Erdas里面利用NDVI提取植被指数的步骤(附图)

另外，ERDAS MODEL做NDVI分类首先说如何做NDVI，虽然ERDAS里有个现成专门可以做NDVI的的地方，但是我们注意到TM4+TM3可能为0，当除数为0时系统会报错，所以应该在分母上加0.001或0.0001都可以。

这样分母就不会为0了，同时注意输出图象类型要是float single，否则做出来的结果可能是空白图象。

NDVI：归一化植被指数和植物的蒸腾作用、太阳光的截取、光合作用以及地表净初级生产力等密切相关。

1、NDVI的应用：检测植被生长状态、植被覆盖度和消除部分辐射误差等；2、-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大；3、NDVI的局限性表现在，用非线性拉伸的方式增强了NIR和R的反射率的对比度。

对于同一幅图象，分别求RVI和NDVI时会发现，RVI值增加的速度高于NDVI增加速度，即NDVI对高植被区具有较低的灵敏度；4、NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、学、枯叶、粗超度等，且与植被覆盖有关；1、植被覆盖度是指植被植株冠层或叶面在地面的垂直投影面积占植被区总面积的比例（周国林，1982；Greig-Smith，1964；Chapman，1976），又称为投影盖度（曲仲湘等，1983）。

这一指标具有一定的相对性，同一片植被，因被纳入统计的范围不同而表现为不同的植被覆盖度。

其范围分布在0-1之间，数值越大表明植被覆盖度越高。

国内外研究表明，植被指数反映了植被的状况，同植被覆盖度有良好的相关关系，通过计算NDVI（归一化植被指数），建立NDVI同植被覆盖度之间关系的经验公式，来计算植被覆盖度。

2、NDVI（Normalized Difference Vegetation Index）归一化植被指数，又称标准化植被指数。

其计算公式为：NDVI=NIR-R/NIR+R其中，NIR为近红外波段（0.7-1.1µm），R为红波段（0.4-0.7µm）。

基于Ndvi因子的植被覆盖度提取根据遥感估算模型原理，对郑州2001年和1988年的植被覆盖度进行估算。

1 NDVI植被覆盖因子提取在ERDAS面板工具条上,选择Interpreter模块Spectral Enhancement/indices打开如下对话框，如下设置：点击view打开如下对话框进行进行建模，双击方框和圆框进行参数设置，注意：数据类型都为float，在圆框计算器中由于只有三个图层，编号为1,2,3，计算时将4换为1,3换为2在菜单上选择Process/run进行运算，结果如下：2 植被覆盖度图像的分类打开Classifier模块，选择Unsupervised Classification打开如下对话框，确定分类数目为10，最大循环次数为24，设置循环收敛阈值为0.95，OK执行。

3分类重编码/打开Interpreter模块，选择GIS Analysis/Recode代开对话框选择Setup Recode，打开Thematic Recode对话框，在New Value 字段里，将1——10类等间距两两合并分为5类。

Recode 2001遥感图像Recode1988遥感图像4 植被覆盖图像动态变化研究在ArcGIS中分别打开2001年和1988年的植被覆盖图像，将其NDVI值进行五类级，如下2001年植被覆盖分析图1988年植被覆盖分析图在ArcGIS中打开2001年和1988年的重分类图像，自定义五类分类值，如下2001年重分类编码后的遥感图像1988年重分类编码后的遥感图像5 统计分析在ERDAS中打开重编码后的分类图像，在视窗菜单条点击Raster\Attributes，打开属性表，点击editor/add area column，得到1988年和2002年植被覆盖度统计表植被覆盖度面积统计表（单位：公顷）覆盖面积占总面积的百分比。

植被覆盖度等级划分
按照-1-0．2、0．2-0．4、 0．4-0．6、0．6-0．8、 0．8-I五级分类，得到区植 被覆盖度分级图
专题图
谢
Hale Waihona Puke 植被盖度提取地信151 黎敏 27
注：文本框可根据需求改变颜色、移动位置；文字可编辑
学习基于 像元二分 模型的植 被盖度提 取方法
lanier.img. 基于遥感技 术的植被覆 盖度估算与 变化实验分 析
参考文献介 绍的方法用 lanier.img 数据做出该 区域的植被 盖度图
植被盖度提取
目录
归一化植被指数(NDVI) 基于NDVI的像元二分模型 植被覆盖度等级划分 专题图
归一化植被指数(NDVI)
NDVI=(NIR—RED)／(NIR+RED)
基于NDVI的像元二分模型
Fc=(NDVI—NDVIsoi1)／(NDVlveg—NDVIsoil) 像元NDVI累积概率分布为1％附近的值所对应的NDVI值为 NDVlmin，99％附近的值所对应的NDVI值为NDVlmax

