基于Sentinel-2卫星影像的无锡市植被信息提取与制图开题报告

1．研究的背景、目的及意义

研究背景：

植被在地球上占有很大的比例，陆地表面的植被常是遥感观测和记录的第一表层，是遥感影像反映的最直接的信息，也是人们研究的主要对象。人们往往可以通过遥感所获得的植被信息的差异，来分析那些图像上并非直接记录的、隐含在植被层以下的其他信息，如水土资源、蚀变带与矿藏、地质构造、自然历史环境演变遗留的痕迹等。

植被遥感研究由来已久，早期的研究主要集中在植被及土地覆盖类型的识别、分类与专题制图等方面。随后，则致力于植被专题信息的提取与表达方式研究上，提出了许多植被指数，并利用植被指数进行植被宏观观测以及生物量估算，包括作物估产、森林蓄积量估算、草场蓄草量估算等。随着定量遥感的逐步深入，植被遥感研究已向更加实用化、定量化方向发展，提出了几十种植被指数模型，研究植被指数与生物物理参数（叶面积指数，叶绿素含量，植被覆盖度，生物量等）、植被指数与地表生态环境参数（气温、降水、蒸发量、土壤水分等）的关系，以提高植被遥感的精度，并深入探讨植被在地表物质能量交换中的作用。

Sentinel-2是颗光学遥感卫星,分为2A和2B两颗卫星,其有效荷载拥有13个光谱波段的多光谱成像仪,地面分辨率分Sentinel-2是颗光学遥感卫星,分为2A和2B两颗卫星,其有效荷载拥有13个光谱波段的多光谱成像仪,地面分辨率分别为10、20和60m。单颗卫星访问周期为10天,组网后每5天就可以完成一次对地观测,而低纬度地区只需3天。Sentinel -2卫星数据是唯一的一个红边信息含有三个波段的影像,对监测植被起着重要作用。

目的及意义：

本课题主要研究基于遥感影像数据的植被信息提取方法。掌握遥感图像处理的基础知识，能够较为熟练的使用ENVI或者ERDAS遥感图像处理软件。熟悉遥感数据的预处理，在此基础上，选取典型区域进行实验，并对实验结果进行分析评价。

植被提取就是根据影像的光谱、空间、纹理、时间等特征识别和提取植被类别在影像的覆盖范围，对于研究资源普查、城市规划和土地调查等具有重要意义。植被图提供了植被空间分布的完整概念，是研究植被与生态条件的相互关系，探讨植被空间分布规律的重要依据，也是进行植被区划的基础。植被图还能反映植被资源状况，是资源开发和土地利用的重要依据。

2．主要研究内容和预期目标

研究内容：

1、遥感数据的预处理（几何校正，大气校正等）

几何校正，是利用地面控制点和几何校正数学模型来矫正非系统性因素产生的误差，将图像投影到平面上使其符合地图投影系统的过程。由于校正过程中会将坐标系统赋予图像数据，所以此过程包括了地理编码。不同的数据需要使用不同的几何校正方法，ENVI提供三个几何校正模型：仿射变换（RST）、多项式和局部三角网（Delaunay Triangulation）。

大气校正是指传感器最终测得的地面目标的总辐射亮度并不是地表真实反射率的反映，其中包含了由大气吸收，尤其是散射作用造成的辐射量误差。大气校正就是消除这些由大气影响所造成的辐射误差，反演地物真实的表面反射率的过程。遥感所利用的各种辐射能均要与地球大气层发生相互作用:或散射、或吸收，从而使能量衰减，并使光谱分布发生变化。大气的衰减作用对不同的波长的光是有选择性的，因而大气对不同波段的图像的影响是不同的。有时必须对遥感数据进行大气校正。例如，从水体或植被中提取生物物理变量(如：水体中的叶绿素a、悬浮泥沙、温度；植被中的生物量、叶面积指数、叶绿素、树冠郁闭百分比)时，就必须对遥感数据进行大气校正。如果数据未经校正，就可能会丢失这些重要成分的反射率(或出射率)的微小差别信息。

2、植被信息提取

遥感影像通过亮度值或像元值的高低差异(反应地物的光谱信息)及空间变化(反应地物的空间信息)来表示不同地物的差异,这是区分不同影像地物的物理基础.遥感影像分类是利用计算机通过对遥感影像中的各地地物的光谱信息和空间信息进行分析、选择特征,将图像中的每个像元按照某种规则或算法划分为不同的类别,然后获得遥感影像中与实际地物的对应信息,从而实现遥感影像的分类,即信息提取,遥感图像信息提取又包括人工解译、自动分类、特征提取、动态监测、反馈、高程提取等过程。

