研究笔记 | 解码“全知之眼”——ENVI遥感图像解译实操

前言

我们在谈论什么？

     遥感(remote sensing)，指在不直接接触被研究目标的情况下获取其特征信息。近年来，随着人类对地观测技术的提高，数据生产的精度更高、周期更短、获取更加便捷—— “遥感大数据”一词也应运而生。然而正是因为这一有巨大潜力的时空大数据能够容易地被获取，我们不禁思考，可以用怎样的方法去提取、挖掘数据中的信息，以避免“大数据，小知识”的困境？

     本篇推送选取了遥感数据的一种较为普遍的应用方式——提取用地分类的操作流程进行讲解，包括图像的获取、选择、处理、结果评价等。虽说类似于一篇教程，但重点也不在于操作，而在于各种“踩坑”后的经验教训。本篇作为笔者研究过程中阶段性学习笔记，欢迎大家批评指正提出问题。

       多时相遥感数据可以实现对某一地区长时间序列的监测，高效、准确反映城市扩张以及其它地表覆盖的动态变化特征[1]。这需要将多张遥感数据解析成地表覆被类型图。笔者关注白洋淀区域的时序变迁，所以选择这一区域的遥感影像做操作示例。

PARTⅠ 遥感影像介绍及获取

影像获取途径 | 图像质量甄别 | 来源卫星介绍

1.1 巧妇难为无米之炊，首先来介绍几个获取遥感影像的网站：

① 美国地质调查局glovis

glovis网站界面

       操纵地图缩放到研究区域，选择左侧的数据集后会给出时间轴视图。调整红色竖线的位置就可以浏览不同时间的遥感影像、选择view metadata可以查看卫星的云量、拍摄日期、传感器、分辨率等信息。登录后，挑选合适的图像后即可下载。这个网站的优势在于时间轴不仅可以十分方便地浏览历史图像，而且可以比较遥感图像之间的质量，减少很多试错成本。该网站为国外网站，需科学上网，但是相较后面的网站来说数据源不太全。

② USGS-earth explorer

earth-explorer网站界面

       该网站账户和上一个网站是共用的，使用方法类似，但操作略繁琐。基本步骤包括：缩放地图、点击“use map”按钮得到选区——选择日期——选择数据集——得到卫星图，具体操作如下图所示。

earth-explorer网站操作示意

其中results左侧边栏中，脚印的标志代表图像覆盖范围、图片标志可以预览。该网站的

响应比较慢，有很多影像无法预览或下载，限制较多。

③ 地理空间数据云

地理空间数据云是国内网站，大部分常用的数据集都能在这里获取，操作也比较简单。

地理空间数据云网站界面

④ 欧空局哥白尼数据中心

专门用于下载Sential-1/2数据的网站。

欧空局网站界面

⑤ NASA earthdata

国外网站，需要注册。

NASA网站界面

⑥ 地理国情监测云平台

       国产良心网站，提供部分卫星下载，除此之外还有许多别的种类数据。需要注册后提交订单，等待一段时间。

地理国情监测云平台界面

     此外91卫图助手、图新地球、奥维、QGIS的SCP插件：（semi-automatic classification plugin）等都可以十分方便地得到卫星图。有的需要购买，这时候可以试试万能的淘宝。

1.2 如何辨别影像的质量？

       不同平台数据源有重叠也有不重叠的地方，例如Landsat数据来说Glovis就十分全面；地理空间数据云存在部分不能下载的情况。而年份较久的Declass2、Declass3数据就需要在USGS平台上下载。Sentinal数据则是地理空间数据云比较全面，Glovis只有哨兵2号的数据。如果在实操中对下载的图像不太满意，可以换个数据源或平台看看，说不定会有更高质量的图像。而在对图像的预览过程中尤其要注意鉴别影像图像质量，否则会浪费下载的时间。一方面要注意云层是否对目标物形成了遮挡，还要看影像覆盖的范围是否将研究区域全部囊括，否则需要额外进行镶嵌拼接操作；散射是否严重、成像季节是否符合研究提取需求等。

散射影响成像质量       云层遮挡提取目标

（左，2017年）        （右，1999年）

1.3 卫星简介

       浏览这些网站繁多的数据集选择之后，可能会发问：这些数据集到底有什么差别？如果关注某一地区长时段的变化，需要收集多时相遥感数据。不同的时间段可以选取哪些卫星数据源？

      以免费获取的、应用最广泛的Landsat数据为例：美国NASA的陆地卫星(Landsat)计划，从1972年7月23日以来， 已发射8颗（第6颗发射失败）。基本信息如下。

Landsat系列卫星信息（作者自绘）

Landsat系列卫星服役时间信息（作者自绘）

科罗纳影像（CORONA）是1960—1972年间美苏冷战时期美国拍摄的军事侦察卫星影像，1995年宣布解密，可在美国地质调查局 （USGS） 官网下载或购买[2]。科罗纳只有黑白的单波段，但是发射时间早、精度高，仍然补充了现有卫星影像很大一片空白。除Landsat之外，还有以下一些商业高质量卫星图像。这些中高分辨率遥感卫星越来越被动态监测工作所需要。

