介绍利用ENVI软件进行遥感图像进行植被指数提取的方法。并结合操作实例进行介绍，相信有用哦

PIE-Engine Studio植被覆盖度计算实例操作.pdf

专门介绍植被定量遥感的书籍，作者李云梅，介绍了众多模型，很实用

有植被图简要说明

从MODIS植被指数的下载到批量处理为最大合成法NDVI/EVI数据的全套过程

ENVI下植被覆盖度的遥感估算，详细介绍如何操作~图文并茂~

unity 植被资源包

植被、水体和浑浊水体、土壤、岩石等地物光谱曲线cdr和清晰jpg文件

将具有不同空间分辨率和时间分辨率的多源组合起来以产生高时空分辨率归一化植被指数（NDVI）时间序列数据集具有重要意义。 在这项研究中，分析和比较了四个时空融合模型。 这些模型包括时空自适应反射率模型（STARFM），增强型时空自适应反射率融合模型（ESTARFM），灵活的时空数据融合模型（FSDAF）和时空植被指数图像融合模型（STVIFM）。 目的是：1）使用重庆市巴南区的Landsat-MODIS NDVI图像比较四种融合模型； 2）定量和直观地分析预测准确性。 结果表明，STVIFM将更适合于生成NDVI时间序列数据集。

使用常规植被指数很难从卫星图像中准确识别和提取水体和水下植被，因为对水的强烈吸收会削弱浅水湖泊中水下植被反射的高近红外光谱特性。 这项研究以中国半干旱地区的乌兰苏海浅湖为研究地点，并提出了一种新的凹凸决策功能，可以利用高粉1号（GF-1）检测水下水生植物（SAV）和识别水体。 ），并于2015年7月和2015年8月获取分辨率为16米的多光谱卫星图像。同时，通过决策树方法对新兴植被，“黄台藻开花”和SAV进行了同时分类。 经过实地调查和核实，7月和8月的分类精度分别为92.17％和91.79％，表明GF-1数据重访期短至四天且空间分辨率高，可以满足水生植被要求的精度标准。萃取。 结果表明，凹凸决策函数在区分水和SAV方面优于传统的分类方法，从而大大提高了SAV的分类精度。 凹凸决策函数可以应用于在1.5 m透明度下SAV覆盖率大于0.3 m大于40％，SAV覆盖率大于0.1 m大于40％的水域，这可以为在其他区域准确提取SAV提供新的方法。