对于植被信息的提取，采用“植被指数”处理影像的提取方法。植被指数（VI）是两个或多个波长范围内的地物反射率组合运算，以增强植被某一特性或者细节。目前，在科学文献中发布了超过150种植被指数模型，这些植被指数中只有极少数是经过系统的实践检验。所有的植被指数要求从高精度的多光谱或者高光谱反射率数据中计算。

ENVI中提供了7类 27种植被指数的计算

宽带绿度Greenness、窄带绿度、光利用率Light Use Efficiency、冠层氮、干旱或炭衰减Dry or Senescent Carbon、叶绿素Stress Pigments、冠层水分含量Canopy Water Content。

预期目标：

基于Sentinel-2卫星影像的无锡市植被信息提取与制图将地面信息的获取、数值计算和空间数据的处理有机地结合起来，能够简单、直观、方便和快速地实现无锡市植被信息分析评价。植被提取就是根据影像的光谱、空间、纹理、时间等特征识别和提取植被类别在影像的覆盖范围，对于研究资源普查、城市规划和土地调查等具有重要意义。植被图提供了植被空间分布的完整概念，是研究植被与生态条件的相互关系，探讨植被空间分布规律的重要依据，也是进行植被区划的基础。植被图还能反映植被资源状况，其评价方法、过程和结果为无锡植被用地科学合理的选择提供有效的方法和模式，是资源开发和土地利用的重要依据。

3．拟采用的研究方法、步骤

研究方法和步骤：

3.1 数据源

本文采用的是研究区无锡的Sentinel-2卫星遥感影像。Sentinel-2单星重访周期为10天，A/B双星重返周期为5天。主要有效载荷是多光谱成像仪（MSI），共有13个波段，光谱范围在0.4~2.4μm之间，涵盖了可见光、近红外和短波红外。幅宽290km，空间分辨率分别为10m（4个波段）,20m（6个波段）,60m（3个波段）。该成像仪可获取13个光谱波段，其中3个植被红外波段可以有效地监测植被的生长情况。

3.2 数据预处理

本文采用的哨兵-2遥感影像数据，本研究需要对实验数据进行辐射定标、大气校正、辐射校正、多波段合成、研究区影像裁剪等预处理。

3.3 面向对象分类算法

3.3.1 影像分割

影像分割是实现面向对象影像分析的基础，其目的主要在于同质性或异质性准则的实现，将获得的高分辨率遥感影像根据分类需要，分割成若干个“同质均一”的多边形影像对象，同一对象里的像元都具有相同或者相似的纹理、光谱及属性特征，因此可以进行地面对象的特征提取。在进行影像分割前，需要对影像进行线性优化拉伸（2%）。由于分割尺度从根本上决定了分割后影像对象的大小和分类精度，所以需要选择一个以异质性最小化为原则的最佳分割阈值。若阈值过大，分割后形成的多边形对象面积越大但数目越少，会造成分割边界模糊，反之对象面积越小数目越多，使得本来就细小的地物变得更加破碎。经过反复试验发现，当分割阈值为 50，合并阈值为 80 时，各类地物可最大限度被分开。

3.3.2 信息提取

影像多尺度分割完成后即可进行信息提取，本文采用面向对象的监督分类法对地物信息进行特征提取。分类中研究对象是进行分割合并后的多边形对象，通过影像分割确定分类类别，然后选择一些具有代表性的影像对象作为训练样本构建多维特征空间，最后计算出各影像对象与所选样本的距离，根据距离的大小赋予各个对象不同的隶属度值，距离越小则隶属度值越大，从而达到分类目的。

3.4 像元分类算法

最大似然法是监督分类中经典的基于贝叶斯准则的一种非线性、像元分类方法，其基本原理是假设遥感影像的每个波段值都是正态分布，在样本光谱特征服从数学上的正态分布的基础上，利用贝叶斯准则进行判断，从而得到分类结果。本文采用最大似然法对研究区域的地物信息进行分类，其流程为：建立分类模板、评价分类模板、最大似然分类、分类后处理。

3.4.1 建立分类模板

对所选数据源在经过辐射校正、波段合成等预处理后，影像受传感器本身误差及大气散射、吸收、反射引起的误差影响得到了可观的改善，合成后的影像空间中地物可以较清晰地被分辨。由于最大似然法是建立在分类模板的选择上的，所以分类模板的建立从根本上决定了分类结果的数量和精度。根据影像选择较容易分辨的地物，识别其类型，利用ROI工具在影像上建立模板库。本文将无锡的植被信息分为三种类别：草地、林地和耕地。

