python計算landsat

⑴ 設地物真實反射率為x(自選) ，利用6S計算兩種以上 典型大氣，Landsat 5的TM在北京時間上午10點時，39度58

你好，我是你的任課老師，你的行為已經被我記錄在案，希望下次注意，獨立完成作業

⑵ landsat8怎麼計算兩個波段間的相關系數

相關系數：考察兩個事物（在數據里我們稱之為變數）之間的相關程度。如果有兩個變數：X、Y，最終計算出的相關系數的含義可以有如下理解：(1)、當相關系數為0時，X和Y兩變數無關系。(2)、當X的值增大（減小），Y值增大（減小），兩個變數為正相關，相關系數在0.00與1.00之間。(3)、當X的值增大（減小），Y值減小（增大），兩個變數為負相關，相關系數在-1.00與0.00之間。相關系數的絕對值越大，相關性越強，相關系數越接近於1或-1，相關度越強，相關系數越接近於0，相關度越弱。通常情況下通過以下取值范圍判斷變數的相關強度：相關系數0.8-1.0極強相關0.6-0.8強相關0.4-0.6中等程度相關0.2-0.4弱相關0.0-0.2極弱相關或無相關Pearson（皮爾遜）相關系數1、簡介皮爾遜相關也稱為積差相關（或積矩相關）是英國統計學家皮爾遜於20世紀提出的一種計算直線相關的方法。2、適用范圍當兩個變數的標准差都不為零時，相關系數才有定義，皮爾遜相關系數適用於：(1)、兩個變數之間是線性關系，都是連續數據。(2)、兩個變數的總體是正態分布，或接近正態的單峰分布。(3)、兩個變數的觀測值是成對的，每對觀測值之間相互獨立。3、Matlab實現皮爾遜相關系數的Matlab實現（依據公式四實現）：[cpp]viewplainfunctioncoeff=myPearson(X,Y)%本函數實現了皮爾遜相關系數的計算操作%%輸入：%X：輸入的數值序列%Y：輸入的數值序列%%輸出：%coeff：兩個輸入數值序列X，Y的相關系數%iflength(X)~=length(Y)error('兩個數值數列的維數不相等');return;endfenzi=sum(X.*Y)-(sum(X)*sum(Y))/length(X);fenmu=sqrt((sum(X.^2)-sum(X)^2/length(X))*(sum(Y.^2)-sum(Y)^2/length(X)));coeff=fenzi/fenmu;end%函數myPearson結束也可以使用Matlab中已有的函數計算皮爾遜相關系數：[cpp]viewplaincoeff=corr(X,Y);4、參考內容SpearmanRank（斯皮爾曼等級）相關系數1、簡介在統計學中，斯皮爾曼等級相關系數以CharlesSpearman命名，並經常用希臘字母ρ（rho）表示其值。斯皮爾曼等級相關系數用來估計兩個變數X、Y之間的相關性，其中變數間的相關性可以使用單調函數來描述。如果兩個變數取值的兩個集合中均不存在相同的兩個元素，那麼，當其中一個變數可以表示為另一個變數的很好的單調函數時（即兩個變數的變化趨勢相同），兩個變數之間的ρ可以達到+1或-1。假設兩個隨機變數分別為X、Y（也可以看做兩個集合），它們的元素個數均為N，兩個隨即變數取的第i（1<=i<=N）個值分別用Xi、Yi表示。對X、Y進行排序（同時為升序或降序），得到兩個元素排行集合x、y，其中元素xi、yi分別為Xi在X中的排行以及Yi在Y中的排行。將集合x、y中的元素對應相減得到一個排行差分集合d，其中di=xi-yi，1<=i<=N。隨機變數X、Y之間的斯皮爾曼等級相關系數可以由x、y或者d計算得到，其計算方式如下所示：由排行差分集合d計算而得（公式一）：由排行集合x、y計算而得（斯皮爾曼等級相關系數同時也被認為是經過排行的兩個隨即變數的皮爾遜相關系數，以下實際是計算x、y的皮爾遜相關系數）（公式二）：以下是一個計算集合中元素排行的例子（僅適用於斯皮爾曼等級相關系數的計算）這里需要注意：當變數的兩個值相同時，它們的排行是通過對它們位置進行平均而得到的。2、適用范圍斯皮爾曼等級相關系數對數據條件的要求沒有皮爾遜相關系數嚴格，只要兩個變數的觀測值是成對的等級評定資料，或者是由連續變數觀測資料轉化得到的等級資料，不論兩個變數的總體分布形態、樣本容量的大小如何，都可以用斯皮爾曼等級相關系數來進行研究。3、Matlab實現源程序一：斯皮爾曼等級相關系數的Matlab實現（依據排行差分集合d計算，使用上面的公式一）[cpp]viewplainfunctioncoeff=mySpearman(X,Y)%本函數用於實現斯皮爾曼等級相關系數的計算操作%%輸入：%X：輸入的數值序列%Y：輸入的數值序列%%輸出：%coeff：兩個輸入數值序列X，Y的相關系數iflength(X)~=length(Y)error('兩個數值數列的維數不相等');return;endN=length(X);%得到序列的長度Xrank=zeros(1,N);%存儲X中各元素的排行Yrank=zeros(1,N);%存儲Y中各元素的排行%計算Xrank中的各個值fori=1:Ncont1=1;%記錄大於特定元素的元素個數cont2=-1;%記錄與特定元素相同的元素個數forj=1:NifX(i)

