惭愧，这个课程从始自终就没有认真学过，一部分是因为自己的原因，另一部分也是因为自己的原因。因此，对于整理的资料有不足之处请指正。
另外，资料自word复制，没有时间整理博客的格式。
-- 2023年05月19日记；
第一章
质量评价(4点)
完整性(质量指标+数量指标)
解译的完整性标志着所得出的结果与给定任务的符合程度。
对解译完整性的评价一般以质量指标来表示(所获得的信息是否满足给定的任务)，在个别情况下，也会进行数量的评价(所获得信息占完整信息的多大百分比)
可靠性（总体精度、KAPPA、混淆矩阵）
解译的可靠性指出解译结果与实际的符合程度。
解译可靠性决定于正确的地物数量与它们的总数量的比值关系。
对于多种地物解译可靠性的问题，通常使用混淆矩阵、总体精度、Kappa系数等。
这一部分是精华，可能不会来考，但是我们平时有可能遇到，所以这里打算罗列其中部分的原理。
总体精度
总体精度由被正确分类的像元总和除以总像元数的计算。
被正确分类的像元是沿着混淆矩的对角行分布，它显示出被分类到正确地表真实分类的像元数。
像元总数是所有参与到地表真实分类的像元总和。
混淆矩阵如下（ENVI得到）：
其中，Overall Accuracy表示总体精度，4546表示被正确分类的像元数，4860表示总共参与分类的像元总数，可以发现，总体精度为93.5391%；
及时性（数据使用+任务期限）
解译的及时性包括图像资料的及时使用。
如果被获取的应先该数据长期不能交付解译使用，那么当实地地物与图像之间变化太多之后就会造成数据的浪费。（数据使用）；
解译的及时性在另一方面也是说在指定的期限内工作的完成情况（任务期限）。
这其实很容易体现，例如当我们进行火灾趋势预测、进行火灾区域的提取进行灾后重建。
如果我们不能在火灾被扑灭之前将火灾趋势预测出来，那么就是没有在任务期限之内将任务完成，这就是解译不及时导致了任务的失败（即便你将火灾趋势预测出来也无济于事）；
如果我们将火灾区域提取出来之后供政府部门参考，然后政府部门却有巨拖延症，那么当想要再使用这幅影像进行灾后重建时，实际需要修复的区域却不是原来的那些区域了，这就是数据不及时使用。
明显性
解译结果的明显性是指解译出来的成果，应当根据任务的目标，用相应的符号、线画清晰地绘制出来，或者使成果尽可能可视化，以便人们理解和应用。
这一点其实有很深的体会，那就是处理数据之后的成果展示，其实最讨厌的就是文字叙述和成片成片的表格，这会给浏览者带来非常大的困扰。当我阅读一篇论文时，我首先是看论文的技术路线图，假定你使用成段成段的语言进行详细地阐述，那么我认为你连最基本的学术素养都没有，或者说最基本的流程图都不会进行绘制和展示。当我进行模型的评价时，我更喜欢使用一些比较强表现力的图进行展示，例如热聚类图、泰勒图等，我觉得他在展示结果的同时具有很好的简洁，我很喜欢这种风格…
- 第二章
- 地理综合体
- 概念
地理综合体是一个相对封闭的自然地段，它通过发生再内部的诸自然过程和地理组成成分的相互依存性而构成一个整体。
- 综合的原则
- 植被的辐射特征
这个比较简单，看图说话。
在可见光的0.55um附近有一个反射率为10%~20%的小反射峰(主要是绿波段)，在0.45um和0.65um附近有两个明显的吸收谷(主要就是蓝波段和红波段)。该特征主要是由于叶绿素的影像，叶绿素对蓝光和红光的吸收作用强，而对绿光的反射作用强。
在0.7~0.8um有一个反射陡坡(主要是近红外波段)，反射率急剧增加，至1.1um附近有一个峰值，这是植被的独有特征。该特征主要是由于植被叶细胞结构的影像而形成的高反射率。
在1.3~1.5um中红外波段受到绿色植被含水量的影响，吸收率大增，反射率大大下降，形成1.45um、1.95um、2.6~2.7um的三个吸收谷。
