植被覆盖度

本文对高分辨率QuickBird 影像的全色波段和多光谱波段进行了各种融合方法的试验。结果表明：Gram-schmidt 变换法和Pansharp 变换法在保持光谱信息方面的能力强于Brovey 变换法、IHS 变换法和PCA 变换法。综合考虑各评价参数，通过视觉效果比较

和定量分析可以得出：Gram-schmidt 变换法和Pansharp 变换法能够在提高原始多光谱影像的空间信息的同时尽可能地保持了多光谱影像的光谱信息，尤其以Gramschmidt

变换法对高分辨率QuickBird 影像的融合效果最好。高分辨率遥感影像融合应采用Gramschmidt方法。

本次工作获得的Qu ickb ird 卫星影像数据为预正射产品( O rtho Ready S tandard) , 带有RPC ( Rational Ploynom ial Coeffic ien,t 有理多项式系数)参数。由于工作区为中低山区峡谷区, 因此必须对Qu ickbird原始影像进行正射校正。由于获得的Qu ickb ird 数据为预正射产品, 采用有理函数模型( RationalFunction)[ 2 ] 来对Qu ickbird 原始影像进行正射校正, 即在PC IGeomatica遥感图像处理软件中采用Quickbird单景影像+ RPC + DEM + GCP 的模式, 对Quickb ird原始全色影像进行正射校正。DEM ( D igital E levat ionMode,l 数字高程模型)由数字地形图( DLG) 生成, GCP ( Ground Contro l Po in,t 地面控制点)通过GPS 实测获得。正射校正后的Qu ickbird影像满足1B1万重点调查的精度要求。研究去为山区应进行正射校正。

彩色合成波段组合为红色XS3、绿色XS2、蓝色XS1, 这种自然彩色合成方式比较符合人眼的视觉习惯, 有利于地质灾害目视解译, 然后与全色影像配准, 采用自动融合算法)，PANSHARP( Automatic ImageFusion)进行融合, 并对融合后的影像进行拉伸增强、对比度和亮度调整, 获得分辨率为0. 61m 的彩色校正图像。目的是获得彩色校正图像。配准融合后得到高分辨率彩色影像。

以Matlab为工具, 实现本文快鸟遥感图像的单波段去云处理，本文所提出的基于改进后同态滤波的像素级融合方法对云层实现了很好的去除, 与此同时无云区域地物背景区域的信息

也得到了相当不错的恢复, 纹理更清晰。Matlab去云方法。

未经处理的遥感影像数据在几何位置上会存在一定误差。一是传感器误差, 卫星在运行过程中会由于

种种原因产生飞行姿势的变化, 从而产生影像的几何畸变; 二是地形起伏引起的误差, 由于原始的

遥感影像是采用中心投影方式而获得的, 因此, 当存在地形起伏时, 局部像点会产生位移。数据产生误差的原因，也就是需要正射校正的原因。

生成正射影像的过程就是影像重采样的过程, 对重采样方式和重采样间隔的设定会影响到正射影像的

清晰程度。

由于标准等级影像校正采用的GTOPO30 DEM是一个较粗略的全球数字高程模型, 这种高程校正采用的DEM精度太低,所以不能称为正射校正。对于这种已经过DEM校正的产品来说,如果再次用DEM做校正,不

仅不会减少绝对定位误差,反倒会增大绝对定位误差。而对于预正射产品,比较适合进行正射校正,如

果利用高质量的DEM、亚米级精度的GCP点和随产品发布的RPC参数进行处理,可以达到很高的定位精度。标准等级影像不再适合正射校正，而预正射等级影像适合进行正射校正。

图像融合一般可以分为像素级融合、特征级融合和决策级融合三级。像素级融合的优点是能尽可能多地保持原始数据, 提供其他融合层次所不能或难于提供的细微信息。主要局限性有: 1、处理的数据量大、实时性差; 2、数据通信量较大, 抗干扰能力较弱; 3、配准精度要求高, 只能融合同类( 质) 传感器的图像;4、要克服低层次融合传感器原始信息的不确定性、不稳定性和不完全性, 必须在融合时有较高的纠错能力。影像融合简单分类。

常用的植被指数有归一化植被指数(NDVI) , 差值植被指数(DVI) , 比值植被指数( RVI) 和垂直植被指数( PVI )等。这些指数主要是通过将各波段反射率以不同形式进行组合来消除外在的影响因素, 这些线性组合或波段比值的指数满足特定的遥感应用[ 8- 9] 。DVI 绿地研究一般适用于Landsat MSS。RVI

对大气影响敏感, 而且当植被覆盖不够浓密时, RVI 方法的分辨率很弱。对PVI, 由于土壤背景的影响, 当植被覆盖稀疏时, 红波段辐射增加, 近红外辐射减少,使得PVI 不能很好地提取植被信息, 这一点同于RVI。NDVI对绿色植被表现敏感, 对低密度的植被覆盖也较敏感。各种植被指数适合的条件。QuickBird 遥感数据监测植被覆盖度的研究

陈巧, 陈永富

利用QuickBird 高分辨率遥感数据, 运用三波段法、NDVI 像元二分法、综合法估算研究区域的植被覆盖度。

1、三波段法

一般来说, 植被在绿光波段有一个低反射峰, 在近红外波段有一个高反射峰, 在红光波段为一个吸收谷。而土壤光谱在绿到近红外波段近似线性变化。从土壤光谱库中全部25 种土壤在0. 56~ 0. 83Lm 之间的光谱曲线可以看出, 在该波长范围内, 大部分土壤光谱近似线性变化。唐世浩等[ 11, 12] 根据上述植被和土壤的光谱特点, 提出如下形式三波段梯度差植被指数( TGDVI) :

若TGDVI < 0 , 则取TGDVI = 0 ( 1)

其中R ir , R r 和R g 分别为近红外、红、绿波段的反射率; K ir , K r 和K g 为相应波段的波长中值。分析该植被指数可以看出, 随植被增加, 绿光和近红外反射率增加、红光反射率减小, 该植被指数增大; 反之,该指数减小。对于植被来说, TGDVI 一般不会小于0。

利用TGDVI 计算植被覆盖度( f c) 的公式如下:

其中, TGDVI max 为最大三波段梯度差。

2、NDVI像元二分法

根据像元二分模型的原理,通过遥感传感器所观测到的信息S可以表达为由绿色植被部分所贡献的信息S v,和由无植被覆盖(裸土)部分所贡献的信息S s两部分,即:S=S v +S s

设一个像元中有植被覆盖的面积比例为f c ,即该像元的植被覆盖度,则裸土覆盖的面积比例为1-f c ,如果全由植被所覆盖的纯像元所得的遥感信息为S veg,则混合像元的植被部分所贡献的信息S v可以表示为S veg与f c的乘积:

同理,如果全由裸土所覆盖的纯像元所得的遥感信息为S soil ,混合像元的土壤成分所贡献的

信息S s可以表示为S soil与1-f c的乘积:

将公式(4)与(5)代入公式(3),可得

对公式(6)进行变换,可得以下计算植被覆盖度的公式:

其中S soil 为纯土壤像元的信息,S veg 为纯植被像元的信息,因而可以根据公式(7)利用遥感信息来估算植被覆盖度。

将归一化植被指数(NDVI)代入公式(7)可以被近似为:

其中,NDVI soil为裸土或无植被覆盖区域的NDVI值,即无植被像元的NDVI值;而NDVI veg 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。

3、综合法

对三波段法和NDVI 像元二分法估算的植被覆盖度进行比较和分析, 发现两种方法植被覆盖度的估算结果与实际植被覆盖度存在某些规律, 因此将两种方法的估算结果进行平均, 得到综合法的估算结果。

为了说明应用模型的整体性能,还需对模型的总相对误差(RS%)、平均相对误差绝对值(RMA%)等2个统计指标进行检验。在以上指标中,RS%是检验模型是否存在系统偏差的指标;RAM%是检验模型与样本点的切合程度的一个重要指标。用总相对误差和平均相对误差绝对值两个指标对估算的植被覆盖度进行精度验证。

1、三波段法

运用该方法估测的植被盖度值中，根据数理统计原理,判断模型是否具有总的系统误差,应考察RS值。总系统误差应在±3%以内,最大不应超过±5%。而该方法的RS值为3.67% ~17.2%之间。特别是2002年海南的RS值分别为12.96%和13.48%,2002年甘肃的RS值分别为17. 2%和17.1%,远远高于5%,因此可认为该模型的系统误差较大。该模型系统误差较大。

2、NDVI像元二分法

运用该方法估测的植被覆盖度值中，海南和甘肃的总相对误差(RS)、平均相对误差绝对值(RMA)均较低。特别是6 组数据的RS值除2002年甘肃的外,其余均在±3%以内,表明从整体上讲,该模型拟合精度高,且具有通用性,可用于实际植被覆盖度的估算。该模型具有通用性，精度较高。

3、综合法

运用综合法估测的植被盖度值中,海南和甘肃的总相对误差(RS)、平均相对误差绝对值(RMA)均较低,其中2002年海南和甘肃的总相对误差大于3%但小于5%;2004年海南的总相对误差小于3%,2004 年多点综合法的总相对误差更是低至0.6%。可见从整体上讲,综合法拟合精度较高,模型的整体性较好,可用于实际植被覆盖度的估算。该模型精度较高，可用于实际植被覆盖度估测。

3 种方法回归结果对比

单点和多点估算结果的差异在三波段法和综合法中不明显, 而在NDVI 像元二分法中较为显著。分析原因, 可能是因为三波段法和综合法的空间分辨率相对较低, 为2.44 m,而NDVI

像元二分法的空间分辨率为0. 67 m。NDVI 像元二分法的像元更小, 细部特征更易体现, 则多点与单点的差别比较明显。单点和多点估算结果在三种方法中存在差异的原因。

3 种方法散点图对比

分别为2002 年甘肃省3 种方法的单点估计值与真实值的散点图和2002 年甘肃省3 种方法的多点估计值与真实值的散点图。从图中可以看出, 各方法多点估计值比单点估计值的拟合效果好, 多点估计值的散点图中NDVI 像元二分法和综合法拟合效果较三波段法好。分别做出单点估算与多点估算和真实值的散点图，方便对比研究。

结论；NDVI 像元二分法适合于QuickBird 高分辨率遥感数据植被覆盖度的估算, 而且从纯植被像元的选取来看, QuickBird 数据由于其分辨率高, 操作起来比较容易, 估测的精度也较高。

验证过程中的样区真实植被覆盖度的获取可能较复杂，多点样区的大小约95m2 。为何要采用单点和多点两种方法进行验证？最后相当于单点和多点两种验证方法的比较，而不是三种植被覆盖度估算方法的比较，

应该是采用单点和多点两种统计方法估算图像反应出的植被覆盖度的值。

基于Quick Bird 的阿其克苏河植被覆盖度研究

王曼，吕光辉

NDVI 植被指数模型

植被覆盖度fc 由以下公式来确定:

fc = ( NDVI － NDVI soil ) /( NDVI veg － NDVI soil ) ． ( 2)

式中，NDVI soil为完全是裸土或无植被覆盖区域的NDVI 值; NDVI veg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。采用的依然是NDVI像元二分法来计算植被覆盖度。

NDVI soil对于大多数类型的裸地表面，理论上应该接近零，但由于受众多因素影响，NDVI soil 的变化范围一般在－0．1 ～ 0．2。NDVI veg代表完全植被覆盖像元的最大值，由于植被类型的影响，NDVI veg值也会随着时间和空间而改变。因此，计算植被覆盖度时，既使同一景影像，对于NDVI soil和NDVI veg值不能取固定值。在实际应用中，植被覆盖类型随土地利用类型而变化。对于某一土地利用类型，由于植被类型近似，其NDVI veg值也相近;而对于特定的土壤类型，其NDVI soil值也应该是一定的。因此，土地利用图和土壤图应作为计算NDVI veg和NDVI soil值的基础［6］。［6］周万福．青海省区域植被覆盖分类研究［D］．南京: 南京信息工程大学，2006: 15 － 42．提出结合土地利用图和土壤图应用于NDVI veg和NDVI soil两个参数的计算。

1.2．5．2 NDVI soil与NDVI veg参数的确定

参数NDVI soil和NDVI veg的确定公式［5］为:

NDVI soil = ( fc max × NDVI min － fc min × NDVI max ) /( fc max － fc min ) ． (3) NDVI veg =［( 1 － fc min ) × NDVI max － ( 1 － fc max ) × NDVI min］/( fc max － fc min) ． (4) 所用影像为高分辨率Quick Bird 影像，且实地考察发现河滩上存在覆盖率达100%的象元。因此fc max可以近似取100%，且fc min可以近似取0%，将参数fc max与fc min代入式3与式4得: NDVI soil = NDVI min ． (5) NDVI veg = NDVI max ． (6) 基于以上分析，取NDVIsoil = 0，由于影像上NDVI 最大值处为河流上的芦苇滩，覆盖度达100%，因此取NDVIveg = 0．61。［5］钱亦兵，吴兆宁，蒋进，等．近50 a 艾比湖流域生态环境演变及其影响因素分析［J］．冰川冻土，2004，26( 1) : 17 － 26．给出NDVI veg 和NDVI soil两个参数的具体计算方法。

在Arcgis中将植被覆盖度图像以五级标准划分，获得植被覆盖等级分类图，分为低植被覆盖区，中低植被覆盖区、中等植被覆盖区、中高植被覆盖区、高等植被覆盖区，

整个区域的植被覆盖度值的估算采用系统抽样的方法进行，提高运行速度，具体可通过IDL 实现。

基于小波变换的高分辨率快鸟遥感图像薄云

去除张波o, 季民河

总结先前的研究, 有下面4 种遥感图像薄云去除思路: 1、基于单幅或单波段图像的去云处理[ 1, 4~ 5] 。即利用图像本身在空间域及频率域的特征进行处理, 同态滤波方法是常用的一种处理方法。其原理简单、操作方便, 不足之处是对图像进行了整体运算, 会造成不必要的信息丢失。[ 1] 曹爽. 高分辨率遥感影象去云方法研究[ D] . 南京: 河海大学, 2006. [ 4] 刘洋, 白俊武. 遥感图像中薄云的去除方法研究[ J] . 测绘与空间地理信息,

2008( 313) : 120- 122, 125.[ 5] 王恒进. 基于小波的遥感图像薄云去除的研究与实现[ D] . 西安: 西北工业大学, 2002.

