遥感数字影像处理 薛云 湖南城市学院城市建设系 2008.9.1.

Presentation on theme: "遥感数字影像处理 薛云 湖南城市学院城市建设系 2008.9.1."— Presentation transcript:

1 遥感数字影像处理 薛云 湖南城市学院城市建设系

2 遥感影像的地理特征提取 植被特征的提取 居民点特征提取 水体信息提取 土壤遥感 高光谱遥感 作物估产

3 1 植被特征的提取 植被调查是遥感的重要应用领域。植被是环境的重要组成因子，也是反映区域生态环境的最好标志之一，同时也是土壤、水文等要素的解译标志。个别植物还是找矿的指示植物。 植被解译的目的是在遥感影像上有效地确定植被的分布、类型、长势等信息，以及对植被的生物量作出估算，因而可以为环境监测、生物多样性保护、农业、林业等有关部门提供信息服务。

4 1.1 植物的光谱特征 健康绿色植物的反射光谱特征 叶绿素的吸收波段 水的吸收 绿叶的反射率

5 影响植物光谱的因素 叶子的颜色：植物叶子中含有多种色素，在可见光范围内，其反射峰值落在相应的波长范围内。 叶子的组织构造 叶子的含水量
植物覆盖程度

6 不同植被类型，由于组织结构不同，季相不同，生态条件不同而具有不同的光谱特征、形态特征和环境特征，在遥感影像中可以表现出来。
不同植物类型的区分 不同植被类型，由于组织结构不同，季相不同，生态条件不同而具有不同的光谱特征、形态特征和环境特征，在遥感影像中可以表现出来。 不同植物由于叶子的组织结构和所含色素不同，具有不同的光谱特征。茂密的草本植物在可见光区低于阔叶树，而在近红外光区高于阔叶树。阔叶树叶片中的海绵组织使得它在近红外光区的反射明显高于没有海绵组织的针叶树。在0.8～1.1微米的近红外光影像上，可以有效地区分出针叶树、阔叶树和草本植物。

7 利用植物的物候期差异来区分植物，也是植被遥感重要方法之一。最明显的是冬季时，落叶树的叶子已经凋谢，叶子的色素组织都发生变化，在遥感影像上显示不出植物的影像特征，无论是可见光区和近红外光区，总体的反射率都下降，蓝光和红光的吸收谷都不明显。而常绿的树木仍然保持植物反射光谱曲线特征，两者很容易辨别。同一种植物在不同季节的光谱特征有明显的变化；不同的植物生长期不同，光谱特征的变化也是不一样的。因此通过各种植物的物候特征，生长发育的季节变化，可以利用有利时机，识别植物的种类。

8 根据植物生态条件区别植物类型。不同种类的植物，有不同的适宜生态条件，如温度条件、水分条件、土壤条件、地貌条件等等。这些条件在一个地区综合地影响着植被的分布，但其中的主导因素起着重要的作用。
受温度的限制，不同地理地带生长着不同的植物，在同一地理地带受海拔高度的影响，形成不同的温度-湿度组合和植被类型。

9 在高分辨率遥感影像上，不仅可以利用植物的光谱来区分植被类型，而且可以直接看到植物顶部和部分侧面的形状、阴影、群落结构等，可比较直接地确定乔木、灌木、草地等类型，还可以分出次一级的类型。
草本植物在高分辨遥感影像上表现为大片均匀的色调，由于草本植物比较低矮因而看不出阴影。 灌木：遥感影像呈不均匀的细颗粒结构，一般灌木植株高度不大，阴影不明显。 乔木：形体比较高大，有明显的阴影，根据其落影可看到其侧面的轮廓。从乔木的树冠也可明显地识别出其阳面和阴面（本影）以及树冠的形状，并结合其纹理结构的粗细，明确区分出针叶树和阔叶树，甚至具体的树种。

10 植物生长状况的解译 如前所述，健康的绿色植物具有典型的光谱特征。当植物生长状况发生变化时，其波谱曲线的形态也会随之改变。如植物因受到病虫害，农作物因缺乏营养和水分而生长不良时，海绵组织受到破坏，叶子的色素比例也发生变化，使得可见光区的两个吸收谷不明显，0.55微米处的反射峰按植物叶子被损伤的程度而变低、变平。近红外光区的变化更为明显，峰值被削低，甚至消失，整个反射光谱曲线的波状特征被拉平。因此，根据受损植物与健康植物光谱曲线的比较，可以确定植物受伤害的程度。 健康植物 轻微受损 严重受损

11 遥感植被解译的应用 遥感植被解译有极为广泛的用途，资源卫星都把植被的探测作为重要的目标，无论是传感器波段的选择或是重复周期（时相分辨率）的选择都充分考虑植被的生长规律。 植被制图 城市绿化调查与生态环境评价 草场资源调查 林业资源调查 ……

12 遥感植被解译的应用 植被制图：应用遥感影像进行植被的分类制图，尤其是大范围的植被制图，是一种非常有效而且节约大量人力物力的工作，已被广泛的采用。在我国内蒙古草场资源遥感调查，“三北”防护林遥感调查、水土流失遥感调查、洪湖水生植被调查、洞庭湖芦苇资源的调查等等研究中，都充分利用了遥感影像，其制图精度超过了传统方法。此外，在湖北的神农架地区以及湖北、四川部分地区的大熊猫栖息地的调查中，利用遥感影像把大熊猫的主要食用植物箭竹与其他植物区别开来，从而为圈定大熊猫的栖息地起到了重要的作用。

13 遥感植被解译的应用 城市绿化调查与生态环境评价：改善城市的生态环境，提高城市绿化水平是我国城市生态建设的重要问题。近20年来，我国应用高分辨率遥感影像进行城市绿化调查已取得了显著的成效。我国的几个主要特大城市都进行过这方面的工作，上海市曾在航空遥感综合调查中，通过遥感影像解译与野外实测相结合找出遥感影像特征与植株高度、胸径的关系，提出“三维绿化指数”或“绿量”指标，以代替原先的“绿化覆盖率”指标来评价城市绿化水平。相同面积的草地、灌木和乔木具有相同的“绿化覆盖率”，但具有不同的“绿量”，其中，乔木具有最高的“绿量”，而草地的绿量最小，同样面积的乔木制氧和净化空气的效率为草地的4～5倍。这对改善城市生态建设和管理的理论和实践都有重要指导意义。

