SWIR-短波红外
aster热红外大气校正
aster热红外大气校正ENVI提供Thermal Atm Correction工具，可以近似去除热红外辐射数据中的大气影响。
在进行大气校正之前，为了得到最好的结果，必须将热红外数据定标为比辐射率数据（TIMS的热红外数据必须被转化为辐射亮度数据），并且待校正数据波长在8-14µm之间。
下面以ASTER L1A的热红外波段为例，操作过程如下：（1）打开ASTER，在波段列表中按照波长自动归为4组，2组可见光-近红外（VNIR）、短波红外（SWIR）和热红外(TIR)，并根据头文件信息自动定标为辐射亮度值（单位W/（m2 *µm*sr））。
（2）在主菜单中，从以下列表中选择一种方式●Basic Tools -> Preprocessing ->Calibration Utilities ->Thermal Atm Correction●Basic Tools ->Preprocessing ->Data-Specific Utilities ->Thermal IR -> Thermal Atm Correction●Basic Tools -> Preprocessing -> Data-Specific Utilities ->TIMS ->Thermal Atm Correction在Thermal Correction Input File对话框中，选择热红外数据（Wavelength : 8.291 to 11.318）。
（3）在Thermal Atm Correction Parameters面板中（图3），需要填写以下参数：●数据缩放系数（Data Scale Factor）：1。
将输入数据的单位缩放为W/（m2 *µm*sr）。
●波长单位（Wavelength Units）：Micrometers。
卫星影像常见参数介绍
北京揽宇方圆信息技术有限公司一、光学卫星1．GeoEye-12、IKONOS3、WorldView-14、QuickBird5、FORMOSAT-26、OrbView-27、OrbView-38、ASTER9、Landsat系列10、IRS系列11、RADARSAT-112、日本JERS-1卫星13、ERS卫星14、CBERS-1中巴资源卫星15、法国SPOT卫星16、欧空局ENVISAT卫星17、ALOS卫星18、RapidEye卫星星座19、资源02B卫星介绍二、雷达卫星1、COSMO-Skymed高分辨率雷达卫星2、TerraSARFORMOSAT-2波谱范围18、RapidEye卫星星座RapidEye是一家由国际标准化组织认证的空间地理信息提供商，主要面向全球客户提供包括农业、林业、能源、基础建设、政府部门、安防及突发事件等行业领域方面的解决方案。
RapidEye依靠其专业的卫星专家队伍和一个由5颗卫星组成并且每天能够下载超过4百万平方公里高分辨率、多光谱图像的卫星星座RapidEye及其地面处理和数据存档能力，能够面向客户提供低成本的定制服务。
2008年8月29日，RapidEye5颗对地观测卫星已成功发射升空，目前运行状况良好。
RapidEye产品类型类别1B RapidEye基础产品——经过辐射校正和传感器校正，运用了卫星姿态和星历数据。
3A RapidEye正射产品——经过辐射校正、传感器校正和几何校正，所有产品都采用了DTED1级SRTM DEM或更高精度的DEM。
采用适当的地面控制点该产品可以满足6m精度(1sigma或12.7m CE90)，该产品的最高精度可以达到1：25,000NMAS制图标准。
4A RapidEye DEM产品——由合适的影像对提取生成，处理过程在RapidEye地面处理系统里完成。
该产品空间分辨率为30米，主要为需要建立DEM或者需要最新DEM数据的客户设计。
十种常见的卫星数据
十种常见色卫星数据1.Quick Bird(快鸟)数据QuickBird卫星于2001年10月由美国DigitalGlobe公司发射，是目前世界上唯一能提供亚米级分辨率的商业卫星，具有最高的地理定位精度，海量星上存储，单景影像比其它的商业高分辨率卫星高出2—10倍。
