基于Landsat8水体信息提取实验报告
基于Landsat8 OLI数据提取石河子市建筑用地的一个新方法
基于Landsat8 OLI数据提取石河子市建筑用地的一个新方法随着城市化进程的不断加快，城市建设用地的需求也在不断增加。
如何高效利用土地资源，是当今社会面临的一个重要问题。
石河子市作为新疆维吾尔自治区的一个重要城市，近年来的建设用地需求也在不断增长。
在城市规划和土地利用方面，基于遥感技术对建设用地进行提取已成为一种被广泛应用的方法。
本文将基于Landsat8 OLI数据，提出一种新的方法来提取石河子市的建筑用地，为城市规划和土地利用提供一定的参考。
Landsat8 OLI数据是美国国家航空航天局（NASA）于2013年发射的卫星数据，其空间分辨率为30米，光谱范围从紫外线到近红外范围，具有广泛的应用价值。
针对石河子市建筑用地提取的问题，本文将基于Landsat8 OLI数据，结合光谱信息和空间信息，提出一种新的方法来进行建筑用地的提取。
我们需要获取Landsat8 OLI数据，并对数据进行预处理。
Landsat8 OLI数据通常以遥感影像的形式提供，包括多个波段的光谱信息。
我们需要对影像进行大气校正和辐射定标处理，以消除大气、云、阴影等因素对图像的影响，同时将影像的反射率转换为地表辐射率。
这样处理后的影像更加符合实际地物的光谱特征，有利于后续的建筑用地提取。
我们还需要对影像进行几何校正，消除由于卫星轨道、姿态等因素造成的几何失真，确保影像的空间信息准确可靠。
接着，我们对预处理后的Landsat8 OLI影像进行特征提取。
在建筑用地提取中，光谱信息和空间信息都起着重要的作用。
我们可以利用影像的光谱信息，包括不同波段的反射率和光谱特征，来识别建筑用地的光谱特征。
我们还可以利用影像的空间信息，包括纹理特征、形状特征等，来识别建筑用地的空间分布特征。
通过对影像的特征提取，我们可以得到不同波段下建筑用地的光谱特征和空间特征，为建筑用地的提取奠定基础。
然后，我们将利用特征提取的结果，结合分类算法进行建筑用地提取。
《基于Landsat8OLI卫星影像的乌梁素海悬浮物和叶绿素a浓度遥感反演研究》范文
《基于Landsat 8 OLI卫星影像的乌梁素海悬浮物和叶绿素a浓度遥感反演研究》篇一一、引言随着遥感技术的飞速发展，利用卫星影像对地表环境和生态系统的监测变得愈加准确和便捷。
其中，基于Landsat 8 OLI卫星影像的数据资源在湖泊环境研究中发挥了重要作用。
乌梁素海作为我国北方的一个典型内陆湖泊，其水质变化和生态环境状况受到了广泛关注。
因此，本文以乌梁素海为研究对象，利用Landsat 8 OLI卫星影像数据，探讨其悬浮物和叶绿素a浓度的遥感反演方法。
二、研究区域与方法（一）研究区域乌梁素海位于我国北方某省，是典型的内陆湖泊。
该湖泊的生态环境和水质状况对周边地区具有重要影响。
（二）研究方法本研究主要利用Landsat 8 OLI卫星影像进行反演研究。
首先，收集乌梁素海区域的多时相Landsat 8 OLI卫星影像数据；其次，对卫星影像进行预处理，包括辐射定标、大气校正等；然后，通过分析水体光谱特征，建立悬浮物和叶绿素a浓度与卫星影像特征参数之间的数学模型；最后，利用模型对乌梁素海进行遥感反演，获取悬浮物和叶绿素a浓度的空间分布情况。
三、数据处理与分析（一）数据预处理对收集到的Landsat 8 OLI卫星影像进行辐射定标和大气校正等预处理操作，以提高数据质量。
（二）光谱特征分析通过分析乌梁素海水体的光谱特征，发现水体中的悬浮物和叶绿素a对不同波段的光具有不同的反射和吸收特性。
其中，蓝色波段对叶绿素a的吸收较强，而红色和近红外波段对悬浮物的反射较为敏感。
（三）数学模型建立根据水体光谱特征分析结果，建立悬浮物和叶绿素a浓度与卫星影像特征参数之间的数学模型。
本研究采用多元线性回归方法建立模型，通过分析不同波段的光谱信息与悬浮物和叶绿素a 浓度的关系，确定模型的参数。
（四）遥感反演与结果分析利用建立的数学模型对乌梁素海进行遥感反演，获取悬浮物和叶绿素a浓度的空间分布情况。
通过对反演结果的分析，发现乌梁素海不同区域的悬浮物和叶绿素a浓度存在较大差异，这与该地区的气候、植被和水质等因素密切相关。
基于Landsat8 OLI数据提取石河子市建筑用地的一个新方法
基于Landsat8 OLI数据提取石河子市建筑用地的一个新方法石河子市位于新疆维吾尔自治区北部，是新疆重要的经济中心和交通枢纽，地处西北干旱地区，气候干燥，水资源短缺。
当前，随着城市化进程的加快和人口的增加，建筑用地需求不断增加，因此对石河子市建筑用地的精确提取和监测显得尤为重要。
而Landsat8 OLI 数据具有高分辨率、多光谱信息和长时间序列等特点，可为城市建筑用地提取提供有力的支持。
基于Landsat8 OLI 数据提取石河子市建筑用地成为了一项具有实际意义和科学价值的研究工作。
目前提取城市建筑用地主要依靠遥感数据和影像分类技术，传统的方法主要是基于像元分类、目标导向分类、混合像元分类等。
虽然传统方法可以提取建筑用地信息，但存在识别精度不高、不适用于多光谱数据、对地物信息提取不够准确等问题。
鉴于此，本文提出了一种基于Landsat8 OLI 数据提取石河子市建筑用地的新方法，旨在提高城市建筑用地信息提取的精度和准确性。
本文采用Landsat8 OLI 数据，利用其高分辨率和多光谱信息对城市建筑用地进行监测。
Landsat8 OLI 数据是美国陆地卫星8号“运载合伙人多光谱成像仪”（OLI）提供的数据，该数据具有30米的空间分辨率，包括了8个波段的多光谱信息，可以很好地反映城市建筑用地的细微信息。
通过对Landsat8 OLI 数据进行预处理，包括大气校正、辐射校正、几何校正等，提高了数据的质量和准确性，为后续的城市建筑用地提取奠定了基础。
本文提出了一种基于支持向量机（SVM）的建筑用地提取方法。
支持向量机是一种基于统计学习理论的分类模型，它通过寻找最优的超平面来进行分类，能够有效地处理高维度、非线性和复杂数据。
本文利用SVM模型对Landsat8 OLI 数据进行建筑用地提取，首先利用样本数据对模型进行训练，然后对全市范围的Landsat8 OLI 数据进行分类预测，最终得到城市建筑用地的空间分布图。
基于Landsat-8OLI数据的遥感蚀变信息提取与分析——以金塔大红山地区为例
基于Landsat-8OLI数据的遥感蚀变信息提取与分析——以金塔大红山地区为例李浩杰;常晓珂【摘要】我国西北地区,地广人稀,交通不便,植被不发育,遥感蚀变信息提取技术的应用有着独特的优势和较好的效果.采用最新的Landsat-8OLI数据在金塔大红山地区,采用主成分分析法进行蚀变信息提取,结合已知资料对其结果对比分析,表明,提取的方法可行,蚀变信息可靠,为今后该区以及北山地区的遥感蚀变信息提取工作提供参考.【期刊名称】《甘肃科技》【年(卷),期】2015(031)013【总页数】4页(P16-19)【关键词】Landsat-8;遥感;蚀变信息提取;主成分分析【作者】李浩杰;常晓珂【作者单位】兰州大学土木工程与力学学院,甘肃兰州730000;甘肃省有色地质调查院,甘肃兰州730000;兰州理工大学经济管理学院,甘肃兰州730000【正文语种】中文【中图分类】P627蚀变岩石遥感信息与金属矿床有非常好的相关性，所提取的遥感信息异常是一种重要的找矿线索,在地质找矿中有着重要的作用。
