(五)Landat_5 TM 遥感影像计算NDVI、MNDWI、NDBI以及地表温度反演

这篇具有很好参考价值的文章主要介绍了(五)Landat_5 TM 遥感影像计算NDVI、MNDWI、NDBI以及地表温度反演。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

流程概况图

(五)Landat_5 TM 遥感影像计算NDVI、MNDWI、NDBI以及地表温度反演

一、植被覆盖指数(NDVI)

所谓植被指数,就是利用多波段遥感图像的可见光波段以及近红外波段相组合,形成能够反映突出植被分布状况和强度的指数。植被指数的求解方法不唯一,定义的植被指数已经多达50多种。通过红波段以及近红外波段,可以有效的消除大气对植被指数的影响。
公式:
NDVI=(band4-band3)/(band4+band3)=(NIR-RED)/(NIR+RED)

%计算植被覆盖指数NDVI
NIR=double(image{4});
RED=double(image{3});
NDVI=(NIR-RED)./(NIR+RED);
imshow(NDVI);
c_map=zeros(100,3);
c_map(1:12,:)=repmat([0.5,0.25,0],12,1);
c_map(13:24,:)=repmat([0.35,0.25,0],12,1);
c_map(25:36,:)=repmat([0.1,0.25,0],12,1);
c_map(37:48,:)=repmat([0,0.2,0],12,1);
c_map(49:61,:)=repmat([0,0.4,0],13,1);
c_map(62:74,:)=repmat([0,0.65,0],13,1);
c_map(75:87,:)=repmat([0,0.8,0],13,1);
c_map(88:100,:)=repmat([0.5,1,0],13,1);
colormap(c_map);
colorbar;
title('植被指数---NDVI((NIR-RED) / (NIR+RED))');

(五)Landat_5 TM 遥感影像计算NDVI、MNDWI、NDBI以及地表温度反演

二、归一化水体指数(MNDWI)

该归一化水体指数MNDWI是通过NDWI修改之后以增强开放水域要素,通过绿波段和中红外波段相组合,从而使整幅图的水域均衡显示。我之前正在做实验时,用到另外两个归一化水体,一个提取不充分,另一个冗余度太高,只有此归一化指数,在提取显示方面具有均衡性的特点。
公式:
MNDWI=(band2-band3)/(band2+band3)=(GREEN-MIR)/(GREEN+MIR)

(五)Landat_5 TM 遥感影像计算NDVI、MNDWI、NDBI以及地表温度反演

%计算水体归一化指数NDWI
GREEN=double(image{2});
MIR=double(image{5});
MNDWI=(GREEN-MIR)./(GREEN+MIR);
MNDWI=adapthisteq(MNDWI.*100);
imshow(MNDWI);
title('归一化水体指数---MNDWI((GREEN-MIR)/(GREEN+MIR))');

三、归一化建筑指数

归一化建筑指数是利用近红外和中红外波段结合,从而突出显示建筑区域,NDBI图像颜色越深,代表值越大,表明建筑用地比例越高,建筑密度越高,通过目视解译,不断调整NDBI阈值,直到找到合适的阈值,提取建设用地,调整阈值后获得不透水面分布 。
公式:
NDBI=(band5-band4)/(band5+band4)=(MIR-NIR)/(MIR+NIR)

(五)Landat_5 TM 遥感影像计算NDVI、MNDWI、NDBI以及地表温度反演

%计算归一化建筑指数
NDBI=(MIR-NIR)./(MIR+NIR);
NDBI=adapthisteq(NDBI.*100);
imshow(NDBI);
title('归一化建筑指数---NDBI((MIR-NIR)/(MIR+NIR))');

