使用数据：Landsat8 OLI数据，行列号：122036，时间：20210527。
使用软件：ENVI5.3、ArcGIS10.2
文章图片
二、4个指数计算
下述的四个指数的计算均是通过ENVI软件中的Band math工具进行计算。
（1）绿度指数
【教程 | 基于遥感生态指数(RSEI)模型的生态环境质量评价】在常用的植被指数当中，归一化植被指数 ( NDVI) 能够有效地反映植被的生长情况与植被 覆盖度等重要植被的物理性质，检测灵敏度高，能 够较为真实地展现区域的地表空间变化规律，已经得到广泛利用，本文采用 NDVI 指数来代表绿度指数。
文章图片
在ENVI的band math工具中输入如下公式进行计算：(float(b4)-b3)/(b4+b3)（本文中使用的数据将Band1的海蓝波段已经预先剔除，因此波段顺序同原始有所差异。）
文章图片
（2）湿度指数
土壤湿度在气候、环境、生态等研究与应用方 面起着重要作用，土壤湿度的高低能够很好地反映区域的生态环境质量状况，是监测地表环境的重要指标。在遥感技术当中，采用缨帽变换能够很好地反演土壤湿度，能有效去除冗余数据，而被广泛应用，因此本文采用缨帽变换当中的湿度分量来代表湿度指标。
文章图片
（3）干度指数
干度指数在生态环境的监测与评价当中也有重要的作用。本文主要采用裸土指数 SI 和建筑指数NDBI来构建干度指数。具体公式如下：
文章图片
文章图片
（4）热度指数
本文采用地表温度来代表热度指数，利用单通道算法中的大气校正法进行反演。具体的操作方法见前文Landsat8地表温度反演。
文章图片
二、4个指数预处理
文章图片
由于本文中选用的研究区中水体极少，且水体的面积较小，因此本文中不在进行水体的掩模处理。在主成分分析之前，分别对四个指数分别进行中心化和标准化处理。
（1）中心化处理
由于后续需要进行主成分分析，因此本文中先对四个指数分别进行中心化处理。中心化处理即分别对四个指数进行减去平均值，由此得到中心化处理的数据。四个指数的平均值分别通过ENVI中的statistics view工具来展现，再获取到影像的平均值之后，通过Band math工具进行中心化处理。
文章图片
文章图片
（2）标准化处理
再进行过数据中心化处理之后，继续对数据进行标准化处理，这里使用归一化工具直接对四个指数进行标准化处理。
文章图片
(3)波段合并
在进行过上述处理之后，下面通过Layerstacking工具将4个指数按照NDVI、WET、NDBISI和LS T的顺序进行合成为一个数据。
文章图片
三、主成分分析
在进行过所有的指数处理之后，后续进行主成分分析操作。通过使用ENVI中的Transform>PCARotation>Forward PCA Rotation New Statics and Rotate工具进行主成分分析。
文章图片
主成分分析法对上述标准化指数进行处理，得到第一主成分 PC1，则得到了初始生态指数RSEI0，其中RSEI0即为主成分分析后所得的第一波段。同样需要对 RSEI0进行标准化处理，以方便进行生态分级。
文章图片
四、结果展示
基于生态等级划分的表进行按照RSEI划分，具体等级划分如下表所示。
文章图片
基于上述等级划分表，在ArcGIS中显示生态环境等级划分效果如下：
文章图片
小编刚创建了微信群，欢迎大家在遥感杂谈公众号后台回复微信或在交流讨论模块添加，添加小编好友，我将你们拉进微信群，大家一块共同交流学习。
