基于Web互操作的遥感生态指数计算及应用
《基于遥感生态指数的蚌埠市生态环境变化研究》
《基于遥感生态指数的蚌埠市生态环境变化研究》一、引言随着社会经济的快速发展和城市化进程的加速，生态环境问题日益凸显。
蚌埠市作为安徽省的重要城市，其生态环境的变化引起了广泛关注。
遥感技术以其覆盖范围广、获取数据快速、动态监测能力强等优势，为生态环境研究提供了重要的手段。
本文以蚌埠市为例，基于遥感生态指数，对蚌埠市生态环境变化进行研究。
二、研究方法与数据来源1. 研究方法本研究采用遥感技术，通过获取蚌埠市多时相的遥感数据，利用遥感生态指数（RSEI）进行生态环境评价。
遥感生态指数是一种综合反映生态环境质量状况的指标体系，包括绿度、湿度、热度、荒漠化程度和丰度等多个维度。
2. 数据来源本研究的数据来源主要包括蚌埠市的多时相遥感数据、气象数据、土地利用数据等。
其中，遥感数据主要来自国内外卫星遥感数据源，如Landsat、Sentinel等。
三、蚌埠市生态环境现状分析通过对蚌埠市遥感数据的处理和分析，得出蚌埠市生态环境现状的主要特点。
在绿度方面，蚌埠市的植被覆盖度较高，但城市扩张导致部分区域绿地面积减少；在湿度方面，蚌埠市的水资源丰富，但水体污染问题较为严重；在热度方面，城市热岛效应明显；在荒漠化程度方面，蚌埠市整体荒漠化程度较低，但部分区域存在土地退化问题；在丰度方面，蚌埠市的生物多样性较为丰富，但受人类活动影响较大。
四、蚌埠市生态环境变化趋势分析通过对比分析蚌埠市不同时期的遥感生态指数数据，发现蚌埠市生态环境变化的主要趋势。
绿度指数呈现下降趋势，表明部分区域绿地面积减少；湿度指数呈现波动变化，水体污染问题亟待解决；热度指数持续上升，城市热岛效应加剧；荒漠化程度指数基本稳定，但部分区域存在土地退化风险；丰度指数略有下降，生物多样性受到一定影响。
五、影响因素分析影响蚌埠市生态环境变化的主要因素包括自然因素和人为因素。
自然因素主要包括气候、地形地貌等，人为因素主要包括城市化进程、工业发展、农业活动、人类生活等。
生态遥感技术在生态环境监测中的应用研究
生态遥感技术在生态环境监测中的应用研究随着全球生态环境状况的日益恶化，生态遥感技术作为一项先进的监测手段，正在被广泛应用于生态环境的保护和管理中。
本文将就生态遥感技术在生态环境监测中的应用研究进行探讨，旨在展示该技术的重要性和前景。
1. 生态遥感技术的概述生态遥感技术是一种基于遥感数据的生态环境监测方法。
通过获取卫星遥感影像和其他传感器数据，结合地理信息系统（GIS）和遥感图像分析技术，可以实现对生态环境的快速、准确的监测与评估。
2. 生态遥感技术在植被监测中的应用植被是生态系统的组成要素，对环境保护和生物多样性维护起着至关重要的作用。
而生态遥感技术可以通过获取植被指数来判断植被健康状况，如归一化植被指数（NDVI）可以反映植被的生长和光合作用强度。
此外，植被分类和变化监测也是生态遥感技术的重要应用领域，可以通过解译遥感影像来获取植被类型信息，追踪和预测植被变化。
3. 生态遥感技术在湿地监测中的应用湿地是地球上重要的生态系统，不仅具有生态保护功能，也对水资源调控起着重要作用。
而湿地的监测与评估是湿地保护和管理的基础。
生态遥感技术可以通过获取湿地的空间信息，帮助监测湿地的边界、面积和水体动态变化等。
此外，湿地植被的监测也是生态遥感技术在湿地保护中的重要应用，可以通过遥感影像判断湿地植被健康状况，反映湿地的生态质量。
4. 生态遥感技术在水质监测中的应用水质是评估生态系统健康状况的重要指标之一。
然而，传统的水质监测方式通常受制于时间和空间的限制，无法对大范围进行监测。
而生态遥感技术可以通过获取水体的高光谱数据，利用反射光谱特征来评估水质状况。
此外，还可以通过监测蓝藻水华的遥感指标，实现对水体富营养化和富氧化的监测与预警。
5. 生态遥感技术的发展前景随着遥感技术和计算机科学的快速发展，生态遥感技术将迎来更大的发展空间。
高分辨率遥感数据的广泛应用，将提升生态遥感技术的监测水平和准确性。
与此同时，人工智能和大数据分析的应用也将使生态遥感技术在生态环境监测中发挥更大的作用，为生态环境保护提供更有效的决策支持。
基于WPS快速构建面向专业应用的WEB遥感影像处理应用系统试验研究
ａ ｐ ｉａ ｉ ｎ ， ａ ｅ ｙ ｉ ｐ ｔａ ｄ ｏ ｔ ｕ ｏ ｂ ｉ ｇ ｒ ｃ ｓ ｉ ｇ ｆ ｎ ｔ ｎ ｎ ｎ ｇ ｍｅ ｔ ｏ ｌ． ｎ ｌ ｕ ｃ ｌ ｒ ａ ｅ ｂ ｉｅ ｐ ｌ ｔ ｓ ｓ ｆ ｌ ｕ ｎ ｕ ｐ ｔ ｒｗｅ ｃ ｏ ｎ ｆ ｍａ ｅｐ ｏ ｅ ｓｎ ｕ ｃ ｉ ｓａ ｄ ｍａ ａ ｅ ｎ ｏｓ Ｆｉ ａｌ ａｑ ｉｋ ｙｃ ｅ ｔ ｄ ｗｅ ｓｔ ｏ ｔ ｙ ｂ ｓ ｄ ｏ ｈ ｒ ｍｅ ｒ ｓ ｄ ｍｏ ｓ ｒ ｔ ｄ ａ ｅ ｎ ｔ ｅ ｆ ａ ｗｏ ｋ ｉ ｅ ｎ ｔ ａ ｅ ． Ｋｅ ｒ ｓ ＯＧＣ Ｐ Ｓ ｙ ｗｏ ｄ ： Ｗ Ｓ； ＯＡ ； ＥＲＤＡＳ ＡＰＯＬＬＯ； ｂ ｂ ｓ ｄ ｉ ｇ ｒ ｃ ｓ ｉ ｇ ｗｅ ａ ｅ ｍａ ｅ ａ ｐ ｉａ ｉ ｎ ｗｅ ａ ｅ ｍａ ｅ ｐ ｏ ｅ ｓｎ ； ｂ ｂ ｓ ｄ ｉ ｇ ｐ ｌ ｔ ｃ ｏ
Ｔ ｅＳｕ ｙｏ ｉｋ Ｃ ｅ ｔ ｎ ｏ ｐ ｌ ａｉｎ Ｏｒｅ ｔｔｄＷ ｅ ｍｏｅ ｈ ｔｄ ｎＱｕｃ ｒａｉ ｆＡ ｐｉ ｔ ｉｎ ａｅ ｂＲｅ ｔ ｏ ｃ ｏ
Ｓ ｎｓｎｇ Ｉ ａ ｅ Ｐｒ ｃ ｓｉ ｇ ａ ｄ Ａｐｐ ｉａ ｉｎ Ｓ ｓｅ ｓ ｄ ｏ ＰＳ ｅ ｉ ｍ ｇ ｏ ｅ ｓｎ ｎ ｌｃ ｔｏ ｙ ｔｍ Ｂａ ｅ ｎ Ｗ
ｐ ｎ ｅ ｔ ｓ ｅ ｉ ｃ ｒ ｍｏ ｅｓ ｎ ｉ ｇ ｉ ｇ ｒ ｃ ｓ ｉ ｇ ｓ ｓ ｅ ｔ ｅ ｕ ｅ ｙ ｖ ｒｏ ｓ ｐ ｏ ｌ． ｅＯＧＣ Ｗ ＰＳ ｓ ｒ ｉｅｍａ ｅ ｔｐ ｓ ｉ ｌ ｅ ｄ ｎ ｐ ｃｆ ｅ ｔ ｅ ｓｎ ｍａ ｅｐ ｏ ｅ ｓｎ ｙ ｔ ｍ ｏ ｂ ｓ ｄ ｂ ａ ｉｕ ｅ ｐ ｅ Ｔｈ ｉ ｅ ｖ ｃ ｋ ｓｉ ｏ ｓｂ ｅ
遥感大数据中的Web遥感应用平台技术
• 管理标准5万分幅DOM数据4765幅， 共计6.69TB。为下属单位提供在线、 按需镶嵌与裁剪DOM影像。
• 要求对原始数据进行操作以后，要保 证原始数据不能被修改，不能有辅助 文件生成
单个服务器：32核CPU、64G内存
测试内容
规则裁剪 规则裁剪 不规则裁剪 不规则裁剪
提供：
• 在线影像数据 • 在线影像处理
服务器
影像处理
以Services方式提供影像处理工具
新一代Web遥感服务平台技术
• 基于SOA架构
– 灵活开发 – 系统集成
• 支持集群、云计算环境
– 并行计算、多线程计算 – 分布式计算 – 弹性伸缩
• 多客户端
– Web、移动、桌面
• ……
在线、按需进行遥感影像处理
浏览器 移动端
Landsat Image Service
Online Images Services
深度学习应用于监督分类
• 可训练一个分类器，并将其运用于不同区域或时间段
– Support Vector Machine – Softmax
• 在桌面软件或者企业级在线系统上都可以使用 • 属于初级机器学习
遥感动态 监测服务
其他遥感 服务
模型库 算法库 组件库
管 理 规
定
数
据 层
标准影像 L1,L2...
