ENVI基于Landsat影像构建郑州市2000-2019年遥感生态指数RSEI

一、数据介绍

由于时间跨度较大，用到了三种不同的landsat传感器的影像，先分别介绍这三种传感器的波段信息：

1.1Landsat5TM产品说明

Landsat主题成像仪 (TM)是Landsat4和Landsat5 携带的传感器，1982年发射，2011年11月停止工作。Landsat-4和Landsat5每16天扫瞄同一地区，即其16天覆盖全球一次。LandsatTM影像包含7个波段，波段1-5和波段7的空间分辨率为30米，波段6（热红外波段）的空间分辨率为120米。南北的扫描范围大约为170km，东西的扫描范围大约为183km。

1.2Landsat7ETM+产品说明

美国陆地卫星7 号(Landsat-7 ) 于1999年4月15日由美国航空航天局(NASA) 发射升空，其携带的主要传感器为增强型主题成像仪( ETM+ )。Landsat ETM+影像数据包括8个波段（波段设计），band1-band5和band7的空间分辨率为30米，band6的空间分辨率为60米，band8的空间分辨率为15米，南北的扫描范围大约为170km，东西的扫描范围大约为183km。

1.3Landsat8OLI产品说明

OLI陆地成像仪（Operational Land Imager）是Landsat-8卫星上携带的两个传感器之一，Landsat-8 在空间分辨率和光谱特性等方面与Landsat 1-7保持了基本一致，卫星一共有11个波段，波段1-7，9-11的空间分辨率为30米，波段8为15米分辨率的全色波段，卫星每16 天可以实现一次全球覆盖，成像宽幅为185x185km。

1.4 影像信息选择说明

选择影像时，首先需要根据年份确定所需传感器的类型。本次实验需要选择同一季节的影像，这样可以排除北方城市由于季节影响而产生的植被指数的不同。除此之外，还要注意的是影像的云量，在研究范围内云量要很少甚至没有才不会影响评判结果。

综合考虑以上因素本次作业使用了来自三种不同传感器的影像，基本信息如下表：

c	2000	2004	2009	2014	2019
传感器	Landsat7ETM+	Landsat5TM	Landsat5TM	Landsat8OLI	Landsat8OLI
影像获取时间	8月27日	8月30日	6月25日	5月6日	7月7日

 在ENVI中右击影像，选择View Metadatas可以查看影像的详细信息：

 二、遥感生态指数构建

如果使用的数据不是USGS上下载的数据，第一步应当先进行几何校正（UGCS上的数据已经经过了几何校正），但是几何校正需要影像上一些点的实际地理坐标，而目前作为学生我无法直接获取这些坐标数据，因此就直接进行下面的处理。

2.1裁剪

由于原始影像中只有一部分是城市的范围，因此先将城市范围裁剪出来，再进行处理。这样可以极大地减少运算量，提升影像处理的速度。也使生态指数构建更符合该城市特征。

使用ENVI ->Save As 功能，用地图坐标选取裁剪区域，郑州市的经纬度范围[1]为：东经112°42'-114°13' ，北纬34°16'-34°58'

图2.1-1输入裁剪范围的地图坐标对话框

---

[1] 经纬度数据来源于百度词条

2.2 辐射定标

对影像进行辐射定标，将像元灰度值转换为地表辐射率，这一步使用的是ENVI的radiometric calibration 工具。此处需要将Output Interleave改为BIL格式，这样结果才能用于大气校正。

  图2.2-1定标工具对话框

2.3大气校正 

使用ENVI的FLAASH大气校正工具进行大气校正，对其中的一些参数进行修改，使之符合当前影像的实际情况：

图2.3-1FLAASH大气校正工具对话框

图2.3-2多光谱设置对话框

图2.3-3大气校正高级设置

2.4遥感生态指数计算

利用band math工具，根据公式计算以下四个指标：NDVI（绿度指数）、WET（湿度指数）、NDBSI（干度指数）、LST（温度指数）的四个新的图层，为计算生态指数RSEI做准备。 

2.4.1 NDVI绿度指标

输入计算表达式(b4-b3)/(b4+b3)，b4代表近红外波段，b3代表红色波段。

图2.4.1-1Band Math工具对话框

 使用了大气校正后的图像的波段给公式中的变量赋值：

  图2.4.1-2波段赋值

得到NDVI指标结果图：

 图2.4.1-3 NDVI指标图

 2.4.2 WET湿度计算

湿度计算针对不同的传感器，公式的系数不同，一下为不同传感器对应的公式：

Landsat7ETM+

Wet=0.1509* Bb+0.1973 * Bg+0.3279 * Br+0.3406 * Bn-0.7112 * Bswir1-0.4572 * Bswir2

Landsat5TM

Wet=0.0315* Bb+0.2021 * Bg+0.3102 * Br+0.1594 * Bn-0.6806 * Bswir1-0.6109 * Bswir2

Lansat8OLI

Wet=0.1511* Bb+0.1973 * Bg+0.3283 * Br+0.34067* Bn-0.7117 * Bswir1-0.4559* Bswir2

*以上数据来源于老师提供的两篇论文：《基于新型遥感生态指数的福州新区生态质量评价_林冬凤》与《基于遥感生态指数的杭州市城市生态变化_刘智才》。 

使用BandMath工具，输入公式：

图2.4.2-1Band Math工具对话框

图2.4.2-2波段赋值

 得到WET湿度指标图：

 图2.4.2-3 WET指标图

 2.4.3 NDBSI干度计算

干度计算公式如下，首先需要计算SI，在计算IBI，取二者的均值

SI=((Bswir1 * 1.0+Br)-(Bn+Bb))/((Bswir1 * 1.0+Br)+(Bn+Bb))

