前言

由于ENVI版本较低，无法消除VIIRS SDR数据“蝴蝶效应”，且利用GLT方法进行几何校正耗时较长。所以本次使用较高版本的ENVI对其进行操作。本文主要介绍利用ENVI5.6对VIIRS数据进行处理。

一、数据打开

VIIRS SDR数据文件包括：影像数据（Imagery）和位置信息（Geolocation），数据格式为HDF5。
早期影像数据与位置文件是分开的（如2014年数据）：

后期影像数据包含了部分位置文件（如2020年数据）：

ENVI不能打开只含有位置信息的文件，但是可以通过File > Open As > Scientific Formats > HDF5 打开位置信息文件。

所以对于早期VIIRS数据，需要通过GLT方法进行几何校正；Reproject GLT with Bowtie Correction消除“蝴蝶效应”。

对于后期VIIRS影像数据含有位置信息，则可以直接File > Open As > Optical Sensors > NPP VIIRS打开数据，设置NPP VIIRS参数，会自动进行几何校正和去条带操作。

最后得到的结果具有地理坐标，并且已经消除“蝴蝶效应”。

二、几何校正

含有位置信息——几何校正

（1）使用File > Open As > Optical Sensors > NPP VIIRS打开 .h5文件。出现“选择NPP VIIRS参数”面板。参数保持默认即可（或根据自己需求进行修改）。

（2）“选择产品”下拉菜单列出可供选择的产品。对于SDR，是需要选择进行校准的类型。包括：Radiance、Reflectance、Brightness temperature (Kelvins)、Albedo。

Radiance：

Day/Night Band: 32-bit floating point in units of W/(cm2 * sr)

I-bands1-5: unsigned 16-bit integer in units of W/(m2 * sr * µm)

M-bands 3-5,7, 13: 32-bit floating point in units of W/(m2 * sr * µm)

M-bands 1,2, 6, 8-12: unsigned 16-bit integer in units of W/(m2 * sr * µm)

Reflectance：

I-bands 1-3: unsigned 16-bit integer

M-bands 1-11: unsigned 16-bit integer

Brightness temperature (Kelvins)：

I-bands 4-5: unsigned 16-bit integer

M-band 13: 32-bit floating point

M-bands 12, 14-16: unsigned 16-bit integer

Albedo：

NCC products only: 32-bit floating point

（3）选择Geocorrect and Mitigate Bowtie Effect消除“蝴蝶效应”。

（4）投影类型：区域若包含两极地区则选择Polar Stereographic WGS-84，否则默认。此处选择Geographic WGS-84。

（5）插值方法：离散型（如分类数据）则选择Nearest Neighbor，否则默认Distance Weighted。

（6）设置输出文件，点击OK按钮。

（7）点击菜单栏File>Open World Data>Countries，加载ENVI自带全球矢量数据，查看几何定位结果。几何校正结果显示：

几何校正后影像属性（选择Nearest Neighbor插值方法）：

几何校正后影像属性（选择Distance Weighted插值方法）：

不含位置信息——几何校正
如果加载的VIIRS数据不包含位置信息，会报错且无法自动进行几何校正：

可以先加载原始影像（raw image），然后利用Geometric Correction > Reproject GLT with Bowtie Correction 进行几何校正。
（1）创建GLT，可参考：https://blog.csdn.net/qq_32649321/article/details/110954942
（2）利用工具Reproject GLT with Bowtie Correction进行几何校正，可参考：http://blog.sina.com.cn/s/blog_764b1e9d0102y6hi.html
（3）设置参数，输出文件。

总结

ENVI版本与VIIRS数据格式需要对应；
ENVI5.6直接对VIIRS数据处理时间较短，几分钟左右；利用ENVI5.3 创建GLT方法很耗时，大概一个小时。建议使用较高版本的ENVI对数据进行处理。

VIIRS SDR数据预处理（二）相关推荐

第五篇：数据预处理(二) - 异常值处理
第五篇:数据预处理(二) - 异常值处理参考文章: (1)第五篇:数据预处理(二) - 异常值处理 (2)https://www.cnblogs.com/muchen/p/6883101.html ...
数据预处理Part1——数据清洗
文章目录一.数据预处理二.数据清洗 1.缺失值处理 1.1 丢弃缺失值 1.2 补全缺失值 1.3 真值转换 1.4 不处理 1.5 特征选择 2.异常值 2.1 异常值处理 2.2 保留异常数据 ...
使用MapReduce程序完成相关数据预处理（二）
使用MapReduce程序完成相关数据预处理(二) 数据大概有2万条左右所以部分截取 (格式为csv) 1月20日,北京,大兴区,2,0,0,北京市大兴区卫健委,https://m.weibo.cn/ ...
（二）数据预处理 2019年研究生数学建模D题《汽车行驶工况构建》
在准备阶段,我们取得了突破性的进展,全面掌握了这个题目的来源和做法,下面开始做第一问. 解题思路明确技术路线开始做题目之前,在前面的基础工作开展后,就可以明确汽车行驶工况构建的基本研究技术路线了: ...
专栏 | 基于 Jupyter 的特征工程手册：数据预处理（二）
作者:陈颖祥.杨子晗编译:AI有道基于 Jupyter 的特征工程手册:数据预处理的上一篇: 专栏 | 基于 Jupyter 的特征工程手册:数据预处理(一) 项目地址: https://gith ...
Scikit-learn数据预处理分类变量编码之多标签二值化
Scikit-learn数据预处理分类变量编码之多标签二值化 1 声明本文的数据来自网络,部分代码也有所参照,这里做了注释和延伸,旨在技术交流,如有冒犯之处请联系博主及时处理. 2 名义变量多标签二 ...
Scikit-learn数据预处理分类变量编码之标签二值化
Scikit-learn数据预处理分类变量编码之标签二值化 1 声明本文的数据来自网络,部分代码也有所参照,这里做了注释和延伸,旨在技术交流,如有冒犯之处请联系博主及时处理. 2 名义变量标签二值化 ...
[Python人工智能] 二十六.基于BiLSTM-CRF的医学命名实体识别研究（上）数据预处理
这篇文章写得很冗余,但是我相信你如果真的看完,并且按照我的代码和逻辑进行分析,对您以后的数据预处理和命名实体识别都有帮助,只有真正对这些复杂的文本进行NLP处理后,您才能适应更多的真实环境,坚持!毕竟 ...
四、数据预处理——处理连续型特征：二值化与分段
四.数据预处理--处理连续型特征:二值化与分段点击标题即可获取文章相关的源代码文件哟! - sklearn.preprocessing.Binarizer 根据阈值将数据二值化(将特征值设置为0或1 ...
二、数据预处理——缺失值处理
二.数据预处理--缺失值处理点击标题即可获取文章相关的源代码文件哟! 机器学习和数据挖掘中所使用的数据,永远不可能是完美的.很多特征,对于分析和建模来说意义非凡,但对于实际收集数据的人却不是如此,因 ...

VIIRS SDR数据预处理（二）

文章目录

前言

一、数据打开

二、几何校正

总结

VIIRS SDR数据预处理（二）相关推荐

最新文章

热门文章