遥感地学分析整理的一些东西Word格式.docx

遥感地学分析整理的一些东西Word格式.docx

《遥感地学分析整理的一些东西Word格式.docx》由会员分享，可在线阅读，更多相关《遥感地学分析整理的一些东西Word格式.docx（18页珍藏版）》请在冰豆网上搜索。

5.目视解译的方法与步骤：

（1）自上而下的过程：

特征匹配、提出假设、图像辨识；

（2）自下而上的过程：

图像信息的获取、特征提取的识别、证据的选取

6.目视解译的步骤：

7.遥感图像校正

（1）辐射校正：

消除图像数据中依附在辐射亮度中的各种失真的过程。

包含遥感器校正、大气校正、地形辐射校正、地物反射模型校正；

（2）几何校正：

控制点的选择

（3）大气校正：

消除大气反射的影响

8.图像处理

1.图像显示合成

（1）目的：

综合不同波段的特征，突出显示对象的差异。

原则信息量最大，相关性最小，差异最大。

（2）主要方法：

密度分割（将灰度按照指定的间隔分为不同的级别，对新的密度级别分别赋予不同的颜色）

彩色合成：

任选3个波段作为RGB进行彩色合成，产生彩色图像。

反差增强/对比度增强：

灰度拉伸、直方图均衡化、直方图匹配

2.图像变换

将图像从空间域转换到频率域的过程，简化图像处理的过程。

（2）作用：

更易于进行特征抽取

（3）主要方法

傅里叶变换：

进行数据压缩、图像增强、特征提取

K-T变换：

分离和消除干扰信息突出研究的专题信息

K-L变换：

减少波段之间的相关性，去除多余信息，减少图像的数据量

代数运算：

突出地物差异，压抑噪声

HSI彩色变换：

将显示的彩色从RGB空间转换到HSI空间

3.图像滤波

（1）图像平滑：

领域滤波、中值滤波、梯度倒数加权、高斯低通滤波去噪，突出主体

（2）图像锐化：

罗伯特算法、sobel算子、拉普拉斯算子强化边缘信息

（3）频率域图像增强：

高通滤波（锐化）、低通滤波（平滑）、带通滤波（突出地物）、同态滤波（改善图像质量）

4.图像融合：

在同一坐标系中将对同一目标的多幅遥感图像数据采用一定的算法，生成一副新的、更能有效表示该目标的图像。

（1）数据融合分类：

像元级融合；

特征级融合、决策级融合

（2）数据融合方法：

HSI；

代数法、图像回归法、主成分变换（PCT）、小波变换

4.图像分类

（1）原理：

同类地物在相同的条件下（光照、地形等）应该具有相同或者相似的光谱信息和空间信息特征。

不同类的地物之间具有差异。

同类地物的像元在数目较大的时候，其特征量的分布类型接近正态分布。

（2）方法：

基于特征值的相似性准则对像素进行合并的过程

（3）分类方法：

监督分类：

最大似然法、最小距离法

非监督分类：

特征空间识别法、系统聚类法、分裂法、动态聚类法

数字图像分类新技术：

人工神经网络分类法、模糊分类法、亚像元分类法等

5.定量反演（较感兴趣）

（1）反演的原理：

统计模型、物理模型、半经验模型

辐射传输模型（RT模型）、几何光学模型（GO模型）、几何光学--辐射传输混合模型（GORT混合模型）、计算机模拟模型。

（3）具体参考赵英时定量遥感分析P309

5.图像光谱特征提取

1.遥感图像光谱与地物光谱的区别与联系

（1）区别：

　－多光谱遥感图像的光谱波段数较少；

高光谱波段数较多（光谱波段间隔可达5nm），高光谱数据的光谱曲线与实测地物光谱较为对应。

　－遥感图像不仅可以反映地物的光谱特征，还可以反映空间等特征；

（2）联系：

地物反演和信息提取时一般先分析地物的光谱特征，再以此为依据，使用对应波段的遥感影像光谱进行分类和信息提取。

2.原理：

通过原光谱空间或者其子空间的一种数学变换，来实现信息综合、特征增强和光谱减维的过程

3.特征提取：

从减少特征之间的相关性和浓缩信息量的角度出发，根据原始数据的统计特性，用尽可能少的新特征来最大限度的包含所有原始数据的统计特征。

4.光谱特征选择：

（1）良好的特征应该具有的特点：

可区分性：

对于不同地物类别的图像，他们的光谱特征应该具有明显的差异性。

可靠性：

对于同类的图像，它们的特征值应比较相近。

