刘咏梅,王超,于冬
(西北大学城市与环境学院,陕西西安710127)
SPOT VEGETATION 计划由法国、欧盟、比利时、意大利和瑞典联合开发,该计划的组件装载在1998年3月发射的SPOT-4和2002年5月发射的SPOT-5卫星上,观测宽度2250 km,空间分辨率为1 km,每天一次提供全球表面的影像覆盖。SPOT VEGETATION传感器以植被和地表为观测目标,为长期的区域/全球科学研究,以及重要植被资源的监测系统提供基础数据。SPOT VEGETATION在具有覆盖面广、时间分辨率高,数据具有可比性等优点的同时,云层和雪盖的干扰在很大程度上限制了其使用效率。由MVC(maximun value composite)方法合成的S10影像,虽然降低了云层干扰和大气光学厚度变化的影响,但仍然残存着云污染(cloud contamination),从而影响分析精度。研究有效的预处理方法,减少或去除云雾和雪盖的影响,对提高SPOT VEGETATION数据的利用精度具有十分重要的意义。
本研究针对SPOT VEGETATION S10影像中残存的云和雪盖,对3种云层和雪盖检测器的检测结果进行对比分析,并采用时间序列相邻像元均值平滑的方法,较彻底地去除影像中的云和雪盖,为SPOT VEGETATION影像的噪声去除提供了较好的解决方案。
SPOT VEGETATION(VGT)数据的合成处理采用最大值合成法MVC[1]。S10是指10 d的合成产品,根据每个像素10 d内的观测值进行计算,即选取10 d中具有最大NDVI值的观测值作为该像素的地表反射值。S10数据集包含了NDVI,SM(状态地图)和 B0,B2,B3,MIR,SAA,SZA,TG,VAA,VZA等数据层[2]。
状态地图是与影像数据对应的栅格文件,文件的数据类型为无符号8位,取值范围为0~255。该栅格文件中每个像素值的二进制数值实际上是位数指示器(bit indicators Bit NR),表示了影像数据中该像素在获取时的辐射质量及地表覆盖类型。
如:Bit NR 2指示该像素是否冰雪,若值为1,指示是;若值为0,指示不是;Bit NR 1和0,指示该像素是否云层(表1)。
表1 Bit NR的取值意义
例如:在状态地图中若某像素的值为
251=(11111011)2,该像素为云;
252=(11111100)2,该像素为冰雪。
很多新的云和雪盖检测方法都处于初期的验证阶段[3],国际上主要采用以下5种方法:(1)阈值法。在各光谱波段确定若干阈值,超过阈值范围的像素被标识为“云”。(2)分区法。整个世界被分成若干区域,在每个区域内,根据不同的情况采用不同的算法。(3)变量法。与阈值法相同,但输入变量可以采用波段之间的各种组合。(4)神经网络法。采用各种神经网络模型进行云的检测。(5)模糊检测法。不能明确确定某像素是或者不是云,而是确定该像素是云或非云的可能性。
目前,阈值法是云层检测的主要方法,变量法是雪盖检测的主要方法。
2.2.1 云层和雪盖检测器V1.0 (1)云层检测器V1.0。该方法将SM图中各像素的属性值转化为二进制值,用Bit NR1和0来标识。根据SM 图可知,值为27,75,91,107,123,235,251的像素为云像素。以1999年4月11日至20日的全国影像为例,得到云检测图。(2)雪盖检测器V1.0。检测方法和云层检测器V1.0相同,将SM图各像素的属性值转化为二进制值,用Bit NR2来标识。由SM图可知,值为28,92,124,236,252的像素为冰雪像素;同样,生成雪盖检测图。
2.2.2 云层和雪盖检测器V2.0 (1)云层检测器V2.0。该方法根据VGT传感器的B0,MIR波段的TOA反射值来确定像素的属性。一个像素的辐射质量由以下条件来判定:①如果B0<493或MIR<180,晴朗;②如果 B0≥720或MIR ≥320,云;③其它情况,不确定。以上阈值有10%的误差。以1999年4月11日至20日全国影像为例,生成云检测图。(2)雪盖检测器V2.0。下列条件全满足的像素,被定义为冰雪:①B2≥615;②MIR<481;③(B0-B3)/(B0+B3)×1 000≥-773;④(B0-MIR)/(B0+MIR)×1 000≥87;⑤(B0+B2)/2-MIR≥77;以1999年4月11日至20日全国遥感影像为例,生成雪盖检测图。
SPOT VEGETATION S10时间序列影像中不协调的突增和突降可能是有云与无云状况的转变表征。BISE方法通过滑动合成时段来防止选择虚假的最大值,可以较好的识别S10影像的云层噪音干扰。
BISE算法主要包含两个假定:(1)云和大气的影响会使NDVI值降低;(2)NDVI值迅速而不连续的升高或降低与植被的自然生长规律不相符。通过检测3个时刻:t-1,t,t+1的NDVI值,来判断在t时各个像素是否为云层。分别计算NDVI在t-1和t时刻的差值以及NDVI在t+1和t时刻的差值,见公式(1—2)。
采用在t时刻NDVI值降低20%作为阈值来判定云像素的存在[6]。如果dNDVIt-1,t和dNDVIt+1,t各有20%的降低,则认为该像素受到云的影响。
