CN112964643A - 一种遥感影像可见光波段地形落影校正方法 - Google Patents

一种遥感影像可见光波段地形落影校正方法 Download PDF

Info

Publication number
CN112964643A
CN112964643A CN202110146962.8A CN202110146962A CN112964643A CN 112964643 A CN112964643 A CN 112964643A CN 202110146962 A CN202110146962 A CN 202110146962A CN 112964643 A CN112964643 A CN 112964643A
Authority
CN
China
Prior art keywords
shadow
wave band
correction
remote sensing
sevi
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
Application number
CN202110146962.8A
Other languages
English (en)
Other versions
CN112964643B (zh
Inventor
江洪
吴勇锋
麻霞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN202110146962.8A priority Critical patent/CN112964643B/zh
Publication of CN112964643A publication Critical patent/CN112964643A/zh
Application granted granted Critical
Publication of CN112964643B publication Critical patent/CN112964643B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/497—Means for monitoring or calibrating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • 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
    • G01N2021/1765—Method using an image detector and processing of image signal
    • 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
    • G01N2021/1795—Atmospheric mapping of gases
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/121—Correction signals
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/121—Correction signals
    • G01N2201/1215—Correction signals for interfering gases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Astronomy & Astrophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Electromagnetism (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种遥感影像可见光波段地形落影校正方法，主要包括影像预处理、落影提取、SCS+C计算、SEVI计算、样本制作、机器学习、地形落影校正、地形落影校正效果评价。本发明能有效消除遥感影像红、绿、蓝波段的落影干扰，弥补了SEVI只能获取消除落影干扰的单波段信息的不足，也弥补了常规基于DEM的地形校正方法在落影失效的不足。

