本文介绍根据ENVI与ERDAS软件,对Landsat 7遥感印象数据加以单窗算法的地表温度(LST)反演操作。
1 原理部分与前期操作准备
首要,本文能够以为是对上一篇文章ENVI根据大气校对办法反演Landsat 7地上温度在反演算法与首要参数选取等两个方面的补充与改进。
现在首要的地表温度单波段反演算法包括大气校对法(又名辐射传输方程法,Radiative Transfer Equation,RTE)、单通道算法(Generalized Single Channel Method)和单窗算法(Mono-window Algorithm)。上面提及的那篇博客便是运用ENVI软件“Band Math”模块,根据大气校对法完成襄阳市地表温度的反演;而本次咱们更进一步,凭借ENVI软件和ERDAS软件,完成植被指数的反演与根据单窗算法的武汉市地表温度反演。其间,所运用的遥感印象均为Landsat 7 ETM+印象。
综上,本文的操作过程分为两个部分:首要是运用ERDAS软件“Model Maker”模块完成的植被指数反演,其次是相同运用“Model Maker”模块完成的单窗算法地表温度反演。其间,榜首个部分求出的NDVI指数将用于第二部分核算。
本文内容较为丰富。因而,为了更好理解整个试验的原理及过程,将本文过程、原理等梳理如下。
1.1 图画预处理
首要,针对植被指数反演,大致操作和我的前两篇博客相似——ENVI完成Landsat 7遥感印象预处理与不同大气校对办法比照以及ENVI根据大气校对办法反演Landsat 7地上温度,包括获取需求的遥感图画数据与元数据,并对其进行预处理过程——数据导入、辐射定标(包括可见光波段、近红外波段与短波红外波段)、波段组成、修正头文件、FLAASH大气校对等;这些预处理过程仍然是在ENVI软件中完成,详细操作办法亦与博客1相似。随后,与博客2在ENVI软件“Band Math”模块核算NDVI等植被指数不同,本次将经过预处理后的图画文件转入ERDAS软件中,裁剪并运用ERDAS软件“Model Maker”模块完成多种植被指数的反演。
其间,辐射定标需求分为两个过程,即对可见光波段、近红外波段与短波红外波段数据(1、2、3、4、5、7六个波段)与热红外波段数据(61、62两个波段)别离进行辐射定标。针对热红外波段数据的定标在后期ERDAS软件中进行。
1.2 植被指数反演
其次,需求核算NDVI(即Normalized Difference Vegetation Index,归一化植被指数,而非植被掩盖度)、RVI(即Ratio Vegetation Index,比值植被指数)与DVI(即Difference Vegetation Index,差值植被指数)等三个植被指数。
经过博客2咱们现已知道,NDVI是指一幅遥感印象中,近红外波段的反射值与红光波段的反射值之差比上这二者之和;其能够用来检测植被成长状况、植被掩盖度,还能够消除部分辐射差错等,能反映出植物冠层的布景影响。NDVI的详细取值规模严格约束在-1到1之间,其取负值表明地上掩盖为云、水、雪等,即对可见光具有较高反射;0值表明地上掩盖有岩石或裸土等,然后使得NIR(Near Infrared,近红外波段)和R(Red,红光波段)数值近似相等;其取正值则表明地上有植被掩盖,且地表植被掩盖度越高,其数值越高。在植被处于中、低掩盖度时,NDVI数值随掩盖度的添加而敏捷增大,而当到达必定掩盖度后增长缓慢;因而,NDVI适用于植被早、中期成长阶段的动态监测。
现在,在一些网站(如NASA官方网站)具有NDVI成品数据,可供咱们直接下载、运用;而经过初始遥感印象中的近红外波段数据和红光波段数据,咱们能够直接运用前述界说公式对其加以核算,即
而在核算NDVI时需求留意,所选用的原始遥感印象不能具有过多的云搅扰。
RVI又称“绿度”,是指一幅遥感印象中,近红外波段与红光波段的数值或反射率的比值。RVI与植物中LAI(Leaf Area Index,叶面积指数)、叶干生物量、叶绿素含量等方针密切相关,可作为一种绿色植物的活络指示参数,一起可用于检测和预算植物体生物量;其能较好反映植被掩盖度和成长状况的差异,特别适用于植被成长旺盛、具有较高掩盖度的植被监测。一般来说,绿色健康植被掩盖区域的RVI远大于1,而关于水体、裸土、不透水面等无植被掩盖地上,RVI值处在1邻近。其间,包括植被的地上的RVI值往往大于2。
