毕业设计（论文）-条件植被温度指数在农业干旱监测中的应用.doc

安徽理工大学毕业论文 本科毕业论文条件植被温度指数在农业干旱监测中的应用Vegetation temperature condition index in the application of the agricultural drought monitoring 学院（部）： 测绘学院 专业班级： 学生姓名： 指导教师： 二一四年五月十日 I安徽理工大学毕业论文条件植被温度指数在农业干旱监测中的应用 摘要 以河套地区为研究区域，应用陆地卫星Landsat7 ETM遥感数据计算出归一化植被指数和利用单窗算法反演出地表温度，作出归一化植被指数NDVI与地表温度LST的散点图，建立基于条件植被温度指数VTCI的土壤含水量反演模型。与此同时利用决策树分类方法对葵花、玉米进行分类，选用条件植被温度指数VTCI对葵花、玉米进行干旱监测。最后与同期葵花、玉米的土壤含水量地面试验结果进行比较，评价条件植被温度指数VTCI的精确性和可行性。验证结果表明，VTCI模型能够较好地实时监测的河套地区农作物的旱情。关键词：条件植被温度指数（VTCI），干旱监测，土壤含水量，反演模型 ，决策树分类，单窗算法决策树I安徽理工大学毕业论文VEGETATION TEMPERATION CONDITION INDEX IN THE APPLICATION OF THE AGRICULTURAL DROUGHT MONITORINGABSTRACTIn the Hetao area of research,we calculate the normalized difference vegetation index and surface temperature through the use of Landsat7 ETM satellite remote sensing data.Next,we make scatter plot about NDVI and LST,and build vegetation temperature condition index model.At the same time,we classify sunflower and corn by the decision tree classification methods.Furthermore,we monitor sunflower and corn by vegetation temperature condition index model. Finally,We evaluate of vegetation temperature condition index by comparing the experimental results with the same period of the ground soil moisture content test results .Verification results show that VTCI model can monitor the crop drought in he tao area .KEYWORDS：vegetation temperature condition index(VTCI), drought monitor, soil moisture content, inversion model, decision tree classification, single window algorithm摘要IABSTRACTII1.绪论11.1研究背景和意义11.2研究现状和进展11.2.1国外研究现状11.2.2国内研究现状21.2.3以往研究中存在的不足21.3本文研究的内容21.3.1研究的主要内容21.3.2技术路线32.研究区概况与数据来源42.1研究区概况42.2气温和降水42.3数据来源42.3.1地面观测数据42.3.2遥感数据来源和介绍43. 图像预处理53.1辐射定标53.2几何校正53.3图像的镶嵌和裁剪73.3.1图像镶嵌73.3.2图像裁剪84. 演算地表温度94.1植被指数的提取94.1.1植被指数94.1.2归一化植被指数94.2地表温度的反演104.2.1热红外遥感104.2.2比辐射率104.2.3亮度温度114.2.4地表温度124.2.5密度分割135.