Landsat TM (ETM )7个波段可以组合很多RGB方案用于不同地物的解译,Landsat8的OLI陆地成像仪包括9个波段,可以组合更多的RGB方案。
OLI包括了ETM 传感器所有的波段,为了避免大气吸收特征,OLI对波段进行了重新调整,比较大的调整是OLI Band5(0.845–0.885 μm),排除了0.825μm处水汽吸收特征;OLI全色波段Band8波段范围较窄,这种方式可以在全色图像上更好区分植被和无植被特征;此外,还有两个新增的波段:蓝色波段 (band 1; 0.433–0.453 μm) 主要应用海岸带观测,短波红外波段(band 9; 1.360–1.390 μm) 包括水汽强吸收特征可用于云检测;近红外band5和短波红外band9与MODIS对应的波段接近,详情参考表3。
如表1是国外公布的OLI波段合成的简单说明。表2是前人在长期工作中总结的Landsat TM(ETM )不同波段合成对地物增强的效果。对比表3,可以将表1和表2的组合方案结合使用。
表1:OLI波段合成
R、G、B | 主要用途 |
---|---|
4 、3 、2Red、Green、Blue | 自然真彩色 |
7、 6 、4SWIR2、SWIR1、Red | 城市 |
5、 4 、3NIR、Red、Green | 标准假彩色图像,植被 |
6 、5 、2SWIR1、NIR、Blue | 农业 |
7 、6、 5SWIR2、SWIR1、NIR | 穿透大气层 |
5、 6、 2NIR、SWIR1、Blue | 健康植被 |
5 、6、 4NIR、SWIR1、Red | 陆地/水 |
7、 5 、3SWIR2、NIR、Green | 移除大气影响的自然表面 |
7 、5 、4SWIR2、NIR、Red | 短波红外 |
6、 5 、4SWIR1、NIR、Red | 植被分析 |
表2:Landsat TM波段合成总结说明
R、G、B | 类型 | 特点 |
---|---|---|
3、2、1 | 真假彩色图像 | 用于各种地类识别。图像平淡、色调灰暗、彩色不饱和、信息量相对减少。 |
4、3、2 | 标准假彩色图像 | 它的地物图像丰富,鲜明、层次好,用于植被分类、水体识别,植被显示红色。 |
7、4、3 | 模拟真彩色图像 | 用于居民地、水体识别 |
7、5、4 | 非标准假彩色图像 | 画面偏蓝色,用于特殊的地质构造调查。 |
5、4、1 | 非标准假彩色图像 | 植物类型较丰富,用于研究植物分类。 |
4、5、3 | 非标准假彩色图像 | (1)利用了一个红波段、两个红外波段,因此凡是与水有关的地物在图像中都会比较清楚;(2)强调显示水体,特别是水体边界很清晰,益于区分河渠与道路;(3)由于采用的都是红波段或红外波段,对其它地物的清晰显示不够,但对海岸及其滩涂的调查比较适合;(4)具备标准假彩色图像的某些点,但色彩不会很饱和,图像看上去不够明亮;(5)水浇地与旱地的区分容易。居民地的外围边界虽不十分清晰,但内部的街区结构特征清楚;(6)植物会有较好的显示,但是植物类型的细分会有困难。 |
3、4、5 | 非标准接近于真色的假彩色图像 | 对水系、居民点及其市容街道和公园水体、林地的图像判读是比较有利的。 |
表3:OLI陆地成像仪和ETM 对照表
OLI陆地成像仪 | ETM | ||||
---|---|---|---|---|---|
序号 | 波段(μm) | 空间分辨率 (m) | 序号 | 波段(μm) | 空间分辨率(m) |
1 | 0.433–0.453 | 30 | |||
2 | 0.450–0.515 | 30 | 1 | 0.450–0.515 | 30 |
3 | 0.525–0.600 | 30 | 2 | 0.525–0.605 | 30 |
4 | 0.630–0.680 | 30 | 3 | 0.630–0.690 | 30 |
5 | 0.845–0.885 | 30 | 4 | 0.775–0.900 | 30 |
6 | 1.560–1.660 | 30 | 5 | 1.550–1.750 | 30 |
7 | 2.100–2.300 | 30 | 7 | 2.090–2.350 | 30 |
8 | 0.500–0.680 | 15 | 8 | 0.520–0.900 | 15 |
9 | 1.360–1.390 | 30 |
ENVI中进行波段组合非常方便,如下图为打开一个标准Landsat8数据,根据需求选择对应RGB合成显示即可。图2-图5为几个RGB组合。
图1:数据管理面板
图2:7、6、4,水体和植被得到了增强
图3:6、5、2,裸地得到增强,可以与有作物的耕地区分
图4:5、 6、 2,植被呈现不同颜色
图5:6、5、4,植被非常鲜艳,植被和非植被区很好的区分