而且QuickBird 卫星系统每年能采集七千五百万平方公里的卫星影像数据，存档数据每天以史无前例的速度在递增。
在中国境内每天至少有2至3个过境轨道，有存档数据约500万平方公里。
DigitalGlobe公司是全球商业化卫星公司的引导者,在中国的销售渠道统一、完整，并将在2007下半年年发射0.5米分辨率的商用卫星WorldView 。
成像方式：推扫式成像传感器：全波段多光谱分辨率： 0.61米（星下点） 2.44米（星下点）波长: 450-900nm 蓝： 450-520nm 绿： 520-600nm 红： 630-690nm近红外：760-900nm量化值： 11 位星下点成像：沿轨/横轨迹方向（+/-25度）立体成像：沿轨/横轨迹方向辐照宽度：以星下点轨迹为中心，左右各272公里成像模式：单景 16.5公里 X 16.5公里条带： 16.5公里 X 165公里轨道高度： 450公里倾角：98度（太阳同步）重访周期：1 – 6天（70厘米分辨率，取决于纬度高低）QuickBird通道波长范围（nm ）地面分辨率（星下点）1 蓝 :450-520 全色: 0.61m多光谱: 2.44m2 绿 : 520-6603 红：630-690nm 全色：61厘米到72厘米多光谱：244厘米到288厘4 近红外 : 760-900nm米2.wordview“WorldView”卫星系统 Digitalglobe的下一代商业成像卫星系统由两颗(WorldV iew-I和WorldView-II)卫星组成，其中WorldView-I预计200 7年7月发射，WorldView-II预计2008年发射。
归一化建筑指数ndbi
归一化建筑指数ndbi
归一化建筑指数（NDBI）是一种常用的遥感指数，用于评估城市地表覆盖类型和土地利用。
NDBI主要基于建筑物在红外波段中对辐射的吸收能力，可以快速准确的提取城市中的建筑物分布情况。
NDBI指数的计算方法是： NDBI = (NIR - SWIR) / (NIR + SWIR)。
其中NIR是近红外波段的反射率，SWIR是短波红外波段的反射率。
NDBI值的范围从-1到1，负值表示非建筑物覆盖，正值表示建筑物覆盖。
在城市规划和土地利用方面，NDBI可以用来评估建筑物密度、覆盖度、高度等。
此外，NDBI还可以用于监测城市扩张、城市化进程、城市热岛效应等情况。
为了更好地应用NDBI指数，通常需要对数据进行归一化处理，使得不同时间、不同区域的NDBI数据具有可比性。
归一化方法一般包括最小-最大值归一化和标准差归一化等。
这些方法可以使得NDBI 数据更加准确地反映城市建筑物分布情况和城市化进程。
- 1 -。
oli影像各个波段的设置及用途
oli影像各个波段的设置及用途
1. 蓝色波段：常用于地形、水文、城市及农业等领域的分析，如水体识别、城市建设监测、农业生长监测等。
2. 绿色波段：常用于植被覆盖度和植被类型的识别，具有很好的植被区别能力。
3. 红色波段：常用于植被健康监测和土地利用分类等领域。
红色波段的数值可以通过对比植物不同阶段的红外辐射值来分析植物是否健康。
4. 近红外波段：该波段主要用于植被健康监测和土地分类。
5. 短波红外波段：常用于土地利用分类、植被健康监测以及水文与环境监测等领域。
6. 地面温度：利用赤外波段能够解释的地物表面温度信息，可以进行海洋、土地、气候等领域的研究。
7. SWIR波段：主要用于检测矿物、民用及军事工程等方面。
能够对地面上的人工结构如建筑物、道路等进行识别。
8. TIRS波段：通过光学探测地表温度，来构建更加准确的地表温度分布模型。
主要用于农业、水文和区域环境监测等领域。
增强植被指数ndbi公式
增强植被指数ndbi公式增强植被指数（Normalized Difference Built-up Index，简称NDBI）是一种用于评估城市建筑化程度和植被分布情况的遥感指数。
它通过计算红外波段和短波红外波段之间的差异，提供了评估城市建筑和绿地分布的有效手段。
增强植被指数是一种常用的遥感指数，广泛应用于城市规划、环境评估、土地利用研究等领域。
通过计算红外波段和短波红外波段反射率的差异，可以得到一个与城市建筑化程度和植被分布相关的指数值。
