基于GIS的ndvi植被覆盖度的估算
arcgis植被覆盖度计算
1 / 1
arcgis 植被覆盖度计算
ArcGIS 提供了多种用于计算植被覆盖度的工具和方法。
其中，常用的一种方法是使用遥感影像和相关的植被指数来估计植被覆盖度。
以下是一些常见的步骤和工具：
1. 获取遥感影像： 使用ArcGIS 导入或加载需要分析的遥感影像。
这可以是卫星影像、航拍影像等，最好是多光谱影像，以便计算植被指数。
2. 计算植被指数： 计算植被指数，如归一化植被指数（NDVI ）或其他适用于你的区域的指数。
通常，NDVI 是一种常用的植被指数，
其计算公式为()
()NIR Red NDVI NIR Red −=+，其中 NIR 是近红外波段的反射值，Red 是红光波段的反射值。
3. 阈值化： 使用阈值化方法将植被指数转换为二值图像，其中植被部分为1，非植被部分为0。
这可以通过选择适当的阈值来实现。
例如，你可以使用Raster Calculator 工具进行阈值化，将NDVI 大于某个阈值的像元设置为1，其余像元设置为0。
4. 计算覆盖度： 最后，通过计算二值图像中1的像元数量与总像元数量之比，可以得到植被覆盖度的百分比。
你可以使用Zonal Statistics 工具对整个区域或特定区域进行统计。
这是一个简要的步骤，具体操作可能会因数据的不同而有所变化。
确保你的遥感影像数据正确，并且你理解你所使用的植被指数的含义。
在ArcGIS 中，你可以利用工具箱中的工具来执行这些任务。
arcgis植被覆盖度计算步骤
arcgis植被覆盖度计算步骤植被覆盖度计算是通过遥感图像数据和相关算法，对特定地区的植被分布情况进行评估和量化的过程。
在计算植被覆盖度之前，首先需要获取和预处理遥感图像数据，然后进行一系列的数据处理和分析步骤。
下面是一个植被覆盖度计算的详细步骤。
1.数据获取：获取适当的遥感图像数据，常用的遥感数据包括高分辨率的卫星图像、航空影像和无人机遥感数据等。
这些图像数据可以获得植被分布的空间信息。
2.预处理：对获取的遥感图像进行预处理，包括去噪、几何矫正、辐射定标等。
这些操作可以提高遥感图像的质量和准确性。
3.植被指数计算：计算植被指数，常用的植被指数包括归一化植被指数（NDVI）、归一化差异植被指数（NDVI2）、综合植被指数（EVI）等。
这些指数利用了红外和可见光波段的反射率差异，以衡量植被覆盖度的指标。
4.影像分类：对遥感图像进行分类，将图像中的不同对象进行划分和分割，提取出植被区域。
常用的分类方法包括像元法、对象法和混合法等。
5.植被覆盖度计算：基于分类的结果，计算植被覆盖度。
植被覆盖度可以用像元个数、像元面积或百分比来表示。
计算方法为统计植被像元数量，然后与总像元数量进行比较。
6.结果分析：对植被覆盖度进行分析和解读。
可以根据植被覆盖度的结果，评估植被的生态环境和状况，提供决策支持和制定相应的保护措施。
7.精度评估：对计算结果进行精度评估，检验计算的准确性和可靠性。
可以通过对比野外实地数据和遥感数据的观测结果，进行精度检验。
8. 可视化：将计算结果进行可视化展示，生成植被覆盖度图。
可以利用地理信息系统（GIS）软件，如ArcGIS等，进行可视化操作，制作植被覆盖度图。
总之，植被覆盖度计算是一个复杂的过程，需要综合运用遥感技术和地理信息系统分析方法。
它可以提供有关植被分布和生态环境的重要信息，对于土地利用规划、生态保护和环境评估等方面具有重要意义。
arcgis植被覆盖度计算
arcgis植被覆盖度计算植被覆盖度是指在一个地理区域内，被植被覆盖的地表面积与总地表面积之间的比例。
植被覆盖度通常被用来评估一个地区的生态状况、环境变化以及植被生长的情况。
在ArcGIS平台中，可以使用多种方法来计算植被覆盖度，包括遥感影像分析、空间插值和图像分析等。
在遥感影像分析中，植被覆盖度的计算通常基于植被指数（Vegetation Index）的计算。
植被指数是一种利用遥感影像数据来反映地表植被情况的指标。
植被指数常用的有Normalized Difference Vegetation Index (NDVI)、Enhanced Vegetation Index (EVI)和Greenness Index (GI)等。
其中，NDVI是最常用的植被指数之一，其计算公式为：NDVI = (NIR - RED)/(NIR + RED)，其中NIR代表近红外波段的反射值，RED代表红光波段的反射值。
通过计算图像中每个像元的NDVI值，可以得到植被覆盖度的信息。
在ArcGIS中，可以通过使用ArcMap或ArcGIS Pro来进行植被覆盖度的计算。
首先，需要获取一幅遥感影像数据，可以是多光谱数据或全色数据。
然后，根据所选择的植被指数，使用Band Arithmetic工具来计算NDVI或其他植被指数。
接下来，可以使用栅格计算器（Raster Calculator）工具来根据计算得到的NDVI值来计算植被覆盖度。
植被覆盖度的计算通常基于像元的阈值来判断是否属于植被覆盖，常见的阈值有0.2或0.3。
最后，可以使用ArcGIS的栅格统计工具来计算整个区域的植被覆盖度。
除了遥感影像分析，还可以使用ArcGIS的空间插值工具来计算植被覆盖度。
空间插值是一种通过离散点数据来估计未知位置上的数据值的方法。
可以使用ArcGIS的插值工具（如Kriging或IDW）来估计每个地点的植被覆盖度。
这需要有足够数量和分布均匀的野外观测数据，用于插值计算。
arcgis植被覆盖度计算
arcgis植被覆盖度计算植被覆盖度是指在特定区域内植被的覆盖面积与总面积的比例。
它是生态环境评价和监测的重要指标之一，能够反映出植被的状况和生态系统的健康水平。
以下是关于如何使用ArcGIS进行植被覆盖度计算的相关参考内容：1. 数据准备：- 植被分类遥感影像数据：植被覆盖度计算需要使用高分辨率的遥感影像数据。
常用的遥感影像类型包括卫星影像（如Landsat、MODIS）和航空影像。
- 数字高程模型（DEM）数据：DEM数据可以用于计算地表的坡度和高程，对植被覆盖度的计算有一定的帮助。
2. 遥感影像预处理：- 影像预处理包括辐射校正、大气校正、几何校正等步骤。
这些步骤旨在消除干扰因素，提高植被分类的准确性。
- 使用ArcGIS中的遥感图像处理工具进行预处理，如图像识别、图像剪裁、图像增强等，以确保影像数据质量。
3. 植被分类：- 在ArcGIS中，可以使用遥感图像分类工具对影像进行植被分类。
常用的分类算法包括最大似然、支持向量机（SVM）和随机森林等。
- 根据遥感分类结果，生成植被覆盖度的二值图像。
其中，植被区域定义为植被类型的像元，非植被区域为其他类型的像元。
4. 植被覆盖度计算：- 根据植被覆盖度的定义，可以利用ArcGIS中的空间分析工具计算植被覆盖度。
例如，可以使用栅格统计工具对植被区域像元的数量进行统计，再除以总的像元数量得到植被覆盖度的百分比。
- 也可以利用ArcGIS中的栅格代数工具和栅格计算工具，对植被区域的像元进行逻辑运算，生成植被覆盖度的栅格图像。
- 此外，结合DEM数据，可以使用ArcGIS中的地理加权回归工具（Geographically Weighted Regression，GWR）进行地表坡度和植被覆盖度的相关分析，进一步了解植被覆盖度与地形关系。
5. 结果可视化：- 对于计算得到的植被覆盖度结果，可以使用ArcGIS中的分类符号工具将不同植被覆盖度等级进行着色，制作植被覆盖度图。
如何利用遥感技术进行植被覆盖度评估
如何利用遥感技术进行植被覆盖度评估遥感技术，即通过卫星或飞机等远距离传感器获取地球表面的信息，已成为研究和监测植被覆盖度的有力工具。
植被覆盖度评估是揭示和量化地表植被分布及其变化的重要手段，对于环境保护和自然资源管理具有重要意义。
本文将介绍如何利用遥感技术进行植被覆盖度评估，并探讨其在不同领域的应用。
首先，遥感技术可以通过获取不同波段的光谱数据来识别和提取地表植被信息。
植被覆盖度一般用植被指数来表示，常用的指数包括归一化植被指数（NDVI）、植被指数（VI）等。
这些指数综合了不同波段的反射率变化与植被覆盖度之间的关系，从而可以快速、准确地评估植被覆盖度。
例如，NDVI通过计算近红外波段与红光波段之间的差异来反映植被的生长状况，数值范围为-1到1，数值越高表示植被覆盖度越高。
其次，遥感技术还可以通过多时相的图像数据来监测植被覆盖度的动态变化。
利用不同时间的遥感数据，可以比较不同时间点的植被覆盖度，并分析其变化趋势和空间分布。
特别是在大范围区域和长时间跨度的监测中，遥感技术具有高效、经济的优势。
例如，在草原生态系统中，通过比较多期的NDVI图像，可以揭示草地退化和恢复的过程，为草地保护和恢复提供科学依据。
此外，遥感技术结合地理信息系统（GIS）可以实现植被覆盖度评估的空间分析和定量化。
通过对遥感图像进行分类和分割，可以将地表划分为不同的植被类型，进而定量计算各类植被的面积和覆盖度。
同时，结合地理位置信息，可以进行空间分布分析，比如研究城市绿地的分布格局和空间连通性。
在实际应用中，遥感技术的植被覆盖度评估在农业、环境保护、城市规划等领域具有广泛的应用前景。
例如，在农业生产中，通过遥感技术可以监测农田的植被覆盖度，为灌溉管理、农作物生长状况评估等提供支持。
在环境保护中，遥感技术可以用于评估自然保护区、湿地等特定区域的植被覆盖度，为生物多样性保护和生态系统管理提供决策依据。
在城市规划中，遥感技术可以实现城市植被覆盖度的空间分析和动态监测，为城市绿化和城市生态建设提供科学指导。
arcgis归一化植被指数
arcgis归一化植被指数
归一化植被指数（NormalizedDifferenceVegetationIndex，NDVI）是一种用于评估植被覆盖程度和生长状况的遥感指数。
在ArcGIS软
件中，可以使用遥感图像进行NDVI的计算。
NDVI的计算公式为：NDVI=(NIR-RED)/(NIR+RED)，其中NIR为近红外波段反射率，RED为红色波段反射率。
计算出的NDVI值范围为-1到1，通常植被覆盖程
度越高，NDVI值越高。
在ArcGIS中进行NDVI计算的步骤如下：
1. 导入遥感图像数据。
可以使用ArcCatalog创建栅格数据集，然后使用ArcMap导入栅格数据到地图中。
2. 创建波段计算器。
选择图像栏中的遥感图像，然后选择波段
计算器工具。
在波段计算器窗口中选择NIR和RED波段，并输入NDVI 的计算公式。
3. 进行NDVI计算。
运行波段计算器工具进行NDVI计算，生成NDVI的栅格图像。
4. 分析NDVI数据。
使用ArcMap的分析工具，可以对NDVI数据进行统计分析、空间分析等，进一步评估植被覆盖程度和生长状况。
- 1 -。
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。
arcgis植被覆盖度计算
arcgis植被覆盖度计算
在ArcGIS中，可以使用NDVI指数来计算植被覆盖度。
首先，需要获取红外波段和可见光波段的遥感影像数据。
红外波段通常对应于近红外波段（NIR），可见光波段通常对应于红、绿或蓝波段。
1. 打开ArcGIS软件，导入红外波段和可见光波段的遥感影像数据。
确保两个波段的投影系数一致。
2. 在图像解释器中，右键点击图像，选择"Band Arithmetic"选项，进入波段算术工具的对话框。
3. 在波段算术对话框中，输入以下公式来计算归一化植被指数(NDVI)：(NIR - Visible) / (NIR + Visible)
其中，NIR表示红外波段，Visible表示可见光波段。
4. 设置输出栅格数据的文件名和路径，然后点击"OK"按钮开始计算。
5. 完成计算后，可以通过计算得到的NDVI图像来计算植被覆盖度。
可以使用栅格计算器工具，设置阈值来确定植被覆盖度的范围。
例如，可以通过设置NDVI值大于0.5的像素作为植被覆盖度的范围。
这样，就可以得到植被覆盖度的计算结果。
请注意，植被覆盖度的计算可以根据具体需求进行调整和改进，上述步骤仅为简单示例。
- 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)。
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。
近年来，国内外在植被遥感监测方面开展大量的研究，发展许多植被覆盖度监测方法［8 ～ 13］。
遥感方法相较于传统地面测算使测算的外业工作极大减少，在时效性、测算范围等方面都存在较明显优势。
孙睿等［14］利用NOAA 数据，通过研究不同时段降水量与年最大NDVI 之间的相关关系分析降水对黄河流域植被覆盖度的影响; 赵彩霞等［15］通过定量分析植被覆盖度与土壤风蚀量及风蚀气候侵蚀因子3 者随时间变化的相关关系，计算和比较不同类型植物防风治沙性能的动态差异、总植被覆盖度及相应的总土壤风蚀量动态变化; RezaAmiri 等［16］利用基于NDVI 值，分析植被覆盖度和土地利用/土地覆被与土地表面温度的时空变化3者相关性。
将气候、土壤因素与植被覆盖度进行相关研究较多，而将地质条件与植被覆盖度相结合的研究尚未有人涉及。
1.3 主要研究内容与方法1.3.1 研究区概况徐州市位于江苏省的西北部，东经116°22′～118°40′、北纬33°43′～34°58′之间。
东西长约210公里，南北宽约140公里，总面积11258平方公里，占江苏省总面积的11％。
地处苏、鲁、豫、皖四省交界，为东部沿海与中部地带上海经济区与环渤海经济圈的结合部。
素有“五省通衢”之称。
京沪、陇海两大铁路在此交汇，京杭大运河傍城而过贯穿徐州南北，公路四通八达，北通京津，南达沪宁，西接兰新，东抵海滨，为全国重要水陆交通枢纽和东西、南北经济联系的重要十字路口。
图1 徐州市区位图 1.3.2 研究内容与技术路线1.3.2.1 研究内容在遥感应用领域,植被指数是一种反映地表植被信息的重要信息源之一,已广泛用于定性和定量评价植被覆盖及其生长状况。
植被指数经过20 多年的发展,目前有几十种,但常用的植被指数有:归一化植被指数(NDVI) 、比值植被指数(RVI) 、差值植被指数(NVI) 、土壤调节植被指数(SAVI) 和修正突然植被指数(MSAVI) 等[17 - 18] 。
其中归一化植被指数是植被生长状态及植被覆盖度的最佳指示因子。
本文主要利用2010年徐州市TM图像进行植被覆盖情况的研究，利用归一化植被指数法与象元二分模型进行植被覆盖度的反演，最终得到基本植被覆盖情况与徐州市六县的分区覆盖情况。
1)归一化植被指数NDVI。
植被指数是利用绿色植物强吸收可见光红波段( 0.6 ～ 0.7 μm) 和高反射近红外波段( 0.7 ～ 1.1 μm) 特点，经过变换，增强植被信号，削弱噪音组合而成。
归一化植被指数( NDVI，下式为NNDVI) 是植被生长状态及植被覆盖度最佳指示因子［19,20］，被定义为近红外。
波段与可见光红波段数值之差和这两个波段数值之和比值，计算公式:NDVI = ( NIR － R) /( NIR + R) ( 1)式中，NIR为近红外波段的反射率，R 为红光波段的反射率。
2）像元二分模型。
像元二分模型原理是假设影像上一个像元的反射率R 可分为纯植被部分反射率Rv 和非植被部分Rs 两部分,那么, 任一像元的反射率值可以表示为由植被覆盖部分与非植被覆盖部分的线性加权的和: SV R R R += (2) 假设影像上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, 那么非植被覆盖的面积比例为1 - f c 。
如果该像元全由植被所覆盖,则所得的反射率为R veg,如果该像元无植被覆盖,则反射率为R soil ,因此,混合像元的植被部分所贡献的信息Rv 可以表示为纯植被反射率R veg 与像元中植被覆盖面积f c 的乘积(见公式(2) ) , 而非植被成分所贡献的信息Rs 可以表示为R soil 与1 - f c 的乘积(见公式(3) ) : Vegv R fc R *= (3) soil S R fc R *)-1(= (4)通过解算式(2) 、式(3) 和式(4) , 可得到计算植被覆盖度的公式,如下:)/()(soil veg soil R R R R fc --= (5)其中:R soil 与R veg 是像元二分模型的两个参数。
很明显,只要求得这两个参数根据公式(5), 就可以利用遥感信息来估算植被覆盖度。
根据像元二分模型原理,我们可以将1个像元的NDVI 值表示为由有植被覆盖部分地表与无植被覆盖部分地表组成的形式。
因此,计算植被覆盖度的公式可表示为: soilveg soilNDVI NDVI NDVI NDVI fc --= (6) 其中:NDVI soil 为完全是裸土或无植被覆盖区域的NDVI 值,NDVI veg 则代表完全由植被所覆盖的像元的NDVI 值,即纯植被像元的NDVI 值。
参考李苗苗［20］、Gutman ［21］ 等提出的估算NDVI veg 和NDVI soil 的方法，根据整幅影像上NDVI 的灰度分布，以0.5% 置信度截取NDVI 的上下限阈值分别近似代表NDVI veg和NDVI soil。
采用ARCGIS软件的栅格计算器，应用式( 6) 计算所有影像的植被覆盖度分布情况。
将计算得到的植被覆盖度( FC) 分5级: 低植被覆盖度( FC ＜ 10%) 、较低植被覆盖度( 10%≤FC＜ 30%) 、中度植被覆盖度( 30% ≤FC ＜ 50%) 、较高植被覆盖度( 50%≤FC＜ 70%) 和高植被覆盖度( FC≥70%) .1.3.2.2 技术路线图2 技术路线图2 课题研究主要步骤2.1 数据准备采用徐州市2010年的Landsat TM 遥感数据,共包括了三景图像，轨道号分别为p121r036、p121r037、p122r036,Landsat 7 ，TM有7个波段,其中1-5, 7波段的分辨率均为30 m; 6波段分辨率为120 m,为热红外波段,不参与此试验研究; 首先利用ERDAS8.6的工具，依次选择Interpreter-Utilities-Layer Stack，将原始tiff数据合成多光谱图像，因为第六波段为热红外波段，所以予以舍弃。
2.2 植被覆盖度遥感信息提取2.2.1 土地利用类型分类1) 基本类型划分利用最大似然法进行监督分类，主要流程为：建立分类模板、评价分类模板、执行监督分类、精度评价。
监督分类又叫训练区分类，它的前提是已知遥感图像上样本区内地物的类别，所以选择足够数量和具有代表性的训练区，决定了监督分类的精度。
由于选取的研究区面积较大，所以在训练区数量上均在3000以上。
根据图像的分辨率，将徐州市分为六类土地类型：水体，建设用地，农田，林地，山地，未利用地。
分类精度满足要求。
2)分类属性重编码由于水体在植被指数图像上多显示为负值，影响植被覆盖度的估算，所以先进行水体的剔除，这里采用的方法是掩膜法。
在分类图像上进行属性的重编码，将水体的属性设置为0，其余地物的属性均设置为1，即是对图像进行二值化处理。
结果使水体与其他地物区分开。
所得图像为：图3 二值化处理图像3）水体剔除将二值化处理的图像与原始图像相乘，即可以将水体剔除掉，这里利用的是ERDAS的建模功能，所建立的模型如下所示:图4 剔除水体模型图5 剔除水体的图像2.2 2 植被指数计算利用ERDAS进行植被指数的计算主要有两种方法：一种是直接利用菜单工具：Interpreter-spectral Enhancement-Indices。