以1999年4月11日至20日全国遥感影像为例,生成云检测图。
以1999年4月11至20日的影像为例,利用3种方法对云和冰雪像素的检测结果见表2。
表2 3种方法检测结果的比较
图1为1999年4月的3期NDVI合成影像。对3种方法的检测结果和NDVI彩色影像进行对比可知,用V1.0得出的云检测图比实际云层覆盖要少的多;用V2.0得出的云和雪盖检测图有一定的重叠度,因而不能准确地判断重叠像素的属性是云还是冰雪;BISE得出的云检测图和实际云层的吻合度很好,使用该方法能够较好地识别云像素。
图1 199904NDVI合成图
有多种方法可以进一步消除影像上残存的云污染[6-8]。选取一个月内具有最大NDVI值的像素合成月影像产品是常用的方法之一,但是这种方法不能很好地反映出植被绿度演变中较大或快速的变化。本研究利用云像素在时间序列上的相邻像素进行平滑处理[4],以达到去除云和雪盖的目的。
对于在时间t获取的像素i,根据上述检测方法,如果该像素被标识为云像素,用时间t之前的某时间(绝大多数情况为t-1)该像素的无云NDVI值和时间t之后的某时间(绝大多数为t+1)该像素的无云NDVI值,计算两者的平均值来代替像素i在时间t的NDVI值。即:
式中:dNDVIt——像素i在时间t的 NDVI值;——像素i在时间t-1的灰度值;dNDVIt+1——像素i在时间t+1的灰度值。
对V1.0,V2.0,BISE检测到的云图,用公式(3)进行处理,可得到去云后的旬NDVI时间序列影像。去雪盖方法和去云方法一样,对V1.0,V2.0得到的雪盖图采用上述公式,可去除冰雪覆盖的影响。
(1)对SPOT VEGETATION S10影像中云层和雪盖的3种检测方法的比较表明,V1.0检测器得到的云最少,但比较准确;V2.0得到的云图有部分像素和雪盖图的像素重叠,因而不能准确判断出这些重叠像素的属性;而用BISE检测器得到的云图和实际相符程度最高。
(2)综合3种方法的优点,SPOT VEGETAION影像云和雪盖检测的最佳方法为:先用V1.0,再用BISE检测器,能够较彻底地检测影像上的云像素;V1.0和V2.0的综合运用,可获得比较合理的雪盖图。
(3)SPOT VEGETATION S10时间序列影像为云和雪盖的去除提供了数据基础,时间序列相邻像素平滑处理方法的应用,使旬影像数据中云和雪盖等噪音的去除效果达到最佳。
[1] Holben B N.Characteristic of maximum value composite images for temporal AVHRR data[J].International Journal of Remote Sensing,1986,7(11):1417-1434.
[2] 刘咏梅.基于高时间分辨率遥感数据的区域水土保持植被综合分类研究:以黄土高原为例[D].北京:中国科学院研究生院,2006:76-77.
[3] Gil Lissens,Pieter Kempeneers,Freddy Fierens.Development of a cloud,snow and shadow mask for VEGETATION imagery[C]//The Proceeding of VEGETATION.Isprs,Italy:Joint Research Center,2000.
[4] Viovy N,Arino O,Belward A S.The best index slope extraction(BISE):A method for reducing noise in NDVI time-series[J].International Journal of Remote Sensing,1992,8:1585-1590
[5] 顾娟,李新,黄春林.NDVI时间序列数据集重建方法述评[J].遥感技术与应用,2006,21(4):392-395.
[6] Xiangming Xiao,Stephen Boles,Jiyuan Liu.Characterization of forest types in Northeastern China,using multi-temporal SPOT-4VEGETATION sensor data[J].Remote Sensing of Environment,1999,11(5):335-348.
[7] White M,Thornton P,Running S.A continental phenology model for monitoring vegetation responses to interannual climatic variability[J].Global Biogeochemical Cycles,1997 11,(2):217-234.
[8] Reed B,Brown J,VanderZee D,et al.Measured phonological variability from satellite imagery[J].Journal of Vegetation Science,1994,5:703-714.