实习7、地表反射率、温度的反演以及植被指数的计算
植被光谱分析与植被指数计算
植被光谱分析与植被指数计算在遥感中，常常结合不同波长范围的反射率来增强植被特征，如植被指数（vegetation indices——VI）的计算，植被指数（VI）是两个或多个波长范围内的地物反射率组合运算，以增强植被某一特性或者细节。
目前，在科学文献中发布了超过150种植被指数模型，这些植被指数中只有极少数是经过系统的实践检验。
本文总结现有植被指数，根据对植被波谱特征产生重要影响的主要化学成份：色素（Pigments）、水分（Water）、碳（Carbon）、氮（Nitrogen），总结了7大类实用性较强的植被指数，即：宽带绿度、窄带绿度、光利用率、冠层氮、干旱或碳衰减、叶色素、冠层水分含量。
这些植被指数可以简单度量绿色植被的数量和生长状况、叶绿素含量、叶子表面冠层、叶聚丛、冠层结构、植被在光合作用中对入射光的利用效率、测量植被冠层中氮的相对含量、估算纤维素和木质素干燥状态的碳含量、度量植被中与胁迫性相关的色素、植被冠层中水分含量等。
包括以下内容：植被光谱特征植被指数HJ-1-HSI植被指数计算1.植被光谱特征植被跟太阳辐射的相互关系有别于其他物质，如裸土、水体等，比如植被的“红边”现象，即在<700nm附近强吸收，>700nm高反射。
很多因素影响植被对太阳辐射的吸收和反射，包括波长、水分含量、色素、养分、碳等。
研究植被的波长范围一般为400 nm to 2500 nm，这也是传感器设计选择的波长范围。
这个波长范围可范围以下四个部分：可见光（Visible）：400 nm to 700 nm近红外（Near-infrared——NIR）：700 nm to 1300 nm短波红外1（Shortwave infrared 1——SWIR-1）：1300 nm to 1900 nm短波红外2（Shortwave infrared 2——SWIR-2）：1900 nm to 2500 nm其中NIR和SWIR-1的过渡区（1400nm附近）是大气水的强吸收范围，卫星或者航空传感器一般不获取这范围的反射值。
实习7、地表反射率、温度的反演以及植被指数的计算
基本原理一)地表反射率是指地表物体向各个方向上反射的太阳总辐射通量与到达该物体表面上的总辐射通量之比。
反照率可以通过遥感成像提供的辐射亮度值L 或反照率p ，二向性反射率分布函数BRDF 来获得：地物反射率的光谱特征差异是从遥感影像中识别地表不同类型地物的基本依据，也是地表其他各种物理、生物物理参数反演的依据地表。
地表反射率的计算步骤：1、辐射定标：根据遥感影像DN 值计算到达传感器的各波段辐射亮度也就是将传感器记录的辐射量化值（Digital Number ，DN ）转换成绝对辐射亮度值、表观反射率，或者表观温度的过程。
绝对定标：通过各种标准辐射源，建立辐射亮度值与辐射量化值（DN ）之间的定量关系式中，辐射亮度值L 的常用单位为W/(m2.μm.sr)，或者μW/(cm2.nm.sr) 。
1W/(m2.μm.sr)=0.1 μW/(cm2.nm.sr)2、各波段表观反射率计算3、大气辐射校正（ENVI FLAASH/QUAC ）绝对大气辐射校正：消除大气辐射衰减效应，将遥感影像的DN 值转换为地表反射率、辐亮度、地表温度等的方法，此过程包含了辐射定标。
相对大气辐射校正：将遥感影像的DN 值转换为类似的整型数，同时消除大气辐射衰减效应。
FLAASH 是用数学建模辐射的物理行为，纠正波长在可见光至近红外和短波红外区域，最多3微米。
（对于热地区，使用基本工具>预处理>校准工具>热大气压校正菜单选项。
）不同于预先计算模拟结果的数据库内插辐射传输特性许多其他大气校正程序， FLAASH 采用了MODTRAN4辐射传输代码。
MODTRAN4并入ENVI FLAASH 的版本被修改，以校正在HITRAN -96水行参数的误差。
可以选择任何一种标准MODTRAN 大气模型和气溶胶类型，FLAASH 还包括以下功能：校正邻近效应（像素混合是由于表面反射辐射的散射） 计算场景的平均能见度（气溶胶/雾量）。
地表反射率、温度、植被指数
地表反射率、温度、植被指数、几何精纠正和Landsat影像影像几何精纠正1.深入理解影像几何精纠正的原理2.学会使用影像对影像的几何精纠正方法和具体操作步骤1. 扫描地形图（宁夏中卫地区1:25万104811.img ）进行几何精纠正（包括投影参数、单位的调整将选定参考点保存）。
2. 利用纠正好的全色波段高分辨率影像完成同景多光谱影像的几何精纠正。
1. 扫描地形图（宁夏中卫地区1:25万104811.img ）进行几何精纠正（包括投影参数、单位的调整将选定参考点保存）。
2. 利用纠正好的全色波段高分辨率影像完成同景多光谱影像的几何精纠正Landsat影像数据下载、导入、目视解译与分析1．学会在美国NASA/USGS网上进行Landsat卫星影像的检索和下载，认识影像名编号意义。
2．初步掌握ENVI/IDL影像处理软件的使用方法，熟悉软件的用户界面、功能模块，掌握基本功能的使用。
复习遥感导论课程中的遥感影像目视解译环节，选择自己熟悉的地区，进行Landsat TM/ETM+影像的目视解译。
实习内容1、课前准备：根据自己感兴趣的地区，下载一景Landsat TM/ETM+影像。
2、将单波段分别添加在ENVI中（采用file| open image file工具，注意在添加波段数据时，热红外波段影像应另存为一个文件）3、利用Basic tools | layer stscking视窗选择多波段影像进行添加，在available中选择刚才添加的影像，选择RGB color分别选取4、3、2和7、4、2波段组合进行彩色合成，此时，可以再打开一个视窗（new display）观察地物的色调变化。
列表说明上述地物分别在两种波段组合下的颜色特征。
4、查询并记录影像文件的基本信息、投影信息，以及各个波段直方图信息。
