CN103699875B

CN103699875B - 多曝光量智能遥感数据的积雪提取方法和系统

Info

Publication number: CN103699875B
Application number: CN201310597763.4A
Authority: CN
Inventors: 王世新; 周艺; 阎福礼; 王丽涛; 王峰
Original assignee: Institute of Remote Sensing and Digital Earth of CAS
Current assignee: Institute of Remote Sensing and Digital Earth of CAS
Priority date: 2013-11-22
Filing date: 2013-11-22
Publication date: 2016-08-17
Anticipated expiration: 2033-11-22
Also published as: CN103699875A

Abstract

本发明涉及一种多曝光量智能遥感数据的积雪提取方法和系统，该方法通过确定多曝光量图像数据特征以及积雪提取算法敏感性计算，以进行多曝光量数据归一化，构建面向多曝光量智能数据的积雪面积提取算法，形成多时相积雪提取算法，进而提取积雪面积。本发明的方法和系统基于曝光量调控对图像质量的影响和积雪地物的DN值光谱响应规律，实现了多曝光量数据协同的高精度和高稳定性的积雪面积多时相提取。

Description

多曝光量智能遥感数据的积雪提取方法和系统

技术领域

本发明涉及灾害遥感技术领域，特别是一种多曝光量智能遥感数据的积雪提取方法和系统。

背景技术

积雪面积是衡量雪灾灾情的重要因子，是灾害遥感监测领域的重要内容。与其它地物覆盖类型不同，积雪覆盖具有独特的光谱特性，表现在可见光范围内的高反射率，在近红外反射率逐渐下降，在短波红外区域下降更低，积雪的这一光谱特性是积雪面积光学遥感监测的物理基础。目前利用传统遥感卫星数据开展积雪面积监测工作，如NOAA（陈贤章，1990）、Terra/AquaMODIS（Hall，1999；Salomoson，2004；）、LandsatTM（冯学智，1998；2000）、环境卫星（王丽涛，2012）、EO-1/Hyperion（Negi，2012）等的绿-短波红外波段、短波红外-中长波红外数据构建类似NDSI积雪指数，或者利用多光谱监督分类、单波段DN值阈值分割等方法构建提取模型，实现积雪提取。上述方法都是利用传统遥感卫星具有的成像参数恒定、曝光量稳定的遥感数据特征，实现积雪面积的高精度提取。

新的智能遥感卫星能够根据地表辐射特征，调整曝光量，实现多曝光量智能成像，具有曝光量多样的成像特点，由于不同时相的CCD数据分别具有不同的曝光量，同一积雪像元具有不同的DN值（Digital Number，遥感影像像元亮度值），多曝光量智能遥感CCD数据与传统遥感数据存在较大数据特征差异，遥感图像具有其特有的数据特征，原有的遥感算法已经不适用新的图像数据特征，无法实现高精度的地表参数反演，即传统的积雪面积提取模型和算法无法实现高精度的多时相积雪面积提取。对于强反射地物的积雪而言，增加曝光量能够增大阴影积雪中可见光波段与可见光以外波段（如近红外、短波红外）之间的光谱差异，能够有效提高阴影中的积雪遥感光谱特征，有利于阴影积雪的识别，但是由于阳面积雪强反射容易造成阳面积雪像元在多个波段的“图像饱和”，直接造成波段之间的光谱差异减小或消失，导致原有利用光谱差异识别积雪的算法无法高精度识别阳面积雪。需要分析和利用多曝光数据特征，建立能够适应多曝光量变化的积雪识别算法。目前已经设计和应用不同曝光量的智能观测系统（童菲，2009；赵葆常，2011），并对不同曝光时间引起的图像噪声、信噪比、MTF的变化、图像定标精度都开展了相当程度的研究（刘亚侠，2005；韩彩芹，2008；薛旭成，2011），但这些工作大都属于先进的精密光学工程技术，不是业务化的地面参数遥感反演技术，与多曝光量智能数据的地面遥感应用尚有一段距离。目前，在地面遥感应用方面，不仅对不同波段的多曝光量智能数据的积雪地物光谱响应规律缺乏研究，对积雪图像的多曝光量数据特征也不十分明确，更还没有开展针对强反射地物（积雪）的多曝光量数据的地面实际遥感应用的提取方法研究。

