下载文档原格式
基于GF-2号影像的森林优势树种分类随着森林资源的日益减少，对森林资源进行有效的管理和保护已经成为各国的共同目标。
而特定树种的识别和分类也是森林资源管理的重要内容之一。
本文利用GF-2号影像，基于遥感技术对森林优势树种进行分类，对森林资源管理提供参考。
一、研究区域及数据获取本研究选取位于南方的某一森林公园作为研究区域，并获取了含有该区域GF-2号影像数据。
在数据处理前，先对原始数据进行了预处理，包括辐射校正和大气校正等过程，以提高后续分类的精度和可靠性。
二、数据预处理与特征提取在预处理之后，我们选取了三个波段（红、绿、蓝波段）进行特征提取。
同时，又选取了NDVI、EVI、NDBI等几个常用的指数进行特征提取。
这些特征可为后续分类提供有价值的信息。
三、分类算法选择针对研究区域内多样的森林生态环境和植被结构特征，我们选用了支持向量机（SVM）和随机森林（RF）两种分类算法进行对比。
通过对比实验结果，发现随机森林分类准确度更高，且对于具有复杂、多特征的图像具有较强的适应性。
故在本研究中，我们采用随机森林分类算法进行优势树种分类。
四、实验结果和分析在实验中，我们将优势树种分类为5类，分别为松树、杉木、榉树，其他常见乔木和常见灌木。
选用了一组大小为30×30的窗口进行图像分类，最终得到了每个窗口的分类结果，并将最终结果可视化展示。
基于随机森林算法分类结果的混淆矩阵如下：| | 松树 | 杉木 | 榉树 | 其他常见乔木 | 常见灌木 || :-------------: | :--: | :--: | :--: | :----------: | :------: || 松树 | 94.4 | 3.8 | 1.8 | 0.0 | 0.0 || 杉木 | 0.9 | 97.0 | 2.1 | 0.0 | 0.0 || 榉树 | 0.0 | 14.7 | 85.3 | 0.0 | 0.0 || 其他常见乔木 | 0.0 | 0.0 | 0.0 | 85.9 | 14.1 || 常见灌木 | 0.0 | 0.0 | 0.0 | 47.1 | 52.9 |从混淆矩阵可看出，本研究中得到的随机森林分类模型具有较好的分类效果，将研究区域中的优势树种准确地分类为5类，分类精确度可达到90.73%。
envi多尺度分割步骤Envi多尺度分割步骤：一、数据预处理在进行多尺度分割之前，首先需要进行数据预处理。
数据预处理的目的是对原始数据进行清洗和转换，使其适用于后续的分割算法。
数据预处理的步骤包括数据获取、数据校正、数据筛选和数据格式转换等。
其中，数据获取是指从各种来源获取原始数据，如卫星遥感数据或地面观测数据等。
数据校正是指对原始数据进行校正，消除由于传感器特性或环境因素引起的噪声和偏差。
数据筛选是指对原始数据进行筛选，选择出具有代表性和可靠性的数据进行分割。
数据格式转换是指将原始数据转换为适用于分割算法的输入格式。
二、多尺度分割算法多尺度分割算法是基于图像的不同尺度特征进行分割的一种方法。
这种方法能够有效地提取出图像中的细节信息，并将图像分割为不同的区域。
多尺度分割算法的步骤包括图像金字塔构建、尺度空间分割和分割结果融合等。
1. 图像金字塔构建图像金字塔是一种用于多尺度图像处理的数据结构。
它通过对原始图像进行不同尺度的平滑和采样，构建了一系列的图像，从而提供了多尺度的图像表示。
图像金字塔的构建可以采用高斯金字塔或拉普拉斯金字塔等方法。
2. 尺度空间分割尺度空间分割是指在不同尺度下对图像进行分割。
在每个尺度上，可以使用不同的分割算法对图像进行分割，得到不同尺度下的分割结果。
常用的尺度空间分割方法包括基于边缘的分割、基于区域的分割和基于混合模型的分割等。
3. 分割结果融合在得到不同尺度下的分割结果后，需要将这些结果进行融合，得到最终的分割结果。
分割结果融合可以采用像素级的融合或基于区域的融合等方法。
像素级的融合是指将不同尺度下的像素进行组合，得到最终的像素分类结果。
基于区域的融合是指将不同尺度下的区域进行组合，得到最终的区域分类结果。
三、结果评估多尺度分割的最终结果需要进行评估，以验证其准确性和可靠性。
结果评估的指标包括精度、召回率和F1值等。
精度是指分割结果中正确分类的像素数占总像素数的比例。
高分二号影像数据地物信息提取分割尺度研究张艺;丁晓光;李苗【摘要】面向对象技术是提取高分辨率影像中地物信息的主流方法,而多尺度分割是面向对象技术的基础与关键,分割尺度的选择将直接影响最终信息提取的精度与质量.借助于eCognition平台,选用高分二号影像数据作为研究对象,采用多尺度分割的面向对象分类方法,充分利用遥感影像几何、纹理、光谱等信息,确定不同地物类别的最优化分割尺度,建立最佳分类规则,较好的提取了目标地物,更在一定程度上提高了分类精度,为震后灾害评估、震中道路快速提取提供技术支持.【期刊名称】《防灾减灾学报》【年(卷),期】2019(035)001【总页数】6页(P1-6)【关键词】高分二号;地物提取;多尺度分割;面向对象【作者】张艺;丁晓光;李苗【作者单位】陕西省地震局,陕西西安 710068;陕西省地震局,陕西西安 710068;陕西省地震局,陕西西安 710068【正文语种】中文【中图分类】P315.9;P2370 引言遥感技术能够快速、实时获取多时相、高分辨率的海量对地观测数据，为震后救援和灾害损失评估提供了可靠的数据源。