14 遥感植被解译的应用 草场资源调查：牧草的产量与长势的好坏直接相关，而产草量是载畜量的决定因素。我国在内蒙古草场、天山北坡草场等遥感综合调查中，应用遥感技术确定草场类型，进行草场质量评价。内蒙古草场资源遥感结合地面样点光谱测量数据，指出比值植被指数与产草量有良好的关系，计算草场总产草量。在具体工作中还可以划分出不同草场类型，不同产草量等级，分别确定合理的载畜量。

15 遥感植被解译的应用 林业资源调查：林业部门是我国采用遥感技术进行资源调查最早的部门之一，在我国的各大林区都应用过遥感影像制作森林分布图、宜林地分布图等，并对林地的面积变化进行动态监测。其中尤其是1987—1990年之间全面开展的“三北”防护林遥感综合调查的重点科技攻关项目，对横贯我国的东北、华北和西北已建的防护林网的分布、面积、保存率和有效性进行评估。在调查研究中采用陆地卫星TM影像，国土卫星影像和试点区的航空遥感影像进行解译，制作了林地分布、立地条件、土地利用、土地类型等多种专题图。通过调查还对防护树种结构等问题提出了改进的建议。这项调查的成果，为我国“三北”防护林建设的科学决策提供依据，有效地促进了遥感的实用化。

16 2 水体信息自动提取 水体的光谱特征 NOAA AVHRR图像上的水体提取 Landsat TM图像上的水体提取
Radarsat SAR图像上的水体提取

17 水体信息自动提取 水体遥感监测的主要任务是通过对遥感影像的分析,获得水体的分布、泥沙、有机质等状况和水深、水温等要素的信息，从而对一个地区的水资源和水环境等作出评价，为水利、交通、航运及资源环境等部门提供决策服务。

18 水体的光谱特征 太阳光照射到水面，少部分被水面反射回空中，大部分入射到水体。入射到水体的光，又大部分被水体吸收，部分被水中悬浮物（泥沙、有机质等）反射，少部分透射到水底，被水底吸收和反射。被悬浮物反射和被水底反射的辐射，部分返回水面，折回到空中。因此遥感器所接收到的辐射就包括水面反射光、悬浮物反射光、水底反射光和天空散射光。由于不同水体的水面性质、水体中悬浮物的性质和含量、水深和水底特性等不同，从而形成传感器上接收到的反射光谱特征存在差异，为遥感探测水体提供了基础。

19 水体的光谱特征 在可见光范围内，水体的反射率总体上比较低（一般为4%～5%），并随着波长的增大逐渐降低，到 0.6微米处约2%～3%，过了0.75微米，水体几乎成为全吸收体。因此，在近红外的遥感影像上，清澈的水体呈黑色。为区分水陆界线，确定地面上有无水体覆盖，应选择近红外波段的影像。水体在微波1mm～30cm范围内的发射率较低，约为0.4%。平坦的水面，后向散射很弱，因此侧视雷达影像上，水体呈黑色。故用雷达影像来确定洪水淹没的范围也是有效的手段。 黄河水（泥沙含量960mg/L) 长江水（92.5mg/L) 湖水（47.9mg/L)

20 水体的光谱特征 含有泥沙的浑浊水体与清水比较，光谱反射特征差异： 浑浊水体的反射波谱曲线整体高于清水，随着悬浮泥沙浓度的增加，差别加大；
波谱反射峰值向长波方向移动（“红移”）。清水在0.75微米处反射率接近于零，而含有泥沙的浑浊水至0.93微米处反射率才接近于零； 随着悬浮泥沙浓度的加大，可见光对水体的透射能力减弱，反射能力加强。有时，近岸的浅水区，水体浑浊度与水深呈一定的对应关系，浅水区的波浪和水流对水底泥沙的扰动作用比较强烈，使水体浑浊，故遥感影像上色调较浅。而深水处扰动作用较弱，水体较清，遥感影像上色调较深。这种情况下，遥感影像的色调间接地反映了水体的相对深度。

21 水体的光谱特征 水中叶绿素的浓度与水体反射光谱特征存在以下关系： 含有泥沙的浑浊水体与清水比较，光谱反射特征差异：
波长较短的可见光，如蓝光和绿光对水体穿透能力较强，可反映出水面下一定深度的泥沙分布状况。在洪泽湖的试验表明，0.5～0.6微米的影像可反映 2.5m水深的泥沙；0.6～0.7微米的影像可反映1.5m水深的泥沙；0.7～0.8微米影像反映0.5m泥沙；0.8～1.l微米仅能反映水面0.02mm厚水层的泥沙分布状况。因此，以不同波段探测泥沙可构成水中泥沙分布的立体模式。 水中叶绿素的浓度与水体反射光谱特征存在以下关系： 水体叶绿素浓度增加，蓝光波段的反射率下降，绿光波段的反射率增高； 水面叶绿素和浮游生物浓度高时，近红外波段仍存在一定的反射率，该波段影像中水体不呈黑色，而是呈灰色，甚至是浅灰色。 水温可在热红外波段有明显特征

22 AVHRR图像上的水体提取 AVHRR图像上水体表现及特征分析 AVHRR图像上的水体识别提取模型

23 AVHRR图像上水体表现及特征分析 AVHRR数据拥有5个通道（CH），CH1（ 微米）属橙色可见光范围，对水体中的泥沙含量十分敏感；CH2（ 微米）为近红外通道，为水的强吸收带，水体的反射率很低，水体的边界轮廓十分清晰。 为了整体上了解水体空间、时间、水质上的多变性在AVHRR影像上的反映，以及水体与其他易混地物的区别，采用分地物类别按时间、空间变化的规律对AVHRR数据进行采样分析，分别在2月、5-8月AVHRR图像上对湖泊（太湖、鄱阳湖、洞庭湖、青海湖）、河流（长江、辽河）、海洋（黄海、东海、渤海）、云、云影、城市（上海、无锡、苏州、杭州）的光谱值进行采样分析。

24 AVHRR图像上水体表现及特征分析 洞庭湖96年8月10日
该图幅内以平均值的光谱曲线为分界，厚云、薄云五个波段都相对为高值，光谱曲线明显高出平均曲线；而其它地物明显低于或围绕平均曲线有小的起伏，其中云影在CH3、CH4、CH5又稍高于平均水平。从曲线的走向看，云、云影与河流、积水区一致，因此，要进一步区分水体与云及云影，在原有CH1>CH2的规律下，须加入CH2、CH3的判断条件，利用CH2、CH3的均值分别排除云及云影。