发明内容

本发明针对传统遥感的积雪提取方法无法对多曝光量智能遥感数据持续实现高精度地多时相积雪提取的问题，提供一种多曝光量智能遥感数据的积雪提取方法，基于曝光量调控对图像质量的影响和积雪地物的DN值光谱响应规律，实现了多曝光量数据协同的高精度积雪面积多时相提取。本发明还涉及一种多曝光量智能遥感数据的积雪提取系统。

本发明的技术方案如下：

一种多曝光量智能遥感数据的积雪提取方法，其特征在于，该方法通过确定多曝光量图像数据特征以及积雪提取算法敏感性计算，以进行多曝光量数据归一化，构建面向多曝光量智能数据的积雪面积提取算法，形成多时相积雪提取算法，进而提取积雪面积。

所述方法包括下述步骤：

第一步骤，是计算多曝光量智能遥感数据的曝光数据特征；

第二步骤，依据得到的曝光数据特征，利用积雪面积反演技术，计算积雪提取算法敏感性；

第三步骤，是将所述的多曝光量智能遥感数据的归一化，构建面向多曝光量智能遥感数据的积雪面积提取算法；

第四步骤，形成多时相多模态积雪提取算法，提取积雪面积。

所述第一步骤为通过卫星遥感成像时间和卫星CCD载荷成像参数，计算卫星智能观测CCD图像数据的曝光参数，确定不同曝光参数下的图像数据特征；

和/或，所述第二步骤中对积雪提取算法敏感性计算为通过建立积雪面积提取精度指数的方法，评估不同算法的积雪提取精度，确定高精度积雪面积提取的敏感波段和算法形式；

和/或，所述第三步骤为确定多曝光量智能遥感数据的波段DN值的归一化方法和定量算法，构建适合不同曝光量模式的积雪面积提取方法；

和/或，所述第四步骤为利用多曝光量智能遥感数据的积雪提取算法，形成多时相多模态积雪提取算法，提取积雪面积。

所述第一步骤中的图像数据特征包括信噪比、均值和清晰度，在确定不同曝光参数下的图像数据特征后，还分析不同曝光参数条件下的图像的信噪比、均值和清晰度的定量变化情况。

所述第二步骤中的评估不同算法的积雪提取精度包括对比评估单一曝光量的单波段算法、单一曝光量的波段组合算法以及多曝光量波段协同算法积雪提取精度；所述确定高精度积雪面积提取的敏感波段和算法形式为确定积雪提取面积敏感性最高的曝光量及其波段和算法。

所述第三步骤以第二步骤确定的积雪提取面积敏感性最高的曝光量及其波段和算法为基准，确定多曝光量智能遥感数据的波段DN值的归一化方法和定量算法，并根据第一步骤中确定的不同曝光参数下的图像数据特征，建立低曝光量、中曝光量以及高曝光量图像数据的归一化模型。

所述第四步骤是利用第三步骤中的多曝光量智能遥感数据的积雪提取算法，形成多时相情况下的低曝光量、中曝光量以及高曝光量图像数据积雪提取模型和算法，提取积雪面积。

一种多曝光量智能遥感数据的积雪提取系统，其特征在于，包括

第一装置，用于计算多曝光量智能遥感数据的曝光数据特征；

第二装置，用于依据第一装置得到的曝光数据特征，并利用积雪面积反演技术，计算积雪提取算法敏感性；

第三装置，用于将所述的多曝光量智能遥感数据的归一化，构建面向多曝光量智能遥感数据的积雪面积提取算法；

第四装置，用于形成多时相多模态积雪提取算法，提取积雪面积。

所述第一装置通过卫星遥感成像时间和卫星CCD载荷成像参数，计算卫星智能观测CCD图像数据的曝光参数，确定不同曝光参数下的图像数据特征；所述第二装置通过建立积雪面积提取精度指数的方法，评估不同算法的积雪提取精度，确定高精度积雪面积提取的敏感波段和算法形式；所述第三装置为确定多曝光量智能遥感数据的波段DN值的归一化方法和定量算法，构建适合不同曝光量模式的积雪面积提取方法；所述第四装置利用多曝光量智能遥感数据的积雪提取算法，形成多时相多模态积雪提取算法，提取积雪面积。