2、基于多光谱信息的遥感图像薄云去除[ 1,4]。方法之一是采用对云比较敏感的传感器, 专门探测云的信息,然后进行图像相减,达到去云目的;另一种方法是利用多光谱图像中各波段对云的敏感性差异进行图像运算与处理, 得到去云结果。该方法可以有效消除薄云影响而不带来其他副作用, 但前提条件较高, 在许多应用场合会受到限制。[ 1] 曹爽. 高分辨率遥感影象去云方法研究[ D] . 南京: 河海大学, 2006. [ 4] 刘洋, 白俊武. 遥感图像中薄云的去除方法研究[ J] . 测绘与空间地理信息, 2008( 313) : 120- 122, 125.

3、基于同一传感器不同时相多幅图像叠加运算的去云方法[ 1, 4, 6], 又称《时间平均法》, 即依据同一地区不同时间云的分布不同, 将不同时间获取的图像进行叠加运算进行去云处理,其要求参与运算的多幅图像所拍摄的区域在拍摄时期变化不大。但云区重叠问题带来的参与运算的图像数目不确定是导致计算机自动去云不能实现的主要原因,也是该方法的主要瓶颈所在。[ 1] 曹爽. 高分辨率遥感影象去云方法研究[ D] . 南京: 河海大学, 2006. [ 4] 刘洋, 白俊武. 遥感图像中薄云的去除方法研究[ J] . 测绘与空间地理信息, 2008( 313) : 120- 122, 125. [ 6] 汪兴方. 遥感图像去云方法的研究及其应用[ D] . 南京: 南京理工大学, 2007.

4、基于多源数据的融合方法去云[ 1, 4, 7~ 8], 即利用不同传感器获取的多源图像数据, 通过数据融合消除薄云对图像的影响。但利用该方法去云首先要解决云覆盖区域多传感器的配准, 以及可能存在的辐射差异的处理。现代微波遥感采用的波长范围为1mm~ 100cm, 可以穿透云层和大气降水, 测定云下目标地物发射的辐射[ 9] , 能够弥补传统遥感方式易受云雾干扰的不足。[ 1] 曹爽. 高分辨率遥感影象去云方法研究[ D] . 南京: 河海大学, 2006. [ 4] 刘洋, 白俊武. 遥感图像中薄云的去除方法研究[ J] . 测绘与空间地理信息, 2008( 313) : 120- 122, 125. [ 7] Tseng DC, Tseng H T, Chien CL. Aut omatic clo ud remo val fr om mult-i t em po ral SPOT imag es [ J] . Applied Mathematics

and Computation, 2008( 205) : 584- 600.[ 8] Cihlar J. , H ow arth J. Detectio n r emoval of cloud co ntam inat ion fr om AVHRR imag es [ J] . IEEE. Transactions on Geoscience and Remote Sensing , 1994, 32( 3) : 583- 589.

基于像元二分模型的植被覆盖度反演-以北京市为例

基于像元二分模型的植被覆盖度反演-以北京市为例 王玲 （西北大学城市与环境学院，陕西西安 710127） 摘要：采用遥感技术监测植被覆盖度具有重要意义。本文以北京市为例，基于2013年的Landsat8 OLI影像，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，最终反演的结果与实际情况符合，说明采用该方法反演植被覆盖度可行。 关键词：植被覆盖度、像元二分模型、NDVI、植被指数 引言 植被覆盖度（Vegetation fractional cover，简称fc）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，即植土比。通常林冠称郁闭度，灌草等植被称覆盖度[1]。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[2]。根据监测手段, 测量植被覆盖度的方法可分为地面测量和遥感测量两大类，测量常用于田间尺度，遥感估算常用于区域尺度。目前已经发展了很多利用遥感测量植被覆盖度的方法，较为实用的地面测量单的方法就是目估法，缺点主要是主观性太强。客观的测量方法有样点法、样方法、样带法等，借助于采样仪器的测量方法，空间定量计、移动光量计等。这些方法虽然提高了测量精度，但野外操作不便，并且成本较高, 难以在大范围内快速提取植被覆盖度。而采用遥感技术为监测大面积区域的植被覆盖度，甚至全球的植被覆盖度监测提供了可能[3]。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。 一、数据源 本文选取两景覆盖北京市的Landsat8 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为了将两景镶嵌好的影像数据进行裁剪使用的，其目的是裁剪出北京市行政区内的范围。另外，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[4]。

ENVI下植被覆盖度的遥感估算

ENVI下植被覆盖度的遥感估算 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。容易与植被覆盖度混淆的概念是植被盖度，植被盖度是指植被冠层或叶面在地面的垂直投影面积占植被区总面积的比例。两个概念主要区别就是分母不一样。植被覆盖度常用于植被变化、生态环境研究、水土保持、气候等方面。 植被覆盖度的测量可分为地面测量和遥感估算两种方法。地面测量常用于田间尺度，遥感估算常用于区域尺度。目前已经发展了很多利用遥感测量植被覆盖度的方法，较为实用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。 估算模型 目前已经发展了很多利用遥感测量植被覆盖度的方法，较为实用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。下面是李苗苗等在 像元二分模型的基础上研究的模型： VFC = (NDVI - NDVIsoil)/ ( NDVIveg - NDVIsoil) （1） 其中, NDVIsoil 为完全是裸土或无植被覆盖区域的NDVI值，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。两个值的计算公式为： NDVIsoil=（VFCmax*NDVImin- VFCmin*NDVImax）/( VFCmax- VFCmin) （2） NDVIveg=（(1-VFCmin)*NDVImax- (1-VFCmax)*NDVImin）/( VFCmax- VFCmin) （3） 利用这个模型计算植被覆盖度的关键是计算NDVIsoil和NDVIveg。这里有两种假设： 1）当区域内可以近似取VFCmax=100%，VFCmin=0%。 公式（1）可变为： VFC = (NDVI - NDVImin)/ ( NDVImax - NDVImin) （4） NDVImax 和NDVImin分别为区域内最大和最小的NDVI值。由于不可避免存在噪声，NDVImax 和NDVImin一般取一定置信度范围内的最大值与最小值，置信度的取值主要根据图像实际情况来定。 2）当区域内不能近似取VFCmax=100%，VFCmin=0%

基于GIS的ndvi植被覆盖度的估算

1.绪论 1.1 课题研究的目的与意义 植被，包括森林、灌丛、草地和农作物，既是生态系统的主要组成部分，也是生态系统存在的基础，具有截流降雨、减缓径流、防沙治沙、保持水土等功能，联结着土壤、大气和水分等自然过程，在陆地表面的能量交换、生物地球化学循环和水文循环等过程中扮演着重要角色，是全球变化研究中的“指示器”[1]。植被根据生态系统中水、气等的状况，调控其内部与外部的物质、能量交换。植被覆盖与气候因子关系极为密切，研究植被覆盖变化 对气候的影响是气候变化研究的主要内容之一，它影响着土壤湿度、地表温度和地表能量与水的循环(李苗苗，2004)。

