CN113310904B - 一种植被覆盖下的土壤光谱还原的图像处理方法 - Google Patents
一种植被覆盖下的土壤光谱还原的图像处理方法 Download PDFInfo
- Publication number
- CN113310904B CN113310904B CN202110659310.4A CN202110659310A CN113310904B CN 113310904 B CN113310904 B CN 113310904B CN 202110659310 A CN202110659310 A CN 202110659310A CN 113310904 B CN113310904 B CN 113310904B
- Authority
- CN
- China
- Prior art keywords
- soil
- spectral
- image
- spectrum
- data
- 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.)
- Active
Links
- 239000002689 soil Substances 0.000 title claims abstract description 151
- 238000001228 spectrum Methods 0.000 title claims abstract description 69
- 230000009467 reduction Effects 0.000 title claims abstract description 18
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 230000003595 spectral effect Effects 0.000 claims abstract description 137
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 24
- 238000002310 reflectometry Methods 0.000 claims abstract description 18
- 238000012952 Resampling Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 6
- 230000002401 inhibitory effect Effects 0.000 abstract description 3
- 238000000034 method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- 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
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
- G01N2021/178—Methods for obtaining spatial resolution of the property being measured
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种植被覆盖下的土壤光谱还原的图像处理方法,通过采用ASD光谱仪在实地测量土壤类和非土壤类地物的野外光谱数据。将各类地物的野外光谱数据重采样为与多光谱遥感图像数据波段一致的端元光谱数据。基于各端元的平均光谱数据,对多光谱遥感图像进行线性混合像元分解,得到各端元的丰度图像和分解残差图像。以像元为单位,根据各端元在各波段上的光谱反射率波动范围和丰度值对分解残差数据赋权,计算非土壤类端元的光谱补偿值。利用非土壤类端元的平均光谱数据和其光谱补偿图像,重构体现土壤异质性的土壤光谱图像,从而抑制非土壤信息的影响,实现植被覆盖下的土壤光谱还原。
Description
技术领域
本发明涉及一种植被覆盖下的土壤光谱还原的图像处理方法,具体涉及一种基于混合像元分解残差数据赋权线性计算的植被覆盖下的土壤光谱还原的图像处理方法,属于多光谱遥感数字图像处理技术领域。
背景技术
