开始探索影像
要评估该地区玉米田的冰雹损失，您需要使用卫星影像。 首先，您需要设置工程和数据，然后开始浏览影像。
下载并打开工程
首先，您需要下载包含教程所需影像的工程，然后在 ArcGIS Pro 中将其打开。
- 下载 Corn field damage.zip 文件。
- 在计算机上找到已下载的 Corn field damage.zip 文件。
注：
开始下载前，根据 web 浏览器的不同，系统可能会提示您选择文件的位置。 大多数浏览器将默认下载到计算机的 Downloads 文件夹下。
- 右键单击 Corn field damage.zip 文件，然后将其解压到容易找到的位置，例如 Documents 文件夹。
接下来，您需要在 ArcGIS Pro 中打开该工程。
- 启动 ArcGIS Pro。 如果收到系统提示，请使用您获得许可的 ArcGIS 组织帐户登录。
注：
如果您没有 ArcGIS Pro 的访问权限或者 ArcGIS 组织帐户，请参阅软件访问权限选项。
- 在 ArcGIS Pro 中，在最近工程区域下，单击打开其他工程。
- 在打开工程窗口中，浏览至已解压的 Corn field damage 文件夹。 单击 Corn field damage.aprx 以将其选中，然后单击确定。
工程随即打开。
该工程包含了在 2019 年 8 月 4 日和 8 月 8 日分别于艾伯塔省 Taber 和 Barnwell 地区的冰雹前后拍摄的两个图像：Before_storm.tif 和 After_storm.tif。 其中还包含了您将在本教程后面用到的 Field boundaries 矢量图层。
注：
这两个图像均是由地球成像公司 Planet Labs 制作的 PlanetScope 卫星影像。 PlanetScope 是一个由 120 颗卫星组成的星群，每天都能面向地球上的任何给定区域捕获新图像。
以自然色观察图像
接下来，您需要观察风暴来临前后的两个图像。 它们为多光谱图像，这意味着它们包含多个单独的光谱波段。 每个图像都包含了在内容窗格中列出的三个波段：
- 红色（或 Band_3）
- 绿色（或 Band_2）
- 蓝色（或 Band_1）
它们还包含当前不可见的第四个波段：
- 近红外（或 Band_4）
注：
近红外光对人眼而言是不可见的，但它通常会被卫星和航空影像传感器捕获，原因是它在许多应用中都很有用，您将在本教程后面的部分中看到这一点。
目前，这些图像以自然色显示，并使用与人眼可见的光谱相对应的红色、绿色和蓝色波段。 自然色可近似表示人眼看到的颜色外观。 您需要观察这两个图像并对其进行视觉比较。
- 观察地图上的当前视图，其中显示了 Before_Storm.tif 图像。 您可以使用鼠标的滚轮键进行放大和缩小，以查看更多细节。
您可以看到很多田地；其中有许多是圆形的，还有一些是矩形的。 它们往往会呈现非常深的绿色，因为在风暴来临前的八月，许多农作物已接近成熟。 现在您需要使用卷帘工具将其与风暴后的图像进行比较。
- 在内容窗格中，通过选中复选框来打开 After_storm.tif。
由于 After_Storm.tif 显示在 Before_Storm.tif 下方，地图上没有任何明显的变化。
- 单击 Before_storm.tif 图像以将其选中。
- 在功能区栅格图层选项卡的比较组中，单击卷帘。
- 在地图查看器中，由上至下拖动以显示 After_Storm.tif 图像，并将其与 Before_Storm.tif 图像进行比较。
初看上去，您会发现风暴后的图像在某些区域的色调要比风暴前的图像稍浅。 特别是在西北至东南轴线上似乎有一些浅色调的轨迹穿过该地区。 但目前很难收集到更为准确的农作物损害相关信息。
- 完成浏览后，在功能区地图选项卡的导航组中，单击浏览按钮以退出卷帘模式。
为了更好地可视化风暴造成的农作物损害，您需要将注意力转向红色和近红外波段。
浏览红色和近红外波段值
为了更好地可视化农作物的变化，您可以使用红色和近红外 (NIR) 波段，这将有助于评估植被健康情况。
- 健康植被中的叶绿素将吸收红色波段中大部分的光并将其用于光合作用，因此能够反射的光很少。
- 健康植被的细胞结构能够强烈反射近红外光。
卫星传感器将捕获不同波段中的反射光量，因此红色波段中用于显示健康植被的图像像素值通常较低，而近红外波段中的值通常较高。 下方的光谱图将对此进行说明。 相比之下，受压或垂死的植被将吸收更少的红光（因此将反射更多的红光）并反射更少的近红外光。 同时该图还显示，代表裸土的像素会反射更多的红光和更少的近红外光。
为了更好地了解艾伯塔省图像中红色波段和近红外波段反射率值的变化，您需要使用图像信息工具，以提供像素级别的光谱图信息。
- 在目录窗格中，验证是否已选择 Before_storm.tif 图像。 在功能区的影像选项卡的工具组中，单击影像信息。
图像信息窗格随即出现。
- 在地图查看器中，将鼠标指向一块深绿色的田地，上面布满茂密而健康的植被。
在图像信息窗格中，会出现当前指针位置像素的光谱图。 如预期的那样，红色波段反射率值（用红色符号表示）非常低，而近红外波段反射率值（用灰色符号表示）很高。
注：
这些波段将按照图像中提供的顺序显示在光谱图中，即蓝色（波段 1）、绿色（波段 2）、红色（波段 3）和近红外（波段 4）。
- 在地图查看器中，将鼠标指向与裸土和缺少植被相对应的米黄色或浅棕色区域。
在图像信息窗格中，光谱图将更新。 现在红色波段反射率值相对较高，而近红外波段反射率值较低。
- 将鼠标指向两个图像上的更多区域，并观察红色和 NIR 值如何变化。
由于您对两个波段之间的关系有了更深入的理解，您可以看出计算红色和 NIR 值之间的差距可能是测量地面上健康植被量的一种好方法。 您需要通过将 SAVI 指数应用于您的图像来执行这一操作。
使用 SAVI 指数执行变化分析
接下来，您将了解 SAVI 指数是什么，以及其如何依赖红光和近红外波段值来衡量植被健康。 将 SAVI 指数应用于风暴来临之前和之后的图像，计算两个生成的栅格之间的差异，并提取每块田地中健康植被的平均损失量。
注：
将在像素或像元级别执行这种类型的分析。
卫星 TIFF 图像（例如您在本教程中使用的图像）为栅格。 栅格是表示为像元或像素格网的数据。
在执行基于栅格的分析时，您需要计算栅格中每个像元的值。 了解有关栅格数据的详细信息。
应用 SAVI 指数
光谱指数可通过数学公式组合不同的光谱波段，通常用于计算某种类型的比率。 生成的输出为新的栅格图像。
注：
有许多不同的指数可组合不同的光谱波段并使用不同的数学公式。 每个指数均旨在强调不同的现象，例如健康植被、水、城市发展、地下有色矿物等等。 ArcGIS Pro 的指数库包含许多可用的即用型指数。
为了突出显示健康植被，可以选择多个指数。 您将使用土壤调节植被指数 (SAVI)，该指数依赖于红光和近红外波段，并使用以下比率公式：
SAVI = ((NIR - Red) / (NIR + Red + L)) * (1 + L)
最重要的是，SAVI 可衡量近红外和红光波段 (NIR – Red) 之间的差异。 SAVI 值较高，健康植被占比越大。
注：
SAVI 是更传统的 NDVI 的改进量，后者使用更简单的公式（无 L 因子）。 将因子 L 添加到公式中以最小化土壤亮度变化对输出值的影响。 对于具有中等植被覆盖度的图像场景，通常将 L 的值指定为 0.5。 最终的 SAVI 值在 -1.5 至 +1.5 之间变化（当 L=0.5 时）。 或者，您可以了解有关土壤调整植被指数的详细信息。
接下来，将 SAVI 指数应用于 Before_storm.tif 和 After_storm.tif 图像。
- 在目录窗格中，确保已选择 Before_storm.tif 图像。
- 在功能区影像选项卡的工具组中，单击指数。 在指数窗格中，选择 SAVI 指数。
- 在 SAVI 窗口中，选择以下值：
- 对于近红外波段索引，选择 4 - Band_4。
- 对于红光波段指数，选择 3 - Band_3。
- 对于土壤亮度校正因子，保留 0.5。
- 单击确定。
随即显示新图层 SAVI_Before_storm.tif。
注：
与原始卫星影像不同，SAVI 栅格图层不是多波段图层。 每个栅格像元仅包含一个 SAVI 数值，该值可汇总该位置的健康植被状态。
此外，SAVI 指数工具为栅格函数，这意味着系统会动态计算生成的 SAVI 图层，并且不会将其保存在磁盘上。 由于没有创建任何中间数据集，因此可以快速应用流程。
- 同样，将 SAVI 指数应用于 After_storm.tif 图像。
随即显示新图层 SAVI_After_storm.tif。 再次使用卷帘工具比较两个 SAVI 图层。
- 在内容窗格中，将 SAVI_Before_storm.tif 拖动到 SAVI_After_storm.tif 上方，以使其首先出现在图层列表中。 确保两个图层均已打开，如有必要，可单击 SAVI_Before_storm.tif 以将其选中。
- 在功能区栅格图层选项卡的比较组中，单击卷帘。
- 在地图查看器中，由上至下拖动以显示 SAVI_After_Storm.tif 图像，并将其与 SAVI_Before_Storm.tif 图像进行比较。
最高的 SAVI 值以白色或浅灰色色调进行符号化，表示健康植被占比较高的区域。 可以看到，与风暴来临之后相比，风暴来临之前的许多区域似乎具有更高的 SAVI 值。 但是，仍然难以确定某些地区受到风暴的影响是否比其他地区大。 接下来，您将计算两个 SAVI 图层之间的差异，以更精确地测量植被的变化。
- 完成浏览后，在功能区地图选项卡的导航组中，单击浏览按钮以退出卷帘模式。
- 按 Ctrl+S 以保存工程。
计算两个 SAVI 图层之间的变化
要测量由风暴引起的植被变化，您将使用栅格函数计算变化计算两个 SAVI 图层之间的差异。 对于每个像素，将从 SAVI_Before_storm.tif 中的 SAVI 值减去 SAVI_After_storm.tif 中的 SAVI 值。 生成的正值将表示健康植被的损失量。
- 在功能区影像选项卡的分析选项卡上，单击栅格函数按钮。
- 在栅格函数窗格中，在搜索框中输入计算变化，然后单击计算变化工具将其打开。
- 在计算变化属性窗格中，输入以下参数值：
- 对于自栅格，选择 SAVI_After_storm.tif。
- 对于至栅格，选择 SAVI_Before_storm.tif。
- 对于计算变化方法，请确保已选择差异。
- 单击新建图层。
随即显示新栅格图层 Compute Change_SAVI_After_storm.tif_SAVI_Before_storm.tif。
紫色色调的区域表示健康植被的损失量（正数值），其中损失量最大的区域以深紫色表示。 通过目视检查可以非常清楚地看到，冰雹从西北向东南移动，沿对角横越该区域，从而使该对角线区域的大部分田地遭受损失。 图像右上角和左下角的田地受到的影响要小得多。
注：
您可能会注意到，一些以绿色表示的区域（负数值）似乎表明植被的收获量很小。 由于两幅图像仅间隔四天时间，因此在这段时间内不太可能出现大量农业植被生长的情况。 但是，由于八月的天气，一些干燥的裸露土壤区域可能在暴雨期间被雨水和融化的冰雹浸透，然后迅速开始生长杂草。
植被的少量增加与作物受损的分析无关，因此，您将使用重映射栅格函数消除栅格中所有低于 0 的值。
- 在栅格函数窗格中，查找并打开重映射。
- 在重映射属性窗格中，输入以下参数值：
- 对于栅格，选择 Compute Change_SAVI_After_storm.tif_SAVI_Before_storm.tif。
- 对于重映射定义类型，保留列表。
您将表示重映射规则，即应移除栅格中的所有负值，也就是将其更改为 NoData。 如内容窗格图例所示，图层的最小值为 -0.576915，因此您将使用 -0.6 作为最小值。
- 在表的第一行中，输入以下值：
- 对于最小值，输入 -0.6。
- 对于最大值，保留 0。
- 对于 NoData，选中复选框。
- 单击新建图层。
随即显示新栅格图层 Remap_Compute Change_SAVI_After_storm.tif_SAVI_Before_storm.tif。 您将其重命名为更短且更有意义的名称。
- 在内容窗格中，单击两次 Remap_Compute_Change_SAVI_After_storm.tif_SAVI_Before_storm.tif 图层以对其进行编辑。 将名称更改为 Loss of healthy vegetation 并按 Enter 键。
- 在内容窗格中，关闭除 Loss of healthy vegetation 和底图 World Topographic Map 和 World Hillshade 之外的所有图层。
新图层仅显示健康植被出现损失的区域。 紫色的深阴影表示损失量更大。
- 按 Ctrl+S 以保存工程。
提取每块田地的平均植被损失量
在最后部分中，您将计算每块田地中健康植被的平均损失量。 为此，您将使用 Field boundaries 要素类，其中区域中所有耕地的边界均由面表示。 此类图层将由您供职的农民组织维护。
- 在内容窗格中，将 Field boundaries 图层拖动至图层列表的顶部。 将其打开。
随即显示表示耕地的多边形（以红色表示）。
要计算平均植被损失量，您将使用以表格显示分区统计工具。 对于每个 Field boundaries 面，该工具将计算 Loss of healthy vegetation 栅格中位于该面内的所有像素的平均值。
- 在功能区分析选项卡的地理处理组中，单击工具。
将出现地理处理窗格。
- 在地理处理窗格中，搜索并打开以表格显示分区统计。
- 在以表格显示分区统计工具中，输入以下参数值：
- 对于输入栅格或要素区域数据，选择 Field boundaries。
- 对于区域字段，保留 Field_ID（自动填充项）。
- 对于输入值栅格，选择 Loss of healthy vegetation。
- 对于输出表，在 Corn field damage.gdb 路径末尾输入 Vegetation_loss_table。
- 对于在计算中忽略 NoData，选中复选框。
- 对于统计类型，选择平均值。
- 接受其他任何参数的默认值。
- 单击运行。
该工具的输出是一个表，您现在将其打开。
- 在内容窗格的独立表下，右键单击 Vegetation_loss_table 并单击打开。
随即打开表。 其中，每个耕地多边形对应一行信息。 平均值列给出了每个多边形的健康植被损失量的平均值。 现在，您需要使用公共 Field_ID 将此表重新连接到 Field boundaries 图层。
- 关闭 Vegetation_loss_table。
- 在内容窗格中，右键单击 Field boundaries，然后选择连接和关联和添加连接。
- 在添加连接窗口中，选择以下值：
- 对于输入表，确认已选择 Field boundaries。
- 对于输入连接字段，选择 Field_ID。
- 对于连接表，选择 Vegetation_loss_table。
- 对于连接表字段，选择 Field_ID。
- 单击确定。
现在，平均值已添加到 Field boundaries 属性表中的每一行。 接下来，您将使用分级配色方案根据该平均值对 Field boundaries 图层进行符号化。
- 双击 Field boundaries 符号以打开符号系统窗格。
- 在符号系统窗格中，如有必要，单击返回按钮。
- 在主符号系统下，选择分级色彩。
- 对于字段，选择 MEAN。
- 对于方法，确保已选择自然间断点分级法 (Jenks)。
- 对于类，选择 4。
- 对于配色方案，展开下拉列表并选择显示名称。 在色带列表中，选择黄色到红色配色方案。
Field boundaries 符号系统随即更新。
- 在内容窗格中，关闭 Loss of healthy vegetation 图层以简化地图显示。
您将重命名 Field Boundaries 图层和符号系统标注，以使其更有意义。
- 在内容窗格中，单击两次 Field boundaries 以对其进行编辑。 将名称更改为 Vegetation loss per field，然后按 Enter 键。
- 在符号系统窗格的类选项卡上，单击黄色类的标注值。 输入低，然后按 Enter 键。 同样，将其他标注值更改为中、高和非常高。
标注还会在内容窗格中更新。
- 观察最终结果。
健康植被的损失级别为高和非常高的田地显然集中在之前观察到的西北至东南方向。 损失级别为低的田地主要集中在右上角和左下角。
您可能会观察到一些损失程度不同的邻近田地。 这可能有很多原因。 例如，冰雹对不同类型的农作物的影响可能有所不同。 此外，如果两块田地种植完全相同的农作物，但农作物的成熟度不同，影响也会不同。
地图对冰雹造成的损失进行了初步评估。 其可用于指导更详细的地面检查。
注：
下一步可能是通过 ArcGIS Online 将地图发布到 Web，并将其集成到 Field Operations 应用程序中。 这将允许检查员直接在他们的移动设备上与地图进行交互，并使用他们的发现进行实时更新。 您可以在教程检查消防栓中看到类似工作流的示例。
- 按 Ctrl+S 以保存工程。
在本教程中，您观察了暴风来临之前和之后的图像（自然色），并探索了像素的光谱图。 您了解了红光和近红外波段对于评估植被健康的重要性，并且了解了 SAVI 指数是什么。 您将 SAVI 指数应用于两个图像，并计算了两个生成的栅格之间的差异。 最后，您提取了每块田地中健康植被的平均损失量，并创建了一张地图，该地图可以对风暴造成的农作物损失进行首次评估。
您可以在影像和遥感简介页面上找到更多此类教程。
