五种TM影像大气校正模型在植被遥感中的应用
如何利用遥感影像进行草地覆盖度监测
如何利用遥感影像进行草地覆盖度监测草地覆盖度是一个重要的生态指标，对于草原生态环境的保护和管理具有重要意义。
遥感技术是一种有效的手段，可以对大范围的地表覆盖进行监测。
本文将介绍如何利用遥感影像进行草地覆盖度监测。
一、遥感影像获取遥感影像是利用卫星或航空平台上的传感器对地面进行观测和测量的图像数据。
在草地覆盖度监测中，我们可以选择合适的遥感影像进行分析。
常见的遥感影像有光学影像和合成孔径雷达（SAR）影像。
光学影像获取的是地面反射光的信息，可以通过检测植被的绿色指数来估算草地覆盖度。
而SAR影像则可以获取地表的微波散射信号，对地表覆盖进行分析。
二、影像预处理在进行草地覆盖度监测之前，我们需要对获取的遥感影像进行预处理。
预处理的目的是消除影像中的噪声和干扰，提高后续处理的质量。
常见的预处理步骤包括辐射校正、大气校正、几何校正等。
辐射校正是将影像的数字值转换成表面反射率，大气校正是消除大气散射对反射率的影响，几何校正则是将影像的几何形状调整为实际地面的几何形状。
三、草地覆盖度估算在遥感影像预处理完成后，我们可以通过不同的方法来估算草地覆盖度。
一种常用的方法是利用植被指数来估算草地覆盖度，常见的植被指数有归一化植被指数（NDVI）和差值植被指数（DVI）。
这些指数可以通过计算不同波段的遥感数据来获取，通过对比这些指数的数值范围，可以估算不同覆盖度的草地。
另一种方法是利用目标识别和分类算法。
通过构建训练样本来训练分类器，然后将分类器应用于整个影像，将影像像素分为不同的类别，如草地、裸地和水体等。
最后，通过统计每个类别的像素数量，可以得到不同类别的覆盖度。
四、草地覆盖度动态变化监测草地覆盖度的动态变化是草地管理和保护的重要内容。
利用遥感影像可以对草地覆盖度的动态变化进行监测。
一种常用的方法是利用时间序列的遥感影像数据。
通过获取多期的遥感影像数据，并进行影像预处理和草地覆盖度估算，可以获得不同时间点的草地覆盖度信息。
使用遥感技术进行植被覆盖度与生态环境评价的步骤与技巧
使用遥感技术进行植被覆盖度与生态环境评价的步骤与技巧遥感技术作为一种重要的科学工具，在环境科学、生态学和地理学等领域发挥了巨大的作用。
其中，使用遥感技术进行植被覆盖度与生态环境评价是一个重要的研究方向。
本文将介绍这一方向的步骤与技巧，以帮助读者更好地了解和应用这一技术。
首先，进行植被覆盖度与生态环境评价的第一步是获取高质量的遥感影像数据。
遥感影像数据可以从卫星、飞机或无人机等载体获得。
对于植被覆盖度评价，常用的数据类型有多光谱影像和高光谱影像。
多光谱影像可以提供植被的光谱信息，而高光谱影像可以提供更为详细的光谱信息，可以更准确地反映不同植被类型的分布。
第二步是预处理遥感影像数据。
这一步骤是为了去除数据中的噪声和干扰，并使数据更加符合分析需求。
常见的预处理方法包括大气校正、辐射校正和几何校正等。
大气校正可以去除大气介质对遥感数据的干扰，辐射校正可以将原始的遥感数据转换为辐射值，几何校正可以消除由于平台姿态和地形变化造成的影像畸变。
第三步是进行植被覆盖度评价。
植被覆盖度是指在特定地点或区域上覆盖植被的比例。
评价植被覆盖度的常用指标有归一化植被指数(Normalized Difference Vegetation Index, NDVI)和叶面积指数(Leaf Area Index, LAI)等。
其中，NDVI是通过计算红光和近红外波段反射率的差异来评估植被覆盖度的指标，数值范围为-1到+1，数值越高表示植被覆盖度越高。
LAI是通过反射和透射特性来估算植被叶面积的指标，可以反映植被的生长状况和生产力。
第四步是进行生态环境评价。
植被覆盖度与生态环境密切相关，可以通过植被覆盖度评价来分析生态环境的状况。
首先，可以根据植被覆盖度指标来划分不同的生态地带。
例如，根据植被覆盖度的不同，可以将土地分为荒漠、草原、森林等不同的生态类型。
此外，还可以通过生态系统服务功能评估来评价生态环境。
生态系统服务功能评估是指通过分析植被覆盖度对土壤保持、水源涵养、气候调节等方面的影响来评估生态系统的服务功能。
大气校正的作用
大气校正的作用
大气校正是指通过对图像获取的原始数据进行处理，消除大气影响，使得图像更加真实、清晰的技术手段。
大气校正主要是针对遥感数据、卫星影像等进行的，具有以下作用：
1. 提高图像的可视性和质量。
大气校正可以去除图像中大气影响，消除大气散射和吸收对图像的影响，提高图像的清晰度和质量。
2. 更准确的遥感信息提取。
在遥感领域中，大气校正是进行各种遥感信息提取的前提条件。
大气校正可以消除大气影响导致的数据偏差，提高遥感数据的准确性和可靠性，使得遥感信息提取更加准确。
3. 有利于环境监测和资源调查。
大气校正可以消除大气散射、云层遮挡等因素对遥感数据的影响，使地表特征更加清晰、准确，有利于环境监测和资源调查。
4. 促进遥感应用的发展。
随着遥感技术的不断发展和应用，大气校正技术的应用也越来越广泛。
大气校正技术可以提高遥感数据的质量和可靠性，进一步促进遥感应用的发展和推广。
总之，大气校正在遥感领域中具有重要的作用，可以提高遥感数据的质量和可靠性，促进遥感应用的发展和推广。
- 1 -。
五种TM影像大气校正模型在植被遥感中的应用
五种 !" 影像大气校正模型在植被遥感中的应用 !
宋巍巍! 管东生
!!