25 AVHRR图像上水体表现及特征分析 太湖96年2月5日
图内的河流、湖泊、海洋的3、4、5波段则相对洪水期有增高，表现出高于图幅均值的规律；而云影在曲线走向和数据大小都与各种水体的规律极为相似，无法再加以区分；反而该时期的城市曲线依然全低于图幅均值，落在平均曲线的下方，虽然在CH1、CH2也满足水的规律，但完全可以利用CH3波段把它剔除掉。

26 AVHRR图像上水体表现及特征分析 上面的采样分析可知，在NOAA这一特定的传感器上，水体的遥感特性与地面实测相比呈现出一定程度的变化，表现为：正常情况下水体随空间的变化幅度较小，而随时间的变化幅度较大，而在洪水期间，水体表现大幅度的变化，由平常时期的相对稳定到起伏较大，呈现出特殊的规律。其中由于降水的增加引起水中泥沙含量，水温等异常变化也起到了相当大的作用，而由于时间变化引起水体的变化反映则相当的微弱。但无论水体随时间，空间怎么变化，则其在近红外吸收的特性则始终不变，且表现为CH1>>CH2，CH2<图像的均值；CH3有规律的上升或下降，在正常时期，水体CH3大于整幅图像的平均值，而洪水期间CH3小于整幅图像的均值，这就是水体在光谱多变性条件下，呈现出的统一规律，即光谱特征。

27 AVHRR图像上的水体提取模型 根据大量的水体光谱样本分析，得出AVHRR数据的水体信息摄取的基本光谱模型：
CH1》CH2，且 CH2<图像平均值； 洪灾期：CH3<图像平均值；非洪水期，且CH3>图像均值； 随着水面积减小，混浊度增加，水深变浅，水体特征有所改变。CH1相对减小，CH2相对增加，有向陆地逐渐过渡的趋势，且往往该部分水体是陆地包围的水体或覆盖在陆地上的浅水体。

28 AVHRR图像上的水体提取模型 在分析了水体在图像上的空间特征后，在光谱模型上又给出水体的空间模型：
水体相对于陆地或云层等呈现出较为均一的图斑，无明显的纹理特征 水体图斑的边界相对于云层较稳定，河流的线状特征，湖泊、海洋等的面状特征较明显。 以上的光谱模型和空间模型采用面向对象的思想完成模型建立，可以实现水体的智能化信息提取。

29 TM图像上的水体提取 由于时间分辨率的限制，在洪水期难以获得无云雾的TM图像，因此TM主要用于洪水灾害损失评估和本底水体的提取。

30 TM图像上的水体提取 1996年12月27日福清市 水体、阴影的第5波段明显小于第2波段。而其它地物则刚好相反。在第2、3波段上，水体的灰度值大于阴影，将这两个波段相加可以增大这种差异。在第4、5波段上，阴影的值一般都大于水体。将这两各波段相加，可以增大这种差异。

31 TM图像上的水体提取 将波段2与波段3相加，波段4与波段5相加，并作出改进后的地物波谱图。可以看出，只有水体具有波段2加波段3大于波段4加波段5的特征。

32 TM图像上的水体提取 阈值法提取水体 利用对水陆界线反映较好的Landsat－5的TM第5波段，即中红外波段，通过反复试验，确定其阈值。用TM4、3、2作假彩色合成影像，用目视判读的方法检验阈值法提取水体的效果。所提取的水库和坑塘的轮廓与目视判读的一致，宽的河流与目视判读的基本一致。而较窄的河流没有被提取出来，但这些河流由目视判读也难判读出来。因此，漏提的水体非常少。同时，发现所提取的水体中有一部分并非为真正的水体，而是山体的阴影。因此，多提的水体较多。

33 TM图像上的水体提取 谱间关系法提取水体 水体具有独特的谱间关系特征，即波段2加波段3大于波段4加波段5。用同样方法检验提取效果，漏提的水体非常少，也没有发现将山体的阴影当水体提取出来。因此，该种方法提取的水体较为准确。 总之，谱间关系法比单波段阈值法提取水体更具优势。尤其是，它能将水体与阴影区分开来。该方法特别适合山区水体的提取。无论是谱间关系法还是单波段阈值法，它们对于提取一些细小的河流都有一定的局限性。这是因为，这些细小的河流都是以混和像元的形式存在。

34 SAR图像上的水体提取 由于洪水最大淹没面积常常发生在坏天气条件下，很多光谱遥感数据不可能发挥很好的作用，因而微波遥感成为洪水灾害监测的首选数据。但在有山区的雷达图像上，水体与山体的阴影具有易混的亮度值，而使得自动提取洪水淹没范围较困难。因而，现在多采用目视判读的方法从SAR图像上提取洪水水体。目视判读方法尽管可以取得较高的精度，并将水体与阴影区别开来，但费工费时，难以满足快速监测评估的要求。从图像复合的角度出发，Landsat TM图像与Radarsat SAR图像相结合，能有效地将洪水淹没范围提取出来，而不会将阴影误提为水体。

35 SAR图像上的水体提取 水体提取步骤 图像配准 SAR图像的水体提取
TM图像与地形图配准 SAR图像与TM图像配准 SAR图像的水体提取 用目视的方法在SAR图像上测出水体的亮度值，从而确定水体与陆地的阈值k1，DN<k1为水体，DN>=k1为非水体（DN为SAR图像的亮度值）。 TM图像上的阴影的提取 因在TM2上阴影的亮度值比较低，而其他地物的亮度值比较高，测定阈值k2,因而有TM2<k2为阴影，TM2>=k2为非阴影。

36 SAR图像上的水体提取 安徽省潜山县 1995年12月7日TM2图像 1998年7月28日SAR图像

37 SAR图像上的水体提取 从TM图像上提取的阴影 从SAR图像上提取的水体

38 SAR图像上的水体提取 水体提取步骤 SAR图像的水体与TM图像的阴影之间的融合分析
将SAR图像的水体与TM图像的阴影叠加，在山区被误提为水体的山体阴影中，有大部分都与TM图像的阴影重叠，有一小部分未重叠。但未重叠的部分，均与TM图像的阴影靠得很近，并且与阴影相连。为此，利用ARC/INFO的GRID模块中的EXPAND命令，对所提取的阴影进行扩展处理，将扩展后的阴影与SAR水体进行叠加融合分析。凡是落入阴影中的SAR水体，都被作为误提的水体剔除。 但是，对于在SAR图像上与阴影相连的水体而言，由于对TM图像上的阴影进行了扩展处理，并用它来剔除SAR图像上的阴影，这就会造成将SAR图像上与阴影相连的那部分中的部分水体被错误地剔除掉。因此，还需要对这部分水体进行进一步的定界。

