ENVI土壤湿度遥感反演及干旱灾害监测
科技成果——基于微波的高分辨率土壤水分反演及干旱监测应用
科技成果——基于微波的高分辨率土壤水分反
演及干旱监测应用
对应需求旱情遥感监测系统
成果简介
该成果利用高质量Sentinel-1SAR数据及可见光遥感数据，基于具有物理机制的变化检测方法，反演得到高分辨率的土壤水分信息；确定了构建后向散射系数-植被指数空间所需的最佳采样点数目；明确了模拟精度对土壤水分初始值和缩放因子两个关键参数的敏感性。
可解决当前遥感土壤水分数据的空间分辨率过低的问题，AUC值较传统预测模型提升了约20%，具有较强干旱监测能力。
适用于区域范围内高分辨率干旱监测。
技术特点
该成果进行干旱监测及森林火灾预报，AUC值较传统预测模型提升了约20%，提升预测精度。
精度达到0.053立方米/立方米，且其反演精度并不随递推次数增加而累积，具有较高的空间分辨率。
技术水平实用新型专利1项，软件著作权1项。
应用情况
该成果在黑河流域应用，此流域内绿洲属于干旱-半干旱区，生态环境脆弱，通过运用该成果开展土壤水分的反演，可监测绿洲干旱情况，展现出较好的干旱预警能力；在广东省应用，近年来该省内降雨年度分配不均情况逐渐加剧，骤旱频发，通过运用该成果，可准确监测预报省内林区干旱及森林火灾等灾害发生情况。
干旱指数反演操作流程
一、ENVI5.3 SP1安装步骤1、在下载文件中双击IDL_ENVI53SP1win64.exe，弹出获取管理员权限的对话框，这里点击【是（Y）】即可；2、然后软件包就会自行进行解压3、好了，这时候说明你已经解压好了，在弹出的欢迎窗口中点击【Next>】按钮；选择“同意条款”（I accept the terms of the license agreement）,随后点击【Next>】；4、默认选择路径后点击【Next>】；5、6、在弹出的许可证向导界面中点击【是（Y）】；7、在随后弹出的窗口中选择第三个Install a license you have received，然后点击【Next>】；8、在弹出的获得许可文件的窗口中选择已下载好的license.lic文件；9、选好许可后，这时候是不是很兴奋，然后点了【Finish】，你就会发现很幸运你重启了，所以在这里要注意下，记得保存及时保存需要保存的文件等；10、把文件idl.dll替换到安装好的指定目录即可。
11、打开软件，和以往的5.x一样，ENVI5.3 SP1版本也提供了经典界面和5.x以后的界面，如图所示找到打开就行。
经典界面如下：5.x界面如下：二、插件准备1、把下面插件custom_code和extensions中的文件分别拷贝至C:\Program Files\Exelis\ENVI53中的custom_code和extensions 文件中。
三、指数反演1、LST指数（1）双击Toolbox-Extensions-Landsat 8 LST选择Landsat8影像的MTL.txt文件，自动弹出一个对话框和一个IE网址，把对话框里面的信息填写到IE网址中，单机“calculate”系统自动算出反演系数。
（2）根据IE网址自动计算的系数填写到Landsat 8 LST Task对话框中。
（3）单机工具栏ROI Tool-file-import vector-open file打开县界，Subset Data from ROIs工具选择县界矢量、输入输出文件名称以.tif\.img\.dat命名都可以。
基于遥感的干旱监测方法研究进展
基于遥感的干旱监测方法研究进展随着全球气候变化的不断加剧，干旱成为世界范围内面临的严重问题之一。
干旱对农业、水资源和生态环境等方面造成严重影响，因此进行准确的干旱监测和预测具有重要意义。
遥感技术由于其无人参与、高效快速、广覆盖等特点，被广泛应用于干旱的监测和评估中。
本文将从传统遥感方法到现代遥感方法阐述干旱监测的研究进展。
传统遥感方法中，利用多光谱遥感数据来计算植被指数（例如NDVI）是常用的干旱监测方法之一。
植被指数可以用来反映植被的生长状态，从而推测土壤水分含量。
通过计算不同时间的植被指数，可以得到干旱指数，用来判断干旱的程度。
传统遥感方法在干旱监测中存在许多问题，如数据获取周期长、不同传感器数据不一致等。
为了提高干旱监测的精度和准确性，需要引入现代遥感方法。
近年来，随着高分辨率遥感技术的发展，干旱监测越来越多地采用基于高分辨率遥感数据的方法。
高分辨率遥感数据可以提供更精细的土地利用/覆盖信息，从而更准确地判断干旱的程度。
基于高分辨率遥感数据的土地覆盖分类可以获得不同植被类型的分布情况，进而计算各个植被类型的植被指数并分析干旱情况。
高分辨率遥感数据还可以用来监测植被的物候期，进一步评估植被的生长状态和土壤水分状况。
基于热红外遥感数据的干旱监测方法也得到了广泛研究。
热红外遥感数据可以获取地表温度信息，通过计算不同时间的地表温度差异，可以判断土壤的水分状态。
热红外遥感数据还可以用来估算植被蒸腾量，进而推测土壤水分状况。
与传统的植被指数相比，热红外遥感方法具有更直接、更准确的干旱监测能力。
干旱监测是遥感技术应用领域中的一个重要方向。
传统遥感方法中的植被指数计算和土地分类方法已经在干旱监测中得到了广泛应用。
随着高分辨率遥感、热红外遥感和微波遥感等技术的发展，现代遥感方法也在不断涌现。
这些新方法在干旱监测中具有更高的精度和准确性。
未来，随着遥感技术的不断进步，干旱监测的精度和时效性将不断提高，为干旱的预防和防治提供更有效的手段。
ENVI土壤水分反演 流程
利用ENVI软件反演土壤湿度指数晏红波2015-03-200. 绪论土壤湿度在陆地与大气界面进行水分和能量的交换过程中起重要作用，同时对农作物的生长起决定性作用，而且影响着土地退化、植被覆盖，是气候、生态、水文、农业等多个领域的重要参数。
区域性和大尺度的陆地土壤湿度变化信息对于陆气交互作用平衡和陆面水文研究、改善区域及全球气候模式预报结果、水涝和干旱的监测、农作物生长态势评估、自然和生态环境问题的研究等都是十分关键的因素。
因此，研究区域性和大尺度的陆地土壤湿度变化情况意义重大，这也是当前国际研究的热点问题之一。
传统的土壤湿度监测方法包括烘干称重法、中子仪探测法、电阻法等，虽然可以比较准确地监测小范围内的土壤含水量，但是需要耗费较大的人力和时间，时效性不高，而且不能完全反映出较大区域内的土壤含水量的情况，不能用于大范围土壤水分的监测。
