遥感地质（作业） - 图文

遥感地质作业

遥感地质作业

数据来自广州市北部地区的ETM遥感数据，包括：⑴、ETM 1，2，3，4，5，7 多光谱（30M）；ETM 8 Pan（15M）；ETM 61，62 热红外（60M）。⑵、1：50万地质图；⑶、1：50万地理图：地名，水系等。

一、利用水系对ETM数据做坐标的几何校正

几何校正的第一步是位置计算,首先是对所选取的二元多基项式求系数。

控制点数目的最低限是按未知系数的多少来确定的。一次多项式有6个系数，需要有6个方程来求解.需3个控制点的3对坐标值.一般在条件的允许情况下,控制点数的选取都要大于最低数很多倍,在本次较正过程中，我用了12个控制点（如图1）。

图1 较正影像的12个控制点 图2 12个控制点在影像中的分布

控制点的选取要以配准对象为依据。以地面坐标为匹配标准的，叫做地面控制点（记作GCP）.有时也用地图作地面控制点标准。本次校正我采用的是以地图作为地面控制点标准。一般来说，控制点应选取图像上易分辨且较精细的特征点，这很容易通过目视方法辨别，如道路交叉点、河流弯曲或分叉处、海岸线弯曲处、湖泊边缘等。图像边缘部分一定要选取控制点，以避免外推。此外，尽可能满幅均匀选取。我较正的控制点分布如图2所示，主要是分布在河流交叉处、河流拐弯处等。在本次较正中，我的误差都控制在0.1以内，从而达到了较好的效果，经较正后的图像如图3、4、5、6。

图3 较正后的ETM8 图像 图4较正后的ETM(1－7) RGB321图像

第 1 页 共 4 页

遥感地质作业

图5 未较正的ETM8 图像 图6未较正的ETM(1－7) RGB321图像

二、运用校正后的数据求NDVI并叠加在RGB321图像上

NDVI(Normalized Difference Vegetation Index) 归一化植被指数，是一个普遍应用的植被指数，将多波谱数据变换成唯一的图像波段显示植被分布。NDVI 值指示着像元中绿色植被的数量，较高的NDVI值预示着较多的绿色植被。

因为TM的第4波段是近红外光段影像，植被在这个波段有相当高的反射值，第3波段是可见光的红光段影像，叶绿素在这个波段会被吸收。可利用一个简单的植被判释公式：(NIR–VisRed)/(NIR + VisRed)，其中NIR是近红外光段的象素值，VisRed是红光段的象素值。标准化植差指针的值域为 –1 至 1，在不同的影像间，由于反射值会因大气条件、拍摄时间、太阳角度等情况的影响而造成反射值变异，因此应用于其它影像时，阈值必需适度修正。我这次在NDVI中提取植被的信息时采用的阈值是0.3（如图8）。

图7 ETM(1－7)提取的NDVI

图8 NDVI中提取的植被层

第 2 页 共 4 页

遥感地质作业

图9 NDVI叠加到ETM(1-7)RGB321后的图像 图10 ETM321与ETM8 Gram-Schmidt数据融合

三、运用校正后的数据将多光谱图像与可见光图像（ETM8）作数据融合

多源遥感图像融合是遥感图像处理和信息获取领域的一门新兴技术，它可以综合利用多种遥感影像数据、突出各类影像数据的特点，经过融合之后的遥感影像可以包括多种遥感影像的优点，既有高的分辨率又有多波谱特征。这样可以充分挖掘出遥感影像提供给我们的信息，提高分类精度、专题制图精度和影像解译水平等。在融合时我采用了Gram-Schmidt光谱锐化数据融合，效果如图10

四、利用融合后的多光谱数据（6个波段）做ISODATA分类，生成彩色图像，并对分类结果进行解释

非监督分类仅仅用统计方法对数据集中的像元进行分类，它不需要用户定义任何训练分类器。Isodata 非监督分类计算数据空间中均匀分布的类均值，然后用最小距离技术将剩余像元迭代聚集。每次迭代重新计算了均值，且用这一新的均值对像元进行再分类。重复分类是分割、融合和删除是基于输入的阈值参数的。除非限定了标准差和距离的阈值，所有像元都被归到与其最临近的一类里。这一过程持续到每一类的像元数变化少于选择的像元变化阈值或已经到了迭代的最多次数。

图11 融合后的数据进行Isodata分类 图12 Isodata 参数设置

第 3 页 共 4 页

遥感地质作业

在分类中，我将类数的范围设置为5-7，符合此地的特点，迭代次数的最大值设为10次，形成一类需要的最少像元数设为20个像元，如图12。

在分类结果中，根据与ETM(1-7)中RGB321真彩色图像进行比较，得出分类后的解释，图中，蓝色代表的是河流及湖泊等水系；绿色（包括浅绿及深绿）代表的是植被，颜色越深表明植被越密集，如山中的森林等，颜色越浅，则植被覆盖越稀疏，如农田等；居民点及道路是用紫色及淡青色表示，其效果如图11。

五、结合自己所学专业制作一幅专题图像：专题图像，地名标注，图框，坐标，比例尺，图例等要素；并作解译

在制作广州市北部植被覆盖专题图中，首先我利用广州市北部的ETM(1-7)与ETM8数据进行数据融合，得出的融合数据再进行Isodata非监督分类。得出了一些有关植被、水系、居民地等信息，并做出解译，得出专题图。

第 4 页 共 4 页