⑶ 如何得到每個漁網單元的ndvi平均值，屬性表信息

首先需要再arcmap中添加需要進行計算的兩個波段文件

02
依次：arctoolbox→spatial analyst tools→map algebra→raster calculator打開柵格計算器，雙擊進入柵格計算器界面

03
根據ndvi計算公式(band5-ban4)/(band5+ban4)在計算公式中輸入
ps：注意landsat8和其他landsat計算有所差別

04
選擇結果輸出路徑

05
計算後，彈出成功提示框，並自動將結果數據圖層載入到圖層窗口

06
可以看到，結果柵格數據只有兩個值

正確的計算公式
01
公式不變，需要在每個波段前加函數float（）
ps：不添加函數計算結果為整數

02
計算後結果為柵格，結果值為區間范圍，一般在-1到1之間

本頁搜狗指南內容僅供參考，請您根據自身實際情況謹慎操作。尤其涉及您或第三方利益等事項，請咨詢專業人士處理

⑷ 如何對Landsat 8，使用ENVI或Band Math進行地表亮溫轉換

我覺得是你數據類型錯了，在計算的時候把數據類型都轉化為float，原始數據好像是int，做除運算後都為0了。(float(b2)-float(b1))/(float(b2)+float(b1))或者(float(b2)-b1)/(b2+b1)

⑸ Landsat ETM影像的近海水深反演方法及其在北部灣的應用

李學傑萬榮勝黃向青陳太浩

（廣州海洋地質調查局 廣州 510760）

第一作者簡介：李學傑，男，1964年生，博士，教授級高工，主要從事海洋地質與第四紀地質研究工作，E-mai1：Xuejie1i＠yeah.net。

摘要 近岸極淺水區的水深復雜多變，因受調查條件所限，往往成為測量的盲區。本文利用Landsat ETM多光譜影像，結合實測數據，探討其對近岸水深反演的可行性。結果表明，對北部灣海域，ETM2是適合水深反演的最佳波段，水深Z與光譜輻射值L₂及深水輻射值L_S2之間存在以下關系：Z=-17.19 1n（L₂-L_S2）+56.40。從反演效果來看，總體上能反映水深的變化趨勢，同時一些小的地形變化，如潮溝等也能得到較好的體現。因此對近岸較清澈的海域，遙感影像的水深反演可以在一定程度上彌補實測的不足。

