《遥感图像处理》：曲靖市landsat8遥感影像植被覆盖度反演
Landsat8 TIRS 地表温度反演
热红外遥感（Infrared Remote Sensing）是指传感器工作波段限于红外波段范围之内的遥感。
即利用星载或机载传感器收集、记录地物的热红外信息，并利用这种热红外信息来识别地物和反演地表参数如温度、湿度和热惯量等。
目前有很多的卫星携带了热红外传感器，包括ASTER、AVHRR、MODIS、TM/ETM+/ TIRS等。
目前，地表温度反演算法主要有以下三种：大气校正法（也称为辐射传输方程：Radiative Transfer Equation——RTE）、单通道算法和分裂窗算法。
本实例是基于大气校正法，利用Landsat8 TIRS反演地表温度。
基本原理：首先估计大气对地表热辐射的影响, 然后把这部分大气影响从卫星传感器所观测到的热辐射总量中减去, 从而得到地表热辐射强度, 再把这一热辐射强度转化为相应的地表温度。
具体实现为：卫星传感器接收到的热红外辐射亮度值Lλ由三部分组成：大气向上辐射亮度L↑，地面的真实辐射亮度经过大气层之后到达卫星传感器的能量；大气向下辐射到达地面后反射的能量。
卫星传感器接收到的热红外辐射亮度值Lλ的表达式可写为（辐射传输方程）：Lλ = [εB(T S) + (1-ε)L↓]τ+ L↑（1.1）式中，ε为地表比辐射率，T S为地表真实温度(K)，B(T S)为黑体热辐射亮度，τ为大气在热红外波段的透过率。
则温度为T的黑体在热红外波段的辐射亮度B(T S)为：B(T S) = [Lλ - L↑- τ(1-ε)L↓]/τε（1.2）T s可以用普朗克公式的函数获取。
T S = K2/ln(K1/ B(T S)+ 1) （1.3）对于TM，K1 =607.76 W/(m2*µm*sr)，K2 =1260.56K。
对于ETM+，K1=666.09 W/(m2*µm*sr)，K2 =1282.71K。
对于TIRS Band10，K1= 774.89 W/(m2*µm*sr)，K2 = 1321.08K。
植被检测实验报告
摘要：本实验旨在通过实地调查和遥感技术相结合的方法，对某地区的植被类型、覆盖度和生长状况进行检测和分析。
实验采用样方法进行实地调查，并结合遥感图像处理技术对植被覆盖度进行估算。
通过对实验数据的分析，得出该地区植被类型丰富，覆盖度较高，生长状况良好的结论，并对植被与人类活动的关系进行了探讨。
关键词：植被检测；样方法；遥感技术；植被覆盖度；生长状况一、引言植被是地球上重要的自然生态系统，对维持地球生态平衡、调节气候、保护土壤、提供生物多样性等方面具有重要作用。
准确了解植被的类型、覆盖度和生长状况，对于生态保护和资源管理具有重要意义。
本实验通过实地调查和遥感技术相结合的方法，对某地区的植被进行检测和分析。
二、实验材料与方法1. 实验地点与时间：实验地点位于我国某地区，时间为2021年8月。
2. 实验材料：（1）实地调查工具：GPS定位仪、数码相机、卷尺、样方框等；（2）遥感数据：某地区2021年7月Landsat 8遥感影像。
3. 实验方法：（1）实地调查：采用样方法进行实地调查，设置100个样方，每个样方面积为10m×10m。
在样方内，记录植被类型、覆盖度和生长状况等数据。
（2）遥感数据处理：利用遥感图像处理软件对Landsat 8遥感影像进行预处理，包括辐射校正、几何校正等。
然后，采用监督分类方法对遥感影像进行植被分类，得到植被覆盖度图。
三、实验结果与分析1. 植被类型：通过实地调查和遥感分类，共识别出6种植被类型，分别为乔木、灌木、草本、水生植物、农作物和裸地。
2. 植被覆盖度：根据实地调查和遥感估算，该地区植被覆盖度为85%，其中乔木覆盖度为45%，灌木覆盖度为20%，草本覆盖度为20%。
3. 植被生长状况：通过对植被生长状况的观察和数据分析，得出以下结论：（1）乔木生长状况良好，树冠茂密，树干粗壮；（2）灌木生长状况一般，部分灌木生长不良，存在病虫害现象；（3）草本生长状况较好，种类丰富，分布均匀；（4）农作物生长状况良好，长势旺盛。
Landsat陆地卫星遥感影像数据介绍
Landsat陆地卫星遥感影像数据简介“地球资源技术卫星”计划最早始于1967年，美国国家航空与航天局（NASA）受早期气象卫星和载人宇宙飞船所提供的地球资源观测的鼓舞，开始在理论上进行地球资源技术卫星系列的可行性研究。
1972年7月23日，第一颗陆地卫星（Landsat_1）成功发射，后来发射的这一系列卫星都带有陆地卫星（Landsat）的名称。
到1999年，共成功发射了六颗陆地卫星，它们分别命名为陆地卫星1到陆地卫星5以及陆地卫星7，其中陆地卫星6的发射失败了。
Landsat陆地卫星系列遥感影像数据覆盖范围为北纬83o到南纬83o之间的所有陆地区域，数据更新周期为16天（Landsat 1~3的周期为18天），空间分辨率为30米（RBV和MSS传感器的空间分辨率为80米）。
目前，中国区域内的Landsat陆地卫星系列遥感影像数据（见图1）可以通过中国科学院计算机网络信息中心国际科学数据服务平台免费获得（）。
Landsat 陆地卫星在波段的设计上，充分考虑了水、植物、土壤、岩石等不同地物在波段反射率敏感度上的差异，从而有效地扩充了遥感影像数据的应用范围。
在基于Landsat遥感影像数据的一系列应用中，计算植被指数和针对Landsat ETM off影像的条带修复为最常用同时也是最为基础的两个应用。
因此，中国科学院计算机网络信息中心基于国际科学数据服务平台，提供了1）基于Landsat 数据的多种植被指数提取。
2）对Landsat ETM SLC-off影像数据的条带修复。
图1 Landsat 遥感影像中国区示意图数据特征（1）数据基本特征Landsat陆地卫星包含了五种类型的传感器，分别是反束光摄像机（RBV），多光谱扫描仪（MSS），专题成像仪（TM），增强专题成像仪（ETM）以及增强专题成像仪+（ETM+），各传感器拍摄影像的基本特征如下：（2）数据主要参数Landsat陆地卫星携带的传感器，在南北向的扫描范围大约为179km，东西向的扫描范围大约为183km，数据输出格式是GeoTIFF，采取三次卷积的取样方式，地图投影为UTM-WGS84南极洲极地投影。
landsat8植被提取步骤
landsat8植被提取步骤
Landsat8植被提取步骤如下：
打开Landsat8影像。
进行辐射定标，将影像的DN值转换为辐射亮度值。
进行大气校正，消除大气对影像的影响。
进行几何校正，将影像校正到统一的地理坐标系中。
进行投影转换，将影像转换为所需的投影方式。
进行图像裁剪与镶嵌，将感兴趣区域裁剪出来并进行拼接。
提取NDVI，利用NDVI公式计算每个像素的NDVI值。
估算植被覆盖度，根据NDVI值和阈值进行分类，提取出植被覆盖区域。
进行精度验证，评估提取结果的精度和可靠性。
以上步骤仅供参考，具体操作可能因软件和需求而有所不同。
使用遥感图像进行植被覆盖度测量的方法
使用遥感图像进行植被覆盖度测量的方法植被覆盖度是评估地表生态系统的重要指标之一，可以帮助我们了解植被分布、生长状况以及生态环境的变化。
通过遥感技术，我们可以借助航天器、无人机等高空平台获取的图像数据，来进行植被覆盖度的测量与分析。
本文将介绍一些使用遥感图像进行植被覆盖度测量的方法及其应用。
一、光谱指数法光谱指数法是使用遥感图像中的光谱信息来推断植被覆盖度的一种方法。
光谱指数是根据植被对不同波段的反射特性而计算得出的。
其中，植被指数（Vegetation Index，VI）是光谱指数法中最常用的一种指数计算方法。
常见的植被指数包括归一化植被指数（Normalized Difference Vegetation Index，NDVI）、简化型植被指数（Simple Ratio Index，SR）等。
在使用光谱指数法进行植被覆盖度测量时，首先需要根据遥感图像计算出相应的植被指数值。
然后，通过与实地采样数据进行对比，建立植被指数与植被覆盖度之间的关系模型，从而推算出植被覆盖度。
这种方法具有简单、快速、非破坏性的优点，并能够进行大范围的植被分布调查，因此被广泛应用于植被覆盖度的监测与评估。
二、面向对象的分类方法面向对象的分类方法是利用遥感图像中的纹理、形状、空间分布等特征，将图像中的像素分成不同的类别，并将每个类别与相应的植被覆盖度关联起来的方法。
通过这种方法，我们可以得到植被覆盖度变化的空间分布图，并进一步进行植被生态系统调查和分析。
面向对象的分类方法需要先进行图像分类，将图像中的不同景物、地物分割成不同的对象。
然后，根据所建立的训练样本库，将这些对象分类为与植被覆盖度相关的类别。
最后，通过对每个类别中的对象进行统计，得到相应的植被覆盖度。
三、机器学习方法机器学习方法是一种将遥感图像与实地采样数据进行关联的高级技术。
通过训练模型，机器学习方法可以从遥感图像中学习到特定的植被覆盖度信息，并将其应用于未知区域的植被覆盖度估计。
实验课1-定量遥感--植被覆盖度反演
说明文档中会注明是经过辐射校正的，其实这个辐射校正指的是粗的辐射校
正，只是做了系统大气校正，就跟系统几何校正的意义是一样的。
实验一 植被覆盖度的遥感反演
(二) 植被覆盖度的计算 1、计算NDVI 2、确定NDVIv和NDVI0值
在 Availabel Bands List 窗口中右键点击NDVI 数据，在弹 出的右键菜单中选择 Quick Stats，对NDVI 数据进行统计分析，
方法二：(两种方法都要做)
（1）主菜单Basic Tools > Band Math，在波段运算 窗口输入植被覆盖度计算公式：
(b1-NDVI0)/(NDVIv- NDVI0) ，将变量 b1 赋给 NDVI 。
计算得到初步结果，但是并没有完成整个工作。因为 该结果中有 5% 像元的 NDVI 值小于 NDVI0 ，这部分像元的 植被覆盖度计算结果为负值，需要通过掩膜操作将这部 分像元的植被覆盖度值修改为0；同样需要将5%NDVI值大 于0.425 的像元植被覆盖度值修改为1。
• • • 当NDVI小于NDVI0 ， fv取值为0； NDVI大于NDVIv ， fv取值为1； 介于两者之间的像元使用公式（1）计算。
利用ENVI主菜单->Basic Tools->Band Math，在公式 输入栏中输入进行计算.