独立性：

所使用的各特征之间应彼此无关。

数量少：

图像识别的复杂度随着特征的个数迅速增长。

（2）选取准则：

光谱距离可分性度量：

目标地物类型要在所选的波段组合内与其他地物有很好的可分性。

光谱相关性度量：

所选的波段相关性弱

光谱信息量度量：

所选择的波段信息总量要大

最佳特征：

信息含量多、相关性小、地物光谱差异大、可分性好的波段

（3）光谱特征选择的度量指标：

光谱距离度量：

欧几里得距离；

归一化均距离；

J-M距离；

相似性度量

（4）光谱特征选择策略：

1）单独选择法：

根据各个独立特征的可分性大小排序。

2）扩充最优特征子集：

计算每个特征对所有类别的可分性，每增加一个新特征，其组合均构成最优特征子集。

3）根据分类贡献度进行由大到小的特征添加：

计算对最难分的类对的可分性大小，每增加一个新特征，其组合均构成最优特征子集。

4）根据分类贡献度进行由小到大的特征去除：

计算各个特征对于最难分的类对的可分性，构成一个全集，逐步减少特征，每次减少均构成最优特征子集。

6.大气遥感

（1）在一定距离以外探测某处大气的成分、运动状态和气象要素值得探测方法和技术（气象雷达和气象卫星）

（2）大气窗口：

大气对电磁辐射的吸收和散射都很小，而透射率很高的波段。

0.3～1.3μm，即紫外、可见光、近红外波段。

这一波段是摄影成像的最佳波段，也是许多卫星传感器扫描成像的常用波段。

1.5～1.8μm，2.0～3.5μm，即近、中红外波段，在白天日照条件好的时候扫描成像常用这些波段，用以探测植物含水量以及云、雪或用于地质制图等。

3.5～5.5μm，即中红外波段，物体的热辐射较强。

这一区间除了地面物体反射光谱反射太阳辐射外，地面物体也有自身的发射能量。

8～14μm，即远红外波段。

主要来自物体热辐射的能量，适于夜间成像，测量探测目标的地物温度。

0.8～2.5cm，即微波波段，由于微波穿云透雾的能力，这一区间可以全天候工作。

而且由其他窗口区间的被动遥感工作方式过渡到主动遥感的工作方式。

（3）大气遥感监测：

大气参数的垂直分布监测和大气成分监测，卫星云迹风探测，雾的图像识别。

（4）秸秆焚烧火点技术路线：

焚烧点提取模型流程：

7.岩性的遥感判读

矿物的光谱特征：

主要因素是矿物化学成分、矿物晶体结构、矿物颗粒等，风化程度、表面粗糙度、干燥程度以及本身颜色

8.区域地质遥感调查

9.地质灾害遥感调查

地质灾害解译工作流程图：

（1）滑坡

（2）泥石流

泥石流形成必须同时具备的三个要素：

1）汇水区内有丰富的松散固体物质；

2）有陡峻的地形和较大的沟床纵坡；

3）流域中上游有强大的暴雨，急骤的融雪、融冰或水库的溃决。

10.遥感在土地利用/覆盖变化中的应用

（1）信息提取技术路线：

（2）土地覆盖研究方法：

1）目视解译定性分析方法

2）以数理统计理论为基础，结合人工解译的方法

3）土地遥感分类的新方法（人工智能神经元分类，分类树方法，多元数据的专家系统和计算机识别法）

4）遥感与GIS的结合---建立灵活的土地覆盖数据库

（3）应用实例

1）全球1公里空间分辨率土地覆盖数据库的开发

2）美国本土30米空间分辨率土地利用开发项目。

11.遥感在碳循环研究中的应用

（1）中国陆地生态系统碳收支评估研究的框架及技术系统

（2）基于空间信息的森林碳储量估算模型

1）主要的遥感信息源

①高空间分辨率的卫星数据，QuickBird、IKONOS等,其空间分辨率在1m左右，能够提供局部地物分布的详细信息；

②中等空间分辨率多光谱资源卫星数据，如美国LandsatTM（ETM+）、法国的SPOT资料、中国一巴西合作CBERS1/2、美国新一代中尺度MODIS数据等，空间分辨率一般为几十米（MODIS为250m～1km），具有多个波段，是反演森林状态参数的主要信息源；

③低空间分辨率气象卫星数据，如美国TIROS-N/NOAA系列极轨业务气象卫星、我国风云系列气象卫星、日本静止气象卫星GMS等，空间分辨率1km至几千米，时间分辨率高（1h/1d），可以对大范围重复观测，提供全国乃至全球资源环境的动态信息；