遥感影像中像元按照包含地物信息种类可分为纯净像元和混合像元。纯净像元(端元)指像元中只包含一种地物信息,可以提取出单一地物的光谱反射率数据,使得根据光谱吸收特征来识别地物成为可能。混合像元是指多种地物的光谱信息以混合光谱的形式出现在同一个像元里,普遍存在于遥感影像中,由于多种地物光谱信息相互干扰,基于混合像元提取的光谱反射率数据在一定程度上限制了遥感数据的应用潜力,而对干扰地物信息进行掩膜也会同时消除目标端元的光谱信息,导致可从遥感影像中提取的信息量大幅减少。因此,从混合像元的光谱信息中分离出各端元的光谱信息能够极大地改善遥感影像在矿物识别、蚀变信息提取、植被生物化学参数估算以及环境遥感等方面的应用效果和精度。线性分解模型是混合像元分解模型中应用最广、最易实现且物理意义明确的一种模型,它认为像元在某一波段的光谱反射率值是由各组分端元的光谱反射率值与相应丰度为权重构成的线性组合。
目前,现有的方法主要是基于混合像元线性分解理论,通过抑制非土壤类端元的光谱信息来重构土壤端元的光谱信息:第一步是解算出混合像元中各端元的丰度值,第二步利用混合像元光谱反射率数据减去其他非土壤类端元的光谱反射率值和丰度值的乘积之和,第三步是用第二步的计算结果除以土壤端元在像元中的丰度值,最终实现土壤端元的光谱信息还原。该方法可有效抑制其他非土壤类端元光谱的干扰,一定程度上可以提高遥感影像中土壤光谱信息提取的可靠性和客观性,但该方法在第二步抑制非土壤类端元光谱信息时没有抑制误差中包含的每个像元因地物异质性引起的端元光谱差异信息,导致像元中土壤端元丰度值越小,土壤光谱信息的还原效果越差。使用以上方法还原地物光谱信息,计算得到的重构端元光谱通过混合像元线性分解模型逆运算得到的像元光谱反射率值与原始像元光谱反射率值不守恒。因此在基于重构土壤端元光谱的遥感应用中具有局限性,不能适用于遥感地表特征参数反演等定量研究。
发明内容
本发明所要解决的技术问题是:提供一种植被覆盖下的土壤光谱还原的图像处理方法,保留原始遥感图像光谱信息的同时,重构体现土壤异质性的土壤光谱图像,从而抑制非土壤信息的影响,实现植被覆盖下的土壤光谱还原。
本发明为解决上述技术问题采用以下技术方案:
一种植被覆盖下的土壤光谱还原的图像处理方法,包括如下步骤:
步骤1,获取某区域的多光谱遥感图像,并针对该区域,利用ASD光谱仪实地测量该区域中土壤类和非土壤类地物的野外光谱数据;
步骤2,将土壤类地物的野外光谱数据重采样为与多光谱遥感图像波段一致的端元光谱数据,并计算土壤类端元的平均光谱数据以及土壤类端元在多光谱遥感图像各个波段上的光谱反射率波动范围;同理,将非土壤类地物的野外光谱数据重采样为与多光谱遥感图像波段一致的端元光谱数据,并计算非土壤类端元的平均光谱数据以及非土壤类端元在多光谱遥感图像各个波段上的光谱反射率波动范围;
步骤3,依据土壤类和非土壤类端元的平均光谱数据对多光谱遥感图像进行线性混合像元分解,得到各端元的丰度值和分解残差数据;
步骤4,以像元为单位,结合非土壤类端元在每个像元中的丰度值以及各端元在多光谱遥感图像各波段上的光谱反射率波动范围对各端元的分解残差数据赋权,计算像元中非土壤类端元的光谱补偿值,从而得到非土壤类端元的光谱补偿图像;
步骤5,利用非土壤类端元的平均光谱数据和光谱补偿图像,重构体现土壤异质性的土壤光谱图像。
作为本发明的一种优选方案,所述步骤1中利用ASD光谱仪测量时,选择天气晴好时的上午10:00至下午2:00这一时间段进行测量;并且ASD光谱仪的光谱响应范围与多光谱遥感图像的光谱响应范围一致。
作为本发明的一种优选方案,步骤2所述土壤类端元在多光谱遥感图像各个波段上的光谱反射率波动范围,计算方式为:对土壤类地物的端元光谱数据进行统计,得到土壤类地物的端元光谱数据在多光谱遥感图像各个波段上的最大值和最小值之差,即土壤类端元在多光谱遥感图像各个波段上的光谱反射率波动范围。
作为本发明的一种优选方案,步骤4所述非土壤类端元的光谱补偿值,计算公式为:
其中,ΔCi,j,b表示第i个像元中第j个端元在第b个波段上的光谱补偿值,wj,b表示第j个端元在第b个波段上的光谱反射率波动范围,Fi,j表示第i个像元中第j个端元的丰度值,ei,b表示第i个像元在第b个波段上的分解残差值,m表示包含土壤端元的端元总数,n表示非土壤类端元的总数。
作为本发明的一种优选方案,步骤5所述重构体现土壤异质性的土壤光谱图像,计算公式为:
其中,Si,b表示第i个像元在第b个波段上的重构土壤光谱值,Ri,b表示第i个像元在第b个波段上的图像光谱反射率值,Fi,j表示第i个像元中第j个端元的丰度值,Cj,b表示第j个端元在第b个波段上的平均光谱数据,ΔCi,j,b表示第i个像元中第j个端元在第b个波段上的光谱补偿值,n表示非土壤类端元的总数。
作为本发明的一种优选方案,所述Ri,b的计算公式为:
其中,ei,b表示第i个像元在第b个波段上的分解残差值,m表示包含土壤端元的端元总数。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1、本发明将分解残差中包含的这部分因地物异质性引起的光谱差异信息加入计算,根据各端元在各波段上的光谱反射率波动范围和丰度值对分解残差数据赋权,计算像元中非土壤类端元的光谱补偿值,利用非土壤类端元的平均光谱数据和光谱补偿图像,重构体现每个像元土壤异质性的土壤光谱图像。
2、本发明算法简单,易于实现,适用范围广。其重构结果能够有效降低混合像元的影响,从而拓宽中等分辨率遥感影像在遥感信息提取、地表参数定量反演中的应用;加强了遥感影像数据与地面实测数据之间的数据联系,能够提高多光谱遥感在地表生物物理及环境参数定量反演方面的应用精度。
附图说明
图1是本发明一种植被覆盖下的土壤光谱还原的图像处理方法的流程图。
图2是本发明实施例的不同采样点对应重构前后图像像元的光谱曲线示意图,其中,(a)是土壤丰度为0.4484,(b)是土壤丰度为0.8237。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
如图1所示,为本发明基于混合像元分解残差数据赋权线性计算的植被覆盖下的土壤光谱还原的图像处理方法流程图,包括如下步骤:
步骤1,采用ASD光谱仪在特定时段内实地测量土壤类和非土壤类(植被、水体为主)地物的野外光谱数据;其中,ASD光谱仪的光谱响应范围与多光谱遥感图像的光谱响应范围一致。
上述特定时段可以选择天气晴好时上午10:00至下午2:00间这一时段。该步骤可以实现端元光谱测量。利用ASD(Analytical Spectral Devices)光谱仪实地测量各端元的野外光谱数据,要求光谱仪光谱响应范围与高光谱遥感图像的光谱响应范围一致,在天气晴好上午10:00至下午2:00间进行测量。其中端元光谱数据的获取采用野外实地测量,要求所测量的端元数能够代表实地典型地物类型数。
步骤2,将野外光谱数据重采样为与多光谱遥感图像数据波段一致的端元光谱数据,计算土壤类和非土壤类端元的平均光谱数据。
步骤3,依据各端元的平均光谱数据对多光谱图像进行线性混合像元分解,得到各端元的丰度图像和分解残差图像。
得到各端元的丰度图像和分解残差数据的具体方法是基于线性混合像元分解模型:
解算得到各端元的丰度图像和分解残差数据。其中Ri,b表示第i个像元在第b个波段上的图像光谱反射率值,Fi,j表示第i个像元中第j类端元的丰度值,Cj,b表示第j个端元在第b个波段上的平均光谱数据,ei,b表示第i个像元在第b个波段上的分解残差值,残差值中包含了因地物异质性引起的光谱差异,m表示包含土壤端元的端元总数,即土壤类和非土壤类端元的总数。理论上一个像元内每种端元的丰度取值范围在0~1之间,并且和为1。通过增加约束条件式来实现,这样得到的丰度图像具有符合现实的物理意义。在一个示例中,约束条件式包括:
进一步地,端元丰度求解的代价函数如下式,k表示波段数,均方根误差(RootMean Squared Error,RMSE)取最小值对应端元丰度的最优解。
已知Ri,b以及Cj,b,就能通过以上算式解算出各端元的丰度图像F和分解残差图像e。
步骤4,以像元为单位,根据各端元在各波段上的光谱反射率波动范围和丰度值对分解残差数据赋权,计算像元中非土壤类端元的光谱补偿值。
该步骤实现非土壤类端元的补偿光谱值的计算。统计同一种端元的光谱数据在各个光谱数据波段上的最大值和最小值,记差值为wj,b,作为该端元在各个波段上的光谱反射率波动范围,将其视为衡量分解残差落在各个端元中概率的一种指标,结合像元中各端元丰度占比,对分解残差数据进行赋权,计算得到非土壤类端元的光谱补偿值。
非土壤类端元的光谱补偿值ΔCi,j,b的计算公式为:
式中,wj,b表示第j个端元在第b个波段上的光谱反射率波动范围。
步骤5,利用非土壤类端元的平均光谱数据和光谱补偿图像,重构体现土壤异质性的土壤光谱图像。
上述基于混合像元分解残差数据赋权线性计算的植被覆盖下的土壤光谱还原的图像处理方法,通过采用ASD光谱仪在实地测量土壤类和非土壤类(植被、水体为主)地物的野外光谱数据。将各类地物的野外光谱数据重采样为与多光谱遥感图像数据波段一致的端元光谱数据。基于各端元的平均光谱数据,对多光谱遥感图像进行线性混合像元分解,得到各端元的丰度图像和分解残差图像。以像元为单位,根据各端元在各波段上的光谱反射率波动范围和丰度值对分解残差数据赋权,计算非土壤类端元的光谱补偿值。利用非土壤类端元的平均光谱数据和光谱补偿图像,重构体现土壤异质性的土壤光谱图像,从而抑制非土壤信息的影响,实现植被覆盖下的土壤光谱还原。
