python计算landsat

⑴ 设地物真实反射率为x(自选) ，利用6S计算两种以上 典型大气，Landsat 5的TM在北京时间上午10点时，39度58

你好，我是你的任课老师，你的行为已经被我记录在案，希望下次注意，独立完成作业

⑵ landsat8怎么计算两个波段间的相关系数

相关系数：考察两个事物（在数据里我们称之为变量）之间的相关程度。如果有两个变量：X、Y，最终计算出的相关系数的含义可以有如下理解：(1)、当相关系数为0时，X和Y两变量无关系。(2)、当X的值增大（减小），Y值增大（减小），两个变量为正相关，相关系数在0.00与1.00之间。(3)、当X的值增大（减小），Y值减小（增大），两个变量为负相关，相关系数在-1.00与0.00之间。相关系数的绝对值越大，相关性越强，相关系数越接近于1或-1，相关度越强，相关系数越接近于0，相关度越弱。通常情况下通过以下取值范围判断变量的相关强度：相关系数0.8-1.0极强相关0.6-0.8强相关0.4-0.6中等程度相关0.2-0.4弱相关0.0-0.2极弱相关或无相关Pearson（皮尔逊）相关系数1、简介皮尔逊相关也称为积差相关（或积矩相关）是英国统计学家皮尔逊于20世纪提出的一种计算直线相关的方法。2、适用范围当两个变量的标准差都不为零时，相关系数才有定义，皮尔逊相关系数适用于：(1)、两个变量之间是线性关系，都是连续数据。(2)、两个变量的总体是正态分布，或接近正态的单峰分布。(3)、两个变量的观测值是成对的，每对观测值之间相互独立。3、Matlab实现皮尔逊相关系数的Matlab实现（依据公式四实现）：[cpp]viewplainfunctioncoeff=myPearson(X,Y)%本函数实现了皮尔逊相关系数的计算操作%%输入：%X：输入的数值序列%Y：输入的数值序列%%输出：%coeff：两个输入数值序列X，Y的相关系数%iflength(X)~=length(Y)error('两个数值数列的维数不相等');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%函数myPearson结束也可以使用Matlab中已有的函数计算皮尔逊相关系数：[cpp]viewplaincoeff=corr(X,Y);4、参考内容SpearmanRank（斯皮尔曼等级）相关系数1、简介在统计学中，斯皮尔曼等级相关系数以CharlesSpearman命名，并经常用希腊字母ρ（rho）表示其值。斯皮尔曼等级相关系数用来估计两个变量X、Y之间的相关性，其中变量间的相关性可以使用单调函数来描述。如果两个变量取值的两个集合中均不存在相同的两个元素，那么，当其中一个变量可以表示为另一个变量的很好的单调函数时（即两个变量的变化趋势相同），两个变量之间的ρ可以达到+1或-1。假设两个随机变量分别为X、Y（也可以看做两个集合），它们的元素个数均为N，两个随即变量取的第i（1<=i<=N）个值分别用Xi、Yi表示。对X、Y进行排序（同时为升序或降序），得到两个元素排行集合x、y，其中元素xi、yi分别为Xi在X中的排行以及Yi在Y中的排行。将集合x、y中的元素对应相减得到一个排行差分集合d，其中di=xi-yi，1<=i<=N。随机变量X、Y之间的斯皮尔曼等级相关系数可以由x、y或者d计算得到，其计算方式如下所示：由排行差分集合d计算而得（公式一）：由排行集合x、y计算而得（斯皮尔曼等级相关系数同时也被认为是经过排行的两个随即变量的皮尔逊相关系数，以下实际是计算x、y的皮尔逊相关系数）（公式二）：以下是一个计算集合中元素排行的例子（仅适用于斯皮尔曼等级相关系数的计算）这里需要注意：当变量的两个值相同时，它们的排行是通过对它们位置进行平均而得到的。2、适用范围斯皮尔曼等级相关系数对数据条件的要求没有皮尔逊相关系数严格，只要两个变量的观测值是成对的等级评定资料，或者是由连续变量观测资料转化得到的等级资料，不论两个变量的总体分布形态、样本容量的大小如何，都可以用斯皮尔曼等级相关系数来进行研究。3、Matlab实现源程序一：斯皮尔曼等级相关系数的Matlab实现（依据排行差分集合d计算，使用上面的公式一）[cpp]viewplainfunctioncoeff=mySpearman(X,Y)%本函数用于实现斯皮尔曼等级相关系数的计算操作%%输入：%X：输入的数值序列%Y：输入的数值序列%%输出：%coeff：两个输入数值序列X，Y的相关系数iflength(X)~=length(Y)error('两个数值数列的维数不相等');return;endN=length(X);%得到序列的长度Xrank=zeros(1,N);%存储X中各元素的排行Yrank=zeros(1,N);%存储Y中各元素的排行%计算Xrank中的各个值fori=1:Ncont1=1;%记录大于特定元素的元素个数cont2=-1;%记录与特定元素相同的元素个数forj=1:NifX(i)

