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
landsat遥感影像地表温度反演教程（大气校正法）
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）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。
Scale factor 不能改变，否则后续计算会报错。
保持默认1即可。
（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。
注意与热红外数据辐射定标是的差别，设置后Scale factor值为0.1。
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。
遥感反演地表温度
遥感地学分析实验报告成绩：姓名：学号：班级：题目：课程实验报告要求一、实验目的掌握并熟悉band math的操作，对建筑用地分离用的几个建筑指数；学会面对对象分类；学会反演地表温度。
二、实验准备软件准备：ENVI5.1数据准备：中等分辨率数据AA、高分辨率数据qb_colorado.img、热岛监测band6三、实验步骤1.中等分辨率数据中城市范围的提取：（1）加载数据AA，首先在BAND MATH里面计算图像的NDVI值其公式：(float(b1)-float(b2))/(float(b1)+float(b2))，正确输入公式后点击OK；在接下来的界面中为公式中b1和b2赋予相应的波段，及近红外波段和红色波段，选择合适的路径即可点击OK；结果如图：（2）同样用上述发放计算图像的归一化建筑指数（NDBI值），公式同样使用前面所用，但是后面给b1和b2赋予第五和第四波段就行，同样选择合适的路径即可；结果如图：（3）利用前面所计算的NDVI和NDBI值计算改进的归一化裸露指数（MNDBI），MNDBI= NDBI+(1-NDVI)，首先在BAND MATH中输入一下公式并b1和b2赋予NDBI的波段和NDVI的波段；结果如图：（3）同样使用上述方法计算城镇用地指数（ULI）计算公式为ULI=NDBI and NDVI，同样在BAND MATH中输入公式并赋予相应的波段，在设置好输出路径即可；结果如图：（4）三种指数的阈值的设置，通过查看三种指数的直方图可以为每种指数的分离建筑用地提取合适的阈值；通过查看NDBI的阈值设置为0.035，并将其在band math中进行二值化；通过查看MNDBI的阈值设置为0.681，并将其在band math中进行二值化；通过查看ULI的阈值设置为0.004，并将其在band math中进行二值化；（5）将三种指数的二值化图像在ARCMAP中成图，即可简单的比较三种指数的优劣；2.高分辨率图像中城市范围的提取（1）加载图像qb_colorado.img，打开FEATURE EXTRACTION工具选择待分类数据，点击NEXT进入下一步；（2）设置分割和合并阈及模板大小等参数如下，点击NEXT进入下一步；（3）添加分类类型并选择合适的样本，并为每种类型选择相应的属性，最后选择合适的分类方法；（4）预览图如下；（5）设置导出图像的类型，此处导出矢量图，设置好参数和路径点击FINISH即可；（6）结果如图；3.城市热岛遥感监测（1）辐射定标：将DN值（即图像灰度值）转换为光谱辐射亮度L，利用公式b1*0.055158+1.2378在band math中计算辐亮度；B1赋予第六波段；结果：（2）地表比辐射率E，此处先计算NDVI，方法同上即可，此处不再赘述；计算植被覆盖度Fv 采用的是混合像元分解法，将整景影像的地类大致分为水体、植被和建筑，具体的计算公式如下：FV = (NDVI-NDVIS)/(NDVIV- NDVIS)其中，NDVI 为归一化差异植被指数，取NDVIV = 0.25 和NDVIS =0.022，且有，当某个像元的NDVI 大于0.25 时，FV 取值为1；当NDVI小于0.022，FV 取值为0。
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）。
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。