对于地震应急部门而言，第一时间获取现场灾害信息是至关重要的，而现场信息最主要的表现就是地物，例如建筑物倒损信息的快速获取，由此判断极重灾区的分布位置；道路作为应急救援的生命线，快速提取道路分布图，判断通行能力等，由此可见，精准地物信息提取的重要性。
高分二号（GF-2）卫星是我国自主研制的首颗空间分辨率优于1 m的民用光学遥感卫星，如何深入挖掘该影像的应用潜力，提取高精度的地物信息是当前的重要研究方向。
相较于中低分辨率影像，高分辨率影像中的地物外部轮廓更加清晰，光谱异质性更强，且光谱波段数目相对较少，传统的地物信息提取方法效果不理想，因此， BattzM和Schape［1］于1999年提出了面向对象的分析方法（Object Oriented Analysis，OOA）。
高分三号雷达卫星数据预处理流程1.首先，我们需要导入高分三号雷达卫星数据。
First, we need to import the data from the GF-3 radar satellite.2.然后，对数据进行质量控制，包括去除异常值和填补缺失值。
Then, perform quality control on the data, including removing outliers and filling in missing values.3.接下来，对数据进行预处理，如去噪、辐射校正和地理坐标转换。
Next, preprocess the data, such as denoising, radiometric correction, and georeferencing.4.在数据预处理过程中，需要考虑雷达影像的波长和极化特性。
Consider the wavelength and polarization characteristics of the radar images during data preprocessing.5.对数据进行辐射定标，确保数据在不同时间和地点具有一致的无量纲化单位。
Radiometric calibration of the data is performed toensure consistent dimensionless units at different times and locations.6.在地理坐标转换时，需要将雷达影像数据投影到统一的坐标系中。
During georeferencing, the radar image data needs to be projected onto a unified coordinate system.7.数据的辐射校正有助于减小不同时间和天气条件下影像的差异。
Radiometric correction of the data helps reducedifferences in images under different times and weather conditions.8.在预处理过程中，还需要考虑雷达影像的分辨率和几何精度。
基金项目山西省高等学校教学改革创新项目（J20221473）；山西省研究生创新项目（2023KY325）。
作者简介裴婷婷（1987—），女，山西晋城人，硕士，讲师，从事风景园林规划与设计、园林植物应用与园林生态研究。
通信作者陈小平（1989—），男，河南信阳人，博士，副教授，从事风景园林规划与设计、园林植物应用与园林生态研究。
收稿日期2024-01-21基于GF-2和MSPA 的绿地空间格局分析裴婷婷1朱玉泉2陈朔2陈小平2（1晋中信息学院食品与环境学院，山西晋中030800；2山西农业大学城乡建设学院，山西晋中030801）摘要绿地形态特征对其生态和文化功能发挥有一定影响。
本文基于高分二号（GF-2）高分辨率遥感数据，在ArcGIS 10.7和ENVI 5.1软件支持下，构建了TY 市绿地信息数据库，采用形态学空间格局分析方法（MSPA ）分析了研究区绿地格局特征，探讨绿地核心区、孤岛区、环岛区、孔隙区、边缘区、桥接区和支线区分布特点。
结果表明，研究区绿地空间布局有待优化，特大型绿地斑块和大型绿地斑块数量相对较少，中小型斑块数量多，破碎化现象严重。
核心区多以公园为主，孤岛区以居住区绿地和附属绿地为主，受人类活动影响较大，连通性有待进一步提升。
针对该市绿地结构现状和空间布局实际情况，本研究提出以下建议：进一步优化绿地空间布局和结构，充分利用城市水系，发展带状绿地，充分利用口袋公园建设契机，以丰富居民的休闲空间。
关键词绿地格局；形态学空间格局分析方法；形态分析中图分类号S731.2文献标识码A文章编号1007-7731（2024）07-0058-04Analysis of green space pattern based on GF-2and MSPAPEI Tingting 1ZHU Yuquan 2CHEN Shuo 2CHEN Xiaoping 2（1School of Food and Environment,Jinzhong College of Information,Jinzhong 030800,China;2College of Urban and Rural Construction,Shanxi Agricultural University,Jinzhong 030801,China ）Abstract The morphological characteristics of green spaces had a certain impact on their ecological