植被覆盖度(vegetation fractional cover，简称FC)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[2]。它是植被对地面的垂直投影比例， 对于山坡进行植被覆盖度测量时，应该采用垂直于坡面的角度。植被覆盖度具有强烈的尺度效应，同一片植被，因被纳入统计的范围不同而表现为不同的植被覆盖度。如一个地区的植被覆盖度很高，但平均到全国水平就大大降低了[3]。植被覆盖度在提示地表植被分布规律, 探讨植被分布影响因子, 分析评价区域生态环境, 及时准确地掌握其动态变化, 分析其发展趋势对维护区域生态平衡等方面都具有重要意义。[4]而城市植被则是城市生态系统重要的还原组织和最重要的元素,对于保护城市生态环境具有不可忽视的作用[5] ,如有效缓解城市

“热岛效应”,改善城市区域小气候[5～7] 等。 城市化的迅速推进，带来了多样化的生态足迹，植被覆盖度，土壤污染率，地表侵蚀率，逐渐成为生态研究的热点，也成为环境保护的重点。借助于高速发展的RS与GIS技术来进行植被覆盖度的估算，将是当前环境监测的必要步骤。 徐州是由矿区发展起来的城市，由于长期开采矿产，导致了一系列严重的生态问题，如塌陷地广布，植被破坏率严重，土地侵蚀率增大，等。在此背景下，研究徐州市整体的土地覆盖情况，即是现实需要，也是未来生态城市规划的重要步骤。研究的最终结果也会给徐州市的城市规划提供信息支持与技术保障。 1.2 国内外植被覆盖度研究现状 由于植被覆盖度是许多学科的重要参数，为

植被覆盖度反演

题目：植被遥感监测具有很长的历史，植被遥感中植被覆盖反演是主要内容之一，线性分解模型是混合像元分解法的一种，根据混合像元分解及线性分解模型的原理，利用红碱淖2016年6月17日Landsat8 OLI数据，求取研究区植被覆盖度（写出详细计算过程和步骤）。 一、操作思路： 端元代表影像中的纯净像元，求取植被覆盖度即求取端元的丰度，因此采用混合像元分解及线性分解模型进行混合像元分解，得到端元以及相应的丰度影像，即为植被覆盖度影像。 二、操作步骤： 1.影像预处理 由于操作时间的限制和硬件设备的不允许，将影像选取一定的区域进行裁剪，感兴趣区域为roi1文件，得到裁剪后影像2016new文件，导入影像，进行影像的预处理，包括辐射定标和大气校正步骤，辐射定标采用Radiometric Calibration 工具，大气校正采用FLAASH工具，分别得到辐射定标结果2016_rad1和2016_ref 文件。 2.MNF变换 采用MNF变换工具，可将数据波段进行“降维”，提取出有用信息集中的波段，去除噪声信息集中的波段，利用Forward MNF Estimate Noise Statistic将数据进行MNF变换，得到MNF变换结果2016_MNF和噪声文件MNF_Noise和统计文件MNF_Statistic文件。 3.PPI变换 纯净像元指数法指像元被标记为纯净像元的次数，可以将混合像元进行分解，有效的提取出端元。 由于操作时间的限制和硬件设备的不允许，将MNF变换后影像与原影像选取一定的同样区域进行裁剪，感兴趣区域选择ROI2文件，得到裁剪结果为2016_MNF_sub和2016new_sub文件。 在MNF变换后发现有用信息集中在1、2、3波段，因此利用Pixel Purity Index 工具，将MNF变换后影像选择1、2、3波段进行端元提取，阈值设为3.00，操作的结果为2016_PPI文件。 4.N维可视化 利用N维可视化工具可以将端元更好的显示，有利于更加直观的确定端元，在N维可视化窗口中，选中1、2、3波段，在显示窗口中将较为集中的区域定为端元，进行类（class）的划定，一共确定三类，利用mean all工具将三类端元的波谱显示出来，并保存为波谱库2016_sli文件。 5.端元识别

ENVI下植被覆盖度的估算

ENVI下植被覆盖度的遥感估算 2013-05-30 | 阅：1 转：17 | 分享 修改 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。容易与植被覆盖度混淆的概念是植被盖度，植被盖度是指植被冠层或叶面在地面的垂直投影面积占植被区总面积的比例。两个概念主要区别就是分母不一样。植被覆盖度常用于植被变化、生态环境研究、水土保持、气候等方面。 植被覆盖度的测量可分为地面测量和遥感估算两种方法。地面测量常用于田间尺度，遥感估算常用于区域尺度。 估算模型 目前已经发展了很多利用遥感测量植被覆盖度的方法，较为实用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。下面是李苗苗等在像元二分模型的基础上研究 的模型： VFC = (NDVI - NDVIsoil)/ ( NDVIveg - NDVIsoil) （1） 其中, NDVIsoil 为完全是裸土或无植被覆盖区域的NDVI值，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。两个值的计算公式为： NDVIsoil=（VFCmax*NDVImin- VFCmin*NDVImax）/( VFCmax- VFCmin) （2） NDVIveg=（(1-VFCmin)*NDVImax- (1-VFCmax)*NDVImin）/( VFCmax- VFCmin) （3） 利用这个模型计算植被覆盖度的关键是计算NDVIsoil和NDVIveg。这里有两种假设： 1）当区域内可以近似取VFCmax=100%，VFCmin=0%。 公式（1）可变为： VFC = (NDVI - NDVImin)/ ( NDVImax - NDVImin) （4） NDVImax 和NDVImin分别为区域内最大和最小的NDVI值。由于不可避免存在噪声，NDVImax 和NDVImin一般取一定置信度范围内的最大值与最小值，置信度的取值主要根据图 像实际情况来定。 2）当区域内不能近似取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作为VFCmax和VFCmin，这两个实测数据对应图像的NDVI作为NDVImax 和NDVImin。 当没有实测数据的情况下，取一定置信度范围内的NDVImax 和NDVImin。VFCmax和

植被覆盖度计算经验教程

ENVI5.1（5.0版本以上）计算植被覆盖度 1.加载用矢量边界裁剪过的ROI（经几何校正-辐射校正处理） 2.计算NDVI，利用ENVI5.1 Toolbox 提供的搜索功能查找NDVI模块，然 后进行NDVI计算。本例中影像数据为landsat8 影像，因此Input File Type 选项为Landsat OLI，红色波段为4，近红外为5（TM和ETM+影像的NDVI Band：Red 3 Near IR 4）

3.对计算的NDVI进行DN二值化处理，选择Toolbox 中的Band Ratio/Band Math模块，在band math 对话框中进行参数设置。首先，在Enter an expression 对话框下输入NDVI二值化公式： ((b1 lt -1)*0+((b1 ge -1) and (b1 le 1))*b1+(b1 gt 1)*1) （切记，括号为英文半角），然后单击Add to List，将波段运算表达式添加至Previous Band Math Expressions 对话框，然后OK。在新弹出的Variables to Bands Parings 对话框Avilable Bands List 对话框中选择上一步计算的NDVI，然后输出至特定位置（切记，如果电脑内存不足2G，请输出结果为File）。

