遥感ENVI水体信息提取实验.docxVIP

PAGE

1-

遥感ENVI水体信息提取实验

一、实验目的

实验目的在于深入理解和掌握遥感技术在水体信息提取中的应用，通过使用ENVI软件，实现对水体面积、分布、水质状况等关键信息的准确提取。具体而言，本次实验旨在：

(1)熟悉遥感影像的预处理流程，包括辐射校正、几何校正和大气校正等，确保遥感影像数据的质量满足后续分析要求。以某地区遥感影像为例，通过校正处理，将原始影像的辐射畸变和几何畸变降至最低，为后续水体信息的提取提供可靠的基础数据。

(2)探索并实践ENVI软件中的水体信息提取方法，包括阈值分割、监督分类和非监督分类等。以某大型湖泊为例，通过设置合理的阈值，提取出湖泊的边界，并进一步计算湖泊面积，为水资源管理和湖泊生态环境评估提供数据支持。

(3)分析水体信息提取结果，评估提取精度和可靠性，并探讨影响提取结果的因素。通过对多个实验结果的分析，总结出提高水体信息提取精度的有效策略，为实际应用提供理论依据和操作指导。

本次实验通过以上目的，旨在提高学生在遥感技术应用领域的研究能力和实际操作能力，为后续在水文、环境、地质等领域的研究奠定坚实基础。

二、实验原理

(1)遥感水体信息提取的实验原理主要基于遥感影像的光谱特性。水体对不同波段的电磁波具有特定的吸收和反射特性，通过分析遥感影像中水体的光谱特征，可以实现对水体信息的提取。例如，在可见光和近红外波段，水体对蓝光和绿光的反射率较低，而在红光波段则有所增加，这一特性为水体信息的提取提供了依据。

(2)实验中常用的水体信息提取方法包括阈值分割、监督分类和非监督分类。阈值分割法通过设定一个阈值，将遥感影像中水体像素与背景像素区分开来。以某地区遥感影像为例，通过分析影像在不同波段的水体反射率，确定合适的阈值，提取出水体区域，其面积可达数千平方公里。

(3)监督分类和非监督分类则是基于机器学习的分类方法。监督分类需要预先标注一部分训练样本，利用这些样本来训练分类模型，进而对整个遥感影像进行分类。非监督分类则不需要预先标注样本，通过聚类算法将遥感影像中的像素自动分组。在实际应用中，这两种方法可以根据具体需求灵活选择，以提高水体信息提取的准确性和效率。

三、实验步骤

(1)实验的第一步是遥感影像的预处理。首先，获取实验所需的高分辨率遥感影像数据，如Landsat8或Sentinel-2影像。然后，对影像进行辐射校正，以消除大气和传感器等因素引起的辐射畸变。例如，使用ENVI软件中的大气校正工具，根据地面实测数据或MODIS产品对影像进行校正。接下来，进行几何校正，以校正影像的几何畸变，确保影像在不同位置具有一致的几何精度。使用ENVI中的几何校正模块，根据控制点进行校正，校正精度可达到亚米级。

(2)在预处理完成后，进入水体信息提取的核心步骤。首先，选择合适的水体信息提取方法。以阈值分割法为例，根据遥感影像在不同波段的反射率特点，设定阈值，将水体区域与背景区分开来。以某湖泊为例，通过分析湖泊在红光和近红外波段的反射率，确定合适的阈值，提取出湖泊面积约为1000平方公里。接着，使用监督分类或非监督分类方法对提取出的水体区域进行精确分类，以提高分类精度。以监督分类为例，选取已知水体区域的样本作为训练数据，通过训练分类器，对整个影像进行分类。

(3)最后，对提取出的水体信息进行分析和评估。首先，对提取结果进行可视化展示，以便直观了解水体的分布和面积。例如，使用ENVI软件中的绘图工具，将提取出的水体区域绘制在地图上，便于分析。其次，评估提取结果的精度和可靠性，计算提取精度、召回率、F1值等指标。以某实验区域为例，提取精度达到90%以上，召回率达到85%，表明该方法具有较高的可靠性和实用性。最后，根据实验结果，总结实验经验，为实际应用提供理论依据和操作指导。

四、实验数据

(1)实验数据选取了覆盖我国某中型城市的Landsat8遥感影像，影像分辨率为30米，数据获取时间为2023年8月。该影像覆盖区域面积约为100平方公里，包含了城市、水体、植被等多种地表覆盖类型。影像数据经过辐射校正和几何校正，确保数据质量符合实验要求。此外，实验中还使用了地面实测的水质参数数据，包括溶解氧、氨氮、总磷等，以验证提取出的水体信息与实际水质状况的对应关系。

(2)在实验中，选择了两个主要的水体区域进行信息提取和分析。第一个区域为城市中心的一座大型湖泊，面积约为5平方公里。第二个区域为城市周边的一个小型水库，面积约为1平方公里。这两个区域分别代表了城市水体和自然水体的情况。实验过程中，对湖泊和水库的水体面积、边界线、水质参数等进行了详细记录，为后续的分析提供了基础数据。

(3)实验数据还包括了实验过程中使用的参考数据，如遥感影像的波段信息、地面实测数据的时间序列等。波段信息用于分析水体在不同波段