and cultural functions.This article was based on high-resolution remote sensing data from GF-2,and with the support of ArcGIS 10.7and ENVI 5.1software,a TY city green space information database was constructed.The morphological spatial pattern analysis method (MSPA)was used to analyze the characteristics of the green space pattern in the study area,exploring the distribution characteristics of the green space core area,isolated island area,roundabout area,pore area,edge area,bridging area,and residual area.The results indicated that the spatial layout of green spaces in the study area needs to be optimized,with a small number of super large and large green patches,a large number of small and medium-sized patches,and severe fragmentation.The core area was mainly composed of parks,while the isolated island area was mainly composed of residential green spaces and ancillary green spaces,which were greatly affected by human activities and require further improvement in connectivity.Based on the current situation of green space structure and actual spatial layout in the city,this study proposed the following suggestions:further optimize the layout and structure of green space,fully utilize the urban water system,develop strip green space,fully utilize the opportunity of pocket park construction,and enrich the leisure space of residents.Keywords green space pattern;morphological spatial pattern analysis method （MSPA ）;morphological analysis城市绿地作为城市不可或缺的组成部分，在缓解城市热岛效应、净化空气、美化环境、调节地表径流以及提供康养环境等方面有重要的生态价值和文化服务价值[1-2]。
GF2遥感影像预处理全流程GF2遥感影像数据集处理写在前头：为个⼈学习的总结，过段时间会把IDL⾃动化处理的代码整理上传，该⽂章参考了很多⼤佬的博⽂，稍后会整理⼀并给出。
数据分析：以GF2_PMS1为例：命名规则：GF2_PMS1_E55.4_N25.3_20210205_L1A0005457874GF2:⾼分⼆号PMS1：⼀台PMS多光谱相机E55.4_N25.3：经纬度20210205：时间L1A：级别0005457874：编号⽂件说明:⽂件总览MSS多光谱图像：空间分辨率低，光谱分辨率⾼PAN全⾊图像：空间分辨率⾼，光谱分辨率低rpb ⽂件：⽤于图像正射校正xml ⽂件：图像对应参数⽂件总览⾼分影像处理流程：1.辐射定标(⼤⽓校正的准备⼯作)：⼀般来讲，辐射定标就是将图像的数字量化值（DN ）转化为辐射亮度值或者反射率或者表⾯温度等物理量的处理过程。
2.⼤⽓校正：当太阳辐射通过⼤⽓以某种⽅式⼊射到物体表⾯然后再反射回传感器，由于⼤⽓⽓溶胶、地形和邻近地物等影像，使得原始影像包含物体表⾯，⼤⽓，以及太阳的信息等信息的综合。
⽽如果我们想要了解某⼀物体表⾯的光谱属性，我们必须将它的反射信息从⼤⽓和太阳的信息中分离出来，这就需要进⾏⼤⽓校正过程。
3.正射校正（⼏何校正）：先进⾏辐射定标和⼤⽓校正，然后进⾏⼏何校正。
因为⼏何校正的时候会重采样，重采样会改变像元值，从⽽影响辐射定标和⼤⽓校正的结果。
4.NOTE ：辐射校正=辐射定标+⼤⽓校正全⾊图像不进⾏⼤⽓校正以GF2_PMS1为例：多光谱图像（MSS ）与全⾊图像（PAN ）：PAN总览图PAN部分细节图多光谱图像（MSS）：辐射定标部分(Radiometric Calibration)：辐射定标步骤：说明⽰例右击然后点击View Metadata,可以看到影像的元数据信息，点击Spectral，查看辐射定标系数，可与中国资源卫星中⼼下载得到的绝对辐射定标系数对⽐。
