CN111175231A - 冠层植被指数的反演方法、装置及服务器 - Google Patents
冠层植被指数的反演方法、装置及服务器 Download PDFInfo
- Publication number
- CN111175231A CN111175231A CN201911426087.8A CN201911426087A CN111175231A CN 111175231 A CN111175231 A CN 111175231A CN 201911426087 A CN201911426087 A CN 201911426087A CN 111175231 A CN111175231 A CN 111175231A
- Authority
- CN
- China
- Prior art keywords
- vegetation index
- determining
- detection data
- reflectivity
- set area
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/55—Specular reflectivity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
- G01N2021/1797—Remote sensing in landscape, e.g. crops
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供了一种冠层植被指数的反演方法、装置及服务器,在获取设定区域的检测数据后,根据预设的云体检测阈值,对检测数据进行预处理;进而根据预处理后的检测数据,确定设定区域的冠层植被指数。该方式中,通过对检测数据中的预处理,降低了大气环境对冠层植被指数的反演过程的影响,提高了冠层植被指数的准确度。
Description
技术领域
本发明涉及遥感技术领域,尤其是涉及一种冠层植被指数的反演方法、装置及服务器。
背景技术
植被是陆地生态系统的主体,是连接土壤、大气和水分的自然纽带。准确的植被覆盖变化信息可以反映出气候和生态环境的变化,同时又能推动全球气候变化和能量配置,为决策的指定提供重要信息。然而,相关技术中,冠层植被指数的反演方式会受到大气环境的影响,导致冠层植被指数的准确性较低。
发明内容
有鉴于此,本发明的目的在于提供一种冠层植被指数的反演方法、装置及服务器,以降低大气环境对冠层植被指数的反演过程的影响,提高冠层植被指数的准确度。
第一方面,本发明实施例提供了一种冠层植被指数的反演方法,包括:获取设定区域的检测数据;根据预设的云体检测阈值,对检测数据进行预处理;根据预处理后的检测数据,确定设定区域的冠层植被指数。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,上述云体检测阈值包括通道亮温阈值及通道反射率阈值;根据预设的云体检测阈值,对检测数据进行预处理的步骤,包括:根据预设的通道亮温阈值及通道反射率阈值,剔除检测数据中包括云体的检测数据。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,根据预处理后的检测数据,确定设定区域的冠层植被指数的步骤,包括:根据预先获取的海陆掩码数据集及预处理后的检测数据,确定设定区域内,陆地部分对应的检测数据,将陆地部分对应的检测数据确定为目标数据;根据预先获取的设定区域的观测参数,从预设的大气校正参数表中确定观测参数对应的大气校正参数;根据大气校正参数及目标数据,确定设定区域的冠层植被指数。
结合第一方面的第二种可能的实施方式,本发明实施例提供了第一方面的第三种可能的实施方式,其中,根据大气校正参数及目标数据,确定设定区域的冠层植被指数的步骤,包括:根据目标数据确定设定区域的表观反射率;根据大气校正参数及表观反射率,确定设定区域的地表反射率;根据地表反射率,确定设定区域的冠层植被指数。
结合第一方面的第三种可能的实施方式,本发明实施例提供了第一方面的第四种可能的实施方式,其中,上述冠层植被指数包括归一化差异植被指数及增强型植被指数;根据地表反射率,确定设定区域的冠层植被指数的步骤,包括:通过地表反射率中,近红外通道的反射率及可见光红色通道的反射率,计算设定区域的归一化差异植被指数;通过地表反射率中,近红外通道的反射率、可见光红色通道的反射率及可见光蓝色通道的反射率,计算设定区域的增强型植被指数。
第二方面,本发明实施例还提供一种冠层植被指数的反演装置,包括:数据获取模块,用于获取设定区域的检测数据;预处理模块,用于根据预设的云体检测阈值,对检测数据进行预处理;指数确定模块,用于根据预处理后的检测数据,确定设定区域的冠层植被指数。
结合第二方面,本发明实施例提供了第二方面的第一种可能的实施方式,其中,上述云体检测阈值包括通道亮温阈值及通道反射率阈值;预处理模块还用于:根据预设的通道亮温阈值及通道反射率阈值,剔除检测数据中包括云体的检测数据。
结合第二方面,本发明实施例提供了第二方面的第一种可能的实施方式,其中,上述指数确定模块还用于:根据预先获取的海陆掩码数据集及预处理后的检测数据,确定设定区域内,陆地部分对应的检测数据,将陆地部分对应的检测数据确定为目标数据;根据预先获取的设定区域的观测参数,从预设的大气校正参数表中确定观测参数对应的大气校正参数;根据大气校正参数及目标数据,确定设定区域的冠层植被指数。
第三方面,本发明实施例还提供一种服务器,包括处理器和存储器,存储器存储有能够被处理器执行的机器可执行指令,处理器执行机器可执行指令以实现上述方法。