所述第一装置中的图像数据特征包括信噪比、均值和清晰度，第一装置在确定不同曝光参数下的图像数据特征后，还分析不同曝光参数条件下的图像的信噪比、均值和清晰度的定量变化情况；所述第二装置中的评估不同算法的积雪提取精度包括对比评估单一曝光量的单波段算法、单一曝光量的波段组合算法以及多曝光量波段协同算法积雪提取精度；所述第二装置中的确定高精度积雪面积提取的敏感波段和算法形式为确定积雪提取面积敏感性最高的曝光量及其波段和算法。

本发明的技术效果如下：

本发明涉及一种多曝光量智能遥感数据的积雪提取方法，基于曝光量调控对图像质量的影响和积雪地物的DN值光谱响应规律，通过确定多曝光量图像数据特征以及积雪提取算法敏感性计算，并进行多曝光量CCD数据归一化，构建面向多曝光量智能数据的积雪面积提取算法，形成多时相积雪提取算法，进而提取积雪面积。通过曝光量调控，或者说是通过调节成像参数，实现了不同曝光量成像，造成同一地物像元能够具有不同的光谱记录值，具有了不同的图像特征、地物光谱特征，在积雪面积反演中，分别具有不同的反演精度，通过计算积雪面积提取算法的敏感性，并利用多曝光量图像数据特征，建立了标准化的归一化方法，能够适应不同曝光量智能观测数据的多时相积雪面积提取，以较高的精度稳定地实现多时相积雪面积的提取。本发明将多曝光量智能数据应用于地面遥感领域，避免了传统遥感的积雪提取模型和算法无法对多曝光量智能遥感数据持续实现高精度地多时相积雪提取的问题，本发明通过获取不同曝光量的图像数据，在开展多时相积雪面积监测过程中，充分考虑到不同时相的图像数据分别具有不同的曝光量，同一积雪像元具有不同的DN值，体现了积雪地物目标的多曝光量光谱响应特征，构建多曝光量的积雪面积提取模型和算法敏感性的方法，对不同曝光量数据协同的高精度多时相积雪监测，充分应用多曝光量智能遥感数据光谱波段的积雪面积提取优势，实现了多曝光量波段数据协同的高精度积雪面积多时相提取；而且通过多曝光量智能数据的DN值归一化，实现了多曝光量数据归一化的多时相积雪面积提取。

本发明还涉及一种多曝光量智能遥感数据的积雪提取系统，包括第一装置、第二装置、第三装置和第四装置，分别通过多曝光量数据的曝光特征计算、敏感性计算、多曝光量数据归一化，构建了面向多曝光量智能数据的积雪面积提取模型，实现了多曝光量数据协同的高精度积雪面积多时相提取。本发明所述系统针对同一积雪地物目标的多曝光量图像，利用多曝光量CCD图像的数据特征，不仅积雪面积的提取精度较高，而且提取精度的一致性极其稳定，能够实现稳定、高精度的多时相积雪面积提取。

附图说明

图1是本发明多曝光量智能遥感数据的积雪提取方法的流程图。

图2是本发明多曝光量智能遥感数据的积雪提取方法的优选流程图。

具体实施方式

下面结合附图对本发明进行说明。

本发明涉及一种多曝光量智能遥感数据的积雪提取方法，该方法通过确定多曝光量图像数据特征以及积雪提取算法敏感性计算，以进行多曝光量数据归一化，构建面向多曝光量智能数据的积雪面积提取算法，形成多时相积雪提取算法，进而提取积雪面积。其流程图如图1所示，该方法是专门针对多曝光量CCD图像数据的地表参数定量反演技术，包括：第一步骤，是计算多曝光量智能遥感数据的曝光数据特征；第二步骤，依据得到的曝光数据特征，利用积雪面积反演技术，计算积雪提取算法敏感性；第三步骤，是将所述的多曝光量智能遥感数据的归一化，构建面向多曝光量智能遥感数据的积雪面积提取算法；第四步骤，形成多时相多模态积雪提取算法，提取积雪面积。

其中，第一步骤，理解为是多曝光量智能遥感数据的曝光数据特征计算步骤，可以通过卫星遥感成像时间、卫星CCD载荷成像参数等，计算卫星智能观测CCD图像数据的曝光参数，确定不同曝光参数下的图像数据特征；

第二步骤，理解为是积雪提取算法敏感性计算步骤，依据第一步骤得到的曝光数据特征，并利用积雪面积反演技术，通过建立积雪面积提取精度指数（Area ExtractionPrecision Index，AEPI）的方法，评估不同算法的积雪提取精度，确定高精度积雪面积提取的敏感波段和算法形式；