请回顾ENVI中公式的写法
实验一 植被覆盖度的遥感反演
◦ 3、计算植被覆盖度
实验一 植被覆盖度的遥感反演
（3）然后类似操作将NDVI 值大于0.425 的像元植被覆盖 度值修改为1，设为1。 最终得到一个单波段的植被覆盖度图像文件，其像元值表 示这个像元内的平均植被覆盖度。 （4）对上述求取的植被覆盖度进行假彩色密度分割。
(完整)landsat 遥感影像地表温度反演教程(大气校正法)
基于辐射传输方程的Landsat数据地表温度反演教程一、数据准备Landsa 8遥感影像数据一景，本教程以重庆市2015年7月26日的=行列号为（128，049）影像（LC81280402016208LGN00）为例。
同时需提前查询影像的基本信息（详见下表）标识日期采集时间中心经度中心纬度LC81280402016208LGN002016/7/263:26:56106.1128830.30647…………………………注：基本信息在影像头文件中均可查询到，采集时间为格林尼治时间。
二、地表温度反演的总体流程三、具体步骤1、辐射定标地表温度反演主要包括两部分，一是对热红外数据，二是多光谱数据进行辐射定标。
（1）热红外数据辐射定标选择Radiometric Correction/Radiometric Calibration 。
在File Selection 对话框中，选择数据LC81230322013132LGN02_MTL_Thermal ，单击Spectral Subset 选择Thermal Infrared1（10.9），打开Radiometric Calibration 面板。
（2）多光谱数据辐射定标选择要校正的多光谱数据“LC81230322013132LGN02_MTL_MultiSpectral ”进行辐射定标。
因为后续需要对多光谱数据进行大气校正，可直接单击Apply Flaash Settings ，如下图。
2、大气校正本教程选择Flaash 校正法。
FLAASH Atmospheric Correction ，双击此工具，打开辐射定标的数据，进行相关的参数设置进行大气校正。
注意：如果在多光谱数据辐射定标时Scale factor 值忘记设置，可在本步骤中打开辐射定标数时设置single scale faceor 值为0.1，若已设置，则默认值为1即可。
1) Input Radiance Image ：打开辐射定标结果数据；2) 设置输出反射率的路径，由于定标时候；3) 设置输出FLAASH 校正文件的路径，最优状态：路径所在磁盘空间足够大；4) 中心点经纬度Scene Center Location ：自动获取；5) 选择传感器类型：Landsat-8 OLI ；其对应的传感器高度以及影像数据的分辨率自动读取；6) 设置研究区域的地面高程数据；7) 影像生成时的飞行过境时间：在layer manager 中的Lc8数据图层右键选择View Metadata ，浏览time 字段获取成像时间；注：也可以从元文件“LC81230322013132LGN02_MTL.txt ”中找到，具体名称：DATE_ACQUIRED = 2013-05-12；SCENE_CENTER_TIME =02:55:26.6336980Z ；8) 大气模型参数选择：Sub-Arctic Summer （根据成像时间和纬度信息选择）；9) 气溶胶模型Aerosol Model ：Urban ，气溶胶反演方法Aerosol Retrieval ：2-band （K-T ）；10)其他参数按照默认设置即可。
基于Landsat 8数据反演地表发射率的几种不同算法对比分析
收稿日期：２０１８－０７－０８ 责任编辑：李克永基金项目：国家自然科学基金（４１４７１４５２）；中央高校基本科研业务资助项目（３００１０２２６９２０１，３００１０２２９９２０６）通信作者：王丽霞（１９７９－），女，山西大同人，博士，副教授，Ｅ ｍａｉｌ：ｚｙｌｘｗａｎｇ＠ｃｈｄ．ｅｄｕ．ｃｎ第３９卷 第２期２０１９年３月西安科技大学学报ＪＯＵＲＮＡＬＯＦＸＩ’ＡＮＵＮＩＶＥＲＳＩＴＹＯＦＳＣＩＥＮＣＥＡＮＤＴＥＣＨＮＯＬＯＧＹＶｏｌ．３９ Ｎｏ ２Ｍａｒ ２０１９基于Ｌａｎｄｓａｔ８数据反演地表发射率的几种不同算法对比分析王丽霞１，２，孙津花３，刘 招４，张双成１，杨 耘１（１．长安大学地质工程与测绘学院，陕西西安７１００５４；２．国土资源部退化及未利用土地整治工程重点实验室，陕西西安７１００７５；３．长安大学地球科学与资源学院，陕西西安７１００５４；４．长安大学环境科学与工程学院，陕西西安７１００５４）摘 要：为了分析研究不同地表发射率反演算法的精度和适用性，文中选取西安市的遥感影像Ｌａｎｄｓａｔ８为基础数据，运用ＥＮＶＩ，ＡｒｃＧＩＳ等软件，首先对Ｌａｎｄｓａｔ８数据进行预处理，提取西安市的ＮＤＶＩ影像；然后，建立决策树模型得到西安市地表分类影像，并基于像元二分模型反演得到植被覆盖度，基于ＮＤＶＩ得到４种不同算法的地表发射率；最后，以精度０．０１的ＭＯＤＩＳＬＳＥ产品为标准数据，从像元尺度上对比分析了４种算法的精度，并依据回归决策树方法的分类结果，对比分析了不同算法在各类地表覆盖类型上的发射率反演差异。
结果表明：在像元尺度上，植被指数混合模型法与ＮＤＶＩＴＥＭ改进算法精度较高且较为接近；从不同下垫面的反演差异来看，在植被区域４种算法之间的差异较小，而对于水体区域，４种算法之间的差异较大；从反演方法的适用性而言，植被指数混合模型法与ＮＤＶＩＴＥＭ改进算法较为适合本研究区。
关键词：地表发射率；遥感反演；归一化植被指数；Ｌａｎｄｓａｔ８数据中图分类号：Ｐ２３７ 文献标志码：ＡＤＯＩ：１０．１３８００／ｊ．ｃｎｋｉ．ｘａｋｊｄｘｘｂ．２０１９．０２２０ 文章编号：１６７２－９３１５（２０１９）０２－０３２７－０７ＣｏｍｐａｒｉｓｏｎｏｆｓｅｖｅｒａｌｄｉｆｆｅｒｅｎｔａｌｇｏｒｉｔｈｍｓｔｏｒｅｔｒｉｅｖｅｌａｎｄｓｕｒｆａｃｅｅｍｉｓｓｉｖｉｔｙｕｓｉｎｇＬａｎｄｓａｔ８ｄａｔａＷＡＮＧＬｉ ｘｉａ１，２，ＳＵＮＪｉｎ ｈｕａ３，ＬＩＵＺｈａｏ４，ＺＨＡＮＧＳｈｕａｎｇ ｃｈｅｎｇ１，ＹＡＮＧＹｕｎ１（１．ＳｃｈｏｏｌｏｆＧｅｏｌｏｇｙＥｎｇｉｎｅｅｒｉｎｇａｎｄＳｕｒｖｅｙｉｎｇ，Ｃｈａｎｇ’ａｎＵｎｉｖｅｒｓｉｔｙ，Ｘｉ’ａｎ７１００５４，Ｃｈｉｎａ；２．ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＤｅｇｒａｄｅｄａｎｄＵｎｕｓｅｄＬａｎｄＣｏｎｓｏｌｉｄａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＴｈｅＭｉｎｉｓｔｒｙｏｆＬａｎｄａｎｄＲｅｓｏｕｒｃｅ，Ｘｉ’ａｎ７１００７５，Ｃｈｉｎａ；３．ＳｃｈｏｏｌｏｆＥａｒｔｈＳｃｉｅｎｃｅａｎｄＲｅｓｏｕｒｃｅｓ，Ｃｈａｎｇ’ａｎＵｎｉｖｅｒｓｉｔｙ，Ｘｉ’ａｎ７１００５４，Ｃｈｉｎａ；４．