全 文 ：第 32 卷 第 3 期 生 态 科 学 32(3): 271-275
2013 年 5 月 Ecological Science May. 2013
收稿日期：2012-10-21 收稿，2012-12-25 接受
基金项目：国家科技支撑计划（2012BAC01B08）
作者简介：刘慧明(1982—)，女，博士，工程师，从事生物多样性遥感监测研究
*通讯作者：张峰，E-mail：zhang-fengs@163.con
刘慧明，张峰，宋创业. 基于 NDVI 假彩色合成法的土地覆被变化监测[J]. 生态科学, 2013, 32(3): 271-275.
LIU Hui-ming, ZHANG Feng, SONG Chuang-ye. Monitoring of land cover change based on false color synthesis of NDVI[J].
Ecological Science, 2013, 32(3): 271-275.

基于 NDVI 假彩色合成法的土地覆被变化监测
刘慧明，张峰*，宋创业

环境保护部卫星环境应用中心, 北京 100094

【摘要】 土地覆被变化监测对区域生态系统保护、环境变化研究具有重要的作用，研究旨在提供一种基于归一化植被指数
（NDVI）的假彩色合成法的土地覆被变化监测方法。该研究以黄河三角洲为研究区，以3期 Landsat TM影像（成像时间分别为
1987年5月7日，1998年5月5日，2009年5月3日）为数据源，在进行相对辐射校正的基础上，生成3期NDVI图像，然后分别以三期
的NDVI图像作为红、绿和蓝波段生成假彩色合成图像。基于彩色合成原理，对黄河三角洲的1987-2009年间的土地覆被变化进行
了分析。结果表明：(1) 假彩色合成图像上的灰白色区域表示其土地覆被状态稳定，三个时期的NDVI值均较大，黑色区域的土
地覆被状态也较稳定，但是三个时期的NDVI值均较小，而青色、绿色、红色则反映相应地区的NDVI处在不稳定状态；（2）不同
的颜色反映了不同的土地覆被变化方式，较为直观地反映了土地覆被的变化特点，尤其是自然植被与农田之间的转换；（3）限
于NDVI的瞬时性，该方法需要与基于遥感影像分类的方法相结合，才能更好地监测土地覆被变化。
关键词：归一化植被指数； 黄河三角洲；假彩色合成
doi:10.3969/j.issn. 1008-8873.2013.03.002 中图分类号：P237 文献标识码：A 文章编号：1008-8873(2013)03-271-05
Monitoring of land cover change based on false color synthesis of NDVI
LIU Hui-ming, ZHANG Feng*, SONG Chuang-ye
Satellite Environment Centre, Ministry of Environmental protection, Beijing 100094, China
Abstract: Land cover change has great impacts on regional ecosystem conservation and environmental change. The aim of this research
is to provide an approach to monitor land cover change based on false color synthesis of NDVI. The study area is the Yellow River Delta
and the data sources are three scenes of Landsat TM images (TM images were acquired on May 7, 1987, May 5, 1998 and May 3, 2009
respectively). Relative radiometric normalization was done to TM images and then NDVI was calculated. At last, NDVI images were
used as red, green and blue band to generate RGB false color synthesized image. Based on the false color synthesized image and
principles of color synthesis, the land cover change from 1987 to 2009 in the Yellow River Delta was analyzed. The results are as
follows. The grey-white color on the false color synthesized image means the NDVI of this area is always very high, the black color
means the NDVI of this area is always very low, and the blue, green and red colors mean the vegetation of this area is in the status of
dynamic change. Different color means different switch between land cover types; this is very straightforward, and well describes the
characteristics of land cover change in the study area, especially, the switch between nature vegetation and cropland. However, for the
instantaneity of NDVI, this approach based on false color synthesis of NDVI should be combined with remote sensing image
classification to monitor the land cover change.
Key words: NDVI; Yellow River Delta; false color synthesis
生 态 科 学 Ecological Science 32 卷


