ENVI处理Landsat8遥感影像：融合方法对比与专题提取避坑

简介：围绕Landsat8影像处理展开的ENVI实习报告，定位于地信、遥感方向的学习者与实习人员，用于系统梳理从影像预处理到专题信息提取的完整实验流程。压缩包内为1个docx文档，约7.92MB，以图文结合方式记录实验目的、数据概况、图像裁剪、辐射定标与反射率求算、大气校正及比较、图像融合的定性目视解译与定量指标对比，并延伸至水体提取、植被覆盖度、温度反演、监督与非监督分类及土地利用变化分析。文档不仅给出各环节操作与结果图，还附有实习心得体会，便于读者对照复现实验、理解参数选择与结果评价思路。目前已有1245人学习下载，适合需要完成课程实习报告或补齐ENVI处理链条的遥感、地信学习者参考。

1. 一次融合选错，整份报告的结果图全部重做

做 ENVI 处理 Landsat8 影像的那份遥感影像处理实习报告，我在图像融合上付出了代价。当时为演示效果，我用了主成分变换融合，结果图放到答辩投影上，居民地和耕地边界模糊在一起，评委直接问我：“你这张图比原图清晰在哪里？”我当场答不上来。后来用同一景数据重新做了 Brovey 和 HSV 两种融合，并用定量指标对比，才发现问题出在方法选择，操作没有错，而这一步会直接影响后面水体提取和分类精度。这篇按我实际走通的顺序讲：裁剪、波段组合、辐射定标、大气校正、融合、专题提取到分类与变化监测，每一步遇到什么问题、为什么这么选、参数依据是什么，地信和遥感的同学可以拿去当操作底稿。

2. 裁剪与辐射定标：顺序、波长表、增益偏置三件事

预处理链路上真正会返工的地方就三处：裁剪和定标的先后顺序、Edit Header 里的波长表、以及定标最后一步的 BSQ 转 BIL。这三步单独看都不难，但它们有个共同特点：错了不会当场报错，而是在大气校正或者温度反演阶段才爆出来，那个时候你已经把两期影像都跑完了。

2.1 先裁还是先定标：顺序选错，后面每一步都在补窟窿

我的做法是先在 ArcGIS 里用行政区矢量裁出研究区，再进 ENVI 做辐射定标和大气校正。理由很实际：一整景 Landsat8 多光谱数据覆盖面积远大于一个县，裁完之后像元数量能砍掉一大半，后面 FLAASH 跑起来时间差得很明显。具体操作是先打开矢量的属性表，按字段筛选出目标县的那一条记录，导出成单独的 shapefile，这样加载进 ENVI 的矢量只有一个多边形，不会出现整幅影像被一堆相邻县界切碎的情况。

裁剪在 ENVI 里走两条命令：先用 File 下的 Open Vector File 把 shapefile 读进来，显示到已经打开的影像上，确认白线框住的范围对；再点 File 里的 Export Active Layer to ROIs，把矢量转成感兴趣区；最后用 Basic Tools 里的 Subset Data via ROIs，选中刚生成的 ROI，把 Mask 相关选项设成 Yes，输出裁剪结果。

这里有个容易忽略的副作用：Subset Data via ROIs 的输出影像会丢掉原头文件里的波长和增益偏置信息。如果你先裁剪再定标，Edit Header 里那些波长值是空的，得手动一条条补；如果你先定标再裁剪，波长表和定标系数在裁剪前就已经写进 header，裁剪后虽然也可能丢，但至少中间产物是完整的，方便回溯。

我一般这么判断：只跑一遍、只做定性展示，先裁后定标省时间；要做两期对比、要出温度反演数值，先定标后裁剪更稳，因为定标参数一旦丢失，你很难从结果里反推当时填的是哪一组系数。

提示：裁剪前把原始数据的 MTL 头文件和裁剪后的影像放同一个工程目录，后面 Edit Header 填波长、填增益偏置都要来回查，文件乱放是最常见的低级返工原因。