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。
ndvi在温度反演(lst)公式
ndvi在温度反演(lst)公式
温度反演（LST）是一种用于确定地表温度的技术，它可以通过一种被称为归一化差异植被指数（NDVI）的指标来实现。
NDVI是一种衡量植被生长和健康状况的指标，它基于植被对红外和可见光的反射率差异。
在温度反演中，NDVI被用作一个关键参数，以帮助推断地表温度。
NDVI的计算方法是通过测量地表的红外和可见光反射率来获得的。
这个指标可以用来反映植被的状况，因为植被通常具有较高的可见光反射率和较低的红外反射率。
因此，当植被生长得更好时，NDVI 值会增加。
NDVI与地表温度之间存在一种相反的关系。
当地表温度升高时，植被的生长和健康状况可能会受到影响，导致NDVI值下降。
相反，当地表温度下降时，植被的生长和健康状况可能会改善，导致NDVI 值增加。
基于NDVI和地表温度之间的这种关系，可以通过建立一个数学模型来进行温度反演。
该模型可以使用已知的NDVI值来推断地表温度。
这种方法可以在遥感技术中广泛应用，特别是在农业、环境和气候研究中。
通过NDVI在温度反演中的应用，我们可以更好地了解地表温度的变化趋势，并对植被生长和健康状况进行评估。
这对于农业管理、
环境监测和气候研究都具有重要意义。
NDVI在温度反演中起着重要的作用。
通过测量地表的红外和可见光反射率差异，NDVI可以帮助我们推断地表温度。
这种方法在农业、环境和气候研究中具有广泛的应用前景，为我们提供了更好地了解地表温度和植被状况的机会。
遥感反演地表温度
1、 裁剪出出济南市区2、 分别利用ENVI 、ERDAS 反演地表温度（LST ）、NDVI ，对LST 进行彩色显示。
3、 分析LST 、NDVI 的关系。
反演公式具体流程：图像的DN 值 辐射亮度 辐射亮温 地表温度。
反演时从图像数值（DN ）转换成绝对辐射亮度值时的公式、从辐射亮度值转成辐射亮温时的公式、从亮温转换成地表温度时的公式分别是：min min max 6255)(L L L DN L tm +-⨯=、 )1/ln(/12+=λL K K T 、 ερλl n )/(1T T T s += 其中：6tm L 为TM 传感器所接收到的辐射亮度（mW .cm -2s r-1.um -1），max L 、min L 分别是传感器所接收到的最大和最小的辐射强度，即对应于DN ＝255和DN ＝0时的最大和最小辐射强度。
对于Landsat5的TM 6波段，1K =60.77mW .cm -2s r-1.um -1,2K =1260.56K 。
S T 为地表温度（K ）；T 为辐射温度（K ）；λ为有效波谱范围内的最大灵敏度值，λ＝11.5um ，ρ=/hc δ=1.438×10-2mk ，其中δ=1.38 ×10-23/J k ，为玻尔兹曼常数，h =6.626×10-34Js ，为Plank′s 常数，c =2.998 ×108/m s ，为光速。
一般地，有植被覆盖的地表取ε＝0.95，没有植被覆盖的地表取ε＝0.92（Weng ，2004[16]）。
min L =0.1238255)(min max L L - =0.005632156 )1/ln(/12+=λL K K T 1260.56 / LOG ( 1 + 60.766 / $n8_fu )$n1_12736l / (1 + (0.0000115 * $n1_12736l /0.01438) * LOG (0.95 ) )。
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）。
遥感温度反演
实验三遥感温度反演
1.数据获取
TM/ETM影像
2•归一化植被指数计算
利用之前得出的植被指数NDVI，如下图所示:
图 1 1992 年NDVI 图 2 2001 年NDVI
3.比辐射率(Emissivity) 计算
地表比辐射率对地表温度反演精度影响很大，研究发现地表比辐射率与植被指数高度相关，建立关系模型:
E=1.0094+0.047ln(NDVI) ndvi € [0.157,0.727]
(1)比辐射率计算模型
(2)地表比辐射率模型图
图4
1992年
比辐射率图
4.温度反演
(1)温度反演一
图3地表比辐射率模型
图5 2001年比辐射率图
运用Planek方程计算亮度温度。