關鍵詞 遙感 測深 北部灣

1 前言

水深是海洋環境的重要參數，長期以來，採用船載回聲測深法進行測量，取得很好的效果。但對極淺水環境（如0～3m）的水深測量卻是傳統調查方法的盲區，因為調查船和測量人員均難以到達。而極淺水環境是真正的海陸共同作用的區域，環境脆弱且復雜多變。准確測量水深，不僅對了解地形地貌，而且對海岸保護和建設均十分重要。

可見光對水體有一定的穿透性，因此有可能利用其這種特性進行水深反演，尤其對海岸帶，有可能形成對傳統調查方法的補充。早在20世紀60年代末，美國密歇根環境研究所的一個小組就開始從事遙感測深的研究，利用MSS，TM和航片等多光譜數據和一些同步測量的海況數據進行測深模型研究，提出了基於地面反射的遙感測深理論，並長期對此方向進行探索^［1～3］。此外，其他國家也進行類似的研究和應用^［4，5］。近年來，相關的研究還在不斷增加，應用領域也在拓寬^［6，7］。

國內對於水深的定量研究起步較晚，20世紀90年代初，我國開始利用遙感進行水深方面的研究^［8，9］。張鷹等^［10］利用遙感研究近岸水深及潮灘的沖淤變化。地礦部航空物探遙感中心從1994年開始，利用南沙群島海域18個景區26個時相的TM數據，開展遙感水深調查和制圖，並取得良好的效果^［11］。龐蕾等^［12］介紹了水深遙感的不同方法。近年來國家海洋局對近岸海洋遙感做了大量工作，也包括對水深遙感的探討^{［13，14］}。

2 遙感測深的理論模型

利用星載多光譜數據進行淺海水深測量，其物理基礎是可見光各個波段對於水體均具有一定的穿透力，如Landsat ETM1波段對水體的穿透深度最大，在清潔水的情形下可以穿透30m以上^［12］；ETM2波段可達10～15m；但ETM3的水體穿透力則相對較弱。對於各種類型的水體，可見光的水體衰減系數最小值都出現在藍綠波段之間，表明 Landsat ETM1，2，3波段是通常的遙感測深的最佳波段^［4］。

遙感的水深模型有多種，主要包括解析法和統計法。前者是利用感測器所接收的輻射亮度建立其於底質反射率及水深的解析表達式從而計算水深，但許多參數計算，依賴於對大氣影響的准確校正。後者是利用實測點回歸得到輻射亮度與水深之間的關系，進而推求未知水深點的水深，根據利用波段數的不同，統計法又分為單波段法、雙波段比值法、線性多波段法等三種。

基於海底反射的模型為

南海地質研究.2007

式中：L_i是感測器接收到的第i波段的輻射值；L_si是深水區輻射值，它反映的是水面反射、水體散射及大氣散射等的總和，而不包含底質反射；C_i是與太陽輻射度、大氣和水面透過率及水面折射有關的參數；R_bi是底反射率；k_i是水體的衰減系數；f是水體路徑長度（通常取2）；Z為水深。

將（1）式取自然對數得

Z=1n（C_iR_bi）/fk_i-1n（L_i-L_si）/fk_i （2）

假設底質反射率R_bi是常數，大氣和海況是均一的，即衰減系數k_i是常數，並設

I_i=1n（L_i-L_si），其中L_i-L_si代表海底發射值。

a=-1/fk_i

b=1n（C_iR_bi）/fk_i

那麼：

Z=aI_i+b （3）

其中系數a、b可用線性回歸方法求得，這就是單波段線性回歸模型。

將單波段和雙波段模型推廣到多波段，則有

Z=A₀+A₁I₁+A₂I₂+⋯⋯+A_nI_n （4）

用多元回歸方法求其系數，形成多波段模型。

從感測器第i波段的影像中，實測出一組Z～X_i的值，利用最小二乘法可以計算出a，b的值或A₀，A₁，A₂⋯⋯A_n值，然後利用以上公式推算出其他未知水深點的水深值。

