【遥感学习整理 04】生态环境遥感监测：从植被覆盖度到城市绿地与气溶胶反演

生态环境遥感监测：从植被覆盖度到城市绿地与气溶胶反演

第一章 生态环境遥感监测的统一框架

1.1 生态环境遥感监测解决什么问题

生态环境遥感监测的核心，不是单纯生成一幅分类图，而是回答以下问题：

• 地表生态状态如何；
• 植被覆盖是否增加或退化；
• 草原和沙化区域如何变化；
• 城市绿地分布是否合理；
• 大气气溶胶浓度在空间上如何分布；
• 多种生态因子如何综合形成区域评价结果。

不同专题看似差异明显，但都可以统一为“对象—信号—参数—评价—验证”的分析链条：

其中：

• 对象包括植被、裸土、城市绿地、气溶胶和地形；
• 信号包括反射率、热辐射、角度信息和纹理；
• 参数包括植被覆盖度、气溶胶光学厚度、坡度和土壤指数；
• 评价包括变化检测、等级划分和综合指数计算。

1.2 五类专题之间的关系

本篇整理的五个应用专题分别对应生态监测中的不同层次：

专题	主要对象	核心参数	主要方法
自然生态环境监测	区域生态系统	植被、土壤、坡度综合指数	多因子综合评价
城市绿地提取	城市植被对象	绿地范围和面积	高分影像、面向对象提取
植被覆盖度反演	像元内植被比例	VFC/FVC	NDVI像元二分模型
草原与沙漠化监测	草地植被变化	植被覆盖度与变化区	多时相变化检测
MODIS气溶胶监测	大气颗粒物	AOD	暗像元法与查找表

1.3 生态监测不能只依赖单景影像

生态过程具有明显的时间性。单景影像往往只能反映某一日期的状态，而无法区分：

• 短期天气扰动；
• 季节物候变化；
• 长期退化；
• 灾害影响；
• 管理措施效果；
• 传感器或大气差异。

因此，生态环境监测通常需要同时重视：

1. 多时相一致性；
2. 数据预处理质量；
3. 参数物理意义；
4. 阈值的区域适用性；
5. 外部验证与误差分析。

---

第二章 生态环境监测的数据预处理基础

2.1 为什么预处理决定生态参数可信度

植被覆盖度、气溶胶光学厚度和综合生态指数都依赖像元值。如果输入影像受到大气、几何错位、云影或缩放因子影响，最终生态参数会产生系统偏差。

预处理通常包括：

2.2 辐射定标

原始DN需要转换为具有物理意义的辐亮度或反射率。

线性定标可表示为：

$$L_{\lambda }=G_{\lambda }\times DN+B_{\lambda }$$

其中：

• $L_{\lambda }$为谱辐亮度；
• $G_{\lambda }$为增益；
• $B_{\lambda }$为偏移量；
• $DN$为原始数字量化值。

若进行植被指数、气溶胶反演或多时相比较，应优先使用表观反射率或地表反射率，而不是直接使用DN。

2.3 大气校正

生态监测中，大气校正的作用是削弱散射、吸收和路径辐射影响。

传感器观测辐亮度可以概念化表示为：

$$L_{\lambda }^{sensor}=L_{\lambda }^{path}+T_{\lambda }^{up}\cdot L_{\lambda }^{surface}$$

大气校正尤其影响：

• 红光和近红外波段；
• NDVI；
• 植被覆盖度；
• 高分辨率绿地提取；
• MODIS气溶胶反演；
• 多时相变化检测。

2.4 图像配准

多时相草原变化监测要求不同年份影像严格对齐。否则，边缘错位会形成伪变化。

配准误差可通过均方根误差评价：

$$RMSE=\sqrt{\frac{1}{n}\sum _{i=1}^n\left[(\Delta x_i{)}^2+(\Delta y_i{)}^2\right]}$$

