1、分类: 遥感解决方案植被覆盖度是指植被(包括叶、茎、枝)在地面的垂直投影面积占统计区总面积的百分比。容易与植被覆盖度混淆的概念是植被盖度,植被盖度是指植被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。两个概念主要区别就是分母不一样。植被覆盖度常用于植被变化、生态环境研究、水土保持、气候等方面。植被覆盖度的测量可分为地面测量和遥感估算两种方法。地面测量常用于田间尺度,遥感估算常用于区域尺度。估算模型目前已经发展了很多利用遥感测量植被覆盖度的方法,较为实用的方法是利用植被指数近似估算植被覆盖度,常用的植被指数为NDVI。下面是李苗苗等在像元二分模型的基础上研究的模型:VFC = (NDVI
2、- NDVIsoil)/ ( NDVIveg - NDVIsoil) (1)其中, NDVIsoil 为完全是裸土或无植被覆盖区域的NDVI值,NDVIveg 则代表完全被植被所覆盖的像元的NDVI值,即纯植被像元的NDVI值。两个值的计算公式为:NDVIsoil=(VFCmax*NDVImin- VFCmin*NDVImax)/( VFCmax- VFCmin) (2)NDVIveg=(1-VFCmin)*NDVImax- (1-VFCmax)*NDVImin)/( VFCmax- VFCmin) (3)利用这个模型计算植被覆盖度的关键是计算NDVIsoil和NDVIveg。这里有两种假设:
3、1) 当区域内可以近似取VFCmax=100%,VFCmin=0%。公式(1)可变为:VFC = (NDVI - NDVImin)/ ( NDVImax - NDVImin) (4)NDVImax 和NDVImin分别为区域内最大和最小的NDVI值。由于不可避免存在噪声,NDVImax 和NDVImin一般取一定置信度范围内的最大值与最小值,置信度的取值主要根据图像实际情况来定。2) 当区域内不能近似取VFCmax=100%,VFCmin=0%当有实测数据的情况下,取实测数据中的植被覆盖度的最大值和最小值作为VFCmax和 VFCmin,这两个实测数据对应图像的NDVI作为NDVImax 和N
4、DVImin。当没有实测数据的情况下,取一定置信度范围内的NDVImax 和NDVImin。VFCmax和 VFCmin根据经验估算。实现流程下面我们以“当区域内可以近似取VFCmax=100%,VFCmin=0%”情况下,整个影像中NDVIsoil 和NDVIveg 取固定值,介绍在ENVI中实现植被覆盖度的计算方法。使用的数据是经过几何校正、大气校正的TM影像。(1) 选择Transform-NDVI,利用TM影像计算NDVI。(2) 选择Basic Tools-Statistics -Compute Statistics,在文件选择对话框中,利用研究区地区的矢量数据生成的ROI建立一个掩
5、膜文件。选择统计文件及掩膜文件计算统计参数(3) 得到研究区的统计结果。在统计结果中,最后一列表示对应NDVI值的累积概率分布。我们分别取累积概率为5%和90%的NDVI值作为NDVImin和NDVImax。这里得到:NDVImax=0.522991NDVImin=0.031766统计结果(4) 根据公式(4),我们可以将整个地区分为三个部分:当NDVI小于0.031766,VFC取值为0;NDVI大于0.522991,VFC取值为1;介于两者之间的像元使用公式(4)计算。利用ENVI主菜单-Basic Tools-Band Math,在公式输入栏中输入:(b1 lt 0.031766)*0+
6、(b1 gt 0.522991)*1+(b1 ge 0.031766 and b1 le 0.522991)* (b1-0.031766)/(0.522991-0.031766)b1:选择NDVI图像(5) 得到一个单波段的植被覆盖度图像文件,像元值表示这个像元内的平均植被覆盖度。在Display显示。(6) 选择Tools-Color Mapping-Density Slice,单击Clear Range按钮清除默认区间。(7) 选择Opions-Add New Ranges,根据上面的对照表依次添加10个区间,分别为每个区间设置一定的颜色,单击Apply得到如下的植被覆盖图。植被覆盖度遥感
