《遥感数字图像解译》多元化教学案例
一、基本信息介绍
项目教学团队由课题负责人王祎婷、黄远程、杨军、李力组成，团队成员均具有主持或参与国家自然科学基金的经历，主持各类科技任务10余项，且均承担过遥感数字图像解译、数字图像处理等本科、研究生课程的教学任务，具有丰富的教学和科研经验，为深化和拓展遥感数字图像解译案例库奠定了坚实的研究基础。
二、案例正文
卫星遥感是大面积动态监测地表环境变化的有效手段。近年来，延安退耕还林取得的成效有目共睹，但是，精细尺度上延安的植被变化呈现出怎样的特征，需要我们通过多时相较高分辨率的卫星遥感数据找到答案。
本案例立足陕西省延安地区，由区域植被变化这一主要问题入手，以延安市宝塔区周边的植被变化为例，利用Landsat遥感影像，结合植被指数和地表覆盖分类方法，对延安市宝塔区周边1999年至2021年的地表变化信息进行提取并分析，从精细尺度上直观揭示延安市宝塔区30年来的城市发展和植被变化特征，为当地近年来生态环境评价和生态文明建设未来方向提供参考。
本案例分析串联了遥感数字图像基础、遥感图像质量改善、遥感信息提取等三个模块的一系列关键知识点，旨在让学生在相互串联的多个具体案例中、形成较为系统的知识框架体系，掌握遥感数据的选择、处理、分析和应用，提高学生学习兴趣，促进学生学会思考、学会实践。
1.遥感数据选择
由于植被在近红外强反射、红光波段强吸收的独特特点，对于地表植被变化分析，通常需要包含近红外波段的多光谱数据。由于本研究时间跨度较长，需要自20世纪90年代至今的多时相数据来分析植被变化，因此，重点考虑光谱分辨率、空间分辨率和时间跨度。图1对比了研究区几种常见的卫星传感器获得的遥感图像。
(a)MODIS 500m (2020) (b)Landsat OLI 30m(2021)
(c)Sentinel 10m(2021) (d)GF-2 4m(2021)
图 1 不同传感器空间分辨率对比图
四类数据中，Landsat系列卫星数据时间跨度最长、空间分辨率较高，因而是最适合的数据。本案例分别选择1995年、2009年、2021年6月的数据，通过对多期数据的处理和植被信息提取，来分析延安市宝塔区周边的植被变化。
2.遥感数字图像类型
对遥感数字图像分析，需要针对特定的目的，选择合适的图像种类。遥感图像类型包括：（1）灰度图像：在遥感中被称为单波段图像，图像的每个像素点的颜色是处于白色到黑色之间的过渡色；（2）伪彩色图像：对象也是单波段图像，只是每个灰度值对应于颜色空间模型中的某一种颜色。对于RGB颜色空间来说，它与灰度图像的差别就在于它的R、G、B值是三个不完全相同的数值，在RGB颜色空间模型中表现为彩色；（3）真彩色图像：只有当红光通道对应于红光波段的辐射亮度、绿光通道对应于绿光波段的辐射亮度、蓝光通道对应于蓝光波段的辐射亮度时，才叫真彩色图像，否则都是假彩色图像；（4）假彩色图像：常用近红外、红光、绿光波段分别对应红、绿、蓝通道来合成假彩色图像，达到突出植被信息的目的。图2对比了不同波段合成的遥感图像。
(a)灰度图像 (b)伪彩色图像
(c)真彩色合成图像 (d)假彩色合成图像
图 2 不同类型遥感图像
3.解译标志分析
地物光谱特性是指地物具有发射辐射或反射辐射电磁波的特性，反映了地物的固有特性，是地物识别和分类的物理基础。为建立研究区解译标志，我们分别基于地面测量光谱数据和Landsat多光谱数据，分析了典型地物所具有的光谱特征，再结合典型地物的空间特征，为不同地类建立解译标志。
根据典型地物光谱特征，结合空间特性，建立解译标志，如图3所示。
(a)林地 (b)建筑用地 (c)水体 (d) 沙地
图 3 典型地物在遥感图像的表现
4.遥感图像辐射校正
从遥感图像的成像过程分析，遥感图像辐射校正包括四个基本环节：
4.1传感器校正
（1）相对辐射校正：消除由于传感器或电荷耦合器件CCD (Charge Coupled Device)探元的响应不一致引起的辐射不均匀效应。辐射校正的第一级产品。
