操作方法及过程
1、使用ENVI对landsat 7 ETM+原始数据进行辐射定标：
①对1、2、3、4、5、7波段进行辐射定标。
利用ENVI中的File |Open External File |Landsat Geo TIFF with MetaData加载威武市Landsat ETM+原始影像数据中的_MTL文件，再利用Basic Tools |Preprocessing |Calibration Utilities |Landsat Calibration 在弹出的对话对话框中选择包含1、2、3、4、5、7波段的_MTL文件，将Calibration Type选为Radiance，然后选择输出路径保存为radiance。
②对61和62波段进行辐射定标。
步骤和上面的一样，只是选择输入文件时为包含61和62波段的_MTL文件，将结果保存为radiance_band6。
2、将BSQ格式的影像数据转化为BIL：
利用Basic Tools |Convert Data，弹出对话框中选择Radiance，Output Interleave中选择BIL，选择输出路径保存为radiance_BIL。
3、使用FLAASH大气辐射校正模型进行地表反射率的计算：
①利用Spectral |FLASSH弹出大气校正模型参数设置窗口如下：
分别按照以上所示的内容进行参数设置，将输入文件设为radiance_BIL，输出文件设为flassh，设置Scene Center Location时，打开原始影像在头文件中找到行和列，算出中心行和列，利用Pixel Locator工具找到中心点的经纬度。
将Sensor Type设为Landsat TM7。
设置Ground Elevation时，利用裁剪工具在亚洲幅SRTM DEM影像数据中裁剪该地区的DEM数据，再用统计功能算出高程的平均值为2058m。
在头文件中找到Flight Data：1999年8月10日，Flight Time GTM:3时36分39秒。
大气模型Atmospheric Model选择Mid-Latitude Summer（根据研究区的位置和影像获取时间来确定）。
气溶胶Aerosol Model 选为Rural，气溶胶反演Aerosol Retrieval选为2-Band(K-T)。
②进行Multispectral Settings设置，弹出窗口如下：
根据要求设置气溶胶反演模型。
③进行高级Advanced Settings设置，弹出对窗口如下：
注意图中红色圈中的数据，Tile Size为计算时每个小窗口中的像元，有助于加快计算。
Output Reflectance Scale Factor是给反射率（范围0-1，以浮点型表示）乘以一个系数将浮点型转换为整型，便于储存。
④将参数设置好后，点击Apply进行地表反射率计算。
4、植被指数的计算:
利用Basic Tools |Band Math，输入公式(float(b4)-b3)/(float(b4)+b3)，将b4设置为第三步计算出地表反射率中的第4波段，b3设置为第3波段，最后选择输出路径保存为NDVI。
利用ROI Tool工具分析不同地表覆盖类型的植被指数，给出统计表。
5、地表温度反演：
利用Basic Tools |Band Math，输入公式1282.71/alog(666.09/b6+1)-273，将b6设置为第一步辐射定标结果radiance_band6中的61波段。
最后选择输出路径保存为band61_tem。
结果与分析
1、对landsat7 ETM+元数据中的1、
2、
3、
4、
5、7波段进行辐射定标的结果（以432波段合成显示）
图1（原始影像） 图2（辐射定标后的影像）
分析：对比两幅影像，发现每种地物在两幅影像上显示的颜色都相同，因为辐射定标是按照线性关系式 （QCAL 为DN 值）进行变化的，相当于用辐射亮度代替了DN 值，所以影像显示的一模一样。
当打开Cursor Location/Value 窗口
可以看出，原始影像中的数据是整型表示DN 值，定标后影像中的数据是浮点型表示辐射亮度。
2、利用FLAASH 大气校正模型计算出的结果（以432波段合成显示）
图3（辐射定标后的影像） 图4（大气校正后的影像）
分析：影像颜色大体格局没发生变化，但是仔细一看，地物颜色均发生了微小的变化，例如沙漠的颜色从淡绿色变成了淡浅绿色，甚至有的地方变成了灰色，裸地的颜色
L gain QCAL bias λ=∙+原始影像