第四方面,本发明实施例还提供一种机器可读存储介质,机器可读存储介质存储有机器可执行指令,机器可执行指令在被处理器调用和执行时,机器可执行指令促使处理器实现上述方法。
本发明实施例带来了以下有益效果:
本发明实施例提供了一种冠层植被指数的反演方法、装置及服务器,在获取设定区域的检测数据后,根据预设的云体检测阈值,对检测数据进行预处理;进而根据预处理后的检测数据,确定设定区域的冠层植被指数。该方式中,通过对检测数据中的预处理,降低了大气环境对冠层植被指数的反演过程的影响,提高了冠层植被指数的准确度。
本发明的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本发明的上述技术即可得知。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施方式,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种冠层植被指数的反演方法的流程图;
图2为本发明实施例提供的另一种冠层植被指数的反演方法的流程图;
图3为本发明实施例提供的一种大气校正模块过程的流程图;
图4为本发明实施例提供的一种植被指数计算过程的流程图;
图5为本发明实施例提供的一种植被指数月合成过程的流程图;
图6为本发明实施例提供的一种中国地区MERSI-II NDVI产品与MODIS NDVI产品对比散点图;
图7为本发明实施例提供的一种中国地区MERSI-II NDVI产品与MODIS NDVI产品对比散点图;
图8为本发明实施例提供的一种中国地区MERSI-II NDVI产品与MODIS NDVI产品对比散点图;
图9为本发明实施例提供的一种FY-3D/MERSI-II NDVI月合成产品与PGS业务产品空间分布对比示意图;
图10为本发明实施例提供的一种FY-3D/MERSI-II NDVI月合成产品与PGS业务产品散点对比示意图;
图11为本发明实施例提供的一种FY-3D/MERSI-II NDVI月合成产品、PGS业务产品分别于MODIS产品直方图分布对比示意图;
图12为本发明实施例提供的一种FY-3D/MERSI-II EVI月合成产品与PGS业务产品空间分布对比示意图;
图13为本发明实施例提供的一种FY-3D/MERSI-II EVI月合成产品与PGS业务产品散点对比示意图;
图14为本发明实施例提供的一种FY-3D/MERSI-II EVI月合成产品、PGS业务产品分别于MODIS产品直方图分布对比示意图;
图15为本发明实施例提供的一种FY-3D/MERSI-II NDVI月合成产品与PGS业务产品在林地土地类型上对比;
图16为本发明实施例提供的一种FY-3D/MERSI-II NDVI月合成产品与PGS业务产品在草地土地类型上对比示意图;
图17为本发明实施例提供的一种FY-3D/MERSI-II NDVI月合成产品与PGS业务产品在农田土地类型上对比示意图;
图18为本发明实施例提供的一种FY-3D/MERSI-II EVI月合成产品与PGS业务产品在林地土地类型上对比示意图;
图19为本发明实施例提供的一种FY-3D/MERSI-II EVI月合成产品与PGS业务产品在草地土地类型上对比示意图;
图20为本发明实施例提供的一种FY-3D/MERSI-II EVI月合成产品与PGS业务产品在农田土地类型上对比示意图;
图21为本发明实施例提供的一个基于FY-3D卫星搭载的中分辨率光谱成像仪MERSI-II数据对冠层植被指数的反演方法的流程图;
图22为本发明实施例提供的另一种冠层植被指数的反演装置的结构示意图;
图23为本发明实施例提供的一种服务器的结构示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
植被是陆地生态系统的主体,是连接土壤、大气和水分的自然纽带。准确的植被覆盖变化信息可以反映出气候和生态环境的变化,同时又能推动全球气候变化和能量配置,为决策的指令提供重要信息。2018年,中国气象局卫星遥感中心用MODIS(Moderate-resolution Imaging Spectroradiometer,中分辨率成像光谱仪)植被指数,首次在全国生态遥感年报上揭示了过去17年中国植被覆盖度增加。2019年初,根据NASA的气象卫星资料显示,过去20年世界在变得越来越绿,中国和印度的防沙造林行动对这一变化有重要影响和贡献。气象卫星数据的重复周期、幅宽和空间分辨率在全球植被覆盖信息监测方面具有巨大的优势。经过几十年的努力,国产气象卫星已实现系列化、业务化发展,我国已成功发射17颗气象卫星,目前8颗在轨业务运行,中国成为气象卫星大国。
然而由于国产气象卫星的快速更新换代,我国还没有建立自主知识产权的植被指数长时间序列,植被覆盖信息变化评估长期依赖国外气象卫星数据。因此,基于风云系列卫星发展我国自主知识产权的植被指数订正算法和长时间序列,对于提升国产气象卫星应用监测服务能力、支撑国家生态文明建设都有着非常重要的意义。此外,相关技术中,冠层植被指数的反演方式会受到大气环境的影响,导致冠层植被指数的准确性较低。
基于此,本发明实施例提供了一种冠层植被指数的反演方法、装置及服务器,可以应用于基于遥感数据的冠层植被指数的反演过程或其他植被指数的确定过程。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种冠层植被指数的反演方法进行详细介绍。