另一方面,RVI遭到大气的影响较为剧烈,因而在核算准确的RVI数值时,需求预先进行大气校对,或运用两个波段的反射率加以核算。本文中,咱们将直接运用其界说公式核算RVI,即
DVI又称“农业植被指数”,是指一幅遥感印象中,近红外波段与红光波段的数值或反射率的差值。DVI对土壤布景的改变较为敏感,能够较好辨认植被和水体;其数值随生物量的添加而敏捷增大。本文中,咱们将直接运用其界说公式核算DVI,即
随后,咱们运用单窗算法完成武汉区域的地表温度反演。在博客2中,咱们运用大气校对法完成地表实在温度的反演;而这一办法因为需求将大气对地表热辐射的影响由卫星传感器所接收到的热辐射总量中减去,因而需求获取图画成像实时的研讨区大气剖面数据(如大气水分含量、大气压力等),以求出大气向上辐射亮度L↑、大气向下辐射亮度L↓等参数。而实时获取上述大气剖面数据是较为不易的,因而往往运用标准大气剖面数据代替实时大气剖面数据,对成果加以估量。因而,这样将使得得到的地表反演温度偏离正常值,发生必定差错。
1.3 单窗算法原理
单窗算法根据地表热辐射传输方程,不需求进行大气校对即可直接反演地表温度。这是因为NDVI是经过归一化处理的数值,大气影响对其核算差错并不是很大,一些文献直接运用热红外波段DN值核算NDVI。单窗算法公式如下:
其间,T_s为所求地表实在反演温度,T_b为热红外波段接收到的地表亮度温度,T_a为大气等效温度,其首要取决于大气剖面的气温散布及大气状况;在标准大气状况下,T_a与地上邻近气温(一般取地上2米处气温)T_0存在必定线性关系。现在,国内多位学者对这一详细的线性关系已有研讨,首要包括以下公式。
本次试验研讨对象为4月上旬的武汉市,因而能够直接运用表中“中纬夏日”或“全国夏日”对应公式;在此咱们挑选榜首个公式。其间,T_0取经历值20℃。
T_s核算式中-67.355351与0.458606为两个经历常量,C与D为中心变量,其核算公式别离为:
其间,为地表比辐射率,为大气透射率。
物体的比辐射率是物体向外辐射电磁波的能力表征,是指在同一温度下地表发射的辐射量与一黑体发射的辐射量的比值。其不仅依赖于地表物体的详细组成,而且与物体的外表状况(如外表粗糙度)及物理性质(如介电常数、含水量等)有关,并随着所测定的波长和观测角度等要素改变。对地表比辐射率的准确认量测量难度较大,因而同博客2共同,本文咱们仍然根据经历法对地表比辐射率加以估量:
由公式可知,不同的地物对应不同的地表比辐射率核算办法。在博客2中,咱们直接运用研讨区各个像元NDVI的取值估量其所对应的地表状况;这样的核算办法尽管简便,但会带来必定差错。因而,本次咱们挑选运用ERDAS软件中的“Supervised Classification”模块对水体、植被与修建等不同地物加以差异,然后进步分类精度。
其间,P_v为对应区域的植被掩盖度。植被掩盖度有如下两个不同的核算公式:
其间,〖NDVI〗_soil为裸土的NDVI数值,〖NDVI〗_vegetation为植被的NDVI数值。如果图画规模内有显着的茂盛植被区,则取这一区域的均匀NDVI作为〖NDVI〗_vegetation的值;同理,若图画规模内有显着的裸露土地,则可取这一区域的均匀NDVI作为〖NDVI〗_soil的值。一般地,咱们亦能够令〖NDVI〗_vegetation为经历值0.7,〖NDVI〗_soil为经历值0.05;NDVI超出〖NDVI〗_vegetation时,咱们能够以为其为植被掩盖区域,P_v为1;NDVI低于〖NDVI〗_soil时,咱们能够以为其为裸土、水体等,P_v为0。
针对上述P_v的两个不同核算公式,有文献指出榜首个公式得到的地表实在温度反演成果偏高,建议运用第二个公式;而亦有文献并未对两种不同公式加以优劣评价。
大气透射率首要取决于大气水分含量。大气含水量为卫星过境时地上邻近(一般取地上2米处)的大气含水量。关于夏日而言,不同的大气含水量对应不同的核算公式:
本次试验中,大气含水量取经历值2.0。
热红外波段接收到的地表亮度温度T_b即相当于对热红外波段进行辐射定标后,再进一步处理的成果。本次试验所用Landsat 7 ETM+印象的热红外低增益波段(即B61)、高增益波段(即B62)别离对应如下不同的两个定标公式:
经过上述公式核算得出的是对应波段的热辐射强度L_ℷ,还需求进行下一步核算才能够转化为地表亮度温度T_b。其间,两个热红外波段对应的地表亮度温度核算公式共同:
2 实践操作部分
2.1 数据导入与辐射定标
(1) 将图画压缩包文件(本文选用“LE71230392003097EDC00.tar.gz”,详细图画数据的下载等网上资源许多,大家自行查阅即可,不再赘述)解压缩;翻开ENVI Classic 5.3(64-bit)软件,挑选“File”→“Open Image File”,在弹出的文件挑选窗口中别离选中压缩包中后缀名包括“B10”“B20”“B30”“B40”“B50”“B70”的六个“.tif”格局文件;点击“翻开”。
(2) 挑选“Basic Tools”→“Preprocessing”→“Calibration Utilities”→“Landsat Calibration”,在弹出的文件挑选窗口中挑选一个波段的图画。
(3) 在弹出的特点装备窗口中调整待定标卫星图画对应的传感器、数据获取日期、太阳高度角、对应波段数、电磁波类型(辐射或反射)、文件存储办法及地址等信息。其间,与卫星有关的信息能够由卫星图画的元数据信息中获取。
(4) 履行上述操作共六次,然后对压缩包中1、2、3、4、5、7六个波段的图画均进行辐射定标操作。
2.2 波段组成
(1) 挑选“Basic Tools”→“Layer Stacking”,在弹出的文件挑选窗口中挑选经过辐射定标后的六个波段的图画。
(2) 挑选后,需求调查六幅图画在待组成文件列表中的摆放次序。因为后期咱们需求对组成后的图画各个波段的信息进行折线图办法的剖析操作,因而需求将待组成文件依照“中心波长值”由小至大的次序摆放。点击“Reorder Files”即可完成这一功用。
(3) 次序摆放结束后,查看投影信息等无误后,点击“OK”即可开端组成操作。
2.3 修正头文件
(1) 在“Available Bands List”文件列表中右键挑选波段组成后的成果文件,挑选“Edit Header”功用。
(2) 挑选“Edit Attributes”→“Wavelengths”,依照图画各个波段原有中心波长信息对兼并后图画各个波段的波长信息进行修正,并留意将数据单位修正为“Micrometers”。详细见上图。
2.4 转化文件数据格局
(1) 挑选“Basic Tools”→“Convert Data (BSQ,BIL,BIP)”,在弹出的文件挑选窗口中挑选经过波段组成、修正头文件操作后的成果图画,点击“OK”。
2.5 FLAASH大气校对
(1) 挑选“Basic Tools”→“Preprocessing”→“Calibration Utilities”→“FLAASH”,在弹出的转化因子窗口中挑选第二项,即单一因子适用于一切波段的状况。因为咱们本次所运用数据原有光谱数值为标准单位,即(W)/m2 *m *rad,为了将这一单位换为FLAASH办法所能运用的单位,咱们需求将转化因子设定为10.00。
(2) 在随后弹出的装备对话框中,首要挑选输入图画文件、输出图画文件目录及称号,一起根据遥感印象的元数据,装备其间心点经纬度、传感器类型(传感器类型一旦选定,体系将会自动匹配传感器高度与像元大小这两个参数)、飞行时刻;一起根据实践研讨区的状况,装备均匀海拔高度这一选项;其次,挑选合适的地球大气模型和气溶胶模型。其间,地球大气模型需求根据一张标准查找表确认,气溶胶模型则根据研讨区域实践状况加以确认。前期操作时,设置FLAASH大气校对参数如下;但后期发现这样的设置有问题。详细更改附在本文2.9部分,大家有需求能够直接暂时越过本部分进入2.9部分查看问题所在。
