遥感地学分析实验报.docx

遥感地学分析实验报.docx

《遥感地学分析实验报.docx》由会员分享，可在线阅读，更多相关《遥感地学分析实验报.docx（43页珍藏版）》请在冰点文库上搜索。

遥感地学分析实验报

实验一植被覆盖度反演

一、实验目的

植被覆盖度是指植被（包括叶、茎、枝）在地面的垂直投影面积占统计区总面积的百分比。

通常林冠称郁闭度，灌草等植被称覆盖度。

它是衡量地表植被覆盖的一个最重要的指标，被覆盖度及其变化是区域生态系统环境变化的重要指示，对水文、生态、全球变化等都具有重要意义。

目前已有许多利用遥感技术测量植被覆盖度的方法，其中应用最广泛的方法是利用植被指数近似估算植被覆盖度，常用的植被指数为NDVI，本次实验完成植被覆盖度反演。

二、实验数据

实验选取两景覆盖北京市的Landsat8OLI影像、土地覆盖类型图以及北京行政边界矢量数据为数据源。

其中，土地覆盖类型图是作为掩膜文件使用，其目的是为了便于植被覆盖度的估算；北京行政边界矢量数据是裁剪出北京市行政区内的范围。

Landsat8OLI影像是从地理空间数据云网站上下载得到的，其成像时间为2013年10月份。

与Landsat7的ETM+成像仪相比，OLI成像仪获取的遥感图像辐射分辨率达到12比特，图像的几何精度和数据的信噪比也更高。

OLI成像仪包括9个短波谱段（波段1～波段9），幅宽185km，其中全色波段地面分辨率为15m，其他谱段地面分辨率为30m。

三、实验方法

本文反演植被覆盖度所采用的是像元二分模型方法，像元二分模型是一种简单实用的遥感估算模型，它假设一个像元的地表由有植被覆盖部分与无植被覆盖部分组成，而遥感传感器观测到的光谱信息（S）也由这2个组分因子线性加权合成，各因子的权重是各自的面积在像元中所占的比率，如其中植被覆盖度可以看作是植被的权重。

因此，像元二分模型的原理如下：

VFC=（S-Ssoil）/（Sveg-Ssoil）S为遥感信息，其中Ssoil为纯土壤像元的信息,Sveg为纯植被像元的信息。

改进的像元二分法——遥感信息选择为NDVI

VFC=（NDVI-NDVIsoil）/（NDVIveg-NDVIsoil）

两个参数的求解公式

NDVIsoil=（VFCmax*NDVImin-VFCmin*NDVImax）/（VFCmax-VFCmin）

NDVIveg=（（1-VFCmin）*NDVImax-（1-VFCmax）*NDVImin）/（VFCmax-VFCmin）

当区域内可以近似取VFCmax=100%，VFCmin=0%

VFC=（NDVI-NDVImin）/（NDVImax-NDVImin）

当区域内不可以近似取VFCmax=100%，VFCmin=0%，当有实测数据的情况下，取实测数据中的植被覆盖度的最大值和最小值；当没有实测数据的情况下，植被覆盖度的最大值和最小值根据经验估算。

其中,NDVIsoil为裸土或无植被覆盖区域的NDVI值,即无植被像元的NDVI值；而NDVIveg则代表完全被植被所覆盖的像元的NDVI值,即纯植被像元的NDVI值。

四、实验处理步骤

1、实验处理流程如下图所示

2、数据预处理

本文使用的Landsat8OLI为L1T级别数据，不需做几何校正处理。

而北京市需要两景LandsatOLI数据覆盖，因此首先要进行图像镶嵌和裁剪，然后进行大气校正等预处理过程。

（1）辐射定标

辐射定标是将传感器记录的电压或数字值转换成绝对辐射亮度的过程。

实验报告中写出辐射定标的作用。

该处理过程在Envi5.1中实现，具体操作：

在ENVIToolbox中，选择Toolbox/RadiometricCorrection/RadiometricCalibration，选择*_MultiSpectral多光谱组（7个波段），打开辐射定标工具，对两景影像分别做辐射定标。

