《遥感应用模型实习报告》由会员分享，可在线阅读，更多相关《遥感应用模型实习报告（24页珍藏版）》请在金锄头文库上搜索。
1、 遥感应用模型课程实习报告学生姓名： 李文凯 班 学 号： 113151 指导教师： 徐世武 中国地质大学信息工程学院2017年 11月 27日目录一、遥感基本功能实习（）1二、植被指数及植被覆盖度估计（）2三、基于高分辨率遥感影像城市绿地信息提取（）8四、遥感影像分类（）11五、总 结22一、遥感基本功能实习（）【实习目的】利用ENVI完成常规遥感数据处理，理解熟悉遥感数据处理方法。1 熟悉遥感预处理的基本原理和方法2 掌握影像几何校正3 掌握影像自动配准4 掌握影像融合5 掌握影像镶嵌6 掌握影像裁剪7 掌握植被数据的计算方法，对比常见植被指数应用效果。【实验环境】PC电脑一台，ENVI5
2、.1或更高版本软件【实验内容】1 讲解遥感预处理的基本原理和方法2 影像几何校正的原理和操作步骤；影像到影像的几何校正，通过一个校正好的基准影像去校正未做过几何校正的影像。3 对校正之后的影像做精校正即影像配准4 对低分辨率的多光谱影像和高分辨率的全色影像进行融合，得到高分辨率的多光谱影像5 将相邻地区的影像镶嵌，构建一副完整影像，要注意镶嵌边界的处理6 对影像进行裁剪，根据需要进行规则裁剪，不规则裁剪以及掩膜裁剪7 对实验影像采用常见四种植被指数方法计算植被指数，结合实际影像进行对比分析，得出适宜于实验影像的植被提取方法。【实验数据】研究区影像数据：见“课程实验实习一”文件夹【实验要求】要求
3、：完成几何校正、辐射校正、影像裁剪、影像融合、基础分类、影像运算、制图输出、专题信息提取（面向对象分类）等操作，采用多种植被指数方法计算植被指数，分析适宜于实验影像的植被提取方法。【实验过程】由于envi的基本功能已经做过多次实习，我对于envi的基本操作已经十分熟悉，因此我跳过了本次的实习一，直接开始了后面的实习内容。二、植被指数及植被覆盖度估计（）【实习目的】基于LandSat 8卫星影像数据，掌握Envi中计算常见植被指数的方法，分析、比较采用地表反射率、DN值计算植被指数之间的差异。同时学会植被覆盖度反演方法。【实验环境】PC电脑一台，ENVI5.1或更高版本软件【实验内容】1 为纠正
4、原始图像中的几何与辐射变形，对LandSat 8卫星影像数据进行预处理。2 采用地表反射率、DN值计算常见植被指数，并分析、比较两者之间的差异。3 采用常见四种植被指数方法计算植被指数，结合实际影像进行对比分析，得出适宜于实验影像的植被提取方法。4 提取3种以上典型地物（水体、房屋、林地、道路、耕地、裸土等）的地表反射率、DN值、及常见植被指数，制作折线图或表格，分析、总结不同地物在地表反射率、DN值、植被指数的特征。5 基于像元二分模型进行植被覆盖度反演。【实验数据】研究区影像数据：见“课程实验实习二：基于像元二分模型的植被覆盖度反演”文件夹【实习要求】要求：掌握LandSat 8影像预处理
5、操作，比较地表反射率、DN值计算植被指数的差异，并比较常见植被指数的优劣，学会像元二分模型的植被覆盖度反演方法。【实习过程】（1）数据预处理通过影像镶嵌、影像融合等操作将LC81230322013276LGN00与LC81230332013276LGN00两张相邻的影像镶嵌得到包含完整北京市行政区的完整数据，然后通过先验的北京行政边界矢量数据对上一步所得到的数据进行裁剪处理，得到只包含完整北京市行政区的影像数据。缩小了数据大小，使后续操作所需要处理的数据量得以大大减少。然后通过辐射定标操作，消除了传感器本身由于光学器件老化所产生的辐射误差并为大气校正准备数据随后使用FLAASH大气校正模型纠正
6、电磁波在大气吸收和散射过程中造成的不确定信息。附：FLAASH对图像文件有以下几个要求： 数据是经过定标后的辐射亮度（辐射率）数据，单位是：（W）/（cm2*nm*sr）。 数据带有中心波长（wavelenth）值，如果是高光谱还必须有波段宽度（FWHM），这两个参数都可以通过编辑头文件信息输入（Edit Header）。 数据类型：支持四种数据类型：浮点型（floating）、长整型(long integer )、整型（integer）和无符号整型 (unsigned int)。数据存储类型： ENVI标准栅格格式文件，且是BIP或者BIL。 波谱范围：4002500nm（数据预处理所得最终
7、影像数据）（2）常见植被指数计算植被指数（VI）是两个或多个波长范围内的地物反射率组合运算，以增强植被某一特性或者细节。指导书中提供了四种植被指数的运算方法，由于时间关系，上机实习期间我只针对NDVI（归一化植被指数）、RVI（比值植被指数）、SAVI（土壤调节植被指数）三种植被指数进行运算，课后尝试过用最后一种进行运算，（NDVI）（RVI）（SAVI）（3）植被覆盖度估计由于时间因素，本次实习只针对NDVI进行了植被覆盖度估计。本次实习采用像元二分模型方法反演植被覆盖度，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地表(SV)与无植被覆盖部分地表(SS)组