本发明实施例提供了一种冠层植被指数的反演方法,参见图1所示的流程图,该方法包括以下步骤:
步骤S100,获取设定区域的检测数据。
上述检测数据可以通过卫星搭载的光谱仪检测到的遥感数据。遥感数据也称为遥感影像。遥感影像中包含了多种信息,具有空间分辨率、光谱分辨率、时间分辨率及辐射分辨率等参数。遥感数据可以应用于土地覆盖、森林覆盖、湿地资源监测等等多种领域。
步骤S102,根据预设的云体检测阈值,对检测数据进行预处理。
上述云体检测阈值可以根据云体的遥感数据的特性确定,如有确定的通道亮温范围及通道反射率范围等。由于在反演冠层植被指数时,主要针对于陆地的检测数据,云体的检测数据是一种干扰,会降低冠层植被指数的准确性,因此需要通过云体检测阈值把云体的检测数据从当前的检测数据中除去。
步骤S104,根据预处理后的检测数据,确定设定区域的冠层植被指数。
在得到出去了云体的检测数据后,需要确定检测数据中属于陆地的检测数据的部分;然后可以根据检测数据在获取时的参数,确定当时的大气情况,并根据大气情况及历史经验确定大气校正参数,采用大气校正参数对陆地的检测数据部分进行校正;最后通过校正后的检测数据中,设定光谱波段的数据,计算该设定区域的冠层植被指数。冠层植被指数通常包括归一化差异植被指数及增强型植被指数,可以根据不同的光谱波段的数据计算上述两个参数。
本发明实施例提供了一种冠层植被指数的反演方法,在获取设定区域的检测数据后,根据预设的云体检测阈值,对检测数据进行预处理;进而根据预处理后的检测数据,确定设定区域的冠层植被指数。该方式中,通过对检测数据中的预处理,降低了大气环境对冠层植被指数的反演过程的影响,提高了冠层植被指数的准确度。
本发明实施例还提供了另一种冠层植被指数的反演方法,该方法在上述实施例方法的基础上实现;该方法重点描述根据预设的云体检测阈值,对检测数据进行预处理的具体过程,以及根据预处理后的检测数据,确定设定区域的冠层植被指数的具体过程;如图2所示,该方法包括以下步骤:
步骤S200,获取设定区域的检测数据。
步骤S202,根据预设的通道亮温阈值及通道反射率阈值,剔除检测数据中包括云体的检测数据。
通道亮温阈值及通道反射率阈值组成了云体检测阈值;在实际实现时,可以采用12μm通道亮温作为上述通道亮温阈值,0.87μm通道反射率和0.65μm通道反射率作为通道反射率阈值识别检测数据中包括云体的检测数据,当以下条件被满足时,就定义为在有云情况下得到的检测数据,需要被剔除:
(ρ065+ρ087>0.65)or(TB12<260)or((ρ065+ρ087>0.6&&TB12<280))
其中TB12为12μm通道亮温,ρ065、ρ087为分别为0.65μm通道反射率及0.87μm通道反射率(也称为通道表观反射率)。
步骤S204,根据预先获取的海陆掩码数据集及预处理后的检测数据,确定设定区域内,陆地部分对应的检测数据,将陆地部分对应的检测数据确定为目标数据。
具体而言,根据海陆掩码数据集,可以对检测数据的逐个像元进行海、陆判断,确定是否为陆地的检测数据。由于在上述步骤中进行了云体的提出,此时得到的陆地的检测数据为晴空下的陆地的检测数据。
步骤S206,根据预先获取的设定区域的观测参数,从预设的大气校正参数表中确定观测参数对应的大气校正参数。
上述观测参数包括太阳角度、卫星角度、气溶胶光学厚度等,这些参数为获取检测数据时的设备参数或气象环境。可以在预设的大气校正参数表(也称为查找表)中找到与上述观测参数的条件最相近的大气校正参数,并根据实际的数据计算内插值后,得到上述观测参数对应的大气校正参数。
步骤S208,根据大气校正参数及目标数据,确定设定区域的冠层植被指数。
具体而言,上述步骤S208可以通过以下方式实现:
(1)根据目标数据确定设定区域的表观反射率;上述表观反射率是指大气层顶的反射率,其值等于地表反射率与大气反射率之和。可以采用现有技术中常见的方式通过遥感数据进行解译得到设定区域的表观反射率。
(2)根据大气校正参数及表观反射率,确定设定区域的地表反射率;由于表观反射率等于地表反射率与大气反射率之和,在确定了大气校正参数后,可以确定大气反射率,从而得到设定区域的地表反射率。
(3)根据地表反射率,确定设定区域的冠层植被指数。
其中,上述冠层植被指数可以为归一化差异植被指数(Normalized VegetationIndex,NDVI)或增强型植被指数(Enhanced Vegetation Index,EVI);具体地,可以通过地表反射率中,近红外通道的反射率及可见光红色通道的反射率,计算设定区域的归一化差异植被指数,具体见下述公式:
ρ0.87为近红外通道的反射率(也称为近红外波段地表反射率);ρ0.65为可见光红色通道的反射率(也称为红光波段地表反射率)。
对于增强型植被指数,可以通过地表反射率中,近红外通道的反射率、可见光红色通道的反射率及可见光蓝色通道的反射率,计算设定区域的增强型植被指数,具体见下述公式:
ρ0.47为可见光蓝色通道的反射率(也称为蓝光波段地表反射率)。当EVI值大于0.9或者小于-0.1时,EVI计算公式采用两波段EVI2计算公式:
上述方式中,通过对检测数据中进行云体剔除的预处理,并采用大气校正参数对检测数据进行处理,降低了大气环境对冠层植被指数的反演过程的影响,提高了冠层植被指数的准确度。
