《遥感地学分析实验报.pdf》由会员分享，可在线阅读，更多相关《遥感地学分析实验报.pdf（7页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、文档来源为:从网络收集整理.word 版本可编辑.欢迎下载支持.-0-文档来源为:从网络收集整理.word 版本可编辑.实验一植被覆盖度反演一、实验目的植被覆盖度是指植被（包括叶、茎、枝）在地面的垂直投影面积占统计区总面积的百分比。通常林冠称郁闭度，灌草等植被称覆盖度。它是衡量地表植被覆盖的一个最重要的指标，被覆盖度及其变化是区域生态系统环境变化的重要指示，对水文、生态、全球变化等都具有重要意义。目前已有许多利用遥感技术测量植被覆盖度的方法，其中应用最广泛的方法是利用植被指数近似估算植被覆盖度，常用的植被指数为NDVI，本次实验完成植被覆盖度反演。二、实验数据实验选取两景覆盖北京市的Lands
2、at8 OLI 影像、土地覆盖类型图以及北京行政边界矢量数据为数据源。其中，土地覆盖类型图是作为掩膜文件使用，其目的是为了便于植被覆盖度的估算；北京行政边界矢量数据是裁剪出北京市行政区内的范围。Landsat8 OLI影像是从地理空间数据云网站上下载得到的，其成像时间为 2013年10月份。与 Landsat7的 ETM+成像仪相比，OLI 成像仪获取的遥感图像辐射分辨率达到12比特，图像的几何精度和数据的信噪比也更高。OLI 成像仪包括 9个短波谱段（波段1波段 9），幅宽 185km，其中全色波段地面分辨率为15m，其他谱段地面分辨率为30m。三、实验方法本文反演植被覆盖度所采用的是像元二
3、分模型方法，像元二分模型是一种简单实用的遥感估算模型，它假设一个像元的地表由有植被覆盖部分与无植被覆盖部分组成，而遥感传感器观测到的光谱信息(S)也由这 2个组分因子线性加权合成，各因子的权重是各自的面积在像元中所占的比率，如其中植被覆盖度可以看作是植被的权重。因此，像元二分模型的原理如下：VFC=(S-Ssoil)/(Sveg-Ssoil)S为遥感信息，其中Ssoil 为纯土壤像元的信息,Sveg 为纯植被像元的信息。改进的像元二分法 遥感信息选择为NDVI VFC=(NDVI-NDVIsoil)/(NDVIveg-NDVIsoil)两个参数的求解公式NDVIsoil=(VFCmax*NDV
4、Imin-VFCmin*NDVImax)/(VFCmax-VFCmin)NDVIveg=(1-VFCmin)*NDVImax-(1-VFCmax)*NDVImin)/(VFCmax-VFCmin)当区域内可以近似取VFCmax=100%，VFCmin=0%VFC=(NDVI-NDVImin)/(NDVImax-NDVImin)当区域内不可以近似取VFCmax=100%，VFCmin=0%，当有实测数据的情况下，取实测数据中的植被覆盖度的最大值和最小值；当没有实测数据的情况下，植被覆盖度的最大值和最小值根据经验估算。其中,NDVIsoil 为裸土或无植被覆盖区域的NDVI 值,即无植被像元的ND
5、VI 值；而 NDVIveg 则代表完全被植被所覆盖的像元的NDVI 值,即纯植被像元的NDVI 值。四、实验处理步骤1、实验处理流程如下图所示2、数据预处理本文使用的 Landsat8 OLI 为 L1T级别数据，不需做几何校正处理。而北京市需要两景Landsat OLI 数据覆盖，因此首先要进行图像镶嵌和裁剪，然后进行大气校正等预处理过程。（1）辐射定标辐射定标是将传感器记录的电压或数字值转换成绝对辐射亮度的过程。实验报告中写出辐射定标的作用。该处理过程在Envi5.1 中实现，具体操作：在ENVIToolbox 中，选择Toolbox/Radiometric Correction/Rad
6、iometric Calibration，选择*_MultiSpectral 多光谱组（7个波段），打开辐射定标工具，对两景影像分别做辐射定标。（2）影像镶嵌因本文所使用的影像数据源是两景Landsat OLI影像，因此需进行影像镶嵌，镶嵌的目的是将不同的影像文件无缝地拼接成一幅完整的包含研究区域的影像。该处理过程在Envi5.1 中实现，具体操作：在Toolbox 中，选择/Mosaicking/Seamless Mosaic，打开无缝镶嵌工具，然后进行相关参数设置。文档来源为:从网络收集整理.word 版本可编辑.欢迎下载支持.-1-文档来源为:从网络收集整理.word 版本可编辑.（3）
