安徽理工大学遥感论文-条件植被温度指数在农业干旱监测中的应用

本科毕业论文条件植被温度指数在农业干旱监测中的应用Vegetationtemperatureconditionindexintheapplicationoftheagriculturaldroughtmonitoring学院（部）：测绘学院专业班级：学生姓名：指导教师：二○一四年五月十日条件植被温度指数在农业干旱监测中的应用摘要以河套地区为研究区域，应用陆地卫星Landsat7ETM遥感数据计算出归一化植被指数和利用单窗算法反演出地表温度，作出归一化植被指数NDVI与地表温度LST的散点图，建立基于条件植被温度指数VTCI的土壤含水量反演模型。与此同时利用决策树分类方法对葵花、玉米进行分类，选用条件植被温度指数VTCI对葵花、玉米进行干旱监测。最后与同期葵花、玉米的土壤含水量地面试验结果进行比较，评价条件植被温度指数VTCI的精确性和可行性。验证结果表明，VTCI模型能够较好地实时监测的河套地区农作物的旱情。关键词：条件植被温度指数（VTCI），干旱监测，土壤含水量，反演模型，决策树分类，单窗算法VEGETATIONTEMPERATIONCONDITIONINDEXINTHEAPPLICATIONOFTHEAGRICULTURALDROUGHTMONITORINGABSTRACTIntheHetaoareaofresearch,wecalculatethenormalizeddifferencevegetationindexandsurfacetemperaturethroughtheuseofLandsat7ETMsatelliteremotesensingdata.Next,wemakescatterplotaboutNDVIandLST,andbuildvegetationtemperatureconditionindexmodel.Atthesametime,weclassifysunflowerandcornbythedecisiontreeclassificationmethods.Furthermore,wemonitorsunflowerandcornbyvegetationtemperatureconditionindexmodel.Finally,Weevaluateofvegetationtemperatureconditionindexbycomparingtheexperimentalresultswiththesameperiodofthegroundsoilmoisturecontenttestresults.VerificationresultsshowthatVTCImodelcanmonitorthecropdroughtinhetaoarea.KEYWORDS：vegetationtemperatureconditionindex(VTCI),droughtmonitor,soilmoisturecontent,inversionmodel,decisiontreeclassification,singlewindowalgorithmTOC\o"1-3"\h\u20392摘要 I31849ABSTRACT II17111 118155 115428 1104 13231 220103 217370 29901 26658 38 45012 414085 426025 413639 4124 4191063.图像预处理 56925 518088 512527 78128 711146 871434.演算地表温度 931311 920617 914774 914869 1018169 1028982 1029405 116263 1222904 133900 136412 1431222 147446 1524398 1524145 1530458 1630679 17125165.5.2典型地物光谱值统计 1715936 1827216 1812450 1926969 196813 1914661 205751 22278646.1NDVI—LST散点图概念 22202456.2条件植被温度指数(VTCI)定义 221330 23259986.3.1NDVI—LST的散点图数据 2312500 2327814 2430768 244290 2627884 268310 2616561 2613993 27315448.结论 2831442 284639 2820502参考文献 2930732致谢 32干旱是一种常见的自然灾害，据估计每年世界因干旱导致的经济损失高达70亿美元左右，远远高于了别的自然灾害[1]。在我国自然灾害中气象灾害占了70％，而干旱灾害又占气象灾害的50％左右[2]。由于其研究对象及应用的范围不同，通常又可将干旱分为气象干旱、水文干旱、农业干旱、和社会经济干旱等四种类型。一般所指的干旱监测，主要是指农业干旱的监测,即农作物在生长发育过程中由于供水不足,阻碍农作物的正常生长和发育而造成的水量供应不平衡现象。农业干旱的形成和发展与许多外部因素都相关，如降雨、温度、农作物种植结构、水利灌溉条件、农作物的抗旱能力等。换而言之，干旱已成为制约我国农业发展的一个重要因素，以目前我国的技术水平而言，我们还无法制止干旱的发生，但是我们可以针对特定区域、特定时间、特定农作物建立合适的干旱监测指标体系，开展实时、动态、大面积、精确的农业干旱监测，评估某一区域在一段时间内的不同农作物缺水状况，这样我们就可以及时有效采取抗旱措施，减少经济损失。本文主要是针对我国河套地区进行干旱监测，利用条件植被温度指数法探讨特定农作物（葵花、玉米）的旱情，为提升我国河套地区的农业干旱监测预警水平提供理论支撑和技术支持。总的来说，干旱监测对于科学指导我们合理灌溉农田和更有效地抗旱，确保农作物生产和农业发展具有重要意义。区域干旱的监测已成为当前世界的一个重要课题。世界气象组织(1992)定义干旱为在较大范围内相对长期平均水平而言降水减少,从而导致自然生态系统和雨养农业生产力下降。目前对于干旱研究多是基于点上的研究,而基于遥感技术则属于面上的干旱监测,能够充分利用地物表面的光谱、空间信息和时间序列，进行大面积的动态监测。当植物受到水分胁迫不同时，反映植被生长状况的植被指数就会发生一定的变化，这种变化可以间接地反映土壤含水量状况，用于判断农作物的受旱情况。基于这个基本原理，国内外的专家和学者已经研究出了很多干旱监测方法，如水分亏缺指数法、温度植被指数法、距平植被指数、条件植被温度指数法等。Price(1990)在研究土壤水分蒸发量时，发现当研究区域有一定的植被覆盖时,用遥感影像得到的地表温度(Ts)为纵坐标和归一化植被指数（NDVI）为横坐标得到的散点图上呈三角分布；Smith和Choudhury(1991)使用TM影像数据研究归一化植被指数（NDVI）和地表温度(Ts)之间关系时得出结论,发现了研究区域的植被覆盖类型影响地表温度(Ts)和植被指数（NDVI）斜率与土壤湿度的关系；Moran等(1994)在研究归一化植被指数、地表温度和空气温度之间关系时，发现归一化植被指数、地表温度和空气温度的差值组成了一个梯形,并根据它们之间的关系提出了适合部分一定植被覆盖量的水分亏缺指数(WDI)。Goetz(1997)在研究不同分辨率的遥感影像数据时,发现在地表水分变化不是很大的情况下,归一化植被指数（NDVI）与地表温度之间存在着一定的关系,而且还发现这种关系主要受植被覆盖度和土壤含水量的影响。总的来说，Price发现的三角形法对地面数据要求相对低一些，且具有较高的精度，它被广泛应用于区域干旱监测。王鹏新等[10]综合分析了条件植被指数、归一化温度指数、距平植被指数以及条件温度指数等方法的优缺点，提出了一种新的干旱监测方法，即条件植被温度指数(VTCI)，并探讨了应用范围和前景。在此之后，国内众多学者开始着眼于对条件植被温度指数的应用，陈阳等[11]在对我国云南地区进行干旱监测时中成功的使用了条件植被温度指数法,杨鹤松等在对我国华北地区的干旱监测中也成功地使用了条件植被温度指数法。随后王鹏新等[13]对基于归一化植被指数和地表温度的干旱监测方法，如条件植被指数、距平植被指数、条件温度指数、条件植被温度指数等方法进行对比分析，得出一个重要结论，即条件植被温度指数(VTCI)更适合于区域级的干旱监测。