遥感影像光谱信息处理的EXCEL实践教学
遥感影像处理技术的使用技巧与实践
遥感影像处理技术的使用技巧与实践遥感影像处理技术是一种应用于遥感卫星或飞机传感器所获取的图像数据的处理方法，以提取出有用的地理信息和监测地球表面变化。
它在各个领域有着广泛的应用，包括农业、环境保护、城市规划、气候变化等。
本文将介绍一些遥感影像处理技术的使用技巧与实践。
首先，了解遥感影像处理的基本原理是非常重要的。
遥感影像处理涉及到一系列的步骤，包括预处理、特征提取、分类和变化检测等。
在预处理阶段，我们需要进行大气校正、辐射校正和几何校正，以消除影像中的噪声和偏差。
在特征提取阶段，我们可以使用各种算法来提取出所需的地物信息，如植被指数、土壤湿度等。
分类是将影像像元归类到特定地物类型的过程，常用的分类方法有最大似然分类、支持向量机等。
变化检测可以用来监测地表的变化情况，例如城市扩张、森林变化等。
其次，正确选择和使用合适的遥感数据是至关重要的。
在选择遥感数据时，需要考虑数据分辨率、光谱范围、重访时间等因素。
高分辨率的数据可以提供更详细的地物信息，但也需要更多的存储空间和计算资源。
不同波段的光谱范围可以提供不同的地物信息，例如红外波段可以用于植被监测。
定期获取重访时间较短的数据可以更好地监测地表变化。
同时，要确保所选择的数据质量良好，以减少处理过程中的误差。
另外，合理选择和使用遥感影像处理工具也是至关重要的。
目前市场上有许多商业和开源的遥感影像处理软件可供选择。
例如ENVI、ArcGIS、GRASS等，它们都可以用于遥感影像的预处理、特征提取和分类等工作。
选择合适的工具需要考虑工作的需求和用户的技术水平。
一些商业软件可能功能强大但价格昂贵，而一些开源软件则具有较低的成本但可能需要更多的学习和实践。
此外，充分了解遥感影像处理算法的原理和参数设置也是必要的。
不同的算法适用于不同的应用场景，例如NDVI指数可以用来监测植被覆盖度，土壤指数可以用来评估土壤质量。
了解算法的原理可以帮助我们更好地理解数据，并根据实际需求选择适当的算法。
遥感影像数据实习报告
一、实习背景随着遥感技术的不断发展，遥感影像数据在资源调查、环境监测、城市规划等领域发挥着越来越重要的作用。
为了使同学们更好地掌握遥感影像数据处理方法，提高实际操作能力，本次实习课程以遥感影像数据为研究对象，通过实践操作，使学生了解遥感影像数据的处理流程，掌握遥感影像处理软件的使用方法。
二、实习目的1. 熟悉遥感影像数据的处理流程；2. 掌握遥感影像处理软件（如ENVI、ArcGIS等）的使用方法；3. 学会遥感影像数据的预处理、增强、分类等基本操作；4. 培养学生独立解决问题的能力，提高实际操作水平。
三、实习内容1. 遥感影像数据预处理遥感影像数据预处理是遥感影像处理的基础，主要包括辐射校正、几何校正、大气校正等。
（1）辐射校正：通过对遥感影像进行辐射校正，消除传感器噪声、大气辐射等因素对影像的影响，提高影像质量。
（2）几何校正：通过对遥感影像进行几何校正，消除由于传感器倾斜、地球曲率等因素引起的几何畸变，使影像与实际地理坐标相对应。
（3）大气校正：通过对遥感影像进行大气校正，消除大气对遥感影像的影响，提高影像的清晰度。
2. 遥感影像数据增强遥感影像数据增强是提高遥感影像质量的重要手段，主要包括对比度增强、锐化、滤波等。
（1）对比度增强：通过对遥感影像进行对比度增强，使影像中地物特征更加明显，便于后续处理。
（2）锐化：通过对遥感影像进行锐化处理，使影像中的地物边缘更加清晰，提高影像的视觉效果。
（3）滤波：通过对遥感影像进行滤波处理，消除影像中的噪声，提高影像质量。
3. 遥感影像数据分类遥感影像数据分类是将遥感影像中的地物进行分类，提取所需信息的过程。
常用的分类方法有监督分类、非监督分类等。
（1）监督分类：根据已知的地物特征，建立分类模型，对遥感影像进行分类。
（2）非监督分类：根据遥感影像自身特征，自动将遥感影像进行分类。
