多源卫星影像

多源卫星影像（精选五篇）

多源卫星影像 篇1

关键词：多源卫星影像,影像“漏洞”,二次联合平差,精度

1 概述

随着测绘信息技术的快速发展, 航天遥感已步入一个能快速提供多种高分辨率对地观测数据的新阶段, 卫星遥感影像正越来越多地应用于摄影测量领域[1], 是快速获取地理空间信息的一种重要方法。由于受拍摄时间和区域的限制, 卫星影像极易出现山体阴影、云雾遮挡、雪山水体反光、和其他摄影“漏洞”问题, 给后续工作带来了很大困难。通常利用已有的地形图资料对云层覆盖区进行补测[2], 此方法虽然可以作为一种解决问题的办法, 但两种资料间的误差无法控制, 不能保证成果精度。为了更好的解决这一类问题, 我们在某型号卫星影像区域网控制三角测量的基础上, 引进资源三号等其他卫星影像经过联合平差进行补充作业, 在实践中取得了良好的效果。本论述以某型号卫星影像为主, “资三”等卫星影像为补充, 采用多源卫星影像二次联合平差技术作为解决影像缺陷问题的途径。

2 数据分析

在西部某测区1:5万地形图测制项目中, 以某型号卫星影像为基本资料, 以资源三号等其它卫星影像为补充, 基于统一有理多项式 (RFM) 成像模型理论和大范围稀少 (无) 地面控制点的区域网平差方法完成空中三角测量[3]。在影像资料分析时, 各景影像上都有部分区域的阴影和云雪覆盖, 形成影像“漏洞”。由于影像覆盖范围广, 对整体空中三角测量影响不大, 但在数据采集时, 局部范围的影像“漏洞”对立体地貌测绘和影像判绘造成了较大影响, 甚至导致个别区域无法作业。在现有影像数据无法满足成图要求的情况下, 可以考虑使用其他影像资料补充“漏洞”区域, 使用多种卫星影像联合平差的方案, 解决影像“漏洞”问题。

资源三号卫星搭载有1台地面分辨率优于2.1m的正视全色CCD相机, 2台地面分辨率优于3.5m的前、后视CCD相机, 可以提供优于5m地面分辨率的立体像对, 可以达到1:5万比例尺地形图测制要求[4], 能够满足补充影像“漏洞”要求。虽然不同卫星影像分辨率和比例尺等参数不同, 直接进行联合平差的难度很大, 但采用多源影像二次联合平差的方法, 可以建立可靠的补充影像立体模型。

3 技术方法

利用卫星影像测制地形图的基本原理是以影像为基本测图资料, 利用卫星的轨道参数、传感器参数等建立卫星图像成像解析关系的数学模型, 模型间选取一定数量的连接点, 采用基于少量地面控制点或无地面控制点的卫星影像区域网平差技术, 解算各模型正确的姿态参数, 通过数学模型计算卫星影像点对应于地面点的大地坐标[5]。运用资源三号卫星影像进行“漏洞”补充, 首先在原局域网模型中选择相应的点位, 平差计算后可获得精度较高的点位坐标成果, 可作为资源三号卫星影像加密控制点使用。然后将相应点转刺到资源三号卫星影像上, 与影像自身参数一起进行二次平差计算, 建立资源三号卫星影像立体模型。基本流程如图1所示。

3.1 空中三角测量

原卫星影像空中三角测量, 是以线阵立体影像为基础, 基于自定位参数 (rpc) 的区域网平差方法, 对大区域、多轨、多重叠卫星影像进行平差处理[6]。

3.2 获取原影像加密点位图

不同卫星影像摄影高度、时相、卫星姿态等参数都不相同, 影像之间往往存在较大差异。为了得到资源三号卫星影像准确的控制点位, 需要从加密后的影像中获取加密点点位图。可采取截取原影像的方式, 获得加密单点图。

3.3 转刺加密点

按照获取的加密单点图, 将每个加密点准确地转刺到资源三号卫星影像对应的位置上。在转刺加密点时, 注意以下几点:

一是尽量不要在云影遮挡和山体阴影区附近选点, 点位应避开大面积冰雪覆盖区域, 最好选择夏季影像。

二是点位应该选择在山头、线状地物交叉口等影像特征明显处, 以提高转刺精度。

三是要灵活确定转刺点类型和数量。根据实验, 两景影像重叠区域一般转刺3个连接点就可以满足要求, 在特殊情况下, 可以转刺2个连接点, 至少要有一个连接点。三景影像重叠时, 原则上要有三度重叠的连接点, 如图2所示。

在选择三度重叠连接点困难的情况下, 可以采取两两连接的方法选点。如图3所示。

3.4 二次联合平差计算

完成加密点转刺后, 将原卫星影像和资源三号卫星影像整理到同一个工程文件中, 各自采用相应的rpc参数, 进行二次联合平差计算。

4 精度检测

4.1 检测方法

检测联合平差精度可以用两种方法。一种方法是:在不同影像建立的立体模型上分别采集同名特征点, 进行坐标比对;另一种方法是:用一种影像立体模型采集地物、地貌数据, 再用另一种影像立体模型检查比较[7]。