在我国，己经开始大规模开展用定量遥感反演土壤含水量进行干旱监测,而且取得了一定的成果。然而,由于我国采用定量遥感反演土壤含水量进行干旱监测起步较晚，在技术方法等方面还存在很问多题,有待学者和专家们做进一步的研究，逐渐改善方法。（1）过去对特定区域进行干旱监测时,很少研究干旱对于不同农作物的影响。因此，在今后的研究中应针对某一特定区域不同农作物进行干旱监测研究,制定特定区域不同农作物的监测指标体系，可以更有效采取抗旱措施，减少经济损失。（2）国内外对土壤含水量监测的深度问题己经有了大量的研究,但是国内外利用遥感反演土壤含水量的深度都比较浅,在实际操作中都有一定的局限性。就目前而言，大家对于利用遥感反演土壤含水量的最佳深度的看法都不一致，有些学者专家认为土壤含水量的深度10cm左右深度比较好,还有些学者专家则认为20cm左右深度比较好。本文在这方面进行了深入的探讨和研究，得出了一定的结论。（1）下载河套地区多景TM/ETM遥感影像，使用ENVI遥感影像处理软件进行预处理。绘制河套地区的矢量图，并对遥感影像进行正确切割。（2）利用决策树方法和最大似然法分别对河套地区的玉米、葵花等农作物进行分类，比较和评价两种方法的精确性和可行性，探讨哪一种方法更适合对河套地区分类。（3）利用单窗算法反演出河套地区这一时期的真实地表温度（LST）。（4）利用ENVI软件，绘制由归一化植被指数（NDVI）和真实地表温度（LST）构成的散点图，确定干边（冷边界）和湿边（热边界），再根据地面实测数据，建立基于VTCI的土壤含水量反演模型。（5）对VTCI结果图进行玉米和葵花分类掩膜，探讨和对比这一时期河套地区的玉米和葵花两种农作物旱情。（6）根据同期的土壤含水量地面试验结果，评价VTCI的精确性和可行性。LandsatTM数据如图1-1LandsatTM数据图像预处理 图像预处理LandsatTM5第三波段LandsatTM5第六波段LandsatTM5第四波段 LandsatTM5第三波段LandsatTM5第六波段LandsatTM5第四波段最大似然法决策树分类 最大似然法决策树分类 计算地表温度LST计算归一化植被指数NDVI计算地表温度LST计算归一化植被指数NDVI 决策树分类决策树分类地表温度LST归一化植被指数NDVI地表温度LST归一化植被指数NDVI 玉米葵花玉米葵花计算条件植被温度指数VTCI 地面实测数据地面实测数据条件植被温度指数VTCI条件植被温度指数VTCI结论2结论1图1-1技术路线图结论2结论1 位于巴彦淖尔盟境内，横跨巴彦淖尔盟七个旗县（即：杭锦后旗、临河区和乌拉特前、中、后旗、磴口县、五原县）及伊盟一个乡、包头市郊区两个乡、阿拉善盟一个农场。北纬40°19′-41°18′，东经106°20′-109°19′,东西长约250km，南北宽约50km，面积约25000平方公里。河套地区东至乌梁素海，南临黄河，西与阿盟毗邻，北达阴山山脉。河套地区地势平坦、土地肥沃，农业人口100多万，总土地面积1785万亩，其中耕地面积1417万亩，灌溉面积870万亩，其中种植的主要农作物有玉米、葵花、甜菜、小麦等。河套地区是华北地区重要的粮食生产基地，被誉为“塞上粮仓”。河套地区属于温带季风气候区，夏季温热多雨，冬季寒冷干。全年平均气温为7.7℃，6、7、8这3个月最热的3个月，7月平均温度最高，达23.8℃。年极端最高气温38.2℃，极端最低气温零下41℃。气温年较差是33.4至37.3℃，气温日较差平均为13至14℃。从11月到第二年的2月这4个月的平均气温都在摄氏零度以下。河套地区地处干旱气候带，干燥少雨，降雨主要集中在7到8月,这两个月的降雨量占全年总降雨量的56.3%。春季和冬季降雨极少，仅占全年降雨量的10%左右。河套地区。与降雨量相比较，年平均蒸发量却高达2032mm至3179mm，比降雨量大10到30倍。总的来说，河套地区降水量少，蒸发量大，温差大，四季分明。2011—2012年河套地区农作物地面实测数据，包括相应的土壤含水量数据、农作物发育状况数据。数据源是2011年8月29日，轨道号129/31和129/32，Landsat7ETM数据，过境时间为当地时间10：30左右，坐标系统为WGS84，投影方式为UTM。Landsat卫星数据主要来自美国地质勘探局（简称USGS）和中科院对地观测中心网站下载。Landsat7ETM的第1～5、7波段和Landsat4/5TM上的一样，空间分辨率都是30m。Landsat7ETM第6波段的空间分辨率为60m，然而Landsat4/5TM第6波段空间分辨率是120m。由于在2003年5月31日，陆地卫星Landsat7ETM传感器上机载扫描行校正器(SLC)产生故障，造成2003年5月31日之后获取的ETM影像出现了数据条带丢失。因此在对ETM影像进行预处理之前，需要对ETM影像进行条带修复。我们主要通过使用ENVI软件中条带修复功能，采用插值方法对ETM图像进行条带修复。图像预处理辐射定标是指将传感器接收的遥感影像数据，通常都是灰度值（DN值），转换成需要的物理量（如辐射亮度、反射率等）的过程。辐射定标的主要目的是为了消除不同时相遥感影像间的辐射差异，保证传感器获取的遥感影像的准确性。遥感图像的辐射定标还是定量化遥感的一个重要环节,辐射定标精度不仅影响遥感影像数据的准确性,而且还关系着遥感影像数据应用的前景。ENVI辐射定标一般有两种方式：第一种：通过使用ENVI软件自带的对陆地卫星landsatTM、ETM的辐射定标功能，可以自动获取遥感影像的表观辐亮度或反射率；第二种：在ENVI中通过使用自带的波段运算器（bandmath)功能，手动输入辐射定标公式就可以计算出波段表观辐亮度或反射率，这一种比较麻烦。本文主要采用ENVI自带的定标方式。辐射定标的主要操作步骤：（1）打开ENVI软件，打开单波段图像，点击BasicTools→Preprocessing→Calibrationutilities→LandsatTM→LandsatCalibration。（2）在LandsatCalibration窗口中选择参数:根据传感器类型选择Landsat7ETM,之后再输入遥感影像获取的时间2011年8月29日，在dataacquisitionband中选择相应的波段，在CalibrationType选择Radiance（辐射亮度）。几何校正是指消除或改正遥感影像几何误差的过程。当遥感图像在几何位置上发生了变化，产生诸如行列不均匀，像元大小与地面大小对应不准确，地物形状不规则变化等，即说明遥感影像发生几何畸变。几何校正通常可分为几何粗校正和几何精校正两类。几何粗校正的图像处理工作一般都是由接收部门进行的。几何精校正主要是根据已经发生几何畸变的遥感影像与标准影像之间的同名点以及几何畸变模型进行几何校正。几何精校正又可根据处理方式不同，分为重采样成图法和直接成图法。本文以2009年9月20日，轨道号129/31及129/32，Landsat5TM四级数据为基准，分别对2011年8月29日，轨道号129/31及129/32，Landsat7ETM数据进行几何校正。几何校正控制点的选取原则：控制点尽可能满幅均匀选取。特征变化大的地方要多选控制点，如河流拐点等。影像边缘部分要选控制点。控制点要选影像上易区分、比较清晰的特征点，如道路交叉点。几何校正的主要操作步骤：（1）用ENVI分别打开两个视图窗口，一张基准图像和一张待校正图像，点击map→registration→SelectGCPS：ImagetoImage,然后在新弹出的窗口确定基准图像和待校正图像。（2）将两幅图像在zoom窗口的十字线焦点都对准到相同地物点的位置，然后选择Addpoint添加点。在控制点数目选择上，数目至少满足(n+1)(n+2)/2个,n为多项式次数。控制点选取的越多，精确度越高，但也不能无限制的增加。（3）在GroundControlPointsSelection窗口上，点击Showlist，就可以看到之前选择的所有控制点,如果RMSErrors（误差）比较大，则可以点击Delete删除列表中误差较大的控制点，然后可以适当改变控制点的位置或是重新选取新的控制点。图3-1上显示选择的控制点。图3-1选取的控制点（4）在groundcontrolpoint对话框中选择：options→warpfile(asimagetomap)，在新弹出的imput

