CN101561502B - 地形校正植被指数的构造方法 - Google Patents
地形校正植被指数的构造方法 Download PDFInfo
- Publication number
- CN101561502B CN101561502B CN200910111688XA CN200910111688A CN101561502B CN 101561502 B CN101561502 B CN 101561502B CN 200910111688X A CN200910111688X A CN 200910111688XA CN 200910111688 A CN200910111688 A CN 200910111688A CN 101561502 B CN101561502 B CN 101561502B
- Authority
- CN
- China
- Prior art keywords
- vegetation index
- correction
- value
- vegetation
- topographic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及一种地形校正植被指数的构造方法,该方法包括以下步骤:(1)根据获得的光学遥感影像数据源,进行不同程度的辐射校正;(2)对非植被暗物质进行判别与处理;(3)进行地形校正植被指数TCVI的计算,采用本发明构造地形校正植被指数,弥补了现有植被指数无法消除地形影响的缺陷,免除了对基于DEM数据的地形校正方法的依赖,该发明只需要红波段与近红外波段两个波段数据就可定量、快速反演山区的植被信息。
Description
技术领域
本发明涉及一种地形校正植被指数的构造方法。
背景技术
山地丘陵地区由于地形影响,光学遥感影像中山体阴坡与阳坡的波段辐射亮度信息形成巨大反差,严重影响了山区植被信息的遥感定量反演精度。
当前对光学遥感影像植被信息的反演主要是采用植被指数的方法。最常用的植被指数有归一化植被指数NDVI、比值植被指数RVI等;针对消除大气影响而提出的指数,则有抗大气植被指数ARVI、绿度抗大气植被指数GARVI、可见光抗大气指数VARI等;还有针对消除土壤背景影响而提出的指数,如土壤调节植被指数SAVI、修正土壤调节植被指数MSAVI、最优土壤调节植被指数OSAVI、通用土壤调节植被指数GESAVI等;此外,还有些其它的各种指数,如增强植被指数EVI、全球环境监测指数GEMI、绿度归一化植被指数GNDVI、改进非线性植被指数MNLI、线性植被指数LVI、广域动态变化植被指数WDRVI等。但针对消除地形影响的植被指数比较少,仅有少量研究有所涉及,虽有一定效果但不成熟。
对此,常规的处理方法是在计算植被指数前先进行地形校正。地形校正的方法可分为两大类,一类是基于DEM数据的遥感影像地形校正,主要有:(1)经验统计模型,经典算法有余弦校正、C校正、SCS校正、SCS+C校正、Proy校正等。(2)基于辐射传输理论的物理模型,通过研究光与地表作用的物理过程进行地形校正。(3)基于统计分析的地形辐射校正,如矩匹配算法。这些方法都有效果,但程度不一,对植被信息的改善程度也各异。更为严重的是,这些常规的地形校正方法都需要DEM数据的支持,而且DEM数据的精度不能小于遥感影像的数据精度。由于DEM数据的引入有可能引入新的误差,DEM数据的更新往往又落后于实际地形因自然、人为因素带来的变化,特别是高精度DEM数据的获取受到限制,很大程度上制约了此类地形校正方法的效果和应用推广。
另一类地形校正方法无需DEM数据的支持,如采用波段比模型的方法,通过一个波段的光谱值除以另一个波段的光谱值来消除地形影响。该方法不要求额外的输入数据,但是由于地形变化对不同波段的影响不同,因此该模型只能起到压抑地形影响的作用,而不能达到理想的地形校正效果,近年来相关研究较少。也有研究采用灰度线性匹配方法进行山体阴影的校正,但由于选择的样本不能涵盖全体影像,因此仅用此推导的一个线性函数进行波段的校正有较大的局限性。而对城市高分辨率遥感影像中云朵、建筑物阴影去除的方法能否提高山区植被指数信息反演精度未见相关研究。
综上所述,无论是现有的植被指数,还是地形校正方法在山区植被信息遥感定量反演方面都存在明显不足。因此,设计一种基于影像自身信息,能有效消除山区地形影响的植被指数具有重要的科学意义与应用价值。
发明内容
本发明的目的在于提供一种地形校正植被指数构造方法,该方法可消除地形影响,免除了对基于DEM数据的地形校正方法的依赖,可准确、快速反演山区的植被信息。
本发明的特征在于:一种地形校正植被指数的构造方法,其特征在于:该方法包括以下步骤:
(1)根据获得的光学遥感影像数据源,进行不同程度的辐射校正;
(2)对非植被暗物质进行判别与处理;
(3)进行地形校正植被指数TCVI的计算;
步骤(1)按照以下方法进行辐射校正:如果有辐射亮度计算参数,则可以从遥感影像各波段数据的DN值计算出有关波段数据的辐射亮度值;如果进一步有关于表观反射率的计算参数,则可进一步计算出有关波段的大气层顶表观反射率。辐射校正可以提高地形校正植被指数的最终反演精度,因此第一步根据源数据的具体情况尽可能求得表观反射率结果,其次为辐射亮度结果,最差则直接利用影像数据的DN值;
步骤(2)按照以下方法判断和处理暗物质:如果研究区没有水体或者居民区等暗物质则直接转入第三步处理,如果有水体或者居民区等非植被的暗物质存在,则进行掩膜处理;
步骤(3)按照以下方法计算地形校正植被指数TCVI:
阴影植被指数SVI=[MAX(ρr)-ρr]/ρr…………………………………………………(1)
