叶面积指数遥感反演ppt课件.pps

《叶面积指数遥感反演ppt课件.pps》由会员分享，可在线阅读，更多相关《叶面积指数遥感反演ppt课件.pps（68页珍藏版）》请在三一办公上搜索。

1、1,冬小麦叶面积指数(LAI)的遥感反演 经验模型和物理模型方法,李淑敏2010/12/13,2,第一部分.基础知识第二部分.遥感反演LAI的方法 第三部分.研究实例,本次课程主要内容,LAI反演 lishumin,叶面积指数LAI、遥感反演,经验模型反演方法、物理模型反演方法,几何光学模型、辐射传输模型,PROSAIL模型,硕士论文“基于MODIS/ASTER的区域冬小麦叶面 积指数PROSAIL模型反演研究”,BRDF模型,PROSPECT模型、SAIL模型,3,叶面积指数 leaf area index,定义：单位土地面积上植被叶片总面积。 叶片总面积/占地面积陆地生态系统的一个十分重要

2、的参数：农作物产量预估和病虫害评价；反映作物生长发育的动态特征和健康状况。叶面积指数越大，表明单位土地面积上的叶面积越大。那么，叶面积指数越大越好吗?以冬小麦为例了解叶面积指数变化情况,第一部分,LAI反演 lishumin,4,图为不同群体叶面积指数消长模型（彭永欣等，1992） 1过大群体;2高产群体;3过小群体.,低增,缓增,快增,衰减,第一部分,LAI反演 lishumin,LAI消长动态分为四个时期,1. 低速增长期，叶片总数较多，但叶面积较小，总叶面积增速较低；,2. 缓慢增长期，单叶面积渐次增加，但低温条件，出叶周期延长；,3. 快速增长期，气温回升，植株生长快速，至孕穗期LAI

3、达峰值；,4. 衰减期， 植株生殖生长，叶片消亡叶面积衰减，至成熟期LAI为0。,一个生长期内冬小麦叶面积指数变化,5,叶面积指数获取方法,实测方法长宽法、称重法 这些方法均需要消耗一定的人力进行实物测量。 借助有关测量工具 例如LAI-2000、LAI-2200、LI-3100C、LI-3000、AccuPAR等，此方法仍需实地进行测量。遥感反演方法 由于遥感数据具有覆盖范围广、时间与空间分辨率高、花费相对较少等优点。作物生长模型模拟LAI,第一部分,LAI反演 lishumin,仅能获得地面有限点的LAI值，对于推广获取大范围LAI存在很大局限性，不能满足植被生态和作物长势监测需求,可以用

4、定量遥感方法反演区域LAI,6,遥感反演,遥感的本质是反演，遥感模型是遥感反演研究的对象 从携带了地物信息的电磁信号中提取地物的特征。 遥感的反演问题，是根据观测信息(遥感数据)和前向模型(遥感模型)，求解或推算描述地物特征的应用参数(或目标参数)。病态反演 陆地遥感反演的根本问题，在于定量遥感往往需要用少量观测数据估计非常复杂的地表系统的当前状态。 已知远少于未知。先验知识 反演不会创造信息，不妥善利用先验知识，就不能很好地分配新观测到的信息到感兴趣的时空多变参数中去。,第一部分,LAI反演 lishumin,7,先验知识越完善，反演结果越可靠。在对地遥感反演中，先验知识分为两类：1）有关地

5、物类型的先验知识表现在物理模型的选择和模型偏差的统计规律等方面。2）具体地表目标的先验知识表现为模型参数的物理边界、不确定性和相关性，以及季相变化等。随着模型的选择，模型参数的物理限制，如叶片大小非负，反射率非负且小于1，等等先验知识很自然地引入到反演之中，作为参数的“硬边界”，对此人们很少异议。（李小文）,第一部分,LAI反演 lishumin,那么，什么是先验知识 ?,8,利用遥感反演叶面积指数的依据,第一部分,LAI反演 lishumin,红 -光合作用吸收谷 低反射率近红 -高反射峰 高反射率,“一峰一谷”是植被的光谱特征，与地表其它地物的光谱特征存在很大差别，所以这一特征成为遥感识别

