Landsat OLI热红外数据下的劈窗算法地表温度计算与大气校正

劈窗算法是一种在遥感领域广泛应用的方法，用于计算地表温度并进行大气校正，特别是在处理Landsat OLI热红外数据时。此IDL代码片段展示了如何使用这种算法来处理 Landsat 数据集中的不同波段，以获取更准确的地表温度估计。以下是关键步骤的详细解析： 1. **数据预处理**: - 通过`envi_open_file`函数打开三个文件：`multispe_data`（可能包含多光谱数据），`Tb10`和`Tb11`（分别代表10和11号热红外通道的亮度温度）。这一步确保了所需的输入数据已经准备就绪。 2. **获取波段数据**: - 使用`envi_get_data`函数分别读取B10、B11（Landsat OLI的热红外波段）以及B3和B4（可能代表近红外和短波红外波段）的数据，用于后续计算。 3. **大气校正与辐射校正**: - 通过公式将B10和B11的亮度温度转换为反射比（L10和L11），然后利用特定的系数（如3.342E-04）进行大气校正，以减小大气影响对地表温度测量的影响。 - 计算每个波段的地表温度（T10和T11），这通常涉及一个基于辐射平衡的模型，例如使用反辐射定律（1321.08/ln(1+774.89/L10)）。 4. **计算NDVI（归一化差值植被指数）**: - NDVI是评估植被覆盖的重要指标，通过计算B4和B3的比率，去除地表水分和其他干扰因素，得到NDVI值。代码中计算了NDVI的5%和95%阈值范围，以便于后续的窗口划分。 5. **窗口划分（劈窗）**: - 通过比较NDVI值与预定义的阈值（NDVIs和NDVIv），将数据分为低（0）、中间（P）和高（1）三个区间。这有助于区分地表类型（如植被、水面或非植被区域）。 6. **计算MNDWI（Modified Normalized Difference Water Index）**: - MNDWI用于识别水体，它结合了绿光（B2）和SWIR（B5）波段，以增强对水体特性的敏感性。这里未提供具体MNDWI计算公式，但可以推测会类似NDVI的计算过程，但波段选择不同。 通过这段代码，我们可以看到使用劈窗算法进行地表温度估算和大气校正的过程，这在地理信息系统（GIS）和遥感分析中是一项关键技术。实际应用时，可能还需要考虑其他因素如地形、云遮挡等，并可能根据不同的数据源和需求调整参数。整个过程旨在提高数据的准确性和解释性，为土地利用变化、气候研究和环境监测提供有价值的信息。