归一化植被指数NDVI=(ρnir-ρr)/(ρnir+ρr)………………………………………(2)
比值植被数RVI=ρnir/ρr ………………………………………………………………(3)
其中:ρr-波段的表观反射率值,
MAX(ρr)-研究区红波段表观反射率的最大值,
ρnir-近红外波段的表观反射率值,
由此推导地形校正植被指数TCVI公式如下:
TCVI=CVI+TCC*SVI…………………………………………………………………………(4)
其中TCC-地形校正因子,
由于常用植被指数CVI主要有归一化植被指数NDVI和比值植被指数RVI,因此公式(4)可演化为(5)和(6):
TCNDVI=NDVI+TCC*SVI……………………………………………………(5)
TCRVI=RVI+TCC*SVI………………………………………………………(6)
所述地形校正因子TCC采用地统计学方法确定,方法如下:首先,分析遥感影像地物特征,区分影像中的阴坡与阳坡;其次,进行野外实地考察、或者利用有关部门的地面调查数据,确定植被类型与长势一致的阴坡与阳坡空间位置与分布范围;然后,令他们的TCVI值相等,由于CVI和SVI值已知,由公式(4)即可确定TCC最优值。
本发明所具有的优点有:
1、地形校正效果显著。该指数方法中的阴影植被指数对山体阴坡植被信息的增益与常用植被指数在山体阴坡植被信息的缩减呈一定比例或函数关系,因此其对植被信息的地形校正效果适宜,能有效消除山区遥感影像中山体阴坡与阳坡的植被信息差异,有效克服了地形影响对植被信息的干扰。
2、数据需求少。该指数方法只需要遥感影像自身携带的红波段与近红外波段两个波段数据,无需异源数据的支持,如常规地形校正方法必需的高精度DEM数据,大气校正方法需要的高精度大气参数数据等。因此,数据经济成本可以达到最小,几乎适用于所有光学遥感影像。
3、兼具大气校正效果。由于阴影植被指数具有将小值变大的独特功能,遥感影像中受地形影响和大气影响导致植被信息减弱的区域将得到有效补偿,因此地形校正植被指数方法不仅具备地形校正效果还具有一定程度的大气校正效果。实验表明,地形校正植被指数对山区植被信息的反演精度高于大气校正过的常用植被指数反演的精度,尤其是TCRVI指数,其对山区植被信息反演的精度显著高于大气校正过的RVI指数。
4、适用性广。地形校正植被指数方法可以适用于表观反射率数据,也可以应用于辐射亮度值数据与DN值数据,这为一些缺乏地面定标参数的传感器在山区植被信息的定量反演等方面的应用提供了重要手段。因为缺乏地面定标参数,大气校正方法往往受到限制。另外,地形校正植被指数中的常用植被指数CVI除了NDVI和RVI外,还可以采用其它的植被指数,如抗大气植被指数系列、土壤调节植被指数系列等,因此地形校正植被指数方法具有良好的扩展性。
附图说明
图1为本发明的实现流程图。
具体实施方式
本发明的地形校正植被指数的构造方法,该方法包括以下步骤:
(1)影像辐射校正,对应图1中的①,根据获取的光学遥感影像数据源的情况,进行不同程度的辐射校正。如果有辐射亮度计算参数,如传感器各波段的Gain和Bias参数,则可以从遥感影像各波段数据的DN值计算出有关波段数据的辐射亮度值;如果进一步有关于表观反射率的计算参数,如大气层顶相应波长的太阳光谱辐照度等参数,则可进一步计算出有关波段的大气层顶表观反射率。辐射校正可以提高地形校正植被指数的最终反演精度,因此第一步根据源数据的具体情况尽可能求得表观反射率结果,其次为辐射亮度结果,最差则直接利用影像数据的DN值。例如,对于常用的Landsat TM遥感数据,可以在源数据的头文件中获得有关太阳高度角、太阳方位角、影像获取时间、各波段的Gain和Bias等参数,然后利用ENVI软件中Landsat TM Calibration模块分别计算得到辐射亮度值与表观反射率值。本专利发明的案例采用表观反射率结果进行处理,实际应用中,对于采用辐射亮度值或者DN值数据的情况,依此类推。
(2)水体等非植被暗物质判别与处理,对应图1中的②。非植被暗物质是指影像中亮度值最小的地类,如水体、居民区等,不包括影像中的阴坡植被。地形校正植被指数的干扰因素主要是遥感影像中的水体等暗物质的影响,因此第二步主要是分析研究区遥感影像的地物类别与特征。如果研究区没有水体或者居民区等暗物质则直接转入第三步处理,如果有水体或者居民区等非植被的暗物质存在,则进行掩膜处理。掩膜处理可以采用非监督分类、监督分类、归一化植被指数NDVI阈值判别和目视解译等方法进行。实际山地丘陵地区非植被暗物质较少,主要是水体,如河流、湖泊、水库等,因此利用非监督分类、监督分类、归一化植被指数NDVI阈值判别和目视解译这些方法可以有效将其提取、掩膜。
(3)地形校正植被指数TCVI计算,对应图1中的③。主要包括阴影植被指数SVI,常用植被指数CVI,地形校正因子TCC的计算;常用植被指数CVI主要有归一化植被指数NDVI和比值植被指数RVI,其主要计算公式如下:
SVI=[MAX(ρr)-ρr]/ρr (1)
NDVI=(ρnir-ρr)/(ρnir+ρr) (2)
RVI=ρnir/ρr (3)
ρr-红波段的表观反射率值,MAX(ρr)指研究区红波段表观反射率的最大值,ρnir-近红外波段的表观反射率值,由此推导地形校正植被指数TCVI公式如下
TCVI=CVI+TCC*SVI (4)
TCC-地形校正因子,由于常用植被指数CVI主要有归一化植被指数NDVI和比值植被指数RVI,因此公式(4)可演化为(5)和(6)
TCNDVI=NDVI+TCC*SVI (5)
TCRVI=RVI+TCC*SVI (6)