5、将影像缩小、放大、漫游工具识别影像中的土地利用/土地覆盖类型，可能的土地利用/土地覆盖类型包括：(1) 耕地farmland(8) 公路/铁路road or railway(2) 草地grassland(9) 河流stream(3) 裸地barren land(10) 水库reservoir(4) 森林forest(11) 冰雪ice and snow(5) 城镇居民地town(12) 云cloud(6) 农村居民地village(13) 阴影shadow(7) 沙漠desert6、利用load RGB将图像显示，后用视窗中的光谱剖面工具，提取上述地物在不同波段的数值（Digital Number，DN）；要求针对影像中的6种地物至少各采集10个样本，取平均值，做光谱剖面图，分析不同地物的灰度值随波段变化的特点。
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。
使用测绘技术进行植被指数计算的方法
使用测绘技术进行植被指数计算的方法植被指数（vegetation index）是通过使用遥感数据和测绘技术来评估和分析地表植被状况的一种方法。
植被指数通常用于农业、林业、环境和气候研究等领域，可以提供有关植被健康和生长情况的有价值的信息。
本文将介绍几种常用的植被指数计算方法，并讨论它们的优缺点。
一、归一化差异植被指数（Normalized Difference Vegetation Index, NDVI）归一化差异植被指数是最常用的植被指数之一。
它是通过测量红外和可见光波段的反射率差异来评估植被的绿度和健康状况。
公式为：NDVI = (NIR – Red) / (NIR + Red)，其中NIR表示近红外波段的反射率，Red表示红光波段的反射率。
通过计算NDVI值，可以得到一个在-1到1之间的范围，值越大表示植被覆盖越密集，健康程度越高。
但是，NDVI也存在一些限制。
首先，NDVI对大气和地表反射率的影响较为敏感，可能会导致数据的不准确性。
其次，NDVI只能评估植被的绿度和健康状况，无法提供关于植被类型和物种组成的详细信息。
二、归一化植被指数（Normalized Vegetation Index, NVI）与NDVI类似，归一化植被指数是一种反映植被状况的指数。
它是通过将植被反射率归一化到0到1的范围内来计算的。
公式为：NVI = (NIR – Red) / (NIR + Red) + 1。
与NDVI不同的是，NVI的取值范围是0到2，值越大表示植被覆盖越密集，健康程度越高。
相比之下，NVI相对于大气和地表反射率的敏感性较低，因此具有更好的准确性。
然而，与NDVI类似，NVI也无法提供关于植被类型和物种组成的详细信息。
三、简化植被指数（Simplified Vegetation Index, SVI）简化植被指数是一种综合反映地表植被状况的指数。
与前面介绍的植被指数不同，它可以用于对不同类型的植被进行分类和比较。
实习三 植被遥感-植被指数及其应用
ETM+-7 spectral range values in high gain mode.
表1 TM各波段
E 0 值（单位: w.cm −2 .um −1)
2 3 4 5 7
波段
1
E0
1983 1795 1539 1028 219.8 83.49
表2 ETM+各波段
E 0 值（单位: w.cm −2 .um −1)
NIR SR = red
It takes advantage of the inverse relationship between chlorophyll absorption of red radiant energy and increased reflectance of nearnearinfrared energy for healthy plant canopies (Cohen, 1991) .
3 -1,200 204,3 -1,2 0,8059
4 -1,500 206,2 -1,5 0,8145
5 -0,370 27,19 -0,37 0,1081
6 1,238 15,6 1,238 0,0563
7 -0,150 14,38 -0,15 0,0570
TM-4 and TM-5 spectral range values
185 km 80 m
185 km 30 m VNIR/SWIR 120 m TIR 8 bit 0.2 pixel (90%) 500 m (90%)
6 bit
15 Mbit/s 64 kg
85 Mbit/s 258 kg
2 x 85 Mbit/s 288 kg scanner, plus 81 kg AEM
遥感实习报告植被覆盖率
一、实习目的本次遥感实习旨在通过学习遥感技术，掌握遥感图像处理与分析的方法，了解植被覆盖率的遥感反演技术，并运用所学知识对实习区域的植被覆盖率进行定量分析和评价。
二、实习内容1. 遥感图像数据获取本次实习所使用的遥感图像数据为Landsat 8 OLI/TIRS影像，时间范围为2018年7月15日，空间分辨率为30米。
数据来源于美国地质调查局（USGS）的地球观测系统数据和信息（EOSDIS）。
2. 遥感图像预处理（1）辐射校正：对遥感图像进行辐射校正，消除传感器辐射响应误差和大气影响，使图像数据更加真实。
（2）几何校正：对遥感图像进行几何校正，消除图像畸变，使图像与实际地面位置一致。
（3）波段组合：将遥感图像的可见光、近红外、短波红外等波段进行组合，提高图像信息含量。
3. 植被覆盖率反演（1）选择植被指数：选取适合植被覆盖度反演的植被指数，如归一化植被指数（NDVI）、植被指数（VI）等。
（2）植被指数计算：根据遥感图像数据，计算所选植被指数。
（3）植被覆盖率反演：利用植被指数与植被覆盖率之间的相关性，建立植被指数与植被覆盖率的反演模型，对植被覆盖率进行反演。
4. 植被覆盖率评价（1）统计分析：对反演得到的植被覆盖率进行统计分析，如计算平均值、标准差等。