7、估算结果其他情况下的操作流程基本类似。分享:11喜欢阅读(7449) 评论 (68) 收藏(5) 转载(127) 喜欢 打印举报已投稿到: 排行榜 圈子前一篇:ENVI下遥感影像自然真彩色合成方法ENVI下基于决策树提取土地覆盖信息 (2011-09-15 08:09:10)土地覆盖土地利用专家知识决策树cart算法基于知识的决策树分类是基于遥感影像数据及其他空间数据,通过专家经验总结、简单的数学统计和归纳方法等,获得分类规则并进行遥感分类。分类规则易于理解,分类过程也符合人的认知过程,最大的特点是利用的多源数据。决策树分类主要的工作是获取规则,本文介绍使用CART算法获取规则,基于规则提取土
8、地覆盖信息。下图是总体技术流程。图:总体技术流程图在获取规则过程中,由于计算量较大,我们选择一部分典型的区域作为实验区获取决策树。1. 准备数据本例使用环境小卫星CCD数据,已经过几何校正、工程区裁剪。这一步主要是构建多源数据集。数据集由蓝、绿、红、近红外四个波段、NDVI、ISODATA非监督分类结果、DEM。其中DEM使用30米的G-DEM,使用相同工程区矢量进行裁剪。(1) 选择ENVI主菜单-Transform-NDVI,使用CCD数据计算NDVI。(2) 选择ENVI主菜单-Classification-Unsupervised-IsoData,最大分类数量为10,迭代次数为10,选
9、择路径输出分类结果。(3) 选择ENVI主菜单-Layer Stacking,分别将蓝、绿、红、近红外四个波段、NDVI、ISODATA结果、DEM组合成一个7个波段的文件。(4) 在波段列表中,打开Edit Header,将Band names修改为Band1、2、3、4,NDVI,ISODATA,DEM。2. 获取规则这里使用CART算法获取规则,首先安装ENVI下的CART扩展工具,下载地址:首先从影像中选择一部分区域作为获取规则的实验区,(1) 在Display中显示影像,在Image视窗中单击Overlay-Region of Interest。在ROI Tool面板中,单击ROI_
10、Type-Polygon,绘制一定大小的实验区,这个区域包含土地覆盖所有类型。(2) 在ROI Tool面板中,选择File- Subset data via ROIs,裁剪出实验区。 下面在实验区影像中选择一定数量的训练样本,利用训练样本获取专家知识规则。(1) 在Display中显示裁剪的实验区影像,在Image视窗中单击Overlay-在ROI Tool面板中,分别选择5个类型的训练样本(如下图),训练样本的可分离度在1.8以上。训练样本Decision Tree-RuleGen -Classifier,选择实验区影像。(3) 选择决策树输出路径及文件名,单击OK执行。注:由于此工具包基
11、于4.4版本开发,在之后版本上运行完得到决策树文件之后会自动退出ENVI,不影响决策树规则文件的使用。运行CART工具(4) 选择ENVI主菜单-Edit Existing Decision Tree,打开从实验区获取的决策树规则,如下图。(5) 在ENVI Decision Tree面板中,选择Options-Execute,执行决策树。(6) 对分类结果进行验证,类似选择训练样本,选择一部分ROI作为验证样本。选择主菜单-Post Classification-Confusion Matrix,计算精度验证混淆矩阵。精度达到要求,规则的获取工作就完成了。3. 土地覆盖信息提取这一步是将获取的规则应用于整个图像。Edit Existing Decision Tree,打开从实验区获取的决策树规则。(2) 选择Options-Show Variable/File Pairings,单击第一列中的变量,全部替换为整个影像中对应的波段。(3) 选择Options-Execute,执行决策树,得到最终的土地覆盖结果。修改变量4. 分类后处理 分类后处理根据需求选择,包括更改类别颜色、分类统计分析、小斑点处理(类后处理)、栅矢转换、精度验证等操作。这里不一一叙述了。
copyright@ 2008-2022 冰豆网网站版权所有
经营许可证编号:鄂ICP备2022015515号-1