landsat8与landsat7波段对比

版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
本文链接: https://blog.csdn.net/bigbigtree911/article/details/21253097

  landsat8卫星包含OLI和TIRS两种传感器。OLI包括了ETM+的所有波段。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。

landsat7 landsat8卫星对比

Landsat 7

 

 

Landsat 8

 

Band Name

Bandwidth (μm)

Resolution (m)

Band Name

Bandwidth (μm)

Resolution (m)

   Band 1 Coastal

 

 

0.43 – 0.45

 

 

30

 

Band 1 Blue

 

0.45 – 0.52

 

 

30

 

Band 2 Blue

 

0.45 – 0.51

 

 

30

 

Band 2 Green

 

0.52 – 0.60

 

 

30

 

Band 3 Green

 

0.53 – 0.59

 

 

30

 

Band 3 Red

 

0.63 – 0.69

 

 

30

 

Band 4 Red

 

0.64 – 0.67

 

 

30

 

Band 4 NIR

 

0.77 – 0.90

 

 

30

 

Band 5 NIR

 

0.85 – 0.88

 

 

30

 

Band 5 SWIR 1

 

1.55 – 1.75

 

 

30

 

Band 6 SWIR 1

 

1.57 – 1.65

 

 

30

 

Band 7 SWIR 2

 

2.09 – 2.35

 

 

30

 

Band 7 SWIR 2

 

2.11 – 2.29

 

 

30

 

Band 8 Pan

 

0.52 – 0.90

 

 

15

 

Band 8 Pan

 

0.50 – 0.68

 

 

15

 

   Band 9 Cirrus

 

 

1.36 – 1.38

 

 

30

 

Band 6 TIR

 

10.40 – 12.50

 

 

30/60

 

Band 10 TIRS 1

 

10.6 – 11.19

 

 

100

 

Band 11 TIRS 2

 

11.5 – 12.51

 

 

100

 

表1: 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

 

 

 

 

 

表2:OLI波段合成

RGB

主要用途

4 、3 、2

Red、Green、Blue

自然真彩色

7、 6 、4

SWIR2、SWIR1、Red

城市

5、 4 、3

NIR、Red、Green

标准假彩色图像,植被

6 、5 、2

SWIR1、NIR、Blue

农业

7 、6、 5

SWIR2、SWIR1、NIR

穿透大气层

5、 6、 2

NIR、SWIR1、Blue

健康植被

5 、6、 4

NIR、SWIR1、Red

陆地/水

7、 5 、3

SWIR2、NIR、Green

移除大气影响的自然表面

7 、5 、4

SWIR2、NIR、Red

短波红外

6、 5 、4

SWIR1、NIR、Red

植被分析

 

表3:Landsat TM波段合成总结说明

RGB

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。

  • 20
    点赞
  • 95
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
### 回答1: 可以使用以下Python代码实现Landsat影像的7个波段融合: ```python import rasterio from rasterio.merge import merge from rasterio.plot import show # 打开Landsat影像的7个波段 band1 = rasterio.open('band1.tif') band2 = rasterio.open('band2.tif') band3 = rasterio.open('band3.tif') band4 = rasterio.open('band4.tif') band5 = rasterio.open('band5.tif') band6 = rasterio.open('band6.tif') band7 = rasterio.open('band7.tif') # 将这些波段合并成一个数组 bands = [band1, band2, band3, band4, band5, band6, band7] merged, _ = merge(bands) # 将融合后的影像保存为一个新的文件 with rasterio.open('merged.tif', 'w', driver='GTiff', width=merged.shape[2], height=merged.shape[1], count=merged.shape[0], dtype=merged.dtype) as dst: dst.write(merged) # 可以显示融合后的影像 show(rasterio.open('merged.tif')) ``` 这段代码使用了rasterio库,首先打开7个波段Landsat影像文件,然后将这些波段合并成一个数组,最后使用rasterio.merge函数将这些波段合并成一个影像文件。合并后的影像可以使用rasterio.plot.show函数进行可视化。 ### 回答2: 要实现Landsat影像的波段融合,可以使用Python的遥感图像处理库,如GDAL和NumPy。下面是一个实现Landsat影像7个波段融合的Python代码示例: ```python import numpy as np from osgeo import gdal # 读取Landsat影像的七个波段 bands = [] for i in range(1, 8): band_path = "path_to_band_{n}.tif".format(n=i) # 替换为实际的波段文件路径 band_ds = gdal.Open(band_path) band = band_ds.ReadAsArray() bands.append(band) # 波段融合 fused_band = np.zeros_like(bands[0], dtype=np.float32) for band in bands: fused_band += band # 归一化到0-255的范围 fused_band = (fused_band - np.min(fused_band)) / (np.max(fused_band) - np.min(fused_band)) fused_band = fused_band * 255 # 保存融合后的影像 output_path = "path_to_output.tif" # 替换为保存融合影像的路径 driver = gdal.GetDriverByName("GTiff") rows, cols = bands[0].shape output_ds = driver.Create(output_path, cols, rows, 1, gdal.GDT_Byte) output_ds.GetRasterBand(1).WriteArray(fused_band) # 清理资源 output_ds = None for band_ds in bands: band_ds = None ``` 以上代码首先通过GDAL库读取Landsat影像的七个波段,并将其存储在一个列表中。然后,通过遍历每个波段,将所有波段像素值相加以实现融合。接下来,将融合后的像素值归一化到0-255的实际范围,并乘以255以将值转换为字节范围。最后,使用GDAL库将融合影像保存到指定路径。 ### 回答3: 要实现Landsat影像的七个波段融合,可以使用Python的遥感图像处理库(例如Rasterio、GDAL、OpenCV)和Python的科学计算库(例如NumPy)来完成。下面是一个示例代码: ```python import numpy as np import rasterio # 打开Landsat影像的七个波段文件 band1 = rasterio.open('band1.tif') band2 = rasterio.open('band2.tif') band3 = rasterio.open('band3.tif') band4 = rasterio.open('band4.tif') band5 = rasterio.open('band5.tif') band6 = rasterio.open('band6.tif') band7 = rasterio.open('band7.tif') # 读取每个波段的数据 arr1 = band1.read() arr2 = band2.read() arr3 = band3.read() arr4 = band4.read() arr5 = band5.read() arr6 = band6.read() arr7 = band7.read() # 对每个波段数据进行融合 merged = np.dstack((arr1, arr2, arr3, arr4, arr5, arr6, arr7)) # 创建新的融合波段文件 merged_profile = band1.profile merged_profile.update(count=7, dtype=rasterio.uint16) # 写入新的融合波段文件 with rasterio.open('merged.tif', 'w', **merged_profile) as dst: dst.write(merged) # 关闭所有打开的文件 band1.close() band2.close() band3.close() band4.close() band5.close() band6.close() band7.close() ``` 此代码假设七个波段的数据文件分别为`band1.tif`,`band2.tif`,`band3.tif`,`band4.tif`,`band5.tif`,`band6.tif`和`band7.tif`。代码通过遥感图像处理库的函数打开并读取每个波段的数据。使用NumPy的函数将这七个波段的数据堆叠在一起,形成一个合并的数据数组。然后,通过遥感图像处理库的函数创建一个新的多波段文件,并将融合后的数据写入其中。最后,关闭所有打开的文件。 请注意,这个代码仅仅完成了波段的融合,还可能需要对融合结果进行后续的图像处理和分析,例如调整图像的亮度、对比度、色彩平衡等。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值