基于水陆地物分类信息的微波遥感混合像元分解方法-山东亚星游戏官网机床有限公司

专利名称：基于水陆地物分类信息的微波遥感混合像元分解方法
技术领域：
本发明涉及微波遥感技术领域，特别涉及一种基于水陆地物分类信息的微波遥感混合像元分解方法。
背景技术：
微波遥感的波长一般从lcm-lm，由于波长较长，其能量可以穿透云、雾、沙尘以及除了暴雨以外的其他大气层状态。这些优点使得星载被动微波遥感可以在几乎所有天气条件下监测地表的微波发射特征，并通过不同类型地表对微波信号的散射和吸收特征分析，来确定地表类型和相关定量化参数反演，例如地表温度，土壤水分，植被等。被动微波遥感的另一个特点是较高的时间分辨率，有利于进行大尺度、变化趋势等分析研究，实现对全球地表信息的有效观测。尽管被动微波数据的空间分辨率为几十公里，但是它可以全天候地提供信息，而且有能力穿透云层，因此在大尺度、全球性环境监测中有着其他遥感数据所不能替代的作用。目前，国际上主要使用的被动微波遥感数据有SMMR(Scanning Multichannel Microwave Radiometer)、SSM/I (Special Sensor Microwave/Imager) > AMSR(Advanced Microwave Scanning Radiometer)禾口 AMSR-E(Advanced Microwave Scanning Radiometer-Earth Observing System)。SMMR 传感器是 1978 年搭载 Nimbus-7 卫星上天，最低频率为6. 6GHz。SSM/I在1987年发射升空，最低频率为19. 3GHz。这两个传感器主要是研究海洋和大气，其最低频率的空间分辨率大约在140km左右。就空间分辨率而言，SMM 和SSM/I对陆地的监测不是非常的理想。2001年搭载在日本对地观测卫星ADEOS-II升空的AMSR是改进型多频率、双极化的被动微波辐射计，采用的是圆锥扫描方式。AMSR是在 SMM和SSM/I传感器研究的基础上，针对其在应用中的优缺点来设计的，其空间分辨率上有了很大的提高。AMSR-E微波辐射计于2002年搭载NASA对地观测卫星Aqua发射升空，它是在AMSR传感器的基础上改进设计的。AMSR-E的空间分辨率要远远高于SMMR和SSM/I。目前，AMSR-E数据是研究全球环境变化的首选微波遥感数据，其综合空间分辨率为25km。与国外发达国家相比，中国气象卫星的研究发展相对较晚。中国气象卫星命名为FengYun系列，即风云，通常缩写为FY-N。N为奇数代表极轨卫星，为偶数代表对地静止卫星。最新的风云系列是风云三号(FY-3)气象卫星，于2008年5月27日发射成功。FY-3A是ζ中国第 2代极轨气象卫星，可以全球、全天候、三维、实时准确的获取陆地、海洋、大气等参数。搭载在FY-3A上的微波辐射成像仪MWRI (Microwave Radiation Imager)可以实现全球雨率、云含水量、水汽总量、土壤湿度、海冰、海温、冰雪覆盖等信息检测。根据风云卫星遥感数据服务网站提供的资料，MWRI亮温数据的综合空间分辨率为75km。星载微波遥感传感器相对于光谱遥感器的较低空间分辨率，限制了它在许多研究领域中的应用。(参考文献，孙知文，施建成，杨虎等，2007。风云三号微波成像仪积雪参数反演算法初步研究。遥感技术与应用， 22(2) :264_267。Dong Chaohua,Yang Jun，Zhang Wenjian et al. ,2009. An overview of a new Chinese weather satellite FY-3A. Bulletin of the American Meteorological