6、植被并判断植被状态的主要依据。,植被的光谱特征-红光波段和近红外波段,9,有了遥感反演的方法，地面实测方法是否还需要呢？1) 由于地表异质性，由低、中分辨率遥感图像模拟出的叶面积指数有很大不确定性，需要对模拟数据的质量和精度进行评估和验证；2) 有些反演算法还只是处于理论研究阶段，需要利用实测值进行验证。因此，利用模型反演地表参数，需要积累大量的背景测量数据的支持。,第一部分,LAI反演 lishumin,10,经验模型,物理模型,利用定量遥感反演植被LAI的方法,通过建立植被指数（VIs）与叶面积指数的统计关系来反演叶面积指数LAI。,基于植被-土壤波谱特性及非各向同性辐射传输模型基础上的L

7、AI反演。,物理模型,第二部分,LAI反演 lishumin,11,方法一 经验反演,通过建立LAI与光谱数据和表征光谱数据的光谱指数之间的统计关系求算LAI最初，经验反演方法是以LAI为因变量，以光谱数据为自变量建立估算模型；后来发现，对于复杂的植被遥感，仅用个别波段或多个单波段数据分析对比来提取植被信息是相当局限的，因此往往选用多光谱遥感数据经分析运算（加、减、乘、除等线性或非线性组合方式），得出某些对植被长势、生物量等有一定指示意义的数值即“植被指数” 。,第二部分,LAI反演 lishumin,12,单变量统计方法多变量统计方法,第二部分,LAI反演 lishumin,是构建遥感信息单

8、变量（不同波段的反射率值和各种VI）和LAI的经验关系模型来反演LAI。,在拟和单变量和LAI的关系时，一般用到线性模型、指数模型、对数模型、双曲线模型等预测模型，用总均方根差（RMSE）来评价拟和的精度。,与单变量方法基本类似，不同之处在于前者是用多个遥感信息变量与LAI建立经验统计关系模型。,多变量统计模型也可用RMSE来评价拟和精度。,13,植被指数VIs（vegetation indices） 植被指数种类繁多，它们有一个共同特点是很难消除土壤背景影响和忽略地物二向性反射的基本特征。其中，归一化差植被指数NDVI (Normalized Difference Vegetation In

9、dex)是最常使用的一种光谱植被指数。,第二部分,LAI反演 lishumin,使用植被指数反演精度不高的主要原因。,14,经验反演的特点,优点：缺点：,第二部分,LAI反演 lishumin,简单易行,1）由于函数和函数中的系数是经验型的，这些系数随着植被类型及地点的不同而改变，并且植被指数受到诸如地形、土壤条件和大气状况等非植被因素和林冠层的几何结构等植被因素的影响，也存在很多缺点；,2）植被指数NDVI在消除土壤背景影响方面的能力较差，而且NDVI的饱和点较低，很容易达到饱和，在LAI较大时反应不灵敏；,模型精度没有保证。,15,方法二 物理反演,物理模型反演方法又称基于物理学的光学模型

10、方法目前，植被遥感物理模型分为几何光学模型、辐射传输模型以及二者的混合模型，它们都是物理光学模型与经验统计反演LAI方法相比较，物理模型反演是更为可靠的方法 ?,第二部分,LAI反演 lishumin,16,物理模型反演方法,几何光学模型和辐射传输模型,二向性反射及BRDF模型,PROSPECT模型、SAIL模型及PROSAIL模型,几何光学模型、辐射传输模型,PROSAIL模型,BRDF模型,PROSPECT模型、SAIL模型,17,什么是几何光学模型和辐射传输模型？在冠层反射率模型中，之所以分为这两类，主要是由于地面植被（森林、草地、农作物）主要有两种外在形态,第二部分,LAI反演 lis

11、humin,一种是几何特征明显（如树木、灌丛、成垄分布的农作物等离散植被，GO）,另一种则无明显几何特征（如大面积草地、已封垄的农作物等连续植被，RT）。,18,几何光学模型与辐射传输模型特点对照表,19,几何光学模型 （Geometric-Optical，GO）主要考虑地表的宏观几何结构，把地表假设为具有已知几何形状和光学性质，按一定方式排列的几何体，通过分析几何体对光线的截获和遮阴及地表面的反射来确定植被冠层的方向反射（赵英时，2003）。,第二部分,LAI反演 lishumin,优点：考虑了植被冠层的二向性反射；缺点：没有考虑冠层内的多次散射。,20,辐射传输模型 （Radiative-