warp

image窗口中选待校正的影像，点击OK进入registration

parameters对话框。接下来选择在对话框中选择重采样方法,选择nearestneighbormethod（最近邻法）。图3-2和图3-3是进行几何校正后的图像：图3-2几何校正后轨道号32图像图3-2几何校正后轨道号32图像由于河套地区的范围比较广，涵盖了2景影像，因此，我们需要先将2景影像拼起来,再用矢量边界文件裁剪出河套地区。在我们实际工作中，我们从网站下载得到的遥感影像通常覆盖范围较大的，而我们进行研究所需要的影像数据只是其中的一部分。遥感影像裁剪的目的主要是为了去除不必要的区域，节约磁盘存储空间，减少数据处理时间。根据ENVI软件提供的图像裁剪功能，主要分为规则裁剪和不规则裁剪两种方式。规则的分幅裁剪是指裁剪图像的边界范围是一个矩形框，这个矩形框范围的获取方式包括手动输入行列号、左上角和右下角两点地理坐标、矢量文件和感兴趣区域等。不规则的分幅裁剪是指裁剪图像的边界范围是任意一个不规则的多边形。不规则多边形可以是从网上下载或者是我们自己绘制的矢量数据，也可以是一个我们自己用ENVI软件绘制的感兴趣区域。图像镶嵌是指将多幅来自同一场景的有重叠的遥感影像拼接成一幅大范围的遥感影像的过程。图像镶嵌的主要步骤为：（1）打开ENVI软件，选择Basictools→Mosaicking→Georeferenced,,再分别输入经过辐射定标和几何校正后的轨道号129/31和129/32ETM遥感影像。（2）右键点击后选择EditEntry进行编辑，再分别对幅影像设置DataValuetoIgnore,设为零。（3）File→Apply,,得到镶嵌后的图像，如图3-4。图3-4镶嵌后的图像图像裁剪就是指从大范围的遥感影像中提取出感兴趣目标的技术。图像裁剪的主要步骤为：（1）File→openvectorfile，打开河套地区边界矢量图。河套地区的边界从土地利用现状图中获取，在ARCGIS软件中对河套地区边界进行人工矢量化，并转化为多边形的coverage文件。（2）将矢量数据转为ROI，file→Export

