实验十遥感信息模型与遥感定量反演.docx
《实验十遥感信息模型与遥感定量反演.docx》由会员分享，可在线阅读，更多相关《实验十遥感信息模型与遥感定量反演.docx（17页珍藏版）》请在冰豆网上搜索。
实验十遥感信息模型与遥感定量反演
实验十遥感信息模型与遥感定量反演
目的：
了解遥感信息模型建立的思想；掌握遥感定量反演的方法
1自变量的选择依据
（1）对绿色植被敏感的波段组合而成的比值波段（植被指数），可以增大信息量，减小波段间的相关性，能够很好地反映植被特征。
目前已提出并已使用的植被指数有20余种，如NDVI、RVI、DVI（差值植被指数）、PVI（正交植被指数）、SAVI（土壤调节植被指数）及MSAVI（修正的土壤调节植被指数）等。
（2）ETM+传感器接收到的反射率值与植被波谱反射特性、植被分布密度、植物长势和土壤含水量等因素密切相关，因此各波段数据及波段间的简单运算也可作为生物量估算的遥感因子。
综上原则选择RVI、NDVI、NDVI2、NDVI3、SAVI、MSAVI、Band（1～5）、Band7、Band（4/2）、Band（3/SUM）、Band（3/7）、Band（2/3）、Band（4*3/7）、Band（4+5-2）/（4+5+2）、Band（4-2）/（4+2）、Band（4-7）共20个自变量与生物量进行多元线性回归分析，筛选符合条件的自变量建立回归模型。
2自变量筛选方法
在多元线性回归分析中，如果引入的自变量较少，回归方程将无法很好地解释说明因变量的变化。
但并非引入的自变量越多越好，因为在遥感信息中，有些波段或比值波段间存在一定的近似线性（复共线性）关系。
要避免多个自变量之间存在着共线性及某些自变量对因变量提供的信息量较少等不利影响，需选择合适的方法进行自变量筛选。
常用的方法有：
向前筛选法、向后筛选法和逐步筛选法。
逐步筛选法是向前筛选法和向后筛选法的综合，本文采用此法。
逐步筛选法是把对因变量有显著影响的自变量逐个引入回归方程。
首先选出与因变量相关程度最大的自变量，通过统计检验，表明该自变量的作用显著时，则将其引入回归方程。
然后在剩下的自变量中再挑出与因变量最密切的自变量。
当已引入回归方程的自变量由于后来引入的自变量对因变量的作用，经F检验由显著变为不显著时，则同时将它们从回归方程中剔除。
因此，逐步回归的每一步（引入一个变量或剔除一个变量）均要进行F检验，以保证每次在引入新的显著变量之前和剔除不显著变量之后，回归方程中只包含显著变量。
如此反复进行，直到没有一个自变量可以引入，也没有一个自变量可以剔除为止。
3反演过程
首先以RVI为例：
自变量RVI：
RVI=NIR/R=TM4/TM3
启动ENVI，选择基本工具（BasicTools）下的波段运算（BandMath）命令：
在Enteranexpression下的文本框中输入一个表达式b1/b2，b1、b2分别代表TM4和TM3
然后点添加到列表（AddtoList），将表达式填入上方表达式列表中
点击OK，确定b1,b2代表波段
最下方给出输出文件名rvi
点OK，执行TM4/TM3波段运算
此时RVI指数求算完毕。
本实验中生物量反演用到变量有：
Band（4/2）、Band（2/3）、Band（4-7）、ndvi及ndvi2，下面介绍各变量计算过程。
Biomass=2.9259*Band（4/2）+10.6277*Band（2/3）-4.9709*Band（4-7）+13.7265*ndvi-35.0344*ndvi2-13.9193
（1）自变量NDVI：
NDVI=（NIR-R）/（NIR+R）
启动ENVI，由于ENVI软件自带求NDVI指数的命令，所以直接可以求出：
选择源多波段影像文件：
aa
（2）ndvi2
在波段动运算表达式框中输入b1^2,添加到列表中，点OK
选中刚刚求出的NDVI影像，赋值给b1,输出文件ndvi2
（3）Band（4/2）
b1,b2分别选择源影像文件的第四和第二波段，输出文件
（4）Band（2/3）
同理，在波段运算表达式列表中选择b1/b2，
分别选TM2和TM3波段赋值给b1,b2,输出文件
（5）Band（4-7）
将TM4和TM7赋值给b1,b2,输出文件
得到五个以图像形式表达的变量，然后代入生物量模型：
Biomass=2.9259*Band（4/2）+10.6277*Band（2/3）-4.9709*Band（4-7）+13.7265*ndvi-35.0344*ndvi2-13.9193
代入如下表达式：
2.9259*b1+10.6277*b2-4.9709*b3+13.7265*b4-35.0344*b5-13.9193
将上述求出的五个变量分别赋值给b1~b5，输出文件，结果即为生物量专题图。
升级会员 