4.对二值化的NDVI进行概率统计。选择Toolbox 中Statistics/Compute Statistics模块，选择二值化处理的结果（本例中，NDVI_20131119为计算得到的NDVI结果，NDVI为二值化后的结果），同时在Mask Options 下拉菜单中选择Build Mask..选项，在弹出的Mask Definition对话框中选择Import EVFs选项，创建一个mask。然后查看统计结果。详细理论请参考https://www.wendangku.net/doc/c5404483.html,/s/blog_764b1e9d0100u29i.html

成都市植被覆盖度遥感动态监测分析

遥感地学分析课程设计实验报告成都市植被覆盖度遥感动态监测分析 团队人员胡禹贤2008043013遥感081班杨维2008043035 遥感081班胡晓2008043010 遥感081班卿晓琼2008043009 遥感081班郝争2008043007 遥感081班

摘要 本次研究以四川省成都市为研究区，选择2000年Landsat ETM数据、2007年Landsat TM 数据、成都1:50万地形图以及全国县界1：400万的矢量图作为基本信息源，对遥感数据进行波段合成、大气校正、几何校正、图像裁剪处理后，计算出两期图像的归一化植被指数（NDVI），对植被覆盖度进行估算。结果表明：成都市在七年间植被覆盖度总体上呈增高趋势，尤其是市区二环路以内，植被覆盖度有了明显的增加。但是，在成都的一些郊区，比如龙泉、郫县、以及金堂等地的植被覆盖度已经出现下降的迹象；另外，与2000年相比，成都市到2007年低植被覆盖度区域面积有了明显的减少，中低植被覆盖到中高植被覆盖度区域面积增加明显，高植被覆盖度区域面积变化不大。从研究结果上看，我们总体上认为研究区植被覆盖度变化和人类活动有不可分割的密切关系。 【关键词】：归一化植被指数；遥感；植被覆盖度；成都市。 summary The study, Chengdu, Sichuan Province as the study area, select the Landsat ETM data in 2000, Landsat TM data in 2007, Chengdu, 1:50 million, and topographic maps 1:400 million the county boundary vector as a basic source of information on remote sensingband synthetic data, atmospheric correction, geometric correction, image cropping treatment, two images to calculate the normalized difference vegetation index (NDVI), vegetation coverage estimate. The results showed that: Chengdu, vegetation coverage in the seven years, showing a rising trend in general, especially in the urban area within the Second Ring Road, the vegetation coverage has been an obvious increase.However, in some suburbs of Chengdu, such as Longquan, Pixian, and Jintang, the vegetation coverage has been signs of decline; In addition, compared with 2000, Chengdu, in 2007 ,had a significant size of the area decrease in the low vegetation cover in areas of high vegetation coverage area increased significantly and the regional area of high vegetation coverage changed little. The results from the research point of view, is generally thought that the vegetation cover change and human activities are inextricably close relationship. 【Key words】: normalized difference vegetation index; remote sensing; vegetation coverage; Chengdu.

植被覆盖度分布图制作

作业1： 用TM/ETM图像制作一个地区植被覆盖度分布图(要求如图所示)，描述该地区的 区域概况，并分析植被分布空间差异。所用公式如下： NDVI=(B4-B3)/(B4+B3) Vr=(NDVI-NDVIb)/(NDVIv-NDVIb) 式中：NDVI是归一化植被指数。B3和B4是TM第3和4波段的图像亮度值。 NDVIb和NDVIv是裸土和植被的NDVI值，可分别取0.15和0.75。Vr是植被覆盖度(0-1)。 要求：用WORD把制作过程和分析结果记录下来。>2000字 目的：学会图像处理软件，进行图像信息提取，用各种软件共同制作有实际意 义的图像 原理与方法： 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。对于同一幅图像，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、雪、枯 叶、粗糙度等，且与植被覆盖有关。 操作步骤如下： 一．从地理空间数据云网站下载山西省吕梁地区文水县的ETM影像，对应地区的数据如下： 表：Landsat8数据波段参数 波段波长范围(μm)空间分辨率(m) 名称 1-海岸波段0.433–0.453 30 LC81260342015159LGN00_B1 2-蓝波段0.450–0.515 30 LC81260342015159LGN00_B2 3-绿波段0.525–0.600 30 LC81260342015159LGN00_B3

《遥感图像处理》：曲靖市Landsat8遥感影像植被覆盖度反演

《遥感图像处理》实验报告 实验题目：曲靖市Landsat8遥感影像 植被覆盖度反演 姓名：___ ____ 学号： 专业：___地理科学_ __ 教师： 日期：___2017年3月15日__

曲靖师范学院城市学院

一、实验目的 太阳辐射通过大气以某种方式入射到物体表面然后再反射回传感器，由于大气气溶胶、地形和邻近地物等影像，使得原始影像包含物体表面，大气，以及太阳的信息等信息的综合。如果我们想要了解某一物体表面的光谱属性，我们必须将它的反射信息从大气和太阳的信息中分离出来，这就需要进行大气校正过程。本实验以曲靖市的一景Landsat 8遥感影像为数据源，利用ENVI大气校正扩展模块（FLAASH）进行大气校正，并对比分析大气校正前后植被、水体、土壤、裸岩等典型底物的光谱特征差异，为后续定量遥感的应用奠定一定的基础。 二、实验准备 1.软件准备：ENVI 5.3.1 2.数据准备：LC81290422015324LGN00遥感数据、地形数据 三、实验过程 （一）遥感影像数据的辐射定标 Landsat8数据和其他TM 数据类似，发布的数据标示L1T，做过地形参与的几何校正，一般情况下可以直接使用而不需要做几何校正。为了利用其丰富的波段光谱信息，我们需要进行辐射定标处理，将原始图像上的DN值转为反射率。 1.使用ENVI5.1下的通用定标工具Radiometric Calibration进行Landsat8的辐射定标。打开LO81290422015148BJC00_MTL全波段文件，选择MultiSpectral多光谱数据进行定标，定标的范围可缩小为ROI区域。

植被覆盖度计算

植被覆盖度计算 Document serial number【KK89K-LLS98YT-SS8CB-SSUT-SST108】

ENVI下植被覆盖度的遥感估算 (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。容易与植被覆盖度混淆的概念是植被盖度，植被盖度是指植被冠层或叶面在地面的垂直投影面积占植被区总面积的比例。两个概念主要区别就是分母不一样。植被覆盖度常用于植被变化、生态环境研究、水土保持、气候等方面。 植被覆盖度的测量可分为地面测量和遥感估算两种方法。地面测量常用于田间尺度，遥感估算常用于区域尺度。 估算模型 目前已经发展了很多利用遥感测量植被覆盖度的方法，较为实用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。下面是李苗苗等在像元二分模型的基础上研究的模型： VFC=(NDVI-NDVIsoil)/(NDVIveg-NDVIsoil)（1） 其中,NDVIsoil为完全是裸土或无植被覆盖区域的NDVI值，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。两个值的计算公式为： NDVIsoil=（VFCmax*NDVImin-VFCmin*NDVImax）/(VFCmax-VFCmin)（2） NDVIveg=（(1-VFCmin)*NDVImax-(1-VFCmax)*NDVImin）/(VFCmax-VFCmin)（3） 利用这个模型计算植被覆盖度的关键是计算NDVIsoil和NDVIveg。这里有两种假设： 1）当区域内可以近似取VFCmax=100%，VFCmin=0%。 公式（1）可变为： VFC=(NDVI-NDVImin)/(NDVImax-NDVImin)（4） NDVImax和NDVImin分别为区域内最大和最小的NDVI值。由于不可避免存在噪声，NDVImax和NDVImin一般取一定置信度范围内的最大值与最小值，置信度的取值主要根据图像实际情况来定。 2）当区域内不能近似取VFCmax=100%，VFCmin=0%