（2）空间分布分析：分析植被覆盖率在空间上的分布规律，识别植被覆盖度较高的区域。
（3）对比分析：将反演得到的植被覆盖率与实地调查数据进行对比，验证反演结果的准确性。
三、实习结果与分析1. 植被覆盖率反演结果通过遥感图像处理与植被覆盖率反演，得到实习区域的植被覆盖率分布图。
结果显示，实习区域植被覆盖率总体较高，大部分区域植被覆盖率在70%以上。
2. 植被覆盖率评价（1）统计分析：实习区域植被覆盖率平均值为75.6%，标准差为15.3%。
这表明实习区域植被覆盖率总体较高，但存在一定的差异。
（2）空间分布分析：植被覆盖率在空间上呈现明显的地域性差异，山区植被覆盖率较高，平原地区植被覆盖率相对较低。
地表反射率、温度、植被指数
地表反射率、温度、植被指数、几何精纠正和Landsat影像一、DNVI建模【地表反射率】第3波段第4波段【DNVI】【3、4波段表观反射率和地表反射率的线性关系】【表观反射率和地表反射率的线性关系数学表达式】波段关系式波段关系式1波段y=0.8933*x+0.0473 4波段y=0.9401*x+0.0065 2波段y=0.8801*x+0.0242 5波段y=0.9399*x+0.001 3波段y=0.9161*x+0.0143 7波段y=0.9584*x+0.0004【部分地物的DNVI值】地物DNVI值min max mean stdev Reservior 0.057713 0.338587 0.145087 0.038598 Snow -0.12395 0.152669 0.025088 0.031572Urban -0.356923 0.038094 -0.273288 0.045284Plant 0.333387 0.786695 0.656094 0.081619Desert 0.071897 0.155663 0.100783 0.014291River 0.043469 0.429917 0.127503 0.08131【结果与分析】：通过对提取地物的DNVI值的可以发现，绿色的DNVI值比较高，原因是绿色植物叶绿素引起的红光吸收和叶肉组织引起的近红外光反射使得植被在近红外波段和红光波段有很大的差异；水体和裸地在红光波段和近红外波段反射率相当，因此水库和裸地的NDVI值接近0；雪地NDVI最低值中出现负值，是由于在近红外波段比可见光波段有较低的反射率；沙漠中植被很少，因此其近红外波段和红光波段的反射情况和裸地类似，因此其NDVI值接近于0；河流的NDVI值稍大于由于河流中存在一定的含沙量，使得地物在近红外波段的反射率大于近红外波段。
二、温度反演【温度反演】低增益温度反演高增益温度反演【第1波段部分地物低增益温度反演数据】开尔文温度摄氏温度反演温度地物min max mean stdev min max mean Reservior 287.47641 289.289886 288.13127 0.388036 14.32641 16.13989 14.98127 Snow 273.154785 293.990417 278.177771 3.788266 0.004785 20.84042 5.027771 Bare Land 295.989319 310.676086 303.445647 2.819391 22.83932 37.52609 30.29565 Urban 300.165253 310.928528 307.469228 1.530421 27.01525 37.77853 34.31923 Plant 294.278015 305.525879 298.698402 2.333251 21.12802 32.37588 25.5484 Desert 302.605286 309.915955 306.491575 1.39902 29.45529 36.76596 33.34158影像几何精纠正1.深入理解影像几何精纠正的原理2.学会使用影像对影像的几何精纠正方法和具体操作步骤1. 扫描地形图（宁夏中卫地区1:25万104811.img ）进行几何精纠正（包括投影参数、单位的调整将选定参考点保存）。
遥感数字图像处理_地表反射率、温度的反演以及植被指数的计算
操作方法及过程1、使用ENVI对landsat 7 ETM+原始数据进行辐射定标：①对1、2、3、4、5、7波段进行辐射定标。
利用ENVI中的File |Open External File |Landsat Geo TIFF with MetaData加载威武市Landsat ETM+原始影像数据中的_MTL文件，再利用Basic Tools |Preprocessing |Calibration Utilities |Landsat Calibration 在弹出的对话对话框中选择包含1、2、3、4、5、7波段的_MTL文件，将Calibration Type选为Radiance，然后选择输出路径保存为radiance。
②对61和62波段进行辐射定标。
步骤和上面的一样，只是选择输入文件时为包含61和62波段的_MTL文件，将结果保存为radiance_band6。
2、将BSQ格式的影像数据转化为BIL：利用Basic Tools |Convert Data，弹出对话框中选择Radiance，Output Interleave中选择BIL，选择输出路径保存为radiance_BIL。
3、使用FLAASH大气辐射校正模型进行地表反射率的计算：①利用Spectral |FLASSH弹出大气校正模型参数设置窗口如下：分别按照以上所示的内容进行参数设置，将输入文件设为radiance_BIL，输出文件设为flassh，设置Scene Center Location时，打开原始影像在头文件中找到行和列，算出中心行和列，利用Pixel Locator工具找到中心点的经纬度。
将Sensor Type设为Landsat TM7。