ＳｃｈｏｏｌｏｆＥｎｖｉｒｏｎｍｅｎｔａｌＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，Ｃｈａｎｇ’ａｎＵｎｉｖｅｒｓｉｔｙ，Ｘｉ’ａｎ７１００５４，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｉｎｏｒｄｅｒｔｏａｎａｌｙｚｅｔｈｅａｃｃｕｒａｃｙａｎｄａｐｐｌｉｃａｂｉｌｉｔｙｏｆｄｉｆｆｅｒｅｎｔｓｕｒｆａｃｅｅｍｉｓｓｉｖｉｔｙｉｎｖｅｒｓｉｏｎａｌ ｇｏｒｉｔｈｍｓ，ｔｈｅＬａｎｄｓａｔ８ｄａｔａｏｆｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｒｙｉｎＸｉ’ａｎｗａｓｓｅｌｅｃｔｅｄ，ａｎｄｓｏｆｔｗａｒｅｓｕｃｈａｓＥＮ ＶＩａｎｄＡｒｃＧＩＳｗａｓｕｓｅｄ．Ｆｉｒｓｔ，ｔｈｅＬａｎｄｓａｔ８ｄａｔａｉｓｐｒｅｐｒｏｃｅｓｓｅｄｔｏｅｘｔｒａｃｔＮＤＶＩｉｍａｇｅｓｆｒｏｍＸｉ’ａｎ．Ｔｈｅｎ，ｔｈｅｄｅｃｉｓｉｏｎｔｒｅｅｍｏｄｅｌｉｓｅｓｔａｂｌｉｓｈｅｄｔｏｏｂｔａｉｎｔｈｅｓｕｒｆａｃｅｃｌａｓｓｉｆｉｃａｔｉｏｎｉｍａｇｅｏｆｔｈｅｃｉｔｙ，ｔｈｅｖｅｇ ｅｔａｔｉｏｎｃｏｖｅｒａｇｅｉｓｏｂｔａｉｎｅｄｂａｓｅｄｏｎｔｈｅｉｎｖｅｒｓｉｏｎｏｆｔｈｅｐｉｘｅｌｂｉｎａｒｙｍｏｄｅｌ，ａｎｄｔｈｅｓｕｒｆａｃｅｅｍｉｓｓｉｖｉｔｙｏｆｆｏｕｒｄｉｆｆｅｒｅｎｔａｌｇｏｒｉｔｈｍｓｉｓｏｂｔａｉｎｅｄｂａｓｅｄｏｎＮＤＶＩ．Ｆｉｎａｌｌｙ，ｗｉｔｈｔｈｅａｃｃｕｒａｃｙｏｆ０．０１ＭＯＤＩＳＬＳＥｐｒｏｄｕｃｔｓａｓｔｈｅｓｔａｎｄａｒｄｄａｔａ，ｔｈｅａｃｃｕｒａｃｙｏｆｔｈｅｆｏｕｒａｌｇｏｒｉｔｈｍｓｉｓｃｏｍｐａｒｅｄａｎｄａｎａｌｙｚｅｄｆｒｏｍｔｈｅｐｉｘ ｅｌｓｃａｌｅ，ａｎｄｂａｓｅｄｏｎｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓｏｆｔｈｅｒｅｇｒｅｓｓｉｏｎｄｅｃｉｓｉｏｎｔｒｅｅｍｅｔｈｏｄ，ｔｈｅｄｉｆｆｅｒｅｎｃｅｓｏｆｅｍｉｓｓｉｖｉｔｙｉｎｖｅｒｓｉｏｎｏｆｄｉｆｆｅｒｅｎｔａｌｇｏｒｉｔｈｍｓｏｎｄｉｆｆｅｒｅｎｔｔｙｐｅｓｏｆｓｕｒｆａｃｅｃｏｖｅｒａｇｅａｒｅｃｏｍｐａｒｅｄａｎｄａｎａ©博看网 . All Rights Reserved.ｌｙｚｅｄ．ＴｈｅｒｅｓｕｌｔｓｉｎｄｉｃａｔｅｔｈａｔｔｈｅｖｅｇｅｔａｔｉｏｎｉｎｄｅｘｈｙｂｒｉｄｍｏｄｅｌｍｅｔｈｏｄａｎｄｔｈｅＮＤＶＩＴＥＭｉｍｐｒｏｖｅｄａｌ ｇｏｒｉｔｈｍａｒｅｍｏｒｅａｃｃｕｒａｔｅａｎｄｃｌｏｓｅｔｏｅａｃｈｏｔｈｅｒｏｎｔｈｅｐｉｘｅｌｓｃａｌｅ．Ｆｒｏｍｔｈｅｉｎｖｅｒｓｉｏｎｄｉｆｆｅｒｅｎｃｅｏｆｄｉｆ ｆｅｒｅｎｔｕｎｄｅｒｌｙｉｎｇｓｕｒｆａｃｅｓ，ｔｈｅｄｉｆｆｅｒｅｎｃｅｂｅｔｗｅｅｎｔｈｅｆｏｕｒａｌｇｏｒｉｔｈｍｓｉｎｔｈｅｖｅｇｅｔａｔｉｏｎｒｅｇｉｏｎｉｓｓｍａｌｌ．Ｆｏｒｔｈｅｗａｔｅｒｂｏｄｙｒｅｇｉｏｎ，ｔｈｅｄｉｆｆｅｒｅｎｃｅｂｅｔｗｅｅｎｔｈｅｆｏｕｒａｌｇｏｒｉｔｈｍｓｉｓｇｒｅａｔ；ｆｒｏｍｔｈｅａｐｐｌｉｃａｂｉｌｉｔｙｏｆｔｈｅｉｎｖｅｒｓｉｏｎｍｅｔｈｏｄ，ｔｈｅｖｅｇｅｔａｔｉｏｎｉｎｄｅｘｈｙｂｒｉｄｍｏｄｅｌｍｅｔｈｏｄａｎｄｔｈｅＮＤＶＩＴＥＭｉｍｐｒｏｖｅｄａｌｇｏｒｉｔｈｍａｒｅｍｏｒｅｓｕｉｔａｂｌｅｆｏｒｔｈｅｓｔｕｄｙａｒｅａ．Ｋｅｙｗｏｒｄｓ：ｓｕｒｆａｃｅｅｍｉｓｓｉｖｉｔｙ；ｒｅｍｏｔｅｓｅｎｓｉｎｇｉｎｖｅｒｓｉｏｎ；ｎｏｒｍａｌｉｚｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ；Ｌａｎｄｓａｔ８ｄａｔａ０ 引 言地表发射率是遥感数据获取陆面温度中的一个关键参数，它与地表组成成分、地表粗糙度、含水量等因素有关，普遍应用于辐射传输过程和地气系统的能量平衡［１］。
基于Landsat影像的NDVI与RVI反演结果实验与分析
宝成铁路 成绵高速 旌阳区界 绵远河 一环路
0 3 6 km
c 2014 年 NDVI
2018-04-02
N
图例 6.12 0.97
宝成铁路 成绵高速 旌阳区界 绵远河 一环路
0 3 6 km
d 2014 年 RVI
图例
0.68 0.00
宝成铁路 成绵高速 旌阳区界 绵远河 一环路
0 3 6 km
e 2018 年 NDVI
扇形平原，海拔高程为 468 ～ 561 m。旌阳区属常绿阔 叶林植被带，植被多为天然次生林和人工林，森林覆 盖率约为 20 %。研究区地理位置如图 1 所示，遥感影 像来源于德阳市 2018 年 OLI 影像的 432 波段合成。
N 剖面
2018年4月3日 波段组合432
图例 绵远河 一环路 旌阳区界 宝成铁路 成绵高速
RVI 能充分刻画植被在近红外波段和红光波段反 射率的差异，还可增强植被与土壤背景之间的辐射差 异，是植被长势和丰度估算的主要手段之一；但其对 大气状况反应很敏感，当植被覆盖度小于 50 % 时分辨 能力下降显著。算法模型公式为：
RVI = NIR / R
（2）
式中，NIR 为近红外波段（TM 为Band4，OLI 为Band5）； R 为红光波段（TM 为 Band3，OLI 为 Band4）。
landsat8dvi的值域
Landsat 8 DVI的值域引言L a nd sa t8是一颗在轨遥感卫星，由美国国家航空航天局（NA S A）和美国地质调查局（US G S）联合运营。
L an d sa t8有很多影像产品，其中包括D VI（差值植被指数）图像。
本文旨在讨论La nd sa t8DV I的值域，以帮助读者更好地理解和应用该指数。
什么是差值植被指数（D V I）差值植被指数（D VI）是一种使用遥感数据来评估植被覆盖度的指标。
它基于红光波段（R）和近红外波段（NI R）之间的差异，计算公式如下：D V I=NI R-R其中，N IR表示近红外波段的反射值，R表示红光波段的反射值。
DV I的意义和应用D V I可以提供关于植被覆盖度和植被生长情况的信息。
通过分析D VI图像，我们可以了解植被在农业、森林、环境和城市规划等领域的分布和变化情况。
以下是DV I在不同领域的主要应用：农业D V I可以用于农作物的监测和评估。
通过分析DV I图像，可以确定农田中的植被覆盖度、生长状况和植物营养状况，帮助农民进行农作物生产管理和精确施肥。
此外，DV I还可以用于检测病虫害、干旱和水分胁迫等问题。
森林学D V I在森林学研究中也发挥着重要作用。
通过DV I图像可以估计森林的生长状况、植被类型和植被覆盖度。
这对于森林资源管理和保护具有重要意义。
此外，D VI还可以用于检测森林火灾、病虫害和人为破坏等问题。
环境监测D V I对于环境监测和土地利用规划也有很大帮助。