变化检测中，RMSE不仅要“数值小”，还要检查道路、河流、地块和边界是否真正重合。

2.5 镶嵌与裁剪

研究区超过单景影像覆盖范围时，需要镶嵌。镶嵌前应统一：

• 投影；
  -像元大小；
• 波段顺序；
• 辐射尺度；
• NoData；
• 成像季节；
• 大气处理级别。

裁剪的作用不仅是减少数据量，还能：

• 限定统计范围；
• 避免研究区外极端值影响；
• 提高运算效率；
• 便于按行政区或生态区汇总。

---

第三章 植被覆盖度的概念与意义

3.1 植被覆盖度是什么

植被覆盖度是植被叶、茎、枝在地面的垂直投影面积占统计区总面积的比例。

设像元面积为$A$，其中植被投影面积为$A_v$，则植被覆盖度为：

$$VFC=\frac{A_v}{A}$$

其值通常位于$[0,1]$之间，也可表示为百分比。

3.2 植被覆盖度与NDVI的区别

NDVI是光谱指数，植被覆盖度是地表比例参数。二者相关，但并不等价。

NDVI计算为：

$$NDVI=\frac{NIR-Red}{NIR+Red}$$

NDVI主要受以下因素影响：

• 叶绿素吸收；
• 冠层结构；
• 土壤背景；
• 大气条件；
• 植被含水量；
• 观测角度。

植被覆盖度则试图估计像元内植被面积比例。

3.3 植被覆盖度的应用

植被覆盖度可用于：

• 草原退化；
• 沙漠化监测；
• 水土保持；
• 森林和农田覆盖；
• 生态质量评价；
• 植被恢复；
• 土地退化；
• 城市绿地统计；
• 气候与生态研究。

---

第四章 像元二分模型

4.1 模型假设

像元二分模型假设每个像元由两部分组成：

1. 纯植被组分；
2. 无植被组分。

传感器观测到的信号是两类组分的线性混合：

$$S=VFC\cdot S_{veg}+(1-VFC)\cdot S_{soil}$$

整理后得到：

$$VFC=\frac{S-S_{soil}}{S_{veg}-S_{soil}}$$

其中：

• $S$为像元遥感信号；
• $S_{veg}$为纯植被组分信号；
• $S_{soil}$为纯土壤或无植被组分信号。

4.2 基于NDVI的改进模型

实际应用中常用NDVI替代一般遥感信号：

$$VFC=\frac{NDVI-NDV{I}_{soil}}{NDV{I}_{veg}-NDV{I}_{soil}}$$

其中：

• $NDV{I}_{soil}$表示无植被端元；
• $NDV{I}_{veg}$表示纯植被端元。

若研究区可近似认为存在纯裸地和纯植被像元，则可写为：

$$VFC=\frac{NDVI-NDV{I}_{min}}{NDV{I}_{max}-NDV{I}_{min}}$$

4.3 模型的物理意义

当某像元的NDVI接近$NDV{I}_{soil}$时，模型认为植被覆盖较低；当接近$NDV{I}_{veg}$时，模型认为植被覆盖较高。

该模型的优势是：

• 结构简单；
• 参数少；
• 计算速度快；
• 便于大区域处理；
• 适用于多种分辨率数据。

其限制包括：

• 假设线性混合；
• 端元依赖区域；
• 高覆盖区易饱和；
• 土壤背景差异影响明显；
• 阴影和水体可能产生异常值。

---

第五章 NDVI端元参数的确定

5.1 为什么不能直接使用绝对最大值和最小值

影像中的绝对最大和最小NDVI可能来自：

• 云影；
• 水体；
• 噪声；
• 饱和像元；
• 错误值；
• 极少量异常目标。

因此，直接使用全影像极值会导致覆盖度偏差。

5.2 百分位法

常见方法是使用NDVI分布中的低百分位和高百分位作为端元。

例如：

• 低端使用2%或5%分位数；
• 高端使用95%或98%分位数。

这种方法比绝对极值稳定，但阈值仍需结合研究区地表组成确定。

5.3 分土地利用类型确定端元

若研究区包含林地、农田、城市、水体和裸地，不同类型的土壤背景和植被结构差异显著。

可以为不同土地利用类型分别统计：

• $NDV{I}_{soil}$；
• $NDV{I}_{veg}$；
• 有效像元数量；
• 置信范围。

然后构建空间变化的端元参数图。

这种做法比全区使用固定端元更合理。

5.4 基于实测覆盖度反推端元

若存在实测覆盖度，可利用以下关系估计端元：

$$NDV{I}_{soil}=\frac{VF{C}_{max}\cdot NDV{I}_{min}-VF{C}_{min}\cdot NDV{I}_{max}}{VF{C}_{max}-VF{C}_{min}}$$

$$NDV{I}_{veg}=\frac{(1-VF{C}_{min})\cdot NDV{I}_{max}-(1-VF{C}_{max})\cdot NDV{I}_{min}}{VF{C}_{max}-VF{C}_{min}}$$