四、地表温度反演

地表温度反演不同于其他指数那样,直接利用波段进行结合计算得到,在反演地表温度之前,需要先计算植被覆盖率、地表比辐射率、黑体辐射亮度等值,我计算的这片区域,温度基本都在26~28摄氏度之间,高温主要聚集在城市裸地区域,低温主要聚集在河流植被区域。
公式:
T=(K2/ ln(K1/Dt)+1)-273
K1和K2的值可以在头文件中获取:
(五)Landat_5 TM 遥感影像计算NDVI、MNDWI、NDBI以及地表温度反演
在计算Dt时,大气在热红外的透过率、大气向下辐射亮度、大气向上辐射亮度需要去官网进行查询。
(五)Landat_5 TM 遥感影像计算NDVI、MNDWI、NDBI以及地表温度反演文章来源地址https://www.toymoban.com/news/detail-512343.html

%>>>>>>>>>>>>>>>>>>>>>>>>>>计算植被覆盖率PV>>>>>>>>>>>>>>
w1=NDVI;
w1(w1<0.03)=0;
w1(w1>0.35)=1;

w2=w1;
w2(w2==1)=0;
PV=w1+w2.*((NDVI-0.03)/(0.35-0.03));
%>>>>>>>>>>>>>>>>>>>>>>>>>计算地表比辐射率x>>>>>>>>>>>>>>
x=0.004.*PV+0.986;
%>>>>>>>>>>>>>>>>>>>>>>>>>计算黑体辐射亮度>>>>>>>>>>>>>>>
ca=0.74;%大气在热红外的透过率
cb=3.45;%大气向下辐射亮度
cc=2.07;%大气向上辐射亮度
b2=double(fs_image{6});%热红外波段的辐射标定值
Dt=(b2-cc-ca.*(1-x).*cb)./(ca.*x);
%>>>>>>>>>>>>>>>>>>>>>>>>>>>计算地表温度>>>>>>>>>>>>>>>>>>>
K1=table2array(head_data(173,"L1_METADATA_FILE"));
K2=table2array(head_data(174,"L1_METADATA_FILE"));
T=K2./log((K1./Dt)+1)-273;
%剔除异常值
T(T>40)=0;
%为了方便出图,上面的T为真实地表温度值
TT=(T-27).*0.1;
imshow(TT);
colormap("hot")
title('地表温度反演值---(K2/ln(K1./DT)+1)-273');

到了这里,关于(五)Landat_5 TM 遥感影像计算NDVI、MNDWI、NDBI以及地表温度反演的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

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: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包赞助服务器费用

相关文章

  • GEE:时间序列分析2——将Landsat5、7、8所有影像合成一个影像集合,构建NDVI时间序列

    GEE:时间序列分析2——将Landsat5、7、8所有影像合成一个影像集合,构建NDVI时间序列

    本文记录了在Google Earth Engine(GEE)平台上,将Landsat-5、Landsat-7和Landsat-8合成同一个影像集合,并把这个新的影像集合合并成一个大的集合的代码,并计算了NDVI指数,构建了一个NDVI年度合成的时间序列数据集。为之后时间序列分析做数据准备。 其中主要函数已经封装成了函数

    2024年02月11日
    浏览(8)
  • ENVI5.3.1Landsat 8影像基于单窗算法和辐射传输方程进行地表温度反演

    ENVI5.3.1Landsat 8影像基于单窗算法和辐射传输方程进行地表温度反演

    ENVI5.3.1基于Landsat 8影像进行辐射定标和大气校正 – (1)辐射定标:辐射定标是将遥感传感器记录的无量纲DN值转换为具有实际物理意义的表现辐射亮度或者表观反射率的过程。 目的:消除传感器本身的误差,确定传感器入口处的准确辐射值。 (2)大气校正:将辐射亮度或者

    2024年02月03日
    浏览(6)
  • 基于PyTorch深度学习遥感影像地物分类与目标检测、分割及遥感影像问题深度学习优化

    基于PyTorch深度学习遥感影像地物分类与目标检测、分割及遥感影像问题深度学习优化

    我国高分辨率对地观测系统重大专项已全面启动,高空间、高光谱、高时间分辨率和宽地面覆盖于一体的全球天空地一体化立体对地观测网逐步形成,将成为保障国家安全的基础性和战略性资源。未来10年全球每天获取的观测数据将超过10PB,遥感大数据时代已然来临。随着小