4.2 检测结果

4.2.1 同名特征点对比精度

通过对两种影像立体模型同名特征点坐标比对, 按照“基础地理信息数字产品1:10000、1:50000生产建设规程第一部分数字线划图 (DLG) ”对加密点精度要求, 平地困难地区检查点平面中误差应小于35m, 高程中误差应小于4m;高山地困难地区检查点平面中误差应小于50m, 高程中误差应小于14m[8]。检测结果平面中误差为7.47m;高程中误差为3.74m, 精度符合限差要求, 可以满足1:5万地形图成图要求。详细情况见表1。

4.2.2 立体模型套合精度

将原卫星影像立体模型采集获得的矢量数据, 引入资源三号卫星影像立体模型做套合检查。经量测统计, 平面中误差小于10m, 高程中误差小于4m, 结果符合“基础地理信息数字产品1:10000、1:50000生产建设规程第一部分数字线划图 (DLG) ”精度要求[8]。

4.2.3 数据接边精度

用两种卫星影像构建立体模型, 分别采集连接处两侧图幅矢量数据, 然后做接边检查。通过检查, 图幅间相同要素接边误差小于18m。对于测制1:5万地形图来说, 符合困难地区等高线接边差小于一个基本等高距和地物接边小于6m的要求[9]。

5 结束语

不同遥感卫星影像的二次联合平差方法, 解决了测区影像“漏洞”问题。经检查检测, 精度能够达到作业规范要求。本方法可以推广应用到其他利用多源遥感卫星影像测图项目, 可以作为解决此类问题的一种有效方法。但要注意尽量使用分辨率、时相等参数相近的影像, 以达到更好的效果。

参考文献

[1]张永生, 巩丹超, 刘军等.高分辨率遥感卫星影像应用:成像模型、处理算法及应用技术[M].北京.科学出版社, 2004.

[2]符爱琴, 刘荣科, 孙曼.卫星影像线划图云区的补测方法[J].河南科技, 2012 (6) :61-61.

[3]张力, 张继贤等.基于有理多项式模型RFM的稀少控制SPOT-5卫星影像区域网平差[J].测绘学报.2009, 38 (4) :302-310.

[4]周太平, 熊勇.资源三号卫星影像在1:5万地形图更新中的应用[J].江西测绘.2013 (1) :9-10.

[5]刘敏健.卫星影像在1:5万地形图生产中的应用[J].四川测绘, 2003 (1) :40-42.

[6]GB/T23236-2009.数字航空摄影测量, 空中三角测量规范[S].中华人民共和国国家质量监督检验检疫总局/中国国家标准化管理委员会, 2009.

[7]GB/T 17157—2012.1∶25000 1∶50000 1∶100 000地形图航空摄影测量数字化测图规范[S].中华人民共和国国家质量监督检验检疫总局/中国国家标准化管理委员会, 2012.

[8]CH/T 1015.1-2007.基础地理信息数字产品1:10000、1:50000生产建设规程第一部分数字线划图 (DLG) [S].国家测绘局, 2007.

多源卫星影像 篇2

依据多源遥感影像融合技术的`基本理论,结合新时期土地利用更新调查的原则和方法,根据地物在影像的纹理特征,探讨了多源遥感影像技术在土地利用更新和变更调查中的应用,分析比较了融合方法的特点及其实际应用.

作 者：陈冬梅 张利 李彩娟 Chen Dongmei Zhang Li Li Caijuan 作者单位：陈冬梅,Chen Dongmei(宁夏国土资源信息中心,宁夏,银川,750002)

张利,Zhang Li(西安中策咨询科技有限公司,陕西,西安,710075)

李彩娟,Li Caijuan(中宁县国土资源局,宁夏,中宁,755100)

多源卫星影像 篇3

摘 要：为有效监测长江流域的干旱灾害， 基于Modis传感器、环境卫星、高分卫星获取的多源卫星遥感数据， 结合了多种遥感旱情监测模型，搭建了能实现卫星遥感数据接收、卫星遥感数据预处理、水体监测产品自动化生产、旱情监测产品自动化生产、遥感监测产品库五大功能的长江流域旱情监测系统，并得到了具有良好应用评价的监测结果。

关键词：干旱；遥感；监测；多源

干旱是全球影响范围最广和造成经济社会损失最为严重的一种自然灾害，其波及范围广， 持续时间长， 是农业生产和人类生活中最严重的自然灾害之一。长江流域面积辽阔，人类活动频繁，是中国最重要的流域之一，自然条件差异很大，产流、汇流条件极其复杂，水资源量时空动态变化十分显著。因此，对长江流域的进行准确、实时的旱情监测对我国社会经济发展有着重大意义。