Description

一种遥感影像可见光波段地形落影校正方法
技术领域
本发明涉及阴影补偿技术领域，具体涉及一种遥感影像可见光波段地形落影校正方法。
背景技术
地形阴影严重干扰山区植被信息提取精度，给山区土地覆被解译造成巨大困难，因此研究地形阴影光谱信息补偿方法具有极其重要的意义。目前的地形阴影校正方法主要有山地辐射传输模型、基于DEM数据的经验校正模型以及波段组合优化计算模型等三类。基于山地辐射传输模型方法同时考虑太阳直射辐射、大气散射辐射以及周围地形反射辐射，效果较好，但模型参数较多且计算过程复杂，推广难度大。基于DEM数据的经验校正方法以反射率与cosi的统计关系为基础进行经验校正，包括统计-经验模型、归一化模型、朗伯体反射率模型以及非朗伯体反射率模型，但该类方法只对本影有效，对落影校正效果不佳。基于波段组合优化计算模型的方法通过构建特殊的植被指数来获取消除地形影响后的植被信息，如波段比模型、FCD模型和VBSI指数、地形调节植被指数、归一化差值山地植被指数、阴影消除植被指数(SEVI)等，然而该类模型只能获取落影的指数信息，缺乏多光谱信息。而多光谱信息是遥感影像分类的基础，对山区土地利用分类至关重要。
发明内容
有鉴于此，本发明的目的在于提供一种遥感影像可见光波段地形落影校正方法，能有效消除遥感影像红、绿、蓝波段的落影干扰，弥补了SEVI只能获取消除落影干扰的单波段信息的不足，也弥补了常规基于DEM的地形校正方法在落影失效的不足。
为实现上述目的，本发明采用如下技术方案：
一种遥感影像可见光波段地形落影校正方法，包括以下步骤：
步骤S1：获取研究区的卫星遥感数据和DEM数据，并将数据规范为同一数据格式；
步骤S2：根据得到的研究区的卫星遥感数据和DEM数据，进行落影提取；
步骤S3：对研究区地表反射率进行SCS+C校正；
步骤S4：对研究区地表反射率进行SEVI计算；
步骤S5：在光照区内生成一定数目的随机样本点，将随机样本点与SEVI及SCS+C校正后各波段地表反射率相结合制作样本集，并按预设比例随机分为训练样本集和测试样本集；
步骤S6：将训练样本集的SEVI作为自变量，以训练样本集SCS+C校正后单波段地表反射率为因变量构建随机森林回归模型，以测试样本集对随机森林回归模型进行精度预测；
步骤S7：根据得到的随机森林回归模型对落影区可见光波段地表反射率进行预测，补偿落影区可见光波段光谱信息。
进一步的，所述步骤S1具体为：
步骤S11:收集覆盖研究区的卫星遥感数据和DEM数据；
步骤S12:对卫星遥感数据进行辐射定标和大气校正，采用研究区掩膜文件裁剪大气校正后地表反射率数据，得到研究区地表反射率数据；
步骤S13:对DEM数据进行投影变换、重采样及裁剪操作，得到研究区DEM数据，最后将获取数据规范为同一数据格式。
进一步的，所述步骤S2具体为：
步骤S21：在研究区分别选取阴影区、光照区及水体三类样本点；
步骤S22：采用随机森林分类方法结合三类样本点对研究区进行分类，提取总体阴影；
步骤S23：选用如下公式提取本影；
Sself＝tanσ*cos(π-(ω-β))＞tanγ (1)
步骤S24：将总体阴影和本影做差，提取落影。
进一步的，所述步骤S3具体为：
步骤S31：结合研究区DEM数据，遥感卫星影像太阳高度角、太阳方位角数据，计算光照系数，即太阳入射角余弦值cos i，计算公式如下：
cos i＝cosσcosθ+sinσsinθcos(β-ω) (2)
式中，i表示太阳入射角；σ表示地形坡度角；θ表示太阳天顶角；β表示地形坡向角；ω表示太阳方位角；
步骤S32：结合光照系数计算调节参数c，计算公式如下：
LT＝a+b×cos i (3)
c＝a/b (4)
式中，LT为地表反射率值，cos i为光照系数，a和b为拟合的线性方程的系数；
步骤S33：对可见光波段地表反射率数据进行SCS+C校正，计算公式如下：
Figure BDA0002930609130000031
式中，LSCS+C表示SCS+C校正之后的像元值；LT表示SCS+C校正之前的像元值；θ表示太阳天顶角；σ表示地形坡度角；c表示地形校正参数；i表示太阳入射角。