⑶ 如何得到每个渔网单元的ndvi平均值，属性表信息

首先需要再arcmap中添加需要进行计算的两个波段文件

02
依次：arctoolbox→spatial analyst tools→map algebra→raster calculator打开栅格计算器，双击进入栅格计算器界面

03
根据ndvi计算公式(band5-ban4)/(band5+ban4)在计算公式中输入
ps：注意landsat8和其他landsat计算有所差别

04
选择结果输出路径

05
计算后，弹出成功提示框，并自动将结果数据图层加载到图层窗口

06
可以看到，结果栅格数据只有两个值

正确的计算公式
01
公式不变，需要在每个波段前加函数float（）
ps：不添加函数计算结果为整数

02
计算后结果为栅格，结果值为区间范围，一般在-1到1之间

本页搜狗指南内容仅供参考，请您根据自身实际情况谨慎操作。尤其涉及您或第三方利益等事项，请咨询专业人士处理

⑷ 如何对Landsat 8，使用ENVI或Band Math进行地表亮温转换

我觉得是你数据类型错了，在计算的时候把数据类型都转化为float，原始数据好像是int，做除运算后都为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湾的应用

李学杰万荣胜黄向青陈太浩

（广州海洋地质调查局 广州 510760）

第一作者简介：李学杰，男，1964年生，博士，教授级高工，主要从事海洋地质与第四纪地质研究工作，E-mai1：Xuejie1i＠yeah.net。

摘要 近岸极浅水区的水深复杂多变，因受调查条件所限，往往成为测量的盲区。本文利用Landsat ETM多光谱影像，结合实测数据，探讨其对近岸水深反演的可行性。结果表明，对北部湾海域，ETM2是适合水深反演的最佳波段，水深Z与光谱辐射值L₂及深水辐射值L_S2之间存在以下关系：Z=-17.19 1n（L₂-L_S2）+56.40。从反演效果来看，总体上能反映水深的变化趋势，同时一些小的地形变化，如潮沟等也能得到较好的体现。因此对近岸较清澈的海域，遥感影像的水深反演可以在一定程度上弥补实测的不足。

关键词 遥感 测深 北部湾

1 前言

水深是海洋环境的重要参数，长期以来，采用船载回声测深法进行测量，取得很好的效果。但对极浅水环境（如0～3m）的水深测量却是传统调查方法的盲区，因为调查船和测量人员均难以到达。而极浅水环境是真正的海陆共同作用的区域，环境脆弱且复杂多变。准确测量水深，不仅对了解地形地貌，而且对海岸保护和建设均十分重要。

可见光对水体有一定的穿透性，因此有可能利用其这种特性进行水深反演，尤其对海岸带，有可能形成对传统调查方法的补充。早在20世纪60年代末，美国密歇根环境研究所的一个小组就开始从事遥感测深的研究，利用MSS，TM和航片等多光谱数据和一些同步测量的海况数据进行测深模型研究，提出了基于地面反射的遥感测深理论，并长期对此方向进行探索^［1～3］。此外，其他国家也进行类似的研究和应用^［4，5］。近年来，相关的研究还在不断增加，应用领域也在拓宽^［6，7］。