- 时间特征
地面对象的时间特性包含自然变化过程和节律两个方面。
- 自然变化过程
自然变化过程是指地面对象发生、发展和演化。
- 节律
节律是指事物的发展在时间序列上表现出某种周期性重复的规律，具有周期性和阶段性。
例如九江的植被总是春来秋去，夏繁冬凋，这是一种规律，在这里叫做节律。
- 意义
我们研究地面对象的时间特征，有何意义，或者为什么要去研究它呢？
- 遥感要研究地面对象的时相变化(随时间发生的变化特征或者规律)，主要反映在地物目标光谱特征随时间的变化而变化上。
- 处于不同生长期的作物的光谱特征不同，即光谱的响应时间。（这意味着我们可以通过动态监测<找到多幅不同时间段的影像>了解它的变化过程和变化范围）
- 通过动态监测光谱特征来了解研究对象的变化过程和变化范围。
- 充分认识地物的时间变化特征以及光谱特征的时间效应。有利于确定识别目标的最佳时间，提高识别目标的能力。
- 第三章
- 量测性能
概念：量测性能是指对地物细部和在其上的各个物体间几何关系的再现能力。
影响因素：当量测小线段时，图像清晰度的影响很大；图像的比例尺和几何分辨率；仪器本身的影响；
- 空间分辨率
概念：传感器瞬时视场内所观察到的地面场元的宽度。
- 几何分辨率
概念：从影像上能正确的分辨出地物的最小宽度。假设一个像素的宽度为a，那么地物宽度在3a或𝟐 𝟐a时才能被分辨出来，这个大小即为几何分辨率
- 时间分辨率
概念：时间分辨率是指对同一地区重复获取图像所需要的时间间隔。
作用：
- 时间分辨率是选择最佳成像时间的决定因素；
- 进行自然历史变迁和动力学分析也必须有时间分辨率作为保证；
- 利用时间差以提高遥感的成像率和解像率；
- 数据库更新的重要参考因素；
- 利用遥感图像解译监测地面的动态变化。
- 辐射分辨率
概念：遥感传感器能区分两种辐射强度最小差别的能力。
(主要体现在像元级数上，例如辐射分辨率差的可能就0~255，辐射分辨率好的可以区分更细微的辐射强度，因此可以在有限的波长范围内细分更多的值，比如0~65536)
- 辐射传输方程的组成
传感器接受地面的电磁波能量主要包括：
- 太阳经大气衰减后照射地面，经地物反射后，又经大气二次衰减进入传感器的能量。
- 地面物体本身辐射的能量经大气后进入传感器
- 大气散射和辐射的能量
- 传感器的输出
传感器的输出包括信号和噪声；
- 地物辐射特征
地物的辐射功率与温度和发射率成正比，与温度关系更为密切。
- 光谱分辨率
概念：能够探测到的特定波谱辐射能量的最小波长间隔。
意义：
- 多光谱信息的应用开拓了遥感应用领域；
- 多光谱信息的利用使专题研究中光谱段的选择针对性更强；
- 在图像处理中多光谱信息的应用可以提高分析解译效果。
- 图像分解力和图像解像力
图像分解力是用来评价图像分开和揭示“相处很近地物”的可能性；
图像解像力表示最小的，但能分辨的地物尺寸。
二者的区别：
图像分解力越高，则图像质量越高；
图像解像力越低(地物尺寸越小)，则图像质量越高；
补充：
图像清晰度是指传递地物形状的能力；
图像反差频率特性是指对遥感图像传递的景物反差；
- 最佳图像
- 含义
- 为了使目标能被检测和识别，应要求信息具有足够大的强度，还应是地理现象呈节律性变化中最具有本质特性的信息；
- 被探测目标与环境的信息差异最大、最明显；
- 数据量适中。
- 如何选取最佳时相图像
- 地物与现象本身的光谱特性；
- 太阳高度角的变化；
- 气象条件的影响；
- 对人文现象的时相选择，需要考虑政治和经济的变革时期；
- 第四章
- 人工地物和自然地物的区分
没啥好说的。
人工地物例如：道路、桥梁、各种建筑等；