遥感技术的的实时性和完整性很快弥补了传统的气象数据监测干旱状况的局限性，成为了监测干旱灾害的一种重要手段。国外学者[1]很早就开始利用遥感技术研究干旱灾害的监测及预防。20 世纪80 年代末美国[2]利用NOAA 极轨气象卫星进行遥感监测，开始了基于遥感手段的旱情监测研究，并逐渐发展并投入应用，现已将降水、蒸发、气象、墒情与地下水资料进行一体化模拟计算， 采用VCI 和TCI 方法进行全球性的干旱和预报， 并进行作物的估产， 为美国农业部和商务部提供信息。成功实现了全国旱情监测网络系统。

国内对遥感数据的旱情监测研究虽然起步较晚，但也有不少学者提出了监测农业干旱、研究地表含水量的新方法[3， 4]，但面向抗旱减灾业务的遥感干旱监测业务化系统在水利行业尚未真正建立起来[5]。为了长江流域的抗旱、水资源调配等问题提供科学依据和决策支持，迫切需要一套集数据下载、数据处理、结果分析、产品展示、数据传输及GIS 浏览功能于一体的实用系统， 充实和丰富长江抗旱应用手段。

一、长江流域的特点及可用的光学遥感卫星数据源

（一）长江流域特点

长江发源于青藏高原，经由四川盆地和长江中下游平原注入东海，全长6397km，流域面积1.8×106 km2是中国第一大河，长江流域水资源丰富，年降水量在400-1500mm之间，年径流量居世界各大河第3位，具有多方面的综合经济优势。在长江流域各个世纪发生干旱的频率是不均匀的，至20世纪，长江流域旱情发生频率呈逐渐增大趋势，以各年5～9月降水量距平作为判断标准，长江上游干旱发生频率达56%，中下游干旱发生频率已经增至50%左右。尤其近几年长江流域部分地区屡屡面临严重旱情，如2010年初长江上游云南、贵州、广西、四川和重庆5省（区、市）因09年秋季以来降水严重偏少，土壤含水量普遍仅20%左右，导致发生了近百年一遇的严重旱情。

（二）主要光学卫星遥感数据源分析

光学卫星遥感数据是通过各类光学传感器对地球表面进行扫描，以数字方式记录的结果。遥感卫星系统以相当少的设备提供全球尺度上时间和空间连续的数据，基于卫星数据进行干旱监测，可以极大的减少人力物力的消耗，并且可以极大地提高所获取信息的准确性。基于以上几点，采用Modis、HJ-1A/B、GF-1号多种不同时空分辨率的卫星影像进行旱情信息的提取，充分结合了不同卫星影像的优势，以提供比单一种类影像更加详实的数据。

1. MODIS卫星

MODIS（中分辨率成像光谱仪）是搭载在terra和aqua卫星上的一个重要的传感器，是卫星上唯一将实时观测数据通过x波段向全世界直接广播，可以免费接收数据并无偿使用的星载仪器。

MODIS数据涉及波段范围广（共有36个波段，光谱范围从0.4um-14.4um），数据分辨率比NOAA-AVHRR有较大的进展（辐射分辨率达12bits，空间分辨率最高可达250m）。这些多波段数据可以同时提供反映陆地、云边界、云特性、海洋水色、浮游植物、大气中水汽、地表温度、云顶温度、大气温度、等多种信息，对于陆地表面和生物圈的大范围长期监测具有很大的优势。并且TERRA和AQUA卫星都是太阳同步极轨卫星， 对于接收MODIS数据来说可以得到每天最少2次白天和2次黑夜更新数据。这样的数据更新频率，对实时地球观测和应急处理有较大的实用价值。

2. HJ-1A/1B卫星

HJ-1A/1B是中国首个以防灾减灾和环境监测为直接应用目标的小卫星星座，主要针对灾害、生态破坏、环境污染等进行大范围全天候、全天时动态监测。

环境与灾害监测预报小卫星星座A、B星（HJ-1A /1B星）于2008年9月6日上午11点25分成功发射，HJ-1-A星搭载了CCD相机和超光谱成像仪（HSI），HJ-1-B星搭载了CCD相机和红外相机（IRS）。在HJ-1-A卫星和HJ-1-B卫星上均装载的两台CCD相机设计原理完全相同，以星下点对称放置，平分视场、并行观测，联合完成对地刈幅宽度为700公里、地面像元分辨率为30米、4个谱段的推扫成像。此外，在HJ-1-A卫星装载有一台超光谱成像仪，完成对地刈宽为50公里、地面像元分辨率为100米、110～128个光谱谱段的推扫成像，具有±30°侧视能力和星上定标功能。在HJ-1-B卫星上还装载有一台红外相机，完成对地幅宽为720公里、地面像元分辨率为150米/300米、近短中长4个光谱谱段的成像。HJ-1-A卫星和HJ-1-B卫星的轨道完全相同，相位相差180°。两台CCD相机组网后重访周期仅为2天。

