实习是每一个大学毕业生必须拥有的一段经历,是把我们在学校所学的理论知识，运用到客观实际中去。下面是小编为大家收集的关于遥感实习总结模板，欢迎大家前来参阅。
本次实习是在摄影测量的教学基础上，理论实际相联系的动手操作实习，是我们在学习测量专业的一个重要的实习环节。一方面是培养我们的实践操作能力和运用软件解算数据的能力，另一方面培养我们在今后遇到问题应该如何去解决的能力，通过实习发现自己在实践动手方面的不足并想办法解决，为以后的工作实践打下扎实的基础。使我们熟练地掌握摄影测量及遥感的原理，信息获取的途径，数字处理系统和应用处理方法。并进一步巩固和深化理论知识，使理论与实践相结合。切实加强我们大家的实践动手能力，提高大家对这门新技术的认识和把握，全面培养我们的应用能了、创新能力和探索精神。
测绘工程专业的“摄影测量与遥感实习”是同“摄影测量学”、“遥感与图像处理”、“近景摄影测量”等课程教学紧密联系。实习目的是运用所学基础理论知识与课内实验已掌握的基本技能，利用现有仪器设备及资料进行综合训练，让我们系统全面地学习并应用已学摄影测量及遥感知识，锻炼实践技能。
根据摄影测量与遥感学科发展状况及生产实践水平，并考虑工测专业教学要求及现有条件，实习基于四个重点：一是以航空摄影测量为主的摄影测量学基本理论和方法;二是以测制建筑物立面图为目标的地面摄影测量完整作业过程;三是以数字摄影测量系统为平台的数字摄影测量生产作业;四是基于遥感图像处理系统的卫星遥感影像专题制图。
为提高我们的遥感解译思维和技巧、培养实际动手能力、并检验大家对课程内容的理解,老师带领我们在学校周边地区进行了一次野外实习。
在实习课上,我们得到的辅助数据是一幅学校周边地区遥感影像图,从数据来源看,这幅图属于遥感数据。GIS通常的数据源还包括文本资料、实测数据、多媒体数据、已有系统数据等，实测数据还包括野外试验、实地测量。为了解遥感影像的比例尺，我们量测出校门口至学院路与丰乐达到交口的距离，利用地图比例尺的定义测算出这幅地图的比例尺，量测结果为1:10000。
我们通过GPS接收机获得所处位置的经纬度，并记录之。GPS是Global Position System的简称，该系统是美军自上世纪70年代开始研制的新一代卫星导航和定位系统，由空间部分、地面控制部分和用户接收机三部分组成，具有高精度、高效益、全天候、低成本、高灵活性、实时性等优势。
我们来到学校北门的学院路上，路南面是校区，北面是农田和荒田，这条路是明显的`一条土地利用类型分界线。遥感影像显示路北面有一块是深蓝色的，可解译为水体，可我们实地考察德结果是荒田，原因是此时水体已干涸为荒田，这告诉我们土地分类要实地考察。同时，这联系到遥感数据的误差，不管何级别的数据都会存在误差，误差指的是数据与真值的偏差，老师告诉我们遥感数据的误差主要分为两大类：
一、由于传感器内检测器性能的差异等情况，使进入传感器的辐射值发生畸变，引起图像模糊，对比度下降等;
二，由于卫星飞行时姿态变化及地球形状等因素的影响，图像中地物目标的几何位置也会发生畸变，对应这些误差可采取辐射校正和几何校正。
实践课第三点在学院路的一处山丘顶部，遥感影像上显示山丘西北颜色偏深，这是由于该处有水体，且在上午拍摄时的阴影所致，色彩是地图语言的重要内容。
附近的军事训练区在影像上颜色偏深，是因为在雨后拍摄，由于是在冬季，草已枯死，所以靶区颜色较浅。一般情况下，同类地物采用同一种模版，但老师同时指出，对于不同长势的地物也应采用不同模版，在此前提下进行监督分类。
最后实践的地方位于一处山顶的基准面控制点，该控制点的经纬度均为东经118度17分北纬32度17分，基准面的分类较多，但为方便统一，要选取某些点为控制点，用于多种基准面的仿射变换。
通过野外实习，我加深了对遥感课程的认识，更重要的是通过老师的讲解，我学会了基本的遥感解译的方法和技巧。在完成此实习报告之前我查阅了相关资料，对相关的学习进行了复习。希望以后多进行这样的野外实习。
一、 实习目的与要求
