成都市植被覆盖度遥感动态监测分析
使用遥感技术进行植被覆盖监测的步骤和要点
使用遥感技术进行植被覆盖监测的步骤和要点随着科技的不断发展，遥感技术在许多领域得到广泛应用，特别是在环境保护和自然资源管理方面。
其中，使用遥感技术进行植被覆盖监测是非常重要的一项应用。
本文将介绍使用遥感技术进行植被覆盖监测的步骤和要点。
第一步：遥感数据获取和预处理要进行植被覆盖监测，首先需要获取高质量的遥感数据。
目前，有很多遥感卫星可以提供不同分辨率的图像数据，如Landsat、MODIS和Sentinel等。
我们可以根据具体需求选择合适的卫星。
获取到遥感数据后，需要进行预处理，包括数据校正、镶嵌和大气校正等。
这一步骤的目的是为了准确反映植被信息，提高后续分析的可信度。
第二步：植被指数计算和图像分类在植被覆盖监测中，植被指数是一项非常重要的指标。
常用的植被指数有归一化植被指数（NDVI）和差值植被指数（DVI）等。
通过计算这些指数，可以反映出植被的状况和分布。
对于NDVI，一般认为数值越高，植被覆盖越好。
而DVI是通过红外和可见光波段之间的差异计算得出，可以反映出植被的健康程度。
除了植被指数，还可以利用图像分类来获取植被覆盖信息。
常用的分类方法有监督分类和非监督分类，可以根据不同数据和需求选择合适的方法。
第三步：精度评定和验证在植被覆盖监测中，精度评定和验证是不可忽视的重要一步。
我们需要对监测结果进行精度评定，以了解分析的可靠性和准确度。
常用的评估指标有总体精度和Kappa系数等。
通过与实地调查或其他已验证数据进行对比，可以验证遥感分析的结果是否与实际情况一致。
如果需要提高精度，可以通过引入地物信息和其他辅助数据来进行模型调整和纠正。
第四步：监测结果分析和应用得到植被覆盖监测结果后，我们可以对其进行进一步的分析和应用。
通过时序分析，可以了解植被的变化趋势和时空分布。
此外，可以通过与其他环境变量和气象数据的关联分析，探究植被变化与环境因素之间的关系。
监测结果还可以用于生态环境评估、灾害监测和农业资源管理等方面。
近20年成都市植被覆盖度动态变化检测及原因分析
近20年成都市植被覆盖度动态变化检测及原因分析党青;杨武年【摘要】Using 1992,2001 and 2009 TM remote sensing data, the authors estimated the vegetation coverage change status of Chengdu in the past 20 years objectively and quantitatively. The study has practical significance for adjusting the climate, resuming the vegetation and preventing the natural disasters. Normalized difference value vegetation index ( NDVI) was used to estimate the vegetation coverage in different periods and draw the change grayness and change levels chart of Chengdu vegetation coverage. Data analysis results show that, from 1992 to 2009, the vegetation coverage in Chengdu was overall decreasing. The quantity of dense forest land, shrub land, high and middle grass and cultivated land was decreasing, in which the vegetation coverage decreased obviously from 1992 to 2001 ,the vegetation coverage remained reduced from 2001 to 2009 ,but the speed was slower than that from 1992 to 2001. In addition, the speckle distribution of artificial greenbelt appeared in the urban area,and the small - area climatic condition was improved continuously.