DEM
参考影像
控制点
辅助数据
外部数据 服务
标准REST的遥感影像 功能服务
数据源，可以是文件 目录，也可以是在线 影像服务
基
计算节点1
……
存储节点1
……
础
网络
支
《基于遥感生态指数的蚌埠市生态环境变化研究》
《基于遥感生态指数的蚌埠市生态环境变化研究》一、引言随着社会经济的快速发展和城市化进程的加速，生态环境问题日益突出，成为全球关注的热点问题。
蚌埠市作为安徽省的重要城市之一，其生态环境的变化对于区域乃至全国的生态环境保护具有重要意义。
遥感技术作为一种有效的手段，可以快速、准确地获取大范围的生态环境信息。
因此，本研究基于遥感生态指数，对蚌埠市生态环境变化进行研究，旨在为该市的生态环境保护和可持续发展提供科学依据。
二、研究方法与数据来源本研究采用遥感技术手段，以遥感生态指数为评价指标，对蚌埠市生态环境变化进行研究。
遥感生态指数是一种基于遥感数据的生态环境质量综合评价方法，通过提取遥感数据中的植被、水体、土地利用等信息，综合评价生态环境的优劣程度。
数据来源主要包括卫星遥感数据和地面实测数据。
卫星遥感数据包括Landsat和MODIS等数据源，地面实测数据包括土壤、气象和水文等方面的数据。
通过对这些数据的处理和分析，得到蚌埠市生态环境变化的遥感生态指数。
三、蚌埠市生态环境现状分析根据遥感生态指数的评价结果，蚌埠市生态环境整体上呈现出一定的改善趋势。
具体表现为植被覆盖率的提高、水体质量的改善以及土地利用的合理化等方面。
其中，植被覆盖率的提高是生态环境改善的主要表现之一，这得益于该市近年来大力推进的植树造林、绿化美化等工程。
同时，水体质量的改善也表明该市在污水处理和环境保护方面取得了显著的成效。
四、蚌埠市生态环境变化趋势分析通过对比不同时期的遥感生态指数，可以发现蚌埠市生态环境变化呈现出一定的趋势。
一方面，随着城市化进程的加速，建设用地不断扩大，导致部分生态用地被占用，生态环境受到一定程度的破坏。
另一方面，该市政府采取了一系列措施，如加强环境保护、推进生态工程等，使得生态环境得到了一定的改善和保护。
因此，未来需要继续加强生态环境保护和修复工作，促进生态环境的持续改善。
五、存在问题与建议在研究过程中，也发现了一些问题。
GoogleEarthEngine——基于改进的RSEI评估生态环境（水体掩膜后）
GoogleEarthEngine——基于改进的RSEI评估⽣态环境（⽔体掩膜后）未经允许，禁⽌随意转载，尊重他⼈版权，仅供学习参考，欢迎交流。
背景介绍遥感⽣态指数(Remote Sensing Ecological Index)的获得，是使⽤主成分分析法耦合了绿度、湿度、⼲度、热度指标，以1-PC1（PC1，主成分分析结果的第⼀分量）标准化的结果作为遥感⽣态指数（徐涵秋，2013）。
以上四个指标中，绿度反映了植被覆盖度，是⽣态环境好坏的重要指标；湿度和⼲度反映了⽣态环境中地表与地上的⽔分含量多少。
热度指标即地表温度是区域和全球范围地表物理过程的重要因⼦，也是研究地表和⼤⽓物质交换和能量交换的关键参数。
因此，使⽤主成分分析法耦合这四个指标，避免主观确定权重，为评估⽣态环境质量提供⼀种快速有效的⽅法。
在使⽤RSEI模型时，⼀些学者根据2013年提出的1-PC1来计算RSEI（徐涵秋，2013），但也有其他学者直接使⽤PC1作为区域⽣态遥感指数。
究其原因，是学者们只是简单地应⽤模型，对模型的运作和模型机制缺乏了解。
由于主成分分析⽅法中特征向量⽅向的⾮唯⼀性，这两个模型会带来相反的结果。
在实际研究中，学者们通常直接使⽤该⽅法，很少有⼈注意到特征向量及其⽅向，⼤⼤限制了遥感⽣态环境评估⽅法的发展。
同时，由于缺乏对模型机制的研究，盲⽬地应⽤和改进模型，有时会误导学者做出错误的评价。
1. 通过研究主成分分析⽅法中特征向量⽅向的改变对RSEI的影响，只有当NDVI和Wet的特征向量为负值，NDSI和LST的特征向量为正值时，使⽤1-PC1计算的RSEI才是正确的。
⽽直接⽤PC1的模型只有在NDVI和Wet的特征向量为正值，NDSI和LST的特征向量为负值时才能得到正确的结果（LiNing等，2020），提出了改进模型如式1，这⾥的Vndvi、Vwet是指NDVI和Wet对PC1的特征向量值。
2. 在上述研究基础上，有学者通过⼤样本测试了RSEI模型特征向量在时间序列中的演变。
遥感生态指数（RSEI）应用案例
遥感⽣态指数（RSEI）应⽤案例1.《基于遥感⽣态指数模型的渭南市⽣态环境质量动态监测与分析》 当前，遥感技术以其快速、实时及可实现⼤范围监测等优势被⼴泛地应⽤于⽣态环境领域，成为评价区域⽣态环境的有效⼿段。
但是，⽬前对各类⽣态系统评价的研究多基于单⼀的⽣态环境指标，如利⽤植被指数监测森林⽣态系统、提取⽔体指数获取河流信息进⾏⽔环境评估、利⽤地表温度测评城市热岛效应等。
新型遥感⽣态指数（RSEI remote sensing based ecological index），完全基于遥感信息，集成了反映⽣态环境最为直观的多重指标，可实现对区域⽣态环境的快速监测与评价，具有⼀定的实践意义与较⾼的参考价值。
本案例，基于Landsat5和Landsat8数据，利⽤主成分分析法，通过耦合反映⽣态环境状况的绿度、湿度、⼲度和热度指标，建⽴RSEI，可以实现对渭南市⽣态环境质量的监测与评价。
结论：1995-2015年间，渭南市RSEI上升了13.7%，表明渭南市的⽣态环境质量总体呈提⾼趋势。
对渭南市⽽⾔，在4个分指标中，反映地表“⼲化”情况的⼲度指标RSEI的贡献最⼤，表明⼟地利⽤⽅式与城市⽣态环境密切相关。
城市规划布局引起的建筑⽤地⾯积的增加会对城市⽣态环境产⽣⼀定的消极作⽤，以植树造林为主的增加地表植被覆盖的绿化⼯程、景观经济林带建设等则极⼤地改善了该区的⽣态环境质量。
因此，⼈们应增强此⽅⾯的意识，切实做到因地制宜、合理规划。
不⾜：如遥感影像的质量不尽⼈意、选取的指标均基于⽣态环境特征等。
在后续的研究⼯作中将进⼀步完善，如将衡量经济发展、社会保障和⽂化科技等⽅⾯的指标纳⼊评价体系，从多⾓度分析社会、经济与⽣态环境的协调发展。
2.《基于遥感⽣态指数的永定矿区⽣态变化监测与评价》 ⽬前针对煤矿区环境的监测主要侧重于⼤型煤矿区的⼟地利⽤、地表沉陷、植被破坏、热环境影响等单⼀⽣态要素遥感反演，但对规模⼩⽽矿点多的⼩矿井集中区的⽣态遥感监测还⽐较缺乏。
生态指数计算
利用研究区.shp文件定义掩膜文件
填写主成分分析结果图：
3.2生态指数RSEI计算
Band Math对第一主成分波段进行归一化处理，得到RSEI指数。
Band Math公式为：(b1+1.077716)/( 0.836707+1.077716)。
2.生态指数计算
3.1生态因子合成多波段数据
图22
对归一化后的4 个指标进行主成分分析，得到PC1，PC1数值大小与生态质量优劣相对应。获得遥感生态指数RSEI 。为了便于指标的度量和比较，对RSEI进行归一化处理，得到遥感生态指数RSEI。
选择Transfrom工具。
图23 选择Transfrom工具
3.4 结果展示
结果展示1
结果展示2
3.5制图输出
格网属性设置
指北针属性设置
接着设置好标题、图例，得到结果图如下：
结果输出为jpg格式。
将结果输出为tiff格式
基于遥感的自然生态境监测实验报告
实验报告课程名称：遥感概论实验名称：基于遥感的自然生态境监测日期：2022年10月1日基于遥感的自然生态境监测实验报告一、实验背景随着人们环境保护意识的不断增强，环境监测工作越来越重要,其作为环境保护工作中非常重要的一个环节，通过对生态环境进行监测，能够有获得重要的数据资料，以来引对环境质量及受污染程度进行判断,从而为相关部门制定政策及开展环境保护工作提供重要的依据.通过生态环境监测能够为更深层次的环境管理和决策部门服务，从而制定出生态环境规则及生态设计方案，实现对生态环境的有效保护。
二、数据与软件准备1、数据本实验所用数据为10米空间分辨率的哨兵-2A遥感影像，30米空间分辨率的Landsat8遥感影像，以及研究区矢量边界数据。
2、论文3、软件—ENVI5.6—Landsat8地表温度反演工具三、实验流程1、数据预处理1.1数据多波段合成—数据打开：File/Optical Sensors/European Space Agency/Sentinel-2,选择一景数据的MTD开头的文档打开。
