植被作为常见的地表类别之一，也是经常是自动解译的常客。跟水体类似，对于植被的自动提取研究也较多。目前，比较常用的普遍为阈值法，机器学习以及面向对象的方法等多种类别。但其中最简单也最方便的仍然为阈值法。
工具/原料
神州K670D-G4D1
windows10
ArcGIS10.2
方法/步骤
1、（1）归一化植被指墙绅褡孛数NDVI=(Band4-band3)/(Band3+Band4)作为目酡箔挝棍前使用最为广泛的植被提取方法其适用性毋庸置疑。该方法主要是利用植被在近红外波段和红光波段的反射率差异来凸显植被信息，之后通过阈值的选取进而提取植被信息。式中Band3为红光波段反射率，Band4为近红外波段反射率。该方法被广泛使用不仅仅是由于其简单易操作，还同其采用的波段有关。该方法采用的近红外和红光波段在几乎所有的光学影像中都包含，并且其总体提取效果也较佳。并且其他的植被指数大多是在该指数的基础之上进行地改良，但是具体的改良之后的效果以及适用性有待研究。
2、（2）阴影植被指数SVISVI=NDVI×NIR在植被的提取过程中，尤其是山区的植被提取，由于山体阴影的覆盖，植被呈现出同水体相似的特征，因此常规植被指数难以提取。为了解决这一问题，阴影植被指数SVI被提出。该方法是通过使用近红外波段同NDVI的相乘去扩大植被信息，从而增大阴影植被和水体之间的差异。但是在使用过程中，对于水体的剔除效果并不特别理想。但该指数法仍存在其价值，该指数方法对于高亮区的植被的阈值进行了增强，因此可以更方便的去选取植被提取的阈值。
3、（3)比值植被指数RVIRVI=NIR/RRVI与LAI、叶干忭孚鲟苎生物量(DM)、叶绿素含量相关性高，可用于检测和估算植物生物量；与植被覆盖度：当植被覆盖度较高骀旬沃啭时，RVI对植被十分敏感；当植被覆盖度<50%时，敏感性显著降低；由于研究区植被覆盖度普遍较高,与其他植被指数相比,SR对高覆盖植被区域更为敏感,与生物量的相关性最好。此外,在山区比值型植被指数(如ND-VI、SR)能够消除大量的地形影响,地形效应通常可以忽略,而非比值型植被指数(如DVI、包含有常数项L的SAVI)对地形起伏变化更敏感。
4、（4）差值环境植被指数DVIDVI=NIR-RDVI对土壤背景的变化较RVI敏感,植被覆盖度高时,对植被的灵敏度有所下降。因此,对退耕还林(草)后期植被覆盖度有很大提高时对天然林的监测效果可能不大,但对退耕还林(草)初期可能有效。相反，RVI对高植被覆盖度时监测比DVI敏感,适合退耕还林草后期或天然林的监测。
5、（5)增强型植被依宏氽墓指数EVIEVI=2.5×((NIR-Red)/(NIR+6*R-7.5*Blue+1像粜杵泳))NDVI包含了大气噪声等缺陷,因此,为了改进NDVI的某些缺陷又开发了EVI。EVI不仅继承归一化植被指数(NDVI)的优点,还改善了其高植被区饱和,大气影响校正不彻底和土壤背景等问题,EVI可以提高高生物区植被的敏感度,降低土壤背景和大气影响,对植被变化的监测具有更高的灵敏性和优越性,在草地退化监测、草地资源定量分析等研究中应用广泛。目前,EVI时间序列在草地植被变化的应用研究有很多。
6、另有更多精彩内容，欢迎关注遥感杂谈公众号