第三步骤，理解为是多曝光数据智能观测数据的归一化步骤，包括确定多曝光量智能遥感数据的波段DN值的归一化方法和定量算法，构建适合不同曝光量模式的积雪面积提取方法；

第四步骤，理解为是多时相多模态积雪面积提取步骤，主要利用多曝光量智能遥感数据的积雪提取算法，形成多时相多模态积雪提取模型和算法，提取积雪面积。

以下以北京1号卫星为例，通过其获取多曝光量智能遥感数据，结合图2所示流程，详细说明本发明所述的多曝光量智能遥感数据的积雪提取方法。

第一步骤，多曝光量智能遥感数据的曝光数据特征计算步骤：

通过北京1号卫星遥感成像的年、月、日、时、分、秒时间、北京1号卫星CCD载荷参数等，计算北京1号卫星智能观测CCD图像数据的曝光参数PARAMETER_exposure，确定不同曝光参数下的图像数据特征IMG_i。

计算公式如下：

PARAMETER_exposure=t*(sinδsinΦ+cosδcosΦcosτ)；

其中，t，成像积分时间；δ，太阳赤纬角；Φ，地理纬度；τ太阳时角。

其中，IMG_i为曝光数据特征；i=SNR（信噪比）、Ave（均值）、Def（清晰度）等评价指标，确定曝光响应特征，该信噪比、均值以及清晰度等参数可通过现有技术计算得出。

得到的IMG_i为系列比值，在确定不同曝光参数下的图像数据特征后，还总结分析不同曝光参数条件下的图像的均值、信噪比、清晰度等的定量变化规律，如均值等的倍数multiply，这是模型系数的重要标准。

第二步骤，积雪提取算法敏感性计算步骤：

依据第一步骤得到的曝光数据特征，并利用积雪面积反演技术，通过建立积雪面积提取精度指数（Area Extraction Precision Index，AEPI）的方法，评估不同算法的积雪提取精度，换句话讲，就是构建提取精度评价指标Precision方法，评估不同波段、波段组合算法的积雪面积反演精度：

{Precision}_{j} = \frac{a_{j}}{c_{j} + b_{j} + a_{j}} + \frac{(a_{j} + b_{j} + c_{j} + d_{j}) (a_{j} + d_{j}) - (a_{j} + c_{j}) (a_{j} + b_{j}) - (d_{j} + c_{j}) (d_{j} + b_{j})}{{(a_{j} + b_{j} + c_{j} + d_{j})}^{2} - (a_{j} + c_{j}) (a_{j} + b_{j}) - (d_{j} + c_{j}) (d_{j} + b_{j})}

其中，Precision，代表面积提取精度，这是一种综合CSI评估算法和Kappa系数两种分类精度因素而得出的精度；j代表第j种波段组合和算法；a_j代表第j种算法正确识别的积雪面积；c_j代表第j种算法中错误识别为积雪的面积；b_j代表第j种算法中没有识别出来的积雪面积；d_j代表第j种算法中识别正确的非积雪地物面积。

（1）单一曝光量的单波段算法

低曝光量单波段算法、中曝光量数据单波段算法、高曝光量数据单波段算法：

Snow_band=a_band*DN_band+b_band；

Snow，代表积雪面积；DN，图像DN值；band，代表不同曝光量的单个波段（band分别为短、中、长积分的近红外、红、绿波段），其中，短积分即为低曝光量，中积分即为中曝光量，长积分即为高曝光量；a_band，b_band，为不同曝光量的单个波段调节系数，该数据是根据IMG得到，可以在1.0-20.0之间；积雪面积提取阈值在30.0-60.0之间。

（2）单一曝光量的波段组合算法

低曝光量波段组合算法、中曝光量波段组合算法、高曝光量波段组合算法：

Snow_k=a_k*DN_exposure1-i+b_k*DN_exposure1-j+c_k

Snow_k，代表第k种波段组合的积雪面积；DN，图像DN值；exposure1-i、exposure1-j分别代表曝光量为exposure1（exposure1为短、中、长积分时间）的第i、j个波段（i、j=NIR近红或Green，i≠j）；a_k，b_k，c_k分别代表第为曝光量为exposure1的波段组合算法的波段调节系数，该数据是根据IMG得到，调节系数在-200.0-300.0；积雪面积提取阈值在-30.0-120.0之间。