（2）影像镶嵌

因本文所使用的影像数据源是两景LandsatOLI影像，因此需进行影像镶嵌，镶嵌的目的是将不同的影像文件无缝地拼接成一幅完整的包含研究区域的影像。

该处理过程在Envi5.1中实现，具体操作：

在Toolbox中，选择/Mosaicking/SeamlessMosaic，打开无缝镶嵌工具，然后进行相关参数设置。

（3）影像裁剪

因本文所使用的影像数据包含了北京市行政区划以外的部分地区，因此需进行影像裁剪，以将研究区裁剪出来，并且减小了数据量，加快了数据处理速度，本文使用北京行政边界矢量裁剪图像。

过程在Envi5.1中的具体操作如下：

在Toolbox中，选择/RegionsofInterest/SubsetDatafromROIs，打开裁剪工具：

（4）Flaash大气校正

ENVI中的FLAASH模型是基于MODTRAN4+辐射传输模型，通过参数查找表来进行大气校

正的商业化软件。

实验报告中需写出为什么用进行大气校正。

在Toolbox中打开FLAASH工具/RadiometricCorrection/AtmosphericCorrectionModule/FLAASHAtmosphericCorrection

报告中需要对大气校正前后同一地物的光谱曲线进行对比。

3、植被覆盖度估算

（1）计算NDVI

本文选取NDVI值为参数，采用像元二分模型对植被覆盖度进行反演，根据植被覆盖度的计算公式可知，要求取植被覆盖度，首先需要计算NDVI。

在Envi5.1中的具体操作如下：

在Toolbox中，选择Spectral/Vegetation/NDVI，NDVICalculationInputFile面板中，选择大气校正后的图像，求算NDVI，如下：

由于大气校正后的结果有部分像元为负值，主要集中在阴影地区，这部分区域计算得到的NDVI在[-1,1]之外，为了便于后面的分析，这里统一将这部分像元进行处理，即NDVI值大于1的变为1，小于-1的变成-1。

使用Bandmath工具，（写出运算公式），得到去除异常值文件。

（b1lt（-1））*（-1）+（b1gt

（1））*1+（b1le

（1）andb1ge（-1））*b1

（2）生成掩膜文件

该过程主要是为了计算NDVI的最大值、最小值，根据土地利用分类图（共5类，林地、农业用地、城市用地、水体与其他）制作各种土地利用类型的掩膜文件，在Envi5.1中的具体操作如下：

在Toolbox中选择/RasterManagement/Masking/ApplyMask，打开制作掩膜工具：

得到林地、农业用地、城市用地、水体与其他的掩膜文件。

应用掩膜文件

（3）获取阈值

计算NDVImax和NDVImin值，使用获取的掩膜文件分别对NDVI图像文件进行统计，在一定置信度范围内获取每个掩膜文件（也就是土地覆盖类型）对应的最大和最小NDVI值。

在Toolbox中，选择/Statistics/ComputeStatistics，进行统计，然后在统计结果中，取一定的置信度获取最大和最小的NDVI值。

林地覆盖区域的统计结果（如下图），选择NDVImin=0.3804，NDVImax=0.8667。

同样的方法得到其他地物覆盖类型的NDVI阈值，其中，水体没有植被（水藻不属于植被），认为这部分区域的植被覆盖度为0，如下表：

土地覆盖类型

NDVImin（NDVIsoil）

NDVImax（NDVIveg）

林地

-0.003922

0.937255

农业用地

-0.003922

0.701961

城市用地

-0.003922

0.301961

水体

0

0

其他

-0.003922

0.349020

4）生成参数文件

植被覆盖度的计算公式：

VFC=（NDVI-NDVIsoil）（NDVIveg-NDVIsoil），该过程是根据上面得到的NDVI阈值分别生成NDVIsoil和NDVIveg参数文件，也即NDVImin与NDVImax。

该过程主要使用Envi5.1的bandmath工具，并且：

NDVIsoil：

b1*0.128627+b2*0.090196+b3*0.011765+b4*0+b5*0.003922

其中，b1：

林地掩膜文件，b2：

农业用地掩膜文件，b3：

城市用地掩膜文件，b4：

水体掩膜文件，b5：

其他用地掩膜文件

NDVIveg：

b1*0.992157+b2*0.992157+b3*0.568627+b4*0+b5*0.639216

其中，b1:

林地掩膜文件，b2：

农业用地掩膜文件，b3：

城市用地掩膜文件，b4：

水体掩膜文件，b5：

其他用地掩膜文件

最终，生成的参数文件。

（4）植被覆盖度估算

利用上一步得到的NDVIsoil和NDVIveg参数文件带入公式：

VFC=（NDVI-NDVIsoil）（NDVIveg-NDVIsoil），该过程也是利用Envi5.1中的Bandmath工具来实现（写出运算公式）。

分析下结果，会发现有一些异常值，即值在[0,1]之外，这些异常值是在NDVI置信度之外的那部分像元产生的（也包括NDVI异常像元）。

这些像元数量不多，大约占3.7%左右。

还有背景和水体区域的植被覆盖度的值为-NaN，即无效值，因为分母为0造成的。

第一种异常值可以将小于0的值变成0，大于1的值变成1，用bandmath工具即可，Bandmath表达式为：

0.0>b1<1.0，其中b1为植被覆盖度；-NaN可以用掩膜进行处理，即在BuildMask中用-NaN生成掩膜。

去掉异常值之后，并对其进行分类显示，最终得到的植被覆盖度图。

五、实验结论

本文通过归一化植被指数（NDVI）像元二分模型来估算北京市的植被覆盖度，从估算结果来看，该指数空间呈现不均匀分布，人类活动区域植被较少，非人类活动区域植被较多，符合实际情况，故说明该模型是有效进行植被分析。

六、实验存在问题

使用ENVI软件对影像NDVI处理以后，使用像元二分模型对图像进行植被覆盖分析，最后比较得出植被覆盖状况

实验二土地利用分类与变化检测

一、实验目的

实验以某地区的两期的LandsatTM数据为数据源，采用监督分类完成两个时期土地利用分类，及其土地利用变化分析，综合验证土地利用分类流程与土地利用变化监测方法。

二、实验内容

实验内容包括两期LandsatTM土地利用监督分类，及其分类结果分析与评价和土地利用信息变化提取分析等内容，其中变化检测采用分类后比较方法。

要求掌握监督分类方法和变化检测流程。

实验数据ag_08_quac和ag_09_quac分别是08和09年的TM数据，掩膜数据在“掩膜文件”中。

三、实验步骤

1、分类体系的选择——监督分类

（1）类别定义/特征判别

参考分类标准如下表所示

居民用地

居民用地留茬耕地水体

绿植耕地裸地

（2）样本选择

为了建立分类函数，需要对每一类别选取一定数目的样本，在ENVI中是通过感兴趣区（ROIs）来确定，也可以将矢量文件转化为ROIs文件来获得。

●打开分类图像，点击图层文件的右键，选择NewRegionofInterest菜单，默认ROIs为多边形，定义样本。

先以08年为例

选区：

最终样本分类如图：

以同样的步骤完成09年的。

●计算样本的可分离性。

在ROIs面板中，选择Option->ComputeROISeparability,计算样本的可分离性。

其中Jeffries-Matusita,TransformedDivergence参数表示，这两个参数的值在0~2.0之间，大于1.9说明样本之间可分离性好，属于合格样本；小于1.8，需要重新选择样本；小于1，考虑将两类样本合成一类样本。

08年的

09年的

2、土地利用分类

有以下两个分类流程方法，选择其中一种方法即可。

1）采用监督分类方法包括平行六面体、最小距离、马氏距离、最大似然，基于神经网络模型，支持向量机、模糊分类等，Toolbox选择Classification>Supervised>多种分类模型，实验挑选一种分类模型进行土地利用分类（报告中标出采用何种分类模型），并对分类结果的处理，使用Classification->PostClassification工具中方法。

2）

最大似然法

08年：

09年：

2）Toolbox中，打开/Classification/ClassificationWorkflow，采用图像分类流程化工具。

3、分类精度评定

使用Toolbox中Classification->PostClassification->ConfusionMatrix，得到分类精度评价混淆矩阵和Kappa系数，对分类结果进行评价分析。

4、土地利用变化监测

使用ThematicChangeWorkflow分类后比较法工具，分析两期分类数据的变化情况，并在流程中Smoothing和Aggregation中设置合适的值去除噪声和合并小斑块。