2.2 Layer Stacking 与 Edit Header：波长表填错，大气校正直接崩

波段组合用 Basic Tools 里的 Layer Stacking，把波段 1 到 8 按正序叠成一个文件。这里必须强调“正序”两个字：MTL 文件里每个波段都有对应的中心波长，你的叠放顺序如果和波长表的顺序对不上，FLAASH 拿到的光谱曲线就是错位的，校正结果会出现整体偏色或者异常负值，而且它不会提示你顺序错了。

叠完之后右键影像选 Edit Header，找到 Wavelength 一项，把单位改成 Micrometers，然后按 MTL 文件里各波段的中心波长逐个填。这一步看着机械，但它决定了两件事：一是 FLAASH 能不能正确识别传感器波段响应，二是后面做光谱曲线 Z-Profile 时横轴是不是真实的波长。填完之后我习惯点开看一眼曲线形状，健康的植被像元应该在绿波段有个小峰、红波段有个谷、近红外陡然抬起来，如果曲线是乱的，基本就是波长表填错了。

波段选择上还有个取舍：如果这次不做融合，只在多光谱上做分类和反演，可以只叠 1 到 7 波段，把第 8 波段全色单独留着；如果要做融合，第 8 波段必须一起处理，但要单独记着它的量级和多光谱不一样，后面 4.1 节会专门讲。

2.3 增益偏置和 BSQ 转 BIL：定标最后两步最容易被吞掉

辐射定标的本质是把 DN 值换算成辐射亮度，公式是线性变换，系数就写在 MTL 文件里：每个波段有一组 RADIANCE_MULT_BAND_x 和 RADIANCE_ADD_BAND_x。在 ENVI 的扩展工具里打开 Apply Gain and Offset，把这两组系数按波段顺序填进去，输出结果就是辐射亮度影像。

这一步有两个检查点。第一是波段数，定标输出必须是 7 个波段（不含全色）或者 8 个（含全色），如果你看到输出还是原始波段数，说明系数没匹配上。第二是坐标系，输出时把投影设成 WGS-84，后面所有分析都基于这个坐标系，中途改会很麻烦。

定标完还有一步经常被忘：FLAASH 只接受 BIL 或 BIP 交错格式，BSQ 直接喂进去要么报错退出，要么算出奇怪的结果。ENVI 默认输出往往是 BSQ，所以要用 Convert Interleave 转一次，或者在 Save As 的时候直接把 Interleave 选成 BIL。这一步没有技术含量，但它是整个预处理链路里最容易漏的一环，我第一次跑 FLAASH 失败就是因为这个，报错信息还很不友好，查了半天才反应过来是格式问题。

3. 大气校正：FLAASH 参数填错，后面全是无用结果

大气校正的目的说白了就是把大气散射和吸收的影响剥掉，拿到地表真实反射率。不做这一步直接拿辐射亮度去做 NDVI 或者温度反演，数值看着像那么回事，但两期影像之间根本不可比，因为成像时间、气溶胶条件都不一样。FLAASH 是 ENVI 里最常用的选择，参数不多，但每一个都有明确的物理含义，填错一个结果就废。

3.1 FLAASH 六个必填参数，逐个说清取值依据

打开 Spectral 下的 FLAASH Atmospheric Correction，在 Model Input Parameters 对话框里要填的东西看着多，真正需要你判断的其实就六个。

第一个是输入影像，这里要选转好 BIL 的辐射亮度文件，不是原始 DN 影像，也不是裁剪后的 shapefile 范围。第二个是影像中心经纬度，添加数据后会自动填上，不用改。第三个是传感器类型，选 Landsat-8 OLI，选错会导致波段响应函数完全对不上。