利用遥感手段反演土壤湿度可以实现全区域大面积的实时动态监测，因此利用遥感手段监测土壤湿度越来越引起人们的重视。
常用的遥感波段包括可见光，近红外，热红外以及微波等。
不同波段反演土壤湿度所用的反演方法也不同。
1. 遥感反演土壤湿度的主要方法遥感反演土壤湿度根据波段的不同分为3类：微波遥感土壤湿度法；作物植被指数法；热红外遥感监测法（主要是应用热惯量模型）。
（1）微波遥感土壤湿度法分主动微波遥感监测法和被动微波遥感监测法两种。
此方法物理基础坚实，即土壤的介电特性和土壤含水量密切相关，水分的介电常数大约为80，干土仅为3，它们之间存在较大的反差。
土壤的介电常数随土壤湿度的变化而变化，表现于卫星遥感图像上将是灰度值G亮度温度Tb的变化。
因此，微波遥感土壤水分的方法被广泛地应用于实际的监测工作中。
A 主动微波遥感监测法以应用x波段侧视雷达为主，主要是后向反射系数法。
因为含水量的多少直接影响土壤的介电常数，使雷达回波对土壤湿度反映极为敏感，据此可建立后向散射系数和土壤水分含量之间的函数关系。
基于遥感的干旱监测方法研究进展
基于遥感的干旱监测方法研究进展一、遥感技术在干旱监测中的应用1. 植被指数2. 土壤水分遥感土壤水分是干旱监测中的重要参数之一，而遥感技术可以通过微波遥感或热红外遥感来获取土壤水分信息。
微波遥感利用微波波段的信号穿透能力来获取土壤深层的水分信息，而热红外遥感则是通过地表温度的变化来推测土壤水分的情况。
这些信息可以为干旱监测和预警提供有力的支持。
3. 热惯性遥感热惯性遥感是利用地表温度的变化来判断植被水分状况的一种遥感手段。
在干旱条件下，植被水分减少导致地表温度升高，因此可以通过热惯性遥感技术来监测干旱的发生和发展过程。
以上这些遥感技术都可以为干旱监测提供重要的信息支持，为决策者提供科学依据。
1. 遥感数据应用随着卫星遥感技术的不断发展，各种高分辨率、多光谱的遥感数据不断涌现，例如Landsat、MODIS、Sentinel等系列卫星的数据都被广泛应用于干旱监测中。
这些数据具有全球范围、长时间序列、高空间分辨率等优势，为干旱监测提供了丰富的信息资源。
2. 遥感技术融合随着多源遥感数据的融合应用，研究者开始尝试将光学遥感和雷达遥感相结合，或者将遥感数据与气象、水文数据相融合，以期得到更全面、准确的干旱监测结果。
这种遥感技术融合的研究是当前干旱监测领域的一个热点方向。
为了更好地利用遥感数据监测干旱，研究者不断开发和改进各种遥感技术模型，例如土壤水分反演模型、植被水分模型等。
这些模型可以更准确地从遥感数据中提取干旱相关的信息，为干旱监测提供更可靠的依据。
三、未来研究方向和挑战1. 多尺度遥感监测当前，大部分遥感监测主要集中在中小尺度上，而对于大尺度干旱监测的研究还比较薄弱。
未来需要加强对多尺度干旱监测技术的研究，以满足不同尺度干旱监测的需求。
虽然遥感技术已经广泛应用于干旱监测，但是在实际应用中还存在一些挑战，例如数据处理与提取效率、监测精度等问题。
未来需要继续提高遥感技术在干旱监测中的应用效率和准确性。
干旱等农业灾害遥感监测
24
-19
垂直同极化后向散射系数/dB
-20 -21 -22 -23 -24 -24 y = 0.9611x - 0.2084 2 R = 0.8172 -23 -22 -21 -20 -19
水平同极化后向散射系数/dB
水平、垂直同极化后向散射系数有很高的相关性，相关系数达 到0.904；同时，从两个极化数据的回归线来看，整体上裸土 的水平同极化后向散射系数略小于垂直同极化后向散射系数。 25
16
采用的雷达数据介绍 EnviSat-1卫星是欧空局对地观测卫星系列之一，于2002年3月 1日发射升空。卫星轨道高度为800公里，过境周期为35天。 ASAR是EnviSat-1上最重要的一个传感器，其目的是用SAR进行 对地观测，提供有关海浪、海冰范围及运动情况、陆地冰雪 的分布范围、地表地形及陆地表面特征、土壤湿度及湿地范 围等观测信息。ASAR工作在C波段，可为每个轨道连续获取30 分钟图像。ASAR传感器于2004年3月23日当地时间22点16分对 试验区进行扫描成像，获取的图像幅宽为56Km，长度为112Km， 覆盖了研究区的三个县（如图）。
26
裸土后向散射系数和地表粗糙度关系分析
选择土壤含水量相近而后向散射系数偏差较大的样点对1 和4、3和7，找出点1、3、4、7对应的数字照片。对照实 验图片来看，点1、3对应的地表粗糙度较大，点4、7对 应的地表粗糙度较小。因而，可以断定：在土壤含水量 一致的情况下，粗造度越大， hh 、 vv 越大。比较地表 粗造度对 hh vv的影响，粗糙度对 影响小，对 hh 、 vv 影响大。 结合小扰动模型来分析后向散射系数对粗造度的敏 感性 。 敏感性分析和对粗糙度的影响都表面，VV极化更适合土 壤水份的反演。
ENVI支持下的旱情监测方案
ENVI支持下的旱情监测方案干旱作为一种缓变的现象，其严重程度也是逐渐积累的结果，这就为干旱的监测和早期的预警带来了方便和可能。
干旱监测方法分为地面监测方法和空间监测方法。
地面监测方法是利用地面点的数据，通过统计分析进行干旱监测，此类方法不能及时的对旱情信息进行快速、准确预报。
空间监测方法是随着卫星遥感技术的发展而来并逐渐趋于成熟，不仅可以得到土壤湿度在空间上的分布状况和时间上的变化情况，而且可以进行长期动态监测，具有监测范围广，速度快，成本低等特点。
遥感已经成为区域尺度旱情监测的主要手段根据数据类型分为可见光/红外波段和微波波段的监测类型。
在可见光/近红外波段，不同湿度的土壤具有不同的地表反照率，通常湿土的地表反照率比干土低。
可见光/红外波段遥感正是利用地表温度获得土壤热惯量，从而进行估测土壤湿度。
微波遥感是近代兴起来一项新技术，相对于可见光/红外波段的遥感，微波波段不受光照条件限制，具有全天候观测的能力。
1.常见监测方法基于可见光/红外通过测量土壤表面反射或发射的电磁能量，得到遥感获取的信息与土壤湿度之间的关系，从而反演出地表土壤湿度。
较成熟、使用较广的方标准植被植被状态温度状态作物水分亏缺指数归一化温蒸散比模温度植被角度指数温度植被干旱指数条件植被温度指数2.技术流程与关键技术旱情监测的技术流程大致可分为以下几个步骤：图：旱情监测基本流程●数据预处理目前，常用于旱情监测的数据有MODIS、NOAA（AVHRR）、风云气象卫星等低分辨率影像；Landsat、ASTER、CBERS02B、HJ-1A/B等中等分辨率影像。