遥感影像分类135.2图像分类方法145.3训练场地选择145.4最大似然法155.4.1最大似然法原理155.4.2最大似然法步骤155.5决策树方法165.5.1决策树方法原理175.5.2 典型地物光谱值统计175.5.3决策树分类规则185.5.4建立决策树185.6分类后处理195.7分类精度评价195.7.1评价指标195.7.2精度评价分析206.条件植被指数的介绍与计算226.1NDVILST散点图概念226.2条件植被温度指数(VTCI)定义226.3条件植被温度指数计算数据236.3.1NDVILST的散点图数据236.3.2冷边界和热边界的确定236.3.3条件植被温度指数计算结果246.4农作物干旱监测结果分析247.土壤水分定量遥感反演模型建立及精度验证267.1定量遥感267.2土壤含水量的概念267.3土壤水分定量遥感反演模型建立267.4评价条件植被温度指数VTCI模型的精确性和可行性278. 结论288.1结果分析288.2存在的问题28参考文献29致谢32IV1.绪论1.1研究背景和意义 干旱是一种常见的自然灾害，据估计每年世界因干旱导致的经济损失高达70亿美元左右，远远高于了别的自然灾害1。在我国自然灾害中气象灾害占了70，而干旱灾害又占气象灾害的50左右2。由于其研究对象及应用的范围不同，通常又可将干旱分为气象干旱、 水文干旱、农业干旱、和社会经济干旱等四种类型。一般所指的干旱监测，主要是指农业干旱的监测, 即农作物在生长发育过程中由于供水不足, 阻碍农作物的正常生长和发育而造成的水量供应不平衡现象。农业干旱的形成和发展与许多外部因素都相关，如降雨、温度、农作物种植结构、水利灌溉条件、农作物的抗旱能力等。换而言之，干旱已成为制约我国农业发展的一个重要因素，以目前我国的技术水平而言，我们还无法制止干旱的发生，但是我们可以针对特定区域、特定时间、特定农作物建立合适的干旱监测指标体系，开展实时、动态、大面积、精确的农业干旱监测，评估某一区域在一段时间内的不同农作物缺水状况，这样我们就可以及时有效采取抗旱措施，减少经济损失。本文主要是针对我国河套地区进行干旱监测，利用条件植被温度指数法探讨特定农作物（葵花、玉米）的旱情，为提升我国河套地区的农业干旱监测预警水平提供理论支撑和技术支持。总的来说，干旱监测对于科学指导我们合理灌溉农田和更有效地抗旱，确保农作物生产和农业发展具有重要意义。区域干旱的监测已成为当前世界的一个重要课题。1.2研究现状和进展 世界气象组织(1992)定义干旱为在较大范围内相对长期平均水平而言降水减少,从而导致自然生态系统和雨养农业生产力下降。目前对于干旱研究多是基于点上的研究, 而基于遥感技术则属于面上的干旱监测, 能够充分利用地物表面的光谱、空间信息和时间序列，进行大面积的动态监测。当植物受到水分胁迫不同时，反映植被生长状况的植被指数就会发生一定的变化，这种变化可以间接地反映土壤含水量状况，用于判断农作物的受旱情况。基于这个基本原理，国内外的专家和学者已经研究出了很多干旱监测方法，如水分亏缺指数法、温度植被指数法、距平植被指数、条件植被温度指数法等。1.2.1国外研究现状 Price(1990)在研究土壤水分蒸发量时，发现当研究区域有一定的植被覆盖时,用遥感影像得到的地表温度(Ts)为纵坐标和归一化植被指数（NDVI）为横坐标得到的散点图上呈三角分布；Smith和Choudhury(1991)使用TM影像数据研究归一化植被指数（NDVI）和地表温度(Ts)之间关系时得出结论,发现了研究区域的植被覆盖类型影响地表温度(Ts)和植被指数（NDVI）斜率与土壤湿度的关系；Moran等(1994)在研究归一化植被指数、地表温度和空气温度之间关系时，发现归一化植被指数、地表温度和空气温度的差值组成了一个梯形,并根据它们之间的关系提出了适合部分一定植被覆盖量的水分亏缺指数(WDI)。Goetz(1997)在研究不同分辨率的遥感影像数据时,发现在地表水分变化不是很大的情况下,归一化植被指数（NDVI）与地表温度之间存在着一定的关系,而且还发现这种关系主要受植被覆盖度和土壤含水量的影响。总的来说， Price发现的三角形法对地面数据要求相对低一些，且具有较高的精度，它被广泛应用于区域干旱监测。1.2.2国内研究现状 王鹏新等10综合分析了条件植被指数、归一化温度指数、距平植被指数以及条件温度指数等方法的优缺点，提出了一种新的干旱监测方法，即条件植被温度指数(VTCI)，并探讨了应用范围和前景。