（3）多曝光量波段协同算法

采用不同曝光量遥感图像的波段数据进行交叉组合，实现不同曝光量数据的协同：

Snow_k=a_k*DN_exposure1-i+bk*DN_exposure2-j+c_k

Snow_k，代表第k种波段组合的积雪面积提取算法；DN，图像DN值；exposure1-i、exposure2-j代表曝光量为exposure1、exposure2（exposure1、exposure2=短、中、长积分时间，exposure1≠exposure2）的第i、j个波段（i、j=NIR或Green，i≠j）；a_k，b_k，c_k分别代表第k种曝光量协同算法的调节系数，该数据是根据IMG得到，调节系数在-100.0-100.0；积雪面积提取阈值在-10.0-100.0之间。

上述三种不同波段、波段组合算法得到的积雪面积是一种空间分布的形式，将其与已知的真实的积雪面积（如图2所示的环境卫星的CCD数据和红外数据经积雪光谱分析得到的真实值NDSI-SWIR）叠加比对，得到积雪面积提取精度公式中的a_j，b_j，c_j，d_j值，进而能够得到积雪面积提取精度Precision，对比评估不同曝光参数的波段算法及其提取精度，最终确定积雪面积敏感性最高的曝光量及其波段、算法：

Precision=MAX(Precision_algorithm1,Precision_algorithm2,Precision_algorithm3,......)；

第三步骤，多曝光数据智能观测数据的归一化步骤：

通过第二步骤确定的积雪提取面积敏感性最高的曝光量类型及其波段和算法，作为第三步骤归一化的基准，确定多曝光量智能遥感数据的波段DN值的归一化方法和定量算法，并根据第一步骤中确定的不同曝光参数下的图像数据特征，建立低曝光量、中曝光量以及高曝光量图像数据的归一化模型。

（1）低曝光量图像数据为归一化基准的模型：

DN_短=a1*DN_中+b1

DN_短=a2*DN_长+b2

其中，DN_短、DN_中、DN_长分别代表短、中、长积分（或者说是低、中、高曝光量）数据的DN值；设定a1、a2均为-2.0-3.0之间的系数；b1、b2均为-3.0-20.0之间的系数；

（2）中曝光量图像数据为归一化基准的模型：

DN_中=a3*DN_短+b3

DN_中=a4*DN_长+b4

其中，DN_短、DN_中、DN_长分别代表短、中、长积分数据的DN值；a3、a4均为1.0-2.0之间的系数；b3、b4均为21.0-90.0之间的系数；

（3）高曝光量图像数据为归一化基准的模型：

DN_长=a5*DN_短+b5

DN_长=a6*DN_中+b6

其中，DN_短、DN_中、DN_长分别代表短、中、长积分数据的DN值；a5、a6均为1.0-2.0之间的系数；b5、b6均为-50.0-90.0之间的系数。

第四步骤，多时相多模态积雪面积提取步骤：

主要利用第三步骤中的多曝光量智能遥感数据的积雪提取算法，形成多时相情况下的低曝光量、中曝光量以及高曝光量图像数据积雪提取模型和算法，提取积雪面积。

（1）低曝光量数据积雪提取模型：

DSnow_short=A1*DN_Green-short+B1*DN_NIR-short+C1；

其中，A1范围（0.8<A1<1.8）；B1范围（-1.2<B1<0.5）；C1范围（12.0<C1<90.0）。DSnow是积雪面积提取阈值，在70.0-102.0左右，精度优于90%。

（2）中曝光量数据积雪提取模型：

DSnow_middle=A2*DN_Green-middle+B2*DN_NIR-middle+C2；

其中，A2范围（0.5<A2<2.0）；B2范围（-1.2<B2<0.5）；C2范围（-80.0<C2<-30.0）。积雪面积提取阈值DSnow在70.0-102.0左右，精度优于90%。

（3）高曝光量数据积雪提取模型：

DSnow_long=A3*DN_Green-long+B3*DN_NIR-long+C3；

其中，A3范围（0.3<A3<1.2）；B3范围（-1.0<B3<0.4）；C3范围（-2.0<C3<30.0）。积雪面积提取阈值DSnow在70.0-102.0左右，精度优于90%。