国内外研究表明植被指数反映了植被的状况同植被覆盖度有良好的相关关系通过计算ndvi归一化植被指数建立ndvi同植被覆盖度之间关系的经验公式来计算植被覆盖度
植被覆盖度的计算
植被覆盖度的介绍
NDVI的计算 的计算
Fcover的计算 的计算
植被覆盖度的介绍 植被覆盖度的介绍
植被覆盖度是指植被植株冠层或叶面在地面的 垂直投影面积占植被区总面积的比例（周国林等， 1982；Greig-Smith，1964；Chapman，1976），又 称为投影盖度（曲仲湘等，1983）。这一指标具有 一定的相对性，同一片植被，因被纳入统计的范围 不同而表现为不同的植被覆盖度。其范围分布在01之间，数值越大表明植被覆盖度越高。国内外研 究表明，植被指数反映了植被的状况，同植被覆盖 度有良好的相关关系，通过计算NDVI（归一化植被 指数），建立NDVI同植被覆盖度之间关系的经验公 式，来计算植被覆盖度.
在此，我们给大家介绍一个最为简便的方法。即找出 NDVI最大值最小值将其确定为NDVIsoil和NDVIveg。
首先单击 图标，打开Image Info 对话框。找出NDVI最大最小值。
构建Forever计算模型
首先是打开ERDAS软件， 选择MODELER工具，单击 Model Maker打开工具面 板，开始创建模型。
该图为经Fcoever 公式计算后影像
Байду номын сангаас
根据NDVI在ERDAS中计算出影像的植被覆盖度Fcover。 植被覆盖度值分布在0-1之间，0表示地表无植被覆盖，1表 示地表全部被植被所覆盖，数值越高说明地表植被覆盖越 好。
该图为Fcoever公式 计算后植被覆盖度 柱状图
构建NDVI计算模型
首先是打开ERDAS软件， 选择MODELER工具，单击 Model Maker打开工具面 板，开始创建模型。

第四章土地利用动态遥感监测方法4.5变化信息提取4.5.1变化信息自动提取方法土地利用变化监测（即变化信息自动发现）方法主要有影像相减法、植被指数相减法、变化矢量分析法、主分量分析法、光谱特征变异法、分类结果比较法等。

前5种方法只是检测出可能的变化，而并没有给出土地利用变化的定量信息（如面积）和变化中类型的转化信息（如地类属性）。

分类结果比较法的最终精度受到影像分类精度的限制，而且它对影像的全部范围都要进行分类计算而不管它们是否已经发生变化，增加了变化信息检测的计算量。

即使对于同一地物，由于条件的不同，得到的影像灰度值也不太一样。

因此对于影像相减法而言，单纯相减所得的变化模板中肯定会含有大量的假变化信息和噪声信息，要从这些信息中提取出真正的变化仍旧是个棘手问题。

由于异物同谱现象的存在，许多真正的变化信息也会因为相减而被漏掉，从而影响了最终变化信息的获得。

植被指数相减的方法同样有着本身的局限性，它对不同时相植被覆盖情况的变化敏感，而不能很好地发现其他类型变化。

4.5.2不同时相遥感影像变化信息发现在没有土地利用基础图件的情况下，利用两个不同时相或序列不同时相的遥感影像进行变化信息的发现方法主要包括：光谱特征变异法、主成分分析法、假彩色合成法、图像差值法、分类后比较法、波段替换法及变化矢量分析法。

下面对几种比较成熟的方法做简单介绍。

（一）光谱特征变异法同一地物反映在SPOT影像上的信息与其反映在TM影像上的光谱信息是一一对应的。

因此对同一时相的TM和SPOT影像进行融合后，地物光谱属性可以如实正确地表现出来。

但如果同一地物在两者上的信息表现为不一致时，那么融合后影像中此地物的光谱就表现得与正常地物的光谱有所差别，此时称地物发生了光谱特征变异，我们也就可以根据发生变异的光谱特征确定变化信息的发生。