ENVI高光谱数据处理流程1.数据预处理数据预处理是高光谱数据处理流程中的第一步，其主要目的是去除数据中的噪声并增加图像质量。
常用的预处理方法包括：大气校正、大气校正之后的辐射校正、大气校正之后的大气校正等。
-大气校正：高光谱数据中的大气散射会引入许多噪声。
大气校正的目的是根据大气散射的物理原理，通过对高光谱数据进行光谱校正和辐射校正，去除大气散射带来的干扰。
-辐射校正：高光谱数据中的辐射能量受到地面温度、雨水和云等因素的影响，导致数据中存在辐射偏差。
辐射校正的目的是根据卫星的辐射源数据和大地辐射能量的关系，对高光谱数据进行校正，消除辐射偏差。
-大气校正之后的大气校正：在进行大气校正之后，仍然可能存在一些小范围的大气散射。
大气校正之后的大气校正的目的是再次进行大气散射校正，进一步提高图像质量。
2.特征提取特征提取是高光谱数据处理流程中的核心步骤，其主要目的是从高光谱数据中提取出对地物分类和解译有用的特征信息。
-光谱特征提取：光谱特征提取是指根据高光谱数据中不同波段的辐射能量变化，提取出反映地物光谱特性的特征参数。
常用的光谱特征包括：光谱曲线的均值、方差、斜率等。
-空间特征提取：空间特征提取是指从高光谱数据的空间分布中提取出反映地物空间特性的特征参数。
常用的空间特征包括：纹理特征、形状特征、边缘特征等。
3.分类与监督解译分类与监督解译是高光谱数据处理流程中的关键步骤，其主要目的是将预处理和特征提取之后得到的数据进行分类和解译。
-监督分类：监督分类是指通过已知的训练样本数据，建立分类模型，并将该模型应用于未知的高光谱数据，将数据分成不同的类别。
常用的监督分类方法有：最大似然分类、支持向量机分类、随机森林分类等。
-非监督分类：非监督分类是指利用高光谱数据本身的统计特性，将数据按照统计特性对其进行分类。
常用的非监督分类方法有：K-均值聚类、多元高斯聚类等。
4.地物解译与验证地物解译与验证是高光谱数据处理流程中的最后一步，其主要目的是对分类结果进行解译和验证，以评估分类的准确性。
2019年3月防 护 林 科 技M a r .,2019第3期(总186期)P r o t e c t i o nF o r e s t S c i e n c e a n dT e c h n o l o g yN o .3(S u m N o .186)文章编号:1005-5215(2019)03-0067-02收稿日期:2019-01-18作者简介:李新平(1982-),男,辽宁庄河人,大学,高级工程师,现从事森林资源调查监测㊁3S 技术应用㊁林业信息化建设等工作.G F -2号卫星数据在森林资源调查中的应用李新平(黑龙江省林业监测规划院,黑龙江哈尔滨150080)摘 要 高分二号卫星是中国高分专项工程计划研制的新型民用遥感卫星,它具有空间分辨率高㊁观测幅面宽大以及使用周期长的特点,高分卫星数据的使用,使得调查小班区划更为准确,测量更为精确,制作大比例尺遥感地图更加美观㊂关键词 高分二号卫星数据;二类调查;调查精度中图分类号:757.2 文献标识码:A d o i :10.13601/j.i s s n .1005-5215.2019.03.0291 调查意义森林与湿地㊁海洋并称为全球三大生态系统,是人类赖以生存的基础,它能为人类提供物质资源,具有维护生态安全㊁保护生物多样性以及维持生态平衡的重要作用㊂2 任务和内容森林资源调查的主要任务是查清森林的分布㊁数量以及林地和林木的种类和质量,同时能够反映出调查单位的劳动㊁科技㊁自然等方面的社会条件,分析森林资源相关信息管理现状,提出相对应的资源经营㊁保护与利用合理化建议[1]㊂调查内容为确定调查单位的界线,确定各地类属性,计算各类林木蓄积,同时查清与森林资源相关的生态和环境因素㊂3 遥感技术在林业方面的应用我国早在20世纪70年代就引进了美国国家航空航天局的陆地卫星 L a n d s a t 作为数据源,从20世纪90年代末开始,根据国家林业局的要求各省以L a n d s a t 7数据作为基础数据源,到2003年左右,全面更新为法国 s p o t 系列高分辨率卫星数据作为森林资源调查的主要数据源㊂近10年以来,我省二类调查主要以S P O T 5数据为主,同时也尝试了一些其他的卫星数据,例如:日本a l o s ㊁资源二号㊁资源三号㊁天绘一号㊁高分一号㊁高分二号以及一些航空照片等㊂随着近年来搭载高分辨率传感器的国产卫星发射升空,我们得以获得更高质量的数据,将其应用到调查工作当中,提高判读精度和工作效率㊂4 调查方法4.1 调查数据准备外业调查前应提前准备适用当地的活立木材积表㊁林木形高表㊁标准表㊁地位指数表㊁立地类型表㊁生物量表㊁林木生长率等林业数表㊂4.2 调查资料准备4.2.1 地形图 采用国家最新出版或1ʒ50000放大到1ʒ10000或1ʒ25000地形图调查㊂4.2.2 遥感影像 使用近期拍摄(2年内)㊁比例尺为1ʒ25000或1ʒ50000放大到1ʒ25000的航空照片,调查或者使用近期(1年内)比例尺为1ʒ25000空间分辨率5m 以内㊁经几何精校正影像增强的卫星遥感图像调查㊂5 卫星数据应用5.1 数据简介高分卫星系列由中国航天科技集团公司所属空间技术研究院研制,目前高分卫星已发射了亚米全色㊁1米雷达㊁宽幅㊁同步凝视等多颗卫星,数据源不断丰富,涵盖了不同的覆盖宽度㊁不同的重访周期㊁不同的空间分辨率的高分数据体系㊂高分二号卫星是中国高分专项工程计划研制的新型民用遥感卫星,它具有空间分辨率高㊁观测幅面宽大以及使用周期长的特点㊂[2]表1高分2号卫星参数项目技术性能高分二号回归周期69d平均轨道高度631k