[基础科学]Erdas和ENVI利用NDVI提取植被指数的步骤
基于ndv指数的绿地信息提取
基于ndv指数的绿地信息提取1.引言1.1 概述概述随着城市化进程的加速，对城市绿地的重视程度也在逐渐增加。
绿地作为城市的重要组成部分，不仅美化了城市环境，还对气候调节、生态保护以及人们的身心健康起着重要作用。
因此，对城市绿地进行科学有效的管理和监测成为当下的重要课题。
绿地信息提取是对城市绿地进行定量化描述的过程，可以帮助我们了解绿地的分布、面积、状况等关键信息。
在过去的研究中，NDV （Normalized Difference Vegetation Index，归一化差异植被指数）被广泛应用于遥感图像的绿地信息提取中，具有较高的精度和稳定性。
本文将介绍基于NDV指数的绿地信息提取方法，通过分析和运用NDV指数，可以有效地提取城市绿地以及绿地覆盖度的相关信息。
首先，将详细阐述NDV指数的定义和作用，通过解析NDV指数的原理，我们可以更好地理解其在绿地信息提取中的重要性。
接着，将详细介绍基于NDV指数的绿地信息提取方法，包括图像预处理、NDV计算和绿地提取等步骤，希望能为研究者们提供一个基于NDV指数进行绿地信息提取的技术框架。
本文旨在为城市规划、环境保护以及绿地管理等领域的专业人士提供参考，希望能为促进城市绿地建设和可持续发展做出一定的贡献。
通过基于NDV指数的绿地信息提取方法，我们可以更好地了解城市绿地的分布情况，为相关决策提供科学依据，进一步推动城市绿化事业的发展。
1.2 文章结构本文主要包括引言、正文和结论三个部分。
在引言部分，我们将概述本文的主要内容和目的。
在正文部分，将介绍NDV指数的定义和作用，并详细讨论基于NDV指数的绿地信息提取方法。
最后，在结论部分，我们将对所得结果进行总结，并探讨本研究的意义和未来的展望。
通过这样的结构安排，读者可以清楚地了解文章的框架和内容，从而更好地理解和阅读本文。
1.3 目的本文的目的是研究基于NDV指数的绿地信息提取方法，通过对NDV 指数的定义和作用进行探讨，以及对基于NDV指数的绿地信息提取方法进行研究，旨在提供一种精确、高效的绿地信息提取方法，并为城市规划、土地利用管理等相关领域提供科学依据。
envi植被指数的提取
本科学生实验报告宋国俊学号114130168专业＿＿地理信息系统班级11地信验课程名称遥感运用实验名称植被指数的提取额指导教师及职称洪亮开课学期2014 至2015 学年一学期师大学旅游与地理科学学院编印二、实验容、步骤和结果找到landsat 8 的相关数据;再找另外一个时间段的数据;1）提取行归一化植被指数归一化指数（NDVI）被定义为近红外波段与可见光红波段数值之差和这两个波段数值之和的比值。
公式：NDVI=（TM4-TM3）/（TM4+TM3）在ENVI 的主菜单transforms下，运行NDVI子菜单，将得到的图像以612ndvi的文件名保存在文件夹中。
得到的图像以灰阶显示如图2014.3.16的NDVI2014.4.24NDVI2）提取绿度植被指数GVI公式：GVI=-0.2848*TM1-0.2435*TM2-0.5436*TM3+0.7243*TM4+0.084*TM5-0.1800*TM7在ENVY3.2的主菜单basic tools下，运行band math子菜单，键入上述公式，将得到的图像以612GVI的文件名保存在文件夹中。
得到的图像以灰阶显示如图2014.3.16的GVI2014.4.24GVI3）提取比值植被指数RVI比值值被指数（RVI）由于可见光红波段（R）与近红外波段（NIR）对绿色植物的光谱响应十分不同，且具倒转关系。
两者简单的数值比能充分表达两反射率之间的差异。
公式：RVI= TM4/TM3在ENVI的主菜单basic tools下，运行band math子菜单，键入上述公式，将得到的图像以612GVI的文件名保存在文件夹中。
得到的图像以灰阶显示如图2014.3.16的RVI2014.4.24RVI4）提取差值植被指数公式：RVI= TM4-TM3在ENVI的主菜单basic tools下，运行band math子菜单，键入上述公式，将得到的图像以612chazhi的文件名保存在文件夹中。
植被指数的计算方法与遥感图像处理步骤
植被指数的计算方法与遥感图像处理步骤植被指数是研究地表植被覆盖状况的重要指标，可以通过遥感技术获取高空间分辨率的植被信息。
植被指数的计算方法与遥感图像处理步骤是确定植被指数数值的关键环节。
一、什么是植被指数？植被指数是通过遥感技术获取的图像数据来计算植被覆盖状况的指标。
常见的植被指数有归一化植被指数（Normalized Difference Vegetation Index, NDVI）、植被指数（Vegetation Index, VI）等。
这些指标利用遥感图像中红、近红外波段的反射光谱信息来反映植被生长情况，指数数值越高，代表植被覆盖程度越高。
二、植被指数的计算方法1. 归一化植被指数（NDVI）NDVI是最常用的植被指数之一，计算公式为（NIR-RED）/（NIR+RED），其中NIR是近红外波段的反射值，RED是红波段的反射值。
NDVI范围在-1到1之间，数值越接近1代表植被覆盖越高，数值越接近-1代表植被覆盖越低，数值接近0则代表无植被。
2. 植被指数（VI）植被指数是根据遥感图像中的红、蓝、绿波段的反射值计算得到的，常见的植被指数有绿光波段（Green）、蓝光波段（Blue）和红边波段（Red-edge）等。
植被指数的计算公式根据研究的需要而定，比如Normalized Green-Blue Vegetation Index（NGB）、Green-Blue Vegetation Index（GBVI）等。
三、遥感图像处理步骤1. 遥感图像获取遥感图像可以通过卫星、飞机等载体获取，一般包括多个波段的光谱信息。