（ 中山大学环境科学与工程学院，广州 "#$%&" ）
摘! 要! 基于 %$$" 年 & 月 #’ 日广州市东北部和惠州市北部的 () 影像， 以表观反射率模型 为参照， 从植被反射率光谱、 地物反射率统计特征、 规一化植被指数三方面对 * 种黑体减法模 型和 +, 模型在植被遥感中的应用进行了评价- 结果表明： 黑体减法模型 ./,* 获得了精度较 高的植被反射率， 其地物反射率与规一化植被指数的信息量最大， 适用于研究区的植被遥感 研究- 对于不同区域的植被遥感研究需要进行具体的比较分析， 才能选择到合适的大气校正 模型关键词! 大气校正! 黑体减法模型! +, 模型! 植被遥感 文章编号! #$$#0122% （ %$$’ ） $*0$&+10$+! 中图分类号! 31*’ ； (4&"#! 文献标识码! 5 #$$%&’()&*+ *, ,&-. ()/*0$1.2&’ ’*22.’)&*+ /*3.%0 ,*2 4(+30() !" 3()( &+ -.5.)()&*+ 2./*). 0.+0&+56 ,/67 89:;<9:， 7=56 .>?@;AB9?@（ !"#$$% $& ’()*+$(,-(./% !"*-("- /(0 ’(1*(--+*(1， !2( ; 4:#*(; <; =>>%; ’"$%- ， %$$’， 78 （* ） ： &+10&&*3/.45-( 6(*)-+5*.7，82/(19#$2 "#$%&"，:#*(/） #90)2(’)：CDA9E >? FB9 GD?EADF () :HD@9 >I ?>JFB9DAF 7KD?@LB>K M:FN D?E ?>JFB OK:LB>K M:FN >? %$$" ，D?E R>HSDJ9E <:FB DSSDJ9?F J9IQ9RFD?R9 H>E9Q，I:T9 DFH>ASB9J:R R>JJ9RF:>? H>E9QA PKQN #’ ， :?RQKE:?@ I>KJ EDJU >VW9RF AKVFJDRF:>? H>E9QA D?E +, H>E9Q <9J9 9TDQKDF9E IJ>H FB9 DAS9RFA >I T9@9; FDF:>? J9IQ9RFD?R9 ，AKJIDR9 J9IQ9RFD?R9，D?E ?>JHDQ:L9E E:II9J9?R9 T9@9FDF:>? :?E9X（ 6.YZ ） - (B9 J9AKQFA AB><9E FBDF FB9 EDJU >VW9RF AKVFJDRF:>? H>E9Q ./,* SJ>EKR9E FB9 B:@B9AF DRRKJDF9 T9@9FDF:>? D?E BDE FB9 QDJ@9AF :?I>JHDF:>? Q>DEA I>J AKJIDR9 J9IQ9RFD?R9 D?E 6.YZ， V9:?@ FB9 V9AF I>J J9IQ9RFD?R9 ， FB9 DFH>ASB9J:R R>JJ9RF:>? :? FB9 AFKEN DJ9DA- ZF <DA ?9R9AADJN F> D?DQNL9 D?E F> R>HSDJ9 E:II9J9?F H>E9QA F> I:?E >KF D? DSSJ>SJ:DF9 H>E9Q I>J DFH>ASB9J:R R>JJ9RF:>? :? FB9 AFKEN >I >FB9J DJ9DA:.; <*230：DFH>ASB9J:R R>JJ9RF:>? ；EDJU >VW9RF AKVFJDRF:>? H>E9Q；+, H>E9Q；T9@9FDF:>? J9H>F9 A9?A:?@! ! 卫星遥感在大面积的数据收集与生态环境变化 ［ # 0 2］ 监测中起着重要作用 ， 其在植被研究中的应用 ［ * 0 +］ 越来越广泛 - 太阳;地表;卫星传感器之间的辐 射传输受到大气散射与吸收的影响， 大气校正不仅 对影像灰度值与地表反射率之间的转化具有重要意 义， 而且对不同时间、 空间影像数据之间的反射率配 准也极为重要- 因此在利用遥感影像进行定量分析
森林生物量遥感估算与应用分析
森林生物量遥感估算与应用分析一、本文概述《森林生物量遥感估算与应用分析》一文旨在探讨利用现代遥感技术对森林生物量进行有效、精确估算的方法及其在实际林业管理、碳循环研究及气候变化应对等领域的广泛应用。
本文首先梳理了遥感技术在森林生物量估测方面的理论基础和最新进展，包括不同遥感平台（如卫星、无人机等）获取的多光谱、高光谱、雷达等数据源在生物量模型构建中的作用机理与适用性分析。
接着，本文详细介绍了目前国内外常用的遥感生物量估算模型，比较其性能优劣，并结合实地调查数据验证了各类模型在不同森林类型、不同尺度下的精度与稳定性。
研究中特别关注了遥感指数的选择、地表特征参数提取、生物量遥感变量关系建模以及不确定性分析等关键技术环节。
本文还深入剖析了遥感估算森林生物量的实际应用价值，通过实例展示如何将遥感估算成果应用于森林资源清查、碳汇计量、生态系统服务评估以及森林可持续经营策略制定等多个层面。
针对现有研究存在的问题与挑战，提出了未来遥感估算森林生物量的研究方向和技术改进策略，力求为推进我国乃至全球的森林资源精细化管理和生态环境保护工作提供科学依据和技术支撑。
二、森林生物量遥感估算的理论基础森林生物量遥感估算技术是一种结合现代遥感技术与生态学原理，对森林生态系统中植被固有的有机物质总量进行非接触式、大范围精确估计的方法。
这一技术的理论基础涵盖了遥感科学、生态计量学、森林生态学以及地理信息系统等多个学科领域。
遥感科学提供了从空间获取森林结构与状态信息的核心手段。
遥感卫星及航空器搭载的多光谱、高光谱和雷达等传感器能够捕捉到地表森林冠层的电磁波辐射特征，这些特征与森林生物量的相关性已被大量科学研究证实。
例如，近红外波段反映叶绿素含量及叶片面积指数，短波红外则可以指示水分状况和生物化学成分，雷达数据可用于提取森林高度和结构参数，这些都是估算生物量的关键参数。
生态计量学构建了生物量与遥感指标之间的定量关系模型。
通过对地面实测生物量数据与遥感数据的相关分析，科学家们建立了多元线性回归、机率密度函数模型、人工神经网络、随机森林等多种数学模型，用于模拟和预测大面积森林生物量分布。
ENVI-专题五LandsatTM辐射定标与大气纠正
ENVI-专题五LandsatTM辐射定标与大气纠正专题五Landsat TM辐射定标与大气纠正图像处理流程分为以下几个步骤：图像的配准、重采样、定标以及大气纠正。
其中，图像配准是做所有工作的前提，是图像的几何纠正。
在进行定性或者定量遥感时都要进行图像配准来确定我们所要研究的目标。
在进行完图像配准（几何纠正）之后，为了使得输出图像的配置与输入图像向对应，因此要进行重采样。
定标以及大气纠正则是进行辐射量纠正的重要的过程，是进行定量遥感不可少的步骤。
分类是图像处理的最后一步，按某种使用意图分类之后的图像，对实际应用有很大帮助。
辐射定标和大气纠正都属于图像的预处理，辐射定标的目的是把图像上的DN值转为辐亮度或者是反射率，大气纠正的目的是消除或减少大气对图像的干扰。