本案例采用三角剖分方法对Landsat ETM+数据进行去条带，结果如图5所示。
(a) 原始影像 (b)去条带后的影像
图 5 Landsat7 ETM+图像去条带
（2）绝对辐射定标：建立DN值与实际辐射值之间的数学关系，得到的是大气顶层的辐射亮度（或反射率）。结果如图6所示。
图 6 辐射定标后的2021年NDVI图像对比
4.2大气校正
大气校正是将大气层顶的辐射亮度值（或大气顶层反射率）转换为地表反射的太阳辐射亮度值（或地表反射率），主要是为了消除大气吸收、散射对辐射传输的影响。
本案例采用基于简化6S模型的大气校正方法。结果如图7所示。
(a)未经大气校正的假彩色图像 (b)FLAASH模型大气校正后假彩色图像
(c)未经大气校正的光谱曲线 (d)FLAASH模型大气校正光谱曲线
图 7 Landsat 8图像大气校正结果示例
4.3地形校正
校正由地形因素导致的图像辐亮度的变化称为地形校正。如果地形不平坦，受坡度和坡向的影响，传感器获得的能量也会变化。本案例采用余弦校正方法对影像进行校正。校正结果如图9所示。
(a)地形校正前 (b)地形校正结果
图 9 地形校正前后影像对比
4.4太阳高度角校正
太阳位置的变化会导致不同地表位置接收到的太阳辐射不相同，从而导致不同地方、不同季节、不同时期获取的遥感图像之间存在辐射差异。
太阳高度角校正如图10所示。
(a)经过地形校正的数据 (b)经过太阳高度角校正的数据
图 10 地形校正和太阳高度角校正后的对比
5.特征提取
本案例使用归一化植被指数（NDVI）来提取植被信息。NDVI是一种波段组合的衍生特征，其主要原理就是植被在红光波段和近红外波段的反射差异。由于植被在近红外波段强反射、在红光波段强吸收，因而NDVI可以强化这种差异从而反映植被的生长状态。NDVI取值范围为[-1 1]。值越大，植被覆盖越好；值越小，植被覆盖越差。NDVI的计算公式如下：
式中：Rnir和Rred是遥感数据中的近红外波段和红光波段的地物反射率。
利用NDVI计算多期Landsat数据NDVI，结果如图11所示。
(a)1995年
(b)2009年
(c)2021年
图 11 多时相影像NDVI计算结果
6.地表分类
本案例采用支持向量机对研究区进行分类。支持向量机是一种监督分类方法，是一种根据已知类别的样本像元去识别其他未知类别像元的方法。监督分类的基本思想是：从研究区域选取具有代表性的训练样本，依据样本选择参与分类的特征变量，然后根据特征变量的统计特性建立判别函数，据此来识别非样本像元的归属类别。主要环节包括：训练样本的选择、监督分类、分类后评价。图13是分类结果。
图 13 2021年延安新城地表覆盖类型
在影像上随机选取验证样本，对2021年分类结果进行评价，得到混淆矩阵如表2所示。由图可知，2021年分类结果的总体精度为91%，Kappa系数为0.89，表明分类结果总体精度较高。同时，对1995年和2009年的分类结果进行精度评价，其总体精度分别为88%和89%，Kappa系数分别为0.85和0.86。由此，说明三期Landsat数据的分类结果精度整体较高，可用于后续地表覆盖类型分析。
表2 2021年Landsat影像分类结果混淆矩阵
|
水体 |
建筑用地 |
林地 |
无植被覆盖 |
耕地 |
水体 |
17 |
2 |
0 |
1 |
0 |
建筑用地 |
0 |
18 |
0 |
2 |
0 |
林地 |
0 |
0 |
20 |
0 |
0 |
无植被覆盖 |
0 |
3 |
0 |
17 |
0 |
耕地 |
0 |
0 |
0 |
1 |
19 |
总和 |
17 |
23 |
20 |
21 |
19 |
7.结果分析
7.1 NDVI变化分析
