在SBAS处理过程中，进行“轨道精炼和重去平”时候，需要选择一些GCP进行轨道精炼，GCP的选择有一些要求，如选择在没有残余地形条纹上、远离形变区等，因此我们一般在一些干涉条纹很宽（地形较平）、相干性较高等区域选择，这个步骤的主观性较大。在PS处理中的“PS第一次反演Step1”步骤中，会自动选择一些参考点（GCP点），这些参考点大多选择在形变小、相干性高的区域，基本也符合SBAS中GCP的选择要求，因此可以将PS中的参考点应用于SABS中作为轨道精炼的GCP点。

本文详细介绍这个过程。

第一步：将PS中的参考点文件转换为SAR坐标系的GCP文件

PS处理中，没有对SAR数据对做多视处理，在第一次反演中得到的SAR坐标的GCP文件（位于...\first_inversion\Ref_GCP.shp）不能直接应用于SBAS中，可以将经过地理编码的GCP文件（位于...\ geocoding\ Ref_GCP_geo.shp）转换为SAR坐标系的GCP文件。

（1）打开/SARscape/Basic/Intensity Processing/Geocoding/Map to SAR Shape Conversion工具

（2）在Map to SAR Shape Conversion工具中设置以下几个参数：

Input File选项中，Input File参数选择...\ geocoding\ Ref_GCP_geo.shp文件；Input Reference File参数选择SBAS目录中的一个数据对的pwr文件，如...\work\work_interferogram_stacking中任意一个pwr文件。
DEM/Cartographic system选项中，选择一个DEM文件。
Output Files选项中，设置输出文件目录。

这样就把地理编码的GCP文件转换为SBAS中经过多视处理的SAR坐标下的GCP文件。

图：Map to SAR Shape Conversion工具面板

第二步：SBAS中使用GCP文件

上一步得到的GCP文件是ShapeFile文件，SBAS中的GCP文件为XML文件，因此这里正常选点操作。

（1）在SBAS中，正常打开3 - Refinement and Re-Flattening工具，

点击按钮进入选点步骤。

（2）在File Selection面板中正常选择相应的文件即可。

（3）进入Select GCP...面板，

点击按钮，加载第一步中得到的SAR坐标下的GCP文件（默认命名为Ref_GCP_geo_slant.shp）

图：Select GCPs 面板

1、ENVI软件最新进展和未来规划

讲座人：蒋维东（美国）

讲座简介：ENVI软件技术紧密关联遥感技术的发展，最新推出面向空间信息从业者使用的深度学习工具，创新的企业级遥感平台帮助遥感大数据平台的建设，SARsacpe软件让雷达图像处理变得便捷。本讲座由华人遥感专家带来，给您解读ENVI软件在国际上的应用，以及未来的发展规划。

PPT下载：https://pan.baidu.com/s/1NZFFFjYlY3KYu4H8pc8CNw

2、遥感技术发展与ENVI应用

讲座人：邓书斌

讲座简介：对地观测技术的蓬勃发展，给我们带来了丰富的遥感数据源，引爆了众多行业应用热点。本讲座以遥感图像处理为视角，介绍近年来出现的机器学习、深度学习、Web遥感、云遥感等热点技术，并以农业、环保、气象、海洋、林业、房产等领域的典型应用案例，如水质污染事件遥感溯源调查、基于云储存的“无人值守”遥感产品生产、基于多时相遥感数据农情监测、果树植株信息遥感调查等。

PPT下载：https://pan.baidu.com/s/17fepmPOhC2V2eVTE1gdg5w

录像下载：https://pan.baidu.com/s/1ZGKYSCahBxt_2pnlSGj92A

3、遥感业务化应用中的关键技术与实践

讲座人：杜会建

讲座简介：ENVI桌面软件与二次开发技术在近些年逐渐成熟，并且带来了全新的深度学习模块。本讲座主要包含两部分内容，第一部分简单介绍并展示深度学习模块的技术与应用。第二部分以真实项目为例，介绍ENVI/IDL/ENVI Services Engine在业务化应用中的关键技术与实践，主要以气象和环保行业应用为例，包含了数据预处理、专题产品生产、自动化制图等内容。

PPT下载：https://pan.baidu.com/s/1mdKOpI6d_N0jW6jkI00xQA

录像下载：https://pan.baidu.com/s/1MsEnhFZwczC3e5IQn5W92Q

4、SAR图像处理技术与SARscape实践

讲座人：徐恩惠

讲座简介：SARscape持续不断的提供专业易用的SAR图像处理工具，为日益增多的雷达遥感应用需求提供数据处理技术方案。本讲座介绍雷达数据处理与分析技术，包括雷达数据产品生产、雷达数据在土地利用变化方面的应用、结合不同的干涉测量技术，对地表形变事件的分析，以及介绍雷达数据处理建模等新工具的应用。

PPT下载：https://pan.baidu.com/s/1T1PGA7ed0anTK-vjcE-zow

录像下载：https://pan.baidu.com/s/1u7PGCudgJ5HQSSRaf8Aijg

2019年12月，易智瑞（中国）信息技术有限公司正式成为专业无人机图像处理软件Pix4D在中国大陆的经销商，全面负责Pix4D系列软件的销售推广和技术服务。

Pix4D公司成立于2011年，是从EPFL（瑞士洛桑联邦理工学院）计算机视觉实验室起家，经过近10年的发展，现已成为专业无人机数据处理软件的世界领先者。总部设在瑞士洛桑，并在上海和美国旧金山设立了分公司。

现在，易智瑞（中国）信息技术有限公司负责Pix4D公司全系列产品的推广和服务，包括Pix4Dmapper、Pix4Dfield、Pix4Dbim和Pix4Dreact。

l Pix4Dmapper

Pix4Dmapper是Pix4D公司旗舰产品，可以将从地面、轻型无人机或常规航摄的影像处理得到厘米级精度、带有坐标的正射无缝镶嵌图和DSM或3D模型和点云。Pix4Dmapper支持绝大部分相机，自动空山计算和区域网平差技术，采用全自动工作流，操作直观、简单，学习成本极低，任何人都可以轻松使用。高级用户可以使用空三射线和镶嵌图编辑器，您可以评估、编辑和改善工程质量。可输出GeoTIFF和KML/PNG瓦片等GIS、RS软件中可直接使用的格式。

l Pix4Dfield

Pix4Dfield是专为精准农业设计的、界面简单、功能强大的无人机图像处理软件，在野外即可快速生成精准的地图。同时可以生成植被指数地图（NDVI, NDRE, VARI, TGI, SIPI2, LCI, BNDVI, GNDVI)。它同样适用于与植被相关的领域。

l Pix4Dbim

Pix4Dbim可快速创建逼真的3D模型，可量测表面积和体积，生成和浏览等高线等。结果可以二维和三维的形式直观地展现在时间轴中，并且可以与BIM设计或计划图进行比较。

l Pix4Dreact

Pix4Dreact是一款为公共安全、应急管理等领域量身定制的快速拼图软件。可以在很短时间内将无人机拍摄的图像无缝拼接为一张带有坐标的整图。当火灾、地震、洪水等意外事故发生时，Pix4Dreact可以快速将无人机图像转化成地图，从而能够提高现场的态势感知，以帮助专业人员采取更有效的措施。

如对专业无人机图像处理软件Pix4D感兴趣，请联系我们: 400-819-2881-5或者ENVI-IDL@esrichina.com.cn。

或者直接联系当地分公司：

北京分公司：010-57632288
上海分公司：021-64268423
广州分公司：020-86007565
成都分公司：028-86080839
武汉分公司：027-82668990
沈阳分公司：024-22812660
西安分公司：029-86698900

作品单位：中国地质大学（武汉）地理与信息工程学院

小组成员：陈一仰范增辉黄博文高瑞翔

指导教师：刘修国张正加

获奖情况：特等奖

一、作品概述

冻土是指零摄氏度以下，并含有冰的各种岩石和土壤。一般可分为短时冻土（数小时/数日以至半月）、季节冻土（半月至数月）以及多年冻土（又称永久冻土，指的是持续二年或二年以上的冻结不融的土层）。目前，全球气候变化导致冻土退化情况日益严重，冻土的冻结和融化的反复交替会造成地质环境的破坏，从而导致房屋和道路等地面工程建筑物的地基破裂或者塌陷，还会引起山体滑坡、洪水暴发以及冰川移动等问题。青藏高原是地球上面积最大的高海拔冻土区，地质地貌独特，对气候变化敏感，易受人类活动影响。根据研究表明，20世纪后期青藏高原总的冻土面积退化了约23.84％。由于青藏高原海拔高，地域广环境恶劣等特点，给实地调查带来困难。而遥感手段具有监测范围广，分辨率高，重返周期短等优点，可得到最新的冻土情况并通过变化趋势研究冻土对不同气候因子的响应情况和冻土对环境的影响，对生态研究有着重要意义。本应用结合多源遥感数据基于TTOP(Top temper of permafrost)模型得到中国青藏高原地区不同尺度的冻土分布图，根据历史冻土分布数据和钻孔数据对制图成果进行评价，并结合地面站点的降雨、气温及海拔数据分析气候因素对冻土变化的影响，最后使用C#+ArcEnging+IDL进行平台开发。

二、作品主要技术流程

本应用整体流程框图划分为四个层次：数据层、处理层、应用层与分析层。数据层集成多源遥感数据，处理层对数据进行预处理、地表覆盖类型分类与温度反演；应用层承接上层结果，进行冻融指数与土壤导热系数计算，基于TTOP模型反演活动层顶板温度进行冻土制图，最后分析层结合历史与实测数据进行精度评价，分析冻土对气候变化的时空响应关系，探究冻土退化趋势。

图1 整体应用流程图

2.1 遥感数据预处理

本作品通过编程开发实现对于遥感数据的批量重投影、裁剪、拼接等预处理。

2.2基于PSC的温度反演

Landsat数据采用Practical single-channel(PSC)算法进行温度反演，PSC算法是在单窗算法的基础上，针对不同传感器计算固定参数，降低了单窗算法中由于普朗克函数线性化与大气校正的带来的误差。该算法分两步进行LST估计，首先是计算黑体辐射亮温，通过同时消除发射率和大气效应计算地表辐射度(B(Ts))。再通过反演普朗克函数，由B(Ts)计算LST。此种方法为了避免由普朗克函数线性化引起的回归不确定性。

2.3土壤导热系数计算

通过植被覆盖系数对应表生成土壤导热系数，之后通过对30*30像素范围内的所有土壤导热系数进行加权平均重采样，获得尺度变换后的导热系数。

2.4冻融指数计算

2.4.1年极值月温法冻融指数计算

对于Landsat数据冻融指数计算，根据实验区附近站点地温数据，求解年最高温度，最低温度所在月。假定全年温度变化符合以下曲线，每年使用极值温度所在月的影像，根据公式即可得到最终结果。

图2 温度拟合曲线

2.4.2全年数据累加法冻融指数计算

传统方法假设温度服从简谐波动，根据温度的年最大和最小月平均值计算融化指数与冻结指数。然而，由于全球气候变化的影响，气候波动和极端气候出现的次数有所增加，使得年内温度变化不再符合简单的简谐波动假设，造成积温计算的不准确。针对这一问题，本作品采用一种基于全年温度产品的冻融指数计算方法，以0为界限，将一年的温度划分为正温和负温，并分别累加计算正积温和负积温，从而得到准确的冻结指数和融化指数。

2.5基于TTOP模型的冻土分布反演方法

TTOP模型是用于反演活动层顶层的温度的模型。根据冻融指数和导热系数即可进行相应的计算。计算公式为:

根据此公式，输入土壤导热系数以及冻融指数即可得到活动层顶层的温度。将每9年温度平均处理，根据程国栋提出的热力学分类系统(表1)对青藏高原冻土进行分类。

表1：热力学分类系统

冻土类型	年均气温()	TTOP()
极稳定型	<-8.5	<-5
稳定型	-8.5～-6.5	-5～-3
亚稳定型	-6.5～-5	-3～-1.5
过渡型	-5～-4	-1.5～-0.5
不稳定型	-4～-2	-0.5～0.5
极不稳定型	-2～-1	>0.5

2.6精度评价

对2001-2009年冻土分布图和2010-2018年冻土分布图分别与1:300万青藏高原冻土分布图数据进行宏观上的叠加对比，比较这两者冻土分布的大致范围，从而在宏观上确认冻土分布的精确性。同时将冻土分布图与地面钻孔数据对比，得出MAGT值与实测钻孔数据差值均值为-0.618，标准差为0.930。表明制图结果能够较好地反映出冻土区域的实际情况。

图3 2001-2009年冻土分布图叠加图4 2010-2018年冻土分布图叠加

2.7联合多气候要素的冻土时空变化分析

冻土时间变化分析，对青藏高原2001-2018年CRU（英国东英格利亚大学气候研究所）全球月平均气温与降水数据进行统计，结果发现2001-2018年整体上气温呈缓慢上升的趋势，其中2010-2018年的平均气温要比2001-2009年的平均气温高0.0143；降水呈缓慢上升的趋势。其中2010-2018年的平均降水量要比2001-2009年的平均降水量多0.8577mm。

