简介：这是一份面向遥感、地信专业学生与初学者的ENVI实习报告，基于Landsat8多光谱影像，系统演示了从原始数据到分析成果的完整遥感处理流程。实验区涵盖城市、农田、森林和水体等多种地物，贴近实际应用场景。内容涵盖波段组合、图像裁剪、辐射定标与反射率求算、FLAASH大气校正、多种图像融合方法（拉伸变换、Brovey变换、HSV变换、主成分变换）及定性定量对比，并延伸至水体提取、植被覆盖度计算、温度反演（含大气校正法和单窗算法）以及土地利用变化分析。报告以图文对照形式呈现每一步操作与结果图，章节按实验顺序清晰编排，末尾附实习心得体会，方便读者对照练习、撰写报告或复习原理。资源为1个docx文档，压缩包大小7.92MB，目前已有1244人学习下载，适合需要参考完整遥感实验流程或快速上手ENVI操作的用户。
1. 遥感处理流水线：为什么处理Landsat8的本质是物理量恢复
一个反直觉的事实：ENVI 里大多数看着像「修图」的操作，实际都是在做物理量恢复。这份实验报告对 Landsat8 影像的整条处理链路——波段组合、辐射定标、大气校正、图像融合、温度反演、监督分类——每一步都在把上一级引入的误差逐层剥离。拿到一景 L1 级产品，那个「好看」的彩色合成图里，每个像元的 DN 值都不是地表反射率，而是光子打到传感器上转换出来的电压信号量化结果，里面混着大气散射、太阳高度角、传感器增益带来的偏差。如果跳过定标与校正直接分类，地物光谱整个错位，后面的水体提取、温度反演和土地利用变化监测不可能可靠。搞懂这条链路，才算真正看穿了遥感影像预处理的黑匣子。
2. 波段组合与图像裁剪：为什么影像要先对齐再切
预处理阶段的每一步都遵循一个原则：让所有数据在同一个几何和光谱基准上对齐。波段组合解决的是「多个波段是否还各自为政」，裁剪解决的是「研究范围外的像元是否会污染统计」。这两步做不干净，后面所有定量分析都是在脏数据上做算术。
2.1 Layer Stacking：波段合并的本质是头文件与数据块重排
报告的第一步是打开 1–8 波段，用 Basic Tools 里的 Layer Stacking 做波段组合。很多人以为这只是「把图叠起来」，实际上成立的前提是所有波段的像元网格完全重合。Landsat8 的 L1 级产品各波段已经做过几何定位，波段间在理想情况下是对齐的；Layer Stacking 要做的，是把每个波段的二维数组按指定的交错方式写进同一个三维数据块，同时合并头文件。ENVI 的 hdr 文件记录行数、列数、波段数、数据类型和坐标参考，波段组合这一步本身不改变任何像元值，但它决定了后续所有操作的索引基础。
这里最容易踩的是波段顺序。报告特意强调「按 1–8 波段正顺序排列，否则影响后面修改」，原因就藏在后面的 Edit Header 操作里。做辐射定标前，要给合成影像的每个波段录入中心波长；一旦波段顺序错位，第 5 波段近红外的数据会被贴上第 4 波段红外的波长标签，FLAASH 按波长查大气透过率时就会用错参数。这种错误不会在界面上报错，只会在反演结果里悄悄放大成光谱异常。我一般把这种情况理解成「标签和数据错位」——数据本身没问题，但下游物理反演全按错误的标签查表，最后解出来的地表反射率自然是偏的。
还有一个决策点值得留意：只合成 1–7 波段，还是把第 8 波段全色也放进来。全色波段是 15m 像元，多光谱是 30m，两者网格尺寸不同。Layer Stacking 遇到尺寸不一致的输入时，会以第一个输入为基准，把其余波段重采样到那个网格。混入全色波段，意味着多光谱要被重采样一次——无论最近邻、双线性还是三次卷积，都会改变像元值。报告选择「只选择 1–7 波段，不设置第八波段全色波段」，就是在避免这次不必要的像元重采样。如果后面要做图像融合，再单独把全色波段加进来反而更干净。
2.2 ROI 裁剪：矢量边界如何变成像元级掩膜