从遥感图像中选取合适的波段进行植被指数的计算。
2. 数据预处理遥感图像预处理包括大气校正、几何纠正和辐射辐射校正等步骤，以消除由于大气、地表地貌等因素引起的图像噪声。
3. 波段选择根据研究需要和相关指数的计算公式选择合适的波段进行植被指数的计算。
常用的波段有红、近红外、绿、蓝等。
植被指数提取与分析
植被指数提取与分析（3课时）1、实验的目的掌握应用遥感图像处理软件进行植被指数提取方法，了解植被指数在图像解译中的作用。
2、实验的要求根据植被遥感的原理和方法，利用所提供的数据，在ENVI软件下完成植被指数提取与分析。
了解植被的光谱特性和不同时相植被指数差异及在土地覆盖分类中的作用等。
提取的主要植被指数：NDVI, T-C变换，比值等植被指数分析：1）不同土地覆盖植被指数差异，不同植被指数数值；2）植被指数提取后的波段合成应用、植被指数图像的假彩色密度分割等后处理；3）分析不同时相遥感图像植被指数的差异。
3、实验的材料准备采用软件：ENVY3.5采用的遥感数据：Landsat TM （120－38南京地区）。
数据时相：2000年6月12号和2000年9月16日。
4、实验的方法与步骤遥感图像上的植被信息，主要通过绿色植物叶子和植被冠层的光谱特性及其差异、变化而反映的，不同光谱通道所获得的植被信息可与植被的不同要素或某种特征状态有各种不同的相关性，因此，我们往往选用多光谱遥感数据经分析运算（加、减、乘、除等线性或非线性组合方式），产生某些对植被长势、生物量等有一定指示意义的数值——即所谓的“植被指数”。
用一种简单有效的形式来实现对植物状态信息的表达，以定性和定量地评价植被覆盖、生长活力及生物量等。
在植被指数中，通常选用对绿色植物（叶绿素引起的）强吸收的可见光红波段和对绿色植物（叶内组织引起的）高反射的近红外波段。
这两个波段不仅是植物光谱中的最典型的波段，而且它们对同一生物物理现象的光谱响应截然相反，故它们的多种组合对增强或揭示隐含信息将是有利的。
1）提取行归一化植被指数归一化指数（NDVI）被定义为近红外波段与可见光红波段数值之差和这两个波段数值之和的比值。
公式：NDVI=（TM4-TM3）/（TM4+TM3）在ENVY3.2的主菜单transforms下，运行NDVI子菜单，将得到的图像以612ndvi的文件名保存在文件夹中。
利用ERDASIMAGINE从遥感影像中提取植被指数
Abstracting Vegetati on Index From Remote Sensing Images Using ERDAS IMEGINE
总第 109 期 2005 年第 6 期
西部探 矿工程 W EST - CH IN A EXPL OR AT ION EN GIN EERIN G
ser ies No . 109 Jun. 2005
文章编号 : 1004
5716( 2005) 06
0210
03
中图分类号 : P237 文献标识码 : A
IM A GIN E 遥感图像处理软件对遥感影像进行植被指数提取 。 对植被 指数提取 的关键 部分进 行分析 , 并给 出植被 指数 提取的技术关键 。 关键词 : 植被指数 ; ERDA S; 遥感 ; ND VI 1 概述 植被指数是遥感监测地面 植物生 长和分布 的一种 方法。由 于不同绿色植被对不 同波 长光 的吸 收率 不同 , 光 线照 射在 植物 上时 , 近红外波段的光大部分 被植物 反射 , 而可见 光波段 的光则 大部分被植物吸收 , 通过 对近 红外 和红 波段 反射 率的 线性 或非 线性组合 , 可以消除地物光谱 产生的 影响 , 得到的 特征指 数称为 植被指数。 植被指数经过近 20 年的发展 , 目前有几十种 , 但常用的植被 指数有 : 归一化植 被指数 N DV I( N or malized Differ ence Veg eta t ion Index) 、 比值 植被指数 RV I( R atio Veg etation Index ) 、 差值植 被指数 DV I ( Differ ence V eg etatio n I ndex ) 、 土壤 调 节 植 被指 数 SAV I( the Soil Adjusted V egetation Index) 、 修正型土壤植被指数 M SAV I( M odified Soil A djusted V eg etatio n I ndex) [ 1] 等。 在遥感应用领域 , 植 被指 数已 广泛 用来 定性 和定 量评 价植 被覆盖及其生长活力。植被指数有助于增强遥感影像的解译力 , 并已作为一种遥感手 段广 泛应 用于 土地 利用 覆盖 探测、 植 被覆 盖密度评价、 作物识别和作物预报等方面 [ 2] 。 2 植被指数提取 植被指数提取的 方法 很多 , 最 为常 用的 一种 方法 是通 过遥 感影像处理软件对遥 感影 像不 同波 段进 行处 理 , 从而 得到 各类 植被指数。 目前常见的 Landsat T M 遥感影像 , 共有 7 个波段 , 其中 T M 3 ( 波长 0. 63~ 0. 69 m) 为红 外波 谱段 , 为 叶绿 素主 要吸 收 波段 ; T M4( 波长 0. 76~ 0. 90 m) 为近红外波谱段 , 对绿色植被的差异敏 感, 为植被通用波 段。 M odis 遥感 影像共 有 36 个 光谱通 道, 其第 一波段 ( 0. 62~ 0. 67 m) 、 第二波段 ( 0. 841~ 0. 876 m) 分别是红色 和近红外波段 , 可以用第一和第二波段计算植被指数。 例如归一化植被指数 N DV I 的定义是 : ND VI= N IR- Red ( 其 中 N IR 代表近 红外波 段 , R ed 代表红 N IR+ Red 波段 ) 要计 算 NDV I, 就是 在遥感 处理软 件中 , 计算近 红外波 段与 红波段之差 , 再除以两个波段之和。 