结果以图像输出，并统计变化的结果，分析各种地类变化的情况。

四、实验心得

应用遥感技术进行土地利用变化监测研究是土地调查研究的重要组成部分，本子实验要注意杨店颜色的选取和样点选取数量要多，全图选取这样劫过才不会出现大误差。

实验三：

基于规则的道路信息提取

一、实验目的

道路作为基础地理信息，为保持数据的现势性，需要对该类数据实时或准实时更新，在现实中，基于高分辨率的数据道路数据的提取是更新道路信息数据的有效方法。

本次实验使用基于规则的面向对象信息提取方法，完成自动提取道路信息的过程。

二、实验内容

实验内容包括高分辨率数据的处理，高分辨率信息提取流程，ENVIFX模块面向对象信息提取，矢量后处理的方法。

实验数据采用Quickbird影像数据（QB-CJ），应用ENVIFX扩展模块中的FeatureExtraction工具，提取影像中道路信息。

三、实验步骤

1、启动RuleBasedFX工具

在Toolbox中，选择/FeatureExtraction/RuleBasedFeatureExtractionWorkflow。

关注CustomBands面板，有两个自定义波段，包括归一化植被指数或者波段比值、HSI颜色空间，这些辅助波段可以提高图像分割的精度，如植被信息的提取等自定义的属性。

选择Spectral，Band下面选择NormalizedDifference。

在第一步自定义波段中选择的波段是红色和近红外波段，所以在此计算的是NDVI，参数设置为band1：

band2，band2：

band4。

2、设置影像分割阈值（20,30,40）、合并阈值（70,85）。

3、制定提取规则

根据规则进行特征提取，在规则分类界面。

每一个分类有若干个规则（Rule）组成，每一个规则有若干个属性表达式来描述。

道路提取的规则如下（根据数据可以动态调整阈值的大小，能较好的反映道路特征）

Ø剔除植被：

NDVI的Spectralmean设小于0.01

Ø剔除高亮度的建筑物和空地，第一波段的Spectralmean阈值小于310

Ø剔除面积较小的建筑物和空地，参数Spatial->Area，阈值大于2500

Ø剔除延伸性小于3的地物，参数Spatial->Elongation，阈值大于3

4、结果输出与处理

对提取的结果叠合与处理，得到道路信息特征，如果效果不好，调整制定的提取规则。

四、实验心得

道路信息作为一种重要的基础地理信息，可以作为提取其他地物目标的线索和参考系，具有很强的现实意义。

从遥感影像自动提取人工地物,特别是线状地物（主要是道路）,不仅是摄影测量与遥感领域的难题,也是计算机视觉与图像理解研究的重点之一。

本次试验中，主要是使用基于规则的面向对象信息提取方法，完成自动提取道路信息的过程。

实验四太湖水体叶绿素浓度反演

一、实验目的

根据环境小卫星CCD数据，反演太湖的叶绿素a浓度，要求掌握环境小卫星的数据读取、几何校正、大气校正、反演模型的建立、遥感反演过程、反演结果验证等操作技能及原理，熟悉遥感水质反演过程。

二、实验要求

根据环境小卫星CCD数据特点及太湖水质反演模型要求，先对环境小卫星CCD数据进行数据预处理，大气校正、太湖区裁剪，利用波段比值法对实测的叶绿素a浓度数据建立反演模型，将模型应用于太湖水面区域影像，反演出整个太湖区的叶绿素a浓度,并验证模型精度。

三、实验步骤

（一）数据预处理

1、安装环境小卫星数据读取和定标补丁，复制到Home\ProgramFiles\ENVI51\Extensions目录下。

本次实验中已完成小卫星数据转化和定标，得到HJ1B-CCD1-20091006-Cal-sub数据，用于流域叶绿素反演。

2、几何校正（图像配准），以TM作为基准影像对环境小卫星图像进行图像配准。

（1）打开基准影像TM_baseimage.img。

（2）选择Tool中Registration->AutomaticRegistration：

ImagetoImage，选择基准影像第4波段作为匹配波段（TM_baseimage.img）。

（3）选择被配准影像HJ1B-CCD1-20091006-Cal-sub.img第4波段作为被配准波段。

（4）选择控制点，并调整控制点，直到总的RMSError小于1个像素时，完成控制点的选择。

点击GroundControlPointsSelection上的File->SaveGCPstoASCII，保存控制点。

调整控制点后的RMS错误

5）在GroundControlPointsSelection面板上，选择Options->WarpFile（AsImageMap），选择校正文件。

在校正参数面板中，投影参数默认。

（6）在X和Y的像元大小输入30米，按回车，图像输出大小自动更改重采样方法选择NearestNeighbor（保持图像辐射值不变），输出为registratio

3、大气校正

环境小卫星提供了波谱响应函数，以文本形式提供，第一列表示波长（nm），后面四列分别表示4个波段对应波长的波谱响应值。

为了做大气校正，需要制作波谱曲线来描述波谱响应函数，用于大气校正。

（1）制作波谱曲线

打开Display->NewPlotWindow面板，在波谱绘制窗口中，选择Import>ASCII，导入“681_HJ1ACCD1.txt”文本文件。

在绘制窗口生成了4条曲线，选择Edit->DataParameters，编辑每条线的名称为b1，b2，b3，b4，便于区分。

将数据Export->SpectralLibrary，在OutputSpectralLibrary面板中，有输出曲线相关参数设置，将波谱曲线保存为波谱库文件“HJ1B-CCD1光谱响应.sli”。

