转：如何在ERDAS中实现用矢量线界裁切遥感影像

分Erdas和Arcgis两种合并法：Erdas合并： ①打开Erdas，再打开viewer窗口(注意：再打开图层时，要将raster option的no stretch和background transparent前打勾，这样图层就不会失真)。②打开需要合并的图：files of type选择，选择对应的的图层③在窗口viewer—raster—mosaic images,d出mosaic tool窗口④在窗口mosaic tool—process—run mosaic，d出窗口⑤在窗口output file nam选择files of type为tif格式，存放路径自己选择，点击ok完成Arcgis合并: ①打开Arcgis(Arcmap), 加入要合并的图层②ArcToolBox—datamanagementtools—raster—mosaic或mosic to new rastevr然后按需求选择input raster 和 output raster还有名称。二：生成分割边界：①先用arcmap打开shape图，选中shape边界②ArcToolBox—conversion tools—to coverage—feature to class coverage然后按需求选择input feature classse和在output coverage填入存储路径，点击ok完成，生成coverage格式。③然后在Erdas用窗口viewer打开coverage图和tif图。④再矢量图上用鼠标点击你要裁切的边界线，再点击“AOI”菜单，选择 copy select toaoi； View—>Arrange Layers Viewer打开Arrange Layers Viewer对话框，在Vector图层上单击右键，选择Show Properties，打开Properties对话框，选中Polygon，点击Apply按钮，再选中矢量图中重叠的部分。⑤利用AOI工具条上的AOI转换工具（带右箭头的工具），将此按钮选中单击，线界转换为AOI，单击File—>Save—AOI Layer as，保存为aoi文件。三：对影像图裁剪Erdas ：aoi格式文件裁剪：（好像裁剪后的矩形黑色边框去不掉）在ERDAS图标面板工具条中单击Data Prep图标，Subset，打开Subset对话框。在Subset对话框中需要设置下列参数：①输入文件名（input file）②输出文件名（output file）③单击aoi选中裁剪文件名：在choose aoi选项中选中文件名④其余的我选择默认，然后ok等结果mask裁剪：interpreter--utilities--mask（注意的是input mask file文件如img ，所以要几经周折的数据转换才能转过来，可以从arcmap中转格式，也可以从erdas中转）Arcgis裁剪:（黑色边框可以去掉）ArcToolbox -->Spatial Analysis Tools-->Extraction--->Extract by Mask（记得必须安装SPatial Analysis扩展模块。

首先要看你做什么用，要求的分辨率是多少，其次再定可以选择的卫星。其中国内环境卫星和cebers卫星的都是免费的，可以在环境保护部卫星环境应用中心和中国资源卫星应用中心网站上下载，另外landsat 2000年以前的数据、modis数据也是免费的，可以在官网上下的。其它的，特别是高分数据都是需要花银子滴。

遥感的对地观测系统是一个信息流交换的过程：电磁波与地表物体相互作用形成地表信息交流。而遥感影像信息提取技术就是最大限度地从遥感图像上的光谱信息反演出目标地物本身的属性特征信息。进而可对地球表层资源与环境进行探测、分析，并揭示其要素的空间分布特征与时空变化规律。遥感影像信息的提取技术是建立在对地物规律有充分的了解的基础之上的，其综合物理手段、数学方法和地物状态识别等认识，通过对影像的处理与分析，获得能反映区域内地物的分布规律和变化过程的有效信息的技术方法。

遥感地物识别主要依赖于地物的光谱和空间特征的差异。多光谱由于光谱分辨率低，地物的光谱特征表现不充分，地物识别主要依赖地物的空间特征，包括灰度、颜色、纹理、形态和空间关系。信息处理和信息提取主要是应用图像增强、图像变换和图像分析方法，增强图像的色调、颜色以及纹理的差异，达到最大限度地区分地物的目的。随着成像光谱仪研制成功以及其产业化的发展，遥感地物信息提取也随之进入了一个崭新的时代。成像光谱对地物的识别主要是依赖于地物的光谱特征，是直接利用岩石矿物的光谱特征进行地物识别，定量分析地物信息。下面从多光谱和高光谱遥感信息处理两方面来加以论述。

1多光谱方法研究进展

多光谱的信息提取主要集中于：色调信息提取，纹理信息提取，信息融合。

（1）色调信息提取

对于色调信息提取，主要是采用一些增强处理，扩大图像中地物间的灰度差别，以突出目标信息或改善图像效果，提高解译标志的判别能力，如反差扩展、彩色增强、运算增强、变换增强等，这些传统的图像处理方法在一定程度上满足了应用的需要。近年来发展了一系列的以主成分变换为主的信息提取技术，在岩矿信息提取中发挥了重要的作用。如张满郎（1996）提出修正的直接主成分分析提取铁氧化物信息。OF 变换（Maxium Noise Fraction Transformation）（Kruse，1996，Creen，et al，1988），NAPC（Noise-adjust Principal Components Transform）（Lee，et al，1990）、分块主成分变换（Jia，et al，1999）、基于主成分的对应分析（Carr，et al，1999），以及基于主成分分析的空间自相关特征提取（Warner，et al，1997）、子空K投影（Harsanyl，et al，1997）和高维数据二阶特征分析（Lee，et al，1993；Haertel，et al，1999）等，也是基于主成分分析进行信息特征选择与特征提取。同时，根据模式识别的原理，提出并设计出监督分类与非监督分类方法：以及利用决策树进行分类识别（Wrbka，et al，1999；Friedl，et al，1999；Hansen et al，1996），这些技术与方法是建立在图像灰度特征之上，利用数理统计的知识进行地物分类与信息提取。

（2）纹理信息提取

遥感影像的边缘和纹理信息对线环构造的识别具有一定作用，但却似乎无助于岩性的识别。边缘信息提取通常采用滤波算子或锐化的方法进行（Gross，et al，1998；Varbel，2000）。纹理信息提取通常采用共生矩阵、傅立叶功率谱和纹理谱等方法。

（3）信息融合

多源数据融合研究也非常普及与深入，其技术方法涉及不同的数理知识（Jimen，et al，1999；Pohl，1998；Robinson，et al，2000；Price，1999；Gross et al，1998），比如小波信息融合。应用面涉及非遥感数据（王润生，1992；朱亮璞，1994），如遥感数据与地化数据、物探数据的叠置与融合。这些方法一方面开阔了遥感的应用视野，另一方面也扩展了遥感的应用能力。

总的来说，多光谱遥感岩矿信息提取主要是基于图像灰度特征，即基于岩矿的反射率强度差异，采用一些数学变换方法，增强或突出目标信息，使之易于目视解译。在数据处理中，由于波段有限，未能有效地导入岩矿类别的光谱知识，其结果精度更多地取决于研究人员的经验。

2高光谱方法研究进展

成像光谱技术是多光谱技术发展的飞跃，它是在对目标对象的空间特征成像的同时，对每个空间象元经过色散或分光形成几十个乃至几百个窄波段以进行连续的光谱覆盖。形成的遥感数据可以用“图像立方体（三维）”来形象描述，其中两维表示空间，另一维表征光谱。这样，在光谱和空间信息综合的三维空间内，可以任意地获得地物“连续”的光谱以及其诊断性特征光谱，从而能够基于地物光谱知识直接识别目标地物，并可进一步地获取定量化的地物信息。在地质应用中，矿物识别和信息处理技术可分为：①基于单个诊断性吸收的特征参数；②基于完全波形特征以及③基于光谱知识模型三大类型。

岩石矿物单个诊断性吸收特征可以用吸收波段位置（λ）、吸收深度（H）、吸收宽度（w），吸收面积（A）、吸收对称性（d）、吸收的数目（n）和排序参数作一完整地表征。根据端元矿物的单个诊断性吸收波形，从成像光谱数据中提取并增强这些参数信息，可直接用于识别岩矿类型。如IHS编码与吸收波段图（Kruse，1988）是利用连续法去除后的光谱图像，定义出波段吸收中心位置图像，波段深度图像以及波段半极值宽度图像，并分别赋予HS I 空间的明度（H）、强度（l）和饱和度（S），然后逆变换到RGB色度空间。从而根据色调差异进行矿物直接识别。在描述岩矿单个诊断性吸收特征参数中，吸收深度是一非常重要的特征指标而受到重视。如相对吸收深度图（RBD image，Relative absorption Band-depthimage）（Crowley，et al，1989）采用比值运算来增强识别端元的吸收深度，即根据要识别端元的单个诊断性吸收峰的两侧肩部反射率之和，除以其谷中心邻近两侧对应波长的反射率之和的商图像，来表征端元矿物诊断性吸收峰的相对吸收深度。不同端元矿物的RBD图像，除象元本身比值大小代表了端元矿物存在的可能性外，通过进一步地诸如PC变换分析进行特征增强与选择来识别端元矿物。由于吸收峰的非对称性，采用RBD方法难以准确描述其特征。连续插值波段算法（CIBR，continuum interpolated band algorithm）（De Jong，1998）和光谱吸收指数图像（SAI，spectral absorption index image）（王晋年等，1996）与相对吸收深度图方法类似，但引入了对称度因子，使其对吸收特征的描述更为合理。CIBR是利用诊断性光谱吸收谷中心的辐射值，除以左右肩部的辐射值与吸收特征对称度因子之积的和，产生相应的商图像，用以增强不同矿物的诊断性吸收深度，进行矿物识别。SAI方法与CIBR类似，也是对单个吸收波形肩部的特征增加了对称度因子。上述方法类似于常规比值或彩色增强处理。与常规增强处理最大不同之处在于有机地融入端元矿物的光谱特征这一先验知识，针对性、目的性更明确。由于大气辐射对遥感数据中波谱特征的影响、光谱混合形成的光谱漂移和变异对单个波形的影响，使识别结果含有较大的干扰。

成像光谱最大的优势在于利用有限细分的光谱波段，去再现象元对应物的波谱曲线。这样，利用整个光谱曲线进行矿物匹配识别，可以在一定程度上改善单个波形的不确定性影响（如光谱漂移、变异等），提高识别的精度。基于整个波形的识别技术方法是在参考光谱与象元光谱组成的二维空间中，合理地选择测度函数度量标准光谱或实测光谱与图像光谱的相似程度。例如，光谱匹配（SM，Spectral matching）（Baugh，et al，1998）利用岩矿光谱矢量的欧氏距离测度函数，即求图像象元光谱与参考光谱在光谱空间中的差异大小。距离愈小，表示图像端元光谱或待识别的端元光谱与来自实验室或野外实测的参考光谱之间拟合程度愈高。类似地，相似指数（SI，similarity index algorithm）（Fenstermaker，et al，1994）是基于欧氏距离侧度，根据已知地物类型的图像象元平均光谱与未知图像象元光谱的波段差值平方和的均值大小来识别地物。以上两种方法比基于单个吸收波形参数识别技术可靠。但往往由于光谱数据分辨率的影响，其光谱的差异不明显，同时又因欧氏距离测度固有的缺陷而难以对地物进行准确分类与识别。光谱角识别方法（SAM，spectral angle mapper）（Ben-Dor，et al，1994；Crosta，et al，1998；Drake，et al，1998：Yuhas，et al，1992）是在由岩矿光谱组成的多维光谱矢量空间，利用一个岩矿光谱矢量的角度测度函数求解岩矿参考光谱端元矢量（r）与图像象元光谱矢量（t）的相似程度。参考端元光谱既可来自实验室、野外测量，也可来自已知类别的图像象元光谱。根据两者相似程度大小，识别与提取矿化蚀变信息。该方法的难点在于如何合理地选择阈值进行信息分割。不过，从已有应用的角度看，该方法简单易行、比较可靠。交叉相关匹配（Fer-rier，et al，1999；Varder Meer，et al，1997）是使用一个相关因子（r）作为相似性指数，通过逐象元交叉相关匹配进行矿物识别。当参考光谱与检验光谱完全匹配时，其位置m=0；参考光谱向长波方向移动时，其m＜0。反之，m＞0。在RGB空间，分别赋予斜度（skewness），t检验值与相关因子以R，G，B；若在“0”匹配位置，其斜度、t检验值与相关因子（r）均接近于“1”而显示为白色，从而识别出端元矿物。对于矿物的智能识别，往往也采用完全谱形。例如，Tetracord矿物识别软件是基于UNIX平台，利用光谱数据库中的光谱与图像光谱拟合从而自动进行识别矿物；王润生等（1999）根据矿物的完全波形，利用神经网络进行矿物自动识别。以上方法在具有大量已知地物光谱时适应性强。对图像地物识别更有用。但明显不足是由于实际地物光谱变异、获取数据受观测角以及颗粒大小的影响而造成光谱变化，对于整体光谱特征差别不太大的地物，准确匹配比较困难，造成岩矿识别与分析上的混淆和误差。

基于光谱模型的识别的技术方法是建立在一定的光学、光谱学、结晶学和数学理论之上的信号处理技术方法。它不仅能够克服上述方法存在的缺陷，而且在识别地物类型的同时精确地量化地表物质的组成和其他的物理特性。例如，建立在Hapke光谱双向反射理论基础之上的线性混合光谱分解模型（SMA/SUM）（Adams，et al，1986；Mustard，et al，1987；Roberts，et al，1997；Sabol，et al，1992；Settle，et al，1993；Shipman，et al；1987：Shimabukuro，et al，1991；Smith，et al，1985），可以根据不同地物或者不同象元光谱反射率响应的差异，构造光谱线性分解模型。一个象元内并非存在单一类型地物，而更多地由不同类型地物组成。因此，在大多数情况下，象元光谱并非为纯地物光谱的线性混合，而更多地表现为非线性。对于单散射，可作为线性模型分解，多散射则认为非线性混合。由于平均单散射反照率丰度主要依赖于成分含量不同而可以认为是线性混合（Mustard，et al，1987）。这样，通过单散射反照率（SSA）转换，即可以利用算子W=（3r+6）r/（1 +2r）2，将非线性“线性化”，再进行光谱分解。Tompkins（1996）提出修正的光谱混合分析（MSMA）模型。该模型利用虚拟端元，采用一个阻尼最小二乘算法，根据一定的先验知识，有效地并最终可以选择亚像端元进行光谱分解，提高了SMA实用性。与SMA相比，MSMA最大的不同表现在：①端元以及其丰度均作为未知变量；②对数据组中所有象元同时求解。对于能量约束最小模型（CEM，constrained en-ergy minimization technique）（Farrand，et al，1997；Farrand，et al，1996；Resmini，et al，1997）是在成像光谱图像序列中，运用一个目标区域（或ROI区域，region of insteresting）与象元光谱（ri）相关的权系数wk来描述象元向量的数字值y，从而进行特征选择与分解进行地物识别与信息提取。与混合光谱分解模型一样，该分解结果在一定程度上，不仅代表了识别象元的类型信息，而且有机地表示了其丰度比值。与混合光谱分解模型不同的是，该方法更多地依赖于目标区域的统计特征，但结果更精确。总之，这些方法更多地依赖光谱学知识与数理方法，在实际应用中由于难以确定特征参数或难以准确地描述光谱模型而限制了该类技术方法的应用。不过，由于该类方法在识别地物的同时量化物质组成，因此就其发展趋势而言，随着一系列技术的成熟与光谱学、结晶学等知识的深入发展，识别精度的改善与量化能力的提高，其应用将会越来越广泛。

国内也相继开展了一些成像光谱进行矿物直接识别应用试验，但由于国产传感器的性能尚不够完善，数据信噪比较低。但在定性岩矿识别方面取得了一定的收获。如甘甫平等（2000）利用基于波形特征组合的主成分分析有效地对河北张家口后沟金矿区进行了岩性划分；刘庆生（1999）利用对应分析提取出内蒙古某矿区的含金蚀变。在直接定量矿化识别、识别模型和识别谱系等方面都落后于美国等发达国家，相比还存在一定差距。

总之，岩矿光谱学机理研究、遥感信息提取基础与遥感信息提取方法技术研究，三者之间相辅相成，具有一定的对应关系。

遥感地物光谱应用基础与遥感影像信息提取技术研究随着遥感光谱成像技术的发展而发展，两者研究方向与趋势都主要集中在光谱特征知识与地物物理化学属性的关联以及光谱物理模型两大方面。对地物物化属性与光谱特征的相关性和对光谱物理模型的深入分析与研究可从不同的角度为遥感直接识别矿物、提取地物的分布规律、属性、物化性质以及进行地物深层次信息挖掘等提供理论基础支撑，推动遥感应用技术的发展。遥感地学应用的实用化与产业化是遥感地物光谱应用基础与遥感地物影响信息提取技术研究相互促进的结果。

地物光谱学机理研究、遥感信息提取基础与遥感信息提取方法技术研究的发展将导致三者的结合，并最终综合于遥感应用模型和技术集成中，以便充分利用各自的优势，提高遥感应用能力并增强对地质应用的理解，以及模拟、评估和预测地学发展的规律。

用envi48即可。

1、在envi中打开遥感影像，以及矢量图层（边界）；

2、在矢量图层界面选择file-export

active

layer

to

rois，选择关联影像（即你的landsat8影像）；

3、点击envi的basic

tools-subset

data

via

rois，选择刚才关联的矢量图层，就可以裁剪了。

不知道我有没有理解你的意思。

在我国,遥感运用发展迅速。小到城市违章建筑的监测、名胜古迹的保护监管,大到农作物长势产量的预测、重大自然灾害的评估与分析,都与遥感技术有着密不可分的关系。

遥感是利用工作在不同电磁波范围、运行在不同高度和不同类型遥感平台上的技术,连续不断、夜以继日、周而复始地获取以地球表面为主体的遥感数据,对地球表面的各种物体进行探测,把握地球表面物体、现象和过程的变化及其演变过程。

遥感开辟了人类认知地球的崭新视角,为人类提供了从多维角度和宏观尺度上去认识宇宙世界的新方法和新手段,实现了历史性的跨越。目前,我国的遥感应用已取得了令人瞩目的成就,在经济建设和社会发展中发挥着越来越重要的技术支撑和服务作用。

受国家重视应用前景广

中国遥感技术起步于20世纪70年代末,30年来,国家非常重视遥感技术的发展,连续4个五年计划都把发展遥感技术列为国家重点科技攻关项目,把遥感技术作为国民经济建设35项关键技术之一。

在应用方面,遥感已在土地资源、土地利用及其动态监测,主要农作物的遥感估产,森林资源调查包括植树造林及退耕还林评估,重要自然灾害的遥感监测与评估,城市发展和规划的遥感监测等众多领域得到全面应用。

遥感应用为国家和各级政府提供了大量科学的宏观辅助决策信息,产生了巨大的社会经济效益。越来越多的部门,已经或正在将这些技术纳入部门业务化应用中,成为主管部门执法或制定产业政策、行业规范及行业技术改造的主要技术之一。

国家中长期规划把遥感对地观测列为重点项目,将遥感应用列为相关部门的重点应用内容。我国卫星发射有长期规划,保证了遥感应用的信息源,保证了我国的遥感应用持续发展。

各领域实践处处开花

1土地资源调查和土地动态遥感监测

随着人口的增加,耕地的减少,我国面临着如何尽快查清国土资源的数量和分布的重大问题。

我国利用遥感技术先后完成了全国土地利用调查。在20世纪80年代初期采用陆地卫星MSS数据编制了全国818幅1∶25万土地利用图等。20世纪80年代中期我国又应用航空和卫星遥感技术与野外调绘相结合,完成全国的土地利用详查,查清了我国土地权属、类型、数量、质量、分布及利用状况。从此取得了全面、翔实、准确的全国土地利用现状的第一手资料,为编制国民经济和社会发展计划,制定有关政策和科学决策等提供了重要依据。我国应用陆地卫星TM数据、中巴卫星数据等完成了20世纪80年代中期、90年代中末期和2000年代中期1∶10万和1∶25万全国土地利用调查,并建立了业务运行系统,具有每年耕地数据动态更新和每五年土地利用数据全面更新的能力。现在我国正利用遥感数据进行第二次全国土地详查工作。

2遥感在自然灾害监测评估中的应用

遥感技术为自然灾害的监测评价提供了强有力的技术手段。经过20多年的科技攻关和建设,我国已建立了重大自然灾害遥感监测评估运行系统,已经形成了对台风、暴雨、洪涝、旱灾、森林与草原火灾、雪灾、冰凌、赤潮、地震、沙尘暴以及典型区的虫害、滑坡、泥石流等灾害的监测能力,特别是快速图像处理和评估系统的建立,已经具有了对突发性灾害的快速应急反应能力,使该系统能在几个小时内获取灾情数据,1天内做出灾情的快速评估,1周内完成详细评估报告。

系统建成后已先后在1987年的大兴安岭特大森林火灾,1998年我国长江、嫩江特大洪水,2000年西藏易贡大滑坡地质灾害,2003年淮河大洪水以及2008年“5•12”汶川特大地震等灾害监测中投入运行,为国家各级防灾减灾部门决策提供服务,产生巨大的社会和经济效益。

例如在1998年我国特大洪水监测中,运用了六颗卫星数据,出动三套航空遥感系统对灾情进行动态监测,并核实了上报受灾面积3 亿多亩为3000多亩的事实,体现了遥感的优势。遥感在汶川大地震灾情监测中发挥了其他手段不可替代的作用,是获取灾情信息的惟一手段。在四川汶川大地震发生后,全力启用了航空、航天遥感设备和专业技术人员,为抗震救灾监测获取、处理和分析数据,并紧急向政府部门、前线指挥部提供了大量快速、有效的灾情数据和信息。

3农作物遥感估产系统

农业生产形势,特别是各级政府、农业生产管理部门、农产品购销与加工企业以及广大公众都关注的大事。农作物长势与产量是国家社会经济基础信息,对于制定国家和区域社会经济发展规划,制定农产品进出口计划,确保国家粮食安全,指导和调控宏观的种植业结构调整,提高相关企业与农民的经营管理水平均具有重要意义。遥感技术用于农情监测具有得天独厚的优势。近30年来,农作物遥感监测一直是遥感应用的一个重要主题。

中国科学院建成了“中国农情遥感速报系统”,该系统包括作物长势监测、主要作物产量预测、粮食产量预测、时空结构监测和粮食供需平衡预警等5个子系统,可实现全国范围主要农作物的长势监测、单产预测与估算、农作物种植面积提取、种植结构变化监测、粮食总产分析计算、耕地复种指数获取、农业气象分析、农作物旱情遥感监测等农情监测业务,并能获取全球主要农业国家的作物长势和重点产粮国的总产预测等信息。自运行以来,该系统每年监测和预测的信息被国家发改委、国家粮食局、农业部等部门及一些省市应用,现在已推广到期货市场应用。

农业部组织研发并投入业务运行的“国家农业遥感监测系统(CHARMS)”,可定期监测和评价全国大宗农作物面积、长势和产量、草地产草量和草地退化、农业土地资源、土壤墒情、农业灾害等主要农业动态信息,为农业结构调整、粮食安全预警和农业宏观决策提供可靠的技术支撑。

4遥感在数字城市建设中的应用

遥感在城市建筑监测中发挥了重要作用。城市拆迁是城市建设中的难题,利用高分辨率图像,对拆迁进程一目了然,便于城市建设管理。北京市利用“北京一号”小卫星4米分辨率的图像对较大工程(如奥运工程)的拆迁和建设进行了监测。建设部已经建立了风景名胜保护监管信息系统,实现对风景名胜区环境生态和景观的及时、有效的监管,以迅速遏制国家级风景名胜区“城市化”、“人工化”、“商业化”的趋势恶性蔓延,保护国家风景名胜区的宝贵资源。该系统已纳入建设部日常监管业务。

城市发展已经成为遥感技术应用最具活力的领域之一。利用先进的遥感等空间信息技术可以对城市自然生态中的土地、生物(如绿地)、水、景观等,对社会生态中的环境(如大气污染)和人居环境(如绿化和热岛)等进行监测,为城市建设提供生态布局和治理方案。

对我国直辖市、省会城市和特别行政区的34个城市的中心建成区30年的城市扩展监测结果表明,到21世纪初期,各个城市中心建成区不同程度地增加了中心建成区的面积,城市的建设规模显著增大。实施监测的34个城市的中心建成区面积较监测起始期扩大了226倍。

5 遥感在测绘中的应用

以遥感数据为核心的国家1:5万地形数据库建设已相继完成了数字栅格地图(DRG)、数字高程模型(DEM)、矢量核心要素数据库(DLG)、地名(GN)、土地覆盖(LC)、数字正射影像(DOM)、控制点(CP)、元数据库(MD)等专题数据库,并实现对各数据库的集成管理,为广大用户提供高精度的基础地理信息服务。1∶5万基础地理信息更新工程的实施,将大幅度地提高其现势性和改善内容完整性,有力地提升基础测绘成果为国民经济建设、社会发展和国家安全的服务保障能力与水平。

我国西部约 200万平方公里的国土曾经受恶劣自然环境和当时技术水平的制约,一直没有测制过1:5万比例尺地形图。如今,航天遥感、航空摄影、航空航天合成孔径雷达、卫星导航定位、地理信息系统等最新摄影测量与遥感技术,为西部测图工程的顺利实施提供了有力的技术支撑。西部测图工程的实施,对于满足西部重大基础设施建设、资源合理开发与利用、生态建设与环境保护以及国家安全具有十分重大的意义。

做好数据保障与应用业务结合

1 遥感应用的数据保障问题

遥感应用进入业务化,首先要保证其时效性、数据的可靠性和实用性。这就要求遥感数据能及时提供用户所需要的不同时间分辨率、空间分辨率、光谱分辨率的各种数据,特别是突发性灾害的监测评估,要能在灾害发生后最短的时间内提供遥感数据。

2 遥感信息与应用业务的结合问题

遥感提供的信息可能只是业务应用涉及的部分信息,要解决业务应用需要与实际应用模型、其他数据与信息等的结合,其难点是遥感信息与应用模型的同化、综合信息的挖掘等。

3 遥感应用系统集成问题

遥感信息作为业务应用的重要空间信息,其优势是可以快速提供大范围地表的空间分布信息,这是常规方法不可比拟的,但是,遥感信息必须与数据库、模型和应用系统集成在一起才能发挥其应有的作用。目前应用比较好的领域都是这样做的。

“四化”加速遥感应用

1 遥感应用数据的详细化

由于遥感应用的巨大需求,遥感数据获取技术的飞速发展,适应遥感应用的数据将是多样化的。空间分辨率将会有几公里- 1公里-几百米-几十米-几米-几十厘米级的数据,时间分辨率会有几天-几小时- 1小时-半小时甚至更高时频的数据,光谱间隔将达纳米级。

2 遥感信息提取的智能化

遥感应用的重要环节是信息提取和挖掘。未来的遥感数据处理和信息提取技术会向自动化、智能化方向发展,关键要解决精度和速度问题,新的算法、模式识别和工作流技术等将会引入到遥感数据处理和信息提取中,大大提高自动化处理和智能化提取的能力,可以自动处理重复、费事的任务,提高 *** 作效率,降低生产成本。

3 遥感应用的外包服务化

由于遥感的数据-信息-知识-应用的技术环节复杂,因此遥感应用的门槛很高。目前,国际上已出现一些大的企业,承接政府和行业的遥感应用。将复杂的技术问题交给企业解决,从得到的遥感信息和知识中做好自身与专业的结合,从而降低应用的门槛。我国“北京一号”小卫星的应用就是由北京各委办局交给企业做的,取得很好的效果。这种外包服务化是未来遥感应用发展的趋势,也会推动遥感产业化。

4 遥感应用的大众化

Google公司在2005年6月利用高空间分辨率遥感数据推出 Google Earth,给社会带来空前的震撼:用户可以根据自身的需要进行浏览、查询,并且能够自定义自己关心的点信息。Google Earth的推出,为实现遥感为公众服务提供了非常成功的经验和范例。我国在未来的高分辨率对地观测系统中也将建设功能强大的公众服务系统。未来的基于位置的导航服务(LBS)也会引入遥感信息,推进遥感应用的大众化。

遥感已成为国家经济建设、社会发展和政府科学决策的重要信息支撑,成为国家建设和人民生活不可或缺的信息产品。 我们要在未来加快遥感、地理信息系统、全球定位系统、网络通信技术的应用以及防灾减灾高技术成果转化和综合集成,建立国家综合减灾和风险管理信息共享平台,完善国家和地方灾情监测、预警、评估、应急救助指挥体系。

以上就是关于转：如何在ERDAS中实现用矢量线界裁切遥感影像全部的内容，包括:转：如何在ERDAS中实现用矢量线界裁切遥感影像、去哪里怎样获取某区域的遥感影像数据、遥感影像信息的提取技术方法研究进展等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！