地表反射率、温度、植被指数
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Basic Tools|Band Math，在Band Math对话框中输入公式，公式中的ｂ３和ｂ４分别选取第3和第4波段的地表反射率。
然后导出结果。
二、地表温度反演1、计算辐射亮度。
加载htm影像，根据头文件中的数据，得到1、2波段的辐射亮度的计算公式0.067086617777667001*b1+(-0.067086617777667001)和0.037204722719868001*b2+(3.1627953249638470)，步骤同上，得出辐射量度的计算结果。
2、辐射反演。
利用公式T=k2/ln(k1/Lλ+1)算地物的辐射反演，其中T为开尔温度；查找参数值：k1=666.09; k2=1282.71;Lλ分别利用步骤1中的波段1和波段2的辐射量度。
3、统计反演后的地物的温度值，并比较其差异。
打开反演后的温度影像，右击影像选择ROI Tool，统计各种地物值的最大值，最小值，均值，标准差，将其统计到Excel中，比较其差异。
结果与分析一、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+0.00652波段y=0.8801*x+0.0242 5波段y=0.9399*x+0.0013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 stdevReservior 0.057713 0.338587 0.145087 0.038598Snow -0.12395 0.152669 0.025088 0.031572Bare Land 0.105628 0.374843 0.192701 0.043621Urban -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。
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）。
基于RS的徐州市地表温度与植被指数关系研究
基于RS的徐州市地表温度与植被指数关系研究摘要以Landsat TM影像为数据源研究徐州市市区地表温度与植被指数的关系。
研究表明,徐州市的地表温度存在明显的中心城区高、郊区低的热岛效应。
而徐州市的归一化植被指数则表现为城市中心区总体偏小,植被覆盖较低。
除水体外,植被指数与地表温度有明显的负相关关系。
植被覆盖越高,地表温度越低,反之,则地表温度越高。
关键词RS;地表温度;植被指数;城市热岛效应;江苏徐州StudyontheRelationshipbetweenLandSurfaceTemperatureandVegetationIndexBas edonRSinXuzhouCityWU Ming-hao(School of Environment Science and Spatial Informatics,China University of Mining and Technology,Xuzhou Jiangsu 221008)AbstractThe relationship between land surface temperature(LST)and vegetation index in the urban of Xuzhou City was studied by using Landsat TM images as the data source.The results showed that the surface temperature of Xuzhou City was high in the center of Xuzhou city and low in the suburbs with urban heat island effect.At the same time,the normalized difference vegetation index(NDVI)showed that the vegetation coverage was low in the center of Xuzhou.Except water,vegetation index and surface temperature had a significant negative correlation.The higher vegetation cover was corresponding to the lower,surface temperature.The higher the vegetation cover,surface temperature was lower,or,surface temperature was higher.Key wordsRemote Sensing;land surface temperature;vegetation index;urban heat island effect;Xuzhou Jiangsu遥感(Remote Sensing,RS)可以在短时间内快速有效地监测全球大面积地表覆盖信息,对于城市建设及城市规划有着重要的指导意义。
ASTER数据处理