12、Transfer，RT）其理论基础是辐射传输理论，描述光辐射和粒子在介质中传播的规律。,第二部分,LAI反演 lishumin,优点：考虑了植被冠层内的多次散射；缺点：无法模拟植被冠层的二向性反射，近年来虽加入了热点效应模型，但无法直接得到LAI解析解。,“热点现象”“二向性反射” 遥感从定性走向定量的必然发展过程,21,热点（hot spot）现象,第二部分,LAI反演 lishumin,由于太阳方向与观测方向不同，在一个像元内存在光照植被、光照土壤、阴影植被和阴影土壤四个分量。,当观测方向与太阳方向完全重合时，像元内只能观测到光照植被和光照土壤，此时像元最亮，传感器所接收的地面辐射最强，这

13、称为热点。 （苏理宏，李小文）,几何光学模型较好的解释了热点现象,22,二向性反射,第二部分,LAI反演 lishumin,由于大气或地表都不是理想的均匀层或朗伯体，即其表面的反射辐射强度与入射辐射方向有关，而且在各反射方向上不均匀分布。地表的反射特性通常既不是漫反射也不是镜面反射，甚至不是二者的加权和。二向性反射是自然界中物体对电磁波反射的基本宏观现象。,23,“二向反射率” 指反射率是由太阳光的入射方向和观测者的观测方向共同决定。 多角度遥感我们通常用的反射率是指星下点观测（垂直观测）的反射率。,方位角天顶角高度角,第二部分,LAI反演 lishumin,太阳观测,24,BRDF模型,二向

14、性反射的研究主要是对二向性反射分布函数模型的研究。二向性反射分布函数 (Bi-directional Reflectance Distribution Function，简称BRDF)BRDF模型 其研究的两个主要方向即正向问题和反演问题。,BRDF模型适用于所有植被类型,25,总反射率,正向模型,反向模型,代表光源、植被冠层、探测器、大气、土壤等影响植被冠层反射率的因素,反演模型的理论基础来自于正向模型。而正向模型对植被冠层辐射传输的理解直接关系到反演的可靠性，因此这两个方向都是十分重要的。,第二部分,LAI反演 lishumin,26,PROSPECT模型和SAIL模型都属于BRDF模型P

15、ROSAIL=PROSPECT+SAIL即建立包含化学组分含量的叶片散射和吸收模型，将叶片模型耦合到冠层模型中反演整个冠层的生化组分含量。,第二部分,LAI反演 lishumin,PROSAIL模型,27,PROSPECT模型 叶片水平,第二部分,LAI反演 lishumin,叶片散射率模型，此模型模拟叶片从可见光到中红外波段（400nm2500nm）的反射和透射率，并将它们作为叶片结构参数和生物化学参数的函数。,基于Allen（1969）提出的“平板模型”，即把叶片看做为一个表面粗糙的均匀平板，把非致密型叶片当做由N层平板夹和N-1层空气组成。现在N已经被扩展到实数范围内，N实际描述的是叶片

16、内部的结构。,PROSPECT模型需要以下5个参数：结构参数N，叶绿素，含水量，蛋白质和纤维素含量就可以模拟出叶片的光谱反射和透射率。,28,SAIL模型 冠层水平,第二部分,LAI反演 lishumin,用来计算植被冠层方向反射率的辐射模型，此模型把植被当作一个混合介质，假设叶片方位角分布均匀，冠层是同质植被冠层。,SAIL模型通过输入叶面积指数、叶倾角、太阳角度、观测角度、叶片反射率、叶片透过率、土壤反射率等参数来模拟一定观测条件下的植被冠层方向反射率。,29,PROSAIL模型可用于模拟不同生化水平及不同观测条件下的不同植被冠层反射率。,叶片结构参数N，叶绿素，含水量，蛋白质和纤维素含量

17、,叶片光谱反射和透射率,叶面积指数，叶倾角，太阳角度，观测角度，土壤反射率,植被冠层反射率,PROSPECT,SAIL,植被叶片生化水平,观测条件,PROSAIL模型将叶片模型耦合到冠层模型中反演整个冠层的生化组分含量,第二部分,LAI反演 lishumin,30,PROSAIL模型输入参数,第二部分,LAI反演 lishumin,31,研究实例 基于MODIS/ASTER的区域冬小麦叶面积指数PROSAIL模型反演研究,第三部分,LAI反演 lishumin,32,1. 研究区,两景ASTER遥感影像图覆盖范围,研究区地理位置,第三部分,LAI反演 lishumin,33,2. 数据及预处理

