基于像元二分模型的植被覆盖度反演以市为例
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。
基于像元二分模型的植被覆盖度计算
基于像元二分模型的植被覆盖度计算植被覆盖度是评估自然生态系统健康状况的一个重要指标。
在野外或遥感图像中，通过像元二分模型可以对植被覆盖度进行定量分析。
本文将介绍像元二分模型及其应用，探讨如何利用该模型计算植被覆盖度。
一、像元二分模型的原理与方法像元二分模型是一种遥感图像分析方法，通过将像元分为植被与非植被两类，计算每一类像元的数量与面积，从而得出植被覆盖度。
该模型需要遥感影像数据，包括反射率数据和光谱数据，通过学习已知植被和非植被像元的光谱特征，建立分类模型，对新数据进行分类。
在进行像元二分分类前，需要对遥感数据进行预处理，包括辐射校正、大气校正、几何校正等。
其中，大气校正是保证遥感数据质量的重要步骤，通过去除大气散射和吸收对遥感数据进行校正，保证图像准确性。
几何校正则是为了消除图像畸变，保证像元位置精确。
利用已知的植被和非植被像元，通过对每个像元的光谱特征进行统计分析，得出植被和非植被的分布情况。
经过分类后，对每一类像元的数量进行计数，通过像元面积与总面积的比值，即可得出植被覆盖度。
二、像元二分模型的应用像元二分模型广泛应用于土地覆盖变化、植被生态监测、水资源保护等领域。
例如，利用像元二分模型对自然保护区进行植被监测，可以实时了解植被变化情况，保护生态环境。
同时，植被覆盖度也是气候变化研究的重要指标之一，通过计算植被覆盖度，可以探讨气候变化对生态系统的影响。
像元二分模型也可以与地理信息系统（GIS）相结合，进行更加精确的分析。
例如，在城市建设规划中，通过在GIS平台上制定可行性方案，并结合像元二分模型计算植被覆盖度，可以最大限度地保护环境，满足市民需求。
此外，在农业生产中，运用像元二分模型可以精确控制水分，提高农作物产量。
三、利用像元二分模型计算植被覆盖度的注意事项在利用像元二分模型对植被覆盖度进行计算时，需要注意以下几个问题：1. 不同遥感影像数据对植被分类的效果不同，需要根据实际情况选取合适的数据。
基于MODIS数据的重庆市植被覆盖度动态变化研究_肖洋
第３５卷第７期 西南大学学报（自然科学版） ２０１３年７月Ｖｏｌ．３５ Ｎｏ．７Ｊｏｕｒｎａｌ ｏｆ Ｓｏｕｔｈｗｅｓｔ Ｕｎｉｖｅｒｓｉｔｙ（Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ Ｅｄｉｔｉｏｎ）Ｊｕｌ． ２０１３文章编号：１６７３－９８６８（２０１３）０７－０１２１－０６基于ＭＯＤＩＳ数据的重庆市植被覆盖度动态变化研究①肖 洋１，３， 熊勤犁１，２，３，４， 欧阳志云１，徐卫华１， 肖 燚１， 肖 强１１．中国科学院生态环境研究中心城市与区域生态国家重点实验室，北京１０００８５；２．中国科学院成都生物研究所，成都６１００００；３．中国科学院研究生院，北京１０００３９；４．四川大学生命科学学院，成都６１００００摘要：通过最佳指数斜率提取法（ＢＩＳＥ）重建研究区ＭＯＤＩＳ－ＮＤＶＩ时间序列数据．以像元二分模型为基础，用ＩＤＬ计算机语言构建植被覆盖度定量模型，估算了重庆市２００６－２０１０年植被覆盖度，分析其空间分布与季节变化特征．结果表明：研究区植被覆盖度在缓慢增长，整体生态环境呈良性发展趋势．同时，较高的植被覆盖度反演精度（７８％），证实通过ＢＩＳＥ方法重构ＮＤＶＩ时间序列和运用像元二分模型来反演植被覆盖度的方法是可行的．关 键 词：最佳指数斜率提取法；像元二分模型；植被覆盖度；季节变化中图分类号：Ｑ９４８；Ｐ２３７文献标志码：Ａ我国自然生态系统在人口和经济发展的压力下，面临着严重退化的状况．水资源短期、水质恶化、水土流失和生物多样性锐减等生态环境问题日益突出，对我国的生态安全造成严重威胁．如何评估和分析这些影响并进行实时的生态环境监测，已成为中国政府和环境管理专家当前面临的主要问题．当前植被覆盖及土地利用／土地覆盖变化（ＬＵＣＣ），已经被公认为是全球及区域生态环境变化的最重要的监测指标［１－２］．同时植被覆盖度还是全球及区域气候模型、水土流失监测、土地沙漠化评价和分布式水文模型的重要输入参数，是描述生态环境系统的重要基础数据．因此定量评估区域植被覆盖变化，分析地表植被覆盖状态，对于揭示地表植被变化趋势，对分析与评价区域土地资源管理和生态环境保护决策具有重要的现实意义［３］．近年来遥感技术的发展，为大尺度、甚至全球尺度的植被覆盖度监测，提供了有效的技术支持．卫星传感器所获取的ＮＤＶＩ（归一化差值植被指数）时间序列数据能够精确地反映陆地生态系统植被的生长状态和年际变化特征，已广泛应用于全球与区域生态环境变化监测、植被覆盖动态变化研究等方面［４－５］．目前常用的ＮＤＶＩ时间序列主要来自ＮＯＡＡ／ＡＶＨＲＲ、ＳＰＯＴ ＶＥＧＥＴＡＴＩＯＮ和ＴＥＲＲＡ／ＡＱＵＡ－ＭＯＤＩＳ等传感器．相对于ＳＰＯＴ ＶＥＧＥＴＡＴＩＯＮ、ＮＯＡＡ／ＡＶＨＲＲ数据，ＭＯＤＩＳ－ＮＤＶＩ数据具有更高的空间分辨率，更适用于植被覆盖动态变化的监测．重庆市位于三峡库区的腹心地带，是长江流域重要的生态屏障和全国水资源战略储备地区，生态区位①收稿日期：２０１２－０３－２２基金项目：国家重点基础研究发展规划（９７３）项目（２００９ＣＢ４２１１０５）．作者简介：肖 洋（１９８４－），男，博士，主要从事生态系统服务功能与遥感应用研究．通信作者：欧阳志云，研究员．十分重要．特别是近些年重庆经济高速发展，城市化进程加快，研究和分析该区域的植被覆盖状况及其变化趋势对于维护长江中下游地区的生态安全特别是三峡库区的生态系统稳定性具有极其重要的作用．本文基于像元二分模型，遥感估算２００６年至２０１０年重庆市植被覆盖度状况，分析重庆市植被覆盖度动态变化趋势，为区域土地资源管理、生态环境监测提供科学依据．１ 研究区概况重庆市位于我国内陆西南部，长江上游，四川盆地东南部，地跨１０５°１１′－１１０°１１′Ｅ、２８°１０′－３２°１３′Ｎ之间的青藏高原与长江中下游平原的过渡地带．东西长４７０ｋｍ，南北宽４５０ｋｍ，幅员面积８．２４万ｋｍ２．地形以丘陵和山地为主，山地（中山和低山）面积６２ ４１３．２４ｋｍ２，占幅员面积的７５．８％，丘陵面积为１４ ９８５．７６ｋｍ２，占幅员面积的１８．２％．