7、影像裁剪因本文所使用的影像数据包含了北京市行政区划以外的部分地区，因此需进行影像裁剪，以将研究区裁剪出来，并且减小了数据量，加快了数据处理速度，本文使用北京行政边界矢量裁剪图像。过程在 Envi5.1中的具体操作如下：在Toolbox中，选择/Regions of Interest/Subset Data from ROIs，打开裁剪工具：（4）Flaash 大气校正ENVI中的 FLAASH 模型是基于 MODTRAN4+辐射传输模型，通过参数查找表来进行大气校正的商业化软件。实验报告中需写出为什么用进行大气校正。在 Toolbox 中打开FLAASH 工具/Radiometric Corr
8、ection/Atmospheric Correction Module/FLAASH Atmospheric Correction 报告中需要对大气校正前后同一地物的光谱曲线进行对比。3、植被覆盖度估算（1）计算 NDVI 本文选取 NDVI 值为参数，采用像元二分模型对植被覆盖度进行反演，根据植被覆盖度的计算公式可知，要求取植被覆盖度，首先需要计算NDVI。在 Envi5.1 中的具体操作如下：在Toolbox 中，选择 Spectral/Vegetation/NDVI，NDVI Calculation Input File面板中，选择大气校正后的图像，求算 NDVI，如下：由于大气校正后
9、的结果有部分像元为负值，主要集中在阴影地区，这部分区域计算得到的NDVI 在-1,1之外，为了便于后面的分析，这里统一将这部分像元进行处理，即NDVI 值大于 1 的变为 1，小于-1 的变成-1。使用 Bandmath 工具，（写出运算公式），得到去除异常值文件。(b1 lt(-1)*(-1)+(b1 gt(1)*1+(b1 le(1)and b1 ge(-1)*b1（2）生成掩膜文件该过程主要是为了计算NDVI 的最大值、最小值，根据土地利用分类图（共5 类，林地、农业用地、城市用地、水体与其他）制作各种土地利用类型的掩膜文件，在Envi5.1中的具体操作如下：在Toolbox中选择/Ra
10、ster Management/Masking/Apply Mask，打开制作掩膜工具：得到林地、农业用地、城市用地、水体与其他的掩膜文件。应用掩膜文件（3）获取阈值计算 NDVImax 和NDVImin 值，使用获取的掩膜文件分别对NDVI 图像文件进行统计，在一定置信度范围内获取每个掩膜文件（也就是土地覆盖类型）对应的最大和最小NDVI 值。在Toolbox 中，选择/Statistics/Compute Statistics，进行统计，然后在统计结果中，取一定的置信度获取最大和最小的NDVI 值。林地覆盖区域的统计结果（如下图），选择 NDVImin=0.3804，NDVImax=0.8
11、667。同样的方法得到其他地物覆盖类型的NDVI 阈值，其中，水体没有植被（水藻不属于植被），认为这部分区域的植被覆盖度为0，如下表：土地覆盖类型NDVImin（NDVIsoil）NDVImax（NDVIveg）林地-0.003922 0.937255 农业用地-0.003922 0.701961 城市用地-0.003922 0.301961 水体0 0 其他-0.003922 0.349020 4）生成参数文件植被覆盖度的计算公式：VFC=(NDVI-NDVIsoil)(NDVIveg-NDVIsoil)，该过程是根据上面得到的NDVI阈值分别生成NDVIsoil和NDVIveg参数文件，也
12、即NDVImin 与NDVImax。该过程主要使用Envi5.1的bandmath 工具，并且：NDVIsoil：b1*0.128627+b2*0.090196+b3*0.011765+b4*0+b5*0.003922其中，b1：林地掩膜文件，b2：农业用地掩膜文件，b3：城市用地掩膜文件，b4：水体掩膜文文档来源为:从网络收集整理.word 版本可编辑.欢迎下载支持.-2-文档来源为:从网络收集整理.word 版本可编辑.件，b5：其他用地掩膜文件NDVIveg：b1*0.992157+b2*0.992157+b3*0.568627+b4*0+b5*0.639216其中，b1:林地掩膜文件，