以下是图像预处理的流程：一、辐射定标要对图象进行辐射定标，将图象的DN值转化为表观反射率，该过程的实现是通过应用以下两个步骤来实现的：（1）首先将图象的DN值转化为辐亮度：radiance=gain*DN+offset (1)式（2）然后将图象的辐亮度转化为表观反射率：(reflectance) ρ=π*L*d2/（ESUN*cos（θ））(2)式其中ρ为表观反射率，L为表观辐亮度，d为日地距离，ESUN为太阳平均辐射强度，θ为太阳天顶角。
（3）将以上两个步骤结合得：ρ=π*（gain*DN+offset）* d2/（ESUN*cos（θ））(3)式①日地天文单位距离D：D＝1 - 0.01674 cos(0.9856× (JD-4)×π/180)；JD为遥感成像的儒略日（Julian Day）D = 1 + 0.0167 * Sin(2 * PI * (days - 93.5) / 365)；days是拍摄卫片的日期在那一年的天数，如2004年5月21号，则days＝31＋29＋31+30+21＝142。
计算得：D=1.01250756ENVI中的具体实现（以Landsat 7 ETM+为例）：采用简单的波段运算例如，我们把2002-5-22的一幅ETM图像第3波段的DN值转化为表观反射率。
环境遥感中的遥感图像处理技巧
环境遥感中的遥感图像处理技巧遥感图像处理技巧在环境遥感中起着至关重要的作用。
环境遥感是利用遥感技术获取地球表面及大气中信息的科学和技术领域。
遥感图像处理技巧对于提取环境遥感数据中的信息、分析环境变化和监测环境质量具有重要意义。
本文将介绍常用的遥感图像处理技巧，并探讨其在环境遥感研究中的应用。
首先，遥感图像预处理是环境遥感中的重要一步。
预处理包括辐射校正、大气校正、几何校正和拼接等处理过程。
辐射校正是将遥感图像中的数字值转换为辐射能量，从而消除不同图像之间的亮度差异。
大气校正则是根据大气透射模型，减少或消除大气散射对图像的影响。
几何校正则是矫正图像的几何畸变，使其与地理坐标系统对应。
拼接是将不同区域或时间获取的图像拼接在一起，形成连续的遥感图像。
接下来，遥感图像分类是环境遥感中的关键技术。
图像分类是将遥感图像划分为不同的类别，例如植被、水体、建筑物等。
常用的遥感图像分类方法包括监督分类和非监督分类。
监督分类是根据事先提供的训练样本进行分类，而非监督分类则是根据图像中的统计特征将其自动分类。
此外，还有基于深度学习的遥感图像分类方法，如卷积神经网络（CNN）等。
图像分类的准确性对于环境遥感研究中的土地利用和覆盖变化监测、生态系统评估等具有重要意义。
另外，遥感图像变化检测也是环境遥感中的重要任务之一。
变化检测是比较不同时间或不同条件下的遥感图像，寻找图像中发生的变化。
变化检测可以用于监测城市扩张、森林覆盖变化、河流演变等环境变化过程。
常用的变化检测方法包括基于像素的差异检测和基于目标的变化检测。
像素级变化检测是比较两幅图像像素间的差异，而目标级变化检测是通过检测图像中目标的变化来实现。
变化检测的准确性和及时性对于环境保护和自然资源管理具有重要的意义。
此外，遥感图像融合也是环境遥感中的关键技术之一。
遥感图像融合是将来自不同传感器或不同波段的遥感图像融合在一起，获得更高分辨率和丰富信息的图像。
图像融合可以提供更准确的地物边界、减少遥感图像中的噪声、提高图像的空间和光谱分辨率等。
Landsat_TM_5辐射定标和大气校正
Landsat TM 5辐射定标和大气校正（转）2009-03-05 15:22一、辐射定标1. 由于ENVI 4.4 中有专门进行辐射定标的模块，因此实际的操作十分简单。
将原始TM 影像打开以后，选择Basic Tools–Preprocessing–Calibration Utilities–Landsat TM2. 进入下一步参数选择：根据传感器类型选择Landsat 4,5 或者7。
从遥感影像的头文件中获取Data Acquisition 的时间，Sun elevation。
如果你是用File–Open External File–Landsat–Fast 的方法打开header.dat 的话，sun elevation 就已经填好了。
这里Calibration Type 注意选择为Radiance。
输出文件，定标就完成了。
二、大气校正简单一点的大气校正可以采用ENVI的FLAASH模块，以下就是FLAASH操作的步骤：1. FLAASH 模块的进入方法是Spectral–FLAASH，或者是BasicTools–Preprocessing–Calibration Utilities–FLAASH。
2. FLAASH 模块的操作界面分为三块：最上部设定输入输出文件；中间设定传感器的参数；下部设定大气参数。
3. 首先设定输入输出文件。
FLAASH 模块要求输入辐亮度图像，输出反射率图像。
之前我们进行了辐射定标，得到辐亮度图像，在这里要把BSQ 格式的图像转换为BIL 或者BIP 格式的图像，然后再Input Radiance Image 中选择转换格式后的图像。
(Basic Tools–Convert Data(BSQ,BIL,BIP))。
这里注意，当输入图像后，程序会让你选择Scale Factor，即原始辐亮度单位与ENVI 默认辐亮度单位之间的比例。
ENVI 默认的辐亮度单位是μW/cm2 •sr•nm，而之前我们做辐射定标时单位是W/m2 •sr•μm，二者之间转换的比例是10，因此在下图中选择Single scale factor，填写10.000。
遥感影像在农田病虫害监测中的应用
遥感影像在农田病虫害监测中的应用在农业生产中，农田病虫害一直是影响农作物产量和质量的重要因素。
及时、准确地监测病虫害的发生和发展，对于采取有效的防治措施、保障农业生产的稳定和可持续发展具有至关重要的意义。
随着科学技术的不断进步，遥感影像技术凭借其独特的优势，在农田病虫害监测中发挥着越来越重要的作用。
遥感影像技术是一种通过传感器获取远距离目标的电磁波信息，并对其进行处理和分析，以获取目标特征和相关数据的技术。
在农田病虫害监测中，常用的遥感影像包括卫星影像和航空影像等。
这些影像可以提供大范围、高分辨率的农田信息，为病虫害的监测和分析提供了丰富的数据支持。
遥感影像能够反映出农田中作物的生长状况、植被指数、叶面积指数等重要参数。
当农田遭受病虫害侵袭时，作物的生理和形态会发生变化，这些变化会在遥感影像上有所体现。
例如，受到病虫害危害的作物叶片可能会出现变色、枯萎、脱落等现象，导致植被指数下降、叶面积减少。
通过对遥感影像中这些参数的分析和对比，可以初步判断病虫害的发生范围和严重程度。
此外，不同的病虫害对作物的影响方式和程度也有所不同，因此在遥感影像上会呈现出特定的特征。
例如，某些害虫可能会导致作物叶片出现斑点或孔洞，而某些病害则可能引起叶片的黄化或畸形。
通过对这些特征的识别和分析，可以进一步确定病虫害的类型。
为了更有效地从遥感影像中提取和分析与病虫害相关的信息，需要采用一系列的技术和方法。