这类数据预处理的主要内容包括：数据读取、几何校正、大气校正等。
ENVI不仅支持主流卫星传感器的读取、几何校正、大气校正，还针对国产卫星的特点扩展了很多实用工具，包括FY-3A影像的几何校正工具、HJ-1A/B L2级数据预处理工具。
图像自动配准工具可实现Landsat、CBERS02B、HJ-1A/B等之间的快速几何配准。
ENVI土壤水分反演 流程
利用ENVI软件反演土壤湿度指数晏红波2015-03-200. 绪论土壤湿度在陆地与大气界面进行水分和能量的交换过程中起重要作用，同时对农作物的生长起决定性作用，而且影响着土地退化、植被覆盖，是气候、生态、水文、农业等多个领域的重要参数。
区域性和大尺度的陆地土壤湿度变化信息对于陆气交互作用平衡和陆面水文研究、改善区域及全球气候模式预报结果、水涝和干旱的监测、农作物生长态势评估、自然和生态环境问题的研究等都是十分关键的因素。
因此，研究区域性和大尺度的陆地土壤湿度变化情况意义重大，这也是当前国际研究的热点问题之一。
传统的土壤湿度监测方法包括烘干称重法、中子仪探测法、电阻法等，虽然可以比较准确地监测小范围内的土壤含水量，但是需要耗费较大的人力和时间，时效性不高，而且不能完全反映出较大区域内的土壤含水量的情况，不能用于大范围土壤水分的监测。
利用遥感手段反演土壤湿度可以实现全区域大面积的实时动态监测，因此利用遥感手段监测土壤湿度越来越引起人们的重视。
常用的遥感波段包括可见光，近红外，热红外以及微波等。
不同波段反演土壤湿度所用的反演方法也不同。
1. 遥感反演土壤湿度的主要方法遥感反演土壤湿度根据波段的不同分为3类：微波遥感土壤湿度法；作物植被指数法；热红外遥感监测法（主要是应用热惯量模型）。
（1）微波遥感土壤湿度法分主动微波遥感监测法和被动微波遥感监测法两种。
此方法物理基础坚实，即土壤的介电特性和土壤含水量密切相关，水分的介电常数大约为80，干土仅为3，它们之间存在较大的反差。
土壤的介电常数随土壤湿度的变化而变化，表现于卫星遥感图像上将是灰度值G亮度温度Tb的变化。
因此，微波遥感土壤水分的方法被广泛地应用于实际的监测工作中。
A 主动微波遥感监测法以应用x波段侧视雷达为主，主要是后向反射系数法。
因为含水量的多少直接影响土壤的介电常数，使雷达回波对土壤湿度反映极为敏感，据此可建立后向散射系数和土壤水分含量之间的函数关系。
科技成果——ENVIS数字化区域旱情监测系统
科技成果——ENVIS数字化区域旱情监测系统技术开发单位IMKO GmbH（德国）主要应用领域土壤水分墒情测量，气象观测，系统集成成果简介ENVIS数字化区域旱情监测系统用以监测土壤墒情变化和生态环境参数及相关因子。
它由数据采集器、传感器及相应总线模块或网络化模块、可选的服务器/客户端网络化数据采集器及数据处理软件组成，是一套野外土壤墒情及生态环境监测系统。
系统自动采集并记录数据，数据通过GPRS无线传输，采用发送邮件或无线数传的方式，实现远程遥测。
系统选用经世界气象组织（WMO）认可的高精度传感器，测量精度有保证，质量有保障。
系统采用模块化结构，设置简单，连接迅速，安装操作非常容易，易于维护，无需专业人士可操作。
系统出厂前经严格测试，安全可靠，运行稳定，可长期置于野外甚至无人看管的地带，任何有手机信号的测量地点均可使用。
ENVIS数字化区域旱情监测系统还适用于农业、林业、气象等方面的监测及研究，特别适用于条件恶劣的地区。
近年来它在德国、欧盟及世界各地有着广泛的应用。
主要性能指标（1）数据采集器1、最大可连接48个传感器2、2MB内存，可存储500000个数据3、支持GSM/GPRS/Internet远程数据传输4、可选CDMA或卫星数据传输5、防水等级IP67，适合野外工作6、采集间隔设置1分钟至1天7、数据格式ASCII，可导入MS-EXCEL8、可用电池，太阳能或电源多种供电模式9、操作温度：-3℃至70℃10、接口RS232/V2411、低能耗设计（2）土壤水分传感器1、测量范围：0-100%体积含水量2、测量精度：±1%（0-40%时），±2%（40-70%时）3、重复测量精度：±0.3%4、容积水电导率范围：0-2ds/m5、操作温度：-15℃到50℃（可订制更高温度范围）6、防水等级：IP687、标准缆线长度5m应用情况1、德国Karlsruhe、Cottbus、Bayreuth及Heidelberg的大学和研究机构：农业过度开发地区土壤中溶质运移的特性；2、德国Gottingen大学森林生态研究中心：在云杉林中做的酸雨对植物和土壤影响的实验；3、奥地利研究中心：农业生产对地下水污染的影响；4、德国Karlsruhe、Freiburg、Strabburg和Basel大学及气象服务中心：考察大气、土壤和蔬菜之间的能量、水和物质平衡；4、德国Stuttgart大学的水经济研究所：控制清洁尾气的生物过滤器的含水量；5、中国科学院寒区与旱区环境工程研究所：黑河流域典型景观植被带陆面过程同步观测研究。
土壤水分和干旱的遥感监测方法与研究
目录摘要 (I)ABSTRACT (II)第一章前言 (1)1.1研究意义 (1)1.2旱情与干旱的概念、描述指标 (4)1.3干旱的危害 (5)1.4我国干旱的特点、分布状况 (7)1.5常用的干旱分等定级方法 (10)1.6目前针对干旱及土壤水分的监测方法 (11)第二章国内外土壤水分遥感监测研究进展情况 (12)2.1国外遥感监测土壤水分发展状况 (12)2.2国内遥感监测土壤水分发展状况 (13)第三章遥感监测土壤水分的理论基础 (15)第四章遥感干旱监测及土壤水分监测的方法介绍 (17)4.1 基于地表温度的遥感干旱监测方法 (17)4.1.1热惯量法 (17)4.1.2表观热惯量植被干旱指数 (19)4.1.3条件温度指数法 (20)4.1.4归一化差值温度指数 (20)4.2 基于植被指数的遥感干旱监测方法 (21)4.2.1简单植被指数 (22)4.2.2比值植被指数 (22)4.2.3归一化植被指数 (22)4.2.4增强植被指数 (23)4.2.5条件植被指数 (24)4.2.6距平植被指数 (24)4.3 基于植被指数和温度的遥感干旱监测方法 (26)4.3.1条件植被温度指数 (26)4.3.2 温度植被旱情指数 (27)4.3.3植被温度梯形指数 (29)4.3.4作物缺水指数法 (30)4.4基于红外的遥感干旱监测方法 (32)4.4.1垂直干旱指数法 (32)4.4.2修正的垂直干旱指数法 (33)4.5 微波遥感法 (35)4.5.1被动微波遥感监测土壤水分 (35)4.5.2 主动微波遥感监测土壤水分 (36)4.6 高光谱法 (38)第五章主要方法的分析与比较 (40)第六章结论与展望 (42)参考文献 (45)土壤水分和干旱的遥感监测方法与研究摘要干旱作为我国频发的气象灾害之一，其持续时间长，波及范围，涉及领域之广，对我国的国民经济造成严重影响，特别是农业生产损失惨重。