13、b2：农业用地掩膜文件，b3：城市用地掩膜文件，b4：水体掩膜文件，b5：其他用地掩膜文件最终，生成的参数文件。（4）植被覆盖度估算利用上一步得到的NDVIsoil 和NDVIveg 参数文件带入公式：VFC=(NDVI-NDVIsoil)(NDVIveg-NDVIsoil)，该过程也是利用Envi5.1 中的 Bandmath工具来实现（写出运算公式）。分析下结果，会发现有一些异常值，即值在0,1之外，这些异常值是在NDVI置信度之外的那部分像元产生的（也包括NDVI异常像元）。这些像元数量不多，大约占3.7%左右。还有背景和水体区域的植被覆盖度的值为-NaN，即无效值，因为分母为 0造成的
14、。第一种异常值可以将小于 0 的值变成 0，大于 1的值变成 1，用 bandmath 工具即可，Bandmath 表达式为：0.0b1Compute ROI Separability,计算样本的可分离性。其中Jeffries-Matusita,Transformed Divergence 参数表示，这两个参数的值在02.0 之间，大于 1.9 说明样本之间可分离性好，属于合格样本；小于1.8，需要重新选择样本；小于1，考虑将两类样本合成一类样本。08 年的09 年的2、土地利用分类有以下两个分类流程方法，选择其中一种方法即可。1）采用监督分类方法包括平行六面体、最小距离、马氏距离、最大似然，
15、基于神经网络模型，支持向量机、模糊分类等，Toolbox 选择Classification Supervised 多种分类模型，实验挑选一种分类模型进行土地利用分类（报告中标出采用何种分类模型），并对分类结果的处理，使用Classification-Post Classification 工具中方法。最大似然法08 年：09 年：2）Toolbox 中，打开/Classification/Classification Workflow，采用图像分类流程化工具。3、分类精度评定使用 Toolbox 中Classification-Post Classification-Confusion Mat
16、rix，得到分类精度评价混淆矩阵和 Kappa 系数，对分类结果进行评价分析。4、土地利用变化监测使用 Thematic Change Workflow 分类后比较法工具，分析两期分类数据的变化情况，并在流程中Smoothing 和Aggregation 中设置合适的值去除噪声和合并小斑块。结果以图像输出，并统计变化的结果，分析各种地类变化的情况。四、实验心得应用遥感技术进行土地利用变化监测研究是土地调查研究的重要组成部分，本子实验要注意杨店颜色的选取和样点选取数量要多，全图选取这样劫过才不会出现大误差。实验三：基于规则的道路信息提取一、实验目的文档来源为:从网络收集整理.word 版本可编辑
17、.欢迎下载支持.-4-文档来源为:从网络收集整理.word 版本可编辑.道路作为基础地理信息，为保持数据的现势性，需要对该类数据实时或准实时更新，在现实中，基于高分辨率的数据道路数据的提取是更新道路信息数据的有效方法。本次实验使用基于规则的面向对象信息提取方法，完成自动提取道路信息的过程。二、实验内容实验内容包括高分辨率数据的处理，高分辨率信息提取流程，ENVI FX 模块面向对象信息提取，矢量后处理的方法。实验数据采用Quickbird 影像数据（QB-CJ），应用 ENVI FX 扩展模块中的 Feature Extraction工具，提取影像中道路信息。三、实验步骤1、启动 Rule B
18、ased FX 工具在Toolbox中，选择/Feature Extraction/Rule Based Feature Extraction Workflow。关注 Custom Bands 面板，有两个自定义波段，包括归一化植被指数或者波段比值、HSI颜色空间，这些辅助波段可以提高图像分割的精度，如植被信息的提取等自定义的属性。选择Spectral，Band 下面选择Normalized Difference。在第一步自定义波段中选择的波段是红色和近红外波段，所以在此计算的是NDVI，参数设置为 band1：band2，band2：band4。2、设置影像分割阈值（20,30,40）、合并