对于TM 数据，参考模型
丄如I 为1・隔M （n?如知 上t T 为0.77
为 I . 74 w/ （m 2 +>m -Sr ）
图7 1992年温度反演图（1）图8 2001年温度反演图（1）
图5温度反演（1） 图6 温度反演（1）
（2）温度反演二
TM6中心波长11.457卩m反解Planek函数获取地表真实温度模
— 195
图10温度反演（2）图9 温度反演（2）
图11 1992温度反演⑵图12 2001 温度反演⑵
5. 结果与分析。
遥感应用模型4-温度反演
一、地表温度反演的理论基础
A 基尔霍夫辐射定律：
在一定温度下（热平衡），任何物体的辐射出射度r与其吸收 率a的比值只是温度、波长的函数，与辐射体本身性质无关，可 以用一个普适函数f来表达。
f ( , T ) r ( , T ) a ( , T )
（1）
吸收率大的，发射能力强。 黑体发射能力最大。 f与物体性质无关，任何物体的这一比值等同于同一温度下黑 体的辐射出射度。
2004.7.4.晚持续近4小时大暴雨，7.5.上午晴； 土壤含水量较大； 表面光滑使比辐射率降低，干湿土比辐射率差值不大。
不同地物比辐射率观测值（2004.7.6）
7月6日，经过一天太阳暴晒后，土壤表面变干程度加剧。 干土和湿土之间的比辐射率差值增大。 干土之间，由于表面颗粒度不同，粗糙度明显不同，因而比辐射 率也不同。
TM单通道算法
覃志豪等针对仅有一个热红外波段的Lands at TM/ETM+数据提 出单通道劈窗算法，这是世界上第一个这种类型的算法。
随后，Jimenez-Munoz and Sobrino也提出一个普适性单通道
算法。
这类方法的提出使长期以来被广泛使用的Landsat卫星数据可 成功应用于地表温度反演。
地表比辐射率
取决于土壤水分和表面粗糙率 4.18.11:00：喷水湿土>喷水干土>干土。原因：土壤含 水量不同（主导作用） 4.18.17:00：干土>喷水干土和喷水湿土。较干，粗糙 度起主导作用。喷水湿土从45˚看，表面较光滑，降低了比 辐射率值，使其比辐射率与喷水干土相同。 4.19.11:00：喷水干土>喷水湿土>干土。全干，粗糙度 起绝对主导作用。
TM 6 的热传导方程
(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。
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。
无人机遥感数据处理中的植被指数计算技术
无人机遥感数据处理中的植被指数计算技术随着无人机技术的发展和进步，无人机遥感技术日益成熟和广泛应用，尤其是在农业、林业、环境监测等领域中，无人机遥感技术已成为不可替代的工具。
其中，植被指数是无人机遥感数据处理中的重要内容之一，其对于农业生产、生态保护和环境监测等方面都有着重要的应用价值。
一、植被指数的基本原理植被指数是通过遥感技术获取的不同波段的遥感数据，利用植物叶片的吸收和反射性质进行计算，进而反映出被观测区域内植被的生长状况。
常用的植被指数包括归一化植被指数（NDVI）、可见光反射率（VIs）、归一化差值红外指数（NDWI）等。
其中，NDVI是遥感数据处理中最为常用和重要的植被指数之一，其计算公式为：NDVI=(NIR-Red)/(NIR+Red)，其中NIR是近红外波段反射率，Red是红光波段反射率。
NDVI在农业生产、生态环境保护、气候变化和土地利用等方面有广泛的应用价值。
二、植被指数的计算方法植被指数的计算需要借助无人机遥感技术获取的多光谱图像数据，首先需要对图像进行校正和预处理，保证数据的准确性和可靠性。
校正和预处理包括光谱辐射校正、大气校正、地表反射率反演、云和阴影去除等。
校正和预处理后，可以根据不同的植被指数公式进行计算。
以NDVI为例，需要计算出近红外波段和红光波段的反射率，进行比值运算后得到NDVI值，根据NDVI值反映出被观测区域内植被的生长状况。
三、植被指数的应用价值植被指数在农业生产中的应用主要体现在农作物生长监测、作物养分诊断和土壤质量评价等方面。
通过监测植被指数的变化，可以有效地预测农作物产量和品质，及时发现作物病虫害和营养不良等问题，提高农业生产效益。
在生态环境保护和土地资源管理方面，植被指数可以用于动态监测和评价森林、草地和湿地生态系统的健康状况，及时发现生态环境问题，提出有效的生态保护和治理措施。