—哨兵-2A数据有12个波段，而本实验所需要的波段为2、3、4、8、11、12这六个，我们使用Raster Management/Build Layer Stack工具进行几个波段合成，得到所需的六个波段。
选中所需的六个波段，并且输入研究区边界。
—用同样的方法将另一景影像也进行波段合成。
1.2影像镶嵌处理—使用Mosaicking/Quick Mosic工具把波段合成后的两景影像进行镶嵌处理。
1.3表观反射率定标—工具Band Algebra/Band Math公式：b1*0.00011.4研究区裁剪—利用研究区的矢量文件对影像进行裁剪，使用Regions of Interest/Subset Data from ROIs工具。
2、生态因子计算根据实验要求，我们需要数据进行绿度指标（NDVI）、湿度指数、干度指数以及温度指数的计算，其中绿度指标（NDVI）、湿度指数和干度指数我们用经过预处理之后得到的10米哨兵-2A数据计算得到，温度指数使用Landsat8热红外数据计算得到。
基于遥感的生态环境影响评估方法研究
基于遥感的生态环境影响评估方法研究一、引言生态环境是人类生存和发展的基础，对其进行准确的评估和监测至关重要。
随着科技的不断进步，遥感技术因其能够提供大范围、多时相、多光谱的数据，成为了生态环境影响评估的重要手段。
二、遥感技术在生态环境评估中的应用原理遥感技术主要通过传感器接收来自地球表面物体反射或发射的电磁波信息，进而获取相关数据。
这些数据包括但不限于地表植被覆盖度、土地利用类型、水体分布、土壤湿度等。
通过对不同波段电磁波的分析，可以提取出与生态环境相关的各种参数。
例如，近红外波段对于植被的监测非常有效，能够反映植被的生长状况和覆盖程度；而热红外波段则可以用于监测地表温度，从而了解城市热岛效应等问题。
三、基于遥感的生态环境影响评估的数据获取与处理（一）数据获取目前，常用的遥感数据源包括卫星遥感和航空遥感。
卫星遥感数据具有覆盖范围广、重访周期短等优点，如 Landsat 系列、MODIS 等。
航空遥感则具有更高的空间分辨率，适用于小范围、高精度的监测。
在获取数据时，需要根据评估的目标和范围选择合适的数据源，并考虑数据的时间序列和质量。
（二）数据预处理获取到的原始遥感数据往往需要进行预处理，以提高数据的质量和可用性。
预处理包括辐射校正、几何校正、大气校正等。
辐射校正用于消除传感器自身和大气等因素对辐射能量的影响，使得不同时间和地点获取的数据具有可比性。
几何校正则是将图像中的像元坐标与实际地理坐标对应起来，保证数据的空间准确性。
大气校正用于消除大气对电磁波的散射和吸收作用，获取地表真实的反射率或辐射值。
四、基于遥感的生态环境指标提取（一）植被指数植被指数是评估植被生长状况和覆盖度的重要指标，常见的有归一化植被指数（NDVI）、增强型植被指数（EVI）等。
NDVI 通过计算近红外波段和红光波段的反射率差异来反映植被的生长状况，值越大表示植被越茂盛。
（二）土地利用分类利用遥感数据可以对土地利用类型进行分类，如耕地、林地、草地、建设用地等。
城市遥感生态指数的创建及其应用
五、结论和展望
遥感技术作为一项重要的数据获取手段，为区域生态环境变化评价提供了强 大的支持。通过建立遥感评价指数，可以定量地描述和评估生态环境的状况和变 化趋势。这些指数不仅可以用于研究，还可以应用于环境保护、资源管理等方面。
未来，随着遥感技术的不断发展，遥感数据的分辨率和覆盖范围将不断提高， 为生态环境变化评价提供了更加精细和全面的数据支持。同时，随着人工智能和 机器学习等技术的进步，遥感数据的处理和分析能力也将得到进一步提升，从而 更好地揭示生态环境变化的规律和机制。
4、将移动窗口遥感生态指数与矿区生态环境的其他指标相结合，如地质灾 害、土壤质量等，进行综合分析和评价。
5、根据分析结果，提出相应的生态环境保护措施和建议，为矿区可持续发 展提供支持。
感谢观看
二、背景介绍
遥感技术是一种通过卫星、飞机等远距离传感器获取地表信息的方法。它具 有大范围、实时性、重复性好等优势，为区域生态环境变化评价提供了重要的数 据支持。同时，随着遥感技术的发展，越来越多的遥感数据被发布，为生态环境 变化研究提供了宝贵资源。
三、遥感技术介绍
遥感技术在生态环境变化评价中主要应用了光谱信息、地形信息、时间信息 和空间信息等。其中，光谱信息可以反映地物的特征和属性，地形信息可以提供 地形地貌、土壤类型等信息，时间信息可以反映地物的动态变化，空间信息可以 描述地物的空间分布特征。通过对这些信息的遥感获取和分析，可以有效地对区 域生态环境变化进行评价。
2、评估城市规划效果：通过对比不同时期的城市遥感生态指数，可以评估 城市规划方案对环境的影响，为城市规划提供指导。
3、指导环境保护工作：城市遥感生态指数可以帮助环保部门识别环境问题， 制定针对性的保护措施，提高环境保护效果。
区域生态环境变化的遥感评价指数
区域生态环境变化的遥感评价指数一、本文概述随着全球气候变化的加剧，区域生态环境的变化越来越受到人们的关注。
遥感技术以其高效、快速、大范围的特点，在生态环境监测和评估中发挥着越来越重要的作用。
本文旨在探讨遥感技术在区域生态环境变化评价中的应用，并构建一套科学、实用的遥感评价指数，以期为生态环境保护和可持续发展提供科学依据。
本文将首先回顾遥感技术在生态环境监测领域的发展历程和现状，分析遥感技术在生态环境变化评价中的优势和局限性。
然后，结合国内外相关研究成果和实践经验，提出一套适用于区域生态环境变化评价的遥感指数体系，包括植被指数、水体指数、地形指数、热环境指数等多个方面。
在此基础上，本文将详细介绍各个遥感指数的计算方法、应用场景和解释意义，为实际应用提供参考。
本文还将以某一具体区域为例，详细阐述遥感评价指数在生态环境变化监测中的应用流程和效果评估。
通过案例分析，旨在展示遥感评价指数在生态环境变化监测中的实用性和可行性，为其他区域的生态环境变化评价提供借鉴和参考。
本文将对遥感技术在区域生态环境变化评价中的未来发展趋势进行展望，探讨遥感技术与其他技术手段的结合应用，以及遥感评价指数体系的进一步优化和完善。
通过本文的研究，旨在为生态环境保护和可持续发展提供更加科学、有效的技术支持。
二、遥感评价指数的基础理论遥感评价指数，作为一种利用遥感技术进行生态环境变化评估的方法，其基础理论主要基于遥感技术的特性以及生态环境变化的科学原理。
遥感技术，通过搭载在卫星、飞机或其他飞行平台上的传感器，实现对地球表面的大范围、连续、快速的观测和数据获取。
这种技术具有信息量大、时效性强、覆盖范围广等特点，为生态环境变化的监测和评估提供了有力的工具。
遥感评价指数的基础理论主要包括两部分：一是遥感数据的获取与处理，二是生态环境变化的监测与评估方法。
遥感数据的获取与处理是遥感评价指数的前提。
这包括选择合适的遥感数据源，如卫星遥感数据、航空遥感数据等，以及进行数据的预处理，如辐射定标、大气校正、几何校正等，以获取准确、可靠的遥感信息。
遥感指数的提取和应用
遥感指数的提取和应用遥感指数的提取和应用遥感指数是指利用遥感技术获取的多光谱遥感数据，通过不同波段的数据计算，得到的具有特定含义的指数。
遥感指数具有广泛的应用，例如在土地利用、植被覆盖、水资源管理等领域，都有着重要的作用。
遥感指数的提取是通过遥感图像处理软件，如ENVI、ArcGIS等，根据不同的应用需要，进行多波段数据的处理和计算，得到特定的遥感指数。
以NDVI为例，NDVI是通过红光和近红外光谱波段进行计算得到的，能够表现出覆盖度较高的植被，而覆盖度较低的非植被区域的程度。
因此，NDVI被广泛用于土地利用、植被生长变化监测等领域。
在土地利用领域，遥感指数可以用于分类土地类型，如根据不同的遥感指数，可以判断出农田、林地、水域等不同的土地类型，为土地管理提供决策依据。
另外，遥感指数还可以用于监测土地覆盖变化，例如可以通过NDVI指数来分析植被覆盖的变化，从而了解生态环境的变化情况。
在植被覆盖领域，遥感指数也扮演着重要的角色。
通过计算遥感指数，可以判断出所在区域内的植被生长情况、植被类型等，碳循环遥感指数（CCI）甚至可以用于反演全球净初级生产力等指标。