这种方法利用已知覆盖度约束参数，比经验端元更有物理依据。

5.5 端元参数图

当不同土地利用类型采用不同端元时，可以分别生成：

• $NDV{I}_{soil}$参数图；
• $NDV{I}_{veg}$参数图。

像元级覆盖度计算为：

$$VFC(x,y)=\frac{NDVI(x,y)-NDV{I}_{soil}(x,y)}{NDV{I}_{veg}(x,y)-NDV{I}_{soil}(x,y)}$$

这种空间化参数方法可减少全区统一阈值带来的偏差。

---

第六章 植被覆盖度计算与异常值处理

6.1 基本计算

若使用ENVI波段运算，表达式可概念化为：

(NDVI - NDVIsoil) / (NDVIveg - NDVIsoil)

6.2 值域约束

模型计算结果可能小于0或大于1。通常需要约束：

$$VF{C}_{final}=\{\begin{array}{ll}0,& VFC<0\\ VFC,& 0\le VFC\le 1\\ 1,& VFC>1\end{array}$$

6.3 水体、阴影与非植被区域

低NDVI不一定都是裸土，也可能是：

• 水体；
• 阴影；
• 建筑；
• 云影；
• 深色地物。

因此，应结合土地覆盖掩膜排除不适合参与植被覆盖度解释的区域。

6.4 覆盖度分级

覆盖度可按实际需求划分等级，例如：

覆盖度	等级
0–0.1	极低覆盖
0.1–0.3	低覆盖
0.3–0.5	中低覆盖
0.5–0.7	中高覆盖
0.7–1.0	高覆盖

分级阈值应结合草原、森林、城市绿地或荒漠区具体背景调整。

---

第七章 植被覆盖度验证

7.1 为什么必须验证

像元二分模型简单，但端元选择和影像质量会显著影响结果。

验证数据可来源于：

• 样方调查；
• 无人机影像；
• 高分辨率影像目视判读；
• 地面照片；
• 统计资料；
• 同期生态调查。

7.2 常见评价指标

若存在实测值，可使用：

$$RMSE=\sqrt{\frac{1}{n}\sum _{i=1}^n({\hat{y}}_i-y_i{)}^2}$$

$$MAE=\frac{1}{n}\sum _{i=1}^n|{\hat{y}}_i-y_i|$$

还可以报告：

• $R^2$；
• Bias；
• 相对误差；
• 不同覆盖等级精度。

7.3 尺度匹配

地面样方通常小于遥感像元，因此需要考虑：

• 样方是否足够大；
• 是否代表整个像元；
• 是否与卫星成像时间一致；
• 是否存在GPS误差；
• 是否需要多样方聚合。

---

第八章 草原与沙漠化监测

8.1 草原退化的遥感表现

草原退化可能表现为：

• 植被覆盖度下降；
• 裸土比例增加；
• NDVI下降；
• 土壤亮度增强；
• 地表纹理变化；
• 沙地扩张；
• 斑块破碎化增加。

8.2 多时相监测的基本条件

两个时相进行比较前，应保证：

• 同季节或相近物候期；
• 相似大气条件；
• 统一辐射尺度；
• 精确配准；
• 相同投影；
• 相同像元大小；
• 一致分类规则；
• 一致阈值或经过区域校准。