进一步的，所述步骤S4具体为：
根据红光波段和近红外波段地表反射率计算研究区SEVI，其公式如下：
SEVI＝RVI+f(Δ)×SVI (6)
RVI＝Bnir/Br (7)
SVI＝1/Br (8)
其中，f(Δ)为预设系数；
Figure BDA0002930609130000041
Figure BDA0002930609130000042
式中，r1为SEVI和RVI的相关系数；r2为SEVI和SVI的相关系数；n为参与f(Δ)计算的影像像元数；x为SEVI；y1为RVI；y2为SVI。
进一步的，所述预设系数f(Δ)的计算步骤，具体为：
(1)选择具有明显地形阴影效应的样区，确保阴阳坡对等；
(2)使f(Δ)从0开始，以0.001为间隔进行循环叠加，同时计算SEVI与RVI的相关系数r1以及SEVI与SVI的相关系数r2；(3)当r1和r2的差值无限接近时，得到最优的f(Δ)。
进一步的，所述步骤S5具体为：
步骤S51：以整个研究区为处理范围，采用ArcGIS随机生成点工具生成一定数目的随机点，以光照区图层为掩膜提取其范围内的随机点；
步骤S52：采用ArcGIS中的多值提取至点工具将与光照区随机样本点对应的SEVI及SCS+C校正后可见光波段地表反射率值记录到该点的属性表中，结合光照区随机样本点属性表制作样本集，并将样本集按预设比例分为训练样本集和测试样本集。
进一步的，所述步骤S6具体为：
步骤S61：根据训练样本集的SEVI作为自变量，以训练样本集SCS+C校正后各可见光波段地表反射率为因变量构建随机森林回归模型；
步骤S62：调节随机森林回归模型中的超参数，使随机森林回归模型表现最优。
步骤S63：以测试样本集的SEVI为自变量，采用表现最优的随机森林回归模型对自变量进行预测，得到地表反射率预测值；
步骤S64：计算地表反射率预测值与实际值的决定系数，并将其作为随机森林回归模型的预测精度。
进一步的，所述地形落影校正效果评价，采用目视分析、统计特征分析、光谱特征分析、相对误差分析和反射率与cosi相关性分析方法进行地形校正效果评价。
本发明与现有技术相比具有以下有益效果：
本发明能有效消除遥感影像红、绿、蓝波段的落影干扰，弥补了SEVI只能获取消除落影干扰的单波段信息的不足，也弥补了常规基于DEM的地形校正方法在落影失效的不足。
附图说明
图1是本发明方法流程示意图；
图2是本发明一实施例中地形阴影校正前后效果对比图；
图3是本发明一实施例中光谱特征分析图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种遥感影像可见光波段地形落影校正方法，包括以下步骤：
步骤S1：获取数据并预处理，所需数据包括：卫星遥感数据、DEM数据。对卫星遥感数据进行辐射定标和大气校正，采用研究区掩膜文件裁剪大气校正后地表反射率数据，得到研究区地表反射率数据，对DEM数据进行投影变换、重采样及裁剪等操作，得到研究区DEM数据，最后将获取数据规范为同一数据格式；
步骤S2：落影提取，首先提取总体阴影，然后提取本影，最后将总体阴影和本影做差，提取落影；
步骤S3：对研究区地表反射率进行SCS+C校正；
步骤S4：对研究区地表反射率进行SEVI计算；
步骤S5：样本制作，在光照区内生成一定数目的随机样本点，将随机样本点与SEVI及SCS+C校正后各波段地表反射率相结合制作样本集，并将样本集按7：3的比例分为训练样本集和测试样本集；
步骤S6：机器学习，以训练样本集的SEVI作为自变量，以训练样本集SCS+C校正后单波段地表反射率为因变量构建随机森林回归模型，用测试样本集对随机森林回归模型进行精度预测；
步骤S7：落影校正，应用随机森林回归模型对落影区可见光波段地表反射率进行预测，补偿落影区可见光波段光谱信息；
步骤S8：地形落影校正效果评价，采用目视分析、统计特征分析、光谱特征分析、相对误差分析和反射率与cosi相关性分析等方法进行地形校正效果评价。
在本实施例中，步骤S1具体为：
