植被含水量是植被生长状态的重要指示因子, 是农业、 生态和水文等研究中的重要参数, 其诊断对于监测自然植被群落的干旱状况、 预报森林火灾等都具有重要意义。 通过对植被光谱反射率与植被含水量的相关性分析, 发现植被波谱不同波段的光谱反射率与植被含水量的相关性差异很大, 其中可见光红光波段（620～700 nm）、 近红外波段（800～1 350, 1 600～1 950, 2 200～2 400 nm）的光谱反射率与植被含水量具有较好的相关性, 选取了660, 850, 1 630和2 200 nm的光谱反射率作为RED, NIR, SWIR1和SWIR2的波段值来建立角度斜率指数; 分析了植被含水量与角度斜率指数的关系, 将角度斜率指数（SANI, SASI, ANIR）作为反演植被含水量的参量, 建立植被含水量与角度斜率指数之间线性回归模型。 通过对近红外角度指数ANIR改进, 提出了近红外角度归一化指数NANI（near infrared angle normalized index）与近红外角度斜率指数NASI（near infrared angle slope index）, 建立植被含水量与NANI和NASI之间线性回归模型, 结果显示: NANI与Palacios-Orueta等提出的角度斜率指数（SANI, SASI, ANIR）相比有一定的优势, 模型可决系数R2从原最高0.791提高到0.853, RMSE也从原最小0.047降低到0.039。 确定了NANI为反演植被含水量的最佳角度斜率指数, 并建立了植被含水量反演模型。 该研究主要创新点: 在前人研究成果基础上, 通过对原角度斜率指数的改进, 提出了NANI和NASI角度斜率指数, 使其在植被含水量反演上具有更高的精度。

植被含水量是作物长势好坏的指示因子, 利用遥感技术及时准确监测植被含水量对农业生产、 作物估产和干旱状况评价具有重要意义。 基于新一代对地观测计划Landsat 8 OLI传感器(Operational Land Imager, 陆地成像仪), 评价其植被含水量反演的能力与局限性。 首先, 利用ProSail冠层模型模拟冠层光谱反射率数据集, 分析OLI传感器的植被含水量敏感波段以及土壤背景对各波段反射率的影响, 然后利用基于Landsat OLI影像计算的植被水分指数和2013年6月1日—8月14日期间采样的植被含水量数据, 比较12种植被水分指数与地面实际采样的植被含水量的相关性, 评价估算植被含水量的最佳植被水分指数。 结果表明: OLI传感器的红、 近红外和两个短波红外对植被含水量敏感, 其中近红外波段最为敏感;在低植被覆盖度时, 土壤背景反射率的太阳辐射将达到光谱传感器影响植被水分指数与植被含水量之间的关系, 利用ProSail模拟干湿土壤背景反射率结果也表明土壤背景对植被冠层反射率的影响很大;引入优化土壤调整植被指数(OSAVI)去除土壤背景对植被水分指数的影响;在12种植被水分指数中, MSI2与植被含水量的拟合关系最好(R2=0.948), 植被含水量的平均拟合误差为0.52 kg·m-2;在植被生长晚期即植被含水量大于2 kg·m-2时, 各植被水分指数出现饱和情况, 植被含水量的估算结果不佳。

在分析植被光谱特征与光谱和植被水分相关性的基础上, 初步确定几个波段或波段组合为植被含水量的光谱指数。利用数据对植被含水量FMC(Fuel Moisture Content)与上述水份光谱指数分别建立最优函数关系。通过分析不同光谱指数的关系及其相对误差, 确定以1600 nm和820 nm处反射率的比值SR作为建立本研究区植被含水量模型的特征参数; 并利用实测光谱反射率与植被含水量建立SR与FMC之间的模型关系。根据植被含水量模型、 ETM和ASTER遥感数据, 在IDL7.0开发平台下实现研究区植被含水量的定量反演, 并利用区内实测数据和本底调查数据对反演结果进行了综合评价与分析。结果表明, 光谱指数SR可以较好地剔除环境背景以及冠层结构等外界因素的影响, 植被含水量遥感反演精度较高, 能真实反映研究区植被含水量的时空变化规律与特征。