1、遥感的种类主要包括以下几个方面：卫星遥感数据。这类数据是通过环绕地球的卫星收集的，涵盖了图像、光谱和地理定位等多种信息。卫星遥感数据能够提供大范围的全球观测，广泛应用于环境监测、资源调查和灾害评估等方面，其优势在于覆盖范围广泛且连续性强。航空遥感数据。
2、数据预处理：包括图像数据分析，校正，配准，子区裁剪等操作。 2）数据处理：包括图像增强、信息提取等。主要有两方面工作，即图像分类、解译和成矿信息提取。 3）生成专题图层：研究区构造格架、影像构造单元划分，蚀变遥感异常信息以及成矿位场等图层，为多元信息统计分析提供数据源。 遥感图像处理流程（图5-1）。
3、遥感数据的种类有：卫星遥感数据、航空遥感数据、地面遥感数据等。卫星遥感数据是指通过卫星上搭载的传感器收集地球表面的信息。这些数据覆盖范围广，能够获取全球尺度的数据。卫星遥感数据包括多种类型，如光学数据、雷达数据、红外数据等，它们在不同的气象条件和季节都能提供稳定的观测结果。
4、遥感数据处理的主要流程包括数据组织（即数据种类选择、范围确认、时相选择、订购等）、数据镶嵌（单景数据不存在此过程）、几何校正、图像生成、图像增强、图像整饰等过程，见图3-2。 图3-2 数据处理流程图 （三）数据处理 数据镶嵌 所谓镶嵌，就是将相邻两景图像拼接、形成大图像的过程。
5、遥感数据主要分为常见的MODIS、Landsat、Sentinel-2与Sentinel-1四个系列。MODIS装置包括36个光谱波段，从可见光到红外波段覆盖，能提供地球表面数据，重访周期约为1至2天。
1、年，我们利用SPOT 和TM 图像按季进行四次土地利用卫星遥感动态监测工作，为天津市耕地保护、土地规划、土地利用变更调查和土地执法监察提供了大量的动态变化信息，在此基础上，又在市域湿地保护、市域主要公路两侧建筑物变化、中心城区扩展和变化等方面进行了探索性应用，取得了显著成效。
2、项目目标：检测某城市两个时段土地利用的变化。数据收集：遥感土地利用分类基本可以划分为居民地，耕地、林地、水域、工业用地、道路等若干类别。所以选用30米及更高分辨率的遥感影像。同一年中，植被因季节不同变化较大，要尽量选用时段在4-10月植被生长期的遥感影像。
3、为了从整体上了解阳山金矿带控矿构造特征及蚀变特征，课题组自2000年起先后购买了该地区的1：5万TM，ETM，SPOT，快鸟等遥感数据，并结合野外地质调查对其进行了数据处理和解译，从宏观上指导了金矿勘查工作。 1 遥感影像基本处理 影像处理的目的是为下一步解译工作提供高质量的遥感影像图，是遥感应用工作的基础。
4、你可以重新分类解译。监督分类与非监督分类精度本来就不高，对于分辨率不高的底图基本上只能用来进行定性分析。对于你说到的草地和林地数据，你也可以将区域矢量化成区，然后进行栅格统计工具进行面积统计。
1、植被分类主要是根据植被波普特性，用的比较多的算法比如，比值植被指数、归一化植被指数等，主要利用植被在红光波段和近红外波段的反射特性。分类的话就在ENVI软件中做波段运算就就可以了。ENVI软件和其有自带的IDL语言可以处理HJ卫星数据。
2、几何校正 打开ENVI Classic，加载TM和Spot影像，选择图像进行几何校正。选取地面控制点，利用自动找点功能，完成几何校正参数输出。检验校正结果，对比基准和校正后的影像。2 镶嵌 加载影像，启动图像无缝镶嵌工具Seamless Mosaic，进行匀色处理，接边线与羽化，输出镶嵌结果。
3、在ENVI中基于植被指数计算器分析工具Vegetation Index Calculator，进行植被指数与植被分析的操作，过程简便。实验原理基于植被的波长范围在400nm到2500nm，该范围分为近红外和短波红外-1与短波红外-2的过渡区，大气水的强吸收范围导致卫星或航空传感器不获取此范围的反射值。实验过程涉及多个步骤。
4、方法/步骤 在ENVI中加载数据后，点击“Transform”—“NDVI”，打开一个输入窗，我们直接选择刚刚加载的数据，如图1。然后就打开了参数设置窗口，这里是Landsat TM影像，然后计算的波段为3波段（红波段）和4波段（近红外），如图2。3 对于生成的结果，我们也可以利用波段组合，来看一下。
1、遥感EVI技术是一种基于遥感数据处理技术的指数计算方法，它可以准确地反映出植被生长的状态及其空间分布情况。该技术将植被的绿色反射能力和土地表面的反射能力相结合，对可见光谱和近红外光谱进行处理，得出的结果不仅可以反映出植被生长的程度和分布情况，还可以反映出土地表面的覆盖度和类型等信息。
2、遥感evi是遥感专题数据产品中生物物理参数产品中的一个主要算法，可以同时减少来自大气和土壤噪音的影响，稳定地反应了所测地区植被的情况。evi是对NDVI的改进，在减少背景和大气作用以及饱和问题上优于NDVI。