设置Ground Elevation时，利用裁剪工具在亚洲幅SRTM DEM影像数据中裁剪该地区的DEM数据，再用统计功能算出高程的平均值为2058m。
在头文件中找到Flight Data：1999年8月10日，Flight Time GTM:3时36分39秒。
植被光谱分析与植被指数计算解读
植被光谱分析与植被指数计算解读植被光谱是指随着光波长的变化，植物所吸收、反射和传输的光的能量分布的变化。
植被光谱分析通过测量植物在不同波长的光下的反射或吸收情况，可以获取丰富的生理和生态信息。
一般来说，植物对于光谱中的红光和近红外光具有较高的反射能力，而对于绿光的反射较低。
利用这些特点，可以通过光谱数据对植物的生理状态、营养状况、水分含量等进行分析。
植被指数是从植被光谱数据中计算出的一种定量指标，用于揭示植物的生长状况和生理特征。
常见的植被指数有归一化植被指数（NDVI）、叶绿素指数（CI）、简化绿度指数（SR）、水分指数（WI）等。
植被指数的计算一般是通过光谱数据中的不同波段的反射值进行比较和组合计算得出的。
归一化植被指数（NDVI）是最常用的植被指数之一、它是利用红光和近红外光之间的差异来评估植被生长状况的指数。
NDVI的计算公式为：NDVI=(NIR - Red)/(NIR + Red)，其中NIR代表近红外光波段的反射值，Red代表红光波段的反射值。
NDVI的取值范围为-1到1，数值越大表示植被生长状况越好。
叶绿素指数（CI）是评估植被叶绿素含量的指标。
叶绿素是植物光合作用的重要组成部分，通过测量不同波段的光反射率可以推算出植物叶绿素的含量。
常见的叶绿素指数包括结构化叶绿素指数（SCI）和非结构化叶绿素指数（NNCI）等。
简化绿度指数（SR）是一种用于估计植物总叶绿素含量的指标。
它基于不同波段的光反射率之间的比较和计算进行求解。
SR的计算公式为：SR = (NIR - Red) / NIR，其中NIR代表近红外光波段的反射值，Red代表红光波段的反射值。
水分指数（WI）是评估土壤水分状况和植物水分含量的指标。
通过测量植物叶片在不同波段的反射率，可以推算出植物的水分含量和土壤的水分状况。
常见的水分指数有归一化差异植被指数（NDWI）、水分转换指数（WTCI）等。
植被光谱分析与植被指数计算在许多领域有着广泛的应用。
地表温度完整算法
地表温度完整演算公式一、DN值反演热辐射强度：L(λ)= 0.1238 + 0.005632156Qdn二、热辐射强度反演地表亮温：T6=K2/ln(1 +K1/L(λ))其中, T6为TM6的象元亮度温度(K),K1和K2为发射前预设的常量,对于Landsat 5的TM数据,K1=60.776 mW cm-2sr-1μm-1,K2=1 260.56K。
三、地表亮温推算地表温度：（需确定三个参数：地表辐射率、大气平均温度、大气投射率）（1）地表辐射率推算：（主要根据NDVI推算地表辐射率）1 自然表面地表辐射率：ε=1.0094+0.047ln(NDVI)2 城镇用地地表辐射率：ε= 0.9589+0.086Pv-0.0671Pv2Pv= [(NDVI- NDVIs)/(NDVIv- NDVIs)]2其中,NDVI为归一化植被指数,取NDVIv=0.70和NDVIs=0.05,且有,当某个像元的NDVI大于0.70时,Pv取值为1;当NDVI小于0.05,Pv取值为0。
3 水体地表辐射率：水体辐射率一般取值 0.995.（2）大气平均温度推算：① 热带平均大气( 北纬15°, 年平均)Ta= 17.9769+0.91715T0② 中纬度夏季平均大气( 北纬45°, 7 月)Ta= 16.0110+0.92621T0③ 中纬度冬季平均大气( 北纬45°, 1 月)Ta= 19.2704+0.91118T0根据万州所经纬度坐标：北纬38度48分，东经102度22分，其遥感影像两幅为2010年8月一幅为10月份，因此选取公式：Ta= 16.0110+0.92621T0来推算大气平均温度。
其中：T0 为距地表2米左右的温度，根据当时所处月份和卫星运行周期，我选取的T0 为 305K。
（3）大气透射率推算：一般情况下，大气水分含量在0.4～3.0 g/cm2 变动区间,根据专家的研究结果大气透射率可以通过与水分含量建立线性函数关系来推算。
地表温度反演实验报告
地表温度反演实验报告地表温度是指地球表面的温度，是一个重要的气象参数，对于气候变化、城市热岛效应等问题具有重要的影响。
地表温度反演是通过遥感技术获取地表温度信息的一种方法，可以有效地监测地表温度的变化情况。
本实验旨在利用卫星遥感数据，反演地表温度，并对结果进行分析和讨论。
实验方法：我们收集了MODIS卫星传感器获取的遥感数据，包括云量、地表温度等信息。
然后，利用反演算法对这些数据进行处理，得到地表温度的反演结果。
接着，我们将反演结果与实地观测数据进行对比分析，验证反演结果的准确性。
最后，我们对地表温度的空间分布特征进行研究，分析其与地形、植被覆盖等因素的关系。
实验结果：经过反演算法处理，我们得到了一幅地表温度的空间分布图。
从图中可以看出，地表温度在不同区域有明显的差异，一般来说，城市区域的地表温度要高于郊区和农田地区。
另外，我们还发现地形和植被覆盖对地表温度有一定的影响，高海拔地区的地表温度要低于低海拔地区，而植被茂密的地区地表温度相对较低。
实验分析：通过对地表温度的反演结果进行分析，我们可以发现地表温度的空间分布受到多种因素的影响，包括城市化程度、地形、植被覆盖等。
城市热岛效应导致城市区域地表温度升高，而高海拔地区地表温度较低，这些都是地表温度空间分布差异的原因之一。
植被覆盖可以降低地表温度，起到调节气候的作用。
结论：地表温度反演是一种有效的监测地表温度变化的方法，可以为气候研究、城市规划等领域提供重要的参考依据。
通过对地表温度的反演结果进行分析，可以更好地理解地表温度的空间分布特征，为环境保护和气候调控提供科学依据。
