遥感地学分析方法

遥感地学分析整理遥感地学分析⼀、名词解释遥感地学分析：是建⽴在地学规律基础上的遥感信息处理和分析模型，其结合物理⼿段、数学⽅法和地学分析等综合型应⽤技术和理论，通过对遥感信息的处理和分析，获得能反映地球区域分异规律和地学发展过程的有效信息的理论⽅法。

热惯量：由于系统本⾝有⼀定的热容量，系统传热介质具有⼀定的导热能⼒，所以当系统被加热或冷却时，系统温度上升或下降往往需要经过⼀定的时间，这种性质成为系统的热惯量(Thermal inertia)。

叶⽅位⾓：法线在⽔平⾯上的投影与正北⽅向的交⾓称为叶⼦在该点的⽅位⾓。

红边：反射光谱的⼀阶微分最⼤值所对应的光谱位置.光合有效辐射：植物光合作⽤所能利⽤的可见光部分的太阳辐射。

简答1、植被遥感中NDVI应⽤最⼴泛？①NDVI是对植被⽣长状态及植被覆盖度的最佳指⽰因⼦。

NDVI 与 LAI、绿⾊⽣物量、植被覆盖度、光合作⽤等植被参数有关；NDVI的时间变化曲线可反映季节和⼈为活动变化；甚⾄整个⽣长期的NDVI对半⼲旱区降⾬量、对⼤⽓CO2浓度随季节和纬度变化均敏感。

②NDVI经⽐值处理，可部分消除与太阳⾼度⾓、卫星观测⾓、地形、⼤⽓程辐射（云 / 阴影和⼤⽓条件有关的辐照度条件变化）等的影响。

③NDVI介于-1和1之间，负值表⽰地⾯覆盖为云、⽔、雪等，对可见光⾼反射；0表⽰岩⽯或裸⼟等，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。