发生变化的区域在融合后的影像上表现为含有纹理特征的亮绿色，区别于周围植被地物的绿色特征和正常的居民地信息，判定为该区域新增了一块建设用地。

参考文献 : [ 1] [ 2] 梅安新 , 彭望 琭 , 等 . 遥感导论 [ M ] . 北京 : 高等教育出版社 , 2002. 张远东 , 徐应涛 , 等 . 荒漠绿洲 ND V I 与气候、 水文因 子的相关分析 [ J ] . 生态学报 , 2003, 27( 6) .
Abstracting Vegetati on Index From Remote Sensing Images Using ERDAS IMEGINE
总第 109 期 2005 年第 6 期
西部探 矿工程 W EST - CH IN A EXPL OR AT ION EN GIN EERIN G
ser ies No . 109 Jun. 2005
文章编号 : 1004
5716( 2005) 06
0210
03
中图分类号 : P237 文献标识码 : A
IM A GIN E 遥感图像处理软件对遥感影像进行植被指数提取 。 对植被 指数提取 的关键 部分进 行分析 , 并给 出植被 指数 提取的技术关键 。 关键词 : 植被指数 ; ERDA S; 遥感 ; ND VI 1 概述 植被指数是遥感监测地面 植物生 长和分布 的一种 方法。由 于不同绿色植被对不 同波 长光 的吸 收率 不同 , 光 线照 射在 植物 上时 , 近红外波段的光大部分 被植物 反射 , 而可见 光波段 的光则 大部分被植物吸收 , 通过 对近 红外 和红 波段 反射 率的 线性 或非 线性组合 , 可以消除地物光谱 产生的 影响 , 得到的 特征指 数称为 植被指数。 植被指数经过近 20 年的发展 , 目前有几十种 , 但常用的植被 指数有 : 归一化植 被指数 N DV I( N or malized Differ ence Veg eta t ion Index) 、 比值 植被指数 RV I( R atio Veg etation Index ) 、 差值植 被指数 DV I ( Differ ence V eg etatio n I ndex ) 、 土壤 调 节 植 被指 数 SAV I( the Soil Adjusted V egetation Index) 、 修正型土壤植被指数 M SAV I( M odified Soil A djusted V eg etatio n I ndex) [ 1] 等。 在遥感应用领域 , 植 被指 数已 广泛 用来 定性 和定 量评 价植 被覆盖及其生长活力。植被指数有助于增强遥感影像的解译力 , 并已作为一种遥感手 段广 泛应 用于 土地 利用 覆盖 探测、 植 被覆 盖密度评价、 作物识别和作物预报等方面 [ 2] 。 2 植被指数提取 植被指数提取的 方法 很多 , 最 为常 用的 一种 方法 是通 过遥 感影像处理软件对遥 感影 像不 同波 段进 行处 理 , 从而 得到 各类 植被指数。 目前常见的 Landsat T M 遥感影像 , 共有 7 个波段 , 其中 T M 3 ( 波长 0. 63~ 0. 69 m) 为红 外波 谱段 , 为 叶绿 素主 要吸 收 波段 ; T M4( 波长 0. 76~ 0. 90 m) 为近红外波谱段 , 对绿色植被的差异敏 感, 为植被通用波 段。 M odis 遥感 影像共 有 36 个 光谱通 道, 其第 一波段 ( 0. 62~ 0. 67 m) 、 第二波段 ( 0. 841~ 0. 876 m) 分别是红色 和近红外波段 , 可以用第一和第二波段计算植被指数。 例如归一化植被指数 N DV I 的定义是 : ND VI= N IR- Red ( 其 中 N IR 代表近 红外波 段 , R ed 代表红 N IR+ Red 波段 ) 要计 算 NDV I, 就是 在遥感 处理软 件中 , 计算近 红外波 段与 红波段之差 , 再除以两个波段之和。 利用遥感影像处理 软件提取植 被指数流 程一般 为 : ( 1) 使用 遥感处理软件 打开遥感图像。 ( 2) 依据 植被指 数公式 , 对图 像不 同波段进行波 段计算。( 3) 生成植被指数影像文件。 3 植被指数提取中存在的问题 在计算归 一化植被指数 ND VI 时 , 此时若采用 N DV I 公式直 接进行波段计 算 , 如果 N IR+ R ED ( 近红外 波段 + 红波段 ) 的值 为零时 ( 见图 2) , 对这些点的计算就会产生 结果溢出的 现象。此 类情况在干旱 区植被覆盖度较低的遥感影像处理中较为常见。 生成 ND VI 植被指数影像图时 , 如 果不进 行适当 处理 , 在对 生成的植被指 数影像 文件分 析判 读时 , 就 会 与实 测数 据产 生很 大的误差。特别要注意 的是 , 在计算植被覆盖面积、 生物量估算、 图像分类等过 程中 , 卫星影像中 的这些 点就有 可能被 忽略 , 计算 结果的精度就 无法保证。 图 1 是 新疆 天山北 坡 M odis 2003 年 10 月 15 日影 像 , 图 2 是图 1 经过分析处理后 N ir+ R ed 值为零的像元图像。从图 2 中 可以看到 , 在影像的下方有一条明显的轮廓 , 在实测中发现 , 此轮 廓正是位于 新 疆古 尔班 通 古特 沙漠 与 新疆 阜 康 绿洲 之 间的 绿 洲 4 荒漠交 错带。 在 ERDAS 中提取植被指数 ERD AS IM AG IN E 中的 M odeler 是一个面向 目标的图 形模 型语言 , 用户可据此设计出高级 的空间 分析模 型 , 实现复杂 的分 析和处理功能 , 整个 过程 只需用 其提 供的 工 具栏 在窗 口中 绘出 模型的流程图 、 指定流程图的意义、 所用参数等 , 即可完成模型的 设计 , 无需进行 具体 而复杂 的编 程过 程。 ERDA S IM AG IN E 为 用户提供了高 层次的 设计工 具和 手段 , 同 时 可使 用户 将更 多的 精力集中在专 业领域的研究 [ 3] ( 图 3 就是利用 ERDA S 的 M o del