39 SAR图像上的水体提取 水体提取步骤 与阴影相连部分水体的进一步定界 从TM图像上提取本底水体，提取模型为：
（TM2+TM3）>(TM4+TM5)-k1 TM2>=k2 利用ARC/INFO中的GRID模块EXPAND命令对本底水体进行扩展。并用它来切取最初从SAR图像中提取的水体。最后，将从TM图像中提取的阴影与所切取到的水体进行叠加分析，减去阴影部分，从而得到了由于阴影扩展而丢掉的那部分水体。 并将这部分水体与去阴影后的SAR图像水体进行叠加，从而得到最终提取的水体。

40 3 居民地特征提取 研究意义 AVHRR影像上的居民地识别提取 TM图像上的居民地识别提取 SAR图像上的居民地识别提取

41 研究意义 为灾害评估提供所需居民地空间分布信息 为了解人地关系服务 为社会、经济和人文等数据的空间化服务 为居住用地监测以及人居环境建设服务

42 AVHRR影像上的居民地识别提取 AVHRR影像上居民地的影像特征分析
在3（红）、2（绿）、1（蓝）假彩色合成图像上可以看出，特大城市、大城市、中等城市，无论是位于山区还是平原，都能在影像上识别出来。这些城市在影像上呈暗灰蓝色，当其周围为农田时，其周边呈灰蓝色，当为森林时，呈浅黄色，当为水体时，呈红色。城市的外部轮廓清楚明显，城市的内部的色调比较一致，而内部纹理特征不明显。城市的形状一般为斑块状。县城一级的城镇，以及小城市在NOAA影像上需要仔细识别才能识别出来。一般面积在6平方公里以上的县级城镇在NOAA影像上只有几个像元，呈点斑状，其外部轮廓已经很不清楚了。在其像元中，只有1到4个像元与周边像元有一定的区别，比较容易识别。而其他周边像元都是以混合像元的形式存在。此时的城镇已无纹理可见了。

43 AVHRR影像上的居民地识别提取 AVHRR影像上居民地的影像特征分析
对于面积在2km2以下的乡镇、村一级的居民地，已完全与周围地类混淆在一起，在NOAA影像上难以辨别出来。城市与城市之间的相对位置清晰可见，特大城市、大城市、中等城市、小城市、县城等之间的城镇体系结构关系也容易识别出来。 通过对各种类型的城市及其它地物进行典型光谱采样，据其均值绘制如下光谱曲线图

44 AVHRR影像上的居民地识别提取 特征波段组合 -1 24 -2 3 65 29 36 1 25 66 31 35 27 71 32 39
地类 2-1 1-3 1-5 5-2 1+2+3 2 1+3 特大城市 -1 24 -2 3 65 29 36 大城市 1 25 66 31 35 中等城市 27 71 32 39 小城市 28 -4 69 33 城镇 30 72 34 38 云 -19 59 -5 153 58 95 深水体 -6 -45 -56 62 90 11 79 浅水体 -8 -47 -59 67 99 12 87 云与水 -12 9 -34 46 108 77 农地 6 85 45 40 林地 37 -24 -31 56 总体 17

45 AVHRR影像上的居民地识别提取 注意：因AVHRR空间分辨率的限制，提取精度有限。 基于光谱知识的居民地提取模型
通过对采样数据进行波段组合分析，建立模型如下： 提取居民地、水体和云 剔除水体 剔除云 剔除少量水陆混合像元 注意：因AVHRR空间分辨率的限制，提取精度有限。

46 TM图像上的居民地识别提取 居民地在TM影像上的机理分析 农村居民地
其房屋宽度大部分不超过28.5m，长度有可能超过28.5m，影像记录的通常是房屋及其周围的空地、散生树木组成的混合像元。由于这些地物的尺寸及其配置在空间上的变异，从而导致农村居民地像元灰度值的空间变异，在居民地与周边地类交界处，又会出现居民地与周围地类相混合的混合像元，这些混合像元降低了农村居民地提取的精度。居民地内部没有明显的纹理特征，与农村居民地相连的道路难以识别出来。

47 TM图像上的居民地识别提取 居民地在TM影像上的机理分析 乡镇级居民地
在镇的核心区一般多为2～3层的楼房、平房等，房顶多为水泥平顶、瓦盖尖顶。一般房屋间有比较窄的空地，空地一般多为泥土面，部分为水泥面。居民地内也有一些散生的树木等绿地。因此居民地的像元多由水泥房顶、瓦顶、水泥路面、裸土地、绿地、散生树木等所构成的混合像元，其组成的空间变异导致像元灰度值的空间变异。在边缘区的像元类似于乡村居民地的像元，在居民地与周围地类接边处，有居民地与周围地类混合而成的混合像元。

48 TM图像上的居民地识别提取 图中粉红色的斑块即为乡镇级居民地，其内部有一定的纹理特征，基本可以识别到与其相连的道路。

49 TM图像上的居民地识别提取 居民地在TM影像上的机理分析 县城
由于高楼大厦的影响，有可能出现水泥房顶的纯净像元，此外也会出现纯净的水域像元和绿地像元。高大的房屋会造成房屋与房屋之间有很多阴影。因而县城一级的居民地，其像元一般是由水泥顶、水泥路面、散生林木、绿草地、裸地以及阴影等所组成的混合像元，其组成比例的变化以及空间配置结构的变化就造成了这些像元的空间变异。在县城的边缘区同样会出现类似于乡镇一样的像元。以及在县城居民地与周围边缘农田接壤处，同样会出现居民地与农田的混合像元。图中县城呈粉红色的斑块状，有辐射状的道路与其相连，其内部有一定的纹理特征。