8.3 植被覆盖区提取

可根据覆盖度阈值提取植被区。

例如：

$$Vegetation=\{\begin{array}{ll}1,& VFC>0.3\\ 0,& VFC\le 0.3\end{array}$$

阈值0.3属于经验值，应根据草原类型、年景和调查目标调整。

8.4 变化计算

设后期植被区为$V_2$，前期植被区为$V_1$，可计算：

$$\Delta V=V_2-V_1$$

结果解释为：

值	含义
-1	植被减少或退化
0	无变化
1	植被增加

8.5 变化结果不能直接等同于沙漠化

植被减少可能来自：

• 干旱；
• 收割；
• 放牧；
• 火灾；
• 土地利用变化；
• 季节差异；
• 影像质量问题。

只有结合裸土、沙地、土壤质地和长期趋势，才能判断是否属于沙漠化。

8.6 草原监测中的时序思维

两期差值只能描述端点差异。更稳定的方法应使用多年时间序列，分析：

• NDVI趋势；
• 覆盖度趋势；
• 年际波动；
• 持续退化；
• 恢复时间；
• 干旱响应；
• 管理措施效果。

---

第九章 自然生态环境综合评价

9.1 单因子无法完整描述生态质量

生态环境质量不仅取决于植被，还与土壤、地形、水分和人类活动有关。

材料中的综合评价采用：

• 植被覆盖度；
• 土壤指数；
• 坡度。

这种方法属于多因子综合评价。

9.2 植被因子

植被覆盖度通常作为正向指标：

• 覆盖度越高；
• 生态结构越稳定；
• 水土保持能力通常越强；
• 地表裸露越少。

但在城市或湿地环境中，高覆盖并不一定代表生态质量绝对更高，仍需结合类型解释。

9.3 土壤因子

材料使用裸土植被指数GRABS：

$$GRABS=VI-0.09178\times BI+5.58959$$

其中：

• $VI$为穗帽变换绿度分量；
• $BI$为穗帽变换亮度分量。

该指数通过组合植被与土壤亮度信息描述裸土状况。

9.4 坡度因子

坡度影响：

• 地表径流；
• 水土流失；
• 土地利用适宜性；
• 土壤稳定性；
• 工程建设难度。

坡度通常作为负向指标，即坡度越大，综合生态适宜性评分越低。

9.5 指标归一化

不同指标量纲不同，必须统一尺度。

正向指标可采用：

$$X_i^{\prime }=\frac{X_i-X_{min}}{X_{max}-X_{min}}$$

负向指标可采用：

$$X_i^{\prime }=\frac{X_{max}-X_i}{X_{max}-X_{min}}$$

材料中使用1至10级编码，本质上也是归一化和等级化。

9.6 综合指数

材料中的综合模型为：

$$E=W_1{S}_v+W_2{S}_s+W_3{S}_t$$

其中：

• $S_v$为植被因子；
• $S_s$为土壤因子；
• $S_t$为地形因子；
• $W_1$、$W_2$、$W_3$为权重。

示例权重为：

$$W_1=0.7,W_2=0.2,W_3=0.1$$

9.7 权重的含义

权重不是纯数学参数，而是对生态作用机制的判断。

不同地区权重应根据：

• 生态主导因子；
• 专家知识；
• 统计相关性；
• 主成分分析；
• 层次分析；
• 熵权法；
• 实测生态质量；

进行确定或校准。

9.8 综合评价等级

综合指数可划分为：

等级	含义
优	生态结构稳定，自我恢复能力强
良	生态功能较好，局部存在扰动
中	生态系统受到一定破坏
差	生态结构不合理，恢复能力弱

等级阈值必须结合研究区分布和管理标准解释。

---

第十章 坐标系与生态监测成果精度

10.1 地理坐标系与投影坐标系

地理坐标系使用经纬度描述位置，投影坐标系将地球曲面转换到平面。

生态面积、长度和坡度计算通常应在适合区域的投影坐标系中完成。

10.2 常见国内坐标基准

常见基准包括：

• 北京54；
• 西安80；
• CGCS2000；
• WGS84。

不同基准之间不能简单改标签，通常需要坐标转换参数。

10.3 面积统计的坐标要求

若直接在经纬度坐标系中计算面积，结果可能产生明显误差。

应使用：

• 合适投影；
• 米制单位；
• 统一坐标；
  -明确分带；
• 可靠行政边界。

---

第十一章 高分辨率城市绿地提取

11.1 高分辨率影像的优势

高分辨率影像可以识别：

• 街旁绿地；
• 公园；
• 居住区绿化；
• 道路绿化带；
• 屋顶绿化；
• 小型林地；
• 河岸植被。

但高分辨率也带来：

• 阴影多；
• 类内差异大；