通过分析D VI图像，我们可以评估城市绿化程度、湿地面积和土地退化情况。
这些信息能够指导城市规划和环境保护工作，为改善城市生活质量和可持续发展提供参考。
地质勘探D V I还可用于地质勘探。
通过分析DV I图像，可以探测地下水资源、矿产资源和地质构造等信息，为资源开发和地质灾害预警提供支持。
L a n d s at 8 DV I的值域范围L a nd sa t8DVI的值域范围是由遥感数据的反射值决定的。
植被覆盖地表土壤水分遥感反演
植被覆盖地表土壤水分遥感反演一、概述植被覆盖地表土壤水分遥感反演是当前遥感科学与农业科学交叉领域的重要研究方向。
随着遥感技术的不断进步，利用遥感手段对植被覆盖地表下的土壤水分进行反演，已经成为监测土壤水分动态变化的有效手段。
本文旨在深入探讨植被覆盖地表土壤水分遥感反演的基本原理、方法进展及实际应用，以期为相关领域的研究和实践提供有益的参考。
植被覆盖地表土壤水分遥感反演的基本原理在于，通过遥感传感器获取地表植被和土壤的综合信息，进而利用特定的反演算法提取出土壤水分含量。
这一过程中，植被覆盖对遥感信号的影响不可忽视，如何有效去除植被覆盖的影响，成为植被覆盖地表土壤水分遥感反演的关键问题。
在方法进展方面，近年来国内外学者提出了多种植被覆盖地表土壤水分遥感反演方法，包括基于植被指数的反演方法、基于热惯量的反演方法、基于微波遥感的反演方法等。
这些方法各有特点，适用于不同的研究区域和植被类型。
随着深度学习等人工智能技术的快速发展，其在植被覆盖地表土壤水分遥感反演中的应用也逐渐受到关注。
在实际应用方面，植被覆盖地表土壤水分遥感反演在农业、生态、环境等领域具有广泛的应用前景。
通过实时监测土壤水分状况，可以为农业生产提供科学的灌溉指导，提高水资源的利用效率也可以为生态环境监测和评估提供重要的数据支持，有助于维护生态平衡和可持续发展。
植被覆盖地表土壤水分遥感反演是一项具有重要意义的研究工作。
随着遥感技术的不断进步和反演算法的不断优化，相信这一领域的研究将会取得更加丰硕的成果。
1. 背景介绍：植被覆盖地表土壤水分的重要性及其在农业、生态和环境监测中的应用。
植被覆盖地表的土壤水分是地球水循环的重要组成部分，它直接影响着植被的生长和生态系统的平衡。
在农业领域，土壤水分是作物生长的关键因素之一，其含量和分布直接影响着作物的产量和品质。
准确获取植被覆盖地表的土壤水分信息，对于指导农业生产、优化水资源管理具有重要意义。
在生态方面，土壤水分与植被覆盖度之间存在着密切的相互作用关系。
基于Landsat8_数据的地表温度反演分析研究——以南宁市城区为例＊
DOI ：10.15913/ki.kjycx.2024.07.005基于Landsat8数据的地表温度反演分析研究——以南宁市城区为例＊苏相琴1，张 迅2，黄禧亮1，潘泳羽3（1.广西开放大学（广西信息职业技术学院），广西 南宁 530022；2.广西壮族自治区自然资源遥感院，广西 南宁 530000；3.广西壮族自治区环境保护科学研究院，广西 南宁 530000）摘 要：地表温度是评估城市热环境的重要指标之一，能够反映城市热岛效应的程度和空间分布。
以南宁市城区为研究对象，利用Landsat8卫星遥感数据，通过热红外辐射到同温黑体辐射定标，从而获得城市地表温度分布图，快速分析南宁市的地表温度差异。
结合南宁市城区的不同土地利用覆被结果，通过横向对比分析，揭示出南宁市各城区地表温度的分布特点，评估城市热岛效应的程度，为城市热环境研究和城市规划提供重要参考。
关键词：Landsat8遥感影像；NDVI ；DEM ；地表温度中图分类号：TP79 文献标志码：A 文章编号：2095-6835（2024）07-0021-04——————————————————————————＊［基金项目］2021年度广西高校中青年教师科研基础能力提升项目“基于RSEI 模型的生态环境质量动态监测与评估研究”（编号：2021KY1922）城镇化的推进引发了越来越多的生态问题，例如大气污染、水源污染、能源污染等，特别是城市气候特征中的“热岛效应”，逐渐受到人们的广泛关注。
地表温度（LST ）是衡量地球表面自然生态环境的重要物理指标[1]，是地球系统水量和能量平衡的重要因素，在全球气候变化、监测和灾害预防、天气预报、城市建设等领域有着重大意义[2-4]。
因此，获取精确的地表温度对于城市建设和生态保护都有极其重要的意义。
随着科学技术的快速发展，遥感数据在地表温度反演中的应用变得越来越普遍，热红外波段也是进行地表温度反演的重要研究对象[5]。
基于landsat8数据的植被覆盖度遥感估算
基于ｌａｎｄｓａｔ８数据的植被覆盖度遥感估算许宏健１，郎博宇１，张 雪１，李鹏伟２（１．黑龙江省自然资源权益调查监测院，哈尔滨１５００００；２．黑龙江省农垦科学院） 摘要：植被覆盖度是反映生态环境状况和地表植被状况的重要指标之一。
利用２０１９年９月双城区ｌａｎｄｓａｔ８ＯＬＩ影像，经辐射定标和大气校正处理，计算双城区归一化植被指数，采用基于犖犇犞犐和像元分解模型的方法对双城区植被覆盖度空间分布信息进行遥感估算，最后将植被覆盖度进行分级，并与双城区植被覆盖野外实地调查情况进行定性比较分析，对利用遥感技术进行县域尺度生态状况监测具有参考和借鉴意义。
关键词：植被覆盖度；像元分解模型；犖犇犞犐０ 引言植被覆盖度是指植被（包括叶、茎、枝）在地面的垂直投影面积占统计区总面积的百分比，是刻画地表植被覆盖的一个重要参数，也是指示生态环境变化的重要指标之一。
目前，计算植被覆盖度可分为地面测量和遥感估算两种方法，每种方法适用的不同尺度，地面测量常用于田间尺度，遥感估算常用于区域尺度。
由于遥感具有大面积同步观测，时效性强、周期性短、获取信息速度快等优势，利用卫星遥感技术能动态反映区域植被覆盖度的变化，能够为林业、草原、湿地资源调查监测等提供基础数据，为草原、湿地、林业资源管理和生态修复提供科学决策依据。
１ 研究区概况双城区地处我国东北黑土区中部，北隔松花江与肇源、肇东两市相望，东北靠哈尔滨市，东南与阿城区，五常市接壤，南、西以拉林河为界，与吉林省榆树、扶余市为邻，是黑龙江省的南大门。
地理座标为北纬４５°０８′～４５°４３′，东经１２５°４１′～１２６°４２′。
双城区位于松嫩平原腹地，境内地势平坦，土壤类型主要以黑土、黑钙土、草甸土为主，其中黑土面积占５０％以上，土壤比较肥沃，土壤有机质平均为２．７４％，是以玉米为主栽作物的杂粮产区和种养协调发展的平原农区。
收稿日期：２０２０ ０５ １９欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁织纪律，形成促进乡村发展的良好政治风气，为实现乡村振兴筑牢组织基础，确保乡村社会充满活力、和谐有序。
Landsat8遥感数据蚀变提取在浅覆盖区填图中的应用
$!引言 内蒙古翁牛特旗浅覆盖区位于华北板块北缘'
大兴安岭成矿带的南段!为少郎河铅锌矿集区的重 要组成部分&研究区第四系覆盖严重!为荒漠草原 浅覆盖区!是特殊地貌区的一种,#-&
