理解与认识植被光谱反应随时间的变化规律

5.实验结论
• 本实验使用非监督分类结果不理想，是因为植被之间的光谱差异 很小，使得不好区分各个类别。 • 总的来说，在这个问题上的分类结果来看，监督分类更胜一筹
植 被 遥 感
实验目的
理解与认识植被光谱反应随时间的变化规律
熟悉遥感图像处理软件中的光谱曲线工具
数据源和软件支持
• 数据源: SPOT 4(spot-0804.img、spot-0819.img、spot-0914.img、 spot-0925.img、spot-1010.img、spot-1026.img) Landsat TM(imperialvalleyTM) • 软件: ENVI 4.8
高产区光谱特征图
300
DN值
250
8/4 8/19 9/14
200
150
9/25
10/10 10/26
100
50
0 1 2 3 4
波段
4.1 植被光谱变化检测
低产区光谱特征图
同理，重复上述步骤，绘制 低产区像元不同时期光谱特 征图。如右图所示。
300 DN值 8/4 250 8/19 9/14 200 9/25 10/10 150 10/26
100
50
0 1 2 3 4
波段
4.2 创建简单的大豆物候循环
在ENVI4.8软件中分别打开六个时期的遥感影像。 动态观测可知同一时期高产区内各像元NDVI值是接近的。故，不 再选取多个点，而是在高、低产区内选择最有代表性的一点计算 NDVI值。 在ENVI主菜单中点击Transform->NDVI，计算NDVI值。如图所 示。
4.1 植被光谱变化检测
以spot0804影像为例，在选定的 高产区像元位置位置上，鼠标点 击右键->Z-Profile(Spectrum) 绘制光谱曲线图
其他的五幅影像也进行同样的操 作
4.1 植被光谱变化检测
将六个时期在光谱数据
以ACSII码的形式保存
4.1 植被光谱变化检测
在高产区随机任取两处进行同样的 处理，将光谱曲线以ASCII码形式 导出。
影像分类
类别定义/类别合并
分类后处理
结果验证
5.实验结论
• 不同的分类方法自然有不同的分类精度 • 监督分类可充分利用分类地区的先验知识 • 可控制训练样本的选择，并可通过反复检验训练样本，以提高分 类精度，避免分类中的严重错误 但是： • 人为主观因素较强 • 只能识别训练样本中所定义的类别，从而影响分类结果
3.实验原理
不同植被的光谱特征不同，在不同的谱段具有不同的反射光 谱曲线。 遥感图像分类主要依据是地物的光谱特征,即地物电磁波辐射 的多波段测量值,这些测量值可以用作遥感图像分类的原始特征变 量。 分类是对图像上每个像素按照亮度并接近程度给出对应类 别,以达到大致区分遥感图像中多种地物的目的。
4.实验内容
3
4
5 实验结论
大豆物候循环实验结果
图 5.3 大豆物候循环图
Part II Landsat TM 影像分析
1 .实验概况
Landsat TM 影像分析
分析四种地物类型的光谱曲线图； 绘制地表覆盖类型图。
2 研究区概况
本实验研究区选在美国加利福 尼亚州因皮里尔河谷，研究区 内土地类型有四种：甜菜，苜 蓿，棉花，休耕地。
4.1 植被光谱变化检测
在任意图中右键选择
Geographic Link对六个
时期的SPOT影像图进行 地理链接。
4.1 植被光谱变化检测
通过目视解译结合实地考察 可知，区域 A 代表大豆高产区，
区域 B 代表大豆低产区。
4.1 植被光谱变化检测
在区域 A( 高产区 ) 中找一个能够代表
该区域的像元，右键Pixel Locator， 记录其坐标值。
大豆高、低产区的植被光谱变化检测
高产区光谱特征图
300 DN值 DN值
低产区光谱特征图
8/4
300
250
8/4
8/19 9/14
250
8/19 9/14
200
9/25 10/10
200
9/25 10/10
150
10/26
150
10/26
100
100 50 50 波段 0 1 2 3 4 0 波段
1
2
3.实验原理
