基于植被指数-温度空间的农作物分类

在植被指数(VI)和地表温度(LST)的二维空间中，可以用蒸发、蒸腾作用(土壤湿度)和植被覆盖度很好地解释不同地表覆盖的差异。而且在该二维空间中，不同地物间的可分离性大大增加，从而可以有效地提高植被的分类精度。

刘良云的实验可以很好地说明利用VI和LST分类的有效性。他利用OMIS图像的波段20(中心波长为687nm)和波段35(中心波长为853nm)计算了归一化植被指数(NDVI);利用OMIS的8个热红外光谱波段和归一化发射率方法反演得到实验区的地物表面温度(LST)。进而在NDVI-LST空间中生成了6类典型地物(生长旺盛小麦、较稀疏小麦池塘水体、淤泥湿地、水草、裸露土壤)的散点图，同时与红光(687nm )和近红外波段(853nm)二维空间中的地物散点图进行了比较。在VI-LST空间中,6类植被和非植被地物类别之间的距离较大，且同类样本的分布集中、方差较小。因此利用这两个波段能够较好地对实验区内的地物进行分类，并很好地提取植被覆盖和土壤水分信息等。而在红光(687nm)和近红外波段(853nm)二维空间中,植被地物，如旺盛小麦、稀疏小麦及水草，它们的散点图的分布较集中，同类样本之间的方差较小，而且不同类别样本之间距离较大,特别是与裸露土壤类别之间的距离较大。因而，利用这两个波段就能够很好进行分类。但对低植被覆盖地物，如淤泥湿地、裸露土壤、池塘水体等样本，由于地物的混杂性,它们的散点图分布较离散，同类样本之间的方差较大,不同样本之间的距离较小，甚至存在重叠现象(在植被红边的两个特征波段之间的类别差异较小) ,所以利用植被红边的这两个特征波段对这些地物进行分类时便存在较大的困难。