图5 2001-2018青藏平均气温变化图

图6 2001-2018年降水变化图

冻结指数、融化指数代表该地区的气温的冻结能力与融化能力，而融化指数的加强与冻结指数的下降势必会导致冻土的退化。如下图所示，2001-2018年青藏高地区融化指数在缓慢上升，而冻结指数有下降的趋势，且融化指数上升速度要稍大于冻结指数下降的速度。

图7 2001-2018年DDT与DDF变化图

对于冻土空间变化分析，将青藏高原海拔高程数据与2001-2018年每年冻土情况叠加分析，统计每类冻土对应的平均海拔，得出不同类型的冻土在海拔分布上也呈现出了逐渐升高的趋势，各类冻土在平均海拔分布上存在着很强的线性相关关系：

表2 冻土类型与海拔关系

Y	X	线性关系	R的平方
极稳定型	稳定型	Y=0.9656X+319.28	0.7818
稳定型	亚稳定型	Y=0.8167X+1009.4	0.8956
亚稳定型	过渡型	Y=0.8656X+797.03	0.9682

使用冻土类型转移矩阵分析冻土的退化情况，统计两期（2001到2009年为一期，2010到2018为二期）之间的土地利用转移矩阵。可以发现绝大多数的永久冻土在退化且主要集中在一个级别之内，冻土越不稳定变化的可能性越高。根据表4的面积统计也可以发现，除不稳定型冻土之外，其他的冻土面积均在减少，且冻土类型越稳定面积减少的越多。

表3 冻土类型转移矩阵

	一期
二期	极稳定型	稳定型	亚稳定型	过渡型	不稳定型	季节冻土
极稳定型	74.45	0.36	0.00	0.00	0.00	0.00
稳定型	25.54	73.29	0.66	0.00	0.00	0.00
亚稳定型	0.00	26.32	70.90	1.33	0.00	0.00
过渡型	0.00	0.04	27.95	61.61	1.49	0.00
不稳定型	0.00	0.00	0.49	36.62	64.44	0.24
季节冻土	0.00	0.00	0.00	0.43	34.06	99.76
类别改变率	25.55	26.71	29.10	38.39	35.56	0.24

表4 近18年来青藏高原多年冻土类型面积统计（×104km2）

				净变化		变化率
冻土类型	一期	二期	面积		百分比		（* 10⁴ km² decade^-1）
极稳定型	9.01	6.77	-2.24		-0.25		-0.12
稳定型	19.62	16.86	-2.76		-0.14		-0.15
亚稳定型	26.02	23.91	-2.12		-0.08		-0.12
过渡型	21.38	20.79	-0.60		-0.03		-0.03
不稳定型	22.47	22.77	0.30		0.01		0.02
季节冻土	139.78	147.20	7.41		0.05		0.41

三、作品成果展示——冻土监测制图平台

结合应用所需要，本作品冻土监测制图开发主要涉及到五大功能模块。分别为通用工具模块、温度反演模块、地表覆盖分类模块、冻土分布模块、制图输出模块。

通用工具模块：实现了多种栅格的数据的读取、矢量数据的读取、以及.xmd工程文件的读取。在视图方面实现了鹰眼视图。同时支持放大、缩小、全图显示以及漫游的功能。并且可以更具用户的喜好更改平台样式。

图8 基础功能模块

温度反演模块：本作品设定了一键温度反演功能，只需要输入Landsat8影像，MODIS水汽数据，试验区矢量数据就可直接生成温度产品。

图9 温度反演模块

冻土反演模块：实现对MODIS温度产品的预处理、计算冻融冻结指数、根据地表分类求取地面导热系数和冻土成图这几部分功能。

图10 冻土分布成图模块

制图输出模块：实现了基本的制图要素的显示，图例、指北针、比列尺、标题。

图11 制图输出模块

根据上述功能操作，本作品可以一键制图获得MODIS温度数据以及青藏高原冻土分布数据。

图12 温度制图

图13 冻土分布制图

四、作品关键技术与亮点

(1)本作品运用Practical single-channel(PSC)算法进行温度反演，在单窗算法的基础上针对不同传感器计算固定参数，降低了单窗算法中由于普朗克函数线性化与大气校正的带来的误差。同时根据全年数据累加法计算冻融指数，避免了传统方法中对温度服从简谐波动的假设，一定程度上消除了气候波动对年内积温计算准确性的影响。

(2)根据历史冻土分布数据与钻孔数据进行精度评价，表明本作品冻土制图结果具有较好精度。

(3)结合CRU全球气温降水数据、高程数据对冻土时空变化进行趋势分析，建立冻土变化转移矩阵，对冻土“由何变，变为何”有了清楚直观的掌握，为青藏高原地区冻土保护提供一定决策支持。

(4)本作品开发的青藏高原冻土监测制图一体化平台，针对青藏高原冻土反演制图中的关键步骤和主要问题，集成了温度反演、冻土反演和制图输出三大模块。温度反演模块实现了基于PSC算法的一键温度反演；冻土反演模块能够根据MODIS地温产品和地表覆盖分类实现冻土反演；制图输出模块能够一键输出温度专题图、MAGT专题图、多年期冻土专题图等。该系统功能完善，算法准确，高度自动化地实现了冻土参数反演制图。

作品单位：福建师范大学地理科学学院

小组成员：孙高鹏方君君陈方煜林淇昕

指导教师：沙晋明汪洋

获奖情况：二等奖

一、作品概述

大樟溪是中国福建省中部闽江下游的最大支流，发源于德化县赤水镇的戴云山，源头为国宝溪，大樟溪流域面积4843平方公里，河长234公里，河道平均坡降2.1‰。大樟溪历来为沿岸三县通闽江与周边地区出海的主要水运通道。流域水力资源丰富，历史上干支流上建有许多中大量水库及电站等水利工程。特别是龙门滩引水发电工程，位于霞碧乡硕儒村，是跨流域引水、梯级发电、综合利用的工程，为当地经济社会发展提供了重要条件。为快速实时精准地对大樟溪流域生态环境进行监测与分析，采用遥感手段综合利用土地利用变化、热环境效应、植被有机质生产力（NPP）、生态环境指数进行大樟溪流域生态环境综合评价。

图1 大樟溪流域地理位置图

二、作品技术流程

本作品利用LANDSAT、MODIS遥感影像与气象要素等辅助数据，基于ENVI-IDL与ARCGIS软件，分别从城市热环境、土地监测、生物量遥感监测、生态指数等多个角度对大樟溪流域的生态状况进行全方位、多视角、跨时空尺度的定量监测与定性分析，最终建立大樟溪流域生态环境综合评价。

图2 作品主要技术流程图

2.1遥感数据预处理

对遥感数据进行辐射定标、大气校正、裁剪、融合等预处理，对站点气象数据进行归一化等预处理。

2.2热环境

2.2.1不透水盖度

不透水面盖度（Impervious Surface Coverage，ISC）增加是城市化的显著特征，对区域生态环境要素具有显著影响。本应用采用归一化差值不透水面指数（Normalized Difference Impervious Surface Index，NDISI）提取不透水面，该指数计算公式如下：

式中，TIR、NIR和MIR1分别代表遥感影像的热红外、近红外和中红外1波段，MNDWI指归一化水体指数，和分别是绿光波段和中红外波段的反射率。

将NDISI结果进行归一化处理，将其值转换为ISC，并根据不同值阈范围进行从高到低的等级划分。该值计算公式如下：

2.2.2地表温度

地表温度是常见的地表生物物理参量之一，在城市热环境、地表辐射能量平衡、全球气候变化等应用领域都有重要研究价值。单窗算法能够将大气和地表的影响直接包括在演算公式内，与辐射传输方程法相比简单易行、应用方便，能够适用于 Landsat 数据长时间序列的地表温度反演。针对 TIRS10 的单窗算法( 简写为TIRS10_SC) :

式中,φ1= ε10τ10、φ2= ( 1 - τ10) [1 + ( 1 - ε10) τ10]。 T10为TIRS 10的亮温; Ta为大气平均作用温度( K) ; K2为常数。

图3 2013年与2017年单窗算法LST结果

2.2.3植被覆盖度

植被覆盖度基于像元二分模型通过植被指数进行估算，利用NDVI指数与地表类型数据对大樟溪流域进行植被覆盖度反演。

2.3土地利用变化

根据1984年的LULC分类标准，将大樟溪流域土地划分为建设用地、未利用土地、农用地、水域、林地、草地六个类别。分别利用非监督分类和基于专家知识的决策树分类方法对大樟溪流域进行土地利用变化划分并进行交互验证。

图4 2013年与2017年各类地物所占比

2.4植被净初级生产力

植被净初级生产力（Net Primary Productivity,NPP）的概念和解释最早在1932年由丹麦科学家 P.Boysen-Jensen 提出，之后 Lieth 又于 1973 年比较全面的阐述了NPP，将其定义为绿色植被在单位时间、单位面积内由光合作用所产生的有机质总量（Gross Primary Productivity, GPP）扣除自养呼吸（ Autotrophic Respiration, RA）后的剩余部分，也称净第一性生产力，为植物光合作用有机物质的净创造。植被净初级生产力不仅直接反映了植被在自然环境下的生产能力和生产质量，同时也成为了判定全球和局部区域生态系统碳汇和碳源的重要因子。因此，在本应用中，我们将NPP这一指标加入到大樟溪流域生态评价模型当中，以更全面、准确的评估大樟溪流域的生态环境状况。

NPP反演采用CASA模型，考虑太阳辐射、温度、降水的影响，构建基于Landsat 8 0LI及气象数据的大樟溪流域不同地类的NPP估算模型。CASA模型相比于与其他国内外各种植被净初级生产力来说较为简捷，利用遥感信息提取并结合GIS手段便能将参数分别确定，避免了参数缺乏条下，人为简化或估计参数所引入不必要的误差。CASA模型具体的计算过程为:

NPP(x,t)=APAR(x,t) × (x,t)

上式中，x表示空间位置，t表示时间；NPP(x,t)为像元 x 在 t 月的植被净初级生产力（gC·m-2·month-1）；APAR(x,t)为像元 x 在 t 月吸收的光合有效辐射（MJ·m-2·month-1）；(x,t)为像元 x 在 t 月的实际光能利用率（gC·MJ-1）。

图5 NPP反演流程

将NIR,RED波段以及影像LULC分类结果等文件，利用IDL二次开发一键化完成上述NPP全部反演算法过程。

图6 NPP结果、地表温度和植被覆盖度三维散点图(左2013年右2017年)

通过NPP结果与地表温度及植被覆盖度建立三维空间散点图可以发现，NPP跟植被覆盖度有较高的相关关系。随着植被覆盖度的增加，NPP总体呈上升的趋势。植被覆盖度一定程度上表征了地面植被的茂密情况，当植被茂盛时，其能更加充分的利用太阳辐射，产生更多的净初级生产力。

2.5 遥感生态指数

通常生态环境状况指数(EI)由生物丰度、植被覆盖、水网密度、土地退化和环境质量5个评价指数通过加权求和构成, 即: EI=0.25×生物丰度指数+0.2×植被覆盖指数+0.2×水网密度指数＋0.2×土地退化指数+0.15×环境质量指数。

由于其个别指标难以获取遂通过绿度（植被指数）、湿度（裸土指数）、热度（湿度分量）、干度（地表温度）4个指标作为生态指数的评价指标建立遥感生态指数(RSEI),即:

RSEI = f (Greenness, Wetness, Heat, Dryness)

其遥感定义为:

RSEI = f (VI, Wet, LST, SI)

式中:Greenness为绿度;Wetness为湿度;Thermal为热度;Dryness为干度;VI为植被指数;Wet 为湿度分量;LST 为地表;SI 为裸土指数。

本应用通过主成分变换来进行指标集成。其最大优点就是集成各指标的权重不是人为确定,而是根据数据本身的性质、根据各个指标对各主分量的贡献度来确定, 之后将RSEI计算结果划分为优生态区、次优生态区、中生态区、次差生态区与差生态区五个等级，通过ENVI Modeler构建模型进行多期流程化处理。

图7 建模结构示意图

2.6 结果分析

从大樟溪流域的热环境、土地利用变化类型、植被净初级生产量和遥感生态指数四个方面，对大樟溪流域的生态环境进行综合性评价。

图8 2013年与2017年NPP分级结果

图9 2013年与2017年RSEI分级结果

热环境方面，由于城市建设用地沿着大樟溪沿岸、支流与下游的闽江交汇口等出口的平原地区急剧扩张，热环境效应不断加大，形成了局部热岛的效应。

土地利用变化方面，大樟溪流域的植被覆盖率整体较高，达到了60%以上。2017年相较于2013年，林地和农用地类型，下降较明显，建设用地与未利用土地有较大幅度的上升。这表明随着城市化进程的推进，大樟溪流域的土地利用情况发生了比较明显的变化，土地利用向建设用地倾斜，部分林地和农业用地演变成了城市建设用地。