自然地物例如：阔叶林、稀疏林、耕地等；
- 例证和特征的区分
简单地物到复杂地物概念形成过程中：
由例证出发：若一个概念可以通过许多例证(景物)加以支持，则说明该概念具有普遍意义；否则概念较为特殊。
由特征出发：若一个概念包含更多的特征，说明概念的形成更加严格，因此该概念更为特殊；反过来，概念更具普遍意义。
简而言之，例证越多，概念的普遍意义越强；特征越少，概念的普遍意义越强；
其实很好理解，例如我举一个例子，像高个子的人、矮个子的人、胖胖的人、瘦瘦的那些人运气都还蛮不错；很显然，例证如此之多，所以人涵盖的范围很广；
- 人工地物的特点
- 尺寸与周围地物无多大差别；
- 具备特殊的形状，可作为解译的重要标志；
- 几何和亮度上的明确性可以帮助提高人工地物识别概率，并日出简单的识别模型。
- 影响解译结果质量的主要因素
- 图像上地物的性质；
- 遥感图像的成像质量；
- 人们接受和判别图像信息的能力；
- 自然地物和人工地物解译存在很大区别的原因
- 自然地物几何上和亮度上的不确定性；
- 由一种比例尺到另一种比例尺的过渡中图像的综合。
- 如何提高图像识别地物的概率？
- 提高图像的分解力
- 提高图像的反差
- 建立良好的感受图像条件（即减少地物形状识别系数）；即改善观测图像条件，提高作业员眼睛的灵敏度等。
- 第五章
- 解译标志
- 直接解译标志和间接解译标志的概念
直接解译标志：是地物本身和它们的遥感图像所固有的。“摆在面上”可用较为简单的观测和量测方法在图像上加以确定。
间接解译标志：不直接与物体有关。它们自己不能确保对物体的识别，但能指示出用直接标志不能确定的，或在图上没有成像的那些物体的存在，有助于排出由分析直接标志所作结论的多义性，能取得物体的补充特性。
- 解译标志的类型
色调和色彩、形状和轮廓、大小和尺寸、阴影、图案和细部、纹理、地物关系、
- 解译标志的分级
- 形和色
色：色调、颜色、阴影、反差；
形：形状、大小、空间分布、纹理等；
注意：“形”只能依靠“色”来解译才有意义。
- 知觉定律
组合定律包括接近性、相似性、良好的连续性和封闭性
- 第六章
- 空间相异
含义：
- 任何一个自然单元的空间分布范围都是有限的，可用单元面积、界线形状和性质等参数来描绘其空间分布特征；
- 对于不同区域、不同研究对象，无论是类型复杂程度还是单元面积、形态等特征都表现出明显的差异。
- 纹理密度
灰度变化分布频率越高，则纹理密度越大，纹理排列越紧密。
- 参比数据
参比数据的获取：收集遥感待测目标、区域或者现象的某些量测值或者观测值。（数据的收集需要符合统计采样设计的原则）
参比数据的用途：
- 帮助遥感数据的分析和解译；
- 校准传感器；
- 验证遥感数据所提取的信息；
- 典型像元和混合像元
- 典型像元(纯净像元/纯像元)
- 概念：：一个像元内仅包含一种地物，对应的该类地物称为典型地物；
- 特征
- 混合像元
- 概念：一个像元内包含几种地物；
- 为什么要做混合像元分类？
如果每一混合像元能够被分解，而且它的覆盖类型组分（端元组分）占像元的百分含量（丰度）能够求得，分类将会更精确，因为混合像元的归属而产生的错分、误分问题就迎刃而解。
总的来说：
1.提高分类精度
2.提高影像处理的自动化、智能化水平；
3.提高对小目标的识别能力；
1.1.混合像元分解的方法
使用混合像元分解法主要为两步：分解像元光谱+重建像元光谱；
如何提高混合像元分解精度？
- 选择最能代表图像的全部端元，增加不同端元光谱差距，提高分解精度；
- 减少端元内部的变化；
- 扩展传统混合光谱分解模型；
- 选择性进行端元光谱的分解。
像元二分模型
假设1：像元只有两部分构成，例如，有植被覆盖的地表与无植被覆盖的地表；
假设2：所得到的光谱信息也只有这两个组分因子线性合成，它们各自的面积在像元中所占的比率即为各因子的权重，其中植被覆盖的地表占像元的百分比即为该像元的植被覆盖度。
尺度转换
概念：将某一尺度上所获信息和知识扩展到其它尺度上的过程；
- 多阶抽样估计
- 基本思想
- 根据影像分层，确定样本单元；
- 使每一阶影像的分辨率逐级提高
- 使后一阶样本是前一阶样本的一部分，并使抽样的概率与通过逐级解译影像所得到的预估值成正比；
- 满足的三个条件
- 总体的每个单元必须有已知的概率，被抽中的概率不必相等；
- 样本必须用随机抽样的方法抽取；
- 当根据样本进行估值时，必须考虑抽取的概率
第八章：
1.目视解译方法
1.直接判读法：
根据解译对象在影像中表现出来的形状和色彩等解译标志直接解译出目标类别。
2.对比分析法：
由于地物在不同时相、不同波段、不同传感器的影像中的表现形式不同（形状、色彩等解译标志的不同)，可以通过比较分析这些影像解译出目标类别。
- 3.地理相关分析法：
通过地物之间的位置、大小、形状和邻接关系等信息解译目标。
- 2.目视解译过程
1.准备工作
2.建立解译标志
3.室内预解译
4.野外实地调查
5.内外业综合解译
6.解译结果的类型转绘与制图
- 3.目视解译原则
1.从“已知”到“未知
2.先易后难
3.对象语义与范围的确定可以交互进行
4.逐步近似解译
4.目视解译和计算机解译的不同
1.目视解译主要依靠人们从遥感图像，特别是航空图像上提取各种地物信息，其工作量大，效率低，难以满足实时处理大量信息的要求。
2.现有的图像处理系统还很难完全满足解译任务在精度和功能上的需要，这主要是因为计算机分类和识别还缺少灵活性;
3.因此，有必要将计算机自动分类和识别与目视解译相结合，即在遥感图像信息提取和解译过程中，一方面使图像解译人员能充分运用他们的解译经验，同时又能发挥计算机处理图像信息的优势。
5.目视解译的三个主要步骤
1.建立目标特征表
解译的起始阶段是在含有物体影像的图像上搜寻信息段，主要是确定目标存在与否。一般情况下，当目标大小达到传感器地面分辨率就有可能被检测到。
在证实了目标存在以后，进一步的工作是确定目标的属性或特征建立解译标志，并可通过列表的形式将标准目标与其解译标志相对应，形成目标特征表。
2.确立分类系统、图斑处理及对图像上关系的描述
3.对图像上的属性、类别和关系作系统解释
6信息融合的技术关键
1.充分认识研究对象的地学规律;
2.充分了解每种融合数据的特点和实用性;
3.充分考虑到不同遥感数据之间波谱信息的相关性引起的信息冗余和噪声误差的增加，因此需要对多种遥感数据作出合理的选择;
4.几何配准
论述题，关于如何提取水体或者植被，这里贴一份流程图。
接着我们讲讲如何提取水体?
首先，获取研究区域的影像数据，这里以Landsat-8 OLI数据为例。
先对Landsat-8数据进行辐射定标、大气校正、几何精校正等预处理，并根据研究区域对Landsat-8数据进行裁剪掩膜等操作；
接着基于Landsat-8数据进行NDVI等植被指数(水体指数NDWI等)的计算，然后绘制ROI进行训练样本和验证样本的创建，标签为非植被和植被两类(标签为非水体和水体两类)；
对得到的样本数据进行分离度的计算，如果分离度过低，则需要删除、编辑、增加样本等操作以提高各个标签的分离度；
接着，确定分类模型，这里使用监督分类中的随机森林模型进行植被的提取（水体的提取）；
接着，使用Majority/Minority处理、聚类处理或者过滤处理等操作对分类结果中的小斑块进行处理；
最后，对分类结果进行分类统计例如总体精度、Kappa系数、混淆矩阵等方法，对分类结果和模型进行精度评估。