m重访周期5d参数4m分辨率多光普/1m分辨率全色幅宽45k m轨道类型太阳同步轨道5.2处理方法5.2.1融合的基本原理过程描述:影像预处理主要是影像降噪㊂空间配准,重采样,内容融合,本文仅介绍内容融合方面的内容㊂影像融合的基本原理是将同一地区的不同分辨率遥感影像数据进行空间配准后,然后利用一定的算法将两幅影像结合起来,形成一幅信息更为丰富的新影像㊂目前针对多光谱与全色影像的融合方法比较多,评价较高的融合方法主要有P a n S h a r p㊁G S 变换㊁小波变换法等融合方法,而在实际操作中: P C A㊁B r o v e y㊁I H S㊁H P F应用的也比较多㊂P C A方法的优点是能较强地保持图像多光谱特性并且融合波段数可以根据实际情况自由决定,但该方法容易存在信息损坏并且较难掌握色彩㊂B r o v e y变换融合法使用起来比较简单,它的优点是既能保持影像的原始光谱信息,又能起到锐化影像的作用㊂但该方法也存在一定的光谱扭曲㊂I H S融合方法的优点是能保留大部分高分辨影像的信息,但融合后相同颜色缺少层次感,处理后只能保留三个波段㊂H P F融合方法的优点是,具有高分辨空间信息和低分辨率的光谱信息,同时利用滤波方法增强了影像的空间细节,但该方法也限制了一部分重要结构信息,容易造成一些影像波谱的扭曲㊂此次工作操作平台为E r d a s I m a g i n e2013,对数据进行了配准等预处理工作㊂为了保证融合的最佳效果,将配准误差控制在0.5个像元以内,然后在进行影像融合前提高了全色影像的亮度和饱和度,为了增强影像局部反差,突出纹理细节等,又对多光谱影像进行了彩色增强,以区分不同地类之间的颜色反差㊂[3]5.2.2处理方法选择栅格(R a s t e r)菜单下几何校正(G e o m e t r i cC a l i b r a t i o n)选项,选择正射校正(O r t h o r e c t i f y w i t h o u tG C P),选择文件类型为多波段彩色影像(后缀名为.m s s)或单波段黑白影像(后辍名为.p a n)的t i f f格式文件,修改p r o j e c t i o n属性为U T M,修改c u s t o m菜单栏s p h e r o i dn a m e属性为WG S84,修改D a t u mn a m e属性为WG S84,修改U t mz o n e属性为52,保存㊂选择栅格(R a s t e r)菜单(P a nS h a r p e n)选项,选择融合(R e s o l u t i o n M e r g e)选项,融合方法选择比值变换法B r o v e r y T r a n s-f o r m,重采样方式选择邻近像元法(N e a r e s tN e i g h-b o r),波段组合选择4,3,2,执行该操作得到融合数据㊂[4]5.3小结从传感器方面来看,全色传感器成像一般具有高分辨率,纹路显示清晰,能够充分体现地形地貌,但无法显示地物色彩的特点;而多光谱影像的特点是空间分辨率不高,但光谱信息显示丰富,能够明显判断出植被与其他类型地物,因此将这两种影像相互融合能够获取色彩丰富且分辨率较高的影像㊂在选择波段组合时不同的波段组合会得到不同的影像,在融合过程中,通过4,3,2组合出来的标准假彩色图像更加突出植被,适合判断出林地与非林地,便于进行图斑区划使用㊂在地理信息软件中加入融合后的影像作为底图㊁同时加入上期调查矢量化数据,等高线,各级行政界线等对林斑㊁小班进行重新区划,形成新一期外业调查数据㊂通过高分辨率影像的使用,不仅提高了图斑区划精度,而且节省了工作时间,同时也提高了工作效率㊂随着我国国家重大战略的实施和国防现代化建设投入加大,近年来,国产卫星不断发射升空,截至2018年末高分十一号卫星已成功发射,另外,由19颗北斗导航卫星组成的基本系统即将开通运行,预计到2020年底,将完成北斗全球卫星导航系统的建设,从此将具备为全球各国提供服务的能力㊂参考文献:[1]黑龙江省市县林区森林资源规划设计调查操作细则.2016[2]潘腾.高分二号卫星的技术特点[J].中国航天,2015(1):3-9[3]徐异凡,杨敏华.G F-2卫星数据影像融合方法的比较研究[J].国土资源导刊,2016,13(1):91-96[4]潘腾,关晖,贺玮. 高分二号 卫星遥感技术[J].航天返回与遥感,2015,36(4):16-24[5]陶冀.遥感图像在森林资源二类调查中的应用[D].长沙:中南林业科技大学,201386防护林科技2019年。
基于GF-2号影像的森林优势树种分类随着航天卫星技术的不断发展，遥感影像在森林资源调查中的应用越来越广泛。
GF-2号卫星是中国自主研制的高分辨率对地观测卫星，具有较高的空间分辨率和重复周期，适合于森林资源的动态监测与分类。
本文将基于GF-2号影像，利用遥感影像技术对森林优势树种进行分类，为森林资源的合理利用和保护提供科学依据。
一、GF-2号影像简介GF-2号卫星是中国自主研制的高分辨率对地观测卫星，于2014年8月19日成功发射并定点成像。
该卫星具有0.8米全色分辨率和3.2米多光谱分辨率，重复周期为2-4天，可实现高分辨率、全天候、全时段的地面观测。