植被净初级生产量分析，大樟溪流域的NPP总体呈现降低的现象，且降低的区域主要为林地类型。相较于2013年，2017年的低生物量区域明显增加。以大樟溪主干为中心，其周围的区域几乎都为低生物量区，且以更加成片的形式展现。另一个比较明显的变化是2017年的高生物量区相较于2013年有一定的减少，特别在流域的西部、北部和东南部。

遥感生态指数分析，2017年相较于2013年，优生态区面积明显减少，中生态区面积增加，差生态面积减少。这说明在这几年的进程中，生态环境良好的区域遭遇到了一定程度的破坏，生态环境严重的区域得到了一定程度的改善。

三、作品关键技术与亮点

（1）本作品利用IDL二次开发与ENVI Modeler工具，将单窗算法LST反演、NPP反演、RSEI计算进行二次开发建模实现一键化反演，减轻了工作量。

（2）对生态过程评价中的关键步骤采用多种算法实现，通过交互式精度验证确保生态环境评价因子的真实性与可用性。

（3）本作品对大樟溪流域生态环境进行了全面细致的评价，为当地生态环境治理提供相关决策支持，具有较好的应用价值。

作品单位：聊城大学环境与规划学院

小组成员：侯英卓韩萍韩畅

指导教师：马雪梅何振芳

获奖情况：一等奖

视频地址：

一、作品概述

滑坡是指斜坡上的土体或者岩体，受河流冲刷、地下水活动、雨水浸泡、地震及人工切坡等因素影响，在重力作用下，沿着一定的软弱面或者软弱带，整体地或者分散地顺坡向下滑动的自然现象。滑坡灾害破坏性巨大，快速高效提取滑坡灾害分布并进行易发性评估，对降低滑坡带来的经济和生态损失具有重大意义。

本作品利用2019年4月Sentinel-2B数据与2014年6月Landsat8数据，结合GDEM数据和相关统计资料，以四川易发生滑坡区域茂县为案例区，基于面向对象的思想，依据光谱、纹理、几何、地形特征，实现滑坡提取与易发性评估。完成以下应用目标：（1）利用作品设计的模型，可以在灾害发生第一时间基于遥感等多源数据快速获取滑坡信息。（2）为案例区地质灾害预警提供历史和现时有效数据，进而实现未雨绸缪，降低滑坡带来的生态、经济损失。（3）为其它滑坡易发区提供风险评估指标体系、模型和方法借鉴。（4）选取Sentinel-2B数据进行滑坡监测，充分考虑该区域植被和复杂地形等因素，提出了快速高效准确的滑坡提取模型，可作为雷达方法滑坡监测的有益补充。

二、作品技术流程

本作品实现了对Landsat、哨兵数据的图像裁剪、辐射定标、大气校正、图像增强等预处理操作过程，根据滑坡遥感解译标志并搜集大量文献，快速高效地提取出滑坡并对区域进行了滑坡易发性评估。

在滑坡提取中，通过三种最优分割尺度确定方法的对比，确定最优分割尺度；采用面向对的思想、综合分析各种提取规则并基于最优提取规则搭建拓展工具，快速高效提取出了2019年的茂县区域滑坡。针对提取结果，我们利用高分辨率的谷歌地图等辅助数据进行目视解译精度验证和选取验证样本，并将本文滑坡提取方法和监督分类进行对比，得到本文Kappa系数在0.9以上，而监督分类Kappa系数仅为0.74，说明本文滑坡提取精度较高且明显好于监督分类。此外，我们还利用Python爬虫技术，爬取了微博上有关茂县滑坡的历史动态资料，以此作为滑坡提取结果进一步检验的数据。

在评估过程中，综合考虑分析研究区的地表坡度、坡向、高程、岩性、断层分布、土地利用类型、土壤类型、水文情况（降水量和水系分布）等信息；并利用决策树的方法提取土地利用类型，实现了研究区域的滑坡风险评估。针对易发性评价结果，从定性和定量两个角度实现精度检验。

图作品主要技术流程图

三、作品制作过程

3.1遥感数据预处理

研究区域数据预处理主要包括裁剪、辐射定标、大气校正和图像增强等过程。其中哨兵二号数据进行裁剪、去云、波段合成、辐射定标、大气校正和主成分分析处理；Landsat8数据进行裁剪、辐射定标、大气校正和植被增强处理；DEM数据经过镶嵌、裁剪、转换分辨率等处理过程。

3.2面向对象滑坡提取

3.2.1 滑坡提取

通过对影像进行多尺度分割，然后用最大面积法、基于GLCM纹理均值法、均值方差法对比，确定最优分割阈值。选取了十个滑坡提取规则。

（1）波谱特征规则：NDSI、NIR、NDWI_mean、FV_mean、Hue_mean

（2）纹理特征规则:Texture_Entropy

（3）几何特征规则:Elongation、area

（4）地形特征规则:Slope、Ls_shape

图属性特征设置与属性文件输出

通过基于经验值以及Otsu（最大类间方差法）法并结合研究区域独特性以及复杂性反复调试确定滑坡提取规则。

为了提高计算效率，用ENVI Modeler构建了滑坡快速提取模型并生成了拓展工具。

图滑坡提取过程建模

图滑坡提取结果

3.2.2 精度检验

精度检验分为定性和定量，主要分为两种：一是基于Kapppa系数，将本文方法和监督分类法作对比；二是基于Python爬虫技术，获取微博上茂县滑坡历史动态资料进行验证。

在微博上共爬取到了14个茂县滑坡的动态记录。其中，红色点（13个）为已检验并正确提取的滑坡点，紫色点（1个）为本文未提取出的滑坡点。

图部分滑坡提取检验图

3.3滑坡易发性评估

文中确定了十个评价因子：地震烈度、降水量、高程、坡度、距断层距离、岩性、距水系距离、土壤、土地利用类型、坡向。采用综合层次分析法与信息量法的方式对茂县区域滑坡灾害易发性进行评价。

图易发性评价模型

图易发性评价结果图

四、作品关键技术与特色

作品关键技术体现在以下几个方面：

（1）最优尺度分割：通过均值方差法、GLCM纹理均值法、最大面积法的分析对比，最终确定最佳分割尺度25；并发现对于地形复杂的山区，在影像最优分割尺度的选取上，均值方差法效果相对最佳。

（2）面向对象滑坡提取：基于最优分割后的对象，综合分析滑坡光谱、纹理、几何和地形等特征，最终选取十个滑坡提取规则。通过经验值与Otsu(最大类间方差法)确定最佳阈值。

（3）层次分析与信息量相耦合：利用层次分析和信息量相耦合的方法确定评价因子综合信息量，实现研究区滑坡易发性评估。

（4）决策树分类：通过层层筛选的方式确定地物分类最佳阈值并编写决策树，实现研究区土地利用类型提取。

（5）定性与定量相结合的精度验证：滑坡提取验证和滑坡易发性评估验证。

作品特色：

（1）选题聚焦我国自然灾害评估亟需解决的热点与难点问题

我国滑坡灾害频发，造成生态、经济损失巨大，高效快速准确提取滑坡并进行易发性评估，是滑坡预警工作的重中之重。

（2）使用较新的遥感数据源(Sentinel-2B)进行山体滑坡监测

作品首次在四川茂县运用Sentinel-2B高分辨率遥感影像进行山体滑坡信息提取和研究，充分考虑该区域植被、复杂地形等因素，通过监测植被、地形等多因子扰动，实现滑坡诊断算法，可作为雷达方法滑坡监测的有益补充。

（3）基于多源数据和GIS空间分析辅助的滑坡信息自动提取

作品应用多源、高分辨率遥感数据，基于面向对象思想，综合RS与GIS方法，获取最优分割尺度和多种提取规则，采用ENVI Modeler搭建拓展工具，实现滑坡自动识别。

（4）科学合理的易发性评估与定性定量精度验证

作品借助野外调查资料，耦合层次分析法与信息量法，采用多种评价指标，构建科学合理的评价指标体系，并从定性定量角度进行精度验证。

作品单位：山东师范大学地理与环境学院

小组成员：逄奥罗秋琪朱艺灵杨纪君

指导教师：姜爱辉

获奖情况：二等奖

视频地址：

一、作品概述

随着经济的发展，城市化进程不断加快，城市处于不断的变化之中。准确的提取地表变化信息是分析城市化进程、城市经济发展水平、城市人口的分布和城市各区功能的重要基础。传统的地表监测方法，需要大量的人力和物力和时间，成本高、时间长。光学遥感技术极易受天气情况的影响，在黑夜、多云、雨雪等天气情况下，无法清晰地观测到地物目标。在地表变化监测应用中，合成孔径雷达技术(SAR)具有显著的优势。它具有全天时、全天候、周期性地观测大范围空间连续区域的特点。SAR相比于可见光遥感的优势为能够提供反映地物特性的幅度信息和相位信息，并且不受天气状况的影响。地表物体发生的变化表现在SAR影像上为后向散射系数(强度信息)和相干系数(相位信息)发生的变化。

本作品使用Sentinel-1A数据，以ENVI+SARscape为图像处理平台，以济南高新区为研究区域，探索利用SAR影像的相干信息、强度信息来研究城市土地利用类型变化的可行性，并将其推广至其他城市。

二、作品技术流程

该项目以济南市高新区为研究对象，选取Sentinel-1A影像为数据源，成像时间段为2017年1月至2017年11月。分别基于SAR强度特性和干涉相干信息对地物变化进行检测：对影像进行配准、滤波、地理编码、定标等预处理，然后对不同时相的强度图像进行差异图构造，通过对差异图设定阈值，从而提取地物的强度理论变化区域；利用雷达干涉技术中得到的相干系数图来构造相干差异图，评估时空基线及地表湿度变化对相干变化检测的影响，然后对影像进行滤波、配准、编码等预处理，基于相干性检测设定阈值，从而提取地物的相干理论变化区域。最后，对二者检测结果进行对比分析和精度验证。

图作品主要技术流程图

三、作品制作过程

3.1基于强度特征的变化检测

基于SAR强度特性的变化检测就是对不同时相的SAR强度图像进行比较分析，根据图像件的差异来获取所需要的地物变化信息。首先对数据进行预处理（包括配准、滤波、裁剪等），然后通过对得到的强度图采用对数比值法构造强度差异图像，最后对变化区域进行提取。

图基于强度特性的变化检测的技术流程

图强度差异图

使用Band Math工具对差异图进行取绝对值操作，对照Google Earth选择7-10个样本，要求样本分布尽量均匀，取样本对应区域的像元均值作为变化区域筛选的阈值，设定阈值为1.19，使用ROI工具确定选择像元值大于1.19的像元作为变化区域

图基于强度信息的变化检测图

3.2基于相干特性变化检测

基于相干特性变化检测就是利用雷达干涉技术中得到的相干系数图来构造差异图进行地物变化检测。与强度特性的变化检测不同的是，相干特性的变化检测首先要进行时间与空间的基线估算，之后同样要对数据进行预处理（包括干涉图生成、配准、滤波、地理编码等），然后通过对得到的相干图采用差值法构造相干差异图像，最后对变化区域进行提取。

图基于相干特性的变化检测的技术流程

图相干差异图

使用Band Math工具对差异图进行取绝对值操作，对照Google Earth选择7-10个样本，要求样本分布尽量均匀，取样本对应区域的均值作为提取变化区域的阈值。设定阈值为0.5777，使用ROI工具选择像元值大于0.5777的像元作为变化区域。

图基于相干信息变化检测图

3.3基于强度信息和相干信息变化检测对比分析

3.3.1 定性精度分析

在强度差异图和相干差异图上随机选择8处变化样本区域，与Google earth中真实地物情况进行对比。

图利用Google Earth人工矢量化济南高新区2017年实际变化区域

3.3.2 定量分析

在Google Earth中人工矢量化出2017年1月-2017年11月的实际变化区域，以此作为验证样本，对变化区域提取进行定性精度分析。为了定量对比分析基于强度信息和相干信息检测结果的准确性，采用检测概率和阈值有效概率这两个指标对检测结果进行评估。

检测概率=理论变化区域与实际变化区域的相交部分面积/实际变化区域面积。

阈值有效概率=理论变化区域与实际变化区域的相交部分面积/理论变化区域面积

表基于强度信息的概率

	理论变化区域面积/平方米	实际变化区域面积/平方米	两者相交部分面积/平方米	检测概率	阈值有效概率
基于强度信息	5286475.78156	5009101.06430	4210681.55864	84.06%	79.65%

表基于相干信息的概率

	理论变化区域面积/平方米	实际变化区域面积/平方米	两者相交部分面积/平方米	检测概率	阈值有效概率
基于相干信息	5123091.60535	5009101.06403	4429346.63610	88.43%	86.46%