首先是影像预处理，包括辐射校正、几何校正、大气校正等，以消除影像中的噪声和误差，提高影像的质量和准确性。
然后是特征提取，通过对影像的颜色、纹理、形状等特征进行分析和计算，提取出与病虫害相关的特征信息。
常用的特征提取方法有主成分分析、小波变换、灰度共生矩阵等。
在特征提取的基础上，还需要运用合适的分类和识别算法，对病虫害进行分类和识别。
常见的算法包括支持向量机、决策树、人工神经网络等。
这些算法可以根据提取的特征信息，对影像中的像素进行分类，从而划分出正常作物和受病虫害影响的作物区域。
遥感实习作业大气校正、条带修复、镶嵌、裁剪、监督分类、三维显示等
贵州大学实习报告专用纸学院：公共管理学院专业：土地资源管理姓名：杨顺学号： 1208100304 班级：土管121 实习性质：课程实习实习地点：资环楼327机房指导教师：杨柳老师成绩：一、实验目的通过上机实验的学习让我们掌握基本一些关于遥感软件的基本操作,如envi大气校正、定标、镶嵌、裁剪、监督分类和地温反演等及 arcgis成图和三维显示。
二、实验要求实验要求是自己独立完成不得抄写，必须应用老师给的数据来完成，还有是监督分类和地温反演要求arcgis成图。
三、实验原理Envi和arcgis基本操作原理。
四、实验仪器安装envi和arcgis的电脑。
五、实验步骤实验步骤:envi的基本操作（Envi基本打开操作、子区裁剪、图像特征及图像信息的统计）→数据预处理（定标大气校正、条带修复、镶嵌、裁剪）→监督分类→三维显示→地温反演。
六、实验数据LE71270412007264PFS00.tar.gz和LE71270422007264PFS00.tar.gz这两个遥感影像数据文件。
七、实验内容（一）．熟悉ENVI基本操作1．Envi基本打开操作1) 启动ENVI2) 熟悉ENVI的菜单3) 打开一个影像文件4) 熟悉三个影像窗口5) 显示彩色合成图像6) 熟悉ENVI主影像窗口菜单Tools下的功能。
2．子区裁剪选择File>Save File as>ENVI Standard,出现New File Builder对话框。
点击Import File…,当Create New File Input File 对话框出现时，从下列选项中选择一个文件或多个文件。
如果内藏的文件没有在列表中显示出来，点击“Open Image File”，选择要输入的文件。
点击Spatial subset按钮，出现select Spatial subset对话框，在对话框内按不同方式进行子区的裁剪。
点击Spectral subset 按钮，出现File Spectral subset对话框，选取需要处理的波段。
遥感监测中5种相对辐射校正方法研究
DIN G Li2xia1 ,2 , ZHOU Bin1 , WAN G Ren2chao1 ( 1 . I nst . of A g rio. Remote S ensi n g & I n f orm . A p p li . , Zhej i an g U ni versit y , H an gz hou 310029 , Chi na ; 2 . Zhej i an g Forest ry Col le ge , L i n′an , Zhej i an g 311300 , Chi na) Comparison of f ive relative radiometric normalization techniques for remote sensing monitoring. Jo urnal of Zhejiang University (Agric1 & Life Sci1 ) , 2005 ,31 (3) :2692276 Abstract : Relative radio met ric normalization ( RRN ) minimized radiomet ric differences amo ng images caused by inconsistencies of acquisition conditio ns ( such as weat her , seaso n , sensor , etc. ) rat her t han change in surface reflectance. Five met hods of RRN , i. e. image regressio n ( IR) , p seudo2invariant feat ures ( PIF) , dark set2bright set no rmalizatio n (DB) , no2change set radiomet ric normalizatio n ( NC) , and histogram matching ( HM) , were applied to 1993 and 2001 Landsat TM/ ETM + image of Jiashan County for evaluating t heir perfo rmance in relatio n to land cover detectio n. No ot her parameters and variables but image pixel digital values were used , so t hese met hods were very easy to apply , especially for historical remote sensing images. The root2mean2square error and t he dynamic range were employed in co mparing and evaluating t he images normalized by five met hods. A change detection algorit hm , i. e. , image subt raction , was applied to co mpare t he effect s on change detection. The result s showed t hat DB wo rked best amo ng t he five met hods at t he st udy area , t he PIF worked better. Finally , facto rs affecting t he perfo rmance of relative radiomet ric no rmalization and t he conditions of applying t hese met hods were identified and discussed. ,6] . 为了进行浙江省沿 海地区土壤资源利用遥感动态监测项目 ,本文 就一个研究子区 ,对前文提到的 5 种相对辐射 校正方法的效果作了比较 ,以便选择一种适合 研究区动态监测的相对辐射校正方法.