国内对于水深的定量研究起步较晚，20世纪90年代初，我国开始利用遥感进行水深方面的研究^［8，9］。张鹰等^［10］利用遥感研究近岸水深及潮滩的冲淤变化。地矿部航空物探遥感中心从1994年开始，利用南沙群岛海域18个景区26个时相的TM数据，开展遥感水深调查和制图，并取得良好的效果^［11］。庞蕾等^［12］介绍了水深遥感的不同方法。近年来国家海洋局对近岸海洋遥感做了大量工作，也包括对水深遥感的探讨^{［13，14］}。

2 遥感测深的理论模型

利用星载多光谱数据进行浅海水深测量，其物理基础是可见光各个波段对于水体均具有一定的穿透力，如Landsat ETM1波段对水体的穿透深度最大，在清洁水的情形下可以穿透30m以上^［12］；ETM2波段可达10～15m；但ETM3的水体穿透力则相对较弱。对于各种类型的水体，可见光的水体衰减系数最小值都出现在蓝绿波段之间，表明 Landsat ETM1，2，3波段是通常的遥感测深的最佳波段^［4］。

遥感的水深模型有多种，主要包括解析法和统计法。前者是利用传感器所接收的辐射亮度建立其于底质反射率及水深的解析表达式从而计算水深，但许多参数计算，依赖于对大气影响的准确校正。后者是利用实测点回归得到辐射亮度与水深之间的关系，进而推求未知水深点的水深，根据利用波段数的不同，统计法又分为单波段法、双波段比值法、线性多波段法等三种。

基于海底反射的模型为

南海地质研究.2007

式中：L_i是传感器接收到的第i波段的辐射值；L_si是深水区辐射值，它反映的是水面反射、水体散射及大气散射等的总和，而不包含底质反射；C_i是与太阳辐射度、大气和水面透过率及水面折射有关的参数；R_bi是底反射率；k_i是水体的衰减系数；f是水体路径长度（通常取2）；Z为水深。

将（1）式取自然对数得

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

假设底质反射率R_bi是常数，大气和海况是均一的，即衰减系数k_i是常数，并设

I_i=1n（L_i-L_si），其中L_i-L_si代表海底发射值。

a=-1/fk_i

b=1n（C_iR_bi）/fk_i

那么：

Z=aI_i+b （3）

其中系数a、b可用线性回归方法求得，这就是单波段线性回归模型。

将单波段和双波段模型推广到多波段，则有

Z=A₀+A₁I₁+A₂I₂+⋯⋯+A_nI_n （4）

用多元回归方法求其系数，形成多波段模型。

从传感器第i波段的影像中，实测出一组Z～X_i的值，利用最小二乘法可以计算出a，b的值或A₀，A₁，A₂⋯⋯A_n值，然后利用以上公式推算出其他未知水深点的水深值。

3 实验区的选择与采样分析

作为水深反演的海域，要求水体清澈，悬浮物、叶绿素及各种溶解有机质少，透光性好。广州海洋地质调查局于近年对大亚湾、大鹏湾、珠江口及北部湾等近岸海域进行调查，其中北部湾海域水体最清澈，较适合做水深反演，因此选择该区进行实验研究。

对北部湾钦州湾海域的调查是2006年进行的，由于沿测线方向测深点很密，测线之间的距离相对大得多，因此将测深点的数据抽稀（图1），以便对比。所测量的最小水深为3.3m。所采用的影像是2000年11月16日的Landsat7 ETM影像，尽管影像时间和实测数据采集时间有一定的差异，但考虑在这短期内水深的变化总体不大，可以适用。

