ENVI下遥感积雪面积信息的提取

        积雪是气温、降水变化的最敏感的指示因子之一,ENVI为积雪面积信息的提取提供了多种技术方法

光谱统计学方法

        光谱统计学提取积雪面积信息主要利用感兴趣区域ROI(样本)的选择,利用传统的监督方法实现。

决策树方法

        决策树方法提取积雪面积信息主要依靠专家知识,通过先验知识建立判别条件,进而建立决策树,实现积雪面积的提取。

        决策树方法提取积雪面积最有代表性的就是Hall等人测试提出,并被NASA采用的基于Landsat5 TM影像的SNOMAP算法。其物理基础体现在:1)积雪在可见光波段有较高的反射率,在短波红外波段有较强的吸收特征;2)大部分云在可见光波段有较高的反射率,在短波红外波段反射率依然很高。 利用该特点,采用NDSI(Normalized Differential Snow Index)阈值提取方法可以很好的识别积雪。基于Landsat数据的NDSI计算方法为:

其中,b2、b5分别为Landsat数据对积雪和云反应敏感的第2波段(绿波段,0.52-0.60μm)和第5波段(短波红外波段,1.55-1.75 μm)的反射率。

通过在北美的验证,SNOMAP算法设定NDSI阈值为0.4,当像元NDSI≥0.4时,该像元被定义为积雪。但积雪和水体在可见光和短波红外波段的反射特征相似,该阈值识别出的积雪中有水体存在。为了进一步识别积雪,利用近红外波段水体强吸收而积雪吸收弱于水体的特点,SNOMAP加入积雪识别的另外一个判别因子,b4≥0.11,其中b4为Landsat的第4波段(近红外波段,0.76-0.90 μm)的反射率。这样,当满足NDSI≥0.4且b4≥0.11时,该像元被识别为积雪。

以天山中部Landsat5 TM影像为基础数据,在ENVI下的操作步骤为:

(1)通过Band Math,计算NDSI

(2)通过Classification/Decision Tree/New Decision Tree建立决策树如下:

(3)运行决策树,原图像751波段假彩色合成及积雪面积提取结果显示如下:

高光谱制图方法

        高光谱众多制图方法中,线性混合像元分解、SAM 波谱角填图都可以用来进行积雪面积的提取。大范围积雪面积信息的提取常用MODIS数据进行,NASA也基于MODIS数据和SNOMAP算法的改进生产出全球范围的MOD10系列积雪产品。但是可以用于积雪生产的MODIS L1B数据的空间分辨率为500米,混合像元现象普遍存在。为解决这个问题,国内外学者多采用混合像元分解的方法来进行基于MODIS数据的积雪面积提取,并取得了不错的成果。

以500米分辨率的MODIS L1B数据为例,其在ENVI中的实现步骤如下:

(1)首先,对预处理完成后的MOD02 HKM 1~7波段的反射率影像进行最小噪声变换MNF(Minimum Noise Fraction),将影像分离成相互独立且各自分布的方差相同的主成分数据与噪声数据,以达到数据降维的目的。

(2)在ENVI中通过/Transform/MNF Rotation/Forward MNF Estimate Noise Statistics实现MNF变换。

(3)通过纯净像元指数PPI(Pixel Purity Index)查找代表不同地物类型的影像纯净像元,以确定基本端元组分。PPI运算需要首先选取训练样本,PPI数值越大说明对应的像元越纯净。

(4)在ENVI中通过/Spectral/Pixel Purity Index/Pixel Purity Index (PPI) New Output Band计算PPI。

(5)根据特征值和波段分量图可以看出,分离后的前3个波段集中了大部分的有效信息,由此做出MNF变换后的1~2波段、1~3波段和2~3波段的两两2-D散点图。散点图内部的点可以用边缘上的点线性组合得到,即纯净像元就分布在散点图的各个顶点附近。由于绘制的2-D散点图可以交互在波段图像和散点图之间同时显示,通过鼠标在散点图几个顶点附近位置的移动,即可大概确定纯净像元所分布的位置,进行训练样本的选择。