商业卫星汇总

PART Ⅱ 遥感影像分类

图像增强 | 预处理 | 监督分类

要获得一张用地分类图，需要预处理—类别定义—影像分类—结果验证—分类后处理这些步骤。选取1976年白洋淀地区低分辨率遥感图像作为材料进行处理。

2.1 图像增强——修正一些小bug

在正式开始分类的流程之前，先来解决一下多时相遥感数据可能出现的问题：在时间久远的年份没有足够精度的影像，分辨率需要进行统一；以及Landsat 7传感器在2003年后发生损坏，影像中有黑色条带干扰。对于分辨率的问题可以通过ENVI中的图像融合操作来解决。图像融合是指将低空间分辨率的多光谱图像或高光谱数据与高空间分辨率的单波段图像重采样后生成一幅高分辨率多光谱图像或多光谱数据与高空间分辨率的单波段图像重采样生成的一幅高分辨率多光谱图像的遥感图像处理技术[3]。这里我们采用后者，将1976年的低空间分辨率的多光谱图像和2020年单波段图像进行融合。融合前要保证两张图像完全重合，因此使用一致的边框进行裁剪。边框可以是.shp文件。需要提前在ENVI中通过file—open打开。随后使用ENVI中的subset data from ROIs将两张图像处理为完全重叠的状态。要特别强调一下，ENVI的所有路径都不可以出现中文字符。

对高分辨率图像按照ROI裁剪

随后需要得到2020年高精度影像的单个波段。使用file—save as功能得到单个波段。

导出单个波段

单波段影像

打开待融合的低分辨率多光谱图像，这里指1976年的图像。接下来使用ENVI中的Gram-Schmift Pan Sharpening工具开始融合：

融合操作

融合成功后，右键图层view metadata选项，在map info中查看pixel size发现精度成为了30*30m。以下为融合前后对比：

融合后vs融合前

现在来处理第二个问题：如何去除Landsat7 的条带？以下步骤主要参照了一篇博客：https://www.ixxin.cn/2016/12/03/landsat-7qutiaodaiyuchuli/需要下载插件，将其解压到ENVI安装目录的extension文件夹下。启动ENVI，可以在右侧找到Landsat_gapfill插件。选择输入图像及输出位置即可。这里以2005年有干扰条带的影像为例。

2005年Landsat图像消除条带前后

2.2 图像预处理

图像的预处理主要包含辐射定标(Radiometric Calibration)和大气校正(Atmospheric Correction)两步，两者前后相承。辐射定标的作用是对由外界因素、数据获取及传输系统等产生的辐射失真和畸变进行校正。也是为大气校正做准备[3]。操作比较简单，ENVI中打开Radiometric Calibration工具，可以直接使用FLAASH设置。大气校正的目的是消除大气和光照等因素对地物反射的影响。广义上是为了得到地物真实的反射率、辐射率或地表温度等真实物理模型参数[3]。下面介绍两种大气校正的方法：

①  FLAASH 大气校正

不得不说此种方法设置较为繁琐。觉得麻烦可以选择第二种快速校正方法。选择FLAASH Atmospheric Correction Model Input Parameters。

FLAASH大气校正设置

如图用字母标示出需要进行设置的选项：

a. 设置输入与输出文件。输入文件必须经过辐射定标。

b. 选择传感器类型。

c. 选择影像成像时间。可以右键图层、view metadata的time选项中可以查看。

d. 需要输入区域的平均高程，计算方法为open一个全球DEM数据，位置如下。加载到ENVI后，使用compute statistics，仍然选择之前裁切图像所用的边界，计算整个区域内的平均高程。

加载自带全球DEM图

compute statistics设置

e. 大气校正的模型，根据分度带来选择。下图为一个参考。因为白洋淀处于50分度带所以这里选择SAS模型。

模型选择参考表

f. 多光谱设置如下：

multispectral setting设置

② 快速大气校正

快速大气校正工具（QUAC）自动从图像上收集不同的波普信息，获取经验值完成高光谱和多光谱数据的快速大气校正。得到的结果精度近似为FLAASH或者其它基于辐射传输模型的+/-15%[4]。选择Quick Atmospheric Correction工具，选择输入、输出及传感器类型即可。以下为两种校正方法的对比：