3.4.2 评价分类模板

建立模板过程中主要依据目视解译，始终会存在分类模板不准确的问题，此时需要对以上利用 ROI 绘图工具建立的分类模板进行评价，只有达到精度要求，才可以进行下一步分类。

3.4.3 最大似然分类

利用满足精度评价的分类模板，采用特征空间的分类规则，进行聚类分析。

3.4.4 分类后处理

在完成最大似然分类后，分类结果在细部上尚未达到实验要求。因此，需要进行分类后处理，以保证所有区域的分类结果满足需求。

3.5 制图

ENVI Classic地图制图功能能够方便快捷、交互式地将一幅图像绘制成地图。可以先使用ENVI快速制图（QuickMap）功能生成基本制图，然后使用ENVI的注记功能或其他图像叠加功能按需要进行交互式地制图。快速制图可以设定地图比例、输出页的大小以及方位，能够选择图像的空间子集进行制图，还可以方便地添加基本地图要素，如地图公里网、比例尺、地图标题、标识、地图投影信息和其他基本地图注记。

4．主要参考文献

[1]刘庆生.斑块状植被遥感检测研究进展[J/OL].遥感技术与应用:1-8[2021-03-12]

[2]田艳君,石莹,帅艳民,杨健,邵聪颖,范连连,马红红.基于遥感时序特征的地表覆被信息提取[J/OL].干旱区地理:1-11[2021-03-12]

[3]崔林丽,史军,杜华强.植被物候的遥感提取及其影响因素研究进展[J/OL].地球科学进展:1-8[2021-03-12]

[4]张文博,孔金玲,杨园园,李彤.面向对象的旱区植被遥感精细分类研究[J].测绘科学,2021,46(01):136-140 183.

[5]阴海明,王立辉,董明霞,李晓冬,黄进良.基于多时相Sentinel-2遥感影像的江汉平原夏收作物提取方法[J].福建农林大学学报(自然科学版),2021,50(01):16-22.

[6]刘昊.基于Sentinel-2影像的河套灌区作物种植结构提取[J].干旱区资源与环境,2021,35(02):88-95.

[7]伏帅,张勇辉,李佳吕,王萌榛,彭璐,冯琦胜,梁天刚.不同植被指数和无人机航高对草地盖度估测精度的影响[J].草业科学,2021,38(01):11-19.

[8]郑天璞.基于多层次分类模型的长江中游沿岸林地信息提取[J].长江信息通信,2021,34(01):1-4.

[9]张莎,白雲,刘琦,童德明,徐振田,赵娜,王兆雪,王霄鹏,李咏沙,张佳华.遥感植被指数和CASA模型估算山东省冬小麦单产[J].光谱学与光谱分析,2021,41(01):257-264.

[10]申少格,杨渭清,杨绍静.基于KPCA和K-Means 的秦岭植被变化检测[J].电子测试,2021(01):39-40 50.

[11]闫利,徐青,刘异.基于注意力网络的遥感影像植被提取方法[J/OL].测绘地理信息:1-6[2021-03-12]

[12]杨军军,王喜梅,丁轶.基于ENVI的城市植被信息提取研究[J].咸阳师范学院学报,2020,35(02):67-69 97.

[13]丁国民,李进军,邸华,李元鸿,毛志明.基于ENVI的祁连山哈溪林区植被覆盖度信息提取研究[J].甘肃科技,2015,31(04):42-45.

[14]韩月娇,刘航.基于ENVI的阜新山区植被覆盖度的提取研究[J].鸡西大学学报,2012,12(05):39-40.

[15]郭凯,孙培新,刘卫国.利用遥感影像软件ENVI提取植被指数[J].红外,2005(05):13-15 26.

5．具体进度安排（包括序号、起迄日期、工作内容）

一、研究工作准备阶段（2022.3.1——2013.3.22）：

2022.3.1——20223.14为准备工作阶段，包括查阅资料、实验数据收集等；2022.3.15——2022.3.28为开题阶段，主要工作是撰写开题报告等。

二、研究工作开展阶段（2022.3.29——2022.6.16）：

2022.3.29——2022.5.9为研究攻坚阶段，主要是研究论文撰写阶段；

2022.5.10——2022.6.6为论文修改阶段，对前期工作进行修改和完善。

三、研究论文提交阶段（2022.6.6——2022.6.10）：毕业论文排版、打印、装订以及提交。