5Society,90 (10) :1531_1544·)经调研，提高星载微波辐射计空间分辨率的主要方法有(1)增大天线口径。对于星载应用，天线口径受平台空间限制；(2)提高微波辐射计的工作频率。不同频率对不同参数的敏感程度不一样，所以不能简单提高工作频率；(3)采取合成孔径技术。该方法需要增加相关仪器的数量；(4)从数据处理的角度获得改进空间分辨率的辐射计图像，通过对图像的重建或天线方向图的反卷积等方法来提高像元的空间分辨率。依据气象卫星平台的特性，采用图像处理的混合像元分解方法是提高微波成像仪的空间分辨率的最佳方法。目前，针对光谱遥感数据的混合像元分解模型相对较多，如线性模型、概率模型、几何光学模型、随机几何模型以及�：Ｐ停胫啾龋迪治⒉ㄒ８惺莼旌舷裨纸饽� 型相对较少。(参考文献，刘曾林，唐伯惠，李召良，2009。AMSR-E微波数据反演裸地地表温度算法研究.科技导报，27 (4) :24-27。杨虎，施建成，2005。FY-3微波成像仪地表参数反演研究.遥感技术与应用，20(1) 194-200.)国内外研究人员对于微波遥感数据的处理方法主要是反演微波混合像元中组分温度或利用微波辐射计的多频特征，采用分辨率较高的频率数据对分辨率较低的频率数据进行增强。比较有代表性的是BG算法。上述研究结果虽然对微波数据的应用有所改善，但是不能够将低空间分辨率的混合像元进行分解，求得其组分亮温和空间位置分布。(参考文献，G. Backus and F. Gilbert,1970. Uniqueness in the inversion of inaccurate gross earth data. Philos. Trans. R. Soc. Lond. A, 266 :123-192.Tim Bellerby, Malcolm Taberner, Andrea Wilmshurst et al. ,1998. Retrieval of land and sea brightness temperatures from mixed coastal pixels in passive microwave data. IEEE Transactions on Geoscience and Remote Sensing,36 (6) 1844-1851.)为了进行高精度的地面数据的后期反演，需要深入到微波混合像元内部，实现微波混合像元的分解并得到其组分亮温。因此，研究微波遥感混合像元分解方法具有重要的科学意义和应用技术价值。

发明内容
本发明的目的在于提供一种基于水陆地物分类信息的微波遥感混合像元分解方法，以解决目前由于微波遥感数据的较低空间分辨率，导致后期数据反演精度较差、数据应用范围局限性等问题。本发明通过对观测区的微波遥感亮温数据进行预处理；采用高空间分辨率的光谱遥感数据对观测区的地面数据进行粗分类，得到地物的分类信息和分布位置；利用由粗到精的像元空间位置配准算法实现不同空间分辨率数据的配准；将地物分类信息和微波混合像元分解模型相结合，采用最小二乘法迭代计算求解欠定性方程组，最后获得微波混合像元中不同地物的亮温，根据不同地物的亮温和分布位置，提高微波混合像元的空间分辨率。本方法可以实现全球范围内水陆边界微波混合像元分解，显著地提高了微波混合像元的空间分辨率，可以同时获得高空间分辨率的地物亮温和地物分类信息。本发明的技术方案包括以下步骤一、遥感数据预处理
(1)从官方网站下载微波遥感数据，选择微波遥感数据的高级产品，该产品已经过标定、大气校正、地理校正和标准化等预处理；选择全球降轨数据或升轨数据，根据微波遥感数据的空间分辨率，利用ArcGIS软件对其实现EASE-GRID投影；根据观测地区的地理信息，加载该地区shapefile矢量文件，得到该地区的微波遥感亮温数据。获得的亮温数据多数是混合像元，这是由于微波遥感数据的空间分辨率较低，通常是几十公里所致。(2)从官方网站下载光谱遥感数据，选择中分辨率的光谱遥感数据；对下载的全球光谱遥感数据采用MRT软件进行图像拼接、等经纬度投影，采样方法为邻近法，椭球为 WGS-84体系；根据观测地区的地理信息，加载该地区shapefile矢量文件，得到该地区的光谱遥感数据。二、光谱遥感数据粗分类对于观测地区，将高空间分辨率的光谱影像划分为两个主要类型水体和陆地区域；其中，水体主要指内地湖泊和海洋，陆地则指不含大量水体的其他所有混合地物；由于分类种类较少，选取光谱遥感数据结合决策树分类法进行粗分类；采用归一化水体指数(简称NDWI)、波段反射率计算植被指数(简称NDVI)分类特征，作为分类的依据；(I)NDffI 水体的反射从可见光波段到中红外波段是逐渐减弱的，在近红外和中红外波长范围内吸收性最强，几乎无反射，用可见光波段和近红外波段构成的反差来突出影像中的水体信息；选取NDWI来提取水体，其计算公式为NDffI = (Green-NIR)/(Green+NIR)(1)式中，Green是绿光波段的值；NIR是近红外波段的值；采用绿光波段与近红外波段的比值可以最大程度地抑制植被的信息，从而达到突出水体信息的目的。