ASTER数据处理一、介绍ASTER（Advanced Spaceborne Thermal Emission and Reflection Radiometer）是由日本宇航局（JAXA）于1999年发射的一种多光谱遥感仪器，安装在“地球观测卫星”上。
ASTER数据提供了高分辨率的地表温度、地表高程和地表反射率等信息，广泛应用于地质学、环境科学、农业和城市规划等领域。
二、数据获取1. 数据来源ASTER数据可以从JAXA的官方网站、NASA的地球观测系统数据中心（EOSDIS）以及其他一些遥感数据共享平台获取。
2. 数据类型ASTER数据包括多光谱数据、高程数据和热红外数据。
多光谱数据包括14个波段，覆盖可见光和近红外光谱范围。
高程数据提供了地表高程信息，用于地形分析和三维建模。
热红外数据可用于测量地表温度。
三、ASTER数据处理流程1. 数据预处理（1）数据格式转换：将ASTER数据从原始格式转换为常用的遥感数据格式，如GeoTIFF或ENVI格式。
（2）辐射校正：根据仪器特性和大气影响，对数据进行辐射校正，以消除大气效应和仪器响应差异。
2. 数据处理与分析（1）地表温度计算：利用热红外数据和辐射校正后的多光谱数据，采用物理模型计算地表温度。
（2）地表反射率计算：根据辐射校正后的多光谱数据，采用反射率模型计算地表反射率。
（3）地表高程提取：利用高程数据进行地形分析，如坡度和坡向计算。
（4）特征提取：通过图像分类和目标识别算法，提取感兴趣的地物特征，如植被覆盖、水体分布等。
（5）数据融合：将不同波段的数据进行融合，以提高分类和识别的精度。
四、应用案例1. 地质学利用ASTER数据可以识别地质构造、岩性和矿物组成，帮助矿产勘探和地质灾害评估。
2. 环境科学ASTER数据可用于监测植被覆盖、土地利用变化和水体污染等环境指标，为环境保护和可持续发展提供支持。
3. 农业通过分析地表温度和植被指数等数据，可以评估农作物生长状况、灌溉需求和病虫害风险，为农业管理决策提供参考。
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。
modis数据介绍
MODIS数据介绍数据概况1999年2月18日，美国成功地发射了地球观测系统（EOS）的第一颗先进的极地轨道环境遥感卫星Terra。
它的主要目标是实现从单系列极轨空间平台上对太阳辐射、大气、海洋和陆地进行综合观测，获取有关海洋、陆地、冰雪圈和太阳动力系统等信息，进行土地利用和土地覆盖研究、气候季节和年际变化研究、自然灾害监测和分析研究、长期气候变率的变化以及大气臭氧变化研究等，进而实现对大气和地球环境变化的长期观测和研究的总体（战略）目标。
2002年5月4日成功发射Aqua星后，每天可以接收两颗星的资料。
搭载在Terra和Aqua两颗卫星上的中分辨率成像光谱仪（MODIS）是美国地球观测系统（EOS）计划中用于观测全球生物和物理过程的重要仪器。
它具有36个中等分辨率水平（0.25um~1um）的光谱波段，每1-2天对地球表面观测一次。
获取陆地和海洋温度、初级生产率、陆地表面覆盖、云、汽溶胶、水汽和火情等目标的图像。
本网站提供的MODIS陆地标准产品来自NASA的陆地过程分布式数据档案中心（The Land Processes Distributed Active Archive Center,LP DAAC/NASA）。
包括：基于Terra星和Aqua星数据的地表反射率（250m,daily;500m,daily;250m,8days;500m,8day）、地表温度（1000m,daily;1000m,8days;5600m,daily）、地表覆盖（500m,96days;1000m,yearly）、植被指数NDVI&EVI （250m,16daily;500m,16days;1000m,16days;1000m,monthly;、温度异常/火产品（1000m,daily;1000m,8days）、叶面积指数LAI/光合有效辐射分量FPAR（1000m,8days）、总初级生产力GPP（1000m,8days）。
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）。
北京地区地表温度与植被指数及热岛效应相关性研究
北京地区地表温度与植被指数及热岛效应相关性研究地表温度（LST）是研究区域地表能量平衡和资源环境变化重要的参数之一，也是区域生态环境过程的主要影响因素，同时也是地球科学中很重要的组成部分。
本文选取2009年8月北京的Landsat TM影像对北京地区的地面温度进行反演。
并通过城市热场变异指数（HI）对北京地区的热岛效应进行定量化分析，结果表明HI能够明显的反应出城市热岛现象。
标签：地表温度植被指数单窗算法热岛效应0引言地表温度[1]（LST，Land Surface Temperature）是研究区域能量平衡和资源环境变化的重要参数之一，也是区域生态环境过程的主要因素。
LST作为地球科学非常重要的组成的部分，一方面决定了地表向大气的长波辐射能力，另一方面LST也取决于地表许多参数的状态，如地表湿度、植被覆盖和长势。
因此掌握LST的空间分布状态及其时间变化态势，对于准备模拟大气和地表、地表地物之间的能量交换是十分必要的。