图1 北部湾钦州湾海域位置及实测水深图

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

将水深测量数据的坐标与遥感影像坐标统一到UTM WGS84 坐标系，按一定的网格，选有实测水深的点在遥感影像上进行采样，读出对应该点影像的1，2，3波段的DN值，共采样88个点位。同时选择确定该影像最深水区1，2，3波段的DN值为73，44和31，分别代表这3个波段的深水辐射值，两者的差值（L_i-Ls_i）代表海底发射值。

图2 Landsat ETM1，2，3波段海底辐射值（L_i-L_Si）与水深关系

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

从各波段底质发射值与实测水深关系（图2）来看，尽管波段1的水体穿透性最好，但本区与水深关系并不密切，这可能是由于该波段（蓝光）在本区受到的干扰较多之故，而波段2与水深关系最密切，因此采用该波段数据进行拟合（图2B）。

拟合结果：Z=-17.191n（L₂-L_S2）+56.40

其中Z为水深，L₂是ETM2波段的DN值，L_S2是ETM2深水辐射值，本文取44。

对该回归方程进行显着性检验，计算的剩余平方和Q=800.7，回归平方和U=1796.9，数据个数n=88，采用F检验：

南海地质研究.2007

在a=0.01，自由度为（1，86）条件下，查得其临界值F_0.01（1，86）=6.94。F＞F_0.01，表明在置信水平为99%，水深Z与Landsat ETM2的DN值L₂与该波段的深水DN值L_S2之差的对数，即1n（L₂-L_S2）之间是显着相关的，两者之间拟合的方程是有效的。

4 水深反演结果

利用上述实测数据与遥感影像的拟合结果，对遥感数据进行水深反演。从结果来看，总体效果不错，从近岸向外，水深呈增加趋势，尤其是较浅水海域，其效果更好，而且与实测结果基本吻合（图3）。

图3 钦州湾反演水深与实测等深线的对比

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

图4 北部湾（大区）反演水深与实测水深的对比

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

图5 北部湾西部反演水深

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

把反演的海域扩大，可以看出，其总体变化趋势依然与实际水深变化较吻合（图4）。北海东部银滩、北海港北部的浅水区域均得到体现，同样东南部海域因靠近其南部的涠州岛而水深变浅，也得到反映。

西部海域的反演效果似乎更好，永实岛南北的水深差异明显，南部水深明显大于北部（岛链内侧）应与实际吻合（图5）。永实岛之间的槽沟以及小岛周围的浅水区等均得到较好的体现，进一步表明该水深反演方法可能解决一些问题，成为实测的补充。

5 结论与讨论

通过结合实测数据，对北部湾的钦州湾海域进行遥感影像的水深反演表明，Landsat ETM2波段数据较适合于水深反演，且拟合的方程Z=-17.191n（L₂-L_S2）+56.40反演效果较好，与实际水深总体有较好的一致性，因此该方法可以在一定程度作为实测方法的补充。

同时也应该看到该方法的局限性，首先水体所含物质（包括悬浮物、叶绿素及溶解有色有机质等）对遥感辐射值有很大的影响，因此该方法只适合于清澈的水体。其次不同的底质，其反射率可能不同，对反演效果也将产生一定的影响。

此外，大气条件的空间差异以及影像几何校正的精度等均可能影响采样值，并因此影响拟合方程的效果。而且本文拟合方程时，缺乏小于3m的实测数据值，对拟合结果也产生一定影响。

参考文献

［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］李铁芳等.卫星海洋遥感信息提取和应用.北京：海洋出版社，1990

［9］李铁芳等.浅海水下地形地貌遥感信息提取与应用.环境遥感，1991，6（1）：32～36

［10］张鹰，丁贤荣，王文.水深遥感与潮滩地形冲淤变化分析.港口工程，1998，（2）：26～30

［11］邸凯昌，丁谦，曹文玉.南沙群岛海域浅海水深提取及影像海图制作技术.国土资源遥感，1999，（3）：59～64

［12］庞蕾，聂志峰.星载多光谱浅海水深测量方法.山东理工大学学报（自然科学版），2003，17（6）：59～61

［13］恽才兴（主编）.海岸带及近海卫星遥感综合应用技术.北京：海洋出版社，2005

［14］杨晓梅，周成虎，杜云艳等.海岸带遥感综合技术与实力研究.北京：海洋出版社，2005

［15］韩震，恽才兴.伶仃洋大铲湾潮滩冲淤遥感反演研究，海洋学报，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数据的植被指数ndvi