希望通过本实验的研究，能够更深入地探讨地表温度变化的规律，为未来的研究提供参考。
植被指数计算公式
植被指数计算公式植被指数（Vegetation Index，VI）是通过遥感数据计算得出的，用于评估和监测植被状况的指标。
植被指数可以从遥感数据中提取出反映植被光谱特征的信息，并用数值表示该特征在不同地区的分布情况。
植被指数的计算公式通常基于遥感数据的不同波段之间的光谱反射率差异，常见的植被指数有Normalized Difference Vegetation Index（NDVI）、Enhanced Vegetation Index（EVI）、Soil Adjusted Vegetation Index （SAVI）等。
NDVI是最常用的植被指数之一，它利用了植被的叶绿素对红外波段和可见光波段的光谱反射差异。
其计算公式如下：NDVI = (NIR - Red) / (NIR + Red)其中，NIR代表红外波段的反射率，Red代表可见光红色波段的反射率。
计算得到的NDVI值范围为-1到+1，数值越大表示植被状况越好，数值越小表示植被状况较差。
EVI是一种在NDVI基础上进行改进的植被指数，它能够对植被覆盖度较大的区域进行更准确的评估。
其计算公式如下：EVI = 2.5 * (NIR - Red) / (NIR + 6 * Red - 7.5 * Blue + 1)其中，NIR代表红外波段的反射率，Red代表可见光红色波段的反射率，Blue代表可见光蓝色波段的反射率。
计算得到的EVI值范围通常在-1到+1之间，与NDVI相比，EVI具有更高的动态范围和更好的区分能力。
SAVI是一种针对光照条件较差的区域进行改进的植被指数，它能够减小土壤背景对植被指数的干扰。
SAVI = (1 + L) * (NIR - Red) / (NIR + Red + L)其中，NIR代表红外波段的反射率，Red代表可见光红色波段的反射率，L为一个土壤调节参数，取值范围为0到1、L的值越大，表示土壤背景对植被指数的影响越大。
植被光谱分析与植被指数计算
植被光谱分析与植被指数计算植被在地表覆盖范围广泛，具有重要的生态功能和资源价值。
随着遥感技术的发展，植被遥感成为了研究植被空间分布、生态环境变化和资源管理的关键手段之一、植被光谱分析和植被指数计算是植被遥感研究中的重要内容，通过分析植被在不同光谱波段上的反射率特征，可以获取植被生理状态和生态环境信息，为植被遥感应用提供了基础数据。
植被光谱是指植被在不同光谱波段上的反射率特征。
植被可以吸收、反射和透过露光，不同植被类型和不同植被生理状态对光的吸收和反射率具有特殊的光谱特征。
通过遥感技术获取的植被光谱数据可以用于反演植被类型、植被覆盖度、植被生理状态等信息。
植被光谱分析主要基于植被在遥感波段上的反射率特征进行建模和分析，包括光谱强度、光谱形状和光谱参数等。
植被指数是一种从植被光谱数据中提取植被信息的数值指标。
植被指数通过对植被光谱特征进行合理组合和计算，可以反映植被的生长状况、叶绿素含量、水分状况、光合活性等植被生理和生态参数。
常用的植被指数有归一化植被指数（Normalized Difference Vegetation Index，NDVI）、归一化差异植被指数（Normalized difference vegetation index，NDWI）、植被指数（Vegetation index，VI）等。
这些指数通过计算不同波段上的反射率差异，将植被的生理信息概括为一个数值，可以在不同时间和空间尺度上进行比较和分析。
植被光谱分析和植被指数计算是植被遥感研究的基础方法和技术手段。
利用植被光谱数据，可以了解植被在其中一时刻的生理状态、植被类型和植被覆盖度等信息，为植被的监测、评价和管理提供了基础数据。
通过植被指数计算，可以更加直观地表达植被的生态和环境信息，为植被资源管理和农业生产提供科学依据。
植被光谱分析和植被指数计算在植被遥感中具有重要应用价值。
通过分析植被光谱数据，可以监测植被环境变化、研究植被生长规律和机理、评估植被健康状态等。
植被指数计算方法
2.1 归一化植被指数（NDVI ）归一化植被指数（Normalized Difference Vegetation Index ，即N D V I ）的计算公式为：NIR RED NIR REDNDVI ρρρρ-=+ 其中：NIR ρ和RED ρ分别代表近红外波段和红光波段的反射率NDVI 的值介于-1和1之间。
2.2 增强型植被指数（EVI ）增强型植被指数（Enhanced Vegetation Index ，即EVI ）计算公式为：2.5 6.07.51NIR RED NIR RED BLUE EVI ρρρρρ-=⨯+-+ NIR ρ、RED ρ和BLUE ρ分别代表近红外波段、红光波段和蓝光波段的反射率。
2.3 高光谱归一化植被指数（Hyp_NDVI ）对于环境与灾害监测预报小卫星高光谱载荷，选取中心波长分别位于近红外和红光的谱段进行归一化植被指数计算：_____Hyp NIR Hyp RED Hyp NDVI Hyp NIR Hyp RED-=+ 2.4 其他植被指数（1） 比值植被指数（Ratio Vegetation Index ——RVI ）NIR REDRVI ρρ= 该植被指数能够充分表现植被在红光和近红外波段反射率的差异，能增强植被与土壤背景之间的辐射差异。
但是RVI 对大气状况很敏感，而且当植被覆盖小于50%时，它的分辨能力显著下降。
（2） 差值植被指数（Difference Vegetation Index ——DVI ）NIR RED DVI ρρ=-该植被指数对土壤背景的变化极为敏感，有利于对植被生态环境的监测，因此又被称为环境植被指数（EVI ）。
（3） 土壤调整植被指数（Soil-Adjusted Vegetation Index ——SA VI ）(1)NIR RED NIR RED SAVI L Lρρρρ-=+++ 其中，L 是一个土壤调节系数，该系数与植被浓度有关，由实际区域条件确定，用来减小植被指数对不同土壤反射变化的敏感性。