同时，陆地卫星（Landsat）的TM遥感影像的天顶视角下的像元地面分辨率为120m×120m[1]，这一地面分辨率远远比气象卫星NOAA-A VHRR[2，3]遥感数据的地面分辨率要高。
而且TM6热波段的波长区间为10.40～12.50μm [1]，可以很好的用来分析地球表面的热辐射和温度的区域性差异。
因此，对于要求精确的区域温度分析来说，TM数据是很好的选择。
本次研究将利用Landsat-5 TM3和TM4波段进行计算NDVI，结合TM6波段数据对北京地区进行反演地表温度，研究北京地区的地表温度空间差异，并通过城市热场变异指数对北京地区的热岛效应进行分析，进一步认识北京地区的地表热力场空间差异[4]，为协调北京的资源生态环境提供参考。
1研究区概况本次研究选择的研究区域选择北京市，位于39°50’N～41°10’N，115°51’E～116°53’E之间，面积约为15000平方千米。
植被指数
植被指数（Vegetable Index）植被指数是不同遥感光谱波段间的线性或非线性组合，被认为能作为反映绿色植被的相对丰度和活性的辐射量值（无量纲）的标志，是绿色植被的叶面积指数（LAI）、盖度、叶绿素含量、绿色生物量以及被吸收的光合有效辐射（APAR）的综合体现。
目前，在科学文献中发布了超过150种植被指数模型，这些植被指数中只有极少数是经过系统的实践检验。
植被指数主要反映植被在可见光、近红外波段反射与土壤背景之间差异的指标，各个植被指数在一定条件下能用来定量说明植被的生长状况。
1、健康的绿色植被在NIR和R的反射差异比较大，原因在于R对于绿色植物来说是强吸收的，NIR则是高反射高透射的；2、建立植被指数的目的是有效地综合各有关的光谱信号，增强植被信息，减少非植被信息3、植被指数有明显的地域性和时效性，受植被本身、环境、大气等条件的影响几种常用的植被指数及其应用（一）比值植被指数（RVI)公式：RVI=ρNIR/ρRED(近红外波段反射率/红光波段反射率)特征：植被覆盖度影响RVI，当植被覆盖度较高时，RVI对植被十分敏感；当植被覆盖度<50%时，这种敏感性显著降低；值的范围是0-30+，一般绿色植被区的范围是2-8。
RVI受大气条件影响，大气效应大大降低对植被检测的灵敏度，所以在计算前需要进行大气校正，或用反射率计算RVI。
应用：①利用比值植被指数研究城市建设用地扩张速率，预测或规划城市未来今年的发展前景。
不同用地的地表温度由高到低排序是城镇用地、工矿与交通用地、农村宅基地、林地、旱地，说明建设用地的地表温度较高，其比值植被指数较非建设用地小。
RVI的平均值Ｍ和标准差Ｄ可以作为定量指标来提取建设用地：RVI ≤Ｍ-Ｄ/２为建设用地；RVI＞Ｍ-Ｄ/２为非建设用地。
②可用于实时、快速、无损监测作物氮素状况，这对于精确氮肥管理有重要意义。
利用高光谱比值指数RSI(990,720)来估算小麦叶片氮积累量为便携式小麦氮素监测仪的研制开发及遥感信息的快速提取提供了适用可行的波段选择与技术依据。
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。
几种常见植被指数
常用的植被指数，土壤指数，水体指数有哪些？植被指数与土壤指数一、RVI——比值植被指数：RVI=NIR/R，或两个波段反射率的比值。
1、绿色健康植被覆盖地区的RVI远大于1，而无植被覆盖的地面（裸土、人工建筑、水体、植被枯死或严重虫害）的RVI在1附近。
植被的RVI通常大于2；2、RVI是绿色植物的灵敏指示参数，与LAI、叶干生物量(DM)、叶绿素含量相关性高，可用于检测和估算植物生物量；3、植被覆盖度影响RVI，当植被覆盖度较高时，RVI对植被十分敏感；当植被覆盖度<50%时，这种敏感性显著降低；4、RVI受大气条件影响，大气效应大大降低对植被检测的灵敏度，所以在计算前需要进行大气校正，或用反射率计算RVI。
二、NDVI——归一化植被指数：NDVI=(NIR-R)/(NIR+R)，或两个波段反射率的计算。
1、NDVI的应用：检测植被生长状态、植被覆盖度和消除部分辐射误差等；2、-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大；3、NDVI的局限性表现在，用非线性拉伸的方式增强了NIR和R的反射率的对比度。
对于同一幅图象，分别求RVI和NDVI时会发现，RVI值增加的速度高于NDVI增加速度，即NDVI对高植被区具有较低的灵敏度；4、NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、学、枯叶、粗超度等，且与植被覆盖有关；三、DVI\EVI——差值\环境植被指数：DVI=NIR-R，或两个波段反射率的计算。
1、对土壤背景的变化极为敏感；四、SAVI\TSAVI\MSAVI——调整土壤亮度的植被指数：SAVI=((NIR-R)/(NIR+R+L))(1+L)，或两个波段反射率的计算。
1、目的是解释背景的光学特征变化并修正NDVI对土壤背景的敏感。
与NDVI 相比，增加了根据实际情况确定的土壤调节系数L，取值范围0~1。
辐射定标(像元亮度值,辐射亮度亮温)、表观反射率、地表反射率、反照率、比辐射率
环境一号卫星光学数据绝对定标环境一号卫星光学数据的遥感器校正分为绝对定标和相对辐射定标。
对目标作定量的描述，得到目标的辐射绝对值。
要建立传感器测量的数字信号与对应的辐射能量之间的数量关系，即定标系数，在卫星发射前后都要进行。
