制图教室｜再聊聊DEM和Landsat 8：山谷线，山脊线，植被覆盖率 / 开普饭

hello~小伙伴们，又来到每周一的制图教室栏目啦！

上周我们向大家介绍了DEM数据6个运算指标，错过的小伙伴直接戳下方文章！

制图教室｜聊聊DEM：坡度坡向、曲率、等高线、地表皱褶、地形分类

今天让我们继续聊聊数字高程tiff格栅文件。

前方高能干货来袭，注意消化～～

0 1

下载DEM格栅数据

上一篇我们讲到了DEM和LANDSAT8的获取方式，今天不赘述了直接给大家把链接放在这里：

1）NASA：https://search.earthdata.nasa.gov/search?gdf=GeoTIFF!ArcGIS

2）SRTM DATA：https://srtm.csi.cgiar.org/srtmdata/

3）USGS美国地质调查局：https://earthexplorer.usgs.gov/

0 2

利用DEM求解山谷线，山脊线

首先，一定要养好一个正确的制图习惯。在ArcMap中设定好Environment中的Processing Extent，Output Coordinate System，，Cell size，Mask四个选项，确保输出文件的范围和坐标还有格栅解析度正确。

其次在Property中检查下载的格栅数据坐标，如果需要转换坐标系，利用Project Raster运算器完成并新建Data Frame重新加载转换坐标后的数据。这样我们就可以放心的进行真正的运算而不必担心输出图纸出现坐标不对的问题了。

接下来我们开始制作山脊线和山谷线。山脊线的原理是首先，这一处位置处于连续地形高点，即在相邻取样点范围内，这一处高程高于平均高程；其次，这一处地面有持续的坡向变率。所以这里需要引入一个概念是坡向坡度率（SOA）：在地表的坡向提取基础之上，对坡向变化率值的二次提取。坡向变率在所提取的地表坡向矩阵的基础上沿袭坡度的求算原理，提取地表局部微小范围内坡向的最大变化情况。（PS:这段看不懂也不重要）

依据上述原理，我们来求解一下洛杉矶西部郊区一处ASTER瓦片数据的山脊和山谷区域。

1）进行坡度计算：Slope运算器，得到SO1文件。

2）对SO1文件进行坡向计算：Aspect运算器，得到SOA1文件。

3）对DEM高程文件进行高程反转：Raster Calculator运算器。取DEM高程最大值，减去DEM，得到RE-DEM文件。这一步运算是为了对SOA进行二次求解消除误差。

4）对RE-DEM重复Slope和Aspect运算，得出反转地形值的坡度坡向率SOA2。

5）在Raster Calculator中输入运算公式：

(("SOA1 " + "SOA2") - Abs("SOA1 " - "SOA2 ")) / 2 = SOA,用于求解消除误差后的坡度坡向率。至此，我们就得到了构建山谷山脊线两个条件之一的坡向变率。Abs在这里起到取绝对值作用。

6）利用Focal Statistics运算器求解高程平均值，得到文件MEAN_DEM。

7）求解地形差值：在Raster Calculator运算器下用地形平均值DIFF_DEM减去DEM文件，得到差值文件DIFF_DEM。

我们可以看到DIFF_DEM文件时有正负值的，这里数值大于0，代表该像素高程大于邻域高程，即地形高点；小于0则带代表地形低点。至此，我们就得到了山脊线山谷线创建的第二个条件，即连续的地形高点或低点。

8）求解山脊线：在Raster Calculator中利用Con条件拾取命令，输入：Con("DIFF_DEM" > 0,"SOA" > 30) ，即可求解山脊线，输入"DIFF_DEM" < 0 & "SOA" > 40，即可求解山谷线。这里SOA取值依据所需的山脊线山谷线密度可自行调整。

对于我们的这个案例，山谷线（SOA>40）如图：

山脊线（SOA>30）如图：

为了使图纸更见明显，我们可以在Windows中打开Image Analysis窗口，选择Processing 中的Add Function功能，对DEM数据添加山地特效Hill shade Function，从而在TOC中得到Func_DEM.tif文件，然后调整对比度亮度，获取更加明显的底图。

最终得到的成图如下：

山脊线：

山谷线：

我们可以看出，在洛杉矶西部的山区中，侵蚀作用形成了较为连贯的山谷区域，但山脊却是破碎不堪的，很难归纳出连贯的山脊线。

0 3

利用LANDSAT8求解NDVI植物覆盖率

依据GIS for Desktop官网的介绍（https://desktop.arcgis.com/en/arcmap/10.3/manage-data/raster-and-images/ndvi-function.htm）归一化植被指数(NDVI)是一种标准化的指数，可以让您生成显示绿色(相对生物量)的图像。该指数利用了多光谱光栅数据中两个波段特征的对比——红光波段的叶绿素吸收和近红外波段的植物材料的高反射率。NDVI在世界范围内经常用于监测干旱、监测和预测农业生产、协助预测危险火区和测绘沙漠侵蚀。NDVI是全球植被监测的首选，因为它有助于补偿不断变化的光照条件、地表坡度、坡向和其他外部因素。红色和红外(IR)波段的差异反射使您能够利用太阳辐射的光谱反射率监测绿色植被的生长密度和强度。绿叶通常在近红外波长范围内比在可见光波长范围内表现出更好的反射。当叶片缺水、生病或死亡时，它们会变得更黄，在近红外范围内的反射明显减少。云、水和雪在可见光范围的反射比在近红外范围的反射更好，而岩石和裸露的土壤的反射差几乎为零。NDVI过程创建了一个主要代表植被的单波段数据集。负值代表云、水和雪，接近于零的值代表岩石和裸露的土壤。

通用的地表植物覆盖率计算公式为NDVI = ((IR - R)/(IR + R))，在LANDSAT8中公式为：可以简化为NDVI=（Band5-Band4）/（Band5+Band4）

首先，在USGS上下载LANDSAT 8 中代表植被的Band 4，Band 5，格栅文件。