GF-4/PMS与GF-1/WFV两种传感器地表反射率及NDVI一致性分析

孙元亨，秦其明，任华忠，张添源



GF-4/PMS与GF-1/WFV两种传感器地表反射率及NDVI一致性分析

孙元亨，秦其明※，任华忠，张添源

（1. 北京大学地球与空间科学学院遥感与地理信息系统研究所，北京 100871；2. 地理信息基础软件与应用国家测绘地理信息局工程技术研究中心，北京 100871；3. 空间信息集成与3S工程应用北京市重点实验室，北京 100871）

2015年12月中国成功发射高分系列中首颗地球静止轨道卫星高分四号（GF-4），实现与高分一号（GF-1）近极地轨道卫星的优势互补，构成了具有多种空间和时间分辨率的对地观测体系。该文研究并分析了GF-4/PMS与GF-1/WFV地表反射率与NDVI的一致性，结果表明：一致性研究的最优空间尺度为50 m；GF-4/PMS与GF-1/WFV地表反射率存在较好的线性关系，各波段相关系数均在0.7以上，传感器之间反射率的系统性偏差可以通过线性回归模型校正，校正后各波段反射率的RMSE明显降低；NDVI能够消除不同波段地表反射率“同增同减”偏差的影响，在GF-4地表反射率校正前后均表现出与GF-1较好的一致性，校正前后相关系数分别为0.74和0.77。因此，GF-4在农业和植被遥感中具有较好的高分系列数据延续性和应用潜力。

传感器；遥感；像素；高分四号；高分一号；地表反射率；NDVI；一致性

0 引 言

随着“高分辨率对地观测系统”重大专项的实施开展，中国已先后于2013年4月和2015年12月发射了高分一号（GF-1）和高分四号（GF-4）卫星，为农作物长势监测、估产等农业遥感应用实践提供了重要的数据支持。作为一颗近极地轨道卫星，GF-1携带了4台成像幅宽大于200 km的16 m空间分辨率宽视场（wide field of view, WFV）传感器，可以获取幅宽大于800 km的视场拼接遥感图像，并且其重访周期也相应缩短到了2 d。高分四号（GF-4）地球静止轨道卫星搭载的50 m分辨率多光谱成像仪（panchromatic multispectral sensor, PMS）成像幅宽大于400 km，具备10 s时间分辨率凝视成像能力，能够对中国及周边地区进行大范围、高频次的动态观测。GF-4多光谱传感器的波段设置与GF-1/WFV传感器较为相似，这为未来GF-1与GF-4的多源数据融合与联合应用提供了可能。

当前，GF-1/WFV数据被广泛应用于生态环境监测[1-3]、农作物种植面积提取[4-9]与作物特征参数反演[10-11]等研究中。由于归一化植被指数（normalized difference vegetation index, NDVI）与叶面积指数、生物量等农学参数关系密切，因此利用NDVI开展农作物长势动态监测和特征参数提取已成为基于高分卫星数据农业遥感应用研究的重要方向。例如，杨闫君等[12]利用基于GF-1/WFV数据构建的高分辨率NDVI时间序列，开展了作物分类研究与验证。闫敏等[13]采用像元二分模型估算了内蒙古大兴安岭根河森林保护区植被覆盖度情况，建立了其与NDVI的经验关系。孔凡婕等[14]通过对比不同植被指数与植被生物量的经验关系，估算和评估了河北省丰宁县植被地上生物量以及碳储量。王利民等[15]则在传统NDVI的基础上，利用GF-1/WFV时间序列数据提出冬小麦NDVI加权指数用于种植面积调查，得到了稳定的分类效果和较高的提取精度。

GF-4/PMS与GF-1/WFV具有相近的波段设置，二者时空分辨率优势互补，可结合开展地表农作物监测和特征参数反演。然而，对于这2种传感器的对地观测能力是否相似、NDVI是否具有直接可比性等问题，目前还未见相关报道与讨论，而此类研究在现有的其他卫星传感器之间已普遍开展[16-17]。