④雷达数据，如加拿大的RADARSAT、欧空局的ENVISAT等。

2）森林关键参数反演：

GPP、NPP

3）基于空间信息的森林碳储量估算模型构建模式：

（3）土壤碳储量研究方法

1）利用航空遥感影像数据测量裸露地表的土壤有机碳含量，分析地表土壤有机碳含量与RGB波段的图像亮度之间的统计关系，建立一个对数方程预测地表有机碳含量。

（反演）

利用航空彩色、航天影像和光谱值估算土壤有机质

2）植被指数估算方法：

基于植被指数建立土壤有机碳光谱模型揭示不同土壤有机碳对植被所产生的不同光谱响应。

12.遥感在湿地研究中的应用

（1）湿地：

湿地指天然或人工形成的地下水埋深较浅且季节性出露地表的地理综合体。

通常带有静止或流动水体的成片浅水区，还包括在低潮时水深不超过6米的水域。

（2）湿地遥感制图技术流程框架：

①在全国自然区划的基础上，参考不同自然地理单元，建立不同湿地类型的解译标志；

②不同区划单位分为8个不同的工作小组，小组在阶段性成果内彼此交流，初步完成后彼此交换检查；

③各个小组依据彼此检查结果重新核查；

④核查结束后利用ArcMap进行统一拼接成图和建库；

⑤建库后由有经验的专人负责对全国湿地数据库对照我国地形高程与坡度、沼泽数据库、GoogleEarth使用的影像数据，进一步纠错，控制质量；

⑥图像解译工作中充分利用了相关的地理数据，如从高程数据计算得到的坡度数据，以坡度数据（<

1°

）进行掩膜，图像与高程数据叠置分析进行检查。

13.植被遥感

（1）健康植被叶片反射光谱：

1）在可见光的0.55µ

m附近有一个反射率为10％-20％的小反射峰。

2）在0.45µ

m和0.65µ

m附近有两个明显的吸收谷。

3）在0.7-0.8µ

m是一个陡坡，反射率急剧增高。

4）在近红外波段0.8-1.3µ

m之间形成一个高的，反射率可达40％或更大的反射峰。

5）在1.45µ

m，1.95µ

m和2.6-2.7µ

m处有三个吸收谷。

（2）鉴别和检测植被的依据：

不同的植物类别，其叶子的色素含量、细胞结构、含水量均有不同。

因而光谱响应曲线总存在着一定的差异。

即使同一植物随叶的新老、稀密、季节不同、土壤水分及组分含量差异，或受大气污染、病虫害影响等，均含导致整个谱段或个别谱段内反射率的变化。

而且往往近红外波段比可见光波段能更清楚地观测到这些变化。

（3）红边位移：

所谓“红边”是指红光区外叶绿素吸收减少部位（约<

0.7μm）到近红外高反射率（>

0.7μm）之间，健康植物的光谱响应陡然增加（亮度增加约10倍）的这一窄条带区。

“红移”出现的原因虽很复杂，但其重要原因是由于作物成熟叶绿素a大量增加（即叶黄素代替叶绿素）所致。

根据“红边”位移量可以精确地估计叶绿素含量或探测叶片的生化组分。

（4）植被指数：

选用多光谱遥感数据经分析运算（加减乘除等线性或者非线性组合方法），产生某些对植被长势、生物量等有一定指示意义的数值。

1）比值植被指数RVI（NIR/R）：

绿色植物的一个灵敏的指示参数，与叶面积指数（LAI）、叶干生物量（DM）、叶绿素含量相关性高，广泛用于检测估算绿色植物生物量。

在植被高密度覆盖情况下，它对植被十分敏感，与生物量的相关性最好。

当植被覆盖度小于50%时，它的分辨能力显著下降。