基于像元二分模型的植被覆盖度反演以市为例

基于像元二分模型的植被覆盖度反演以市为例 文件排版存档编号：[UYTR-OUPT28-KBNTL98-UYNN208]

基于像元二分模型的植被覆盖度反演-以北京市为例 王玲 （西北大学城市与环境学院，陕西西安 710127） 摘要：采用遥感技术监测植被覆盖度具有重要意义。本文以北京市为例，基于2013年的Landsat8 OLI影像，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，最终反演的结果与实际情况符合，说明采用该方法反演植被覆盖度可行。 关键词：植被覆盖度、像元二分模型、NDVI、植被指数 引言 植被覆盖度（Vegetation fractional cover，简称fc）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，即植土比。通常林冠称郁闭度，灌草等植被称覆盖度[1]。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[2]。根据监测手段, 测量植被覆盖度的方法可分为地面测量和遥感测量两大类，测量常用于田间尺度，遥感估算常用于区域尺度。目前已经发展了很多利用遥感测量植被覆盖度的方法，较为实用的地面测量单的方法就是目估法，缺点主要是主观性太强。客观的测量方法有样点法、样方法、样带法等，借助于采样仪器的测量方法，空间定量计、移动光量计等。这些方法虽然提高了测量精度，但野外操作不便，并且成本较高, 难以在大范围内快速提取植被覆盖度。而采用遥感技术为监测大面积区域的植被覆盖度，甚至全球的植被覆盖度监测提供了可能[3]。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。

植被覆盖率

植被覆盖率估算模型 一：研究区域数据获取 本次实验主要是对植被覆盖率估算，因此实验区域的影像因尽量选择植被茂盛的季节。在数据源选取上，我在马里兰大学的网站下了Landsat 5 1T 级数据，包够了红，绿，蓝，近红外，热红外7个波段。下载的地区是覆盖了福建省中部地区2009年6月6日的影像。 下图（图1）为原始数据的假彩色合成 图一：原始数据假彩色合成 二：数据预处理 进行植被覆盖率估算，需要用到归一化植被指数（NDVI）。NDVI的物理依据是地物反射率的差异变化，所以用反射率来计算是比较客观准确的。 TM原始数据就是DN值，不能用来直接计算NDVI，必须通过辐射定标计算成反射率，才能用来计算NDVI。因此，要对对实验数据先进行辐射校正和大气校正。下载的L1T级数据，头文件（）有详细影像参数，控制点文件（）中有控制点高程信息用于大气校正的地形参数，可以利用这两个文件做辐射校正和大气校正。 （1）辐射定标 实验使用数据为L1T级数据，经过系统辐射校正的数据。由于1级产品的DN值是由辐射亮度线性变换得到的，因此从1级产品计算辐射亮度只需利用相关参数（Gain和Bias）进行线性反变换即可，计算过程比较简单。各参数可在影像头文件中找到，Calibration Type 注意

选择为Radiance。 图2：辐射定标参数设置 （2）大气校正 大气校正是采用ENVI的FLAASH模块，FLAASH模块要求输入辐亮度图像，输出反射率图像。之前对进行了辐射定标，得到辐亮度图像，在这里要把BSQ 格式的图像转换为BIL 或者BIP 格式的图像。FLAASH校正输入图像后，程序会让你选择Scale Factor，即原始辐亮度单位与ENVI 默认辐亮度单位之间的比例。ENVI 默认的辐亮度单位是μW/cm2 ?sr?nm，而之前我们做辐射定标时单位是W/m2 ?sr?μm，二者之间转换的比例是10，因此在下图中选择Single scale factor，填写10.000。其中参数中心坐标，影像获取时间，都可以在头文件中获取，大气参数可以查看ENVI help来确定，还有研究区域的平均高程，可以通过GCP文件大致估算。FLAASH的参数设置如下图（图3）。 图3：FLAASH参数设置 三：研究区域裁剪 本来想以福建省为研究区域，但是这景影像覆盖了福建省中部百分之90左右的距离，但并没有覆盖完整，所以无法用矢量边界裁剪，我就规则裁剪了一块区域做研究 图5：裁剪区域 四：分类 这里我选择了用最大似然法进行监督分类 （1）训练区选择

基于GIS的植被覆盖度估算

基于GIS的植被覆盖度估算 1.绪论 1.1 课题研究的目的与意义 植被，包括森林、灌丛、草地和农作物，既是生态系统的主要组成部分，也是生态系统存在的基础，具有截流降雨、减缓径流、防沙治沙、保持水土等功能，联结着土壤、大气和水分等自然过程，在陆地表面的能量交换、生物地球化学循环和水文循环等过程中扮演着重要角色，是全球变化研究中的“指示器”[1]。植被根据生态系统中水、气等的状况，调控其内部与外部的物质、能量交换。植被覆盖与气候因子关系极为密切，研究植被覆盖变化 对气候的影响是气候变化研究的主要内容之一，它影响着土壤湿度、地表温度和地表能量与水的循环(李苗苗，2004)。 植被覆盖度(vegetation fractional cover，简称FC)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[2]。它是植被对地面的垂直投影比例，对于山坡进行植被覆盖度测量时，应该采用垂直于坡面的角度。植被覆盖度具有强烈的尺度效应，同一片植被，因被纳入统计的范围不同而表现为不同的植被覆盖度。如一个地区的植被覆盖度很高，但平均到全国水平就大大降低了[3]。植被覆盖度在提示地表植被分布规律, 探讨植被分布影响因子, 分析评价区域生态环境, 及时准确地掌握其动态变化, 分析其发展趋势对维护区域生态平衡等方面都具有重要意义。[4]而城市植被则是城市生态系统重要的还原组织和最重要的元素,对于保护城市生态环境具有不可忽视的作用[5] ,如有效缓解城市“热岛效应”,改善城市区域小气候[5,7] 等。