此外，遥感指数还可以用于评估植被覆盖率，例如可以通过植被指数（VI）来评估植被覆盖率，从而了解生态情况，为生态环境保护提供决策依据。
在水资源管理领域，遥感指数也起着重要的作用。
例如，可以通过水体指数（WI）来判断水体的分布和变化情况，从而提供水资源管理的决策依据。
同时，水资源指数（WSI）也可以用于监测和预测气候变化，从而对水资源管理工作提供帮助。
总的来说，遥感指数在土地利用、植被覆盖、水资源管理等领域都有着广泛的应用，它为我们提供了一种全新的、高效的分析方法，能够更加准确地了解自然环境的变化情况，从而为决策提供依据。
未来，随着遥感技术的不断进步和数据的高质量获取，遥感指数的应用也将会越来越广泛，为环境保护、资源管理等领域的决策提供更加有效的支持。
基于Web互操作的遥感生态指数计算及应用
基于Web互操作的遥感生态指数计算及应用余劲松弟;陈远杰;佟瑞菊【期刊名称】《贵州大学学报（自然科学版）》【年(卷),期】2018(035)005【摘要】遥感生态指数(RSEI)作为一种新型遥感生态指数,在生态环境评价中应用广泛.目前,RSEI计算多依托于本地GIS平台,难以共享和互操作.因此,本文在分析Web互操作方法基础上,提出一种RSEI互操作计算方法.该方法通过将遥感数据映射为OGC覆盖数据,克服异构遥感数据互操作问题.基于覆盖模型,利用WCPS计算RSEI所涉及的湿度、绿度、干度、热度指标,利用Web环境下的R语言,对计算后分指标数据进行主成分分析,从而获得RSEI.试验表明,这种基于WCPS+R的RSEI 计算方式,具有Web互操作性,可实现跨平台交互,在线快速评价城市生态环境质量.【总页数】7页(P41-47)【作者】余劲松弟;陈远杰;佟瑞菊【作者单位】福州大学空间数据挖掘和信息共享教育部重点实验室,福建省空间信息工程研究中心,福建福州350002;福州大学空间数据挖掘和信息共享教育部重点实验室,福建省空间信息工程研究中心,福建福州350002;福建工程学院交通学院,福建福州350002【正文语种】中文【中图分类】TP393.09;TP79【相关文献】1.生态环境变化遥感评价指数的应用研究——以敖江流域为例 [J], 王俊祺;潘文斌2.城市遥感生态指数的创建及其应用 [J], 徐涵秋3.遥感植被指数在农业生态环境监测中的应用 [J], 邱庆伦;赵鸿燕;郭剑;宋福;吴玉珍4.县域夜光遥感指数与生态环境状况指数相关性研究——以贵州省为例 [J], 宋善海;王堃;陈艳;梁萍萍5.一种基于指数的新型遥感建筑用地指数及其生态环境意义 [J], 徐涵秋因版权原因，仅展示原文概要，查看原文内容请购买。
基于遥感指数的生态变化评估--以常宁市为例
基于遥感指数的生态变化评估--以常宁市为例罗春;刘辉;戚陆越【摘要】Using remote sensing methods to assess regional ecological change can achieve a long cycle and immediate results. The authors employed remote sensing eco index ( RSEI) method to monitor the erosion of the ecological changes, with Changning City as the study area. 1990, 2002 and 2009 Landsat TM remote sensing images were chosen as data sources, from which 4 ecological factors were extracted, i. e. , green degree, humidity degree, heat degree and dry degree, as indicators of evaluation model. Combined with principal component analysis, the authors quantitatively and objectively assessed regional ecological changes in the past 20 years. The results show that remote sensing Eco Index ( RSEI) method seems to be a good method for evaluating the effect of ecological restoration in soil erosion area. It is proved that RSEI eco - index value increased by 22. 39%;nevertheless , excellent level of eco-area ratio decreased from 13 . 086% in 1990 to 4 . 006% in 2002 and then rose to 16 . 699% in 2009 , which indicates that the ecological quality of this region has been greatly improved after 20 years' soil erosion control. Through the investigation and analysis of Changning City, the authors have found that main prevention measures, such as afforestation and construction, have exerted greater effects on the improvement of the ecological quality.%利用遥感技术进行区域生态变化评估,能够得到周期长、现时性强的结果。
遥感生态指数模型
遥感生态指数模型
遥感生态指数模型是一种基于遥感技术的生态环境评价模型，它利用卫星遥感数据，结合地面观测数据和模型模拟结果，综合评价生态系统的健康状况和环境质量。
遥感生态指数模型可以反映生态系统的空间分布格局、物种多样性、生产力水平、土地利用类型和环境质量等多个方面的情况，对于生态环境保护和管理具有重要意义。
遥感生态指数模型的构建需要考虑多个因素，包括遥感数据的获取和处理、指标体系的设计和优化、模型的建立和验证等。
指标体系是遥感生态指数模型的核心，它应该包括生态系统的结构、功能和服务等多个方面，如植被覆盖度、土地利用结构、水体质量、大气污染等。
指标体系应该具有可操作性和可重复性，以提高遥感生态指数模型的应用价值。
遥感生态指数模型的应用范围广泛，涉及生态环境保护、自然资源管理、城市规划、农林牧渔等多个领域。
例如，可以利用遥感生态指数模型评估不同区域的生态环境质量，发现生态问题和热点区域，为政府决策提供科学依据。
此外，遥感生态指数模型还可以用于监测和评估生态保护工程的效果，及时发现生态环境破坏和治理效果不佳的问题，并采取相应的措施加以改善。
总之，遥感生态指数模型是一种有效的生态环境评价工具，可为生态保护和管理提供科学依据，促进生态文明建设。
- 1 -。
遥感常用ndvi、mndwi、ndbi等三个指数的计算及landsat8应用
遥感常用ndvi、mndwi、ndbi等三个指数的计算及landsat8应用NDVINDVI,植被覆盖指数。
应用于检测植被生长状态、植被覆盖度和消除部分辐射误差等。
NDVI( Normalized Differenee Vegetation Index.数），也称为生物量指标变化，可使植被从水和土中分离出来。
表达式:NIR和R分别为近红外波段和红波段处的反射率值。
和植物的蒸腾作用、太阳光的截取、光合作用以及地表NDVI^ NIR-RN I R T R1、NDVI能够部分消除与太阳高度角、卫星观测角、地形、云影等与大气条件有关的辐射变化的影响；⑴2、NDVI结果被限定在[-1，1]之间，避免了数据过大或过小给使用带来的不便; [1]3、NDVI是植被生长状态及植被覆盖度的最佳指示因子; [1]4、非线性变换，增强了NDVI低值部分，抑制了高值部分，导致NDVI数值容易饱和,对高植被密度区敏感性降低：NLR-R NIR^R-2RNIRT R二NIR^-R2J?NIK+/?表 1 Lan dsat7 Lan dsat8 卫星对比归一化差分植被指数，标准差异植被指[1]净初级生产力等密切相关。