基于强度信息和相干信息进行济南市高新区的地表变化检测的检测概率均达到80%，说明该检测方法是可行的。基于相干信息的检测概率比基于强度信息检测概率高4.37%，基于相干信息的阈值有效概率也明显高于基于强度信息的，说明变化区域在相干差异图上表现更为明显。综合分析检测概率和阈值有效概率，作品得出：基于相干信息的变化检测要优于基于强度信息变化检测。

3.4结果

通过对比分析，选择基于相干信息的变化检测区域作为济南市高新区2017年地表变化区域。

图地表变化区域

四、作品亮点

（1）作品使用SAR数据源进行土地利用变化检测；

（2）作品不仅使用了SAR的强度变化信息，还使用了相干性进行了变化检测分析，并对过程和结果进行了合理的的分析。

SARscape中PS处理是流程化工具，包括连接图生成、干涉工作流、PS第一次反演、PS第二次反演、地理编码。每一步设置好参数，自动执行，不需要过多的人工干预就可以得到结果。如果得到的PS结果有明显的分块现象，如下图所示，这种情况需要检查和修改第一次反演的结果，本文介绍处理方法。

图 PS结果

第一次反演的结果存放在…\_PS_processing\first_inversion文件夹下，分别打开cc_first，Velocity_first、SubAreas.shp、Ref_GCP.shp文件，如下图所示：

图查看第一次反演结果

图 PS第一次反演参数面板

PS第一步反演是分块进行的，默认的是25平方公里一个参考点（SubArea for Single Reference Point）。相邻分块重叠30%（SubArea Overlap）基于振幅离差指数自动选出一个或者多个PS参考点，计算出相位偏移。

找到出现问题的那块区域，检查该区域的分块情况，找到该区域自动选出的参考点，发现参考点位于计算错误的位置。下面是强度图和cc图上该错误区域的位置，该区域包含了一块水体。

图查看反演不正常的子区域

打开subarea和Ref_GCP，查看到ID为20、21的这两块cc明显和其他分块不连续，且和强度图对比，湖面左侧的区域不应该相干性很低，导致结果错误，在Ref_GCP中查看到两个子区域对应的参考点是同一个，可以看到这个参考点也位于结果不正常的区域。记下两个有问题的子区域的ID号：20、21。

图查看子区域所用的参考点

打开像元定位工具，在这两个区域另外找一个像元，找点原则遵循PS点的原则，如屋顶、电杆、桥梁，通常是城市中的点，或其他人造地物，如温室、大坝、金属和混凝土的地物（如井盖周边，管道等）。除了这些之外，自然目标如裸露的岩石也可以是PS点。可以打开_PS_processing\interferogram_stacking路径下的mean和mu_sigma文件，结合cc文件，像元同时满足mean、musigma、cc值都比较高的位置，记录下所找到的点的行列号。本例中找到的点行列号是2173，1287，行列号即是像元在SAR图像的距离向和方位向的坐标。

图寻找新的参考点

下面用新找到的这个参考点，对20、21子区域单独进行运算。

/SARscape/Interferometric Stacking/Stacking Tools/PS Compute Specific Sub-Area工具，面板参数设置如下图所示：

图子区域重新计算

子区域运算完成之后，重新运行PS反演第一步，速率范围和高程残差范围参数和之前做的时候保持一致。在Other Parameters下面，将SubArea Merging Only改为True，其他参数不变。运行第一次反演。

图子区域重新计算后再做PS第一次反演

相同的方法，重新计算21子区域，参考点可以用20子区域的同一个点，也可以重新选择一个，本例中用的是同一个点。

重新运算之后的第一次反演后的cc和vel如下图所示：

图子区域重新计算之后的cc结果

图子区域重新计算之后的vel结果

重新进行PS第一次反演之后，接着运行PS反演第二步和地理编码，rebuild all改为true，最终得到反演正常的PS结果。

图子区域修改之后得到的最终的PS结果

作品单位：安徽科技学院资源与环境学院

小组成员：章超王海赵丹叶胜飞

指导教师：刘吉凯

获奖情况：二等奖

一、作品概述

本项目以凤阳县为例，对其进行长时间序列上的景观格局分析，从而探求其城市建设和土地资源的变化，追溯其多年来的发展状况。

本作品利用Landsat系列卫星构建1989～2018年凤阳县时间序列数据集，，采用基于机器学习的随机森林算法进行地物分类，结合RS与GIS技术、目视解译等方法，对凤阳县1995、2000、2005、2009、2013 和2018年6期影像进行土地利用分类和景观格局分析。研究结果有助于了解经济快速发展背景下凤阳县土地利用空间格局变化及规律，对于指导凤阳县城乡规划、土地资源管理和生态环境保护等方面有着重要的参考意义。

二、作品技术流程

以安徽省凤阳县为典型案例，以遥感影像（Landsat系列）为数据源构成时间序列，谷歌影像、2015年凤阳县土地利用现状图为参考数据源。首先将影像进行预处理，通过目视解译建立建筑、水体、耕地、道路、林地和裸地六类地物类型（由于2000年之前的影像分辨率较低，将道路与建筑物类别合并）的解译标志，在此基础上对每幅影像提取优选用于分类的特征，然后基于特征优选进行机器学习法（随机森林）分类，并与传统分类方法（支持向量机与最大似然法）进行对比，从而突出机器学习法的分类优势。最后对分类结果进行处理，得到土地利用专题系列图、土地类型变化系列地图，并对其进行景观格局分析，了解经济快速发展背景下凤阳县土地利用空间格局变化及规律。

图作品主要技术流程图

三、作品制作过程

3.1数据预处理

对Landsat数据进行辐射定标、大气校正、确定分类类别、选取样本、计算了五个分类特征波段：反射率、K-T变换特征、主成分特征、纹理特征以及指数特征。

图指数特征的提取

3.2基于机器学习方法的分类

使用EnMAP-Box的随机森林分类器，对Landsat 系列遥感图像进行分类。将波段反射率、K-T变换、主成分分析、纹理特征和指数特征共58个特征进行叠加导入EnMap-Box中，并将训练样本与验证样本导入，随后利用分类特征与训练样本构建分类模型，模型建立完成后，使用此模型对特征文件进行地物分类。

图基于机器学习的随机森林分类

为了评估模型58个特征的重要性，利用归一化重要性评价各个特征对模型的贡献度大小

图特征重要性评分排序

综合考虑各个特征重要性、平均和累积特征重要性与删减特征与总体精度、Kappa系数之间的关系，选取前43个特征（按特征重要性从前至后选取）作为优选特征子集，Landsat8 OLI 2013-04-04期影像、Landsat7 off 2009-04-09影像、Landsat7 off 2005-03-13期影像、Landsat7 off 2000-04-16期影像、Landsat5 TM 1995-03-26期影像、Landsat5 TM 1989-02-13期影像使用这43个特征作为最终的最优特征子集进行分类。如下图所示为Landsat8 OLI 2018-04-10期影像分类结果。

图 Landsat8 OLI 2013-04-04期影像分类结果

3.3机器学习分类法与其他分类方法的对比

对同样的数据分别进行最大似然分类、支持向量机分类、并进行分类精度评价，与随机森林分类的结果进行对比，随机森林的分类精度优于其他两种分类算法。

图不同分类方法的精度和Kappa系数对比

3.4时间序列的图像分类与变化检测

对2013、2009、2005、2000、1995、1989年的Landsat数据做处理和利用随机森林方法进行分类，得到五个年份的凤阳县土地利用图、水体分布图、建筑分布图、耕地分布图。并进行土地变化检测。

图 2018年凤阳土地利用现状图

图凤阳县1995-2018水体变化专题图

图凤阳县1995-2018建筑变化专题图

图凤阳县1995-2018耕地变化专题图

3.5景观格局分析

景观格局分析的目的是为了在看似无序的的景观中发现潜在的有意义的秩序或规律。本作品选取面积、斑块类型所占景观面积的百分比、斑块数、斑块密度、最大斑块指数、总边缘长度、边缘密度、平均面积八个指标进行景观格局分析。分别对每一期影像的分类后结果进行相同的景观格局分析，并从中提取所选的景观参数，得到1995-2018其中6年的景观格局分析结果。

2018年土地利用的景观格局分析结果

地物类别	CA-面积	Pland-斑块类型百分比	NP-斑块数	PD-斑块密度	LPI-最大斑块指数	TE-总边缘长度	ED-边缘密度	AREA_MN-平均面积
水体	16371.36	8.3556	8728	4.4546	1.5188	3843930	19.6186	1.8757
居民区	38871.3	13.7145	13985	7.1376	2.2155	8563440	43.7059	1.9214
道路	4342.49	0.43	4973	2.5381	0.0047	909390	4.6413	0.1694
耕地	132551.4	70.7136	3570	1.8221	60.3154	1.4E+07	69.7574	38.8099
林地	12996.18	6.633	3492	1.7822	1.2902	2466720	12.5859	3.7217
裸地	7300.33	0.1533	500	0.2552	0.0162	161550	0.8245	0.6007

根据所得到的景观格局分析的指数数据对时间序列的不同类别地物CA（面积）、PD（斑块密度）和ED（边缘密度）变化进行分析。

图 1995-2018年CA变化

图 1995-2018年PD变化

图 1995-2018年ED变化

结合景观分析的结果，作品从经济因素、城市规划、政治因素对凤阳县景观格局变化的驱动因素进行了分析。

四、关键技术

（1）作品基于机器学习的随机森林分类进行土地利用分类，并进行了时间序列的土地利用变化分析；

（2）作品结合景观格局分析的方法，对研究区土地利用变化过程和因素进行了全面的分析。

作品单位：贵州大学生命科学学院

小组成员：杨清青彭海兰何海降代磊

指导教师：王志杰苏嫄

获奖情况：二等奖

一、作品概述

针对贵州省生态环境保护和建设的迫切需求，以及喀斯特地区基于遥感技术进行大尺度、长时间序列的景观生态健康评价研究薄弱的特点，本作品以贵州省贵阳市为研究对象，综合运用遥感、GIS和生态系统健康评价等学科理论和技术构建了遥感技术支持下的喀斯特山地景观生态系统健康评价指标体系，使用VOR生态系统健康度量模型对黔中喀斯特地区进行应用评价。可为贵阳市生态环境保护与综合治理、生态文明建设提供理论依据和技术支持。

本作品主要借助ENVI5.5软件平台空间建模工具，打造“一键式”操作。其过程操作简便，对于运用TOPSOS-VOR模型进行区域生态健康评价的普及应用具有重要的意义。

二、作品技术流程

以贵阳市2008年、2013年及2017年的遥感影像作为主要数据源，构建贵阳市近十年来景观生态系统健康评价指标体系和VOR（活力-组织力-恢复力）模型，基于ENVI Modeler建模工具及其他辅助工具，获取贵阳市近十年来景观健康性指数分级图。

图作品主要技术流程图

三、作品制作过程

3.1 图像预处理

对影像进行辐射定标、快速大气校正、几何校正、图像融合、图像镶嵌与裁剪。对预处理的过程进行建模，以进行高效的预处理。

图图像预处理工作流程

3.2 土地利用分类

以贵阳市Landsat遥感数据为基础，用ENVI进行监督分类得到三年结果图如下。为后期部分指数的计算提供基础数据。

图贵阳市三年土地利用类型结果图

3.3 生态健康指标计算

计算了温度、NPP、NDVI、NDBI、景观破碎度指数、生态弹性度、平均斑块面积、景观多样性指数，地形起伏度、地形坡度，这些指标，作为生态健康评价的输入数据。

图生态指标计算

3.4 景观生态健康评价

对指标进行归一化，用VOR模型计算景观健康性指数，从而进行生态健康评价。

用ENVI Modeler建模建立VOR评价模型，整体流程包括指标连接、子系统指标主成分分析、子系统归一化、分级。

其中，指标连接子系统包括活力、组织力、恢复力三个子系统；子系统处理是对聚合指标的各个子系统进行波段融合、主成分分析以及等级划分；VOR处理包括子系统波段融合、VOR计算、计算结果归一化、分级和裁剪。将各个子系统的步骤进行建模，最终整体的模型如下图所示，其中，NPP计算和LST计算使用了扩展工具的Task。

图指标连接、归一化以及命名

图健康性公式

图景观生态健康评价模型全貌

3.5 结果分析

得到了活力指数、组织力指数、恢复力指数、稳定性指数。

从图像得知2008年三级活力值均匀分布，2013年三级活力值符合森林植被分布，2017年二级活力值范围扩大且集中在观山湖区、与云岩区。

图活力指标结果图

三年的组织力都很高，一、二级组织力主要集中在建设用地与河流，可以直观地看出建设用地面积扩大，森林和草地斑块面积占比较大，对组织力贡献度大。

图组织力指标结果图

三年恢复力在四级以上的面积比例在逐年减少，分别为92.86%、87.75%、85.94%。这与贵阳市发展有关，建设用地面积逐年增大，人类活动影响加深有关。

图恢复力指标结果图

结合活力、组织力与恢复力，可看出三年的健康性在逐年降低，健康性良好及以上，三年的面积占比分别为：90.22%、85.37%、65.41%，健康性在较差及以下三年的面积占比分别为7.21%、12.55%、14.18%。说明从2008年到2017年健康良好面积在下降，非健康面积在上升。

