logo资料库

基于高光谱遥感影像的AOD反演.pdf

发布时间：2022-05-30 发布人：admin 分类：说明书 资料大小：1.27M 资料格式：pdf 举报 版权申诉
第1页 / 共6页
第2页 / 共6页
第3页 / 共6页
第4页 / 共6页
第5页 / 共6页
第6页 / 共6页
资料共6页，全文预览结束
    doi:檶檶檶檶檶檶檶檶檶檶檶檶殞殞殞殞10．3969/j．issn．1001－358X．2017．04．010“3S”技术基于高光谱遥感影像的AOD反演*刘安伟(甘肃工业职业技术学院测绘学院，甘肃天水741025)摘要:气溶胶光学厚度(AerialOpticalDepth，AOD)是重要的大气参数，也是大气校正中不可缺少的变量。文中通过两种AOD反演算法的实施和比较，探讨了利用高光谱进行AOD反演的可行性和算法的适用性。通过两种方法，对四幅影像进行了气溶胶的反演，并以地基观测数据进行了对比验证。结果显示改进的V5．2算法在非浓密植被区域的精度较高，而在浓密植被区域与DDV算法精度相当，由于两种算法均依赖于波段固定的线性关系，使得两种算法在气溶胶的反演中均有误差。关键词:AOD;敏感性分析;DDV;高光谱遥感影像中图分类号:TU4文献标志码:A文章编号:1001－358X(2017)04－0038－06AODinversionbasedonhyperspectralremotesensingimageLiuAnwei(GansuIndustryPolytechnicCollege，Tianshui741025，China)Abstract:AerosolOpticalDepth(AOD)wastheimportantatmosphericparameterandtheindispensablevariableintheatmosphericcorrection．Inthepaper，throughtheimplementationandcomparisonoftwoAODinversionalgo-rithms，thefeasibilityoftheinversionandtheapplicabilityofthealgorithmusinghyperspectralAODwerediscussed．Theaerosolinversionoffourimageswascarriedoutbytwomethods，andthegroundobservationdatawereusedtoverify．TheresultsshowedthattheimprovedV5．2algorithmhadhighaccuracyinthenon－densevegetationarea，equaledtheDDValgorithmaccuracyindensevegetationarea．Sincebothalgorithmsreliedonthebandfixedlinearrelationship，twoalgorithmshaderrorsintheaerosolinversionKeywords:AOD;sensitivityanalysis;DDV;hyperspectralremotesensingimage*基金项目:甘肃省高校科研项目(2016A－122)引用格式:刘安伟．基于高光谱遥感影像的AOD反演［J］．矿山测量，2017，45(4):38－43．陆地气溶胶遥感反演从八十年代发展至今，算法和应用精度越来越高。Fraser等［1］和Durkee等［2］分别在陆地和海洋上空发展了双－多通道反射率算法，Tanre等［3］提出了结构函数法，Kaufman等［5］最早提出了浓密植被算法。Remer等［5］又将浓密植被算法所适用的短波红外波段的反射率扩展。随后，Levy等［6］提出了新的V5．2方法，新方法扩大了暗目标的范围，同时考虑了气溶胶光学厚取较小值的情况，使气溶胶光学厚度反演结果与AERONET观测数据相关性较高，该方法在高反射率区域误差仍然较大。牛铮［7］将双视角算法应用于Terra和Aqua卫星的气溶胶反演。孙林［8］使用构建的BRDF模型结合MO-DIS数据反演北京地区的气溶胶光学厚度，讨论了稀疏植被等高地表反射率地区的气溶胶反演问题，指出土壤湿度对于可见光波段地表反射率具有一定的影响。Li-ang等［9］在建立LandsatETM+图像大气纠正方法中提出了基于直方图匹配的大气气溶胶光学厚度反演算法。邓孺孺等［10］从地物类型出发，建立了基于地表模型的气溶胶光学厚度反演算法。1实验数据及处理1．1高光谱数据获取NASA新千年计划的第一颗对地观测卫星EO－83第45卷第4期2017年8月矿山测量MINESURVEYINGVol．45No.4Aug.2017中国煤炭期刊网 www.chinacaj.net