然而，遥感图像蚀变信息是一种弱信息，通常被淹没在主要地物信息或混合信息之中，常规方法难于将异常信息增强并提取出来[1]。
为了获取遥感找矿的这种蚀变弱信息，国内外遥感和地质工作者都在不断设计和总结遥感信息提取的技术方法。
这些信息提取技术主要是基于地物波谱特征，采用波段比值运算，主成分分析和特征定向主成分选择技术，识别和提取铁染和羟基蚀变遥感信息。
本次异常提取依据中国地质调查局《我国干旱半干旱地区异常提取的技术方法体系》推荐采用的主成分分析法。
2013 年2 月，NASA 成功发射了Landsat-8 卫星，这使Landsat 对地观测得到继续Landsat-8，既保持了Landsat-7 卫星的基本特征，又在波段数量波段光谱范围和影响的辐射分辨率方面有了改进。
到目前为止，Landsat-8OLI 数据在地质遥感找矿方面的应用较少。
landsat 8归一化水体指数实际应用计算
landsat 8归一化水体指数实际应用计算1. 引言1.1 概述引言部分将对文章的主题进行概述和介绍。
本文旨在探讨landsat 8归一化水体指数的实际应用计算方法。
其中，归一化水体指数是一种用于测量和监测水体环境质量的指标，通过对Landsat 8卫星图像进行处理和分析，可以得出准确的水体指数值，并进而推断水体质量情况。
1.2 文章结构本文将按照以下结构进行论述。
首先，我们将介绍归一化水体指数的定义、计算方法和应用领域。
其次，我们会简要介绍Landsat 8卫星，并讨论数据获取与处理方法以及数据质量评估和校正方法。
然后，我们将详细阐述实际应用计算步骤，并通过案例分析展示计算结果。
最后，我们会总结研究结果并展望其意义和应用前景。
1.3 目的本文的目的是提供一种实际应用计算归一化水体指数的方法，并展示该方法在实践中的有效性和可靠性。
通过深入了解Landsat 8卫星数据处理流程和归一化水体指数的计算方法，读者将能够在自己的研究或实践中应用这一技术，并获得准确的水体环境质量信息。
此外，本文还将探讨研究成果的意义和未来发展方向，以推动该领域的进一步研究和应用。
2. 归一化水体指数介绍：2.1 归一化水体指数的定义归一化水体指数（Normalized Difference Water Index，NDWI）是一种用来评估陆地卫星影像中水体分布和含量的指标。
它基于不同波段的反射率差异，通过计算绿色波段和近红外波段之间的差值来准确识别和监测水体。
2.2 归一化水体指数的计算方法归一化水体指数（NDWI）的计算公式如下所示：NDWI = (G−NIR) / (G+NIR)其中，G表示绿色波段的反射率，NIR表示近红外波段的反射率。
在实际应用中，可以使用遥感图像处理软件来计算归一化水体指数。
首先，需要获取正确波段范围内的遥感数据，包括可见光、红外等不同波长的数据。
然后，通过对应波段上像元的反射率进行上述公式的计算即可得到每个像元点对应的归一化水体指数值。
基于Landsat-8卫星数据的红沿河核电站温排水监测
基于 Ｌ ａ ｎ ｄ ｓ ａ ｔ 一 ８卫 星 数 据 的 红 沿 河 核 电 站 温 排 水 监 测
王 祥 苏 岫 王 新 新 王 林 文 世 勇
（ 国家 海 洋 环境 监 测 ｌ ＋ ｜ 心 ，辽 宁 大 连 １ １ ６ ０ ２ ３ ）
ｒ ｅ ｆ ｅ ｒ ｒ ｉ ｎ ｇ ｔ ｏ ｔ ｈ ｅ Ｓ ｅ ａ Ｗａ ｔ ｅ ｒ Ｑｕ ａ ｌ ｉ ｔ ｙ Ｓ ｔ ａ ｎ ｄ ａ ｒ ｄ ， ｄ ｉ ｆ ｅ ｒ ｅ ｎ ｔ ｔ ｅ ｍｐ ｅ ｒ ａ ｔ ｕ ｒ ｅ ｒ ｉ ｓ ｉ ｎ ｇ ｉ ｎ ｔ ｅ ｎ ｓ ｉ ｔ ｙ ｉ ｓ ｃ ｌ ａ ｓ ｓ ｉ ｉ ｆ ｅ ｄ ｉ ｎ ｔ ｏ
ｐ ｏ ｔ ｈｅ ａ ｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ａ ｂ ｉ ｌ ｉ ｔ ｙ ｏ ｆ ｔ ｈ ｅ ｔ ｈ ｅ ｒ ｍａ ｌ ｉ ｎ ｆ ｒ ａ ｒ ｅ ｄ ｄａ ｔ ａ ｆ ｒ ｏ ｍ Ｌａ ｎ ｄ ｓ ａ ｔ 一 ８ ｓ ａ ｔ ｅ ｌ ｌ ｉ ｔ ｅ ｉ ｎ
ｉ ｎ ｇ Ｓ ｐ ｅ ｃ ｔ ｒ ｏ ｒ ａ ｄ ｉ ｏ ｍｅ ｔ ｅ ｒ（ ＭＯＤＩ Ｓ ）ｉ ｓ ｕ ｓ ｅ ｄ ｔ ｏ ｅ ｓ ｔ ａ ｂ ｌ ｉ ｓ ｈ ａ ｔ ｅ ｍｐ ｅ ｒ ａ ｔ ｕ ｒ ｅ ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｏ ｎ ｍｏ ｄ ｅ １ ．Ｂ ｙ
关键 词： 温排水；遥 感监测 ； Ｌ ａ ｎ ｄ ｓ ａ ｔ 一 ８；红沿河核 电站 中图分 类号 ： Ｘ ８ ３ ４ 文献 标志码 ： Ａ ＤＯ Ｉ ：１ ０ ． ３ ９ ６ ９ ／ ｊ ． ｉ ｓ ｓ ｎ ． １ ６ ７ ２ — ８ ７ ８ ５ ． ２ ０ １ ５ ． ０ ８ ． ０ ０ ６
landsat8植被提取步骤 -回复
landsat8植被提取步骤-回复Landsat 8植被提取步骤：第一步：数据获取与准备Landsat 8是美国国家航空航天局（NASA）和美国地质调查局（USGS）联合运营的一颗卫星，它搭载了一台名为Operational Land Imager (OLI)的传感器，可以提供高空间分辨率和多光谱信息的遥感数据。
要进行植被提取，首先需要获取Landsat 8的遥感影像数据。
这些数据可以从USGS 的遥感数据分发网站下载。
下载到数据后，还需要对其进行一些预处理以准备后续的植被提取分析。
预处理步骤通常包括校正、大气校正和辐射校正。
这些校正步骤旨在消除不同波段之间的辐射差异和大气干扰，以确保准确的植被提取结果。
第二步：选择植被指标植被指标是通过遥感数据计算得出的数值，用于衡量植被的生长状况和覆盖程度。
在Landsat 8数据中，常用的植被指标有Normalized Difference Vegetation Index (NDVI)和Enhanced Vegetation Index (EVI)。
选择合适的植被指标是提取植被信息的关键步骤。
NDVI是其中一种广泛使用的植被指标，计算公式为：(NIR - R) / (NIR + R)，其中NIR代表近红外波段的反射值，R代表红光波段的反射值。
NDVI的取值范围为-1到1，数值越高代表植被覆盖度越高。
EVI是在NDVI基础上进行改进的植被指标，能够更好地消除大气干扰和土壤背景噪声。
计算公式为：EVI = 2.5 * (NIR - R) / (NIR + 6 * R - 7.5 * B + 1)，其中B代表蓝光波段的反射值。
EVI的取值范围也为-1到1，数值越高代表植被覆盖度越高。
根据研究目的和数据特点，选择适合的植被指标进行后续的分析和提取。
第三步：获取植被提取结果在得到合适的植被指标后，可以使用不同的方法来提取植被信息。
常用的方法包括阈值分割、土地覆盖分类和机器学习算法。
ENVI图像校正与水体提取