3.高分一号卫星

高分一号卫星是国家高分辨率对地观测系统重大专项天基系统中的首发星，其主要目的是突破高空间分辨率、多光谱与高时间分辨率结合的光学遥感技术，多载荷图像拼接融合技术，高精度高稳定度姿态控制技术，5～8年寿命高可靠低轨卫星技术，高分辨率数据处理与应用等关键技术，推动我国卫星工程水平的提升，提高我国高分辨率数据自给率。高分一号卫星主要为国土资源、农业、环境保护等部门提供高精度、宽范围的空间观测服务，同时也会在气象、海洋、地理信息测绘、水利和林业资源监测、城市规划和交通管理、灾害评估与地球系统科学研究等领域发挥重要作用。

本文涉及到的相关数据包括长江流域内的Modis（中分辨率成像光谱仪）影像数据、HJ-1A/B卫星影像数据、GF-1号卫星数据等遥感影像数据以及全国行政区划矢量、重点湖库河流矢量、长江流域重点城市矢量等矢量数据，数据来自NASA网站和长江水利委员会水文局。

二、遥感旱情监测模型

传统的旱情监测主要依赖气象站点获取降水量、土壤湿度等要素。但是这些要素监测点较少，无法实现大范围、实时、动态的旱情监测，而这些正是遥感数据的优势所在。目前使用较多的遥感旱情监测模型主要有：热惯量法、蒸散发计算法、基于植被指数和温度的方法以及土壤含水量反演法。

本文主要采用了土壤含水量的遥感反演方法、植被指数法以及[3]多星源地表水源地遥感监测技术方法。

（一）土壤含水量的遥感反演方法

土壤含水量是用来监测土地退化与干旱的重要指标，它关系到粮食的生产、植被的长势与作物的生长状况等，同时也是水文、气候、农业与生态等领域的重要参数。遥感技术的快速高效发展，使得实时、动态监测和评估大面积的土壤水分状况成为可能，克服了传统土壤含水量监测方法的不足[6]。

垂直干旱指数[7]（PDI，perpendicular drought index）可以从可见光和热红外的光谱信息中反演得到，适用于反映中低植被覆盖和裸土区域的干旱情况反演。

垂直干旱指数PDI利用Nir-Red特征空间中任何一个点到土壤线垂线L的距离来描述区域土壤含水量的分布状况，点的位置到L线的垂线长度越长，代表该地区的干旱程度越严重，土壤含水量越低，点的位置到L线的垂线长度越短，则代表该地区干旱程度越低。一般来说，距离L线较近的空间区域都是干旱程度较低，土壤水分较为充足的区域；距离L线较远的空间区域都是旱情较为严重、土壤水分较少的区域。通过计算Nir-Red特征空间上任意一点到直线L的距离，可以构造一个基于Nir-Red光谱特征空间的土壤水分监测模型，即垂直干旱指数PDI，其表达式如下：

（1）

式中，Rred为经过大气校正的红光波段反射率；Rnir为经过大气校正的近红外波段反射率；M为土壤线的斜率。垂直干旱指数描述了Nir-Red光谱特征空间中土壤水分的分布规律：垂直干旱指数值越高的点对应着土壤含水量低的区域；反之，垂直干旱指数值越低的点对应着土壤含水量越高的区域。

（二）植被指数法

植被供水指数[8]（VSWI，Vegetations Supply Water Index）是通过计算归一化植被指数NDVI和植物冠层温度的比值得到的，其公式如下：

VSWI = NDVI / Ts（2）

式中，Ts为植被的冠层温度，NDVI是归一化植被指数。VSWI的值越高，表明植被的水源供给越充足，干旱程度越低；相反，VSWI的值越小，表名植被的水源供给较为缺乏，干旱程度越高。植被供水指数的物理意义为：当植被有充足的水源时，在卫星影像上表现出的植被指数在特定生长期间会保持在两个相对固定的值之间，同时，卫星影像上表现出的植被冠层温度也会保持在较为固定的范围中；若旱灾发生，植被得不到充分的灌溉，植被长势受到影响，在卫星影像会表现出植被指数下降，另一方面，在旱情发生时，为了减少水分损失，叶片表面的部分气孔会收缩甚至关闭，叶片得不到充分的散热，其表面温度会随之增高，这也将导致植被冠层温度的提升[9]。

由于使用遥感手段对植被的冠层温度进行精确反演存在一定困难，目前大多数研究以反演的地表温度代替植被的冠层温度来计算植被供水指数。植被供水指数对干旱时植被在红光波段、近红外波段、热红外波段上的所表现出的不同特征进行了综合，适用于植被覆盖度高的地区。经大量实验研究表明，在NDVI的值大于0.35的情况下非常有效[10]。