18、,2.1 实际测量数据仪器LAI数据采集 LAI-2000冠层分析仪反射率数据采集 Field-spec便携式分光辐射光谱仪,第三部分,LAI反演 lishumin,3251050nm,34,采样时间 2008年4月16日、17日、18日三天，每天的10:0014:00，小麦生长季处于“拔节期”其他记录 测量时间、取样位置坐标、环境参数、天空云层覆盖情况以及采样样本序列号等,第三部分,LAI反演 lishumin,拔节期LAI值大小？,35,采样点布设原则上要遵循以下几点原则：1）地面采样点应能在遥感影像上实现准确定位；2）地面采样点应最大可能的体现植被和土壤的均质性；3）采样点处的作物叶面积

19、指数应处于一定的变化范围内。,一个样区内的样点,第三部分,LAI反演 lishumin,36,2. 数据及预处理,2.2 遥感数据MODIS - MOD09 (地表比反射率) 250m分辨率，2006-4-23 ASTER - ASTER2B05V (地表反射系数VNIR) 15m分辨率，2006-4-22结合MODIS高时间分辨率和ASTER高空间分辨率的优势,第三部分,LAI反演 lishumin,二者的可见-近红通道均可捕捉到大部分植被信息。,37,2.3 其他数据北京市2000年土地利用现状图 (1:1万) 大兴区和顺义区乡镇图,第三部分,LAI反演 lishumin,- 用于对遥感影

20、像进行几何精校正,- 用于提取研究区的遥感影像图,38,遥感数据预处理,MODIS数据预处理,ASTER数据预处理,几何精校正图像镶嵌和投影转换波段运算分幅裁剪,几何精校正图像镶嵌和投影转换监督分类分幅裁剪,参考刘建光ppt,第三部分,LAI反演 lishumin,39,3. 经验模型,正向,第三部分,LAI反演 lishumin,40,光谱响应函数均值 为什么可以用均值？,第三部分,LAI反演 lishumin,无论是多光谱遥感器，还是高光谱遥感器，每个波段都有一定的波长响应宽度。,在该波长宽度范围内的入射辐亮度并不是都完整的被遥感器接收并记录。遥感器的一个波段和滤波器类似，理论上决定了不可

21、能出现矩形的滤波函数，滤波函数一般都是单峰函数。这个滤波函数就相当于遥感器的光谱响应函数。,通俗的讲：遥感器的光谱响应函数是波长的函数，是遥感器在每个波长处接收的辐亮度与入射的辐亮度的比值。,MODIS和ASTER 1、2波段处的光谱曲线,由实测反射率模拟遥感影像波段反射率,41,光谱仪测得冬小麦冠层反射率曲线,0.0137,0.0065,MODIS的1、2波段,第三部分,LAI反演 lishumin,42,光谱仪测得冬小麦冠层反射率曲线,0.0099,0.0868,ASTER的1、2波段,第三部分,LAI反演 lishumin,43,每个样区内随机选择大约80的样点数为训练样点，用于建模，大

22、约20的样点数为检验样点，用于检验模拟的拟合程度。对训练样点NDVI值和LAI值建立散点图及回归曲线。回归曲线的类型按照以往经验选择线性函数关系、对数函数关系和指数函数关系三种，并生成经验模型，同时计算R2值。,第三部分,LAI反演 lishumin,建立NDVI与实测LAI的经验关系模型,44,建立经验模型,线性对数指数,第三部分,LAI反演 lishumin,45,三种统计模型中，指数模型拟合程度相对更好些用于MODIS遥感影像的LAI反演经验模型用于ASTER遥感影像的LAI反演经验模型,第三部分,LAI反演 lishumin,46,利用经验模型模拟ASTER遥感影像LAI 反演,青云店

23、 魏善庄 高丽营,第三部分,LAI反演 lishumin,将经验模型用于ASTER-NDVI，使用IDL程序获取各个样区样点对应的NDVI，代入经验模型，计算LAI，并输出影像及数值。,47,4. 物理模型,物理反演的原理叶面积指数的反演关键在于给定经验反射率数据，找到一系列最适模型参数以便通过模型计算得到的反射率值与经验数据获得较好的匹配。,第三部分,LAI反演 lishumin,匹配情况的验证通过“价值函数”公式： 是经验反射率； 是模型模拟的反射率。,48,如何确定PROSAIL模型输入参数,由遥感成像条件决定，参考数据头文件,因测量反射率与LAI时探头方向均竖直向下，故取值0,0,定义

24、为平均叶片大小与冠层高度的比值，整个生长期内二者具有一定的相关性，故取值常量,第三部分,LAI反演 lishumin,49,参数敏感性分析一直被认为是用来确定模型关键参数、控制模型效率非常有效的过滤工具。同时，参数敏感性分析可以帮助理解模型结构，乃至发现模型结构缺陷，从而改善模型结构。如果观测数据随冠层参数的改变缓慢，那么就很难对参数值进行反演；另一方面，如果观测数据对冠层参数的变化十分敏感，那么噪音就会导致对冠层参数的估算误差。,第三部分,LAI反演 lishumin,模型参数的敏感性分析,反演的一个重要环节就是确定参数的敏感性,50,因为冠层的生物物理变量是非独立的，比如，叶片水含量的改变

25、也许会导致叶绿素含量和叶片内部结构的变化，叶倾角也会发生变化。因此，反演前需量化反射率对哪些参数具有敏感性。在分析某一参数敏感性时，采用这样一种方法：赋予其他参数固定值，待验证敏感性的参数根据先验知识赋予其多个经验值，每一次改变参数值，会得到新的反射率数值，通过反射率曲线图分析随着该参数的变化，冠层反射率变化是否明显，是则为敏感性参数。,第三部分,LAI反演 lishumin,51,冠层反射率在N不同取值下光谱曲线图,冠层反射率在叶片干物质含量Cm不同取值下光谱曲线图,N和Cm的变化对冠层反射率影响不明显，换句话说，在冠层尺度，根据参数N和Cm难以识别出作物类型。,参数敏感性分析-1,第三部分

26、,LAI反演 lishumin,因此，参数N和Cm可以作为常量。,52,冠层反射率在叶片叶绿素含量不同取值下光谱曲线图,冠层反射率在叶片含水量不同取值下光谱曲线图,可见光部分（MODIS/ASTER 第1波段），叶绿素含量的改变对冠层反射率的变化影响是显著的，传感器很容易可以采集到这些变化，记录在遥感数据中。,参数敏感性分析-2,第三部分,LAI反演 lishumin,相反的，在这些波长处，随叶片内水分含量的改变，冠层反射率曲线是固定不变的，水分含量不会影响冠层反射率。,53,冠层反射率在叶面积指数LAI不同取值下光谱曲线图,冠层反射率在平均叶倾角不同取值下光谱曲线图,LAI和平均叶倾角对冠层

27、反射率的影响主要是在近红外范围（ MODIS/ASTER 第2波段），在可见光部分影响较小。,参数敏感性分析-3,第三部分,LAI反演 lishumin,54,在可见-近红光谱区域，除了叶片的叶肉结构参数和水分含量、干物质含量外，反射率对其他三个参数-叶绿素含量、叶面积指数、平均叶倾角-变化的反应是灵敏的。叶片的叶肉结构参数和水分含量、干物质含量根据冬小麦实际生长状况和先验知识赋值。叶绿素含量、叶面积指数和平均叶倾角三个参数，先赋予其多个经验值，通过多次迭代以确定最佳参数组合。,参数敏感性分析结果,第三部分,LAI反演 lishumin,55,LAI物理模型反演流程图,迭代,确定了除LAI之外

28、的其他参数值,迭代,基于遥感影像模拟LAI值,56,利用物理模型模拟ASTER遥感影像LAI 反演,青云店 魏善庄 高丽营,第三部分,LAI反演 lishumin,57,青云店 魏善庄 高丽营,经验反演,物理反演,两种方法模拟LAI -图像比较,第三部分,LAI反演 lishumin,58,（1）对三个研究区分别模拟出ASTER-LAI图，利用野外实测时GPS定位记录下的坐标与使用Google earth 查找相结合的办法，确定测量点的准确坐标值；（2）IDL编程，将地理坐标首先转为文件坐标，然后利用文件坐标读取ASTER-LAI图中与实测点位置相对应的LAI值；（3）利用SPSS软件和EXC

29、EL软件完成两种方法模拟LAI的比较。对实测值和模拟值的相关分析使用SPSS简单相关分析里的spearman等级相关分析，并作出实测LAI与模拟LAI的差值柱状图进行分析。,第三部分,LAI反演 lishumin,模拟LAI与实测LAI 值的比较,59,模拟LAI与实测LAI spearman等级相关分析,青云店 魏善庄 高丽营,不显著,不显著,不显著,显著,显著,显著,第三部分,经验反演,物理反演,60,模拟LAI与实测LAI差值柱状图（实测LAI-模拟LAI）,经验反演,物理反演,61,两种方法模拟LAI与实测LAI的比较分析结论,经验模型为指数函数关系，模型拟合程度较好；通过对模拟LAI

30、与实测LAI进行简单相关性分析，由Spearman相关系数及P值，得出经验模型此二者相关性不显著，而物理模型此二者在=0.001水平线性显著相关；观察三个研究区模拟的LAI，物理方法模拟值普遍高于实测值，而经验方法恰恰相反，其模拟值普遍低于实测值；由实测LAI与模拟LAI差值可以看出，由经验方法模拟的LAI值大小波动不大。因此，经验模型模拟LAI反映的是某一时期冬小麦生长状况的一个总趋势，忽略了区域叶面积指数分布的空间异质性；而物理模型模拟值较为真实，反映了随空间短距离变动冬小麦叶面积指数会相应发生改变。,第三部分,LAI反演 lishumin,62,5. 尺度转换,ASTER空间分辨率15m

31、，与地面实测尺度相差不大，且研究区小麦基本为连续种植，因此忽略误差直接进行比较；尺度转换是将数据或信息从一个尺度转换到另一个尺度的过程，可以是向上尺度转换，也可以是向下尺度转换，分别称为“尺度扩展”和“尺度收缩”。,第三部分,LAI反演 lishumin,而MODIS空间分辨率250m，与地面实测尺度及ASTER空间尺度相差较大，无法用高尺度数据直接对其验证；,所以要对高空间尺度数据进行尺度转换。,尺度转换的主要难点就在于不同尺度信息之间的非线性和非均匀性。,63,其中， 为低分辨率像元的叶面积指数， 为组成该低分辨率像元的第组高分辨率的叶面积指数， 为第i组高分辨率像元面积占区域总面积百分比

32、。,尺度扩展过程1）基于ASTER影像数据反演LAI，获得ASTER像元尺度上LAI值的分布；2）以高分辨率叶面积指数分布图为基础，找出一个MODIS像元（250m*250m）对应的16*16个ASTER像元（15m*15m）及其LAI；3）通过线性组分加权的方法获得250m*250m尺度的LAI。,第三部分,LAI反演 lishumin,低分辨率像元LAI通过下式计算得到,64,第三部分,小尺度LAI线性组分加权结果与大尺度LAI比较,表中各个字母代表含义A1：每个研究区（一个MODIS像元）对应ASTER遥感影像上16*16个像元，对这16*!6个像元LAI值进行线性综合；A2：与实测点相

33、对的ASTER影像像元LAI值的线性综合；S：实测点LAI值的线性综合；M：每个研究区所代表MODIS像元经物理模型反演的LAI值。,LAI反演 lishumin,65,A1：每个研究区（一个MODIS像元）对应ASTER遥感影像上16*16个像元，对这16*!6个像元LAI值进行线性综合；A2：与实测点相对的ASTER影像像元LAI值的线性综合；S：实测点LAI值的线性综合；M：每个研究区所代表MODIS像元经物理模型反演的LAI值。,1）A1和M值同步变化说明物理模型用于两种不同遥感数据，模拟出LAI值相差不大；2）因魏善庄样区内存在少量裸地，所以其A1与M的差值会明显大于青云店和魏善庄；

34、3）A2与S的差值均在0.7左右，稳定性说明物理模型模拟LAI对实际LAI有一定代表性。,第三部分,LAI反演 lishumin,66,补充.IDL简介,ENVI+IDL,第三部分,LAI反演 lishumin,67,图像处理过程是在ENVI中进行的，IDL是实现ENVI二次开发（直接调用ENVI函数为自己所用定制流程及批处理）的语言；IDL是面向矩阵（同时处理整个图像）的语言，处理速度快；IDL中有很多专业算法库（例如小波变换等，与Matlab相仿）；语法简单，属于快速开发语言，没有编程基础的情况下可以快速掌握。,第三部分,LAI反演 lishumin,为什么用IDL语言？,68,谢谢！,Questions?,