图%!研究区区域地质图%$
"Y!:#糜棱岩化流纹岩夹糜棱岩化英安岩'绢云长英 质糜棱岩'绿 泥 长 英 质 糜 棱 岩!中 二 叠 统 额 里 图 组 "/!;#紫红色安山岩'安山质角砾凝灰岩!下白垩统 白 音 高 老 组 "k#:#'义 县 组 "k#9#'九 佛 堂 组 "k#<=#!第四 系 风 成 黄 土'风 成 砂'湖 积 物'冲 洪 积 物等!基岩被第四系严重覆盖!出露的基岩多呈孤岛 状$岩浆岩主要为晚三叠世花岗闪长岩&构造主要 发育近东西向'北东向'北西向断裂以及八当山组内 褶皱轴近北东东向的中常+宽缓直立褶皱&
"8#研究区地质简图$"N#羟基蚀变提取结果$";#铁染蚀变提取结果
(!结论
图&!研究区区域地质简图及遥感蚀变提取结果
更高!与成矿信息直接相关&
"##在分析覆盖物的成因以及沉积物类型基础
上!剔除浅覆盖区内与成矿信息无关的覆盖物覆盖 参考文献
的区域!保留残坡积物等保存原地或近原地成矿信 息的沉积物覆盖区域&
!%
崔玉良等567896:#遥感数据蚀变提取在浅覆盖区填图中的应用 第#1卷!第!期
基于Landsat数据的地表温度反演差异及参数分析
基于Landsat数据的地表温度反演差异及参数分析
万继康;沈哲辉;李珊
【期刊名称】《红外与毫米波学报》
【年(卷),期】2024(43)2
【摘要】只有基于准确的地表温度反演算法计算出的产品数据,才能正确推广使用。
研究基于Landsat-8、Landsat-9和气象站数据,对比了5种常用地表温度反演算
法的结果,并对不同算法的反演结果和参数灵敏度进行了测试。
结果表明:基于地表
比辐射率参数计算的辐射传输方程和单通道算法反演结果与地面实测数据吻合较好。
基于大气水汽参数计算的单窗算法和劈窗算法的反演结果均高于实测温度。
基于平均温度参数计算的单窗算法反演精度误差较大。
此外,比较了两种遥感数据在不同
地物上反演温度的一致性。
研究结果可为地表温度反演和产品选择提供参考。
【总页数】9页(P226-234)
【作者】万继康;沈哲辉;李珊
【作者单位】江苏大学计算机科学与通信工程学院;南京林业大学土木学院;福州大
学经济与管理学院
【正文语种】中文
【中图分类】TP79
【相关文献】
1.基于Landsat 8数据的地表温度反演方法对比分析
2.基于Landsat8数据的地表温度反演分析研究--以南宁市城区为例
3.基于GEE与Landsat8数据的杭州市地表温度反演及时空变化分析研究
因版权原因，仅展示原文概要，查看原文内容请购买。
Landsat-8多时相遥感影像亚热带森林分类
第４１卷第９期２０１８年９月测绘与空间地理信息ＧＥＯＭＡＴＩＣＳ＆ＳＰＡＴＩＡＬＩＮＦＯＲＭＡＴＩＯＮＴＥＣＨＮＯＬＯＧＹＶｏｌ.４１ꎬＮｏ.９Ｓｅｐ.ꎬ２０１８收稿日期:２０１７－０４－１１作者简介:李㊀振(１９９０－)ꎬ男ꎬ山东泰安人ꎬ测绘工程专业硕士研究生ꎬ主要研究方向为遥感森林分类及林分参数反演ꎮＬａｎｄｓａｔ－８多时相遥感影像亚热带森林分类李㊀振１ꎬ胡慧萍２ꎬ杨敏华１ꎬ陈㊀鸣１(１.中南大学地球科学与信息物理学院ꎬ湖南长沙４１００８３ꎻ２.生态旅游湖南省重点实验室ꎬ湖南长沙４２７０００)摘要:森林类型遥感影像自动制图在森林资源调查中有重要应用ꎬ本文以广西壮族自治区金秀县为研究区ꎬ基于多时相的Ｌａｎｄｓａｔ－８数据ꎬ采用面向对象的决策树分类方法ꎬ对研究区森林类型自动识别进行了研究ꎬ分类结果表明:１)单一时相影像森林分类精度中ꎬ生长季前期最高ꎬ生长季末期次之ꎬ非生长季最冷月最低ꎻ２)结合生长季与非生长季的多时相影像森林类型自动识别精度较单一时相影像显著提高ꎮ关键词:多时相Ｌａｎｄｓａｔ－８影像ꎻ森林分类ꎻ决策树ꎻ面向对象中图分类号:Ｐ２３７㊀㊀㊀文献标识码:Ａ㊀㊀㊀文章编号:１６７２－５８６７(２０１８)０９－０１４７－０３ＦｏｒｅｓｔＣｌａｓｓｉｆｉｃａｔｉｏｎＢａｓｅｄｏｎＬａｎｄｓａｔ－８Ｍｕｌｔｉ－ｔｅｍｐｏｒａｌＲｅｍｏｔｅＳｅｎｓｉｎｇＩｍａｇｅＬＩＺｈｅｎ１ꎬＨＵＨｕｉｐｉｎｇ２ꎬＹＡＮＧＭｉｎｈｕａ１ꎬＣＨＥＮＭｉｎｇ１(１.ＳｃｈｏｏｌｏｆＧｅｏｓｃｉｅｎｃｅｓａｎｄＩｎｆｏ－ＰｈｙｓｉｃｓꎬＣｅｎｔｒａｌＳｏｕｔｈＵｎｉｖｅｒｓｉｔｙꎬＣｈａｎｇｓｈａ４１００８３ꎬＣｈｉｎａꎻ２.ＫｅｙＬａｂｏｒａｔｏｒｙｆｏｒＥｃｏｔｏｕｒｉｓｍｏｆＨｕｎａｎＰｒｏｖｉｎｃｅꎬＣｈａｎｇｓｈａ４２７０００ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:Ｔｈｅａｕｔｏｍａｔｉｃｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｆｏｒｅｓｔｔｙｐｅｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｉｓａｎｉｍｐｏｒｔａｎｔａｐｐｌｉｃａｔｉｏｎｉｎｆｏｒｅｓｔｒｅｓｏｕｒｃｅｓｕｒｖｅｙ.ＩｎｔｈｉｓｐａｐｅｒꎬＪｉｎｘｉｕＣｏｕｎｔｙｏｆＧｕａｎｇｘｉｐｒｏｖｉｎｃｅｉｓａｒｅｓｅａｒｃｈａｒｅａ.Ｂａｓｅｄｏｎｔｈｅｍｕｌｔｉ－ｔｅｍｐｏｒａｌｌａｎｄｓａｔ８ｄａｔａꎬｔｈｅｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄｄｅｃｉｓｉｏｎｔｒｅｅｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｉｓｕｓｅｄｔｏｉｄｅｎｔｉｆｙｔｈｅｆｏｒｅｓｔｔｙｐｅｉｎｔｈｅｓｔｕｄｙａｒｅａ.１)Ｔｈｅａｃｃｕｒａｃｙｏｆｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｓｉｎｇｌｅｔｅｍｐｏｒａｌｉｍａｇｅｉｓｔｈｅｈｉｇｈｅｓｔｉｎｔｈｅｅａｒｌｙｇｒｏｗｔｈｓｅａｓｏｎꎬｆｏｌｌｏｗｅｄｂｙｔｈｅｅｎｄｏｆｔｈｅｇｒｏｗｔｈｓｅａｓｏｎａｎｄｔｈｅｌｏｗｅｓｔｉｎｔｈｅｎｏｎ－ｇｒｏｗｉｎｇｓｅａｓｏｎ.２)Ｔｈｅａｃｃｕｒａｃｙｏｆａｕｔｏｍａｔｉｃｒｅｃｏｇｎｉｔｉｏｎｏｆｆｏｒｅｓｔｔｙｐｅｉｎｔｈｅｃｏｍｂｉｎａｔｉｏｎｏｆｔｈｅｇｒｏｗｔｈｓｅａｓｏｎａｎｄｔｈｅｎｏｎ－ｇｒｏｗｉｎｇｓｅａｓｏｎｉｓｍｏｒｅｏｂｖｉｏｕｓｔｈａｎｔｈａｔｏｆｓｉｎｇｌｅｔｉｍｅｉｍａｇｅ.