GF-2号卫星搭载的遥感器具有较高的性能指标，适合于森林资源的动态监测、森林类型的分类和变化检测等应用。
二、森林优势树种分类的背景意义森林是地球上重要的自然资源，不仅对维护生态平衡有着重要作用，还具有重要的经济和社会价值。
而对森林资源的分类与监测是森林资源管理的基础，而森林优势树种的分类更是林业资源保护和合理利用的关键。
利用GF-2号影像进行森林优势树种的分类，可以快速、全面地获取森林资源信息，为森林资源的保护、开发和合理利用提供科学依据。
三、基于GF-2号影像的森林优势树种分类技术方法1. 数据获取和预处理获取GF-2号影像数据，包括全色影像和多光谱影像。
然后对影像数据进行几何校正、辐射定标和镶嵌拼接等预处理工作，确保影像数据的质量和准确性。
2. 特征提取和选择利用遥感影像处理软件，对预处理后的影像数据进行特征提取和选择。
包括纹理特征、空间特征、光谱特征等，以及利用主成分分析、特征变换等方法进行特征选择，提取出对森林优势树种分类有意义的特征信息。
3. 分类器选择和建立在特征提取和选择的基础上，选择合适的分类器进行建立。
可以采用支持向量机（SVM）、随机森林（RF）等机器学习算法，利用已知的训练样本对各类优势树种进行分类器的建立，构建森林优势树种分类的模型。
最新版ENVI5.3下高分二号（GF2）数据预处理ENVI5.3下高分二号（GF2）数据预处理以一景2015年1月23日获取的GF2-PMS1数据为例介绍在ENVI5.3下GF2数据预处理的详细操作步骤。
GF2数据预处理基本流程如下：图：GF2数据预处理流程说明：1. 针对不同的应用，有不同的处理流程，上图中列出了两种常用的预处理流程。
流程一主要针对高精度的定量遥感应用，也就是对大气校正精度要求比较高应用，比如：植被参数定量反演等；流程二主要针对定性遥感或者对大气校正精度要求比较低的遥感应用，比如：土地利用类型分类等。
本文介绍的主要是流程二的详细操作步骤，流程一的实现可参考日志：ENVI5.2下高分二号数据FLAASH大气校正；另外，中国资源卫星应用中心网站已经公布了最新的GF2数据绝对辐射定标系数和两个传感器的波谱响应函数，大家可以下载使用。
2. 本例中所有操作都是在ENVI5.3版本下进行的，除NNDiffuse Pan Sharpening 图像融合（ENVI5.2新增，ENVI5.1中可以使用G-S融合方法）外，其他操作在ENVI5.1/5.2下同样可以完成。
1. 数据打开启动ENVI5.3，在菜单栏中，选择File > Open，弹出Open对话框，找到GF2数据文件夹所在位置，选中扩展名为.tiff的两个文件，点击打开。
图2 打开GF2多光谱和全色数据在左侧图层管理Layer Manager面板中，选择多光谱或全色数据图层，右键View Metadata查看其元数据信息，可以看到ENVI很好地识别了数据的RPC 信息。
图3 ENVI自动识别GF2数据RPC信息2. 正射校正有了RPC信息之后，下面我们就可以基于这些RPC信息分别对多光谱和全色数据进行正射校正。
这里我们以多光谱数据正射校正为例，全色数据正射校正操作完全相同。
在Toolbox中，选择Geometric Correction >Orthorectification > RPC Orthorectification Workflow，打开正射校正流程化工具。
基于GF-2号影像的森林优势树种分类随着遥感技术的不断发展和成熟，遥感影像在森林资源调查和监测中的应用也越来越广泛。
基于高分辨率遥感影像的森林优势树种分类技术，对于森林资源的有效管理和保护具有重要的意义。
GF-2号卫星是中国自主研发的高分辨率对地观测卫星，其影像具有高分辨率、中高景深和宽波谱范围等特点，非常适合于森林资源的遥感监测与调查。
本文将探讨基于GF-2号影像的森林优势树种分类技术的研究方法和应用前景。
一、GF-2号影像在森林资源调查中的应用GF-2号卫星具有1米分辨率的高分辨率影像，可以有效地捕捉森林的细微特征，提供了良好的数据基础和条件。
利用GF-2号影像进行森林资源调查和监测，可以实现对森林覆盖类型、植被结构、生态环境等信息的获取和分析，为森林资源的合理利用和保护提供了重要的技术手段。
而基于GF-2号影像的森林优势树种分类技术，可以实现对森林资源的精细化管理和监测，为森林资源的可持续发展和生态保护提供了有力的支撑。
1.图像预处理首先对GF-2号影像进行预处理，包括辐射校正、大气校正、几何校正等，以提高影像的质量和精度，为后续的树种分类分析提供可靠的数据基础。
2.特征提取利用遥感影像处理软件和相应的算法，提取GF-2号影像中的植被特征信息，包括植被指数、光谱反射率、纹理特征等，以区分不同树种的光谱特征和空间结构。
3.树种分类模型构建基于提取的植被特征信息，构建森林树种分类模型，采用支持向量机（SVM）、随机森林（RF）、人工神经网络（ANN）等机器学习算法，对不同树种进行分类识别和分割，实现对森林优势树种的自动识别和分类。
4.精度验证和结果分析对树种分类结果进行精度验证和结果分析，检验分类模型的准确性和稳定性，评估树种分类的精度和可靠性，为后续的森林资源调查和监测提供科学依据和决策支持。
基于GF-2号影像的森林优势树种分类技术，具有以下应用前景和发展趋势：1.提高森林资源调查和监测的精度和效率利用GF-2号影像进行森林优势树种分类，可以实现对森林资源的快速调查和监测，提高了调查的精度和效率，为森林资源的合理开发和保护提供了科学依据。