第四个是地面高程，这个必须查，不能留默认值。我这次研究区是西南某山区县，平均海拔接近一千米，如果不改，FLAASH 会按海平面算大气柱长度，水汽和氣溶胶的估算全部偏掉。第五个是大气模型，按纬度和季节选，中纬度夏季成像就选 MLS，这个选择直接影响水汽柱含量。第六个是气溶胶模型，城区和工业区选 Urban，植被覆盖为主选 Rural，我这次研究区有县城建成区，选了 Urban。

除了这六个，还有两个参数值得看一眼：初始能见度默认 40 km，如果当天有雾或者明显霾，可以适当调低；水汽反演在多光谱数据上默认用 2-band KT 方法，保持默认即可，因为 Landsat8 没有专门的水汽吸收波段，改也改不出更好结果。

注意：影像成像时间和文件生成时间在 MTL 里是两个不同的字段，一定要取成像时间。用文件生成时间算大气模型，季节都可能对不上。

3.2 multispectral settings 里的两个波段到底选谁

点开 Multispectral Settings，里面有个波段选择的下拉，需要指定两个波段用于水汽反演和光谱平滑处理。常规做法是第一个选第七波段（短波红外），第二个选第一波段（海岸气溶胶波段）。这个组合的逻辑是：短波红外对水汽吸收敏感，适合做水汽反演参考；第一波段波长短、受气溶胶散射影响大，用来辅助约束气溶胶光学厚度。

如果你的数据是只叠了 1 到 7 波段，那第七和第一都在，没问题。要是把全色波段也叠进去了，注意这里不要选到第 8 波段，全色波段的光谱范围覆盖太宽，放进去会污染反演结果。

这一页的其他参数，像 MODTRAN 分辨率、散射模型，保持默认就好。我见过有人把散射模型改成 DISORT 想追求精度，结果跑了两三个小时，出来的结果和默认设置差异很小，时间成本完全不划算。

3.3 校正结果怎么验：三条对比线和一个 Z-Profile

FLAASH 跑完之后不要直接进入下一步，先验证。我用三条对比线。

第一条是原图和校正后的整体对比，把两幅影像并排显示、链接视图同步缩放，看颜色和反差。校正后的影像通常会比原图“暗”一些，因为大气散射带来的那层亮度被剥掉了，这是正常的，如果反而更亮，八成是气溶胶模型或者能见度填错了。

第二条是辐射定标结果和校正结果的对比，这条主要看数值量级。定标后是辐射亮度，数值可以到几十上百；校正后是反射率，正常地表应该在 0 到 1 之间，水体和阴影会更低。如果校正后出现大面积的负值或者超过 1 的极值，说明参数有硬伤。

第三条是 Z-Profile 光谱曲线，这是最能说明问题的一条。挑一个明显的植被像元，看它的光谱曲线：健康的植被在绿波段应该有个反射峰，红波段被叶绿素吸收形成谷，到了近红外急剧抬升形成一个高平台。校正后的曲线这个形状应该比校正前更清晰、更符合物理规律。要是曲线还是平的或者乱的，前面的波长表多半填错了。

3.4 结果偏色和负值的排查方向

FLAASH 输出偏色是高频问题。我遇到过两种：一种是整体发蓝，原因是气溶胶模型选错，把城区当成了乡村，气溶胶光学厚度估高了；另一种是局部出现紫色或者青色块，通常是那块区域有云或者云影，FLAASH 的云掩膜处理不干净。

负值问题更常见，尤其是水体和阴影区域。少量负值可以接受，ENVI 里有专门的工具可以做反射率归一化处理；但如果负值比例很高，就要回到三个地方查：输入影像是不是 BIL 格式、辐射定标系数有没有填反（乘和加搞混）、地面高程是不是还留着默认的 0。

4. 图像融合四法对比：Brovey、HSV、PC 该选哪个

融合这一步是我这次实习投入时间最多的部分，因为方法多、效果差异大，而且没有绝对的好坏，只有适不适合你的任务。ENVI 里可用的融合工具都在 Transform 下的 Image Sharpening 里，我实际做了 Brovey 变换、HSV 变换和主成分变换三种，各跑一遍再做定性加定量对比。

