五讲遥感影像分类.ppt

混合像元分解法与NDSI相比，计算过程非常复杂，需要大量的时间。可将雪盖指数法与混合像元分解法结合起来，探讨雪盖系数(snowfractional)与雪盖指数的关系，进一步探索雪盖指数是否能作为MODIS250m的一个像元中积雪比例的标准，也就是用雪盖指数的值的大小来判断一个像元中积雪所占比例，提高雪盖指数监测积雪的精度。4、雪盖指数（NDSI）与雪盖系数（SF)的关系：四、应用实例：基于线性光谱混合模型的积雪面积提取--以新疆北疆为例SF=0.94*NDSI+0.21R=0.97图9雪盖指数与雪盖系数散点图4、雪盖指数（NDSI）与雪盖系数（SF)的关系：四、应用实例：基于线性光谱混合模型的积雪面积提取--以新疆北疆为例2005年11月至2006年3月期间，在研究区选取了20处靶区，进行了精确的GPS定位，测量了积雪覆盖度，计算出对应点的雪盖指数，并带入公式中计算出雪盖系数，将二者进行对比，遥感计算所得的结果与地面实测数据的符合情况见下表：5、模型精度验证：四、应用实例：基于线性光谱混合模型的积雪面积提取--以新疆北疆为例表3雪盖系数误差分析表25个点的绝对误差的平均值是0.06，从上图中也可以看出，雪盖指数在0.4～0.8之间的实测值与计算值吻合情况较好，而当雪盖指数大于和小于这两个值时，会出现一些误差，但误差均值可以符合计算要求。应用实例（2）：基于MODIS混合像元分解的冬小麦种植面积提取大面积农作物种植面积遥感测量的关键问题因此，混合像元的精确分解是提高大尺度农作物种植面积遥感测量精度的关键所在中高分辨率数据：测量精度高，但数据价格较贵、获取困难，难以连续获取农作物季相变化信息，进行大尺度的长期连续监测；低分辨率数据：覆盖范围广，费用低廉，是我国目前大面积农作物种植面积遥感测量依赖的数据源之一。但其像元一般表达的都是混合像元信息，需要进行混合像元分解。研究内容：以TM数据为样本，研究MODIS影像上终端像元提取技术，并进行精度分析。提取研究区MODIS影像的植被指数时序数据，采用线性光谱混合模型，分别进行混合像元分解。对冬小麦混合像元分解结果进行精度分析。技术路线图像预处理辐射校正和配准提取不同植被指数终端像元提取技术研究RED时序数据NIR时序数据DVI时序数据NDVI时序数据终端像元及类别端元精度评价混合像元分解冬小麦空间分布信息和面积精度验证线性光谱混合模型LandsatTM样本MODIS影像终端像元提取技术终端像元提取技术流程初始终端像元及其类别的确定终端像元N维可视化分析终端像元提取结果精度分析（1）终端像元提取技术流程对线性光谱分解模型来说，终端像元的确定起着关键性的作用。从光谱库中提取从遥感影像上直接提取从外部数据源获取从遥感影像上直接提取终端像元PPI分析示意图考虑以更高分辨率的LandsatTM数据为样本数据，结合MODIS影像数据PPI分析结果以及其时间序列数据自身的特点来解决单一MODIS尺度上获取终端像元困难的问题。PPI分析是目前应用比较广泛，而且比较成功的方法，主要缺点是具有监督性，需要操作人员具备丰富的先验知识，类别确定困难。终端像元提取技术流程监督分类植被指数时序曲线象素积聚物候特征光谱特征终端像元范围2初始终端像元及其类别N维可视化终端像元结果LandsatTM样本MODIS影像终端像元范围1PPI分析MNF变换交集（2）初始终端像元及其类别的确定其中，为基于PPI分析的终端像元范围1，为基于TM样本数据分类结果的终端像元范围2，为MODIS图像上的初始终端像元，其类别属性直接从TM样本分类结果继承。基于PPI分析的终端像元范围E1MNF变换：判定图像数据内在的维数，分离数据中存在的噪声PPI分析：记录下图像中每个像素作为极值点的次数基于TM分类的终端像元范围E2象素积聚示意图TM图像分类：监督分类，提取地物类型象素积聚：将分类结果的空间分辨率从30米转换到250米，提取比率为100％的像元，将其映射到相应的MODIS像元（3）N维可视化分析（a）为基于TM数据提取的终端像元的N维可视化散点图；（b）为基于MODIS影像PPI分析后提取的终端像元的N维可视化散点图；（4）终端像元提取结果精度验证野外测量验证可分离性分析应用Jeffries-Matusita距离和转换分离度对终端像元进行可分离性分析。混