ENVI高分辨率遥感影像数据预处理杨 龙（三门峡职业技术学院建筑工程学院，河南 三门峡 472000）摘要：近年来，遥感卫星影像的快速发展为社会的进步提供了坚实的技术支撑，伴随着影像分辨率越来越高，相关行业信息获取的方式也在发生着巨大的变化。
借助高分辨率遥感影像，我们在环境监测水利、农业、林业等多个领域更加全面、具体、系统地掌握了大量数据信息，为行业的发展开辟了新的工作模式。
文章就我国高分辨率遥感影像在ENVI中的预处理过程做一简单介绍，希望对从事相关工作的同行有一定的借鉴意义。
关键词：高分辨率；遥感影像；数据处理中图分类号：P237 文献标志码：A 文章编号：1008-7257(2020)01-0097-04收稿日期：2019-06-25作者简介：杨龙（1986—） 男，陕西宝鸡人，三门峡职业技术学院建筑工程学院讲师，研究方向：工程测量。
空间信息技术产业是国家战略性新兴产业。
当前，我国卫星事业已进入全面、高速发展时期，加快发展以卫星信息技术应用为主的空间信息技术产业是经济社会发展的需要。
高分辨率对地观测系统重大专项是《国家中长期科学和技术发展规划纲要（2006-2020年）》确定的16个重大专项之一，属军民融合型[1]项目。
该项目的实施将为城市资源环境、城乡规划、旅游管理、现代农业、防灾减灾、公共安全等重要领域提供及时精确的决策支持和信息服务。
遥感卫星影像简单地讲是利用遥感卫星所携带的“相机”对地表进行“拍照”，然后从“照片”中提取相关的信息。
不过，实际上高分辨率遥感卫星的成像过程是十分复杂的，需要经历太空辐射、大气层影响、传感器接收等一系列复杂的过程，而过程中的每一个环节都要受到大气、太阳高度角、传感器、地球自转、地形等因素的干扰，导致卫星传感器接收到的数据信息与地表真实信息不一致，出现偏差，这些偏差会严重影响我们对遥感影像数据的提取和判读。
所以，为了获得准确的信息，我们要对接收到的卫星遥感影像数据进行一定的处理，减少甚至消除不利因素对遥感影像的影响。
ENVI5.3中高分二号PMS 数据处理流程以一景2017年2月15日获取的GF2-PMS1数据为例介绍在ENVI5.3下GF2数据预处理的详细操作步骤。
GF2数据预处理基本流程如下： 多光谱影像大气校正辐射定标全色影像正射校正正射校正辐射定标影像融合说明：1.针对不同的应用，有不同的处理流程，上图中列出了常用的预处理流程，主要针对高精度的定量遥感应用，也就是对大气校正精度要求比较高应用。
比如：植被参数定量反演等；本例中所有操作都是在ENVI5.3版本下进行的。
2.原始版ENVI5.3并不支持直接open as GF2数据.xml 打开方式，通过以下扩展工具能够实现：/s/blog_764b1e9d0102xjbj.html ，并可以直接使用/Radiometric Correction/Radiometric Calibration 工具定标。
一．多光谱影像处理1.1 辐射定标（1）OpenAs->CRESDA->GF-1。
选择GF2_PMS1_E114.6_N26.7_20170215_L1A0002187721文件夹，打开GF2_PMS1_E114.6_N26.7_20170215_L1A0002187721-MSS1.xml 和GF2_PMS1_E114.6_N26.7_20170215_L1A0002187721-PAN1.x ml ；（2）在Toolbox中，依次Radiometric Correction > Apply Gain and Offset，弹出Gain and Offset Input File对话框，在Select Input File选项卡中选择待处理影像GF2_PMS1_E114.6_N26.7_20170215_L1A0002187721-MSS1.tiff，点击OK；（3）弹出Gain and Offset Values对话框，依次填入Gain Values和Offset Values（参加GF-2卫星绝对定标系数），设置输出路径、文件名，点击OK开始执行（如下图）。
ENVI5.3下高分二号（GF2）数据预处理
以一景2015年1月23日获取的GF2-PMS1数据为例介绍在ENVI5.3下GF2数据预处理的详细操作步骤。
GF2数据预处理基本流程如下：
图：GF2数据预处理流程
说明：1. 针对不同的应用，有不同的处理流程，上图中列出了两种常用的预处理流程。
流程一主要针对高精度的定量遥感应用，也就是对大气校正精度要求
比较高应用，比如：植被参数定量反演等；流程二主要针对定性遥感或者对大气校正精度要求比较低的遥感应用，比如：土地利用类型分类等。
本文介绍的主要是流程二的详细操作步骤，流程一的实现可参考日志：ENVI5.2下高分二号数据FLAASH大气校正；另外，中国资源卫星应用中心网站已经公布了最新的GF2数据绝对辐射定标系数和两个传感器的波谱响应函数，大家可以下载使用。
2. 本例中所有操作都是在ENVI5.3版本下进行的，除NNDiffuse Pan Sharpening 图像融合（ENVI5.2新增，ENVI5.1中可以使用G-S融合方法）外，其他操作在ENVI5.1/5.2下同样可以完成。
1. 数据打开
启动ENVI5.3，在菜单栏中，选择File > Open，弹出Open对话框，找到GF2数据文件夹所在位置，选中扩展名为.tiff的两个文件，点击打开。
图2 打开GF2多光谱和全色数据