(3) 接下来,挑选“Multispectral Settings”。当根本设置中设置了水汽反演模型和气溶胶模型时,咱们需求相应地将多光谱相关特点加以装备,装备结束后点击“OK”。
(4) 悉数设置结束后,能够点击右下角的“Save”按钮,然后将本次关于FLAASH办法的悉数特点装备保存;在后期若对相同的遥感数据进行相同的操作时,保存特点装备能够免除屡次重复调整相关参数的工作,然后进步功率。
(5) 点击“Apply”,将会开端履行FLAASH大气校对。得到成果后,相同得到一份成果日志。
2.6 图画格局转化
经过ENVI软件的FLAASH大气校对后,得到的成果图画并不能直接被ERDAS软件所辨认,咱们需求将其转化为“.img”等格局文件。需求留意的是,不要转化为“.tif”格局的文件,不然图画文件将会丢失其原有的空间信息。
(1) 挑选“File”→“Save File As”→“ERDAS IMAGINE”,在弹出的文件转化挑选窗口中挑选经过FLAASH大气校对后的成果图画,点击左下角“OK”。
(2) 在弹出的转化文件特点装备窗口中设置,装备好成果图画文件保存途径、保存文件名等。
(3) 如本文榜首部分原理部分所示,单窗算法亦能够运用未经过辐射定标与大气校对的数据核算NDVI数值。本次试验需求比较经过与不经过大气校对得到的植被指数的差异,因而在将FLAASH大气校对后的成果图画转化结束后,还需求将未经过大气校对、转化过数据存储格局的“BIL”格局文件相同转化为“ERDAS IMAGINE”格局文件。
2.7 EDRDAS文件导入与裁剪
经过上述过程得到的“.img”格局文件规模为江汉平原,全体区域面积较大,文件数据量多;而咱们温度反演的方针区域仅为武汉市。因而,咱们需求凭借武汉市AOI(Area of Interest)文件,将本来的江汉平原区域裁剪为武汉市区域。
(1) 翻开ERDAS IMAGINE 2015软件,在黑色图层窗口区域右键,并挑选“Open Raster Layer”在弹出的文件翻开挑选窗口中挑选经过FLAASH大气校对后的“.img”成果图画,点击右上角“OK”。ERDAS软件挑选文件时,能够凭借“Recent”和“Goto”功用,挑选最近操作的文件夹途径或文件。
(2) 挑选“Raster”→“Subset & Chip”→“Create Subset Image”,在弹出的文件裁剪装备窗口中挑选经过FLAASH大气校对后的“.img”成果图画,装备输出文件途径和文件名,并挑选输出图画文件格局为“Float Single”,在下方“AOI”选项中挑选武汉市AOI文件,点击左下角“OK”选项。
2.8 植被指数模型树立
正如榜首部分原理所述,本文和博客2在ENVI软件“Band Math”模块核算NDVI等植被指数不同,本次将经过预处理后的图画文件转入ERDAS软件中,裁剪并运用ERDAS软件“Model Maker”模块完成多种植被指数的反演。
一般地,ERDAS模型能够分为“输入文件”“处理函数”与“输出文件”三个部分,较为杂乱的模型能够具有多个“处理函数”,并需求随之增添若干“中心文件”;各个部分之间由连接线相连,以表明模型的运转次序与流程。模型装备结束后,调试无误即可将模型保存,利于后期持续运用同一模型。一起还能够保存模型对应的脚本代码文件。经过本次试验,能够看到保存脚本代码文件关于较为杂乱(具有多个函数)的模型报错查看具有很大协助。
(1) 挑选“Toolbox”→“Model Maker”→“Model Maker”,在弹出的New_Model窗口中装备模型。
(2) 别离树立三个模型,输入文件均为经过剪裁的武汉市大气校对图画,输出文件别离对应NDVI、RVI与DVI图画文件,而处理函数则别离运用本文榜首部分对应的不同植被指数核算公式。调试无误后别离保存模型文件。
(3) 需求留意的是,本次试验涉及到小数核算较多,需求在装备模型输入文件与输出文件时留意挑选“Float”格局,然后防止核算成果被四舍五入的状况。
(4) 多个单一模型调试无误并保存后,能够将其兼并在一个新的模型中,然后完成多个操作一步完成。
2.9 大气校对调试