利用遥感影像处理 软件提取植 被指数流 程一般 为 : ( 1) 使用 遥感处理软件 打开遥感图像。 ( 2) 依据 植被指 数公式 , 对图 像不 同波段进行波 段计算。( 3) 生成植被指数影像文件。 3 植被指数提取中存在的问题 在计算归 一化植被指数 ND VI 时 , 此时若采用 N DV I 公式直 接进行波段计 算 , 如果 N IR+ R ED ( 近红外 波段 + 红波段 ) 的值 为零时 ( 见图 2) , 对这些点的计算就会产生 结果溢出的 现象。此 类情况在干旱 区植被覆盖度较低的遥感影像处理中较为常见。 生成 ND VI 植被指数影像图时 , 如 果不进 行适当 处理 , 在对 生成的植被指 数影像 文件分 析判 读时 , 就 会 与实 测数 据产 生很 大的误差。特别要注意 的是 , 在计算植被覆盖面积、 生物量估算、 图像分类等过 程中 , 卫星影像中 的这些 点就有 可能被 忽略 , 计算 结果的精度就 无法保证。 图 1 是 新疆 天山北 坡 M odis 2003 年 10 月 15 日影 像 , 图 2 是图 1 经过分析处理后 N ir+ R ed 值为零的像元图像。从图 2 中 可以看到 , 在影像的下方有一条明显的轮廓 , 在实测中发现 , 此轮 廓正是位于 新 疆古 尔班 通 古特 沙漠 与 新疆 阜 康 绿洲 之 间的 绿 洲 4 荒漠交 错带。 在 ERDAS 中提取植被指数 ERD AS IM AG IN E 中的 M odeler 是一个面向 目标的图 形模 型语言 , 用户可据此设计出高级 的空间 分析模 型 , 实现复杂 的分 析和处理功能 , 整个 过程 只需用 其提 供的 工 具栏 在窗 口中 绘出 模型的流程图 、 指定流程图的意义、 所用参数等 , 即可完成模型的 设计 , 无需进行 具体 而复杂 的编 程过 程。 ERDA S IM AG IN E 为 用户提供了高 层次的 设计工 具和 手段 , 同 时 可使 用户 将更 多的 精力集中在专 业领域的研究 [ 3] ( 图 3 就是利用 ERDA S 的 M o del
基于ERDAS的植被信息提取的方法研究
基于ERDAS的植被信息提取的方法研究摘要：在遥感影像处理中，植被指数提取广泛应用于评价植被覆盖，长势，面积等植被信息。
本文主要利用ERDAS IMAGINE遥感图像处理软件对遥感影像进行归一化植被指数NDVI的提取，对植被指数图像进行非监督分类处理，结合目视解译等方法，对信阳地区的植被信息进行提取。
关键词：植被指数；ERDSA；遥感；NDVI引言植被主要包括林地（有林地、灌木地和疏林地）、草地（高覆盖度草地、中覆盖地草地和低覆盖度草地）和农作物[1]。
植被在维护生态平衡中起着重要的作用，用一种切实有效地技术和方法对植被的情况进行掌控又成为时代所需。
随着遥感技术的应用和发展，它为植被指数的提取和植被覆盖度的测算提供了一种新的方法。
相较于传统的地面测算，遥感方法在很大程度上减少了外业测算工作，同时解决了时效性和测算范围等方面的问题。
1 研究区植被概况信阳位于河南省南部，东经114°01′-114。
06′，北纬31°46′-31°52′。
信阳地势南高北低，是岗川相间、形态多样的阶梯地貌。
西部和南部是由桐柏山、大别山构成的豫南山地。
中部是丘陵岗，北部是平原和洼地，信阳地跨淮河，位于秦淮分界上，属亚热带向暖温带过渡区。
信阳市一座绿色茶城，城区主要植物种类是茶树及绿化植物。
2 数据来源及数据预处理2.1 数据来源实验数据采用的是2002年7月9日的LANDSAT7 ETM+影像数据。
ETM+影像有8个光谱波段，空间分辨率是30m（1、2、3、4、5、7波段）、60m（6波段）和15m（全色波段）。
2.2 植被指数及数据预处理2.2.1 植被指数植被指数（vegetation index）是遥感监测地面植物生长和分布的一种方法，是不同遥感光谱波段间的线性或非线性组合，是植被长势的一种指示，通常可反映90%以上的植被信息，并能消除外在因素的影响，从而较好地反映绿色植物的空间分布和生长状况，并能宏观地反映绿色植物的生物量和盖度等生物的物理特征，所以被广泛应用于土地利用覆盖探测、植被覆盖密度评价和作物识别等方面[3]。
ERDAS下植被覆盖度的计算
ERDAS下植被覆盖度的计算
在ERDAS中，植被覆盖度的计算通常包括以下几个步骤：
1.遥感图像的获取与预处理：
2.图像分割与分类：
植被覆盖度是通过对图像中植被和非植被区域进行分类来计算得到的。
在ERDAS中，可以选择适当的图像分割方法，并根据像素的光谱信息和纹
理信息将图像分为不同的类别，例如植被和非植被。
3.特征提取：
对分类后的图像进行特征提取是计算植被覆盖度的关键步骤。
常见的
特征包括NDVI（Normalized Difference Vegetation Index，归一化植
被指数）、EVI（Enhanced Vegetation Index，增强植被指数）等。
这些
指标可以通过计算不同波段的差值或比值来获取，从而反映出植被的生长
状况和覆盖度。
4.植被覆盖度的计算与分析：
基于提取的特征，可以使用ERDAS提供的工具进行植被覆盖度的计算
和分析。
根据不同的算法和模型，可以计算出植被覆盖度的数值或生成相
应的植被覆盖度图。
常见的植被覆盖度计算方法包括阈值法、最大似然法、机器学习等。
此外，在ERDAS中还可以进行植被覆盖度的可视化和空间分析。
通过
将计算得到的植被覆盖度图与其他空间数据进行叠加和分析，可以进一步
探索植被覆盖度与地理环境、土地利用等之间的关系。
总之，ERDAS作为一款专业的遥感图像处理软件，提供了完善的工具和功能，可以进行植被覆盖度的计算和分析。