在此之后，国内众多学者开始着眼于对条件植被温度指数的应用，陈阳等11在对我国云南地区进行干旱监测时中成功的使用了条件植被温度指数法,杨鹤松等在对我国华北地区的干旱监测中也成功地使用了条件植被温度指数法。随后王鹏新等13对基于归一化植被指数和地表温度的干旱监测方法，如条件植被指数、距平植被指数、条件温度指数、条件植被温度指数等方法进行对比分析，得出一个重要结论，即条件植被温度指数(VTCI)更适合于区域级的干旱监测。1.2.3以往研究中存在的不足 在我国，己经开始大规模开展用定量遥感反演土壤含水量进行干旱监测,而且取得了一定的成果。然而,由于我国采用定量遥感反演土壤含水量进行干旱监测起步较晚，在技术方法等方面还存在很问多题,有待学者和专家们做进一步的研究，逐渐改善方法。 （1）过去对特定区域进行干旱监测时,很少研究干旱对于不同农作物的影响。因此，在今后的研究中应针对某一特定区域不同农作物进行干旱监测研究,制定特定区域不同农作物的监测指标体系，可以更有效采取抗旱措施，减少经济损失。 （2）国内外对土壤含水量监测的深度问题己经有了大量的研究,但是国内外利用遥感反演土壤含水量的深度都比较浅,在实际操作中都有一定的局限性。就目前而言，大家对于利用遥感反演土壤含水量的最佳深度的看法都不一致，有些学者专家认为土壤含水量的深度10cm左右深度比较好,还有些学者专家则认为20cm左右深度比较好。本文在这方面进行了深入的探讨和研究，得出了一定的结论。1.3本文研究的内容1.3.1研究的主要内容 （1）下载河套地区多景TM/ETM遥感影像，使用ENVI遥感影像处理软件进行预处理。绘制河套地区的矢量图，并对遥感影像进行正确切割。 （2）利用决策树方法和最大似然法分别对河套地区的玉米、葵花等农作物进行分类，比较和评价两种方法的精确性和可行性，探讨哪一种方法更适合对河套地区分类。 （3）利用单窗算法反演出河套地区这一时期的真实地表温度（LST）。 （4）利用ENVI软件，绘制由归一化植被指数（NDVI）和真实地表温度（LST）构成的散点图，确定干边（冷边界）和湿边（热边界），再根据地面实测数据，建立基于VTCI的土壤含水量反演模型。 （5）对VTCI结果图进行玉米和葵花分类掩膜，探讨和对比这一时期河套地区的玉米和葵花两种农作物旱情。 （6）根据同期的土壤含水量地面试验结果，评价VTCI的精确性和可行性。1.3.2技术路线 Landsat TM数据如图1-1 图像预处理LandsatTM5第三波段LandsatTM5第六波段LandsatTM5第四波段 最大似然法决策树分类计算地表温度LST计算归一化植被指数NDVI 决策树分类地表温度LST归一化植被指数NDVI 玉米 葵花计算条件植被温度指数VTCI地面实测数据条件植被温度指数VTCI 结论2 结论1 图1-1技术路线图2.研究区概况与数据来源2.1研究区概况 位于巴彦淖尔盟境内，横跨巴彦淖尔盟七个旗县（即：杭锦后旗、临河区和乌拉特前、中、后旗、磴口县、五原县）及伊盟一个乡、包头市郊区两个乡、阿拉善盟一个农场。北纬4019-4118，东经10620-10919,东西长约 250km，南北宽约 50km，面积约25000平方公里。河套地区东至乌梁素海，南临黄河，西与阿盟毗邻，北达阴山山脉。河套地区地势平坦、土地肥沃，农业人口 100 多万，总土地面积 1785 万亩，其中耕地面积 1417 万亩，灌溉面积 870万亩，其中种植的主要农作物有玉米、葵花、甜菜、小麦等。河套地区是华北地区重要的粮食生产基地，被誉为“塞上粮仓”。2.2气温和降水 河套地区属于温带季风气候区，夏季温热多雨，冬季寒冷干。全年平均气温为7.7 ，6、7、8这3个月最热的3个月，7月平均温度最高，达23.8。年极端最高气温38.2，极端最低气温零下41。气温年较差是33.4至37.3，气温日较差平均为13至14。从11月到第二年的2月这4个月的平均气温都在摄氏零度以下。河套地区地处干旱气候带，干燥少雨，降雨主要集中在7到8月,这两个月的降雨量占全年总降雨量的56.3%。春季和冬季降雨极少，仅占全年降雨量的10%左右。河套地区平均全年降雨总量为159.8mm, 8月份的降雨量最多为46.6mm,12月份降雨量最少,仅为0.5mm。与降雨量相比较，年平均蒸发量却高达2032mm至3179mm，比降雨量大10到30倍。