植被覆盖度反演
基于遥感影像的北京市植被覆盖率反演
基于ETM遥感影像的北京市植被覆盖度反演1 绪论1.1 研究区概况北京中心位于北纬39度54分20秒，东经116度25分29秒。
位于华北平原西北边缘。
毗邻渤海湾，上靠辽东半岛，下临山东半岛。
北京与天津相邻，并与天津一起被河北省环绕。
西部是太行山山脉余脉的西山，北部是燕山山脉的军都山，两山在南口关沟相交，形成一个向东南展开的半圆形大山弯，人们称之为“北京弯”，它所围绕的小平原即为北京小平原。
诚如古人所言：“幽州之地，左环沧海，右拥太行，北枕居庸，南襟河济，诚天府之国”。
全市平均海拔43.5米。
北京平原的海拔高度在20～60米，山地一般海拔1,000～1,500米。
北京市国土面积16410.54平方公里，市区面积12187平方公里，建成区面积1386平方公里。
1.2数据的选择本研究的研究的是北京市植被覆盖度反演，应选择植被生长的旺季，考虑到北京市的气候和季节，应选择6~10月份之间的数据影响为最合适的。
据此，本研究选择的是2009年9月22日的landsat5的TM遥感影像。
图1-1图像的示例图：影像绿地信息明显，有较好的识别效果。
基本上满足研究的需要。
1-1 影像数据1.3 研究的意义植被，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。
一个城市的植被覆盖度可以反映一个城市规划的情况，间接的反应一个城市的环境质量，是城市的重要组成部分。
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。
实验课1-定量遥感--植被覆盖度反演PPT优秀课件
实验一 植被覆盖度的遥感反演
三、实习仪器与数据
（1）Landsat 8数据：LC81290392013110LGN01 仁寿县的县界*.shp文件
（2）根据自己的兴趣选择研究区，遥感影像以及矢量数据可以从网上获取。 数据来源：从网站下载免费数据，如：
◦ /data/ ◦ ◦ / 数据源请从（1）和（2）中任意选择一个。
7
实验一 植被覆盖度的遥感反演
◦ 3、计算植被覆盖度 方法一：(两种方法都要做)
根据公式（1），我们可以将整个地区分为三个部 分：
• 当NDVI小于NDVI0 ， fv取值为0； • NDVI大于NDVIv ， fv取值为1； • 介于两者之间的像元使用公式（1）计算。 利用ENVI主菜单->Basic Tools->Band Math，在公式 输入栏中输入进行计算. 请回顾ENVI中公式的写法
1
实验一 植被覆盖度的遥感反演
在线性像元分解模型中，最简单的模型假设像元只有植被 和非植被两部分构成。所得的光谱信息也只有这两个组分因子 线性合成。他们各自的面积在像元中所占的比率即为各因子的 权重，其中植被覆盖部分所占像元的百分比即为该像元的植 被覆盖度。
NDVI = fv*NDVIv + (1- fv)* NDVI0
(公式1）
NDVI为像元NDVI值，fv为像元的植被覆盖度，NDVIv和NDVI0分别 为植被覆盖部分和非植被覆盖部分的NDVI值。NDVIv和NDVI0这两个 参数值的确定是关键，将直接影响到植被覆盖度估算结果。
在实际工作中因缺少大面积地表实测数据作参考，以及不可避 免存在噪声，所以通常对NDVI 统计直方图给定置信区间，求该区间 内的最小和最大值来作为NDVI0和NDVIv值，或者取5%和95%频率的 NDVI 值作为NDVI0和NDVIv值。本实验中采取后一种取值方法。
专题基于像元二分模型的植被覆盖度反演
1.2 图像镶嵌
• 当研究区超出单幅遥感图像所覆盖的范围时，通常需要将 两幅或多幅图像拼接起来形成一幅或一系列覆盖全区的较 大的图像。
• ENVI的镶嵌功能
– 基于像素镶嵌和无缝镶嵌工具 – 自动颜色平衡，边缘直方图匹配 – 自动生成接边线、接边羽化 – 提供结果预览功能 – 运算速度快 – 占用非常少的虚拟内存空间
1.3 研究区裁剪
• 利用北京市行政区划矢量边界对上一练习中镶嵌的结果 进行矢量裁剪，得到北京市区的数据
1.4 大气校正——概述
• 获得地物真实的光谱信息是遥感反演的前提，大气校正 可消除大气影响，还原地物的真实信息，是定量遥感数 据预处理中必不可少的环节。
1.4 大气校正——FLAASH大气校正
• 支持四种数据类型：浮点型（floating）、长整型(long integer )、整型（ integer）和无符号整型 (unsigned int)。数据存储类型： ENVI标准栅格格式 文件，且是BIP或者BIL。
–波谱范围：400－2500nm
1.4 FLAASH大气校正
• /Radiometric Correction/FLAASH Atmospheric Correction
处理流程图
进入专题
• 数据：
– “203-专题：基于像元二分模型的植被覆盖度反演”
图像预处理
1.1 数据读取与定标
• File-> Open As-> Landsat-> GeoTIFF with Metadata，打开 _MTL.txt。
• Toolbox/Radiometric Correction/ Radiometric Calibration，选 择可见光-红外组（7个波段），打开Landsat定标工具
基于像元二分模型的植被覆盖度反演
实习报告题目XX市基于像元二分模型的植被覆盖度反演学院测绘科学与技术学院专业班级测绘工程1903班姓名 _______________ X XX学号17410080518任课教师XX、XXX日期2020年1月10日目录一．实习目的 (2)二．实习地点及时间 (2)三．实习具体内容 (2)1. 数据获取 (2)2. 数据预处理 (3)2.1 数据读取与定标 (3)2.2 图像裁剪 (4)2.3 大气校正 (5)3. 植被覆盖度估算 (6)3.1 NDVI 计算 (6)3.2 掩膜文件制作 (8)3.3 获取阈值 (9)3.4 生成参数文件 (9)3.5 植被覆盖度 (11)3.6 植被覆盖度验证和分类 (13)4. 植被覆盖度时空变化分析 (14)4.1 各期植被覆盖度的基本情况 (14)4.2 植被覆盖度的动态变化检测 (15)四．实习心得 (16)一．实习目的掌握ENVI 软件的基本操作掌握遥感卫星影像的处理流程提高学生分析问题解决问题能力，增强实践技能。
学会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。
二．实习地点及时间XX科技大学临潼校区骊山校区11#509, 2020年1月7日到2020年1月9日。
三．实习具体内容1.数据获取本专题使用的数据在地理空间数据云下载。
所使用的数据为甘肃省XX市2014年4月7日和2018年4月2日landsat8 OLI。
图 1 数据获取2.数据预处理 2.1数据读取与定标1.数据读取在 ENVI 主菜单中，选择 File-〉Open As-> Landsat-> GeoTIFF with Metadata ，在对话框中 选择“ \1-Landsat8 数据 \LC81290362014097LGN00_MTL.txt ” 文件，ENVI 自动将数据真彩色显示，对数据做全景显示和拉伸，在 Data Manager 中，自动按 照波长分成五个组：多光谱、全色、卷云、热红外、质量波段。
基于GIS和遥感技术的植被覆盖度反演模型
Ｋｅ ｒ ｓ ＧＩ ＲＳ； ｅ ｅ ａｉｎ ｆ ｃｉ ｎ； ｎ ｒｒ ｇ ｅ ｓｏ ｙ ｗｏ ｄ ： Ｓ； ｖ ｇ ｔｔ ｒ ｔ ｏ ａ ｏ ｌ ｅ ｅ ｒ ｓｉ ｎ ｉ
植被覆盖度可定义为单位面积内植被的垂直投影面积 ， 是衡量地表植被覆盖水平的一个最重要的指 标 ， 土地 沙漠 化评 价 、 在 水土 流失 监测 和 分布 式 水 文模 型 中 ， 都将 植 被 覆 盖 度 作 为 重要 的输 人 参 数 …． 植 被覆盖度测量的传统方法是地面测量 ， 最常用的方法有 目 估法 、 样方法 、 样带法 、 样点法等 ， 以及借助于采 样仪 器 的测量 方法 ， 如空 间定 量计 、 动光 量计 等 Ｊ这 些 方法 虽 然提 高 了 测量 的精 度 ， 野 外操 作 不便 ， 移 ． 但
第 １ 卷 第 ３期 Ｉ
２１ ０ ０年 ６月
北华大学学报 （ 自然科学 版）
Ｊ Ｕ Ｎ ＬＯ ＥＨＵ Ｎ Ｖ Ｒ ＩＹ（ ａｕａ Ｓｉ ｃ ） Ｏ Ｒ Ａ ＦＢ Ｉ Ａ Ｕ Ｉ Ｅ ＳＴ Ｎ ｔｒｌ ｃｅ ｅ ｎ
Ｖｏ ． Ｎｏ． １ １１ ３
Ｊ ｎ ２ １ ｕ ．００
（ ． ｏｅ ｒ Ｃ ｌｇ ｕａ ｇｉ ｌ ｒ ａ ｄＦ ｒ ｔ ｎ ｅ ｉ ， ｕｈ ｕ ５０ ２，ｈｎ ； Ｊ Ｆ ｒ ｔ ｏ ｅｅｏ ｊ ｎＡ ｒ ｕ ｕｅ ｎ ｏｅ ｒ Ｕ ｉ ｒｔ Ｆ ｚｏ ０ ０ Ｃ ｉａ ｓｙ ｌ ｆＦ ｉ ｃｔ ｓ ｙ ｖ ｓｙ ３
２ Ｓｎ ｉ ｎｖｒｔ，ａ ｍ ｎ ６ ００ Ｃ ｉ ） ． ａ ｍｎ Ｕ ｉ ｓｙ Ｓ ｎ ｉｇ３ ５ ０ ， ｈｎ ｇ ｅｉ ａ
Ａｂ ｔ ａ ｔ：Ｔ ｓｒ ｓ ａ ｃ ｘｒ ｃ ｅ ０ ｓ ｍｐ ｅ ｆｖ ｇ ｔｔｏ ａ ｔ ｎ ｉ ａ ｇ ｕ ｔ ｏ ５ｔ ｏ ｅ ｔｒ ｓ ｕ ｃ ｓｒ ｃ ｈｉ ｅ ｅ ｒ ｈ ｅ ｔａ ｔｄ ３ ａ ｌｓ ｏ ｅ ｅ ａｉｎ ｆ ｃ ｉ ｎ Ｚｈ ｎ ｐｕ Ｃｏ ｎ ｙ ｆ ｍ ｆ ｒ ｓ ｅ ｏ ｒ ｅ ｒ ｏ ｒ ｈ
基于Sentinel-2遥感影像的植被覆盖度反演及变化分析——以上海市奉贤区为例
21杜俊翰1997年生／男／四川南充人／华东师范大学地理科学学院硕士在读／研究方向为遥感数据信息提取与分析（上海 200241）郭慧婷1997年生／女／河南三门峡人／华东师范大学河口海岸学国家重点实验室硕士在读／研究方向为遥感与地理信息系统（上海 200241）谭 琨1981年生／男／湖南衡阳人／华东师范大学地理科学学院教授／研究方向为环境遥感和地学应用（上海 200241）文章编号：1000-0283（2020）11-0021-07 DOI ：10. 12193 / j. laing. 2020. 11. 0021. 004中图分类号：TU986摘要植被覆盖度可以较好反映一个地区的植被生长状况，是衡量地面植被生长特征的一个重要指标。
本文通过研究2017-2020年间上海市奉贤区的Sentinel-2遥感数据，利用归一化植被指数（NDVI ）以及像元二分模型对该区域内植被覆盖度进行估算，并对植被覆盖度和相应的景观格局指数的变化进行了分析。
结果表明，2017-2020年间奉贤区植被覆盖度呈现较为明显的变化，低等级植被覆盖度区域面积增加，高等级植被覆盖度区域面积减少，植被覆盖度总体呈减少趋势。
关键词遥感：NDVI ；像元二分模型；植被覆盖度AbstractVegetation coverage can well re ect vegetation’s growth status in an area and is an important indicator to measure the growth characteristics of ground vegetation. B ased on the Sentinel-2 remote sensing data of Fengxian District, Shanghai from 2017 to 2020, this paper used a normalized vegetation index (NDVI) and the binary pixel model to estimate the vegetation coverage area. Moreover, it analyzed the changes in vegetation coverage and the corresponding landscape pattern index. The results showed that the vegetation coverage of Fengxian District had changed signi cantly from 2017 to 2020. The low-grade vegetation coverage area increased, while the size of high-level vegetation coverage decreased, and the vegetation coverage generally showed a decreasing trend.Key wordsremote sensing; NDVI; binary pixel model; vegetation coverage植被在地球生态系统中有着极其重要的作用，是生态系统中最为基础的组成成分之一。
基于像元二分模型的植被覆盖度反演
基于像元二分模型的植被覆盖度反演植被覆盖度是指地表被植被覆盖的程度，通常用百分比来表示。
植被覆盖度对于生态环境的评估和监测具有重要意义，可以反映区域的生态状况、土地利用情况以及气候变化等信息。
而基于像元二分模型的植被覆盖度反演则是一种常用的遥感方法，通过分析遥感影像数据，对地表植被覆盖度进行定量化评估。
像元二分模型是一种基于遥感影像数据进行分类的方法，它将地表分为植被和非植被两类像元，通过像元的光谱信息和空间关系进行分类。
在植被覆盖度反演中，首先需要获取高分辨率的遥感影像数据，如卫星影像或航拍影像。
然后利用像元二分模型对影像进行分类，将地表像元划分为植被和非植被两类。
通过统计每类像元的数量，即可计算出植被覆盖度的百分比。
基于像元二分模型的植被覆盖度反演方法具有一定的优势和局限性。
优势在于可以利用遥感影像数据实现对大范围区域的快速监测，提高了效率和准确性。
同时，该方法还可以定量化地表植被覆盖度，为生态环境保护和土地管理提供科学依据。
然而，基于像元二分模型的植被覆盖度反演也存在一些局限性，如对影像质量和分类精度要求较高，容易受到地物混合和遥感影像噪声的影响。
在实际应用中，基于像元二分模型的植被覆盖度反演可以结合其他遥感方法和地面调查数据进行验证，提高结果的可信度。
同时，还可以通过时间序列影像数据的分析，实现对植被覆盖度变化的监测和分析，为生态环境的长期监测和保护提供支持。
总的来说，基于像元二分模型的植被覆盖度反演是一种重要的遥感方法，可以用于快速、准确地评估地表植被覆盖度，为生态环境监测和管理提供科学依据。
然而，在应用过程中仍需考虑其局限性，并结合多种方法和数据源进行综合分析，以提高结果的可靠性和精度。
希望通过不断的研究和实践，基于像元二分模型的植被覆盖度反演方法能够更好地应用于实际工作中，为地球资源的可持续利用和生态环境的保护做出贡献。
实验课1-定量遥感--植被覆盖度反演
说明文档中会注明是经过辐射校正的，其实这个辐射校正指的是粗的辐射校
正，只是做了系统大气校正，就跟系统几何校正的意义是一样的。
实验一 植被覆盖度的遥感反演
(二) 植被覆盖度的计算 1、计算NDVI 2、确定NDVIv和NDVI0值
在 Availabel Bands List 窗口中右键点击NDVI 数据，在弹 出的右键菜单中选择 Quick Stats，对NDVI 数据进行统计分析，
方法二：(两种方法都要做)
（1）主菜单Basic Tools > Band Math，在波段运算 窗口输入植被覆盖度计算公式：
(b1-NDVI0)/(NDVIv- NDVI0) ，将变量 b1 赋给 NDVI 。
计算得到初步结果，但是并没有完成整个工作。因为 该结果中有 5% 像元的 NDVI 值小于 NDVI0 ，这部分像元的 植被覆盖度计算结果为负值，需要通过掩膜操作将这部 分像元的植被覆盖度值修改为0；同样需要将5%NDVI值大 于0.425 的像元植被覆盖度值修改为1。
• • • 当NDVI小于NDVI0 ， fv取值为0； NDVI大于NDVIv ， fv取值为1； 介于两者之间的像元使用公式（1）计算。
利用ENVI主菜单->Basic Tools->Band Math，在公式 输入栏中输入进行计算.
请回顾ENVI中公式的写法
实验一 植被覆盖度的遥感反演
◦ 3、计算植被覆盖度
实验一 植被覆盖度的遥感反演
（3）然后类似操作将NDVI 值大于0.425 的像元植被覆盖 度值修改为1，设为1。 最终得到一个单波段的植被覆盖度图像文件，其像元值表 示这个像元内的平均植被覆盖度。 （4）对上述求取的植被覆盖度进行假彩色密度分割。
- 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)。
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
利用Endmember Collection工具将波谱库2016_sli与已知波谱库USGS_min.sli进行端元识别，得到每一种端元最匹配的地物类型，将端元进行重新命名，再保存为波谱库2016_new_sli文件。
6.波谱库重采样
利用Forward MNF convert 工具将端元识别后的波谱库进行重采样，使其能够完美匹配，操作的结果为2016_new_sli_resize文件。
7.线性分解
利用线性分解工具将数据进行线性分解，输入MNF变换后的统计文件，得出混合像元线性分解结果2016_Mix文件，即植被覆盖度影像。