基于ERDAS的植被信息提取的方法研究摘要：在遥感影像处理中，植被指数提取广泛应用于评价植被覆盖，长势，面积等植被信息。

本文主要利用ERDAS IMAGINE遥感图像处理软件对遥感影像进行归一化植被指数NDVI的提取，对植被指数图像进行非监督分类处理，结合目视解译等方法，对信阳地区的植被信息进行提取。

关键词：植被指数；ERDSA；遥感；NDVI引言植被主要包括林地（有林地、灌木地和疏林地）、草地（高覆盖度草地、中覆盖地草地和低覆盖度草地）和农作物[1]。

植被在维护生态平衡中起着重要的作用，用一种切实有效地技术和方法对植被的情况进行掌控又成为时代所需。

随着遥感技术的应用和发展，它为植被指数的提取和植被覆盖度的测算提供了一种新的方法。

相较于传统的地面测算，遥感方法在很大程度上减少了外业测算工作，同时解决了时效性和测算范围等方面的问题。

1 研究区植被概况信阳位于河南省南部，东经114°01′-114。

06′，北纬31°46′-31°52′。

信阳地势南高北低，是岗川相间、形态多样的阶梯地貌。

西部和南部是由桐柏山、大别山构成的豫南山地。

中部是丘陵岗，北部是平原和洼地，信阳地跨淮河，位于秦淮分界上，属亚热带向暖温带过渡区。

信阳市一座绿色茶城，城区主要植物种类是茶树及绿化植物。

2 数据来源及数据预处理2.1 数据来源实验数据采用的是2002年7月9日的LANDSAT7 ETM+影像数据。

ETM+影像有8个光谱波段，空间分辨率是30m（1、2、3、4、5、7波段）、60m（6波段）和15m（全色波段）。

2.2 植被指数及数据预处理2.2.1 植被指数植被指数（vegetation index）是遥感监测地面植物生长和分布的一种方法，是不同遥感光谱波段间的线性或非线性组合，是植被长势的一种指示，通常可反映90%以上的植被信息，并能消除外在因素的影响，从而较好地反映绿色植物的空间分布和生长状况，并能宏观地反映绿色植物的生物量和盖度等生物的物理特征，所以被广泛应用于土地利用覆盖探测、植被覆盖密度评价和作物识别等方面[3]。