步骤S11：收集覆盖研究区的卫星遥感数据和DEM数据；
步骤S12：对卫星遥感数据进行辐射定标和大气校正，采用研究区掩膜文件裁剪大气校正后地表反射率数据，得到研究区地表反射率数据；
步骤S13：对DEM数据进行投影变换、重采样及裁剪操作，得到研究区DEM数据，最后将获取数据规范为同一数据格式。
在本实施例中，所述步骤S2具体为：
步骤S21：在研究区分别选取阴影区、光照区及水体三类样本点；
步骤S22：采用随机森林分类方法结合三类样本点对研究区进行分类，提取总体阴影；
步骤S23：选用如下公式提取本影；
Sself＝tana*cos(π-(ω-β))＞tanγ (1)
步骤S24：将总体阴影和本影做差，提取落影。
进一步的，其特征在于，所述步骤S3具体为：
步骤S31：结合研究区DEM数据，遥感卫星影像太阳高度角、太阳方位角数据，计算光照系数，即太阳入射角余弦值cos i，计算公式如下：
cos i＝cosσcosθ+sinσsinθcos(β-ω) (2)
式中，i表示太阳入射角；σ表示地形坡度角；θ表示太阳天顶角；β表示地形坡向角；ω表示太阳方位角；
步骤S32：结合光照系数计算调节参数c，计算公式如下：
LT＝a+b×cos i (3)
c＝a/b (4)
式中，LT为地表反射率值，cos i为光照系数，a和b为拟合的线性方程的系数；
步骤S33：对可见光波段地表反射率数据进行SCS+C校正，计算公式如下：
Figure BDA0002930609130000081
式中，LSCS+C表示SCS+C校正之后的像元值；LT表示SCS+C校正之前的像元值；θ表示太阳天顶角；σ表示地形坡度角；c表示地形校正参数；i表示太阳入射角。
在本实施例中，步骤S4具体包括以下步骤：
通过红光波段和近红外波段地表反射率计算研究区SEVI，其公式如下：
SEVI＝RVI+f(Δ)×SVI (6)
RVI＝Bnir/Br (7)
SVI＝1/Br (8)
其中，f(Δ)的计算步骤：(1)选择具有明显地形阴影效应的样区，确保阴阳坡阴影对等；(2)使f(Δ)从0开始，以0.001为间隔进行循环叠加，同时计算SEVI与RVI的相关系数r1以及SEVI与SVI的相关系数r2；(3)当r1和r2的差值无限接近时，得到最优的f(Δ)。
Figure BDA0002930609130000091
Figure BDA0002930609130000092
式中，r1为SEVI和RVI的相关系数；r2为SEVI和SVI的相关系数；n为参与f(Δ)计算的影像像元数；x为SEVI；y1为RVI；y2为SVI。
在本实施例中，步骤S5具体包括以下步骤：
步骤S51：以整个研究区为处理范围，采用ArcGIS随机生成点工具生成一定数目的随机点，以步骤S22中得到的光照区图层为掩膜提取其范围内的随机点；
步骤S52：采用ArcGIS中的多值提取至点工具将与光照区随机样本点对应的SEVI及SCS+C校正后可见光波段地表反射率值记录到该点的属性表中，结合光照区随机样本点属性表制作样本集，并将样本集按7：3的比例分为训练样本集和测试样本集。
在本实施例中，步骤S6具体包括以下步骤：
步骤S61：调用python中集成的Random Forest Regressor模块，以训练样本集的SEVI作为自变量，以训练样本集SCS+C校正后各可见光波段地表反射率为因变量构建随机森林回归模型；
步骤S62：调用python中集成的Bayesian Optimization模块自动调节随机森林回归模型中的超参数，使随机森林回归模型表现最优。
步骤S63：以测试样本集的SEVI为自变量，采用表现最优的随机森林回归模型对自变量进行预测，得到地表反射率预测值；
步骤S64：计算地表反射率预测值与实际值的决定系数，并将其作为随机森林回归模型的预测精度。
在本实施例中，步骤S7具体包括以下步骤：
以落影区SEVI数据为自变量，采用表现最优的随机森林回归模型对落影区可见光波段地表反射率进行预测，从而补偿落影区可见光波段光谱信息。
在本实施例中，步骤S8具体包括以下步骤：