(6)ENVI中通过Display->2D Scatter Plots构建散点图。

(7)端元组分确定后,即可在N-D可视化分析中生成由各端元纯净像元所计算得出的平均波谱曲线。

(8)得到各端元组分的平均波谱曲线后,即可实现混合像元的分解,计算各组分在混合像元中所占的比例。

(9)在ENVI中,通过Spectral->Mapping Methods,选择分解方法。得到的结果即包含各端元组分的丰度信息和分解结果的RMS误差。

原文链接:https://bbs.csdn.net/forums/gisrs?spm=1001.2014.3001.6682

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/317491.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

《HCIP-openEuler实验指导手册》1.7 Apache虚拟主机配置

知识点 配置步骤 需求 域名访问目录test1.com/home/source/test1test2.com/home/source/test2test3.com/home/source/test3 创建配置文件 touch /etc/httpd/conf.d/vhost.conf vim /etc/httpd/conf.d/vhost.conf文件内容如下 <VirtualHost *.81> ServerName test1.c…

翻译: 什么是ChatGPT 通过图形化的方式来理解 Transformer 架构 深度学习二

合集 ChatGPT 通过图形化的方式来理解 Transformer 架构 翻译: 什么是ChatGPT 通过图形化的方式来理解 Transformer 架构 深度学习一翻译: 什么是ChatGPT 通过图形化的方式来理解 Transformer 架构 深度学习二翻译: 什么是ChatGPT 通过图形化的方式来理解 Transformer 架构 深…

阿里云开源大模型开发环境搭建

ModelScope是阿里云通义千问开源的大模型开发者社区&#xff0c;本文主要描述AI大模型开发环境的搭建。 如上所示&#xff0c;安装ModelScope大模型基础库开发框架的命令行参数&#xff0c;使用清华大学提供的镜像地址 如上所示&#xff0c;在JetBrains PyCharm的项目工程终端控…

2024深圳杯数学建模竞赛D题(东三省数学建模竞赛D题):建立非均质音板振动模型与参数识别模型

更新完整代码和成品完整论文 《2024深圳杯&东三省数学建模思路代码成品论文》↓↓↓&#xff08;浏览器打开&#xff09; https://www.yuque.com/u42168770/qv6z0d/zx70edxvbv7rheu7?singleDoc# 2024深圳杯数学建模竞赛D题&#xff08;东三省数学建模竞赛D题&#xff0…

深入探索计算机视觉:高级主题与前沿应用的全面解析

引言 计算机视觉&#xff0c;作为人工智能领域的一个重要分支&#xff0c;旨在让计算机能够“看”懂世界&#xff0c;理解和解释视觉场景。随着深度学习技术的迅猛发展&#xff0c;计算机视觉已经在许多领域取得了显著的进展&#xff0c;如自动驾驶、安防监控、医疗诊断等。在…

Go 语言基础(一)【基本用法】

前言 最近心情格外不舒畅&#xff0c;不仅仅是对前途的迷茫&#xff0c;这种迷茫倒是我自己的问题还好&#xff0c;关键它是我们这种普通吗喽抗衡不了的。 那就换个脑子&#xff0c;学点新东西吧&#xff0c;比如 Go&#xff1f; 1、Go 语言入门 介绍就没必要多说了&#xff0…

Linux(ubuntu)—— 用户管理user 用户组group

一、用户 1.1、查看所有用户 cat /etc/passwd 1.2、新增用户 useradd 命令&#xff0c;我这里用的是2.4的命令。 然后&#xff0c;需要设置密码 passwd student 只有root用户才能用passwd命令设置其他用户的密码&#xff0c;普通用户只能够设置自己的密码 二、组 2.1查看…

CentOS/Anolis的Linux系统如何通过VNC登录远程桌面?

综述 需要在server端启动vncserver&#xff0c;推荐tigervnc的server 然后再本地点来启动client进行访问&#xff0c;访问方式是IPport&#xff08;本质是传递数据包到某个ip的某个port&#xff09; 然后需要防火墙开启端口 服务器上&#xff1a;安装和启动服务 安装服务 y…

Macos安装OrbStack

什么是OrbStack OrbStack 是一种在 macOS 上运行容器和 Linux 机器的快速、轻便和简单方法。它是 Docker Desktop 和 WSL 的超强替代品&#xff0c;所有这些都在一个易于使用的应用程序中。 在Macos M系列芯片上&#xff0c;经常遇到docker镜像不兼容的问题&#xff0c;此时使…