（三）多星源地表水源地遥感监测技术方法

地表水体蓄水量监测是干旱监测中的一个重要环节，蓄水量变化也是水资源管理的重要参考指标。经过对旱情严重的地区，河流、湖泊等代表性水体区域面积的变化研究，发现其水面缩减率很高，表明旱情已使这些水域面积缩减严重，地下水水位相应地也会出现下降，居民饮用水源日趋紧张。因此，通过水体指数提取水体，判断河流、湖泊等水体区域面积变化，可以为旱情监测提供参考数据。依据水体的光谱特征，一般采用水体指数法来提取水体，归一化差分植被指数（NDVI）和归一化差分水指数（NDWI）适用于所有具有近红，红波段和绿光波段的光学卫星影像，如MODIS， HJ和GF数据，也是最为常见也是最有效的两种水体指数。

归一化差分植被指数NDVI（Normalized Difference Vegetation Index）计算公式为：

水体的红光区反射率高于植被，而在近红外区， 植被的反射率明显高于水体。因此， 采用NDVI来处理可增强水陆反差。NDVI是目前应用最广的植被指数， 常用于指示植被的数量特征以及用于监测植被的季节变化和用于土地覆盖研究， 也可用于植被区域和非植被区域的识别。在植被覆盖稠密的地区， NDVI较高， 而在植被覆盖稀疏的地区，NDVI受土壤背景影响较大， 如沙漠、水体的NDVI很低或为负值。利用此特点， 可通过选用阈值建立识别水体和植被、土壤的模型。

归一化差分水指数 NDWI （Normalized Difference Water Index）计算公式为：

水体附近湿地在此两波段光谱特征有明显差异， 且由于水体反射从可见光到红外波段逐渐减弱， 在近红外和中红外波长范围内吸收性最强，而植被在近红外波段反射率最强， 因此， 用绿光波段和近红外波段的反差构成NDWI， 可以最大程度地抑制植被信息， 而突出水体特征， 从而提取水体。

三、长江流域旱情分析应用实例

（一）长江流域旱情监测系统

本文以MODIS、HJ、GF光学遥感数据为主要数据源，使用功能强大的IDL 语言， 实现了针对长江流域地区功能相对完整的长江流域旱情监测系统， 并在长江水利委员会水文局得到了成功应用。该系统可综合利用气候资料、实时气象资料、实时遥感卫星资料、实时水文资料等信息，估算各类干旱指数及其综合指数，并结合水利遥感业务处理与分析技术，可监视长江流域以及防汛抗旱重点区域的旱情业务，实现系统常年连续运转，并以图表和统计数据的形式输出长江流域旱情监测和分析产品，反映长江流域重点区域旱情实况和未来短期旱情发展变化的信息，进行旱情监测预测，为指导抗旱、水资源调配等提供科学依据和决策支持。搭建长江流域旱情监测系统的技术流程如图1：

（二）旱情监测数据成果

为验证基于光学遥感数据的长江流域旱情监测成果的准确性，分别对Modis数据产品2015 年 6 月上旬的长江流域垂直干旱指数（PDI）专题图及植被供水指数（VSWI）专题图以及2014年10月的HJ星数据产品长江流域归一化水体指数（NDWI）专题图进行分析。利用长江流域旱情监测系统，可对MODIS影像、环境星影像及高分卫星影像进行几何校正、辐射校正及去云处理，并进行计算和分析，得到相应的旱情监测数据成果如图2。

图2所示为2015年6月上旬长江流域垂直干旱指数PDI分布图，图像显示，6月2日至6月4日间，由于大量降雨，江南地区及长江中下游地区，特别是湖南及江西南部地区，气象干旱情况明显减缓至无旱，青海地区则持续存在着一定程度的气象干旱。

图3所示为2015年6月上旬长江流域植被供水指数VSWI分布图，图像显示，云南西部、四川西南部植被干旱情况十分严重，一直处于重度干旱至中度干旱之间，河南南阳地区附近也出现了中度植被干旱。图3与图4虽然是同时期的数据，但结果却略有不同，主要是PDI指数与VSWI指数的敏感度不同， PDI主要监测地物的土壤水分含量，这种方法由于受不同地区的气候条件、土壤类型、种植结构等因素的影响较大，在进行大面积区域的旱情监测时需要历史同期数据比对才能得到更精准的结果。而VSWI主要监测区域内植被受胁程度，能够减弱或消除地域因素、生态因素和土壤背景等对干旱监测的影响，更适合运用于大范围区域的干旱监测。