地表反射率的计算
地表覆盖反射率的计算(6s软件的应用)9月23日首先在envi软件中打开已经处理好的真彩色影像（TM543波段），我的影像因为没有居中，所以首先进行了裁剪，让影像满幅居中再操作。
1、打开遥感影像，并裁减居中：先打开7个波段影像，，选中543，。
合成，，，在弹出的对话框中点，按住ctrl再选中这3项，点ok，命名为。
打开矢量边界，，，选中。
建立掩膜，，，，，，重命名为，点，形成掩膜文件。
再应用掩膜，选文件，点，选，，，重命名为，形成影像。
所以接下来对背景进行裁剪，，，选，，，选，，，，，重命名为，形成影像。
2、让#1和Scroll中的红方框大致居中，在#1中任意位置双击弹出“光标位置评估”，或者右键找出也可。
（可是我不太清楚调出这个的目的？）3、寻找我们应用的黄石市遥感影像中头文件为MTL.txt的文件，以写字板的形式打开，方便查看遥感影像的具体信息。
找到影像获取的时间即“DATE _ACQUIRED”，这个原始的影像获取时间才是我们需要的，不要被其他的信息误导。
因为6s识别不了具体的时分秒，所以我们需要将具体时间换算成小时，即此处的02:26:32应转换成2.43小时。
4、打开中的,我们在运行6s的一切操作，都是按着这个步骤来的，但是期间会出现一些专业术语的特定要求，所以我们需要打开另外的文件，书名如下：打开到35页，IGEOM，从对应上我们找到TM影像，即Landset对应的数字为7，接下来，我们运行6s软件。
打开中的，Geometrical conditions (几何条件)igeom [0-7]:7(因为IGEOM，从对应上我们找到TM影像，即Landset对应的数字为7);输好后只按一次enter键；4、接下来输入时间：月，日，小时，经度，纬度。
5、Atmospheric model（大气模型）idatm [0-8]: 2（中纬度夏季大气模式）6、Aerosol model(type)（气溶胶类型）iaer[0-12]:37、 Aerosol model (concentration)（气溶胶浓度）the visibility:16 (输入光学厚度)8、The altitude of target （目标的高度）xps: -0.02 (目标高度＝0.02km)9、The sensor altitude （传感器的高度）xpp: -1000 (传感器在卫星高度)10、The spectral conditions （波段状况）iwave[25-30]:27 （25即TM1,26即TM2，27即TM3，28即TM4，29即TM5,30即TM7。
地表反射率、温度、植被指数
地表反射率、温度、植被指数、几何精纠正和Landsat影像影像几何精纠正1.深入理解影像几何精纠正的原理2.学会使用影像对影像的几何精纠正方法和具体操作步骤1. 扫描地形图（宁夏中卫地区1:25万104811.img ）进行几何精纠正（包括投影参数、单位的调整将选定参考点保存）。
2. 利用纠正好的全色波段高分辨率影像完成同景多光谱影像的几何精纠正。
1. 扫描地形图（宁夏中卫地区1:25万104811.img ）进行几何精纠正（包括投影参数、单位的调整将选定参考点保存）。
2. 利用纠正好的全色波段高分辨率影像完成同景多光谱影像的几何精纠正Landsat影像数据下载、导入、目视解译与分析1．学会在美国NASA/USGS网上进行Landsat卫星影像的检索和下载，认识影像名编号意义。
2．初步掌握ENVI/IDL影像处理软件的使用方法，熟悉软件的用户界面、功能模块，掌握基本功能的使用。
复习遥感导论课程中的遥感影像目视解译环节，选择自己熟悉的地区，进行Landsat TM/ETM+影像的目视解译。
实习内容1、课前准备：根据自己感兴趣的地区，下载一景Landsat TM/ETM+影像。
2、将单波段分别添加在ENVI中（采用file| open image file工具，注意在添加波段数据时，热红外波段影像应另存为一个文件）3、利用Basic tools | layer stscking视窗选择多波段影像进行添加，在available中选择刚才添加的影像，选择RGB color分别选取4、3、2和7、4、2波段组合进行彩色合成，此时，可以再打开一个视窗（new display）观察地物的色调变化。
列表说明上述地物分别在两种波段组合下的颜色特征。
4、查询并记录影像文件的基本信息、投影信息，以及各个波段直方图信息。
5、将影像缩小、放大、漫游工具识别影像中的土地利用/土地覆盖类型，可能的土地利用/土地覆盖类型包括：(1) 耕地farmland(8) 公路/铁路road or railway(2) 草地grassland(9) 河流stream(3) 裸地barren land(10) 水库reservoir(4) 森林forest(11) 冰雪ice and snow(5) 城镇居民地town(12) 云cloud(6) 农村居民地village(13) 阴影shadow(7) 沙漠desert6、利用load RGB将图像显示，后用视窗中的光谱剖面工具，提取上述地物在不同波段的数值（Digital Number，DN）；要求针对影像中的6种地物至少各采集10个样本，取平均值，做光谱剖面图，分析不同地物的灰度值随波段变化的特点。
地表温度反演实验报告