272
1 引言（Introduction）

植被指数是根据植被反射波段的特性，利用卫星
传感器不同波段的组合，计算出来的反映地表植被覆
盖度、生长状况、生物量以及判别植被类型的指标，
是对地表植被的简单、有效的度量参数，相比单波段
有更好的灵敏性[1]。植被指数有助于增强遥感影像的
解译，并已作为一种遥感手段广泛应用于环境、生态、
农业等领域。
目前在遥感应用领域，植被指数已被广泛用来定
性和定量评价植被[1]。20多年来，已研究发展了40多
种植被指数，常用的有比值植被指数（RVI）、归一
化植被指数（NDVI）、环境植被指数（EVI）、绿
度植被指数（PVI）等[1]。在众多的植被指数中，NDVI
使用的时间最长，应用的领域也最为宽广，是目前最
常用的表征植被的指标[2,12]。NDVI不仅能表达植被
的反射波谱特征，而且能部分去除来自大气衰减，太
阳高度角和传感器视场角的变化对接收数据的影响，
已经被证明是一种评价植被特征的非常成熟的指标，
同时也是许多遥感应用的基础数据[11]。
黄河三角洲处于河流、海洋、陆地等多种动力系
统共同的作用带上, 是多种物质、能量体系交汇的界
面，造就了其生态系统易变性、不稳定性和脆弱性[3]。
同时黄河三角洲地区自然资源丰富，是山东省农业、
石油和海洋开发的重点地区，在开发过程中，尤其是
农业开发，人类对黄河三角洲自然生态系统的干预日
益增强[3]，导致三角洲自然植被遭受严重损害，土地
覆被变化剧烈。因此，在黄河三角洲地区开展土地覆
被变化遥感监测研究不仅具有重要的理论、方法价
值，而且还具有重要的实践意义。本文以黄河三角洲
为研究区，采用基于NDVI的假彩色合成方法对该区
土地覆被变化进行分析，旨在提供一种直观和简单的
土地覆被变化监测方法，同时也为该地区的生态系统
保护和环境变化研究提供参考资料。

2 数据与方法(Data and methods)

2.1 研究区简介
黄河三角洲位于渤海湾南岸和莱州湾西岸，主要
分布于山东省东营市和滨州市境内，即117°31′E～
119°18′E 和36°55′N～38°16′N。地势总体平缓，南高
北低，西高东低。岗阶地、河成高地、低洼地、河滩
地、平地以及滩涂地等为其主要地貌类型[4]。
黄河三角洲属暖温带半湿润大陆季风气候，境内
气候南北差异不明显。年平均日照时数为2 590～2
830 h，年平均气温11.7 ℃～12.8 ℃，无霜期206 d，
≥10 ℃的积温约4 300 ℃，年平均降水量530～630
mm，70 %分布在夏季，年均蒸发量1 900～2 400 mm。
气候特点是光照充足，热量丰富，四季分明，气温适
中，雨热同期，风能资源丰富，但降水年内分配不均
且蒸发量大，常有旱、涝 、风、霜、雹和风暴潮等
自然灾害，是风暴潮的多发区。

2.2 数据来源和处理
本文选择三期Landsat TM影像作为主要的遥感
数据源，数据情况见表1。

表 1 遥感影像数据列表
Table 1 Remote sensing image data
成像时间
Acquired data
波段数
Bands
传感器
Sensor
空间分辨率
Spatial resolution
1987/5/7 7 TM
1998/5/5 7 TM
2009/5/3 7 TM
TM1～5 、7 波段
为30m，TM6波段
为120m