本发明实施例还提供了一种基于FY-3D卫星搭载的中分辨率光谱成像仪MERSI-II数据对冠层植被指数的反演方法。该方法在上述实施例的基础上实现;通过该方法主要得到归一化差异植被指数和增强的植被指数(也称为增强型植被指数)两种冠层指数。其中,归一化差异植被指数可以准确反映地表植被覆盖状况。当植物叶片中的色素叶绿素用于光合作用强烈吸收可见光(0.4至0.7μm),叶子的细胞结构强烈反射近红外光(从0.7到1.1μm)。植物叶子越多,这些波长的光分别受影响的越多。增强的植被指数是为了优化植被信号,提高对高生物量区域的灵敏度,通过分离树冠背景与大气散射影响来改善植被监测。虽然EVI与NDVI计算类似,但它校正了空气中的粒子散射以及植被下方的地面覆盖物引起的反射光。当观察热带雨林和地球上具有大量叶绿素的其他区域时,EVI数据产品也不像NDVI那样容易饱和。
该方法包括以下步骤:
(1)云检测:云的检测和判识是大气遥感中较为重要的部分,也是冠层植被指数较为复杂的一部分。采用12μm通道亮温和0.87μm和0.65μm通道反射率的阈值标准识别云体,并在检测数据中做相应的剔除。
(2)大气校正:读入卫星观测数据(相当于上述检测数据),根据海陆掩码数据集,对检测数据中逐个像元进行海、陆判断;根据云检测产品进行晴空像元筛选;根据太阳角度、卫星角度、气溶胶光学厚度在查找表中找到最近条件的大气校正参数,并根据实际的数据计算内插值,得到检测数据的获取条件下对应的大气校正参数;将表观反射率和大气校正参数进行大气校正计算,得到地表反射率;对计算结果进行质量控制,并生成质量标识;将输出的地表反射率结果及质量控制标识等信息,根据元信息按规范格式保存到输出文件中。上述两个步骤可以统称为大气校正过程,通过图3所示的流程图表示。
植被指数反演中的大气校正既要注意其精度也要注意运算速度,使用辐射传输模式构建大气订正查找表可以满足植被指数反演中大气校正的需求。分别输入550nm波长下8个大陆型气溶胶吸收性光学厚度0.05,0.1,0.2,0.4,0.8,1.2,1.6,2.0 0-80度步长6的13个太阳天顶角,0-80度步长为6的13个卫星观测角以及0-180度步长为18的太阳与卫星相对方位角11个。从大气订正查找表查找到对应的大气校正参数后,从中输出大气分子散射、臭氧吸收造成的大气透过率,大气水汽透过率、大气分子下行辐射透过率,大气分子上行辐射透过率以及大气分子与气溶胶在大气层顶反照率。而后利用以下公式得到经过大气校正的地表反射率。
其中为卫星传感器接收到的信号经过辐射校正与太阳天顶角校正后的大气层顶表观反射率,为大气分子散射(Rayleigh Scattering)所构成的路径辐射反射率,为地表反射率,TO(μs,μv)为臭氧吸收造成的大气透过率,TH(μs,μv)为大气水汽透过率,和分别为大气分子下行辐射透过率和为大气分子上行辐射透过率。
(3)植被指数计算:NDVI计算是指归一化差异植被指数计算,主要利用上述步骤(2)大气订正(也称为大气校正)后的近红外和可见光红色通道的反射率进行计算植被指数从而准确反映地表植被覆盖状况;EVI计算指的是增强植被指数计算,主要利用近红外以及可见光波段的红色和蓝色通道计算增强的植被指数,从而计算出校正了空气中的粒子散射以及植被下方的地面覆盖物引起的反射光且不易饱和的植被指数。植被指数计算的过程可以通过图4所示的流程图表示。
(4)植被指数月合成:NDVI和EVI产品按照自然月(每月第一天至最后一天)连续合成月最大产品。合成时采用CV-MVC(Constrained View angle–Maximum Value Composite)而非简单的最大值合成,选择一个月内同一格点内最大NDVI且最小的观测角即最接近星下点的一次观测为格点值进行合成。记录合成的有效天数,并记录最大值、最小值、平均值和标准偏差,最后输出上述数据项和相关的元数据。月合成时不再是日产品的轨道概念,而是按区域进行等经纬坐标合成,空间分辨率为0.0025度。上述植被指数月合成的过程可以通过图5所述的流程图表示。
(5)图像拼接:影像拼图产品制作流程包含三个主要部分:第一部分是快速大气校正,去除由于大气分子散射和吸收对遥感数据造成的影响;第二部分是分段线性拉伸,用于突出弱反射率地物的纹理细节;第三部分相邻轨道间影像无缝拼接,用于从视觉上实现不同轨道间数据的平滑过渡。
图6、图7及图8展示了单日相关分析验证,其中,图6比较了中国地区FY-3D/MERSI-II NDVI产品与MODIS NDVI产品的差异,两者具有高的线性相关关系(左图为表观反射率计算的NDVI,右图为大气校正后计算的NDVI)。经过大气校正后计算得到的NDVI产品与MODIS相关系数R为0.884,比未经大气校正计算的相关系数提高了0.0503。图7比较了中国地区FY-3D/MERSI-II NDVI产品在交叉定标前后与MODIS NDVI产品的差异。可以看出经过在交叉定标后计算的NDVI精度略有改善,斜率更接近于1(左图为未经过交叉定标计算的NDVI,右图为经过交叉定标计算的NDVI)。图8比较了中国地区MERSI-II基于本发明以及PGS NDVI产品与MODIS NDVI产品对比散点图,利用本发明实施例提供的方法得到的NDVI相较于PGS产品NDVI动态范围大,与MODIS的相关系数高(左图为本发明实施例提供的方法得到的NDVI,右图为PGS产品得到的NDVI)。
图9展示了关于植被指数空间分布及月合成验证(上图为基于本发明计算的NDVI,中图为PGS业务产品,下图为MODIS的NDVI产品)。如图10(左图为本发明计算的NDVI,右图为PGS业务产品)所示,NDVI指数与MODIS的对比来看,利用本发明实施例提供的方法得到的NDVI产品与其相关系数达到了0.9295,与MODIS产品具有良好的线性关系,斜率达到了0.8786,相比于PGS产品斜率的0.7033有很大提高,分布也更加对称,均匀。在空间分布上,与PGS业务产品相比,本发明实施例提供的方法得到NDVI产品在中国东北部、江南、华南、黄土高坡等地绿度更高。这些地方均是雾霾较重的地方,它们绿度的恢复归功于较好的大气订正产品。通过图11所示的直方图(左图为本发明计算的NDVI,右图为PGS业务产品)对比分析可以看出本发明NDVI直方图分布更加接近MODIS产品的直方图分布;其中NDVI高值区间的分布,本发明的产品与MODIS都达到了0.8~0.9之间,PGS产品的NDVI高值区间没有超过0.8。