重构土壤光谱图像的确定过程包括:
式中,Ri,b表示第i个像元在第b个波段上的图像光谱反射率值,Fi,j表示第i个像元中第j类端元的丰度值,Cj,b表示第j个端元在第b个波段上的平均光谱数据,ΔCi,j,b表示第i个像元中第j类端元在第b个波段上的光谱补偿值。Si,b表示第i个像元在第b个波段上的重构土壤光谱值,n表示不包含土壤端元的端元总数,即非土壤类端元的总数。
本实施例为利用野外实测光谱数据和与野外采样同时获取的多光谱遥感图像,来具体重构土壤光谱图像的实施例。为了客观评价土壤光谱图像重构的效果,本实施例首先对重构前后的土壤光谱图像提取与采样点空间位置一致的图像点光谱,对其进行对比和分析(图2),然后对重构前后的图像点光谱与野外实测土壤光谱重采样数据的相关性(表1)进行分析。
图2的(a)为采样点所在像元土壤丰度为0.4484时,对应原始图像和重构土壤光谱图像的光谱曲线图。原始图像光谱曲线在绿光波段处(0.569μm)有一个小的反射率峰值,在红光波段处(0.66μm)有一个吸收谷,在近红外波段处(0.84μm)有一个明显的反射率峰值,表现为典型的植被光谱曲线特征,这是由于受到混合像元中其他地物光谱信息(植被为主)的干扰,植被的光谱特征相较于土壤光谱特征得到突出。重构土壤光谱曲线在可见光波段范围(0.485-0.84μm)反射率快速上升,在近红外波段范围(0.84-2.223μm)趋于平缓,是明显的土壤光谱特征。图2的(b)为采样点所在像元土壤丰度为0.8237时,对应原始图像和重构土壤光谱图像的光谱曲线图。重构前后的光谱曲线整体走势相似,但重构土壤光谱在近红外波段处(0.84μm)反射率有所降低,在1.676μm处反射率较0.84μm处有所上升,说明重构土壤光谱较原始图像光谱抑制了植被的光谱特征信息,增强了土壤的光谱特征信息。以上结果表明重构后的土壤光谱图像能够增强土壤端元光谱的光谱特征信息,实现植被覆盖下的土壤光谱还原。
表1重构前后图像光谱数据与实测数据的相关系数
表1为野外实测土壤光谱重采样数据和与其对应的重构前后的图像点光谱的相关系数。像元中土壤端元丰度值越大,即混合像元越接近于纯净像元,重构前后的光谱数据与实测数据相关性差距越小;像元中土壤端元丰度在小于0.7时,原始图像光谱与实测光谱的相关系数均小于0.8,而重构土壤光谱与实测光谱的相关系数均大于0.9。重构土壤光谱数据与实测土壤光谱数据的相关性在所有验证点上的相关系数均优于原始图像光谱数据。以上结果表明重构后的土壤光谱数据能够较好地抑制混合像元中非土壤类端元的光谱信息,且在0-1的丰度范围中均具有较好的效果,从而实现植被覆盖下的土壤光谱还原。同时本发明加强了遥感影像数据与地面实测数据之间的数据联系,能够在一定程度上提高遥感影像数据在地表参数定量反演、遥感信息提取等方面的应用精度。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (3)
1.一种植被覆盖下的土壤光谱还原的图像处理方法,其特征在于,包括如下步骤:
步骤1,获取某区域的多光谱遥感图像,并针对该区域,利用ASD光谱仪实地测量该区域中土壤类和非土壤类地物的野外光谱数据;
步骤2,将土壤类地物的野外光谱数据重采样为与多光谱遥感图像波段一致的端元光谱数据,并计算土壤类端元的平均光谱数据以及土壤类端元在多光谱遥感图像各个波段上的光谱反射率波动范围;同理,将非土壤类地物的野外光谱数据重采样为与多光谱遥感图像波段一致的端元光谱数据,并计算非土壤类端元的平均光谱数据以及非土壤类端元在多光谱遥感图像各个波段上的光谱反射率波动范围;
步骤3,依据土壤类和非土壤类端元的平均光谱数据对多光谱遥感图像进行线性混合像元分解,得到各端元的丰度值和分解残差数据;
步骤4,以像元为单位,结合非土壤类端元在每个像元中的丰度值以及各端元在多光谱遥感图像各波段上的光谱反射率波动范围对各端元的分解残差数据赋权,计算像元中非土壤类端元的光谱补偿值,从而得到非土壤类端元的光谱补偿图像;
所述非土壤类端元的光谱补偿值,计算公式为:
其中,ΔCi,j,b表示第i个像元中第j个端元在第b个波段上的光谱补偿值,wj,b表示第j个端元在第b个波段上的光谱反射率波动范围,Fi,j表示第i个像元中第j个端元的丰度值,ei,b表示第i个像元在第b个波段上的分解残差值,m表示包含土壤端元的端元总数,n表示非土壤类端元的总数;
步骤5,利用非土壤类端元的平均光谱数据和光谱补偿图像,重构体现土壤异质性的土壤光谱图像;
所述重构体现土壤异质性的土壤光谱图像,计算公式为:
其中,Si,b表示第i个像元在第b个波段上的重构土壤光谱值,Ri,b表示第i个像元在第b个波段上的图像光谱反射率值,Fi,j表示第i个像元中第j个端元的丰度值,Cj,b表示第j个端元在第b个波段上的平均光谱数据,ΔCi,j,b表示第i个像元中第j个端元在第b个波段上的光谱补偿值,n表示非土壤类端元的总数;
所述Ri,b的计算公式为:
其中,ei,b表示第i个像元在第b个波段上的分解残差值,m表示包含土壤端元的端元总数。
2.根据权利要求1所述植被覆盖下的土壤光谱还原的图像处理方法,其特征在于,所述步骤1中利用ASD光谱仪测量时,选择天气晴好时的上午10:00至下午2:00这一时间段进行测量;并且ASD光谱仪的光谱响应范围与多光谱遥感图像的光谱响应范围一致。
3.根据权利要求1所述植被覆盖下的土壤光谱还原的图像处理方法,其特征在于,步骤2所述土壤类端元在多光谱遥感图像各个波段上的光谱反射率波动范围,计算方式为:对土壤类地物的端元光谱数据进行统计,得到土壤类地物的端元光谱数据在多光谱遥感图像各个波段上的最大值和最小值之差,即土壤类端元在多光谱遥感图像各个波段上的光谱反射率波动范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110659310.4A CN113310904B (zh) | 2021-06-15 | 2021-06-15 | 一种植被覆盖下的土壤光谱还原的图像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110659310.4A CN113310904B (zh) | 2021-06-15 | 2021-06-15 | 一种植被覆盖下的土壤光谱还原的图像处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113310904A CN113310904A (zh) | 2021-08-27 |
CN113310904B true CN113310904B (zh) | 2023-04-07 |
Family
ID=77378697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110659310.4A Active CN113310904B (zh) | 2021-06-15 | 2021-06-15 | 一种植被覆盖下的土壤光谱还原的图像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113310904B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114780904B (zh) * | 2022-06-17 | 2022-09-27 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种端元自适应的山地植被覆盖度遥感反演方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933425B (zh) * | 2015-07-10 | 2018-04-27 | 中国地质大学(武汉) | 一种高光谱数据处理方法 |
CN106124454B (zh) * | 2016-06-30 | 2018-10-16 | 国交空间信息技术(北京)有限公司 | 一种基于遥感影像的沥青路面老化状况监测方法 |
CN107561022B (zh) * | 2017-07-10 | 2020-07-10 | 南京大学 | 一种改进的植物叶片干物质含量高光谱遥感反演方法 |
CN108760658B (zh) * | 2018-06-06 | 2019-08-20 | 湖南省有色地质勘查研究院 | 一种遥感影像植被抑制及岩石土壤信息还原方法 |
CN109948580B (zh) * | 2019-03-28 | 2022-04-08 | 江西理工大学 | 稀土矿的地表温度空间降尺度方法、装置、设备及介质 |
CN110705455B (zh) * | 2019-09-29 | 2023-04-07 | 东华理工大学 | 一种基于多光谱卫星遥感影像的三七种植面积计算方法 |
-
2021
- 2021-06-15 CN CN202110659310.4A patent/CN113310904B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113310904A (zh) | 2021-08-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472525B (zh) | 一种时间序列遥感植被指数的噪声检测方法 | |