城市化的迅速推进，带来了多样化的生态足迹，植被覆盖度，土壤污染率，地表侵蚀率，逐渐成为生态研究的热点，也成为环境保护的重点。借助于高速发展的RS与GIS技术来进行植被覆盖度的估算，将是当前环境监测的必要步骤。 徐州是由矿区发展起来的城市，由于长期开采矿产，导致了一系列严重的生态问题，如塌陷地广布，植被破坏率严重，土地侵蚀率增大，等。在此背景下，研究徐州市整体的土地覆盖情况，即是现实需要，也是未来生态城市规划的重要步骤。研究的最终结果也会给徐州市的城市规划提供信息支持与技术保障。 1.2 国内外植被覆盖度研究现状 由于植被覆盖度是许多学科的重要参数，为了得到准确的植被覆盖度信息，植被覆盖度监测技术的提高，就成了多个领域发展的需要。根据检测手段，测量植被覆盖度的方法可分为传统的地面测量和新兴的遥感测量两大类。其中，地面测量又可以根据测量原理，分为目估法、采样法、仪器法和模型法;遥感测量依据对植被光谱信息与植被覆盖度所建立的关系不同，可分为物理模型法和统计模型法。统计模型法中使用较多的有植被指数法、回归模型法、像元分解法、分类决策树和人工神经网络法;物理模型法中模型反演法使用最多。 地面测量曾经一度是植被覆盖度监测的最主要方法。主要包括目估法、采样法、仪器法和模型法。虽然遥感技术的发展使地面测量的主导性地位有所降低，但地面测量依然具有其重要性，它不仅是最精确的测量方法，也为遥感测量提供了基础标定数据，是无可替代的。 遥感技术的发展，为大范围植被覆盖信息的获取提供了一个新的发展方向。常用于植被覆盖信息提取的遥感数据有NOA内叭vHRR数据、MODIs数据、LandsatTM与 MSS数据、SPOT数据、ATSER数据、航片、IEOS一SAR雷达数据以及AVIRIS高光谱数据等。

植被覆盖度计算

EＮVＩ下植被覆盖度得遥感估算 (植被覆盖度就是指植被(包括叶、茎、枝)在地面得垂直投影面积占统计区总面积得百分比。容易与植被覆盖度混淆得概念就是植被盖度,植被盖度就是指植被冠层或叶面在地面得垂直投影面积占植被区总面积得比例。两个概念主要区别就就是分母不一样。植被覆盖度常用于植被变化、生态环境研究、水土保持、气候等方面。 植被覆盖度得测量可分为地面测量与遥感估算两种方法。地面测量常用于田间尺度,遥感估算常用于区域尺度、 估算模型 目前已经发展了很多利用遥感测量植被覆盖度得方法,较为实用得方法就是利用植被指数近似估算植被覆盖度,常用得植被指数为NDVI、下面就是李苗苗等在像元二分模型得基础上研究得模型: VＦC =(ＮDVI －NＤＶIsoil)/ (NDVIｖeg — NDVIｓoil) (１) 其中,ＮＤVIsoｉl 为完全就是裸土或无植被覆盖区域得NDVI值,NDVIｖeｇ则代表完全被植被所覆盖得像元得NDVI值,即纯植被像元得NDVI值。两个值得计算公式为: ＮDVIsｏｉｌ=(ＶFCmax*ＮＤＶImin－VFCｍiｎ*ＮDVImaｘ)/( VFCｍａx— VＦCmin)(2) ＮDVIveg=((1－VＦCｍin)*NDVＩmａx- (１-VFCｍａｘ)＊NＤＶＩmin)／(VFCmａx—ＶFＣmin) (3) 利用这个模型计算植被覆盖度得关键就是计算NＤVＩｓoiｌ与NDＶＩvｅｇ。这里有两种假设: 1)当区域内可以近似取VFCmａｘ=100％,VFCmin=0％、 公式(１)可变为: VFＣ= (NDVI — NDVImin)/( NDVＩmax — NDVImｉｎ) (4)

遥感估算植被覆盖度的角度效应分析

20070643(3)　北京师范大学学报(自然科学版) Journal of Beijing Normal University (Natural Science )　343　 遥感估算植被覆盖度的角度效应分析3 郭占军1,2)　阎广建1)　冯　雪1)　王远征1)　张霄羽3) (1)北京师范大学地理学与遥感科学学院遥感与GIS 中心,遥感科学国家重点实验室, 环境遥感与数字城市北京市重点实验室,100875,北京; 2)宁夏大学资源环境学院,750021,银川;3)中国科学院地理科学与资源研究所,100101,北京) 摘要　植被覆盖度是植被在地面的垂直投影面积占统计区总面积的百分比.由于植被反射的二向性特性,不同角度估算的植被覆盖度原则上不可比,另外,不同观测角度对应像元不同的采样面积,对于非均一地表这种面积差异引起的角度效应也非常显著.本文除了考虑植被的二向性反射,还重点模拟分析了由于像元的采样面积差异引起的角度效应及其带来的植被覆盖度估算误差.模拟结果表明:相比天顶观测,在倾斜40°观测时,对于作物和裸土混合,由于面积误差带来的红光波段反射率差异已高达56%,同时引起的植被覆盖度估算误差达到23%,因此研究植被覆盖度的角度效应问题很有必要. 关键词　植被覆盖度;角度效应;二向性反射分布函数(BRDF );模拟 3国家自然科学基金资助项目(40471095);新世纪优秀人才支持计划资助项目收稿日期:2007202217 植被覆盖度是描述生态系统的基本参数,同时是数字天气预报、区域和全球气候模型以及全球变化监测必需的参数之一[122].获取地表植被覆盖及其变化信息,对于揭示地表空间变化规律,探讨变化的驱动因子,分析评价区域生态环境都具有重要现实意义[3]. 目前被广泛接受的植被覆盖度定义为: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[4].该定义中很重要的一点是用于计算植被覆盖度的数据应保证观测与地表垂直.通常情况下,获得植被覆盖度的方法主要有地表实测和遥感监测2类.地表实测费时费力,而且植被覆盖度具有典型的时空分异特性,利用遥感手段获取植被覆盖度显示出了强大的优势,因此已成为目前的主要手段.对于现有的遥感手段而言,要保证对整幅图像中每一个像元(尤其在大幅面影像边缘)均垂直观测是几乎不可能的.而且现有的遥感植被覆盖度产品通常是基于一周甚至一月的观测数据计算合成得到,往往利用宽视场的遥感数据.因此,在使用遥感反演植被覆盖度时,就必须考虑观测角度效应问题.引起角度效应的因素除了植被的二向性反射特性之外,不同观测角度对应像元不同的采样面积,对于非均一地表这种面积引起的角度效应也非常显著,而面积误差在现有的植被覆盖度产品中很少被考虑. 对于地物的二向性反射问题,很多学者都曾深入研究过,发展了许多描述地物二向性反射和目标特征参数之间关系的模型,大致可分为物理模型(包括几何 光学模型、辐射传输模型、混合模型、计算机模拟模型)和经验模型.不同的模型适用于不同的地物类型.黄健熙[5]等使用Monte Carlo 方法模拟了作物冠层的辐射传输,结果表明,蒙特卡罗模型与实测二向性反射率分布函数(BRDF )较为吻合,蒙特卡罗模型可以作为其他作物冠层BRDF 前向模拟的有效验证工具. 面积误差问题目前鲜有文献提及.事实上,对于固定瞬时视场角(IFOV )的传感器来说,不同观测角度对应像元不同的采样面积,对于均一地表,这种面积差异引起的误差可以忽略,但是对于非均一地表,即使不考虑地物的二向性反射,这种面积差异也必然导致地表反射率的差异.因此,利用不同角度的观测估算的植被覆盖度必然存在差异. 在本文中,通过模拟考虑了植被冠层的二向性反射特性和由于像元的采样面积差异引起的角度效应及其引起的植被覆盖度估算误差.最后使用MODIS 地表反射率产品统计比较分析了均一像元和非均一像元的面积误差的表现以及引起的植被覆盖度估算误差. 1　作物冠层二向性反射对估算植被覆 盖度的影响 随着遥感技术应用的日益广泛,多角度传感器已非常普遍,多角度观测数据的优点是为反演地表生物物理参数提供了更多约束条件,但是由于地表的二向性反射特性,要定量地比较不同时间、不同观测角度获取的数据很困难,因此要有效利用多角度观测数据,必