    1于2000年11月成功发射。EO－1上搭载了三种传感器，即:先进的陆地成像仪ALI(AdvancedLandImager)、高光谱成像光谱仪Hyperion和大气校正仪AC(AtmosphericCorrector)。Hyperion传感器高光谱影像的参数如表1所示。表1Hyperion影像的相关参数参数项取值像元分辨率30m数据格式BSQ/BIL/BIP图像大小256×3472VNIR波段范围1～70(356～1058nm)SWIR波段范围71～242(852～2577nm)数据产品类型L0R/L1R/L1Gs/L1Gst定标系数1～70(1/40)71～242(1/80)波长范围356～2577nm可见光、近红外波段位于前70个波段，其余波段位于短波红外波段(SWIR)。通过式(1)可以实现由原始DN值到表观辐亮度的转换，式(2)实现由辐亮度到表观反射率的转换。L(λ)=DN×gain(VNIR:gain=0．025;SWIR:gain=0．0125)(1)ρ×(λ)=π×L(λ)×d2ESUN(λ)×cosθS(2)式中，ρ×(λ)为波段的表观反射率，L(λ)为波段的光谱辐亮度，d代表日地距离，ESUN(λ)为波段λ处的大气上界太阳光谱辐照度，θS是太阳天顶角。本文采用的四幅Hyperion图像基本信息如表2。表2四幅Hyperion影像的基本信息影像编号成像日期成像时间(GTM+8)数据类型影像中心纬度/经度(°)A2008．0511:36:15L1R39．338N/100．132EB2008．0511:49:01L1GST38．466N/100．220EC2008．0711:39:12L1R38．858N/100．410ED2004．0810:23:08L1T31．335N/120．172E对四幅影像进行预处理工作，得到星上表观反射率图像。2．2太阳分光光度计自动跟踪太阳分光光度计CE318可测量和分析大气的各种光学属性和组分，是地基观测大气参数主要仪器。它在可见光和近红外波段可以进行太阳直射辐射跟踪测量、太阳天顶角天空扫描、太阳主平面扫描和极化通道天空扫描。所测的太阳直接辐射数据可用来反演气溶胶光学厚度、大气透过率、大气水汽柱含量、消光光学厚度和臭氧总量。广泛应用于大气参数的测量、大气环境监测和大气校正中。大气总的消光光学厚度τ由分子散射τr、气体吸收消光AOD(如臭氧，水汽)和气溶胶散射τg三部分组成，如式(3)。τ=τr+AOD+τg(3)式中，Rayleigh光学厚度在可见近红外波段气体吸收波段主要是臭氧和水汽的吸收，由地面观测值计算出来。在没有气体吸收的通道，式(3)右边的第三项可以忽略，那么从总的光学厚度减去光学厚度，气溶胶的光学厚度AOD就计算出来。3AOD反演卫星影像的表观反射率是气溶胶光学厚度、观测几何和地表反射率的非线性函数。已知表观反射率、地表反射率和观测几何，对于固定的气溶胶模式和大气模式，可以得到单次散射的气溶胶光学厚度(AOD)。AOD的反演过程一般通过大气辐射传输模型实现，图1为气溶胶光学厚度的反演过程。图1AOD反演的算法流程图可以看出，AOD的反演首先需要特定的波段星上反射率信息，通过红、蓝波段和短波红外波段地表反射率的线性关系，得到红、蓝波段的地表反射率，由大气辐射传输模型建立的查找表得到最接近的93第4期刘安伟:基于高光谱遥感影像的AOD反演*2017年8月中国煤炭期刊网 www.chinacaj.net