四、实习步骤1. 收集遥感影像数据：从遥感影像数据库中下载或获取所需的遥感影像数据。
基于EXCEL的高光谱影像光谱响应分析
基于EXCEL的高光谱影像光谱响应分析
高永光;谭炳球;刘建平;胡闻达;吉小刚;杨可明
【期刊名称】《计算机工程与应用》
【年(卷),期】2007(043)032
【摘要】高光谱遥感侧重于从光谱维角度对影像信息进行分析与处理.由于目前高光谱数据的处理技术跟不上数据获取技术,而已有的成熟的多光谱影像处理技术并
不适合于处理高光谱数据,因此利用EXCEL软件展开了高光谱影像的地物光谱重建、光谱特征及其相关性分析、光谱微分计算、光谱向量相似性度量和信息提取等研究,并基于PHI(Pushbroom Hyperspectral Imager)航空高光谱影像像元光谱维矢量进行了光谱响应分析,实现信息监测和识别.
【总页数】4页(P221-224)
【作者】高永光;谭炳球;刘建平;胡闻达;吉小刚;杨可明
【作者单位】61683部队,北京,100091;61683部队,北京,100091;61683部队,北京,100091;61683部队,北京,100091;61683部队,北京,100091;中国矿业大学,测
绘与土地科学系,北京,100083
【正文语种】中文
【中图分类】TP75
【相关文献】
1.基于光谱梯度角的高光谱影像流形学习降维法 [J], 向英杰;杨桄;张俭峰;王琪
2.基于边缘保持滤波的高光谱影像光谱-空间联合分类 [J], 张成坤;韩敏
3.基于光谱加权低秩矩阵分解的高光谱影像去噪方法 [J], 刘璐; 张洪艳; 张良培
4.基于流形光谱降维和深度学习的高光谱影像分类 [J], 师芸; 马东晖; 吕杰; 李杰; 史经俭
5.基于光谱重建优化的无人机高光谱影像估算牧草生物量 [J], 康孝岩;张爱武;庞海洋
因版权原因，仅展示原文概要，查看原文内容请购买。
遥感影像处理软件的使用方法
遥感影像处理软件的使用方法遥感技术在现代科技中扮演着重要的角色，通过遥感影像可以获取地球表面的信息，用以研究环境变化、资源分布等方面的问题。
遥感影像处理软件作为处理遥感数据的工具，其使用方法对于研究遥感技术的学术研究者和相关行业的从业人员都具有重要意义。
本文以对遥感影像处理软件使用方法的介绍为主题，不涉及政治因素，将从数据获取、数据导入、图像处理等方面展开详细论述。
1. 数据获取在使用遥感影像处理软件之前，首先需要获取合适的遥感影像数据。
常见的数据来源包括遥感卫星、航空摄影和无人机航拍等。
用户可以根据自己的需求选择适合的遥感影像数据，并确保数据具备足够的分辨率和覆盖范围。
2. 数据导入获取到遥感影像数据后，需要将其导入到遥感影像处理软件中进行后续的分析和处理。
大多数软件都提供了数据导入的功能，用户只需按照软件界面上的指引，选择正确的数据格式和路径，即可将数据导入到软件中。
3. 遥感影像的显示与基本处理导入遥感影像数据后，软件会将其以图像的形式显示在用户界面上。
用户可以对显示的影像进行缩放、平移等基本操作，以便更好地观察影像细节。
此外，还可以调整亮度、对比度、色彩平衡等参数，对图像进行增强处理，以便更好地反映地物信息。
4. 遥感影像的分类与解译遥感影像的分类与解译是遥感应用中的核心内容之一。
遥感影像处理软件一般提供了一系列的分类和解译方法，包括监督分类、非监督分类、最大似然分类等。
用户可以根据不同的研究目标和数据特点，选择合适的分类和解译方法，将像元按照特定的地物类别进行划分和识别。
5. 遥感影像的变化检测遥感影像的变化检测是研究地表环境变化的重要手段。
通过对不同时期的遥感影像进行比较，可以识别出地表上的变化区域和变化类型。
遥感影像处理软件提供了一系列的变化检测算法和工具，用户可以根据需要进行相应的分析和处理。
6. 遥感影像的地形分析遥感影像处理软件还可以进行地形分析，解译地表上的地形特征。
常用的地形分析包括高程提取、坡度计算、流域分析等。