此外，植被指数还可以用于气候变化研究、城市规划和基础科学研究等方面，具有广泛的应用前景和市场价值。
遥感数字图像处理代数运算
代数运算根据地物在不同波段的灰度差异，通过不同波段的代数运算产生新的“波段”作用：突出特定的地物信息产生新的地物信息代数运算1. 加、减、乘、除法运算2. 归一化指数3. 植被指数RVI, NDVI, DVI, PVI1.加减乘除运算B = B1+B2B = B1-B2B = B1/B2B = B1*B22. 归一化指数B = (B1 – B2)/(B1 + B2)3.植被指数，IR－近红外反射率，R－红色波段反射率RVI = IR/RNDVI = (IR – R)/(IR + R)DVI = IR – RPVI = 1.6225*IR – 2.2978*R + 11.0656or = 0.939*IR – 0.344*R + 0.09设参与运算的波段为B1和B2, 结果为BB1和B2为M*N的矩阵，计算结果B也是M*N的矩阵相同的像元进行计算，以加法运算为例：for(i = 0; i < M-1; i++)for(j = 0; j < N-1; j++)B[i, j] = B1[i, j] + B2[i, j]归一化植被指数和正交植被指数：for(i = 0; i < M-1; i++)for(j = 0; j < N-1; j++)NDVI[i, j] = (IR[i, j] - R[i, j])/(IR[i, j] + R[i, j])PVI[i, j] = 0.039*IR[i, j] - 0.344*R[i, j] + 0.09均值滤波(Mean filtering)均值滤波取每个领域像素值的平均作为该像素的新值。
优点：对高斯噪声比较有效不足：会造成图像模糊，削弱边缘和细节中值滤波(Median filtering)中值滤波取每个领域像素值的中均作为该像素的新值。
优点：对椒盐噪声比较有效，能保留部分细节信息，减少模糊不足：计算复杂，对随机噪声效果不好图像锐化(Image Sharpening)图像锐化提高边缘与周围像素之间的反差，用于突出图像中的地物边缘、轮廓或线状目标。
遥感数字图像处理习题与标准答案
《遥感数字图像处理》习题与答案第一部分1.什么是图像？并说明遥感图像与遥感数字图像的区别。
答：图像（image）是对客观对象的一种相似性的描述或写真。
图像包含了这个客观对象的信息。
是人们最主要的信息源。
按图像的明暗程度和空间坐标的连续性划分，图像可分为模拟图像和数字图像。
模拟图像（又称光学图像）是指空间坐标和明暗程度都连续变化的、计算机无法直接处理的图像，它属于可见图像。
数字图像是指被计算机储存，处理和使用的图像，是一种空间坐标和灰度都不连续的、用离散数字表示的图像，它属于不可见图像。
2.怎样获取遥感图像？答：遥感图像的获取是通过遥感平台搭载的传感器成像来获取的。
根据传感器基本构造和成像原理不同。
大致可分为摄影成像、扫描成像和雷达成像三类。
3.说明遥感模拟图像数字化的过程。
灰度等级一般都取2m（m是正整数），说明m = 8时的灰度情况。
答：遥感模拟图像数字化包括采样和量化两个过程。
①采样：将空间上连续的图像变换成离散点的操作称为采样。
空间采样可以将模拟图像具有的连续灰度（或色彩）信息转换成为每行有N个像元、每列有M个像元的数字图像。
②量化：遥感模拟图像经离散采样后，可得到有MXN个像元点组合表示的图像，但其灰度（或色彩）仍是连续的，不能用计算机处理。
应进一步离散、归并到各个区间，分别用有限个整数来表示，称为量化。
当m = 8时，则得256个灰度级。
若一幅遥感数字图像的量化灰度级数g=256级，则灰度级别有256个。
用0—255的整数表示。
这里0表示黑，255表示白，其他值居中渐变。
由于8bit就能表示灰度图像像元的灰度值，因此称8bit量化。
彩色图像可采用24bit量化，分别给红，绿，蓝三原色8bit,每个颜色层面数据为0—255级。
4.什么是遥感数字图像处理？它包括那些内容？答：利用计算机对遥感数字图像进行一系列的操作，以求达到预期结果的技术，称作遥感数字图像处理。
其内容有：①图像转换。
包括模数（A/D）转换和数模（D/A）转换。
使用遥感技术进行地表物理参数反演的方法
使用遥感技术进行地表物理参数反演的方法遥感技术是一种通过获取地面反射和发射的电磁波信号，来获得地球表面信息的技术手段。