农业旱灾监测中土壤水分遥感反演研究进展
15卷6期2006年12月自 然 灾 害 学 报JOURNAL OF NAT URAL D I S ASTERS Vol .15,No .6Dec .2006收稿日期:2006-03-07; 修订日期:2006-07-10 基金项目:国家自然科学基金资助项目(30571078);国家社会公益研究项目(2004D I B 4J154,2005D I A 3J032);国家科技支撑计划课题(2006BAD04B07) 作者简介:闫峰(1973-),男,江苏连云港人,博士研究生,主要从事环境遥感、地理信息系统和灾害学研究.文章编号:100424574(2006)0620114208农业旱灾监测中土壤水分遥感反演研究进展闫 峰1,2,覃志豪1,3,李茂松2,王艳姣4,5(1.南京大学国际地球系统科学研究所,江苏南京210093; 2.中国农业科学院农业环境与可持续发展研究所,北京100081;3.中国农业科学院农业资源与农业区划研究所,北京100081;4.中国科学院大气物理研究所,北京100029; 5.中国气象局国家气候中心,北京100081)摘要:土壤水分是农业干旱监测最重要的指标之一。
文章全面回顾了光学遥感和微波遥感土壤水分遥感反演进展,重点讨论了各种反演方法的优点和不足。
光学遥感中,热惯量法和作物缺水指数法可分别较好地应用于裸露地和作物覆盖地的土壤水分监测;距平植被指数、植被条件指数采用了植被指数因子实现农业旱情监测,温度植被指数、植被供水指数和条件植被温度指数同时考虑了作物植被指数和地表温度。
微波遥感被认为是当前土壤水分监测中最有效的方法。
主动微波遥感空间分辨率较高,但对土壤粗糙度和植被敏感;被动微波遥感空间分辨率低,重访周期短,对大尺度农业旱灾监测具有较大潜力。
为提高农业旱灾监测中土壤水分遥感反演的精度和效率,采用光学遥感和微波遥感的结合可能是较为实际的方法。
关键词:农业旱灾;土壤水分;遥感;光学;微波中图分类号:TP79;S152.7;S423 文献标识码:AProgress i n so il m o isture esti m a ti on from rem ote sen si n gda t a for agr i cultura l drought m on itor i n gY AN Feng 1,2,Q I N Zhi 2hao 1,3,L IMao 2s ong 2,WANG Yan 2jiao 4,5(1.I nternati onal I nstitute for Earth Syste m Science,Nanjing University,Nanjing 210093,China; 2.I nstitute of Envir onment and SustainableDevel opment in Agriculture,Chinese Acade my of Agricultural Sciences,Beijing 100081,China; 3.I nstitute of Agr o 2Res ourcesand Regi onal Planning,Chinese Acade my of Agricultural Sciences,Beijing 100081,China; 4.The I nstitute of A t m os phericPhysics,Chinese Acade my of Sciences,Beijing 100029,China; 5.Nati onal Cli m ate Center,China Meteor ol ogical Adm inistrati on,Beijing 100081,China )Abstract:Soil moisture is one of the most i m portant indices for agricultural dr ought monit oring .I n this paper we p resent a comp rehensive revie w f or the p r ogress in re mote sensing of s oil moisture,with f ocus on discussi on of the method details and p r oble m s existing in s oil moisture esti m ati on fr o m re mote sensing data .Ther mal inertia and cr op water stress index (C W SI )can be used t o s oil moisture esti m ati on of bare s oil and vegetati on envir on ments res pec 2tively .Anomaly vegetati on index (AV I )and vegetati on conditi on index (VC I )are another alternative methods for s oil moisture esti m ati on with nor malized difference vegetati on index (NDV I ).Both NDV I and land surface te mpera 2ture (LST )are considered in te mperature vegetati on index (T V I ),vegetati on supp