遥感影像处理课程设计
遥感影像处理课程设计一、教学目标本课程旨在通过遥感影像处理的学习，让学生掌握遥感影像的基本原理、处理方法和应用技巧。
在知识目标方面，学生应了解遥感影像的基本概念、分类和获取方法，掌握遥感影像处理的基本流程和常用算法。
在技能目标方面，学生应能够熟练使用遥感影像处理软件，进行影像的预处理、增强、分类和信息提取。
在情感态度价值观目标方面，学生应认识到遥感影像处理在资源、环境监测和可持续发展等方面的重要作用，增强对遥感技术的兴趣和自信心。
二、教学内容本课程的教学内容主要包括遥感影像处理的基本原理、处理方法和应用实践。
具体包括以下几个方面：1.遥感影像的基本概念、分类和获取方法。
2.遥感影像处理的基本流程和常用算法。
3.遥感影像处理软件的使用和操作。
4.遥感影像处理在资源、环境监测和可持续发展等方面的应用案例。
三、教学方法为了提高学生的学习兴趣和主动性，本课程将采用多种教学方法，包括讲授法、讨论法、案例分析法和实验法等。
1.讲授法：通过教师的讲解，使学生掌握遥感影像处理的基本原理和知识点。
2.讨论法：通过小组讨论，引导学生深入思考和探讨遥感影像处理的相关问题。
3.案例分析法：通过分析实际应用案例，使学生了解遥感影像处理在实际中的应用和价值。
4.实验法：通过上机实验，让学生亲手操作遥感影像处理软件，提高实际操作能力。
四、教学资源为了支持教学内容和教学方法的实施，本课程将准备以下教学资源：1.教材：选用权威、实用的遥感影像处理教材，作为学生学习的基本参考资料。
2.参考书：推荐一些相关的遥感影像处理参考书籍，供学生深入学习。
3.多媒体资料：制作课件、视频等多媒体资料，丰富教学手段，提高学生的学习兴趣。
4.实验设备：准备高性能的计算机和遥感影像处理软件，为学生提供良好的实验环境。
五、教学评估本课程的教学评估将采用多元化的评估方式，以全面、客观、公正地评价学生的学习成果。
评估方式包括但不限于以下几个方面：1.平时表现：通过课堂参与、提问、讨论等环节，记录学生的平时表现，以反映学生的学习态度和理解程度。
遥感上机高光谱数据分析实验
实验一高光谱数据分析一、实验目的理解波谱库的概念，掌握波谱库操作、浏览和提取影像反射率，学会从感兴趣区中提取波谱信息，并进行彩色合成。
实验过程：打开cup95_at.int，在可用波段列表对话框中，选择Band 193（2.2008um）点击Gray Scale 单选按钮，然后点击Load Band。
将灰度影像加载到显示窗口中。
从主影像窗口菜单中选择Tools →Profiles →Z Profile (Spectrum)，提取表观反射率波谱曲线浏览影像波谱并同波谱库进行比较在主影像窗口中，使用鼠标左键点击并拖动缩放指示矩形框或者直接点击鼠标左键，将缩放指示矩形框移动到以所选像素点为中心的区域中，右图曲线发生变化。
打开ENVI给定的波谱库，本次实验使用JPL和USGS波谱库，步骤如下：从ENVI 主菜单中选择Spectral →Spectral Libraries →Spectral Library Viewer。
在Spectral Library Input File 对话框中，点击Open File 按钮，从spec_lib/jpl_lib 子目录中，选择jpl1.sli 波谱库文件，点击OK。
选择Select Input File 区域中的jpl1.sli，点击OK。
在Spectral Library Viewer 对话框中，选择Options →Edit (x, y) Scale Factors，并在Y Data Multiplier 文本框中，输入值1.000，以匹配影像表观反射率范围（1-1000），点击OK。