例如，在Landsat-7卫星发射之初，Bryant等[18]便开展了Landsat-4/TM、Landsat-5/TM和Landsat-7/ETM+传感器之间地表反射率的一致性研究，并将其与EO-1/ALI的反射率以及地面实测反射率进行了对比和验证。Flood[19]研究了Landsat-7/ETM+与Landsat-8/OLI传感器的表观反射率与地表反射率的一致性。Li等[20-22]又对比了基于ETM+与OLI计算得到的多种植被指数在不同地表植被类型下的差异。国内卫星数据产品方面，徐涵秋等[23]对比了GF-1/PMS与ZY-3/MUX传感器的NDVI数据，发现ZY-3的NDVI信息量和信号总体强于GF-1。

因此，为了探究高分系列卫星中GF-4/PMS与GF-1/WFV之间地表反射率与NDVI的一致性，本文将首先对GF-4/PMS与GF-1/WFV数据开展不同空间尺度地表反射率结果的一致性检验以揭示二者对相同地表响应的差异，进而优选合适的空间分辨率构建GF-4/PMS地表反射率校正模型；然后，分别利用校正前与校正后的地表反射率结果计算NDVI；最后对比和验证GF-4/PMS与GF-1/WFV传感器数据计算得到NDVI结果的一致性。

1 数据来源与研究区

本文选取华北平原（济南附近）及周边山地（北京附近）作为主要研究区。研究区地表类型以农田和森林植被为主，其他地类如城市、水体等亦较为丰富。GF-4/PMS和GF-1/WFV遥感图像来自于中国资源卫星应用中心推送至环保部卫星环境应用中心的数据，以晴空少云为选取标准。研究区内GF-4/PMS和GF-1/WFV遥感图像时相接近、位置匹配，且成像效果良好。选用的遥感图像具体信息和研究区示意图如表1和图1所示。

表1 GF-4与GF-1遥感图像信息

2 研究方法

2.1 高分系列卫星数据预处理

GF-4和GF-1卫星数据预处理主要包括辐射定标、大气校正和几何校正。

辐射定标：GF-4与GF-1数据绝对辐射定标系数来源于中国资源卫星应用中心网站，可直接获取并进行定标计算，得到图像表观辐亮度。

大气校正：在获得了图像表观辐亮度之后，利用6S（second simulation of the satellite signal in the solar spectrum）模型对GF-1和GF-4图像进行大气校正[24]，从而获得地表反射率结果。其中6S模型输入参数所需的研究区气溶胶光学厚度数据取自于MODIS大气2级标准数据产品MOD04_L2。

几何校正：首先利用高分数据自带的RPC参数进行无控制点的有理多项式模型区域网平差粗校正[25]，粗校正所需的DEM数据来自ASTER卫星30 m空间分辨率GDEM产品。之后再以带有准确空间坐标信息的Landsat-8全色融合图像为参考，通过人工添加同名控制点的方法实现GF-1与GF-4数据的几何精校正。GF-4与GF-1图像几何精校正均方根误差（RMSE）均小于0.5个像素，可以满足后续对比工作的精度要求。

2.2 遥感图像重采样

由于GF-4/PMS与GF-1/WFV遥感图像原始空间分辨率分别为50和15 m，在进行点对点的像元光谱对比之前，首先需要对遥感图像进行重采样以统一空间分辨率。同时为了研究不同空间尺度对GF-4/PMS与GF-1/WFV各对应波段反射率相关性的影响，本文将原始遥感图像重采样至15～200 m多种不同空间分辨率下，通过分别计算GF-4/PMS与GF-1/WFV对应波段反射率相关系数与图像变异系数，探究尺度效应对反射率一致性的影响。图像升尺度转换采用像素聚合法，降尺度转换采用三次卷积插值的方法。

2.3 地表反射率校正

考虑到传感器光谱响应的差别以及地物反射特性的影响，GF-4/PMS与GF-1/WFV图像所反映的相同地物反射率可能存在系统性偏差，因此需要通过统计回归模型对GF-4/PMS数据进行校正。在对GF-4与GF-1空间尺度效应特征研究结果的基础上，本文采用最小二乘线性回归模型，以GF-4反射率为自变量，以GF-1反射率为因变量构建回归方程