对于EVI指数,如图12所示(上图为本发明实施例的方法计算的EVI,中间图为PGS业务产品,下图为MODIS的EVI产品)EVI指数空间分布及月合成验证;如图13(左图为本发明计算的EVI,右图为PGS业务产品)所示,利用本发明实施例提供的方法得到的EVI的空间分布比PGS业务产品合理,相关系数达到了0.9295,相比于PGS产品的0.8901提高了0.03,同时,从空间分布来看,参考MODIS EVI分布,本发明的EVI分布比PGS的动态范围更大,无饱和现象。通过图14所示直方图(左图为本发明实施例的方法计算的NDVI,右图为PGS业务产品)对比可以看出,本发明的EVI产品直方图分布基本与MODIS产品分布一致,而PGS业务产品的EVI分布大部分像素值集中在较高值区域甚至饱和。
综合来看,本发明NDVI产品或EVI产品与MODIS产品一致性都高于PGS的业务产品,相对于PGS业务产品有很大提升。
下图(图15、图16、图17、图18、图19及图20)是关于不同地表类型月合成植被指数精度验证。如图15(左图为本发明实施例提供的方法计算的NDVI,右图为PGS业务产品)所示,对于NDVI指数,在草地的地形条件下,采用本发明实施例提供的方法得到的NDVI产品与MODIS相关系数达到了0.8883,与PGS产品相关系数相当,但其斜率为0.8783,更接近1,比PS产品斜率提升了0.1959,密度分布中高密度区更集中的分布在斜率为1的线上,体现出其分布更加合理,与MODIS产品更接近。同样在农田的土地类型下,本发明NDVI产品与PGS产品对比来看,虽然在相关系数上只有0.04的提升,但在分布上,高密度更集中在斜率为1的线上,分布更对称,均匀。
对于EVI指数,原有PGS业务产品出现了大量饱和。在林地的地形条件下,本发明EVI指数在相关系数与之PGS产品相当都达到0.8左右的情况下消除了饱和点,高密度区则更多的分布在斜率为1的线上,更接近MODIS产品。在草地的地形条件下,本发明EVI指数的相关系数达到了0.9298,比PGS产品提高了0.046,同时也消除了饱和点,相比于高密度区大于在1为斜率线的PGS产品,本发明EVI指数在草地的地形条件下分布更均匀,与MODIS产品相关更好。同样,在农田的土地类型下,本发明EVI产品消除了饱和,高密度区域更均匀分布在斜率为1的线上,与MODIS产品相关系数更是达到了0.9486相比于PGS有巨大提升。
通过分地形对植被指数验证可以发现,无论在林地,农田,或是草地,本发明的植被指数产品相较于PGS业务产品,都跟MODIS产品有更好的相关性。分布也更加均匀,高密度都集中在斜率为1的线上,有更大的动态范围,饱和点更少。因此,本发明植被指数产品相比与PGS业务产品有显著的提升。
上述流程可以由图21所示的流程图表示。上述方法提高了冠层植被指数的准确度。
对应于上述冠层植被指数的反演方法实施例,本发明实施例还提供一种冠层植被指数的反演装置;如图22所示,该装置包括:
数据获取模块220,用于获取设定区域的检测数据;预处理模块222,用于根据预设的云体检测阈值,对检测数据进行预处理;指数确定模块224,用于根据预处理后的检测数据,确定设定区域的冠层植被指数。
进一步地,上述云体检测阈值包括通道亮温阈值及通道反射率阈值;预处理模块还用于:根据预设的通道亮温阈值及通道反射率阈值,剔除检测数据中包括云体的检测数据。
具体地,上述指数确定模块还用于:根据预先获取的海陆掩码数据集及预处理后的检测数据,确定设定区域内,陆地部分对应的检测数据,将陆地部分对应的检测数据确定为目标数据;根据预先获取的设定区域的观测参数,从预设的大气校正参数表中确定观测参数对应的大气校正参数;根据大气校正参数及目标数据,确定设定区域的冠层植被指数。
本发明实施例提供的冠层植被指数的反演装置,与上述实施例提供的冠层植被指数的反演方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
本发明实施例还提供一种服务器,参见图23所示,包括处理器和存储器,存储器存储有能够被处理器执行的机器可执行指令,处理器执行机器可执行指令以实现上述冠层植被指数的反演方法。
进一步地,图23所示的服务器还包括总线132和通信接口133,处理器130、通信接口133和存储器131通过总线132连接。
其中,存储器131可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口133(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。总线132可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图23中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