Ｋｅｙｗｏｒｄｓ:ｍｕｌｔｉ－ｔｅｍｐｏｒａｌｌａｎｄｓａｔ－８ｉｍａｇｅꎻｆｏｒｅｓｔｃｌａｓｓｉｆｉｃａｔｉｏｎꎻｄｅｃｉｓｉｏｎｔｒｅｅꎻｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄａｐｐｒｏａｃｈ０㊀引㊀言森林是陆地生态系统的主体ꎬ对维护和改善全球生态环境起着重要作用ꎻ森林也是人类生存与发展不可或缺的自然资源ꎬ及时了解森林的现状及变化对生态系统及人类生活至关重要[１]ꎮ森林类型图的制作主要包括野外实地调查与遥感影像制图ꎬ传统的野外调查方式需要消耗大量的人力物力ꎬ遥感技术可以更经济㊁更高效地获取森林资源信息ꎬ已成为当前获取森林类型信息的主要手段ꎮ美国Ｌａｎｄｓａｔ卫星影像数据因其覆盖面积大ꎬ回访周期短ꎬ且有４０多年的数据积累ꎬ在森林类型制图中应用广泛[２]ꎮ 同物异谱 及 异物同谱 等现象使得利用单一时相的影像进行森林类型识别比较困难ꎬ而多时相影像能反映植被的物候信息变化ꎬ因此利用多时相影像能提高森林类型识别精度ꎮ在分类方法中ꎬ面向对象分类方法将图像分割为同质对象ꎬ有效地避免了基于像素分类的 椒盐 现象ꎮ本文利用多时相Ｌａｎｄｓａｔ－８影像对金秀县亚热带山区森林类型识别进行了研究ꎬ定量论证多时相遥感影像对南方森林类型识别的作用ꎮ１㊀研究区与数据１.１㊀研究区概况金秀瑶族自治县隶属于广西壮族自治区来宾市ꎬ位于广西壮族自治区中部偏东㊁来宾市东北大大瑶山主体山脉上ꎬ坐标为北纬２３ʎ４１ᶄ２０ᵡ ２４ʎ２７ᶄ５８ᵡ㊁东经１０９ʎ４８ᶄ４７ᵡ １１０ʎ２７ᶄ２０ᵡꎬ属亚热带季风气候区ꎬ年平均最热月(７月)平均气温为２８.５ħꎬ年平均最冷月(１月)平均气温为８ħꎮ全县森林面积２１９５６６.６７ｈａꎬ森林覆盖率为８７.３４％ꎮ本文选取了金秀县境内忠良乡及金秀镇为研究区ꎬ区内竹林㊁针叶林㊁阔叶林均有较大面积分布ꎬ代表性较好ꎮ１.２㊀数据与预处理１.２.１㊀Ｌａｎｄｓａｔ－８数据研究区内自３月份至１０月份均多云多雨ꎬ一年内多时相高质量影像难以全部获取ꎬ故本文使用相邻年份３景Ｌａｎｄｓａｔ－８ＯＬＩ卫星影像分别作为不同物候期代表影像ꎬ研究区内均无云ꎬ影像信息见表１ꎮ应用ＥＮＶＩ５.３平台对影像进行了多光谱波段与全色波段的融合㊁地形校正㊁辐射定标㊁ＦＬＡＡＳＨ大气校正㊁几何精校正ꎮ表１㊀研究区影像列表Ｔａｂ.１㊀Ｒｅｍｏｔｅｓｅｎｓｉｎｇｄａｔａ季节Ｓｅａｓｏｎ行列号Ｐａｔｈ行列号Ｒｏｗ日期Ｄａｔｅ云量/％Ｃｌｏｕｄｃｏｖｅｒ数据源Ｓｏｕｒｃｅ生长季前期１２４４３２０１６－０５－１１０.１７ＵＳＧＳ生长季末期１２４４３２０１５－１０－１６０.０２ＵＳＧＳ非生长季１２４４３２０１５－０１－０１２４.４８ＵＳＧＳ１.２.２㊀验证数据以金秀县２０１４年森林资源二类调查小班矢量图为地面数据ꎬ选取决策树训练样本与精度评价样本ꎬ其中训练样本为影像分割后叠加小班矢量图手动选取ꎬ精度评价样本为利用ＡｒｃＧＩＳ１０.２平台分层抽样获取ꎮ２㊀研究方法本文共设计了４组森林分类实验ꎬ分别为生长季前期影像分类㊁生长季末期影像分类㊁非生长季影像分类㊁多时相影像分类ꎮ以森林资源二类调查数据为参考ꎬ按照优势树种将研究区内森林覆盖类型分为针叶林㊁阔叶林㊁竹林ꎬ非林地分为耕地㊁建设用地㊁裸地ꎮ使用ｅＣｏｇｎｉｔｉｏｎ９.０完成面向对象的影像分类实验ꎮ本文的技术路线如图１所示ꎮ２.１㊀影像分割面向对象分类的第一步是影像分割ꎬ分割结果的质量会直接影响分类精度ꎬ因此选择合适的分割参数极为重要ꎮ分割参数为ｓｃａｌｅ(尺度)㊁ｓｈａｐｅ(形状)㊁ｃｏｍｐａｃｔｎｅｓｓ(紧致度)㊁以及波段权重ꎬ分割尺度是判断异质性大小的阈值ꎬ异质性包括了光谱异质性与形状异质性[３]ꎮ光谱异质性与形状异质性之和为１ꎬｓｈａｐｅ即为形状异质性的权重ꎮ形状异质性又包括了紧致度与光滑度ꎬ两者调节分割对象的形状介于平滑边界与紧密边界之间ꎬ两者之和也为１ꎮ波段权重代表响应波段参与分割的权重ꎮ本文所有实验ｓｈａｐｅ设置为０.２ꎬ给予光谱信息更大的权重ꎬｃｏｍｐａｃｔｎｅｓｓ设置为０.５ꎬ平衡边界的紧密与光滑ꎬｓｃａｌｅ设置为６０ꎮ图１㊀方法流程Ｆｉｇ.１㊀Ｆｌｏｗｃｈａｒｔｏｆｔｈｅａｐｐｒｏａｃｈ２.２㊀特征选取ＮＤＶＩ能够反映植被在可见光㊁近红外波段反射与土壤背景之间的差异ꎬ具有较强的植被监测能力ꎬＮＤＶＩ随时间的变化与植被的物候信息呈现一定的规律性ꎬ成为区分地物的重要特征[４]ꎮＮＤＶＩ计算公式为式(１)ꎮＮＤＶＩ＝ρＮＩＲ－ρＲｅｄρＮＩＲ＋ρＲｅｄ(１)式中ꎬρＮＩＲ为近红外波段反射率ꎬρＲｅｄ为可见光红波段反射率ꎮ本文实验计算了各景影像的ＮＤＶＩꎮ本文实验还对各时相影像进行了主成分变换ꎬ选取信息量最大的前３个波段ꎮ第一波段中ꎬ道路及建筑物十分明显ꎻ穗帽变换ꎬ穗帽变换的第二分量绿度ꎬ是可见光波段植物光合作用吸收与近红外植物强反射的综合响应ꎬ与植被覆盖㊁叶面积指数和生物量有很大的相关性ꎬ对植被分类可以起到良好的辅助作用[５]ꎮ蓝㊁绿㊁红３个波段在可见光谱波段的占比也可反映植被的类型与物候变化ꎬ因此ꎬ本文实验还计算了各影像蓝㊁绿㊁红波段在可见光波段的占比ꎮ２.３㊀分㊀类本文实验均采用决策树分类方法ꎮ决策树分类包括决策树训练和决策树应用ꎮ决策树训练方法采用ＣＡＲＴ决策树ꎬＣＡＲＴ算法将训练样本分为测试变量与目标变量ꎬ对训练样本进行循环分析形成二叉树决策树ꎬ属于监８４１㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀测绘与空间地理信息㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０１８年督学习算法[６]ꎮＣＡＲＴ使用如下结构的学习样本集:Ｌ:＝{Ｘ１ꎬＸ２ꎬ ꎬＸｍꎬＹ}Ｘ１:＝(ｘ１１ꎬｘ１２ꎬ ꎬｘ１ｔｎ)ꎬ ꎬＸｍ:＝(ｘ１１ꎬｘ１２ꎬ ꎬｘｍｔｎ)Ｙ:＝(ｙ１ꎬｙ２ꎬ ꎬｙｋ)㊀㊀其中ꎬＸ１ Ｘｍ成为属性向量(ＡｔｔｒｉｂｕｔｅＶｅｃｔｏｒｓ)ꎬ其属性是可连续的ꎬ也可是离散的ꎻＹ称为标签向量(ＬａｂｅｌＶｅｃｔｏｒｓ)ꎬ其属性可是连续的ꎬ也可是离散的ꎮ当Ｙ为连续的数量值时ꎬ称为回归树ꎻ当Ｙ是离散值时ꎬ称为分类树[７]ꎮ３㊀分类结果与精度评价图２分别为生长季前期(ａ)㊁生长季末期(ｂ)㊁非生长季(ｃ)㊁多时相分类结果(ｄ)㊁森林资源二类调查小班优势树种分类(ｅ)ꎮ㊀㊀采用相同的验证样本对４个实验分类结果进行精度评价ꎬ精度评价采用混淆矩阵方法ꎬ分类结果精度见表２ꎮ图２㊀分类结果图Ｆｉｇ.２㊀Ｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓ表２㊀各组实验分类结果精度比较表Ｔａｂ.２㊀Ｅｒｒｏｒｍａｔｒｉｘｆｏｒｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｆｏｒｅａｃｈｅｘｐｅｒｉｍｅｎｔｓ生长季前期生长季末期非生长季多时相制图精度/％用户精度/％制图精度/％用户精度/％制图精度/％用户精度/％制图精度/％用户精度/％竹林４２.１１５０.００４７.３６６４.２９６８.４２４４.８３６８.４２６５.００针叶林８８.６８７４.６０６４.５８６２.００５２.８３５４.７２８８.６８８５.４５阔叶林６２.５０７５.００６９.８１６８.５２６０.４２７３.６８８１.２５８６.６７非林地９８.２１９６.４９１００.００９６.５５９４.６４９４.６４９８.２１９８.２１总精度/％７９.５４７５.５７６９.８９８７.５０Ｋａｐｐａ系数０.７１０.６６０.５９０.