式中gf1和gf4分别为GF-1和GF-4图像对应像元的反射率值，回归系数中为截距，为斜率。随着用于构建回归模型的随机像元对数量的增加，回归模型系数也逐渐趋于稳定，因此本文选择利用系数已达到稳定时随机选取的5 000个像元对作为训练数据拟合回归模型系数，另5 000个像元对用于回归模型校正结果的验证。

2.4 NDVI计算与对比

NDVI作为目前使用最为广泛的植被指数模型已成为农业遥感与作物长势监测的重要工具。现有的研究表明NDVI对于GF-1/WFV数据也具有良好的适用性[8-12]，其计算公式如下

式中NIR为像元近红外波段的地表反射率，Red为红光波段的地表反射率。GF-4/PMS图像校正前后的地表反射率将用于计算NDVI，并与GF-1/WFV计算结果进行对比和一致性检验。

3 结果与分析

3.1 空间尺度效应特征

对于不同传感器获取的同一地区遥感图像，其对应波段相关性特征在不同空间分辨下往往不同，且随着空间尺度的变化会呈现出一定的特点和规律。为了直观展示上述变化规律，本文将重采样后不同尺度下的GF-4/PMS与GF-1/WFV对应波段反射率相关系数绘制成折线图（图2）。

从图2中可以看出，随着像元空间尺度的增大，2组图像反射率在各个波段的相关性均呈现出增加的趋势；蓝光波段的相关程度最高，绿光波段的相关程度最低。随着像元大小的增加，在50～80 m这一像元尺度范围相关系数出现了异于总体变化趋势的特征：蓝光波段相关系数略有下降，红光波段增长趋于停滞，而绿光和近红外波段增速也有所放缓。

虽然随着空间尺度的增加图像间波段反射率相关性会有提高，但这也会在一定程度上带来遥感图像信息的损失[26]，因此需要研究在不同尺度区间变化时图像光谱信息丢失与波段反射率相关性提高二者的相对显著性，以平衡二者之间的关系。变异系数是描述图像表征细节信息能力的较好指标，因此，本文分别计算了15～200 m范围内6组像元尺度变化区间上各个波段反射率相关系数与变异系数的相对变化率均值，其中变异系数为基于GF-4图像的计算结果。从表2中可以看出，在50～80 m区间范围内相关系数增长几乎停滞，同时该范围内的变异系数降低也最为明显，说明空间尺度从50降低到80 m时图像损失较多的细节信息，但对相关性的增加贡献有限。

表2 不同尺度区间图像变异性与相关性

3.2 地表反射率的一致性

图3a展示的是GF-4与GF-1对应波段像元地表反射率散点分布以及过原点的拟合直线。GF-4 绿光和红光波段存在部分小于0的反射率值，这可能是由于辐射定标和大气校正过程中的误差造成的。2种卫星传感器之间地表反射率基本呈线性相关关系，除绿光波段之外其余各对应波段回归方程的决定系数2均在0.6左右；除少量低反射率像元，GF-1卫星各个波段的反射率均大于GF-4，反射率结果存在一个明显的系统性偏差。最大系统性偏差出现在蓝光和绿光波段，而偏差最小的则是红光波段。

图3b给出的是经过校正后的对应波段地表反射率对比情况，各个波段线性回归模型校正系数如表3所示。校正后蓝光和绿光波段的RMSE明显减小，红光和近红外波段也略有降低，RMSE总体在0.1上下，这表明校正模型能够有效的消除由于传感器间系统偏差而导致的对应波段间反射率的差异。

3.3 NDVI的一致性

NDVI利用卫星传感器红光与近红外波段地表反射率之间的差异来增强和提取植被信息，红光与近红外波段在GF-1图像中分别对应为波段3和波段4，而在GF-4图像上则为波段4和波段5。图4a与图4b分别给出了地表反射率校正前后GF-4与GF-1的NDVI散点分布以及过原点的拟合直线，可以发现无论是校正前还是校正后，二者的NDVI均呈现出较好的一致性，校正前后相关系数分别为0.74和0.77，散点总体均匀分布在1:1线附近；GF-4/PMS反射率校正后的NDVI与GF-1/WFV的NDVI结果相关系数略有增加，RMSE略有降低；反射率校正前后，在NDVI高值区GF-4结果较GF-1略微偏小，而在NDVI负值区GF-4结果则略微偏大。