TCC值的计算结果将决定地形校正植被指数TCVI的最终效果,如果TCC值偏大,则TCVI可能地形校正过度,反之则可能地形校正不足。确定TCC值的方法主要采用地统计学方法确定。其理论基础是:在遥感影像的阴坡与阳坡总可以找到植被类型与长势一致的地块,这样的地块他们的TCVI值相等或相近。具体处理步骤是:首先,分析遥感影像地物特征,区分影像中的阴坡与阳坡;其次,进行野外实地考察、或者利用有关部门的地面调查数据,确定植被类型与长势一致的阴坡与阳坡空间位置与分布范围;然后,令他们的TCVI值相等,由于CVI和SVI值已知,由公式(4)即可确定TCC最优值;最后可以得到TCVI结果。
Claims (4)
1.一种地形校正植被指数的构造方法,其特征在于:该方法包括以下步骤:
(1)根据获得的光学遥感影像数据源,进行不同程度的辐射校正;
(2)对非植被暗物质进行判别与处理;
(3)进行地形校正植被指数TCVI的计算;
步骤(1)按照以下方法进行辐射校正:如果有辐射亮度计算参数,则可以从遥感影像各波段数据的DN值计算出有关波段数据的辐射亮度值;如果进一步有关于表观反射率的计算参数,则可进一步计算出有关波段的大气层顶表观反射率,辐射校正可以提高地形校正植被指数的最终反演精度,因此第一步根据源数据的具体情况尽可能求得表观反射率结果,其次为辐射亮度结果,最差则直接利用影像数据的DN值;
步骤(2)按照以下方法判断和处理暗物质:如果研究区没有水体或者居民区等暗物质则直接转入第三步处理,如果有水体或者居民区等非植被的暗物质存在,则进行掩膜处理;
步骤(3)按照以下方法计算地形校正植被指数TCVI:
阴影植被指数SVI=[MAX(ρr)-ρr]/ρr…………………………………………………………(1)
归一化植被指数NDVI=(ρnir-ρr)/(ρnir+ρr)………………………………………………(2)
比值植被指数RVI=ρnir/ρr ……………………………………………………………………(3)
其中:ρr-红波段的表观反射率值,
MAX(ρr)-研究区红波段表观反射率的最大值,
ρnir-近红外波段的表观反射率值,
由此推导地形校正植被指数TCVI公式如下:
TCVI=CVI+TCC*SVI…………………………………………………………………………………(4)
其中TCC-地形校正因子,
由于常用植被指数CVI主要有归一化植被指数NDVI和比值植被指数RVI,因此公式(4)可演化为(5)和(6):
TCNDVI=NDVI+TCC*SVI ……………………………………………………………………………(5)
TCRVI=RVI+TCC*SVI ………………………………………………………………………………(6)
所述地形校正因子TCC采用地统计学方法确定,方法如下:首先,分析遥感影像地物特征,区分影像中的阴坡与阳坡;其次,进行野外实地考察、或者利用有关部门的地面调查数据,确定植被类型与长势一致的阴坡与阳坡空间位置与分布范围;然后,令他们的TCVI值相等,由于CVI和SVI值已知,由公式(4)即可确定TCC最优值。
2.根据权利要求1所述的地形校正植被指数的构造方法,其特征在于:所述辐射亮度计算参数为传感器各波段的Gain和Bias参数。
3.根据权利要求1所述的地形校正植被指数的构造方法,其特征在于:所述表观反射率的计算参数为大气层顶相应波长的太阳光谱辐照度参数。
4.根据权利要求1所述的地形校正植被指数的构造方法,其特征在于:掩膜处理可以采用非监督分类、监督分类、归一化植被指数NDVI阈值判别和目视解译的方法进行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910111688XA CN101561502B (zh) | 2009-05-07 | 2009-05-07 | 地形校正植被指数的构造方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910111688XA CN101561502B (zh) | 2009-05-07 | 2009-05-07 | 地形校正植被指数的构造方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101561502A CN101561502A (zh) | 2009-10-21 |
CN101561502B true CN101561502B (zh) | 2011-08-24 |
Family
ID=41220384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910111688XA Expired - Fee Related CN101561502B (zh) | 2009-05-07 | 2009-05-07 | 地形校正植被指数的构造方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101561502B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101788553B (zh) * | 2010-03-02 | 2012-11-21 | 中国农业大学 | 排土场植被指数与土壤养分空间多尺度分析方法 |
CN101832769B (zh) * | 2010-03-30 | 2011-12-28 | 中国农业大学 | 一种基于近景摄影估算矿区植被覆盖度的方法和系统 |
CN101825702B (zh) * | 2010-05-24 | 2012-11-21 | 福州大学 | 地形调节植被指数的地形调节优化方法 |