在地球科学领域，遥感技术的重要性不言而喻。
通过遥感技术，我们可以获得地球表面的物理参数，如地表温度、地表植被覆盖度、土地利用类型等信息，这对于环境监测、资源管理以及气候变化研究具有重要意义。
地表物理参数反演是指利用遥感技术从遥感影像中计算和估算地表的物理参数。
在进行地表物理参数反演时，需要考虑多个因素，包括遥感的波段、分辨率、噪声等，同时也要结合地球表面的物理过程和模型进行分析。
下面将介绍一些常用的地表物理参数反演方法。
首先，就地表温度的反演而言，一种常用的方法是基于热辐射传输模型的反演。
这种方法利用热辐射传输模型来模拟地表与大气之间的热辐射过程，通过遥感影像中的辐射值以及相关的大气参数，可以计算出地表温度。
热辐射传输模型的参数化比较复杂，需要准确的大气参数和遥感数据，但在一定的条件下，可以得到较准确的地表温度结果。
其次，对于地表植被覆盖度的反演，常用的方法是基于植被指数的反演。
植被指数是通过计算遥感影像中的红外波段和可见光波段反射率之比得到的指标，可以反映地表植被覆盖的状况。
根据不同的植被指数，可以推导出不同的植被指数-植被覆盖度模型，从而计算地表的植被覆盖度。
这种方法简单易行，但对于一些高植被覆盖和低植被覆盖的地区，可能存在一定的误差。
此外，土地利用类型的反演也是遥感研究的一个重要内容。
对于土地利用类型的反演，常用的方法是基于分类算法的反演。
分类算法可以通过将遥感影像中的像元进行分类，将其归类为不同的土地利用类型。
在进行分类时，可以利用多光谱影像的光谱信息、纹理信息以及遥感影像的空间分布信息，通过训练样本和分类算法的选择，得到较为准确的土地利用类型。
总结来说，使用遥感技术进行地表物理参数反演，可以通过建立适当的物理模型和分类算法，利用遥感影像的辐射信息、光谱信息和空间分布信息等，来计算和估算地表的物理参数。
陆地表面亮温、反射率的反演
二、具体操作步骤：
2. 根据文献，查找Landsat5的各个波段的Gain和 Bias值，注意不同的波段对应着不同的Gain和 Bias值。根据以下公式计算出Lλ 3. 查找图像获取日期的日地距离修正系数d，各个 波段对应的Esun值，热红外的查找K1和K2即可 5. 根据以上计算的Lλ、日地距离修正系数d、 Esun 值，并通过查找的太阳高度角计算出其天顶角， 根据公式出其他波段的计算过程与以上过程类似，注意第 6波段为热红外波段的发射数据，需要输入温度反 演的公式，通过公式计算后得出的是亮度温度的 结果，不是热力学温度，单位为K。 2. Landsat7 ETM+的计算与以上的类似，具体的 图像获取日期、太阳高度角等信息需重新查找， 其计算公式中的Gain，Bias、Esun、d、K1、K2 的值要按照Landsat7 ETM+的表进行查找。
三、在ENVI中的操作步骤
1. 打开要计算的图像 2. 输入要计算的公式（TM的第123457波段记录的 是反射数据，第6波段为热红外波段的发射数据） 3. 选择要计算的波段 4. 设置输出的地址和名称 下面就以波段1为例， 下面就以波段 为例，演示一下计算的过程 为例
经过计算，图像的数据变已经为0-1 的反射率数据了
3. 转换为亮温
二、具体操作步骤：
1. 用写字板打开一幅遥感图像的头文件，查找其中 包含的卫星和传感器类型、图像获取时间（注意不 是图像的处理时间）、太阳高度角等信息。本例中 的头文件名为L5122036_03620060502_MTL.txt， 查找结果如下： SPACECRAFT_ID = "Landsat5" SENSOR_ID = "TM" ACQUISITION_DATE = 2006-05-02 SUN_AZIMUTH = 128.0488069 SUN_ELEVATION = 62.0513641
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。
使用遥感数据进行测绘的方法
使用遥感数据进行测绘的方法引言：随着科技和信息技术的发展，遥感技术在测绘领域中扮演着重要的角色。
使用遥感数据进行测绘工作可以更快速、高效地获取地理信息，为城市规划、资源管理等领域提供支持。
本文将介绍使用遥感数据进行测绘的方法和技术。
一、遥感数据概述遥感数据是通过航空或卫星传感器，对地球表面进行观测和测量而获得的信息。
它可以提供地理图像、高程数据、多光谱数据等。