裁剪步骤看起来绕：先用桌面 GIS 打开 shp 属性表，只保留目标县那一行，导出新的 shapefile；再进 ENVI 用 File→Open Vector File 导入，转成 ROI；最后 Subset via ROIs 裁剪。这套流程的底层，是把地理坐标的矢量边界转换成栅格像元级的掩膜。
矢量边界的本质是一串经纬度坐标围成的多边形。ENVI 要把这些坐标投影到影像的像素坐标系，逐行扫描判断每个像元的中心点是否落在多边形内部，生成一个 0/1 掩膜。Subset 操作读入这个掩膜，只保留掩膜为 1 的像元，但输出文件的外接矩形仍然是多边形的包络。于是出现一个许多人踩过的坑：如果 Subset 时不勾选 mask pixels outside ROI，裁剪结果会带黑边或零值边条，边缘的零值会在后续 Compute Statistics 里把均值、标准差整体拉低。遥感统计里的「均值变低」未必是地物变暗，可能只是零值背景混进来了。
提示：Subset 时勾选 mask pixels outside ROI，把 ROI 外的像元置为无效值，能省掉后面一整类统计污染问题。
为什么不在 ENVI 里直接编辑属性表，而是先到桌面 GIS 里处理？一句话：各司其职。ENVI 的矢量编辑工具对属性表批量筛选很不顺手，而桌面 GIS 里选中、按字段导出 shapefile 是轻量操作。先在外围把大的省界 shp 裁成目标县的小 shp，进入 ENVI 后的矢量显示、ROI 转换和掩膜生成都只面对一个面要素，内存占用和卡顿立刻小一个量级。这个顺序与其说是习惯，不如说是数据处理量的现实约束。
2.3 坐标系一致性：WGS-84 是一切操作的共同语言
报告里「记得修改成 WGS-84 坐标系」这个细节，在裁剪链路里是关键一步。桌面 GIS 导出的 shp 可能带的是地方坐标系或西安 80、北京 54，而 Landsat8 L1 产品默认是 WGS-84 地理坐标。矢量与栅格坐标系不同，ENVI 在把矢量投影到像素坐标时会按坐标转换参数换算，转换误差会让边界在影像上偏移一到两个像元。单看是小数点级别，但县界处的混合像元进入统计样本，就会污染后续的分类训练样本和温度反演结果。
做法是在 Data Manager 里分别查看影像和矢量的投影信息。两者都带地理坐标系，只是椭球体不同，也存在细微偏差。常见的地信课操作是把影像投影到矢量相同的坐标系，或者反过来统一到 WGS-84 地理坐标。其实裁剪阶段用地理坐标就够了，因为 ROI 转换只关心经纬度到像素的换算，不需要平面投影参与。把坐标系在进入 ENVI 前统一，是成本最低、收益最稳的保障。
3. 辐射定标与大气校正：DN 值到反射率之间发生了什么
这一章是整条链路的物理核心。辐射定标解决「计数」到「辐亮度」的线性换算，大气校正解决「入瞳辐亮度」到「地表反射率」的辐射传输逆问题。跳过任何一步，后面的温度反演都会建立在错误的输入单位上。
3.1 辐射定标：增益、偏置与中心波长
Landsat8 L1 级产品的每个波段都有一个定标公式：L = DN × gain + offset。增益和偏置就写在随影像一起发布的 MTL 文本文件里，字段名通常形如 Radiance_Mult_Band_x 和 Radiance_Add_Band_x。ENVI 里的 Apply Gain and Offset 工具，做的就是把这个线性变换批量套到所有波段上。为什么必须做？L1 产品的原始像元值是 12 位量化的 DN 数，范围 0–4095，它只是传感器电压量化的计数。辐射定标把它变成辐射亮度 L，单位 W/(m²·sr·μm)，这才是 FLAASH 能识别的物理输入。
报告里另一项操作是 Edit Header 录入中心波长，单位改为 Micrometers。很多人不理解，定标为什么不直接用增益偏置，还要填波长。原因是辐射亮度这个单位里的 μm 由波段中心波长给出，而 FLAASH 按波段逐点查大气透过率和散射系数时，必须知道每个波段对应光谱的哪个位置。波长填错，光谱位置偏移，大气散射随波长的依赖关系全错。这一步和波段顺序错位一样，是「标签错位」问题——数据本身没问题，但标签不对，下游物理反演全部失真。