⼏种典型的地⾯覆盖类型在⼤尺度NDVI图象上区分鲜明，植被得到有效的突出。

因此，NDVI 特别适⽤于全球或各⼤陆等⼤尺度的植被动态监测。

⼆、论述题1、植被指数影响因素。

①物候期、农事历。

物候期指⾃然植物在其⽣长发育过程中，其⽣理、外形、结构等的季节性变化，可通过遥感加以监测。

对于农作区，物候期表现为地⽅农事历，即耕作、播种、发芽、⽣长、成熟、收获、休闲等季相循环周期。

它是由作物的⽣长特点、地⽅⽓候、地⽅农业耕作⽅式与习惯等决定的。

遥感地学分析的重点知识遥感地学是利用遥感技术研究地理现象和解决环境问题的学科。

它包括遥感技术原理、遥感数据处理和解译、地物分类与识别、变化检测和监测、数字地图制作等方面的内容。

以下是遥感地学分析的重点知识：一、遥感技术原理：1.电磁波与物质相互作用的基本原理：包括辐射、辐射传输和散射的基本概念和原理。

2.遥感数据获取原理：包括航空摄影、卫星遥感等遥感数据获取方式的原理和特点，了解遥感数据的获取分辨率、波段选择、时间频率和时态特点等方面的知识。

二、遥感数据处理：1.遥感影像的几何校正：包括影像的投影变换、大地坐标系统的建立等内容。

2.遥感影像的辐射校正：包括大气校正和表面反射率计算等内容。

3.遥感影像的增强与融合：包括直方图均衡化、滤波、波段融合等内容。

三、地物分类与识别：1.监督分类算法：包括最大似然分类、支持向量机分类等常见的监督分类算法，了解其原理和特点。

2.无监督分类算法：包括聚类、自组织神经网络等无监督分类算法，了解其原理和应用。

3.土地覆盖类型的分类与识别：了解土地覆盖类型分类的方法和应用，例如湿地、森林、农田等不同类型的土地覆盖。

四、变化检测和监测：1.遥感影像的时间序列分析：了解遥感影像的拼接和时间序列分析的方法，掌握时序遥感数据的获取和处理。

2.遥感影像的变化检测方法：包括基于阈值的像元级变化检测、基于多尺度分析的地物级变化检测等方法。

3.自然灾害的遥感监测：了解遥感监测自然灾害的方法和应用，例如洪水、地震、火灾等灾害的遥感监测。

五、数字地图制作：1.数据融合和地图综合：了解遥感影像和地理信息系统数据的融合与综合，包括栅格数据和矢量数据的转换与处理。

2.地理空间数据库的设计与管理：了解地理空间数据库的基本概念、模型和设计方法。

3.数字地图制作流程与软件技术：了解数字地图的制图流程和常用的地理信息系统软件的基本操作方法。

以上是遥感地学分析的重点知识，掌握这些知识可以帮助研究人员利用遥感技术解决地理现象和环境问题，提高对地球表层和自然资源的监测和管理能力。

遥感地学应用实验教程遥感地学是一门利用航空或卫星等遥感数据进行地理学研究的学科。

它通过获取、处理和分析遥感图像，来获取地球表面的信息。

遥感地学应用实验教程是帮助学习者掌握遥感地学的基本理论、技术和方法的教程。

本文将介绍遥感地学应用实验教程的内容和步骤，旨在帮助读者了解遥感地学应用实验的基本流程和要点。

一、遥感地学应用实验教程的内容1. 遥感数据获取：介绍遥感数据的来源、类型和获取方法。

遥感数据可以通过航空遥感或卫星遥感获取，包括可见光、红外、热红外等不同波段的数据。

2. 遥感数据处理：介绍遥感数据的预处理和处理方法。

预处理包括数据校正、大气校正、几何校正等，处理方法包括图像增强、特征提取、分类等。

3. 遥感数据分析：介绍遥感数据分析的方法和技术。

包括监督分类、非监督分类、变化检测、物候学分析等。

4. 遥感地学应用：介绍遥感地学在不同领域的应用。

包括土地利用与覆盖变化监测、环境监测、灾害风险评估、城市规划等。

1. 确定实验目标：根据自己的研究兴趣和需求，确定实验的目标和内容。

比如，想要研究土地利用变化，可以选择相关的遥感数据和分析方法。

2. 数据获取与准备：根据实验目标，选择合适的遥感数据，可以从公开的遥感数据库中获取。

然后进行数据预处理，包括校正、几何校正和辐射校正等。

3. 数据处理与分析：根据实验目标，选择合适的数据处理和分析方法。

可以利用遥感软件进行图像增强、特征提取和分类等操作，得到所需的地表信息。

4. 结果解释与应用：根据实验结果，进行结果解释和分析。

可以绘制地表分类图、变化检测图等，用于研究和应用领域。

5. 实验报告和总结：根据实验结果和分析，撰写实验报告并进行总结。

实验报告要包括实验目标、数据处理和分析方法、结果和结论等内容。

三、遥感地学应用实验教程的注意事项1. 数据选择：根据实验目标和需求，选择合适的遥感数据。

要考虑数据的时空分辨率、波段信息等。

2. 数据准备：对遥感数据进行预处理，包括校正、几何校正和辐射校正等，确保数据的准确性和可靠性。

实验五：植被波谱特征与叶面积指数、生物量分析（3学时）
原理与方法
遥感图像上面的植被信息主要是通过绿色植物叶子和植被灌层的光谱特性以及差异变化变现出来的，选择多光谱遥感数据进行分析运算，产生某些对植被长势、生物量等有一定指示意义的数值，即是所谓的“植被指数”。

用一种简单有效的形式来实现对植被状态信息的表达，以定性和定量地评价植被覆盖、生长活力与生物量。

在植被光谱中，通常选用对绿色植物（叶绿素引起的）强吸收的可见光波段和对绿色植物（叶内组织引起的）高反射的近红外波段，通过两个不同波段数据的分析运算得到不同的植被指数，如归一化植被指数（NDVI）等。

实习仪器
学生实习机房
图象处理软件（ENVI3.5）
叶面积指数仪（WINSCANNY）
实验目的
1、掌握应用遥感图像处理软件进行植被波谱与叶面积指数、生物量测量方法。

2、掌握运用植被指数分析叶面积指数和生物量。

实验报告
内容包括：实验目的、分析叶面积指数和生物量的区域分异。

遥感地学分析的重点知识遥感地学分析是利用遥感技术获取的地球信息进行地学分析的一门学科。

它综合利用了遥感技术、地理信息系统（GIS）、全球定位系统（GPS）和地球物理学等多学科的知识，以及数字图像处理、数学模型和统计分析等技术。

遥感地学分析的重点知识可分为以下几个方面：1.遥感原理和遥感仪器：遥感原理包括传感器对地物的辐射特性和反射光谱的解释，遥感仪器包括多光谱、高光谱和合成孔径雷达等传感器。