ly water index (VS W I )and vegetati on te mperature conditi on index (VTC I ).M icr owave re mote sensing is the most effective technique f or s oil moisture esti m ati on .Active m icr owave can p r ovide high s patial res oluti on but is sensitive t o s oil r ough and vegeta 2ti on .Passive m icr owave has a l ow res oluti on and revisit peri od but it has more potential for large scale agriculturaldr ought monit oring .I ntegrati on of op tical and m icr owave re mote sensings may be the p ractical method of dr ought monit oring in both accuracy and efficiency .Key words:agricultural dr ought;s oil moisture;re mote sensing;op tics;m icr owave农业旱灾是世界上最常见、影响最大的气候灾害,不但直接造成了粮食减产和经济损失,而且严重影响了农业的可持续发展和社会的稳定。
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。
ENVI支持下的旱情监测方案
ENVI支持下的旱情监测方案随着全球气候变化的不断加剧，旱情问题成为许多地区面临的一个紧迫挑战。
为了有效应对旱情，准确监测和预测干旱程度至关重要。
本文将介绍一种基于ENVI软件支持的旱情监测方案，旨在提供一个高效、准确的旱情监测解决方案。
1. 概述旱情监测是一个复杂的任务，需要对地表水分情况进行详细分析和研究。
ENVI是一款功能强大的遥感图像处理软件，提供了丰富的数据处理和分析工具，适用于地质、环境、农业等多个领域。
通过利用ENVI的功能和工具，可以构建一个全面、科学的旱情监测方案。
2. 数据获取与处理旱情监测的第一步是获取合适的遥感数据，如卫星图像、遥感影像等。
ENVI提供了多种数据源的支持，可以根据需要选择合适的数据源。
获取到数据后，需要进行预处理，包括辐射校正、大气校正等，以保证数据的准确性和可比性。
3. 图像分析与特征提取在ENVI软件中进行图像分析和特征提取是旱情监测方案的核心内容之一。
可以使用ENVI的各种工具进行图像分类、变化检测、指数计算等。
通过分析遥感图像的时序变化和植被指数，可以检测出地表水分的变化情况，找到潜在的旱情区域。
4. 旱情评估与预测根据分析得到的数据和特征信息，可以进行旱情评估和预测。
通过ENVI提供的数学模型和算法，可以建立旱情评估指标体系，如NDVI 指标、土壤湿度指数等。
通过这些指标的计算和分析，可以得到旱情的程度和趋势，并进行相关的预测和预警。
5. 结果展示与应用最后，通过ENVI可以将监测结果直观地展示出来。
可以生成各种形式的地图、统计图表等，在GIS平台上进行展示和分析。
这些结果可以为决策者提供决策依据，帮助他们更好地应对旱情问题，采取有效的措施，减轻旱情给当地经济和生态环境带来的负面影响。
综上所述，ENVI支持下的旱情监测方案是一种高效、准确的旱情监测解决方案。
通过利用ENVI软件的功能和工具，可以实现从数据获取、图像分析到旱情评估和预测的全过程。
这种方案可以提供决策者有力的参考，帮助他们更好地了解旱情状况，及时采取措施，有效应对旱情挑战。
基于遥感的干旱监测方法研究进展
基于遥感的干旱监测方法研究进展一、干旱监测指标1. 土壤水分指数土壤水分是反映干旱程度的重要指标之一。
遥感技术可以通过遥感影像获取植被生长指数（NDVI）、植被干旱指数（VCI）、土壤水分指数（SWI）等数据，来反映土壤水分状况。
研究表明，SWI在干旱监测中具有较高的准确性和实用性，能够及时监测并评估干旱程度。
2. 植被覆盖度指标植被覆盖度是评估干旱影响的另一个重要参数。
通过遥感技术获取的植被覆盖度数据可以反映植被生长状态，从而评估干旱对植被的影响。
近年来，一些新的植被指数如NDII、TVI等也被引入到干旱监测中，提高了遥感监测的准确性和可操作性。
3. 温度指标温度是影响植被生长和土壤水分蒸发的重要因素，因此在干旱监测中也具有重要作用。
遥感技术可以获取地表温度数据，并结合其他气象数据，如降雨量、湿度等，全面分析温度对干旱的影响。
二、遥感数据获取1. 光学遥感影像光学遥感影像是获取土地覆盖、植被生长等信息的重要数据源。
近年来，高分辨率遥感影像的广泛应用为干旱监测提供了更为精细的数据支持。
与传统的农田调查相比，遥感影像能够实现大范围、高效率的干旱监测，为干旱防治工作提供了更为全面的数据支持。
2. 雷达遥感数据雷达遥感技术可以获取地表粗糙度、植被结构、地形等信息，对干旱监测有着重要作用。
雷达遥感数据可以突破光学遥感在云雾天气下获取数据的限制，为干旱监测提供了更加可靠的数据来源。
热红外遥感数据可以获取地表温度信息，可用于反映地表水分蒸发、土壤湿度等情况，对干旱监测有着重要作用。
近年来，热红外遥感数据在干旱监测中得到了广泛应用，为干旱的预测和防治提供了重要数据支持。
三、遥感技术在干旱监测中的应用1. 干旱监测模型以遥感数据为基础的干旱监测模型成为研究的热点之一。
利用机器学习、人工智能等技术，结合遥感数据和气象数据，构建了一系列高效准确的干旱监测模型，为干旱监测工作提供了新的思路和方法。
基于遥感数据构建的干旱监测平台为各级政府部门和农业生产主体提供了便捷的干旱监测服务。
干旱荒漠化矿区GPS反射信号土壤湿度反演
【 摘
徐州
２ １ ； ２ ６ １ １
江苏
徐州
２ １ ６ ２ １ １ １
要】 采用 Ｇ Ｓ Ｐ 信号反演土壤湿度具有重要的科 学 究意 义。对于干旱荒漠化矿 ｒ￣表 大多为裸地或低植被覆盖条件 ， 研 ｚ ， －