在Spectral Library Viewer 对话框中，选择下列波谱名称，绘制它们的波谱曲线：ALUNITE SO-4ABUDDINGTONITE FELDS TS-11ACALCITE C-3DKAOLINITE WELL ORDERED PS-1A得到如下的波谱图像：波谱库的波谱曲线从绘制（plot）窗口菜单中，选择Edit →Plot Parameters，自定义波谱曲线的绘制图。
遥感影像处理实习报告
实习报告：遥感影像处理实习一、实习目的本次遥感影像处理实习的主要目的是通过实际操作，掌握遥感影像处理的基本方法和技能，提高对遥感影像的处理和分析能力。
通过实习，我们希望能够学会使用遥感相关软件对遥感影像进行校正、裁剪等处理工作，掌握遥感野外调查的方法和注意事项，根据《土地利用现状分类-GB2007》标准，对所调查区域的遥感影像地物进行初步目视解译、划分，从而建立外业目视解译标志表，掌握对遥感影像的室内解译，同时进行小斑区划和数据库建立，根据遥感影像图，针对所调查区域制作土地利用现状分类专题图。
二、实习内容（一）遥感影像处理1、遥感影像预处理：首先我们将下载到的原始遥感图像在envis软件中进行预处理，包括辐射校正和几何校正。
辐射校正主要进行传感器校正、大气校正、太阳高度及地形校正。
几何校正是指纠正由系统或非系统因素引起的图像几何变形。
这里主要是对遥感影像坐标系进行选取，我们将实习所用到的遥感图像坐标系确定为UTMWGS84坐标系。
2、遥感影像裁剪：对预处理过的遥感影像进行裁剪，选取出本次实习的区域范围，我们选取了金洲新区大部分地区及望城区部分区域作为本次实习的区域范围。
使用envis软件中感兴趣区域选取的功能，裁剪出特定的区域范围。
（二）外业建标调查：1、建立目视解译标志：建立目视解译标志即对遥感影像上的地物进行识别和分类，根据《土地利用现状分类-GB2007》标准，对遥感影像上的地物进行初步目视解译、划分，从而建立外业目视解译标志表。
2、野外调查：根据所建立的目视解译标志，对实习区域进行野外调查，验证解译结果的准确性，并对解译过程中出现的问题进行修正。
（三）室内解译和数据库建立：1、室内解译：利用envis软件对裁剪后的遥感影像进行室内解译，根据野外调查结果和目视解译标志，对遥感影像上的地物进行详细分类和解译。
2、小斑区划和数据库建立：根据室内解译结果，对遥感影像上的地物进行小斑区划，并将小斑区数据导入数据库，建立遥感影像地物数据库。
遥感数据处理
数据预处理实验11.2006年TM影像（126-38与126-39）各波段数据转换成ENVI所支持的格式：①、ENVI中file下拉菜单，选择open external file,选择Landsat下的Fast，导入两幅TM影像的header头文件；②、步骤①完成后，在file下拉列表中的Save file as→TIFF/GeoTIFF，同时在弹出的选择对话框中选择存储位置以及其他会用到的信息，即可把两幅影像转换成该软件支持的img格式，分别命名为38.img和39.img。
如下图1-1和图1-2：图1-1 图1-22.拼接两幅转换了格式ENVI数据（*.img）:①、选择ENVI中Basic Tools菜单下拉列表中的mosaicking→Georeferenced，打开Mosaic对话框，如图2-1：图2-1图2-2②、在Mosaic对话框中，选择Import选项，进行拼接文件（Input file…）的导入,其导入过程如图2-2；③、对38.img和39.img图像进行导入完成之后，在Mosaic对话框中进行拼接应用：file apply，选择相应的存储路径及名称3839.img，点击ok即可得到38.img和39.img两幅影像拼接的图像3839.img，过程如图2-3所示。