根据气象局数据显示，2015年6月，云南西部、四川西南部由于降水持续偏少，气温偏高，干旱发展迅速，存在中度到重度气象干旱，西北部达到特旱，对农业生产造成一定影响。此外，青海东北部、雷州半岛局部地区也存在中等程度气象干旱。而6月又是江南地区的梅雨季节，长江中下游地区暴雨频繁，多地洪涝频发且受灾的区域出现重叠，农业生产损失较重。另外，江南南部、华南大部、西南地区南部等地气温偏高1-2℃，云南中北部部分地区偏高2-4℃；西南地区、江汉、江淮、西北地区东部夏播区墒情较好；华北、黄淮大部6月上中旬温高少雨墒情持续下降，夏播期部分地区墒情偏差，但大部地区灌溉条件较好，仅部分无灌溉条件地区的作物播种受到影响。由此可以发现，基于光学遥感数据的长江流域旱情监测成果在整体上与气象局新闻报道的事实基本吻合。

图4所示为2014年10月长江流域归一化水体指数（NDWI）分布图，图像显示，四川北部存在一定的干旱情况，陕西中部有非常明显的干旱现象。相较于Modis数据的结果，HJ星的分布图存在这明显的拼接线，有大量空白区域，因为HJ星的轨迹范围不能覆盖全流域。因此，Modis数据更适合宏观的流域监测，HJ星更适合用于重点区域监测。

四、结语

基于光学遥感数据的长江流域旱情监测研究能够帮助政府决策部门掌握旱情的最新动态，预测旱情的发展趋势，提高旱情监测反演的准确性，能将这些研究成功应用于水文部门，将推动干旱遥感监测的全面业务化，同时对我国的国民生产，尤其是农业生产和水利规划，具有非常重要的意义。

在后续的基于光学遥感数据的旱情监测工作中，可在此基础上结合业务实际需求，拓展更多结合DEM、地表覆盖类型及各测站观测的实时水情，构建研究区域的水体、旱情等遥感监测模型，从而减小地域气候、地形、植被覆盖度的差异对预警结果的影响，提高监测精度和预警准确度。

参考文献：

[1] Kogan F N. Application of vegetation index and brightness temperature for drought detection[J]. Advances in Space Research. 1995， 15（11）： 91-100.

[2] Kogan F N. Droughts of the late 1980s in the United States as derived from NOAA polar-orbiting satellite data[J]. Bulletin of the American Meteorological Society. 1995， 76（5）： 655-668.

[3] 杨绍锷，闫娜娜，吴炳方. 农业干旱遥感监测研究进展[J]. 遥感信息， 2010（1）： 103-109.

[4] 董婷，孟令奎，张文. MODIS短波红外水分胁迫指数及其在农业干旱监测中的适用性分析[J]. 遥感学报， 2015（02）： 319-327.

[5] 李永亮，林辉，马延辉. 基于MODIS数据的湖南省旱情监测研究[J]. 水土保持研究，2010（02）： 111-114.

[6] 刘英. 神东矿区地表植被与土壤湿度遥感监测研究[D]. 中国矿业大学（北京）， 2013.

[7] Ghulam A， Qin Q， Zhan Z. Designing of the perpendicular drought index[J]. Environmental Geology. 2007， 52（6）： 1045-1052.

[8] Stephenson N L. Climatic control of vegetation distribution： the role of the water balance[J]. American Naturalist. 1990： 649-670.

[9] 张佳华，许云，姚凤梅，等. 植被含水量光学遥感估算方法研究进展[J]. 中国科学： 技术科学， 2010， 40（10）： 1121-1129.

[10] 莫伟华，王振会，孙涵，等. 基于植被供水指数的农田干旱遥感监测研究[J]. 南京气象学院学报，2006（03）： 396-401.

一种多源遥感影像自动匹配通用方法 篇4

关键词：HarrisLaplacian算子,SURF描述符,同名点,模板匹配,最小二乘原理

遥感影像为满足测绘、环境、城市规划和军事领域等多方面的应用需求, 对影像自身质量及影像处理要求越来越高, 尤其经常需要同时利用不同传感器、不同时相、不同分辨率的同一场景的影像联合处理或叠加显示, 则快速纠正与高精度配准成为首要解决问题, 其中同名点 (控制点) 是关键。传统方法利用人工选取影像之间控制点进行仿射变换实现, 存在速度慢、效率低、精度差以及劳动强度大等问题, 因此基于匹配技术的自动控制点提取算法得到发展。

文献[1]以高分辨率影像为参考影像进行基于灰度的多级概率松弛整体匹配, 利用模板匹配方法实现自动遥感影像配准。文献[2]基于影像灰度和影像特征混合自动提取控制点, 在人工选取四对控制点进行粗匹配的基础上提取Harris特征点进行整体松弛匹配。文献[3]将金字塔数据结构逐层匹配策略用于自动模板匹配当中, 同样采用人机交互形式选取四对控制点进行整体纠正后提取影像重叠区域以减少模板匹配搜索范围。文献[4]通过已有多项式模型对影像整体粗纠正, 以待配准影像上提取的特征点为引导利用金字塔逐层模板匹配技术获得配准用同名控制点对。文献[5]则利用SURF特征匹配算法匹配出若干可靠同名点用于粗匹配, 无需人工选取控制点。