RVI对大气状况很敏感，大气效应大大地降低了它对植被检测的灵敏度，尤其是当RVI值高时。

2）归一化植被指数：

植被生长状态及植被覆盖度的最佳指示因子，与植被分布密度呈线性相关，缺陷在于对土壤背景变化较为敏感，在作物生长初期将过高估计植被覆盖度，植物生长结束期，将偏低。

3）差值植被指数DVI（NIR-R），对土壤背景的变化较为敏感，有利于对植被生态环境的监测，适用于植被发育早中期，或地中期覆盖度的植被监测。

4）缨帽变换中的绿度植被指数GVI

5）垂直植被指数PVI：

较好滤除土壤背景的影响，且对大气效应的敏感程度也小于其他植被指数，广泛用于植被估产。

6）增强植被指数EVI

植被指数优缺点：

（5）植被遥感典型应用（第6章第三讲）

1）植被指数与叶面积指数的关系

2）植被指数与叶绿素含量的关系

3）植被指数与植被覆盖度的关系

4）植被指数与生物量的关系

5）植被指数与地表生态环境参数的关系

6）植被指数与气候参数的关系

7）植被指数与植物蒸发量、土壤水分的关系。

（6）植被遥感具体应用

1.大面积农作物遥感估产

1）单位面积作物产量的三个参数：

穗数S、粒数L、千粒重T。

单位面积产量P=S*L*T

穗数S：

利用NDVI/PVI估算冬小麦的穗数

粒数L：

可用PVI/S估算

千粒重T：

也可通过千粒重与PVI/S建立相关关系求得。

2）步骤：

分析作物冠层及其背景的放射光谱特征，引入和计算植被指数；

分析作物冠层放射光谱特征和冠层状态参数之间的关系，并进一步确定植被指数与叶面指数LAI之间的关系，以及与作物产量的关系；

确定植土比，并根据植土比分析遥感植被数与作物面积的关系；

分析遥感植被指数与植土比和叶面指数的综合关系，并据此进行作物估产。

2.灾害监测

1）病虫害监测：

近红外光谱段彩红外片或热探测，调查病虫害的危害效果

2）森林火灾监测：

目前用于林火监测的主要有热红外数据、TM数据和NOAA/AVHRR数据。

热红外受大气窗口的局限，目前主要应用3-5mm波段和8-14mm波段这两个大气窗口；

3-5mm波段是监测林火的最佳波段；

3-5mm波段的扫描图像，能清楚地显示火点，火线的形状、大小和位置，对于特别小的隐火、残火有较强的识别能力。

3）旱灾监测：

热惯量法

植被指数法

植被供水指数法

距平植被指数法

3.资源遥感调查

1）草场资源调查

2）林业资源调查

14.土壤遥感

1.土壤光谱反射特性的差异与变化取决于土壤的组成与表面状态：

腐殖质含量、土壤湿度、质地与表面状况。

影响土壤微波后向散射系数的另两个重要因素是表层土粒粗细和土壤结构状况。

2.土壤遥感数据分析：

1）多元统计分析：

以原始光谱数据或者其派生形式（如导数变化、比值等）作为自变量，以土壤物化参数为因变量，建立多元回归模型的一种分析技术。

2）主成分分析（PCA）：

利用降维的思想，把相关的多个变量转变成少数几个不相关的综合变量，实现数据压缩，缺点在于难以确定每一个主成分的物理意义。

3）光谱混合分解模型：

一方面应用光谱混合分解模型可以把遥感数据分解为土壤、植被以及非光合作用植被；

另一方面，对于植被稀疏的地区，光谱混合分解模型还可以模拟土壤地球化学属性（湿度、铁氧化物、有机质、矿物光谱成分）