• 光谱混乱；
• 数据量大；
• 单像元噪声显著。

11.2 WorldView-2波段优势

除蓝、绿、红和近红外外，WorldView-2还包含：

• 海岸波段；
• 黄色波段；
• 红边波段；
• 近红外2波段。

其中红边和近红外波段对植被识别和健康状况分析具有重要作用。

11.3 为什么采用面向对象方法

城市绿地不是单纯的绿色像元，而是具有空间连通性、形状和上下文的对象。

面向对象方法流程为：

11.4 分割与合并

分割尺度过小会造成绿地破碎；尺度过大会把绿地与道路、建筑或阴影合并。

分割参数应通过样区试验确定。

常见判断依据：

• 树冠是否被过度分割；
• 草坪是否保持完整；
• 绿化带是否连续；
• 建筑边界是否清晰；
• 阴影是否独立成对象。

11.5 基于规则的绿地提取

材料中使用NDVI阈值和可见光波段阈值构建规则。

概念上可写为：

$$Green=(NDVI>T_{ndvi})\wedge (Ban{d}_2<T_b)$$

其中：

• $T_{ndvi}$为植被阈值；
• $T_b$为排除高亮人工地物的阈值。

具体阈值不能跨影像直接复用，因为它受：

• 大气；
  -太阳高度；
• 地物材料；
• 影像增益；
• 季节；
• 城市背景；

影响。

11.6 融合与正射校正

高分辨率绿地提取常先进行：

• 全色—多光谱融合；
• RPC正射校正；
• 快速大气校正；
• 面向对象提取。

融合提高空间细节，但可能改变光谱。若NDVI依赖融合影像，应检查红光和近红外是否保持。

11.7 矢量后处理

输出绿地矢量后通常需要：

• 删除小碎片；
• 填补孔洞；
• 融合相邻图斑；
• 裁剪行政边界；
• 赋予绿地类型；
• 检查拓扑；
• 统计面积；
• 关联街道或社区。

---

第十二章 城市绿地质量评价

12.1 仅提取面积还不够

绿地监测还可以进一步分析：

• 人均绿地；
• 绿地率；
• 公园服务范围；
• 绿地连通性；
• 道路绿化连续性；
• 热岛缓解；
• 居住区可达性；
• 生态廊道。

12.2 绿地率

绿地率可以表示为：

$$R_g=\frac{A_g}{A_{urban}}\times 100\%$$

其中：

• $A_g$为绿地面积；
• $A_{urban}$为城市统计范围面积。

12.3 绿地连通性

仅有较高绿地率，不代表生态结构一定合理。碎片化绿地的生态功能可能低于连续绿地。

可结合：

• 斑块数量；
• 平均斑块面积；
• 边界密度；
• 最近邻距离；
• 连通度；
• 景观聚集度；

评价绿地格局。

---

第十三章 MODIS气溶胶遥感监测

13.1 气溶胶是什么

气溶胶是液态或固态微粒在空气中的悬浮体系。

其来源包括：

• 沙尘；
• 海盐；
• 硫酸盐；
• 硝酸盐；
• 有机碳；
• 黑碳；
• 烟尘；
• 工业排放；
• 生物质燃烧。

13.2 气溶胶光学厚度

气溶胶光学厚度AOD表示气溶胶对太阳辐射衰减的综合程度。

根据Beer-Lambert定律，可概念化表示为：

$$I=I_0{e}^{-\tau }$$

其中：

• $I_0$为入射辐射；
• $I$为透过辐射；
• $\tau$为总光学厚度。

AOD越大，说明气溶胶对辐射的消光作用越强。

13.3 MODIS数据结构

MODIS L1B数据通常包含：

• 反射率数据集；
• 发射率数据集；
• 太阳角度；
• 卫星角度；
• 地理定位信息；
• 质量信息。

不同数据集可能具有不同空间分辨率和缩放因子，因此不能直接叠加。

13.4 MODIS几何校正

处理流程中需要分别校正：

• 反射率数据；
• 发射率数据；
• 角度数据。

角度数据还需要重采样到与反射率一致的空间分辨率。

13.5 角度数据缩放

MODIS角度数据常以整数存储，并使用缩放因子恢复真实角度。

若原始值扩大100倍，则：

$${\theta }_{real}={\theta }_{stored}\times 0.01$$

忽略缩放因子会使太阳和传感器几何完全错误。

13.6 云检测

云会显著影响气溶胶反演。

云检测需要排除：

• 高亮厚云；
• 卷云；
• 云边缘；
• 云影；
• 雪和冰；
• 高反射地表。

云掩膜质量直接影响AOD空间分布。

---

第十四章 暗像元法反演气溶胶

14.1 暗像元法的基本思想

暗像元法利用浓密植被在某些可见光波段反射率较低、在短波红外中相对稳定的特征，估算地表反射率，再将观测信号中多余部分归因于大气气溶胶。