图2-3-图2-33.根据2004年影像图对步骤2所得到的拼接影像图3839.img进行多项式校正（注意校正过程中控制点选取的原则：至少要有12个分布均匀的控制点），得到校正后的影像jiaozheng3839.img：①、打开2004年重庆遥感影像图和待校正的3839.img图；②、选择ENVI中主菜单下的map下拉列表Registration Select GCPs:Image To Image，在弹出的快捷菜单中选择相应的Base Image和Warp Image，如图3-1：图3-1③、步骤②点击ok之后进入取点校正界面，在待校正图上选取目标突出并且形状位置都比较好确定的点，相应的在2004年图上找出与带校正图像点相同位置的点，然后选择Add point进行控制点的确定，照着这样的步骤进行4次点的选取后，可以利用系统自带的predic进行下一个控制点的预测选取，直到选择的点已经足够且均匀，满足校正要求为止，结果如图3-2：图3-2图3-3④、校正点选取完成之后，在校正对话框中选择option→warp file image(3839.img)→Registration parameters对话框中选择对应的方法（2次多项式校正），背景和存储路径以及校正后图像名称jiaozheng3839.img，如图3-3所示：4.根据重庆市的区县矢量图，对2006年已经校正好的图像jiaozheng3839.img 进行裁剪，裁剪区域为巫溪和石柱县，裁剪后的图像分别命名为wuxi.img和shizu.img。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
遥感影像光谱信息处理的EXCEL 实践教学杨可明,肖金榜(中国矿业大学(北京)测绘与土地科学系,北京100083)收稿日期:2008-01-28修订日期:2008-04-07资助项目:中国矿业大学(北京)教学改革项目(J070102)。
作者简介:杨可明(1969~),男,汉族,安徽含山人,博士,主要从事高光谱遥感与GIS 应用研究。
E -m ail:ykm@摘要:遥感影像数据的光谱信息分析与处理是目前遥感应用的热点之一。
通过多年的遥感教学实践,依据PHI(Pushbroom H yperspectral Imag er)航空高光谱影像像元光谱维矢量数据,总结了基于EXCEL 软件的高光谱影像地物光谱构建、光谱特征及其相关性分析、光谱微分计算、光谱向量相似性度量等光谱分析与信息识别的教学方法,以使学生在学习专业知识过程中增加实际工作经验与科研能力。
关键词:遥感影像;EXCEL;光谱处理;教学中图分类号:T P75 文献标识码:A 文章编号:1000-3177(2009)101-0070-05遥感影像数据的主要特点是图谱合一,即在获取地表空间图像的同时,也得到每个地物单元的光谱信息,从而可依据地物光谱特征实现地物成分的信息反演与识别。
遥感影像高光谱信息在信息量、波段数、波段相关性、处理方法、应用模型等方面都具有不同于传统全色和多光谱图像信息的特点。
因EXCEL 、MAT LAB 等软件的数据处理灵活性以及可节省光谱处理编程时间,所以常被用来进行相关地物的光谱建立、光谱微分、相关性分析等光谱数据处理[1~3]。
本文基于多年的遥感教学实践,结合染有条锈病的小麦PH I 航空高光谱影像,阐述了EX -CEL 在高光谱数据处理中的地物光谱构建、特征及其相关性分析、光谱微分处理、光谱向量相似性度量和信息提取等方面的几种教学实践方法。
1 基于EXCEL 的影像光谱维分析方法1 1 光谱维特征空间高光谱遥感能以数十至数百个连续且窄的光谱波段描述一个像元,每一像元在各波段的属性值构成一个光谱向量(如图1),从而形成了独特的超多维光谱空间,且利用连续的窄波段能探测具有不同诊断性的光谱特征。
影像的光谱特征通常是以地物在高光谱图像上的灰度体现出来的,即不同的地物在同一波段图像上表现的灰度一般互不相同。
每一个像元的灰度值在不同波段中的变化反映了此像元所代表的地物信息。
遥感影像光谱特征空间就是一个n 维坐标系(波段数就是光谱特征空间的维),每一个坐标轴代表一个波段,坐标值为灰度值,坐标系内的每一个点代表一个像元。
