遥感反演地表温度.doc

《遥感反演地表温度.doc》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、遥感地学分析实验报告成绩：姓名：学号：班级：题目：课程实验报告要求一、实验目的掌握并熟悉bandmath的操作，对建筑用地分离用的几个建筑指数；学会面对对象分类；学会反演地表温度。二、实验准备软件准备：ENVI5.1数据准备：中等分辨率数据AA、高分辨率数据qb_colorado.img、热岛监测band6三、实验步骤1.中等分辨率数据中城市范围的提取：（1）加载数据AA，首先在BANDMATH里面计算图像的NDVI值其公式：(float(b1)-float(b2))/(float(b1)+float(b2))，正确输入公式后点击OK；在接下来的界面中为公式中b1和b2赋予相应的波段，及近红

2、外波段和红色波段，选择合适的路径即可点击OK；结果如图：（2）同样用上述发放计算图像的归一化建筑指数（NDBI值），公式同样使用前面所用，但是后面给b1和b2赋予第五和第四波段就行，同样选择合适的路径即可；结果如图：（3）利用前面所计算的NDVI和NDBI值计算改进的归一化裸露指数（MNDBI），MNDBI=NDBI+(1-NDVI)，首先在BANDMATH中输入一下公式并b1和b2赋予NDBI的波段和NDVI的波段；结果如图：（3）同样使用上述方法计算城镇用地指数（ULI）计算公式为ULI=NDBIandNDVI，同样在BANDMATH中输入公式并赋予相应的波段，在设置好输出路径即可；结果

3、如图：（4）三种指数的阈值的设置，通过查看三种指数的直方图可以为每种指数的分离建筑用地提取合适的阈值；通过查看NDBI的阈值设置为0.035，并将其在bandmath中进行二值化；通过查看MNDBI的阈值设置为0.681，并将其在bandmath中进行二值化；通过查看ULI的阈值设置为0.004，并将其在bandmath中进行二值化；（5）将三种指数的二值化图像在ARCMAP中成图，即可简单的比较三种指数的优劣；2.高分辨率图像中城市范围的提取（1）加载图像qb_colorado.img，打开FEATUREEXTRACTION工具选择待分类数据，点击NEXT进入下一步；（2）设置分割和合并阈

4、及模板大小等参数如下，点击NEXT进入下一步；（3）添加分类类型并选择合适的样本，并为每种类型选择相应的属性，最后选择合适的分类方法；（4）预览图如下；（5）设置导出图像的类型，此处导出矢量图，设置好参数和路径点击FINISH即可；（6）结果如图；3.城市热岛遥感监测（1）辐射定标：将DN值（即图像灰度值）转换为光谱辐射亮度L，利用公式b1*0.055158+1.2378在bandmath中计算辐亮度；B1赋予第六波段；结果：（2）地表比辐射率E，此处先计算NDVI，方法同上即可，此处不再赘述；计算植被覆盖度Fv采用的是混合像元分解法，将整景影像的地类大致分为水体、植被和建筑，具体的计算公式

5、如下：FV=(NDVI-NDVIS)/(NDVIV-NDVIS)其中，NDVI为归一化差异植被指数，取NDVIV=0.25和NDVIS=0.022，且有，当某个像元的NDVI大于0.25时，FV取值为1；当NDVI小于0.022，FV取值为0。利用公式：(b1gt0.25)*1+(b1lt0.022)*0+(b1ge0.022andb1le0.25)*((b1-0.022)/(0.25-0.022))计算FVFV结果：地表比辐射率E=(b1le0)*0.995+(b1gt0andb1lt0.3)*(0.9589+0.086*b2-0.0671*b2^2)+(b1ge0.3)*(0.9625+

6、0.0614*b2-0.0461*b2^2)其中b1：NDVI，b2：植被覆盖度FV；结果：（3）相同温度下黑体的辐射亮度值利用公式计算温度为T的黑体在热红外波段的辐射亮度B(TS)=[L-L↑-τ·(1-E)L↓]/τ·E，在bandmath中的工是为(b2-1.98-0.75*(1-b1)*3.25)/(0.75*b1)，其中b1：120m分辨率的地表比辐射率值E，b2：表示热红外波段的辐射定标值L；结果：（4）地表温度反演：在获取温度为T的黑体在热红外波段的辐射亮度后，根据普朗克公式的反函数，求得地表真实温度T：TS=K2/ln(K1/B(TS)+1)对于TM，K1=607.76W/(

7、m2·sr·μm)，K2=1260.56K。反演结果的温度单位为K，则地表真实温度在bandmath中的计算公式为：(1260.560)/alog(607.76/b1+1)，其中b1：温度为T的黑体在热红外波段的辐射亮度值；一、结果分析在第一部分中通过最后的图片对比分析来看，我觉得归一化建筑指数对建筑用地的分离效果是最好的，但然其中不排除会有误差。第二部分的面向对象分类比之前常用的监督和非监督分类更加的有识别