林业遥感是遥感技术在林业经营中具体应用的实用性强的专业课，旨在培养学生利用遥感手段进行森林资源监测和管理的基本技能，实习的主要目的是培养学生使用GPS进行野外地形参数的手工测量，内业计算机遥感图像的几何精校正和探索学习决策树分类方法对林业遥感影像进行分类研究的动手能力。通过实习，加深遥感技术在森林资源监测和管理中的应用和理解。
二、 实习内容
1)GPS采集地面控制点坐标
2)(经纬度或平面直角坐标)以及地形参数
3)(坡度，坡向) 野外训练区的地面调查
4)内业遥感图像的几何精校正
5) ENVI图像处理软件决策树分类器建立逐级决策规则
6)决策规则的修改与添加(与实地调查进行比较分析)
7)利用建立的决策规则对林业遥感图像进行分类 保存分类规则与分类图像
三、 实习中涉及的理论知识
1. 决策树分类简介
与其它分类方法相比，决策树分类具有如下特点：1)决策树分类是非参数分类，因此其独立于训练区像元亮度值的统计分布模式;2)决策树分类时模型的输入既可以是连续的光谱波段值，也可以是离散的数值，甚至是定名变量;3)分类结束后可以生成易于解译的分类判别准则文件;4)样本训练的速度快，分类精度通常高于其它的分类器
2. 决策树分类原理
决策树分类实质是利用输入分类器的多元特征参数，从多角度挖掘出蕴藏在其中的模式类别间的差异，并建立起“特征识别矩阵”(类似于判读检索表)，其外在表现为多个“If Then, else if then”的连用，就如同数学上的多个集合求交集运算，从而将满足交集条件的模式与不满足交集条件的模式区分开来，实现不同模式类别的自动识别。具体地讲，决策树可以像分类过程一样被定义，依据某种规则将窨数据集一级级往下细分以定义决策树的各个分支。决策树由一个根结点，一系列内部结点及终极结点组成，每一个结点只有一个父结点和两个或多个子结点。根据决策树的构成思想，以选定的样本数据为对象逐级找到分类树的结点，并且在每个结点上记录所选的空间数据图层的编号以及相应的判别函数参数，从而有可能反过来从树根到叶按照生成的判别规则，逐级地在每个结点上对样本数据以外的待分类数据进行分类
3. 本实习决策树分类规则描述
类1(class 1)：NDVI值大于0.3，坡度大于或等于20度
类2(class 2)：NDVI值大于0.3，坡度小于20度，阴坡
类3(class 3)：NDVI值大于0.3，坡度小于20度，阳坡
类4(class 4)：NDVI值小于或等于0.3，波段4的值大于或等于20
类5(class 5)：NDVI值小于或等于0.3，波段4的值小于20
类6(class 6)：波段4的值等于0
类7(class 7)：波段1的值小于波段1的均值
决策树分类规则是在决策树分类过程中不断修改和添加的，为了实现逐步分类更加精细与准确
四、 实习步骤
1. 外业数据采集
在中山陵地区选取若干样点，利用GPS记录样点坐标，测定相应位置的地形参数。目的：练习使用GPS以及DEM的建立方法。
2. 研究资料确定与处理
1) 运行ENVI软件，打开并显示对决策树分类有贡献的影像文件：
bouldr_tm.dat (Landsat 5 TM影像) 与boulder_dem.dat(相应的DEM空间子集)
2) 投影类型转换
查看bouldr_tm影像特征：
Projection : UTM
Pixel: 30 Meters
Datum: NAD 27
查看boulder_dem影像特征：
Projection : GAUSS-KRUGER
Pixel: 30 Meters
Datum: WGS84
以bouldr_tm影像为基准，转换boulder_dem影像的投影类型：
运行ENVI软件，点击Map/Convert Map Projection，在弹出的Convert Map
Projection Input Image中选择boulder_dem，在弹出的Convert Map Projection对话框中选择UTM，DATUM选择NAD 27，可选择多项式和最邻近点方式，保存投影类型转换后的图像。
3)图像配准
为提高TM影像的分辨率，从而提高分类精度，以bouldr_tm影像与相应地区的SPOT影像配准(SPOT为已经过精校正的影像，空间分辨率为10m)
配准方法：点击Map/Registration/Select GCPs: Image to Image，使得bouldr_tm影像的分辨率也达到10m，查看配准后的影像特征：
Projection : UTM
Pixel: 10 Meters
Datum: NAD 27
如图1所示：
bouldr_tm boulder_dem
3. 输入决策树规则
1) 选择Classification/Decision Tree/Build new decision tree，打开决策树工具 决策树工具打开时就只有一个空的决策节点，在这个空的节点中输入任意条件的决策表达式，将该数据集的像素分为两组
2) 第一个决策要基于landsat影像。要定义这个决策点，点击决策节点，当前这个节点被标注为Node，输入表达式：
{ndvi} gt 0.3
这个决策将像素分为两类，一类为绿色植被，另一类为非植被
3) 指定应用决策表达式的文件
在出现的Variables/Files Pairing对话框中，点击{ndvi}，在随后出现的对话框中选择bouldr_tm影像，这表明当上述决策规则计算时，NDVI值将从bouldr_tm影像中计算出来
这里ENVI会根据NDVI这个特定名称，自动搜索所需的红波段和近红外波段，计算出NDVI值
4) 完成第一个简单决策树分类器，NDVI大于0.3被分成白色类，NDVI值小于或等于0.3像素被分为黑色。
4. 输入决策树附加规则
1) 右键点击Class 1的节点，从弹出的快捷菜单中选择Add Children，从而将NDVI大的那类细分为两个新的子类
2) 点击空白节点，并在Edit Decision Parameters对话框中，输入下面这个决策规则：
{Slope} lt 20
这个决策规则将根据坡面的陡峭程度，将NDVI值高的像素分为两类，同样，ENVI会根据Slope(坡度)这个特定名称，自动搜索计算Slope值
3) 在节点的Name区域，输入slope<20，点击OK
4) 指定应用决策表达式的文件
在出现的Variables/Files Pairing对话框中，点击{slope}，在随后出现的对话框中选择boulder_dem影像，这表明当上述决策规则计算时，slope值将从boulder_dem影像中计算出来
5) 继续添加决策规则
右键点击绿色的端元节点，它包括了NDVI值高、坡度低的那类像素，从弹出的快捷菜单中，选择Add Children。点击节点，在Edit Decision Parameters对话框中，输入下面这个决策规则：
{aspect} lt 20 and {aspect} gt 340
这个决策将把NDVI值高、坡度小的那些像素，分为坡面北朝向的和坡面北朝向不显著的两类。
6) 在节点的Name区域，输入North，点击OK
7) 指定应用决策表达式的文件
在出现的`Variables/Files Pairing对话框中，点击{aspect}，在随后出现的对话框中选择boulder_dem影像，这表明当上述决策规则计算时，aspect值将从boulder_dem影像中计算出来
8) 在节点的Name区域，输入North，点击OK
9) 继续添加决策规则
右键点击黑色的端元节点，它包括了NDVI值低的那类像素，从弹出的快捷菜单中，选择Add Children。点击节点，在Edit Decision Parameters对话框中，输入下面这个决策规则：
b4 lt 20
这个决策规则将水体非植被中分离出来，经过目视解译遥感影像发现，在波段4中，像素值小于20的主要是水体
10) 指定应用决策表达式的文件
在出现的Variables/Files Pairing对话框中，点击b4，在随后出现的对话框中选择bouldr_tm影像
11) 在节点的Name区域，输入Low B4，点击OK
决策树如图2所示：
应用决策表达式的文件如图3所示：
5. 执行决策树
1) 选择Options/Execute
2) 在Decision Tree Execution Parameters对话框中，点击bouldr_tm影像，作为基准影像。其它影像的地图投影，像素大小和范围都将被自动调整，以匹配该基准影像
3) 输入要输出的分类影像文件名，保存
6. 查看决策树分类结果
1) 输出的决策树分类结果中，给定像素的颜色是由分类指定的端元节点的颜色确定的。Class1，Class2，Class3，Class4，Class5分别对应红色，绿色，蓝色，黄色，蓝绿色。如下图所示
2) 查看决策树信息
在ENVI Decision Tree
对话框的空白背景上，点击右键，从弹出的对话框中，选择Zoom In，现在每个节点标签都会显示像素的个数以及所包含像素点总影像像素的百分比。
如下图所示：
7. 修改决策树
1) 添加新的决策
执行完决策树后查看分类结果，发现上述决策规则中，波段4小于20的那些像素中，某些像素是边缘像素，值为0，以蓝绿色显示，因此需修改决策树：
在波段4的值小于20的那些像素的端元节点上，点击右键，并从弹出的快捷菜单中，选择Add Children。点击节点，在Edit Decision Parameters对话框中，输入下面这个决策规则：
b4 eq 0
在Name文本框中，输入B4=0
2)
执行新添加的决策，此时输出结果中，边缘像素就归为另一类了，以红紫色表示
如下图所示：
8. 在决策表达式中使用波段索引
几个内置的决策树变量在决策表达式使用过程中，需要波段索引
1) 在黄色端元节点上，点击右键，该节点包括了NDVI值低但波段4的值高的那一类像素。从快捷菜单中，选择Add Children。点击节点，在Edit Decision Parameters对话框中，输入下面这个决策规则：
b1 lt {mean[1]}
在Name文本框中，输入Low B1
该表达式将判断波段1的像素值是否小于波段1的均值
2) 指定应用决策表达式的文件
在出现的Variables/Files Pairing对话框中，点击b1，在随后出现的对话框中选择bouldr_tm影像的band 1
在出现的Variables/Files Pairing对话框中，点击mean，在随后出现的对话框中选择bouldr_tm影像
如下图所示：
3) 运行决策树
4) 查看结果，波段1的值较低的某些黄色像素的颜色已变为暗红色
如下图所示：
9. 修剪决策树
在使用决策树的过程中，经常需要测试某个指定的子节点是否对决策树的分类结果有效，即对决策树的修剪
1) 在Low B1节点上，点击右键，从弹出的快捷菜单中，选择Prune Children。结果表明，可以看到这个子节点，但它们不再带有颜色，而且也没有连接到决策树上，表明已被修剪，当执行决策树时，它们不会被使用
如下图所示：
修剪后分类结果如下图所示：
2) 右键点击Low B1节点，从弹出的快捷菜单中，选择Restore Pruned Children，可恢复修剪
10.保存生成的决策树
11. 对分类结果进行评价
五、 实习结论
通过实习，从中学到了很多东西，受益匪浅!
此次实习为期5天，令人期待的实习从2012年6月6日开始，6月10日结束，虽然相对于之前做过的数字测土实习、大地测量实习，时间较短，但是收获是颇丰的。全班在老师的全程指导下顺利完成了此次实习任务。这里要感谢老师的悉心指导，耐心帮助。
记得是实习正式开始的地一个早上，班级的同学如数早早的到了实验是门口，当时还没到实验室的开放时间，这也充分的体现了班级同学对此次实习的重视态度及积极性。在实习过程中，老师先是对原理及当天的实习内容进行讲解，之后通过电脑给我们讲解操作的过程。到了关键步骤，老师会着重强调，并将重点板书在实验室的黑板上。由于机房的计算机运行速度较慢，所以到了第二天，大家都各自带上笔记本，在实验室用自己的电脑做起实验，现在回想起来当时实验室的气氛非常好。中午的时候很多同学都没有回寝室，而是继续留在实验室内，处理数据。实习过程中每个人都会遇到这样或那样的问题，有可能各不相同，也有出现相同或类似的问题，当遇到相似的问题时，同学之间会相互讨论，讨论不出结果的，向老师请教。
通过此次实习，我认识到了遥感获得的数据经过处理后，可以转化为一些有用的数据载有Arcgis软件来处理。最后当我成功的用Arcgis制作出基于遥感研究区植被信息空间分布图时，很有成就感。