由图11可知，研究区近30年来植被状况明显向好。选择城市建设较为典型的延安新区，分析其NDVI变化，如图15所示，我们可以从图中看到延安新区建设的过程。自2009年至2021年，尽管延安新区逐步建设，但周边植被明显向好。1995年，该区域NDVI值集中分布于0.2左右，表明整体都是裸地。到2009年，地表植被覆盖增多，NDVI值增加，集中分布在大于0.5左右的区域。到2021年，区域内大部分像元的NDVI值都大于0.6。同样地，以0.6作为NDVI阈值，将NDVI>0.6的区域划分为植被地类，则1995年、2009年、2021年该区域植被覆盖率分别为31.6%、63.1%和75.7%。
(a)1995年 (b)2009年
(c)2021年 (d)NDVI直方图
图 15 延安新区NDVI空间分布图与直方图
7.2地表覆盖类型变化分析
图16(a)和(b)分别为1995年和2009年研究区地表覆盖类型变化。结合图12可知，研究区近30年来林地面积表现出很大程度的增加。其中，1995、2009和2021年林地面积分别为2152.1 km2，2524.4 km2，3482.3 km2。近30年间，林地面积增长了1330.2 km2，增长面积约为1995年林地总面积的62%。需要注意的是，本案例中无植被覆盖的区域中包括了裸露耕地和裸地，而耕地指的是有植被覆盖的地类。由于耕地表面有无植被覆盖均有可能，并且黄土高原区域坡耕地较多，当耕地地表无植被覆盖时、很难在30米分辨率上区分耕地与裸地。因此，为保证结果可靠，没有对耕地进行单独分析，而仅对林地的变化进行分析。
(a)1995年 (b)2009年
图 16 多期Landsat影像地表覆盖分类图
同时，选择延安新区作为典型区域进行局部分析。如图17所示，该区域建设于2009至2021年间，其中，区域建筑用地面积2009年为31.9 km2，2021年增加到了76.5 km2。与此同时，区域林地面积在1995年、2009年、2021年分别为7.0 km2，67.6 km2，169.1 km2，近30年间林地面积大幅增长反映出退耕还林的巨大成效。
(a)1995年 (b)2009年
(c)2001年
图 17 延安新区地表覆盖类型图
结语
本案例利用Landsat系列卫星遥感影像，结合植被指数和地表覆盖分类方法，对延安市宝塔区周边1999年至2021年的地表变化信息进行提取并分析，从精细尺度上直观揭示延安市宝塔区30年来的城市发展和植被变化特征。本案例涵盖了《遥感数字图像解译》从遥感数字图像基础概念、处理流程和方法的一系列知识点，将知识点置于案例中，既实现了理论概念和实践的结合，又可以帮助学生对各知识点形成一个系统的认识。
三、案例使用说明
适用范围
本案例适用于遥感科学与技术专业《遥感数字图像解译》课程，以及地理信息系统专业、测绘工程专业、自然资源与地理专业《遥感数字图像处理》课程。
配套教材
朱文泉,林文鹏.遥感数字图像处理：原理与方法.北京:高等教育出版社, 2015.
教学目的
1.使学生掌握遥感图像处理的一般流程和基本方法，理解每个环节的意义和作用；
2.培养学生分析问题解决问题的能力，能够针对具体应用设计处理流程，选择恰当的方法，得到满足精度的结果；
3.激发学生学习遥感数字图像解译的兴趣。
要点提示
本案例针对区域植被变化分析的特定应用，串联遥感图像处理的整个环节，其分析要点如下：
1.选择合适的遥感数据，需要从遥感图像的特性和地物特性两个方面来分析；
2.遥感图像辐射校正，从各个环节的作用和必要性出发，针对特定的应用目的，设计合适的处理流程、选择恰当的方法；
3.植被信息提取的方法选择和比较；
4.得到满足精度要求的结果，从影响精度的因素出发分析。
教学建议
授课过程采取多元化教学方法，综合使用讲授法、案例法、问题法、演示法、比较法等，引导学生理解和掌握知识要点。
四、致谢
本项目由西安科技大学“本科教学案例库”建设项目支持，项目名称：“科研方法教学案例——《遥感数字图像解译》多元化教学案例。