• 利用ENVI4.8软件中的Pixel Locator工具可以实现像元定位;
• 利用ENVI4.8软件中的Spectral Profile工具可以用来分析像元的 光谱曲线;
• 利用SPSS可以对光谱数据进行数学分析
• 通过分析同一地点不同时期的光谱曲线，反应大豆光谱反应随时 间的变化特征;
Part I 植被光谱变化检测
1.实验概况
植被光谱变化检测
大豆高产区和大豆低产区的光谱随时间的变化特征； 创建简单的大豆物候循环。
2 研究区概况
本实验的研究区选在 美国科罗拉多州的佛 罗伦萨（英文： Florence）。 实验数据是从美国农 业部的沿海平原土壤、 水和植物研究中心获 取的。 实验区域面积280m x 280 m
植被光谱检测技术路线图
4.1 植被光谱变化检测
在ENVI4.8软件中分别打开六 个时刻的SPOT数据File -> Open File
4.1 植被光谱变化检测
• 选择 RGB Color 项, 进行 RGB=321彩色合成。 • 用RGB=321的真假彩色合 成法，可用于各种地类识 别。图像平淡、色调灰暗、 彩色不饱和、信息量相对 减少。
4.2 创建简单的大豆物候循环
计算结果如图所示。
图4.11 0804NDVI分布图
4.2 创建简单的大豆物候循环
绘制大豆高产区与大豆低产区的物候循环图
分别定位到大豆高产区和大豆低产区的两个像元，记录其不同时 期的NDVI值，绘制其物候循环图，并添加图例，如图所示。
图4.12 大豆物候循环图
5 实验结论
4.1 植被光谱曲线图
打开遥感图像，得 到四种地物类型的光谱 曲线图。（如图所示） 不同波段，可分辨 性不同。
4.实验内容
4.2 不同的波段组合
不同的波段组合，地 物的可分辨性不同。 经过不同的波段组合 实验，我们最后选取较好 分辨的RGB=435波段组 合。
4.实验内容
4.3 分类
监督分类：先取有代表性的训练区作为样本，通过选择特征参数 （如像元亮度均值，方法等），确定判别函数，据此进行分类。 非监督分类：在没有先验类别作为样本的条件下，根据像元间相似 度大小进行计算自动判别归类，无须人为干预，分类后需确定地面 类别。
• 通过计算六个时刻影像的NDVI值，代表不同时刻大豆的产量， 建立简单的大豆物候循环。
4. 实验内容
4.1 植被光谱变化检测 4.2 创建简单的大豆物候循环
4.1 植被光谱变化检测
获取SPOT数据 目视解译判读 高、低产区 绘制光谱曲线 计算试验区 NDVI值 建立大豆 物候循环
获取大豆不同 时期光谱特征
选择自变量和因变量
输出SPOT0百度文库04影像 中高产区不同像元波 谱信息和均值
4.1 植被光谱变化检测
对SPOT0819，SPOT0914， SPOT0925，SPOT1010， SPOT1026影像中高产区数据进 行同样的操作。
4.1 植被光谱变化检测
绘制高产区像元不同时期 光谱特征图。如右图所示。
4. 实验内容
4.3.1 监督分类结果
4. 实验内容
4.3.1 监督分类精度评价
评价标准：混淆矩阵计算 总体精度：Overall Accuracy Kappa系数
4. 实验内容
4.3.2 非监督分类
非监督分类方法 ISODATA K-Means 分类结果不太理想
影像分析 ISODATA 分类器选择 K-Means 其他
4.1 植被光谱变化检测
将SPOT0804影像高产区中 随机取到的三个点的波段信 息导入EXCEL，由于每个点 有四个波段，将波段三个点 的值进行均值计算。
4.1 植被光谱变化检测
在SPASS中打 开Excel数据
选择读取数据 的方式 显示数据
4.1 植被光谱变化检测
利用线图显示 选择多线图和案例
4.实验内容
4.3.1 监督分类
4.实验内容
4.3.1 监督分类
监督分类方法： 平行六面体分类（Parallelepiped） 最小距离分类（Minimum Distance） 马氏距离（Mahalanobis Distance） 神经网络分类（Neural Net） 光谱角制图分类（Spectral Angle Mapper）