ENVI实习报告课程：《遥感原理与应用》专业：班级：学生姓名：学号：指导教师：指导教师职称：完成时间：实习项目列表上机实习一 ENVI 基本操作与遥感图像认知一、实习目的1）学习ENVI基本操作如打开图像、格式转换、波段组合、拉伸显示等；2）利用ENVI自带的光谱库制作典型地物光谱反射曲线并观察；3）从高光谱图像和多光谱图像上制作典型地物反射特性曲线；4）观察不同影像上各类地物的光谱特征和空间特征。
二、实验数据Landsat8、worldview、QuickBird、IKONOS、ALOS等卫星影像以及机载超光谱影像。
三、上机实习要求与思考题（1）打开各种不同图像，查看源文件信息，改变显示波段，改变显示拉升格式，并将文件输出保存为TIF格式。
图1.1查看源信息图1.2保存为tif（2）打开Landsat8影像选择不同的显示波段组合，观察不同组合下各类地物的不同颜色，思考分析原因；对worldview影像也进行类似操作。
图1.2观察不同显示波段对worldview影像也进行类似操作。
图1.4观察worldView不同显示波段（3）打开QuickBird影像后，选择不同的不同的拉升方式，观察显示效果，思考为何要进行拉升？当选择无拉升方式时，QuickBird影像显示为一片白色，分析原因。
图1.5 影像拉伸影像拉伸：增大对比度，加大灰度值范围，使影像细节更加清晰。
（4）利用ENVI自带的ASTER光谱库数据，制作几种典型地物的光谱曲线图，地物包括：落叶林、草地、水（例如自来水Tap water）、土壤（可选光谱库里任意一种土壤）、水泥（concrete）、沥青（asphalt）图1.6 光谱曲线图（5）在Landsat8影像和机载超光谱影像等各种影像上制作典型地物光谱曲线图。
图1.6 光谱曲线图四、提取原理与过程1. 图像打开与显示：（1）打开文件点击File –> Open菜单或者按钮打开 ENVI 图像文件或其它所支持的格式遥感图像文件。
基于Landsat8数据和监督分类方法的土地利用分类研究
基于Landsat8数据和监督分类方法的土地利用分类研究1. 引言1.1 研究背景和意义：基于Landsat8数据和监督分类方法的土地利用分类研究土地利用分类研究是地学领域中一个重要的研究方向，对于探究土地资源的利用状况、监测土地利用变化、保护生态环境等具有重要意义。
而基于Landsat8数据和监督分类方法的土地利用分类研究，是利用高分辨率遥感影像数据和地学信息技术相结合的一种研究手段。
Landsat8作为全球最具代表性的遥感卫星之一，具有较高的空间分辨率和频率，能够提供丰富的地学信息。
监督分类方法是一种基于地物光谱特征进行分类的遥感信息提取方法，可以有效地实现土地利用类型的识别和分类。
通过对Landsat8数据和监督分类方法的结合应用，可以实现对土地利用类型的准确识别和监测，为土地资源管理和规划提供科学依据。
开展基于Landsat8数据和监督分类方法的土地利用分类研究具有重要的实践意义和科学价值。
1.2 研究目的：基于Landsat8数据和监督分类方法的土地利用分类研究2. 探讨监督分类方法在土地利用分类中的应用效果及优势。
3. 研究不同土地利用类型的特征，找出其影响因素和区别。
4. 分析土地利用分类结果，为土地资源管理和规划提供科学依据。
通过本研究，旨在为土地资源管理、环境保护以及城乡规划等领域提供可靠的土地利用分类信息，为相关决策提供科学支持。
本研究也旨在进一步完善遥感影像处理和监督分类方法在土地利用研究中的应用，推动土地资源利用的可持续发展。
1.3 研究方法：基于Landsat8数据和监督分类方法的土地利用分类研究研究方法部分是本文的重点之一，本文将采用基于Landsat8数据和监督分类方法的土地利用分类研究。
我们将通过USGS网站获取Landsat8影像数据，选择适当的时间和地点进行研究。
接着，我们将对获取的数据进行预处理，包括云层去除、辐射校正、大气校正等步骤，以确保数据的质量和准确性。
基于Landsat8 OLI数据提取石河子市建筑用地的一个新方法
基于Landsat8 OLI数据提取石河子市建筑用地的一个新方法随着经济的发展和人口的增加，城市建设用地的需求越来越大。
建筑用地的合理规划和管理对城市的可持续发展至关重要。
而高分辨率的遥感影像数据能够提供城市建设用地信息的快速获取和更新，因此成为研究城市建设用地的重要途径之一。
一、数据获取和预处理我们需要获取石河子市的Landsat8 OLI影像数据。
Landsat8 OLI卫星数据具有30米的空间分辨率和11个波段的遥感信息，覆盖了从可见光到红外波段的大量数据。
在获取影像数据后，需要进行预处理，包括影像镶嵌、辐射定标、大气校正和几何定位等，确保数据的质量和一致性。
二、建筑用地提取方法1. 影像分类基于Landsat8 OLI数据进行影像分类是提取建筑用地的关键步骤。
传统的分类方法包括最大似然法、支持向量机和随机森林等。
这些方法都可以通过对遥感影像数据进行训练和分类来提取建筑用地信息。
最近兴起的深度学习方法，如卷积神经网络（CNN）、循环神经网络（RNN）等，也被证明在遥感影像分类中具有很高的效果。
2. 特征提取和融合在进行影像分类的需要对建筑用地的特征进行提取和融合。
建筑用地在Landsat8 OLI 影像中通常表现为高度亮度和纹理细密的区域。
利用光谱特征、空间结构特征和纹理特征等，可以更加准确地提取建筑用地信息。
3. 高精度验证完成建筑用地的提取后，需要进行高精度验证和精度评价。
传统的验证方法包括人工验证和实地调查，然而这些方法费时费力，而且难以覆盖整个研究区域。
近年来，利用高分辨率遥感影像数据和地理信息系统（GIS）技术，结合空间统计分析和精度评价方法，可以更加全面地评估建筑用地提取的准确性和可信度。
三、结果分析和应用通过以上方法，我们可以提取出石河子市的建筑用地信息。
进一步对建筑用地信息进行空间分布和变化分析，可以为城市规划和管理提供重要的决策支持。
通过对建筑用地的分布、密度和规模进行分析，可以了解城市建设用地的发展趋势和需求状况，为城市规划和土地利用优化提供科学依据。
一种基于Landsat8遥感数据快速提取水体信息的新方法
一种基于Landsat8遥感数据快速提取水体信息的新方法倪衡;刘晓颖【摘要】日益增多的不合理的围填海活动对海岸带环境造成了不可逆转的破坏.随着Landsat8的成功发射,我们需要一种针对海岸带附近的用海活动进行及时有效的监测的方法.根据围填海活动由海向陆硬化过程不同阶段代表地物的光谱特性,在如今大规模使用Landsat8遥感数据的条件下,根据其波段特性,提出新的水体指数NWI8对光谱进行处理并比较其区分水体、滩涂和人工填海地物的能力.结果发现,基于Landsat8特性提出的新型水体指数可以充分满足区分由海向路硬化过程的不同阶段的需求,高效的完成快速监测用海活动的任务.【期刊名称】《科技资讯》【年(卷),期】2015(013)019【总页数】3页(P7-9)【关键词】水体指数;地物光谱;遥感;Landsat8【作者】倪衡;刘晓颖【作者单位】天津师范大学城市与环境科学学院天津300387;天津师范大学城市与环境科学学院天津300387【正文语种】中文【中图分类】TP79在土地资源越发紧张的情况下,易开发的滨海地区成为了时下热门的新型开活动场所。