通过合理选择图像预处理方法、分类算法和特征提取指标，结合其他空间数据进行分析，可以更好地了解植被覆盖度的空间分布和变化趋势，为环境保护、生态研究等领域提供支持。
Erdas和ENVI利用NDVI提取植被指数的步骤
Erdas和ENVI中利用NDVI提取植被指数的步骤NDVI：归一化植被指数和植物的蒸腾作用、太阳光的截取、光合作用以及地表净初级生产力等密切相关。
1、NDVI的应用：检测植被生长状态、植被覆盖度和消除部分辐射误差等；2、-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大；3、NDVI的局限性表现在，用非线性拉伸的方式增强了NIR和R的反射率的对比度。
对于同一幅图象，分别求RVI和NDVI时会发现，RVI值增加的速度高于NDVI增加速度，即NDVI对高植被区具有较低的灵敏度；4、NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、学、枯叶、粗糙度等，且与植被覆盖有关；ERDAS里面利用NDVI提取植被指数的步骤：1、在Erdas的主工具中选择Interpreter模块，出现Image Interpreter对话框2、然后选择Spectral Enhancement，会弹出Spectral Enhancement对话框3、再选择Indices选项出现Indices对话框以TM数据为例进行说明，选择InputFile，选择Output File，在OutputOptions的Sensor中选择Landst TM，在SelectFunction里面选择NDVI，DataType默认为Float不用改变，可以发现最下面的Function显示band 4 - band 3 / band 4 +band 3，这个就是NDVI的计算公式。
最后选择OK即可完成，这里要注意的是没有OutputFile的话Ok按钮时不能使用的。
如果NDVI计算的话在ENVI是最方便的在Transform菜单下就有，同时ENVI的波段计算功能也很方便完成NDVI计算。
另外，ERDAS MODEL做NDVI分类首先说如何做NDVI，虽然ERDAS里有个现成专门可以做NDVI的的地方，但是我们注意到TM4+TM3可能为0，当除数为0时系统会报错，所以应该在分母上加0.001或0.0001都可以。
作物植被指数提取流程
作物植被指数提取流程
作物植被指数(Crop Vegetation Index, CVI) 是一种用于评估作物生长状况的指数。
它通常使用遥感数据来计算，并通过比较反射光谱来衡量作物的植被密度。
提取作物植被指数的流程通常包括以下步骤：
1.收集遥感数据。
这可以通过卫星或飞机搜集的遥
感图像获得。
这些图像包含了地表的多种光谱频段，包
括可见光、红外线和近红外线。
2.处理遥感数据。
在这一步中，需要对遥感图像进
行预处理，包括去噪、校正、抠图等。
这些步骤是为了
确保遥感图像的质量，使其能够用于作物植被指数的计
算。
3.计算作物植被指数。
通常使用以下公式计算作物
植被指数：
CVI = (NIR - Red) / (NIR + Red)
其中，NIR 指近红外线光谱频段的反射率，Red 指红外线光谱频段的反射率。
4.可视化结果。
最后，将计算得到的作物植被指数
可视化，通常使用彩色图像的形式呈现出来。
这样就可
以通过观察图像来判断作物的生长状况。
总的来说，提取作物植被指数的流程包括收集遥感数据、对遥感数据进行处理、计算作物植被指数以及可
视化结果。
这些步骤可以帮助我们了解作物的生长状况，并为决策提供参考。
需要注意的是，提取作物植被指数的流程可能会因遥感数据的不同而有所差异。
例如，使用的遥感图像的光谱频段可能不同，或者遥感数据的处理方式可能不同。
因此，在提取作物植被指数之前，应先了解所使用的遥感数据的特点，并确定相应的流程。
landsat9植被提取步骤
landsat9植被提取步骤
以下是使用ENVI计算Landsat9植被指数（NDVI）的步骤：
1. 打开ENVI，选择主菜单→Transform→NDVI。
2. 在NDVI Calculation Input File对话框中选择某一个Landsat TM数据，点击OK 按钮。
3. 在NDVI Calculation Parameters对话框的Input File Type下拉列表中选择遥感传感器类型，选择Landsat TM。
4. 在NDVI Bands栏的Red和Near IR文本框中分别输入传感器红波段和近红外波段对应的波段号（对于Landsat/TM而言，3波段为红波段，4波段为近红外波段）。
5. 设置输出文件路径，点击OK按钮，计算得到NDVI图像。
请注意，以上步骤仅是一种计算NDVI指数的方法，实际操作可能因数据来源、处理目的和计算软件的不同而有所差异。
在进行植被提取前，建议你查阅相关文献，以确保数据处理方法的准确性和可靠性。
利用NDVI图像设置阈值实现植被与其他地物的分离提取
利用NDVI图像设置阈值实现植被与其他地物的分离提取
由于进行植被制图的重点在于对植被类型进行分离，因此在对植被进行分类的时候先将植被与其他地物分离开来，有助于提高植被分类的精度，这个可以通过在ERDAS软件中的mask模块来实现，由此需要制作掩膜文件，植被与其他地物的分离主要是以NDVI 设置阈值来实现，由此模型建立如下：
其中条件语句设置如下：
图像NDVI值（即图中的$n1-1）大于等于0.1的时候，设置其值为1，否则设置值为0。
（NDVI阈值需要根据自己情况自行考虑）
依次打开interpreter-utilities-mask。
设置输入输出及掩膜文件。
在setup recode中对掩膜文件重新设值，取非植被区域的图像为0,值，在输出图像中选择忽略0值，由此实现了植被与非植被的分离。