图健康性指标结果图

四、作品意义与亮点

（1）本作品借助ENVI5.5软件平台空间建模工具，打造景观生态评价“一键式”操作。其过程操作简便，且对于运用VOR模型进行区域生态健康评价的普及应用具有重要的意义。

（2）应用遥感数据和生态系统健康学指标实现对生态健康评价中活力、组织力、恢复力等指标的选择和量化，可为其他地区景观生态健康评价体系研究提供借鉴，夯实喀斯特地区在景观尺度下对景观生态系统健康评价研究的基础。

为扬尘治理和保护环境，城市的裸露地表、易扬尘物料等要求覆盖防尘网。防尘网一般由聚乙烯材料制作的网状物，颜色主要为黑色和绿色。

本文介绍利用遥感影像和ENVI深度学习工具快速提取防尘网覆盖信息，数据和处理环境如下：

l 数据源：标准景高分二号3.8米4波段多光谱数据，16bit

l 处理软件：ENVI5.5.2+ENVI Deep Learning深度学习模块，软件试用可访问：http://blog.sina.com.cn/s/blog_764b1e9d0102ycm2.html

l 处理计算机：ThankPAD P52笔记本，NVIDIA Quadro P3200 6G显存。

提取效率和结果如下：

内容	时间
样本选择	小于10分钟
模型训练	34分钟
图像分类	小于2分钟
总共36分钟

由于防尘网覆盖信息特征比较明显，采用验证样本方式得到生产者精度达到0.93，F1=0.72。通过目视查看，发现覆盖比较长时间的防尘网有漏分情况，操场塑胶跑道被错分情况，总体来看效果非常不错，可选择更多样本提高精度。

图：结果1

图：结果2

图：结果3

ENVI Deep Learning深度学习工具操作步骤主要分为三步，下面我们详细介绍整个操作过程。

图：操作步骤

1 选择样本

从整景影像中选择小部分区域来选择样本和训练模型。

（1） ENVI中打开图像，之后放大和定位到需要选择的样本的区域。

（2）选择File –>Save As->>Save As….。

（3）在文件选择对话框中，选择图像文件，单机Spatial Subset按钮，选择当前视图作为子区选择源，选择输出路径保存。

（4）在图上确认防尘网解译标志，如下图所示即为防尘网，覆盖时间较短和较长情况下的防尘网。

图：图像上的防尘网

（5）利用ROI工具在上一步裁剪图像上选择防尘网作为样本，沿着防尘网边界绘制多边形。

图：样本分布（黄色区域）。

（6）在Toolbox中，启动/Deep Learning/Deep Learning Guide Map 流程化工具。

注：ENVI Deep Learning工具有两种操作方式：流程化和分布式，本文选择的是流程化操作方式。分布式选择相应的工具即可，如本步骤选择/Deep Learning/Build Label Raster from ROI。

（7）在ENVI Deep Learning面板中，单击Train a New Model按钮。

（8）在Train a New Model面板中，单击Build Label raster form ROI。

（9）在Build Label raster form ROI面板上，分别选择裁剪图像、样本ROI文件、输出文件，单击OK执行，完成样本选择步骤。

注：Build Label raster form ROI工具是将ROI格式的样本文件转成标签文件，标签文件中的一个波段其实就是一个二值图，样本区值为1，其他区域值为0。该步骤生成一个裁剪图像（4个波段）与标签图像合成的一个5波段图像文件。

（10）重复上述步骤，在另外一块图像上选择样本作为验证样本，本步骤为可选项。

图：Build Label raster form ROI面板

2 训练模型

（11）在Train a New Model面板中，单击Train Model按钮。

（12）在Train TensorFlow Mask Model面板中，单击New Model按钮，新建一个初始化模型文件。

（13）在弹出的Initialize ENVINet5 TensorFlow Model对话框中：

l Number of bands（样本文件的波段数）：4。

l Output Model：选择输出路径和文件名

（14）在Training Rasters中选择训练标签图像。

（15）在Validation Rasters中选择验证标签图像，如果没有验证样本，这里可以选择训练标签图像。

（16）其他参数先按照默认，参数的详细解释见后表。

（17）选择模型输出路径和文件名，单击OK执行。

注：这一步将会用到GPU运算，如果没有GPU则使用CPU计算，速度会较慢。

（18）最终会得到一个 .h5的规则文件，其实就是一个HDF5格式的文件。通过Deep Learning Guide Map 面板中的Tools->Edit TensorFlow Model Metadata工具可以浏览训练模型的生产精度（validationPrecision）、用户精度（validationRecall）和F1值。

图：Train TensorFlow Mask Model面板

表：Train TensorFlow Mask Model主要参数说明

参数	说明
Patch Size	l 此值与GPU显存有关 l 值越大，效率越高，对显存要求越高 l 切片大小不能大于标签图像行列数
Number of Epochs	迭代数，建议在 16 到 32 之间
Number of Patches per Epoch	每次迭代训练的切片数 l 此值一般在 200 到 1000 之间 l 训练数据集数量越少，设置此值越小
Number of Patches per Batch	一次处理使用的切片数 l Batch 是指一次迭代使用的一组切片 l 如果为空，ENVI 将自动确定合适的值
Patch Sampling Rate	切片采样比率 l 当特征稀疏时，增加该值可能会有所帮助 l 对于较小的切片大小，增加此参数
Solid Distance	固定距离（单位像素）对于宽度一致的线性特征（如道路、道路中心线和运输集装箱）或尺寸一致的紧凑型特征（汽车和停车标志），建议定义该参数。
Blur Distance	模糊距离（单位像素） l 深度学习算法很难学习诸如建筑物等特征的锐利边缘。模糊边缘，并在训练过程中减少模糊距离可以帮助模型逐渐聚焦于特征。 l 模糊距离最大值必须小于70。
Class Weight	一般来说，为稀疏训练集设置最大值。有效范围在 0.0 和 6.0 之间。
Loss Weight	参数可用于偏差损失函数（bias the loss function），以更加注重正确识别特征像素，而不是识别背景像素。此参数在特征目标稀疏分布或者没有标记所有特征时很有用。值为0表示模型应同等对待特征和背景像素。增加Loss Weight参数会使损失函数偏向于寻找特征像素。此参数值的有效范围在 0 到 3.0 之间。

3 图像分类

（19）Deep Learning Guide Map 流程化工具进入Classify Raster Using a Trained mode面板。

（20）在Classify Raster Using a Trained mode面板中，单击Classify Raster Using a Trained Model按钮。

l Input Raster：输入整景高分二号影像。

l Input Model：输入上一步获取的模型文件（自动输入）。

l Output Raster：选择输出结果。

（21）单击OK执行。

得到的结果是一个单波段的灰度图，像素值（0~1范围）表示与样本的相似程度，像素值越大表示属于该类别的可能性越大。我们可以采用密度分割方法进一步提取结果。

（22）执行完分类后，自动跳转到Post-Classification面板。单击Class Activation to Classification按钮。

注：也可以直接生成Shapefile矢量结果，单击Class Activation to polygon Shapefile按钮。

（23）在Class Activation to Classification面板中，可以手动设置分割阈值，也可以选择自动方法，这里选择Otsu自动阈值分割。

（24）选择输出结果名称和路径，单击OK执行。

图：Class Activation to Classification面板

作品单位：安徽理工大学测绘学院

小组成员：刘潜张来福谭毅乔松玉

指导教师：张震王世航

获奖情况：二等奖

一、作品概述

目前，国内外已有不少学者利用夜间灯光数据进行了贫困评估的研究，其研究成果都可以证明夜间灯光数据可以作为贫困评估的替代数据源，但仅使用单一的夜间灯光数据难以全面地反映其贫困特征，将夜间灯光与其它数据相结合进行贫困识别是当下的研究趋势，而目前有关于将夜间灯光数据与DEM相结合进行贫困评估的方法与理论研究较少，使用机器学习算法进行贫困县区识别的研究更是屈指可数。因此，本项目基于夜光数据与DEM数据进行了探究。

作品将实验对象分为A、B两组，(A)仅使用夜间灯光数据；(B)将夜光数据与DEM数据结合使用，再分别采用机器学习中的随机森林算法对A、B两组实验对象进行我国贫困县与非贫困县的识别分类，并对两组实验的识别结果进行精度评价，旨在探究夜间灯光数据与DEM相结合的贫困评估能力。最后，为了进一步证明DEM特征波段能够为贫困县识别提供丰富、有效的信息量，作品还对所选取的特征变量波段进行了降维处理，分析了特征变量内部的结构成分。

二、作品技术流程

首先将实验对象分为A、B两组，A组基于NPP-VIIRS夜间灯光数据，提取夜间灯光的11个特征变量，如县域内像元灯光值的总和、平均值、标准差、极差等；B组则增加了基于DEM数据提取的2个特征变量：县域平均高程值、县域内坡度大于15°的面积占比，总共组成13个特征变量。因此，A组有11个特征变量组合，而B组的特征变量组合有13个。选取110个贫困县训练样本与130个非贫困县训练样本，采用机器学习随机森林方法对两组实验对象进行贫困县识别，对比夜间灯光数据与DEM数据结合前后的贫困县识别精度。最后，为了进一步证明DEM特征波段能够为贫困县识别提供丰富、有效的信息量，本项目通过分组计算波段指数的方法对13个特征波段进行了降维处理，分析特征变量内部的结构成分。

图作品整体思路流程

三、作品制作过程

3.1夜光数据辐射校正

NPP-VIIRS夜光数据的辐射校正的具体方法为：(1)根据近十年中国社会经济发展的实际情况分析，选取北京市中心城区最大的灯光值作为上限阈值，将超过该阈值的灯光直接赋值为该上限阈值；(2)对于灯光影像中存在的负值则替换为0像元。经过上述处理，剔除了影像中的孤立极亮像元和负值像元，提高了数据应用的准确性。

图夜光数据辐射校正结果

3.2夜间灯光特征变量的提取

从数量特征、离散特征、分布特征、空间特征的角度，提取了夜间灯光数据的11个特征变量，得到两组的实验对象。如下表所示：

夜间灯光与DEM的特征变量

符号	特征变量	符号	特征变量
X1	县域内灯光值的总和	X8	县域内大于10的灯光值总和
X2	县域内灯光的平均值	X9	县域内大于10的灯光平均值
X3	县域内灯光的最大值	X10	县域灯光最大值的局部莫兰指数
X4	县域内灯光的最小值	X11	县域灯光平均值的局部莫兰指数
X5	县域内灯光值的极差	X12*	县域内平均高程 (DEM)
X6	县域内灯光值的标准差	X13*	县域内坡度大于15°的面积占比 (DEM)
X7	县域内灯光值大于10的个数

图局部莫兰指数分布

3.3 DEM特征变量的提取

提取DEM数据的2个特征变量：县域平均高程、县域内坡度大于15°的面积占比。

图 DEM特征波段

3.4特征变量集成

将所提取出来夜间灯光的11个特征变量与DEM的2个特征变量汇集成一个汇总数据，以便之后的随机森林分类的进行。

图特征变量集成

3.5随机森林分类

由《中国农村扶贫开发纲要(2011-2020年)》确定的11个集中连片特殊困难地区，加上西藏、四省藏区、新疆南疆地区，共计14个全国重点扶持片区，涉及680个县区。选取110个贫困县与130个非贫困县作为机器学习的训练样本，分别对两组实验对象进行随机森林分类，识别出我国的贫困县与非贫困县区。

图结合DEM数据前后识别结果对比

3.6精度评价

选取了100个贫困县与100个非贫困县作为精度检验的数据，计算夜间灯光数据结合DEM数据前后两次识别结果的精度，得到两次分类的混淆矩阵，结合DEM数据前后识别的总体精度分别为84%和87.5%，Kappa系数分别为0.6800与0.7500，可见夜间灯光数据与DEM结合能够为贫困县的识别精度带来提高，同时也说明DEM数据能够提供有利于贫困县判断识别的特征信息。

结合DEM数据前后随机森林分类的混淆矩阵

结合DEM 数据前	类别	贫困县	非贫困县	总计	用户精度
	贫困县	85	17	102	83.33%
	非贫困县	15	83	98	84.69%
	总计	100	100	200
	生产者精度	85.00%	83.00%
	总体精度：84% Kappa系数：0.6800
结合DEM数据后	类别	贫困县	非贫困县	总计	用户精度
	贫困县	83	8	91	91.21%
	非贫困县	17	92	109	84.40%
	总计	100	100	200
	生产者精度	83.00%	92.00%
	总体精度：87.5% Kappa系数：0.7500