８３㊀㊀从分类评价结果可以看出:在单一时相影像分类结果中ꎬ生长季前期影像分类精度最高ꎬ生长季末期次之ꎬ非生长季最冷月最低ꎮ综合多时相影像的分类结果精度最高ꎬ总体分类精度达到了８７.５％ꎮ生长季末期与非生长季影像分类试验中ꎬ针叶林与阔叶林㊁阔叶林与竹林存在较多混分ꎻ生长季前期影像中ꎬ针叶林与阔叶林的区分较好ꎬ阔叶林与竹林的区分较生长季末期与非生长季并没有很大差异ꎮ不论是单一时相分类实验还多时相分类实验ꎬ竹林的分类精度均不如针叶林与阔叶林ꎮ研究区位于南亚热带与中亚热带过渡地带ꎬ森林类型以常绿为主ꎬ虽不像北方森林一样具有显著的生长季与非生长季物候差异ꎬ但其不同季节光谱反射率依然有较大差异ꎬ因此多时相影像能提供更丰富的分类信息ꎮ４㊀结束语本文通过４组实验ꎬ对比了不同时期遥感影像亚热带地区森林自动分类效果ꎮ从实验结果及精度分析来看ꎬ多时相影像分类精度比任一单一时相影像分类精度都要高ꎮ同时实验结果表明:针叶林㊁阔叶林分类精度较高ꎬ竹林分类精度相对较低ꎬ下一步将对更多地区采用更多的分类方法进行研究ꎬ以期提高竹林的提取精度ꎮ参考文献:[１]㊀亢新刚.森林经理学[Ｍ].第４版.北京:中国林业出版社ꎬ２０１１.[２]㊀雷光斌ꎬ李爱农ꎬ谭剑波ꎬ等.基于多源多时相遥感影像的山地森林分类决策树模型研究[Ｊ].遥感技术与应用ꎬ２０１６ꎬ３１(１):３１－４１.[３]㊀赵明瑶ꎬ刘会云ꎬ张晓丽ꎬ等.基于林分结构响应的ＰＡＬ￣ＳＡＲ森林结构参数估测[Ｊ].北京林业大学学报ꎬ２０１５ꎬ３７(６):６１－６９.[４]㊀王文静ꎬ张霞ꎬ赵银娣ꎬ等.综合多特征的Ｌａｎｄｓａｔ－８时序遥感图像棉花分类方法[Ｊ].遥感学报ꎬ２０１７ꎬ２１(１):１１５－１２４.[５]㊀谭磊ꎬ赵书河ꎬ罗云霄ꎬ等.基于对象特征的山东省丘陵地区多时相遥感土地覆被自动分类[Ｊ].生态学报ꎬ２０１４ꎬ３４(２４):７２５１－７２６０.[６]㊀董连英ꎬ邢立新ꎬ潘军ꎬ等.高光谱图像植被类型的ＣＡＲＴ决策树分类[Ｊ].吉林大学学报:信息科学版ꎬ２０１３(１):８３－８９.[７]㊀谭莹.翁源县基于纹理信息及ＣＡＲＴ决策树技术的遥感影像分类研究[Ｄ].南京:南京林业大学ꎬ２００８.[编辑:任亚茹]９４１第９期李㊀振等:Ｌａｎｄｓａｔ－８多时相遥感影像亚热带森林分类。
landsat8_toa_反射率的计算_概述及解释说明
landsat8 toa 反射率的计算概述及解释说明1. 引言1.1 概述在当今的遥感技术领域中，Landsat 8卫星成像数据是一种常用的数据源。
TOA 反射率（Top of Atmosphere reflectance）是通过遥感图像预处理和辐射定标等步骤计算得到的一种重要的遥感产品。
TOA反射率可以提供地表特征的信息，例如植被覆盖、土地类型和陆地表面温度等。
因此，了解如何计算TOA反射率及其应用与意义是进行准确地表分析和监测的关键。
1.2 文章结构本文旨在介绍和解释如何计算Landsat 8卫星数据的TOA反射率，并探讨其应用与意义。
文章分为五个部分：引言、正文、TOA反射率计算过程解释、TOA 反射率计算的注意事项和挑战以及结论。
在引言部分，我们将首先对文章进行整体概述，并说明文章的结构和目标。
然后逐步展开介绍Landsat 8卫星以及TOA反射率这一概念及其计算方法。
1.3 目的本文旨在向读者介绍Landsat 8卫星数据中TOA反射率的计算方法，并探讨其应用与意义。
我们将详细解释TOA反射率的计算过程，包括遥感图像预处理、辐射定标和转换以及大气校正和模型选择。
此外，我们还将提供一些解决TOA 反射率计算中常见问题和困难的方法和技巧，并指出在数据获取和处理过程中需要考虑的因素和误差来源。
最后，我们将对文章进行总结，并展望未来TOA反射率计算的发展方向。
通过本文的阅读，读者将能够全面了解Landsat 8卫星数据中TOA反射率的计算方法以及其应用与意义，并具备解决相关问题的基本知识和技巧。
2. 正文:2.1 Landsat 8介绍:Landsat 8是美国国家航空航天局（NASA）和美国地质调查局（USGS）合作的一颗卫星，于2013年发射并投入使用。
它携带着一台名为Operational Land Imager (OLI) 的传感器，能够提供高分辨率、多光谱的遥感图像数据。
Landsat 8可以对地球表面进行全球范围的观测，并用于许多应用领域，如环境监测、农业、林业和城市规划等。
- 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)。
《遥感图像处理》实验报告实验题目：曲靖市Landsat8遥感影像植被覆盖度反演姓名：___ ____ 学号：专业：___地理科学_ __ 教师：日期：___2017年3月15日__曲靖师范学院城市学院一、实验目的太阳辐射通过大气以某种方式入射到物体表面然后再反射回传感器，由于大气气溶胶、地形和邻近地物等影像，使得原始影像包含物体表面，大气，以及太阳的信息等信息的综合。
如果我们想要了解某一物体表面的光谱属性，我们必须将它的反射信息从大气和太阳的信息中分离出来，这就需要进行大气校正过程。
本实验以曲靖市的一景Landsat 8遥感影像为数据源，利用ENVI大气校正扩展模块（ FLAASH）进行大气校正，并对比分析大气校正前后植被、水体、土壤、裸岩等典型底物的光谱特征差异，为后续定量遥感的应用奠定一定的基础。
二、实验准备1.软件准备：ENVI 数据准备：LC8LGN00遥感数据、地形数据三、实验过程（一）遥感影像数据的辐射定标Landsat8数据和其他TM 数据类似，发布的数据标示 L1T，做过地形参与的几何校正，一般情况下可以直接使用而不需要做几何校正。
为了利用其丰富的波段光谱信息，我们需要进行辐射定标处理，将原始图像上的DN值转为反射率。
1.使用下的通用定标工具Radiometric Calibration进行Landsat8的辐射定标。
打开LO8BJC00_MTL全波段文件，选择MultiSpectral多光谱数据进行定标，定标的范围可缩小为ROI区域。
（1）.定标参数设置。
为后续的FLAASH大气校正做数据准备，单击Apply FLAASHSettings得到相应的参数。
然后点击OK输出结果。
辐射定标后的结果：通过定标之后的影像DN值可靠。
其中，底下的Data值为定标前影像的像元值，上面的Data值为定标后影像的像元值。
且定标前影像的数据类型为无符号16位整型，定标后影像为浮点型辐亮度值。
（二）遥感影像的大气校正Flassh大气校正，大气校正的意义在于去除一些大气的干扰，首先，在Envi中打开Flaash大气校正工具，Toolbox/Radiometric Correction/FLAASH Atmospheric Correction，(1).Input Radiance Image：打开辐射定标结果数据,要求为BIL存储格式，这时会弹出Radiance?Scale?Factor对话框，它的作用是在单位未知的辐亮度值与浮点型辐亮度值之间做转换，并且Scale?Factor=浮点型或整型亮度图像（单位未知）/?浮点型辐射亮度。