了解遥感原理和仪器有助于理解地球表面被动反射和主动发射的信息获取过程。

2.遥感图像的解译：遥感图像的解译是对图像进行信息提取和解释的过程，包括目标识别、目标提取和目标分类等。

常见的解译方法有目视解译、数字解译和专业解译软件的应用。

了解遥感图像的解译方法和技巧是进行地学分析的基础。

3.数字图像处理：数字图像处理是将遥感图像进行预处理、增强和特征提取的过程，包括影像校正、滤波、变换和分类等。

了解数字图像处理的原理和方法，可以提高遥感图像的质量和准确性。

4.地理信息系统（GIS）：GIS是将地球信息进行空间处理、管理和分析的计算机软件系统。

了解GIS的基本原理和功能，可以对遥感图像进行空间分析和综合应用，包括空间插值、地理叠加和空间模型等。

5.数学模型和统计分析：数学模型和统计分析是进行地学分析和预测的数学方法，包括回归分析、协方差和相关性分析等。

通过数学模型和统计分析，可以对遥感信息进行定量化和预测分析。

6.地球物理学和地学模型：地球物理学是研究地球物质和能量的物理现象和规律的学科，地学模型是对地球系统的物理过程和相互关系进行建模和模拟的工具。

了解地球物理学和地学模型，可以对特定地区的地学问题进行解决和分析。

7.实地验证和野外调查：实地验证和野外调查是对遥感解译结果进行验证和分析的方法，包括野外样方调查、采样和地面测量等。

通过实地验证和野外调查，可以提高遥感解译的准确性和可信度。

8.应用案例和研究方法：学习和掌握遥感地学分析的重点知识，需要参考和分析遥感应用案例和研究方法。

一 基于灰度共生矩阵的纹理特征提取1概念与原理基于统计的纹理分析方法是纹理分析最基本的一类方法，该方法考虑纹理中灰度级的空间分布，计算影像中每点的局部特征，从特征的分布中推导出一些统计量来刻画纹理，典型的基于统计的纹理分析方法有灰度共生矩阵法(Gray Level Co-occurrence Matrices ，GLCM)，灰度-梯度共生矩阵，长游程法等。

灰度共生矩阵法，又称灰度联合概率矩阵法，它建立在估计影像的二阶组合条件概率函数的基础上，通过计算影像中有一定距离和一定方向的两像素点之间的灰度相关性，反映影像在方向、相邻间隔、变化幅度及快慢上的综合信息。

统计图像中相距位置为(Δx,Δy)的两个灰度像元同时出现的联合频数概率的分布称为共生矩阵。

设图像灰度为2m 级，则灰度共生矩阵由2m ×2m 矩阵M 表示。

矩阵中第(i ,j)个元素记为p (i ,j)，表示全图中这一对像元，它们相距(Δx,Δy)，其中一个像元为i 灰度，另一个像元为j 灰度的情况出现的频数。

这样，两个象素灰度级同时发生的概率，就将（x ，y ）的空间坐标转换为对“灰度对”（i ，j ）的描述，它们形成了灰度共生矩阵。

通常，灰度共生矩阵需要做如下的归一化：()()()()⎪⎩⎪⎨⎧=θ=θ=θ=θ==135451-N 9001-N N R R j i Pd j i Pd 2或，或，，，， R 为归一化常数。

由于灰度共生矩阵易于理解和计算，因此，由共生矩阵获取特征已经被用在许多的纹理分析方法中。

但是，灰度共生矩阵也有它的缺点。

由定义可以看出，灰度共生矩阵的大小只与最大灰度级有关系，而与图像大小无关，即灰度共生矩阵的大小为G ×G 。

对于灰度级G ＝256的图像而言，它的灰度共生矩阵为256×256，如果图像比较小，则它可能比较稀疏，而所占的空间还是256×256。

因此，通常情况下，需要对原图像的灰度级进行缩减，以减少计算的时间复杂度。