综上所述, 遥感影像的自动匹配研究已有一定进展, 因此, 本文主要应用基础算法尝试寻找一种适合于多源遥感影像间自动匹配的较通用方法。

1 整体思路与基础算法

人工操作具有不稳定性 (可靠性、精度等) , 往往会对影像的后续处理产生影响, 针对目前大部分算法仍然采用人机交互形式获取初始种子点的问题, 本文采用不变性特征描述符进行遥感影像的自动初始匹配, 即利用不变性特征匹配算法自动匹配出的同名点替代人工选取的同名点进行粗略匹配。在初始匹配关系建立后, 可利用初始关系对同名像点进行初值预测, 用以缩小匹配搜索范围, 再利用局部模板匹配进行影像同名点匹配。由于某些因素引起的误匹配问题, 最小二乘计算影像整体匹配点中误差及同名点对残差方法是较稳健地剔除误匹配点的方法。

1.1 不变性特征点提取与描述

1.1.1 Harris_Laplacian算子

Mikolajczyk对Harris算子进行尺度适应, 提出了Harris-Laplacian算子。Harris算子是提取特征点的经典算法, 具有计算简单、提取点特征均匀、旋转不变等优点, 通过微分运算和局部自相关矩阵来检测角点, 对图像平移、旋转和噪声具有较好的鲁棒性, 但其无法适应图像的尺度变化, 因此Harris-Laplacian算子对二阶矩自相关矩阵进行尺度适应, 实现同时在二维图像和尺度空间中检测Harris角点。

结合Harris算子的基本原理, 该算子的基本原理描述为:将所处理的图像窗口w向任意方向移动微小位移, 灰度变化量可定义为:

式中:w (x, y) ———窗口函数;

I (x, y) ———原位置的灰度;

I (x+u, y+v) ———移动后位置的灰度。

将上式按泰勒级数展开并进行矩阵二次型进行尺度适应, 可表示为:

式 (3) 即为具有尺度适应性的二阶矩自相关矩阵M。其中σI为高斯核函数的积分尺度, 用于平滑图像, σD为高斯核函数的微分尺度, 用于计算图像梯度, σI=sσD (s为常量) , G (σI) 为高斯平滑函数, 表示卷积, Ix、Iy分别为窗口函数中心的灰度在x、y方向上的一阶梯度。

若令λ1, λ2为矩阵M的2个特征值, 其正比于局部自相关函数的主曲率, 从而形成对M的旋转不变性描述。通过判断λ1, λ2的值来表征变化最快和最慢的两个方向, 若两个值都很小则是相对平坦区域, 一大一小则是边缘, 两个值都很大则是角点。为避免计算矩阵M的特征值, 可通过如下公式来计算像素点的兴趣值:

式中:Tr (M) ———矩阵M的迹;

Det (M) ———矩阵M的行列式值;

k———常数, 一般取0.04k0.06。

给定σI和σD, 即确定尺度适应后的自相关矩阵M, 则代入 (4) 式即可得到像素点的兴趣值。计算出局部极大值对应的像素点, 即把每一点的R值与相邻尺度上26个相邻点的R值进行比较, 取得局部极大值并大于设定阈值的点作为角点。

1.1.2 SURF描述符

原始SURF匹配算法的整个过程分为SURF兴趣点检测、SURF兴趣点描述符生成和SURF兴趣点匹配三步。本文使用Harris_Laplacian特征点来替代SURF兴趣点检测, 即对Harris_Laplacian特征点进行SURF描述符生成和匹配。

SURF (Speed Up Robust Feature) 描述符是一种基于积分图像的特征描述, 是在SIFT描述符的基础上改进而来, 主要是统计兴趣点邻域范围内的灰度信息, 来计算主方向和特征向量。具体过程如下:

1) 确定主方向。首先求取每个像素对应的小波响应, 即对以兴趣点为圆心, 6σ (σ为兴趣点所在尺度) 为半径的圆形区域内的所有像素, 统计x和y方向上的Haar小波响应dx, dy;然后使用一个大小为3π的扇形滑动窗口对所有小波响应进行求和, 取长度最长的方向作为兴趣点的主方向。求和时, 要以兴趣点为中心的高斯函数对每个像素的小波响应进行赋权;

2) 特征向量提取。主方向确定后每个兴趣点具有所处位置、对应尺度以及主方向三个方面的信息, 此时若求取每个点的特征向量, 首先应将主方向作为坐标主轴, 即确定一个以兴趣点为中心, 大小为20σ的方形区域, 旋转该方形区域使之与兴趣点的主方向平行, 然后对旋转后的方形区域再均匀细分成4×4的子区域, 在每个子区域中统计x和y方向上的Haar小波响应dx, dy的和以及绝对值之和:∑dx, ∑dy, ∑|dx|和∑|dy|。求和时, 仍然以兴趣点为中心的高斯函数进行赋权处理。如此每个子区域有一个4维的描述子, 每个特征点将形成4×4×4=64维的特征向量。考虑主方向旋转后的特征向量具有旋转不变性, 能适应较大变形的影像间的特征点匹配。