2.数据处理
因为DNVI影像通过公式（NDVI*200）+50 计算过，所以我 把每一幅影像通过NDVI波段计算使NDVI值处于-0.25-1之间。
3.制图
• 对20幅影像在同一位置选出20个点制作一条曲线(选取两个不同位置)
1 0.9 0.8 0.7 NDVI NDVI 0.6 0.5 0.4 0.3 0.2 0.1 0 49 65 81 97 113 129 145 161 177 193 209 225 241 257 273 289 305 321 337 353 day of year
植被物候方法ndvi提取ndvi植被覆盖度归一化植被指数ndvi植被指数ndvienvi提取ndvindvi指数envi计算ndvindvi计算公式ndvi数据下载modisndvi产品
汇报
2013-11-21
1.数据收集
• ftp:///modis/NDVI/（Global Land Cover Facility University of Maryland, College Park, USA ） • 2000年49-353天 16天et al. Global land cover mapping from MODIS: algorithms and early results. 2 Schaaf, C. B. et al. First operational BRDF, albedo nadir reflectance products from MODIS.
1 0.9 0.8 0.7 0.6 0.5 0.4 0.3
成熟期
衰退期
返青期
0.2 0.1
0 49 65 81 97 113 129 145 161 177 193 209 225 241 257 273 289 305 321 337 353 DAY OF YEAR

ERDAS下植被覆盖度的计算
在ERDAS中，植被覆盖度的计算通常包括以下几个步骤：
1.遥感图像的获取与预处理：
2.图像分割与分类：
植被覆盖度是通过对图像中植被和非植被区域进行分类来计算得到的。

在ERDAS中，可以选择适当的图像分割方法，并根据像素的光谱信息和纹
理信息将图像分为不同的类别，例如植被和非植被。

3.特征提取：
对分类后的图像进行特征提取是计算植被覆盖度的关键步骤。

常见的
特征包括NDVI（Normalized Difference Vegetation Index，归一化植
被指数）、EVI（Enhanced Vegetation Index，增强植被指数）等。

这些
指标可以通过计算不同波段的差值或比值来获取，从而反映出植被的生长
状况和覆盖度。

4.植被覆盖度的计算与分析：
基于提取的特征，可以使用ERDAS提供的工具进行植被覆盖度的计算
和分析。

根据不同的算法和模型，可以计算出植被覆盖度的数值或生成相
应的植被覆盖度图。

常见的植被覆盖度计算方法包括阈值法、最大似然法、机器学习等。

此外，在ERDAS中还可以进行植被覆盖度的可视化和空间分析。

通过
将计算得到的植被覆盖度图与其他空间数据进行叠加和分析，可以进一步
探索植被覆盖度与地理环境、土地利用等之间的关系。

总之，ERDAS作为一款专业的遥感图像处理软件，提供了完善的工具和功能，可以进行植被覆盖度的计算和分析。

通过合理选择图像预处理方法、分类算法和特征提取指标，结合其他空间数据进行分析，可以更好地了解植被覆盖度的空间分布和变化趋势，为环境保护、生态研究等领域提供支持。

本科生毕业论文（设计）题目: 基于ERDAS IMAGINE的南京市区植被覆盖的信息提取姓名:学院:专业:班级:学号:指导教师: 职称:目录摘要 (1)关键词 (1)Abstract (1)Key words (1)引言 (1)1 研究概述 (2)1．1课题研究内容与主要方法 (2)1．2实验方案 (2)1．3技术路线 (2)2 遥感图像的处理与实现 (3)2．1几何校正 (4)2．1．1 基本原理 (4)2．1．2 基本步骤 (4)2．1．3 基本方法 (4)2．1．4 实施方案 (5)2．1．5几何精校正模型 (5)2．1．6在软件上的实现过程： (6)2．1．7软件进行几何校正的优点： (9)2．2 图像增强 (9)2．2．1 自然色彩变换 (9)2．2．2 建立解译标志 (11)2．3 植被指数NDVI的提取 (11)2．3．1 植被指数 (11)2．3．2 NDVI的提取 (12)2．4监督分类 (14)2．4．1分类的介绍 (14)2．4．2在软件上的处理 (15)2．5面积的提取 (19)3 结论 (20)致谢 (20)参考文献： (21)基于ERDAS IMAGINE的南京市区植被覆盖的信息提取摘要：卫星遥感技术是一项应用广泛的高科技，是当代高新技术的一个重要组成部分，也是衡量一个国家科技发展水平的重要尺度。