总的来说，河套地区降水量少，蒸发量大，温差大，四季分明。2.3数据来源2.3.1地面观测数据 20112012年河套地区农作物地面实测数据，包括相应的土壤含水量数据、农作物发育状况数据。2.3.2遥感数据来源和介绍数据源是2011年8月29日，轨道号129/31和129/32，Landsat7 ETM数据，过境时间为当地时间10：30左右，坐标系统为WGS84，投影方式为UTM。Landsat卫星数据主要来自美国地质勘探局（简称USGS）和中科院对地观测中心网站下载。Landsat7 ETM的第15、7波段和Landsat4/5 TM上的一样，空间分辨率都是30m。Landsat7 ETM第6波段的空间分辨率为60m，然而Landsat4/5TM第6波段空间分辨率是120m。由于在2003年5月31日，陆地卫星Landsat7 ETM传感器上机载扫描行校正器(SLC)产生故障，造成2003年5月31日之后获取的ETM影像出现了数据条带丢失。因此在对ETM影像进行预处理之前，需要对ETM影像进行条带修复。我们主要通过使用ENVI软件中条带修复功能，采用插值方法对ETM图像进行条带修复。3. 图像预处理3.1辐射定标辐射定标是指将传感器接收的遥感影像数据，通常都是灰度值（DN值），转换成需要的物理量（如辐射亮度、反射率等）的过程。辐射定标的主要目的是为了消除不同时相遥感影像间的辐射差异，保证传感器获取的遥感影像的准确性。遥感图像的辐射定标还是定量化遥感的一个重要环节,辐射定标精度不仅影响遥感影像数据的准确性,而且还关系着遥感影像数据应用的前景。ENVI辐射定标一般有两种方式：第一种：通过使用ENVI软件自带的对陆地卫星landsat TM、ETM的辐射定标功能，可以自动获取遥感影像的表观辐亮度或反射率；第二种：在ENVI中通过使用自带的波段运算器（band math)功能，手动输入辐射定标公式就可以计算出波段表观辐亮度或反射率，这一种比较麻烦。本文主要采用ENVI自带的定标方式。辐射定标的主要操作步骤：（1）打开ENVI软件，打开单波段图像，点击Basic ToolsPreprocessingCalibration utilitiesLandsat TMLandsat Calibration。 （2）在Landsat Calibration窗口中选择参数:根据传感器类型选择Landsat7 ETM,之后再输入遥感影像获取的时间2011年8月29日，在data acquisition band中选择相应的波段，在Calibration Type选择Radiance（辐射亮度）。3.2几何校正几何校正是指消除或改正遥感影像几何误差的过程。当遥感图像在几何位置上发生了变化，产生诸如行列不均匀，像元大小与地面大小对应不准确，地物形状不规则变化等，即说明遥感影像发生几何畸变。几何校正通常可分为几何粗校正和几何精校正两类。几何粗校正的图像处理工作一般都是由接收部门进行的。几何精校正主要是根据已经发生几何畸变的遥感影像与标准影像之间的同名点以及几何畸变模型进行几何校正。几何精校正又可根据处理方式不同，分为重采样成图法和直接成图法。本文以2009年9月20日，轨道号129/31及129/32，Landsat5 TM四级数据为基准，分别对2011年8月29日，轨道号129/31及129/32，Landsat7 ETM数据进行几何校正。几何校正控制点的选取原则：A. 控制点尽可能满幅均匀选取。B. 特征变化大的地方要多选控制点，如河流拐点等。C. 影像边缘部分要选控制点。D. 控制点要选影像上易区分、比较清晰的特征点，如道路交叉点。几何校正的主要操作步骤： （1）用ENVI分别打开两个视图窗口，一张基准图像和一张待校正图像，点击mapregistrationSelect GCPS：Image to Image,然后在新弹出的窗口确定基准图像和待校正图像。 （2）将两幅图像在zoom窗口的十字线焦点都对准到相同地物点的位置，然后选择Add point添加点。在控制点数目选择上，数目至少满足(n+1)(n+2)/2个, n为多项式次数。控制点选取的越多，精确度越高，但也不能无限制的增加。 （3）在Ground Control Points Selection窗口上，点击Show list ，就可以看到之前选择的所有控制点,如果RMS Errors（误差）比较大，则可以点击Delete删除列表中误差较大的控制点，然后可以适当改变控制点的位置或是重新选取新的控制点。