高光谱遥感技术在树木种类分类中的应用
高光谱遥感技术在树木种类分类中的应用Ⅰ、引言随着遥感技术不断的发展，高光谱遥感技术作为一种新型的遥感技术，已逐渐应用于许多领域。
其中，树木种类分类是高光谱遥感技术重要的应用领域之一。
本文将介绍高光谱遥感技术在树木种类分类中的应用。
Ⅱ、高光谱遥感技术的原理高光谱遥感技术与传统遥感技术不同之处在于它可以对各种物质的反射率进行精细的测量，而传统遥感技术只能通过测量物体的总反射率来分析和研究物体的性质。
高光谱遥感技术是利用光谱分辨率很高的遥感器来收集的反射率数据，因此被称为高光谱数据。
Ⅲ、高光谱遥感技术在树木种类分类中的应用3.1 植物物种的光谱响应特征每种植物物种都有独特的光谱特征，即不同种类的植物，它们在不同波段上的光谱反射率有明显的差异。
也就是说，不同种类的植物在光谱上有着独特的反射特征，这为基于高光谱遥感数据的植被分类提供了基础。
3.2 树木种类分类的流程（1）采集高光谱数据采集高光谱数据是进行树木种类分类的第一步，在这个过程中，使用高光谱遥感仪对目标区域进行数字化采样，获取场地的高光谱数据。
（2）数据预处理对采集回来的数据进行预处理，包括数据校正、大气校正、去除杂散光等。
（3）特征提取高光谱数据中的一些通道会包含有用的区分不同树木种类的光谱信息，可以利用这些信息区分不同的树木种类。
将这些有用的通道提取出来，可以得到树木种类分类需要的特征。
（4）分类算法在得到树木种类分类需要的特征后，可以使用机器学习中的分类算法对数据集进行分类。
通常使用的算法包括支持向量机，最大似然法等。
（5）分类结果评价分类结果评价是对分类的准确性进行衡量，可以使用混淆矩阵、精度、召回率等指标来进行评价。
3.3 高光谱遥感技术在树木种类分类中的优势高光谱遥感技术在树木种类分类中有着很多优势。
相比于传统遥感技术，高光谱遥感技术采集的数据更为精细，可以提供更多的光谱信息。
通过分析植物的光谱反射率，可以提取出不同植物种类特有的光学特性，从而实现植物分类。
1-8.几种用于TM图像薄云去除的大气纠正算法比较
第2期,总第64期国 土 资 源 遥 感No.2,2005 2005年6月15日RE MOTE SENSI N G F OR LAND&RES OURCES Jun.,2005 几种用于T M图像薄云去除的大气纠正算法比较董彦芳,孙国清,庞勇,付安民(中国科学院遥感应用研究所,北京 100101)摘要:介绍了几种用于T M图像薄云去除大气纠正算法的原理和应用,在同一景T M图像薄云去除中,比较它们的纠正效果,分析各自的优劣。
结果表明,梁顺林等提出的新算法具有一定的优越性。
关键词:大气纠正;T M图像;薄云去除中图分类号:TP75 文献标识码:A 文章编号:1001-070X(2005)02-0016-040 引言大气纠正的目的是求地表反射率。
去除大气影响的遥感图像可以有以下用途:①图像可以和光谱数据库进行比较;②多时相图像之间可以正确地比较与分析,可以监测植被动态变化,并进一步评价大气生态环境效益[1];③不同传感器的图像得以正确比较与分析;④多时相与多传感器的图像组合可实现土地覆盖分类;⑤对地面目标的光谱特征采样,可直接量测并作为反射、发射或亮度温度值。
大气纠正过程中的难点是如何去除气溶胶的影响,气溶胶的不均匀分布使得这项工作难度增大[2,3]。
大气纠正的早期方法是通过快速计算得到大气辐射传输方程的近似解。
目前广泛接受的方法是查找表方法,但是,查找表方法使得从图像自身进行大气参数的估计是最困难的。
本文通过几种典型大气纠正方法去除薄云效果的比较,验证了梁顺林新算法的实用性。
1 大气纠正算法传统的大气纠正算法可以分为参考地物法、直方图匹配法、暗目标法和对比消去法。
梁顺林等[1]于2001年提出了一种新算法,该算法完全是基于图像法,即从图像上估计气溶胶的空间分布,用来反演ET M图像的地表反射率。
这种新算法的特点在于从图像自身自动估测气溶胶的异构分布情况。
下面简单介绍几种大气纠正方法。
1.1 已知大气状况的纠正方法由于地表反射率是受大气影响后的结果,因此,如果知道了大气状况,就可以去除大气的影响,得到真实地表的情况。
大气光学模拟模型在遥感监测中的应用
大气光学模拟模型在遥感监测中的应用近年来，随着科技的不断发展，大气光学模拟模型在遥感监测中的应用日益广泛。
大气光学模拟模型，简称AOM，是通过模拟大气中的光学参数，对遥感图像进行后处理和修正，从而获得更精确的遥感监测结果。
本文将探讨大气光学模拟模型在遥感监测中的应用，并介绍一些常用的模型。
首先，大气光学模拟模型在遥感监测中的应用具有重要意义。
在遥感影像中，大气的存在往往会影响到图像的质量和准确性。
例如，大气中的颗粒物质会造成散射和吸收，使得图像的分辨率降低，细节模糊不清。
通过采用大气光学模拟模型，可以对图像进行去噪、融合等后处理操作，从而提高监测结果的准确性和可靠性。
其次，介绍一些常用的大气光学模拟模型。
目前，常用的大气光学模拟模型包括大气透射模型、大气散射模型、大气吸收模型等。
这些模型主要基于大气光学原理，通过对大气中的光学参数进行模拟和计算，对遥感图像进行校正和去除大气干扰。
例如，大气透射模型可以通过计算大气中的光学厚度、震荡等参数，对遥感图像进行恢复和增强。
接着，探讨大气光学模拟模型在不同领域的应用。
大气光学模拟模型广泛应用于气象、环境监测、农业、城市规划等领域。
在气象领域，通过模拟和计算大气中的光学参数，可以预测天气变化和气象灾害，从而提前采取措施保护人民生命财产安全。
在环境监测领域，大气光学模拟模型可以准确计算大气中的污染物浓度，从而为环境保护和治理提供参考依据。
在农业领域，大气光学模拟模型可以对农作物进行遥感监测，从而实现精确农业和病虫害预测。
在城市规划领域，大气光学模拟模型可以模拟和计算城市中的光照环境，从而提供城市规划和建筑设计的参考。
最后，总结大气光学模拟模型在遥感监测中的应用。
大气光学模拟模型通过模拟和计算大气中的光学参数，对遥感图像进行修正和校正，提高监测结果的准确性和可靠性。
它广泛应用于气象、环境监测、农业、城市规划等领域，为相关领域的科研和决策提供重要依据。
在未来，我们可以进一步改进和优化大气光学模拟模型，提高其在遥感监测中的效果，并探索其他新的应用领域。
空间校正方法在遥感图像处理中的应用与比较
空间校正方法在遥感图像处理中的应用与比较遥感图像处理是指利用卫星、航空器或其他无人飞行器获得的遥感图像进行分析和解释的过程。
在进行遥感图像处理时，往往需要对图像进行空间校正，以消除地球表面的几何畸变、影像投影和地形效应等因素对图像的影响。
空间校正方法在遥感图像处理中起着至关重要的作用，本文将介绍一些常见的空间校正方法，并对它们进行比较。
一、几何校正方法几何校正是图像空间校正中最基本和常见的方法之一，主要用于消除地球表面的几何畸变。
在几何校正中，常用的方法有多项式拟合、残差最小化和控制点匹配。
1. 多项式拟合多项式拟合是一种简单且有效的几何校正方法。
它通过将原始图像中的像素坐标映射到已知地理坐标系中，然后利用多项式函数拟合像素坐标与地理坐标之间的关系，从而将图像进行几何校正。
多项式拟合的优点是简单易用，但它仅适用于地表变化较小的区域，对于地形变化较大的区域效果不佳。
2. 残差最小化残差最小化是一种校正方法，它通过最小化像素坐标与地理坐标之间的残差来进行几何校正。
在进行残差最小化时，通常需要根据已知地理坐标和像素坐标之间的关系建立数学模型，并利用最小二乘法对模型进行拟合，从而找到使残差最小的参数。