TM遥感影像预处理过程主要包括几何校正、辐
射校正：
（1）几何校正。以黄河三角洲地区1∶50 000 地
形图作为影像校正的基准图件，采用控制点校正方式
对1998年5月5日成像的TM影像进行几何精校正。在
地形图和影像上选取30个地面控制点（均匀分布在整
个影像区域内），采用二次多项式模型，双线性内插
法对影像进行重采样，校正误差在0.3个像元以内。
最后以1998年的影像作为基准，对1987年和2009年的
影像进行几何校正。
（2）辐射校正。由于遥感影像在获取时间方面
的差异，以及植被的季节变化、气象条件以及太阳高
度角等因素对地表辐射产生的影响，造成同一地区、
不同时期的遥感影像辐射差异较大，因此，在进行时
间序列信息提取和变化监测时，对影像进行辐射校正
是非常有必要的[5]。遥感影像的辐射校正方法主要有
2种，即绝对辐射校正和相对辐射校正[6,7]。绝对辐射
校正通过一系列计算反演地表反射率，用于提取定量
指标，进行定量遥感分析；相对辐射校正不反演地表
反射率，而是消除或者归一化不同时期遥感数据的辐
3 期 刘慧明，等.基于 NDVI 假彩色合成法的土地覆被变化监测

273
射差异，对于时间序列变化分析，相对辐射校正是必
需的[5]。针对本文的研究目的，本研究使用相对辐射
校正来消除辐射差异。常用的相对辐射校正方法有直
方图匹配法、图像回归法、伪不变特征集法、暗集－
亮集法、未变化集辐射归一化法等，其中直方图匹配
法简单易用，被广泛使用[8]。本文使用直方图匹配法
进行相对辐射校正，以1998年的TM影像的波段1、2、
3、4、5、7 分别校正1987年、2009年的TM影像的对
应波段。

2.3 NDVI的计算
NDVI是近红外波段（Near infrared band）与可见
光红波段（Visible red band）数值之差和这两个波段
数值之和的比值[9]。它一方面能够反映植被光合作用
的有效辐射吸收情况，另一方面能够反映绿色生物
量、植被覆盖度、叶面积指数(LAI)等。对于TM图像，
其计算公式为：
NDVI= (TM4-TM3)/(TM4+TM3) (1)
式(1)中，TM4和TM3分别表示Landsat陆地卫星
专题制图仪的第四(近红外)和第三(红)波段亮度值。
本文分别计算了1987年5月7日、1998年5月5日和
2009年5月3日的3期Landsat TM影像，生成NDVI指数
（见图1、图2、图3）。

2.4 基于 NDVI 指数的 RGB 假彩色合成
由于不同时段的NDVI所包含的土地覆被信息各
不相同，因此，可用RGB的假彩色合成图像来同时反
映不同时段的植被覆盖情况和它的变化趋势，以便在
一个显示窗口里观察到更多的信息 [10]。所生成的
RGB影像可进行对比度拉伸和适当的低通滤波去噪
处理，以突出变化的信息，能更直观地分析的土地覆
被变化情况。
为了便于显示，对1987、1998及2009年的NDVI
值归一化到0–255之间，其计算方法如下：
NDVIN = 127.5·(NDVI+1) (2)
其中，NDVIN表示标准化的NDVI值。
将经过归一化处理的1987年的NDVI、1998年的
NDVI、2009年的NDVI，分别作为红色(R)，蓝色(B)，
绿色(G)分量进行RGB假彩色合成，将合成的图像进
行去噪等处理，最后得到假彩色合成图像（见图4）。

2.5 NDVI 指数 RGB 假彩色合成图分析
根据彩色合成原理，三个时期的NDVI值都很大
时，在图像上应呈灰白色；三个时期的NDVI值都很
小时，在图像上应呈黑色；而青色、绿色、红色和黄
色则反映相应地区的NDVI变化的不稳定状态。为了
读懂该合成图，按照彩色合成原理对各种颜色意义分
析如图5和表2：

图 1 黄河三角洲 NDVI 指数（1987/5/7）
Fig. 1 NDVI of the Yellow River Delta（1987/5/7）


图 2 黄河三角洲 NDVI 指数（1998/5/5）
Fig. 2 NDVI of the Yellow River Delta （1998/5/5）

图 3 黄河三角洲 NDVI 指数（2009/5/3）
Fig. 3 NDVI of the Yellow River Delta（2009/5/3）
生 态 科 学 Ecological Science 32 卷