CN102590801B (zh) * | 2012-01-18 | 2013-09-11 | 中国人民解放军61517部队 | 阴影光谱模拟方法 |
CN102721650B (zh) * | 2012-06-13 | 2014-05-14 | 中国地质科学院矿产资源研究所 | 基于特征指标的矿物成分遥感信息提取方法及装置 |
CN102708307B (zh) * | 2012-06-26 | 2015-07-01 | 上海大学 | 一种应用于城市的植被指数构造方法 |
CN103793907B (zh) * | 2013-12-12 | 2017-04-19 | 中国科学院深圳先进技术研究院 | 一种水体信息的提取方法及装置 |
CN103955896A (zh) * | 2014-04-22 | 2014-07-30 | 中国资源卫星应用中心 | 一种提升卫星图像视觉效果的真彩色增强方法 |
CN105069463A (zh) * | 2015-07-17 | 2015-11-18 | 重庆交通大学 | 基于面向对象的多尺度山地城市土地覆盖信息的获取方法 |
CN105487066B (zh) * | 2015-11-20 | 2018-02-09 | 福州大学 | 一种新型tavi地形调节因子优化算法 |
CN106324614B (zh) * | 2016-08-10 | 2018-08-17 | 福州大学 | 一种新的tavi组合算法 |
WO2018028191A1 (zh) | 2016-08-10 | 2018-02-15 | 福州大学 | 一种基于波段比模型和太阳高度角的tavi计算方法 |
CN108151719B (zh) * | 2017-12-07 | 2019-07-19 | 福州大学 | 一种验证地形阴影校正效果的方法 |
CN108333140B (zh) * | 2018-02-01 | 2020-10-09 | 福州大学 | 用于刚竹毒蛾危害检测的特征光谱指数及检测方法 |
CN109211802B (zh) * | 2018-09-13 | 2021-03-02 | 航天信德智图(北京)科技有限公司 | 监测感染松材线虫病枯死马尾松的方法 |
CN109543654B (zh) * | 2018-12-14 | 2023-04-18 | 常州大学 | 一种反映农作物生长状况的改进型植被指数的构建方法 |
CN110634077B (zh) * | 2019-07-29 | 2022-12-13 | 中国地质大学(武汉) | 一种基于混合植被指数计算植被指数的方法 |
CN112986241B (zh) * | 2021-02-22 | 2022-05-20 | 西南交通大学 | 一种抗地形效应与背景影响的新型植被指数的校正方法 |
CN113592737B (zh) * | 2021-07-27 | 2024-04-30 | 武汉理工大学 | 一种基于熵权法的遥感影像地形校正效果评价方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1731216A (zh) * | 2005-08-19 | 2006-02-08 | 广州地理研究所 | 一种大面积作物种植面积及其产量的遥感检测估算方法 |
CN101424741A (zh) * | 2008-12-08 | 2009-05-06 | 中国海洋大学 | 卫星遥感海雾特征量的实时提取方法 |
-
2009
- 2009-05-07 CN CN200910111688XA patent/CN101561502B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1731216A (zh) * | 2005-08-19 | 2006-02-08 | 广州地理研究所 | 一种大面积作物种植面积及其产量的遥感检测估算方法 |
CN101424741A (zh) * | 2008-12-08 | 2009-05-06 | 中国海洋大学 | 卫星遥感海雾特征量的实时提取方法 |
Non-Patent Citations (3)
Title |
---|
刘小平等.基于TM影象的快速大气校正方法.《地理科学》.2005,第25卷(第1期),第87-91页. * |
江洪.以FCD模型从SPOT影像提取植被覆盖率的方法.《地球信息科学》.2005,第7卷(第4期),第113-116页. * |
陈蕾等.TM 影像与DEM 的地形光照模型配准法研究—以广州市为例.《热 带 地 理》.2008,第28卷(第3期),第223-225页. * |
Also Published As
Publication number | Publication date |
---|---|
CN101561502A (zh) | 2009-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101561502B (zh) | 地形校正植被指数的构造方法 | |
CN102708307B (zh) | 一种应用于城市的植被指数构造方法 | |
Byrd et al. | Evaluation of sensor types and environmental controls on mapping biomass of coastal marsh emergent vegetation | |
Zhang et al. | Object-based approach to national land cover mapping using HJ satellite imagery | |