放一段最常用的快速反射率估算代码，理解定标在数学上做了什么：
# DN 转辐射亮度，再估算表观反射率（未做大气校正） dn = 12000 # 第5波段原始DN值，范围0-4095（12bit量化） gain = 1.234e-6 # MTL.txt: Radiance_Mult_Band_5 bias = 1.0e-6 # MTL.txt: Radiance_Add_Band_5 L5 = dn * gain + bias # 辐射亮度，单位 W/(m^2*sr*um) import math d = 1.0 # 日地距离（天文单位），由成像序日查表 ESUN = 196.9 # 第5波段大气层顶太阳波谱辐照度 W/(m^2*um) theta = 40.0 * math.pi / 180.0 rho = math.pi * L5 * d*d / (ESUN * math.cos(theta)) # 表观反射率说明：rho 公式里的 ESUN 按波段查表获得，cos(theta) 对应太阳高度角，π 因子来自辐亮度与双向反射率之间的半球积分关系。这个公式只消掉了传感器增益和太阳角度的影响，没去掉大气的瑞利散射和气溶胶衰减，所以算出来的叫「表观反射率」，依然不是真实地表反射率。FLAASH 做的就是在它的基础上再剥掉大气层。
3.2 FLAASH 大气校正：为什么输入必须是 BIL
FLAASH 的界面注释写着：输入必须是辐亮度图像，推荐 BIL 存档。很多第一次用的人在这里翻车。为什么非要 BIL？FLAASH 内部对每个像元要按波段顺序取光谱向量，再代入大气辐射传输方程逐像元求解。BIL 格式下同一行所有波段连续排列，取一个像元的光谱向量只需顺序读取；BSQ 按波段存储，读取同一像元的不同波段要跨越大段文件偏移，变成随机 IO。一景裁剪影像动辄几亿个像元，随机 IO 比顺序 IO 慢一个数量级，界面会卡到像死机。
辐射传输方程的简化形式是：
L_sensor = A·ρ/(1-ρe·S) + B·ρ/(1-ρe·S) + L_path
其中 L_sensor 是传感器入瞳辐亮度，ρ 是地表反射率，ρe 是邻域平均反射率，S 是大气后向散射率，A、B 是大气透过与散射系数，L_path 是路径辐射。FLAASH 做的事，是把已知的入瞳辐亮度拆开：先减去路径辐射 L_path（大气散射贡献的「雾」），再用 A、B、S 补偿大气吸收和衰减，最终解出地表反射率 ρ。这就要求输入必须是 3.1 得到的辐亮度，而不是无量纲 DN——所以 FLAASH 前必须先做辐射定标，两者是上下游关系。
3.3 参数选择：高程、大气模型、气溶胶模型的物理含义
FLAASH 参数面板里那几项不能乱填。传感器类型选 Landsat-8 OLI，是让引擎知道波段数和光谱响应函数；Multispectral Settings 里要求指定波长范围，报告里「第一个选择第七波段，第二个选择第一波段」，意思是本影像实际覆盖从第 1 波段到第 7 波段的多光谱区间。高程填 970m 是因为大气分子密度随海拔变化，高海拔处水汽吸收和瑞利散射路径更短，填 0 会把一个高原县域当海平面计算，反射率系统性偏低。
大气模型选 MLS（中纬度夏季），是按纬度和季节查表得到的一组标准大气剖面，包含温度、气压和水汽分布。2 月的西南山区严格说更接近中纬度冬季，但实际水汽偏高，选夏季模型在经验上更贴近当地大气状态。气溶胶模型选 urban，则是因为下垫面混合了城区、农田和喀斯特裸岩，城市型气溶胶的粒径分布更接近实况。这些参数最终都作用在方程里的 A、B、S 上：水汽含量决定吸收率，气溶胶类型决定散射相函数，高程决定大气柱长度。任何一个填错，解出来的 ρ 都会系统性偏移。
3.4 从 ZProfile 看大气校正的效果
报告对比了原图像、辐射定标图和大气校正图，用 ZProfile 光谱剖面来看差异。ZProfile 是把某个像元的所有波段值连成一条光谱曲线。从曲线上能直接读出校正效果：大气校正后，植被像元应该在红波段出现吸收谷、近红外波段反射率陡升，形成明显的「红边」；水体像元在近红外应该极低。对比原图，蓝绿波段被大气散射抬高的「雾」被压下去，这就是把反射率还原了。辐射定标图介于两者之间——它已经是物理单位，但大气污染还在。
4. 图像融合：Brovey、HSV、PC 变换背后的数学设计
融合这步最容易被人当成「滤镜选择」，实际上它在做一个有明确数学定义的优化：用 15m 全色波段的高频空间结构，去增强 30m 多光谱的颜色信息，同时尽量不破坏光谱值。三种方法的分歧点，就在于「用什么方式把 Pan 注入多光谱」。
4.1 为什么需要融合：30m 多光谱 + 15m 全色的信息互补
Landsat8 同时提供 30m 多光谱和 15m 全色。多光谱有丰富的光谱分辨能力，但像元大，地物边界糊；全色波段只有一个宽波段，但像元小，空间结构清晰。融合的目标是让结果图在保持多光谱色彩的同时，出现全色波段的边缘和纹理。关键约束是光谱保真：如果融合后 NDVI 和温度反演都变了，那融合图像只能看，不能做定量分析。这也解释了为什么报告要做定性对比和定量对比两套评价——不是走形式，是验证「空间细节增强」有没有以「光谱失真」为代价。
4.2 Brovey 变换：比值合成，简单但受波段限制
Brovey 的数学本质，是把 RGB 三个波段的亮度总和当作一个「当前亮度」，用 Pan 的值替换这个亮度，再按每个波段原先在总和里的占比重新分配。写成公式就是 R' = R × Pan/(R+G+B)。每个波段都乘 Pan/(sum RGB)，等价于先算该波段在总亮度里的比例，再用 Pan 做整体缩放。
# Brovey 融合示意：输入已重采样到同一网格 import numpy as np r, g, b = b5, b4, b3 # 30m多光谱，已重采样到15m网格 pan = pan_band # 15m全色，已完成反射率拉伸 bright = r + g + b + 1e-8 # 加极小值防除零 r_fused = r / bright * pan g_fused = g / bright * pan b_fused = b / bright * pan这个比值法的优点在计算简单、光谱比例保持好；缺点同样明显——它只作用于 RGB 三个波段，天然受波段限制。报告里输入 b5、b4、b3 合成的 RGB 和 Pan，走的就是这条限制范围内的路。Brovey 的另一个隐性前提是 Pan 与 RGB 总和描述的「亮度」在物理上同源，如果第 8 波段反射率没做拉伸、量级和多光谱对不上，融合图会整体发灰。
4.3 HSV 变换：用全色波段替换亮度分量，保色彩但亮度由 Pan 决定
HSV 颜色模型把像元颜色拆成三个量：色相 H、饱和度 S、明度 V。RGB 转 HSV 后，色相和饱和度承载了多光谱的颜色关系，明度 V 只承载亮度。融合思路是：用高分辨率 Pan 替换 V 分量，再逆变换回 RGB。这样空间细节跟着 Pan 的高频纹理走，颜色跟着原多光谱的 H 和 S 走，所以 HSV 融合结果纹理清晰、色彩保留较好。
报告说「HSV 融合后居住区界限更清晰」，这正是 Pan 的空间结构注入在城区高对比屋顶边缘的表现——瓦片边缘的亮度跳变被 15m 全色捕捉到了。HSV 的代价和 Brovey 一样受波段限制，因为 RGB 转 HSV 只有三个通道参与，最多处理一组 RGB。另外，Pan 替换 V 后逆变换，实测色调可能偏移，原因是 Pan 的光谱响应范围与 V 的权重不完全一致，需要在替换前把 Pan 的均值和方差匹配到原 V 分量。这一步 ENVI 会自动完成，原理上就是直方图匹配。
4.4 PC 变换：主成分替换，不受波段限制
主成分分析把多光谱各波段之间高度相关的数据去相关：第一主成分 PC1 承载最大方差，物理上接近「总亮度」；其余主成分承载波段间的差异信息。融合策略分三步：先对多光谱做 PCA，把 Pan 做直方图匹配到 PC1，让两者的均值和方差对齐；再用匹配后的 Pan 替换 PC1；最后做 PCA 逆变换，得到融合图像。
PC 变换最大的优点是波段不受限——对 7 个甚至 10 个波段都能做，不必先精选 3 个。报告的定性对比说 PC 融合「视觉上更模糊、颜色鲜明」，这不是算法错了，而是 PC1 被 Pan 替换后，原 PC1 里的低频亮度被 Pan 的高频纹理代替，而 PC2、PC3 里残留的空间细节没有同步增强，逆变换后整体高频成分被稀释，看起来反而模糊。这从反面说明一个取舍：PC 融合适合全波段光谱注入，但单论纹理增强，它不如 HSV 和 Brovey 直接。
4.5 定量对比：均值、标准差、信息熵、平均梯度怎么读
定性对比靠眼睛，定量对比靠四个统计量：均值、标准差、信息熵、平均梯度。报告里先裁剪一块区域，用 ENVI 的 Compute Statistics 算均值和标准差，再把像元值导成 ASCII，用脚本算信息熵和平均梯度。这四个指标各有物理含义：均值反映整体亮度，接近原始多光谱说明亮度偏离小；标准差反映对比度，融合后增大说明细节增强；信息熵反映灰度分布的不确定性，熵下降意味着信息丢失；平均梯度衡量相邻像元的灰度变化率，梯度大对应视觉上的清晰。
从报告表格里的数字能读出一些门道：融合前 b4 波段平均梯度约 0.19，HSV 融合后升到 0.25，说明 HSV 确实把细节注入了；Brovey 融合后梯度约 0.13，PC 只有约 0.06，单看梯度这两个方法反而不如原始低分辨率影像。但这里有个容易误读的细节：「融合前」的对比基准是 30m 低分辨率原图，融合后是 15m 网格，像元尺寸不同，平均梯度的绝对量级不能直接跨尺度比大小。正确读法是看同一尺度下哪个方法保留的梯度更多——放在 15m 尺度里，HSV 明显占优。报告的最终结论与定量基本一致：HSV 适合目视解译的清晰度要求，Brovey 光谱保持好但纹理一般，PC 无波段限制但色调变化大。
5. 避坑：ENVI 处理 Landsat8 时最容易翻车的五个细节
链路越长，翻车点越隐蔽。这一章把整个流程里最典型的五个问题按「现象→原因→解决」拆开，每一处都是实际处理时容易卡住的点。
5.1 波段顺序颠倒：中心波长错位不报错，只悄悄污染光谱
现象：做完 FLAASH 后植被近红外反射率异常，NDVI 偏高，或者植被范围整体失真，但图像本身看不出大毛病。
原因：Layer Stacking 时波段顺序与 Edit Header 里录入的中心波长顺序不一致，近红外波段的数据被贴上了红外波段的波长标签。FLAASH 按错误的波长查大气参数，把吸收带的计算位置算到别的波段上，反演结果系统性偏移。
解决：定标前逐波段核对 MTL 文件里的波段编号与波长，合成后用一个已知地物（比如植被）的 ZProfile 抽查，近红外应该出现陡升，而不是平缓曲线。养成「合完波段先看剖面」的习惯，能省掉后面一整轮返工。
5.2 FLAASH 前忘了转 BIL：慢到像死机，甚至直接读取失败
现象：FLAASH 界面打开 BSQ 存贮的辐亮度文件后长时间无响应，或者处理到一半报内存错误。
原因：FLAASH 按像元光谱向量顺序读取，BSQ 按波段连续存贮，取某个像元的全波段向量要跨越大段文件偏移，随机 IO 的访问开销远高于顺序 IO，大数据量下表现尤其明显。
解决：进 FLAASH 之前，用 File→Save As 把文件格式改成 BIL。这是处理引擎对数据布局的要求，不是洁癖。转格式时文件会重写一遍，磁盘空间至少预留源文件一倍大小。
5.3 高程、大气模型、气溶胶模型抄默认值：反射率系统性偏移
现象：大气校正完，水体反射率偏高，植被红边不陡，感觉整张图「发白」或「发闷」。
原因：默认参数通常是海平面高程和乡村型气溶胶，而实际实验区是高海拔喀斯特县域，下垫面混合城区与农田。大气参数与实况不符，辐射传输方程解出来的地表反射率就被系统性抬高或压低。
解决：高程填实际平均海拔；大气模型按成像月份和纬度查表选择；气溶胶模型按下垫面类型选 urban 或 rural。宁可多花两分钟查参数，也不要让整批反射率数据带着系统性误差进入温度反演。
5.4 全色波段不拉伸就融合：颜色整体发灰
现象：Brovey 或 HSV 融合结果比原图暗很多，色彩像盖了一层灰，地物颜色「闷」住了。
原因：第 8 波段全色反射率范围是 0–1，而多光谱 RGB 波段的 DN 或反射率数值可能高一个量级以上。Pan 数值太小，融合输出被整体压向低亮度，色彩自然发灰。
解决：融合前对 Pan 做线性拉伸，让它的量级和 RGB 波段接近。报告里「对第 8 波段进行反射率拉伸」就是这个动作。拉伸后再做 Brovey 或 HSV，融合图亮度才正常。
5.5 水体掩膜阈值一刀切：边缘河流和零值背景黏连
现象：提取水体后，县界边缘那条河与裁剪造成的零值背景一起变黑，水体无法单独分离。
原因：ROI 外的背景被置为 0，处于边缘的水体像元其指数值也和 0 落在同一个灰度区间。密度分割按灰度范围选阈值，背景和水体被圈进同一个 bin，掩膜时一起被去掉。
解决：先做 ROI 外掩膜，把背景设成 NaN 或 -9999 之类的无效值，再做密度分割；或者在水体提取条件里显式排除无效像元，比如 (water_index > threshold) and (valid_mask)。核心是一句话：让零值背景不参与阈值分类。
6. 信息提取与分类：从指数运算到监督决策的设计取舍
6.1 指数与温度反演：两条从辐射到物理量的路径
水体提取用 Band Math 算 NDVI 或 NDWI，再做密度分割和掩膜；植被覆盖度用像元二分模型，把 NDVI 线性映射成覆盖度百分比。这两步都在做「波段比值消除光照与地形干扰」。温度反演有两条路：大气校正法解辐射传输方程，需要实时大气参数；单窗算法用热红外亮温和两个大气参数直接算地表温度，适合没有实测大气剖面数据的场景。单窗算法的核心式可以看成是亮温 T6、大气透过率 τ 和地表比辐射率 ε 的组合：
# 单窗算法地表温度反演（示意） C = epsilon * tau D = (1 - tau) * (1 + (1 - epsilon) * tau) Ts = (a * (1 - C - D) + (b * (1 - C - D) + C + D) * T6 - D * Ta) / C说明：epsilon 是地表比辐射率，tau 是大气透过率，Ta 是大气平均作用温度，a、b 是与温度线性化有关的系数。这个式子的实质，是把传感器亮温里的大气自身辐射和大气衰减剥离掉，还原出地表真实辐射温度。
6.2 分类与变化监测：从非监督到监督的取舍
ISODATA 非监督分类先把像元聚类，再人工定义每个聚类的语义；监督分类靠人工选择样本兴趣区提供先验。最大似然法假设每个类别服从多元正态分布，像元被判给概率密度最大的类；神经网络分类不需要分布假设，但训练样本少了容易过拟合。这份报告从非监督试到监督，最后落到土地利用变化监测，用的是分类后比较法：两期分类图逐像元对比生成转移矩阵，回答「哪块林地变成了耕地、哪块草地变成了建设用地」。这套方法的取舍在于，分类误差会通过比较被放大，所以样本质量和分类器稳定性比单幅精度更重要。
6.3 一条校验习惯
从整理这张图的教训里，我学会了一件事：温度反演图出图前，先找两个「锚点」对照——已知水体像元的温度应该接近气温背景，城区像元的温度应该明显高于周边郊区。两个锚点偏离，先回头查参数，而不是调色。从那以后我每次处理遥感预处理链路，都强制走一遍物理锚点校验：辐射定标看 DN 值量级，大气校正看植被红边，融合看平均梯度，分类看样本分离度。整条链路的锚点串起来，才敢说结果可信。希望帮到你。
本文还有配套的精品资源，点击获取