卫星发射前的绝对定标是在地面实验室或实验场，用传感器观测辐射亮度值已知的标准辐射源以获得定标数据。
卫星发射后，定标数据主要采用敦煌外场测量数据，此值一般在图像头文件信息中可以读取。
以下两表为敦煌场地测定的绝对定标数据。
表HJ 1A/B星绝对辐射定标系数（DN/W⋅m-2⋅sr-1⋅μm-1）利用绝对定标系数将DN值图像转换为辐亮度图像的公式为：L=DN/coe式中coe为绝对定标系数，转换后辐亮度单位为W⋅m-2⋅sr-1⋅μm-1。
由于以上定标系数为敦煌场采用单点法对中等反射率目标（戈壁）测定的结果，因此对于太阳反射光谱波段，建议针对中等反射率地物采用上面提供的绝对辐射定标系数。
对于HJ1B的红外相机，近红外波段绝对定标系数为4.2857，短波红外波段绝对定标系数为18.5579。
定标公式同前。
HJ-1B红外相机热红外通道绝对辐射定标系数为：增益53.473，单位：DN/（W⋅m-2⋅sr-1⋅μm-1）；截距26.965，单位：DN。
利用绝对定标系数将DN值图像转换为辐亮度图像的公式为L=（DN-b）/coe，式中coe为绝对定标系数的增益，b为截距，转换后辐亮度单位为W⋅m-2⋅sr-1⋅μm-1。
HJ1B红外相机中红外波段则条带较为严重，不利于定量化应用。
遥感数字图像遥感数字图像是以数字形式记录的二维遥感信息，即其内容是通过遥感手段获得的，通常是地物不同波段的电磁波谱信息。
其中的像素值称为亮度值（或称为灰度值、DN值）。
遥感概念DN值（Digital Number ）是遥感影像像元亮度值，记录的地物的灰度值。
无单位，是一个整数值，值大小与传感器的辐射分辨率、地物发射率、大气透过率和散射率等有关。
遥感指数 分类
遥感指数分类
遥感指数是一种利用遥感技术获取的定量数值，用于描述地球表面的某些特征或状态。
根据不同的应用需求，可以设计不同的遥感指数，例如植被指数、水体指数、温度指数等。
遥感指数的分类主要依据其应用领域和遥感数据的来源。
以下是一些常见的遥感指数分类：
植被指数：主要用于描述植被的生长状况和生物量。
例如，归一化植被指数（NDVI）和比值植被指数（RVI）等。
水体指数：用于提取水体信息，如水体覆盖范围、水质等。
例如，水体指数（WQI）、修正后的水体指数（MWI）等。
温度指数：用于描述地表温度和热辐射。
例如，温度差异指数（TDI）和城市热岛指数（UHI）等。
土壤指数：用于描述土壤湿度、土壤类型等信息。
例如，土壤湿度指数（SMI）和土壤类型指数（STI）等。
城市化指数：用于描述城市扩张和城市化进程。
例如，城市扩张指数（UEI）、城市化密度指数（UDI）等。
生态质量指数：用于评估生态系统质量、环境状况等。
例如，环境质量指数（EQI）、生态质量指数（EQI）等。
灾害指数：用于监测和预警自然灾害，如洪涝、地震等。
例如，洪涝灾害指数（HDI）、地震烈度指数（EI）等。
不同的遥感指数具有不同的计算方法和应用范围，因此在选择和应用遥感指数时需要充分考虑其特性和应用场景。
植被指数介绍
植被指数介绍目录1. 植被指数概述 .................................. 错误!未定义书签。
2. 植被指数的分类 ................................ 错误!未定义书签。
不考虑影响因子 ................................ 错误!未定义书签。
考虑影响因子 .................................. 错误!未定义书签。
消除土壤因子.............................. 错误!未定义书签。
消除大气因子.............................. 错误!未定义书签。
消除综合因子.............................. 错误!未定义书签。
3. 植被指数的应用 ................................ 错误!未定义书签。
生态 .......................................... 错误!未定义书签。
林业 .......................................... 错误!未定义书签。
农业 .......................................... 错误!未定义书签。
环境 .......................................... 错误!未定义书签。
海洋 .......................................... 错误!未定义书签。
参考文献.......................................... 错误!未定义书签。
1.植被指数概述植被指数是用不同波段的植被-土壤系统的反射率因子以一定形式组合成的参数，它与植被特征参数间的函数联系比单一波段值更稳定、可靠[1]。
ASTER数据处理
ASTER数据处理概述：ASTER（Advanced Spaceborne Thermal Emission and Reflection Radiometer）是一种由美国宇航局（NASA）和日本航空航天局（JAXA）合作开发的遥感卫星传感器。