经过上述模型得到NDVI等植被指数的数据图画后,对图画的数值加以调查。此时留意到,所得到的NDVI图画中呈现了较多小于-1的值。随后立即回来ENVI软件对大气校对成果图画数值加以查看,发现其间呈现了较多负值。
一般地,FLAASH大气校对成果中多存在部分负值状况,尤其是高分辨率图画数据。这些负值像元经常散布在校对后图画中的阴影、水体及边缘等区域,蓝色波段也常常会呈现负值像元较多的状况。
而如果负值较多,如负值像元个数占图画总像元数量的5%以上,有为不正常状况,往往可能是数据本身、参数设置等方面要素形成过错的校对成果。
(1) 经过ENVI软件中“Quick Stats”模块,能够看到我的大气校对成果榜首波段数据中,数值小于等于-6的像元个数现已占有了全图的近32%部分,即呈现的负值较多。
(2) 因为本次试验原始数据固定,因而推测是FLAASH大气校对参数设置呈现问题。对FLAASH大气校对成果图画加以调查,发现植被、水体等全体光谱曲线并没有较大问题。
(3) 再次回到ERDAS软件,发现得到的NDVI成果图画中,呈现小于-1的数值的像素并不是许多,只是占有全图的很小一部分。经过屡次测验,发现FLAASH大气校对参数中均匀海拔似乎与之相关——若所选用的均匀海拔较低,就没有呈现NDVI数值小于-1的状况;而均匀海拔若设置过大,往往呈现了NDVI数值小于-1的状况。因而,决议测验将FLAASH大气校对参数中的海拔加以调节,并将得到的成果与之比照。
(4) 将均匀海拔调低一些后,从头进行FLAASH大气校对,发现得到的NDVI成果仍然会呈现一些小于-1的数值。再次回来FLAASH参数界面,考虑到本次试验终究的研讨区域为武汉市,因而将气溶胶模型由Rural调整为Urban,并将均匀海拔持续加以微调。从头进行FLAASH大气校对,发现得到的成果现已恢复正常,不存在小于-1的异常值。
(5) 运用验证数据无误的FLAASH大气校对成果图画从头核算各类植被指数。
2.10 地表亮度温度核算
(1) 挑选“Toolbox”→“Model Maker”→“Model Maker”,在弹出的New_Model窗口中装备模型。
(2) 别离树立两个模型,输入文件别离为两个热红外波段(B61与B62)图画,输出文件别离为对应波段图画文件所代表的地表亮度温度数据文件,而处理函数则别离运用本文榜首部分对应的热红外波段辐射定标、亮温核算公式。其间,因为公式较为杂乱,能够对每一个模型均运用多个“处理函数”及中心图画文件。调试无误后别离保存模型文件。
(3) 多个单一模型调试无误并保存后,能够将其兼并在一个新的模型中,然后完成多个操作一步完成。
(4) 在将悉数模型兼并后,运转呈现报错。因为模型全体牵涉到的过程较多,可能无法立即定位出呈现过错的详细方位。此时有两个办法能够较好找到犯错的方位:一是能够结合资源管理器中现已呈现的中心文件,找出榜首个未生成的中心文件,则犯错的句子多数就集中于这一榜首个未呈现的中心文件函数处;二是能够直接将模型对应的脚本文件导出,并用记事本翻开,根据报错信息中提示的行数确认详细呈现问题的方位,并再回到ERDAS软件“Model Maker”模块中找到对应函数修正。
(5) 终究得到两个热红外波段对应的辐射定标、地表亮度温度核算公式模型。
2.11 监督分类
好像本文榜首部分原理所述,本次试验咱们是用监督分类办法差异水体、植被与修建物,然后完成愈加准确的地表植被掩盖度核算。监督分类仍然在ERDAS中完成。
(1) 挑选“Raster”→“Supervised”→“Supervised Editor”,在弹出的AOI区域显现表中能够看到,此时还没有添加进入任何AOI,表格中处于空白状况。
(2) 别离根据水体、植被与修建物,在图画中划定区域。每一种地表类型需求划出尽可能多的AOI,以期进步终究监督分类的作用与准确度。其间,需求将每一个水体区域都标示。
(3) 每划定一个AOI,便添加进入“Supervised Editor”中;同一地物类型的AOI添加结束后,对这一类型的悉数AOI加以兼并,并赋以一个易于辨认的Value值。