适 宜于土壤 湿度 的遥感。本文探讨 了利用 Ｇ Ｓ信号反演土壤 湿度的理论和方法， Ｐ 在分析荒漠化矿 区地表特点 的基础上 ， 讨论 了 在荒漠化矿 区利用 Ｇ Ｓ信号反演土壤 湿度 的可行性。 Ｐ
Ｘｕ ｈ ｕ Ｊａ ｇ ｕ ２ １ １ ； ．ｃ ｏ ｌｏ ｖｒ ｎ ｅ ｔｌ ｃｅ ｃ ｎ ｐ ｔａ ｎｏ ｍａｉｓ Ｃｈ ｎ ｉ ｖ ｒｉｙｏ ｉ ｉｇａ ｄ ｚ ｏ ｉｎ ｓ ， ２ １ ６ ２Ｓ ｈ ｏ ｆＥｎ ｉｏ ｍ ｎａ ｉｎ ｅａ ｄ Ｓ ａ ｌ ｆ ｒ ｔｃ， ｉａ Ｕｎ ｅ ｓｔ ｆＭ ｎｎ Ｓ ｉ Ｉ ｎ
反射信号遥感海平面的先河 Ｇ Ｓ系统 Ｌ （．７ ４ Ｇ ｚ 、２ 。Ｐ ｌ １ ５ ２ Ｈ ）Ｌ ５ （ ． ７Ｇ ） １ ２ ６ Ｈｚ波段频率又是遥感 土壤湿度的最佳频率 ＿ ２ 圳 。根据 Ｇ Ｓ反射信号功率与土壤介 电常数存在一定 的函数 关系 ， Ｐ 土
壤介电常数和土壤湿度也存在 函数关系 ， 利用 Ｇ ｒｖ ＲＳ． ２系统［ ９ １
比比皆是 ， 表变 形 、 降导致 土地荒 漠化 ， 仅荒废 了土 地 沉 不
地， 而且带来 了经济损 失。荒漠化 矿区多为裸地或低植被覆
获取 Ｇ Ｓ反射信号功率 ． Ｐ 根据 函数模型反演出特定区域内的
土壤湿度 。鉴于荒漠化 矿区多为裸地 或低 植被覆盖条件 ， 适
盖， 生态 系统极其脆弱 ， 采矿对其影响显而易见［】 １。控制地 下 ＿ ５ 水水位是生态脆弱矿 区科学开采的核心Ｌ ６ Ｊ 。土壤湿度 ， 作为土
ENVI土壤湿度遥感反演及干旱灾害监测
遥感建模与应用综合实习实验报告学期2017-2018学年第二学期姓名学号指导教师闵爱莲实验题目:土壤湿度遥感反演研究1.实验目的1.1熟悉遥感图像大气校正、几何校正的流程，掌握NDVI的计算及密度分割的过程。
1.2 学会利用TM热红外波段反演地表温度，了解TVDI的原理，制图输出黄骅市TVDI图像。
1.3 掌握基本的统计学评价指标（R2值、相关系数、线性拟合模型精度评价等），建立干旱指数TVDI和土壤相对湿度之间的关联模型。
2.实验要求2.1 大气校正，几何校正后NDVI计算并制图输出。
2.2地表温度反演；Ts-NDVI散点图制作；TVDI指数计算；除云、除水、除建筑物，保留植被区域的TVDI。
2.3建立TVDI和土壤相对湿度之间的关联模型。
模型精度评价。
土壤相对湿度制图。
3.实验数据TM200205图像、BASE IMAGE图像、研究区矢量边界图。
4.实验步骤:4.1图像预处理以及NDVI制图。
①大气校正。
本实验选择黑暗像元法进行大气校正。
打开TM200205,快速统计图像DN值，记录7个波段每个波段的黑暗像元。
本实验选择DN值像元个数为十位数时对应的DN值作为黑暗像元DN值。
所有像元均减去此黑暗像元的DN,达到校正目的。
所依据原理为认为黑暗像元的辐射记录值为0，且认为图像各处大气影响一致，之所以不为0是由于大气程辐射的影响，减去此DN，即为整体消除大气程辐射的影响。
②几何校正。
加载并打开base image和TM200205图像，基于Map下的图像到图像校正方法进行几何校正。
以base image为基准图像，以TM200205为待校正图像。
本实验选择20个地面同名地物点作为控制点，总的均方根误差为0.8257个像元，选择的原则是：控制点要分布均匀，图像边缘部分要多选取。
选择大桥桥头、河流拐弯处、道路交叉口、机场等易于区分且不易随时间变化太大的地物。
几何位置变换公式为多项式变换，二次多项式。
重采样方法为线性内插法。
基于遥感的干旱监测方法研究进展
基于遥感的干旱监测方法研究进展遥感技术在干旱监测和评估中发挥着重要的作用。
它可以提供大范围、高时空分辨率和实时的遥感数据，帮助确定干旱程度和干旱时空分布。
本文综述了基于遥感的干旱监测方法的研究进展。
1. 基于遥感指数的干旱监测遥感指数是根据可见光、红外线和微波等遥感数据计算得出的干旱指标。
NDVI (Normalized Difference Vegetation Index) 反映了植被覆盖度，可以用来判断干旱情况。
其他常用的遥感指数包括EVIs (Enhanced Vegetation Index)、VIs (Vegetation Indices)等。
这些指数用于干旱监测时，可以通过长期监测和对比来确定干旱的时空分布。
2. 基于无人机遥感的干旱监测无人机遥感技术在干旱监测中具有独特的优势。
它可以提供高分辨率和高精度的数据，可以更准确地检测干旱的细节和变化。
无人机可以搭载多种遥感传感器，如多光谱、红外和热红外传感器，可以提供更全面的数据信息。
无人机遥感还可以定点观测和即时监测，帮助决策者及时采取措施应对干旱。
3. 基于机器学习的干旱监测机器学习是一种能够从数据中学习和提取规律的方法。
在干旱监测中，机器学习可以被应用于遥感数据的处理和分析。
通过训练算法，机器学习可以对遥感数据进行分类、回归和聚类等分析，进而识别干旱的特征和模式。
常用的机器学习算法有支持向量机、随机森林、神经网络等。
4. 基于遥感与地面观测的干旱监测遥感与地面观测的结合可以提高干旱监测的准确性和可靠性。
地面观测可以提供更详细的资料以验证遥感数据的准确性，并检测干旱情况。
地面观测可以通过监测土壤湿度、蒸散发和植被生长等参数，对遥感数据进行验证和校正。
地面观测还可以提供其他辅助数据，如气象数据和土地利用数据，用于干旱监测的分析和评估。
基于遥感的干旱监测方法不断得到改进和发展，展现出更高的准确性和可靠性。
未来的研究可以进一步研究遥感技术与其他观测手段的结合，提高干旱监测的时空分辨率和预测能力，为干旱管理提供更全面的数据支持。
基于遥感的干旱监测方法研究进展
基于遥感的干旱监测方法研究进展干旱是指由于降水量不足或正常气温下的高蒸发造成土壤水分不足的一种自然灾害。
干旱对农业、生态环境和社会经济发展都具有严重影响，及时准确地监测和预警干旱是保障粮食安全和生态环境稳定的重要手段之一。
遥感技术具有高时空分辨率、宽覆盖范围和可定量化等优势，已成为干旱监测的重要工具之一。
本文旨在综述基于遥感的干旱监测方法的研究进展。
1. 图像处理方法基于遥感图像的干旱监测方法主要包括基于多光谱遥感图像和基于水分指数的方法。
多光谱遥感图像反映了植被的光谱特征，通过分析植被指数变化，可以判断地表的干湿程度。
水分指数是植被指数与热惯量指数的组合，能够更准确地反映土壤水分状况。