3、EVI是指增强型植被指数（Enhanced Vegetation Index）。它是一种用于监测和评估植被状况的遥感指数，广泛应用于生态学、农业、林业和环境科学等领域。EVI是在归一化植被指数（NDVI）的基础上发展而来的，通过改进算法提高了对植被覆盖的敏感度，尤其是在高植被覆盖区和干旱、半干旱地区。
4、evi，全称为增强植被指数，是一种基于卫星不同波段探测数据组合而成的指数，专门用于反映植物生长状况。它通过分析植物叶面在可见光红光波段的吸收特性和近红外波段的反射特性来实现。可见光红光波段的强吸收特性，以及近红外波段的强反射特性，构成了植被遥感监测的物理基础。
5、光谱指数在遥感数据中扮演着重要角色，用以表征地表覆盖、生长状态、植被含量与土壤属性等信息。NDVI、EVI、SAVI与MSAVI等常见指数通过不同波长反射率、辐射率计算得出，应用于农业、生态环境、水资源等领域。Landsat卫星搭载传感器，包含不同波段，用于地表监测与研究。
6、增强植被指数（EVI）是一种用于遥感专题数据产品中的生物物理参数产品的主要算法，旨在减少大气和土壤噪音影响，稳定地反映所测地区的植被状况。EVI通过调整红光和近红外探测波段范围，增强了对稀疏植被的探测能力，并减少了水汽影响。此外，引入蓝光波段对大气气溶胶进行了矫正，对土壤背景进行了调整。
1、植被覆盖度反演是遥感数据分析的重要步骤。首先，采用像元二分法模型计算植被覆盖度，公式为VFC = （S - Ssoil）/（ Sveg - Ssoil），其中S为遥感信息。该模型经过改进，用于更准确地估计植被覆盖情况。处理流程包括图像预处理，如数据读取与定标。
2、植被覆盖度反演是遥感领域的重要应用，其中像元二分模型是关键步骤。该模型通过公式 VFC = （S - Ssoil） / （ Sveg - Ssoil），利用遥感数据S（如多光谱图像）和土壤背景辐射Ssoil，推算植被覆盖度（VFC）。改进的模型在2004年有所优化。处理流程包括图像预处理，如数据读取与定标。
3、接着，计算NDVI并将水体进行掩码处理。通过像元二分模型进行植被覆盖度反演，首先计算NDVI图像，然后将其与水体掩码图像进行逻辑与运算，最后通过直方图计算NDVI值的5%和95%分位数作为NDVI0和NDVIv。基于这些值，可以计算植被覆盖度。
4、在遥感监测中，像元二分模型是估算FVC的基础，它通过计算NDVI（归一化植被指数）与土壤背景的差异来估算植被覆盖度。这个过程首先将NDVI分为土壤和植被两部分，然后计算两者之间的比例，最后确定为5个等级的覆盖度。PIE-Engine Studio是一款强大的遥感分析工具，它在青海省植被覆盖度反演实践中发挥了重要作用。
5、遥感监测FVC的基石是像元二分模型，其核心公式是通过计算NDVI（归一化植被指数）与土壤背景的差异来估算FVC。这个过程首先将NDVI分为土壤和植被两部分，然后计算两者之间的比例，最后确定为5个等级的覆盖度，从轻度覆盖到密集覆盖。
此外，Envi和ArcGIS之间的差异还体现在它们的用户群体和应用场景上。Envi主要面向遥感领域，适用于卫星影像处理、地表专题数据提取等专业应用场景。而ArcGIS则面向地理信息系统领域，适用于地理信息数据的空间分析、路径规划、建模等广泛的应用场景。这些差异使得两种软件在实际应用中能够更好地满足不同用户的需求。
Envi和ArcGIS是两种专业地理信息系统软件，广泛应用于遥感图像处理、地理信息数据分析和建模。然而，它们之间存在显著差异。Envi作为遥感领域的专精软件，主攻遥感影像或数据处理与分析，如卫星影像分类与地表专题数据提取。
Envi在遥感影像处理和数据分析方面具有独特的优势，特别是在地表专题数据提取和遥感影像分类等领域。而ArcGIS则更侧重于地理信息数据的空间分析和建模，为用户提供了一个完整的地理信息系统解决方案。这种差异使得Envi和ArcGIS在不同的应用场景中发挥各自的优势，满足不同用户的需求。
ENVI和ArcGIS虽然都属于地理信息处理领域，但它们的应用侧重点有所不同。ENVI更注重于遥感数据的处理和分析，为用户提供了一整套遥感影像处理工具。而ArcGIS则更加侧重于地理信息数据的空间分析和建模，为用户提供了一个强大的平台来进行地理信息的空间分析和可视化。
ENVI中的植被指数模型详解：ENVI是一个强大的遥感分析工具，它提供了一套经过生物条件验证的7大类27种植被指数，用于从多光谱或高光谱数据中提取和分析植被特性。这些指数包括宽带绿度、窄带绿度、光利用率、冠层氮含量、干旱或碳衰减、叶色素和冠层水分。
ENVI，作为一款功能强大的遥感图像处理平台，汇集了广泛的数据处理和分析工具，覆盖从图像数据处理到高级应用的各个环节。它支持多种类型和格式的遥感图像，包括全色、多光谱、高光谱、雷达、热红外等，可以高效地读取超过100种数据格式。
