遥感应用模型实习报告.doc

遥感应用模型实习报告主要涵盖了遥感技术在实际中的应用，包括遥感基本功能的实习、植被指数与植被覆盖度的估计、城市绿地信息的提取以及遥感影像分类。以下是对这些内容的详细阐述： 一、遥感基本功能实习 这部分实习的目的是让学生通过使用ENVI软件（Environment for Visualizing Images）熟悉遥感数据处理流程，了解预处理的基本原理和方法。预处理是遥感数据分析的重要步骤，包括影像几何校正、自动配准、影像融合、镶嵌和裁剪等。这些步骤确保了遥感影像的质量和准确性，以便后续分析。 1. 影像几何校正：纠正由于传感器姿态、地球曲率等因素导致的几何变形，使影像上的地物与实际地理位置对应。 2. 自动配准：通过对图像特征点的匹配，调整两幅或多幅图像之间的相对位置，使其对齐。 3. 影像融合：将不同传感器获取的具有不同光谱特性或空间分辨率的影像结合在一起，以提高最终产品的质量和信息含量。 4. 影像镶嵌：将多幅影像拼接成一幅连续的大图，通常用于覆盖大面积区域的遥感数据处理。 5. 影像裁剪：根据研究区域或需求，从大图中提取出感兴趣的区域。 二、植被指数及植被覆盖度估计 1. 数据预处理：包括辐射校正和大气校正，消除大气影响，使遥感数据能准确反映地表反射情况。 2. 常见植被指数计算：如NDVI（归一化植被差异指数）、EVI（增强植被指数）、GNDVI（归一化差值绿地指数）等，这些指数能定量反映植被生长状况和覆盖度。 3. 植被覆盖度估计：通过计算植被指数并结合地面实测数据，可以评估植被覆盖的百分比，为生态环境监测和农业管理提供依据。 三、基于高分辨率遥感影像的城市绿地信息提取 1. 影像预处理：包括辐射校正、去噪、增强等，提升影像质量。 2. 面向对象绿地信息提取：利用对象分割技术，结合形状、纹理、颜色等特征识别绿地斑块，为城市规划和绿化管理提供数据支持。 四、遥感影像分类 1. 基于像素的分类：将每个像素分配到预先定义的类别中，如监督分类和非监督分类。 2. 像素分类：通过统计分析和机器学习算法（如支持向量机、随机森林等）实现。 3. 精度评价：采用混淆矩阵和Kappa系数等指标评估分类结果的准确性。 4. 添加指数信息的分类：结合植被指数和其他辅助信息，提高分类的精确度。 5. 面向对象分类：考虑像素间的空间关系，以对象为单位进行分类，适合处理复杂地物边界和混合像素问题。 五、总结 实习报告最后总结了遥感在植被监测、城市规划等领域的应用，强调了预处理、分类和信息提取的重要性，并可能提出对未来研究的建议和展望。通过这样的实习，学生不仅掌握了遥感技术的基本操作，也提升了对遥感在解决实际问题中的作用的认识。