3 實驗區的選擇與采樣分析

作為水深反演的海域，要求水體清澈，懸浮物、葉綠素及各種溶解有機質少，透光性好。廣州海洋地質調查局於近年對大亞灣、大鵬灣、珠江口及北部灣等近岸海域進行調查，其中北部灣海域水體最清澈，較適合做水深反演，因此選擇該區進行實驗研究。

對北部灣欽州灣海域的調查是2006年進行的，由於沿測線方向測深點很密，測線之間的距離相對大得多，因此將測深點的數據抽稀（圖1），以便對比。所測量的最小水深為3.3m。所採用的影像是2000年11月16日的Landsat7 ETM影像，盡管影像時間和實測數據採集時間有一定的差異，但考慮在這短期內水深的變化總體不大，可以適用。

圖1 北部灣欽州灣海域位置及實測水深圖

Fig.1 Location and bathymetry in Qingzhou Bay，Daya Bay

將水深測量數據的坐標與遙感影像坐標統一到UTM WGS84 坐標系，按一定的網格，選有實測水深的點在遙感影像上進行采樣，讀出對應該點影像的1，2，3波段的DN值，共采樣88個點位。同時選擇確定該影像最深水區1，2，3波段的DN值為73，44和31，分別代表這3個波段的深水輻射值，兩者的差值（L_i-Ls_i）代表海底發射值。

圖2 Landsat ETM1，2，3波段海底輻射值（L_i-L_Si）與水深關系

Fig.2 Relationship between the seabed reflectance of Landsat ETM band 1，2，3（L_i-L_Si）and water depth

從各波段底質發射值與實測水深關系（圖2）來看，盡管波段1的水體穿透性最好，但本區與水深關系並不密切，這可能是由於該波段（藍光）在本區受到的干擾較多之故，而波段2與水深關系最密切，因此採用該波段數據進行擬合（圖2B）。

擬合結果：Z=-17.191n（L₂-L_S2）+56.40

其中Z為水深，L₂是ETM2波段的DN值，L_S2是ETM2深水輻射值，本文取44。

對該回歸方程進行顯著性檢驗，計算的剩餘平方和Q=800.7，回歸平方和U=1796.9，數據個數n=88，採用F檢驗：

南海地質研究.2007

在a=0.01，自由度為（1，86）條件下，查得其臨界值F_0.01（1，86）=6.94。F＞F_0.01，表明在置信水平為99%，水深Z與Landsat ETM2的DN值L₂與該波段的深水DN值L_S2之差的對數，即1n（L₂-L_S2）之間是顯著相關的，兩者之間擬合的方程是有效的。

4 水深反演結果

利用上述實測數據與遙感影像的擬合結果，對遙感數據進行水深反演。從結果來看，總體效果不錯，從近岸向外，水深呈增加趨勢，尤其是較淺水海域，其效果更好，而且與實測結果基本吻合（圖3）。

圖3 欽州灣反演水深與實測等深線的對比

Fig.3 Comparison Water depth calculated from image to real one in Qingzhou area

圖4 北部灣（大區）反演水深與實測水深的對比

Fig.4 Comparison water depth calculated from image to real one in Beibu Bay area

圖5 北部灣西部反演水深

Fig.5 Water depth calculated from image in Western Beibu Bay

把反演的海域擴大，可以看出，其總體變化趨勢依然與實際水深變化較吻合（圖4）。北海東部銀灘、北海港北部的淺水區域均得到體現，同樣東南部海域因靠近其南部的潿州島而水深變淺，也得到反映。

西部海域的反演效果似乎更好，永實島南北的水深差異明顯，南部水深明顯大於北部（島鏈內側）應與實際吻合（圖5）。永實島之間的槽溝以及小島周圍的淺水區等均得到較好的體現，進一步表明該水深反演方法可能解決一些問題，成為實測的補充。