重庆地区属亚热带季风性湿润气候，年均气温在１８℃左右，年日照总时数１ ０００～１ ２００ｈ，雨量充沛，常年降雨量为１ ０００～１ ４５０ｍｍ，年内降水分配不均，但雨热同步．区域植被丰富多样，植被自然分区特征表现为常绿阔叶林、暖性针叶林、竹林和常绿阔叶灌丛等类型，以亚热带常绿阔叶林表现特征最为明显．２ 数据来源及处理２．１ ＭＯＤＩＳ数据集研究使用的遥感数据选择ＥＯＳ／Ｔｅｒｒａ卫星的ＭＯＤＩＳ植被产品ＭＯＤ１３Ｑ１，包括基于ＭＶＣ方法１６ｄａｙ合成的２５０ｍ分辨率ＮＤＶＩ数据，该产品经过几何校正和大气校正．该时间序列数据由美国ＮＡＳＡＬＰ ＤＡＡＣ工作组（Ｌａｎｄ Ｐｒｏｃｅｓｓ Ｄｉｓｔｒｉｂｕｔｅｄ Ａｃｔｉｖｅ Ａｒｃｈｉｖｅ Ｃｅｎｔｅｒ）提供，时间范围是２００６年１月－２０１０年１２月，５ａ时间共１１５期影像．ＭＯＤＩＳ数据经过格式转换、叠加、镶嵌、子区裁剪等预处理操作后，由Ｓｉｎｕｓｏｉｄａｌ投影转换为ＵＴＭ－４８Ｎ－ＷＧＳ－８４投影．２．２ 辅助数据集研究区２００６－２０１０年ＭＯＤＩＳ土地覆盖产品（ＭＯＤ１２Ｑ１），空间分辨率为１ｋｍ，由美国ＮＡＳＡ ＬＰＤＡＡＣ工作组提供；基于Ｌａｎｄｓａｔ５／ＴＭ影像解译的研究区土地覆盖类型栅格数据（图１）；ＤＥＭ高程数据，空间分辨率为２５ｍ．图１ 重庆市土地覆盖类型（Ｌａｎｄｓａｔ５／ＴＭ）３ 研究方法３．１ 基于ＢＩＳＥ的ＮＤＶＩ时间序列重建ＭＯＤＩＳ植被产品ＮＤＶＩ数据集尽管采用最大值合成法（ＭＶＣ）来降低影像的噪声，但是一些假高值、２２１西南大学学报（自然科学版） ｈｔｔｐ：／／ｘｂｂｊｂ．ｓｗｕ．ｃｎ 第３５卷低值等噪声残差还是存在，因此需要采用新技术来近一步降低这些存在噪声残差的影响，通常将这个过程叫做时间序列ＮＤＶＩ数据集重建．早期的研究已使最佳指数斜率提取法（ＢＩＳＥ）变的成熟和完善，并被广泛的用于去除影像数据的噪声和提高数据的质量［６－９］．最佳指数斜率提取法原理如下：ｄＮＤＶＩｔ－１，ｔ＝（ＮＤＶＩｔ－１－ＮＤＶＩｔ）ＮＤＶＩｔ－１×１００％ｄＮＤＶＩｔ，ｔ＋１＝（ＮＤＶＩｔ＋１－ＮＤＶＩｔ）ＮＤＶＩｔ＋１×１００％式中：ＮＤＶＩｔ－１和ＮＤＶＩｔ＋１为时间ｔ－１和ｔ＋１的ＮＤＶＩ值，ｄＮＤＶＩｔ－１，ｔ和ｄＮＤＶＩｔ，ｔ＋１为从ｔ－１到ｔ和从ｔ到ｔ＋１的ＮＤＶＩ变化率．假如，ｄＮＤＶＩｔ－１，ｔ和ＮＤＶＩｔ，ｔ＋１的数值都超过２０％（经验参数），表明ＮＤＶＩｔ受到了噪音污染，应该对ＮＤＶＩｔ采用ＮＤＶＩｔ－１和ＮＤＶＩｔ＋１的均值来估计．其中，第１期数据ＮＤＶＩ１若满足条件ｄＮＤＶＩ１，２超过２０％，则用ＮＤＶＩ２与ＮＤＶＩ３的线性外推值估计ＮＤＶＩ１，否则不变；用同样的方法估计最后一期数据．本文使用改进的ＢＩＳＥ方法并采用ＩＤＬ计算机语言实现了２００６年到２０１０的共１１５期的ＭＯＤＩＳ－ＮＤＶＩ数据序列的重建，结果显示该方法有效的降低了噪音的影响（图２）．图２ ＢＩＳＥ算法前后ＮＤＶＩ时间序列对比图（随机像素）３．２ 像元二分模型像元二分模型［１０－１１］是一种简单实用的遥感估算模型，它假设一个像元的地表由有植被覆盖部分与无植被覆盖部分地表组成，而遥感传感器观测到的光谱信息也由这２个组分因子线性加权合成，各因子的权重是各自的面积在像元中所占的比率，其中植被覆盖度可以看作是植被的权重．根据像元二分模型，像元的ＮＤＶＩ值可以表达为由绿色植被部分所贡献的信息ＮＤＶＩｖｅｇ和裸土部分所贡献的信息ＮＤＶＩｓｏｉｌ这两部分组成，因此可以用ＮＤＶＩ来计算植被覆盖度：ｆｃ＝（ＮＤＶＩ－ＮＤＶＩｓｏｉｌ）／（ＮＤＶＩｖｅｇ－ＮＤＶＩｓｏｉｌ）式中，ＮＤＶＩｓｏｉｌ为完全为裸土或无植被覆盖区域的ＮＤＶＩ值（ＮＤＶＩｍｉｎ）；ＮＤＶＩｖｅｇ则代表完全被植被所覆盖像元的ＮＤＶＩ值，即纯植被像元的ＮＤＶＩ值（ＮＤＶＩｍａｘ）．由于图像中不可避免的存在着噪声，ＮＤＶＩ的极值并不一定是ＮＤＶＩｍａｘ与ＮＤＶＩｍｉｎ，因此对其取值时主要由图像尺度和图像质量等情况来决定，通常是取给定置信度区间内的最大值与最小值．ＮＤＶＩｍａｘ取ＮＤＶＩ概率分布的９５％下侧分位数所对应的ＮＤＶＩ值；ＮＤＶＩｍｉｎ取ＮＤＶＩ概率分布的５％下侧分位数所对应的ＮＤＶＩ值．本文以像元二分模型为基础，用ＩＤＬ计算机语言构建植被覆盖度定量估算模型．４ 结果与分析基于上述方法，将重庆市ＭＯＤＩＳ－ＮＤＶＩ数据反演成植被覆盖度信息．由于２００６－２０１０年重庆市植被覆盖度没有特别明显变化，为了更好的分析和对比多年数据，需将植被覆盖度进行等级分类．通过研究区３２１第７期 肖 洋，等：基于ＭＯＤＩＳ数据的重庆市植被覆盖度动态变化研究的野外实地调查，并参考国内外相关研究成果，本研究采用具有可操作性强和准确性高的分类体系，将植被覆盖度划分为劣盖度、低盖度、中盖度和高盖度四种类型（表１），以定量分析研究区植被覆盖度的动态变化情况．表１ 植被覆盖度分类体系植被类型指 标 描 述劣盖度地表几乎无植被，主要为不透水地面、砾石、裸土，植被覆盖度＜０．２低盖度地表植被稀疏，植物有零星灌木、枯死芦苇和杂草生长，覆盖度０．２～０．４５中盖度地表植被良好，植物有苗圃、灌木、农田等，长势较好，覆盖度０．４５～０．７５高盖度地表植被茂密，植被有大量的草本、灌、乔木植物，长势较好，覆盖度＞０．７５ 本文用植被覆盖度平均值（即每年２３期数据均值）来表示各年植被覆盖状况，得到重庆市２００６－２０１０年植被覆盖类型空间分布（图３）．由下图可知，劣盖度和低盖度地区位于海拔较低的平原地带（如城镇和水域附近），高盖度地区位于海拔较高的高山地带，同时中盖度区域主要介于平原地带和高山地带之间，并覆盖大部分的农业用地．图３ 重庆市植被覆盖类型图（２００６－２０１０年）４．１ 植被覆盖度变化分析为了进一步分析研究区多年植被覆盖度的变化状况，分别对５ａ数据进行分类统计及叠加运算，得到研究区不同年份的各植被覆盖类型的分类统计面积及变化（表２）．由表２可知，各年劣、低、中和高盖度植被覆盖面积均有不同幅度的变化和类型转换，２００６－２００７年为劣、低、高盖度向中盖度转化；２００７－２００８年主要为中盖度向低、高盖度转化；２００８－２００９年为低、中盖度向高盖度转化；２００９－２０１０年主要为高盖度向中盖度转化．由于影响植被生长的气候条件和人类活动的动态性，研究区年季植被覆盖度类型转换较为频繁．对比分析了２００６与２０１０年植被覆盖度的变化，劣和低盖度植被覆盖面积呈现减少趋势（分别降低了５０．６３和１ ７５７．