步骤S81：采用目视分析评价地形落影校正效果；
步骤S82：采用统计特征分析评价地形落影校正效果，分别统计地形校正前后影像均值、标准差以及变异系数(Coefficient ofVariation,CV)，并进行对比分析。影像标准差反映的是影像各波段的离散程度，地形校正后，各波段影像像元间的差异缩小。若校正后影像标准差小于原始影像，表明该校正方法具有一定的校正效果。影像变异系数是指其标准差和平均值之比，地形校正后变异系数越小，表明地形校正效果越好。由地形校正前后研究区影像各波段均值、标准差及变异系数可知，SCS+C校正后，影像各波段标准差及变异系数相对于原始影像均有所下降，说明SCS+C校正都有一定的校正效果。本发明方法校正后，影像各波段标准差及变异系数均小于SCS+C校正，说明本发明方法弥补了SCS+C校正的不足，使影像像元间的差异进一步缩小(表1)；
表1地形校正前后影像统计参数对比
Figure BDA0002930609130000101
步骤S83：采用光谱特征分析评价地形落影校正效果；
步骤S84：采用本落影相对误差分析评价地形落影校正效果，其公式如下：
Figure BDA0002930609130000111
地形校正前后，红绿蓝波段对应的本影、落影相对误差绝对值统计结果表明(表2)：
(1)未经地形校正的各光谱波段本影、落影与其相邻阳坡的相对误差较大，相对误差绝对值在30％～50％左右。
(2)SCS+C校正后，红绿蓝波段本影与其相邻阳坡的相对误差大幅降低，分别从40.40％、43.43％、29.28％降至8.75％、13.35％、6.28％，而落影与其相邻阳坡的相对误差降幅相对较小，约10％左右，表明SCS+C校正对本影校正效果较好，而对落影校正效果欠佳。
(3)本发明方法校正后，红绿蓝波段落影与其相邻阳坡的相对误差大幅降低，分别从48.76％、51.30％、38.50％降至0.43％、1.82％、1.91％，表明本发明方法在落影区域能够取得较好的校正效果。
表2红绿蓝波段本影落影区域相对误差绝对值
Figure BDA0002930609130000112
步骤S85：采用反射率与cosi相关性分析评价地形落影校正效果，地形校正前后各波段反射率与cosi的斜率及决定系数见表3。影像校正前，各波段像元值与其cosi都存在一定相关性。SCS+C校正后，研究区影像各波段斜率和决定系数均显著降低，表明SCS+C校正方法能够削弱地形阴影效应；本发明方法校正后，斜率和决定系数的下降幅度都高于SCS+C校正，表明本发明方法能够弥补SCS+C校正的不足，使整体校正效果更优。
表3地表反射率与光照系数线性相关性分析
Figure BDA0002930609130000121
在本实施例中，利用2019年12月11日过境福建省连江县的Landsat8 OLI卫星影像及研究区ASTER GDEM_V2数据进行可见光波段地形落影校正。图2为地形落影校正前后效果对比图，从图中可知，原始影像在阳坡处的反射率明显高于阴坡(图2(a))，地形阴影效应显著。经SCS+C校正后影像阴阳坡反射率差异减小，但落影区域仍存在低反射率值(图2(b))，表明SCS+C校正具有一定的地形校正效果，但在落影区域校正效果欠佳。经本发明方法校正后，阴阳坡反射率呈现均匀分布(图2(c))，表明本发明方法抑制阳坡反射率的同时能够较好地恢复落影区域可见光波段反射率。图3为光谱特征分析图，依据阴影检测结果，选取30组本影、落影及相邻非阴影阳坡样本，并分别统计30组样本在原始影像、SCS+C校正以及本发明方法校正后红绿蓝三波段的光谱均值。统计结果显示，原始影像的红绿蓝波段光谱值在本影和落影处均低于相邻非阴影阳坡。SCS+C校正后本影处的红绿蓝波段光谱值恢复到阳坡水平，而落影依旧低于阳坡，证明SCS+C校正对本影的校正效果良好，但对落影的校正效果欠佳。经本发明方法校正后，落影处的红绿蓝波段光谱值校正到阳坡水平，证明本发明方法能够对落影进行校正。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (9)