上述三种模型中，DSnow代表积雪提取面积，其下标的Short、middle和long分别代表短积分数据、中、长积分时间；DN，代表图像DN值，下标的green-short、green-middle和green-long，分别代表短、中、长积分（或者说是低、中、高曝光量）的绿波段。

经过上述具体实施步骤是以北京1号卫星为例，该卫星具有调整曝光参数的智能遥感成像能力，能够获取不同曝光量的CCD数据。在利用北京1号卫星CCD数据开展多时相积雪面积监测过程中，由于不同时相的CCD数据分别具有不同的曝光量，同一积雪像元具有不同的DN值，传统的积雪面积提取模型和算法无法实现高精度的多时相积雪面积提取。以下进行实验数据比对：

（1）传统积雪提取算法的多曝光量提取精度

利用标准的NDSI（积雪指数）提取的积雪面积作为“真实值”，构建了面向传统遥感数据的积雪覆盖算法来提取雪盖信息：

DSNOW_NIR=DN_Green-DN_NIR;

该算法应用到传统的卫星遥感数据，进行积雪面积提取，阈值在20.0-100.0其总体分类精度（Overall Accuracy）83.77%，积雪提取精度（CSI）63.61%，kappa系数达到65.44%。

将此算法（阈值）应用到不同曝光量的北京星（北京1号卫星）数据，分别达到的积雪面积提取精度如表1所示：

表1

可以看到，针对同一积雪地物目标的多曝光量图像，不仅积雪面积的提取精度较低，而且提取精度的一致性很差，无法实现稳定、高精度的多时相积雪面积提取。

（2）本发明多时相多曝光量积雪提取方法的积雪提取精度

通过计算北京1号卫星的曝光参数、曝光特征，计算积雪提取算法的敏感性，实现多时相智能数据记录值的归一化，实现不同数据积雪面积反演精度的统一，建立了针对北京1号卫星的时相多曝光量智能遥感数据的积雪提取方法，提取精度如表2所示：

表2

通过表1和表2可以看到，针对同一积雪地物目标的多曝光量图像，本发明不仅积雪面积的提取精度较高，而且提取精度的一致性极其稳定，能够实现稳定、高精度的多时相积雪面积提取。

本发明还涉及一种多曝光量智能遥感数据的积雪提取系统，该系统与本发明上述方法相对应，也可以理解为是实现本发明多曝光量智能遥感数据的积雪提取方法的系统，本发明所述系统包括第一装置、第二装置、第三装置和第四装置，该系统的工作原理课参考图1和图2，可将图2中的第一步骤、第二步骤、第三步骤和第四步骤，修改为第一装置、第二装置、第三装置和第四装置。

第一装置，用于计算多曝光量智能遥感数据的曝光数据特征，具体是通过卫星遥感成像时间和卫星CCD载荷成像参数，计算卫星智能观测CCD图像数据的曝光参数PARAMETER_exposure，确定不同曝光参数下的图像数据特征IMG；该图像数据特征包括信噪比、均值和清晰度等，第一装置在确定不同曝光参数下的图像数据特征后，还分析不同曝光参数条件下的图像的信噪比、均值和清晰度的定量变化情况；

第二装置，用于依据第一装置得到的曝光数据特征，并利用积雪面积反演技术，计算积雪提取算法敏感性，可以是通过建立积雪面积提取精度指数的方法，评估不同算法的积雪提取精度，确定高精度积雪面积提取的敏感波段和算法形式；评估不同算法的积雪提取精度包括对比评估单一曝光量的单波段算法、单一曝光量的波段组合算法以及多曝光量波段协同算法积雪提取精度，确定积雪提取面积敏感性最高的曝光量及其波段和算法；

第三装置，用于将所述的多曝光量智能遥感数据的归一化，具体是以第二装置确定的积雪提取面积敏感性最高的曝光量类型及其波段和算法为基准，确定多曝光量智能遥感数据的波段DN值的归一化方法和定量算法，并根据第一步骤中确定的不同曝光参数下的图像数据特征，建立低曝光量、中曝光量以及高曝光量图像数据的归一化模型，构建面向多曝光量智能遥感数据的积雪面积提取算法；

第四装置，用于形成多时相多模态积雪提取算法，利用第三装置构建的多曝光量智能遥感数据的积雪提取算法，形成多时相情况下的低曝光量、中曝光量以及高曝光量图像数据积雪提取模型和算法，提取积雪面积。