这个指数值范围从-1到1，数值越高表示植被分布越广泛，城市建筑化程度越低；而数值越低表示植被分布越少，城市建筑化程度越高。
增强植被指数的计算公式如下：NDBI = (SWIR - NIR) / (SWIR + NIR)其中，SWIR表示短波红外波段反射率，NIR表示红外波段反射率。
通过计算这两个波段反射率的差异，并将其标准化，可以得到一个反映城市建筑和植被分布情况的指数值。
增强植被指数的应用非常广泛。
在城市规划中，可以利用该指数评估城市建设对植被的影响程度，从而制定合理的绿地保护政策。
在环境评估中，可以通过比较不同地区的增强植被指数，评估其生态环境质量和植被恢复情况。
在土地利用研究中，可以利用该指数分析不同土地利用类型的分布情况，为土地规划和管理提供科学依据。
要计算增强植被指数，首先需要获取遥感影像数据。
遥感影像数据可以通过卫星、航空摄影等手段获取，通常包括红、绿、蓝、近红外、短波红外等波段的反射率信息。
然后，根据计算公式，计算短波红外和红外波段的反射率之差，并进行标准化处理，得到增强植被指数的数值。
在实际应用中，还需要注意增强植被指数的局限性。
首先，由于不同遥感影像数据的获取方式和处理方法不同，同一地区的增强植被指数数值可能存在差异。
因此，在进行比较和分析时，需要对数据进行标准化处理。
其次，增强植被指数只能提供关于植被分布和城市建筑化程度的定性信息，不能提供具体的植被类型和建筑物高度等信息。
mndwi指数
mndwi指数
MNDWI指数是一种水体提取指数，全称为“Modified Normalized
Difference Water Index”，中文名为“改进归一化水体指数”。它是基
于归一化差异水体指数（NDWI）的改进版本，用于提取遥感图像中的水体
信息。MNDWI指数的计算公式为：MNDWI = (Green - SWIR) / (Green +
SWIR)其中，Green代表绿色波段的反射率，SWIR代表短波红外波段的反
射率。MNDWI指数的取值范围为-1到1之间，水体的反射率较高，因此
MNDWI指数值越接近1，表示该像素点越可能是水体。MNDWI指数在水体
提取、水资源监测、洪涝灾害等方面具有广泛的应用。
ndmi指数
ndmi指数NDMI指数是一种用于评估地表植被覆盖状况的遥感指数。
它通过计算近红外波段和短波红外波段的反射率之差，可以反映出地表植被的健康程度和生长状况。
NDMI指数广泛应用于农业、林业、环境监测等领域，对于监测植被生长、灾害评估以及资源管理等具有重要意义。
NDMI指数的计算公式为：NDMI = (NIR - SWIR) / (NIR + SWIR)其中，NIR代表近红外波段的反射率，SWIR代表短波红外波段的反射率。
通过计算NDMI值，可以得到植被覆盖状况的信息。
一般来说，植被覆盖较好的地区，NDMI值较高；而植被覆盖较差的地区，NDMI值较低。
NDMI指数的应用非常广泛。
在农业领域，NDMI指数可以用于监测农作物的生长情况，如旱情监测、病虫害监测等。
通过分析NDMI值的变化，可以及时发现农作物的异常情况，并采取相应的措施，保证农作物的正常生长。
在林业领域，NDMI指数可以用于森林火灾的监测和评估。
通过对NDMI值的分析，可以及时预警火灾的发生，并采取措施进行灭火和防火工作。
此外，NDMI指数还可以应用于环境监测领域，如湿地的监测和评估，海洋生态环境的监测等。
除了在农业、林业和环境监测领域的应用，NDMI指数还可以用于资源管理。
比如，NDMI指数可以用于水资源管理。
通过分析NDMI值，可以评估地表土壤的湿度，从而判断地区的干旱程度。
这对于水资源的合理分配和管理具有重要意义。
此外，NDMI指数还可以用于土地覆盖变化的监测和评估。
通过定期获取NDMI指数的数值，可以了解土地覆盖状况的变化情况，为土地规划和管理提供科学依据。
NDMI指数作为一种评估地表植被覆盖状况的遥感指数，在农业、林业、环境监测和资源管理等领域都有着广泛的应用。
它通过计算近红外波段和短波红外波段的反射率之差，可以反映出地表植被的健康程度和生长状况。
通过对NDMI值的分析，可以及时发现植被的异常情况，并采取相应的措施。
因此，NDMI指数为我们提供了一种有效的手段，用于监测和评估地表植被的状况，为资源管理和环境保护提供科学依据。