50 TM图像上的居民地识别提取 居民地在TM影像上的机理分析 城市
水泥房顶的纯像元更多，由于有宽阔道路，因而也会出现水泥道路的纯像元。由于公园的存在，会出现纯的水体像元和绿地像元。由于建筑物更加高大，从而使得房屋之间的阴影就比城镇更多了。但是，大多像元仍然是混合像元，其组成比例的差异就导致了像元灰度值的空间变化。在城市边缘处，有类似于县城乡镇一样的混合像元，在城市居民地与周边农田接壤处同样会出现居民地与农田的混合像元。城市呈粉红色的大斑块状，有辐射状的道路与其相连，其内部有一定的纹理特征。

51 TM图像上的居民地识别提取 居民地在TM影像上的机理分析
居民地光谱信息在时间维上的变化主要是由裸地及其间的树木、竹子、绿地等在时间维上的变化所致。而房屋、裸露地面，尤其是水泥地面及房顶在时间维上基本上没有大的变化，但是也有一些微弱的变化。这包括，因太阳的照射，导致一天中，早中晚的表面温度的不一致，从而导致其在散射、发射上的变化。此外由于降雨导致其表面温度和湿度上的差异，从而导致居民地光谱特征的变化，但是这种变化是因降雨而引起的，因而与降雨有较强的相关性。所以，居民地在时间维上的变化主要是由居民地内的植被所致。居民地在时间维上的变化周期、强度与植被的生长周期及强度的变化相关。对于建筑物密集，植被较少的居民地而言，其年际变化较小。

52 TM图像上的居民地识别提取 居民地在TM影像上的机理分析

53 TM图像上的居民地识别提取 居民地及背景地物的光谱特征分析
分别对城市、县城、乡镇、集村、水体、水田、河滩地、菜地、道路在图像上进行光谱采样（成都平原7月1日），利用采样数据作地物光谱曲线。

54 TM图像上的居民地识别提取 居民地及背景地物的光谱特征分析 根据采集数据及光谱曲线图得知：
TM2：同TM1。 TM3：道路>河滩地>城市>河流>乡镇>县城>集村>菜地>水田，城市与河滩地、河流，乡镇与河流,集村与菜地易混。 TM4：菜地>水田>集村>道路>乡镇>河滩地>县城>河流>城市 TM5：道路>菜地>集村>河滩地>乡镇>城市>县城>水田>河流 TM6：城市>县城>乡镇>集村>河流>水田>河滩地>菜地>道路 TM7：道路>城市>乡镇>河滩地>县城>集村>菜地>水田>河流

55 TM图像上的居民地识别提取 居民地及背景地物的光谱特征分析 根据采集数据及光谱曲线图得知：
城市：TM6>TM1>TM5>TM4>TM3>TM2>TM7 县城：TM6>TM1>TM5>TM4>TM2>TM3>TM7 乡镇：TM6>TM1>TM5>TM4>TM3>TM2>TM7 集村：TM6>TM1>TM5>TM4>TM2>TM3>TM7 河流：TM6>TM1>TM4>TM2>TM3>TM5>TM7 水田：TM6>TM4>TM1>TM5>TM2>TM3>TM7 滩地：TM6>TM1>TM5>TM4>TM3>TM2>TM7 菜地：TM6>TM4>TM1>TM5>TM2>TM3>TM7 道路：TM6>TM1>TM5>TM4>TM3>TM2>TM7

56 TM图像上的居民地识别提取 居民地及背景地物的光谱特征分析 典型城镇光谱剖面

57 TM图像上的居民地识别提取 居民地及背景地物的光谱特征分析 对于集村，TM3>TM7且TM5>TM4

58 TM图像上的居民地识别提取 基于光谱知识的居民地提取模型 城镇： TM5>TM4 TM4-TM7<K1 TM6>K2 集村

59 TM图像上的居民地识别提取 GIS支持下山区TM影像的居民地识别
主要通过分析居民地分布与土地利用类型、坡度、坡向、高程等之间的关系，建立模型。

60 SAR图像上的居民地识别提取 居民地的微波遥感机理
居民地的微波雷达遥感是通过向居民地发射微波，微波波束经居民地反射、散射后，被传感器接收、记录、并成像，影响居民地回波强度的有雷达系统参数和居民地自身的参数。居民地自身的参数主要有表面粗糙度和复介电常数。居民地对雷达波束的反射包括，相对光滑表面的镜面反射，中等粗糙面的漫反射，以及粗糙面的各向同性散射。此外，居民地内部的角反射和谐振效应使得雷达回波信号非常强，从而使得居民地在雷达图像上呈现出非常亮的亮斑，这是区别居民地与其他地物的主要特征。

61 SAR图像上的居民地识别提取 居民地的微波遥感机理 就角反射而言，有单面角、双面角、三面角的反射。
当房屋顶为相对光滑表面，且雷达入射波束与房屋顶垂直时，即可产生单面角反射。 当地面和房屋的墙体相互垂直，且均为相对光滑表面，雷达入射波束与地面和墙体的交线垂直时，就构成了双面角的反射。 当地面和房屋的墙体相互垂直，且均为相对光滑表面时，可以由地面、墙体和墙体构成三面角反射。

62 SAR图像上的居民地识别提取 居民地的微波遥感机理 在城市里，并排的高楼大厦，其平行的墙面可以构成谐振腔。
居民地内部的复介电常数是影响回波强度的另一个目标参数。 总之，居民地的雷达影像特征，由居民地内的镜面反射、漫反射、各向同性散射，以及其角反射和谐振效应等的强度和空间配置决定，同时也与雷达系统参数如波长、入射角和极化方式有关。

63 SAR图像上的居民地识别提取 Radarsat SAR上居民地影像特征
县级以上的城镇，无论其所处的位置是在山区还是平原，都能准确地识别出来，这些城镇在雷达图像上都是以亮斑的形式表现出来的，存在于暗色调的背景之中，亮斑的内部间杂着浅灰色、暗灰色的斑块。其中亮斑是由城镇中的角反射和谐振效应所引起。浅灰色的斑块是由城镇中如草地、树木等属于中等粗糙面的地物所致。其暗斑是由城镇中如水泥、沥青以及平地上面等相对光滑表面所致。其周围多为浅灰色、暗灰色的背景。在这些背景中还有一些面积比较小的亮斑。这些亮斑多为集村。从图像上可以粗略地判读出整个城镇的轮廓。但是，城镇里的街道难以识别出来。