原始图像（左）、Flaash校正（中）与快速大气校正（右）

至此，图像预处理完成。

2.3 监督分类

step1:人为目视定义类别

这一步至关重要。需要靠应用视觉经验去人为选取每种用地类型最具代表特征的地块，作为训练集提供给机器学习。操作方法为在上一步大气校正后的图层，右键，new region of interest，可以通过绘制多边形定义关注的用地分类。这个过程中需要注意，要选取具有代表性的地块去绘制ROI，机器学习的效果才会准确。可能有人会问：如果只想要某一类斑块，例如耕地，可不可以只把耕地的ROI区域画出来，交给机器去学习？笔者有过类似的经历，结果十分不理想。所以在做用地分类的时候还是需要把类型都定义出来，这样结果才会准确。在创建ROI的过程中，以防ENVI忽然崩溃（崩溃了就啥都没了），最好及时保存你创建的ROI。最终ROI会被储存为xml格式。

创建ROI示意

在人为目视观察定义类别时，可以选取不同的波段组合突出地物。因为1976年的影像只有四个波段、无论怎么组合都很糊，这里以2020年的波段组合进行示意。在绘制时可以根据自己的需求选取不同的波段组合，进行多次尝试。右键图层change RGB Bands可以转换RGB波段。注意红绿蓝三个小色块代表R G B波段，存在顺序之分，例如点击顺序为波段7-5-3和波段5-7-3不是同一种显示效果。

不同波段组合示意

a. Band 4,3,2，接近真实地物

b. Band 7,6,4，用于城市监测

c. Band 5,4,3，植被相关监测，经常用这个波段

d. Band 7,5,3，可很好地区分植被，也比较常用

人为创建ROI结束之后，需要进行分离度检验。检测值两两之间大于1即可。如果没有大于1，说明选取的样本辨别度不够好，还需要返回再次修改。

样本分离度检验

step2：分类

这一步比较简单，选择合适的分类模型即可。ENVI中提供的包括最大似然分类、最小距离分类、神经网络、支持向量机分类等。最常用的有最大似然和支持向量机分类。以下为操作过程。

最大似然法分类示意

至此，我们初步得到了一个分类后的图像。

PART Ⅲ 分类后处理

聚类过滤 | 错误修改 | 精度评价

观察一下初步结果，有一些黄色地块（耕地）里面有面积很小的红色碎片（居民地），明显是错分。解决颜色太细碎的问题，首先进行聚类统计(clump classes)—过滤分析(sieve classes)一条龙：前者可以合并一些细小的邻近类似区域，而后者可以去掉较小的类组图斑[3]。

初步分类图像（左），聚类后（中），过滤后（右）

如果在检查时发现有很大一块地区分错了怎么办？这个时候需要通过ENVI classic软件来进行修改。当然，如果没有错分可以跳过这步。

ENVI classic界面

ENVI classic软件的操作有些不同，在file中打开刚才分类好的图像——分为三个窗口，依次放大。调整左下、上面窗口中红框的位置就可以移动查看。如果想要修改分类，例如上图有一部分把耕地错分为居住用地，点击菜单栏里的Overlay—classification，选择图层。打开了分类编辑器。如果要开始编辑，点击Edit选项卡，选择polygon delete/add to class。此时点击图像，就只能绘制多边形，不能再移动了。想移动视图需要关闭编辑模式。以将居住用地斑块放到耕地里为例，将active class设置成耕地（在该分类的色块上双击），还需要将居住斑块用地设置成on模式。绘制多边形选取要修改为耕地的部分。双击右键结束绘制。其它斑块是否打开视情况而定，如果都打开只要在多边形内部的都会被放到耕地里。

分类编辑操作示意

修改前后对比

精度评价：通过比较实际数据与处理数据，确定处理过程的准确度。是分类结果是否可信的一种度量。主要介绍卡帕系数(kappa)。此方法的基本原理是选取更高精度的影像，重复之前的操作在高精度影像上创建ROI，再和分类结果叠加比较是否准确。我们以2020年影像为底图、再次创建ROI。注意这次最好创建分类命名及数量最好和之前的对应。选择confusion matrix using ground truth ROIs 工具，操作后得到关于分类精度的报表。

精度检验步骤

Kappa系数在0-1之间，分为五组：

• 0-0.2 极低相似性

• 0.21-0.40 一般一致性

• 0.41-0.60 中等一致性

• 0.61-0.80 高度一致性

• 0.81-1 几乎完全一致

保证最后精度在0.6以上即可。至此影像分类工作结束。掌握了用地分类的方法，就可以对多个年份的图像重复操作，直观观察白洋淀水体的变迁过程。这里只展示部分年份。

1976-2002年间白洋淀水体变化

参考文献：

[1] 汪波, 龚威平, 孙越,等. 卫星遥感数据在城乡规划动态监测中的应用[J].航天器工程, 2011(06):113-117.

[2] 张蕾，何捷. 豫东平原古城淮阳城湖湿地历史景观探析[J].中国历史地理论丛,2020(35):14-29.

[3] 杨树文. 遥感数字图像处理与分析[M]. 北京:电子工业出版社, 2015.

[4] 邓书斌. ENVI遥感图像处理方法[M]. 北京:高等教育出版社, 2014.

编辑 / 王超群

校对 / 袁诗雨