CN110751727B (zh) | 一种基于Landsat长时间序列的合成图像构建方法 | |
Thapa et al. | Potential of high-resolution ALOS–PALSAR mosaic texture for aboveground forest carbon tracking in tropical region | |
Li | Wavelet-based feature extraction for improved endmember abundance estimation in linear unmixing of hyperspectral signals | |
CN112991288B (zh) | 基于丰度图像锐化重构的高光谱遥感图像融合方法 | |
CN112395808A (zh) | 一种结合随机森林和协同克里金的生物量遥感制图方法 | |
CN112348812A (zh) | 林分年龄信息测量方法及装置 | |
Descals et al. | A threshold method for robust and fast estimation of land-surface phenology using Google Earth Engine | |
CN111474117B (zh) | 作物病害监测的方法及装置 | |
CN115372282B (zh) | 一种基于无人机高光谱影像的农田土壤含水量监测方法 | |
Sahoo et al. | Copula-based probabilistic spectral algorithms for high-frequent streamflow estimation | |
CN113310904B (zh) | 一种植被覆盖下的土壤光谱还原的图像处理方法 | |
CN114780904B (zh) | 一种端元自适应的山地植被覆盖度遥感反演方法 | |
CN113866102A (zh) | 一种基于光谱的土壤健康调查监测方法 | |
CN109870419B (zh) | 一种采用航空高光谱数据预测黑土氮磷钾含量的方法 | |
CN114372707A (zh) | 一种基于遥感数据的高寒湿地退化程度监测方法 | |
Ghasemi et al. | A modified model for estimating tree height from PolInSAR with compensation for temporal decorrelation | |
CN112487701B (zh) | 一种基于Landsat时间序列建模的森林地上生物量估算方法 | |
Chinembiri et al. | Hierarchical Bayesian geostatistics for C stock prediction in disturbed plantation forest in Zimbabwe | |
Yang et al. | Applying linear spectral unmixing to airborne hyperspectral imagery for mapping yield variability in grain sorghum and cotton fields | |
AU2004297326A1 (en) | Method and device for the at least semi-automated evaluation of remote sensing data | |
Moreno–Martínez et al. | Interpolation and gap filling of Landsat reflectance time series | |
Liang et al. | Bayesian MODIS NDVI back-prediction by intersensor calibration with AVHRR | |
CN110096743B (zh) | 基于遥感数据和高程信息估算地表水汽压方法 | |
CN111476172B (zh) | 植物物种beta多样性的估算方法及系统 |
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 |