所以在耕地模拟上未能达到较理想的效果。
非植被区域：裸地二次项比一次项的模拟均值接近参考均值，且RMSE也较小。
而在不透水面和水体区域，从模拟的均值来看，二者归一化的结果都并不理想，但
是二次项RMSE小于一次项，RMSE分别为0.1433、0.2138小于0.1679，
0.2465，二次项模拟精度更高。
理论上，裸地、不透水面、水体在同一区域不同季相上的NDVI值变化不大，从
这三类地物的模拟结果来看，二次项模拟结果更好；在同一区域林地占了80%以
上植被覆盖类型，其模拟精度的高低决定了季相归一化效果的好坏；而耕地植被覆
盖变化情况在同一区域随季节变化影响大，给季相归一化带来很大的难度。综上分
析，总体上二次项模拟效果更好，本文利用二次项模拟方法对福建省进行大区域季
相归一化处理。
2.3福建省TMNDVI季相归一化
从以上分析可知，二次项的拟合效果总体上优于一次项和差值方法。利用各轨道
TM影像获取时相和2009年10月上旬的MODISNDVI，计算二次拟合方程；利
用这些二次拟合方程，完成福建省全省TMNDVI的季相归一化（图8（c））。
图8（a）为福建省原始TMNDVI，图8（b）为福建省镶嵌影像生成的TM
NDVI，图8（d）为福建省2009年10月中上旬的MODISNDVI，主要用于对
比分析，其中图8（a）和图8（c）的拼接方法相同，基本不改变影像原始的
NDVI值，图8（b）为镶嵌影像生成的NDVI，为了使同一区域目视效果好，使
其色调较一致，其镶嵌过程方法不同与图8（a）和图8（c）的拼接方法，从而改
变影像原始的NDVI值。图9为图8中6个局部区域的放大图像，其中第1列为
TM影像、第2列为原始TMNDVI、第3列为镶嵌影像生成的TMNDVI、第4
列为季相归一化后TMNDVI、第5列为2009年10月中上旬的MODISNDVI。
对比图8（a）、图8（c）和图9可以看出，当原始TM影像的季相差异较大时，
归一化前的NDVI色调差异明显，相邻区域的数据出现明显的分块现象，影响了
大范围区域数据的可比性；从图8（b）、图8（c）和图9得出，整体上，镶嵌影
像生成的NDVI较图8（a）消除了一定的色调差异，与归一化后NDVI相比，色
调过渡稍差，尤其是图8（b）中沿海地区NDVI值明显偏高（局部图9（f）可看
出），这是由于影像镶嵌时改变了影像原始的NDVI值所造成；从图8（c）、图
8（d）和图9中得出，归一化后NDVI色调过渡自然，与MODISNDVI具有较
为一致的空间变化特征，且归一化后TMNDVI更能体现原始影像的细节差异和植
被纹理特征，空间分辨率较MODISNDVI有较大的提高，能够满足较大比例尺的
植被监测应用。
综上所述，借助MODISNDVI数据，基于二次项最小二乘关系能够快速实现TM
NDVI的季相归一化，减少不同时相NDVI的差异性，使得大区域范围内NDVI具
有空间上的可比性和连续性。
TMNDVI的季相变化与MODISNDVI具有较高的一致性，借助MODISNDVI
不同时相的相关方程，可以应用于TM影像NDVI的季相归一化。一次项、二次
项模拟结果好于简单的差值关系；从不同方法归一化后全局和典型地类统计分析可
以看出，二次项模拟效果最优。基于二次项的福建省TMNDVI影像季相归一化处
理，很好地消除了不同季相NDVI的空间差异性，且较MODISNDVI较好地反映
了原始影像细节和纹理特征，使得大区域范围内NDVI不仅具有较高空间分辨率，
而且有更好的空间可比性、连续性和一致性。如何改进归一化方法，对归一化结果
进行更为客观的评价与分析需要进一步的深入研究。
【相关文献】
［1］傅银贞，汪小钦.基于北京一号CCD数据的植被指数特性分析［J］.测绘科学，2010，35
（6）：35－38.
［2］ROUSEJW，HAASRH，SCHELLJA，ringvegetationsystemsinthe
GreatPlainswithERTS［R］.ThirdErtsSymposium，NASASP－351，1973，1：309－317.