    AOD值。3．1DDV算法气溶胶反演算法最经典的是暗像元法(DenceDarkVegetation，DDV)也叫浓密植被法。Kaufman等通过大量航空试验研究发现，在非常清洁的大气条件下，绿色植被表面的反射率在红(660nm)、蓝(490nm)通道与短波红外(2100nm)之间存在着一定的关系。当2．1μm波长处的非水体地表反射率ρ2．1μm时，蓝光和红光通道的地表反射率与前者有一定的比例关系。由于短波红外通道受气溶胶的影响可以忽略，用卫星观测的2．1μm通道的星上表观反射率值可以代替此通道的地表反射率值，从而由比例关系得到红蓝波段的地表反射率。Kaufman和Tanre等［7－10］慢慢发展了这一算法并使其逐渐成熟起来，通过这种方法获取的AOD精度受到所选取的暗像元反射率和气溶胶模式(折射指数、单次散射反照率、粒子大小和球形近似度)的影响。浓密植被法假定浓密植被区域满足两个条件:(1)红(0．66μm)、蓝(0．47μm)通道的地表反射率与短波红外(2．1μm)地表反射率的线性关系为ρ0．47=ρ2．1μm*/4．0;ρ0．66=ρ2．1*/2．0;(2)短波红外波段气溶胶散射近似为0。DDV算法的核心是对暗像元浓密植被区域的选择，MODIS反演AOD的经典算法中，给出了四个选择暗像元的优先级，如表3所示。表3DDV算法中暗像元的选取顺序流程DDV算法中暗像元选取的优先级优先级一二三四满足条件［0．01，05］［0．01，0．1］［0．01，0．15］NDVI＞0．7备注［］内是中心波长2100nm的表观反射率取值范围3．2V5．2算法Levy等提出的V5．2算法是最新的MODIS数据反演气溶胶光学厚度的算法。该算法抛弃了利用3．8μm反射率确定暗像元的方法，而是完全使用2．1μm波段的反射率来选取，避免了长波段300K的地表发射辐射。此时暗像元条件需满足0．01≤ρ2．1μm*≤0．25，其精度和最初利用2．1μm波段反射率小于等于0．15所选取的暗像元区域一样。对于2．1μm波段反射率大于0．25的区域也是可以反演气溶胶的，但是会存在较大的误差，同时这些像元还必须满足以下条件:0．25＜ρ*2．1μm＜0．25G＜0．40(4)其中，G=0．5(1μ)+1μ槡0，μ，μ0分别为卫星和太阳天顶角余弦。在确定了暗像元之后，V5．2算法还引入了散射角和植被指数NDVI作为辅助数据，利用2．1μm波段表观反射率来估计可见光红、蓝波段反射率，表达式如下:ρs0．66=ρs2．12·slope0．66/2．12+yint0．66/2．12(5)ρs0．47=ρs0．66·slope0．47/0．66+yint0．47/0．66式中，slope0．66/2．12=slopeNDVISWIR0．66/2．12+0．002θ－0．27yint0．66/2．12=0．00025θ+0．033slope0．47/0．66=0．47，andyint0．47/0．66=0．005slopeNDVISWIR0．66/2．12=0．48;NDVISWIR＜0．25slopeNDVISWIR0．66/2．12=0．58;NDVISWIR＜0．75slopeNDVISWIR0．66/2．12=0．48+0．2(NDVISWIR－0.25);0．25≤NDVISWIR≤0．75式中，NDVISWIR=(ρ1．24－ρ2．1)/(ρ1．24+ρ2．1)θ=cos－1(－cosθ0cosθ+sinθ0sinθcosφ)θ0，θ，φ分别为太阳天顶角、卫星传感器天顶角和相对方位角。新算法认为可见光波段与短波红外波段的表观反射率比值和植被浓密程度有关，采用了受气溶胶影响比较小的中红外和短波红外两个波段，定义了新的植被指数。该方法把植被指数分为三种情况定义了不同的关于散射角θ和NDVIswir的线性函数，植被指数的分区其实是对地表类型的区分。3．3反演波段的敏感性分析AOD反演用到的蓝、红和短波红外波段，对应Hyperion影像的13、31和197波段，采用6SV大气辐射传输模型，进行了观测几何和地表信息对表观反射率变化的敏感性分析。在其它变量固定的情况下，通过一个因变量的变化来评价表观反射率的变化。对Hyperion影像蓝波段和红波段进行的敏感性分析如图2所示。可以看出，地表反射率对表观反射率的影像最大，其次是水汽含量的变化对表观反射率的影响，地面高程对表观反射率的变化影响较小。水汽含量的变化对红、蓝波段影响差别较大。BRDF效应对表观反射率的影响如图3所示。04第4期矿山测量2017年8月中国煤炭期刊网 www.chinacaj.net
    图2Hyperion影像的蓝(a)、红(b)波段敏感性分析图3蓝(a)、红(b)波段观测几何变化的敏感性分析14第4期刘安伟:基于高光谱遥感影像的AOD反演*2017年8月中国煤炭期刊网 www.chinacaj.net