3.7波段降维

为了进一步证明DEM特征波段能够为贫困县识别提供丰富、有效的信息量，作品采用分组波段指数法对13个特征波段进行了降维处理，剔除相关性较大、信息冗余较多、信息量小的特征波段，分析特征变量内部的结构特征。

通过相关系数分析将特征变量划分为以下6组：①X1、X7、X8、X10；②X2、X4、X6、X9；③X3、X5；④X11；⑤X12；⑥X13。计算各变量的标准差，分组求出各变量的波段指数 (值越大，变量越佳)，通过波段指数筛选出的特征波段为X1、X2、X3、X11、X12、X13。

利用筛选出来的6个特征波段组合再进行随机森林分类，并进行精度检验。

图波段降维后贫困县识别结果

四、作品关键技术

（1）作品通过对比，仅使用夜间灯光数据和夜间灯光数据与DEM数据结合使用，后者能够有效提高贫困县的识别精度。

（2）在进行波段降维剔除了信息冗余高、信息量小的特征波段后，仍保留了DEM的特征波段信息，说明DEM数据能够提供有利于贫困县判断识别的有效特征信息与更加丰富的信息量。

（3）使用波段降维后的特征波段对我国贫困县进行机器学习识别，其识别精度比用所有特征波段进行识别的精度低，表明波段降维虽然降低了信息冗余、保留了大量的特征信息，但其信息量确实有所减少，因而，贫困县机器学习的识别精度也必然会受到影响。

传统的遥感应用的基本流程是首先获取遥感数据，可以通过网络下载方式获取，之后在专业的遥感软件中进行处理和分析，最后形成分析结果进行分享。在线遥感应用将遥感数据获取、数据处理和分析、结果的分析统一在Web中完成，可能只需要在Web端点击几下鼠标就能完成整个过程。数据源是在线遥感应用中很关键的一个环节，数据源除了具备能在线使用外，能持续更新也是一个重要要素。

这里会利用两个技术点：

l 云地球大数据集：是Open Data on AWS众多数据集中的一个，这个大数据集包含110种开放地球观测数据集，源数据由（非）政府组织、研究机构、企业和个人来维护。其中免费提供全球范围、全时段范围内哨兵1、哨兵2、Landsat8卫星数据，数据都以S3 协议共享。其中时间周期最短的是哨兵2，同一区域5天一个重返，局部地区因为有拍摄重叠，2~3天一个重返。

l 企业级遥感服务平台技术：核心是将遥感处理、遥感分析、遥感模型算法等以Web Services的方式提供，支持Web API构建Web应用端，部署环境支持集群环境、企业级服务器或云平台。

下面我们以一个实际例子介绍利用云地球大数据构建在线遥感应用系统。

系统架构

如下图所示，将遥感处理与分析流程封装为应用程序，并部署在服务器上，数据源为亚马逊S3上的云地球大数据集，以S3标准提供，如S3协议的数据地址：s3://sentinel-s2-l1c/tiles/49/R/FM/2019/10/15/0/metadata.xml，利用Web API构建的Web应用程序，遥感处理与分析应用程序都是以Rest服务提供，Web应用程序直接与Rest遥感服务进行通信。

图：系统架构

其中数据源主要是哨兵2，哨兵2具备10米分辨率、多波段、5天重返等优点，更重要的共享的是L1C级数据，经过了几何校正和表观反射率定标，采用MGRS格网化处理，按照MGRS网格生成100x100km网格的图像。

图：哨兵2的MGRS网格化管理

系统预期效果

我们以水环境和作物长势监测为例子构建了一个在线的遥感应用系统，因为数据源是亚马逊S3上的哨兵2数据，如果不考虑精度问题，可以获取世界任意地方的水环境信息。

图：基于WebAPI 搭建Web应用

这里选择太湖作为监测区域，查询得到最早的是2020年1月9号，可以预览云量和快视图等信息。最早的无云影像是2020年12月30号，选择这期影像。

图：数据查询与预览

本系统提供6种水质参数反演模型，如下图所示为这些水质参数反演的流程，主要有7个步骤，7个步骤形成了一个流程化服务，以Rest服务方式提供。选择需要反演的水质参数提交，系统执行处理后把结果返回给客户端。

图：水环境反演参数

客户端自动显示处理结果，结果也可以下载到本地进一步分析。

图：水环境反演结果

总结

利用云地球大数据构建在线Web遥感应用系统可以充分利用云上的遥感数据源，这些遥感数据源几乎每天都在更新，让Web遥感应用系统真正“活”起来。

高分六号于2019年3月21日正式投入使用，它是一颗低轨光学遥感卫星，具有高分辨率、宽覆盖、高质量和高效成像等特点，配置2米全色/8米多光谱高分辨率相机（PMS）、16米多光谱中分辨率宽幅相机（WFV），2米全色/8米多光谱相机观测幅宽90公里，16米多光谱相机观测幅宽800公里。

宽幅相机（WFV）除了常见的蓝/绿/红/近红外四个波段，还增加了能够有效反映作物特有光谱特性的“红边”波段，以及一个紫外波段，一共8个波段，也被称为精准农业观测的高分卫星。

本文介绍利用ENVI对高分六号WFV数据进行几何校正处理，如下为数据情况和处理效率统计：

l 高分六号数据：L1A级标准景高分六号WFV数据（30%左右云覆盖）。

l 参考影像：15米Landsat8 全色图像

l DEM：90米SRTM

l 软件及计算机环境：ENVI5.5.2，ThankPAD P52笔记本电脑（i7-8850,64G内存）。

整景高分六WFV几何校正结果文件大小为25G（ENVI格式），处理时间如下表。

处理方式	时间	说明
无控制点正射校正	45分钟	Grid Spacing默认10，如果设置100或者1000速度会提升，精度会有所下降
Landsat8参考正射校正	42分钟	34个GCP，RMSE=12.83米，

1. 数据打开

请使用易智瑞（中国）遥感事业部开发的“中国国产卫星支持工具”打开国产卫星数据。

建议使用ENVI App Store进行ENVI扩展工具的安装与管理。

ENVI App Store下载地址：www.enviidl.com/appstore

1) 在App Store找到中国国产卫星支持工具，点击Install App进行安装。

2) 重启 ENVI即可。

或手动安装扩展工具：www.enviidl.com/china

GF-6 WFV由三台相机拍摄的图像组成，打开时可以自动组合一张图，也可以分别打开三个图像进行处理。本文直接对整张图进行几何校正，单独三个图像的几何校正步骤类似。

（1）启动ENVI。选择主菜单 File > Open As > China Satellites > GF-6。选择*.til文件打开，自动会把三个图像文件进行虚拟镶嵌。

注：如果要单独打开三个图像文件，在文件过滤器中选择WFV/XML，选择打开XML文件。

（2）在Layer Manager中，右键选择菜单View Metadata，RPC文件自动打开了。

图：GF-6 WFV元数据文件

（3）图像打开后会基于RPC文件虚拟几何定位，使用ENVI拉幕等工具浏览，与Landat8pan图像对比有3~10个像素的偏移。

图：RPC文件虚拟几何定位与Landat8pan图像对比

2. 无控制点正射校正

（1）在Toolbox中，启动/Geometric Correction/Orthorectification/RPC Orthorectification Workflow工具。

（2）在File Selection面板：

Input File：选择GF-6 WFV数据；

DEM File：选择SRTM90米的DEM；

Geoid Correction取消勾选。

（3）单击Next，在RPC Refinement步骤中，打开Advanced面板，设置参数。

Output Projection：默认UTM，可点击Browse按钮更改。

Output Piexl Size：16.0；

Image Resampling：Cubic Convolution；

Grid Spacing：10。正射校正的格网大小，格网越大数据越快，相应精度越低。

（4）在Exports面板中，选择输出路径和文件名（默认会在输出文件名基础上增加_rpcortho后缀）。

（5）单击Finish执行处理。

使用ENVI拉幕、透视等工具浏览，与Landat8pan图像进行精度检验，总体精度非常好，基本能吻合，局部地区有1~2个像素的偏移。高分6的几何定位精度大大提高，无控制点正射校正基本能满足大部分应用要求。

图：无控制点正射校正结果

3. 参考影像正射校正

如果对几何精度要求更高，可基于基准影像自动找GCP执行RPC正射校正。

（1）点击/Geometric Correction/Orthorectification/RPC Orthorectification Using Reference Image，打开基于基准影像的RPC正射校正工具；在面板上进行数据读写和参数设置：

l Input Raster：选择GF-6 WFV数据；

l Input Reference Raster：具有准确地理位置信息的参考影像。选择Landsat8 Pan影像数据；

l Input DEM Raster：覆盖待校正影像区域的DEM数据，选择SRTM90米的DEM；

l DEM Is Height Above Ellipsoid：DEM数据是否是椭球高。SRTM是椭球高，选择Yes；

注：如果这里使用ENVI自带的全球900/200米分辨率的DEM，则按照默认No。

l Requested Number of GCPs：100，需要采集的控制点最大数量；

l Search Windows Size：500，搜索窗口大小，窗口越大找点精度越高，时间越长；

l Output Coordinate System：可选项，如果不设置，则输出的正射校正结果是UTM WGS84坐标系的；

l Output Pixel Size：X：16，Y：16。

注：输出像元大小为可选项，如果不设置，则输出的像元大小为根据RPC自动计算的平均像元大小，建议手动设置输出数据的分辨率。

l Image Resampling：重采样方法，默认双线性内插Bilinear，推荐使用精度更高的Cubic Convolution；

l Grid Spacing：像素栅格间距。保持默认10；这个值越大，校正速度越快，精度越低。

l Output Raster：正射校正结果输出路径及文件名。软件会自动设置，可手动修改；

l Output GCPs：控制点文件输出路径及文件名，软件会自动设置，可手动修改；

（2）参数设置好之后，点击OK开始执行。

注：在Toolbox中，打开/Geometric Correction/Orthorectification/RPC Orthorectification Workflow工具，可以将前面自动生成的控制点文件导入，查看自动寻找的控制点精度。也可手动修改GCP点。

图：RPC Orthorectification Using Reference Image参数设置面板

使用ENVI拉幕、透视等工具浏览，与Landat8pan图像进行精度检验，总体精度非常好，绝大部分地区在1个像素内。

作品单位：江西理工大学

小组成员：廉悦李文欣李海翠

指导教师：况润元

获奖情况：二等奖

一、作品概述

湿地是地球上具有重要环境功能的生态系统和多种生物的栖息地之一。在维持生态平衡、保持生物多样性和珍稀物种以及涵养水源、蓄洪防旱等方面起到重要的作用。但随着全球气候和生态环境恶化、人类过度开发导致全球湿地的严重破坏，生物多样性受损。鄱阳湖是中国的第一大淡水湖，也是中国第二大湖，是世界六大湿地之一，全球白鹤和白鹳的主要越冬地。鄱阳湖自然保护区位于江西省北部总面积为224km²。鄱阳湖自然保护区在景观生态、生物多样性、气候调节、生态安全方面发挥着非常积极的作用。然而, 相关问题也逐年显现, 如自然保护区管理问题、经费短缺问题、保护与利用问题、与周边社区的矛盾问题等。特别是自然保护区的建设和可持续发展理论研究滞后, 缺乏对自然保护区可持续发展的定量化评价, 导致保护区的规划布局、生态补偿、自然资本运作等方面工作开展困难。著名学者张友茂先生说：“鄱阳湖生态湿地，是长江下游的气候的肺脏。”可见湿地的保护已刻不容缓。

本作品以鄱阳湖自然保护区为例，借助ENVI中决策树、面向对象、多时相等不同分析方法，对1995年至2017年的多幅Landsat影像进行信息提取。得到二十多年鄱阳湖保护区湿地类型变化情况，分析其动态变化和空间分异情况，为该湿地情况改善、湖泊低水位提前、退化现象进行评价和提供辅助决策信息。

二、作品技术流程

以1995~2017年间水稻种植时期（8-9月）和收割后时期（12-1月）Landsat5和Lansat8影像为数据源进行预处理操作，结合决策树和基于规则的面向对象提取等方法对环鄱阳湖湿地信息进行分类提取。对分类结果进行类后处理并建立混淆矩阵进行精度评价。最后根据多个年份的影像构建土地利用转移矩阵分析各湿地类型变化情况。

图1 作品主要技术流程图

三、作品制作过程

2.1数据处理

遥感数据预处理包括辐射定标、大气校正和研究区裁剪。之后根据提取类别建立解译标志与地物类型波谱库。

表1 影像判读解译标志

2.2湿地提取

根据鄱阳湖保护区湿地特点共划分：河流、湖泊、水田、草地、库塘、水产养殖场、其他，七个类别进行湿地类别信息提取。

2.2.1湖泊河流提取

运用MNDWI归一化指数并根据一定阈值区分水体非水体，之后建立不同的规则来对湖泊和河流进行区分。其中湖泊面状几何特征明显，但通常呈不规则形状，有别于人工库塘，其面积较大，呈块状；河流形态自然弯曲，呈条带状，大型的河流在影像上表现为水体特有的狭长曲折形状。可根据面积、延展性等条件进行基于规则的面向对象提取，结果如下图所示：