中文名Index[1]Land&at 7.T Band Name . Bandwidth (pm 〕? Resolution (m) 1Band Name.,Bandwidth (pm-1-F1 1 i d1 1 Band 1 Coastal.0.43 -0.45, Band 1 Blue. (M5 -0.52, 130：j1 Band2 Blu&0.45-0.51Band 2 Gre&n . 0.52 -OWO.130,i Bmnd 3 Green, 0.53 -0.59 . Sand 3 Red.— 0.63 -069,i30. I 二 LBand 4 Red.,0,64-0.67.Band 4 NIR. 0,77 -690, i i30.1 Band 5 NIR.0.85一 0,88. Band 5 SWIR 1,1.55 -1.75,130,11 Band 5 SWIft 1, 1.57 -1.65, 归日nd 7 SWIR 2.2.09 -2 35, 130.1Band 7 SWIR 22.11 - 2.29, Band 8 Pan,0.52 -0.90、15.,!1 1Band 9 Pan,0.50 -0.68.■ ri i .n1 1 Band 9 Cirrus,1,36-1.38*10,40 -12.50.130/60, Band 10 TrRS 110,6 -11.19.Sand 6 TIRiSand 11 TIRS 2.11.5 - 12.51NDWINDWI （Normalized Differenee Water Index, 归一化水指数），用遥感影像的特定波段进行归一化差值处理，以凸显影像中的水体信息。
遥感指数的提取和应用
遥感指数的提取和应用
一、背景介绍
1.1 遥感技术的应用背景
1.2 遥感指数的意义和作用
1.3 研究目的和意义
二、遥感指数的提取方法
2.1 遥感数据获取与处理
2.2 主要的遥感指数
2.2.1 归一化植被指数（NDVI）
2.2.2 土地覆盖指数（LCI）
2.2.3 土壤湿度指数（SSI）
2.2.4 水体指数（WI）
2.3 遥感指数的计算方法
2.3.1 数学表达式和原理
2.3.2 遥感图像的预处理和分析
2.3.3 指数计算的软件工具和算法
三、遥感指数的应用案例
3.1 植被监测和评估
3.1.1 农田植被监测
3.1.2 森林覆盖度评估
3.1.3 自然灾害后的植被恢复监测3.2 水资源管理
3.2.1 水体污染监测
3.2.2 水域面积变化监测
3.2.3 水资源可持续利用评估
3.3 土壤和农作物监测
3.3.1 土壤湿度变化监测
3.3.2 农作物生长状况评估
3.3.3 农田管理和施肥指导
四、遥感指数的优缺点及发展趋势
4.1 优点
4.2 缺点
4.3 发展趋势
五、结论
5.1 研究总结
5.2 展望未来
以上是根据任务名称【遥感指数的提取和应用】编写的一篇文章，对遥感指数的提取方法、应用案例、优缺点以及发展趋势进行了全面详细的探讨。
文章分为五个部分，包含多个层次、多个级别的标题，满足了要求。
同时，文章中也使用了有序列表的格式，以清晰划分不同部分。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第３５卷第５期贵州大学学报(自然科学版)Ｖｏｌ.３５㊀Ｎｏ.５２０１８年㊀１０月ＪｏｕｒｎａｌｏｆＧｕｉｚｈｏｕＵｎｉｖｅｒｓｉｔｙ(ＮａｔｕｒａｌＳｃｉｅｎｃｅｓ)Ｏｃｔ.２０１８收稿日期:２０１７－１１－１５基金项目:国家自然科学基金项目资助(４１４０１４５４)ꎻ中国博士后科学基金项目资助(２０１５Ｍ５８２０２９)ꎻ福建省教育厅科技项目资助(ＪＡＴ１６０３２３)作者简介:余劲松弟(１９８４－)ꎬ男ꎬ博士ꎬ副教授ꎬ研究方向:地理信息标准化㊁数字化对地观测㊁空间数据库和长期科学数据保存ꎬＥｍａｉｌ:ｙｙｘ３５０＠１２６.ｃｏｍ.∗通讯作者:陈远杰ꎬＥｍａｉｌ:ｃｙｊ５４１１７＠ｆｏｘｍａｉｌ.ｃｏｍ.文章编号㊀１０００－５２６９(２０１８)０５－００４１－０７ＤＯＩ:１０.１５９５８/ｊ.ｃｎｋｉ.ｇｄｘｂｚｒｂ.２０１８.０５.０８基于Ｗｅｂ互操作的遥感生态指数计算及应用余劲松弟１ꎬ陈远杰１∗ꎬ佟瑞菊２(１.福州大学空间数据挖掘和信息共享教育部重点实验室ꎬ福建省空间信息工程研究中心ꎬ福建福州３５０００２ꎻ２.福建工程学院交通学院ꎬ福建福州３５０００２)摘㊀要:遥感生态指数(ＲＳＥＩ)作为一种新型遥感生态指数ꎬ在生态环境评价中应用广泛ꎮ目前ꎬＲＳＥＩ计算多依托于本地ＧＩＳ平台ꎬ难以共享和互操作ꎮ因此ꎬ本文在分析Ｗｅｂ互操作方法基础上ꎬ提出一种ＲＳＥＩ互操作计算方法ꎮ该方法通过将遥感数据映射为ＯＧＣ覆盖数据ꎬ克服异构遥感数据互操作问题ꎮ基于覆盖模型ꎬ利用ＷＣＰＳ计算ＲＳＥＩ所涉及的湿度㊁绿度㊁干度㊁热度指标ꎬ利用Ｗｅｂ环境下的Ｒ语言ꎬ对计算后分指标数据进行主成分分析ꎬ从而获得ＲＳＥＩꎮ试验表明ꎬ这种基于ＷＣＰＳ＋Ｒ的ＲＳＥＩ计算方式ꎬ具有Ｗｅｂ互操作性ꎬ可实现跨平台交互ꎬ在线快速评价城市生态环境质量ꎮ关键词:覆盖模型ꎻＲＳＥＩꎻＷＣＰＳꎻＲ语言ꎻＷｅｂ互操作中图分类号:ＴＰ３９３.０９ꎻＴＰ７９㊀㊀㊀文献标识码:Ａ㊀㊀生态环境与人类社会活动密切相关ꎮ近年来ꎬ随着我国经济快速发展ꎬ人口㊁资源㊁环境的矛盾日益显现ꎬ生态环境一直是一个热门话题ꎮ遥感技术以其实时㊁快速㊁覆盖范围广等优点ꎬ在生态环境动态监测等领域发挥重要作用ꎮ目前ꎬ利用计算机技术和遥感技术解决生态领域问题是较为普遍的做法ꎮ江振蓝等基于ＥＮＶＩ/ＥＲＤＡＳ提取福州市生态环境评价因子ꎬ构建生态环境遥感综合评价模型[１]ꎻ吴金华等基于ＡｒｃＧＩＳ对延安市土地生态敏感性进行评价[２]ꎻ白洪伟等利用ＡｒｃＧＩＳ/ＥＮＶＩ对合肥市土地利用/覆被变化进行分析[３]ꎮ这些ＧＩＳ平台多面向本地ꎬ功能较为完善ꎬ能很好地完成较为复杂的空间信息分析处理任务ꎬ在生态领域应用广泛ꎮ但是这种依托于传统本地ＧＩＳ平台的计算方式存在一些不足ꎬ如集成在宿主平台的计算模型改进㊁更新算法较为困难ꎻ平台安装存在限制ꎬ难以跨平台ꎻ对空间数据格式有要求ꎬ难以互操作ꎮ此外ꎬ这些ＧＩＳ平台通常需要购买ꎬ成本高ꎬ且安装费时费力ꎮ针对这一系列问题ꎬ学者们提出基于Ｗｅｂ互操作方式解决生态领域问题ꎬ主要侧重于Ｗｅｂ服务和应用系统的研究[４－６]ꎮ徐涵秋提出的一种新型遥感生态指数(ＲｅｍｏｔｅＳｅｎｓｉｎｇＥｃｏｌｏｇｉｃａｌＩｎｄｅｘꎬＲＳＥＩ)ꎬ利用主成分分析耦合反映生态环境最为直观的多重指标ꎬ避免了传统生态环境评价指数人为分配指标权重带来的主观性ꎬ使集成结果更为客观合理ꎬ是较好的生态环境质量评价指数[７－９]ꎮ在城市生态质量快速评价[１０－１１]㊁水土流失治理成效分析[７－８]㊁区域生态环境动态监测[１２]等领域应用广泛ꎮ目前ꎬ在开展ＲＳＥＩ研究过程中ꎬ多采用传统ＧＩＳ平台进行ꎬ利用集成在这些ＧＩＳ平台的计算模型计算ＲＳＥＩꎬ也存在上述问题ꎬ而针对ＲＳＥＩ的互操作计算方法尚未出现ꎮＯＧＣ新一代Ｗｅｂ覆盖服务规范(ＷｅｂＣｏｖｅｒ￣ａｇｅＳｅｒｖｉｃｅꎬＷＣＳ)[１３]基于覆盖模型ꎬ保持遥感数据原始语义ꎬ通过将遥感数据映射为覆盖数据ꎬ可实现分布式异构遥感数据互操作[１４]ꎮ其扩展服务Ｗｅｂ覆盖处理服务(ＷｅｂＣｏｖｅｒａｇｅＰｒｏｃｅｓｓｉｎｇＳｅｒｖ￣ｉｃｅꎬＷＣＰＳ)[１５]是针对覆盖数据的互操作查询语言规范ꎬ支持覆盖数据的信息提取ꎬ处理分析等操作ꎮ余劲松弟等针对ＷＣＰＳ应用问题ꎬ提出ＷＣＰＳ与贵州大学学报(自然科学版)第３５卷Ｗｅｂ传输协议的互操作耦合模型ꎬ并设计了快速原型实现降水信息的提取[１６]ꎻＣＡＭＰＡＬＡＮＩ等针对大气时空变化问题ꎬ对基于ＷＣＰＳ的信息提取方法展开了研究[１７]ꎮＷＣＰＳ虽具备强大的覆盖数据处理能力ꎬ但是对于更为复杂的数据计算分析ꎬ相较于Ｒ(ｈｔｔｐｓ://ｗｗｗ.ｒ－ｐｒｏｊｅｃｔ.