如何进行植被指数提取与分类
如何进行植被指数提取与分类植被指数提取与分类是遥感技术在生态环境研究中的重要应用之一。
随着遥感技术的不断发展，植被指数提取与分类在农业、林业、地理信息系统等领域发挥着重要作用。
本文将从植被指数的定义与原理、常用的植被指数、植被指数提取方法以及植被分类方法等方面进行探讨。
一、植被指数的定义与原理植被指数是利用遥感数据来表征植被状况的指标。
常见的植被指数有归一化植被指数（NDVI）、植被指数（VI）、差值植被指数（DVI）等。
这些指数基于植被在远红外波段和可见光波段的反射特征，能够反映植被的生长状况、地表水分含量等信息。
二、常用的植被指数1. 归一化植被指数（NDVI）是最常用的植被指数之一。
它利用可见光波段和近红外波段的反射率进行计算，公式为（NIR-Red）/（NIR+Red）。
NDVI的取值范围在-1到1之间，数值越高表示植被状况越好。
2. 植被指数（VI）是另一种常见的植被指数。
它利用可见光波段和近红外波段的反射率进行计算，公式为NIR/Red。
与NDVI相比，VI更加敏感于绿色植被的变化，能够更好地反映植被生长情况。
3. 差值植被指数（DVI）是利用近红外波段和红光波段的反射率进行计算，公式为NIR-Red。
DVI能够反映植被的叶绿素含量和叶面积指数等信息，常用于农业生态环境监测和作物生长状况评估。
三、植被指数提取方法1. 基于像元的提取方法是最常用的植被指数提取方法之一。
该方法将遥感图像划分为若干个像元，通过计算每个像元的植被指数值来提取植被信息。
这种方法简单直观，但在处理复杂地物时容易出现混淆现象。
2. 基于纹理特征的提取方法是另一种常用的植被指数提取方法。
该方法利用图像中植被区域的纹理特征进行分类，可以较好地区分出植被与非植被区域。
然而，该方法对于纹理特征较弱的地物分类效果较差。
四、植被分类方法1. 监督分类是常用的植被分类方法之一。
该方法依靠已知地物样本进行训练，通过统计和模型计算来进行植被分类。
erdas NDBI 指数提取及二值化
图10
对函数的逻辑表达式的设置如图11所示；
图11
运行结果如图12所示；
图12
一、erdas城市NDBI指数计算
步骤：1、打开erdas，在主面板条中选择：Modeler-Model Maker...，如图1所示；
图1
2、工具面板中主要使用的工具，如图2所示；
将栅格放入模型中
将函数放入模型中
连接栅格和函数
3、将栅格和函数放到模型中，并且使用连接工具将其连接到一起，如图3所示；
7、设置除法运Leabharlann ，如图7；图7为避免分母出现0的情况，需要给分母加上一个很小的数字，在此加上的数字为0.001；
8、运行，如图8；
图8
9，运行结果，如图9；
图9
二、二值化
为了能够将建筑从图像中分离出来，就需要将图像分类。在此我们使用二值化的方法。理论上ＮＤＢＩ的取值范围为［－１，１］，我们将NDBI值小于等于0的值赋予0，将大于0的值赋予255。在此依旧采用空间建模的方法。
图3
4、设置数据源，通过双击 设置数据源，如图4所示；
图4
5、设置TM5-TM4的函数运算（同TM5+TM4，在此不赘述），如图5，
图5
6、设置图像输出，此处图像输出数据类型为“float single”，如图6，
图6
注：在此次实验中所有的数据输出，数据类型都为“float single”，否则结果图像会全白；
植被指数提取与分析
植被指数提取与分析植被指数是一种衡量植被生长状态和健康状况的指标，常用的有归一化植被指数(Normalized Difference Vegetation Index, NDVI)、差异植被指数(Difference Vegetation Index, DVI)等。
根据植被指数可以对植被覆盖度、生长状态以及疾病等进行监测和分析。
植被指数通常是通过遥感技术获取的，可以使用卫星或无人机获取的遥感图像来计算得到。
提取植被指数的方法有多种，常用的方法是利用可见光和近红外波段的反射率计算得到。
以NDVI为例，计算公式为：NDVI=(NIR-RED)/(NIR+RED)，其中NIR代表近红外波段的反射率，RED代表红光波段的反射率。
通过计算得到的NDVI值范围在-1到1之间，数值越高表明植被覆盖越好，即植被生长旺盛，数值越低则表示植被覆盖较差。
分析植被指数可以帮助我们了解植被的分布情况和生长趋势，提供科学依据和数据支持。
首先，可以通过植被指数研究和评估植被覆盖度，对大面积的植被状况有一个整体的了解。
例如，通过对大范围区域的植被指数的分析，可以了解到该区域的植被状况，是否存在退化、退化的程度以及逐年的变化趋势等情况。
其次，植被指数可以用来监测植物生长状态的变化。
通过连续的遥感图像和植被指数的计算，可以对植物的生长情况进行定量分析。
例如，可以通过比较不同时间段的NDVI值，了解植物的季节性生长变化，以及对气候等环境因素的响应情况。
同时，还可以对植物的健康状况进行评估，例如发现植物疾病、虫害的影响，以及区分不同植物种类等。
此外，植被指数的提取和分析还可以用来监测和评估生态环境的变化。
例如，对于林业和农业管理来说，植被指数可以用来评估土地利用和管理的效果，通过分析植被指数可以了解到不同地区的植被覆盖度和生长状态的差异，为土地资源的合理利用和管理提供科学依据。
总之，通过提取和分析植被指数可以帮助我们了解植被的分布、生长状态和健康状况，为生态环境的保护和可持续发展提供科学依据。
ENVI植被指数（转）
ENVI中计算NDVI和植被覆盖度覆盖度, 植被, ENVI, NDVI1.直接用envi直接算的话，主菜单中transform－ndvi，算归一化植被指数。
Tasseled Cap (缨帽变换)，也可以用来算绿度植被指数gvi。
也可自己定义算法算植被指数。
如果要算植被覆盖度的话，可以先计算 NDVI，然后利用 NDVI 与植被覆盖度之间的关系计算。