274

图 4 NDVI 的 RGB 假彩色合成图
Fig. 4 False color synthesized image of NDVI

表 2 NDVI 指数假彩色合成图像颜色意义
Table 2 Meaning of false color synthesized image of NDVI
图名
Figure
name
颜色
Color
NDVI 值大小(大一 H，小一 L)
NDVI value
NDVI1987 红 H H H H L L L L
NDVI1998 蓝 H H L L H H L L
NDVI2009 绿 H L H L H L H L
合成图 灰
白
品
红
黄 红 青 蓝 绿 黑
(引自柳铮铮等, 2008)


图 5 彩色合成原理
Fig. 5 Principle of color synthesis
3 结果（Results）

综合分析图4、图5和表2可以得到如下结果：
NDVI值变小的地区在图像上呈红色或品红色，
其中红色区域为自1987年以来后开始退化区域，品红
色区域为1998年以后开始退化区。结合图1、2、3、4
和图5可以看出，红色和品红色形成的原因主要有二：
一是原为植被覆盖区，后开发为水库等无植被覆盖
区，植被退化；二是农田的废弃，形成荒地，而荒地
上形成的植被的NDVI小于农田植被的NDVI。
NDVI值有变大趋势的地区在图像上呈青色或绿
色，青色区域为自1987年以后植被覆盖度开始变大的
区域，绿色区域为自1998年以后植被覆盖度开始变大
的区域；青色和绿色区域主要分布在保护区以及农田
分布区。保护区的颜色为绿色说明保护区的植被得到
了恢复，而农田区的绿色则是荒地得到开垦，农作物
的NDVI高于自然植被所致。
NDVI值在三个时相都较大的地区呈灰白色，灰
白色在研究区分布较少，这说明在黄河三角洲地区，
土地覆被变化较大，大多数的自然植被受到人为或者
自然因素的影响，很难保持长期稳定。
NDVI值在三个时相都较小的地区呈黑灰色。黑
灰色区域多为水库分布区以及靠近海岸线的区域。
黄色或蓝色则反映相应地区NDVI值的不稳定状
态。黄色表示植被长势由好变差又由差变好，属于植
被遭破坏后又恢复的类型，蓝色表示地面植被长势由
差变好又由好变差，可能属于新开垦后又遭破坏的耕
地类型。但是，这两类变化发生的地区也可能是种植
的农作物种类有变化的地区。
同时在图4中可以看出，在滩涂以及近海岸线区
域，既有红色区域，也有绿色区域，以及其他各种颜
色，这是因为滩涂以及近海岸线区域易受海潮影响，
植被覆盖变化迅速。

4 讨论（Discussion）

遥感影像分类是较为常用的土地覆被变化的监测
方法，其可以很明确地了解各种植被类型的分布格局、
面积等属性，通过简单的矩阵分析，可以获取不同土
地覆被类型之间的转化状况。但是，限于遥感影像分
类方法，其分类结果的准确性很难保证，分类结果容
易受到人为主观因素的影响（如采用目视解译等）。
植被指数是根据植被反射波段的特性计算出来
红（NDVI1987）
黄 品红
青
绿（NDVI2009） 蓝（NDVI1998）
3 期 刘慧明，等.基于 NDVI 假彩色合成法的土地覆被变化监测

275
的反映地表植被生长状况、覆盖度、生物量和植被类
型等特征的间接指标[1]。NDVI在植被指数中占据着
非常重要的位置，它主要具有以下几方面的优势：植
被检测灵敏度较高、植被覆盖度的检测范围较宽、能
消除地形和群落结构的阴影和辐射干扰、削弱太阳高
度角和大气衰减所带来的噪音[1,2]。因此，采用NDVI
进行植被监测可以比较客观地反映植被变化的状况。
但是，基于NDVI的方法同样具有较大的限制。首先，
该方法没有对植被进行分类，对不同土地覆被类型之
间的转换也无法描述；第二，由于遥感影像的瞬时性，
单幅遥感影像很难准确反映较长时期内的植被状况；
第三，成像时间对NDVI的影响较大，同一地区，不
同时期的遥感影像生成的NDVI也会受到气候波动的
影响。因此，采用基于植被指数的监测方法同样具有
局限性。所以，遥感影像分类与植被指数法相结合才
能对土地覆被进行较为准确的监测。
本文采用基于NDVI的假彩色合成方法对黄河三
角洲1987-2009年间的土地覆被变化进行了分析，其主
要特点就是可以简单、直观地了解土地覆被变化状况，
但是，其本质也是基于植被指数的监测方法，植被指
数的瞬时性等局限也对本文的研究结果具有较大的影
响。因此，本文的研究结果也需要和基于遥感分类的
研究结果进行相互比较和验证，这样才能客观、准确
地反映黄河三角洲地区的土地覆被变化情况。