LangChain入门2 RAG详解

RAG概述 一个典型的RAG应用程序,它有两个主要组件&#xff1a; 索引&#xff1a;从源中获取数据并对其进行索引的管道。这通常在脱机情况下发生。检索和生成&#xff1a;在运行时接受用户查询&#xff0c;并从索引中检索相关数据&#xff0c;然后将其传递给模型。 从原始数据…

【PHP】安装指定版本Composer

1、下载指定版本composer.phar文件&#xff1a;https://github.com/composer/composer/releases 2、将下载的文件添加到全局路径&#xff1a; sudo mv composer.phar /usr/local/bin/composer 3、赋予权限&#xff1a; sudo chmod x /usr/local/bin/composer 4、查看compos…

【GitHub】github学生认证,在vscode中使用copilot的教程

github学生认证并使用copilot教程 写在最前面一.注册github账号1.1、注册1.2、完善你的profile 二、Github 学生认证注意事项&#xff1a;不完善的说明 三、Copilot四、在 Visual Studio Code 中安装 GitHub Copilot 扩展4.1 安装 Copilot 插件4.2 配置 Copilot 插件&#xff0…

如何使用ChatGPT进行高效的中文到科学英文翻译?

如何使用ChatGPT进行高效的中文到科学英文翻译 在全球化加速的今天&#xff0c;科学交流往往需要跨越语言障碍。特别是在科研领域&#xff0c;有效地将中文研究成果转化为精准的科学英语描述&#xff0c;对于学术发表和国际合作尤为关键。AI翻译工具如ChatGPT可以在这一过程中…

深入理解多层感知机MLP

1. 基础理论 神经网络基础&#xff1a; 目标&#xff1a;了解神经网络的结构&#xff0c;包括神经元、权重、偏置和激活函数。 神经网络是由多个层次的神经元组成的网络&#xff0c;它模拟了人脑处理信息的方式。每个神经元可以接收输入、处理输入并生成输出。这一过程涉及到…

设计模式 --6组合模式

文章目录 组合模式应用场景组合模式概念组合模式结构图透明方式和安全方式什么时候使用组合模式公司管理系统使用 组合模式来构架组合模式的好处 组合模式应用场景 整体和部分可以被一致性对待 比如人力资源部 财务部的管理功能可以复用于分公司的功能 可以引入一种 树状的结构…

延时任务通知服务的设计及实现(二)-- redisson的延迟队列RDelayedQueue

一、接着上文 RDelayedQueue作为redisson封装的一个分布式延迟队列&#xff0c;直接拿来使用还是比较简单的。 本文主要包括以下几部分&#xff1a; 保存至延迟队列&#xff08;生产者&#xff09;读取延迟队列&#xff08;消费者&#xff09;从延迟队列移除任务 二、rediss…

el-form 表单设置某个参数非必填验证

html <el-form ref"form" :rules"rules"><el-form-item prop"tiktokEmail" label"邮箱" ><el-input v-model"form.tiktokEmail" placeholder"邮箱" ></el-input></el-form-item&…

原创度高!性能好!|基于信息共享与黄金搜索的改进星鸦优化算法在50+个函数上进行测试(Matlab)

文章来源于我的个人公众号&#xff1a;KAU的云实验台&#xff0c;主要更新智能优化算法的原理、应用、改进 前面的文章中&#xff0c;KAU介绍了星鸦优化算法(Nutcracker Optimization Algorithm&#xff0c;NOA)[1]&#xff0c;NOA算法模拟了星鸦觅食、存储以及缓存搜索、恢复…

人脸识别概念解析

目录 1. 概述 2. 人脸检测 3. 人脸跟踪 4. 质量评价 5. 活体检测 6. 特征提取 7. 人脸验证 8. 人脸辨识 1. 概述 人脸识别在我们的生活中随处可见&#xff0c;例如在大楼门禁系统中&#xff0c;它取代了传统的门禁卡或密码&#xff0c;提高了进出的便捷性和安全性。在商…

现代神经网络总结(AlexNet VGG GoogleNet ResNet的区别与改进)

VGG NIN GoogleNet 1.VGG&#xff0c;NIN&#xff0c;GoogleNet的块结构图对比(注意:无AlexNet) 这些块带来的区别与细节 AlexNet未使用块,主要对各个层进行了解: 卷积:捕捉特征 relu:增强非线性 池化层:减少计算量 norm:规范数据分布 全连接层:分类VGG块的改善(对比AlexNe…