4 讨 论

4.1 最优空间尺度的选择

由于像元所能携带和表达的地表信息对空间分辨率具有较大的依赖性，因此遥感图像空间升尺度转换难免会带来一定程度上的光谱信息丢失和变异[27]。随着尺度的增加，混合像元综合了其内部各种不同地物的光谱特征，信号强度趋于稳定，不同传感器接收到的像元信号也趋于相似。因此在本文研究中，GF-4/PMS与GF-1/WFV各个波段相关性均随着重采样像元大小的增加而增加，而图像的变异性则相应降低。当像元空间尺度在50～80 m时，重采样后GF-4像元不足原始像元大小的2倍，原始中心像元的影响占据主导，因此在这一范围内，GF-4与GF-1地表反射率的相关性略有降低或增长放缓。在大于100 m的像元尺度中，波段间相关性虽然随尺度增大而持续增加，但图像变异性迅速降低，图像信息损失明显。综合平衡图像光谱信息丢失与波段反射率相关性提高，本文认为50 m是GF-4/PMS与GF-1/WFV反射率一致性研究和未来二者联合应用的最优空间尺度。

4.2 反射率差异的原因

卫星传感器光谱响应函数的不同会使图像间地表反射率产生系统性偏差，此外地物光谱反射特性、地表的非均一性、观测时间和太阳高度角等其他因素也会增加这种偏差的随机性和不确定性[19]。

原始GF-4/PMS与GF-1/WFV图像对应波段的反射率存在一个明显的系统偏差（图3），这主要是由2个传感器光谱响应函数的差别和地物反射光谱特性造成的。由于4台WFV传感器的光谱响应函数十分相似，图5以 GF-1/WFV1为例将其与GF-4/PMS传感器进行对比，可以看出GF-4在蓝光、绿光和近红外波段的光谱响应范围相比GF-1更宽，而红光波段与GF-1基本一致。更宽的光谱响应使得GF-4单波段反射率更容易受到相邻波段的影响，同时也对大气水汽和气溶胶等的干扰更为敏感。

图像像元上的反射率值是受传感器光谱响应函数与目标地物反射特性共同作用的结果，因此图像上一些只在特定波段范围内具有高反射特性的地物，往往受到光谱响应函数差异的影响更大。例如，仅在GF-4近红外波段前半部分（720～750 nm）具有较高反射率的目标地物，可能在GF-1与GF-4的图像上产生明显不同的响应结果[19, 28]。

系统偏差使得GF-4各个波段地表反射率总体低于GF-1，然而各个波段的系统偏差也具有不同的特点。在校正之前红光波段地表反射率的绝对偏差最小、一致性最佳，这主要是因为2个传感器在此波段的光谱响应函数最相似。其余波段的光谱响应函数在响应范围和强度上一定的差别，尤其是蓝光（430～520 nm）波段，GF-1光谱响应函数在波长范围内较为稳定，而GF-4光谱响应函数曲线则表现出明显的先低后高的起伏变化，从而导致了反射率结果的较大偏差。

各个波段反射率的线性回归校正模型中斜率均大于1，表明GF-1探测的地物光谱信号的光谱动态范围更宽、信息量更多，这主要是由于GF-1/WFV图像的空间分辨率更高，从而使其更容易捕捉到细小的极端光谱信息。在红光和近红外波段GF-4的光谱动态范围明显较GF-1更窄（图3a），通过模型的校正可以显著提高其变化范围以及其与GF-1反射率的一致性（图3b）。

GF-4与GF-1地表反射率除了存在可以被校正的系统性偏差，也存在一些随机误差，而这可能是多种因素造成的，例如GF-4与GF-1传感器成像时间的差异、大气校正误差等。此外，GF-4与GF-1分别属于静止卫星和极轨卫星，它们在成像时的太阳方位角和观测方位角并不相同，地表反射率的方向性特征也会对传感器获得的反射率结果产生一定影响[29-30]，而本文的研究还未考虑由于上述因素导致的反射率方向性效应的影响。由于所获取的GF-4数据数量有限，本文仅以两个研究区域的GF-4与GF-1图像对拟合得到了地表反射率的校正系数，该系数在其他区域的适用效果还有待进一步验证。