(2).Output Reflectance File：设置输出FLAASH大气校正结果的路径；(3).Output Directory for FLAASH Files：设置输出FLAASH校正文件的路径；(4).Scene Center Location：自动获取；(5).Sensor Type：Landsat-8 OLI；Sensor Altitude:自动读取；Pixel Size:自动读取；(6).Ground Elevation: 。
利用全球900米分辨率DEM数据，首先，点出 Rejion of Interest (ROI) Tool工具，用不规则多边形划一个封闭的多边形并保存。
然后导入全球900米分辨率DEM数据：Open World Data ->Elevation（GMTED2010）；在Toolbox下选择Statistics->Compute?Statistics，打开Compute Statistics输入文件对话框，选择数据。
最后用“Date Manager”加载已经保存好的ROI,点击Rejion of Interest (ROI) Tool 中的“计算”，就能得出最后的计算结果。
(7).Flight data/Flight Time：从原始数据“”中找到。
（8）.Atmospheric Model：Mid-Latitude Summer（根据成像时间和纬度信息选择）,此次成像时间是5月，所以选择Mid-Latitude Summer。
（9）.Aerosol Model：Rural;（10）.Aerosol Retrieval：2-band（K-T）；在Multispectral Settings多光谱设置里，K-T变换选项中，Defaults下拉框：Over-Land Retrieval Standard(660:2100);Filter Function File:选择波谱响应函数；11) 其他参数按照默认设置即可。
大气校正结果：下图是建筑的反射波普曲线，从中可看出（注：左边是未校正的影像，右边是校正好的），校正后的基本去除了空气中水汽颗粒等因子的影响，下图是植被的反射波普曲线，左边是未校正的影像，右边是校正好的，校正后的植被反射波普在4波段以前反射很低，主要集中在4-7波段。
下图是植被的反射波普曲线，左边是校正好的影像，右边是未校正好的，大致可以看出大气校正后消除了大气散射的影响。
下图是水体的反射波普曲线，左边是未校正的影像，右边是校正好的，从图中可以看出，校正后的影像，水体反射波普曲线从1波段到7波段，反射值不断降低。
已经消除了空气中水汽等的影响。
从上述的波谱对比曲线中可以看出，经过FLAASH校正的影像基本去除了空气中水汽颗粒等因子的影响，植被、建筑、水体的波谱曲线趋于正常。
（三）去除异常值1.利用波段运算对红波段和近红外波段进行去除异常值处理在Band Math对话框的Enter an expression 中输入(b1 lt 0)*0+(b1 gt 10000)*0+(b1 ge 0 and b1 le 10000)*b1 点击Add to List 添加到Previous Band Math Expression 中，选中该公式，点击OK，在Variables to Bands Pairings对话框中选择红色波段，选择存储位置，点击OK。
通过直方统计查看结果用同样的方法对近红外波段去除异常值，并查看结果。
2.将去除异常值的红波段和近红外波段进行组合（layer stracking）3. 计算NDVI并获取阈值点击Toolbox工具箱中Spectral/Vegetation/NDVI,弹出NDVI Calculation Input File 对话框，选择已经做好的影像作为输入图像。
在NDVI Calculation Parameters中的Input File Type 中选择landsat OLI，NDVI 的红色波段填2，近红外波段填1。
加载提取好的边界（镶嵌数据集）新建ROI>file>import vector提取好的边界>在roi中直接统计（computer statistics）>file>Export to text file用ROI中的不规则多边形把影像全部画下来。
点击Compute Statistics 进行计算，下面我们分析统计结果，取一定置信度获取最大最小NDVI值。
置信区间为5%-95%，将导出的数据加到EXCEL中找到5%和95%所对应的值，分别是最小值和最大值。
4. 植被覆盖度的计算公式如下：四、实验结果1. 覆盖度分类结果：我们再查看结算结果，可以看到波段最小值由刚才的-1变为0。
2.覆盖度分类（密度分割）（1）对反演后的影像进行裁剪，将背景值改为-1 Toolbox > regions of interest > subset data from rois（2）在裁剪后的影像的图层上点击右键，选择New raster color slice,点击清除按钮，添加自己所需区间并设置颜色，单击OK分类结果：五、实验总结（1）.在辐射定标中，定标参数设置中，要单击Apply FLAASH Settings得到相应的参数，不然，在后面的大气校正中中找不到相应文件。
（2）.在Radiance?Scale?Factor对话框中，它的作用是在单位未知的辐亮度值与浮点型辐亮度值之间做转换，并且Scale?Factor=浮点型或整型亮度图像（单位未知）/?浮点型辐射亮度。
当各波段的辐亮度单位不一致时，选择第一项，否则选择第二项，因做辐射定标时已经使缩放系数符合Flaash校正要求，因此此处的缩放系数为默认值1。
（3）.在确定Ground?Elevation的时候，如果利用ENVI自带的全球900米分辨率DEM 数据计算，算出的高程为千米，和实际的相比，出现了错误。
（4）.选择气溶胶模型（Aerosol?Model）时，没有城市和工业影响的地区选择Rural （乡村）；混合80%乡村和20%烟尘气溶胶选择Urban（城市），该模型适合高密度城市或工业地区；平静、干净条件下（能见度大于40km，即晴朗天气）的陆地，只包含微小成分的乡村气溶胶时选择Tropospheric（对流层）；由此可见，气溶胶模型的选择与城市、工业影响程度有关。
（5）.利用ENVI软件对landsat8影像进行辐射定标和大气校正，对比校正前和校正后的影像，可以看出大气对地物判读影响还是比较明显，给地物的判读造成一定困难。
（6）.在ENVI中灵活运用Bandmath工具，以NDVI值为参数，运用基于像元二分模型设计的植被覆盖度遥感估算方法技术线路简单、可操作性强，也适用于不同分辨率的遥感数据。
（7）.选择最大值与最小值的时候具有很强的主观性，需要依据统计学原理，自己制定一套规则，比如我们这里选的5%和95%的累积区间。