地表温度反演实验报告地表温度反演实验报告引言•研究目的：探索地表温度反演的方法与效果•实验背景：地表温度是地球系统的重要参数，对环境、气候等具有重要意义•实验方法：采用XXX方法进行地表温度反演实验•实验结果：对比实验前后的地表温度数据，分析反演的准确性与可操作性实验步骤•步骤一：采集地表温度观测数据作为参考•步骤二：搜集反演算法与模型，选择合适的方法进行测试•步骤三：对实验数据进行预处理，提取特征与参数•步骤四：应用反演算法，进行地表温度反演•步骤五：与参考数据进行对比分析，评估反演结果的准确性与可靠性实验结果与分析•实验结果一：与参考数据相比，反演得到的地表温度相对误差在可接受范围内•实验结果二：某些地区的反演结果与实际情况存在较大差异，需要进一步优化算法或增加观测点密度•结果分析一：反演方法的准确性受地表特性、观测精度等因素的影响•结果分析二：反演结果可用于环境监测、气候研究等领域，具有一定的应用潜力结论与展望•结论一：本实验采用的反演方法在特定条件下可有效估算地表温度•结论二：反演结果对于环境、气候等研究具有一定的参考价值•展望：未来可以进一步改进反演算法，提高反演结果的可靠性；扩大实验区域与观测站点密度，提高实验的普适性与适用性以上是对”地表温度反演实验报告”的一份相关文章，通过使用Markdown格式，以标题和副标题的形式清晰地展示了实验过程、结果与分析，最后得出结论并提出了未来的展望。
引言地表温度（Surface Temperature, SST）是指地球表面的温度，对环境、气候变化等具有重要的影响。
准确地反演地表温度是遥感领域中的一个重要问题。
本实验旨在通过采用XXX方法进行地表温度反演实验，探索一种准确、可靠的反演方法，并评估其效果。
实验背景地表温度反演是通过遥感技术获取地表温度信息的过程。
地表温度不仅对气候变化的研究具有重要意义，还对农业、水资源管理、灾害监测等领域具有重要应用价值。
- 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)。
基本原理一)地表反射率是指地表物体向各个方向上反射的太阳总辐射通量与到达该物体表面上的总辐射通量之比。
反照率可以通过遥感成像提供的辐射亮度值L 或反照率p ，二向性反射率分布函数BRDF 来获得：地物反射率的光谱特征差异是从遥感影像中识别地表不同类型地物的基本依据，也是地表其他各种物理、生物物理参数反演的依据地表。
地表反射率的计算步骤：1、辐射定标：根据遥感影像DN 值计算到达传感器的各波段辐射亮度也就是将传感器记录的辐射量化值（Digital Number ，DN ）转换成绝对辐射亮度值、表观反射率，或者表观温度的过程。
绝对定标：通过各种标准辐射源，建立辐射亮度值与辐射量化值（DN ）之间的定量关系式中，辐射亮度值L 的常用单位为W/(m2.μm.sr)，或者μW/(cm2.nm.sr) 。
1W/(m2.μm.sr)=0.1 μW/(cm2.nm.sr)2、各波段表观反射率计算3、大气辐射校正（ENVI FLAASH/QUAC ）绝对大气辐射校正：消除大气辐射衰减效应，将遥感影像的DN 值转换为地表反射率、辐亮度、地表温度等的方法，此过程包含了辐射定标。
相对大气辐射校正：将遥感影像的DN 值转换为类似的整型数，同时消除大气辐射衰减效应。
FLAASH 是用数学建模辐射的物理行为，纠正波长在可见光至近红外和短波红外区域，最多3微米。
（对于热地区，使用基本工具>预处理>校准工具>热大气压校正菜单选项。
）不同于预先计算模拟结果的数据库内插辐射传输特性许多其他大气校正程序， FLAASH 采用了MODTRAN4辐射传输代码。
MODTRAN4并入ENVI FLAASH 的版本被修改，以校正在HITRAN -96水行参数的误差。
可以选择任何一种标准MODTRAN 大气模型和气溶胶类型，FLAASH 还包括以下功能：校正邻近效应（像素混合是由于表面反射辐射的散射） 计算场景的平均能见度（气溶胶/雾量）。
FLAASH 采用最先进的技术来处理特别强调的大气条件，比如云的存在。
()()(),,,,,,,,,i i v v i i v v i i v v dL R dE θφθφθφθφθφθφ=，采用MODIS 31、32波段数据准备Landsat TM/ETM+打开ENVI 析，通过有关工具（卫星影像元数据、● ()3132312331322231122T T B B B T T C εεεεεεεε+-⎫⎛⎫+++-+⎪ ⎪⎭⎝⎭=-PRODUCT_LINES_REF = 7301PRODUCT_SAMPLES_THM = 4191PRODUCT_LINES_THM = 3651●研究区海拔高度2571m●影像适用的MODTRAN气溶胶反演模式2.遥感影像辐射定标，获得Landsat TM/ETM+影像的辐亮度（可见光/近红外）和辐照度（热红外）通过地理信息添加影像加载数据file| open external file| Landsat |geo tiff of metadata，加载432假彩色合成组合方式显示，辐射定标操作：basic tools| preprocessing| calibration utilities| Landsat calibration，选择有六个波段的MTL.txt文件，加载1-5和7波段影像，点击ok。
设置参数，卫星传感器为Landsat 5 TM，影像获取的时间默认为2007年5月20日，太阳高度角为65.14，选择定标类型为radiance（辐射），点击ok，选择储存位置，命名与点击ok3.遥感影像数据格式转换，从BSQ转换为BIL格式加载辐射定标后的数据，basic tools→convert data(BSQ、BIL、BIP)，选择进行辐射定标后的影像，选择输出类型为BIL，convert in place选择NO，（选择NO表示重新储存为另外的文件，选择YES代表替换原BSQ文件），选择储存位置，命名与点击ok，加载变化后影像，在BIL影像上右击→edit header查看行列信息，发现samples为8381，lines为7301，因此中心行列号为4191、3651。
右击影像→pixel locator，输入4191、3651，点击apply，查看到显示Lat显示为36、3、24.73、Lon显示为102、59、44.90，这些就是中心坐标。
4.使用FLAASH进行大气辐射校正，得到可见光、近红外各个波段的地表反射率主菜单下spectral→FLAASH。