这些数据能够帮助我们了解地球表面的特征和变化。
二、地理图像解译地理图像是遥感数据常用的一种形式。
地理图像解译是指将图像中的各个元素与实际地貌特征相对应。
这需要通过视觉解译、计算机分析或结合二者来实现。
具体的地理图像解译方法包括目视解译、目标检测、分类等。
1. 视觉解译：视觉解译是运用人眼对图像进行观察、识别和分析的过程。
借助遥感图像的不同波段和图像特征，我们可以识别出不同的地物类型，如水体、森林、建筑物等。
然而，纯粹的视觉解译有时会受到主观意识和主观判断的影响，因此需要结合其他方法进行验证。
2. 计算机分析：计算机分析是利用计算机对遥感图像进行处理和分析的方法。
通过数字图像处理和模式识别算法，计算机可以提取出图像中的特征，并自动识别和分类不同的地物。
计算机分析方法能够高效地处理大量的图像数据，提高测绘的准确性和效率。
三、高程数据获取高程数据是描述地表和地形的重要信息，可以用于制作数字高程模型、三维地形分析等。
使用遥感数据获取高程数据的方法主要有激光雷达测绘、光学测高、合成孔径雷达等。
1. 激光雷达测绘：激光雷达测绘是通过激光束在地面上扫描，利用反射回来的信号计算地面高程的方法。
激光雷达可以快速获取大范围的高程数据，并具有较高的精度和分辨率。
激光雷达技术在城市规划、水资源管理等方面的应用广泛。
2. 光学测高：光学测高是使用遥感图像进行高程测量的方法。
通过分析图像中的阴影、角度和纹理等特征，可以估计地面的高程变化。
光学测高方法简单易行，适用于小范围地表高程测绘。
- 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)。
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。
大气模型Atmospheric Model选择Mid-Latitude Summer（根据研究区的位置和影像获取时间来确定）。
气溶胶Aerosol Model 选为Rural，气溶胶反演Aerosol Retrieval选为2-Band(K-T)。
②进行Multispectral Settings设置，弹出窗口如下：
根据要求设置气溶胶反演模型。
③进行高级Advanced Settings设置，弹出对窗口如下：
注意图中红色圈中的数据，Tile Size为计算时每个小窗口中的像元，有助于加快计算。
Output Reflectance Scale Factor是给反射率（范围0-1，以浮点型表示）乘以一个系数将浮点型转换为整型，便于储存。
④将参数设置好后，点击Apply进行地表反射率计算。
4、植被指数的计算:
利用Basic Tools |Band Math，输入公式(float(b4)-b3)/(float(b4)+b3)，将b4设置为第三步计算出地表反射率中的第4波段，b3设置为第3波段，最后选择输出路径保存为NDVI。
利用ROI Tool工具分析不同地表覆盖类型的植被指数，给出统计表。
5、地表温度反演：
利用Basic Tools |Band Math，输入公式1282.71/alog(666.09/b6+1)-273，将b6设置为第一步辐射定标结果radiance_band6中的61波段。
最后选择输出路径保存为band61_tem。
结果与分析
1、对landsat7 ETM+元数据中的1、
2、
3、
4、
5、7波段进行辐射定标的结果（以432波段合成显示）
图1（原始影像） 图2（辐射定标后的影像）
分析：对比两幅影像，发现每种地物在两幅影像上显示的颜色都相同，因为辐射定标是按照线性关系式 （QCAL 为DN 值）进行变化的，相当于用辐射亮度代替了DN 值，所以影像显示的一模一样。
当打开Cursor Location/Value 窗口
可以看出，原始影像中的数据是整型表示DN 值，定标后影像中的数据是浮点型表示辐射亮度。
2、利用FLAASH 大气校正模型计算出的结果（以432波段合成显示）
图3（辐射定标后的影像） 图4（大气校正后的影像）
分析：影像颜色大体格局没发生变化，但是仔细一看，地物颜色均发生了微小的变化，例如沙漠的颜色从淡绿色变成了淡浅绿色，甚至有的地方变成了灰色，裸地的颜色
L gain QCAL bias λ=∙+原始影像
辐射定标后的影像
从淡蓝色变成了灰白色，有植被的地方黑红色变少了等等。