像元点在坐标系中的位置可以表示成一个n 维向量(X ):X =[x 1,x 2, ,x n ]T(1)其中每个分量x i 表示该像元点在第i 个坐标轴上的投影,即灰度值。
图1 高光谱影像像元的光谱维矢量空间1 2 光谱微分方法在高光谱数据中,地物性质在电磁波谱上能显示出诊断性光谱吸收特征,这些特征只有利用高光谱数据才有可能被探测到。
为了快速寻找地物光谱曲线的弯曲点及最大最小反射率的波长位置、深度等特征参数以及分解重叠的吸收波段,常常对原始光谱进行导数处理而得到导数光谱,目的是强调光谱曲线的变化趋势和压缩均值等影响。
导数光谱分为一阶导数光谱和高阶导数光谱,由于光谱采样间隔的离散性,实际导数光谱一般是用差分方法来近似计算[4]。
一阶导数和二阶导数光谱可用下式计算:( i )=( i +1)- ( i -1)2 =d ( i )d (2)( i )= ( i +1)- ( i -1)2 (3) = ( i +2)-2 ( i )+ ( i -2)4( )2=d 2 ( i )d2其中 i 是波段i 的波长值, ( i )是波长 i 的光谱值(如反射率等), 是波长 i -1到 i 的差值,由光谱采样间隔决定。
1 3 光谱相关性分析方法光谱相关性分析通常用线性回归模型、R -平方值(R 2)、均方根误差(Roo t M ean Square Error s,RM SE)等。
线性回归模型计算由下列公式代表的直线的最小方差:y =m x +b (4)其中,m 代表斜率,b 代表截距。
R 2也称为决定系数,是取值范围为0到1的数值,它表示趋势线的估计值与对应的实际数据之间的拟合程度。
当趋势线的R 2等于1或接近1时,其可靠性最高。
RM SE 是表示模型精度。
R 2和RM SE 可由下式计算:R 2=1- (Y j -Y ^j )2( Y 2j )-( Y j)2n(5)RM SE=ni =1(Y i -Y ^i )2/n (6)其中,Y i 是实测值,Y^i 是模型模拟值,n 是样本数。
1 4 光谱向量相似性度量方法高光谱遥感中往往直接使用像元光谱向量作为检索依据,光谱向量相似性度量常用波谱角作为衡量指标。
波谱角度制图(Spectral Angle Mapper,SAM )方法是对地物光谱波形相似度度量的方法之一。
SAM 将每条光谱都视为波段空间的一个矢量,通过计算一个像元光谱与一个参考光谱之间的 角度 来确定两者之间的相似性,夹角越小,说明越相似。
光谱角的计算如式:cos =A B |A | |B |,=cos -1 Ni =1A i B iNi =1A i A iNi =1B i B i(7)式中N 为波段数,A =(A 1,A 2, ,A N )和B =(B 1,B 2, ,B N )分别表示两个像元光谱向量,其元素A i 、B i 表示像元在i 波段上的反射率,a 为光谱角。
2 教学数据与EXCEL 应用分析教学基于高光谱影像数据,依据上述几种方法,利用EXCEL 函数功能,进行光谱维信息处理和应用分析实践。
2 1 数据获取教学数据是2002年在北京市小汤山精准农业示范基地获得的染有条锈病的小麦PH I 航空高光谱影像数据,有112个波段,光谱分辨率小于5nm 。
并采用经验线性法对PH I 图像数据进行辐射校正和反射率转换[5~6],对照基地025m 高分辨率、带有地理坐标的底图,对PH I 图像进行几何精校正,重采样后的图像分辨率为1m 。
本教学研究只是分析了2002年5月31日小麦乳熟期PH I 影像(此时条锈病接种区域全面感染上条锈病)。
为了便于分析,现场确定了几个特征采样点(如图2):感染条锈病小麦样本采样点,用于对照分析的正常生长健康小麦样本采样点等。
各采样点的光谱维矢量值如表1所示。