NDffI的值为-1至1，0 ( NDffI ( 1时，得到比较宽阔的河流和湖泊；_1 ( NDffI < 0时，得到含水量较少的陆地。(2)NDVI 植物叶面在可见光红光波段有很强的吸收特性，在近红外波段有很强的反射特性，通过这2个波段测值的不同组合可得到不同的NDVI，利用这一特性，选择NDVI作为一个分类特征来区分水体和陆地，用公式表达为NDVI = (NIR-Red) / (NIR+Red),(2)式中，Red是可见光红光波段的值；NIR是近红外波段的值；NDVI值为-1至1 ；NDVI为负值时地面覆盖为云、水、雪；NDVI等于0时为岩石或裸土；NDVI为正值时则为植被，且随植被覆盖度的增大而增大；采用上述分类方法，可得到高分辨率光谱影像的粗分类结果，该分类数据主要包括水体和陆地两类；三、不同空间分辨率数据配准为了获得低空间分辨率微波像元中包含的高空间分辨率光谱像元的不同地物的信息，需要实现微波像元与光谱分类像元的配准；由于微波像元的空间分辨率较低，基本看不到地面信息，因此不能采用传统的选择地面控制点的图像配准方法。本发明设计了由粗到精的像元空间位置配准算法，其具体步骤如下第1步像元位置粗匹配(1)已知原始微波像元的经纬度信息，可以确定该像元覆盖的地理范围；(2)根据覆盖区域的地理位置信息，搜索落在其范围内的光谱分类像元；粗匹配后得到的光谱分类像元称为候选匹配像元；理论上，每个微波像元与多个光谱分类像元相匹配。第2步像元位置精匹配如果光谱分类像元与微波像元起始像元距离小于光谱分类像元的空间分辨率，粗匹配定位后，每个微波像元不能准确地配准多个光谱分类像元，因此，需要对粗匹配后的光谱分类像元位置进行精校正。对于光谱分类像元，正确的匹配距离应不超过1个像元，即光谱分类像元的空间分辨率。(1)将候选像元匹配面积作为判定条件如果候选匹配像元与微波像元区域配准超过50%，则认为该候选匹配像元为正确匹配像元；若匹配区域小于50%，则认为该候选匹配像元为错误匹配像元；如果匹配面积等于50%，需要计算两者不同匹配情况下的相关系数，将相关系数较大的候选匹配像元作为正确的匹配像元，匹配后，每个微波像元对应多个正确匹配的光谱分类像元；第3步匹配像元纠正(1)若像元位置粗匹配后，每个微波像元能准确地配准多个光谱分类像元，则不需要进行数据纠正；(2)否则，由于匹配位置的影响，需要对像元位置精匹配后的光谱分类像元进行纠正，已知纠正后光谱分类像元坐标、原始光谱分类像元坐标以及二者之间的像元距离，可以通过插值的方法求出纠正后像元的值，即利用原始像元值按一定的权重函数计算一个新的位置上的值，用反距离归一化加权插值作为插值方法，插值像元的值受距离较近像元值影响较多，而受距离较远像元值影响较�。淳嗬牍橐换ㄖ夭逯捣ü饺缦�
权利要求
一种基于水陆地物分类信息的微波遥感混合像元分解方法，其特征在于，其包括以下步骤一、遥感数据预处理(1)从官方网站下载微波遥感数据，选择微波遥感数据的高级产品，该产品已经过标定、大气校正、地理校正和标准化等预处理；选择全球降轨数据或升轨数据，根据微波遥感数据的空间分辨率，利用ArcGIS软件对其实现EASE GRID投影；根据观测地区的地理信息，加载该地区shapefile矢量文件，得到该地区的微波遥感亮温数据；(2)从官方网站下载光谱遥感数据，选择中分辨率的光谱遥感数据；对下载的全球光谱遥感数据采用MRT软件进行图像拼接、等经纬度投影，采样方法为邻近法，椭球为WGS 84体系；根据观测地区的地理信息，加载该地区shapefile矢量文件，得到该地区的光谱遥感数据；二、光谱遥感数据粗分类对于观测地区，将高空间分辨率的光谱影像划分为两个主要类型水体和陆地区域；其中，水体主要指内地湖泊和海洋，陆地则指不含大量水体的其他所有混合地物；选取光谱遥感数据结合决策树分类法进行粗分类；采用归一化水体指数(简称NDWI)、波段反射率计算植被指数(简称NDVI)分类特征，作为分类的依据；(1)NDWI水体的反射从可见光波段到中红外波段是逐渐减弱的，在近红外和中红外波长范围内吸收性最强，几乎无反射，用可见光波段和近红外波段构成的反差来突出影像中的水体信息；选取NDWI来提取水体，其计算公式为NDWI＝(Green NIR)/(Green+NIR)(1)式中，Green是绿光波段的值；NIR是近红外波段的值；NDWI的值为 1至1，0≤NDWI≤1时，得到比较宽阔的河流和湖泊； 1≤NDWI＜0时，得到含水量较少的陆地；(2)NDVI植物叶面在可见光红光波段有很强的吸收特性，在近红外波段有很强的反射特性，通过这2个波段测值的不同组合可得到不同的NDVI，利用这一特性，选择NDVI作为一个分类特征来区分水体和陆地，用公式表达为NDVI＝(N IR Red)/(N IR+Red)， (2)式中，Red是可见光红光波段的值；NIR是近红外波段的值；NDVI值为 1至1；NDVI为负值时地面覆盖为云、水、雪；NDVI等于0时为岩石或裸土；NDVI为正值时则为植被，且随植被覆盖度的增大而增大；三、不同空间分辨率数据配准设计了由粗到精的像元空间位置配准算法，其具体步骤如下第1步像元位置粗匹配(1)已知原始微波像元的经纬度信息，可以确定该像元覆盖的地理范围；(2)根据覆盖区域的地理位置信息，搜索落在其范围内的光谱分类像元；粗匹配后得到的光谱分类像元称为候选匹配像元；第2步像元位置精匹配将候选像元匹配面积作为判定条件如果候选匹配像元与微波像元区域配准超过50％，则认为该候选匹配像元为正确匹配像元；若匹配区域小于50％，则认为该候选匹配像元为错误匹配像元；如果匹配面积等于50％，需要计算两者不同匹配情况下的相关系数，将相关系数较大的候选匹配像元作为正确的匹配像元，匹配后，每个微波像元对应多个正确匹配的光谱分类像元；第3步匹配像元纠正(1)若像元位置粗匹配后，每个微波像元能准确地配准多个光谱分类像元，则不需要进行数据纠正；(2)否则，由于匹配位置的影响，需要对像元位置精匹配后的光谱分类像元进行纠正，已知纠正后光谱分类像元坐标、原始光谱分类像元坐标以及二者之间的像元距离，可以通过插值的方法求出纠正后像元的值，即利用原始像元值按一定的权重函数计算一个新的位置上的值，用反距离归一化加权插值作为插值方法，插值像元的值受距离较近像元值影响较多，而受距离较远像元值影响较�。淳嗬牍橐换ㄖ夭逯捣ü饺缦� <mrow><mi>S</mi><mo>=</mo><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>1</mn> </mrow> <mi>n</mi></munderover><munderover> <mi>Σ</mi> <mrow><mi>j</mi><mo>=</mo><mn>1</mn> </mrow> <mi>n</mi></munderover><mfrac> <mn>1</mn> <msub><mi>d</mi><mi>ij</mi> </msub></mfrac><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo></mrow> </mrow> <mrow><mi>P</mi><mo>=</mo><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>-</mo><mn>1</mn> </mrow> <mi>n</mi></munderover><munderover> <mi>Σ</mi> <mrow><mi>j</mi><mo>=</mo><mn>1</mn> </mrow> <mi>n</mi></munderover><mfrac> <msub><mi>V</mi><mi>ij</mi> </msub> <mrow><msub> <mi>d</mi> <mi>ij</mi></msub><mi>S</mi> </mrow></mfrac><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo></mrow> </mrow>其中，n为参与计算周围点的像元数；dij为周围点到当前插值点的距离；Vij表示原始周围点的值；P为插值计算所得的值；S代表距离权重；(3)对纠正后的光谱分类像元值进行判断若纠正前陆地像元的值为0，水体像元的值为1，则将纠正后光谱分类像元值大于0.6的像元定义为水体像元，否则定义为陆地像元，最后获得每个低空间分辨率微波像元包含的高空间分辨率的水体和陆地信息；四、微波混合像元分解模型(1)混合像元组分统计根据微波数据和光谱数据的配准结果，可以定位与一个低空间分辨率微波混合像元匹配的高空间分辨率光谱像元的分类信息，已知微波混合像元中两类地物的像元数量，除以总的像元数可以得到微波混合像元中两类地物的百分比；具体计算公式如(5)和(6) <mrow><msub> <mi>P</mi> <mi>Land</mi></msub><mo>=</mo><mfrac> <msub><mi>N</mi><mi>Land</mi> </msub> <msup><mrow> <mo>(</mo> <msub><mi>R</mi><mi>low</mi> </msub> <mo>/</mo> <msub><mi>R</mi><mi>high</mi> </msub> <mo>)</mo></mrow><mn>2</mn> </msup></mfrac><mo>-</mo><mo>-</mo><mo>-</mo><mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo></mrow> </mrow>Pwater＝1 PLand (6)其中，PLand代表微波混合像元中陆地像元百分比，NLand代表微波混合像元中陆地像元的个数，Rhigh代表光谱分类数据的空间分辨率，Rlow代表微波混合像元的空间分辨率，Pwater代表代表微波混合像元中水体像元百分比；(2)微波混合像元分解模型(a)选取m×n范围的微波混合像元构成一个搜索窗口，记录m×n窗口中每个微波混合像元对应的光谱分类匹配像元的不同地物的比例，构成地物分布矩阵；(b)已知微波混合亮温值和地物分布比例矩阵，考虑到邻近混合像元内水体亮温值变化不大，可以按公式(7)对m×n范围内的微波混合亮温信息进行分解，通过微波混合像元分解模型求解组分亮温TB(i，j)＝PLand(i，j)TLand(i，j)+PWater(i，j)TWater i＝1…m j＝1…n (7)式中TB(i，j)是m×n窗口中微波混合亮温值，为已知量；PLand(i，j)是m×n窗口中每个混合微波像元中包含的陆地组分的比例，为已知量；TLand(i，j)是m×n窗口中每个混合微波像元中陆地亮温，为未知量；PWater(i，j)是m×n窗口中每个混合微波像元中包含的水体组分的比例，为已知量；TWater是m×n窗口中混合微波像元中水体亮温，该区域内所有混合像元中的水体亮温相同，为未知量；若m×n窗口内所有微波混合像元中Pwater＝1或PLand＝1，该混合像元为纯像元，不需要分解；由(7)式可见，该混合像元分解模型中，m×n方程组中有m×n+1个未知量即TLand(m，n)和TWater，对于这种方程个数小于未知量个数的方程组，属于欠定方程组；(c)组分亮温初值选取欠定方程组有无穷多组解，在整个解空间中搜索最优解，需要确定组分亮温的初值；采用k means聚类算法对研究区域的所有微波亮温进行统计分类，通过聚类算法得到组分亮温的初值；(d)将组分亮温的初值和所有已知量代入公式(7)，应用matlab软件中的fsolve函数求解欠定性方程组，最终，获得微波混合像元中各个组分的亮温值TLand(i，j)和TWatet。
全文摘要
本发明提供了一种基于水陆地物分类信息的微波遥感混合像元分解方法。利用光谱遥感数据的水陆地物分类信息，建立微波混合像元分解模型，求解欠定性方程组计算微波混合像元中组分亮温。通过获得微波混合像元中不同组分的位置和亮温值，显著地提高水陆边界微波混合像元的空间分辨率，得到观测区内水陆两类地物的微波亮温值和分类信息，提高微波遥感数据后期反演的精度。其最重要意义是可以完成全球区域内水陆边界微波混合像元数据分解，使分解后的微波遥感数据空间分辨率与分类采用的光谱遥感数据空间分辨率近似，解决了微波遥感数据空间分辨率较低的问题，拓宽了微波遥感数据的应用领域。
文档编号G01S13/89GK101963664SQ20101029435
公开日2011年2月2日申请日期2010年9月28日优先权日2010年9月28日
发明者赵凯, 顾玲嘉申请人:中国科学院东北地理与农业生态研究所

亚星游戏官网-www.yaxin868.com

基于水陆地物分类信息的微波遥感混合像元分解方法