图3-1上显示选择的控制点。图3-1选取的控制点 （4）在ground control point对话框中选择：optionswarp file(as image to map)，在新弹出的imputwarpimage窗口中选待校正的影像，点击OK进入registrationparameters对话框。接下来选择在对话框中选择重采样方法,选择 nearest neighbor method （最近邻法）。图3-2和图3-3是进行几何校正后的图像： 图3-2 几何校正后轨道号32图像 图3-2 几何校正后轨道号32图像 3.3图像的镶嵌和裁剪 由于河套地区的范围比较广，涵盖了2景影像，因此，我们需要先将2景影像拼起来,再用矢量边界文件裁剪出河套地区。在我们实际工作中，我们从网站下载得到的遥感影像通常覆盖范围较大的，而我们进行研究所需要的影像数据只是其中的一部分。遥感影像裁剪的目的主要是为了去除不必要的区域，节约磁盘存储空间，减少数据处理时间。根据ENVI软件提供的图像裁剪功能，主要分为规则裁剪和不规则裁剪两种方式。规则的分幅裁剪是指裁剪图像的边界范围是一个矩形框，这个矩形框范围的获取方式包括手动输入行列号、左上角和右下角两点地理坐标、矢量文件和感兴趣区域等。不规则的分幅裁剪是指裁剪图像的边界范围是任意一个不规则的多边形。不规则多边形可以是从网上下载或者是我们自己绘制的矢量数据，也可以是一个我们自己用ENVI软件绘制的感兴趣区域。3.3.1图像镶嵌 图像镶嵌是指将多幅来自同一场景的有重叠的遥感影像拼接成一幅大范围的遥感影像的过程。 图像镶嵌的主要步骤为： （1）打开ENVI软件，选择Basic toolsMosaickingGeoreferenced,再分别输入经过辐射定标和几何校正后的轨道号129/31和129/32ETM遥感影像。 （2）右键点击后选择Edit Entry进行编辑，再分别对幅影像设置Data Value to Ignore,设为零。 （3）FileApply,得到镶嵌后的图像，如图3-4。 图3-4镶嵌后的图像3.3.2图像裁剪 图像裁剪就是指从大范围的遥感影像中提取出感兴趣目标的技术。 图像裁剪的主要步骤为： （1）Fileopen vector file，打开河套地区边界矢量图。河套地区的边界从土地利用现状图中获取，在 ARCGIS 软件中对河套地区边界进行人工矢量化，并转化为多边形的 coverage 文件。 （2）将矢量数据转为ROI，fileExportLayers toROIConvertallrecordsofanEVFlayertooneROI,点击OK。 （3）BasicToolsSubsetDataviaROIs，然后在新弹出的窗口中选择需要裁减的图像，点击OK，得出河套地区裁剪图像，如图3-5。 图3-5 河套地区图像4. 演算地表温度4.1植被指数的提取4.1.1植被指数 植被指数，广义上是指利用卫星不同波段探测数据组合而成的，能够定量说明植被的生长状况。狭义上是指植被在红光波段具有较强的吸收能力，而在近红外波段具有较强的反射能力，通过这两个波段观测值不同的组合可得到不同的植被指数。影响农作物生长和产量的因素很多，主要是气候、生产水平、土壤、天气以及人类活动等。在这些因素中，对某一地区来说，在一段特定时间内，可以认为土壤、气候、人类活动和生产水平处于相对不变的状态，只有天气发生变化，对农作物生长造成短期的影响。因此，植被指数可用于监测农作物生长发育状况，尤其是监测区域农作物干旱。本文采用单窗算法反演地表真实温度，而使用单窗算法的前提就是需要提取归一化植被指数。4.1.2归一化植被指数 归一化植被指数,即在遥感影像中，近红外波段的反射值与红光波段的反射值之差与两者之和的比值。归一化植被指数(NDVI)是植被指数中最常用的一种， 该指数对植物检测灵敏度较高，而且在一定程度上能够消除地形因子的影响，还可消弱大气和太阳高度角所带来的噪声。它综合地反映了植被类型、植被生长、生物量、植被覆盖信息，是反映植被信息的一个重要指标。归一化植被指数公式为： (NIR-R)/(NIR+R) （4-1） 式（4-1）中，NIR为遥感影像中近红外波段的反射值，R为遥感影像中红光波段的反射值。 提取归一化植被指数主要步骤为： （1）在ENVI主菜单中选择TransformNDVI。 （2）选择需要提取归一化植被指数的多波段图像，点击OK，得到归一化植被指数图像，如图4-1。 