处理器130可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器130中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器130可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processing,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器131,处理器130读取存储器131中的信息,结合其硬件完成前述实施例的方法的步骤。
本发明实施例还提供了一种机器可读存储介质,该机器可读存储介质存储有机器可执行指令,该机器可执行指令在被处理器调用和执行时,该机器可执行指令促使处理器实现上述冠层植被指数的反演方法,具体实现可参见方法实施例,在此不再赘述。
本发明实施例所提供的冠层植被指数的反演方法及装置和服务器的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种冠层植被指数的反演方法,其特征在于,包括:
获取设定区域的检测数据;
根据预设的云体检测阈值,对所述检测数据进行预处理;
根据预处理后的所述检测数据,确定所述设定区域的冠层植被指数。
2.根据权利要求1所述的方法,其特征在于,所述云体检测阈值包括通道亮温阈值及通道反射率阈值;
根据预设的云体检测阈值,对所述检测数据进行预处理的步骤,包括:
根据预设的通道亮温阈值及通道反射率阈值,剔除所述检测数据中包括云体的检测数据。
3.根据权利要求1所述的方法,其特征在于,根据预处理后的所述检测数据,确定所述设定区域的冠层植被指数的步骤,包括:
根据预先获取的海陆掩码数据集及预处理后的所述检测数据,确定所述设定区域内,陆地部分对应的检测数据,将所述陆地部分对应的检测数据确定为目标数据;
根据预先获取的设定区域的观测参数,从预设的大气校正参数表中确定所述观测参数对应的大气校正参数;
根据所述大气校正参数及所述目标数据,确定所述设定区域的冠层植被指数。
4.根据权利要求3所述的方法,其特征在于,根据所述大气校正参数及所述目标数据,确定所述设定区域的冠层植被指数的步骤,包括:
根据所述目标数据确定所述设定区域的表观反射率;
根据所述大气校正参数及所述表观反射率,确定所述设定区域的地表反射率;
根据所述地表反射率,确定所述设定区域的冠层植被指数。
5.根据权利要求4所述的方法,其特征在于,所述冠层植被指数包括归一化差异植被指数及增强型植被指数;
根据所述地表反射率,确定所述设定区域的冠层植被指数的步骤,包括:
通过所述地表反射率中,近红外通道的反射率及可见光红色通道的反射率,计算所述设定区域的归一化差异植被指数;
通过所述地表反射率中,近红外通道的反射率、可见光红色通道的反射率及可见光蓝色通道的反射率,计算所述设定区域的增强型植被指数。
6.一种冠层植被指数的反演装置,其特征在于,包括:
数据获取模块,用于获取设定区域的检测数据;
预处理模块,用于根据预设的云体检测阈值,对所述检测数据进行预处理;
指数确定模块,用于根据预处理后的所述检测数据,确定所述设定区域的冠层植被指数。
7.根据权利要求6所述的装置,其特征在于,所述云体检测阈值包括通道亮温阈值及通道反射率阈值;
所述预处理模块还用于:
根据预设的通道亮温阈值及通道反射率阈值,剔除所述检测数据中包括云体的检测数据。
8.根据权利要求6所述的装置,其特征在于,所述指数确定模块还用于:
根据预先获取的海陆掩码数据集及预处理后的所述检测数据,确定所述设定区域内,陆地部分对应的检测数据,将所述陆地部分对应的检测数据确定为目标数据;
根据预先获取的设定区域的观测参数,从预设的大气校正参数表中确定所述观测参数对应的大气校正参数;
根据所述大气校正参数及所述目标数据,确定所述设定区域的冠层植被指数。
9.一种服务器,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的机器可执行指令,所述处理器执行所述机器可执行指令以实现权利要求1-5任一项所述的方法。
10.一种机器可读存储介质,其特征在于,所述机器可读存储介质存储有机器可执行指令,所述机器可执行指令在被处理器调用和执行时,所述机器可执行指令促使所述处理器实现权利要求1至5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911426087.8A CN111175231B (zh) | 2019-12-31 | 2019-12-31 | 冠层植被指数的反演方法、装置及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911426087.8A CN111175231B (zh) | 2019-12-31 | 2019-12-31 | 冠层植被指数的反演方法、装置及服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111175231A true CN111175231A (zh) | 2020-05-19 |
CN111175231B CN111175231B (zh) | 2022-06-17 |
Family
ID=70656055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911426087.8A Active CN111175231B (zh) | 2019-12-31 | 2019-12-31 | 冠层植被指数的反演方法、装置及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111175231B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113237554A (zh) * | 2021-05-07 | 2021-08-10 | 国家卫星气象中心(国家空间天气监测预警中心) | 云下地表温度图像生成方法、装置和终端设备 |