随着遥感技术的日益发展，对所获取的海量数据的处理要求也越来越高。

因此，本文以ERDAS IMAGINE系统为操作平台，结合南京市区的ETM+遥感图像并进行了大量的实地考察，对遥感图像的几何精校正，图像融合和监督分类等处理过程做了详细的介绍。

并按照上述过程在软件平台上进行了成功的处理，获得了几何精校正后的遥感图像，监督分类模板等，提取了单一化植被指数和南京市的植被覆盖面积。

关键词：遥感；几何校正；图像增强；植被归一化指数；监督分类；The study of vegetations coverage information extracted in the Nanjing area based on the ERDAS IMAGINEStudent majoring in Electronics and Information Science and TechnologyDu YangTutor Shen MingxiaAbstract：The satellite remote sensing technology which is used in a wide region is an important part of the modern innovative and high technology and an important criterion which measures the development of a country. With the development of this technology ever-changing, the need of processing large amounts of information which are got is expected .So this paper pays attention to the details of precise geometrical correction, integration, supervision and classification of the remote sensing images in the ERDAS IMAGINE system, combining ETM and remote sensing image in Nanjing area, as well as the on-the-spot investigations time and time again. All the processes mentioned above were finished successfully on the software platform, including the images after precise geometrical correction, the supervision and classification platform and so on as well as the extraction of simplified vegetations index and the coverage of vegetations in Nanjing area.Key words:Remote sensing；geometric correction；Image Enhancement；NDVI；Unsupervised Classification引言遥感是以航空摄影技术为基础，在本世纪60年代初发展起来的一门新兴技术。

图像预处理
01
02
03
辐射定标
将遥感影像的物理量转换 成易于处理的数字信号， 提高图像质量。
大气校正
消除大气对遥感影像的影 响，提高影像的对比度和 清晰度。
几何校正
对遥感影像进行几何纠正， 确保其与地理信息数据的 空间位置相匹配。
分类器选择与训练
选择合适的分类器
根据遥感影像的特点和分 类需求，选择适合的分类 器，如监督分类、非监督 分类等。
结果展示与精度评价
结果展示 精度评价
01
分类图：将计算得到的植被覆
生成各
类植被覆盖度的专题图，便于
分析。
03
04
混淆矩阵：通过混淆矩阵计算
各类别的精度、召回率和F1分
数等评价指标。
05
ROC曲线：绘制受试者工作特 征曲线，评估分类器的性能。
06
05
需要进一步优化和改进。
未来研究方向与展望
随着遥感技术的发展，未来植被 覆盖度的计算将更加精准和高效， 需要进一步研究遥感数据的获取、
处理和分析技术。
未来研究应加强植被覆盖度与其 他生态指标的关联性研究，深入 揭示生态系统结构和功能的空间
分布规律。
同时，需要加强植被覆盖度计算 成果的应用研究，将研究成果应 用于实际生态保护和土地利用规
划中，推动可持续发展。
THANKS
感谢观看
计算植被覆盖度的意义
植被覆盖度是衡量生态环境质量的重要指标之一，可以用于监测和评估土地退化、 荒漠化、生态恢复和治理等生态环境问题。
植被覆盖度也是影响气候变化的重要因素之一，可以用于研究全球气候变化和区域 环境变化。
在城市化进程中，植被覆盖度的变化还可以反映城市绿化和生态建设的情况，为城 市规划和管理提供依据。