残差最小化的优点是适用于各种地形变化条件，但其缺点是计算量较大，需要较长的处理时间。
3. 控制点匹配控制点匹配是一种通过将已知的地理坐标与图像中的像素坐标进行对应来进行几何校正的方法。
在进行控制点匹配时，通常需要先在原始图像和已知地理坐标图上选择一些特征点作为控制点，然后通过对应关系来进行几何校正。
控制点匹配的优点是准确性较高，但需要人工选择控制点，因此在大规模图像处理时效率较低。
二、影像投影方法影像投影是将平面的地理坐标映射到球体或椭球体表面上的过程，在遥感图像处理中起着重要作用。
常用的影像投影方法有等经纬度投影、UTM投影和Lambert投影。
1. 等经纬度投影等经纬度投影是一种将地理坐标映射到球面上的投影方法，它可以将球面上任一点的经纬度坐标映射到平面上的等经纬线网格上。
植被遥感上机课程HYPERION大气校正PPT课件
大气校正 的常用方法
（1）暗目标法 （2）不变地物法
—经验线性法等。 （3）直方图匹配法 （4）基于大气传输模型法:
— 6S、MORDTRAN、LOWTRAN、 ATREM 、 FLAASH（耦合MODTRAN ）等。
第5页/共32页
本次上机内容
一、计算表观反射率 二、ENVI的FLAASH大气校正 三、ENVI的经验线性法大气校正
第26页/共32页
打开Empirical line 模块
第27页/共32页
选择BIL或者BIP格式辐亮度文件
第28页/共32页
图像roi
第29页/共32页
地面测量数据 （sandandwater.txt）
暗目标：水体 亮目标：湖边沙土地
ROI选择
第30页/共32页
处理结果
第31页/共32页
BIP； （2）数据带有wavelenth值，如果是高光谱数据要求带有
FWHM值，这些值可以在头文件里或者单独的ASCII 文件里编写好。 （3）根据输入数据单位，计算缩放因子。
第17页/共32页
第18页/共32页
1 打开FLAASH模块，输入数据 2 输入Radiance Scale Factors
这是一个单位转换因子 ， FLAASH要求输入的是 uw/cm2*sr*nm，而计算的Lλ的单位是w/m2 *str*um，因 此转换因子为10。FLAASH的转换因子是除法。 3设置输出参数，包括：Output Reflectance File、Output Directory for FLAASH Files、和Output Directory for FLAASH Files 4输入中心经纬度 5设置传感器参数、成像参数 6设置大气模型及气溶胶模型 7设置气溶胶反演波段
基于TM影像的区域植被覆盖变化遥感监测_王庆
【水土保持·生态】基于TM 影像的区域植被覆盖变化遥感监测王庆，王娜，曹雪峰（黄河水利委员会黄河上中游管理局，陕西西安710021）摘要：基于遥感影像TM 数据对窟野河流域1987—2009年植被覆盖度进行了提取和对比分析。
结果表明:通过近年来的综合治理工作，窟野河流域1987—2009年植被覆盖度总体呈现增长的好势头，其中1987—2000年植被状况变化较小，植被覆盖度较低;自2000年植被覆盖度有较大提高，2009年局部地区植被覆盖度相对下降。
研究表明，利用TM 影像计算归一化植被指数从而提取植被覆盖度的方法，可以快速准确地对区域植被生长状况进行动态监测。
关键词：TM ;NDVI ;植被覆盖度;动态监测;窟野河流域中图分类号：S157文献标志码：Adoi ：10．3969/j．issn．1000-1379．2013．02．025Regional Vegetation Cover Change Analysis of Remote Sensing Monitoring Based on TM ImageWANG Qing ，WANG Na ，CAO Xue-feng(Upper and Middle Yellow River Bureau ，YRCC ，Xi ’an 710021，China )Abstract :Based on TM remote sensing image data ，the vegetation coverage of Kuye River basin in 1987－2009period was extracted and compara-tively analyzed．The results show that through the comprehensive management work in recent years ，the overall vegetation coverage of Kuye River basin is increased．The vegetation coverage status in 1987－2000period changes gently and the vegetation coverage is low．Since 2000，the vegeta-tion coverage has been increased greatly ，but local vegetation coverage is relatively declined in 2009．The research shows that the vegetation cover-age extraction method by computing normalized vegetation index from TM image can dynamically monitor the regional vegetation growth condition rapidly and accurately．Key words :TM ;NDVI ;vegetation coverage ;dynamic monitoring ;Kuye River basin黄河中游多沙粗沙区属于干旱半干旱地区，年降水量小，但降雨强度大，水土流失严重，是黄河下游淤积泥沙的主要来源区。
大气辐射传输校正模型(5S,modtran,acorn)
在遥感的实际应用中，常用很多简化的手段，如假设地面为朗伯面，排除云的存在，采用有关标准大气模式及大气气溶胶模式等，一次产生了许多不同类型的大气辐射传输模型，主要分为两类，1）采用大气的光学参数2）直接采用大气物理参数如lowtran、modtran等大气辐射近似计算模型，而且还增加了多次散射计算1. 5s模型该模型的代码模拟计算海平面上的均匀朗伯体目标的反射率，并假定大气吸收作用与散射作用可以耦合，就像吸收粒子位于散射层的上面一样，则大气上层测量的目标反射率可以表示为，海平面处朗伯体的反射率大气透过率分子、气溶胶层的内在反射率有太阳到地表再到传感器的大气透过率S为大气的反射率大气传输辐射校正模型－3 modtran该模型是由美国空军地球物理实验室研制的大气辐射模拟计算程序，在遥感领域被广泛应用于图像的大气校正。
lowtran7是一个光谱分辨率20cm－1，的大气辐射传输实用软件，它提供了6种参考大气模式的温度、气压、密度的垂直廓线，水汽、臭氧、甲烷、一氧化碳、一氧化二氮的混合比垂直廓线，其他13种微量气体的垂直廓线，城乡大气气溶胶、雾、沙尘、火山喷发物、云、雨的廓线，辐射参量（如消光系数、吸收系数、非对称因子的光谱分布），以及地外太阳光谱。
lowtran7可以根据用户的需要，设置水平、倾斜、及垂直路径，地对空、空对地等各种探测几何形式，适用对象广泛。