本发明所述系统针对同一积雪地物目标的多曝光量图像，体现了积雪地物目标的多曝光量光谱响应特征，通过第一装置和第二装置构建多曝光量的积雪面积提取模型和算法敏感性的算法，实现了多曝光量波段数据协同的高精度积雪面积多时相提取，而且通过第三装置对多曝光量智能数据的DN值归一化，实现了多曝光量数据归一化的多时相积雪面积提取，配合第四装置能够实现稳定、高精度的多时相积雪面积提取，具有积雪面积的提取精度较高，提取精度的一致性极其稳定的优点。

应当指出，以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明创造，但不以任何方式限制本发明创造。因此，尽管本说明书参照附图和实施例对本发明创造已进行了详细的说明，但是，本领域技术人员应当理解，仍然可以对本发明创造进行修改或者等同替换，总之，一切不脱离本发明创造的精神和范围的技术方案及其改进，其均应涵盖在本发明创造专利的保护范围当中。

Claims

1.一种多曝光量智能遥感数据的积雪提取方法，其特征在于，该方法通过确定多曝光量图像数据特征以及积雪提取算法敏感性计算，以进行多曝光量数据归一化，构建面向多曝光量智能数据的积雪面积提取算法，形成多时相积雪提取算法，进而提取积雪面积。

2.根据权利要求1所述的方法，其特征在于，所述方法包括下述步骤：

第一步骤，是计算多曝光量智能遥感数据的曝光数据特征；

3.根据权利要求2所述的方法，其特征在于，所述第一步骤为通过卫星遥感成像时间和卫星CCD载荷成像参数，计算卫星智能观测CCD图像数据的曝光参数，确定不同曝光参数下的图像数据特征；

4.根据权利要求3所述的方法，其特征在于，所述第一步骤中的图像数据特征包括信噪比、均值和清晰度，在确定不同曝光参数下的图像数据特征后，还分析不同曝光参数条件下的图像的信噪比、均值和清晰度的定量变化情况。

5.根据权利要求3所述的方法，其特征在于，所述第二步骤中的评估不同算法的积雪提取精度包括对比评估单一曝光量的单波段算法、单一曝光量的波段组合算法以及多曝光量波段协同算法积雪提取精度；所述确定高精度积雪面积提取的敏感波段和算法形式为确定积雪提取面积敏感性最高的曝光量及其波段和算法。

6.根据权利要求5所述的方法，其特征在于，所述第三步骤以第二步骤确定的积雪提取面积敏感性最高的曝光量及其波段和算法为基准，确定多曝光量智能遥感数据的波段DN值的归一化方法和定量算法，并根据第一步骤中确定的不同曝光参数下的图像数据特征，建立低曝光量、中曝光量以及高曝光量图像数据的归一化模型。

7.根据权利要求6所述的方法，其特征在于，所述第四步骤是利用第三步骤中的多曝光量智能遥感数据的积雪提取算法，形成多时相情况下的低曝光量、中曝光量以及高曝光量图像数据积雪提取模型和算法，提取积雪面积。

8.一种多曝光量智能遥感数据的积雪提取系统，其特征在于，包括

9.根据权利要求8所述的系统，其特征在于，所述第一装置通过卫星遥感成像时间和卫星CCD载荷成像参数，计算卫星智能观测CCD图像数据的曝光参数，确定不同曝光参数下的图像数据特征；所述第二装置通过建立积雪面积提取精度指数的方法，评估不同算法的积雪提取精度，确定高精度积雪面积提取的敏感波段和算法形式；所述第三装置为确定多曝光量智能遥感数据的波段DN值的归一化方法和定量算法，构建适合不同曝光量模式的积雪面积提取方法；所述第四装置利用多曝光量智能遥感数据的积雪提取算法，形成多时相多模态积雪提取算法，提取积雪面积。

10.根据权利要求9所述的系统，其特征在于，所述第一装置中的图像数据特征包括信噪比、均值和清晰度，第一装置在确定不同曝光参数下的图像数据特征后，还分析不同曝光参数条件下的图像的信噪比、均值和清晰度的定量变化情况；所述第二装置中的评估不同算法的积雪提取精度包括对比评估单一曝光量的单波段算法、单一曝光量的波段组合算法以及多曝光量波段协同算法积雪提取精度；所述第二装置中的确定高精度积雪面积提取的敏感波段和算法形式为确定积雪提取面积敏感性最高的曝光量及其波段和算法。