CN113989661A (zh) * | 2021-10-15 | 2022-01-28 | 中国气象科学研究院 | Mersi-2与modis的归一化植被指数转换方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103513290A (zh) * | 2013-10-24 | 2014-01-15 | 环境保护部卫星环境应用中心 | 基于遥感的区域陆地生态系统呼吸监测方法 |
CN105527229A (zh) * | 2015-12-01 | 2016-04-27 | 北京师范大学 | 一种抗大气气溶胶植被指数计算方法 |
CN108627879A (zh) * | 2018-05-10 | 2018-10-09 | 中南林业科技大学 | 一种多源气象卫星云检测方法 |
CN110308097A (zh) * | 2019-07-05 | 2019-10-08 | 山东科技大学 | 一种卫星图像云检测方法及系统 |
CN110472184A (zh) * | 2019-08-22 | 2019-11-19 | 电子科技大学 | 一种基于Landsat遥感数据的多云雨雾地区水稻识别方法 |
-
2019
- 2019-12-31 CN CN201911426087.8A patent/CN111175231B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103513290A (zh) * | 2013-10-24 | 2014-01-15 | 环境保护部卫星环境应用中心 | 基于遥感的区域陆地生态系统呼吸监测方法 |
CN105527229A (zh) * | 2015-12-01 | 2016-04-27 | 北京师范大学 | 一种抗大气气溶胶植被指数计算方法 |
CN108627879A (zh) * | 2018-05-10 | 2018-10-09 | 中南林业科技大学 | 一种多源气象卫星云检测方法 |
CN110308097A (zh) * | 2019-07-05 | 2019-10-08 | 山东科技大学 | 一种卫星图像云检测方法及系统 |
CN110472184A (zh) * | 2019-08-22 | 2019-11-19 | 电子科技大学 | 一种基于Landsat遥感数据的多云雨雾地区水稻识别方法 |
Non-Patent Citations (7)
Title |
---|
DA-BIN JI, ET AL.: "Atmospheric Effect Analysis and Correction of the", 《REMOTE SENSING》 * |
GABRIELE POLI, ET AL.: "Dynamic threshold cloud detection algorithm improvement for AVHRR and SEVIRI images", 《IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 * |
M HASHIM, ET AL.: "Optimizing cloud removal from satellite remotely", 《8TH INTERNATIONAL SYMPOSIUM OF THE DIGITAL EARTH (ISDE)》 * |
SAPTARSHI MONDAL, ET AL.: "Time-series cloud noise mapping and reduction", 《GISCIENCE AND REMOTE SENSING》 * |
WIM J. D. VAN LEEUWEN, ET AL.: "MODIS Vegetation Index Compositing Approach: A Prototype with AVHRR Data", 《REMOTE SENSING OF ENVIRONMENT》 * |
张训华 等: "《海洋地质调查技术》", 31 December 2017, 海洋出版社 * |
苏涛 等.: "《遥感原理与应用》", 30 September 2015 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113237554A (zh) * | 2021-05-07 | 2021-08-10 | 国家卫星气象中心(国家空间天气监测预警中心) | 云下地表温度图像生成方法、装置和终端设备 |
CN113989661A (zh) * | 2021-10-15 | 2022-01-28 | 中国气象科学研究院 | Mersi-2与modis的归一化植被指数转换方法 |
CN113989661B (zh) * | 2021-10-15 | 2022-05-17 | 中国气象科学研究院 | Mersi-2与modis的归一化植被指数转换方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111175231B (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109581372B (zh) | 一种生态环境遥感监测方法 | |