64 SAR图像上的居民地识别提取 Radarsat SAR上居民地影像特征
乡镇一级的居民地也基本能准确识别，其影像特征为亮色调的斑块存在于暗色和浅灰色的背景中，在亮斑的内部间杂一些浅灰色斑块。 集村和散村，大多数可以识别到。其影像特征表现为由少数亮点组成的亮斑存在于暗色和浅灰色的背景中。由于其斑快小，在亮斑的内部很少间杂有浅灰色斑块。其亮斑是居民地中的角反射或谐振效应所引起。特别是，当房屋为尖顶时，将会有一面角的存在。亮斑周围多为浅灰色、暗灰色的背景。也有的集村或散村，由于其表面的粗糙度、房屋的朝向、房顶等原因，而没有较好的角反射。难以表现出亮斑，而与背景相混淆，难以识别出来。

65 SAR图像上的居民地识别提取 Radarsat SAR上居民地影像特征
在山区，除了居民地表现出亮色调外，还有部分山坡表现出亮色调。形成这些亮色调的原因是，当山坡与雷达波束垂直时，山坡就会使得回到雷达的电磁波较强，从而雷达接收到较强的回波，这种色调的亮度与居民地比较一致，这就使得难以通过亮度值将它们与居民地区分开来。但是他们在形状上是有所差别的。居民地一般呈斑块状，而山坡所产生的亮色调多以亮线或亮带的形式存在，且面积较大，有一定的走向，在其旁边有带状的比居民地周围更暗的暗带存在。同时在空间上，这些亮带的密度较大。根据这些特征很容易将他们与居民地区分开来。

66 SAR图像上的居民地识别提取 居民地与背景地物亮度值分析
对Radarsat SAR图像上的各种典型地类进行采样，并对采样数据进行统计，得到典型地物的亮度均值、中值、方差、最小值和最大值， 地类 均值 中值 方差 最小值 最大值 样点数 城镇 134 121 57 28 255 2413 集村 97 90 33 25 1110 林地 55 49 21 18 152 2012 农地 48 11 22 84 774 水体 15 3 6 27 3085 山坡 117 112 59 218 363 总体 56 54 23

67 SAR图像上的居民地识别提取 居民地提取模型
通过分析得知居民地易与山坡混淆，但在一般情况下，山坡的亮斑临近有形状相似的暗斑存在，为山坡的阴影，且其亮度值比居民点中的暗斑低，据此可以同时提取亮斑和暗斑，并利用空间配置关系建立提取模型。 IF DN>=K THEN 居民地 IF ZW=1 THEN 非居民地 DN为像元亮度值，ZW=1表示亮斑周围有大面积的阴影。

68 参考周成虎、骆剑承等著： 《遥感影像地学理解与分析》，科学出版社，1999年

69 4 土壤遥感 土壤遥感的任务是通过遥感影像的解译，识别和划分出土壤类型，制作土壤图，分析土壤的分布规律，为改良土壤、合理利用土壤服务。土壤特征反映了各种因素共同作用的结果。在遥感影像上，不同类型土壤的特征不如水体、植被的差别那么大，同时，由于土壤性状主要表现在剖面上，而不是表现在土壤的表面，因此仅靠土壤表面电磁波谱的辐射特性来判别土壤类型，并不直接。但是由于土壤与各种成土因子关系密切，特别是受主导因素的影响较大，因此仍有规可循。通过遥感影像综合分析，可以取得较好的判别效果。依靠间接的解译标志，进行综合分析对于土壤解译显得特别重要。

70 土壤遥感 土壤的光谱特征 在地面植被稀少的情况下，土壤的反射曲线与其机械组成和颜色密切相关。颜色浅的土壤具有较高的反射率，颜色较深的土壤反射率较低。黑土反射率远低于浅色的黄壤。

71 土壤遥感 土壤的光谱特征 在干燥条件下同样物质组成的细颗粒的土壤，表面比较平滑，具有较高的反射率，而较粗的颗粒具有相对较低的反射率。有机质含量高，也使反射率降低。

72 土壤遥感 土壤的光谱特征 土壤水的含量增加，会使反射率曲线平移下降，并有两个明显的水分吸收谷，但当土壤水超过最大毛管持水量时，土壤的反射光谱不再降低，而当土壤水处于饱和状态或过饱和状态，使土壤表面形成一层薄薄的水膜，在地表平坦时，接近于镜面反射，其反射率反而增高。 含水量0-4% 含水量5-12% 含水量22-32%

73 土壤遥感 土壤的光谱特征 当土壤表面有植被覆盖时，如覆盖度小于15%，其光谱反射特征仍与裸土相近。植被覆盖度在15%～ 70%时，表现为土壤和植被的混合光谱，光谱反射值是两者的加权平均。植被覆盖度大于70%时，基本上表现为植被的光谱特征。 此外，土壤的光谱特征还受到地貌、耕作特点等影响。

74 土壤遥感 土壤类型的确定 土壤类型的判别首先需要确定土类。土类是根据一个地区的生物气候条件来决定的。因此，土壤解译时，首先要确定研究区的水平地理地带作为基带。例如在内蒙古草场遥感土壤解译、制图时，研究了内蒙古地区的水平地带及特点，有纬度地带性和海陆地带性的共同作用，从东南向西北形成了弧形的水平分带，依次为温带森林草原、草甸草原、干草原、半荒漠和荒漠带。相应发生的土类为温带森林草原黑土、草甸草原黑钙土、干草原黑钙土、半荒漠棕钙土、灰钙土和漠土。明确了所在地区的地带，即可作为解译的“基带”。在此基础上，再进一步考虑垂直带性和非带性因素对土壤类型的影响。

75 土壤遥感 土壤类型的确定 其次是确定亚类。土壤的亚类是在成土过程中受局部条件的影响使土类发生变化，形成的次一级类型。如不同的植被、地貌、水热条件等。如山东省的棕壤地区，在河谷坡地上为潮棕壤亚类，在陡坡及植被稀疏坡地上为棕壤性土亚类，在缓岗上形成褐土化潮土亚类。在这种情况下，可以根据容易解译的地貌部位和植被特征结合，间接地在棕壤为基带的地区内确定上述土壤亚类。

76 土壤遥感 土壤类型的确定 土属的划分主要以地区性条件为依据，如地貌、母质等，在亚类的基础上再分出土属。如残积坡积棕壤性土、黄土状褐土化潮土、河湖积潮棕壤等。 土种主要根据土壤剖面特征来划分，遥感影像较难发现，但可根据地形部位、母质等特征推断上层厚薄，作为土壤分类参考。