１２ｋｍ２），而中和高盖度植被覆盖面积呈现增长趋势（分别增加了１ ７４６和６１．７５ｋｍ２），表明研究区的整体生态环境呈良性发展趋势，并对下游三峡库区的生态环境保护起到了积极作用．４２１西南大学学报（自然科学版） ｈｔｔｐ：／／ｘｂｂｊｂ．ｓｗｕ．ｃｎ 第３５卷表２ 重庆市植被覆盖度面积变化覆盖类型面积／ｋｍ２２００６ ２００７ ２００８ ２００９ ２０１０２００６－２０１０变化面积／ｋｍ２变化率／％劣覆盖度１ １４４．９４ １ ０７３．６３ １ ２２５．８８ １ ２６８．８１ １ ０９４．３１－５０．６３－４．４２低覆盖度５ ８９３ ２８０３ ５ ４６４ ３ ６５１．４４ ４ １３５．８８－１ ７５７．１２－２９．８２中覆盖度６０ ８２９．１９ ６５ ５７４．３８ ５９ ６３１ ５７ １９１．６９ ６２ ５７５．１９ １ ７４６ ２．８７高覆盖度１４ ６９０．１９ １３ １０６．３１ １６ ２３６．４４ ２０ ４４５．３８ １４ ７５１．９４ ６１．７５ ０．４２总 计８２ ５５７．３１ ８２ ５５７．３１ ８２ ５５７．３１ ８２ ５５７．３１ ８２ ５５７．３１ ０ ０４．２ 植被覆盖度精度评估本文采用Ｌａｎｄｓａｔ５／ＴＭ影像解译的研究区土地覆盖分类结果来评估植被覆盖度的反演精度．首先，将原有的７种土地覆盖类型重新整合为２种类型，植被类型（森林、灌丛、草地、农田）和非植被类型（其他覆盖类型），并重采样为２５ｍ空间分辨率．由于农田覆盖类型又可细分为休耕和耕作农田，其植被状况经常变化，本文设置权重０．５来调节农田覆盖类型，其他类型权重为１．然后将上面结果再次重采样为空间分辨率为２５０ｍ的栅格数据，并通过代数运算使新像元的ＤＮ值表示为植被覆盖面积百分比（即植被覆盖度）．将上述结果作为检验数据，并与ＭＯＤＩＳ－ＮＤＶＩ数据反演的同期植被覆盖度数据进行叠加验证分析．最终结果表明，ＭＯＤＩＳ－ＮＤＶＩ数据的植被覆盖度的反演精度为７８％．５ 结 语１）本文通过植被覆盖度分类体系划分、植被覆盖度模型建立、反演精度评估等方法，利用ＭＯＤＩＳ－ＮＤＶＩ数据完成了重庆地区２００６－２０１０年的植被覆盖度的时空分布与动态变化分析，揭示了研究区植被覆盖度在缓慢增长，整体生态环境呈良性发展趋势．２）基于植被覆盖度反演精度评估结果，证实通过ＢＩＳＥ方法重构ＮＤＶＩ时间序列和像元二分模型来反演植被覆盖度的方法是可行和有效的．而且还采用了ＥＮＶＩ二次开发，将上述方法集成于计算机语言，实现了ＭＯＤＩＳ－ＮＤＶＩ数据的自动ＢＩＳＥ降噪和反演植被覆盖度，极大地提高了数据的处理速度和降低数据的处理时间．参考文献：［１］ＭＥＹＥＲ Ｗ Ｂ，ＴＵＲＮＥＲ Ｂ Ｌ．Ｃｈａｎｇｅｓ ｉｎ Ｌａｎｄ Ｕｓｅ ａｎｄ Ｌａｎｄ Ｃｏｖｅｒ：Ａ Ｇｌｏｂａｌ Ｐｅｒｓｐｅｃｔｉｖｅ［Ｍ］．Ｃａｍｂｒｉｄｇｅ：Ｃａｍ－ｂｒｉｄｇｅ Ｕｎｉｖｅｒｓｉｔｙ Ｐｒｅｓｓ，１９９４．［２］ ＬＩＮＤＱＵＩＳＴ Ｅ Ｊ，ＨＡＮＳＥＮ Ｍ Ｃ，ＲＯＹ Ｄ Ｐ，ｅｔ ａｌ．Ｔｈｅ Ｓｕｉｔａｂｉｌｉｔｙ ｏｆ Ｄｅｃａｄａｌ Ｉｍａｇｅ Ｄａｔａ Ｓｅｔｓ ｆｏｒ Ｍａｐｐｉｎｇ ＴｒｏｐｉｃａｌＦｏｒｅｓｔ Ｃｏｖｅｒ Ｃｈａｎｇｅ ｉｎ ｔｈｅ Ｄｅｍｏｃｒａｔｉｃ Ｒｅｐｕｂｌｉｃ ｏｆ Ｃｏｎｇｏ：Ｉｍｐｌｉｃａｔｉｏｎｓ ｆｏｒ Ｔｈｅ Ｇｌｏｂａｌ Ｌａｎｄ Ｓｕｒｖｅｙ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２００８，２９（２３－２４）：７２６９－７２７５．［３］ 李成范，苏迎春，周廷刚，等．基于遥感的重庆市植被覆盖格局变化研究［Ｊ］．西南师范大学学报：自然科学版，２００９，３４（１）：１２３－１２８．［４］ 兰明娟，魏 虹，熊春妮，等．基于ＴＭ影像的重庆市北碚区地表植被覆盖变化［Ｊ］．西南大学学报：自然科学版，２００９，３１（４）：１００－１０４．［５］ ＹＵ Ｆ，ＰＲＩＣＥ Ｋ Ｐ，ＥＬＬＩＳ Ｊ，ｅｔ ａｌ．Ｓａｔｅｌｌｉｔｅ Ｏｂｓｅｒｖａｔｉｏｎｓ ｏｆ ｔｈｅ Ｓｅａｓｏｎａｌ Ｖｅｇｅｔａｔｉｏｎ Ｇｒｏｗｔｈ ｉｎ Ｃｅｎｔｒａｌ Ａｓｉａ：１９８２－１９９０［Ｊ］．Ｐｈｏｔｏｇｒａｍｍｅｔｒｉｃ Ｅｎｇｉｎｅｅｒｉｎｇ ＆Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２００４，７０（４）：４６１－４６９．［６］ ＬＯＶＥＬＬ Ｊ Ｌ，ＧＲＡＥＴＺ Ｒ Ｄ．Ｆｉｌｔｅｒｉｎｇ Ｐａｔｈｆｉｎｄｅｒ ＡＶＨＲＲ Ｌａｎｄ ＮＤＶＩ Ｄａｔａ ｆｏｒ Ａｕｓｔｒａｌｉａ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆＲｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２００１，２２（１３）：２６４９－２６５４．［７］ ＷＡＮＧ Ｊ，ＺＨＡＮＧ Ｊ Ｘ，ＬＩＵ Ｚ Ｊ．Ｉｍａｇｅ Ｓｅｑｕｅｎｃｅ Ａｎａｌｙｓｉｓ ｏｎ Ｍｏｄｉｓ／Ｔｅｒｒａ ＮＤＶＩ Ｄａｔａ ｆｏｒ Ｖｅｇｅｔａｔｉｏｎ Ｃｏｖｅｒ Ｃｈａｎｇｅｓｏｆ ３－ｇｏｒｇｅ Ｒｅｓｅｒｖｏｉｒ Ａｒｅａ［Ｊ］．ＩＥＥＥ ２００５Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｓｙｍｐｏｓｉｕｍ，２５－２９Ｊｕｌｙ ２００５－ｓｅｏｕｌ，ｋｏｒｅａ．［８］ ＲＥＥＤ Ｂ Ｃ，ＢＲＯＷＮ Ｊ Ｆ，ＶＡＮＤＥＲＺＥＥ Ｄ，ＬＯＶＥＬＡＮＤ Ｔ Ｒ，ｅｔ ａｌ．Ｍｅａｓｕｒｅｄ Ｐｈｏｎｏｌｏｇｉｃａｌ Ｖａｒｉａｂｉｌｉｔｙ ｆｒｏｍ ＳａｔｅｌｌｉｔｅＩｍａｇｅｒｙ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｖｅｇｅｔａｔｉｏｎ Ｓｃｉｅｎｃｅ，１９９４，５：７０３－７１４．５２１第７期 肖 洋，等：基于ＭＯＤＩＳ数据的重庆市植被覆盖度动态变化研究［９］ ＶＩＯＶＹ Ｎ，ＡＲＩＮＯ Ｏ，ＢＥＬＷＡＲＤ Ａ Ｓ．Ｔｈｅ Ｂｅｓｔ Ｉｎｄｅｘ Ｓｌｏｐｅ Ｅｘｔｒａｃｔｉｏｎ（ＢＩＳＥ）：Ａ ｍｅｔｈｏｄ ｆｏｒ ｒｅｄｕｃｉｎｇｎｏｉｓｅ ｉｎ ＮＤＶＩｔｉｍｅ－ｓｅｒｉｅｓ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，１９９２，１３：１５８５－１５９０．