3.具体应用

（1）3S技术在土壤侵蚀调查监测中的应用：

1）遥感与GIS和GPS的结合集成，在水土流失、土壤侵蚀等自动制图方面有很好的应用潜力；

2）将遥感图像与DEM叠合后可以编制土壤侵蚀强度等级图；

3）应用GIS管理的大量空间数据，可以随时查询、统计分析、或根据需要进行相关空间分析；

4）而GPS可对不同时期、大小面积的滑坡、塌陷进行定位和面积测定，对沟堑切割深度及深度进展速度进行测定，也可作为遥感图像进行土壤侵蚀相关因子的地面补充测定，训练样地选择和地面检验。

（2）土壤水分监测与干旱灾害预测

1）土壤含水量信息测定的常用波段：

可见光波段、近红外波段、中红外波段、微波波段

2）干旱遥感监测

（3）土壤盐分监测：

主要基于光谱响应特征

----与一般耕地相比，盐渍土在可见光和近红外波段光谱反射强；

----土壤盐渍化程度越高，光谱反射越强；

----在红光和绿光波段，地面植被覆盖影响盐渍土的光谱响应；

----另外，太阳高度角、土壤含水量也会影响盐渍土的响应模式。

具体应用看第7章三讲PPT

2．基于环境一号卫星的烟霾提取方法研究

1.选题背景及意义

2.国内外研究进展

存在一些改进的地方：

1关于不同类型的霾之间的对比研究比较少，2基于光谱知识，利用卫星数据来快速提取烟霾信息的方法不够完善，3在卫星数据源的选择方面，具有较高时空分辨率的环境一号卫星数据鲜有使用。

3.研究目标和技术路线

研究目标：

利用南京地区典型霾污染的卫星数据，对比不同类型霾之间的光谱差异，分析不同下垫面地物对于霾光谱的影响，找出烟霾光谱的特殊性，建立基于环境一号卫星遥感数据的烟霾指数，进而实现快速获取烟霾信息的目的。

技术路线：

分析它们之间的差异性，探寻烟霾光谱的特殊性，并尝试多种提取方法，构建出烟霾指数。

最后利用不同时相的烟霾影像数据，对基于烟霾指数的提取方法进行验证。

4.研究内容与主要结论

研究选取了南京地区烟霾、雾霾、尘霾和无霾4幅不同类型的霾污染影像，分别选取每幅霾影像中水体、植被和建筑地物的像元，每种地物选取100个代表性样本（共计1200个）

（1）不同类型的霾光谱特征分析

1）同一霾污染下不同地物的光谱

2）下垫面为水体时不同霾的光谱分析（利用蓝光波段和绿光波段的和可以突出烟霾）

3）下垫面为植被时不同霾的光谱特征（利用蓝光波段可以提取出烟霾）

4）下垫面为建筑时不同霾的光谱分析（利用绿光波段和近红外波段的比值或者差值以区分烟霾与尘霾、无霾，利用蓝光与绿光波段之和区分烟霾和雾霾）

（2）基于光谱特征分析的烟霾指数的构建

能够突出烟霾信息的敏感波段或波段组合为：

蓝光波段（B1）、蓝光和绿光波段的和（B1+B2）、绿光和近红外波段的比值（B2/B4）、绿光和近红外波段的差值（B2-B4）。

要突出烟霾信息，区分烟霾象元与非烟霾象元，关键的步骤是确定阈值，本文采用全局频数直方图法和剖面线法相结合来确定阈值。

烟霾影像的频数直方图在理想的状况下应该是双峰的正态分布，一个尖峰对应于烟霾像元数，另一个对应非烟霾像元数。

两峰之间的凹谷对应烟霾和非烟霾区过渡地带的像元。

因此，直方图的谷值有可能是区分烟霾和非烟霾像元的阈值。

（3）烟霾指数方法的验证

具体验证

5.论文创新与不足