77 土壤遥感 土壤类型的确定 综合分析和间接解译时要注意，土壤的发育变化速度落后于气候、水文的变化及植被的更替。有些地区森林退缩，林地消失，被草地代替，而土壤仍保持森林土特性。此时仅依靠植被确定为草原植被下有关土壤类型就会发生误判。要解决这一问题，一是在解译过程中必须注重历史变化，二是对两种类型的过渡和边缘地区进行适当的现场验证，以提高解译的精度。 土壤类型的确定还可以根据土地利用特点来分析、确定。如在南方许多低平的河谷平原地区，按自然土壤分类可能被划入草甸类型，但经人工开发耕种而成为水稻土及其次一级类型。而水稻田因有特殊的光谱特征、区位特征及形状特征，较容易识别，尤其是高分辨率的遥感影像上，水稻田有明显的光谱特征。

78 土壤遥感 土壤类型的确定 在确定基带的基础上，由于地形的变化产生地形地带的垂直分异，尤其是海拔高度的变化，引起了水热条件的重新组合，成土因子随着变化，土壤也发生垂直方向更替。可以把遥感影像、地形图的判断及少量野外调查得出的自然规律与遥感影像特征结合起来，确定土壤的类型。

79 土地覆盖分类 主要包括以下几个步骤： 确定土地覆盖分类系统 几何校正 收集地面实况数据，建立图像解译标志 分类勾绘成图 野外实地检验、修改
数据入库、计算分类面积

80 土地覆盖分类

81 土地覆盖分类

82 土地覆盖分类

83 土地覆盖变化监测 不仅用来了解区域变化的情况，也用于更新已有的土地覆盖信息。
土地覆盖的变化通过比较两个不同时相的遥感图像而检测出来，检测方法有2种： 对新旧两幅图像分别进行土地覆盖分类，而后对其分类结果进行比较的方法 同时利用新旧两幅图像直接检测变化区域的方法

84 土地覆盖变化监测 土地覆盖变化分为季节变化（seasonal change）和年度变化（annual change）。季节变化是以1年为周期的变化，年度变化一般来说是非周期性的或单方向的变化。 在图像中，季节变化和年度变化往往混杂在一起，但在大多数情况下要检测的是年度变化。因此必须使用两个相同季节但不同年份的图像。季节变化通常比想象的更为复杂，在寒冷地区，往往10-15天就会产生很大的变化。因此，在检测土地覆盖变化时，必须很好地了解目标地物的季节变化特征。

85

86 土地覆盖变化监测

87 土地覆盖变化监测

88 土地覆盖变化监测

89

90

91

92

93

94

95

96 高光谱遥感 高光谱遥感是高光谱分辨率遥感（Hyper-spectral RS）的简称。是在电磁波谱的可见光、近红外、中红外和热红外波段范围内，获取许多非常窄的光谱连续的影像数据的技术。其成像光谱仪可以收集到上百个非常窄的光谱波段信息。

97 高光谱遥感 与一般遥感主要区别在于：高光谱遥感的成像光谱仪可以分离成几十甚至数百个很窄的波段来接收信息；每个波段宽度仅小于10nm；所有波段排列在一起能形成一条连续的完整的光谱曲线；光谱的覆盖范围从可见光到热红外的全部电磁辐射波谱范围。而一般的常规遥感不具备这些特点，常规遥感的传感器多数只有几个，十几个波段；每个波段宽度大于100nm；更重要的是这些波段在电磁波谱上不连续。例如：TM数据第三波段为0.63～0.69微米，而第四波段是0.76～0.90微米，中间0.69～0.76微米之间完全没有数据。所有波段加起来也不可能覆盖可见光到热红外的整个波谱范围。就第四波段而言，其宽度是140nm。如果换成10nm宽的高光谱数据，TM的一个波段在高光谱里对应14个波段，高光谱的信息量大大增加。

98 高光谱遥感在植被研究中的应用 植被具有独特的光谱特征。健康的绿色植物光谱曲线由于叶绿素的吸收作用，在0.45（蓝）和0.67（红）波段为低谷。由于叶子内部的液态水分的强烈的吸收作用，在1.4，1.9和2.7微米处有三个明显的低谷。在近红外区（0.7～1.3）有很宽的高反射率区。此外在 1.6和2.2微米处也有两个反射峰。但是，由于植物品种，叶子生长的部位，生长季节等区别，植被光谱曲线的峰和谷的形态，位置都会产生很大的差异。高光谱成像光谱仪对波段的精细划分，能够记录这些光谱特征的差异，而一般的遥感宽波段数据是不可能做到的。

99 高光谱遥感在植被研究中的应用 在植被遥感研究中，较多的研究有植被类型的识别，植被制图，土地覆盖/利用变化的探测，生物物理和生物化学参数的提取与估计等。在这方面已可以将研究精度提高到对植物叶子内的氮、磷、钾、糖类、淀粉、蛋白质、氨基酸、木质素、纤维素及叶绿素等的估测，评价植物长势和估计陆地生物量。在植物生态学研究中可以研究叶面积指数的估计，植物群落和种类的识别，冠层各种状态的评价，并进而研究生物量和植物长势。这些研究与一般遥感数据研究相比，无论从深度上和精度上都有了飞跃。

100 高光谱遥感在植被研究中的应用 植被遥感研究的分析方法，主要有以下几种： 多元统计分析技术
用原始的光谱反射率或经过微分变换、对数变换、植被指数变换或其他数学变换后的数据作为自变量，以叶面积指数、生物量、叶绿素含量等作为因变量，建立多元回归预测模型来估计或预测生物物理和生物化学参数。 光学模型方法 是基于光学辐射传输理论的模型。例如：植冠光学模型计算双向反射特征，其反演模型可提取生物物理、生物化学参数。

101 高光谱遥感在植被研究中的应用 基于光谱波长位置变量的分析技术
是根据波长或其他参数的变化量为自变量，求得与因变量的关系来估计因变量。如：位置在0.68～0.75微米之间的光谱曲线，找到其一阶微分的最大值，该值对应的波长称为“红边”。当植物叶绿素含量高，生长活力旺盛时，“红边”向长波方向移动；当植物被病虫害感染或受到污染时，“红边”将向短波方向移动。同时，绿色植物的绿光反射峰却有相反的规律。研究这些光谱的变化规律可以导出植被的状况。 参数成图技术 根据所选择的预测模型，通过高光谱影像对每个像元计算单参数预测值，并将其分类后成图。