传感器表观反射率可概念化表示为：

$${\rho }_{TOA}={\rho }_{path}+T\cdot {\rho }_{surface}$$

当${\rho }_{surface}$可以估计时，就可以反演气溶胶影响。

14.2 暗像元选择

暗像元通常来自：

• 浓密植被；
• 深色地表；
• 非云区域；
• 非水体；
• 非高亮裸地。

若研究区植被稀少，暗像元法适用性会下降。

14.3 为什么冬季效果较差

冬季可能存在：

• 植被覆盖低；
• 裸土和建筑比例高；
• 雪和冰；
• 地表反射率不满足暗像元假设；
• 湿度和气溶胶类型变化。

因此，暗像元法在冬季和干旱区可能产生较大误差。

14.4 查找表方法

查找表通过辐射传输模型预先模拟：

• 不同AOD；
• 太阳天顶角；
• 观测天顶角；
• 相对方位角；
• 气溶胶模型；
• 地表反射率；
• 波段响应；

对应的表观反射率。

实际反演时，在查找表中寻找与观测条件最接近的AOD。

14.5 查找表的适用范围

一套查找表不能无条件用于所有时空场景。

需要明确：

• 季节；
• 气溶胶类型；
• 高程；
• 波段响应；
  -太阳角度范围；
• 观测角度范围；
• 水汽和臭氧参数。

---

第十五章 气溶胶反演结果验证

15.1 地面观测

AOD结果可使用地面太阳光度计验证。

验证应考虑：

• 卫星过境时间；
• 地面站时间窗口；
• 空间匹配半径；
• 云筛选；
• 波长转换；
• 地表类型。

15.2 波长差异

若地面观测与卫星AOD波长不同，可利用Ångström指数转换：

$$\tau ({\lambda }_2)=\tau ({\lambda }_1){\left(\frac{{\lambda }_2}{{\lambda }_1}\right)}^{-\alpha }$$

其中：

• $\alpha$为Ångström指数；
• $\tau (\lambda )$为对应波长AOD。

15.3 误差来源

AOD误差可能来自：

• 云污染；
• 地表反射率估计错误；
• 气溶胶模型不匹配；
• 几何角度错误；
• 查找表范围不足；
• 像元混合；
• 高反射地表；
• 数据缩放错误。

---

第十六章 五类专题的统一技术路线

16.1 植被覆盖度反演

16.2 草原与沙漠化监测

16.3 自然生态环境评价

16.4 城市绿地提取

16.5 MODIS气溶胶反演

---

第十七章 生态监测中的常见误区

17.1 NDVI可以直接代表植被覆盖度

错误。NDVI是光谱指数，覆盖度是比例参数，两者需要通过模型建立关系。

17.2 端元取全影像最大值和最小值即可

错误。极值可能来自噪声、云影和异常地物。

17.3 覆盖度下降就表示沙漠化

错误。还可能是干旱、收割、放牧、火灾和季节差异。

17.4 综合生态指数越复杂越科学

错误。因子和权重必须具有生态意义，并经过验证。

17.5 城市绿地只需要NDVI阈值

错误。阴影、屋顶、人工草坪和水体会造成混淆，高分影像还需要对象和空间规则。

17.6 融合后影像更清晰，NDVI一定更准确

错误。融合可能改变红光和近红外光谱值。

17.7 MODIS角度数据可以直接使用

错误。角度数据通常包含缩放因子。

17.8 暗像元法适合所有季节和地区

错误。冬季、干旱区、高反射地表和低植被区适用性较差。

17.9 地图看起来合理就不需要验证

错误。生态参数和反演结果必须通过独立数据验证。

---

第十八章 术语表

术语	说明
VFC/FVC	植被覆盖度
NDVI	归一化植被指数
像元二分模型	将像元视为植被与非植被组分线性混合的模型
NDVIsoil	无植被端元NDVI
NDVIveg	纯植被端元NDVI
GRABS	裸土植被指数
BI	穗帽变换亮度分量
VI	穗帽变换绿度分量
AOD	气溶胶光学厚度
暗像元法	利用低地表反射率区域反演气溶胶的方法
查找表	预先模拟观测条件与参数关系的数据表
QUAC	快速大气校正方法
FLAASH	基于辐射传输模型的大气校正方法
面向对象提取	以分割对象为基本单位的信息提取方法
分割尺度	决定对象大小和边界的参数
变化检测	识别多时相地表状态差异
综合指数	将多个生态因子加权组合的评价指标
归一化	将不同量纲指标转换到统一尺度
Ångström指数	描述AOD随波长变化关系的参数
MODIS	中分辨率成像光谱仪

---