2. SAR（Synthetic Aperture Radar）技术SAR技术是一种利用雷达原理获取地表反射率的遥感技术，具有在任何天气和光照条件下获取数据的能力。
SAR技术可以获取土壤表面的微小变化，进而判断土壤水分状况。
目前，SAR在干旱监测中的应用主要以土壤湿度反演和植被胁迫监测为主。
3. 遥感与气象数据融合遥感数据和气象数据都能够提供干旱监测所需的信息，两者结合可以提高干旱监测的准确性和可靠性。
基于遥感和气象数据融合的干旱监测方法可以通过分析不同数据源的各自优势，综合考虑多个因素进行干旱监测。
4. 机器学习方法机器学习方法在干旱监测中得到了广泛应用。
常用的机器学习方法包括支持向量机、随机森林、神经网络等。
这些方法通过建立数据和干旱指标之间的关联模型，可以对干旱进行准确分类和预测。
5. 时序遥感数据分析时序遥感数据分析是指通过长期的遥感数据，分析地表的变化趋势和周期性，从而判断干旱的发生和演变情况。
时序遥感数据分析可以帮助了解干旱的季节性和年际变化规律，提前预警和采取应对措施。
基于遥感的干旱监测方法包括图像处理方法、SAR技术、遥感与气象数据融合、机器学习方法和时序遥感数据分析。
这些方法的应用可以提高干旱监测的准确性和时效性，为干旱灾害的预防和防治提供科学依据。
农作物干旱检测方法实践
农作物干旱检测方法实践农作物干旱检测方法实践农作物干旱检测是农业管理中的重要环节，它可以帮助农民及时采取措施保护作物免受干旱的危害。
下面将以逐步思考的方式介绍农作物干旱检测方法的实践步骤。
第一步：选择合适的传感器在农作物干旱检测中，选择合适的传感器是至关重要的。
传感器的选择应基于检测目标和可用技术。
常用的传感器包括土壤湿度传感器、气象站、NDVI （归一化植被指数）传感器等。
土壤湿度传感器可用于测量土壤中的水分含量，而气象站可以提供空气中相对湿度、温度和风速等信息。
NDVI传感器则可以衡量植被的健康状况。
第二步：安装传感器安装传感器是保证准确测量的关键。
土壤湿度传感器应安装在距离作物根部适当深度的位置，以确保准确测量土壤水分含量。
而气象站则应放置在集中、开阔的位置，以便获取准确的气象数据。
NDVI传感器应固定在可俯瞰作物的位置，以确保有效监测植被状态。
第三步：数据采集和分析传感器安装完成后，需要对采集到的数据进行定期的采集和分析。
数据采集可以通过手动或自动方式进行，具体取决于传感器的类型和设置。
然后，收集到的数据应通过专门的软件或算法进行分析，以获得关于作物干旱状况的信息。
例如，根据土壤湿度传感器的数据可以确定作物是否处于干旱状态。
第四步：结果解读和决策支持最后，根据数据分析的结果，需要对其进行解读，并为农民提供决策支持。
如果分析结果显示作物干旱，则农民可以采取适当的措施，如增加灌溉频率或改变灌溉方式。
此外，对于长期干旱的地区，可以考虑引入抗旱性强的作物品种或改变种植结构。
综上所述，农作物干旱检测方法的实践步骤包括选择合适的传感器、安装传感器、数据采集和分析，以及结果解读和决策支持。
这些步骤的实施可以帮助农民及时了解作物的干旱状况，从而采取适当的措施，保护作物的生长和产量。
- 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)。
遥感建模与应用综合实习实验报告学期2017-2018学年第二学期姓名学号指导教师闵爱莲实验题目:土壤湿度遥感反演研究1.实验目的1、1熟悉遥感图像大气校正、几何校正的流程,掌握NDVI的计算及密度分割的过程。
1、2 学会利用TM热红外波段反演地表温度,了解TVDI的原理,制图输出黄骅市TVDI图像。
1、3 掌握基本的统计学评价指标(R2值、相关系数、线性拟合模型精度评价等),建立干旱指数TVDI与土壤相对湿度之间的关联模型。
2.实验要求2、1 大气校正,几何校正后NDVI计算并制图输出。
2、2地表温度反演;Ts-NDVI散点图制作;TVDI指数计算;除云、除水、除建筑物,保留植被区域的TVDI。
2、3建立TVDI与土壤相对湿度之间的关联模型。
模型精度评价。
土壤相对湿度制图。
3.实验数据TM200205图像、BASE IMAGE图像、研究区矢量边界图。
4.实验步骤:4、1图像预处理以及NDVI制图。
①大气校正。
本实验选择黑暗像元法进行大气校正。
打开TM200205,快速统计图像DN值,记录7个波段每个波段的黑暗像元。
本实验选择DN值像元个数为十位数时对应的DN值作为黑暗像元DN值。
所有像元均减去此黑暗像元的DN,达到校正目的。
所依据原理为认为黑暗像元的辐射记录值为0,且认为图像各处大气影响一致,之所以不为0就是由于大气程辐射的影响,减去此DN,即为整体消除大气程辐射的影响。
②几何校正。
加载并打开base image与TM200205图像,基于Map下的图像到图像校正方法进行几何校正。
以base image为基准图像,以TM200205为待校正图像。
本实验选择20个地面同名地物点作为控制点,总的均方根误差为0、8257个像元,选择的原则就是:控制点要分布均匀,图像边缘部分要多选取。
选择大桥桥头、河流拐弯处、道路交叉口、机场等易于区分且不易随时间变化太大的地物。
几何位置变换公式为多项式变换,二次多项式。
重采样方法为线性内插法。
③裁剪图像。
基于ENVI菜单栏下的Basic 工具里的裁剪数据功能进行,空间子集选择边界图层。
裁剪之后,用边界图层、evf文件数据进行腌膜,得到研究区数据,其她地方为0值。
④NDVI计算。
基于公式(float(b1)-float(b2))/(b1+b2)或者Transform功能下的NDVI计算工具直接进行计算。
⑤NDVI密度分割。
将NDVI从-0、6800~0、4208全部分为8类,外加一个0~0,即背景值,赋值为white⑥制图输出。
在Annotation下设置图名、图例、指北针、比例尺。
需要指出的就是,本实验在图例方面只加8个(不加0~0的图例),所有汉字均采用ENVI字体中的161~180里的KaiTi,所有英文全部采用Roman3字体,输出如图:4、2热红外地温反演及TVDI制作(以下所有公式均在Band Math下输入)。
①单位光谱范围内幅亮度值Rb。
输入公式:(B1*(1、896-0、1534)/255+0、1534)/1、239②地温计算,用传感器温度表征地表温度Ts。
输入公式:1260、56/alog(60、766/B1+1)③图像MNDWI计算。