图4-1 归一化植被指数图像 4.2地表温度的反演4.2.1热红外遥感 热红外遥感是指传感器工作波段仅限于红外波段范围之内的遥感。由于热辐射传输过程很复杂，有些波段还没有到达传感器就已经被大气吸收、反射或折射，而剩下的没有被大气吸收、反射或折射的波段，形成了大气窗口。大气窗口在热红外谱段区间内主要是3-5m和8-14m两个。利用热红外波段反演地表温度通常有三种算法，即大气校正法、单窗算法和通道算法(单通道、多通道、单通道多角度、多通道多角度)。陆地卫星TM 遥感图像数据因为地面分辨率是30m,相对于一般的气象卫星数据很高,所以已经得到了很广泛的应用。Landsat TM和Landsat ETM第6波段（热红外波段）的光谱范围为10.4-12.5m，地面分辨率为120m120m，主要接受地表的长波辐射，可以用来反演地表温度(LST)。覃志豪等提出的单窗算法，主要使用Landsat TMETM第六波段数据，利用地表热辐射传导方程式，又考虑到大气对热波段传输过程的影响，提出一个简单方便具有较高精度的地表温度反演方法。如果反演地表温度所用的方法使用的遥感影像数据只有一个热波段窗口, 则我们称这种方法为单窗算法。4.2.2比辐射率 绝对黑体的定义是对任何波长的电磁辐射都能全部吸收，其反射率和透射率都等于0。灰体是在任何温度下所有各波长的辐射强度与绝对黑体相应波长的辐射强度比值不变。黑体是一种理想物体，自然界中并不存在黑体，但为了计算方便，自然界的物体可以近似看成灰体（gray body ）。因此，使用单窗算法反演真实地表温度还需要考虑比辐射率的影响。通常是通过归一化植被指数（NDVI）获得LSE影像估算发射率（比辐射率）。根据Owe和Griend等研究发现，实测的发射率值（比辐射率值）和归一化植被指数（NDVI）值之间存在者一定的相关性，后来经回归分析，得到了如下的相关方程。 =1009+00471*ln(NDVI) （4-2）式（4-2）中表示比辐射率, NDVI表示归一化植被指数。其主要步骤为： （1）计算比辐射率,ENVIBasicToolsBandMath。 （2）在Enteranexpression窗口中中输入公式1.009+0.047*alog(b1)，点击AddtoList。选中刚才输入的公式，点击OK。 （3）选择B1变量，在Available Bands List中选择NDVI数据点击OK。输出的数据就是河套地区的比辐射率图像，如图4-2。 图4-2 比辐射率图像 4.2.3亮度温度 物体的亮度温度(Bright Temperature)是指辐射出与观测物体相等的辐射能量的黑体温度。亮度温度是衡量地物真实温度的一个重要指标，但决不代表地物的真实温度，因为亮度温度还具有一部分大气的影响。对于黑体而言，它的真实温度大小就是亮度温度值。由于Landsat TMETM数据第六波段光谱范围太窄，一般利用普朗克(Plank)黑体辐射公式获得地面物体的亮度温度。公式如下： （4-3）式（4-3）中，L是地表在ETM数据第6波段的辐射亮度值（ETM数据第6波段经校正和图像裁剪后的图像）；K和K为计算常系数。其中在TM数据中，K=60776，K=l 26056。在ETM数据中，K=666.09，K=1282.71。提取亮度温度的主要步骤为： （1）计算亮度温度,ENVIBasicToolsBandMath （2）在Enteranexpression中输入(1282.71)/alog(666.09/b1 +1)，点击AddtoList.选择亮度温度计算公式，点击OK。 （3）在新弹出的窗口中，选中B1变量，在Available Bands List中选泽ETM第6波段的辐射亮度值（已经经过校正和裁剪的数据），点击OK。输出的数据就是亮度温度，如图4-3. 图4-3亮度温度4.2.4地表温度 地表温度通常定义为地表的皮肤温度(Skin Temperature)。通常而言，地表由于覆盖着土壤和各类植被，因此不是同质的，而是异质的。对于植被稀疏的地表，遥感反演所得到的地表温度是地面、植被叶冠等温度的混合平均值。对于植被茂密的地表，地表温度是指植被叶冠的表面温度。我们可以用亮度温度来演算出真实地表的温度，地表温度的反演公式为 T= （4-4）式（4-4）式中，表示比辐射率。 提取地表温度的主要步骤为： （1）计算地表温度,ENVIBasicToolsBandMath。 （2）在Enteranexpression窗口中输入公式b1/(b2(1/4)，点击AddtoList。选中方才输入的计算地表温度公式，点击OK。 （3）选中B1变量，在Available Bands List中选亮度温度，选中B2变量，在Available Bands List中选比辐射率，点击OK。输出的数据就是地表温度，如图4-4。 图4-4地表温度4.2.5密度分割密度分割定义是把原始的遥感数字影像的灰度值分成相等间距的离散灰度值，并分别赋予不同的颜色。密度分割可以定量表示遥感影像的颜色特性，更有利于我们理解和分析遥感影像。密度分割的操作步骤： （1）打开地表温度图像， 选择ToolsColor MappingDensity Slice，在新弹出的窗口，点击Clear Range按钮清除默认区间。 （2）选择OptionsAdd New Ranges，添加以下四个区间： 35以上，红色; 30至35，黄色; 25至30，绿色;低于20，蓝色。 （3）在 Density Slice 窗口中选择File-Output Range to Class Image，可以将反演的温度结果输出。如图4-5，表示的是密度分割后的河套地区真实温度图像。 图4-5 密度分割后的河套地区真实温度图像5.遥感影像分类 遥感图像分类,又称遥感模式识别,是将图像中的一个确定范围内的所有像素根据其性质和特征划分为不同类别的技术过程。同类地物在相同条件下具备相同或相似的光谱信息,故在遥感图像上也表现出某种内在相似性。换句话说，同种类型的地物像素特征向量将集群在一个统一特征空间区域,而不同种类的地物因为光谱特征或空间信息等特征的不同,将分别集群在不同的特征空间区域中。遥感图像的计算机自动分类技术,与遥感图像的目视解译技术相比,其目的基本是相同的,但是其达到目的的手段却相差很多,前者主要是利用计算机模拟人脑的思维能力进行自动分类,后者则是解译人员根据以往的经验和专业知识进行判读分类,是遥感解译的基本方法。在我们实际操作中,绝大部分都是将目视解译和计算机自动分类二者有机结合起来,彼此优势互补，从而提高效率和精度。遥感数字图像计算机自动分类因精度较高,适于定量分析,而且操作简便和计算速度快,因而具有更好的应用前景。5.2图像分类方法 遥感图像分类方法按照有无先验知识,可划分为监督分类和非监督分类两种。监督分类和非监督分类这两种方法都是传统的分类方法。传统的遥感图像分类主要地物的光谱特征，即遥感图像像素的相似度。 监督分类是先根据已知训练区提供的样本，通过选择特征参数，确定判别函数,据此对样本像元进行分类，依据样本像元的类别对未知样本的所属类别做出判定。 非监督分类是在没有先验知识的情况下，即事先不知道类别特征，主要是根据像元间相似度大小进行归类合并的方法。 随着遥感技术的发展和学科之间的交叉互补，许多新的理论和相邻学科的相关理论不断引入到遥感图像分类中来，使遥感图像分类的过程更趋于智能化，其精度得到了进一步提高。新兴的分类方法有基于专家知识的决策树分类、空间结构纹理分类、人工神经网络分类、分层分类等。本文主要采用最大似然法和决策树两种分类方法对河套地区进行分类，最大似然法是传统的计算机分类监督分类的一种，决策树是新兴分类方法的一种，并对这两种方法进行比较分析，得到更适宜于河套地区的分类方法。5.3训练场地选择 训练场地是从所要研究的区域内中确定包含所有要区分的类,并对每个类都具有代表性的样本集合。 对训练样本的要求: A训练样本必须要具有一定的代表性，而且要在各类别面积相对很大大的中心部分选取，最好是在ZOOM 窗口中选择。 B训练样本必须要保证一定数目，但样本个数也不是越多越好，样本分布规律性差的类别一定要多选些,而分布规律性较好的类别就可以选少一些，节省时间和精力。C训练样本必须要与所采用的分类方法要求的分布一致。绘制感兴趣区样本的步骤: (1)用ENVI打开分类图像，RGB选择543波段，在Display窗口的菜单中选择OverlayRegion of Interest。 （2）弹出ROI Tool窗口 中，在ROI Name 一栏单击两次左键，输入样本名称：玉米，点击Enter键。同时设置好颜色。 （3）同时为了能更好的区分农作物，新开一个Display窗口，输入NDVI图像，在图像中点击右键，选择link Displays，这样还可以看到图像的NDVI值。 （4）选择ZOOM 窗口中用多边形绘制样本，样本按照训练样本的要求选择。 （5）重复(2)(4)步骤，样本分别为玉米地、葵花、水体、城镇、盐土、沙丘、裸地。选取好的样本如图5-1。 图5-1 选择的样本5.4最大似然法5.4.1最大似然法原理 监督分类常用的算法有最小距离分类法、平行六面体分类法、马氏距离分类法、神经元网络分类法、模糊分类、最大似然法等方法。最大似然法是监督分类中应用最为广泛的一种，又被称为贝叶斯(Bayes)监督分类。它以条件概率密度函数为判别函数,以贝叶斯(Bayes)准则为判别方法，其分类风险相对较低，分类错误几率也相对较小。最大似然法要求地物服从正态分布。最大似然法先要建立判别函数，再逐点计算各像元的归属概率，归属概率最大的为其相应类别。5.4.2最大似然法步骤 最大似然法主要操作步骤： （1)在ENVI主菜单下选择 ClassificationSupervisedMaximum Likelihood。 （2)在 Classification Input File 面板中，选择 Mask OptionsBuild Mask，打开 Mask Definition 面板。选择 OptionsImport ROI.单击 OK 回Classification Input File 面板中。 （3)在Classification Input File 面板中选择要分类的影像，点击OK,弹出Maximum Likelihood 参数设置面板。 （4)在Maximum Likelihood 参数设置面板中，选择样本,再点击OK，执行分类。分类后的图像就是图5-2。 图5-2 最大似然法分类图像5.5决策树方法5.5.1决策树方法原理 决策树（Decision Tree）又称为判定树，是基于传统的监督分类和非监督分类方法建立起来的，主要是通过研究杂乱无章而又错综复杂的地物信息中潜在的总体规律以及各地物间相互制约、相互依存的联系，建立起树枝状的结构框架，同时针对不同的地物，结合一定的专家知识和经验，并选择相应的辅助数据（DEM,NDVI等）和特征波段，然后根据决策树的结构，最终将地物分级分层地逐个区分和识别出来。从图形上看，决策树看似一颗倒挂的树，它是由一个根节点（地表特征大类），一系列的内部节点以及叶子节点（最后分类的各个子类）组成。每一个节点（除根节点）都有一个父节点，每一个节点（除叶子节点）也都有两个子节点。决策树的叶节点为类名，一个叶结点只对应一个类别属性，但是不同的叶结点可以对应同一个类别属性。决策树分类规则易于理解，分类过程也比较简单，与传统分类方法相比较，最大的优势就是综合利用多源数据，不仅仅使用光谱，使分类更加精确。5.5.2 典型地物光谱值统计 通过ENVI软件绘制各类别的感兴区样本，在利用EXCEL统计给歌类别样本的光谱值（DN值），绘制出各地物的光谱统计图。统计各个地物光谱值的信息，可以帮助了解地物的光谱特征在各个波段的差异，根据各个地物波段间的差异性设置适合的分类阈值可以用来区分地物，帮助提高分类精度。 图5-3 各类地物光谱统计图 从地物的光谱曲线可以看出，各个覆被类型的曲线形态各异。如植被在近红外波段的反射率较高，在中红外波段反射率较低，而水体在蓝绿光波段反射率强，在其它波段反射率都较低。城镇、裸地等、沙丘、盐土非植被类型的光谱响应曲线和植被类型的光谱曲线有明显差异。5.5.3决策树分类规则 决策树分类规则如下描述： 玉米：ndvi0.2,b40.2,b454。 水体：ndvi0.2,0b420。 背景：ndvi0.2,b4=0。 岩土：ndvi20,b362。 城镇：ndvi20,b362,b441。 沙丘：ndvi20,b341,b253。 裸地：ndvi20,b341,b253。5.5.4建立决策树 建立决策树主要步骤： （1）在ENVI主菜单下选择classificationDecision TreeNew Decision Tree。 （2)输入决策树规则。我们先依据归一化植被指数值（NDVI）划分第一个节点，将地物划分为植被和非植被。单击Node1，跳出对话框，Name填写NDVI0.2，在Expression中填写:ndvilt 0.2。填写完点击OK之后，在新弹出的对话框给ndvi设定一个数据源。图5-4就是依据地物的光谱值（DN值）绘制的决策树。 图5-4 构建决策树规则 （3）输入完决策，在Decision Tree菜单上选择OptionsExecute，执行决策树，树