    2024年02月11日
    浏览(10)
  • PyTorch深度学习遥感影像地物分类与目标检测、分割及遥感影像问题深度学习优化实践技术应用

    PyTorch深度学习遥感影像地物分类与目标检测、分割及遥感影像问题深度学习优化实践技术应用

    我国高分辨率对地观测系统重大专项已全面启动,高空间、高光谱、高时间分辨率和宽地面覆盖于一体的全球天空地一体化立体对地观测网逐步形成,将成为保障国家安全的基础性和战略性资源。未来10年全球每天获取的观测数据将超过10PB,遥感大数据时代已然来临。随着小

    2024年02月10日
    浏览(13)
  • 【遥感专题系列】影像信息提取之——面向对象的影像分类技术

    【遥感专题系列】影像信息提取之——面向对象的影像分类技术

    “同物异谱,同谱异物”会对影像分类产生的影响,加上高分辨率影像的光谱信息不是很丰富,还有经常伴有光谱相互影响的现象,这对基于像素的分类方法提出了一种挑战,面向对象的影像分类技术可以一定程度减少上述影响。 本专题以ENVI中的面向对象的特征提取FX工具为

    2024年01月19日
    浏览(11)
  • 【学习笔记】遥感影像分类相关精度指标

    【学习笔记】遥感影像分类相关精度指标

    混淆矩阵是分类精度的评定指标。是一个用于表示分为某一类别的像元个数与地面检验为该类别数的比较阵列。 对检核分类精度的样区内所有的像元,统计其分类图中的类别与实际类别之间的混淆程度。 混淆矩阵中,对角线上元素为被正确分类的样本数目,非对角线上的元

    2024年01月22日
    浏览(9)
  • 基于python与GDAL获取遥感影像

    最近做项目,发现网上关于利用python与GDAL读取遥感影像数据的资料比较少。因此整理了一些,以方便自己学习。      1.首先确认自己电脑上安装好python版的GDAL库。这个会以后有时间慢慢整理。       2. 导入gdal库          from osgeo import gdal       3. 注册GDAL库   

    2023年04月25日
    浏览(8)
  • 日本樱岛火山喷发遥感卫星影像监测

    日本樱岛火山喷发遥感卫星影像监测

    日本樱岛火山喷发监测        当地时间2024年1月9日15时许,位于日本九州地区鹿儿岛县的樱岛南岳山顶火山口,开始喷发,火山烟雾从火山口上升至空中1200米左右。目前,日本气象厅将樱岛的火山警戒级别维持在3级,限制民众入山。        火山喷发后,中国资源卫星应用

    2024年01月17日
    浏览(38)
  • 通过Stable Diffusion生成虚假的遥感影像

    通过Stable Diffusion生成虚假的遥感影像

    这两天玩了一下stable diffusion,是真的好玩! 然后我在想遥感有没有相关的生成模型,找了一下,还真找到了(https://github.com/xiaoyuan1996/Stable-Diffusion-for-Remote-Sensing-Image-Generation/tree/main)。 该模型的作者是空天院的 Zhiqiang yuan ,他提供了相关的训练代码、预测代码、已经训练好

    2024年01月24日
    浏览(6)
  • 遥感卫星影像现拍,哪里想看拍哪里!

    遥感卫星影像现拍,哪里想看拍哪里!

    我们为大家分享了查看实时卫星影像的方法。 虽然这个网站的卫星影像10分钟一更新,让世界尽收眼底,但分辨率却非常有限。 如果项目中需要更高清的卫星影像,且对时效性又有较高的要求,那么可以考虑用卫星专门拍摄。 光学卫星是利用可见光和红外线等电磁波段进行

    2024年01月19日
    浏览(38)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包