4.1 融合前的必备动作：把第 8 波段拉到和多光谱同一个量级

这一步是所有融合方法的前置条件，也是最容易被跳过的一步。大气校正之后，多光谱波段的数值是 0 到 1 的反射率，而全色波段的量级完全不同，直接拿去替换或者做比值运算，结果一定是一片灰白或者严重失真。

处理方法是对第 8 波段做反射率拉伸，把它的数值范围压到和多光谱一致的区间。ENVI 里可以用 Stretch Data 或者 Band Math 做线性拉伸，目标是把全色的直方图对齐到参与融合的多光谱波段的分布上。做完之后拿两幅影像做一次快速对比，全色的亮度分布应该和多光谱接近，这是融合能出效果的前提。

融合的输入也要提前准备好。低分辨率影像用大气校正后的第 5、4、3 波段合成 RGB（这个组合在 Landsat8 上接近真彩色，地物判读最直观），高分辨率影像用拉伸后的第 8 波段。重采样方式三种可选：最邻近、双线性、三次卷积。我的经验是最邻近法出来的结果边缘最锐，适合做边界判读；双线性更平滑，适合做后续的定量统计。

4.2 定性对比：三种融合方法在居民地边界上的差异

Brovey 变换的原理是把 RGB 三个波段按比例缩放后与高分辨率波段做乘积，它的特点是光谱保持相对好，但受参与融合的波段数量限制。实际效果上，融合后的影像纹理比原图清晰，道路和建筑轮廓能看出来，但整体色调偏暗，因为三个波段的比值运算压低了亮度。

HSV 变换是把 RGB 转到色度、饱和度、亮度三个分量，用高分辨率影像替换亮度分量，再转回 RGB。这个方法的视觉效果最讨喜：色度和饱和度保留了多光谱的色彩信息，亮度分量被全色替换后清晰度提升明显。我在居民地和耕地交界的地方做了对比，HSV 融合后的建筑边界明显更利落，屋顶和道路的分界能直接判读出来。

主成分变换的做法是先对多光谱做 PCA，把第一主成分（信息量最集中的那个分量）替换成匹配后的高分辨率波段，再做逆变换。这个方法理论上没有波段数量限制，但实际问题很明显：第一主成分承载了大部分光谱信息，替换掉之后色调变化很大，我这张图融合完整体发亮、颜色发飘，地物边界反而比原图更糊。这也是开头那次答辩被问住的直接原因。

从光谱保真度看，Brovey 保留最好，但受波段限制；HSV 纹理改善明显、空间信息保持好，代价是光谱信息损失较大；PC 变换没有波段限制，光谱保持理论上也不差，但第一主成分信息高度集中，色调偏移是绕不过去的问题。

4.3 定量对比：均值、标准差、信息熵、平均梯度的实测表

定性对比容易被主观感受带偏，所以我又做了定量评价。因为没有理想的高分辨率参考影像，只能做无参考评价，选了四个指标：均值、标准差、信息熵、平均梯度。均值反映整体亮度，标准差反映反差，信息熵反映信息量，平均梯度反映清晰度。

均值、标准差直接在 ENVI 的 Basic Tools 下的 Compute Statistics 里算。信息熵和平均梯度 ENVI 没有现成工具，我的做法是用 File 下的 Save File As 导出 ASCII 格式的像元值，再用 MATLAB 编程算。导出的时候小数点位数一定要设成 0，否则文本文件会大到打不开，这一点踩过坑。

实测数据如下，波段对应红、绿、蓝三个通道：

看懂这张表有个前提：Brovey 的均值不能和融合前直接比。它的输出是 0 到 1 量级，融合前是 0 到几十的量级，两者差了两个数量级，均值标准差直接对比没有意义。这就是为什么均值标准差这两个指标只能在同一量级的方法之间比，跨量级比较要看信息熵和平均梯度。

按信息熵看，HSV 三个通道都在 4.5 以上，红绿通道甚至超过 5.3，明显高于融合前的 4.1 到 4.5，说明融合确实带入了新的空间信息。Brovey 的信息熵在 3.9 到 4.2 之间，比融合前略低，说明它在提升清晰度的同时损失了一部分信息量。PCA 的信息熵最低，三个通道都在 3.5 以下，这和我目视看到的“更糊”是一致的。

按平均梯度看，HSV 的蓝通道达到 0.54，是融合前的 1.5 倍左右，清晰度提升最明显；Brovey 的平均梯度反而低于融合前，这有点反直觉，原因是它的数值量级被压缩了，梯度的绝对值也跟着变小，所以这个指标对 Brovey 同样不太公平，只能作为参考。

4.4 选型结论：什么任务用哪种融合

基于上面两组对比，我给自己定了一条清晰的选型线：

要做目视解译、提取建筑边界、做土地利用类型判读，选 HSV。它的清晰度提升最明显，居民区边界最利落，信息熵也最高，代价是光谱保真度差一些，但判读本来就不依赖精确的反射率数值。

要做定量反演、算指数、做光谱分析，选 Brovey，或者干脆不融合。Brovey 的光谱保持相对好，数值虽被压缩但保留了相对关系，做完归一化之后还能用。更稳妥的做法是在多光谱原始分辨率上做反演，把融合只用来做展示图。

PC 变换在这次对比里表现最差，色调偏移大、信息熵低，我不推荐用它做单景融合。但如果做多源数据融合（比如光学加雷达），PCA 去相关的能力还是有价值，那是另一个场景。

5. 专题提取：水体、植被覆盖度、温度反演与分类

融合只是中间过程，真正要出结果的是这四类专题信息。我用的是 HSV 融合后的影像作为底图，因为它的边界最清晰，做掩膜和样本选择时好判断。下面把每一步的算式和参数取值都说清楚。

5.1 水体提取：NDWI 加密度分割定阈值，再回填掩膜

水体提取走的是归一化水体指数路线。在 Basic Tools 的 Band Math 里输入表达式，Landsat8 上常用的是绿波段和近红外波段组合：

# NDWI 归一化水体指数，Landsat8 OLI 对应 b3(绿) 和 b5(近红外) # 水体在绿波段反射相对高、近红外吸收强，所以该指数对水体为正 import numpy as np def ndwi(green, nir): # 加一个小常数避免除零，水体区域可能出现 0 值 return (green - nir) / (green + nir + 1e-10) # 阈值分割：大于阈值判为水体，阈值需要用密度分割确认 water_mask = ndwi(green, nir) > 0.10

Band Math 里的写法就是(float(b3) - float(b5)) / (float(b3) + float(b5))，加 float 是为了避免整型相除直接截断成 0。算完之后打开灰度图，用 Overlay 下的 Density Slice 做密度分割，拖动分割点看水体被切出来的范围，把阈值定在能完整包住河湖、又不会把阴影误判成水体的位置。

阈值定好之后，用 Basic Tools 下的 Apply Mask 做掩膜，把水体区域单独抠出来。这一步我遇到过一个具体问题：研究区有一条河正好贴着县界走，裁剪之后河的一半在边界外面，掩膜出来和背景一起变成黑色，看着像水体断了。这不是算法问题，是裁剪范围的问题，解决办法要么把矢量范围向外做一次缓冲，要么在报告里说明这条河的完整性受限。

5.2 植被覆盖度：像元二分模型的两个端点怎么取

植被覆盖度用的是像元二分模型，思路是把一个像元的 NDVI 看成纯植被和纯裸土两部分贡献的线性混合：

# 像元二分模型估算植被覆盖度 # ndvi_soil 取 NDVI 累积分布的 5% 分位，ndvi_veg 取 95% 分位 def fvc(ndvi, ndvi_soil, ndvi_veg): # 归一化到 0-1，超出范围的做截断，避免出现负覆盖度 result = (ndvi - ndvi_soil) / (ndvi_veg - ndvi_soil) return np.clip(result, 0.0, 1.0)

两个端点的取值是这一步的关键。硬编码固定值（比如 0.05 和 0.7）在不同影像上表现差别很大，我一般用统计分位数法：统计整幅影像 NDVI 的累积分布，取 5% 分位作为纯裸土端元，95% 分位作为纯植被端元。这样自动适应了这景影像的实际分布，两期对比时也更公平，因为两期用的是各自的分位数，不会因为整体亮度差异导致覆盖度系统性偏高或偏低。

算完之后做一次分级统计，按 0 到 0.2、0.2 到 0.4 这样的区间切分，出面积占比表，两期一对比就能看出植被的变化趋势。

5.3 温度反演：大气校正法和单窗算法的差别在哪

温度反演这部分，我做了大气校正法和单窗算法两种，结果有差异，差异来源值得说清楚。

先说要共同的前置步骤，就是亮温计算。从辐射亮度到星上亮温用普朗克反函数：

# Landsat8 第10波段（热红外）星上亮温计算 # K1、K2 为官方定标常数，随传感器和波段不同而不同，必须从元数据里取 def brightness_temp(radiance, K1=774.89, K2=1321.08): # 注意 radiance 的单位要和 K1 匹配，都是 W/(m2·sr·um) return K2 / np.log(K1 / radiance + 1.0)

算出来的亮温是星上亮温，还不是地表温度，因为它没有扣除大气影响，也没有考虑地表比辐射率。

大气校正法（辐射传输方程法）需要三个大气参数：大气上行辐射、大气下行辐射、大气透过率。这三个量一般从大气校正软件里反演出来，或者在 FLAASH 的高级设置里输出。拿到之后按下式反解地表辐射亮度，再用普朗克反函数得到地表温度。这个方法的物理基础最扎实，代价是对大气参数的准确性依赖很强，参数偏一点结果就偏。

单窗算法只需要三个输入：大气透过率、大气平均作用温度、地表比辐射率，用一组回归系数把亮温直接换算成地表温度。它的好处是输入少、计算快，缺点是回归系数是针对特定传感器波段响应拟合出来的，不同文献给的系数不一样。我的做法是两期影像用同一组系数，这样至少保证两期之间可比，绝对值有偏差但不影响变化趋势的判断。

地表比辐射率这一步两种方法都要做，我用的是 NDVI 阈值法：NDVI 低于 0.157 的像元按城镇和水体处理，比辐射率取 0.95 左右；NDVI 高于 0.727 的按纯植被处理，取 0.99 左右；中间区间用植被和裸土的面积比例加权。这两个断点是经验值，用的时候在报告里写清楚来源，不要当成绝对标准。

5.4 分类与变化监测：ISODATA 和监督分类各管什么

分类我两种都做了。ISODATA 是非监督分类，只需要设类别数、最大迭代次数、类别均值变化阈值和最小像元数，算法自己聚类。它的价值在于快速摸底：你不知道这景影像里到底有几种地物、光谱分布是什么样，先跑一遍 ISODATA 看聚类结果，再决定监督分类要分几类、样本往哪采。

监督分类我用的是最大似然法，另外对比了神经网络法。流程是先在一幅影像上采样本兴趣区，每个类别采若干个 ROI，样本要分散、要覆盖该类别的光谱变异范围，不能全挤在一个角落。然后执行分类，参数设置里最大似然主要看概率阈值，神经网络要设训练迭代次数和隐藏层结构。

这里有个必须说的问题：训练样本和精度验证样本不能是同一批 ROI。我第一版就是这么干的，精度评价出来 95% 以上，看着很漂亮，实际上是把答案又抄了一遍。正确做法是采样本时分成两组，一组训练、一组验证，或者用分层随机采样的方式在分类结果上另外布验证点，再和真实参考对比算混淆矩阵。