利用十字叉丝找一个有植被覆盖的像元并统计它的光谱特征曲线如下：
图5（辐射定标后植被的光谱曲线）图6（大气校正后植被的光谱曲线）
从图5中可以看出，未进行大气辐射校正的植被在蓝光波段（0.45um）的反射率比在绿光（0.55um）波段的反射率高，这不符合正常健康植被的光谱特征，说明大气辐射对植被的光谱特征产生了影响，而从图6中可以看出，经过大气辐射校正后，植被的光谱特征曲线符合了正常健康植被的光谱特征，在绿光波段（0.55um）有个反射峰，两侧的蓝光（0.45um）和红光（0.67um）则有两个吸收带。
3、利用地表反射率计算NDVI的结果
图7（原始影像）图8（NDVI影像）分析：从上面两图中，我们可知，有植被覆盖的地区都是高亮显示的，植被覆盖度高，则亮度越高；水库完全呈现黑色；云也呈现黑色，但是颜色较水库要浅一些；沙漠和裸地呈现颜色深浅不一的灰色，整体感官其沙漠比裸地更深。
下面为NDVI的统计表：
地物/NDVI Min Max Mean Stdev
Forest0.47830.93540.85610.0479
Farmland0.46830.73890.63790.0404
Grassland0.12510.62820.30520.0592
Barren Land0.04900.39590.16450.0518 Cloud0.04690.23540.13200.0367
Town0.01990.49850.10620.0460
River0.01660.31170.10100.0340
Desert0.03450.15780.06930.0080
Reservior-0.7980-0.3107-0.26120.2042
分析：通过提取地物的DNVI值可以发现：①绿色植被的DNVI值比较高，一般大于
0.1，在NDVI影像上，以高亮度显示。
原因是绿色植被叶片组织对蓝光和红光有强烈的吸收，而对绿光和红外光则是强烈的反射，叶片里面的海绵组织和叶片背面组织对近红外辐射反射较强，使得植被在近红外波段和红光波段有很大的差异；又植物对红光的吸收会很快达到饱和，近红外反射则随着植被的增加而增加，所以通常植被覆盖越高，红光反射率越小，近红外光的反射越大，近红外波段与红光波段的差值也就越大，NDVI值也就越大。
本地区林地覆盖率大于农田，农田大于草地，所以NDVI(Forest)>NDVI(Farmland) >NDVI(Grassland)。
②城镇和裸地的NDVI值较接近，由于城镇中有大量的水泥建筑和部分裸露的土地，植被很少；裸地地区有大量的裸露泥土和岩石，植被很少，只有部分地区会生长较好的植被，而岩石、裸土在近红外和红光波段有相似的反射作用，在近红外波段稍高一些，所以城镇和裸地的NDVI一般在0-0.1，而本地区的平均值稍微高于0.1可能是裸地和城镇中有一些绿色植被。
③河流和水库的NDVI一般情况下接近0，原因是水体在红光和近红外波段的反射率基本一样。
但是本地区的河流NDVI平均值为0.1左右，原因是该地区的河流为季节性河流，在八月份的时候为干河床，干河床的光谱特征曲线和裸地差不多，所以河流的NDVI平均值为0.1左右，而水库中有泥沙、微生物等对可见光造成强烈的反射，所以NDVI平均值为负的。
④沙漠地区主要是沙子，植被非常稀少，沙子在近红外波段和红光波段的反射规律相似，且反射率值相近，近红外波段稍高，所以沙漠的NDVI值很小，接近0。
⑤云在可见光波段比近红外波段的反射率高，因而其NDVI 值应为负值，但是本地区云的NDVI平均值为0.13，可能是云本身对可见光进行了无选择性的散射，反射能量减少，即在红光波段的反射率减少，所以其NDVI值出现了正值。
4、地表温度反演结果
图9（原始影像）图10（温度反演影像）不同地表植被覆盖类型的辐射温度的统计表：
地物/温度℃Min Max Mean Stdev Desert35.7945.9941.13 2.82
Town30.1537.1634.52 1.04 Barren Land24.7538.5231.84 2.37
Grassland26.2434.4030.21 1.47 River23.2434.4026.62 3.16
Farmland24.2526.7425.370.52
Forest18.5832.0522.33 1.83
Reservior19.1022.7320.800.55 Cloud 1.4813.17 5.52 1.90。