辐射定标后的影像
从淡蓝色变成了灰白色，有植被的地方黑红色变少了等等。
利用十字叉丝找一个有植被覆盖的像元并统计它的光谱特征曲线如下：
图5（辐射定标后植被的光谱曲线）图6（大气校正后植被的光谱曲线）
从图5中可以看出，未进行大气辐射校正的植被在蓝光波段（0.45um）的反射率比在绿光（0.55um）波段的反射率高，这不符合正常健康植被的光谱特征，说明大气辐射对植被的光谱特征产生了影响，而从图6中可以看出，经过大气辐射校正后，植被的光谱特征曲线符合了正常健康植被的光谱特征，在绿光波段（0.55um）有个反射峰，两侧的蓝光（0.45um）和红光（0.67um）则有两个吸收带。
3、利用地表反射率计算NDVI的结果
图7（原始影像）图8（NDVI影像）分析：从上面两图中，我们可知，有植被覆盖的地区都是高亮显示的，植被覆盖度高，则亮度越高；水库完全呈现黑色；云也呈现黑色，但是颜色较水库要浅一些；沙漠和裸地呈现颜色深浅不一的灰色，整体感官其沙漠比裸地更深。
下面为NDVI的统计表：
地物/NDVI Min Max Mean Stdev
Forest0.47830.93540.85610.0479
Farmland0.46830.73890.63790.0404
Grassland0.12510.62820.30520.0592
Barren Land0.04900.39590.16450.0518 Cloud0.04690.23540.13200.0367
Town0.01990.49850.10620.0460
River0.01660.31170.10100.0340
Desert0.03450.15780.06930.0080
Reservior-0.7980-0.3107-0.26120.2042
分析：通过提取地物的DNVI值可以发现：①绿色植被的DNVI值比较高，一般大于
0.1，在NDVI影像上，以高亮度显示。
原因是绿色植被叶片组织对蓝光和红光有强烈的吸收，而对绿光和红外光则是强烈的反射，叶片里面的海绵组织和叶片背面组织对近红外辐射反射较强，使得植被在近红外波段和红光波段有很大的差异；又植物对红光的吸收会很快达到饱和，近红外反射则随着植被的增加而增加，所以通常植被覆盖越高，红光反射率越小，近红外光的反射越大，近红外波段与红光波段的差值也就越大，NDVI值也就越大。
本地区林地覆盖率大于农田，农田大于草地，所以NDVI(Forest)>NDVI(Farmland) >NDVI(Grassland)。
②城镇和裸地的NDVI值较接近，由于城镇中有大量的水泥建筑和部分裸露的土地，植被很少；裸地地区有大量的裸露泥土和岩石，植被很少，只有部分地区会生长较好的植被，而岩石、裸土在近红外和红光波段有相似的反射作用，在近红外波段稍高一些，所以城镇和裸地的NDVI一般在0-0.1，而本地区的平均值稍微高于0.1可能是裸地和城镇中有一些绿色植被。
③河流和水库的NDVI一般情况下接近0，原因是水体在红光和近红外波段的反射率基本一样。
但是本地区的河流NDVI平均值为0.1左右，原因是该地区的河流为季节性河流，在八月份的时候为干河床，干河床的光谱特征曲线和裸地差不多，所以河流的NDVI平均值为0.1左右，而水库中有泥沙、微生物等对可见光造成强烈的反射，所以NDVI平均值为负的。
④沙漠地区主要是沙子，植被非常稀少，沙子在近红外波段和红光波段的反射规律相似，且反射率值相近，近红外波段稍高，所以沙漠的NDVI值很小，接近0。
⑤云在可见光波段比近红外波段的反射率高，因而其NDVI 值应为负值，但是本地区云的NDVI平均值为0.13，可能是云本身对可见光进行了无选择性的散射，反射能量减少，即在红光波段的反射率减少，所以其NDVI值出现了正值。
4、地表温度反演结果
图9（原始影像）图10（温度反演影像）不同地表植被覆盖类型的辐射温度的统计表：
地物/温度℃Min Max Mean Stdev Desert35.7945.9941.13 2.82
Town30.1537.1634.52 1.04 Barren Land24.7538.5231.84 2.37
Grassland26.2434.4030.21 1.47 River23.2434.4026.62 3.16
Farmland24.2526.7425.370.52
Forest18.5832.0522.33 1.83
Reservior19.1022.7320.800.55 Cloud 1.4813.17 5.52 1.90。