8、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。先对上一步所得NDVI波段影像去除异常值处理，然后针对各地类制作掩模，并通过掩模文件选取各地类阈值。城镇-最大值城镇-最小值耕地-最大值耕地-最小值林地-最大值林地-最小值其他-最大值其他-最小值其中，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。利用上一步得到的NDVIsoil和NDVIveg参数文件带入公式：fc=(NDVI-NDVIsoil)(NDVIveg -NDVIsoil)，其表达式为：(b1-b2)/(b3-b2
9、)，其中，b1为NDVI(对应的文件名为“NDVI_去除异常值.dat”)、B2为NDVIsoil参数文件、B3:为NDVIveg参数文件。最后对计算后的数据进行去除异常值处理。最后用制作好的颜色表文件对去除异常值后的数据分级显示。（植被覆盖度图）三、基于高分辨率遥感影像城市绿地信息提取（）【实习目的】掌握利用0.5米空间分辨率的WorldView-2影像提取城市绿地空间信息的完整流程，学习WorldView-2影像正射校正、融合、大气校正、面向对象图像信息提取等内容。【实验内容】学习WorldView-2影像数据预处理方法。利用0.5米空间分辨率的WorldView-2影像进行城市绿地空间信
10、息提取。【实验环境】 PC电脑一台，ENVI5.1或更高版本软件、ArcGIS Desktop软件【实验数据】研究区影像数据：见“课程实验实习三：基于高分辨影像城市绿地信息提取”文件夹【实验要求】掌握Envi中WorldView-2影像预处理方法，结合实际数据完成面向对象图像信息提取城市绿地实验，并分析实验结果。城市绿地在改善城市生态环境和人居环境起着积极的作用，城市绿地含量逐渐成为衡量城市生活质量的一个重要指标。此外，城市绿地的空间分布格局与其生态效应有着密切的关系。因此，必须客观、准确地掌握城市绿地信息。传统的城市绿化调查主要通过基层单位上报统计数据和实地抽样调查完成，资金和人力投入大，时
11、间周期长。数据受人为影响较大且精度低，缺乏空间统计分析功能。随着航天遥感技术的发展，高分辨率遥感图像在国内已经得到广泛的应用。而这些高分辨率图像的出现，也给城市绿地信息提取提供了更为有效而便捷的手段。目前，可获取的商业卫星影像最高可达0.5米，能分辨普通道路中间的绿化带，甚至单棵树木。并且具有较高的光谱分辨率，如包含红色波段、近红外波段，为精确的自动提取城市绿地信息提供了先决条件。一景高分辨率影像可覆盖18.5kmx18.5km的范围，2-3天即可对同一个地区进行重复拍摄，可进行大范围内、短周期内的调查。【实习过程】（1） 影像预处理根据WorldView-2卫星的特点，先将全色影像与高光谱影
12、像做融合处理得到高分辨率的多光谱影像。注意在融合之前应将多光谱数据的存储方式由BSQ改为BIL或者BIP，在做大气校正过程中，如果数据存储格式为BSQ，则envi会报错。融合后对此高分辨率影像进行正射校正，采用横轴墨卡托投影坐标系以及北京54坐标系定义该影像，并通过已知控制点对影像进行矫正，使两幅影像的偏差在一个像素以内。然后用大气校正（QUAC）去除部分大气的影响。为加快后续的数据处理速度，我们选择裁剪4000*4000的部分图像，（2） 面向对象绿地信息提取利用ENVI的面相对象工具（Feature Extraction）完成此工作，这个工具采用向导式操作，简单易用，并且具有实时预览的功能
13、。由于高分辨率影像数据量普遍较大，为了能快速获取规则。选择一部分区域作为研究区来确定对象分割与合并阈值、基于规则的信息提取中的对象阈值，之后将实验区获取的阈值以及规则应用到整个图像文件中。可以采用样本统计法。提取NDVI信息，然后将NDVI作为一个波段融入原八波段影像，在融合影像上选取绿地ROI样本和房屋ROI样本，分别分析他们的波谱特征，并提取他们的波谱特征阈值。然后选择Rule Based Feature Extraction Workflow工具，选择融合后的影像文件，此处我选择的分割阈值是45.0，合并阈值是80.0，纹理内核大小为3。从Preview窗口中可以看到，该参数下的分割情况
14、较好。四、遥感影像分类（）【实习目的】利用ENVI使用不同方法进行影像分类，比较各个方法的优劣。1 掌握使用ENVI进行影像分类的常用方法，掌握对分类影像进行精度评价的方法2 学会分析、对比不同分类方法的优劣及其适用性【实验环境】电脑一台，ENVI软件【实验内容】1 使用K-Mean方法进行非监督分类。2 通过基于像素的方法分别使用最大似然和BP神经网络进行监督分类，体会其差别。3 对影像添加入不同指数波段后进行监督分类，体会和直接对原始影像进行分类的差别。4 通过面向对象的方法进行分类，体会加入光谱以外的信息对分类精度的影响。【实验数据】研究区影像数据：文件夹“课程实验 实习四”。一 基于像素的分类像素分类遥感影像的分类是指计算机通过一定的算法来自动确定影像上各个像素在实际中的类别。分类的方法主要有两大类。一类为非监督分类。此方法不需人为提供先验知识，计算机根据影像像元的光谱值进行聚类。常用的算法有K-Mean，ISODATA等。二者原理大致相同，K-Mean方法使用固定的聚类中心，ISODATA可以随着分类过程自动调整聚类中心。另一类为监督分类，需要较多的人工干预，所以分类精度相对于非监督分类高。常用的监督分类方法主要分以下几类：基于聚类中心，神经网络，光谱角，基于边界，决策树等。其中基于聚类中心的方