ASTER传感器通过测量地球表面的热辐射和反射辐射，提供了高空间分辨率和多光谱信息，对地球科学研究和资源管理具有重要意义。
本文将详细介绍ASTER数据处理的标准格式。
数据获取：ASTER数据可通过NASA和JAXA的官方网站获取。
数据以Level-1A、Level-1B和Level-2A的格式提供。
Level-1A数据是原始数据，Level-1B数据是辐射校正后的数据，Level-2A数据是几何校正和大气校正后的数据。
根据具体需求，选择合适的数据级别进行处理。
数据预处理：在进行ASTER数据处理之前，需要进行一些预处理步骤以确保数据的质量和一致性。
预处理步骤包括：1. 数据格式转换：将ASTER数据转换为常用的遥感数据格式，如GeoTIFF或ENVI格式，以便于后续处理。
2. 辐射校正：对Level-1A数据进行辐射校正，将原始辐射值转换为辐射能量值，以消除传感器和大气条件对数据的影响。
3. 几何校正：对Level-1B数据进行几何校正，消除地球曲率和卫星姿态对数据的影响，使得数据具有准确的地理坐标信息。
4. 大气校正：对Level-1B数据进行大气校正，消除大气散射和吸收对数据的影响，以获取地表反射率信息。
数据处理：完成数据预处理后，可以进行以下常见的ASTER数据处理操作：1. 遥感影像分类：利用ASTER多光谱数据进行地物分类，如土地覆盖分类、植被分类等。
常用的分类方法包括最大似然分类、支持向量机等。
2. 植被指数计算：利用ASTER的红外波段数据计算植被指数，如归一化植被指数（NDVI）和土壤调节植被指数（SAVI），以评估植被生长状况和植被覆盖度。
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。
- 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)。
地表反射率、温度、植被指数、几何精纠正和Landsat影像
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=*x+4波段y=*x+ 2波段y=*x+5波段y=*x+ 3波段y=*x+7波段y=*x+
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
Snow
Bare Land
Urban
Plant
Desert
River
【第1波段部分地物低增益温度反演数据】
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）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）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
▼控制点坐标
分析：总共采集控制点15个，总体误差单精度误差最大值，最小值控制点的采集符合处理要求，采集点较合适。
▼待正影像的控制点分布：
▼卷帘效果
分析：进行卷帘操作的过程中，两个影像之间的连接处没有明显跳跃性，衔接比较自然，说明几何精纠正的过程没有出现明显差错，符合操作要求。
存在问题与解决办法
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desert
6、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。
将光谱剖面数据保存为文本文件。
7、利用步骤6所得数据完成每种地物的样本特征光谱统计表（附后，采用Excel数据分析工具）
8、采用Excel打开步骤4生成的数据文件，从TM/ETM+ 1、2、3、4、5、7中任取两个波段的数据，做出散点图，分析上述不同地物在光谱空间中的分布特征（注意要在同一坐标系当中使用不同的符号表示不同的地表覆盖类型）。
9、从可见光/近红外的6个波段影像中选取512×512子区并保存，对影像进行分析，说明子区影像直方图与原影像直方图的差异，并分析子区影像的基本特征。
重新计算原影像统计特征值，注意观察记录结果的变化。
基本原理
数据准备
一景Landsat 4号星衡阳地区TM/ETM+影像LT4XXX02
【表一】
farmland stream town reservoir forest 432波段红色淡蓝色淡蓝色墨绿色红色742波段绿色深蓝色紫红色深蓝色绿色2、【直方图】
3、
【地物光谱剖面图】
地物类型：城镇
分析：森林采样点集中在（30，60）附近，说明森林在5波段DN比2波段反射大
城镇采样点集中在（35，40）附近,城镇在第25波段反射相差不大
农村采样点集中在（35，60）附近,说明农村在5波段DN比2波段反射大
森林采样点集中在（25，65）附近，森林在5波段DN比2波段反射大
河流采样点集中在（37，10）附近，说明河流在5波段DN比2波段反射明显弱
阴影采样点集中在（20，20）附近，阴影在第25波段反射相差不大
4、子图选取。
分析：1、子区平均值与原图像基本相同。
2、子区图像DN值波峰与原图在曲折变化上有一些差别，原图像地物类型较多。
3、子区与原图像对应区域在显示上颜色有变化。
存在问题与解决办法
1、实习过程中影像的分辨率比较低，有些地物的辨别有点小困难，有些地物之间不好辨别。
总结
1、学会了如何下载影像
2、了解了一些同种地物在不同波段下的颜色变化。