作物植被指数提取流程
作物植被指数(Crop Vegetation Index, CVI) 是一种用于评估作物生长状况的指数。

它通常使用遥感数据来计算，并通过比较反射光谱来衡量作物的植被密度。

提取作物植被指数的流程通常包括以下步骤：
1.收集遥感数据。

这可以通过卫星或飞机搜集的遥
感图像获得。

这些图像包含了地表的多种光谱频段，包
括可见光、红外线和近红外线。

2.处理遥感数据。

在这一步中，需要对遥感图像进
行预处理，包括去噪、校正、抠图等。

这些步骤是为了
确保遥感图像的质量，使其能够用于作物植被指数的计
算。

3.计算作物植被指数。

通常使用以下公式计算作物
植被指数：
CVI = (NIR - Red) / (NIR + Red)
其中，NIR 指近红外线光谱频段的反射率，Red 指红外线光谱频段的反射率。

4.可视化结果。

最后，将计算得到的作物植被指数
可视化，通常使用彩色图像的形式呈现出来。

这样就可
以通过观察图像来判断作物的生长状况。

总的来说，提取作物植被指数的流程包括收集遥感数据、对遥感数据进行处理、计算作物植被指数以及可
视化结果。

这些步骤可以帮助我们了解作物的生长状况，并为决策提供参考。

需要注意的是，提取作物植被指数的流程可能会因遥感数据的不同而有所差异。

例如，使用的遥感图像的光谱频段可能不同，或者遥感数据的处理方式可能不同。

因此，在提取作物植被指数之前，应先了解所使用的遥感数据的特点，并确定相应的流程。

landsat9植被提取步骤
以下是使用ENVI计算Landsat9植被指数（NDVI）的步骤：
1. 打开ENVI，选择主菜单→Transform→NDVI。

2. 在NDVI Calculation Input File对话框中选择某一个Landsat TM数据，点击OK 按钮。

3. 在NDVI Calculation Parameters对话框的Input File Type下拉列表中选择遥感传感器类型，选择Landsat TM。

4. 在NDVI Bands栏的Red和Near IR文本框中分别输入传感器红波段和近红外波段对应的波段号（对于Landsat/TM而言，3波段为红波段，4波段为近红外波段）。

5. 设置输出文件路径，点击OK按钮，计算得到NDVI图像。

请注意，以上步骤仅是一种计算NDVI指数的方法，实际操作可能因数据来源、处理目的和计算软件的不同而有所差异。

在进行植被提取前，建议你查阅相关文献，以确保数据处理方法的准确性和可靠性。

Erdas里面利用NDVI提取植被指数的步骤NDVI：归一化植被指数和植物的蒸腾作用、太阳光的截取、光合作用以及地表净初级生产力等密切相关。

1、NDVI的应用：检测植被生长状态、植被覆盖度和消除部分辐射误差等；2、-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大；3、NDVI的局限性表现在，用非线性拉伸的方式增强了NIR和R的反射率的对比度。

对于同一幅图象，分别求RVI和NDVI时会发现，RVI值增加的速度高于NDVI增加速度，即NDVI对高植被区具有较低的灵敏度；4、NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、学、枯叶、粗超度等，且与植被覆盖有关；在erdas里面利用NDVI提取植被指数的步骤如下：1、在Erdas的主工具中选择Interpreter模块，出现Image Interpreter 对话框2、然后选择Spectral Enhancement，会弹出Spectral Enhancement对话框3、再选择Indices选项出现Indices对话框以SPOT数据为例进行说明，选择InputFile，选择Output File，在OutputOptions 的Sensor中选择SPOT XS/XI，在SelectFunction里面选择NDVI，DataType默认为Float不用改变，可以发现最下面的Function显示band 3 - band 2 / band 2 +band 3，这个就是NDVI的计算公式。

最后选择OK即可完成，如果NDVI计算的话在ENVI是最方便的在Transform菜单下就有，同时ENVI的波段计算功能也很方便完成NDVI计算。

这里如果不填写，OK按钮是灰色的。

利用NDVI图像设置阈值实现植被与其他地物的分离提取
由于进行植被制图的重点在于对植被类型进行分离，因此在对植被进行分类的时候先将植被与其他地物分离开来，有助于提高植被分类的精度，这个可以通过在ERDAS软件中的mask模块来实现，由此需要制作掩膜文件，植被与其他地物的分离主要是以NDVI 设置阈值来实现，由此模型建立如下：
其中条件语句设置如下：
图像NDVI值（即图中的$n1-1）大于等于0.1的时候，设置其值为1，否则设置值为0。