(4) 其间,能够凭借武汉市卫星地图印象对详细地物类别加以详细差异。但应留意,咱们所运用的遥感印象为2003年的数据,而卫星印象数据成像时刻相对较为挨近咱们现在的时刻。因而,运用卫星印象亦只能够作为一种参阅。
(5) AOI区分结束后,保存。挑选“Raster”→“Supervised”→“Supervised Classification”,在弹出的监督分类装备窗口中装备输入文件、输出文件与用于指定区域地表类型的AOI文件。
(6) 上图为验证监督分类成果精度的DISTANCE文件,其间间隔数值即为该像素数值与详细分类对应类别的距离。这一文件能够衡量终究监督分类的作用。
2.12 植被掩盖度与地表比辐射率核算
如本文榜首部分原理所示,本次试验核算地表比辐射率的办法不再采用NDVI区分地表类型的办法,而是运用更为准确的上述监督分类成果。
(1) 挑选“Toolbox”→“Model Maker”→“Model Maker”,在弹出的New_Model窗口中装备模型。
(2) 需求留意,当NDVI大于0.7或小于0.05时,对应的地表植被掩盖度别离取1和0。若不留意这一过程,会使得得到的植被掩盖度图画数值超出0-1这一边界。
(3) 对得到的地表植被掩盖度文件数值加以查看,确认无误。
(4) 运用求得的地表植被掩盖度文件进一步求出地表比辐射率,此实需求用到上述监督分类成果。
2.13 大气参数核算
(1) 根据本文榜首部分原理,核算大气等效温度与大气透射率等方针。
(2) 随后,求出终究地表实在温度反演公式中的中心变量C与D。
2.14 地表实在温度反演
(1) 根据本文榜首部分原理,以及核算求得的大气等效温度与大气透射率等方针,结合中心变量C与D,核算求出终究的地表实在温度反演成果。
(2) 运用上述树立好的模型,重复履行操作,核算出另一热红外波段对应的地表实在温度反演成果。
(3) 纵观本文所运用的悉数模型,能够看出模型能够极大便利本来零散的单一操作。
3 成果剖析
3.1 大气校对对植被指数的影响
(1) 别离运用经过大气校对和未经过大气校对的图画核算NDVI、RVI与DVI指数,得到成果比照如下。
(2) 上图左边为经过FLAASH大气校对后的图画NDVI信息,右侧为未经过FLAASH大气校对的图画NDVI信息。在数值上,能够看出经过FLAASH大气校对的NDVI数值规模较大,其最小值、最大值别离小于、大于未经过大气校对的NDVI;经过大气校对后NDVI的均匀值、中位数与众数均大于未经过大气校对的数值,但二者上述三个方针均小于0;经过大气校对后得到的NDVI数据标准差较之未经过大气校对的数据大。在直方图上,经过大气校对后的NDVI数据散布显着较之未经过大气校对的数据平滑,除-0.65左右处有稍许动摇外,其余部分全体较为安稳;未经过大气校对的NDVI数据动摇较大,尽管全体趋势和前者共同,但其细节处的崎岖非常显着,尤其是0.25左右处。除全体趋势外,经过大气校对与不经过大气校对的NDVI在峰值、谷值等方面亦较为共同。
(3) 上图左边为经过FLAASH大气校对后的图画RVI信息,右侧为未经过FLAASH大气校对的图画RVI信息。在数值上,能够看出经过FLAASH大气校对的RVI数值规模相同较大,其最小值、最大值别离小于、大于未经过大气校对的RVI,尤其是最大值显着大于后者最大值;经过大气校对后RVI的均匀值、中位数与众数相同均大于未经过大气校对的数值,尤其是均匀值与中位数,前者显着大于后者,而众数相差相对较小;经过大气校对后得到的RVI数据标准差较之未经过大气校对的数据显着大。在直方图上,经过大气校对后的RVI数据散布相同显着较之未经过大气校对的数据平滑,全体部分较为安稳;未经过大气校对的RVI数据动摇较大,尽管全体趋势和前者共同,但其细节处的崎岖非常显着,尤其是1.00左右处具有显着动摇。除全体趋势外,经过大气校对与不经过大气校对的RVI在峰值、谷值大致方位等方面亦较为共同,但其极值在详细数值上相差显着较之前述NDVI的距离要大。