5 小结（Conclusion）

本研究以3期Landsat TM影像为数据源，获取3
期NDVI图像，生成NDVI假彩色合成图像，基于彩色
合成原理，对黄河三角洲的1987-2009年间的土地覆
被变化进行了分析。结果表明：假彩色合成图像上的
灰白色区域表示其三个时期的NDVI值均较大，土地
覆被处于较为稳定的状态，黑色区域的土地覆被状态
也较稳定，但是其三个时期的NDVI值均较小，而青
色、绿色、红色则反映相应地区的土地覆被处在不稳
定状态，不同的颜色反映了不同的土地覆被变化方
式，较为直观地反映了土地覆被的变化特点；限于
NDVI的瞬时性，该方法需要与基于遥感影像分类的
方法相结合，才能更好地监测土地覆被变化。

参考文献（References）

[1] 赵英时. 遥感应用分析原理与方法[M]. 北京: 科学出版
社, 2003.
[2] Stow D, Daeschner S, Hope A. Variability of the seasonally
integrated normalized difference vegetation index across the
north slope of Alaska in the 1990s[J]. International Journal
of Remote Sensing, 2003, 24(5): 1111–1117.
[3] 叶庆华，刘高焕，田国良，叶景敏，陈沈良，黄翀. 黄河
三角洲土地利用时空复合变化图谱分析[J]. 中国科学D
辑, 2004, 34(5): 461– 474.
[4] 宋创业，黄翀，刘庆生，刘高焕. 黄河三角洲典型植被潜
在分布区模拟—以翅碱蓬群落为例[J]. 自然资源学报，
2010, 25(4): 677–685.
[5] Paolini L, Grings F, Sobrino J A. Radiometric correction
effects in Landsat multi-date/multi-sensor change detection
studies[J]. International Journal of Remote Sensing, 2006,
27: 685–704.
[6] Vogelmann J E, Helder D, Morfitt R. Effects of Landsat 5
Thematic Mapper and Landsat 7 Enhanced Thematic
Mapper plus radiometric and geometric calibrations and
correction on landscape characterization[J]. Remote Sensing
of Environment, 2001, 78: 55–70.
[7] Du Y, Teillet P M, Cihlar J. Radiometric normalization of
multi-temporal high-resolution satellite images with quality
control for land cover change detection[J]. Remote Sensing
of Environment, 2004, 82: 123–134.
[8] 丁丽霞，周斌，王人潮. 遥感监测中5种相对辐射校正方
法研究[J]. 浙江大学学报（农业与生命科学版）, 2005, 31:
269–276.
[9] Sarah E J, Mary C H, David L. Using Advanced Land
Imager (ALI) and Landsat Thematic Mapper (TM) for the
Detection of the Invasive Shrub Lonicera maackii in
Southwestern Ohio Forests[J]. GIScience & Remote Sensing,
2012, 49(3): 450-462.
[10] 柳铮铮, 曾从盛，钟春棋. 基于TM影像的福州市地表植
被变化分析[J]. 水土保持研究, 2008, 15(3): 194–196.
[11] Estes LD, Reillo PR, Mwangi AG. Remote sensing of
structural complexity indices for habitat and species
distribution modeling[J]. Remote Sensing of Environment,
2010, 114: 792–804.
[12] Susan K M, Kenneth MS. Identification of “ever-cropped”
land (1984–2010) using Landsat annual maximum NDVI
image composites: Southwestern Kansas case study[J].
Remote Sensing of Environment, 2012, 121: 186–195.