Input radiance image 加载BIL文件，弹出窗口，其中第一项为每个波段对应着不同的因子，第二个为每个波段对应相同的因子，选择第二个，因子输入10.0000；output reflectance file 选择保存位置，output directory FLAASH files选择辅助信息保存位置，rootname for FLAASH file选择辅助信息命名前缀。
Scene center location，影像中心定位我们首先查看影像，在BIL 上右击→edit header查看行列信息，发现samples为8381，lines为7301，因此中心行列号为4191、3651。
右击影像→pixel locator，输入4191、3651，点击apply，查看到lat显示36、3、24.73；Lon显示为102、59、44.90，这些就是中心坐标。
将这些信息输入Scene center location。
传感器选择，我们选择多光谱中的landsat TM5，平均海拔高度，因为查询得知，兰州地区的平均高程大概为2571m，因此这里我们输入2.571；时间我们通过头文件查看得知为2007年5月20日，3点38分36秒；大气模型我们选择sub-arctic summer，亚极地夏季，水汽含量默认为1；气溶胶模型选择rural 乡村模型。
然后点击Multispectral setting，select channel definitions 选择GUI，打开选项卡第二项，assign default values…选择overland retrieval standard（660:2100nm），之后下面亮相KT高值自动选择第七波段，KT低值自动选择第三波段，其他选项默认；advanced settings这里的选项都不需要改动，选择默认的即可。
点击apply。
查看生成结果5.使用波段计算工具（Band Math）进行地表温度计算打开原始影像的第六波段，观察影像信息，同样进行辐射定标，辐射定标操作：basic tools →preprocessing→calibration utilities→landsat calibration，选择一个波段的MTL.txt文件，加载6波段影像，点击ok。
设置参数，卫星传感器为landsat 5 TM，影像获取的时间为默认，时间为2007年5月20日，太阳高度角为65.14，定标类型选择radiance（辐射），点击edit calibration parameters，点击ok，选择储存位置，点击ok；使用栅格计算器进行温度反演，公式为T=k2/ln(k1/Lλ+1)，主菜单下basic tools→band math，输入1260.56/log(607.76/b6+1)-273.13，之后b6选择辐射定标之后的第六波段，选择储存位置，命名与保存。
6.使用波段计算工具（Band Math）进行NDVI计算，比较加入float函数与否对计算过程的影响：(b4-b3)/(b4+b3)fix((float(b4)-b3)/(b4+b3)*1000)fix((float(b4)-b3)/(float(b4)+b3)*1000)7.选取遥感影像中的5种典型地物，进行地表反射率、温度和植被指数的提取，给出统计表，对植被指数、地表温度反演结果进行合理性分析，说明误差的可能来源。
分别在地表反射率、温度、NDVI中选取五种地物，观察统计结果，以地表反射率为例。
打开影像，右击→ROI工具，ROI_type中选择polygon，选择一个地物，选择ROI。
选择结束之后，点击stats查看统计信息，并将统计导出信息保存结果与分析1、使用FLAASH进行大气辐射校正原始影像校正后影像通过大气纠正后的影像总体上比原始影像更加平滑与清晰、杂色较少，地物辨别比较容易，原始影像上山体（红色）上覆盖有深蓝色，经过校正后杂色消失了。
2、地表温度反演原始影像 反演后影像BasicStats Min Max Mean Stdev Band 10.00210.0097.2973.39原始影像与经过反演后地表温度影像目视效果差别较小，但是对其直方图数据进行对比则差异较大3、NDVI 计算(b4-b3)/(b4+b3)影像 fix((float(b4)-b3)/(b4+b3)*1000)影像 fix((float(b4)-b3)/(float(b4)+b3)*1000)影像(b4-b3)/(b4+b3)影像为全白，只有一个条带状的显示为灰色。
而剩余的2个则很好地表示出了NDVI ，但是fix((float(b4)-b3)/(float(b4)+b3)*1000)影像相比较能更加的清晰的显示细小的灰度值差异Basic Stats Min Max Mean Stdev Band 1-273.1351.79-78.38144.84原始影像 反演后影像4、五种地物的地表反射率随波段变化的折线图：⏹地表反射率：水库：水库水体的的反射主要在蓝绿波段，其他波段吸收都很强，且对所有波段都有较强的吸收，反射率都很低，在影像中呈现深蓝色；河流：水库水体反射折线跟水库相近，但在这六个波段反射率相比于水库水体都高，可能是由于水体的深度、水体中含泥沙程度等的不同，河流的颜色要比水库颜色要亮很多。
林地：可见波段四、五波段有两个反射峰，一二三波段为吸收波段。
这是由于叶绿素对蓝光和红光吸收作用强，而对绿光反射作用强。
在四波段之后之间反射率急剧上升，这是由于植被叶细胞的影响，除了吸收和透射的部分，形成高的反射率。
在中红外波段，受到绿色植物含水量的影响，吸收率大增，反射率下降村庄与农田：农田的反射率总体要比草地要高，但是走势大体一样，反射光谱曲线比较类似，可见波段，在一二三波段为吸收带，四波段有一个反射峰，对绿光反射作用强。
裸土：相对于其他地物，裸地的反射率在所有波段的反射率都很高，且随着波长增加反射率增大，在第五波段形成反射峰。
一般来讲土质越细反射率越高，有机质含量越高和含水量越高反射率越低。