ｏｒｇ/)则略显不足ꎮＲ是专门为数据统计和分析开发的语言ꎬ集成了丰富的计算模型ꎬ且透明性好ꎬ模型修正改良方便ꎬ有效弥补了传统ＧＩＳ平台和ＷＣＰＳ的不足[１８－１９]ꎮＳｈｉｎｙ(ｈｔｔｐ://ｓｈｉｎｙ.ｒｓｔｕｄｉｏ.ｃｏｍ/)使Ｒ可运行于Ｗｅｂ端ꎬ这为Ｗｅｂ环境下计算ＲＳＥＩ提供了条件ꎮ本文提出基于ＷＣＰＳ＋Ｒ的计算方法ꎬ支持以Ｗｅｂ互操作的方式计算ＲＳＥＩꎬ从而实现跨平台的交互ꎬ计算模型集成方式灵活ꎬ可扩展性强ꎬ信息提取能力得到提升ꎮ１㊀Ｗｅｂ互操作计算方法１.１㊀覆盖模型及其互操作计算ＩＳＯ１９１２３将覆盖模型定义为目标区域范围内ꎬ任意位置到该位置上相关地理现象属性值的映射ꎬ主要涉及覆盖模型索引域㊁值域㊁值域类型和元数据的定义[２０]ꎮ为了使该模型能进行Ｗｅｂ互操作应用ꎬＯＧＣ定义了覆盖模型的编码标准ＧＭＬｃｏｖｅｒａｇｅ[２１]ꎬ通过ＸＭＬＳｃｈｅｍａ将索引域㊁值域㊁值域类型和元数据以结构化信息树的形式组织起来ꎮ实际应用过程中ꎬ需针对具体的数据源将ＧＭＬｃｏｖｅｒａｇｅ实例化为ＸＭＬꎬ并经过一致性检验ꎮ当以遥感影像为数据源进行ＧＭＬｃｏｖｅｒａｇｅ实例化ꎬ其索引域记录了遥感影像各位置点的坐标值ꎻ值域存储了该位置每个波段的波段值ꎬ并允许同时存储多个波段值ꎻ值域类型记录了每个波段的波段类型ꎻ元数据记录遥感影像数据的其他相关信息ꎬ如影像成像时间等ꎮＧＭＬｃｏｖｅｒａｇｅ屏蔽了遥感数据格式的不同ꎬ支持ＴＩＦＦ㊁ＪＰＥＧ㊁ＰＮＧ㊁ＮｅｔＣＤＦ㊁ＨＤＦ等格式的表达ꎬ使得不同格式的遥感数据可以用一致性的Ｗｅｂ编码方式提供互操作服务[２２]ꎮ此外ꎬＧＭＬｃｏｖｅｒａｇｅ还具有平台无关性ꎬ可以很容易地通过ＨＴＴＰ协议传输ꎬ为共享和互操作提供基础ꎮ覆盖模型作为ＷＣＳ的核心数据模型ꎬ可以基于ＷＣＳ/ＷＣＰＳ进行互操作计算ꎮＷＣＰＳ是与Ｗｅｂ服务规范标准相互独立的覆盖查询语言ꎬ支持对覆盖模型进行代数运算㊁逻辑运算和聚合运算等ꎬ可实现覆盖数据的各种分析处理操作ꎬ包括简单的覆盖数据检索㊁波段计算ꎬ到更为复杂的多个覆盖数据协同计算等ꎮ在实际应用过程中ꎬＷＣＰＳ需要实例化ＷＣＳ抽象服务操作ＲｅｑｕｅｓｔＢａｓｅ作为其处理信息的载体ꎬ以实现ＷＣＳ的Ｐｒｏｃｅｓｓｉｎｇ扩展ꎬ达到ＷＣＳ与ＷＣＰＳ的有效耦合ꎬ支持ＫＶＰ㊁ＰＯＳＴ㊁ＳＯＡＰ协议进行Ｗｅｂ传输ꎮ以ＫＶＰ协议扩展为例:ｈｔｔｐ://ｍｙｓｅｒ￣ｖｅｒ.ｃｏｍ/ＷＣＳ?ＳＥＲＶＩＣＥ＝ＷＣＳ＆ＶＥＲＳＩＯＮ＝２.０ １＆ＲＥＱＵＥＳＴ＝ＰｒｏｃｅｓｓＣｏｖｅｒａｇｅｓ＆ｑｕｅｒｙ＝ＷＣＰＳ语句[１６]ꎮＷＣＰＳ语法结构:ｆｏｒƔｃｉｎ(ｃｏｖｅｒａｇｅＬｉｓｔ)∗(Ɣｄｉｎ(ｃｏｖｅｒａｇｅＬｉｓｔ))[ｗｈｅｒｅｂｏｏｌｅａｎＳｃａｌａｒＥｘｐｒ]ｒｅｔｕｒｎｅｎｃｏｄｅ(ｃｏｖｅｒａｇｅＥｘｐｒꎬｆｏｒｍａｔＮａｍｅ)其中ꎬｃｏｖｅｒａｇｅＬｉｓｔｓ是覆盖模型实例化列表ꎬ以不同变量名区分ꎬ如ｃꎬｄꎻｂｏｏｌｅａｎＳｃａｌａｒＥｘｐｒ是可选的计算条件ꎻｃｏｖｅｒａｇｅＥｘｐｒ是覆盖计算表达式ꎻｆｏｒ￣ｍａｔＮａｍｅ指定计算结果的返回格式ꎮ此外ꎬＷＣＰＳ还支持子区域的选择ꎬ通过添加目标区域坐标范围ꎬ可实现目标区域的ＷＣＰＳ计算ꎬ以ＮＤＶＩ计算为例ꎬ其ｃｏｖｅｒａｇｅＥｘｐｒ可以表示为: (ｃ.３[ｘꎬｙ]－ｃ.２[ｘꎬｙ])/(ｃ.３[ｘꎬｙ]＋ｃ.２[ｘꎬｙ])其中ꎬ[ｘꎬｙ]就是计算对象所属的空间范围ꎬ其表示方法:[Ｌａｔ(ｉ:ｊ)ꎬＬｏｎｇ(ｍ:ｎ)]ꎮ缺省情况下ꎬ为全部区域ꎬｃ.２ꎬｃ.３表示遥感影像的红色和近红外波段ꎮ１.２㊀基于ＷＣＰＳ＋Ｒ的ＲＳＥＩ计算ＲＳＥＩ通过主成分分析耦合反映生态环境最为直接的多重指标ꎬ包括湿度㊁绿度㊁干度和热度指标ꎮ因此ꎬ主要涉及分指标计算和主成分分析两大部分ꎮＷＣＰＳ提供的各种运算功能可以很容易地实现这些指标的计算ꎬ但是对于更为复杂的主成分分析ꎬ则需要耦合Ｒ实现ꎮＲ作为统计分析语言ꎬ对于数组运算ꎬ尤其是向量和矩阵的运算尤为强大ꎬ开源特性使其集成大量计算模型ꎬ在统计分析和可视化方面具有巨大优势ꎮＷＣＰＳ逐像素计算绿度㊁干度㊁湿度㊁热度指标ꎬ并支持以文本格式返回ꎮ通过将这４个分指标计算值构成一个４ˑｎ的矩阵ꎬ可完成影像计算到矩阵计算的转换ꎬ这种转换大大促进了遥感影像的可处理性ꎬ为Ｒ的计算处理提供了基础ꎮ利用Ｒ的主成分分析及其他相关计算模型对处理后的矩阵进行计算ꎬ并返回相关统计数据和可视化结果ꎮ这里以Ｌａｎｄｓａｔ５遥感影像为例介绍基于ＷＣＰＳ＋Ｒ计算ＲＳＥＩ过程ꎮ２４第５期余劲松弟等:基于Ｗｅｂ互操作的遥感生态指数计算及应用(１)湿度指标(ＷＥＴ)以穗帽变化后的湿度分量ＷＥＴ表示:ＷＥＴ＝０.０３１５ρ１＋０.２０２１ρ２＋０.３１０２ρ３＋０ １５９４ρ４－０.６８０６ρ５－０.６１０９ρ７ꎮ(１)式中ꎬ以ρ１㊁ρ２㊁ρ３㊁ρ４㊁ρ５㊁ρ７表示ＴＭ影像的蓝㊁绿㊁红㊁近红外㊁短波红外１㊁短波红外２波段的反射率ꎮＷＣＰＳ语句中ꎬｃ.０㊁ｃ.１㊁ｃ.２㊁ｃ.３㊁ｃ.４㊁ｃ.５分别与之对应ꎮ以ＷＣＰＳ表示湿度指标:ｆｏｒｃｉｎ(ＺｈｅｎｇｚｈｏｕＷｅｔ)㊀ｒｅｔｕｒｎｅｎｃｏｄｅ((０.０３１５∗ｃ.０＋０.２０２１∗ｃ.１＋０.３１０２∗ｃ.２＋０.１５９４∗ｃ.３－０.６８０６∗ｃ.４－０.６１０９∗ｃ.５)ꎬ"ｃｓｖ")(２)绿度指标(ＮＤＶＩ)以归一化植被指数ＮＤ￣ＶＩ表示:ＮＤＶＩ＝(ρ４－ρ３)/(ρ４＋ρ３)ꎮ(２)式中ꎬ以ρ３㊁ρ４表示ＴＭ影像的红色和近红外波段ꎮＷＣＰＳ语句中ꎬｃ.２ꎬｃ.３分别与之对应ꎮ以ＷＣＰＳ表示绿度指标:ｆｏｒｃｉｎ(ＺｈｅｎｇｚｈｏｕＭｕｌ)㊀ｒｅｔｕｒｎｅｎｃｏｄｅ((ｃ.３－ｃ.２)/(ｃ.３＋ｃ.２)ꎬ"ｃｓｖ")(３)热度指标(ＬＳＴ)以经过反演的地表温度ＬＳＴ表示:Ｌ６＝ｇａｉｎ ＤＮ＋ｂｉａｓꎬ(３)Ｔ＝Ｋ２/ｌｎ(Ｋ１/(Ｌ６)＋１)ꎬ(４)ＬＳＴ＝Ｔ/(１＋λ Ｔ/ρ ｌｎε)ꎮ(５)式中:Ｌ６为ＴＭ热红外波段的象元在传感器处的辐射值ꎻＤＮ为象元灰度值ꎻｇａｉｎ和ｂｉａｓ分别为６波段的增益值与偏置值ꎻＴ为传感器处温度值ꎻＫ１和Ｋ２为定标参数ꎻＬＳＴ为反演的地表温度值ꎻλ为ＴＭ６波段的中心波长ꎻρ＝１.４３８ˑ１０－２ｍＫꎻε为比辐射率ꎬ取值采用ＮＤＶＩ阈值法ꎮＷＣＰＳ语句中ꎬｃ.２和ｃ.３表示用于计算ＮＤＶＩ的红色和近红外波段ꎻｄ表示热红外波段ꎬ即公式(３)中的ＤＮ值ꎮ以ＷＣＰＳ表示热度指标:ｆｏｒｃｉｎ(ＺｈｅｎｇｚｈｏｕＭｕｌ)ꎬｄｉｎ(ＺｈｅｎｇｚｈｏｕＴｅｍ)㊀ｒｅｔｕｒｎｅｎｃｏｄｅ((Ｋ２/ｌｎ(Ｋ１/(ｇａｉｎ∗ｄ＋ｂｉａｓ)＋１))/(１＋λ∗Ｋ２/ｌｎ(Ｋ１/(ｇａｉｎ∗ｄ＋ｂｉａｓ)＋１)/ρ∗ｌｎ(ｆ((ｃ.３－ｃ.２)/(ｃ.３＋ｃ.２))))ꎬ"ｃｓｖ")(４)干度指标(ＮＤＳＩ)以建筑指数ＩＢＩ和土壤指数ＳＩ合成的ＮＤＳＩ来表示:ＮＤＳＩ＝(ＩＢＩ＋ＳＩ)/２ꎬ(６)其中ꎬＩＢＩ＝{(２ρ５/(ρ５＋ρ４)－[ρ４/(ρ４＋ρ３)＋ρ２/(ρ２＋ρ５)]}/{２ρ５/(ρ５＋ρ４)＋[ρ４/(ρ４＋ρ３)＋ρ２/(ρ２＋ρ５)]}ꎬ(７)ＳＩ＝[(ρ５＋ρ３)－(ρ４＋ρ１)]/[(ρ５＋ρ３)＋(ρ４＋ρ１)]ꎮ(８)式中ꎬ以ρ１㊁ρ２㊁ρ３㊁ρ４㊁ρ５表示ＴＭ影像蓝㊁绿㊁红㊁近红外㊁短波红外１波段ꎮＷＣＰＳ语句中ꎬｃ.０㊁ｃ.１㊁ｃ.２㊁ｃ.３㊁ｃ.４分别与之对应ꎮ以ＷＣＰＳ表示干度指标:ｆｏｒｃｉｎ(ＺｈｅｎｇｚｈｏｕＭｕｌ)㊀ｒｅｔｕｒｎｅｎｃｏｄｅ((((２∗ｃ.４/(ｃ.４＋ｃ.３)－(ｃ.３/(ｃ.３＋ｃ.２)＋ｃ.１/(ｃ.１＋ｃ.４)))/(２∗ｃ.４/(ｃ.４＋ｃ.３)＋(ｃ.３/(ｃ.３＋ｃ.２)＋ｃ.１/(ｃ.１＋ｃ.４))))＋(((ｃ.４＋ｃ.２)－(ｃ.３＋ｃ.０))/((ｃ.４＋ｃ.２)＋(ｃ.３＋ｃ.