IBI=((2.0*Bswir1/(Bswir1+Bn))-(Bn/(Bn+br)+Bg/(Bg+Bswir1)))/((2.0*Bswir1/(Bswir1+Bn))+(Bn/(Bn+Br)+Bg/(Bg+Bswir1)))

NDBSI=(SI+IBI)/2

使用BandMath工具，输入公式：

图2.4.3-1Band Math工具对话框

图2.4.3-2波段赋值

最后得到干度图：

 图2.4.3-3 干度指标图

2.4.4 LST温度指标计算 

[1]目前，地表温度反演算法主要有三种：大气校正法（也称为辐射传输方程：Radiative Transfer Equation—RTE）、单通道算法（single-channel algorithm）分裂窗算法（split window algorithm）。

大气校正法基本原理：首先估计大气对地表热辐射的影响, 然后把这部分大气影响从卫星传感器所观测到的热辐射总量中减去, 从而得到地表热辐射强度, 再把这一热辐射强度转化为相应的地表温度。

  ①使用热红外波段进行辐射定标

  ②计算NDVI

  ③计算计算植被覆盖度

   选择band math工具，输入计算公式：(b1 gt 0.7) * 1+(b1 lt 0.05) * 0+(b1 ge 0.05 and b1 le 0.7) * ((b1-0.05)/(0.7-0.05))，并选择NDVI的输出结果作为公式的应用数据。

  ④计算地表比辐射率

   输入公式0.004 * b1+0.986。b1是植被覆盖度。

  ⑤计算得到同温度下的黑体辐射亮度图像

   输入公式：(b2-0.75-0.9 * (1-b1) * 1.29)/(0.9 * b1)，b1选择地表比辐射率图像，b2选择热红外辐射亮度图像。

  ⑥计算计算得到地表温度图像（单位为℃）

输入公式：(1321.08)/alog(774.89/b1+1)-273, b1为同温度下的黑体辐射亮度图像。得出地表温度影像图。

以下为上述过程中得到的不同指标的图层，以及最终的温度指标图：

  1、植被覆盖率

图2.4.4-1植被覆盖率指标图

2、地表比辐射率

图2.4.4-2地表比辐射率

3、同温度下的黑体辐射亮度图像

图2.4.4-3同温度下的黑体辐射亮度图像

4、LST地表温度图像

图2.4.4-4LST地表温度图像

 

---

[1] 以下计算LST的操作过程引自CSDN博客：基于landsat8影像的RSEI自然生态环境监测（2）---指标计算_Hironono的博客-CSDN博客_envi计算湿度指标

 2.4.5 各指标归一化处理

使用toolbox中的stretch data，将数值范围设置为[0,1]，对上面算出来的四个指标都进行归一化处理。

图2.4.5-1Data Stretch输入文件对话框

图2.4.5-2 Data Stretch参数设置对话框

2.4.6 PCA融合 

归一化处理之后，将四个指数的图层进行PCA融合

由于之前的四个图层是独立的，无法直接用ENVI的PCA工具进行PCA融合，所以要先利用Layer Stacing工具进行波段合成，将四个单波段的图合成一张多波段的图。

图2.4.6-1Layer Stacking工具对话框

       合成后的多波段图像通过默认的彩色通道后呈现出来的结果：

使用ENVI的工具对上图进行PCA融合：

图2.4.6-3PCA变换输入文件对话框

图2.4.6-4PCA变换参数设置对话框

 下面是融合后通过默认彩色通道的结果图像：

2.4.7 RSEI计算

用波段计算器Band Math计算1-PC1得到原始RSEI0

对上述结果归一化，得到最终RESI结果图，该图的像元灰度值介于0-1之间，值越大表示生态越好。

 图2.4.7-2RSEI图像

右击RSEI图像文件，选择Change Color Table->Rainbow，使不同大小的值以不同颜色显示，方便人眼判断。

 图2.4.7-3赋予彩色条带的RSEI图像

右击RSEI图层，选择Quik Stats可以统计图像的灰度信息，得到灰度直方图，均值等重要统计信息。

图2.4.7-4统计结果对话框

可以得到2009均值为0.720323 标准差为0.083579。

图2.4.7-5 2009年RSEI值直方图

 三、生态指数构建成果与分析

由于城市行政区域比主城区的大小大很多，周围的山地和卫星城市的生态指数也会影响到主城区生态指数的统计，因此将上述图片进一步统一裁剪至2019年主城区的大致范围，重新进行RSEI的均值计算，裁剪结果与计算结果对比如下：

 图3.1-6 2000年主城区RSEI

 

图3.1-7 2004年主城区RSEI  

 

 图3.1-8 2009年主城区RSEI

 

 图3.1-9 2014年主城区RSEI

 

 图3.1-10 2019年主城区RSEI

根据统计可以看出从2000年到2019年，郑州市的生态指数均值RSEI呈明显下降趋势，说明郑州市的生态环境在过去的近20年来逐渐变差。在2019年，市区内的生态环境相较于2014年有一点改善。城市周边的生态环境明显优于城市中心的环境，但是随着城市的扩张，城市周边的环境也发生了显著的变化。

年份	2000年	2004年	2009年	2014年	2019年
RSEI均值	0.622433	0.614593	0.514453	0.493157	0.506825