遥感应用模型综述复习版ppt课件.ppt

应用方向概述 国外研究环境 空间几何分析 遥感定量模型 地表反演模型遥感应用方向（侧重、侧重） 遥感分析基础软件 国土资源遥感（地上） 地质遥感（地下） 生态遥感 灾害遥感ENVI可以处理最先进的卫星格式，如Landsat7,SPOT,RADARSAT,NASA,NOAA,EROS和TERRA,能接受未来所有传感器的信息。包含所有基本的遥感影像处理功能，如：校正、定标、波段运算、分类对比增强、滤波、变换、边缘检测及制图输出功能。ENVI具有对遥感影像进行配准和正射校正的功能，可以给影像添加地图投影，并与各种GIS数据套合。ENVI的矢量工具可以进行屏幕数字化、栅格和矢量叠合，建立新的矢量层、编辑点、线、多边形数据，缓冲区分析，创建并编辑属性并进行相关矢量层的属性查询。ENVI拥有高光谱和多光谱分析工具。用户可以识别出图像中纯度最高的像元，通过与已知波谱库的比较确定未知波谱的组分。用户不但可以使用ENVI自带的波谱库，也可以自定义波谱库，甚至可以组合使用线性波谱分离和匹配滤波技术进行亚像元分解，以消除匹配误差获得更精确的结果。ENVI的集成式雷达分析工具可以快速处理雷达SAR数据,提取CEOS信息并浏览RADARSAT和ERS-1数据。用天线阵列校正、斜距校正、自适应滤波等功能提高数据的利用率。纹理分析功能还可以分段分析SAR数据。ENVI还可以处理极化雷达数据，用户可以从SIR-C和AIRSAR数据中选择极化和工作频率，用户还可以浏览和比较感兴趣区的极化信号，并创建幅度图像和相位图像。 ERDAS IMAGINE是以模块化的方式提供给用户的，对系统进行剪裁，充分利用软硬件资源，并最大限度地满足用户的专业应用要求。ERDAS IMAGINE面向不同需求的用户，对于系统的扩展功能采用开放的体系结构以IMAGINE Essentials、IMAGINE Advantage、IMAGINE Professional的形式为用户提供了低、中、高三档产品架构，并有丰富的功能扩展模块供用户选择，使产品模块的组合具有极大的灵活性。IMAGINE Essentials级：包括有制图和可视化核心功能的影像工具软件。无论您是独立地从事工作或是处在企业协同计算的环境下，都可以借助IMAGINE Essentials完成二维/三维显示、数据输入、排序与管理、地图配准、制图输出以及简单的分析。 * Vector直接采用ESRI的ArcInfo数据结构Coverage，建立、显示、编辑和查询ArcInfo完成拓扑关系的建立和修改及矢量和光栅图像的双向转换等；* Virtual GIS真实三维景观重现和GIS分析；* Developers ToolkitERDAS IMAGINE的C程序接口，ERDAS的函数库，及程序设计指南。IMAGINE Advantage级：是建立在IMAGINE Essential级基础之上的，增加了更丰富的图像光栅GIS和单片航片正射矫正等强大功能的软件。IMAGINE Advantage为您提供了灵活可靠的用于光栅分析，正射矫正，地形编辑及先进的影像镶嵌工具。简而言之，IMAGINE Advantage是一个完整的图像地理信息系统（Imaging GIS）。 * Radar模块雷达影像的基本处理；* OrthoBase区域数字影像正射纠正；* OrthoBASE Pro航片、卫片快速正射纠正，利用立体象对自动提取高精度DEM；* OrthoRadar可对RadarSat，ERS雷达影像进行正射纠正；* StereoSAR DEM用立体方法从雷达图像数据中提取DEM；* IFSAR DEM用干涉原理从雷达图像数据中提取DEM；* ATCOR2对相对平坦地区图像进行大气校正和雾曦消除；* ATCOR3对山区图像进行大气纠正雾曦消除，可以消除地形的影响； IMAGINE Professional级：是面向从事复杂分析，需要最新和最全面处理工具，经验丰富的专业用户。Professional是功能完整丰富的地理图像系统。