(4) 上图左边为经过FLAASH大气校对后的图画DVI信息,右侧为未经过FLAASH大气校对的图画DVI信息。在数值上,能够看出经过FLAASH大气校对的DVI数值规模非常显着大于未经过大气校对的DVI数值,其最小值、最大值别离显着小于、大于未经过大气校对的DVI,其间的距离极端显着,相差可达两个数量级;经过大气校对后DVI的均匀值、中位数与众数相同均显着大于未经过大气校对的DVI数值,二者在上述三个方针之间的距离相同到达一个数量级以上;经过大气校对后得到的DVI数据标准差较之未经过大气校对的数据亦显着大。在直方图上,经过大气校对后的DVI数据散布相同显着较之未经过大气校对的数据平滑,全体部分较为安稳;未经过大气校对的DVI数据动摇较大,尽管全体趋势和前者共同,但其细节处的崎岖非常显着,尤其是大于0部分处具有显着动摇。除全体趋势外,经过大气校对与不经过大气校对的RVI在峰值、谷值大致方位等方面亦较为共同,但共同性显着小于NDVI与RVI。关于上述大气校对对DVI数值如此显着的影响,我以为或许就是在FLAASH大气校对时拉伸了原有图画像元取值的全体排布,别离扩展、降低了第三、第四波段对应的最大值与最小值,然后使得两个波段数值做差之后得到的成果进一步呈现较大距离。从中也能够看出,用归一化后的DVI数值,即NDVI来展现植被状况是有必要的。
(5) 归纳大气校对对上述三种植被指数的数值、散布等影响,能够看出如下几点:首要,大气校对拉伸了各个不同植被指数的数值规模,或许能够以为相当于提高了研讨植被的“分辨率”,将各个不同区域之间植被状况的微小距离加大,便于研讨;其次,大气校对使得各植被指数散布愈加安稳,减少了不必要的动摇与异常值,愈加便利做定量的遥感研讨。
3.2 各类植被指数比照剖析
(1) 上述三种植被指数在数值与散布等方面的六张成果直方图已在前一部分展现。由上述试验及成果图能够看出,在数值散布上,各类植被指数在散布方面的趋势大致是共同的,例如以上六张直方图中能够显着看到,其各自波峰、波谷的走势,以及升高、降低的方位等全体均较为近似。在详细数值上,三种植被指数具有较大的差异,NDVI将取值规模严格约束在-1至1之间,全体数值小,有利于核算,尤其有利于ERDAS软件、ENVI软件等这些需求手动输入模型或波段公式的操作平台;DVI作为NDVI归一化前的数值,其数据规模较大,除了形成不必要的核算杂乱度外,还可能使得不同其它运算对其数值发生较大影响——例如本次试验中FLAASH大气校对对DVI数值的影响非常之大。RVI作为三者中仅有一个不存在做差运算的植被指数,数值散布规模大于NDVI,但显着小于DVI。
(2) 上述三种植被指数在公式核算、代表含义等方面的差异已在本文榜首部分原理中提现。
(3) 经过对三种不同植被指数在同一地表方位的屡次比较,能够看出:NDVI图画全体相对较为亮堂,DVI较暗,而RVI明度最暗。NDVI针对不同地物,如不同植被掩盖度的植被、植被与水体、植被与修建物等的差异度最大,RVI关于上述这些不同品种的地物差异程度较低,DVI居于二者之间。关于农田等精细的植被散布,相同是NDVI具有最好的辨识作用,RVI作用不显着。在本文榜首部分中说到,RVI普遍对植被掩盖度较高的地物具有较好的差异能力,这和得到的成果共同。
3.3 热红外波段温度反演比照剖析
(1) 上图左边为热红外低增益波段(即B61)反演得到的地表温度成果,右侧则为热红外高增益波段(即B62)反演得到的地表温度成果。在数值上,能够看到,低增益波段反演得到的地表温度成果显着大于高增益波段,其最小值、最大值与均匀值均大于高增益波段。此外,低增益波段反演温度的中位数亦略低于高增益波段。而低增益波段反演温度的众数略小于高增益波段。在数值散布上,根据直方图能够看出二者均有部分异常值,其间,偏小的异常值在数值上较为近似,均在2.2至2.3℃左右;而二者的偏大异常值距离较大,低增益波段反演温度较大的异常值高出高增益波段14℃左右。由全体来看,高增益波段得到的温度反演成果较之低增益波段低一些。结组成像时刻,为武汉市四月上旬的凌晨,结合上述成果,可知低增益波段与高增益波段得出的温度反演成果均有些偏大;其间,高增益波段得到的温度反演成果更挨近实践温度一些。
3.4 专题地图制造
随后即可根据博客2中的办法制造专题地图。
3.5 地表实在温度反演专题地图及空间散布差异