CN110186823A (zh) | 一种气溶胶光学厚度反演方法 | |
CN110136194A (zh) | 基于星载多光谱遥感数据的积雪覆盖度测算方法 | |
Chen et al. | Mapping forest and their spatial–temporal changes from 2007 to 2015 in tropical hainan island by integrating ALOS/ALOS-2 L-Band SAR and landsat optical images | |
CN101825702B (zh) | 地形调节植被指数的地形调节优化方法 | |
Xu et al. | Regional crop yield assessment by combination of a crop growth model and phenology information derived from MODIS | |
CN108458978A (zh) | 基于敏感波段和波段组合最优的树种多光谱遥感识别方法 | |
Wang et al. | Mapping paddy rice with the random forest algorithm using MODIS and SMAP time series | |
Xiao et al. | Spatio-temporal differences in cloud cover of Landsat-8 OLI observations across China during 2013–2016 | |
Hwang et al. | Expanding vegetated areas by human activities and strengthening vegetation growth concurrently explain the greening of Seoul | |
Wang et al. | An automated extraction of small-and middle-sized rice fields under complex terrain based on SAR time series: A case study of Chongqing | |
Qi et al. | Soil salinity inversion in coastal cotton growing areas: An integration method using satellite‐ground spectral fusion and satellite‐UAV collaboration | |
Luo et al. | Mapping the soil organic matter content in a typical black-soil area using optical data, radar data and environmental covariates | |
Kılıç et al. | An integrated framework to identify and map gullies in a Mediterranean region of Turkey | |
Hassan et al. | Application of Landsat-7 ETM+ and MODIS products in mapping seasonal accumulation of growing degree days at an enhanced resolution | |
Ou et al. | Landsat 8-based inversion methods for aerosol optical depths in the Beijing area | |
CN105487066B (zh) | 一种新型tavi地形调节因子优化算法 | |
CN106600586A (zh) | 一种基于太阳高度角的tavi调节因子算法 | |
Victor et al. | An application of GIS-based multi-criteria decision making approach for land evaluation and suitability mapping for Rice cultivation in Oye-Ekiti, Nigeria | |
Lee et al. | Two-step carbon storage estimation in urban human settlements using airborne LiDAR and Sentinel-2 data based on machine learning | |
Hou et al. | Soil types extraction based on MODIS image | |
Bao et al. | A fine digital soil mapping by integrating remote sensing-based process model and deep learning method in Northeast China |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110824 Termination date: 20170507 |