输入公式:(float(b1)-float(b2))/(b1+b2)式中,B1为绿光波段,B2为短波红外波段(第五波段)。
④TVDI指数计算原理。
植被指数NDVI 就是利用植被对太阳辐射各光谱波段的吸收与反射作用,得出反映植被生长状况的信息,因此可作为干旱监测的一种指标,但其监测作物干旱状态具有一定的滞后性;而地表温度Ts的实时性强,却易受到周围地物的影响,因此常将两者综合起来研究干旱。
Price 与Carlson 等研究首先发现,如果研究区的植被覆盖度与土壤湿度值变化较大,则获得的植被指数NDVI 与地表温度Ts所形成的散点图呈三角形关系,其中NDVI 作为横坐标,Ts作为纵坐标。
Moran 等则分析NDVI 与Ts的散点图为梯形关系。
Sandholt等通过研究简化的NDVI-Ts 三角形空间,提出了温度植被干旱指数TVDI,用以估算土壤含水状况。
NDVI-Ts特征空间的示意图,体现了Ts与NDVI的关系。
TVDI值为1就是干边( Dry edge), 代表土壤缺水;TVDI 值为0则就是湿边( Wet edge),具有最大的土壤蒸发蒸腾总量与无限的水分供应,反映了土壤水分的两个极端状态。
Sandholt等[14] 首先提出了温度植被干旱指数( Temperature Vegetation Dryness Index, TVDI )的概念。
其表达式为:TVDI=(Ts-Tsmin)-(Tsmax-Tsmin)本实验只统计NDVI对应下的Tsmin与Tsmax。
NDVI只选择>0的部分。
得到干边方程为:Tsmax= -36、779*NDVI+323、55,R方值为0、9564Tamin= 65、614*NDVI+268、99,R方值为0、9621代码:pro TVDI;读取NDVIfn=pickfile(title='��NDVI�ļ�')openr,lun,fn,/get_lunndvi=fltarr(2205,1814)readu,lun,ndvitvscl,ndvi,order=1free_lun,lun;读取Temperatu rֵfn1=pickfile(title='Temperature')openr,lun1,fn1,/get_lunwendu=fltarr(2205,1814)readu,lun1,wendutvscl,wendu,order=1free_lun,lun1;设置ndvi步长及组数a=max(ndvi)b=min(ndvi)step=0、01n=ceil((a-b)/step);mini=fltarr(n)maxi=fltarr(n);ֵfor i=0,n-1do beginmini[i]=b+i*stepmaxi[i]=mini[i]+stependforminimum=fltarr(n)maximum=fltarr(n)for i=0,n-1do begintemp1=where(ndvi gt mini[i] and ndvi lt maxi[i])if n_elements(temp1) eq1then begintemp2=0endif else begintemp2=wendu[temp1]endelseminimum[i]=min(temp2)maximum[i]=max(temp2)endforplot,mini,minimum,psy=2oplot,maxi,maximum,psym=2data=fltarr(3,n_elements(mini))data[0,*]=transpose(mini)data[1,*]=transpose(minimum)data[2,*]=transpose(maximum)openw,lun2,'d:/TVDI000、txt',/get_lunprintf,lun2,data,format='(f10," ",f20," ",f20)'free_lun,lun2END如图:⑤TVDI指数计算。
输入公式为:(B1-(65、614*B2+268、99))/((-36、779*B2+323、55)-(65、614*B2+268、99))⑥云检测。
本实验判定Ts<290K的部分为云,因此做一个云腌膜文件,Data min设为290,非云为1,云为0。
⑦水体检测。
本实验判定MNDWI>0、40的部分为水体,因此做一个水体腌膜文件,Data max设为0、40,非水为1,水为0、⑧NDVI<0检测。
原理同上,去除建筑物。
⑨得到最后的TVDI图像。
输入公式:B1*B2*B3*B4,B1…B4依次对应上面⑥、⑦、⑧及TVDI图像。
⑩TVDI密度分割,制图输出,步骤同4、1⑥。
如图:4、3土壤湿度遥感反演。
①土壤站点矢量图生成。
在Arcmap中加载X/Ydata,选择实测土壤湿度文件、txt,字段要对应好,此处不详细介绍,坐标系选择WGS-1984,,生成图层,导出shapfile 文件。
②ENVI打开矢量图层,生成evf文件。
加载生成的evf文件到TVDI窗口图像中,在“可以使用的矢量列表中”选择导出evf图层到ROI,属性文件为TVDI、③获取土壤湿度对应经纬度下的TVDI值。
在ENVI下启动ROI工具,导入生成的ROI文件。
导出ROI文件到ASCII文件,属性文件依旧选择TVDI、④将生成的文本文档与实测土壤湿度文本文档用EXCEL打开,按空格顺序打开。
按照经度升序排列,选取前70对数据建立模型,拟合模型得到线性模型为y=-0、8225*x+0、8375 ,R方值为0、6857,X为TVDI,Y为土壤湿度。
70对数据相关系数为-0、82805,查表知,其通过了0、001的显著性检验,置信度为99、9%,可以使用。
⑤用剩余的20对数据作为模型检验的数据。
代入上述公式,得到遥感反演土壤湿度数据,计算得MSE为0、243569,RMSE为0、091851、⑥基于公式: -0、8225*B1+0、8375 对TVDI图层进行土壤湿度反演。
基于公式(B1 eq 0、8375)*0+(b1 ne 0、8375)*B1做云水体建筑物的掩膜。
进行密度分割,得到结果。
5、实验总结通过本次实验,认识了常用的遥感图像格式,掌握了遥感图像几何校正、研究区裁切、NDVI、TVDI 、土壤湿度反演计算等流程,深入领会到了图像密度分割以及遥感制图技术方法,收获颇多,感谢闵爱莲老师对本次学生实验中的指导！。