4.3 NDVI对反射率偏差的敏感性

NDVI作为地表反射率的组合，红光和近红外波段反射率的微小变化可能对其结果造成比较大的影响，而波段组合形式也可能会降低模型对反射率微小变化的敏感性。本文的试验结果表明，在地表反射率校正前后，GF-4的NDVI计算结果与GF-1都呈现出较好线性相关关系，相关系数均在0.7以上，反射率校正后相关系数略有提高，RMSE略有降低。

与地表反射率相比，NDVI比值归一化的计算方式很大程度上消除了传感器间各波段反射率由于“同增同减”而产生的偏差，在反射率校正前也可保持GF-4和GF-1之间结果的一致性，从而使其对于反射率的这种偏差的敏感性大大降低[31]。

5 结 论

本文探究了不同空间尺度下GF-4/PMS与GF-1/WFV图像地表反射率与NDVI的一致性，获得的主要结论包括：

1）随着像元尺度的增加，GF-4与GF-1地表反射率相关性也随之增加，但在50～80 m范围内有所降低或放缓。综合考虑图像内信息损失与图像间反射率相关性的平衡，50 m是GF-4与GF-1地表反射率一致性研究的最优尺度。

2）GF-4与GF-1地表反射率具有良好的线性相关性，各波段相关系数均在0.7以上。传感器之间的反射率既存在系统性偏差，也有其他因素造成的随机偏差，系统性偏差可以通过线性回归模型校正，使得在大多数波段RMSE明显降低，从而提高GF-4与GF-1地表反射率结果的一致性。

3）由于GF-4各个波段地表反射率相对于GF-1图像的系统偏差具有“同增同减”的性质，具有归一化比值形式的NDVI模型对于这种系统偏差并不敏感，校正前后NDVI一致性的差别不大。

[1] Wu M Q, Huang W J, Niu Z, et al. Combining HJ CCD, GF-1 WFV and MODIS data to generate daily high spatial resolution synthetic data for environmental process monitoring[J]. International Journal of Environmental Research and Public Health, 2015, 12(8): 9920－9937.

[2] 侍昊，沈文娟，李杨，等. 高分系列卫星影像特征及其在太湖生态环境监测中的应用[J]. 南京林业大学学报：自然科学版，2016，40 (6)：63－68.

Shi Hao, Shen Wenjuan, Li Yang, et al. Analysis of characteristics of GF images and their eco-environmental significance[J]. Journal of Nanjing Forestry University: Natural Sciences Edition, 2016, 40 (6): 63－68. (in Chinese with English abstract)

[3] 朱利，李云梅，赵少华，等. 基于GF-1号卫星WFV数据的太湖水质遥感监测[J]. 国土资源遥感，2015，27(1)：113－120.

Zhu Li, Li Yunmei, Zhao Shaohua, et al. Remote sensing monitoring of Taihu Lake water quality by using GF-1 satellite WFV data[J]. Remote Sensing For Land & Resources, 2015, 27(1): 113－120. (in Chinese with English abstract)

[4] 郭燕，武喜红，程永政, 等. 用高分一号数据提取玉米面积及精度分析[J]. 遥感信息，2015，30(6)：31－36.

Guo Yan, Wu Xihong, Cheng Yongzheng, et al. Maize recognition and accuracy evaluation based on high resolution remote sensing (GF-1) data[J]. Remote Sensing Information, 2015, 30(6): 31－36. (in Chinese with English abstract)

[5] 刘国栋，邬明权，牛铮，等. 基于GF-1卫星数据的农作物种植面积遥感抽样调查方法[J]. 农业工程学报，2015，31(5)：160－166.

Liu Guodong, Wu Mingquan, Niu Zheng, et al. Investigation method for crop area using remote sensing sampling based on GF-1 satellite data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(5): 160－166. (in Chinese with English abstract)

[6] 王利民，刘佳，杨福刚，等. 基于GF-1卫星遥感的冬小麦面积早期识别[J]. 农业工程学报，2015，31(11)：194－201.