lowtran7的基本算法包括透过率计算方法，多次散射处理和几何路径计算。
1）多次散射处理lowtran 采用改进的累加法，自海平面开始向上直至大气的上界，全面考虑整层大气和地表、云层的反射贡献，逐层确定大气分层每一界面上的综合透过率、吸收率、反射率和辐射通量。
再用得到的通量计算散射源函数，用二流近似解求辐射传输方程。
2）透过率计算该模型在单纯计算透过率或仅考虑单次散射时，采用参数化经验方法计算带平均透过率，在计算多次散射时，采用k－分布法3）光线几何路径计算考虑了地球曲率和大气折射效应，将大气看作球面分层，逐层考虑大气折射效应由于lowtran直接使用大气物理参数，因而需要按照下列方法计算出与lowtran使用的大气物理参数相对应的大气光学参数179页4.modtran辐射传输模型modtran可以计算0到50000cm－1的大气透过率和辐射亮度，它在440nm到无限大的波长范围精度是2cm－1，在22680到50000cm－1紫外波（200-440nm）范围的精度是20cm－1，在给定辐射传输驱动、气溶胶和云参数、光源与遥感器的几何立体对和地面光谱信息的基础上，根据辐射传输方程来计算大气的透过率以及辐射亮度。
遥感在植被监测方面的应用T
遥感与作物模型结合，实现作物生长的动态 模拟和预报，是目前国内外关注的热点。通过遥 感与模型的结合，估算出实际产量，通过作物模 拟出潜在生产力，可分析出潜在生产力与实际产 量间的差距。在此基础上，通过寻找限制当前产 量的因素，可为提高产量提供政策建议和方法指 导。宇振荣登对建立遥感——作物模拟复合模型 的原理、方法进行了探讨，并在点上进行了校正。 利用NOAA卫星遥感估算地面植物冠层温度并计 算冠层与大气间温差，进而计算PS123模型所需 作物实际蒸腾和水分胁迫系数，建立遥感——作 物模拟复合模型PS-X，从而可以在多点、不同土 壤类型上，对区域作物产量及产量差进行估测和 分析。利用PS-X模型进行产量估测，在平原地区 精度可以达到90%以上。
叶面积指数（leaf area index）又叫叶面积系数， 是一块地上作物叶片的总面积与占地面积的比值。 即：叶面积指数=绿叶总面积/占地面积。
叶面积指数是反映作物群体大小的较好的动 态指标。在一定的范围内，作物的产量随叶面积 指数的增大而提高。当叶面积增加到一定的限度 后，田间郁闭，光照不足，光合效率减弱，产量 反而下降。苹果园的最大叶面积指数一般不超过5， 能维持在3~4较为理想。盛果期的红富士苹果园， 生长期亩枝量维持在10~12万条之间，叶面积指 数基本能达到较为适宜的指标。
精品
遥感植物估产的两种模式：
一、遥感统计模型
目前，基于统计的遥感估产有三种技术路线：一是遥感光谱 绿度值（植被指数）——生物量关系模式。在对作物、草原、森 林的估产中这是常用的思路，但是该方法得到的遥感估产等级图 只反映卫星摄影时的植物长势和生物量的空间分布状况：二是遥 感光谱绿度值-地物光谱绿度值-生物量关系模式，即先分析实测 地物光谱绿度值与生物量之间的关系，建立相应模型，再分析卫 星遥感植被指数与地物光谱绿度值的关系，建立卫星遥感植被指 数与与生物量之间的关系模型，最后利用光谱检测模型进行检测 与估产；三是遥感-地学综合模式。该方法将气温、降水等环境 因子引入模式，与遥感-生物量模型互相补充，克服各自存在的 缺陷，可进一步提高估产精度。建立的统计模型有线性、幂函数、 指数、对数等，回归的方法有一元回归、多元回归、逐步回归等， 得到的系数差别较大，并且应用也局限于建模的时间和地点，在 很多情况下地面资料的数量也影精品响模型的精度。
遥感实验——辐射定标与大气校正
姓名：学号：日期：1．实验名称辐射定标与大气校正2、实验目的熟悉遥感软件，掌握ENVI中对图像辐射定标与大气校正的基本方法。
3、实验原理1、辐射定标是将传感器记录的电压或数字量化值（DN灰度值）转换成绝对辐射亮度值（辐射率）的过程，或者转换成与地表（表观）反射率、表面温度等物理量有关的相对值的处理过程2、大气校正的目的是消除大气和光照等因素对地物反射的影响，获得地物反射率、辐射率、地表温度等真实物理模型参数，包括消除大气中水蒸气、氧气、二氧化碳、甲烷和臭氧等对地物反射的影响；消除大气分子和气溶胶散射的影响。
4、数据来源（下载源、波段数、对应的波长、分辨率、投影、地区）Landsat5、TM图像、BAND_COMBINATION = "1234567"5、实验过程5、1辐射定标：实方法一：File-Open External File-Landsat-GeoTIFF with MetadataBasic Tools-Preprocessing-Calibration Utilitties-Landsat Calibration5.1.1.1打开Basic Tools-Preprocessing-Calibration Utilitties-Landsat TM，根据图像信息输入5.1.1.2 打开校正图像，关联两幅图像，比较数据值方法二：BandMath验结果与分析5.1.2.1打开图像，选择BandMath按照辐射定标公式输入5.1.2.2 选择待校正波段图像5.1.2.3 关联两幅图像，对比两幅图像数据5、2 去零5.2.1打开图像，选择BandMath输入公式（b1*b1/b1）5.2.2 选择辐射定标过的图像5.2.3 打开图像，但是得到的图像是数据负值5、3简化暗像元法大气校正5.3.1 打开basic tool->Preprocessing->General Purpose Utilities->Dark Subtract5.3.2 关联图像，对比信息6、心得、意见或建议。
- 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)。
与地物反射率的关系方程 . 但影像原始信息一般为 灰度值 ( digital number, DN ) ,因此在大气校正前 ,需 对影像进行辐射标定 , 即 DN 与表观反射亮度值之 [ 14 ] 间的转化计算 . (1) L sat = G ・DN m in + B 式中 : L sat为表观反射亮度值 ; G 和 B 分别是传感器 的增益与偏移 . 1 ) DOS模型 : DOS 模型是基于以下假设建立 : 大气对辐射传输的影响是常数 ; 被校正区域程辐射 相同 ; 地物表面为朗伯面 ; 影像中具有因大气散射被 [ 15 ] 卫星获取的黑体像元 . 地物反射率计算公式为 : π ( L sat - Lp ) ρ= ( 2) Tv ( E0 co s (θ z ) Tz + Edown ) 式中 :ρ 为地物反射率 ; Lp 为程辐射 ; Tv 为地物到传 感器的大气透过率 ; Edown 为向下的大气散射辐照 度 ; E0 co s (θ z ) Tz 为太阳直射辐照度 , E0 为大气层外 的太阳常数 , E0 = ESUN /D , ESUN 为大气顶层的平 均太阳光谱辐射 , D 为日地距离 , 单位是天文单位 ; Tz 为太阳到地物的大气透过率 ;θ z 为太阳天顶角 . 由于黑体像元受大气散射影响 , 一般假设黑 体像元具有 1 % 的地表反射率 , 所以大气程辐射计
Key words: atmospheric correction; dark object subtraction model; 6S model; vegetation remote sensing .