滨海地区的海岸带资源是我国重要的自然资源,不合理的违法开发利用会对滨海地区的生态环境造成不可逆转的破坏。
因此,为了保护海岸带生态系统的平衡,促进海岸带自然资源的合理高效利用,实现海洋资源的可持续发展,海洋管理部门就有必要准确、及时、高效地监视监测海岸带开发利用活动。
而海岸带开发利用活动以围填海为主,围填海的过程也是由海向陆的硬化过程。
对此,为了提取水体信息而创建的水体指数可以有效的反映这一硬化过程。
目前常见的水体指数有: NDWI、MNDWI、EWI和NWI。
在Landsat8遥感数据开始广泛应用的今天,该文基于其数据新的特性创建了New Water Index 8(NWI8),并针对由海向陆硬化过程不同阶段提出不同参考指标。
1.1 Landsat 8波段特性2013年2月新一代的陆地资源卫星Landsat8成功发射并在随后开始向地面传输数据。
landsat8植被提取步骤 -回复
landsat8植被提取步骤-回复Landsat 8是一款美国国家航空航天局（NASA）和美国地质调查局（USGS）合作开发的卫星，旨在提供高分辨率的地球观测数据。
它携带了一台名为OLI（Operational Land Imager）的传感器，可以获取多光谱影像。
这使得Landsat 8成为研究植被覆盖和植被健康状况的理想工具。
本文将介绍使用Landsat 8数据进行植被提取的步骤。
步骤1：数据获取和预处理获取Landsat 8卫星数据是植被提取流程中的第一步。
您可以通过美国地质调查局网站（USGS Earth Explorer）或其他数据提供商获得卫星影像。
通常，您需要选择适合您研究区域和时间范围的图像。
下载完成后，您需要对原始数据进行预处理，包括影像配准、辐射校正和云去除等。
这些步骤可以使用遥感图像处理软件如ENVI、QGIS或ArcGIS实现。
步骤2：图像增强和索引计算在进行植被提取之前，您可以对影像进行一些增强操作，以便更好地区分植被和非植被区域。
这些增强操作包括直方图均衡化、对比度拉伸和多尺度变换等。
然后，您可以计算一些植被指数，如归一化差异植被指数（NDVI）和土地表面水指数（LSWI）等。
这些指数可以通过以下公式计算：NDVI = (NIR - Red) / (NIR + Red)LSWI = (NIR -SWIR2) / (NIR + SWIR2)其中，NIR代表近红外波段，Red代表红色波段，SWIR2代表短波红外波段2。
步骤3：阈值分割阈值分割是一种将遥感影像转换为二值图像的方法，即将植被和非植被区域分开。
在这一步骤中，您需要确定适当的阈值，以便正确地提取植被。
常用的阈值分割方法包括基于直方图的阈值法和基于自适应阈值的方法。
您可以在遥感图像处理软件中使用相应的工具进行阈值分割。
步骤4：去除噪声和填充空洞在进行阈值分割后，可能会出现一些噪声和空洞。
为了得到更加准确的植被提取结果，您需要移除这些干扰因素。
基于Landsat—8的遥感蚀变分级方法分析
基于Landsat—8的遥感蚀变分级方法分析基于Landsat-8数据进行蚀变信息提取，并使用门限及等间距分级法对研究区蚀变进行分级。
将上述两种蚀变分级结果与矿区地质图进行对比分析，结果表明：两种方法的蚀变分级结果的空间分布基本一致，与研究区实际地质条件相符。
但在细节变异的表现上，门限法优于等间距法，具有更好的蚀变分级效果，更适用于蚀变异常提取研究。
标签：遥感；蚀变；分级方法引言目前研究主要集中干扰信息的去除及蚀变信息的获取过程中，但实际应用中发现蚀变信息的提取结果也会受到分级方法的影响。
因此本文以西范坪矿区为例，选择等间距分级法以及门限分级法对西范坪矿区蚀变信息进行提取及分级，来分析哪种分级方法能得到更优的蚀变信息分级效果。
1 数据及预处理本文选择Landsat-8 OLI数据，对该数据进行了辐射定标和大气校正等预处理，然后通过比值计算、密度切割、监督分类等方法去除影像中的云、阴影、雪、水体等干扰因子，同时计算研究区植被覆盖度，去除研究区的高植被覆盖区域。
2 蚀变信息提取及分级2.1 蚀变信息提取本文通过主成分变换（PCA）法提取蚀变信息，该方法的实质是对信息进行线性变换，将影像信息分配到新的、互不相关的、具有独特地质信息的主分量中，以实现信息的归并及增强。
2.2 蚀变异常分割2.2.1 门限分级法门限法分级计算如式（1），该方法是通过计算平均值和标准差，使用与标准差成比例的等值范围创建分类间隔实现的，主要表示反映要素属性值与平均值之间的差异。
（X+kσ）（1）X代表某一成分的统计均值，表示标准差，k取常数，取值范围为1-3，对羟基分级时K取2、2.5、3，鐵染分级时K取1.5、2、2.5。
2.2.2 等间距分级法根据包含蚀变信息的主分量的灰度值范围，取等间距对其进行分级，并将灰度值较高的最后三级划分为羟基及铁染的一、二、三级。
3 蚀变分级结果分析等间距分级法及门限分级法的分级结果如图1所示，两种分级方法提取的蚀变空间分布大致相同，两种分级方法均显示矿化蚀变主要分布于矿区的西北部，其余区域只有少量蚀变。
基于深度学习的遥感水体信息提取研究
基于深度学习的遥感水体信息提取研究基于深度学习的遥感水体信息提取研究摘要：遥感技术在水体信息提取中具有广泛的应用前景，然而传统的遥感水体信息提取方法存在着一定的局限性。
本文提出了一种基于深度学习的遥感水体信息提取方法，通过使用深度卷积神经网络（CNN）来提取水体的特征，并用多层感知器（MLP）进行分类。
实验结果表明，深度学习可以有效地从遥感影像中提取水体信息，具有较高的准确性和泛化能力。
1. 引言水资源是地球上最为宝贵的资源之一，对于生态系统的平衡和人类的生存都起着至关重要的作用。
随着遥感技术的发展，遥感影像成为了获取水体信息的重要工具之一。
准确地提取遥感影像中的水体信息对于水资源管理和环境保护具有重要意义。
然而，传统的基于像元的分类方法往往无法准确提取水体信息，因此需要寻找更有效的方法来应对这个问题。
2. 深度学习及其在遥感中的应用深度学习是一种模仿人脑神经网络工作原理的机器学习方法，它能够从大量的训练数据中学习到高层次的抽象特征。
近年来，深度学习在图像识别、目标检测等领域取得了显著的成果。
在遥感领域，深度学习也被广泛应用于土地利用分类、目标提取等任务中，取得了令人瞩目的效果。
3. 基于深度学习的遥感水体信息提取方法本文提出了一种基于深度学习的遥感水体信息提取方法。
首先，将遥感影像进行预处理，包括辐射校正、大气校正等。
然后，使用深度卷积神经网络来提取水体的特征。
深度卷积神经网络通过堆叠多个卷积层和池化层来构建，能够从原始图像中学习到具有局部感知能力的特征。
最后，利用多层感知器进行水体的分类，并根据分类结果生成水体信息图。
4. 实验结果与分析本文使用了包括Landsat TM、Sentinel-2等多种遥感影像数据集进行实验。
对于每个数据集，我们随机选取了一部分样本进行训练，并利用剩余的样本进行测试。
实验结果表明，基于深度学习的遥感水体信息提取方法在准确性和泛化能力上明显优于传统的方法。
与传统的基于像元的分类方法相比，深度学习方法能够更好地区分出水体和其他地物，提取出更精确的水体信息。
基于Landsat 8 OLI数据的镜泊湖水体叶绿素a浓度反演
刘宇，朱丹瑶.基于Landsat 8OLI 数据的镜泊湖水体叶绿素a 浓度反演［J ］.湖北农业科学，2021，60（23）：157-162．收稿日期：2021-04-02基金项目：黑龙江省教育厅基本科研业务费项目（1355MSYQN007）；牡丹江师范学院科研项目（QN2021005）作者简介：刘宇（1985-），男，辽宁丹东人，讲师，硕士，主要从事环境遥感研究及教学工作，（电话）186****2723（电子信箱）****************。
随着内陆水体污染的不断加剧，地表水状况已然成为影响社会经济可持续发展的一个重要因素。
作为水质评价的重要手段，水质参数监测的结果将直接影响区域生产活动与居民用水状况［1，2］。
近年来，由于人类活动的增加和全球气候的改变，地表水质状况发生显著变化［3］。
水质的恶化还有可能进一步危及水生生态系统（如鱼类栖息地），从而影响人类生态与经济效益［4］。
众所周知，内陆水域富营养化程度逐步加剧，将导致水质明显下降［5］。
因此，对内陆水体的连续监测，特别是对水源地和保护区的监测至关重要。
同时，长时间持续的监测也有助于更好、更快地了解水域水质所发生的变化，以及人类活动对生态系统的影响［6］。
利用遥感影像水色信息可以有效地推断出水域的水质状况。
水色信息通常取决于水体的组成成分、类型和数量等。
常用的水质监测指标包括叶绿素a （Chl-a ）、有色溶解有机物（CDOM ）、总悬浮物（TSM ）和浑浊度等。
随着遥感技术的日益成熟，遥感监测可选择的指标也在逐渐增多。
在众多水质参数中，叶绿素a 作为水域浮游植物的主要组成成分，一直是水体富营养化水平监测的重要指标［7］。
目前，内陆水体水质遥感的研究方法多种多样，基于Landsat 8OLI 数据的镜泊湖水体叶绿素a 浓度反演刘宇，朱丹瑶（牡丹江师范学院历史与文化学院，黑龙江牡丹江157012）摘要：为选择适合镜泊湖的叶绿素a 遥感监测模型，结合2018年7月实测叶绿素a 浓度与同步Landsat 8OLI 影像，建立了叶绿素a 浓度简单线性模型（SLR ）与多元线性模型（MLR ），并根据拟合度和验证精度最优原则，评估了2种模型的预测效果。
Landsat8数据介绍、获取及合成-12页word资料
Landsat8数据介绍、获取及合成2013年2月11日，第八颗LandSat卫星在加州范登堡空军基地进行发射。
并作出说明5月底之前，所有用户都可以下载使用，注意是对所有用户。
下面是原话“By the end of May 2013, data from the Landsat 8 satellite will be available to all users. Each day, 400 scenes acquired by the Operational Land Imager (OLI) and Thermal Infrared Sensor (TIRS) will be archived at the USGS EROS Center, and will be processed to be consistent with current standard Landsat data products. Data will be ready to download within 24 hours of reception.”老美的效率就是高，其实中国的效率也是挺高的，就是不容易获得自己想用的，大家都懂得。
言归正传，今天landsat8数据尝鲜，有点小高兴，遂把数据的详细获取步骤及合成分享给能用到的朋友。
先来张13年6月的landsat8影像合成图：（刚出炉的）肿么是这个样子的一、Landsat8数据LDCM(Landsat Data Continuity Mission) 计划是美国国家航空航天局（NASA）陆地卫星系列的第八个计划，由NASA和美国地质调查局联合运行的计划，旨在长期对地进行观测。
该计划主要对资源、水、森林、环境和城市规划等提供可靠数据。
LandSat-8上携带有两个主要载荷：OLI和TIRS。
其中OLI（全称：Operational Land Imager ，运营性陆地成像仪）由卡罗拉多州的鲍尔航天技术公司研制；TIRS（全称：Thermal Infrared Sensor，热红外传感器），由NASA的戈达德太空飞行中心研制。
基于Landsat-8数据的快速变化检测研究
第４３卷第１２期２０２０年１２月测绘与空间地理信息ＧＥＯＭＡＴＩＣＳ＆ＳＰＡＴＩＡＬＩＮＦＯＲＭＡＴＩＯＮＴＥＣＨＮＯＬＯＧＹＶｏｌ.４３ꎬＮｏ.１２Ｄｅｃ.ꎬ２０２０收稿日期:２０１９－０７－０１作者简介:罗建松(１９９０－)ꎬ男ꎬ黑龙江绥化人ꎬ助理工程师ꎬ硕士ꎬ２０１６年毕业于中国地质大学(北京)地球科学与资源学院地质工程专业ꎬ主要从事摄影测量与遥感方面的应用研究工作ꎮ基于Ｌａｎｄｓａｔ－８数据的快速变化检测研究罗建松ꎬ赵妮妮ꎬ李姝蕊(黑龙江地理信息工程院ꎬ黑龙江哈尔滨１５００８１)摘要:以２０１０年和２０１７年两期Ｌａｎｄｓａｔ－８遥感影像为数据源ꎬ选取欧洲某地区为试验区ꎬ使用简译遥感信息提取软件ꎬ综合利用遥感影像的光谱信息㊁颜色信息㊁纹理信息等特征ꎬ进行两期影像变化区域的快速提取研究ꎮ试验表明:耕地㊁森林㊁草地及水体等地表覆盖要素可以有效进行变化检测提取ꎬ但也会存在部分伪变化区域ꎻ人造地表的自动变化检测敏锐度较低ꎮ该试验可以为地表覆盖相关项目提供理论和技术支持ꎮ关键词:Ｌａｎｄｓａｔ－８ꎻ变化检测ꎻ地表覆盖中图分类号:Ｐ２３７㊀㊀㊀文献标识码:Ａ㊀㊀㊀文章编号:１６７２－５８６７(２０２０)１２－０１１６－０３ＲｅｓｅａｒｃｈｏｎｔｈｅＱｕｉｃｋＣｈａｎｇｅＤｅｔｅｃｔｉｏｎＢａｓｅｄｏｎＬａｎｄｓａｔ－８ＳａｔｅｌｌｉｔｅＩｍａｇｅｓＬＵＯＪｉａｎｓｏｎｇꎬＺＨＡＯＮｉｎｉꎬＬＩＳｈｕｒｕｉ(ＨｅｉｌｏｎｇｊｉａｎｇＩｎｓｔｉｔｕｔｅｏｆＧｅｏｍａｔｉｃｓＥｎｇｉｎｅｅｒｉｎｇꎬＨａｒｂｉｎ１５００８１ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:ＴｈｅｐａｐｅｒｕｓｅｓＬａｎｄｓａｔ－８ｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅａｓｄａｔａｓｏｕｒｃｅｉｎ２０１０ａｎｄ２０１７.ＴａｋｉｎｇＳｅｖｉｌｌａｏｆＳｐａｉｎａｓｓｔｕｄｙａｒｅａꎬｉｔｕｓｅｓｅａｓｙ－ｉｎｔｅｒｐｒｅｔａｔｉｏｎｒｅｍｏｔｅｓｅｎｓｉｎｇｉｎｆｏｒｍａｔｉｏｎｅｘｔｒａｃｔｉｏｎｓｏｆｔｗａｒｅｔｏｃｏｎｄｕｃｔｒａｐｉｄｅｘｔｒａｃｔｉｏｎｏｆｔｈｅｃｈａｎｇｉｎｇａｒｅａｉｎｉｍａｇｅｓｏｆｔｗｏｐｅｒｉｏｄｓｂｙｃｏｍｐｒｅｈｅｎｓｉｖｅｕｔｉｌｉｚａｔｉｏｎｏｆｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓｐｅｃｔｒａｌｉｎｆｏｒｍａｔｉｏｎꎬｃｏｌｏｒｉｎｆｏｒｍａｔｉｏｎꎬｔｅｘｔｕｒｅｉｎｆｏｒｍａｔｉｏｎꎬａｎｄｏｔｈｅｒｆｅａｔｕｒｅｓ.Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｓｕｒｆａｃｅｃｏｖｅｒｉｎｇｅｌｅｍｅｎｔｓｓｕｃｈａｓｃｕｌｔｉｖａｔｅｄｌａｎｄꎬｆｏｒｅｓｔꎬｇｒａｓｓｌａｎｄꎬａｎｄｗａｔｅｒｂｏｄｙｃａｎｂｅｅｆｆｅｃｔｉｖｅｌｙｅｘｔｒａｃｔｅｄꎬｈｏｗｅｖｅｒꎬｓｏｍｅｆａｌｓｅｃｈａｎｇｅａｒｅａｓａｒｅｙｅｔｄｅｔｅｃｔｅｄ.Ｔｈｅｓｅｎｓｉｔｉｖｉｔｙｏｆａｕｔｏｍａｔｉｃｃｈａｎｇｅｄｅｔｅｃｔｉｏｎｏｆａｒｔｉｆｉｃｉａｌｓｕｒｆａｃｅｓｉｓｌｏｗ.Ｔｈｅｓｔｕｄｙｃａｎｐｒｏｖｉｄｅｔｈｅｏｒｅｔｉｃａｌａｎｄｔｅｃｈｎｉｃａｌｓｕｐｐｏｒｔｆｏｒｕｐｄａｔｉｎｇｓｕｒｆａｃｅｃｏｖｅｒａｇｅｄａｔａ.Ｋｅｙｗｏｒｄｓ:Ｌａｎｄｓａｔ－８ꎻｃｈａｎｇｅｄｅｔｅｃｔｉｏｎꎻｇｒｏｕｎｄｃｏｖｅｒ０㊀引㊀言为了满足地表覆盖数据相关项目的需求ꎬ以２０１０年ＧｌｏｂｅｌＬａｎｄ３０为基准数据ꎬ使用简译遥感信息提取软件完成２０１５版ＧｌｏｂｅｌＬａｎｄ３０数据更新ꎬ持续做好ＧｌｏｂｅｌＬａｎｄ３０数据丰富与服务工作ꎮ１㊀试验区域概况及数据源简介本文研究区域位于欧洲某地区ꎮ以Ｌａｎｄｓａｔ２０１０期影像㊁Ｌａｎｄｓａｔ２０１７期影像作为影像基础ꎬ以ＧｌｏｂｅｌＬａｎｄ３０为专题成果数据ꎬ进行计算机自动变化检测试验ꎬ影像数据源见表１ꎮ表１㊀试验用影像Ｔａｂ.１㊀Ｅｘｐｅｒｉｍｅｎｔａｌｉｍａｇｅｓ２０１０年影像(４３２波段组合)２０１７年影像(４３２波段组合)该试验区内ＧｌｏｂｅｌＬａｎｄ３０专题成果数据包含耕地㊁森林㊁草地㊁水体㊁人造地表等地表覆盖要素ꎮ２㊀研究方法本文以２０１０年地表覆盖数据ＧｌｏｂｅｌＬａｎｄ３０为基准数据ꎬ综合利用Ｌａｎｄｓａｔ２０１０期影像㊁Ｌａｎｄｓａｔ２０１７期影像ꎬ使用简译遥感信息提取软件ꎬ运用自动变化检测方法(最小距离法㊁归一化最小距离法㊁颜色匹配法㊁归一化颜色匹配法)提取两期影像变化区域ꎬ并对伪变化区域进行剔除处理ꎬ以完成地表覆盖数据更新ꎬ试验总体流程如图１所示ꎮ图１㊀试验流程图Ｆｉｇ.１㊀Ｔｈｅｆｌｏｗｃｈａｒｔｏｆｅｘｐｅｒｉｍｅｎｔ３㊀试验过程及结果分析遥感影像变化检测指利用多时相获取的覆盖同一地表区域的遥感影像及其他辅助数据来确定和分析地表变化ꎮ它的方法主要分为两大类:一类是基于像素的影像变化检测ꎻ另一类是基于特征的影像变化检测ꎮ本试验主要是利用第二种方法ꎬ基于对象的特征进行变化检测ꎮ本试验优先对两期影像进行多尺度分割ꎬ将影像分割为单独的一个个 同质对象 ꎮ综合选取最小距离法㊁归一化最小距离法㊁颜色匹配法㊁归一化颜色匹配法等自动变化检测方法ꎬ并结合影像的光谱信息㊁颜色信息㊁纹理信息等特征ꎬ对分割后的影像对象通过调整两期影像的变化率来进行变化区域的自动提取[１－３]ꎮ３.１㊀影像多尺度分割首先对两期影像进行多尺度分割ꎬ将影像分割成一个个单独的影像对象ꎬ对这些单独的对象进行变化检测ꎮ影像多尺度分割中的尺度是一个关于多边形对象异质性最小的阈值ꎬ决定生成最小多边形的级别大小ꎮ多尺度影像分割表示在分割过程中可采用不同的分割尺度值ꎬ所生成的对象大小取决于分割前确定的尺度值ꎬ分割尺度值越大ꎬ所生成的对象层内多边形面积越大而数目越小ꎬ反之亦然ꎮ综合选取合适的尺度对影像进行多尺度分割ꎮ３.２㊀变化检测整体结果对分割后的影像对象ꎬ综合分析影像数据源的成像季节及地物时空分布特点ꎬ选取合适的变化检测方法(最小距离法㊁归一化最小距离法㊁颜色匹配法㊁归一化颜色匹配法)[４－５]ꎬ并结合影像的光谱信息㊁颜色信息㊁纹理信息㊁植被指数等特征ꎬ对分割后的影像对象通过调整两期影像的变化率来进行变化区域的自动提取ꎮ以最小距离法为例ꎬ通过调整变化率参数ꎬ对两期影像进行变化检测提取ꎬ见表２ꎮ表２㊀试验区变化检测整体结果Ｔａｂ.２㊀Ｏｖｅｒａｌｌｒｅｓｕｌｔｓｏｆｃｈａｎｇｅｄｅｔｅｃｔｉｏｎｉｎｓｔｕｄｙａｒｅａ变化率变化结果变化率变化结果２５５０７５１００变化率的范围为０ ２５５ꎬ值越小代表两期影像提取出的变化区域越小ꎬ提取结果越精确ꎻ值越大代表自动变化检测提取出的变化区域越大ꎬ提取结果精度越差㊁伪变化越大ꎮ３.３㊀变化检测局部结果试验区变化检测自动提取变化结果见表３ꎮ表３㊀试验区变化检测自动提取变化结果Ｔａｂ.３㊀Ａｕｔｏｍａｔｉｃｅｘｔｒａｃｔｉｏｎｏｆｃｈａｎｇｅ㊀㊀㊀㊀ｒｅｓｕｌｔｓｉｎｓｔｕｄｙａｒｅａ２０１０年影像２０１７年影像情况说明水体形状发生改变ꎮ２０１７年影像与２０１０年影像相比ꎬ水体区域增加７１１第１２期罗建松等:基于Ｌａｎｄｓａｔ－８数据的快速变化检测研究续表３Ｔａｂ.３(Ｃｏｎｔｉｎｕｅｄ)２０１０年影像２０１７年影像情况说明水体形状发生改变ꎮ２０１７年影像与２０１０年影像相比ꎬ水体区域减少耕地变化为裸地ꎮ２０１７年影像与２０１０年影像相比ꎬ局部耕地变化为河道的裸地ꎬ局部水体区域减少水体变化为耕地ꎮ２０１７年影像与２０１０年影像相比ꎬ局部水体变化为耕地通过调整变化率的阈值及选取合适的自动变化检测方法可以有效提取出部分耕地㊁森林㊁草地及水体等地表覆盖要素ꎬ其对人造地表的自动提取敏锐度较低ꎮ试验区变化检测伪变化结果见表４ꎮ表４㊀试验区变化检测伪变化结果Ｔａｂ.４㊀Ｆａｌｓｅｃｈａｎｇｅｒｅｓｕｌｔｓｉｎｓｔｕｄｙａｒｅａ２０１０年影像２０１７年影像情况说明平原耕地变化为干旱区灌溉圆形耕地ꎮ２０１７年影像与２０１０年影像相比ꎬ耕地种植方式发生改变ꎬ但其地类属性并未发生改变耕地颜色信息发生改变ꎮ２０１７年影像与２０１０年影像相比ꎬ影像成像季节不同导致耕地颜色信息发生改变ꎬ但其地类属性并未发生改变续表４Ｔａｂ.４(Ｃｏｎｔｉｎｕｅｄ)２０１０年影像２０１７年影像情况说明草地颜色信息发生改变ꎮ２０１７年影像与２０１０年影像相比ꎬ影像成像季节不同导致草地颜色信息发生改变ꎬ但其地类属性并未发生改变伪变化区域ꎮ２０１７年影像与２０１０年影像相比ꎬ仅相邻地物颜色信息反差较大ꎮ地物未发生变化通过调整变化率的阈值及选取合适的自动变化检测方法可以提取出耕地㊁草地㊁水体等地表覆盖要素的变化区域ꎬ但其存在大量的伪变化情况ꎬ如表４ꎮ如草地㊁耕地等地表覆盖要素ꎬ由于遥感影像成像季节及成像质量的不同ꎬ其颜色信息反差较大ꎬ自动变化检测往往会提取出这样的伪变化图斑ꎮ４㊀结束语本文利用简译遥感信息提取软件ꎬ以２０１０年地表覆盖数据ＧｌｏｂｅｌＬａｎｄ３０为基准数据ꎬ使用Ｌａｎｄｓａｔ２０１０期影像㊁Ｌａｎｄｓａｔ２０１７期影像作为影像基础ꎬ采用基于对象特征的变化检测技术ꎬ综合利用最小距离法㊁归一化最小距离法㊁颜色匹配法㊁归一化颜色匹配法等变化检测方法ꎬ对试验区进行地表覆盖数据更新生产性试验ꎮ现总结如下:１)针对地表覆盖数据更新项目ꎬ使用简译遥感信息提取软件ꎬ基于变化检测技术可以提取出两期影像部分变化区域ꎬ为项目的生产及质量检查提供一定的辅助ꎮ２)简译遥感信息提取软件提供的变化检测技术主要基于地物的光谱信息㊁颜色信息及纹理信息等特征ꎬ其主要能提取出颜色反差比较明显的区域ꎬ且不同地物存在同物异谱 和 异物同谱 的现象ꎬ这些都会造成自动变化检测提取的图斑存在大量的伪变化情况ꎮ３)通过调整变化率的阈值及选取合适的自动变化检测方法可以有效地提取出部分耕地㊁森林㊁草地及水体等颜色纹理信息比较明显的地表覆盖要素ꎬ对人造地表等弱纹理区域其自动提取敏锐度较低ꎮ参考文献:[１]㊀徐国华.面向对象的遥感影像变化检测技术研究[Ｄ].郑州:信息工程大学ꎬ２０１１.(下转第１２１页)８１１㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀测绘与空间地理信息㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０２０年管理㊁分析㊁统计和直观展示ꎮ通过精准管理各类林地的边界ꎬ为管理以林地小斑为基础的各项资源调查以及后续的林权㊁林政的精细化管理提供支撑[２]ꎻ各级林业监管部门能够基于不同时期的高分影像快速判译林业资源状况ꎬ掌控林业全局的发展态势ꎬ通过摸清区域内林业资源底数ꎬ为科学管理㊁利用和发展林业资源提供依据ꎮ３.２㊀营造林重点工程管理通过信息化的手段对造林项目进行合理规划和科学管理ꎬ对建成后的成效进行准确评估ꎮ系统基于不同时期的高分系列影像ꎬ对工程项目进行了规划㊁对重大专项信息进行了管理ꎬ使各级林业部门能够更精准地开展区域项目规划ꎬ更清晰地掌握项目区域内的自然条件ꎬ为项目的科学开展提供了技术支撑ꎮ３.３㊀森林防火与应急指挥森林防火与应急指挥综合利用无线通信㊁火灾智能识别㊁灾害自动报警㊁救灾力量与资源一体化部署㊁远程指挥联动等信息化手段ꎬ能够迅速分析出火灾发生区域的具体环境ꎬ快速进行灾害定位以及灾害扩算趋势分析ꎬ实现日常巡护的规范化[３]㊁火灾识别的智能化㊁火险报警的自动化㊁调度指挥的一体化[４]㊁灾后评估的精确化ꎮ通过及时准确掌握灾害的发生信息ꎬ科学制订救援方案ꎬ迅速响应灾害事件ꎬ将灾害损失降至最低ꎮ３.４㊀古树名木管理系统对古树名木资源的生长状况及生长环境进行管理与监测ꎬ方便用户对资源的查询㊁分析㊁统计ꎬ解决了目前管理中耗时㊁耗力㊁工作量大等问题ꎬ实现了对古树名木资源的智慧化管理[５]ꎬ保护了古树名木及其珍稀树种ꎬ为林业部门的管理提供了决策技术支持ꎮ３.５㊀森林视频监控试点为了加强对森林资源的全方位保护ꎬ在一些重点区域布置相应的监控传感器ꎬ为森林装上眼睛ꎬ弥补仅靠护林员实地巡查或群众举报等方式的不足ꎮ基于高分影像数据ꎬ能够快速显示监测硬件分布情况及摄像头所处状态ꎬ借助监控设备通过ＧＰＳ定位设备或其他方式来确定火场具体位置[６]ꎮ当监测到烟火后ꎬ系统锁定目标ꎬ由当前瞭望塔的经度㊁纬度㊁海拔高度ꎬ以及云台的水平转角和垂直俯仰角㊁镜头的焦距ꎬ结合高分影像地图ꎬ依据森林火灾监测和蔓延模型ꎬ测算出发生森林火灾的具体位置[７]及蔓延趋势ꎬ在ＧＩＳ地图上进行醒目标绘ꎬ以方便指挥部指定救援方案ꎮ３.６㊀林业成果展示为了更好地展示区域林业的建设成果㊁经验ꎬ为后续建设提供可供参考的依据ꎬ系统基于高分系列影像ꎬ以充分㊁翔实的文字㊁专题图㊁视频等文献资料ꎬ客观展示榆林市林业建设所取得的成就ꎮ通过林业成果的展示ꎬ宣传了退耕还林工程㊁天然林保护工程等榆林林业的建设成就ꎬ提高了公众对林业工作的认识和参与林业建设的极大热情ꎮ４㊀结束语通过高分系列卫星所获取的遥感数据为我国林业遥感提供了丰富㊁低成本㊁高精度㊁持续的信息源ꎬ拓宽了林业遥感应用的深度和广度ꎬ便于推动国产自主高分遥感卫星的产业化应用ꎮ同时平台对林业信息资源进行了有效整合和开发利用ꎬ促进了信息共享[８]ꎬ 盘活 了现有的数据存量ꎬ大大增强了数据获取和信息挖掘的能力ꎬ提高了林业从业人员的专业技能和管理水平ꎬ大幅度减少了各类灾害损失ꎬ对林业防灾减灾起到了决定性作用ꎻ项目中完成的一系列基础设施建设和行业应用管理系统ꎬ加强了对现有森林资源的保护㊁恢复和发展ꎬ提高了环境质量ꎬ树立了榆林林业新形象ꎬ对全市乃至全省林业信息化建设起到良好的示范作用ꎮ参考文献:[１]㊀莫明勋.林业数据挖掘与可视化的应用分析[Ｊ].信息通信ꎬ２０１６(２):１６１－１６２.[２]㊀杨慧乔.智慧森林小斑资源管理系统研建[Ｄ].北京:北京林业大学ꎬ２０１４.[３]㊀邱陵ꎬ李智彪ꎬ蒋启林ꎬ等.龙泉驿区森林管护智能巡护管理系统的设计与应用[Ｊ].四川林业科技ꎬ２０１６ꎬ３７(６):６６－７１.[４]㊀谢绍锋ꎬ欧阳君祥ꎬ杨志高.森林防火一体化集成联动指挥扑救系统研究[Ｊ].林业资源管理ꎬ２０１７(２):１１０－１１７. [５]㊀庄晨辉ꎬ方艺辉ꎬ陈铭潮ꎬ等.福建省古树名木管理信息系统设计和实现[Ｊ].华东森林经理ꎬ２０１５ꎬ２９(２):５９－６２.[６]㊀熊继康.智能视频监控系统在森林防火上的应用[Ｊ].绿色科技ꎬ２０１７(２１):１６０－１６２.[７]㊀王浩ꎬ王芹.基于物联网的森林防护㊁预警及监控系统[Ｊ].流通经济ꎬ２０１７(２１):１２４－１２５.[８]㊀庞丽峰ꎬ唐小明ꎬ刘鹏举.基于ＷｅｂＧＩＳ省级林业信息共享平台的研发[Ｊ].西北林学院学报ꎬ２０１１ꎬ２６(２):１８０－１８４.[编辑:任亚茹](上接第１１８页)[２]㊀ＨＵＡＮＧＸꎬＺＨＡＮＧＬ.ＡＳＶＭｅｎｓｅｍｂｌｅａｐｐｒｏａｃｈｃｏｍｂｉ－ｎｉｎｇｓｐｅｃｔｒａｌꎬｓｔｒｕｃｔｕｒａｌꎬａｎｄｓｅｍａｎｔｉｃｆｅａｔｕｒｅｓｆｏｒｔｈｅＣｌａｓｓｉ－ｆｉｃａｔｉｏｎｏｆＨｉｇｈ－ｒｅｓｏｌｕｔｉｏｎｒｅｍｏｔｅｌｙｓｅｎｓｅｄｉｍａｇｅｒｙ[Ｊ].ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＧｅｏｓｃｉｅｎｃｅａｎｄｒｅｍｏｔｅＳｅｎｓｉｎｇꎬ２０１３ꎬ５１(１):２５７－２７２.[３]㊀钟家强.基于多时相遥感图像的变化检测[Ｄ].长沙:国防科技技术大学ꎬ２００５.[４]㊀马建文ꎬ田国良ꎬ王卡耀ꎬ等.遥感变化检测技术发展综述[Ｊ].地球科学进展ꎬ２００４(４):１９２－１９６. [５]㊀李德仁ꎬ夏松ꎬ江万寿ꎬ等.一种地形变化检测与ＤＥＭ更新的方法研究[Ｊ].武汉大学学报(信息科学版)ꎬ２００６ꎬ３１(７):５６５－５６８.[编辑:任亚茹]１２１第１２期刘云鹤等:基于高分影像的智慧林业综合应用平台。
水体提取实验报告(DOC)
水体提取实验报告地理121 王霞2012211300 一、实验目的提取TM图像中的水体信息，对试验区1991图像和试验区2002图像中的水体进行提取，分析比较图像结果。
二、实验内容1、查看植被、水体、城镇的影像光谱，总结光谱特征。
2、首先计算NDVI、NDWI、NDBI，再利用水体指数等提取水体信息，一般包括两种方法：a.阈值法提取b.最大似然法提取本次实验采用最大似然法提取。
三、实验步骤1、计算试验区1991和2002可见光至短波红外波段的7个波段的TOA反射率数据。
步骤：Basic Tools - Preprocessing - Calibration Utilities - Landsat Calibration可见光至短波红外波段的7个波段的TOA反射率数据图像如图1。
2002年1991年图12、利用水体指数增强水体信息。
查看影像光谱，在image视图中右键->Z Profile （Spectching），以下是影像中水体、植被、城镇的光谱影像。
水体植被城镇总结光谱特征。
这就为什么水体用ETM+(b2-b4)/(b2+b4)，而植被是ETM+(b4-b3)/(b4+b3)，而城镇指数是ETM+(b5-b4)/(b5+b4)，都是波段的反射率值。
3、计算NDVI、NDWI、NDBITransform——NDVI等指数，两个试验区的NDVI等指数图像如下图NDVI（图2、图3）图2 2002年图3 1991年NDWI（图4、图5）图4 2002年图5 1991年NDBI（图6、图7）图6 2002年图7 1991年4、最大似然法提取（1）加入特征指数的最大似然法提取方法：将6波段文件和三个指数（NDVI、NDWI、NDBI）做成一个文件：FILE->SA VE FILE AS->ENVI STANTARD合成后的图像（2）用ROI区域选取水体、城镇、植被等样本试验区1991年试验区2002（3）最大似然法分类：步骤：CLASSIFICAION->SUPERVISED->MAXIMUN LIKELIHOOD 1991年分类结果图像如图8。
LANDSAT8OLI影像不同融合方法的地类信息提取
LANDSAT8OLI影像不同融合方法的地类信息提取随着卫星遥感技术的不断发展，陆地资源的监测和管理变得越来越重要。
而LANDSAT 8卫星搭载的操作性陆地成像仪（Operational Land Imager，OLI）为科研人员提供了高质量的遥感影像数据，为地类信息提取提供了重要的数据支持。
然而，单独利用单一影像往往不能完全反映地表的复杂情况，因此需要采用融合方法来综合利用不同影像的信息，提高地类信息的提取精度和准确性。
地类信息提取是遥感应用的一个重要领域，它可以帮助我们了解和监测地表的覆盖类型和变化情况。
不同的地类在遥感影像上有着不同的反射特征，例如建筑物、水体、植被等，在不同波段的影像中呈现不同的颜色和亮度。
通过分析这些特征，我们可以将地表划分为不同的类别，进而进行相关的研究和分析。
在LANDSAT8OLI影像的地类信息提取中，常用的融合方法包括像元级融合、特征级融合和决策级融合。
像元级融合是将不同波段的影像像元直接相加或相乘，得到融合后的影像，再进行地类分类。
特征级融合是提取不同波段影像的特征，如纹理、边缘等，然后组合这些特征进行分类。
决策级融合则是将不同波段的分类结果进行综合，得到最终的地类提取结果。
在像元级融合中，可以利用不同波段的光谱信息，如红光、绿光和近红外光等，进行像元级的计算，得到融合后的影像。
这种方法能够保留不同波段的信息，但对于复杂的地物类型分辨率有限。
在特征级融合中，可以提取不同波段影像的纹理、边缘等特征，然后将这些特征进行组合，得到更为细致的地类分类结果。
决策级融合则是将像元级和特征级的结果进行综合，得到更加准确的地类信息。
除了以上提到的融合方法外，还可以结合其他数据和技术来提高地类信息提取的精度。
例如，可以利用地面调查数据对遥感影像进行训练和验证，提高分类算法的准确性；可以利用地理信息系统（GIS）技术对提取的地类信息进行进一步的空间分析和应用；还可以利用机器学习和深度学习等算法来改进地类信息提取的准确性和效率。
- 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)。
基于 Landsat8 水体信息提取
一、数据来源
地理空间数据云下载的Landsat 8 OLI_TIRS 卫星数字产品Landsat4-5 TM 卫星数字产品与Landsat 8 OLI_TIRS 卫星数字产品的区别
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
二、图像预处理
2.1 数据的打开与拉伸
打开
拉伸
2.2 辐射定标(Radiometric Calibration)
一般来讲，辐射定标就是将图像的数字量化值（DN）转化为辐射亮度值或者反射率或者表面温度等物理量的处理过程。
辐射定标参数一般存放在元数据文件中，ENVI 中的通用辐射定标工具（Radiometric Calibration）能自动从元数据文件中读取参数，从而完成辐射定标。
2
4
2.3 大气校正
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。
2
4
6
8
三、水体信息的提取方法
3.1 监督分类与非监督分类
(1) 非监督分类
也称为聚类分析，是一种“盲目”的分类；仅凭遥感影像地物的光谱特征的分布规律，即自然聚类的特性，进行
分类。
2
3
4
(2) 监督分类
根据已知训练区提供的水体样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对各待分类影像进行的图像分类。
1 选择兴趣区
2
3
4
3.2 单波段阈值法
1 选择兴趣区
单波段阈值法主要利用对水陆界线反映较好的影像的第6波段（MIR中红外波段）, 根据影像的灰度特征经过数据采样确定其阈值。
进行水体的提取。
提取模型如式1所示, 其中b6表示第6波段的灰度值, T为水体提取的灰度阈值:
2 b6<T
4
试验得到。
利用ENVI 遥感图像处理软件对水体提取结果影像和假彩色合成影像利用link功能察看提取效果，得出单波段阈值法除了提取出水体外，还提取出来几乎全部的阴影(图中黄色圈中为误提的阴影)。
同时，提取出的水体宽度比实际小，右上角绿色圈中的细小水体漏提。
在第中红外MIR波段水体和非水体有明显的区别，但由于山体阴影的影响，使得中红外在阴坡面的反射能量特别低，从而造成山体阴影在影像上呈现出明显的暗色调，水体与阴影的混淆使得难以在单波段上通过阈值法来提取水体。
3.3 谱间关系法
就是构造波段运算函数对影像进行处理，该方法能够利用多波段的优势综合提取水体信息。
谱间关系法多为国内学者所采用。
根据水体独特的多波段谱间关系特征，构造出谱间关系法水体提取计算模型： (1)G + R ＞ NIR +MIR; (2)MIR/G
＜ a(a 为阈值)， G 代表绿光波段，R 代表红光波段， NIR 代表近红外波段， MIR 代表短波红外波段
2
杨存建提出的水体具有的特征的方法易操作、稳定性好。
本文采用此方法经试验，得到如图所示的谱间关系法水体提取效果图。
用ENVI 对水体提取结果影像和原影像进行叠加判读，谱间关系法提取了几乎所有的水体区域，但是，此方法存在把阴影误提为水体的问题。
3.4 归一化差异水体指数法 NDWI
从可见光到短波红外波段水体的反射强度逐渐减弱，水体在近红外波段和短波红外波段范围内吸收强度最大，近乎没有反射，并且植被在近红外波段的反射率很强，所以采用绿光波段与近红外波段的比值可以抑制植被信息，可以用可见光波段和近红外波段之间的运算来构成NDWI ，突出影像中的水体。
计算公式:
式中:G 表示绿光波段; NIR 表示近红外波段。
b 3+b 4>b 5+b 6NDWI =(G －NIR )/(G +NIR )
用NDWI 方法提取水体时结果中混杂着许多非水体信息，特别是提取山区水体时，会混有山区阴影。
3.5 改进归一化水体指数法
MNDWI 模型中，建筑物等阴影在绿光和近红外波段的波谱特征与水体相似，当采用中红外波段替换近红外波段时，可以使计算出的水体与建筑物指数的反差明显增强，大大降低了二者的混淆程度，从而有利于城镇中水体信息的准确提取。
计算公式:
式中:G 代表绿光波段;MIR 代表短波红外波
MNDWI =(G －MIR )/(G +MIR )
（1）较NAWI更能揭示水体的细微特征（2）容易区分阴影和水体（3）在提取城镇水体时更有优势。