计算公式可用：f=(NDVI-NDVI MIN)/(NDVI MAX-NDVI MIN)这里的NDVIMIN和NDVIMAX是代表研究区域的最好植被覆盖和最差植被覆盖的植被指数，即裸地和茂盛植被覆盖区的NDVI值具体可参照赵英时老师的《遥感应用分析原理与方法》/viewdiary.14418414.html2.最小值和最大值运算符的使用最小值和最大值运算符也是数组的基础运算符，但与关系运算符或Boolean运算符不同的是：它们不返还真值或假值，而返还实际的最小值和最大值。
在下面的示例中，对于图像中的每一个像元，0、b2或b3中的最大值将被加到b1中，该表达式确保加到b1中的值始终为正。
b1 +（0 > b2 > b3）在下面的示例中，最小值和最大值运算符的同时运用使b1中的值被限制在0和1之间——b1中的值不会大于1或小于0。
0 > b1 < 13. 运算符波段运算举例22.1 数据小于0的赋予0 b1>02.2 数据值小于０的赋予-999(b1 LT 0)*-999+(b1 GE 0)*b12.3 三个波段求平均值，如该波段小于0则不参加运算。
如某点b1:4;b2:6;b3:0；那平均值ave = (b1+b2+b3)/(1+1);b1>0+b2>0+b3>0)/( ((b1 ge 0) + (b2 ge 0)+(b3 ge 0)) >1)2.4两幅图像，图像1波段b1中的云部分（象元值大于200）用图像2的波段b2代替(b1 GT 200)*b2+(b1 LE 200)*b12.5波段分段赋值，如B1中小于0部分等于0，b1中值在[0,10]之间赋为原数值的100倍，如果b1值大于10则赋为原数值的10倍。
植被物候方法NDVI提取
2.数据处理
因为DNVI影像通过公式（NDVI*200）+50 计算过，所以我 把每一幅影像通过NDVI波段计算使NDVI值处于-0.25-1之间。
3.制图
• 对20幅影像在同一位置选出20个点制作一条曲线(选取两个不同位置)
1 0.9 0.8 0.7 NDVI NDVI 0.6 0.5 0.4 0.3 0.2 0.1 0 49 65 81 97 113 129 145 161 177 193 209 225 241 257 273 289 305 321 337 353 day of year
植被物候方法ndvi提取ndvi植被覆盖度归一化植被指数ndvi植被指数ndvienvi提取ndvindvi指数envi计算ndvindvi计算公式ndvi数据下载modisndvi产品
汇报
2013-11-21
1.数据收集
• ftp:///modis/NDVI/（Global Land Cover Facility University of Maryland, College Park, USA ） • 2000年49-353天 16天et al. Global land cover mapping from MODIS: algorithms and early results. 2 Schaaf, C. B. et al. First operational BRDF, albedo nadir reflectance products from MODIS.
1 0.9 0.8 0.7 0.6 0.5 0.4 0.3
成熟期
衰退期
返青期
0.2 0.1
0 49 65 81 97 113 129 145 161 177 193 209 225 241 257 273 289 305 321 337 353 DAY OF YEAR
ndvi提取
基于Ndvi因子的植被覆盖度提取根据遥感估算模型原理，对郑州2001年和1988年的植被覆盖度进行估算。
1 NDVI植被覆盖因子提取在ERDAS面板工具条上,选择Interpreter模块Spectral Enhancement/indices打开如下对话框，如下设置：点击view打开如下对话框进行进行建模，双击方框和圆框进行参数设置，注意：数据类型都为float，在圆框计算器中由于只有三个图层，编号为1,2,3，计算时将4换为1,3换为2在菜单上选择Process/run进行运算，结果如下：2 植被覆盖度图像的分类打开Classifier模块，选择Unsupervised Classification打开如下对话框，确定分类数目为10，最大循环次数为24，设置循环收敛阈值为0.95，OK执行。
3分类重编码/打开Interpreter模块，选择GIS Analysis/Recode代开对话框选择Setup Recode，打开Thematic Recode对话框，在New Value 字段里，将1——10类等间距两两合并分为5类。
Recode 2001遥感图像Recode1988遥感图像4 植被覆盖图像动态变化研究在ArcGIS中分别打开2001年和1988年的植被覆盖图像，将其NDVI值进行五类级，如下2001年植被覆盖分析图1988年植被覆盖分析图在ArcGIS中打开2001年和1988年的重分类图像，自定义五类分类值，如下2001年重分类编码后的遥感图像1988年重分类编码后的遥感图像5 统计分析在ERDAS中打开重编码后的分类图像，在视窗菜单条点击Raster\Attributes，打开属性表，点击editor/add area column，得到1988年和2002年植被覆盖度统计表植被覆盖度面积统计表（单位：公顷）覆盖面积占总面积的百分比。
基于植被指数NDVI的遥感信息提取马春林