卫星遥感在大面积的数据收集与生态环境变化 [1 - 3] 监测中起着重要作用 , 其在植被研究中的应用 [4 - 6] 越来越广泛 . 太阳 2 地表 2 卫 星传感器之间的辐 射传输受到大气散射与吸收的影响 , 大气校正不仅 对影像灰度值与地表反射率之间的转化具有重要意 义 ,而且对不同时间 、 空间影像数据之间的反射率配 准也极为重要 . 因此在利用遥感影像进行定量分析 [7] 时需进行大气校正 , 以获得真实的植被反射光谱 信息 . 大气校正模型主要分为相对校正模型和绝对辐 [8] 射校正模型两类 . 前者缺乏明晰的物理意义 , 不 适用于植被遥感研究 ,后者有明晰的物理意义 ,可分 [7] 为物理校正模型 (如 6S模型 等 ) 和基于影像的校 正模型 [如表观反射率 ( apparent reflectance, AR ) 模
,
是一种噪声值 ,所以最小像元值不能作为影像的黑 体像元值 . 本文把出现在影像内的最小像元值确定 为黑体像元值 ,以降低选择黑体像元的主观性 . 根据 Tz 、 Tv 和 Edown的不同假设 , DOS模型可分 为 DOS1、 DOS2、 DOS3、 DOS4 4 类 , 其相关的参数设 置见表 1.
[ 16 ]
DOS1 假设无大气传输损失与向下大气散射辐 射 ,透过率 Tz 、 Tv 为 1, Edown为 0
[9]
; DOS2 也被称为
COST模型 , T M1 ～ T M4 波段的 Tz 为相应波段的辐
射传输模型大气透过率平均值 , T M5、 T M7 波段 Tz 设为 1; DOS3 假设无气溶胶散射对 Tz 、 Tv 的影响 ,其 光学厚 度 计 算 公 式 λ 010113
宋巍巍 管东生
3 3
3
(中山大学环境科学与工程学院 , 广州 510275 )
摘 要 基于 2005 年 7 月 18 日广州市东北部和惠州市北部的 T M 影像 , 以表观反射率模型 为参照 ,从植被反射率光谱 、 地物反射率统计特征 、 规一化植被指数三方面对 4 种黑体减法模 型和 6S模型在植被遥感中的应用进行了评价 . 结果表明 : 黑体减法模型 DOS4 获得了精度较 高的植被反射率 ,其地物反射率与规一化植被指数的信息量最大 ,适用于研究区的植被遥感 研究 . 对于不同区域的植被遥感研究需要进行具体的比较分析 ,才能选择到合适的大气校正 模型 . 关键词 大气校正 黑体减法模型 6S模型 植被遥感 ( ) 文章编号 1001- 9332 2008 04- 0769- 06 中图分类号 Q948; TP751 文献标识码 A Applica tion of f ive a t m ospher ic correction m odels for Landsa t T M da ta in vegeta tion rem ote sen sin g. SONGW ei2 wei, G UAN Dong2sheng ( S chool of Environm en ta l S cience and Eng ineering, S un Ya t2sen U n iversity, Guangzhou 510275, Ch ina ) . 2 Ch in. J. A ppl . Ecol . , 2008, 19 ( 4 ) : 769- 774. Abstract: B ased on the Landsat T M im age of northeast Guangzhou C ity and north Huizhou C ity on July 18, 2005, and compared w ith apparent reflectance model, five at m ospheric correction models including four dark object subtraction models and 6S model were evaluated from the aspects of vege2 tation reflectance, surface reflectance, and nor malized difference vegetation index ( NDV I) . The results showed that the dark object subtraction model DOS4 p roduced the highest accurate vegetation reflectance, and had the largest infor mation loads for surface reflectance and NDV I, being the best for the atmospheric correction in the study areas . It was necessary to analyze and to compare different models to find out an app rop riate model for atmospheric correction in the study of other areas .
1 1
- τ/ co s1 Nhomakorabea0 0 (θ z) (θ z) Rayleigh ( 6S)
3
(θ v) (θ v)
e
- τ/ cos
e-
τ/ co s
e-
τ/ cos
πL p
3 已有辐射传输模型中相对应波段的大气透过率的平均值 Default
values which were the average for each spectral band derived from radiate transfer code. T v : 地物到传感器的大气透过率 A tmospheric trans m it2 tance along the path from the ground surface to the sensor; T z : 太阳到地 物的大气透过率 A tmospheric transm ittance along the path from the sun to the ground surface; E down : 向下的大气散射辐照度 Downwelling dif2 fuse irradiance. 下同 The same below.
3 国家“985 ” 工程科技创新平台资助项目 ( 105203200400006) . 3 3 通讯作者 . E 2 mail: eesgds@mail . sysu. edu. cn 2007 2 01 2 29 收稿 , 2008 2 01 2 23 接受 .
型 型
[9]
、 黑 体 减 法 ( dark object subtraction, DOS ) 模 等 ] ,适用于植被遥感研究 . 不同的绝对辐射校
表 1 4 种 DO S模型的参数设置 Tab. 1 Param eters for the four DO S m odels
模型
Model DOS1 DOS2 DOS3 DOS4
e Tv Tz E down
因此根据遥感影像获取时的大气状况分布特征 , 选 择广州市东北部与惠州市北部 ( 23 ° 06 ′ 38 ″ —23 ° 51 ′ 39 ″ N , 113 ° 42 ′ 42 ″ —114 ° 31 ′ 30 ″ E ) 作为本文的研究 区 . 该区属南亚热带季风气候区 , 区域内多为山区 , 主要由九连山脉与罗浮山脉组成 ,山体呈东北 2 西南 走向 ,最高海拔 1 210 m ,地带性植被为南亚热带季 风常绿阔叶林 .
[ 11 ]
[ 10 ]
正模型获得的植被反射光谱不同
, 因此 , 选用相
对合适的大气校正模型对植被遥感研究具有重要意 义 . 目前 ,有关多种大气校正模型在植被遥感中的比 较研究较少 . Lu等
[ 11 ]
利用 2 种 T M 影像辐射标定方
[ 12 ]
法 ,研究了 AR、 DOS 及 COST等大气校正模型在亚 马逊热带雨林的应用 时间进行辐射标定
, 结果表明 , 基于影像获取
[ 13 ]
的 COST 模型最适合于该区
植被遥感的研究 . 但他们使用的 3 种大气校正模型 是基于影像的校正模型 ,缺少物理校正模型 ,且由于