5 結論與討論

通過結合實測數據，對北部灣的欽州灣海域進行遙感影像的水深反演表明，Landsat ETM2波段數據較適合於水深反演，且擬合的方程Z=-17.191n（L₂-L_S2）+56.40反演效果較好，與實際水深總體有較好的一致性，因此該方法可以在一定程度作為實測方法的補充。

同時也應該看到該方法的局限性，首先水體所含物質（包括懸浮物、葉綠素及溶解有色有機質等）對遙感輻射值有很大的影響，因此該方法只適合於清澈的水體。其次不同的底質，其反射率可能不同，對反演效果也將產生一定的影響。

此外，大氣條件的空間差異以及影像幾何校正的精度等均可能影響采樣值，並因此影響擬合方程的效果。而且本文擬合方程時，缺乏小於3m的實測數據值，對擬合結果也產生一定影響。

參考文獻

［1］Lyzenga D R.Passive remote sensing techniques for mapping water depth and bottom features.Applied Optics，1978，17（3）：379～383

［2］Lyzenga D R.Remote sensing of bottom reflectance and Water attenuation Parameters in shallow Water using aircraft and Landsat data.Int.J.Remote Sensing，1981，2（1）：71～82

［3］Nordman M E.Water Depth Extraction form Landsat-5 Imagery.Proc.Of 23th Int.Sym.On Remote Sensing of Env，1990

［4］Willian D P.Bathymetry mapping With Passive multispectral imagery.Applied Optics，1989，28（8）：1569～1578

［5］BierWirth P N，Lee T J，Burne R V.Shallow sea-floor reflectance and Water depth derived by UnmiXing multispectral imagery［J］.PE＆RS，1993，59（3）：331～338

［6］Isoun E，Fletcher C，Frazer N，Gradie J.Multi-spectral mapping of reef bathymetry and coral cover；Kailua Bay，Hawaii.Coral Reefs，2003，22：68～82

［7］Karpouzli E，Malthus T，Place C，et al.Underwater light characterization for correction of remotely sensed images.Int.J.Remote Sensing，2003，24（13）：2683～2702

［8］李鐵芳等.衛星海洋遙感信息提取和應用.北京：海洋出版社，1990

［9］李鐵芳等.淺海水下地形地貌遙感信息提取與應用.環境遙感，1991，6（1）：32～36

［10］張鷹，丁賢榮，王文.水深遙感與潮灘地形沖淤變化分析.港口工程，1998，（2）：26～30

［11］邸凱昌，丁謙，曹文玉.南沙群島海域淺海水深提取及影像海圖製作技術.國土資源遙感，1999，（3）：59～64

［12］龐蕾，聶志峰.星載多光譜淺海水深測量方法.山東理工大學學報（自然科學版），2003，17（6）：59～61

［13］惲才興（主編）.海岸帶及近海衛星遙感綜合應用技術.北京：海洋出版社，2005

［14］楊曉梅，周成虎，杜雲艷等.海岸帶遙感綜合技術與實力研究.北京：海洋出版社，2005

［15］韓震，惲才興.伶仃洋大鏟灣潮灘沖淤遙感反演研究，海洋學報，2003，（5）：58～64

Bathymetry in CoaStal area by LandSat ETM：Method and its Application in Beibu Bay

Li XuejieWan RongshengHuang XiangqingChen Taihao

（Guangzhou Marine Geological Survey，Guangzhou，510760）

Abstract：It is quite difficult to measure the water depth in very shallow area which is much variable，e to difficult arriving for survey ship.It is try to calculate Water depth by multi-spectral Landsat ETM image，combining the real measured data，in the Paper.The result suggested that the band 2 of Landsat ETM is better for calculating in the Beibu Bay and fitted formula is Z=-17.191n（L₂-L_S2）+56.40，Where Z is Water depth，L₂ and L_S2 is reflectance and deep Water reflectance of band 2 of band respectively.The calculating result can better fit for the real data，not only for the basic trend，but even for the tidal channel.Therefore it can be concluded that the method of calculating Water depth by remote sensing is suitable for costal clear Water area and be complementarity for real measure.