Li et al. | A physics-based atmospheric and BRDF correction for Landsat data over mountainous terrain | |
Lück et al. | Evaluation of a rule-based compositing technique for Landsat-5 TM and Landsat-7 ETM+ images | |
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 | |
Xie et al. | Calculating NDVI for Landsat7-ETM data after atmospheric correction using 6S model: A case study in Zhangye city, China | |
Grotti et al. | An intensity, image-based method to estimate gap fraction, canopy openness and effective leaf area index from phase-shift terrestrial laser scanning | |
Qiu et al. | Evaluation of Landsat image compositing algorithms | |
Yan et al. | A comparison of tropical rainforest phenology retrieved from geostationary (SEVIRI) and polar-orbiting (MODIS) sensors across the Congo Basin | |
CN111175231B (zh) | 冠层植被指数的反演方法、装置及服务器 | |
CN109300133B (zh) | 一种城市河网区水体提取方法 | |
Lee et al. | Sensitivity analysis of 6S-based look-up table for surface reflectance retrieval | |
Lavanant et al. | Comparison of cloud products within IASI footprints for the assimilation of cloudy radiances | |
CN113970376A (zh) | 一种基于海洋区域再分析资料的卫星红外载荷定标方法 | |
CN116912690A (zh) | 一种基于数据融合的森林叶面积指数反演获取方法和系统 | |
Wang et al. | An adaptive atmospheric correction algorithm for the effective adjacency effect correction of submeter-scale spatial resolution optical satellite images: Application to a WorldView-3 panchromatic image | |
He et al. | Direct estimation of land surface albedo from simultaneous MISR data | |
Yang et al. | A correction method of NDVI topographic shadow effect for rugged terrain | |
Yan et al. | HiQ-LAI: a high-quality reprocessed MODIS leaf area index dataset with better spatiotemporal consistency from 2000 to 2022 | |
CN112052720B (zh) | 一种基于直方图聚类的高时空归一化植被指数ndvi的融合模型 | |
Yan et al. | HiQ-LAI: A High-Quality Reprocessed MODIS LAI Dataset with Better Spatio-temporal Consistency from 2000 to 2022 | |
CN113392377A (zh) | 基于土壤湿度的沼泽湿地遥感提取方法和系统 | |
Jang | Evaluation of thermal-water stress of forest in southern Québec from satellite images | |
Liu et al. | Efficient radiometric triangulation for aerial image consistency across inter and intra variances | |
CN114397276B (zh) | 一种基于等价降水估测法的区域土壤湿度监测方法 | |
CN116994072B (zh) | 基于决策树分类模型的湿地提取方法、装置、设备和介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |