积雪是气温、降水变化的最敏感的指示因子之一，ENVI为积雪面积信息的提取提供了多种技术方法

光谱统计学方法

光谱统计学提取积雪面积信息主要利用感兴趣区域ROI（样本）的选择，利用传统的监督方法实现。

决策树方法

决策树方法提取积雪面积信息主要依靠专家知识，通过先验知识建立判别条件，进而建立决策树，实现积雪面积的提取。

决策树方法提取积雪面积最有代表性的就是Hall等人测试提出，并被NASA采用的基于Landsat5 TM影像的SNOMAP算法。其物理基础体现在：1）积雪在可见光波段有较高的反射率，在短波红外波段有较强的吸收特征；2）大部分云在可见光波段有较高的反射率，在短波红外波段反射率依然很高。 利用该特点，采用NDSI（Normalized Differential Snow Index）阈值提取方法可以很好的识别积雪。基于Landsat数据的NDSI计算方法为：

其中，b2、b5分别为Landsat数据对积雪和云反应敏感的第2波段（绿波段，0.52-0.60μm）和第5波段（短波红外波段，1.55-1.75 μm）的反射率。

通过在北美的验证，SNOMAP算法设定NDSI阈值为0.4，当像元NDSI≥0.4时，该像元被定义为积雪。但积雪和水体在可见光和短波红外波段的反射特征相似，该阈值识别出的积雪中有水体存在。为了进一步识别积雪，利用近红外波段水体强吸收而积雪吸收弱于水体的特点，SNOMAP加入积雪识别的另外一个判别因子，b4≥0.11，其中b4为Landsat的第4波段（近红外波段，0.76-0.90 μm）的反射率。这样，当满足NDSI≥0.4且b4≥0.11时，该像元被识别为积雪。

以天山中部Landsat5 TM影像为基础数据，在ENVI下的操作步骤为：

（1）通过Band Math，计算NDSI

（2）通过Classification/Decision Tree/New Decision Tree建立决策树如下:

（3）运行决策树，原图像751波段假彩色合成及积雪面积提取结果显示如下：

高光谱制图方法

高光谱众多制图方法中，线性混合像元分解、SAM 波谱角填图都可以用来进行积雪面积的提取。大范围积雪面积信息的提取常用MODIS数据进行，NASA也基于MODIS数据和SNOMAP算法的改进生产出全球范围的MOD10系列积雪产品。但是可以用于积雪生产的MODIS L1B数据的空间分辨率为500米，混合像元现象普遍存在。为解决这个问题，国内外学者多采用混合像元分解的方法来进行基于MODIS数据的积雪面积提取，并取得了不错的成果。

以500米分辨率的MODIS L1B数据为例，其在ENVI中的实现步骤如下：

（1）首先，对预处理完成后的MOD02 HKM 1~7波段的反射率影像进行最小噪声变换MNF（Minimum Noise Fraction），将影像分离成相互独立且各自分布的方差相同的主成分数据与噪声数据，以达到数据降维的目的。

（2）在ENVI中通过/Transform/MNF Rotation/Forward MNF Estimate Noise Statistics实现MNF变换。

（3）通过纯净像元指数PPI（Pixel Purity Index）查找代表不同地物类型的影像纯净像元，以确定基本端元组分。PPI运算需要首先选取训练样本，PPI数值越大说明对应的像元越纯净。

（4）在ENVI中通过/Spectral/Pixel Purity Index/Pixel Purity Index (PPI) New Output Band计算PPI。

（5）根据特征值和波段分量图可以看出，分离后的前3个波段集中了大部分的有效信息，由此做出MNF变换后的1～2波段、1～3波段和2～3波段的两两2-D散点图。散点图内部的点可以用边缘上的点线性组合得到，即纯净像元就分布在散点图的各个顶点附近。由于绘制的2-D散点图可以交互在波段图像和散点图之间同时显示，通过鼠标在散点图几个顶点附近位置的移动，即可大概确定纯净像元所分布的位置，进行训练样本的选择。

（6）ENVI中通过Display->2D Scatter Plots构建散点图。

（7）端元组分确定后，即可在N-D可视化分析中生成由各端元纯净像元所计算得出的平均波谱曲线。

（8）得到各端元组分的平均波谱曲线后，即可实现混合像元的分解，计算各组分在混合像元中所占的比例。

（9）在ENVI中，通过Spectral->Mapping Methods，选择分解方法。得到的结果即包含各端元组分的丰度信息和分解结果的RMS误差。