19、阈值(70,85)。3、制定提取规则根据规则进行特征提取，在规则分类界面。每一个分类有若干个规则（Rule）组成，每一个规则有若干个属性表达式来描述。道路提取的规则如下（根据数据可以动态调整阈值的大小，能较好的反映道路特征）剔除植被：NDVI 的Spectral mean 设小于 0.01 剔除高亮度的建筑物和空地，第一波段的Spectral mean 阈值小于 310 剔除面积较小的建筑物和空地，参数Spatial-Area，阈值大于 2500 剔除延伸性小于 3的地物，参数 Spatial-Elongation，阈值大于 3 4、结果输出与处理对提取的结果叠合与处理，得到道路信息特征，如果
20、效果不好，调整制定的提取规则。四、实验心得道路信息作为一种重要的基础地理信息，可以作为提取其他地物目标的线索和参考系，具有很强的现实意义。从遥感影像自动提取人工地物,特别是线状地物(主要是道路),不仅是摄影测量与遥感领域的难题,也是计算机视觉与图像理解研究的重点之一。本次试验中，主要是使用基于规则的面向对象信息提取方法，完成自动提取道路信息的过程。实验四太湖水体叶绿素浓度反演一、实验目的根据环境小卫星CCD数据，反演太湖的叶绿素a 浓度，要求掌握环境小卫星的数据读取、几何校正、大气校正、反演模型的建立、遥感反演过程、反演结果验证等操作技能及原理，熟悉遥感水质反演过程。二、实验要求根据环境小卫星
21、CCD数据特点及太湖水质反演模型要求，先对环境小卫星CCD数据进行数据预处理，大气校正、太湖区裁剪，利用波段比值法对实测的叶绿素a 浓度数据建立反演模型，将模型应用于太湖水面区域影像，反演出整个太湖区的叶绿素 a 浓度,并验证模型精度。三、实验步骤（一）数据预处理1、安装环境小卫星数据读取和定标补丁，复制到HomeProgram Files ENVI51Extensions 目录下。本次实验中已完成小卫星数据转化和定标，得到HJ1B-CCD1-Cal-sub 数据，用于流域叶绿素反演。2、几何校正（图像配准），以TM 作为基准影像对环境小卫星图像进行图像配准。（1）打开基准影像TM_basei
22、mage.img。文档来源为:从网络收集整理.word 版本可编辑.欢迎下载支持.-5-文档来源为:从网络收集整理.word 版本可编辑.（2）选择 Tool中Registration-Automatic Registration：Image to Image，选择基准影像第4波段作为匹配波段（TM_baseimage.img）。（3）选择被配准影像HJ1B-CCD1-Cal-sub.img 第4波段作为被配准波段。（4）选择控制点，并调整控制点，直到总的RMS Error 小于 1个像素时，完成控制点的选择。点击Ground Control Points Selection 上的 File-
23、Save GCPs to ASCII，保存控制点。调整控制点后的RMS 错误5）在 Ground Control Points Selection 面板上，选择 Options-Warp File（As Image Map），选择校正文件。在校正参数面板中，投影参数默认。（6）在 X 和 Y 的像元大小输入30 米，按回车，图像输出大小自动更改重采样方法选择Nearest Neighbor（保持图像辐射值不变），输出为registratio 3、大气校正环境小卫星提供了波谱响应函数，以文本形式提供，第一列表示波长（nm），后面四列分别表示 4 个波段对应波长的波谱响应值。为了做大气校正，需要制
24、作波谱曲线来描述波谱响应函数，用于大气校正。（1）制作波谱曲线打开 Display-New Plot Window 面板，在波谱绘制窗口中，选择ImportASCII，导入“681_HJ1ACCD1.txt”文本文件。在绘制窗口生成了4 条曲线，选择 Edit-Data Parameters，编辑每条线的名称为b1，b2，b3，b4，便于区分。将数据Export-Spectral Library，在 Output Spectral Library 面板中，有输出曲线相关参数设置，将波谱曲线保存为波谱库文件“HJ1B-CCD1 光谱响应.sli”。(2)FLAASH 大气校正1）主菜单 Spec