102 高光谱遥感在植被研究中的应用 光谱匹配技术
是对地物光谱和实验室测量的参考光谱进行匹配或地物光谱与参考光谱数据库比较，求得它们之间的相似或差异性，以达到识别的目的。两种光谱曲线的相似性常用计算的交叉相关系数及绘制交叉相关曲线图来确定。 混合光谱分解技术 用以确定在同一像元内不同地物光谱成分所占的比例。因为不同地物光谱成分的混合会改变波段的深度、波段的位置、宽度、面积和吸收的程度等。这种技术采用矩阵方程，神经元网络方法以及光谱吸收指数技术等，求出在给定像元内各成分光谱的比例。

103 高光谱遥感在植被研究中的应用 光谱维特征提取方法
可以按照一定的准则直接从原始空间中选出一个子空间；或者在原特征空间与新特征空间之间找到某种映射关系。这一方法是以主成分分析为基础的改进方法。 模型方法 是模拟地物反射光谱的各种模型方法。因为高光谱测量数据可以提供连续的光谱抽样信息，这种细微的光谱特征使模型方法一改传统的统计模型而建立起的确定性模型方法。因而，模型方法可以提供更有效和更可靠的分析结果。

104 高光谱遥感在其他领域的应用 环境与灾害 城市环境
高光谱图像可以用来探测危险环境因素。例如：编制酸性矿物分布图，特殊蚀变矿物分布图，评价野火危险的等级等。 利用多种航空航天遥感资料，普通遥感与高光谱遥感数据结合探测火灾的发生地点以及其他与燃烧现象有关的地表生物量，燃烧的后果，地表组成及更新情况。 城市环境 高光谱和高空间分辨率遥感数据的结合，有可能细分出城市地物和人工目标。例如：结合特征提取技术，采用“分级掩模”，逐级分类再作复合处理成图，在城市地物区分过程中很有成效。但是，总的来说城市环境遥感方面的工作还有待深入研究。 大气遥感、土壤调查、地质调查等方面都有应用

105 遥感应用实例：冬小麦估产 冬小麦反射光谱特征 遥感信息源选择 小麦估产区划 播面自动提取（计算机自动分类） 长势监测 产量估算 精度检验

106 冬小麦反射光谱特征 冬小麦反射光谱曲线

107 冬小麦反射光谱特征 小麦、云杉、土壤反射光谱特征比较

108 冬小麦反射光谱特征 小麦和棉花反射光谱特征比较

109 冬小麦反射光谱特征 5月20日

110 遥感信息源选择 遥感平台选择 遥感时相选择 Landsat TM NOAA AVHRR 11月中旬到12月中旬及3月上旬到4月上旬
3月到6月

111 遥感信息源选择 Landsat TM TM快视 NOAA AVHRR

112 估产区划 小麦估产区划的目的是揭示小麦不同的生态类型和小麦生产的地域差异，为遥感估产的采样框架布设、单产模型的建立提供定位和定量的科学依据。
小麦估产区划是在综合评价小麦生态环境、社会经济条件的基础上，根据各种因素对小麦生产的影响程度和它们的空间组合规律及相应的产量水平等，按一定的原则归纳其共性，区别其差异性。

113 估产区划

114 冬小麦估产：播面自动提取 TM图像的预处理：几何精纠正 构建多维绿度图像 与GIS结合剔除非耕地信息 确定判别函数 分县统计冬小麦播面
结果数据传输到数据库管理系统

115 冬小麦估产：播面自动提取 TM图像的预处理：几何精纠正

116 播面自动提取 构建多维绿度图像 g1(x)=IR-R>0 for 植被 g2(x)=IR-R<0 for 水体
g(x)=IR-R-b< for 土壤 （为较小的正数） g1(x)> g(x)> g2(x)

117 播面自动提取 构建三维绿度图像

118 播面自动提取 构建多维绿度图像

119 播面自动提取

120 播面自动提取

121 播面自动提取 结合GIS扣除非耕地信息

122 播面自动提取 确定判别函数 麦 菲麦 用多次迭代双向逼近求出：G=

123 播面自动提取 分类阈值分区计算

124 播面自动提取

125 播面自动提取 分县统计冬小麦播面 结果数据传输到数据库管理系统

126 冬小麦估产：播面自动提取

127 冬小麦估产：播面自动提取

128

129 冬小麦估产：长势监测 计算NDVI值 绘制NDVI曲线 产量趋势预报 编写长势监测报告 为单产模型提供参数

130 长势监测

131 长势监测 南皮县NDVI年际变化

132 长势监测 长势动态

133 冬小麦估产：产量估算 模型构建 参数获取

134 产量估算 模型构建 通过对冬小麦生长发育特征的分析，从形成产量的三要素（亩穗数、穗粒数、千粒重）观点出发，采用分段相关建模。
亩穗数：叶面积指数与亩穗数之间有较好的线性关系，而绿度指数在冬小麦形成亩穗数阶段又与叶面积指数有较好的线性关系。因此确定亩穗数时以绿度作为主要因子。

135 产量估算 模型构建 叶面积指数与亩穗数 冬小麦绿度与 叶面积指数

136 产量估算 模型构建 穗粒数：冬小麦穗粒数的多少取决于拔节至灌浆初期的生长状况，此阶段对温度的要求严格，如果温度较高，发育便加快，小花退化就多，形成小穗数多而穗粒数少的状况；反之温度适宜可增加穗粒数。这是温度因子作为建模的依据。

137 产量估算 模型构建 千粒重：影响小麦千粒重形成的时间主要在灌浆期。该时期正处于入夏，气温迅速上升，如果水肥条件不佳，遇到连续3天30度高温，就会造成“逼熟”，叶子干枯，停止灌浆，形成瘪粒，千粒重下降。蜡熟末期，旗叶变黄，干物质积累已经停止。所以在形成千粒重过程中，绿度的变化速率是很有意义的指标，它既能体现小麦后期水肥条件状况，也能表示小麦后期的生命过程。

138 产量估算

139 产量估算 参数获取 dG dD

140 冬小麦估产：精度检验