1.一种遥感影像可见光波段地形落影校正方法，其特征在于，包括以下步骤：
步骤S1：获取研究区的卫星遥感数据和DEM数据，并将数据规范为同一数据格式；
步骤S2：根据得到的研究区的卫星遥感数据和DEM数据，进行落影提取；
步骤S3：对研究区地表反射率进行SCS+C校正；
步骤S4：对研究区地表反射率进行SEVI计算；
步骤S5：在光照区内生成一定数目的随机样本点，将随机样本点与SEVI及SCS+C校正后各波段地表反射率相结合制作样本集，并按预设比例随机分为训练样本集和测试样本集；
步骤S6：将训练样本集的SEVI作为自变量，以训练样本集SCS+C校正后单波段地表反射率为因变量构建随机森林回归模型，以测试样本集对随机森林回归模型进行精度预测；
步骤S7：根据得到的随机森林回归模型对落影区可见光波段地表反射率进行预测，补偿落影区可见光波段光谱信息。
2.根据权利要求1所述的一种遥感影像可见光波段地形落影校正方法，其特征在于，所述步骤S1具体为：
步骤S11:收集覆盖研究区的卫星遥感数据和DEM数据；
步骤S12:对卫星遥感数据进行辐射定标和大气校正，采用研究区掩膜文件裁剪大气校正后地表反射率数据，得到研究区地表反射率数据；
步骤S13：对DEM数据进行投影变换、重采样及裁剪操作，得到研究区DEM数据，最后将获取数据规范为同一数据格式。
3.根据权利要求1所述的一种遥感影像可见光波段地形落影校正方法，其特征在于，所述步骤S2具体为：
步骤S21：在研究区分别选取阴影区、光照区及水体三类样本点；
步骤S22：采用随机森林分类方法结合三类样本点对研究区进行分类，提取总体阴影；
步骤S23：选用如下公式提取本影；
Sself＝tanσ*cos(π-(ω-β))＞tanγ (1)
步骤S24：将总体阴影和本影做差，提取落影。
4.根据权利要求1所述的一种遥感影像可见光波段地形落影校正方法，其特征在于，所述步骤S3具体为：
步骤S31：结合研究区DEM数据，遥感卫星影像太阳高度角、太阳方位角数据，计算光照系数，即太阳入射角余弦值cos i，计算公式如下：
cos i＝cos σ cosθ+sinσ sinθ cos(β-ω) (2)
式中，i表示太阳入射角；σ表示地形坡度角；θ表示太阳天顶角；β表示地形坡向角；ω表示太阳方位角；
步骤S32：结合光照系数计算调节参数c，计算公式如下：
LT＝a+b×cosi (3)
c＝a/b (4)
式中，LT为地表反射率值，cosi为光照系数，a和b为拟合的线性方程的系数；
步骤S33：对可见光波段地表反射率数据进行SCS+C校正，计算公式如下：
Figure FDA0002930609120000031
式中，LSCS+C表示SCS+C校正之后的像元值；LT表示SCS+C校正之前的像元值；θ表示太阳天顶角；σ表示地形坡度角；c表示地形校正参数；i表示太阳入射角。
5.根据权利要求1所述的一种遥感影像可见光波段地形落影校正方法，其特征在于，所述步骤S4具体为：
根据红光波段和近红外波段地表反射率计算研究区SEVI，其公式如下：
SEVI＝RVI+f(Δ)×SVI (6)
RVI＝Bnir/Br (7)
SVI＝1/Br (8)
其中，f(Δ)为预设系数；
Figure FDA0002930609120000032
Figure FDA0002930609120000033
式中，r1为SEVI和RVI的相关系数；r2为SEVI和SVI的相关系数；n为参与f(Δ)计算的影像像元数；x为SEVI；y1为RVI；y2为SVI。
6.根据权利要求5所述的一种遥感影像可见光波段地形落影校正方法，其特征在于，所述预设系数f(Δ)的计算步骤，具体为：
(1)选择具有明显地形阴影效应的样区，确保阴阳坡对等；
(2)使f(Δ)从0开始，以0.001为间隔进行循环叠加，同时计算SEVI与RVI的相关系数r1以及SEVI与SVI的相关系数r2；(3)当r1和r2的差值无限接近时，得到最优的f(Δ)。
7.根据权利要求1所述的一种遥感影像可见光波段地形落影校正方法，其特征在于，所述步骤S5具体为：
步骤S51：以整个研究区为处理范围，采用ArcGIS随机生成点工具生成一定数目的随机点，以光照区图层为掩膜提取其范围内的随机点；
步骤S52：采用ArcGIS中的多值提取至点工具将与光照区随机样本点对应的SEVI及SCS+C校正后可见光波段地表反射率值记录到该点的属性表中，结合光照区随机样本点属性表制作样本集，并将样本集按预设比例分为训练样本集和测试样本集。
8.根据权利要求1所述的一种遥感影像可见光波段地形落影校正方法，其特征在于，所述步骤S6具体为：
步骤S61：根据训练样本集的SEVI作为自变量，以训练样本集SCS+C校正后各可见光波段地表反射率为因变量构建随机森林回归模型；
步骤S62：调节随机森林回归模型中的超参数，使随机森林回归模型表现最优。
步骤S63：以测试样本集的SEVI为自变量，采用表现最优的随机森林回归模型对自变量进行预测，得到地表反射率预测值；
步骤S64：计算地表反射率预测值与实际值的决定系数，并将其作为随机森林回归模型的预测精度。
9.根据权利要求1所述的一种遥感影像可见光波段地形落影校正方法，其特征在于，所述地形落影校正效果评价，采用目视分析、统计特征分析、光谱特征分析、相对误差分析和反射率与cosi相关性分析方法进行地形校正效果评价。
CN202110146962.8A 2021-02-03 2021-02-03 一种遥感影像可见光波段地形落影校正方法 Active CN112964643B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110146962.8A CN112964643B (zh) 2021-02-03 2021-02-03 一种遥感影像可见光波段地形落影校正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110146962.8A CN112964643B (zh) 2021-02-03 2021-02-03 一种遥感影像可见光波段地形落影校正方法