［3］tionofleafareaindexfromqualityoflightontheforestfloor
［J］.Ecology，1969，50：663－666.
［4］RICHARDSONAJ，guishingvegetationfromsoilbackground
information［J］.PhotogrammetricEngineeringandRemoteSensing，1977，43：1541－
1552.
［5］djustedvegetationindex（SAVI）［J］.RemoteSensingof
Environment，1988，25：295－309.
［6］JUSTICEDH，SALOMONSONV，PRIVETTEJ，erateResolution
ImagingSpectroradiometer（MODIS）：Landremotesensingforglobalchangeresearch
［J］.IEEETransactionsonGeoscienceandRemoteSensing，1998，36（4）：1228－1249.
［7］RUNNINGSW，JUSTICEC，SALOMONSONV，trialremotesensing
scienceandalgorithmsplannedforEOS／MODIS［J］.InternationalJournalofRemote
Sensing，1994，15（17）：3587－3620.
［8］陈燕丽，龙步菊，潘学标，等.MODISNDVI和AVHRRNDVI对草原植被变化监测差异
［J］.遥感学报，2011，15（4）：831－845.
［9］张峰，吴炳方，刘成林，等.利用时序植被指数监测作物物候的方法研究［J］.农业工程学报，
2004，20（1）：155－159.
［10］王红说，黄敬峰.基于MODISNDVI时间序列的植被覆盖变化特征研究［J］.浙江大学学报，
2009，35（1）：105－110.
［11］何月，樊高峰，张小伟，等.浙江省植被物候变化及其对气候变化的响应［J］.自然资源学报，
2013，28（2）：220－233.
［12］朱明明，侯西勇，毋亭.基于MODISNDVI的中国东部植被覆盖时空变化特征［J］.遥感技
术与应用，2013，28（6）：1027－1032.
［13］刘宪锋，任志远，林志慧，等.2000—2011年三江源区植被覆盖时空变化特征［J］.地理学
报，2013，68（7）：897－908.
［14］穆少杰，李建龙，陈奕兆，等.2001—2010年内蒙古植被覆盖度时空变化特征［J］.地理学
报，2012，67（9）：1255－1268.
［15］BUSETTOL，MERONIM，ingmediumandcoarsespatial
resolutionsatellitedatatoimprovetheestimationofsubpixelNDVItimeseries
［J］.RemoteSensingofEnvironment，2008，112（1）：118－131.
［16］GAOF，MASEKJ，SCHWALLERM，lendingoftheLandsatand
MODISsurfacereflectance：predictingdailyLandsatsurfacereflectance［J］.IEEE
TransactionsonGeosciencesandRemoteSensing，2006，44（8）：2207－2218.
［17］蒙继华，吴炳方，杜鑫，等.高时空分辨率NDVI数据集构建方法［J］.遥感学报，2011，
15（1）：44－59.
［18］郭丽峰，高小红，亢健，等.伪不变特征法在遥感影像归一化处理中的应用［J］.遥感技术与
应用，2009，24（5）：588－595.
［19］甘文霞，沈焕锋，张良培，等.采用6S模型的多时相MODIS植被指数NDVI归一化方法
［J］.武汉大学学报（信息科学版），2014，39（3）：300－304.
［20］裴志远，杨邦杰.多时相归一化植被指数NDVI的时空特征提取与作物长势模型设计［J］.农
业工程学报，2000，16（5）：20－22.
［21］郭铌.植被指数及其研究进展［J］.干旱气象，2003，21（4）：71－75.
［22］陈拉，黄敬峰，王秀珍.不同传感器的模拟植被指数对水稻叶面积指数的估测精度和敏感性
分析［J］.遥感学报，2008，12（1）：143－151.
［23］徐涵秋，张铁军.ASTER与LandsatETM＋植被指数的交互比较［J］.光谱学与光谱分析，
2011，31（7）：1902－1907.
［24］杜加强，舒俭民，王跃辉，等.青藏高原MODISNDVI与GIMMSNDVI的对比［J］.应用
生态学报，2014，25（2）：533－544.
［25］赵凯，徐剑波，赵之重，等.HJ－1A／BCCD与LandsatTM／ETM＋植被指数的交互比较
［J］.遥感技术与应用，2013，28（4）：674－680.