０)))/２)ꎬ"ｃｓｖ")ＲＳＥＩ需要对以上ＷＥＴ㊁ＮＤＶＩ㊁ＬＳＴ㊁ＮＤＳＩ４个指标进行主成分分析(ＰＣＡ)ꎬ由于这４个指标的量纲不同ꎬ因此需要进行正规化处理ꎬ将它们的量纲统一到[０ꎬ１]之间ꎬ正规化公式为:ＮＩ＝(Ｉ－Ｉｍｉｎ)/(Ｉｍａｘ－Ｉｍｉｎ)ꎮ(９)经过正规化后ꎬ这些指标可以进行主成分计算ꎬ获得第一主成分ＰＣ１ꎬ为使ＰＣ１大的数值代表好的生态ꎬ可用１减去ＰＣ１ꎬ获得初始生态指数ＲＳＥＩ０:ＲＳＥＩ０＝１－{ＰＣ１[ｆ(ＷＥＴꎬＮＤＶＩꎬＮＤＳＩꎬＬＳＴ)]}ꎮ(１０)同样以公式(９)对ＲＳＥＩ０进行正规化ꎬ获得ＲＳＥＩꎬ其值介于[０ꎬ１]之间ꎬＲＳＥＩ越大ꎬ表明生态环境越好ꎮＲ集成了主成分分析模型和回归分析模型ꎮ通过ｐｒｉｎｃｏｍｐ函数可进行主成分分析ꎬ并以ｐｒｅｄｉｃｔ函数获得第一主成分ＰＣ１ꎬ然后以公式(１０)和公式(９)计算ꎬ就可以获得最终ＲＳＥＩꎮ为了探究ＲＳＥＩ未来变化趋势ꎬ建立预测模型ꎬ可用ｌｍ函数进行回３４贵州大学学报(自然科学版)第３５卷归分析ꎬ回归结果支持显著性检验ꎮ此外ꎬ为了分析不同年份间ＲＳＥＩ的变化情况ꎬ将ＲＳＥＩ以０.２为间隔划分５个等级ꎬ分别代表生态差㊁较差㊁中等㊁良㊁优ꎬ然后对各年份ＲＳＥＩ进行差值变化检测ꎮＲ的条件运算㊁逻辑运算和代数运算可以实现该分析ꎮ２㊀Ｗｅｂ互操作计算快速原型Ｒａｓｄａｍａｎ(ｈｔｔｐ://ｗｗｗ.ｒａｓｄａｍａｎ.ｏｒｇ/)是德国不莱梅大学和Ｒａｓｄａｍａｎ公司合作开发的覆盖数据处理引擎ꎬ集成了较为全面的ＷＣＳ/ＷＣＰＳ服务ꎬ可作为分指标的计算平台ꎮＳｈｉｎｙ是Ｒｓｔｕｄｉｏ(ｈｔ￣ｔｐｓ://ｗｗｗ.ｒｓｔｕｄｉｏ.ｃｏｍ/)团队推出的开源Ｒ包ꎬ提供了一个优雅而强大的Ｗｅｂ框架ꎬ拥有丰富的控件ꎬ用户通过纯Ｒ语言即可构建可即时更新的交互式Ｗｅｂ应用程序ꎮ基于Ｓｈｉｎｙ开发的Ｗｅｂ应用可部署在ＳｈｉｎｙＳｅｒｖｅ(ｈｔｔｐｓ://ｗｗｗ.ｒｓｔｕｄｉｏ.ｃｏｍ/ｐｒｏｄｕｃｔｓ/ｓｈｉｎｙ/ｓｈｉｎｙ￣ｓｅｒｖｅｒ/)服务器上ꎬ实现统计分析的动态交互和计算结果的共享ꎮ因此ꎬ基于Ｒ的Ｓｈｉｎｙ可作为ＲＳＥＩ的计算平台ꎮ为了使这两种数据计算平台进行耦合ꎬ本研究设计了ＲＳＥＩ互操作计算快速原型ꎬ以一个中间件连接Ｒａｓｄａｍａｎ和Ｓｈｉｎｙꎬ通过调用ＷＣＰＳ服务计算ＲＳＥＩ所涉及的绿度㊁干度㊁湿度㊁热度指标ꎬ并将计算结果写入数据库ꎮ然后ꎬ调用部署在ＳｈｉｎｙＳｅｒｖｅ上的Ｓｈｉｎｙ应用读取各分指标数据ꎬ并以主成分分析模型和其他相关模型进行计算ꎬ最终获得ＲＳＥＩ的相关统计数据和可视化结果ꎮ该快速原型架构如图１所示ꎮ图１㊀快速原型架构３㊀应用案例分析３.１㊀研究区及实验数据郑州市作为我国中部重要的中心城市ꎬ是我国东西部重要的综合交通枢纽ꎬ其城市发展历程是我国经济发展的一个缩影ꎬ研究郑州市城市发展对生态环境造成的影响对其他地区具有参考意义ꎮ郑州市北部临近黄河ꎬ地势平坦ꎬ水资源丰富ꎬ植被茂盛ꎮ西南部是受侵蚀而形成的低山丘陵ꎬ植被少ꎬ水土流失严重ꎮ本研究以郑州市主城区为研究区ꎬ介于东经１１３.４８ʎ~１１３.８５ʎꎬ北纬３４.６２ʎ~３４.８７ʎꎮ采用的试验数据是美国地质勘探局ＵＳＧＳ网站下载ꎬ产品级别为Ｌ１Ｔ的Ｌａｎｄｓａｔ５ＴＭ影像ꎬ３０ｍ的地面分辨率ꎬ日期分别为１９９９年５月１３日ꎬ２００６年５月１６日ꎬ２０１１年５月１４日ꎬ时间间隔短ꎬ植被具有相近的生长状态ꎬ减少季节差异对评价结果造成影响ꎮ这些影像经过了辐射定标ꎬ大气校正ꎬ影像裁剪等预处理ꎮ３.２㊀案例分析通过ＲＳＥＩ互操作计算快速原型ꎬ可获得各年份的ＲＳＥＩ相关统计数据及可视化结果ꎬ如图２和图３ꎮ其中ＲＳＥＩＩｍａｇｅ选项卡展示所选择年份的(ａ)１９９９年(ｂ)２００６年(ｃ)２０１１年图２㊀ＲＳＥＩ统计及可视化４４第５期余劲松弟等:基于Ｗｅｂ互操作的遥感生态指数计算及应用(ａ)１９９９ ２００６年(ｂ)２００６ ２０１１年(ｃ)１９９９ ２０１１年图３ ＲＳＥＩ变化检测统计及可视化ＲＳＥＩ可视化结果ꎻＰＣＡＳｕｍｍａｒｙ选项卡记录分指标和ＲＳＥＩ的均值以及主成分分析后的相关数据ꎻＲＳＥＩＣｈａｎｇｅＩｍａｇｅ选项卡展示所选择年份ＲＳＥＩ差值变化检测后的可视化结果ꎻＲＳＥＩＣｈａｎｇｅＳｕｍ￣ｍａｒｙ选项卡记录ＲＳＥＩ分级后各年份各等级的面积和差值变化检测后的变化面积ꎻＲｅｇｒｅｓｓｉｏｎＰｒｅ￣ｄｉｃｔｉｏｎ选项卡记录回归分析后的相关数据等ꎮ为了分析计算结果ꎬ对统计数据进行整理及制表ꎮ㊀㊀为分析１９９９ ２０１１年郑州市主城区生态环境质量时空动态变化ꎬ统计了３个年份４个分指标和ＲＳＥＩ的值ꎬ见表１ꎮ通过表１发现ꎬ郑州市主城区１９９９年ꎬ２００６年ꎬ２０１１年的ＲＳＥＩ平均值分别为０ ５２５ꎬ０.４８９ꎬ０.４７９ꎬ说明在研究时间内郑州市主城区生态环境呈恶化趋势ꎬ图２也一定程度上反映出这个特征ꎮ同时ꎬ分析表１中各分指标对ＰＣ１的载荷值可以发现ꎬ湿度和绿度为负值ꎬ对ＰＣ１起负作用ꎬ由于ＲＳＥＩ由１减去ＰＣ１所得ꎬ说明它们对ＲＳＥＩ起正作用ꎬ干度和热度与之相反ꎬ起副作用ꎮ干度指标载荷值最大ꎬ影响也最大ꎬ绿度次之ꎬ湿度最小ꎮ这４个指标中ꎬ代表干度的主要是建筑用地ꎬ代表绿度的主要是植被用地ꎬ建筑用地的增加和植被用地的减少会对城市生态环境产生一定消极影响ꎬ这是生态环境质量下降的主要原因ꎮ此外ꎬ热度指标的升高也是导致生态环境质量下降的一个影响因素ꎮ由表２变化检测统计结果和图３可视化结果进行如下分析ꎮ从时间上看ꎬ研究期间内生态环境表１㊀４个指标和ＲＳＥＩ的均值变化年份项目ＷＥＴＮＤＶＩＮＤＳＩＬＳＴＲＳＥＩ１９９９均值０.７２１０.６６２０.５６９０.４９９０.５２５ＰＣ１载荷值－０.３６６－０.４９１０.６０７０.５０６２００６均值０.７８００.３８６０.４３３０.５３４０.４８９ＰＣ１载荷值－０.４１６－０.３１９０.６４９０.５５２２０１１均值０.７５００.５９００.５６９０.５７７０.４７９ＰＣ１载荷值－０.２７７－０.６８３０.５９８０.３１６质量变差面积均大于好转面积ꎬ表明研究区域内生态环境总体呈恶化趋势ꎮ但是变差面积有所降低ꎬ好转面积出现增长ꎬ说明恶化趋势在减缓ꎬ这与研究时间内ＲＳＥＩ均值变化所反映的情况相吻合ꎮ从空间上看ꎬ生态环境变化具有空间差异性ꎮ由图２和图３可知ꎬ１９９９－２０１１年间ꎬ郑州市主城区生态环境恶化区域主要集中于城市周边地区ꎬ这是郑州中心城市不断向外围空间扩展造成生态退化的结果[２３－２４]ꎮ但是ꎬ研究区原本生态环境恶劣的西南部ꎬ到２０１１年发生了好转ꎬ得益于郑州市对该地区实施的生态环境治理政策ꎬ例如ꎬ植树造林ꎬ发展旅游经济等ꎬ郑州文博森林公园㊁花博园等景区正位于该区域ꎮ以上变化在图３(ａ)尤为明显ꎮ５４贵州大学学报(自然科学版)第３５卷表２㊀变化检测类别级差１９９９ ２００６年类面积/ｋｍ２级面积/ｋｍ２级百分比/％２００６ ２０１１年类面积/ｋｍ２级面积/ｋｍ２级百分比/％－４０.０４０变差－３８.３７２９５.７７３１.１５０.５６２４５.０５２５.８１－２５３.８７３５.５８－１２３３.４９２０８.９１不变０４７４.４２４７４.４２４９.９７４９４.１６４９４.１６５２.０５变好１１６７.３６１８９.１０２１１.５５１７９.１５１８.８７１９.６９２１０.１６２２.１４３０.２４１.３７㊀㊀为了进一步模拟和预测郑州市主城区生态环境质量变化趋势ꎬ本研究利用Ｒ的回归分析函数ꎬ建立回归模型ꎮ建模过程中ꎬＲ脚本以ＷＣＰＳ计算的绿度㊁湿度㊁热度㊁干度指标值为解释变量ꎬ以ＲＳＥＩ为被解释变量ꎬ进行回归分析ꎮ以下为研究区３个年份的回归模型:ＲＳＥＩ１９９９＝０.２９０３ＷＥＴ＋０.３８９６ＮＤＶＩ－０.４８１９ＮＤＳＩ－０ ４０１９ＬＳＴ＋０.５３２８ꎬ(１１)ＲＳＥＩ２００６＝０.３８５６ＷＥＴ＋０.２９５３ＮＤＶＩ－０.６０１５ＮＤＳＩ－０ ５１１２ＬＳＴ＋０.６０７８ꎬ(１２)ＲＳＥＩ２０１１＝０.２１４１ＷＥＴ＋０.５２８７ＮＤＶＩ－０.４６３０ＮＤＳＩ－０ ２４４７ＬＳＴ＋０.４１１２ꎮ(１３)这３个年份的回归模型均通过１％的显著性检验ꎬ可认为具有较高的预测精度和可信度ꎮ对这３年回归模型的系数进行分析可知ꎬ这４个指标中ꎬ湿度和绿度对生态环境为正面影响ꎬ干度和热度为负面影响ꎬ虽然每年各分指标的影响度有所波动ꎬ但综合来看干度指标的影响度最大ꎬ绿度次之ꎬ湿度最小ꎬ这与各分指标对ＰＣ１的贡献度所反映的情况一致ꎮ因此ꎬ城市发展过程中应合理规划土地利用ꎬ因地制宜ꎬ适当控制建筑用地面积ꎬ加大城市绿化建设力度ꎬ促进城市可持续发展ꎮ案例表明ꎬ耦合了ＷＣＰＳ和Ｒ的ＲＳＥＩ互操作计算方式ꎬ具有灵活性和可扩展性ꎬ丰富了遥感数据的处理方式ꎬ在实现ＲＳＥＩ计算的基础上ꎬ还可利用Ｒ进行其他分析操作ꎬ如差值变化检测㊁建立预测模型等ꎬ是一种有效的遥感数据挖掘手段ꎮ４ 结语本文提出基于Ｗｅｂ互操作的ＲＳＥＩ计算方法ꎬ通过覆盖模型集成遥感数据ꎬ使其支持通过ＷＣＳ/ＷＣＰＳ进行互操作计算ꎬ获得ＲＳＥＩ计算所需要的绿度㊁湿度㊁热度㊁干度指标值ꎮ进而通过Ｗｅｂ环境下的Ｒ计算ＲＳＥＩꎬ并建立预测模型ꎮ这种基于Ｗｅｂ互操作的ＲＳＥＩ计算方法ꎬ具有平台无关性ꎬ能够在线实时评价区域生态环境质量ꎬ较为深入的提取遥感数据中潜在的信息ꎬ为遥感数据挖掘提供新思路ꎮ未来还可进行更深层次的开发ꎬ通过连接Ｗｅｂ上海量遥感数据资源ꎬ实现集目标数据选取㊁计算㊁结果输出为一体的ＲＳＥＩ计算平台ꎬ使不具备过多专业知识的用户也能够通过浏览器计算感兴趣区域的ＲＳＥＩꎬ享受地理信息服务所带来的便利ꎬ为地理信息共享和互操作提供参考ꎮ参考文献:[１]江振蓝ꎬ沙晋明ꎬ杨武年.