图2 湖泊分类规则图3 湖泊分类结果

图4 河流分类规则图5 河流分类结果

2.2.2水产养殖场提取

库塘和人工养殖场库塘几何特征明显，在影像上呈条形、折线状，前缘有较规则的线性人工拦水坝及人工塑造痕迹；水产养殖场纹理特征比较明显，在影像上呈规则的格网状，边界较为清晰，通过人工解译的方法，对养殖场建立感兴趣区进行掩膜提取，其余水体为库塘类别。

2.2.3水田提取

鄱阳湖地带的早稻一般集中在7月下旬收割，晚稻集中在10月下旬收割。水稻和草地在遥感影像中具有相似的特征，利用传统的遥感分类很难将两者区分开来。通过对比多期影像发现水稻收割之后在影像中光谱特征与裸地相似。因此通过多时相的方法采用不同时期所获取的同一地域影像进行水田提取。借助提取得到的9月份植被和11月份植被，通过两期相减得到水田地类。

图6 植被提取结果图7 水田提取结果

2.3动态分析

对分类提取结果进行聚类过滤等处理，得到最终1995年~2017年鄱阳湖地区湿地保护专题图。

图8 1995年鄱阳湖自然保护区专题图图9 2000年鄱阳湖自然保护区专题图

图10 2005年鄱阳湖自然保护区专题图图11 2010年鄱阳湖自然保护区专题图

根据得到的1995年到2017年间多个年份点的数据进行各类湿地面积计算、动态度、各类湿地占比、各类湿地间面积转移矩阵及湿地非湿地面积转移矩阵来分析22年来湿地变化情况。

图12 1995年-2017年各湿地类型面积图13 1995年-2017年各湿地类型面积变化

图14 不同时段湿地面积变化速度情况图15 不同时段湿地面积动态度变化情况

图16 不同年份各类湿地面积比重变化情况图17 不同时期湿地非湿地间的面积转化

从图中湿地面积变化折线可见，鄱阳湖自然保护区及毗邻区面积从1995年到2017年整体呈下降趋势，面积减少了143.1549平方千米；在2014年有上升，但相比95年，面积减少了39.6289平方千米。

鄱阳湖自然保护区及毗邻区湿地面积变化速度整体呈下降趋势，为-6.507平方千米/年；其中只有在2010年到2014年中变化速度为正，为每年24.1535平方千米/年；在2014年到2017年中变化速度最大，为-34.5087平方千米/年；可见在该保护区应加大湿地保护力度，为珍稀鸟种栖息提供更好更有力的环境，同时为当地环境气候调节提供辅助性决策。

动态度可以反应湿地或某湿地类型的变化剧烈程度。从数据反应可以得到，只有库塘和水田呈正向变化，其他类型湿地都呈反向减少趋势。其中在2000年到2005年为反向最小达-0.61%，2014-2017年间动态度方向最大为-4.84%，只有在2010年到2014年动态度为正向变化达3.92%。

各类湿地面积比重变化，湖泊面积占比最大，在六个年份中湖泊面积占比最大为2000年的84.33%，最小在2010年有58.29%；之后即为水田，最多是在2010年占有29.49%，最少为2000年占有7.09%；其中库塘占比最少，最少至2000年的0.32%。

在湿地非湿地动态变化过程中，存在频繁的湿地与湿地、湿地与非湿地的转化。结果表明，2014年以前非湿地向湿地转换一直呈上升趋势；而2014年之后湿地向非湿地的转化逐渐增加。

综合以上结果得到，鄱阳湖自然保护区及毗邻区湿地类型多且样分布不均，近 22年来环鄱阳湖区湿地面积总体呈减少趋势。其湿地向非湿地转化呈增加趋势，而非湿地向湿地转化呈减少趋势。从其构成看湖泊湿地所占比重最大、水田湿地其次、水产养殖场最少；在22年间鄱阳湖自然保护区及毗邻区5 种类型湿地中水田湿地虽在2010年到2014年间面积一直处于高峰，但目前呈减少趋势，水田面积的变化是鄱阳湖湿地总面积变化的的主要原因。

四、作品技术亮点

（1）本作品采用基于规则的面向对象提取、多时相等多种方法对鄱阳湖保护区进行湿地类型提取，其方法对于湿地地类提取具有一定的参考借鉴意义。

（2）本作品对1995~2017年间鄱阳湖保护区进行湿地动态变化分析，为湿地保护与辅助决策提供相关支持。

ENVI Deep Learning 1.1 Tech Preveiw目前已经发布，仅在内部测试。迫不及待的要跟大家分享一下新的功能，应该跟1.1正式版没有太大区别。

此版本包含了几个关键改进和新功能：

多要素/多类别支持。
新增项目管理功能，用于管理训练图像和ROIs。
训练过程中的状态信息显示改进。
支持NVIDIA CUDA 10和9 GPUs。

下面给大家一些截图解解馋。

首先是工具箱多了几个工具，如下图所示。

重点介绍几个改进比较大的地方。

1 Deep Learning Guide Map

如下图所示，在训练模型流程中，增加了一个Train a Multiclass Model的选项，即训练多类别模型。

单击上图右侧的Label Rasters，将弹出如下界面。左侧用于定义类别名称和颜色，右侧用于导入栅格并绘制ROI，或导入ROI、Vector等。

在使用之前，必须新建或打开一个工程（Project），工程将保存所有的历史记录。很方便的一点是，在这个界面中进行绘制ROI等操作，不需要手动保存，工程将自动保存，方便下次继续使用。

注：此界面同样可以通过如下工具打开：

/Deep Learning/Deep Learning Labeling Tool

2 Show Training Metrics

虽然这个功能也是在Deep Learning Guide Map工具中，这里单独拿出来进行介绍。

此功能是用于显示训练状态，包含了当前训练状态和历史训练状态。可通过下图菜单打开Deep Learning Training Metrics [TensorBoard]界面。

如下图所示，可以查看历史训练记录，包含每次迭代/批处理的各种精度指标。可以设置记录存放目录、删除历史记录等。

注：如果是训练模型时，该界面将自动使用系统默认浏览器打开。

3 其他新增工具

新增如下两个工具：

Class Activation to Polygon Shapefile：将得到的类激活图转换为多边形矢量
Class Activation to Polyline Shapefile：将得到的类激活图转换为多边线矢量（提取中心线）

ENVI5.5.3/IDL8.7.3于2020年2月正式发布。在ENVI 5.5.3版本中，改进了一些更人性化的工具和设置，如主界面右下角显示文件的基本信息、可以更改窗口背景颜色等；帮助我们在ENVI中创建高质量的报告，包括增强注记和特征计数工具、将处理结果等要素构建PowerPoint模板等；提供一些新特性，包括新增 Quick Mosaic工具、Thematic Change工具、矢量投影转换、新增二次开发函数等，让我们能够在ENVI中更快、更高效地工作。

1 ENVI5.5.3新特性

1.1 支持的数据类型

ENVI新增支持如下数据类型：

Göktürk-1（土耳其格克图尔克对地观测卫星）
PRISMA (PRecursore IperSpettrale della Missione Applicativa) 高光谱数据（意大利航天局）
CSSHPB (shapefile) Data Extension Segment (DES) NITF格式

1.2 注记

文本注记默认风格具有更加友好的颜色和字型。指北针和符号注记也同样有了更专业的风格和颜色。

Background Fill属性被替换为Background Method，针对如下注记：文本、符号、坐标轴、颜色表、比例尺、图例、格网。可选项有None、Full和Outline。

新增一种放大器注记类型（Image Magnifier）。在Annotations下拉列表中选择此项并在视图中绘制矩形框时，将显示一个窗口，内容为选定区域的放大视图。

新版本可以更新多个注记的共享属性。例如更改多个文本注记的颜色，首先在当前视图中框选或使用Ctrl键选择多个注记，所选注记的共享属性将显示在ENVI右下角，根据需要修改即可。

支持使用自定义的类名和颜色来创建图例（Legend）注记。同样也可以跟之前一样，从分类图像中导入类名和颜色。

旋转箭头（Arrow）注记时，按住Shift键可以45°增量进行旋转。新版本支持整体移动箭头注记，之前版本只能单独选择和移动两个端点。

指北针新增透明度（Transparency ）属性。

对于图片（Picture）注记有如下更新：

可以通过ENVI支持的任何图像格式文件来创建图片注记。菜单为工具栏Annotations > Pictures > From File…/ENVI…
图像可以包含任意数的波段。如果不超过4个波段，可以使用From File菜单；如果超过4个波段，则必须首先在ENVI中打开此图像，然后使用From ENVI菜单。
在选择图像时可以选择空间和波段裁剪。
如果图像数据类型不是字节型（byte），将自动进行2%线性拉伸。
如果图像有忽略值，图片注记中将透明显示这些像素。
如果PNG图片包含alpha通道，添加注记时将使用此通道。
调整图片注记大小时，将始终保持高宽比。
支持从绘图（Plot）和散点图（Scatter Plot）窗口创建图片注记，菜单为工具栏Annotations > Pictures > From Plot。
支持On the Glass属性，即可以在旋转、缩放视图时，保持图片注记位置和大小不变。

1.3 PowerPoint模板配置

主菜单中的File > Chip View To > PowerPoint功能得到了显著改进，允许在PowerPoint中创建自定义风格的报告。在ENVI以前的版本中，只能将一个视图（View）的内容截取到PowerPoint。在新版本中，可以将多个视图的内容截取到PowerPoint，同时支持配置其他元素（如文本、图像、指北针和参考地图）的布局。可以创建自己的PowerPoint模板，也可以从ENVI附带的六个内置模板中进行选择。将PowerPoint模板与ENVI注记功能结合使用，可以快速创建具有相同风格和布局的PowerPoint报告。

新增此工具的使用教程，可在ENVI帮助中搜索Creating Custom PowerPoint Reports。

ENVI提供6个内置模板：

· ENVI Briefing：分析师简报风格。

· Full Screen (16x9)：使用16:9比例填充整个幻灯片。此布局强调图片内容，使用了较少的文本和图形。

· Full Screen (4x3): 与上一个风格类似，使用了4:3比例。

· Stories from Above: 提供位置来编写有关视图的简短故事。

· Vertical Report: 适合打印的8.5 x 11英寸幻灯片。

· Square: 简洁时尚的方形模板。

1.4 Feature Counting特征计数工具

工具默认的颜色和字体得到了改进。

新增一个背景填充（Text Background Fill）属性，可选项有None、Full和Outline。

可以直接使用File > Open 菜单打开特征计数文件（.efc）。

在Feature Counting工具面板使用菜单File > Export > ENVI ROIs 可以将结果保存为点状ROI文件（.xml）。

在Feature Counting工具中可以使用数字键（1-9）为不同的特征组添加点。例如，如果有四个不同的要素组（Feature_1~Feature_4），单击3键将在鼠标位置为Feature_3添加一个点。（需要将输入法切换为英文输入模式）。

Vector to Feature Count工具能够将矢量记录转换为Feature Counting图层。

1.5 ArcGIS支持

ENVI开始支持ArcGIS Pro 2.4和ArcMap 10.7。

1.6 新功能

1) 栅格、注记、矢量、等值线和格网等图层的属性将显示在ENVI主界面右下角区域。不再需要在图层管理器中双击这些图层来查看和编辑它们的属性。

2) 可以使用图层管理器（Layer Manager）的右键菜单Change Background Color来修改视图（View）背景颜色。修改背景颜色有助于区分标记为NoData的像元和高亮的像元。如下左图中的海冰和背景无法区分，右图将背景色修改为深蓝色后，可以明显区分。

3) 新的Thematic Change工具可以进行专题变化检测，识别两个时相的分类图像之间的差异。与Thematic Change Workflow相比，此工具提供了一种更快、更简单的方法。

4) 新增 Quick Mosaic功能，可以通过 Quick Mosaic工具或Layer Manager的View右键菜单启动。此工具能快速拼接多个图像为虚拟镶嵌栅格。虚拟镶嵌比普通镶嵌效率非常高。

5) 可以将GeoJSON转换为一个或多个ROI，反之亦然。有关详细信息，请查看帮助相关内容。

6) 工具栏新增Scroll View按钮，可以垂直或水平方向滚动显示图像。

7) 支持利用ASCII文件创建矢量图层或ROI。

8) 通过导入ASCII或矢量，可以创建任意剖面。

9) 新增Convert Interleave工具，用于转换栅格的存储顺序。

10) 新增Reproject Vector工具，用于转换矢量文件的坐标系。

11) 新增Build Band Stack工具，支持从行列数相同的多个栅格中抽取波段进行组合。栅格不需要具备地理参考。

12) 新增Cast Raster Data Type工具，支持转换栅格的数据类型，例如Int、Double、Float等。

13) Layer Stacking工具名称修改为Build Layer Stack。

14) ENVI尝试将处理过程中创建的大多数临时文件放入新的“临时工作空间”，命名为“ENVI_Session_.”，存放于ENVI配置项中的 Temporary Directory目录下。ENVI在退出或关闭所有文件时将删除临时工作空间和文件。

1.7 二次开发

1.7.1 新增ENVITasks

可以将这些新的ENVITasks用于ENVI+IDL程序中执行数据处理操作。它们还可以作为ENVI Modeler中的任务节点使用，以便与其他任务结合起来，以构建自定义数据处理工作流。

Task名称	功能说明
ENVIASCIIToROITask	由ASCII文件创建ROI图层。
ENVIASCIIToVectorTask	由ASCII文件创建矢量图层。
ENVIConvertInterleaveTask	转换栅格存储顺序。如果输入栅格为单波段，则输出永远是BSQ。
ENVIExtractGeoJSONFromFileTask	由输入文件解析GeoJSON字符串。
ENVIGenerateMaskFromVectorTask	由矢量文件创建掩膜波段。
ENVIReprojectVectorTask	矢量文件坐标转换
ENVIROIToGeoJSONTask	由ROI转换为GeoJSON。
ENVIVectorToFeatureCountTask	由矢量记录转换为特征计数图层。

1.7.2 新增程序和方法

程序/方法	功能描述
ENVIFeatureCount	对象，存储一系列特征计数信息（文件格式为.efc）。
ENVITime::GetString	返回指定格式的时间字符串（ENVITimeString）。

1.7.3 其他更新

可以创建一个新的、空的ENVISpectralLibrary对象，或从文件中导入。新增AddSpectra和RemoveSpectra方法。

新增如下用户界面API，可以创建更丰富的用户界面：

ENVIFeatureCount_UI：用于选择特征计数文件（.efc）。
ENVIGCPSet_UI：用于选择地面控制点文件（.pts）。
ENVITiePointSet_UI：用于选择连接点文件（.pts）。

2 IDL8.7.3 新特性

2.1 BLAS_GEMM

IDL现在使用Intel® MKL library计算矩阵乘法，从而使计算速度比之前版本快10到50倍。这种变化影响到#和##运算符，以及MATRIX_MULTIPLY和MATRIX_POWER函数。如果想对计算矩阵乘法有更多的控制和功能，可以查看新增的BLAS_GEMM过程。

2.2 SOBOLSEQUENCE

新增SOBOLSEQUENCE函数，支持从Sobol序列生成数字。Sobol序列是一个低差准随机序列。Sobol序列比完全随机抽样具有更均匀的方式用于填充空间。

2.3 库更新

新增英特尔数学内核库（Intel Math Kernel Library，MKL）。

3 软硬件支持

ENVI 5.5.3/IDL 8.7.3变化比较大的是对Windows操作系统的支持，官方文档中只注明了Windows 10，我们尚未测试是否能在Windows 7、8等版本安装。

平台	硬件	操作系统	支持版本
Windows	Intel/AMD 64-bit	Windows	10
Macintosh	Intel 64-bit	OSX	10.14, 10.15*
Linux	Intel/AMD 64-bit	Linux	Kernel 3.10.0 or higher, glibc 2.17 or higher

如果已经在Mac OS 10.15安装了ENVI/IDL，请在安装新版ENVI之前先阅读如下内容。（https://www.harrisgeospatial.com/Support/Self-Help-Tools/Help-Articles/Help-Articles-Detail/ArtMID/10220/ArticleID/23842/default）

在Macintosh平台需要X-Windows Manager支持。ENVI/IDL使用XQuartz 2.7.11通过测试。

表中列出版本是ENVI/IDL构建或测试通过的最低版本。ENVI/IDL可以安装并运行在其他与之兼容的版本。

对于Windows操作系统，64位安装包中已经包含32位程序，所以可以在64位操作系统中打开32位ENVI/IDL程序。

ENVI/IDL帮助文档需要使用支持HTML5的浏览器打开。

2019年在昆明、呼和浩特、兰州、南昌、南京、广州、平遥7个城市举办了7场培训班，共有519名学员参加培训。

“ENVI-IDL遥感应用培训班”从2009年第一期开始，已经走过了11个春秋，累计93场次，超过5600名学员参加。

现将2019培训班中所有素材和录屏进行共享（基于ENVI5.5.2版本，也适用5.4、5.5等版本），希望有更多的遥感从业者和爱好者能学习到最新的ENVI遥感图像处理技术。

配套的教程为：《ENVI遥感图像处理方法第二版》高等教育2014年出版社

提供下载的培训资料和练习数据如下所列：

ENVI5.5.x下载与试用：http://blog.sina.com.cn/s/blog_764b1e9d0102ycm2.html

1、培训录像

https://pan.baidu.com/s/17tnUT6zGmb2_csS-2usA7Q 提取码：k7hl

2、培训素材包

培训讲义：

https://pan.baidu.com/s/1mkDPZcXURL2rvWZzVrnXXw 提取码：djfa

练习数据：

https://pan.baidu.com/s/1rpo3Zp_ydmedDxsNAzDYMg 提取码：v32f

ENVI二次开发

https://pan.baidu.com/s/1cdsjHsCHGETIs82H55QBqg 提取码：stan

Pix4D公司成立于2011年，是从EPFL（瑞士洛桑联邦理工学院）计算机视觉实验室起家，经过近10年的发展，现已成为专业无人机数据处理软件的世界领先者。总部设在瑞士洛桑，并在上海和美国旧金山、德国柏林等地设立了分公司。

现在，易智瑞（中国）信息技术有限公司负责Pix4D公司产品在中国大陆的推广和服务，公司将秉承一贯的帮助用户取得成功的宗旨，为广大用户提供一流的技术与支持，也愿意与用户合作承担遥感图像处理工程和应用系统建设的项目，共同推动遥感应用的发展，以及技术水平的跨越式提高。

本文pdf下载地址：https://pan.baidu.com/s/1HTL7GNxXqDte02tWil6TfQ 提取码：vewa

1产品功能介绍

Pix4Dmapper是Pix4D的旗舰产品，专业的摄影测量软件，可以将从地面、轻型无人机或航摄的影像处理得到厘米级精度的二维地图、三维模型和点云。Pix4Dmapper支持绝大部分相机，包括RGB、多光谱、热红外等数据，自动空三计算和区域网平差技术，采用全自动工作流，操作直观、简单，学习成本极低，任何人都可以轻松使用。高级用户可以使用空三射线和镶嵌图编辑器，评估、编辑和改善工程质量。软件可输出GeoTIFF和KML/PNG瓦片等GIS、RS软件中可直接使用的格式，产品包括高精度三维点云、DSM/DTM、高精度DOM、土方量、等值线、三维纹理模型、索引图、热力图等，方便地进行点云分类、表面/体积量测、三维建模等分析。软件广泛用于测绘、地矿、公共安全、基础设施、能源、电信等行业。

主要软件功能：

l支持无人机数据、倾斜摄影和近景摄影测量数据；

l支持任何数码相机.jpg或.tiff格式；

l支持单张无限制像素（＞5000万）的数据进行处理；

l支持无GPS/IMU数据的处理；

l 提供自带精度报告的快速处理模式；

l提供多种处理模板；

l提供自动空三和光束法区域网平差算法；

l提供自动DTM/DEM生成；

l支持工程合并及拆分；

l支持自定义处理测区范围；

l支持多CPU+GPU加速；

l提供多种导航模式浏览数据；

l支持设置比例和方向约束；

l支持控制点/连接点编辑；

l支持编辑点云数据；

l支持生成任意正射面；

l支持在点云数据中创建可量测、可添加注记的土方量；

l支持编辑指数公式；

l提供标准2D结果：DOM正射影像和任意正射面（GeoTIFF格式）、Google瓦片（KML和HTML格式）、指数地图（GeoTIFF、JPG格式）；

l提供视频动画及飞行路线数据；

l提供优化后的内、外方位元素和畸变差改正后影像。

2典型功能介绍

2.1空三射线编辑器

Pix4Dmapper提供空三射线编辑器——rayCloud^TM。帮助用户深入理解摄影测量。提供一种独特的交互环境，将原始影像连接到三维重建任意点，便于检查项目质量、提高精度。

图：空三射线编辑器界面

2.2量测功能

l折线和平面

结合三维模型和原始影像，设定折线结点，测量距离和面积。

图：量测距离

l体积

使用可调整的基准面，在三维环境中测量体积。

图：量测体积

l比例

对于没有地理坐标的项目，设置项目尺寸，以达到精确量测的目的。

2.3镶嵌图编辑器

Pix4Dmapper提供镶嵌图编辑器，用于改善正射影像效果。在正射影像镶嵌图中创建和编辑区域。从多幅影像中选择最佳内容来消除移动物体或瑕疵。如下图所示，可以选择右侧第二张图，从而消除移动的汽车。

图：镶嵌图编辑器

2.4指数计算器

Pix4Dmapper提供指数计算器，协助用户全面解读多光谱影像。从多光谱影像生成和定制各种光谱指数图像，解析和导出应用地图。

图：光谱指数图像

2.5压平和平滑表面

编辑DSM和三维纹理模型，创建平面以压平区域或填充空洞。

图：创建平面

2.6自动点云分类

Pix4Dmapper提供自动点云分类功能，基于机器学习算法，对点云进行识别和标记，将点云分组为地面、道路、植被、楼宇和构造物。

图：自动点云分类结果

2.7点云编辑器

Pix4Dmapper提供点云编辑器，能够手动去除噪点或不需要的物体，裁剪项目，或者把对象进行分类。

3输出成果

4 产品优势

	灵活的工作流程使用处理模板进行自动处理，或使用自定义选项对数据、项目和质量进行全面管理。
	完全掌控项目自定义处理区域，选择处理选项，添加像控点，编辑点云、DSM、三维纹理模型、正射影像镶嵌图。
	测绘级精度获得亚厘米级精度，从轻量级的卡片相机到大像幅航摄仪。
	精准测量无论有无地理定位，通过定义约束条件都可达到测量精度。
	高品质成果通过自定义处理区域，调整处理选项或者使用地面控制点来获得满足要求的成果。
	应用广泛 Pix4Dmapper在各个行业领域都有广泛的应用，包括测量测绘、建筑、农业、采矿和采石、公共安全、石油和天然气、电力和公共事业、以及教育研究等。
	多语言支持 Pix4Dmapper桌面版支持英语、日语、德语、西班牙语、法语、中文、意大利语、俄语以及韩语。

5工作流程

l采集

使用任意相机采集RGB、热成像或者多光谱影像，搭配无人机和免费的Pix4Dcapture实现自动飞行和影像数据传输。

l数字化

Pixe4Dmapper把影像转化为数字模型和地图，全自动工作流程，操作直观简单。

l检查

使用详尽的质量报告和rayCloud^TM（空三射线编辑器），评估并提高项目质量。

l量测&检测

测量距离、面积和体积，提取高程剖面并执行虚拟巡检。

l协作&分享

安全的、有选择的与团队、客户和供应商分享项目数据和分析报告。

6硬件要求

6.1最低配置

lWindows 7、8、10，Server 2008/2012、64位（使用Boot Camp的PC或Mac计算机）。

l任何CPU（建议使用Intel i5 / i7 / Xeon）。

l与OpenGL 3.2兼容的任何GPU（集成显卡Intel HD 4000或更高版本）。

l小型项目（14 MP像素，少于100张图片）：

Ø4GB RAM，10GB HDD可用空间。

l中型项目（14 MP像素，100到500张图片）：

Ø8GB RAM，20GB HDD可用空间。

l大型项目（14 MP像素，500到2000张图片）：

Ø16GB RAM，40GB HDD可用空间。

l超大型项目（14 MP像素，多于2000张图片）：

Ø16GB RAM，80GB HDD可用空间。

6.2推荐配置

lWindows 8、10，64位。

lCPU：四核或六核Intel i7 / Intel i9 / Threadripper / Xeon。

lGPU：GeForce GTX，与OpenGL 3.2兼容，2GB显存。

l硬盘：SSD。

l小型项目（14 MP像素，少于100张图片）：

Ø8GB RAM，15GB SSD可用空间。

l中型项目（14 MP像素，100到500张图片）：

Ø16GB RAM，30GB SSD可用空间。

l大型项目（14 MP像素，500到2000张图片）：

Ø32GB RAM，60GB SSD可用空间。

l超大型项目（14 MP像素，多于2000张图片）：

Ø64GB RAM，120GB SSD可用空间。

6.3高端配置

CPU：

ØCore i7 8700K (良好)

ØThreadripper 1950x - Core i9 9900K (较好)

ØCore i9 7980XE (最好)

GPU：

ØGeForce GTX 1060 6GB（良好）

ØGeForce GTX 1070 8GB（较好）

ØGeForce GTX 1080 Ti 11GB（最好）