%利用1992年、2001年和2009年的TM遥感数据,采用归一化差值植被指数(NDVI)和像元二分法模型得到成都市植被覆盖度变化灰度图及变化等级图,从而客观、定量地得出了近20a来植被覆盖度的变化状况,对于成都市制订调节气候、恢复植被、预防自然灾害等城市发展规划具有实际意义.数据分析结果表明,1992-2009年间,成都市植被覆盖度呈整体下降趋势,密林地,灌木林地,高、中产草地和耕地数量减少,其中1992-2001年植被覆盖度下降速度显著；2001-2009年植被覆盖度仍有所降低但下降速度较1992-2001年明显减缓,且城区出现斑点状分布的人工绿地,小局域气候状况在不断改善中.【期刊名称】《国土资源遥感》【年(卷),期】2011(000)004【总页数】5页(P121-125)【关键词】植被覆盖度;归一化差值植被指数;动态变化【作者】党青;杨武年【作者单位】成都理工大学地质灾害防治与地质环境保护国家重点实验室,成都610059;成都理工大学国土资源信息技术与应用国土资源部重点实验室/遥感与GIS研究所,成都610059【正文语种】中文【中图分类】TP79城市绿地面积的变化直接关系到一个地区区域环境内气候、水文、土壤状况等因子的改变。
使用遥感图像进行植被覆盖度测量的方法
使用遥感图像进行植被覆盖度测量的方法植被覆盖度是评估地表生态系统的重要指标之一，可以帮助我们了解植被分布、生长状况以及生态环境的变化。
通过遥感技术，我们可以借助航天器、无人机等高空平台获取的图像数据，来进行植被覆盖度的测量与分析。
本文将介绍一些使用遥感图像进行植被覆盖度测量的方法及其应用。
一、光谱指数法光谱指数法是使用遥感图像中的光谱信息来推断植被覆盖度的一种方法。
光谱指数是根据植被对不同波段的反射特性而计算得出的。
其中，植被指数（Vegetation Index，VI）是光谱指数法中最常用的一种指数计算方法。
常见的植被指数包括归一化植被指数（Normalized Difference Vegetation Index，NDVI）、简化型植被指数（Simple Ratio Index，SR）等。
在使用光谱指数法进行植被覆盖度测量时，首先需要根据遥感图像计算出相应的植被指数值。
然后，通过与实地采样数据进行对比，建立植被指数与植被覆盖度之间的关系模型，从而推算出植被覆盖度。
这种方法具有简单、快速、非破坏性的优点，并能够进行大范围的植被分布调查，因此被广泛应用于植被覆盖度的监测与评估。
二、面向对象的分类方法面向对象的分类方法是利用遥感图像中的纹理、形状、空间分布等特征，将图像中的像素分成不同的类别，并将每个类别与相应的植被覆盖度关联起来的方法。
通过这种方法，我们可以得到植被覆盖度变化的空间分布图，并进一步进行植被生态系统调查和分析。
面向对象的分类方法需要先进行图像分类，将图像中的不同景物、地物分割成不同的对象。
然后，根据所建立的训练样本库，将这些对象分类为与植被覆盖度相关的类别。
最后，通过对每个类别中的对象进行统计，得到相应的植被覆盖度。
三、机器学习方法机器学习方法是一种将遥感图像与实地采样数据进行关联的高级技术。
通过训练模型，机器学习方法可以从遥感图像中学习到特定的植被覆盖度信息，并将其应用于未知区域的植被覆盖度估计。
植被覆盖度遥感估算研究进展
植被覆盖度遥感估算研究进展一、本文概述植被覆盖度是描述地表植被状况的关键参数，对于生态环境评价、资源管理、气候变化研究等领域具有重要意义。
随着遥感技术的快速发展，利用遥感数据进行植被覆盖度估算已成为当前研究的热点。
本文旨在对植被覆盖度遥感估算的研究进展进行全面的梳理和评价，分析现有方法的优缺点，探讨未来的研究方向和应用前景。
本文首先介绍了植被覆盖度遥感估算的基本原理和方法，包括基于像元的分类方法、像元二分模型、植被指数法等。
然后，重点回顾了近年来国内外在该领域的研究进展，包括新型遥感技术的应用、估算模型的改进和优化、以及多源遥感数据的融合等方面。
本文还讨论了植被覆盖度遥感估算在实际应用中的挑战和限制，如数据质量、尺度效应、算法精度等问题。
本文展望了植被覆盖度遥感估算的未来发展趋势，提出了加强遥感数据质量控制、优化估算模型、推动多源遥感数据融合等建议。
通过本文的研究，可以为植被覆盖度遥感估算的进一步发展提供理论支持和实践指导，推动遥感技术在生态环境保护和资源管理等领域的应用。
二、遥感估算植被覆盖度的基本原理与方法遥感估算植被覆盖度的基本原理在于利用植被在特定光谱范围内的反射、吸收和散射特性，通过对遥感影像的处理和分析，提取植被信息，进而计算植被覆盖度。
这一过程中，植被的光谱响应特性和遥感影像的像元信息是两个关键因素。
方法上，遥感估算植被覆盖度主要包括单波段法、多波段法、像元二分模型法以及机器学习法等。
单波段法通常利用植被在红光波段的反射低谷和近红外波段的反射高峰特性进行估算，方法简单易行，但精度相对较低。
多波段法则通过组合使用多个波段的信息，以提高估算精度，常用的有归一化植被指数（NDVI）等。
像元二分模型法是一种基于像元内植被和非植被信息分解的方法，其假设每个像元的光谱信息由植被和裸土两部分组成，通过模型运算可以分离出植被部分的信息，从而得到植被覆盖度。
这种方法在理论和实践上都具有较高的可靠性，是目前遥感估算植被覆盖度的主流方法之一。
基于遥感的森林覆盖变化动态监测
基于遥感的森林覆盖变化动态监测森林作为地球上重要的生态系统之一，对于维持生态平衡、调节气候、提供生态服务以及保障生物多样性等方面都具有不可替代的作用。
而森林覆盖的变化不仅反映了自然生态系统的演变，也受到人类活动的显著影响。
因此，对森林覆盖变化进行动态监测具有极其重要的意义。
遥感技术的出现，为我们实现这一目标提供了强大而有效的手段。
遥感，简单来说，就是不直接接触目标物体，通过传感器获取其信息的技术。
在森林覆盖变化监测中，常用的遥感数据包括卫星影像、航空摄影等。
这些数据具有大面积同步观测、周期性获取以及多波段信息等优势，使得我们能够从宏观尺度上对森林的分布和变化进行监测。
通过遥感技术监测森林覆盖变化，首先需要获取高质量的遥感影像。
这些影像可以来自不同的卫星，如 Landsat 系列、Sentinel 系列等。
不同的卫星具有不同的空间分辨率、光谱分辨率和时间分辨率，根据监测的需求和目标选择合适的遥感数据源至关重要。
例如，如果需要监测较大范围的森林变化，可能会选择空间分辨率相对较低但覆盖范围广的卫星影像；而对于小范围的精细监测，则可能会选择空间分辨率较高的影像。
获取到遥感影像后，接下来就是对影像进行预处理。
这包括辐射校正、几何校正、大气校正等步骤。
辐射校正用于消除传感器本身以及大气等因素对影像辐射亮度的影响，使得影像能够真实反映地物的反射特性。
几何校正则是将影像的几何形状纠正到准确的地理坐标上，以便与其他地理数据进行匹配和分析。
大气校正则是消除大气对影像的干扰，提高影像的质量和准确性。
在完成影像预处理后，就可以进行森林覆盖信息的提取。
这通常基于地物的光谱特征、纹理特征、形状特征等。
例如，森林在可见光和近红外波段具有独特的光谱反射特征，可以通过设置阈值或者利用分类算法将森林与其他地物区分开来。
常用的分类算法包括监督分类（如最大似然分类、支持向量机分类等）和非监督分类（如 ISODATA 分类等）。
此外，还可以结合纹理特征和形状特征，进一步提高森林覆盖信息提取的准确性。
利用遥感技术进行植被覆盖度分析的步骤解析
利用遥感技术进行植被覆盖度分析的步骤解析遥感技术作为一种高效的环境监测方法，在许多领域得到广泛应用。
其中，利用遥感技术进行植被覆盖度分析是研究植被生态系统和地表覆盖变化的关键工具。
本文将从数据获取、预处理、分类和评估几个方面解析利用遥感技术进行植被覆盖度分析的步骤。
首先，数据获取是进行植被覆盖度分析的基础。
遥感技术主要通过卫星、飞机和无人机获取影像数据。
卫星遥感具有广覆盖、周期性观测的特点，适用于大范围的植被覆盖度监测。
飞机和无人机遥感则更适合于小范围、高分辨率的数据采集。
根据不同研究需求，我们可以选择适合的遥感数据源。
接下来是数据预处理。
遥感影像数据在获取后，往往存在着大气、地表反射等非植被因素的干扰。
因此，预处理过程需要将这些干扰因素剔除，以获得准确的植被覆盖度信息。
预处理的主要步骤包括大气校正、辐射校正和几何校正。
大气校正通过建立大气透过率模型，对影像进行修正；辐射校正则将影像的辐射值转化为表面反射率，消除光照条件的影响；几何校正则对影像进行坐标转换，以确保后续处理的准确性。
数据预处理完成后，可以进行分类分析。
分类是将遥感影像划分为不同的植被类别的过程。
根据分类方法的不同，可以分为基于像元、基于对象和基于混合的分类方法。
基于像元的分类方法将每个像元独立分类，并给出其所属类别的概率值。
基于对象的分类方法则将相邻像元聚合成对象，再对对象进行分类。
基于混合的分类方法则结合了前两者的特点，既考虑像元的信息，又考虑对象的空间关系。
根据研究目的和数据特点，选择适合的分类方法对影像进行分类。
最后，对分类结果进行评估。
分类结果的准确性是评估遥感植被覆盖度分析的关键指标之一。
传统的评估方法主要依靠样地调查，即在实地采样点上进行植被调查，然后与遥感分类结果进行对比。
近几年，随着机器学习技术的发展，出现了使用训练样本集自动评估分类结果的方法，如混淆矩阵、Kappa系数等。
这些方法不仅提高了评估效率，还提高了评估结果的准确性。
植被覆盖度的遥感估算方法研究
植被覆盖度的遥感估算方法研究植被覆盖度是指地表植被在地球表面的覆盖比例，是地球生态系统的重要参数之一。
植被覆盖度的变化会影响到气候、土壤和水文等自然环境要素，因此对于生态保护、农业生产和环境监测等领域具有重要意义。
遥感技术具有大范围、快速、重复和经济的优势，是进行植被覆盖度估算的重要手段。
本文将介绍植被覆盖度遥感估算的相关理论、方法和应用现状，并详细阐述具体的估算方法、实验设计及结果分析。
植被覆盖度的遥感估算涉及到遥感图像处理、地学统计和生态学等多方面的知识。
目前，许多学者已经提出了多种估算方法，如直接计数法、归一化植被指数法、混合像元分解法等。
这些方法在不同程度上取得了成功，但也存在一定的局限性。
随着遥感技术的发展，尤其是高光谱、高空间分辨率和多时相遥感数据的广泛应用，对于植被覆盖度的估算精度和细化程度的要求也在不断提高。
进行植被覆盖度遥感估算所需要的数据主要包括卫星遥感图像、数字高程模型、气象数据等。
其中，卫星遥感图像是获取植被覆盖度信息的主要来源，包括多光谱和热红外图像等。
数字高程模型可以用于提取地形特征和计算植被覆盖度之间的关系。
气象数据则可以提供植被生长的相关信息，如辐射、气温和湿度等。
数据预处理主要包括图像校正、图像融合和图像增强等步骤，旨在提高遥感图像的质量和可读性，为后续的植被覆盖度估算提供可靠的基础。
估算模型和算法是进行植被覆盖度遥感估算的核心，主要包括以下几种：（1）直接计数法：通过统计图像中绿色植被的像素数量，计算植被覆盖度。
这种方法简单直观，但难以区分不同类型的植被。
（2）归一化植被指数法：通过计算植被指数与地表反射率之间的关系，估算植被覆盖度。
常用的植被指数包括NDVI、SAVI和EVI等。
这种方法能够较为准确地反映植被覆盖度，但容易受到大气条件和地表光照条件的影响。
（3）混合像元分解法：将遥感图像中的像元分解为植被和非植被两个部分，通过统计各部分的面积计算植被覆盖度。
如何进行植被变化遥感监测和评价
如何进行植被变化遥感监测和评价近年来，植被变化对于生态环境和地球资源的可持续发展具有重要影响。
植被是地球上生物多样性和生态系统健康的关键组成部分。
随着技术的进步和遥感技术的广泛应用，通过遥感监测和评价植被变化成为可能。
本文将探讨如何进行植被变化遥感监测和评价的方法和技术，并讨论其在生态保护和资源管理中的应用。
一、植被遥感监测技术的原理植被遥感监测技术是利用卫星或航空器搭载的传感器获取植被相关数据，并通过分析这些数据来监测和评价植被变化的过程。
遥感监测植被变化的原理基于植物和其他植被形成可见光、红外辐射和微波辐射的反射、辐射和传输特性。
这些辐射特性可以通过遥感技术获取，并用于分析植被的生物物理参数和类型。
常用的遥感数据包括光学遥感数据和雷达遥感数据。
光学遥感数据主要利用自然光或主动辐射源的能量进行拍摄，包括可见光、红外光和热红外光等。
它具有高分辨率、丰富的信息和多波段的优势，可以提供详细的植被植物类型和植被指数。
例如，彩色合成图像可以提供植被的空间分布和类型，而归一化植被指数（NDVI）可以反映植被的繁茂程度和生长状况。
雷达遥感数据则利用雷达波的特性，通过发射和接收雷达信号来获取植被信息。
相较于光学遥感，雷达遥感在遥感图像的获取过程中不受时间、天气和云雾的限制，并具有较高的穿透能力。
雷达遥感数据可以被用来分析植被的结构、湿度和生理特性。
二、植被变化遥感监测的方法植被变化遥感监测的方法主要包括变化检测、分类和模型建立。
变化检测是指利用遥感数据比较和分析植被覆盖的差异，以找出植被变化的空间和时间模式。
这种方法可以通过多时相遥感影像的比较来检测植被变化，例如，利用NDVI值的变化来反映植被覆盖的改变。
植被分类是指将遥感图像中的植被区域划分为不同的类别，例如森林、草地、农田等。
这种方法可以通过监督或无监督分类技术来实现。
监督分类需要预先定义训练样本来训练分类算法，而无监督分类则通过聚类分析来自动划分植被类别。
- 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)。
遥感地学分析课程设计实验报告成都市植被覆盖度遥感动态监测分析团队人员胡禹贤2008043013遥感081班杨维2008043035 遥感081班胡晓2008043010 遥感081班卿晓琼2008043009 遥感081班郝争2008043007 遥感081班摘要本次研究以四川省成都市为研究区，选择2000年Landsat ETM数据、2007年Landsat TM 数据、成都1:50万地形图以及全国县界1：400万的矢量图作为基本信息源，对遥感数据进行波段合成、大气校正、几何校正、图像裁剪处理后，计算出两期图像的归一化植被指数（NDVI），对植被覆盖度进行估算。
结果表明：成都市在七年间植被覆盖度总体上呈增高趋势，尤其是市区二环路以内，植被覆盖度有了明显的增加。
但是，在成都的一些郊区，比如龙泉、郫县、以及金堂等地的植被覆盖度已经出现下降的迹象；另外，与2000年相比，成都市到2007年低植被覆盖度区域面积有了明显的减少，中低植被覆盖到中高植被覆盖度区域面积增加明显，高植被覆盖度区域面积变化不大。
从研究结果上看，我们总体上认为研究区植被覆盖度变化和人类活动有不可分割的密切关系。
【关键词】：归一化植被指数；遥感；植被覆盖度；成都市。
summaryThe study, Chengdu, Sichuan Province as the study area, select the Landsat ETM data in 2000, Landsat TM data in 2007, Chengdu, 1:50 million, and topographic maps 1:400 million the county boundary vector as a basic source of information on remote sensingband synthetic data, atmospheric correction, geometric correction, image cropping treatment, two images to calculate the normalized difference vegetation index (NDVI), vegetation coverage estimate. The results showed that: Chengdu, vegetation coverage in the seven years, showing a rising trend in general, especially in the urban area within the Second Ring Road, the vegetation coverage has been an obvious increase.However, in some suburbs of Chengdu, such as Longquan, Pixian, and Jintang, the vegetation coverage has been signs of decline; In addition, compared with 2000, Chengdu, in 2007 ,had a significant size of the area decrease in the low vegetation cover in areas of high vegetation coverage area increased significantly and the regional area of high vegetation coverage changed little. The results from the research point of view, is generally thought that the vegetation cover change and human activities are inextricably close relationship.【Key words】: normalized difference vegetation index; remote sensing; vegetation coverage; Chengdu.1研究目的及意义植被覆盖度是指植被(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，它反映了植被在水平方向上的密度情况，是评价环境生态条件优劣的一个重要指标。
作为重要的生态气候、生态水文影响因子，植被覆盖度影响着大气圈、水圈、生物圈层间的各种物质转化和能量转移过程，因此，众多生态、水文、气候模型都把植被覆盖度作为一个重要的输入参数[1]。
研究植被覆盖度不仅可以明确当前生态环境分布和变化趋势,而且可以为后续的治理、保护、研究提供数据基础。
此外，由于城市植被是区域植被中的一部分,它是城市生态系统重要的组成因素,对于保护城市生态环境具有不可忽视的作用,如缓解城市“热岛效应”、净化空气以及改善区域气候等,因此开展城市植被生态研究也具有重要现实的意义。
在遥感技术应用之前，大区域的植被盖度监测只能依靠野外实地调查完成，这必然消耗大量的人力物力，同时，野外调研过程中人工确定植被覆盖也必然存在着诸多主观客观的不确定因素，影响最终结果的精度。
遥感技术可以连续不断地提供具有四维(三维空间和时间)特征的数字图像，通过遥感图像可真实地记录植被覆盖的景观特征，可以准确、快速、连续地提取植被指数信息，为植被覆盖度动态调查提供了可靠的信息源保证。
在少数缺少实测资料的地区，应用遥感技术提取植被指数信息，可有效降低植被覆盖度的研究难度。
成都市位于中国西南东北部, 位于天府之国四川盆地，地处西南、西北、华北、华中地区的几何中心位置，地理位置优越，有成昆、成渝、宝成、成昆铁路和川渝、川藏等公路以及航空等运输方式与我国西北、西南、华北、华中等地区相联系，区位优势明显。
农业自然条件优越,工业自然资源丰富,地缘关系与战略地位十分突出。
研究成都市植被覆盖情况及其变化规律,对整个区域的经济发展、生态建设具有重要的意义。
2研究区状况成都位于成都平原中部、岷江中游地段，东临龙泉山脉，西临龙门山脉，介于东经102度54分至104度53分，北纬30度05分至31度26分之间。
东西最大横距192公里，南北最大纵距166公里，境内海拔387-5353米，平均海拔400米，辖区总面积12390平方公里，市区面积598平方公里，常住人口1474万人。
辖区内西北高、东南低，平均坡降0.3%。
属亚热带湿润季风气候，四季分明，夏无酷暑，冬无严寒，年平均气温16.7℃。
年平均日照时数1071小时，年平均降雨量945.6毫米，总体气候环境良好，有利于植物的生长。
近年来，随着成都市城市化进程的加快，特别是到了2000年，成都市明确了要建立国际化大都市的目标以后，全境城市化过程导致原有的农业景观被迅速改造成城市景观，大规模建设用地扩张引发了土地利用结构的急剧调整，地表植被覆盖度也由于强烈的认为干扰而发生了显著的变化。
3数据来源本次研究利用了成都市两个时相的LandsatTM2000年和LandsatETM+2007年的遥感数据，其轨道号为129/39。
选用陆地卫星数据，其空间分辨率30 m×30 m。
除了遥感数据外，还包括成都市1：50万的地形图，全国县界1：400万的矢量图。
为了更加合理有效地提取植被信息，通常情况下选择同一时相的不同年份的遥感影像，我们选择的遥感影像都是植被生长比较茂盛的6月份，而且考虑到两幅图像基本无云，成像质量较好，这样使得研究区的植被变化具有可比性。
陆地卫星Landsat遥感数据信息主题成像仪Landsats4-5 波段波长(微米)分辨率(米)主要作用TM、ETMBand 1 蓝绿波段0.45-0.52 30 用于水体穿透,分辨土壤植被Band 2 绿色波段0.52-0.60 30 分辨植被Band 3 红色波段0.63-0.69 30处于叶绿素吸收区域, 用于观测道路/裸露土壤/植被种类效果好Band 4 近红外0.76-0.90 30用于估算生物数量,分辨潮湿土壤Band 5 中红外 1.55-1.75 30用于分辨道路/裸露土壤/水,并且有较好的穿透大气、云雾的能力。
Band 6(仅ETM)热红外10.40-12.560 感应发出热辐射的目标。
Band 6(仅TM) 热红外10.40-12.5120 感应发出热辐射的目标。
Band 7 中红外 2.09-2.35 30对于岩石/矿物的分辨很有用, 也可用于辨识植被覆盖和湿润土壤。
Band 8(仅ETM)微米全色0.52-0.90 15得到的是黑白图象, 用于增强分辨率, 提供分辨能力。
4数据处理4.1遥感数据预处理本次研究的技术流程图4.1.1波段合成：利用Erdas 8.7图像处理软件对TM 和ETM 图像进行波段合成，把两期单波段遥感影像合成为两幅多波段的彩色图像。
本次研究分别把TM 与ETM 图像的1~5波段的灰度图像进行合成，得到的假彩色图像如下图所示：2000年ETM1~5波段合成图（轨道号129/39） 2007年TM1~7波段合成图（轨道号129/39）原始遥感数据影像的预处理波段合成辐射校正几何校正遥感影像图的信息提取成都市遥感影像图像裁剪生成NDVI 灰度图生成植被覆盖度图4.1.2大气校正：根据前人研究成果及其经验，在使用NDVI来计算研究区植被覆盖度时，如果不进行大气校正，局部地区NDVI值的计算误差将达到50%以上[2]。
我们知道，TM 和ETM的第六波段都是热红外波段，大气对它的传输、反射等影响最小，所以我们就可以用它的最小反射值作为参考标准，来对其他波段的反射值做一个改正，以达到消除由于太阳高度角或大气影响造成的研究区不同时相影像的效果差异。
本次研究采分别将两幅图像的1~5波段的最小反射值减去两幅图像的第六波段的最小反射值，得到的图像如下图所示：未经大气校正后的2000年成都影像图未经大气校正后的2007年成都影像图经过大气校正后的2000年成都影像图经过大气校正后的2007年成都影像图4.1.3几何校正：为了进行动态比较，以及动态变化面积大小的量算，需要对遥感影像进行几何校正和两期影像配准。
利用成都l:50万的地形图作为标准参考数据，采用UTM投影，WGS84坐标系统，选出36个控制点，用三次多项式拟合法对控制点进行平差计算，并用双线形内插法完成像元重采样即可获得2000年的遥感图像。