Layersto

ROI→Convert

all

records

of

an

EVF

layer

to

one

ROI,点击OK。 （3）Basic

Tools→Subset

Data

via

ROIs，然后在新弹出的窗口中选择需要裁减的图像，点击OK，得出河套地区裁剪图像，如图3-5。图3-5河套地区图像演算地表温度植被指数，广义上是指利用卫星不同波段探测数据组合而成的，能够定量说明植被的生长状况。狭义上是指植被在红光波段具有较强的吸收能力，而在近红外波段具有较强的反射能力，通过这两个波段观测值不同的组合可得到不同的植被指数。影响农作物生长和产量的因素很多，主要是气候、生产水平、土壤、天气以及人类活动等。在这些因素中，对某一地区来说，在一段特定时间内，可以认为土壤、气候、人类活动和生产水平处于相对不变的状态，只有天气发生变化，对农作物生长造成短期的影响。因此，植被指数可用于监测农作物生长发育状况，尤其是监测区域农作物干旱。本文采用单窗算法反演地表真实温度，而使用单窗算法的前提就是需要提取归一化植被指数。归一化植被指数,即在遥感影像中，近红外波段的反射值与红光波段的反射值之差与两者之和的比值。归一化植被指数(NDVI)是植被指数中最常用的一种，该指数对植物检测灵敏度较高，而且在一定程度上能够消除地形因子的影响，还可消弱大气和太阳高度角所带来的噪声。它综合地反映了植被类型、植被生长、生物量、植被覆盖信息，是反映植被信息的一个重要指标。归一化植被指数公式为：(NIR-R)/(NIR+R)（4-1）式（4-1）中，NIR为遥感影像中近红外波段的反射值，R为遥感影像中红光波段的反射值。提取归一化植被指数主要步骤为：（1）在ENVI主菜单中选择Transform→NDVI。（2）选择需要提取归一化植被指数的多波段图像，点击OK，得到归一化植被指数图像，如图4-1。图4-1归一化植被指数图像热红外遥感是指传感器工作波段仅限于红外波段范围之内的遥感。由于热辐射传输过程很复杂，有些波段还没有到达传感器就已经被大气吸收、反射或折射，而剩下的没有被大气吸收、反射或折射的波段，形成了大气窗口。大气窗口在热红外谱段区间内主要是3-5m和8-14m两个。利用热红外波段反演地表温度通常有三种算法，即大气校正法、单窗算法和通道算法(单通道、多通道、单通道多角度、多通道多角度)m，地面分辨率为120m×120m，主要接受地表的长波辐射，可以用来反演地表温度(LST)。覃志豪等提出的单窗算法，主要使用LandsatTM\ETM第六波段数据，利用地表热辐射传导方程式，又考虑到大气对热波段传输过程的影响，提出一个简单方便具有较高精度的地表温度反演方法。如果反演地表温度所用的方法使用的遥感影像数据只有一个热波段窗口,则我们称这种方法为单窗算法。绝对黑体的定义是对任何波长的电磁辐射都能全部吸收，其反射率和透射率都等于0。灰体是在任何温度下所有各波长的辐射强度与绝对黑体相应波长的辐射强度比值不变。黑体是一种理想物体，自然界中并不存在黑体，但为了计算方便，自然界的物体可以近似看成灰体（graybody）。因此，使用单窗算法反演真实地表温度还需要考虑比辐射率的影响。通常是通过归一化植被指数（NDVI）获得LSE影像估算发射率（比辐射率）。根据Owe和Griend等研究发现，实测的发射率值（比辐射率值）和归一化植被指数（NDVI）值之间存在者一定的相关性，后来经回归分析，得到了如下的相关方程。=1．009+0．0471*ln(NDVI)（4-2）式（4-2）中表示比辐射率,NDVI表示归一化植被指数。其主要步骤为：（1）计算比辐射率,ENVI→Basic

Tools→Band

Math。（2）在Enter

an

expression窗口中中输入公式1.009+0.047*alog(b1)，点击Add

to

List。选中刚才输入的公式，点击OK。（3）选择B1变量，在AvailableBandsList中选择NDVI数据点击OK。输出的数据就是河套地区的比辐射率图像，如图4-2。图4-2比辐射率图像物体的亮度温度(BrightTemperature)是指辐射出与观测物体相等的辐射能量的黑体温度。亮度温度是衡量地物真实温度的一个重要指标，但决不代表地物的真实温度，因为亮度温度还具有一部分大气的影响。对于黑体而言，它的真实温度大小就是亮度温度值。由于LandsatTM\ETM数据第六波段光谱范围太窄，一般利用普朗克(Plank)黑体辐射公式获得地面物体的亮度温度。公式如下：（4-3）式（4-3）中，L是地表在ETM数据第6波段的辐射亮度值（ETM数据第6波段经校正和图像裁剪后的图像）；K和K为计算常系数。其中在TM数据中，K=607．76，K=l260．56。在ETM数据中，K=666.09，K=1282.71。提取亮度温度的主要步骤为：（1）计算亮度温度,ENVI→Basic

Tools→Band

Math（2）在Enter

an

expression中输入(1282.71)/alog(666.09/b1+1)，点击Add

to

List.选择亮度温度计算公式，点击OK。（3）在新弹出的窗口中，选中B1变量，在AvailableBandsList中选泽ETM第6波段的辐射亮度值（已经经过校正和裁剪的数据），点击OK。输出的数据就是亮度温度，如图4-3.图4-3亮度温度地表温度通常定义为地表的皮肤温度(SkinTemperature)。通常而言，地表由于覆盖着土壤和各类植被，因此不是同质的，而是异质的。对于植被稀疏的地表，遥感反演所得到的地表温度是地面、植被叶冠等温度的混合平均值。对于植被茂密的地表，地表温度是指植被叶冠的表面温度。我们可以用亮度温度来演算出真实地表的温度，地表温度的反演公式为T=（4-4）式（4-4）式中，表示比辐射率。提取地表温度的主要步骤为：（1）计算地表温度,ENVI→Basic

Tools→Band

Math。（2）在Enter

an

expression窗口中输入公式b1/(b2^(1/4))，点击Add

to

List。选中方才输入的计算地表温度公式，点击OK。（3）选中B1变量，在AvailableBandsList中选亮度温度，选中B2变量，在AvailableBandsList中选比辐射率，点击OK。输出的数据就是地表温度，如图4-4。 图4-4地表温度密度分割定义是把原始的遥感数字影像的灰度值分成相等间距的离散灰度值，并分别赋予不同的颜色。密度分割可以定量表示遥感影像的颜色特性，更有利于我们理解和分析遥感影像。密度分割的操作步骤：（1）打开地表温度图像，选择Tools→ColorMapping→DensitySlice，在新弹出的窗口，点击ClearRange按钮清除默认区间。（2）选择Options→AddNewRanges，添加以下四个区间：35℃以上，红色;30℃至35℃，黄色;25℃至30℃，绿色;低于20℃，蓝色。（3）在DensitySlice窗口中选择File->OutputRangetoClassImage，可以将反演的温度结果输出。如图4-5，表示的是密度分割后的河套地区真实温度图像。图4-5密度分割后的河套地区真实温度图像遥感图像分类,又称遥感模式识别,是将图像中的一个确定范围内的所有像素根据其性质和特征划分为不同类别的技术过程。同类地物在相同条件下具备相同或相似的光谱信息,故在遥感图像上也表现出某种内在相似性。换句话说，同种类型的地物像素特征向量将集群在一个统一特征空间区域,而不同种类的地物因为光谱特征或空间信息等特征的不同,将分别集群在不同的特征空间区域中。遥感图像的计算机自动分类技术,与遥感图像的目视解译技术相比,其目的基本是相同的,但是其达到目的的手段却相差很多,前者主要是利用计算机模拟人脑的思维能力进行自动分类,后者则是解译人员根据以往的经验和专业知识进行判读分类,是遥感解译的基本方法。在我们实际操作中,绝大部分都是将目视解译和计算机自动分类二者有机结合起来,彼此优势互补，从而提高效率和精度。遥感数字图像计算机自动分类因精度较高,适于定量分析,而且操作简便和计算速度快,因而具有更好的应用前景。遥感图像分类方法按照有无先验知识,可划分为监督分类和非监督分类两种。监督分类和非监督分类这两种方法都是传统的分类方法。传统的遥感图像分类主要地物的光谱特征，即遥感图像像素的相似度。监督分类是先根据已知训练区提供的样本，通过选择特征参数，确定判别函数,据此对样本像元进行分类，依据样本像元的类别对未知样本的所属类别做出判定。非监督分类是在没有先验知识的情况下，即事先不知道类别特征，主要是根据像元间相似度大小进行归类合并的方法。随着遥感技术的发展和学科之间的交叉互补，许多新的理论和相邻学科的相关理论不断引入到遥感图像分类中来，使遥感图像分类的过程更趋于智能化，其精度得到了进一步提高。新兴的分类方法有基于专家知识的决策树分类、空间结构纹理分类、人工神经网络分类、分层分类等。本文主要采用最大似然法和决策树两种分类方法对河套地区进行分类，最大似然法是传统的计算机分类监督分类的一种，决策树是新兴分类方法的一种，并对这两种方法进行比较分析，得到更适宜于河套地区的分类方法。训练场地是从所要研究的区域内中确定包含所有要区分的类,并对每个类都具有代表性的样本集合。对训练样本的要求:A．训练样本必须要具有一定的代表性，而且要在各类别面积相对很大大的中心部分选取，最好是在ZOOM窗口中选择。B．训练样本必须要保证一定数目，但样本个数也不是越多越好，样本分布规律性差的类别一定要多选些,而分布规律性较好的类别就可以选少一些，节省时间和精力。C．训练样本必须要与所采用的分类方法要求的分布一致。绘制感兴趣区样本的步骤:(1)用ENVI打开分类图像，RGB选择543波段，在Display窗口的菜单中选择Overlay→RegionofInterest。（2）弹出ROITool窗口中，在ROIName一栏单击两次左键，输入样本名称：玉米，点击Enter键。同时设置好颜色。（3）同时为了能更好的区分农作物，新开一个Display窗口，输入NDVI图像，在图像中点击右键，选择linkDisplays，这样还可以看到图像的NDVI值。（4）选择ZOOM窗口中用多边形绘制样本，样本按照训练样本的要求选择。（5）重复(2)~(4)步骤，样本分别为玉米地、葵花、水体、城镇、盐土、沙丘、裸地。选取好的样本如图5-1。图5-1选择的样本监督分类常用的算法有最小距离分类法、平行六面体分类法、马氏距离分类法、神经元网络分类法、模糊分类、最大似然法等方法。最大似然法是监督分类中应用最为广泛的一种，又被称为贝叶斯(Bayes)监督分类。它以条件概率密度函数为判别函数,以贝叶斯(Bayes)准则为判别方法，其分类风险相对较低，分类错误几率也相对较小。最大似然法要求地物服从正态分布。最大似然法先要建立判别函数，再逐点计算各像元的归属概率，归属概率最大的为其相应类别。最大似然法主要操作步骤：（1)在ENVI主菜单下选择Classification→Supervised→MaximumLikelihood。（2)在ClassificationInputFile面板中，选择MaskOptions→BuildMask，打开MaskDefinition面板。选择Options→ImportROI.单击OK回ClassificationInputFile面板中。（3)在ClassificationInputFile面板中选择要分类的影像，点击OK,弹出MaximumLikelihood参数设置面板。（4)在MaximumLikelihood参数设置面板中，选择样本,再点击OK，执行分类。分类后的图像就是图5-2。图5-2最大似然法分类图像决策树（DecisionTree）又称为判定树，是基于传统的监督分类和非监督分类方法建立起来的，主要是通过研究杂乱无章而又错综复杂的地物信息中潜在的总体规律以及各地物间相互制约、相互依存的联系，建立起树枝状的结构框架，同时针对不同的地物，结合一定的专家知识和经验，并选择相应的辅助数据（DEM,NDVI等）和特征波段，然后根据决策树的结构，最终将地物分级分层地逐个区分和识别出来。从图形上看，决策树看似一颗倒挂的树，它是由一个根节点（地表特征大类），一系列的内部节点以及叶子节点（最后分类的各个子类）组成。每一个节点（除根节点）都有一个父节点，每一个节点（除叶子节点）也都有两个子节点。决策树的叶节点为类名，一个叶结点只对应一个类别属性，但是不同的叶结点可以对应同一个类别属性。决策树分类规则易于理解，分类过程也比较简单，与传统分类方法相比较，最大的优势就是综合利用多源数据，不仅仅使用光谱，使分类更加精确。5.5.2典型地物光谱值统计通过ENVI软件绘制各类别的感兴区样本，在利用EXCEL统计给歌类别样本的光谱值（DN值），绘制出各地物的光谱统计图。统计各个地物光谱值的信息，可以帮助了解地物的光谱特征在各个波段的差异，根据各个地物波段间的差异性设置适合的分类阈值可以用来区分地物，帮助提高分类精度。 图5-3各类地物光谱统计图从地物的光谱曲线可以看出，各个覆被类型的曲线形态各异。如植被在近红外波段的反射率较高，在中红外波段反射率较低，而水体在蓝绿光波段反射率强，在其它波段反射率都较低。城镇、裸地等、沙丘、盐土非植被类型的光谱响应曲线和植被类型的光谱曲线有明显差异。决策树分类规则如下描述：玉米：ndvi>0.2,b4<54。葵花：ndvi>0.2,b4<54。水体：ndvi<0.2,0<b4<20。背景：ndvi<0.2,b4=0。岩土：ndvi<0.2,b4>20,b3>62。城镇：ndvi<0.2,b4>20,b3<62,b4<41。沙丘：ndvi<0.2,b4>20,b3<62,b4>41,b2>53。裸地：ndvi<0.2,b4>20,b3<62,b4>41,b2<53。建立决策树主要步骤：（1）在ENVI主菜单下选择classification→DecisionTree→NewDecisionTree。（2)输入决策树规则。我们先依据归一化植被指数值（NDVI）划分第一个节点，将地物划分为植被和非植被。单击Node1，跳出对话框，Name填写NDVI<0.2，在Expression中填写:{ndvi}lt0.2。填写完点击OK之后，在新弹出的对话框给{ndvi}设定一个数据源。图5-4就是依据地物的光谱值（DN值）绘制的决策树。图5-4构建决策树规则（3）输入完决策，在DecisionTree菜单上选择Options→Execute，执行决策树，树规则，生成分类图像，如图5-5。图5-5决策树分类图像 分类后处理包括很多方法，包括小斑点处理、分类后统计分析、精度评价、类别筛选、栅矢转换等方法。分类后的图像上有些地物会在部分区域不连续，表现为离散的斑点，即分类区域中有部分洞存在，所以我们需要在计算机自动分类后作小图斑的处理。图斑处理操作：在ENVI主菜单中，选择Classification→PostClassification→clump遥感计算机分类后的图像进行精度评价，从中得到一些结论，这对我们提升遥感图像分类精度具有借鉴意义。分类精度评价可以说是判断遥感影像计算机分类质量好坏最有效的方法。分类精度是指遥感分类结果与地面实际测量值比较，正确分类结果所占的百分比。遥感数据分类精度评价指标通常包括以下四种，总体精度、用户精度、生产者精度及Kappa系数。总体精度，是由混淆矩阵中分类正确的像元数与总像元数的比值求得。用户精度,该类别中参考数据和解译后数据一致的数目除以解译后数据认为是该类别的取样点的总数(矩阵中该行的总和)。生产者精度,该类别中参考数据和解译后数据一致的数目除以参考数据认为是该类别的样点总数(矩阵中该列的总和)。Kappa系数(Congalton等1983年研究提出),主要应用于遥感图像分类精度估计。它能够有效地避免因像元类别的小变动而导致的生产者精度、总体精度和用户精度的变化,是一种能够客观地评价分类结果质量好坏的计算分类精度的方法。分类精度评价需要真实的参考值，真实参考值有两种来源：一是选择近似真实的感兴趣区，二是标准的分类图。混淆矩阵精度评价操作步骤：在ENVI主菜单中，选择Classification→PostClassification→ConfusionMatrix→UsingGroundTruthROI。混淆矩阵精度评价结果（1）最大似然法精度评价结果各类地物的分类精度如表5-1。OverallAccuracy=(3801/5379)70.6637%KappaCoefficient=0.6006表5-1最大似然法混淆矩阵精度评价生产精度用户精度玉米葵花水体100城镇86沙丘裸地盐土（2）决策树精度评价结果各类地物的分类精度如表5-2。OverallAccuracy=(5183/5379)96.3562%KappaCoefficient=0.9498表5-2决策树混淆矩阵精度评价生产精度用户精度玉米葵花水体100城镇沙丘裸地盐土（3）由分类评价结果来看，决策树的分类精度高，达到了96%，Kappa系数也高达0.9498，比最大似然法的分类精度和Kappa系数高。从精度评价结果来看，应用最大似然法分类，精度最低为玉米，其次为葵花，精度最高的是水体，其次为岩土。最大似然法是一种基于光谱集群原理的分类方法，所以对于研究区内有较强反射能力的地物如水体、岩土的分类精度高。但是也正因为最大似然法主要是基于像元的分类，所以无法精确的区分像元有一定程度相似的地物如玉米和葵花。从最大似然法分类图可以看到，这两类地物“椒盐现象”比较严重，分类的图像不连续。另外，样本的选择也会影响分类最大似然法分类的结果。由于知识和经验的有限，在选择样本的时候难免会带有一定误差，这也导致了分类结果精度受到一定的影响。从精度评价结果来看，与最大似然分类相比，决策树对葵花、玉米分类精度提高了近10%，得出结论。对细碎地物的分类中，最大似然法的分类精度远远低于决策树分类。总的来说，两种分类方法对大面积连续分布的地物分类结果都较为理想，但是对细碎地物的分类中，最大似然法的分类精度远远低于决策树分类。本文主要是研究对河套地区农作物的分类，基于专家知识的决策树方法体现了无可比拟的优势。6.1NDVI—LST散点图概念如图6-1所示，对于一定时期的特定区域而言，如果地面覆盖类型由裸土到密闭植被冠层，土壤含水量从干旱到湿润，则该区域每一个像素的归一化植被指数（NDVI)和地表温度(LST)构成的散点图表现为一个梯形。对于裸土而言，地表温度的变化与地表表层土壤含水量变化存在着一定关系。因此，在图上点A表示干燥裸露的土壤(低NDVI,高LST),而点B表示湿润裸露土壤(低NDVI,低LST)。当然，在一般情况下，随着植被覆盖度的增加，地表温度降低，点D表示干旱密闭植被冠层(高NDVI,相对高LST),土壤干旱,植被蒸腾作用弱。点C表示湿润密闭冠层(高NDVI,低LST），土壤湿润，植被蒸腾作用强。AD代表干边（热边界）表示低蒸散干旱状态，BC代表湿边（热边界）表示潜在蒸散湿润状态。上述内容表示对于某一时段内特定区域的NDVI与LST构成散点图中,该区域内每一个像素的NDVI与LST值都一定分布在由图6-1上ABCD4个点所构成的梯形内。图6-1植被指数与地表温度特征空间6.2条件植被温度指数(VTCI)定义条件植被温度指数(VTCI)干旱监测方法是王鹏新等在研究NDVI—LST的散点图时发现分布呈三角形状的基础上提出来的一种新方法，但该方法需满足一个条件，即研究区域内土壤表层含水量从萎蔫含水量到田间持水量之间。？该指数具有时空专一性，适宜研究某一特定区域在一定时期内相对干旱的程度及变化规律。其计算公式为：=a+b*(6-1)=a'+b'*(6-2)=（6-3）式中，，分别表示在研究区域中，当等于某一特定值时的所有像元的地表温度的最大值和最小值；表示某一像元的NDVI值为时的地表温度；a，b，a’，b’为待定系数，是通过作出研究区域关于NDVI和LST的散点图进行分析近似获得的。上式（6-1）、（6-2）分别被称为条件植被指数（VTCI）的冷边界和热边界。冷边界上土壤含水分低,干旱程度最严重;热边界上土壤含水分高,干旱程度最轻。a，b，a’，b’分别是NDVI—LST的散点图上干边（热边界）和湿边（冷边界）的斜率和截距,通过线性拟合获得。条件植被指数（VTCI）的取值范围为[0,l],如果该区域VTCI的值越大,说明该区域相对干旱程度越轻，土壤表层含水量越多。反之，当VTCI的值越小，说明该区域相对干旱程度就严重，土壤表层含水量越少。6.3.1NDVI—LST的散点图数据由于VTCI模型要求研究区域需满足一定条件才能实现，如研究区域必须有植被覆盖。所以NDVI—LST的散点图中只研究对河套地区NDVI值大于0的区域。只研究对河套地区NDVI值大于0的区域，就需要对河套地区NDVI图像作掩膜处理。本文采用ENVI软件中的波段计算器进行掩膜处理，对NDVI图像设b1>0，即可得到NDVI值大于0的区域。用ENVI打开温度图像，在image窗口上点击Tools→2DScatterPlot，选择NDVI图像为横坐标，LST图像为纵坐标，即可得到散点图，如图6-2。 图6-2NDVI—LST的散点图根据NDVI—LST构成的散点图，如图6-2，可求得湿边（冷边界）和干边（热边界）：a'=22.8b'=0=36.2-16.5*(6-4)=22.8+0*(6-5)根据条件植被温度指数(VTCI)模型原理,把6.52公式(6-4)、(6-5)代入条件植被温度指数计算公式（6-3）中，就可以获得河套地区的干旱区域分布图，如图6-3。图6-3河套地区干旱区域分布图 获得河套地区干旱区域分布图之后，利用决策树分类之后的矢量数据，分别对河套地区干旱区域分布图（VTCI）中葵花和玉米进行掩膜，得到葵花和玉米的干旱区域分布图。然后再根据条件植被温度指数（VTCI）值对图像进行密度分割，得到上图。从总体上可以看到，研究区域中玉米地条件植被温度指数（VTCI）值较小，而条件植被温度指数（VTCI）值越小，则表示旱情越严重，因此可以看出玉米地旱情要比葵花地的旱情严重。从农作物分布上来看，对于玉米而言，河套地区南部，中西部旱情相对严重一些，对于葵花地而言，河套地区中部旱情相对严重一些。通过现场的调查发现，葵花的覆盖度要比玉米的大，当植被覆盖度增大时，一方面它能够增加了叶子的蒸腾，使土壤含水量的减少；另一方面却遮蔽土壤，减少土壤水分的蒸发。8月下旬正是河套地区葵花玉米即将收获的季节，玉米、葵花的枝叶枯黄，作物蒸腾作用大大减小，根据卢敬华等的研究成果，在这个时期，植物覆盖度较高时，能够保护和减少表面土壤水分的蒸发，使土壤水分能够维持在一定的水平上，所以葵花的旱情要比玉米轻。图6-4葵花干旱区域分布图图6-5玉米干旱区域分布图7.1定量遥感定量遥感又称遥感量化研究，区别于仅仅只依靠定性方式的识别地物的一般方法（经验判读地物的方法）,主要是指从对地观测的电磁波中定量提取地表参数的方法和技术研究。它有两中含义，一种含义是遥感信息在不同的电磁波波段内给出的地表物质的准确的空间位置和定量的物理量，另一种含义是从这些定量的遥感信息中，将遥感信息与地学参量通过物理的或实验的模型结合起来，定量的反演或推算出某些大气或生物学及地学等目标参量。定量遥感可以说是遥感未来发展的一个重要方向,属于前沿科学。遥感建模型主要分为正演模型和反演模型两种。正演模型,又称前向建模，是指通过已知的遥感研究区域内每一种地物的特定波普特性以及对应的大气参数值,从而求出研究区域以内所有地物的辐射强度。反演模型，是指已知的遥感研究区域内每一类目标地物的发射能力、辐射强度,再利用个别的辐射值与实测值求出辐射源、地表物、大气和与遥感有关系的任一参数。即利用所有测量到的值求出地物的辐射值与地表信息之间的关系参数。反演问题的主要内容包括以下三个方面:（1）反演模型解的适定问题。（2）反演问题的求解方法。（3）反演问题的解的评价。土壤水是土壤中各种形态水分（固态水、气态水和液态水)的总称。土壤水主要来源于降水，地下水，灌溉以及冰雪融化。农作物生长发育主要是依靠农作物的根系从土壤中吸取水分，因此土壤水分状况是影响农作物生长发育的重要因素。总的来说，土壤水不仅是土壤的重要组成部分,而且还是农作物生长发育所必需水分的主要来源。土壤湿度，是指土壤中水分含量，表示在一定深度内土壤的干湿程度，即土壤水分的重量占土壤干重的百分数，是农业生产和干旱监测中的一个重要参数。土壤水分定量遥感反演模型建立根据反演计算条件植被温度指数（VTCI）值与相同观测站点的土壤表层含水量数据，利用SPSSstatistics软件检测相关分析。其分析结果显示，条件植被温度指数（VTCI）与土壤表层(0-10cm)含水量之间的相关系数为0，29，而与土壤表层(0-20cm)含水量之间的相关系数为0.46。这表明条件植被温度指数(VTCI)与土壤表层含水量0—10cm和0—20cm有较好的相关性，条件植被温度指数（VTCI)能够较好地反映出某一特定区域内地表的干湿变化。而相关性的大小取决于相关系数，相关系数越接近1，相关性越好。通过土壤表层含水量0—10cm和0—20cm的相关性比较，得出土壤表层含水量0—20cm与条件植被温度指数（VTCI）有更好的相关性，所以我们选择土壤含水量(0—20cm)与条件植被温度指数（VTCI）进行拟合，建立VTCI模型再与地面观测值比较。土壤含水量(0—10cm)与VTCI间的回归模型为：+9.284（10）土壤含水量(0—20cm)与VTCI间的回归模型为：+6.528(11)其中W为某一区域的土壤含水量，为某一区域对于某一像元条件植被温度指数（VTCI）值。评价条件植被温度指数VTCI模型的精确性和可行性图7-1VTCI模型预测值与地面观测值的比较如图7-1，通过以上分析所得，对于干旱程度较轻的地方（VTCI值相对较大），如葵花，VTCI模型监测值的相对地面观测数据偏高，VTCI模型监测值的精度相对低一些。对于旱情相对严重的地区（VTCI值相对较大）的地方，如玉米地，VTCI模型监测值的精度相对高一些。结论本文得到如下结论：（1）本文分别用决策树和监督分类中的最大似然法对河套地区分类，再对分类结果进行评价，得出决策树方法分类精度更高，更适宜对河套地区分类。（2）采用LandsatETM卫星遥感数据反演地表温度，再作出归一化植被指数（NDVI）和地表温度（LST）的散点图，建立VTCI模型，利用条件植被指数（VTCI）对河套地区的葵花和玉米进行干旱监测，得出玉米地旱情要比葵花地的旱情严重。（3）通过SPSS软件对条件植被指数（VTCI）模型与0—10cm和0—20cm土壤表层含水量进行相关性分析，表明VTCI模型与0—10cm和0—20cm土壤表层含水量都有一定的相关性，而且还发现VTCI模型与0—20cm土壤表层含水量有更好的线性相关性。（4）通过把玉米和葵花的VTCI模型与同期的地面实测数据作对比，发现对于旱情较重的地区（VTCI值小）的地方，VTCI模型监测值的精确度高。本文还存在如下问题：（1）本论文研究中只采用一个时间点的遥感影像，并只根据这一个时间点的数据建立条件植被指数VTCI模型,今后应采用多时相，多传感器的遥感影像反演土壤含水量进行实时动态干旱监测。（2）本论文主要是应用RS技术，与GIS结合较少。今后应多注重RS技术是与GIS技术相结合，提高遥感解译的精度与时效（3）本论文使用的遥感影像有一定的云量，由于研究时间的限制以及云量只覆盖部分研究区域，对研究区域未造成影响，所以只对遥感影像进行了辐射定标，未进行大气校正。（4）本论文采用决策树分类方法统计各类别的灰度值时，由于研究时间的限制和本人精力有限，在选取样本时每类都只选取40个样本，可能统计的光谱图精确度不是很高，但也具有一定的精度。（5）本论文在用VTCI模型与地面实测数据对比时，由于研究时间的限制和本人精力有限，只选用20个参考值，虽然少，但也不影响对VTCI模型精度的评价。参考文献[1]陈怀亮，张红卫，刘荣花,等.中国农业干早的监测、顶警和灾损评估[J].科技导报.2009，27(11)：82—92.[2]刘颖秋旱灾害对我国社会经济的影响研究[M].北京:中国水利水电出版社．2005.[3]苏涛，王鹏新,许文宁,等.基于条件植被温度指数的旱监测研究[J].干旱地区农业研究.2009,27（3）：208—212.[4]陈鹏,基于植被指数和地表温度的农业旱情监测适用性研究[D].南京,南京信息工程大学,2011,6.1.[5]陈阳，范建容，郭芬芬，等．条件植被温度指数在云南干旱监测中的应用[J]．农业工程学报，2011，27(5)：23l一234.[6]PriceJC.Usingspatialcontextinsatellitedatatoinferregionalscaleevapotranspiration[J].IEEETransactionsonGeoscienceandRemoteSensing,1990,2