图2 影像数据与样本采样点位表1 各采样点光谱维矢量特征值(部分)波段(A)波长/nm(B)健康小麦(C)条锈小麦(D)荒地土壤(E )1409 7000128 1316948 52859113 280822414 049988-0 5885098 8763626 0953013418 399994-3 5381621 576388 1737154422 757 03361312 95977211 2943785427 1000069 2154749 10574115 3673786431 450012-2 835349-4 1288574 9906027435 7999885 1715088 3208259 068503112835 07501232 81608640 45070339 0972332 2 地物光谱构建小麦条锈病(Wheat Stripe Rust)是世界范围的小麦病害,在西欧和北美大平洋沿岸广泛发生,在我国是小麦三种锈病(条锈病、叶锈病和秆锈病)中发生最广、危害最重的病害。
小麦受害后叶片表面出现褪绿斑,以后生黄色疱状夏孢子堆,后期产生黑色的疱状冬孢子堆[7~8]。
在EXCEL 中选择表1中B 、C 、D 和E 列的地物光谱数据,生成折线图,可构建健康小麦、条锈病小麦、荒地土壤和树的采样点反射光谱特征曲线,如图3所示。
图3 采样点地物的反射光谱特征曲线2 3 条锈病冠层微分光谱特征提取一般认为,可用一阶导数处理技术去除部分线性或接近线性的背景、减弱大气散射和吸收、噪声光谱对目标光谱的影响,二阶导数可以非常好地消除土壤背景[4,9~10]。
在EXCEL 中,利用 =(C3-C1)/(2*(B2-B1)) 等系列计算式可求一阶光谱导数,利用 =(C3-2*C2+C1)/((B2-B1) 2) 系列计算式可求二阶光谱导数。
大多数土壤的光谱反射率几乎可以用一个线性函数来表示。
图4是利用EXCEL 内的线性回归分析功能所得,由图4可知,图4(a)的R 2为0 75,而图4(b )的R 2为0 39,所以可以认为1阶导数可以较好地消除土壤背景对光谱的影响。
图5为健康生长小麦(a)与染有条锈病小麦(b)采样点的1阶导数光谱,通过计算PH I 图像光谱反射率在680~750nm 之间的一阶微分来计算红边参数,这些参数包括[10~11]: 红边位置:在680~750nm 之间,一阶微分最大值所对应的波长 red ; 红边峰值:680~750nm 之间的光谱一阶微分值; 红边振幅:红边位置所对应的光谱一阶微分值d red ; 最小振幅:波长在680~750nm 之间的最小一阶微分值dmin ; 红边峰值面积:在680~750nm 之间的光谱一阶微分值包围的面积( d 680~750); 红边宽度:红边位置波段与红边起点(为叶绿素强吸收波段红光区最小反射率值)光谱波段的差值(red - min )等。
通过这些参数的变化可实现对小麦条锈病害的监测。
图4 健康小麦与条锈病小麦的光谱(a)和1阶导数光谱(b)相关性分析图5 两采样点光谱的1阶导数光谱比较2 4 基于EXCEL 的光谱相似性量测以不同空间分辨率影像的小麦条锈病光谱分析为例,为了分析不同地面空间分辨率对PHI 影像中小麦条锈病害提取的精度影响,利用图像处理软件对最初1m 空间分辨率的影像像元进行合并,分别形成地面分辨率为1m 、10m 、20m 、80m 和100m 的影像。
2002年5月17日的影像为小麦的灌浆期影像,此时病害点条锈病比较严重。
从1m 、10m 、20m 、80m 和100m 地面分辨率的图像上分别提取健康小表和有条锈病小麦的采样点位像元光谱数据,利用EXCEL 绘制光谱曲线,可看出,病害采样点与健康采样点的光谱差异十分明显(如图6)。
图6 不同空间分辨率影像及条锈病害监测光谱分析分析时,主要是对照比较染病小麦(严重感染条锈病)与健康小麦(正常生长)的样本采样点在同一地面分辨率下的光谱曲线变化情况,并根据SA M 法分别计算在各地面分辨率时感染条锈病小麦样本采样点光谱向量与正常生长健康小麦样本采样点光谱向量的光谱角a。
如果被计算的光谱角a(设最大限值角a弧度=0 10):(1)a<0 10,不能区分条锈病小麦与健康小麦。