植被覆盖度

《环境遥感》课间实习报告书 植被覆盖度遥感反演 ----线性分解模型 姓名朱柯杰 学号1310060111 专业班级遥感1301班 学院测绘科学与技术学院 日期2016年5月7 日

1.初步确定端元 打开影像，初步分析解译出影像具有三种端元，分别是：裸地、水体和植被。 2. 最小噪声分离变换 特征值越高，波段包含的有效信息越多，特征值越低，波段包含的噪声越多。通过MNF变换可以实现数据的降维，达到保留更多的有用信息，剔除更多的噪声。在做MNF变换的时候保留特征值最高的3个波段进行端元提取（波段数至少与端元数相等）Spectral->MNF Rotation->Forward MNF->Estimate Noise Statistics from Data，如图1所示 图1. MNF变换 变换后特征值曲线如图2所示

图2.MNF变换后特征值曲线 3. PPI指数计算 PPI指数是一种常用于多光谱和高光谱遥感数据纯净像元搜索的方法，整个过程包含多次搜索，标记每次搜索到的纯净像元，最终PPI 图像中每个像元值就是该像元被标记为纯净像元的次数，则像元值越高说明该像元越纯净，打开Spectral-> Pixel Purity Index->[FAST] New Output Band，输入MNF变换结果选择信息量较多的三个波段（1、2、3波段，也可以选上第4波段），如图3所示 图3 .PPI指数计算

PPI计算结果如图4所示 图4.PPI计算结果曲线 波段阈值选取ROI，选择PPI > 10，如图5所示 图5.波段阈值选取ROI 4.采用N维可视化进行端元确定 选择Spectral->n_Dimentional Visualizer->Visualize with New Data，选择1、2、3、4波段后可视化窗口中显示纯净像元的分布，如图6

植被覆盖度

本文对高分辨率QuickBird 影像的全色波段和多光谱波段进行了各种融合方法的试验。结果表明：Gram-schmidt 变换法和Pansharp 变换法在保持光谱信息方面的能力强于Brovey 变换法、IHS 变换法和PCA 变换法。综合考虑各评价参数，通过视觉效果比较 和定量分析可以得出：Gram-schmidt 变换法和Pansharp 变换法能够在提高原始多光谱影像的空间信息的同时尽可能地保持了多光谱影像的光谱信息，尤其以Gramschmidt 变换法对高分辨率QuickBird 影像的融合效果最好。高分辨率遥感影像融合应采用Gramschmidt方法。 本次工作获得的Qu ickb ird 卫星影像数据为预正射产品( O rtho Ready S tandard) , 带有RPC ( Rational Ploynom ial Coeffic ien,t 有理多项式系数)参数。由于工作区为中低山区峡谷区, 因此必须对Qu ickbird原始影像进行正射校正。由于获得的Qu ickb ird 数据为预正射产品, 采用有理函数模型( RationalFunction)[ 2 ] 来对Qu ickbird 原始影像进行正射校正, 即在PC IGeomatica遥感图像处理软件中采用Quickbird单景影像+ RPC + DEM + GCP 的模式, 对Quickb ird原始全色影像进行正射校正。DEM ( D igital E levat ionMode,l 数字高程模型)由数字地形图( DLG) 生成, GCP ( Ground Contro l Po in,t 地面控制点)通过GPS 实测获得。正射校正后的Qu ickbird影像满足1B1万重点调查的精度要求。研究去为山区应进行正射校正。 彩色合成波段组合为红色XS3、绿色XS2、蓝色XS1, 这种自然彩色合成方式比较符合人眼的视觉习惯, 有利于地质灾害目视解译, 然后与全色影像配准, 采用自动融合算法)，PANSHARP( Automatic ImageFusion)进行融合, 并对融合后的影像进行拉伸增强、对比度和亮度调整, 获得分辨率为0. 61m 的彩色校正图像。目的是获得彩色校正图像。配准融合后得到高分辨率彩色影像。 以Matlab为工具, 实现本文快鸟遥感图像的单波段去云处理，本文所提出的基于改进后同态滤波的像素级融合方法对云层实现了很好的去除, 与此同时无云区域地物背景区域的信息 也得到了相当不错的恢复, 纹理更清晰。Matlab去云方法。 未经处理的遥感影像数据在几何位置上会存在一定误差。一是传感器误差, 卫星在运行过程中会由于 种种原因产生飞行姿势的变化, 从而产生影像的几何畸变; 二是地形起伏引起的误差, 由于原始的 遥感影像是采用中心投影方式而获得的, 因此, 当存在地形起伏时, 局部像点会产生位移。数据产生误差的原因，也就是需要正射校正的原因。 生成正射影像的过程就是影像重采样的过程, 对重采样方式和重采样间隔的设定会影响到正射影像的 清晰程度。 由于标准等级影像校正采用的GTOPO30 DEM是一个较粗略的全球数字高程模型, 这种高程校正采用的DEM精度太低,所以不能称为正射校正。对于这种已经过DEM校正的产品来说,如果再次用DEM做校正,不 仅不会减少绝对定位误差,反倒会增大绝对定位误差。而对于预正射产品,比较适合进行正射校正,如 果利用高质量的DEM、亚米级精度的GCP点和随产品发布的RPC参数进行处理,可以达到很高的定位精度。标准等级影像不再适合正射校正，而预正射等级影像适合进行正射校正。 图像融合一般可以分为像素级融合、特征级融合和决策级融合三级。像素级融合的优点是能尽可能多地保持原始数据, 提供其他融合层次所不能或难于提供的细微信息。主要局限性有: 1、处理的数据量大、实时性差; 2、数据通信量较大, 抗干扰能力较弱; 3、配准精度要求高, 只能融合同类( 质) 传感器的图像;4、要克服低层次融合传感器原始信息的不确定性、不稳定性和不完全性, 必须在融合时有较高的纠错能力。影像融合简单分类。 常用的植被指数有归一化植被指数(NDVI) , 差值植被指数(DVI) , 比值植被指数( RVI) 和垂直植被指数( PVI )等。这些指数主要是通过将各波段反射率以不同形式进行组合来消除外在的影响因素, 这些线性组合或波段比值的指数满足特定的遥感应用[ 8- 9] 。DVI 绿地研究一般适用于Landsat MSS。RVI