Publications (2)

Publication Number Publication Date
CN112964643A true CN112964643A (zh) 2021-06-15
CN112964643B CN112964643B (zh) 2022-04-19

Family

ID=76273906

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110146962.8A Active CN112964643B (zh) 2021-02-03 2021-02-03 一种遥感影像可见光波段地形落影校正方法

Country Status (1)

Country Link
CN (1) CN112964643B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113592737A (zh) * 2021-07-27 2021-11-02 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
CN114332645A (zh) * 2021-12-31 2022-04-12 福州大学 一种基于陡坡块信息熵的sevi调节因子优化方法
CN114778483A (zh) * 2022-04-25 2022-07-22 福州大学 用于监测山地的遥感影像近红外波段地形阴影校正方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160371841A1 (en) * 2014-12-30 2016-12-22 Huazhong University Of Science And Technology Zonal underground structure detection method based on sun shadow compensation
US20170076456A1 (en) * 2015-09-16 2017-03-16 Raytheon Company Systems and methods for digital elevation map filters for three dimensional point clouds
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
CN108151719A (zh) * 2017-12-07 2018-06-12 福州大学 一种验证地形阴影校正效果的方法
CN109031343A (zh) * 2018-07-13 2018-12-18 福州大学 一种窗口遍历的sevi调节因子自动优化算法
CN109460532A (zh) * 2018-10-24 2019-03-12 中国科学院地理科学与资源研究所 一种太阳直接辐射遥感计算方法和装置
CN111105402A (zh) * 2019-12-24 2020-05-05 福州大学 一种基于信息熵的sevi调节因子优化方法
CN111275631A (zh) * 2020-01-08 2020-06-12 中国科学院东北地理与农业生态研究所 一种遥感影像提取城市水体时消除阴影干扰的方法
CN111738916A (zh) * 2020-08-21 2020-10-02 湖南省有色地质勘查研究院 一种基于统计学的遥感影像广义阴影光谱重建方法和系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160371841A1 (en) * 2014-12-30 2016-12-22 Huazhong University Of Science And Technology Zonal underground structure detection method based on sun shadow compensation
US20170076456A1 (en) * 2015-09-16 2017-03-16 Raytheon Company Systems and methods for digital elevation map filters for three dimensional point clouds
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
CN108151719A (zh) * 2017-12-07 2018-06-12 福州大学 一种验证地形阴影校正效果的方法
CN109031343A (zh) * 2018-07-13 2018-12-18 福州大学 一种窗口遍历的sevi调节因子自动优化算法
CN109460532A (zh) * 2018-10-24 2019-03-12 中国科学院地理科学与资源研究所 一种太阳直接辐射遥感计算方法和装置
CN111105402A (zh) * 2019-12-24 2020-05-05 福州大学 一种基于信息熵的sevi调节因子优化方法
CN111275631A (zh) * 2020-01-08 2020-06-12 中国科学院东北地理与农业生态研究所 一种遥感影像提取城市水体时消除阴影干扰的方法
CN111738916A (zh) * 2020-08-21 2020-10-02 湖南省有色地质勘查研究院 一种基于统计学的遥感影像广义阴影光谱重建方法和系统