Key Words：Remote sensing Bathymetry Beibu Bay

⑹ 如何操作得到landsat8數據的植被指數ndvi

NDVI就是歸一化植被指數，植被一般是對近紅外光反射明顯而較亮，而由於光合作用吸收紅光比較暗，與其它地物在遙感影像上形成強烈差異，因此利用近紅外與紅波段的這個計算，植被的值明顯偏高，可以很容易把植物區分開來，歸一化的好處是數值范圍比較集中。http://www.dsac.cn/DataProct/Detail/20091002這里有全國的植被指數，至於如何操作得到相關數據，您不妨去上面看一下問下他們是怎麼做的，這個應該不難做的。

⑺ Landsat-7的用數據校正處理

確定的星歷數據（Definitive Ephemeris Data）是由Landsat-7飛行運行組（Flight Operations Team）根據美國的三個地面接收站所獲得的衛星位置和速度數據，以及美國國家航空和宇宙航行局（NASA）的跟蹤和數據中繼衛星提供的數據，通過計算後得到的更精確的（或確定的）星歷數據。用確定的星歷數據代替衛星下行數據中的星歷數據來進行幾何校正處理，其產品的幾何定位精度一般可以達到30～50米。中國遙感衛星地面站的Landsat－7數據預處理系統經過改進後，從2001年11月開始，地面站向用戶提供的系統幾何校正產品（2級產品）都是用確定的星歷數據來進行幾何校正處理，這就使系統處理的產品在幾何精度上有了較大的提高。

⑻ 如何求Landsat8的衛星方位角和高度角

不是軌道傾角。你的正上方是90度，水平方向是0度，是根據你當前的位置計算的。比如一棵衛星在你的正上方，對於你的位置是90度，對於另一個離你一千公里遠的位置，有可能是30度了。衛星廣播星歷軟體里都有一個坐標位置選擇，查詢出來的角度就是衛星相對這個坐標位置的角度。

⑼ 如何使用ENVI計算各種植被指數

方法/步驟
在ENVI中載入數據後，點擊「Transform」—「NDVI」，打開一個輸入窗，我們直接選擇剛剛載入的數據，如圖1。

然後就打開了參數設置窗口，這里是Landsat TM影像，然後計算的波段為3波段（紅波段）和4波段（近紅外），如圖2。

3
對於生成的結果，我們也可以利用波段組合，來看一下。這里波段組合為：紅（NDVI）、綠（3波段）、藍（2波段），結果如圖3。左邊為有NDVI參與的組合，右邊則沒有。

⑽ 寫出Landsat TM歸一化植被指數計算公式並闡述它能反映植被信息的基本理由

遙感影像中，近紅外波段的反射值與紅光波段的反射值之差比上兩者之和。
即(NIR-R)/(NIR+R)
NIR為近紅外波段的反射值
R為紅光波段的反射值
英文縮寫為 NDVI。歸一化植被指數是反映農作物長勢和營養信息的重要參數之一。根據該參數,可以知道不同季節的農作物對氮的需求量, 對合理施用氮肥具有重要的指導作用。
NDVI——歸一化植被指數：NDVI=(NIR-R)/(NIR+R)，或兩個波段反射率的計算。
1、NDVI的應用：檢測植被生長狀態、植被覆蓋度和消除部分輻射誤差等；
2、-1<=NDVI<=1，負值表示地面覆蓋為雲、水、雪等，對可見光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆蓋，且隨覆蓋度增大而增大；
3、NDVI的局限性表現在，用非線性拉伸的方式增強了NIR和R的反射率的對比度。對於同一幅圖象，分別求RVI和NDVI時會發現，RVI值增加的速度高於NDVI增加速度，即NDVI對高植被區具有較低的靈敏度；
4、NDVI能反映出植物冠層的背景影響，如土壤、潮濕地面、雪、枯葉、粗糙度等，且與植被覆蓋有關；

Landsat TM歸一化植被指數計算公式
NDVI=(band4-band3)/(band4+band3)