在左侧图层管理Layer Manager面板中，选择多光谱或全色数据图层，右键View Metadata查看其元数据信息，可以看到ENVI很好地识别了数据的RPC 信息。
图3 ENVI自动识别GF2数据RPC信息
2. 正射校正
有了RPC信息之后，下面我们就可以基于这些RPC信息分别对多光谱和全色数据进行正射校正。
这里我们以多光谱数据正射校正为例，全色数据正射校正操作完全相同。
在Toolbox中，选择Geometric Correction > Orthorectification > RPC Orthorectification Workflow，打开正射校正流程化工具。
在File Selection面板中，Input File选择多光谱数据，DEM File会默认选择全球分辨率为900米的DEM数据，我们这里保持默认（如果有更高分辨率的DEM数据，可以替换此数据），点击Next。
图4 正射校正流程化工具文件选择面板
在RPC Refinement面板中，有四个选项卡可以选择。
如果我们有实测的或从其他途径（比如：从地形图中采集）获取的控制点数据，可以在该面板中进行添加，添加后在Statistics选项卡中可以看到相应的误差统计信息切换到Advanced选项卡，修改输出像元大小Output Pixel Size为4米，重采样方法Image Resampling选择三次卷积法，其他参数保持默认。
图5 正射校正流程化工具参数设置选项卡
切换到Export选项卡，选择输出文件格式，设置输出路径及文件名，点击Finish。
至此，我们已经完成了GF2多光谱数据的正射校正，全色数据的正射校正操作与多光谱数据的正射校正完全相同，需要提醒的地方是GF2全色数据正射校正时输出像元大小需设置为1米，以便我们下面进行图像融合。
3. 图像融合
在进行图像融合之前，我们需要对正射校正后的多光谱和全色数据进行浏览，查看二者是否完全配准，如果没有完全配准，就需要对其进行配准，这里我们推荐大家使用ENVI中的自动配准流程化工具，以全色数据为基准对多光谱数据进行配准，此工具的位置在：Geometric Correction > Registration > Image Registration Workflow，
图6 查看GF2多光谱和全色正射校正结果配准情况
对本次操作中正射校正后的多光谱和全色数据的对比发现，二者配准的比较好（目前，大部分高分辨率数据正射校正后多光谱和全色数据配准的均比较好），所以我们这里不进行图像配准，直接进行图像融合。
图像融合方法我们使用从ENVI5.2版本起新增的NNDiffuse Pan Sharpening方法，大家也可以使用Gram-Schmidt Pan Sharpening等其它方法进行融合。
在进行融合之前，还需要说明的是：经过我们的测试，不同的数据存储格式会对融合的速度产生影响，当多光谱数据的存储格式为BIL或BIP时，其融合速度较BSQ格式来说，可以提高三倍左右。
所以，我们建议大家融合之前可以先查看其数据存储格式，如果是BSQ，可以将其转化为BIL或BIP（转换时需要用到的工具：Raster Management > Convert Interleave），以便提高融合效率，这里，我们也为大家提供了将上述步骤与融合步骤合并为一个步骤的扩展工具：NNDiffuse Pan Sharpening (BIL)。
在Toolbox中，选择Extensions > NNDiffuse Pan Sharpening (BIL)，弹出NNDiffuse Pan Sharpening面板。
Input Low Resolution Raster选择上一步正射校正后的多光谱数据，Input High Resolution Raster选择上一步正射校正后的全色数据，其他参数保持默认。
这里，需要说明的是NNDiffuse Pan Sharpening工具要求输入的多光谱和全色数据的空间分辨率是整数倍的（比如：本例中正射校正时分别将多光谱的全色的分辨率重采样为4米和1米，就是为了方便该工具的使用）。
如果二者不是整数倍，使用此工具时需要将其重采样成整数倍；该工具对输入文件还有一些要求，平时我们使用的数据也基本满足这些要求，如果使用过程中报错可以查看帮助文档，判断输入数据是否满足相应要求。
图7 NNDiffuse Pan Sharpening参数设置面板
至此，我们已经完成了GF2数据图像融合处理，融合结果局部截图如下所示：
图8 GF2数据融合前后对比（左：融合前，右：融合后）
4. 快速大气校正（可选）
对于部分定性和定量遥感应用来说，大气校正是一个必需的预处理步骤。
而对于一些对大气校正精度要求不是很高的应用来说，大气校正我们可以采用ENVI提供的快速大气校正工具进行。
对于一些非定量遥感应用来说（比如：制作影像底图），该步骤可以不做。
在Toolbox中，选择Radiometric Correction > Atmospheric Correction Module > QUick Atmospheric Correction (QUAC)，弹出QUAC参数设置面板。
Input Raster选择上一步图像融合后的结果，Sensor Type选择Generic/Unknown Sensor，设置输出路径和文件名，点击OK。
图9 快速大气校正参数设置面板
快速大气校正前后同一位置的植被光谱曲线如下图所示。
可以看到，快速大气校正基本消除或减弱了大气的影响。
图10 快速大气校正前后植被光谱曲线对比。