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
H. JIANG ET AL.: "A shadow- eliminated vegetation index (SEVI) for removal of self and cast shadow effects on vegetation in rugged terrains", 《INTERNATIONAL JOURNAL OF DIGITAL EARTH》 *
QIONG WU, YUAN JIN & HUI FAN: "Evaluating and comparing performances of topographic correction methods based on multisource multisource", 《INTERNATIONAL JOURNAL OF REMOTE SENSING》 *
Y. FAN ET AL.: "A sun–crown–sensor model and adapted C-correction logic for topographic correction of high resolution forest imagery", 《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》 *
吴勇锋，江洪: "基于Landsat8 OLI 影像的山区植被地形落影校正方法研究", 《海南大学学报自然科学版》 *
曹小杰等: "Landsat8 卫星影像大气校正及其植被指数与SEVI 性能比较", 《遥感技术与应用》 *
江洪等: "阴影消除植被指数(SEVI)去除地形本影和落影干扰的性能评估与应用", 《地球信息科学》 *
钟耀武等: "ＳＣＳ＋Ｃ地形辐射校正模型的应用分析研究", 《国土资源遥感》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113592737A (zh) * 2021-07-27 2021-11-02 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
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
CN114332645A (zh) * 2021-12-31 2022-04-12 福州大学 一种基于陡坡块信息熵的sevi调节因子优化方法
CN114332645B (zh) * 2021-12-31 2024-06-07 福州大学 一种基于陡坡块信息熵的sevi调节因子优化方法
CN114778483A (zh) * 2022-04-25 2022-07-22 福州大学 用于监测山地的遥感影像近红外波段地形阴影校正方法

Also Published As

Publication number Publication date
CN112964643B (zh) 2022-04-19

Similar Documents

Publication Publication Date Title
CN112964643B (zh) 一种遥感影像可见光波段地形落影校正方法
CN106780091B (zh) 基于植被指数时空间统计特征的农业灾害信息遥感提取方法
CN109993237B (zh) 基于高分卫星光学遥感数据的水体快速提取方法及系统
CN113177979B (zh) 一种基于多光谱图像的水污染区域识别方法和系统
CN109919083B (zh) 一种基于Sentinel-2影像数据的早期自动化冬小麦制图方法
CN112307901B (zh) 一种面向滑坡检测的sar与光学影像融合方法及系统
Elvidge et al. Relative radiometric normalization of Landsat Multispectral Scanner (MSS) data using an automatic scattergram-controlled regression
CN111832518B (zh) 基于时空融合的tsa遥感影像土地利用方法
CN102750701B (zh) 针对Landsat TM和ETM图像的厚云及其阴影检测方法
CN111122449A (zh) 一种城市不透水面遥感提取方法及系统
CN112733596A (zh) 一种基于中高空间分辨率遥感影像融合的森林资源变化监测方法及应用
CN117218531B (zh) 一种面向海陆生态交错带红树林植物地上碳储量估算方法
CN114778483A (zh) 用于监测山地的遥感影像近红外波段地形阴影校正方法
CN111553922B (zh) 一种卫星遥感影像自动云检测方法
JP2019537151A (ja) 画像処理装置、画像処理方法及び画像処理プログラム
CN117115077B (zh) 一种湖泊蓝藻水华检测方法
CN110705449A (zh) 一种土地利用变化遥感监测分析方法
CN112329790B (zh) 一种城市不透水面信息快速提取方法
CN111415309A (zh) 一种基于最小反射率法的高分辨率遥感影像大气校正方法
CN114937038B (zh) 面向可用性的遥感影像质量评价方法
CN114612794A (zh) 一种细碎化农业区土地覆被与种植结构的遥感识别方法
CN116702065B (zh) 基于影像数据黑臭水体生态治理污染监测方法及系统
CN113379759A (zh) 一种光学遥感卫星影像水体自动提取方法
CN108198178B (zh) 大气程辐射值的确定方法和装置
Priana et al. Linear spectral mixture analysis of land cover for assessment level sub-pixel using PlanetScope imagery in Dieng Plateau

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