［１０］ＬＥＰＲＩＥＵＲ Ｃ，ＶＥＲＳＴＲＡＥＴＥ Ｍ Ｍ，ＰＩＮＴＹ Ｂ．Ｅｖａｌｕａｔｉｏｎ ｏｆ ｔｈｅ Ｐｅｒｆｏｒｍａｎｃｅ ｏｆ Ｖａｒｉｏｕｓ Ｖｅｇｅｔａｔｉｏｎ Ｉｎｄｉｃｅｓ ｔｏ Ｒｅ－ｔｒｉｅｖｅ Ｖｅｇｅｔａｔｉｏｎ Ｃｏｖｅｒ ｆｒｏｍ ＡＶＨＲＲ Ｄａｔａ［Ｊ］．Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｒｅｖｉｅｗ，１９９４（１０）：２６５－２８４．［１１］ＺＲＩＢＩ Ｍ，ＬＥ Ｈ ＧＡＲＡＴ－ＭＡＳＣＬＥ Ｓ，ＴＡＣＯＮＥＴ Ｏ，ｅｔ ａｌ．Ｄｅｒｉｖａｔｉｏｎ ｏｆ Ｗｉｌｄ Ｖｅｇｅｔａｔｉｏｎ Ｃｏｖｅｒ Ｄｅｎｓｉｔｙ ｉｎ Ｓｅｍｉ－ＡｒｉｄＲｅｇｉｏｎｓ：ＥＲＳ２／ＳＡＲ Ｅｖａｌｕａｔｉｏｎ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２００３（２４）：１３３５－１３５２．Ａｎ Ａｎａｌｙｓｉｓ ｏｆ Ｄｙｎａｍｉｃ Ｃｈａｎｇｅｓ ｉｎ Ｖｅｇｅｔａｔｉｏｎ Ｃｏｖｅｒａｇｅ ｉｎＣｈｏｎｇｑｉｎｇ Ｍｕｎｉｃｉｐａｌｉｔｙ Ｕｓｉｎｇ ＭＯＤＩＳ／Ｔｅｒｒａ ＮＤＶＩ ＤａｔａＸＩＡＯ Ｙａｎｇ１，３， ＸＩＯＮＧ Ｑｉｎ－ｌｉ １，２，３，４， ＯＵ－ＹＡＮＧ Ｚｈｉ－ｙｕｎ１，ＸＵ Ｗｅｉ－ｈｕａ１， ＸＩＡＯ Ｙｉ １， ＸＩＡＯ Ｑｉａｎｇ１１．Ｓｔａｔｅ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｕｒｂａｎ ａｎｄ Ｒｅｇｉｏｎａｌ Ｅｃｏｌｏｇｙ，Ｒｅｓｅａｒｃｈ Ｃｅｎｔｅｒ ｆｏｒ Ｅｃｏ－ｅｎｖｉｒｏｎｍｅｎｔａｌ Ｓｃｉｅｎｃｅｓ， Ｃｈｉｎｅｓｅ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ，Ｂｅｉｊｉｎｇ １０００８５，Ｃｈｉｎａ；２．Ｃｈｅｎｇｄｕ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｂｉｏｌｏｇｙ，Ｃｈｉｎｅｓｅ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ，Ｃｈｅｎｇｄｕ ６１００００，Ｃｈｉｎａ；３．Ｇｒａｄｕａｔｅ Ｓｃｈｏｏｌ ｏｆ Ｃｈｉｎｅｓｅ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓ，Ｂｅｉｊｉｎｇ １０００３９，Ｃｈｉｎａ；４．Ｃｏｌｌｅｇｅ ｏｆ Ｌｉｆｅ Ｓｃｉｅｎｃｅ，Ｓｉｃｈｕａｎ Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈｅｎｇｄｕ ６１００００，ＣｈｉｎａＡｂｓｔｒａｃｔ：Ｉｎ ｔｈｉｓ ｓｔｕｄｙ，ｔｈｅ ｍｏｄｉｆｉｅｄ ｂｅｓｔ ｉｎｄｅｘ ｓｌｏｐｅ ｅｘｔｒａｃｔｉｏｎ（ＢＩＳＥ）ｍｅｔｈｏｄ ｗａｓ ｓｕｃｃｅｓｓｆｕｌｌｙ ａｐｐｌｉｅｄｔｏ ｒｅｃｏｎｓｔｒｕｃｔ ａ ｈｉｇｈ－ｑｕａｌｉｔｙ ＮＤＶＩ ｔｉｍｅ ｓｅｒｉｅｓ ｄａｔａｓｅｔ ｉｎ ｒｅｃｅｎｔ ｙｅａｒｓ．Ａ ｖｅｇｅｔａｔｉｏｎ ｃｏｖｅｒａｇｅ ｑｕａｎｔｉｔａｔｉｖｅｅｓｔｉｍａｔｉｏｎ ｍｏｄｅｌ ｗａｓ ｃｒｅａｔｅｄ ｂｙ ＩＤＬ ｐｒｏｇｒａｍｍｉｎｇ ｌａｎｇｕａｇｅ ｂａｓｅｄ ｏｎ ｔｈｅ ｄｉｍｉｄｉａｔｅ ｐｉｘｅｌ ｍｏｄｅｌ，ａｎｄ ｔｈｅｎｉｔ ｗａｓ ｕｓｅｄ ｔｏ ｍａｋｅ ａ ｑｕａｎｔｉｔａｔｉｖｅ ｅｓｔｉｍａｔｉｏｎ ｏｆ ｔｈｅ ｖｅｇｅｔａｔｉｏｎ ｃｏｖｅｒａｇｅ ｉｎ Ｃｈｏｎｇｑｉｎｇ ｍｕｎｉｃｉｐａｌｉｔｙ ｆｒｏｍ２００６ｔｏ ２０１０ａｎｄ ａｎａｌｙｚｅ ｉｔｓ ｓｐａｔｉａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ａｎｄ ｓｅａｓｏｎａｌ ｃｈａｎｇｅｓ．Ｔｈｅ ｒｅｓｕｌｔｓ ｉｎｄｉｃａｔｅｄ ｔｈａｔ ｔｈｅ ｖｅｇｅ－ｔａｔｉｏｎ ｃｏｖｅｒａｇｅ ｉｎ ｔｈｅ ｓｔｕｄｙ ｒｅｇｉｏｎ ｉｎｃｒｅａｓｅｄ ｓｌｏｗｌｙ ｂｕｔ ｓｔｅａｄｉｌｙ，ａｎｄ ｔｈｕｓ ｔｈｅ ｏｖｅｒａｌｌ ｅｃｏｌｏｇｉｃａｌ ｅｎｖｉｒｏｎ－ｍｅｎｔ ｓｈｏｗｅｄ ａ ｐｏｓｉｔｉｖｅ ｄｅｖｅｌｏｐｍｅｎｔ ｔｒｅｎｄ．Ｉｎ ａｄｄｉｔｉｏｎ，ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ｖｅｇｅｔａｔｉｏｎ ｆｒａｃｔｉｏｎ ｒｅｔｒｉｅｖａｌ ｗａｓａｓｓｅｓｓｅｄ ｂｙ ｔｈｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｄａｔａ ｆｒｏｍ Ｌａｎｄｓａｔ５／ＴＭ ｉｍａｇｅｓ，ａｎｄ ｉｔ ｗａｓ ｓｈｏｗｎ ｔｈａｔ ｔｈｅ ｄｅｔｅｃｔｉｏｎ ｏｆ ｖｅｇｅ－ｔａｔｉｏｎ ｃｏｖｅｒ ｃｈａｎｇｅ ｂｙ ｒｅｔｒｉｅｖｉｎｇ ｔｈｅ ｆｒａｃｔｉｏｎ ｏｆ ｔｈｅ ｖｅｇｅｔａｔｉｏｎ ｃｏｖｅｒａｇｅ ｂａｓｅｄ ｏｎ ＢＩＳＥ ｍｅｔｈｏｄ ａｎｄ ｄｉｍｉｄｉ－ａｔｅ ｐｉｘｅｌ ｍｏｄｅｌ ｉｓ ｆｅａｓｉｂｌｅ．Ｋｅｙ ｗｏｒｄｓ：ｂｅｓｔ ｉｎｄｅｘ ｓｌｏｐｅ ｅｘｔｒａｃｔｉｏｎ（ＢＩＳＥ）；ｄｉｍｉｄｉａｔｅ ｐｉｘｅｌ ｍｏｄｅｌ；ｖｅｇｅｔａｔｉｏｎ ｃｏｖｅｒａｇｅ；ｓｅａｓｏｎａｌｃｈａｎｇｅ责任编辑 陈绍兰 ６２１西南大学学报（自然科学版） ｈｔｔｐ：／／ｘｂｂｊｂ．ｓｗｕ．ｃｎ 第３５卷。
基于遥感的自然生态环境监测与评价——以普洱市思茅区为例
Open Journal of Natural Science 自然科学, 2021, 9(1), 64-71Published Online January 2021 in Hans. /journal/ojnshttps:///10.12677/ojns.2021.91009基于遥感的自然生态环境监测与评价——以普洱市思茅区为例沈润，罗琪，叶蕾，蒋永泉云南师范大学地理学部，云南昆明收稿日期：2020年12月11日；录用日期：2021年1月8日；发布日期：2021年1月18日摘要遥感技术的发展为自然生态环境的监测提供了准确、高效的技术手段。
基于2018年3月的Landsat数据以及DEM数据，提取了植被覆盖度、土壤指数和坡度三个重要生态因子，并将归一化后的因子带入构建的综合指数评价模型，得出了思茅区生态环境质量指数，最后根据指数值进行分级，对思茅区的自然生态环境质量进行了评价与分析。
研究结果表明：思茅区的自然生态环境质量以良和差为主，研究区东北部和东南部的生态环境质量差，西部相对较好。
该研究结果与实际情况基本符合，因此基于遥感的自然生态环境监测与评价的方法，能够为区域的生态环境监测、治理和改善提供重要参考。
关键词生态环境质量，生态因子，遥感，综合指数评价模型Monitoring and Evaluation of NaturalEcological Environment Based onRemote Sensing—A Case Studyof Pu’er Simao DistrictRun Shen, Qi Luo, Lei Ye, Yongquan JiangFaculty of Geographical Science, Yunnan Normal University, Kunming YunnanReceived: Dec. 11th, 2020; accepted: Jan. 8th, 2021; published: Jan. 18th, 2021沈润 等AbstractThe development of remote sensing technology provides accurate and efficient technical means for monitoring the natural ecological environment. Based on the Landsat data and DEM data in March 2018, the three important ecological factors of vegetation coverage, soil index and slope were extracted, and the normalized factors were brought into the constructed comprehensive in-dex evaluation model, and the Simao district was obtained. Eco-environmental quality index, fi-nally classified according to the index value, to evaluate and analyze the natural ecological envi-ronment quality of Simao District. The results of the study show that the quality of the natural ecological environment in Simao District is mainly good and poor, the quality of the ecological en-vironment in the northeast and southeast of the study area is poor, and the west is relatively good. The research results are basically in line with the actual situation. Therefore, the method of natu-ral ecological environment monitoring and evaluation based on remote sensing can provide an important reference for regional ecological environment monitoring, management and improve-ment.KeywordsEcological Environment Quality, Ecological Factors, Remote Sensing, Comprehensive Index Evaluation ModelCopyright © 2021 by author(s) and Hans Publishers Inc.This work is licensed under the Creative Commons Attribution International License (CC BY 4.0). /licenses/by/4.0/1. 引言随着社会经济的快速发展以及自然环境的不断改变，生物多样性减少、水土流失、土地荒漠化等环境问题层出不穷，给社会经济可持续发展带来严重挑战[1]。
城市绿色空间地表温度的时空演变特征———以北京市六环内区域为例
第４７卷 第５期２０２３年９月南京林业大学学报（自然科学版）ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅｓＥｄｉｔｉｏｎ）Ｖｏｌ．４７，Ｎｏ．５Ｓｅｐｔ．，２０２３ 收稿日期Ｒｅｃｅｉｖｅｄ：２０２１ １２ ０６ 修回日期Ａｃｃｅｐｔｅｄ：２０２２ ０４ ２６ 基金项目：国家重点研发计划（２０２２ＹＦＣ３８０２６０２）。
第一作者：樊柏青（ｂｏｑｉｎｇ０６０８＠１６３．ｃｏｍ）。
通信作者：刘东云（ｌａｕｒｓｔｕｄｉｏ＠ｓｉｎａ．ｃｏｍ），副教授。
引文格式：樊柏青，刘东云，王思远，等．城市绿色空间地表温度的时空演变特征———以北京市六环内区域为例［Ｊ］．南京林业大学学报（自然科学版），２０２３，４７（５）：１９７－２０４．ＦＡＮＢＱ，ＬＩＵＤＹ，ＷＡＮＧＳＹ，ｅｔａｌ．Ｓｐａｔｉｏ ｔｅｍｐｏｒａｌｅｖｏｌｕｔｉｏｎｏｆｓｕｒｆａｃｅｔｅｍｐｅｒａ ｔｕｒｅｉｎｕｒｂａｎｇｒｅｅｎｓｐａｃｅ：ａｃａｓｅｓｔｕｄｙｗｉｔｈｉｎｔｈｅＳｉｘｔｈＲｉｎｇＲｏａｄｉｎＢｅｉｊｉｎｇ［Ｊ］．ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅｓＥｄｉｔｉｏｎ），２０２３，４７（５）：１９７－２０４．ＤＯＩ：１０．１２３０２／ｊ．ｉｓｓｎ．１０００－２００６．２０２１１２００８．城市绿色空间地表温度的时空演变特征———以北京市六环内区域为例樊柏青１，２，刘东云１，王思远２，穆罕默德·阿米尔·西迪基３（１．北京林业大学园林学院，北京 １０００８３；２．东南大学建筑学院，江苏 南京 ２１００９６；３．天津大学建筑学院，天津３００２７２）摘要：【目的】随着城市化进程的不断推进，城市热岛效应逐渐加剧，地表温度作为表征城市热环境的常用因子，研究其与城市绿色空间之间的关系对于缓解城市热岛效应有着重要的参考价值。
基于像元二分模型的植被慰盖度遥感信息提取
Ｎ Ｄ Ｖ Ｉ ｓ ｏ ｉ ｌ 值 取评价 区域影像 中给定置信 度 的置信 区间 内的 Ｎ Ｄ Ｖ Ｉ 最小值 作为理想无 植被地 表 ； Ｎ Ｄ Ｖ Ｉ ｖ ｅ ｇ 值 取评价 区域影像 中给定置 信 度 的置信 区间内的 Ｎ Ｄ Ｖ Ｉ 最大值 作为理想植被全覆盖地表 。因此 ， 植 被 指数模型转换 为：
Ｆ ｃ ＝ （ Ｎ ＤＶ Ｉ — Ｎ ＤＶ Ｉ ｍ ￣ ． ） ／ （ ＮＤ Ｖ Ｉ ｍ 一 Ｎ Ｄ ＶＩ 一） （ ７ ）
这样 就可把混 合像元 的植被指数 值转换成 植被覆盖 度值 。此 式 在分析植 被光谱信息特征的基础上 ， 通过建 立 Ｎ Ｄ Ｖ Ｉ 与植被覆 盖度的转 换关 系 ， 进 而估算 植被覆盖度 。 根 据 像 元 的 光谱 特征 按 ０ ％～ ２ ０ ％、 ２ ０ ％～ ４ ０ ％、 ４ ０ ％～ ６ ０ ％、 ６ ０ ％～ ８ ０ ％、 ８ ０ ％ ～ １ ０ ０ ％ 将 植被覆 盖度进行统 计分类 ， 植被覆盖 等级 的划分 ， 为定量分析植 被覆盖度 的空间分 布格局及其 演变特征提 供数据 ， 最终 输 出专 题图以及对 比图（ 如图 １ ） 。
技
基 于像 元＝分模 型响植被覆盖 度遥 感信 息提取
兰 州交通 大 学测绘 与地 理信 息 学院 姜 烨 孙 建 国 中国科 学院寒 区旱 区环 境 与工程 研 究所 李 庆
［ 摘 要］ 植被覆 盖度 是衡量地表植被覆盖 的一个重要指标 ， 在许 多方面作 为重要参数输入 。本 文利用Ｌ ａ ｎ ｄ ｓ ａ ｔ 一 ７ 卫星提供 的 １ ９ ９ ９ 年 Ｅ Ｔ Ｍ＋ 遥 感影像 和 Ｌ ａ ｎ ｄ ｓ ａ ｔ 一 ５ 卫 星提供 的 ２ ０ ０ ７年 Ｔ Ｍ 遥 感影像 ， 以定西 市安定 区为研 究 区域 ， 对遥感 影像进 行 了归一化植 被指 数 （ Ｎ Ｄ Ｖ Ｉ ） 的提 取 ， 并根据像 元二分模型原理 计算 出研究 区的植被 覆盖度 。从 结果 中可看 出研 究 区西 南部植被 覆盖有所增加 ， 东北部 植被覆盖有所退化。 【 关键词］ ＮＤ Ｖ Ｉ 植被覆盖度 像元二 分模 型
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。
envi实习报告共3篇
envi实习报告共3篇（经典版）编制人：__________________审核人：__________________审批人：__________________编制单位：__________________编制时间：____年____月____日序言下载提示：该文档是本店铺精心编制而成的，希望大家下载后，能够帮助大家解决实际问题。
文档下载后可定制修改，请根据实际需要进行调整和使用，谢谢!并且，本店铺为大家提供各种类型的经典范文，如工作总结、工作计划、报告大全、心得体会、条据书信、合同协议、演讲稿、自我鉴定、其他范文等等，想了解不同范文格式和写法，敬请关注!Download tips: This document is carefully compiled by this editor.I hope that after you download it, it can help you solve practical problems. The document can be customized and modified after downloading, please adjust and use it according to actual needs, thank you!In addition, this shop provides you with various types of classic sample essays, such as work summary, work plan, report book, experience and experience, letter of agreement, contract agreement, speech draft, self-assessment, other sample essays, etc. I would like to know the different format And how to write, stay tuned!envi实习报告共3篇下面是本店铺分享的envi实习报告共3篇(envi实验报告)，以供借鉴。
基于多时相RSEI_的生态环境质量评价——以新民市为例
收稿日期：2023-03-22基金项目：中国气象局沈阳大气环境研究所联合开放基金项目（2021SYIAEKFZD05）；国家重点研发计划项目（2017YFD0301704；2016YFD0300307）；公益性行业科研专项（20150312705）作者简介：王井利（1971-），男，黑龙江鹤岗人，教授，硕士，主要从事精密工程测量岩土工程监测、道路铁道工程精密测量技术、卫星定位、地理信息与遥感技术集成应用等研究，（电话）189****5858（电子信箱）****************；通信作者，蔡福，男，研究员，主要从事植物干旱响应机理及模拟、陆气相互作用及模拟研究，（电子信箱）**************。
王井利，余鹏程，蔡福，等.基于多时相RSEI 的生态环境质量评价——以新民市为例［J ］.湖北农业科学，2024，63（4）：56-60．基于多时相RSEI 的生态环境质量评价——以新民市为例王井利1，余鹏程1，蔡福2，刘慧楠1，高天娇1（1.沈阳建筑大学，沈阳110168；2.中国气象局沈阳大气环境研究所，沈阳110166）摘要：以辽宁省新民市作为研究对象，基于2014年、2017年、2020年的相近月份（5—6月）Landsat 8OLI_TRIS 数据，提取4个生态因子［绿度（NDVI ）、湿度（WET ）、干度（NDBSI ）、热度（LST ）］，采用主成分分析法构建遥感生态指数（RSEI ），对研究区域生态环境质量时空演变特征进行评价。
结果表明，2014年、2017年、2020年新民市RSEI 的均值分别为0.397、0.348、0.506，呈先降后升的趋势。
2014—2020年，生态环境质量等级为差和较差的区域主要分布在西北区域，面积占比由62.5%降至33.2%；生态环境质量等级为较好和好的区域主要分布在东南区域，面积占比呈明显的先降低后升高趋势，由21.3%先下降到18.4%后上升到37.0%。
西北大学第七届“挑战杯”课外科技作品竞赛初赛入围名单
76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95
“腾格里沙漠水污染”综合研究及治理 醋渣对盐碱地改良模式研究——以陕西省蒲城县为例 基于像元二分模型的延河流域植被覆盖度时空变化研究 基于资源三号卫星影像的移动通信基站选址问题探究 西安地铁建设运营对站点周边住宅价格的影响研究 2010-2014年西安市大气颗粒物的时空分布特征及影响因素
信科院 信科院 信科院 信科院 信科院 信科院 信科院 信科院 信科院 信科院 经管院 地质 王昊宸 阴雨婷 李继纲 来宝鹏 裴孟菲 杨玉雪 常一伦 王琪
佀洁 高思琦 闵禹强 陈 冯宏伟 楠 隋雪 冯筠 张浩 贾超 张琪敏 耿国华 晁莹 瞿晓婷 王哲 龙 雨 邱超、卫柄岐、朱锐、王 冯宏伟 瑶瑶、李田圆 冯筠 朱锐 卫柄崎 刘强 王凯 高原 冯 蒋昌猛 筠 邱超 谷楠楠 刘欢 党梓 高原 冯 心 杨玉雪 李玲玉 筠 王俊杰、王森、王越、贺 赵宏安 心、刘睿华 刘晓宁 杨雯雯 汪建 毋一帆 蒋 无 子一 无 无 申悠阳 魏佳敏 姚博 徐 舒婷 周猛 杨玉雪 刘欢 党梓心 李 玲玉 无 无 贺小伟 邓周虎 冯筠 高原 齐新元 无
基于手势交互的虚拟剪纸仿真系统 高校青年志愿者综合信息管理系统 “爱上博物馆”微信平台 大数据助你走向康庄大道---高校贫困生综合信息分析平台 ”博物馆之城”管理云平台 新型灰度式二维码与相关辅助设备的设计与研究 自习室情况实时反馈屏 手势遥控器 基于物联网的雨量测量装置 野生动物声音智能监控器 纵览大唐、革故鼎新——中小型博物馆统计平台 基于红外避障原理的新型导盲电子狗设计 臂膀抱枕
55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75
- 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)。
基于像元二分模型的植被覆盖度反演以市为例文件排版存档编号：[UYTR-OUPT28-KBNTL98-UYNN208]基于像元二分模型的植被覆盖度反演-以北京市为例王玲（西北大学城市与环境学院，陕西西安 710127）摘要：采用遥感技术监测植被覆盖度具有重要意义。
本文以北京市为例，基于2013年的Landsat8 OLI影像，选取NDVI值为参数，采用像元二分模型对植被覆盖度进行反演，最终反演的结果与实际情况符合，说明采用该方法反演植被覆盖度可行。
关键词：植被覆盖度、像元二分模型、NDVI、植被指数引言植被覆盖度（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，即植土比。
通常林冠称郁闭度，灌草等植被称覆盖度[1]。
它是衡量地表植被覆盖的一个最重要的指标，被覆盖度及其变化是区域生态系统环境变化的重要指示，对水文、生态、全球变化等都具有重要意义[2]。
根据监测手段, 测量植被覆盖度的方法可分为地面测量和遥感测量两大类，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，较为实用的地面测量单的方法就是目估法，缺点主要是主观性太强。
客观的测量方法有样点法、样方法、样带法等，借助于采样仪器的测量方法，空间定量计、移动光量计等。
这些方法虽然提高了测量精度，但野外操作不便，并且成本较高, 难以在大范围内快速提取植被覆盖度。
而采用遥感技术为监测大面积区域的植被覆盖度，甚至全球的植被覆盖度监测提供了可能[3]。
目前已有许多利用遥感技术测量植被覆盖度的方法，其中应用最广泛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。
一、数据源本文选取两景覆盖北京市的Landsat8 OLI影像、土地覆盖类型图以及北京行政边界矢量数据为数据源。
其中，土地覆盖类型图是作为掩膜文件使用，其目的是为了便于植被覆盖度的估算；北京行政边界矢量数据是为了将两景镶嵌好的影像数据进行裁剪使用的，其目的是裁剪出北京市行政区内的范围。
另外，Landsat8 OLI影像是从地理空间数据云网站上下载得到的，其成像时间为2013年10月份。
与Landsat7的ETM+成像仪相比，OLI成像仪获取的遥感图像辐射分辨率达到12比特，图像的几何精度和数据的信噪比也更高。
OLI成像仪包括9个短波谱段（波段1～波段9），幅宽185km，其中全色波段地面分辨率为15m，其他谱段地面分辨率为30m[4]。
表1 Landsat8 OLI陆地成像仪波段参数二、研究方法本文反演植被覆盖度所采用的是像元二分模型方法，像元二分模型是一种简单实用的遥感估算模型，它假设一个像元的地表由有植被覆盖部分地表(SV)与无植被覆盖部分地表(SS)组成，而遥感传感器观测到的光谱信息(S)也由这2个组分因子线性加权合成，各因子的权重是各自的面积在像元中所占的比率，如其中植被覆盖度可以看作是植被的权重。
因此，像元二分模型的原理如下：①遥感传感器观测到的光谱信息(S)由有植被覆盖部分地表(SV)与无植被覆盖部分地表(SS)组成，可得出：S = SV + SS ·········公式1②假设一个像元中有植被覆盖的面积比例为fc , 即该像元的植被覆盖度, 则裸土覆盖的面积比例为1 -fc ，如果全由植被所覆盖的纯像元所得的遥感信息为Sveg , 则混合像元的植被部分所贡献的信息Sv可以表示为Sveg与fc的乘积：公Sv =fc·Sveg·········式2那么，Ss =(1 -fc )·Ssoil公式3·········③将公式2与公式3代入到公式1中，可得到：S =fc ·Sveg +(1 -fc)S soil公式4·········④对公式4进行变换, 可得以下计算植被覆盖度的公式：fc =(S -Ssoil) (Sveg -Ssoil )公式5·········其中Ssoil 为纯土壤像元的信息, Sveg 为纯植被像元的信息, 因而可以根据公式5利用遥感信息来估算植被覆盖度。
⑤将归一化植被指数(NDVI)代入公式5可以被近似为:公式6 fc =(NDVI - NDVIsoil ) (NDVIveg -NDVIsoil)·········其中, NDVIsoil 为裸土或无植被覆盖区域的NDVI值, 即无植被像元的NDVI 值;而NDVIveg 则代表完全被植被所覆盖的像元的NDVI 值, 即纯植被像元的NDVI 值[2]。
当区域内可以近似取VFCmax=100%，VFCmin=0%，VFC = (NDVI -NDVImin)/ ( NDVImax -NDVImin)，NDVImax 和NDVImin分别为区域内最大和最小的NDVI值。
由于不可避免存在噪声，NDVImax 和NDVImin一般取一定置信度范围内的最大值与最小值，置信度的取值主要根据图像实际情况来定；当区域内不能近似取VFCmax=100%，VFCmin=0%，当有实测数据的情况下，取实测数据中的植被覆盖度的最大值和最小值作为VFCmax和VFCmin，这两个实测数据对应图像的NDVI作为NDVImax 和NDVImin。
当没有实测数据的情况下，取一定置信度范围内的NDVImax 和NDVImin。
VFCmax和VFCmin根据经验估算。
三、数据处理1、数据预处理本文使用的Landsat8 OLI为L1T级别数据，不需做几何校正处理。
而北京市需要两景Landsat OLI数据覆盖，因此首先要进行图像镶嵌和裁剪，然后进行大气校正等预处理过程。
（1）辐射定标辐射定标是将传感器记录的电压或数字值转换成绝对辐射亮度的过程。
目的是消除传感器本身所产生的误差,由于传感器在不断的运行中光学器件性能逐渐退化,因此定标的系数也随之不同,这些定标系数也在不断的更改,在用户获得数据的时候,这些定标系数也在影像的头文件中同时提供给用户。
遥感数据辐射定标就是将传感器得到的灰度值转换为星上的辐射亮度值或星上反射率,即表观辐射度或表观反射率。
辐射定标主要校正由传感器的灵敏度带来的辐射误差[5]。
其目的是为FLAASH大气校正准备数据：定标符合单位要求的辐射量数据、转换数据储存顺序等。
该处理过程在中实现，具体操作：在ENVIToolbox中，选择Toolbox/Radiometric Correction/ Radiometric Calibration，选择*_MultiSpectral多光谱组（7个波段），打开辐射定标工具，对两景影像分别做辐射定标。
（2）影像镶嵌因本文所使用的影像数据源是两景Landsat OLI影像，因此需进行影像镶嵌，镶嵌的目的是将不同的影像文件无缝地拼接成一幅完整的包含研究区域的影像。
该处理过程在中实现，具体操作：在Toolbox中，选择/Mosaicking/Seamless Mosaic，打开无缝镶嵌工具，然后进行相关参数设置，如下所示：（3）影像裁剪因本文所使用的影像数据包含了北京市行政区划以外的部分地区，因此需进行影像裁剪，以将研究区裁剪出来，并且减小了数据量，加快了数据处理速度，本文使用北京行政边界矢量裁剪图像。
过程在中的具体操作如下：在Toolbox中，选择/Regions of Interest/Subset Data from ROIs，打开裁剪工具：影像裁剪结果如下所示：（4）Flaash大气校正电磁波在大气中的传输和遥感器观测过程中受光照条件以及大气作用等的影响,只有小部分(在波段80%,在波段50%)太阳辐射能反射到遥感器,导致遥感器的测量值与地物实际的光谱辐射率不一样。
辐射损失主要发生在大气吸收和散射过程，因此地表参数的遥感定量反演研究中,必须纠正目标辐射的不确定性信息[6]。
ENVI中的FLAASH模型是基于MODTRAN4+辐射传输模型，通过参数查找表来进行大气校正的商业化软件。
FLAASH大气校正模块支持多种传感器数据，其光谱处理范围μμm，可以有效地去除水蒸气/气溶胶散射效应，同时该方法基于图像像素级的校正，能够解决目标像元和邻近象元的“邻近效应”问题，校正结果精度高，简单易行[7]。
然后，对大气校正前后同一地物的光谱曲线进行对比，这里以植被为例，光谱曲线如下图所示：校正前的植被光谱曲线校正后的植被光谱曲线2、植被覆盖度估算（1）计算NDVI本文选取NDVI值为参数，采用像元二分模型对植被覆盖度进行反演，根据植被覆盖度的计算公式可知，要求取植被覆盖度，首先需要计算NDVI。
在中的具体操作如下：在Toolbox中，选择Spectral/Vegetation/NDVI，NDVI Calculation Input File面板中，选择图像，求算NDVI，如下：NDVI求算结果如下：由于大气校正后的结果有部分像元为负值，主要集中在阴影地区，这部分区域计算得到的NDVI在[-1,1]之外，为了便于后面的分析，我们这里统一将这部分像元进行处理，即NDVI值大于1的变为1，小于-1的变成-1。
在Bandmath中的表达式为：-1>b1<1，其中b1代表的是NDVI，得到去除异常值文件：NDVI_去除异常值.dat（2）掩膜文件制作该过程主要是为了计算NDVI的最大值、最小值所服务的，根据土地利用分类图（共5类，林地、农业用地、城市用地、水体与其他）制作各种土地利用类型的掩膜文件，在中的具体操作如下：在Toolbox中选择/Raster Management/Masking/Apply Mask，打开制作掩膜工具：采用该方法制作林地、农业用地、城市用地、水体与其他的掩膜文件，其中林地与耕地的掩膜文件制作结果如下：（2）获取阈值这一步就是求解NDVImax和NDVImin，使用上一步获取的掩膜文件分别对NDVI 图像文件进行统计，在一定置信度范围内获取每个掩膜文件（也就是土地覆盖类型）对应的最大和最小NDVI值。
在Toolbox中，选择/Statistics/Compute Statistics，进行统计，然后在统计结果中，取一定的置信度获取最大和最小的NDVI值。