１ 植被指数概况 植 被 指 数 是 对 地 表 植 被 活 动 的 简 单 、有 效 和 经 验 的 度 量 。 将 两 个（或多个）光谱观测通道组合可得到植被指数， 这一 指 数 在 一 定 程 度上反映着植被的演化信息。通过大量地物光谱波段测量研究分析 发 现 ， 植 被 红 光 波 段 ０ ．５５ － ０ ．６８μｍ 有 一 个 强 烈 的 吸 收 带 ， 它 与 叶 绿 素 密 度 成 反 比 ； 而 近 红 外 波 段 ０ ．７２５ － １ ．１μｍ 有 一 个 较 高 的 反 射 峰 ， 它 与 叶 绿 素 密 度 成 正 比 。 因 此 ， 通 常 使 用 红 色 可 见 光 通 道 （０．６ － ０ ．７μｍ）和 近 红 外 光 谱 通 道 （０ ．７ — １ ．１μｍ）的 组 合 来 设 计 植 被 指 数 。 这 两 个 波 段 的 比 值 和 归 一 组 合 与 植 被 的 叶 绿 素 含 量 、叶 面 积 及 生 物 量 密切相关， 所以植被指数便成为植被生态研究领域的基础。 植被指数按不同的监测方法和计算方法又可分为多种多样的 植 被 指 数 。 常 用 的 有 ： 归 一 化 植 被 指 数 ＮＤＶＩ ； 垂 直 植 被 指 数 ＰＶＩ ； 比 值 植 被 指 数 ＲＶＩ ； 消 除 土 壤 影 响 的 植 被 指 数 ＳＡＶＩ 和 全 球 植 被 指 数 ＧＶＩ 等 。 其 中 ， ＮＤＶＩ 则 是 使 用 最 广 泛 ， 效 果 也 较 好 的 一 种 。 ２ 植 被 指 数 ＮＤＶＩ 的 优 势 ＮＤＶＩ （Ｎｏｒｍａｌｉｚｅｄ Ｄｉｆｆｅｒｅｎｃｅ Ｖｅｇｅｔａｔｉｏｎ Ｉｎｄｅｘ） 归 一 化 植 被 指 数 ， 又称标准化植被指数， 在使用遥感图像进行植被研究以及植物物候 研究中得到广泛应用， 它是植物生长状态以及植被空间分布密度的 最 佳 指 示 因 子 ， 与 植 被 分 布 密 度 呈 线 性 相 关 。 实 验 表 明 ， ＮＤＶＩ 对 土 壤 背 景 的 变 化 较 为 敏 感 ； 它 是 单 位 像 元 内 的 植 被 类 型 、覆 盖 形 态 、生 长状况等的综合反映， 其大小取决于植被覆盖度和叶面积指数等要 素 ； ＮＤＶＩ 对 植 被 盖 度 的 检 测 幅 度 较 宽 ， 有 较 好 的 时 相 和 空 间 适 应 性， 因此应用较广。 ＮＤＶＩ 长 期 以 来 被 用 来 监 测 植 被 变 化 情 况 ， 也 是 遥 感 估 算 植 被 覆 盖 度 研 究 中 最 常 用 的 植 被 指 数 。如 Ｄｙｍｏｎｄ 等 使 用 ＮＤＶＩ 植 被 指 数 研 究 新 西 兰 退 化 草 地 的 植 被 覆 盖 度 ， （Ｄｙｍｏｎｄ ， ｅｔａｌ ， １９９２ ）； Ｗｉｔｔｉｃｈ 和 Ｈａｎｓｉｎｇ 的 研 究 成 果 肯 定 了 ＮＤＶＩ 对 植 被 覆 盖 度 的 指 示 作 用 （Ｗｉｔ－ ｔｉｃｈ ， Ｈａｎｓｉｎｇ，１９９５ ）； Ｐｕｒｅｖｄｏｒｊ 等 通 过 各 植 被 指 数 与 植 被 覆 盖 度 进 行 二 次 多 项 式 回 归 ， 表 明 ＴＳＡＶＩ 与 ＮＤＶＩ 可 以 最 好 的 估 算 大 范 围 的 草 地 植 被 覆 盖 度 （ Ｐｕｒｅｖｄｏｒｊ ，ｅｔａｌ ，１９９８ ）； Ｌｅｐｒｉｅｕｒ 等 检 验 了 ＮＤＶＩ， ＭＳＡＶＩ 与 ＧＥＭＩ 在 估 算 植 被 覆 盖 度 方 面 的 能 力 ， 结 果 表 明 在 监 测 低 植 被 覆 盖 度 时 ＮＤＶＩ 与 ＧＥＭＩ 的 效 果 比 较 好 ， 随 着 植 被 覆 盖 度 的 增 加 ， ＮＤＶＩ 与 ＭＳＡＶＩ 对 于 植 被 覆 盖 度 的 测 量 要 优 于 ＧＥＭＩ （ Ｌｅｐｒｉｅｕｒ ， ｅｔａｌ ，２０００ ）； Ｂｒａｄｌｅｙ 为 测 量 高 草 草 原 的 植 被 覆 盖 度 ， 分 别 研 究 了 ＮＤＶＩ， Ｎ＊２ ， ＳＡＶＩ 三 个 植 被 指 数 与 植 被 覆 盖 度 的 关 系 ， 结 果 表 明 ＮＤＶＩ 与 Ｎ＊ｚ 都 与 植 被 覆 盖 度 有 良 好 的 相 关 性 （Ｂｒａｄｌｅｙ， ２００２ ）； Ｑｉ Ｊ 等 建 立 了 ＮＤＶＩ 估 算 植 被 覆 盖 度 的 模 型 ， 并 使 用 了 三 种 数 据 ：Ｌａｎｄｓａｔ ＴＭ，ＳＰＯＴ４ ＶＥＧＥＴＡＴＩＯＮ 与 机 载 数 据 对 该 模 型 进 行 了 检 验 ， 认 为 该 模 型 适 用 于 不 同 分 辨 率 遥 感 数 据 对 植 被 覆 盖 度 的 估 算 （Ｑｉ Ｊ，ｅｔａｌ ， ２０００ ）； Ｚｅｎｇ 等 用 ＮＤＶＩ 估 测 了 全 球 的 植 被 覆 盖 度 （Ｚｅｎｇ，ｅｔａｌ ，２０００ ）。 综 上 所 述 ， ＮＤＶＩ 在 植 被 指 数 中 所 占 居 着 非 常 重 要 的 位 置 ， 它 主 要 具 有 以 下 几 方 面 的 优 势 （罗 修 岳 等 ， １９９４ ）： １） 植被检测灵敏度较高； ２） 植被覆盖度的检测范围较宽； ３） 能消除地形和群落结构的阴影和辐射干扰； ４） 削弱太阳高度角和大气所带来的噪音。 ＮＤＶＩ 是 用 于 监 测 植 被 变 化 的 最 经 典 植 被 指 数 （ＱｉＪ， ２０００ ）， 有 许
ERDAS多波段代数运算——计算遥感影像植被覆盖度ok
《遥感数字图像处理》上机实习指导
指导老师：胡娟
实习8：多波段代数运算——计算遥感影像植被覆盖度
实验目的与要求：ERDAS建模工具是一个面向目标的建模语言环境。
通过本实验要求同学掌握空间建模的基本操作和影像植被覆盖度的计算流程。
实验内容：
①计算影像的NDVI
②计算影像的植被覆盖度
③数据格式转换（img-grid）
④重分类
实验步骤：
一、利用空建模工具，设计一个简要流程，制作Lanier.img遥感影像的归一化植被指数NDVI
NDVI计算结果会分布在-1至1之间，一般说来，NDVI数值越高说明植被覆盖、长势越好。
二、利用空建模工具，构建植被覆盖度模型
可根据算出的NDVI值计算植被覆盖度，其公式为：