（2）FLAASH大气校正

1）主菜单Spectral->FLAASH打开FLAASH大气校正模块；

首先采用ConvertData（BSQ、BIL、BIP）工具，转换为BIL格式的数据。

2）大气模型选择Mid-LatitudeSummer，气溶胶模型选择Rural，气溶胶反演方法选择None，能见度给40km。

3）大气模型选择Mid-LatitudeSummer，气溶胶模型选择Rural，气溶胶反演方法选择None，能见度给40km。

4）大气校正完成后，检查大气校正的结果，分别加载校正前后的图像，将两幅影像进行地理链接，移动到植被区域（植被的波谱曲线比较特殊），在影像上右键，选择ZProfile（Spectrum）打开光谱曲线窗口，显示两幅图像同一位置的光谱曲线图。

4、太湖区裁剪

使用shp格式太湖范围数据，对影像数据进行裁剪

（二）叶绿素反演

实验中选择波段比值法（BNIR/BRED）建立模型。

1、采样点实测数据处理

需要结合实地调查数据，将水面调查点与实测叶绿素浓度在空间上相对应，其中实地调查数据中包括水面调查点的经纬度、叶绿素含量，实验数据使用“叶绿素实测数据”。

2、获取采样遥感影像上的数据

1）采用波段计算器，输入float（b4）/b3，计算得到比值图像。

2）打开Enviclassic，Basictool->RegionofInterest->ROITool工具，选择ROI_Type->InputPointsfromASCII，选择文本格式的“反演点.txt”。

注意参数选择，x：

选择经度；y：

选择纬度；Thesepointcomprise：

IndividualPoints。

设置投影信息地理经纬度。

将实地调查的点位置信息加载到图像中。

3）在ROITool中，选择File->OutputROIstoASCII。

选择b4/b3的图像，在OutputROIstoASCIIParameters面板中，选择ROI点，单击EditOutputASCIIForm，在输出内容设置面板中，选择ID、经纬度（GeoLocation）、和波段像元值（BandValues）。

得到水面调查点与BNIR/BRED对应的值，并导出。

将相应的BNIR/BRED值导入Excel表中，与实测值一一对应。

3、模型参数反演

有了实测的叶绿素a含量值与BNIR/BRED值的对应表，在Excel中选BNIR/BRED值与叶绿素a实测值绘制散点图。

在散点图上选中散点，添加趋势线，勾选线性，显示公式，显示R平方值，得到反演模型如：

y=0.0385x+0.0192，R2=0.8042

4、叶绿素反演

确定参数a和b，反演模型表达为：

Chla=0.0385*BNIR/BRED+0.0192,使用Bandmath工具，输入表达式：

0.0385*b1+0.0192，选择b1为b4/b3的图像，计算得到叶绿素反演图。

其结果输出将结果以彩色方式显示。

5、模型的验证

利用提供的实测数据的验证点，看看验证数据与计算得到叶绿素浓度数据误差，具体与步骤（获取采样遥感影像上的数据）相同。

四、实验总结

本人对遥感方面的实验并不是很熟悉，幸亏有知道书才能按照步骤完成实验。

在实验过程中，本人加深了对遥感基础原理的认识以及巩固了本学期所学的内容。

在这个实验中，由于软件版本不同以及实验资料有出入等原因，有一些步骤与实际有一点脱离，需要自己研究ENVI软件的差别和用法，在此过程中帮助了我进一步熟悉软件的用法，受益匪浅。

而本次实验的课题是对一定区域水域的叶绿素反演的问题，这个问题在当下涉及到环保的领域，应用范围很广，进一步加深了本人对整个地理信息空间分析和应用体系的理解，知道了其实地理信息系统不仅仅是局限于某一个特定的框架内，多多思考和参考已有研究成果可以极大拓宽可应用的领域，很有启发。