基于ＧＩＳ的福州市生态环境遥感综合评价模型[Ｊ].国土资源遥感ꎬ２００４ꎬ１６(３):４６－４８.[２]吴金华ꎬ李纪伟ꎬ朱鸿儒.基于ＡｒｃＧＩＳ区统计的延安市土地生态敏感性评价[Ｊ].自然资源学报ꎬ２０１１ꎬ２６(７):１１８０－１１８８.[３]白洪伟ꎬ徐洋洋.基于ＥＮＶＩ和ＡｒｃＧＩＳ的合肥市土地利用/覆被变化分析[Ｊ].沈阳大学学报(自然科学版)ꎬ２０１６ꎬ２８(５):３６５－３７２.[４]王元胜ꎬ赵春江ꎬ冯仲科ꎬ等.基于ＷｅｂＧＩＳ的生态环境信息管理系统研究[Ｊ].北京林业大学学报ꎬ２００８ꎬ３０(ｓ１):５７－６１.[５]谢喆ꎬ赵红蕊ꎬ唐中实.基于ＷｅｂＳｅｒｖｉｃｅ的ＧＩＳ模型服务[Ｊ].测绘通报ꎬ２００７(３):６３－６６.[６]何亚文ꎬ杜云艳ꎬ龚剑明ꎬ等.基于ｗｅｂｓｅｒｖｉｃｅ的ＮＤＶＩ计算模型服务的实现与应用[Ｊ].兰州大学学报(自科版)ꎬ２００９ꎬ４５(５):１２－１６.[７]徐涵秋.水土流失区生态变化的遥感评估[Ｊ].农业工程学报ꎬ２０１３ꎬ２９(７):９１－９７.[８]徐涵秋.区域生态环境变化的遥感评价指数[Ｊ].中国环境科学ꎬ２０１３ꎬ３３(５):８８９－８９７.[９]徐涵秋.城市遥感生态指数的创建及其应用[Ｊ].生态学报ꎬ２０１３ꎬ３３(２４):７８５３－７８６２.[１０]刘智才ꎬ徐涵秋ꎬ李乐ꎬ等.基于遥感生态指数的杭州市城市生态变化[Ｊ].应用基础与工程科学学报ꎬ２０１５ꎬ２３(４):７２８－７３９.６４第５期余劲松弟等:基于Ｗｅｂ互操作的遥感生态指数计算及应用[１１]宋慧敏ꎬ薛亮.基于遥感生态指数模型的渭南市生态环境质量动态监测与分析[Ｊ].应用生态学报ꎬ２０１６ꎬ２７(１２):３９１３－３９１９.[１２]李粉玲ꎬ常庆瑞ꎬ申健ꎬ等.黄土高原沟壑区生态环境状况遥感动态监测 以陕西省富县为例[Ｊ].应用生态学报ꎬ２０１５ꎬ２６(１２):３８１１－３８１７.[１３]ＯＧＣ.０９－１１０ｒ４ＯＧＣ ＷＣＳ２.０ＩｎｔｅｒｆａｃｅＳｔａｎｄａｒｄ￣Ｃｏｒｅ:Ｃｏｒｒｉ￣ｇｅｎｄｕｍ[Ｓ].２０１２.[１４]龚健雅ꎬ贾文珏ꎬ陈玉敏ꎬ等.从平台ＧＩＳ到跨平台互操作ＧＩＳ的发展[Ｊ].武汉大学学报(信息科学版)ꎬ２００４ꎬ２９(１１):９８５－９８９.[１５]ＯＧＣ.０８－０５９ｒ４ＯＧＣ ＷｅｂＣｏｖｅｒａｇｅＳｅｒｖｉｃｅＷＣＳＩｎｔｅｒｆａｃｅＳｔａｎｄａｒｄ－ＰｒｏｃｅｓｓｉｎｇＥｘｔｅｎｓｉｏｎ[Ｓ].２０１４.[１６]余劲松弟ꎬ承达瑜ꎬ吴升.ＷＣＰＳ与Ｗｅｂ传输协议的地理格网互操作耦合模型及应用研究[Ｊ].地球信息科学学报ꎬ２０１５ꎬ１７(２):１９１－１９６.[１７]ＣＡＭＰＡＬＡＮＩＰꎬＢＥＣＣＡＴＩＡꎬＭＡＮＴＯＶＡＮＩＳꎬｅｔａｌ.Ｔｅｍｐｏｒａｌａｎａｌｙｓｉｓｏｆａｔｍｏｓｐｈｅｒｉｃｄａｔａｕｓｉｎｇｏｐｅｎｓｔａｎｄａｒｄｓ[Ｃ]//ＴｅｃｈｎｉｃａｌＣｏｍｍｉｓｓｉｏｎＩＶｏｎＧｅｏｓｐａｔｉａｌＤａｔａｂａｓｅｓａｎｄＬｏｃａｔｉｏｎＢａｓｅｄＳｅｒｖ￣ｉｃｅｓ.Ｓｕｚｈｏｕ:ＩＳＰＲＳꎬ２０１４:２１－２７.[１８]魏景海.基于Ｒ下的主成分分析及应用[Ｊ].哈尔滨师范大学自然科学学报ꎬ２０１４ꎬ３０(４):３６－３９.[１９]杨宜平ꎬ赵培信.Ｒ统计软件在统计教学中的应用[Ｊ].重庆工商大学学报(自然科学版)ꎬ２０１３ꎬ３０(３):７４－７６. [２０]ＩＳＯ１９１２３ꎬＧｅｏｇｒａｐｈｉｃｉｎｆｏｒｍａｔｉｏｎ￣Ｓｃｈｅｍａｆｏｒｃｏｖｅｒａｇｅｇｅｏｍｅｔｒｙａｎｄｆｕｎｃｔｉｏｎｓ[Ｓ].２００３.[２１]ＯＧＣ.０９－１４６ｒ２ＯＧＣ ＩｍｐｌｅｍｅｎｔａｔｉｏｎＳｃｈｅｍａｆｏｒＣｏｖｅｒａｇｅｓ[Ｓ].２０１２.[２２]余劲松弟ꎬ吴升.基于多标准的Ｗｅｂ互操作时序格网建模研究[Ｊ].福州大学学报ꎬ２０１４ꎬ４２(６):８５９－８６３.[２３]任斌ꎬ张国胜ꎬ夏保林ꎬ等.郑州中心城市建设用地扩展的时空特征[Ｊ].河南科学ꎬ２０１０ꎬ２８(８):９８４－９８８.[２４]贾海发.２０００年以来郑州市城市空间扩展研究[Ｄ].郑州:郑州大学ꎬ２０１２.(责任编辑:周晓南)ＴｈｅＣａｌｃｕｌａｔｉｏｎａｎｄＡｐｐｌｉｃａｔｉｏｎｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇＥｃｏｌｏｇｉｃａｌＩｎｄｅｘＢａｓｅｄｏｎＷｅｂＩｎｔｅｒｏｐｅｒａｂｉｌｉｔｙＹＵＪｉｎｓｏｎｇｄｉ１ꎬＣＨＥＮＹｕａｎｊｉｅ１∗ꎬＴＯＮＧＲｕｉｊｕ２(１.ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＳｐａｔｉａｌＤａｔａＭｉｎｉｎｇ＆ＩｎｆｏｒｍａｔｉｏｎＳｈａｒｉｎｇｏｆｔｈｅＭｉｎｉｓｔｒｙｏｆＥｄｕｃａｔｉｏｎꎬＳｐａｔｉａｌＩｎｆｏｒｍａｔｉｏｎＲｅｓｅａｒｃｈＣｅｎｔｅｒｏｆＦｕｊｉａｎＰｒｏｖｉｎｃｅꎬＦｕｚｈｏｕＵｎｉｖｅｒｓｉｔｙꎬＦｕｊｉａｎ３５０００２ꎬＣｈｉｎａꎻ２.ＴｒａｎｓｐｏｒｔａｔｉｏｎＣｏｌｌｅｇｅꎬＦｕｊｉａｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙꎬＦｕｊｉａｎ３５０００２ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:ＡｓａｎｅｗｒｅｍｏｔｅｓｅｎｓｉｎｇｅｃｏｌｏｇｉｃａｌｉｎｄｅｘꎬＲＳＥＩ(ｒｅｍｏｔｅｓｅｎｓｉｎｇｅｃｏｌｏｇｉｃａｌｉｎｄｅｘ)ｉｓｗｉｄｅｌｙｕｓｅｄｉｎｅｃｏｌｏｇｉｃａｌｅｎｖｉｒｏｎｍｅｎｔａｓｓｅｓｓｍｅｎｔ.ＡｔｐｒｅｓｅｎｔꎬＲＳＥＩｃａｌｃｕｌａｔｉｏｎｒｅｌｉｅｓｏｎｔｈｅｌｏｃａｌＧＩＳｐｌａｔｆｏｒｍｗｉｔｈｄｉｆｆｉｃｕｌｔａｃ￣ｃｅｓｓｔｏｓｈａｒｉｎｇａｎｄｉｎｔｅｒｏｐｅｒａｂｉｌｉｔｙ.ＡｓａｒｅｓｕｌｔꎬａｉｎｔｅｒｏｐｅｒａｂｉｌｉｔｙｃａｌｃｕｌａｔｉｏｎｍｅｔｈｏｄｆｏｒＲＳＥＩｗａｓｐｒｏｐｏｓｅｄｂａｓｅｄｏｎｔｈｅａｎａｌｙｓｉｓｏｆｗｅｂｉｎｔｅｒｏｐｅｒａｂｉｌｉｔｙｍｅｔｈｏｄ.ＴｈｅｍｅｔｈｏｄｉｎｔｅｇｒａｔｅｓｔｈｅｒｅｍｏｔｅｓｅｎｓｉｎｇｄａｔａｂｙＯＧＣｃｏｖ￣ｅｒａｇｅｍｏｄｅｌꎬｏｖｅｒｃｏｍｉｎｇｔｈｅｉｎｔｅｒｏｐｅｒａｂｉｌｉｔｙｏｆｈｅｔｅｒｏｇｅｎｅｏｕｓｒｅｍｏｔｅｓｅｎｓｉｎｇｄａｔａ.ＩｎｔｈｅｃｏｖｅｒａｇｅｍｏｄｅｌꎬＷＣＰＳｗａｓｕｓｅｄｔｏｃａｌｃｕｌａｔｅＷｅｔꎬＮＤＶＩꎬＮＤＳＩꎬＬＳＴｉｎｖｏｌｖｅｄｉｎＲＳＥＩｃａｌｃｕｌａｔｉｏｎ.ＢａｓｅｄｏｎＲｌａｎｇｕａｇｅｉｎｗｅｂꎬｔｈｅｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓｗａｓｕｓｅｄｔｏｃａｌｃｕｌａｔｅＲＳＥＩ.ＴｈｅｅｘｐｅｒｉｍｅｎｔｓｈｏｗｓｗｅｂｉｎｔｅｒｏｐｅｒａｂｉｌｉｔｙｉｎＲＳＥＩｃａｌ￣ｃｕｌａｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎＷＣＰＳ＋Ｒ.Ｔｈｉｓｃａｎａｃｈｉｅｖｅｃｒｏｓｓｐｌａｔｆｏｒｍｉｎｔｅｒｏｐｅｒａｂｉｌｉｔｙａｎｄａｆａｓｔｏｎ￣ｌｉｎｅｅｖａｌｕａ￣ｔｉｏｎｏｎｔｈｅｑｕａｌｉｔｙｏｆｕｒｂａｎｅｃｏｌｏｇｉｃａｌｅｎｖｉｒｏｎｍｅｎｔ.Ｋｅｙｗｏｒｄｓ:ｃｏｖｅｒａｇｅｍｏｄｅｌꎻｒｅｍｏｔｅｓｅｎｓｉｎｇｅｃｏｌｏｇｉｃａｌｉｎｄｅｘꎻｗｅｂｃｏｖｅｒａｇｅｐｒｏｃｅｓｓｉｎｇｓｅｒｖｉｃｅꎻＲｌａｎｇｕａｇｅꎻｗｅｂｉｎｔｅｒｏｐｅｒａｂｉｌｉｔｙ７４。