除了Essentials和Advantage中包含的功能以外，IMAGINE Professional还提供轻松易用的空间建模工具（使用简单的图形化界面），高级的参数/非参数分类器，分类优化和精度评定，以及高光谱、雷达分析工具。它是最完整的制图和显示、信息提取、正射矫正、复杂空间建模和尖端的图像处理系统。 * Subpixel Classifier子象元分类器利用先进的算法对多光谱影像进行信息提取，可达到提取混合象元中占20%以上物质的目标；ERDAS公司在IMAGINE中支持动态连接库（DLL）的体系结构。它支持目标共享技术和面向目标的设计开发、提供一种无需对系统进行重新编译和连接而向系统加入新功能的手段，并允许在特定的项目中裁剪这些扩充的功能。在ERDAS IMAGINE中直接提供了下列DLL库：* 图像格式DLL提供对多种图像格式文件无需转换的直接访问，从而提高易用性和节省磁盘空间。支持的图像格式包括：IMAGINE、GRID、LAN/GIS、TIFF（GeoTIFF）、GIF、JFIF（JPEG）、FIT、BMP和原始二进制格式。* 地形模型DLL提供新类型的矫正和定标（Calibration），从而支持基于传感器平台的校正模型和用户剪裁的模型。这部分模型包括：Affine、Polynomial、Rubber Sheeting、TM、SPOT、IKONOS、QuickBird、Single Frame Camera等。 envi在数据处理方面比erdas更加精确，但erdas的模块化更加人性化，在进行某些处理的时候比较容易找着菜单命令。另外erdas的model maker可以自主建模，比较方面。envi的idl编程虽说也很简单，但没用过的人可能就有点不知道如何下手。 应用模型是实现分析结果定量化的手段 定量遥感是遥感技术发展从定性粗放到精确具体的思想飞跃 定量遥感应用不确定性分析理论和方法 定量遥感信息模型与反演 土地利用/土地覆盖自动更新技术 农田旱情遥感监测模型与方法 相关术语：误差、精度、精确程度和偏差 误差：观测值与真实值之间的差别 精度：观测、计算或估计值与真实值之间的接近程度 精确程度：通俗的定义为测量值的小数点位数 不确定性 早期研究集中在遥感分类或解译结果的精度评价 集中在分类不确定性研究，对反演中的不确定性研究较少 定量遥感不确定性的研究是一个研究热点 通常利用均方根误差衡量参考像元的位置精度 由于遥感数据的获取、处理、分析和转换等一系列步骤中都有不同类型和程度的不确定性引入，并在进一步分析中传播，在遥感信息提取过程中，不但要设法纠正数据获取过程引入的不确定性，而且要选取合适的、，使最后提取的信息包含最小的不确定性。 定量遥感参数反演不确定性的研究目前主要集中在定量遥感数据产品的验证方面。：通过独立的手段评价来自系统输出的数据产品质量的过程。：是定量地定义系统对已知和可控的系统输入信号响应过程。：真实性检验则是通过和参考数据比较（假定参考数据代表目标真实值）以评价从卫星传感器信号延伸出的更高级产品的不确定性的过程，因此，真实性检验过程中参考数据代表性和比较方法是关键。 真实性检验的数据产品包括地表反射率、地表温度、雪冰图、反照率/BRDF、植被指数、叶面积指数、植被覆盖度、土地覆被等。MODIS陆地产品组（MODLAND）真实性检验计划包括三个阶段： 第一阶段通过选择少量测量点和时间段的地面测量数据进行产品真实性检验； 第二阶段对时空范围更广的地面测量点和测量时间段的数据进行产品真实性检验； 第三阶段通过在统计上具有全球时空分布代表性的地面独立测量值系统评价数据产品的精度，并估计其不确定性。 开展多传感器数据产品间的比较真实性检验。 “自下而上”的真实性检验框架，基本构成是根据不同的地表类型或生物群落的全球分布，在全球设置一定数据量的真实性检验样地，每个样地内有若干，每个ESU内进行一定数量的，然后通过一定的转换方法将单点测量值转换到ESU尺度上；再结合高分辨率遥感影像，建立，得到样地水平上的地表参数值；最后，通过全球与陆地遥感数据产品进行比较和，评价全球遥感数据产品的精度。 定量遥感产品检验中各个上的不确定性的研究还没有系统开展，特别是验证过程各个环节中引入的及传递和对最终验证结果的影响方面的研究非常有限。 