变化监测是在两期分类结果的基础上做的。ENVI 里有 Change Detection Statistics 工具，输入两期分类图，输出一个转移矩阵，行列分别是前一期和后一期的类别，矩阵里的数值是转移的像元数。从这个矩阵能读出很多信息：哪些类别转成了建设用地、多少耕地退成了林地、水体的面积是增还是减。把像元数乘以像元面积就是面积变化，这部分数据比单纯的分类图更有说服力。

6. 避坑：五条踩坑记录和一份跑图前的检查清单

下面这五条都是我自己踩过的，按“现象、原因、解决”写，每条都能对应到前面某一节的操作。

6.1 全色波段没拉伸就融合，结果一片灰白

现象：融合输出整体发白，地物层次全丢，怎么调显示拉伸都救不回来。

原因：多光谱已经做过大气校正，数值是 0 到 1 的反射率；全色波段还停留在原始量级，两者差了一到两个数量级，直接参与比值或者替换运算，结果被全色的数值主导。

解决：融合前先对第 8 波段做一次反射率拉伸或直方图匹配，把它的分布对齐到多光谱波段，再执行融合。

6.2 FLAASH 跑出大面积负值或者直接报错退出

现象：校正结果里水体和阴影大片负值，或者软件跑到一半报错中断。

原因：九成是输入格式的问题，FLAASH 只吃 BIL 或 BIP，BSQ 直接喂进去就会出问题；剩下的一成是地面高程还留着默认的 0，大气柱长度算错。

解决：定标输出后立刻做一次 Convert Interleave 转 BIL，高程按研究区实际平均海拔填，成像时间取 MTL 里的成像时间而不是文件生成时间。

6.3 裁剪之后波长表丢了，波段顺序对不上

现象：Edit Header 里的 Wavelength 是空的，或者填完之后 Z-Profile 曲线形状很怪，植被没有近红外陡升。

原因：ROI 裁剪的输出不继承原头文件的波长信息；或者 Layer Stacking 时波段顺序和 MTL 里的顺序不一致，波长表和实际波段错位。

解决：裁剪前先确认波段正序叠放，裁剪后回到 Edit Header 重新填一遍波长，单位改成 Micrometers，填完用植被像元的光谱曲线做一次验证。

6.4 温度反演结果和地面气象数据差好几度

现象：反演出来的地表温度和同期气象站气温差了五度以上，城区尤其离谱。

原因：比辐射率全图取了一个常数，城区、水体、植被用了同一个值；大气参数用了默认值；或者拿星上亮温直接当成了地表温度。

解决：按 NDVI 阈值法分地表类型给不同的比辐射率，大气参数用成像时刻的实测或者再分析数据，输出前确认做完了大气影响扣除这一步。

6.5 分类精度虚高到 95% 以上

现象：混淆矩阵算出来总体精度高得不正常，Kappa 系数也在 0.9 以上，但分类图上明显有错分的斑块。

原因：训练样本和验证样本来自同一批 ROI，等于用训练数据评价训练结果；或者验证点全布在容易分的类别上，样本分布有偏。

解决：采样本时就分成训练集和验证集两套，验证点用分层随机方式布设，每个类别都要有足够数量的验证点，混淆矩阵才有意义。

跑图之前我现在会强制过一遍下面这张清单，五个问题挨个确认，只要有一个答不上来就先别开跑：

回过头看，这份报告里真正花时间的不是操作本身，而是每次出错之后倒推是哪一步埋的雷。ENVI 的很多步骤不会当场报错，它把问题留到你做温度反演、做分类精度评价的时候才暴露出来，那时候排查成本是原来的好几倍。所以现在我做任何一景新数据，都会先把上面那五项过一遍，宁可前期多花二十分钟，也不想在两期对比做完之后发现波长表填错了。报告里的参数取值、融合对比数据、分类和变化监测的结果图都整理在文件里，需要的可以直接拿去对照着跑一遍。希望帮到你。

本文还有配套的精品资源，点击获取