(1) 将热红外低增益波段与高增益波段得到的温度反演成果制造专题地图,如以上两图所示。
(2) 结合武汉市地表温度反演成果,能够得到如下温度空间改变成果。能够看出,武汉市成像时大部分区域气温首要处于18℃至24℃这一规模内。其间,乔木植被集合区域温度大多为18℃至21℃之间,即图中的浅绿色区域;农田、灌木等植被集合区温度较之乔木较高,约在21℃至24℃之间,即图中的浅黄色区域。水体温度多处于18℃以下规模,其间,长江全段大部分区域及后湖、东湖、严西湖、南湖、汤逊湖、黄家湖远岸处水体温度低于15℃,其余大部分水体散布于15℃至18℃区间内。
(3) 城镇区域温度最高,多集中于24℃至30℃区间内,部分人口密集区域温度乃至可达30℃至33℃规模。其间,江汉区大部分区域、汉阳区北部与南部、武昌区与洪山区沿长江一线、青山区东南角武汉火车站一带为城镇中温度显着较高区域,大多数处于27℃左右。而在武汉火车站邻近、硚口区三环线东侧与汉阳区江汉大学及东风大路、神龙大路与车城东路汽车产业集合区一带,呈现了全图中的最高温,其温度高于33℃。大规模区域温度最高的区域呈现在长江西岸、汉阳区与江岸区交界处。此外,因为区分温度类别较细,还能够看到长江、汉江上温度略高于水体的诸多桥梁。
(4) 全体来看,成像时武汉市高温区域首要集中于长江西岸、汉江北岸的江岸区、硚口区大部分区域,长江东岸沿线武昌区西侧区域,以及青山区西南区域;这些区域普遍温度较高。而关于天兴乡南侧、青山区西南、武汉火车站、汉阳区江汉大学及汽车工业园区区域,其大规模内的全体温度虽没有上述区域高,但个别区域小规模内温度到达城市最高值。此外,武汉市北部大部分区域、东南大部分区域、西南部分区域温度全体偏低。
4 一些考虑
4.1 影响单窗温度预算差错的首要要素有哪些?
地表辐射率。单窗算法需求用到地表比辐射率这一参数,而咱们在温度反演的过程中往往是采取经历法的办法,别离为水体、植被和修建物地表赋以不同的比辐射率数值,这一过程难免会发生对终究成果的差错。
植被掩盖度。核算地表比辐射率时需求共同植被掩盖度。咱们将现实中植被掩盖度这一本来遭到多种要素影响、并无准确规则可言的方针模型化,经过公式核算,自然会带来必定差错。
对不同地物类别的区分。不同地物类别(即水体、植被与修建物)影响到将采取哪一个公式核算该像元上对应的地表比辐射率;本文由将NDVI作为区分根据转变为将监督分类作为区分根据,精度有很大提高,但仍然存在必定差错。
大气等效温度。咱们经过公式将地上邻近气温转化为大气等效温度,无形中相同引入一些差错。
大气透射率、大气含水量。大气含水量决议大气透射率,而大气透射率影响终究地表实在温度反演公式;因而二者均会对温度反演成果发生精度影响。
NDVI与大气校对成果。由本文的成果能够看到,运用不同大气校对参数及不同的大气校对成果影响NDVI数值,而NDVI数值影响植被掩盖度。当然,单窗算法能够不对波段数据加以大气校对处理,若不进行大气校对,所得到的NDVI成果将会只要一个确认的值,然后防止这两个要素带来的差错。
4.2 ERDAS软件建模过程需留意哪些问题?
首要,关于建模输入与输出文件的图画数据精度格局需求留意,要选用浮点(即“Float”)类型。因为一般的波段运算操作往往会牵涉到许多精细的小数核算,若将图层保存为整形的数据格局,自然会带来巨大的模型核算差错。
其次,关于模型中的处理函数,若所涉及的公式较为杂乱,最好将公式拆开,多设置一些中心图层。这样能够有效减少公式输入过错带来的报错排查难度。 再次,关于一个连贯的操作(如本文中核算地表植被指数、反演地表实在温度等),能够在多个小公式确认无误后,将其连接起来,组成一个完整的核算模型。完整的模型将非常有利于后期重复工作,可将本来需求点击屡次的操作简化。
随后,需求更好运用模型中的脚本语言文件,可凭借其愈加明晰的表达来查看模型的报错。如本文陈述中说到的,导出的脚本文件代码语言愈加整齐、明晰,较之模型模块中函数修正窗口愈加简洁,能够有效地找出代码过错。
最后,或许是因为软件等原因,部分模型在榜首次运转之后,若直接对其修正,可能会呈现得到全白色成果图的状况。此时需求将原有模型删去,从头树立。