Wang Limin, Liu Jia, Yang Fugang, et al. Early recognition of winter wheat area based on GF-1 satellite[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(11): 194－201. (in Chinese with English abstract)

[7] 黄健熙，贾世灵，武洪峰，等. 基于GF-1 WFV影像的作物面积提取方法研究[J]. 农业机械学报，2015，46(1)：253－259.

Huang Jianxi, Jia Shiling, Wu Hongfeng, et al. Extraction method of crop planted area based on GF-1 WFV image[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(1): 253－259. (in Chinese with English abstract)

[8] 马尚杰，易湘生，游炯，等. 基于GF-1影像的冬小麦种植面积核算及直补政策实施评价[J]. 农业工程学报，2016，32(18)：169－174.

Ma Shangjie, Yi Xiangsheng, You Jiong, et al. Winter wheat cultivated area estimation and implementation evaluation of grain direct subsidy policy based on GF-1 imagery[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(18): 127－135. (in Chinese with English abstract)

[9] 宋军伟，张友静，李鑫川，等. 基于GF-1与Landsat-8影像的土地覆盖分类比较[J]. 地理科学进展，2016，35(2)：255－263.

Song Junwei, Zhang Youjing, Li Xinchuan, et al. Comparison between GF-1 and Landsat-8 images in land cover classification[J]. Progress in Geography, 2016, 35(2): 255－263. (in Chinese with English abstract)

[10] Jia K, Liang S L, Gu X F, et al. Fractional vegetation cover estimation algorithm for Chinese GF-1 wide field view data[J]. Remote Sensing of Environment, 2016, 177: 184－191.

[11] 贾玉秋，李冰，程永政，等. 基于GF-1与Landsat-8多光谱遥感影像的玉米LAI反演比较.[J] 农业工程学报，2015，31(9)：173－179.

Jia Yuqiu, Li Bing, Cheng Yongzheng, et al. Comparison between GF-1 images and Landsat-8 images in monitoring maize LAI[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(9): 173－179. (in Chinese with English abstract)

[12] 杨闫君，占玉林，田庆久，等. 基于GF-1/WFV NDVI时间序列数据的作物分类[J]. 农业工程学报，2015，31(24)：155－161.

Yang Yanjun, Zhan Yulin, Tian Qingjiu, et al. Crop classification based on GF-1/WFV NDVI time series[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(24): 155－161. (in Chinese with English abstract)

[13] 闫敏，李增元，陈尔学，等. 内蒙古大兴安岭根河森林保护区植被覆盖度变化[J]. 生态学杂志，2016，35(2)：508－515.

Yan Min, Li Zengyuan, Chen Erxue, et al. Vegetation fractional coverage change in Daxinganling Genhe forest reserve of Inner Mongolia[J]. Chinese Journal of Ecology, 2016, 35(2): 508－515. (in Chinese with English abstract)

[14] 孔凡婕，李晓兵，白云晓，等. 基于GF-1 WFV影像的丰宁县植被地上碳储量估算[J]. 资源科学，2016，38(6)：1054－1064.

Kong Fanjie, Li Xiaobing, Bai Yunxiao, et al. The estimation of aboveground vegetation carbon storage based on GF-1 WFV satellite images in Fengning County[J]. Resources Science, 2016, 38(6): 1054－1064. (in Chinese with English abstract)

[15] 王利民，刘佳，杨玲波，等. 基于NDVI加权指数的冬小麦种植面积遥感监测[J]. 农业工程学报，2016，32(17)：127－135.

Wang Limin, Liu Jia, Yang Lingbo, et al. Remote sensing monitoring winter wheat area based on weighted NDVI index[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(17): 127－135. (in Chinese with English abstract)

[16] Lewis P E. An overview of the Landsat data continuity mission[J]. Proceedings of SPIE-The International Society for Optical Engineering, 2010, 7695(5): 7.

[17] Wulder M A, White J C, Goward S N, et al. Landsat continuity: Issues and opportunities for land cover monitoring[J]. Remote Sensing of Environment, 2008, 112(3): 955－969.

[18] Bryant R, Moran M S, Mcelroy S A, et al. Data continuity of earth observing 1 (EO-1) advanced land imager (ALI) and Landsat TM and ETM+[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(6): 1204－1214.