25、tral-FLAASH 打开 FLAASH 大气校正模块；首先采用 Convert Data（BSQ、BIL、BIP）工具，转换为BIL 格式的数据。2）大气模型选择Mid-Latitude Summer，气溶胶模型选择Rural，气溶胶反演方法选择None，能见度给 40km。3）大气模型选择Mid-Latitude Summer，气溶胶模型选择Rural，气溶胶反演方法选择None，能见度给 40km。4）大气校正完成后，检查大气校正的结果，分别加载校正前后的图像，将两幅影像进行地理链接，移动到植被区域（植被的波谱曲线比较特殊），在影像上右键，选择Z Profile（Spectrum）打开
26、光谱曲线窗口，显示两幅图像同一位置的光谱曲线图。4、太湖区裁剪使用 shp 格式太湖范围数据，对影像数据进行裁剪（二）叶绿素反演实验中选择波段比值法（BNIR/BRED）建立模型。1、采样点实测数据处理需要结合实地调查数据，将水面调查点与实测叶绿素浓度在空间上相对应，其中实地调查数据中包括水面调查点的经纬度、叶绿素含量，实验数据使用“叶绿素实测数据”。2、获取采样遥感影像上的数据1）采用波段计算器，输入float(b4)/b3，计算得到比值图像。2）打开 Envi classic，Basic tool-Region of Interest-ROI Tool 工具，选择 ROI_Type-Inp
27、ut Points from ASCII，选择文本格式的“反演点.txt”。注意参数选择，x：选择经度；y：选择纬度；These point comprise：Individual Points。设置投影信息地理经纬度。将实地调查的点位置信息加载到图像中。3）在 ROI Tool 中，选择File-Output ROIs to ASCII。选择 b4/b3 的图像，在Output ROIs to ASCII Parameters 面板中，选择ROI 点，单击Edit Output ASCII Form，在输出内容设置面板中，选择ID、经纬度（Geo Location）、和波段像元值（Band
28、Values）。得到水面调查点与BNIR/BRED 对应的值，并导出。将相应的 BNIR/BRED 值导入 Excel 表中，与实测值一一对应。3、模型参数反演有了实测的叶绿素a 含量值与 BNIR/BRED 值的对应表，在Excel 中选 BNIR/BRED 值与叶绿素 a 实测值绘制散点图。在散点图上选中散点，添加趋势线，勾选线性，显示公式，显示R 平方值，得到反演模型如：y=0.0385x+0.0192，R2=0.8042文档来源为:从网络收集整理.word 版本可编辑.欢迎下载支持.-6-文档来源为:从网络收集整理.word 版本可编辑.4、叶绿素反演确定参数 a 和b，反演模型表达为
29、：Chla=0.0385*BNIR/BRED+0.0192,使用 Band math 工具，输入表达式：0.0385*b1+0.0192，选择 b1 为b4/b3 的图像，计算得到叶绿素反演图。其结果输出将结果以彩色方式显示。5、模型的验证利用提供的实测数据的验证点，看看验证数据与计算得到叶绿素浓度数据误差，具体与步骤（获取采样遥感影像上的数据）相同。四、实验总结本人对遥感方面的实验并不是很熟悉，幸亏有知道书才能按照步骤完成实验。在实验过程中，本人加深了对遥感基础原理的认识以及巩固了本学期所学的内容。在这个实验中，由于软件版本不同以及实验资料有出入等原因，有一些步骤与实际有一点脱离，需要自己研究 ENVI软件的差别和用法，在此过程中帮助了我进一步熟悉软件的用法，受益匪浅。而本次实验的课题是对一定区域水域的叶绿素反演的问题，这个问题在当下涉及到环保的领域，应用范围很广，进一步加深了本人对整个地理信息空间分析和应用体系的理解，知道了其实地理信息系统不仅仅是局限于某一个特定的框架内，多多思考和参考已有研究成果可以极大拓宽可应用的领域，很有启发。