波段特点

一

1.TM1 0.45-0.52um,蓝波段,对水体穿透强,对叶绿素与叶色素反映敏感,有助于判别水深及水中叶绿素分布以及水中是否有水华等.

2.TM2 0.52-0.60um,绿波段,对健康茂盛植物的反射敏感,对力的穿透力强,用于探测健康植物绿色反射率,按绿峰反射评价植物的生活状况,区分林型,树种和反映水下特征.

3.TM3 0.62-0.69UM ,红波段,叶绿素的主要吸收波段,反映不同植物叶绿素吸收,植物健康状况,用于区分植物种类与植物覆盖率,其信息量大多为可见光最佳波段,广泛用于地貌,岩性,土壤,植被,水中泥沙等方面.

4 .TM4 0.76-0.96UM 近红外波段,对绿色植物类别差异最敏感,为植物通用波段,用于牧师调查,作物长势测量,水域测量.

5.TM5 1.55-1.75UM,中红外波段,处于水的吸收波段,一般1.4-1.9UM内反映含水量,用于土壤湿度植物含水量调查,水分善研究,作物长势分析,从而提高了区分不同作用长势的能力.易于反映云与雪.

6.TM6 1.04-1.25UM热红外波段,可以根据辐射响应的差别,区分农林覆盖长势,差别表层湿度,水体岩石,以及监测与人类活动有关的热特征,进行热制图.

7.TM7 2.08-3.35UM,中红外波段,为地质

二

(1)植被指数NDVI=(B2-B1)P(B2+B1),NDVI是目前应用最多的植被指数,能客观地反映植被覆盖量的变化,NDVI显示的水体范围更接近于河道的形状,是识别水体的最佳指示因子,但是在高植被区易饱和,在低植被区易受土壤背景的影响。(2)植被指数EVI=215(B2-B1)P(B2+C1B1+C2B3+L),其中:L=1,为土壤调节参数,参数C1和C2分别为610和715,通过蓝波段(B3)来修正大气对红波段(B1)的影响。克服了土壤背景的影响,对不

同覆盖植被的检测都有改善,且具有抗大气性。

(3)湿度指数NDMI=(B4-B6)P(B4+B6),波段6处于水的吸收带,波段4对水体有较高的反射,选用这两个波段归一化,该指数成功地应用到生态环境中对土壤湿度的监测中[8,9],但还未用于宏观土地覆盖分类中。

(4)水体指数NDWI=(B4-B2)P(B4+B2),B4为绿通道反射率,可以反映植被分布范围和生长密度,该指数对植被细胞内的液态水含量变化十分敏感,湖泊与沼泽在波段2和波段4上有明显区别。

(5)归一化雪盖指数NDSI=(B1-B4)P(B1+B4),归一化雪盖指数一般被用在干旱地区的监测中,用来监测土壤的亮度值,季节不同,各地物的亮度值差别比较大。

三

目前对遥感影像光谱分类的数理模型主要有3 种:传统统计分类、模糊分类和神经网络分类.

传统统计分类方法中最常用的最大似然分类法是在分别求出待判像元对于各类别的似然度(Likelihood) 后,将该像元分到似然度最大的类别中去. 似然度是指像元属于某类别的后验概率.

模糊分类认为每个像元中混有所有的类别,只是隶属度不同. 模糊分类的关键是确定待分像元归属于各个类别的隶属度,一般选择多变量正态分布的隶属度函数.

神经网络是由大量的基本信息单元通过极其丰富的相互联接而构成非线性

动力学系统. 一般由输入层、隐层和输出层组成. 输入层和输出层分别对应特征和类别. 神经网络分类的结果和模糊分类底隶属度都可以看作是Bayians 后验概率

这几种分类的数理模型虽然具有不同的理论基础和计算方法,但最终在确定分类结果时都是把待判像元分到判据(似然度、隶属度等) 最大值对应的类别. 这种给每一个像元只赋以唯一类别的分类为硬分类(Crisp Classification) .

与硬分类相对应,每一个像元有可能被赋以多个类别的分类称为软分类(Soft Classification) . 很显然,硬分类忽略了混合像元的影响. 遥感中把包含多种地物类型的像元称为混合像元,而把只包含一种地物类型的像元称为纯净像元. 一幅影像上混合像元的多少与影像的空间分辨率和影像覆盖的区域有关. 一般而言,空间分辨率越低,地面上地物的类型越复杂,出现混合像元的概率也就越高,硬分类的精度也将受到严重影响,以此硬分类结果进行后续的应用分析,势必带来较大的误差