[19] Flood N. Continuity of reflectance data between Landsat-7 ETM+ and Landsat-8 OLI, for both top-of-atmosphere and surface reflectance: a study in the Australian landscape[J]. Remote Sensing, 2014, 6(9): 7952－7970.

[20] Li P, Jiang L, Feng Z. Cross-comparison of vegetation indices derived from Landsat-7 enhanced thematic mapper plus (ETM+) and Landsat-8 operational land imager (OLI) sensors[J]. Remote Sensing, 2014, 6(1): 310－329.

[21] She X J, Zhang L F, Cen Y, et al. Comparison of the continuity of vegetation indices derived from Landsat 8 OLI and Landsat 7 ETM+ data among different vegetation types[J]. Remote Sensing, 2015, 7(10):13485－13506.

[22] Roy D P, Kovalskyy V, Zhang H K, et al. Characterization of Landsat-7 to Landsat-8 reflective wavelength and normalized difference vegetation index continuity[J]. Remote Sensing of Environment, 2016, 185(1): 57－70.

[23] 徐涵秋，刘智才，郭燕滨. GF-1 PMS1与ZY-3 MUX传感器NDVI数据的对比分析[J]. 农业工程学报，2016，32(8)：148－154.

Xu Hanqiu, Liu Zhicai, Guo Yanbin. Comparison of NDVI data between GF-1 PMS1 and ZY-3 MUX sensors[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(8): 148－154. (in Chinese with English abstract)

[24] 刘佳，王利民，杨玲波，等. 基于6S模型的GF-1卫星影像大气校正及效果[J]. 农业工程学报，2015，31(19)：159－168.

Liu Jia, Wang Limin, Yang Lingbo, et al. GF-1 satellite image atmospheric correction based on 6S model and its effect[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(19): 159－168. (in Chinese with English abstract)

[25] 刘佳，王利民，杨玲波，等. 基于有理多项式模型区域网平差的GF-1影像几何校正[J]. 农业工程学报，2015，31(22)：159－168.

Liu Jia, Wang Limin, Yang Lingbo, et al. Geometric correction of GF-1 satellite images based on block adjustment of rational polynomial model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(22): 159－168. (in Chinese with English abstract)

[26] Takeuchi W, Tamura M, Yasuoka Y. Estimation of methane from West Siberian wetland by scaling technique between NOAA AVHRR and SPOT HRV[J]. Remote Sensing of Environment, 2003, 85(1): 21－29.

[27] Woodcock C E, Strahler A H. The factor of scale in remote sensing[J]. Remote Sensing of Environment, 1987, 21(3): 311－332.

[28] Barsi J, Lee K, Kvaran G, et al. The spectral response of the Landsat-8 operational land imager[J]. Remote Sensing, 2014, 6(10): 10232－10251.

[29] Wang Z J, Coburn C A, Ren X M, et al. Effect of surface roughness, wavelength, illumination, and viewing zenith angles on soil surface BRDF using an imaging BRDF approach[J]. International Journal of Remote Sensing, 2014, 35: 6894－6913.

[30] Wang Z, Coburn C A, Ren X, et al. Effect of soil surface roughness and scene components on soil surface bidirectional reflectance factor[J]. Canadian Journal of Soil Science, 2012, 92(2): 297－313.

[31] 王正兴，刘闯，Huete A. 植被指数研究进展：从AVHRR-NDVI到MODIS-EVI[J]. 生态学报，2003，23(5)：979－987.