Fcover=（NDVI-NDVI最小值）/（NDVI最大值-NDVI最小值）
其中，Fcover为覆盖度，NDVI为归一化植被指数，NDVI最小值为为植被覆盖像元最小值的NDVI，NDVI最大值为植被覆盖像元最大值的NDVI。
三、数据转换：Img格式转换成GRID格式
四、重分类：
植被覆盖度图
五、依据以上原理，构建水体指数模型。
归一化差异植被指数数值
归一化差异植被指数数值归一化差异植被指数（Normalized Difference Vegetation Index，NDVI）被广泛应用于遥感技术的植被监测领域。
NDVI可以用于评估植被的生长状态和空间分布，并可用于估算植被物质和叶面积指数。
对于遥感技术卫星传感器获取图像数据进行相关测量和分析处理方面具有重要意义。
本文将深入探讨归一化差异植被指数数值的相关话题，包括其定义、计算方法及应用等方面。
一、NDVI的定义NDVI是一种逐像元计算的植被指数，它通过遥感技术将反射波段红色和近红外波段的能量进行比较，以反映植被的生长状态。
其数学表达式为：NDVI = (NIR – Red) / (NIR + Red)其中，NIR (Near Infrared) 表示近红外波段的反射率，Red表示红光波段的反射率。
由于植被在近红外波段有较高的反射率，在红光波段有较低的反射率，在NDVI计算中使用比值法可以消除不同亮度的干扰之后，NDVI的值范围在-1到1之间。
当NDVI接近于1时，表明该区域植被覆盖较好；当NDVI接近于0时，表明该区域的植被覆盖率较低；当NDVI为负数时，表明该区域是水体、建筑物或石块等非植被覆盖面。
NDVI数值越高，表明该区域植被密度越大，植被生长状况越好。
二、NDVI的计算方法计算NDVI需要获取遥感图像中的红光和近红外反射率数据。
这需要使用卫星或无人机等平台获取的遥感图像数据和数字图像处理技术进行相关处理。
常用的遥感图像处理软件包括ENVI、ERDAS等。
计算NDVI的具体步骤如下：1. 读取遥感图像数据并进行预处理。
2. 提取遥感图像中的红光与近红外反射波段数据。
3. 对红光与近红外反射波段进行数学运算得出NDVI数值。
4. 将NDVI数值进行归一化处理（即将NDVI数值映射到0到1之间）。
归一化差异植被指数在环境控制、土地利用和植被监测等领域中都有着重要的应用价值。
1. 环境控制在环境控制方面，NDVI可用于监测陆地、农田、森林和荒漠等区域的植被覆盖状态和生长情况。
- 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)。
[基础科学]Erdas和ENVI利用NDVI提取植被指数的步骤Erdas和ENVI中利用NDVI提取植被指数的步骤 NDVI:归一化植被指数
和植物的蒸腾作用、太阳光的截取、光合作用以及地表净初级生产力等密切相关。
1、NDVI的应用:检测植被生长状态、植被覆盖度和消除部分辐射误差等;
2、-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射;0表示有岩石或裸土等，NIR和R近似相等;正值，表示有植被覆盖，且随覆盖度增大而增大;
3、NDVI的局限性表现在，用非线性拉伸的方式增强了NIR和R的反射率的对比度。
对于同一幅图象，分别求RVI和NDVI时会发现，RVI值增加的速度高于NDVI增加速度，即NDVI对高植被区具有较低的灵敏度;
4、NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、学、枯叶、粗超度等，且与植被覆盖有关;
erdas里面利用NDVI提取植被指数的步骤:
1、在Erdas的主工具中选择Interpreter模块，出现Image Interpreter对话框
2、然后选择Spectral Enhancement，会弹出Spectral Enhancement对话框
3、再选择Indices选项出现Indices对话框
以TM数据为例进行说明，选择InputFile，选择Output File，在OutputOptions的Sensor中选择Landst TM，在SelectFunction里面选择NDVI，DataType默认为Float不用改变，可以发现最下面的Function显示band 4 - band 3 / band 4 +band 3，这个就是NDVI的计算公式。
最后选择OK即可完成，这里要注意的是没有OutputFile的话Ok按钮时不能使用的。
如果NDVI计算的话在ENVI是最方便的在Transform菜单下就有，同时ENVI的波段计算功能也很方便完成NDVI计算。
另外，ERDAS MODEL做NDVI分类
首先说如何做NDVI，虽然ERDAS里有个现成专门可以做NDVI的的地方，但是我们注意到TM4+TM3可能为0，当除数为0时系统会报错，所以应该在分母上加0.001或0.0001都可以。
这样分母就不会为0了，同时注意输出图象类型要是float single，否则做出来的结果可能是空白图象。
给NDVI图象进行再分类:注意输出图象类型为thematic。
其中中间一步要这样设置:注意先选中左框里的原始NDVI波段，然后点ADD CLUMMN按钮，并定义你的范围。
ENVI中提取NDVI值
1、打开图像
2、主菜单中，Transforms---NDVI,显示如下窗口，
选择影像---OK
3、在以下窗口中输入相应的参数
点击OK，即可。
说明:选择浮点型，ENVI数值范围保持为-1~1;
选择字节型，键入最小NDVI值，该值将被拉伸为0;键入最大NDVI值，该值将被拉伸为255，获得的ENVI将被拉伸为0~255 的范围。
这样得到的ndvi图式HDR格式的，要想在ERDAS中打开需要转换成IMG格式的:
打开ERDAS软件，点击import，显示如下窗口:。