（NDVI阈值需要根据自己情况自行考虑）
依次打开interpreter-utilities-mask。

设置输入输出及掩膜文件。

在setup recode中对掩膜文件重新设值，取非植被区域的图像为0,值，在输出图像中选择忽略0值，由此实现了植被与非植被的分离。

NDVI算法图文详细描述(1) 归一化植被指数(NDVI)反演模型a)模块描述通常用红色可见光通道（0.6-0.7μm）和近红外光谱通道（0.7-1.1μm）的组合来设计植被指数。

目的：利用近红外波段和红波段的反射率求解归一化植被指数（NDVI）。

功能：点击打开按钮，选择近红外波段和红波段反射率文件所在的路径；点击保存按钮，选择输出NDVI将要保存的路径；点击确定，计算NDVI值并按照选择的路径保存为文件。

b)程序界面图5.1.8.2-2 NDVI界面c)输入输出描述输入项为近红外波段反射率和红波段反射率文件，输出项为NDVI值的文件。

表5.1.8.2-2 NDVI模块的输入输出d)模块结构流程算法说明：通常用红色可见光通道（0.6-0.7μm）和近红外光谱通道（0.7-1.1μm）的组合来设计植被指数，其中归一化植被指数（NDVI）应用广泛，其计算公式如下：NDVI=其中表示近红外波段的反射率，表示红波段的反射率。

算法流程图：NDVI=计算图5.1.8.2-3计算NDVI流程图处理步骤：（1）读取观测资料值，经过计算得到近红外波段和红波段的反射率；（2）利用NDVI的计算公式来计算NDVI值；（3）判断NDVI值的大小，若NDVI<-1成立则NDVI=-1，若不成立则直接输出NDVI值；若NDVI>1成立则NDVI=1，若不成立则直接输出NDVI值。

（4）将计算出来的NDVI值输出。

通常用红色可见光通道（0.6-0.7μm）和近红外光谱通道（0.7-1.1μm）的组合来设计植被指数，其中归一化植被指数（NDVI）应用广泛，其计算公式如下：NDVI=其中表示近红外波段的反射率，表示红波段的反射率。

e)错误处理表5.1.8.2-3 计算NDVI错误处理NDVI = (Channel 2 - Channel 1) / (Channel 2 + Channel 1)The principle behind NDVI is that Channel 1 is in the red-light region of the electromagnetic spectrum where chlorophyll causes considerable absorption of incoming sunlight, whereas Channel 2 is in the near-infrared region of the spectrum where a plant's spongy mesophyll leaf structure createsconsiderable reflectance (Tucker 1979, Jackson et al.1983, Tucker et al. 1991). As a result, vigorously growing healthy vegetation has low red-light reflectance and high near-infrared reflectance, and hence, high NDVI values. This relatively simply algorithm produces output values in the range of -1.0 to 1.0. Increasing positive NDVI values, shown in increasing shades of green on the images, indicate increasing amounts of green vegetation. NDVI values near zero and decreasing negative values indicate non-vegetated features such as barren surfaces (rock and soil) and water, snow, ice, and clouds.。

《遥感数字图像处理》上机实习指导
指导老师：胡娟
实习8：多波段代数运算——计算遥感影像植被覆盖度
实验目的与要求：ERDAS建模工具是一个面向目标的建模语言环境。

通过本实验要求同学掌握空间建模的基本操作和影像植被覆盖度的计算流程。

实验内容：
①计算影像的NDVI
②计算影像的植被覆盖度
③数据格式转换（img-grid）
④重分类
实验步骤：
一、利用空建模工具，设计一个简要流程，制作Lanier.img遥感影像的归一化植被指数NDVI
NDVI计算结果会分布在-1至1之间，一般说来，NDVI数值越高说明植被覆盖、长势越好。

二、利用空建模工具，构建植被覆盖度模型
可根据算出的NDVI值计算植被覆盖度，其公式为：
Fcover=（NDVI-NDVI最小值）/（NDVI最大值-NDVI最小值）
其中，Fcover为覆盖度，NDVI为归一化植被指数，NDVI最小值为为植被覆盖像元最小值的NDVI，NDVI最大值为植被覆盖像元最大值的NDVI。

三、数据转换：Img格式转换成GRID格式
四、重分类：
植被覆盖度图
五、依据以上原理，构建水体指数模型。