对于定量遥感反演中数据和模型的的研究还没有系统开展。 第一阶段目视判断为主，； 第二阶段通过比较分类所得的专题图中各类别的面积范围（或面积比例）与地面或其他参考数据中相应类别的面积范围（或面积比例） ，； 第三阶段以定位类别比较和精度测量为特征，将特定位置的和其他进行比较，并在比较基础上发展各种精度测量（总体精度）。 第四阶段是对第三阶段的，其核心是误差矩阵方法，特点是在充分利用误差矩阵的基础上，计算出各种精度测量如KAPPA系数，统计上更加严格。主要方法特点缺陷第一阶段目视判断定性评价具主观性第二阶段解译结果面积与参考数据比较定量非定位第三阶段定位类别比较，精度测量第四阶段误差矩阵方法 基于误差矩阵的分类精度评价方法：用于表示与的比较阵列。 基于模糊分析的分类精度评价方法：不能提供像元尺度上分类的不确定性信息，因而难以反映分类不确定性的空间分布特征。 混淆矩阵， 主要用于比较分类结果和地表真实信息，可以把分类结果的精度显示在一个混淆矩阵里面。混淆矩阵是通过将每个地表真实像元的位置和分类与分类图象中的相应位置和分类像比较计算的。混淆矩阵的每一列代表了一个地表真实分类，每一列中的数值等于地表真实像元在分类图象中对应于相应类别的数量，有像元数和百分比表示两种。 错分误差，指被分为用户感兴趣的类，而实际上属于另一类的像元，错分误差显示在混淆矩阵的里面。 漏分误差，指本属于地表真实分类，但没有被分类器分到相应类别中的像元数。漏分误差显示在混淆矩阵的里。总体精度，主对角线元素之和除以总采样个数；等于被正确分类的像元总和除以总像元数，地表真实图像或地表真实感兴趣区限定了像元的真实分类。被正确分类的像元沿着混淆矩阵的对角线分布，它显示出被分类到正确地表真实分类中的像元数。像元总数等于所有地表真实分类中的像元总和。生产者精度，指假定地表真实为A类，分类器能将一幅图像的像元归为A的概率；用户精度，指假定分类器将像元归到A类时，相应的地表真实类别是A的概率Kappa系数，是另外一种计算分类精度的方法。它是通过把所有地表真实分类中的像元总数（N）乘以混淆矩阵对角线（Xkk）的和，再减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果，再除以总像元数的平方差减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果所得到。Kappa 分析，统计意义上反映分类结果在多大程度上优于随机分类结果，可以用于比较两个分类器的误差矩阵是否具有显著差别。 遥感具有宏观性也可以具有微观性。普通的卫星遥感具有，而高空间分辨率遥感却具有一定的； 在的遥感中，可以近似认为地物是； 在高空间分辨率遥感中，地物反射电磁波行为具有方向性反射，称为。 二向性反射是自然界中物体对电磁波反射的基本现象，即反射不仅具有方向性，这种方向性还依赖于电磁波入射的方向。 地表二向反射特性和植被BRDF模型 地表热辐射方向性模型 自然地表的反射率不但与所测地物的几何结构和光谱特性有关，还与入射和观测方向的遥感几何有关； 多角度遥感是解释地表复杂性的研究手段之一，通过获取地表目标的BRDF和方向辐射信息，进行地表各种参数的反演。 多角度特征只需要的数据就能提供，成为的重要数据源 物理模型（等）、经验模型、半经验模型 特征：优点能够较好地描述植被冠层内部的多次散射，缺点是水平均匀的假设往往与实际地表状况不符。 SAIL模型，在的假设下，考虑了冠层的垂直分层结构和叶倾角分布，在太阳光入射和观测方向无关假设下计算了光线沿这两个方向的传输，并用上行辐射通量和下行辐射通量来近似计算冠层内部散射光的传输。 SAIL模型。 把植被简化为立方体、圆锥、椭球或圆柱等离散几何实体，以简洁的形式描述了产生和的主要原因。 典型几何光学模型：Li-Strahler 、Jump 将传感器视场内的地物目标仍按几何模型一样处理成具有一定和的组分，群体内的每个组分的处理方法，每个被看作组成的的，群体之间的，从而克服了辐射传输模型中假定躯体各组分随机分布的局限性。 