Wang Zhengxing, Liu Chuang, Huete A. From AVHRR-NDVI to MODIS-EVI: Advances in vegetation index research[J]. Acta Ecologica Sinica, 2003, 23(5): 979－987. (in Chinese with English abstract)

Consistency analysis of surface reflectance and NDVI between GF-4/PMS and GF-1/WFV

Sun Yuanheng, Qin Qiming※, Ren Huazhong, Zhang Tianyuan

(1.100871; 2.100871; 3.100871)

As the first geostationary satellite of China’s National High-resolution Observation Program (GaoFen Project), GaoFen-4 (GF-4) which launched in December 2015 enjoys the features of high temporal resolution and wide observation with a spatial resolution of 50 m. Meanwhile, GaoFen-4 together with GaoFen-1 (GF-1) polar-orbiting satellite forms a multi-spatial-temporal-resolution ground observation system, which provides more choices for agricultural remote sensing applications. Since the spectral responses of the Panchromatic Multispectral Sensor (PMS) boarded on GF-4 and Wide Field View (WFV) on GF-1 are slight different, there might be difference in reflectance measurements between them. To take fully advantage of their features, the imaging and vegetation detecting capability between two kinds of sensor are of great importance for us to explore in detail using image pairs from the areas of interest. In this study, we aimed at analysis of the continuity of surface reflectance and Normalized Difference Vegetation Index (NDVI) based on GF-4/PMS and GF-1/WFV sensors images. Two image pairs of Northern China Plain and its nearby mountain areas of China, acquired in May 2016, were employed for the comparison. Radiometric calibration, atmospheric correction and geometric correction were operated at first on the Level 1A images. Since there is discrepancy in spatial resolution between GF-4/PMS (50 m) and GF-1/WFV (15 m) images, two pixel-resampling methods were adopted not only to get a comparable surface reflectance image pair, but also to explore the scale effect on their continuity. Statistic indicators such as2and RMSE were used to measure the continuity of their surface reflectance and NDVI, and linear regression model was adopted for surface reflectance rectification of GF-4/PMS images. Our results demonstrated that with spatial scale of the pixels increasing, the correlation of surface reflectance between GF-4 and GF-1 is also in increment. However, the uptrend of correlation speeds down or even reverses in blue band from 50 to 80 m. So 50 m is considered as an optimal spatial scale for the continuity study of GF-4 and GF-1 surface reflectance. The surface reflectance of GF-4 and GF-1 has a high positive correlation withgreater than 0.7 in all bands, but there is also bias. The bias includes systematic bias and random bias caused by sensors differences and outside factors, respectively. The major influence factor is the sensors’ spectral response function, and it affects red band least. Other outside influence factors may include acquiring time, variation in atmospheric conditions and solar azimuths. Besides, BRDF effects were not under consideration in this paper either. The systematic bias can be reliably modified by a linear regression model, thus to predict GF-4/PMS reflectance from GF-1/WFV reflectance with an elimination of RMSE on surface reflectance between GF-4 and GF-1 remarkably. Meanwhile, the correlation coefficientof NDVI increased slightly from 0.74 to 0.77 by the process of surface reflectance rectification, which proves that NDVI could weaken the effect of the surface reflectance bias. As a result, NDVI represents a much better continuity between GF-4 and GF-1 both before and after GF-4 surface reflectance rectification. Based on our experiment results, we suggest that GF-4 has a good continuity of China’s GaoFen series satellites that enable its potential applications in the monitoring of agriculture and vegetation.

sensors; remote sensing; pixels; GF-4; GF-1; surface reflectance; NDVI; consistency

10.11975/j.issn.1002-6819.2017.09.021

S127

A

1002-6819(2017)-09-0167-07

2016-10-17

2017-04-20

高分辨率对地观测系统重大专项（编号：11-Y20A05-9001-15/16）

孙元亨，男，辽宁大连人，主要研究方向为植被定量遥感与全球变化。北京 北京大学遥感与地理信息系统研究所，100871。 Email：yhsun@pku.edu.cn

秦其明，男，江苏徐州人，教授，博士，主要研究方向为定量遥感与地理信息系统。北京 北京大学遥感与地理信息系统研究所，100871。Email：qmqin@pku.edu.cn

孙元亨，秦其明，任华忠，张添源. GF-4/PMS与GF-1/WFV两种传感器地表反射率及NDVI一致性分析[J]. 农业工程学报，2017，33(9)：167－173. doi：10.11975/j.issn.1002-6819.2017.09.021 http://www.tcsae.org

Sun Yuanheng, Qin Qiming, Ren Huazhong, Zhang Tianyuan. Consistency analysis of surface reflectance and NDVI between GF-4/PMS and GF-1/WFV[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(9): 167－173. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.09.021 http://www.tcsae.org