    观测几何同样对表观反射率的变化有碗底效应，观测几何对表观反射率的影响幅度不超过0．4%。4结果与验证基于两种算法暗像元的适用范围不同，分析了四幅影像的归一化植被指数(NDVI)的分布情况和2100nm波段的表观反射率分布情况，统计了相关的频数。如图4所示为2008年5月的两幅影像的统计情况，可以看出，两幅影像的NDVI最大值不超过0．7，2100nm波段的表观反射率也只有很少像素在区间［0．01，0．25］之间。图45月份A和B影像植被区域NDVI和2100nm表观反射率频数图如图5所示，为2008年7月和8月的高光谱影像的NDVI直方图和2100nm处的表观反射率，正值夏季地表覆盖的植被浓密，均满足DDV算法的第二优先级的要求。图57/8月份C和D影像植被区域NDVI和2100nm表观反射率频数图通过两种不同的算法，分别对四幅影像的某区域做了AOD反演，为了更好的比较反演的AOD值和地基观测数据CE－318之间的差异，选择地基观测点附近10pixels×10pixels大小的区域的AOD均值和CE－318数据进行比较，如表4所示。表4不同反演方法的AOD值算法ABCDDDV0．860．740．451．15V5．20．530．490．471．09CE－3180．490．530．421．20由表4可以看出，A和B影像由于不满足DDV算法对暗像元的要求，反演的结果和CE－318差异很大，C和D影像有比较浓密的植被暗像元，均满足V5．2算法对暗像元的要求，反演结果和地面观测数据吻合，因此采用DDV算法和V5．2算法的反演结果均和地面观测的结果吻合一致。5结语本文通过经典的DDV算法和改进的V5．2算法反演了不同时相的四幅高光谱遥感影像的AOD值。通过和地基CE－318观测数据比较进行了精度分析，结果显示在植被非浓密区域，V5．2算法的反演结果接近地基观测结果，而在植被浓密区域两种算法的精度相当，说明V5．2算法在非浓密植被区域有较好的适用性。同时对红、蓝波段的敏感性分析显示，波段均存在一定的BRDF效应，但是影响较小，地表反射率和地面高程对星上反射率的影响较大，而水汽含量对蓝波段的影响可以忽略，对红波段影响较大。参考文献:［1］R．S．FraserandY．J．Kaufman．Therelativeimportanceofscatteringandabsorptioninremotesensing［J］．IEEETrans．Geosi．Remote．Sens．，vol．23，pp．625－633，1985．［2］Durkee，P．A．，Therelationshipbetweenmarineaerosolparticlesandsatellite－detectedradiance［D］Ph．D．dis-sertation，ColoradoStateUniv．，FortCollins，1984．［3］D．Tanr'e，C．Devaux，M．Herman，R．Santer，andJ．Y．Gac，Radiativepropertiesofdesertaerosolsbyopticalground－basedmeasurementsatsolarwavelengths［J］J．Geophys．Res．，vol．83，pp．14，223－14，231，1988．［4］KaufmanYJ，WaldAE，RemerL，etal．1997．TheMODIS2．1－μmchannel－correlationwithvisiblereflec-tanceforuseinremotesensingofaerosol［J］．GeoscienceandRemoteSensing，IEEETransactionson，35(5):24第4期矿山测量2017年8月中国煤炭期刊网 www.chinacaj.net
    1286－1298．［5］L．A．Remer，A．E．Wald，andY．J．Kaufman，“An-gularandseasonalvariationofspectralsurfacereflectanceratios:Implicationsfortheremotesensingofaerosoloverland，”IEEETrans．Geosci．RemoteSens．，vol．39，no．2，pp．275－283，Feb．2001．［6］R．C．Levy，L．A．Remer，andY．J．Kaufman，“EffectsofneglectingpolarizationontheMODISaerosolretrievaloverland，”IEEETrans．Geosci．RemoteSens．，vol．42，no．11，pp．2576－2583，Nov．2004．［7］牛峥．MODIS遥感陆地上空气溶胶光学特性研究［D］．北京:北京大学，2005．［8］孙林，柳钦火，刘强，高反射率地区气溶胶光学厚度遥感反演:现状及展望［J］．地理科学进展，2006，25(3):70－78．［9］段民征，吕达仁，崔克俭，等．利用云霞阴影实现陆地上空气溶胶和地表反射率的同时反演一理论方法和模拟［J］．遥感学报，2006，6(5):321－327．［10］邓孺孺，田国良，王雪梅，等．大气污染定量遥感方法及其在长江三角洲的应用［J］．红外与毫米波学报，2003，22(3):81－85．作者简介:刘安伟(1983－)，男，汉族，硕士，河南商丘人，讲师，现主要从事定量遥感的教学与科研工作。(收稿日期:2017－03－27檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸檸)(上接第9页)优势，值得工程技术人员借鉴。参考文献:［1］冯钟萱．基于时间序列分析组合模型的变形监测分析与预报［D］．西安:长安大学，2013．［2］杜琨．变形监测数据处理的方法研究［D］．长沙:中南大学，2013．［3］王江荣，袁维红，赵睿，等．基于贝叶斯估计的路基沉降时间序列分析模型［J］．矿山测量，2016，44(4):73－77．［4］邹利．回归分析在大坝变形监测数据处理中的应用研究［J］．工程地球物理学报，2007，4(6):644－647．［5］李晓蕾．基于灰色系统理论的变形分析与预报模型应用研究［D］．西安:长安大学，2008．［6］王利，李亚红，刘万林．卡尔曼滤波在大坝动态变形监测数据处理中的应用［J］．西安科技大学学报，2006，26(3):353－357．［7］张显云，张勤，王利．基于卡尔曼滤波的AR模型及应用［J］．测绘通报，2009(11):41－43．［8］严容．基于小波去噪的BP神经网络在变形预测中的应用［D］．北京:中国地质大学，2014．［9］王江荣，赵睿，袁维红，等．基于遗传算法因素筛选的BP神经网络在软土路基沉降数据处理中的应用［J］．矿山测量，2016，44(5):87－90．［10］徐秀杰，黄张裕，凌晨阳，等．基于小波分析的灰色组合模型在变形监测数据处理中的应用［J］．工程勘察，2014(4):80－83．［11］韩艳．小波预处理的加权灰色线性回归组合模型及应用［J］．工业仪表与自动化装置，2016(6):18－21，73．［12］王江荣．基于经验模态分解技术在隧道围岩位移数据处理中的应用［J］．计量技术，2016(9):13－17．［13］杨国华，黄腾，韩易．结合频谱分析的时间序列分析在变形数据处理上的应用［J］．水利与建筑工程学，2013，11(6):186－189．［14］李国勇，杨丽娟．神经．模糊．预测控制及其MATLAB实现［M］．北京:电子工业出版社，2016．［15］张德丰．MATLAB模糊系统设计［M］．北京:国防工业出版社，2009．［16］王正林，龚纯，何倩．精通MATLAB科学计算［M］．北京:电子工业出版社，2012．［17］王江荣．高斯函数模型在变形监测数据处理中的应用［J］．金属矿山，2015(4):178－181．作者简介:王春媛(1972－)，女，汉，甘肃康县人，副教授，主要从事教学与数据挖掘研究。(收稿日期:2017－04－05)34第4期刘安伟:基于高光谱遥感影像的AOD反演*2017年8月中国煤炭期刊网 www.chinacaj.net
    分享到：
    赞 收藏

    相关推荐

    资料库

    开发技术

    共收录19306份资料，累计14个分类，关注成员有19位，主要包括：Actionscript,Javascript,PHP,VB,Perl,Delphi,Python,C#,C,Java,C++,Web开发,硬件开发,其它

    热门标签

    Actionscript Javascript PHP VB Perl Delphi Python C# C Java C++ Web开发 硬件开发 其它

    最新资料