混合模型适用于任何非均匀程度的植被，现有的混合模型相对于简单的行结构作物有较好的应用，对于更复杂的植被群体应用起来就有相当的难度。 植被结构参数的获取，等 蒙特卡罗模型、真实景观模型，基于计算机的蒙特卡罗方法是通过在三维冠层内模拟大量光子的发生、碰撞、散射、消亡的过程，对其结果作出统计，从而估计冠层的方向反射或热辐射特性。 意义在于从仿真角度来生成模拟数据和检验模型，但是二者都需要大量计算，因而不适合成为运行算法，一般是作为模型研究的辅助工具。 经验模型使用参数较少，表达式简单，具有一定的物理意义。（）四类：。，冠层被假定为一个不透光的实体，热辐射只来自植被冠层和土壤表面，每一组分表面被假定为具有一致的热辐射特性，方向性热辐射的角度变化来自于组分在视场内的可视面积比随着观察角度变化而变化。，将可见光-近红外模型中经典的空隙率引入热辐射模型中，使用了空隙率概念，各个部分由于三维结构相互遮挡状况随着观察角度在发生变化；每个组分内部的光学路径随着观察方向也在发生变化。目前的冠层反射率模型能够在模拟准确性和计算简便性之间找到一个平衡点，对植被叶片和地表植被的二向性特征进行模拟。 均匀作物冠层的辐射传输模型SAILE模型 行结构作物冠层的辐射传输模型 基于仿真三维结构的计算机模拟模型 叶片内生化物质均匀分布的假设总是会对叶片的模拟结果产生一定程度的误差，误差的大小依赖于生化物质的不均匀分布明显程度。 EPROSPECT叶片模型在叶片尺度上考虑叶片正反两面反射率差异；在SAIL冠层反射率模型的基础上，将叶片正反两面反射率分别带入模型，在冠层尺度上考虑了叶片正反两面反射率的差异。光照土壤、阴影土壤、光照植被、阴影植被1）视场内各组分的热辐射特性：光照土壤、阴影土壤、光照麦穗、阴影麦穗和叶片2）小麦冠层的几何结构和太阳-目标体-传感器的几何关系3）模拟小麦冠层方向亮温 植被指数遥感提取及方向性校正 叶面积指数遥感反演 地表反照率遥感反演 地表温度遥感反演 NDVI与叶面积指数、绿色生物量、植被有效光合作用系数等生物物理参数有关。 可以从辐射传输模型或观测数据获得。 由于植被的冠层反射率与许多因素有关，如土壤属性，植被类型，太阳辐照及大气条件，传感器的观测几何，所以，即使对于特定的传感器，之间不存在刻意适用于任何地方与任一时间的唯一关系。 1）(假设水平均匀，如农田作物，SAIL模型)，优点：较好描述植被冠层内部的多次散射；缺点：水平均匀的假说往往与实际地表不符 2）（GO） 几何光学模型把植被简化为立方体、圆锥、椭球或圆柱等离散的几何实体，以简洁的形式描述了产生离散植被反射和热辐射方向性的主要原因，得到学术界的广泛认可。 3） 如：将几何光学模型与辐射传输模型结合。具体方法：将传感器视场内的地物目标仍按几何模型一样处理成具有一定形状和空间分布特征的组分。 大气影响、土壤影响、角度影响 反射率纠正常用BRDF模型 植被指数直接进行BRDF纠正方法的关系式不仅数据表达式有多种形式（线性，指数，对数等），而且这些表达式的经验系数主要依赖于植被类型，这样就需要，并且，由于土壤与植被覆盖类型的复杂多样，通过植被指数计算LAI的关系表达式常是多种多样，具有地域性与尺度性，很难将这种经验关系用于大尺度的遥感图像。对LAI反演所带来的不确定性问题。研究的混合像元由两种情况构成。 一种，由不同长势的作物所构成的混合像元； 另一种，情况是由不同端元形成的混合像元。 结果表明：不同长势形成的混合像元对LAI的准确反演影响不大；不同组分形成的混合像元对LAI反演影响很大。从验证的角度讲，地面实测点的LAI数据不能代表一定分辨率区域的LAI的值，对于像元LAI的验证要注意正确获得像元的LAI。 主要有经验模型方法（LAI与光谱指经验关系）、物理模型反演方法和其他非参数方法。，用遥感测量反射率所构成的变量，与LAI进行相关回归，然后用回归方程进行反演。其：1.其他变量的影响没考虑；2.关系的建立必须有观测数据；3.模型通常只在研究区有效，不易推广。，将以物理原理为基础的森林冠层反射率模型用于森林LAI反演。在认识样地光谱信号形成机制的基础上，模拟森林冠层反射率及其随各个影响因子的变化情况，在。