NDVI就是归一化植被指数，植被一般是对近红外光反射明显而较亮，而由于光合作用吸收红光比较暗，与其它地物在遥感影像上形成强烈差异，因此利用近红外与红波段的这个计算，植被的值明显偏高，可以很容易把植物区分开来，归一化的好处是数值范围比较集中。http://www.dsac.cn/DataProct/Detail/20091002这里有全国的植被指数，至于如何操作得到相关数据，您不妨去上面看一下问下他们是怎么做的，这个应该不难做的。

⑺ Landsat-7的用数据校正处理

确定的星历数据（Definitive Ephemeris Data）是由Landsat-7飞行运行组（Flight Operations Team）根据美国的三个地面接收站所获得的卫星位置和速度数据，以及美国国家航空和宇宙航行局（NASA）的跟踪和数据中继卫星提供的数据，通过计算后得到的更精确的（或确定的）星历数据。用确定的星历数据代替卫星下行数据中的星历数据来进行几何校正处理，其产品的几何定位精度一般可以达到30～50米。中国遥感卫星地面站的Landsat－7数据预处理系统经过改进后，从2001年11月开始，地面站向用户提供的系统几何校正产品（2级产品）都是用确定的星历数据来进行几何校正处理，这就使系统处理的产品在几何精度上有了较大的提高。

⑻ 如何求Landsat8的卫星方位角和高度角

不是轨道倾角。你的正上方是90度，水平方向是0度，是根据你当前的位置计算的。比如一棵卫星在你的正上方，对于你的位置是90度，对于另一个离你一千公里远的位置，有可能是30度了。卫星广播星历软件里都有一个坐标位置选择，查询出来的角度就是卫星相对这个坐标位置的角度。

⑼ 如何使用ENVI计算各种植被指数

方法/步骤
在ENVI中加载数据后，点击“Transform”—“NDVI”，打开一个输入窗，我们直接选择刚刚加载的数据，如图1。

然后就打开了参数设置窗口，这里是Landsat TM影像，然后计算的波段为3波段（红波段）和4波段（近红外），如图2。

3
对于生成的结果，我们也可以利用波段组合，来看一下。这里波段组合为：红（NDVI）、绿（3波段）、蓝（2波段），结果如图3。左边为有NDVI参与的组合，右边则没有。

⑽ 写出Landsat TM归一化植被指数计算公式并阐述它能反映植被信息的基本理由

遥感影像中，近红外波段的反射值与红光波段的反射值之差比上两者之和。
即(NIR-R)/(NIR+R)
NIR为近红外波段的反射值
R为红光波段的反射值
英文缩写为 NDVI。归一化植被指数是反映农作物长势和营养信息的重要参数之一。根据该参数,可以知道不同季节的农作物对氮的需求量, 对合理施用氮肥具有重要的指导作用。
NDVI——归一化植被指数：NDVI=(NIR-R)/(NIR+R)，或两个波段反射率的计算。
1、NDVI的应用：检测植被生长状态、植被覆盖度和消除部分辐射误差等；
2、-1<=NDVI<=1，负值表示地面覆盖为云、水、雪等，对可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大；
3、NDVI的局限性表现在，用非线性拉伸的方式增强了NIR和R的反射率的对比度。对于同一幅图象，分别求RVI和NDVI时会发现，RVI值增加的速度高于NDVI增加速度，即NDVI对高植被区具有较低的灵敏度；
4、NDVI能反映出植物冠层的背景影响，如土壤、潮湿地面、雪、枯叶、粗糙度等，且与植被覆盖有关；

Landsat TM归一化植被指数计算公式
NDVI=(band4-band3)/(band4+band3)