1.2 特征点匹配

对影像上提取的不变性特征点进行SURF特征描述得到SURF特征向量后, 可选择欧氏距离作为该特征空间对应的相似性度量, 欧氏距离的计算公式如下:

其中, (x1, x2, …, x64) , (x1', x2', …, x64') 是两幅影像不变性特征点的特征向量。

确定欧式距离最近和次近的点, 通过将最近距离Dfir Min与次近距离Dsec Min的比值与给定的比例阈值T进行对比来确定特征点是否为匹配点, 比例阈值降低时, 匹配点数会降低, 但更稳定。

为比较所有特征点的欧氏距离, 需通过遍历搜索所有点来完成, 可采用最优节点优先 (Best Bin First, BBF) 算法进行优先搜索来查找每个特征点的两个最相近特征点。首先利用KD-tree的二叉树结构将提取出的每个特征点存储在树中的节点上, 对整个特征点集空间进行划分, 建立KD-tree索引结构;再按照空间的存储位置进行查找, BBF算法的基本思想是在查找的回溯过程引入一个优先查找队列, 从根节点开始, 在KD-tree上查找时将不合适的点先放至优先队列, 直至叶子节点, 然后从队列里取出目前最小值作为查找节点, 重复上述过程, 直到优先队列为空时停止, 最后判断能否作为有效特征匹配点。

1.3 初始匹配结果的点预测

利用SURF匹配结果建立影像间的一次多项式模型, 得到模型系数。依照系数对影像A中提取的Harris_Laplacian特征点进行到影像B的映射, 即预测A中的每个特征点在B中的初始位置, 然后以该位置为中心建立搜索窗口, 进行模板匹配。

1.4 灰度归一化相关系数

进行模板匹配时通常采用归一化相关系数作为匹配测度进行多源遥感影像匹配, 能消除影像灰度间的线性畸变, 以达到正确灰度匹配的目的。公式如下:

其中, C (c, r) 为参考基准影像q (x, y) 和待匹配影像p (x, y) 的协方差, Cqq (c, r) 和Cpp (c, r) 分别为q (x, y) 和p (x, y) 的方差;ρ的值为-1至1之间, 越接近1则相似程度越高。

1.5 误匹配剔除

由于某些因素, 造成在影像间匹配出的同名点对中存在误匹配, 可利用最小二乘原理进行粗差探测和自动剔除, 过程中使用选择权迭代法。其基本过程为:假设匹配出的所有同名点对均为正确匹配点, 首先将其都参与建立二次多项式, 利用最小二乘法计算每个同名点对的残差及整体中误差;然后根据残差和中误差, 按照选定的权函数计算每个同名点对在下步迭代中的权;依据权值大小来定位粗差点, 并依据每个同名点对的权值大小来重新参与建立二次多项式。这样每次迭代时, 粗差点的权值将愈来愈小, 至趋近于零, 即粗差点被定位且不参与计算, 至迭代终止时, 结果将不再受粗差的影响。

2 实现过程

1) 利用Harris_Laplacian算子提取待匹配影像和基准影像上具有尺度不变性的特征点, 提取的Harris_Laplacian特征点具有位置 (row, col) 和尺度σ信息;

2) 利用SURF描述符对特征点进行描述, 得到具有旋转不变性质的64维特征向量, 即此时的特征点具有位置 (row, col) 、尺度σ、主方向和特征向量信息。采用欧氏距离的相似性度量进行特征向量匹配得到两幅影像的若干可靠的初始匹配点;

3) 利用这些匹配点, 通过建立一次多项式模型将待匹配影像上的Harris_Laplacian特征点映射至基准影像上。即根据待匹配影像的特征点坐标在基准影像中确定一个较小的搜索范围, 再利用相关系数进行模板匹配;

4) 由于某些因素, 造成在影像间匹配出的同名点对中存在误匹配, 因此利用最小二乘原理及选择权迭代法进行粗差探测和自动剔除, 得到高精度匹配结果。

3 匹配实验

实验中采用的数据取自ERDAS软件系统自带的影像, 以TM影像作为待匹配影像, 大小为591×591个像素, SPOT影像作为基准影像, 大小为1024×1024个像素, 二者具有较大的分辨率差, 纹理细节不一致, 影像结构相差很大, 具有明显的几何变形, 如图1所示, 其中TM影像为将多光谱影像进行灰度变换后的结果。对两幅影像提取的Harris_Laplacian特征点如图2所示, 待匹配影像上提取出1500个点, 基准影像上提取出2034个点。

对特征点进行SURF描述并进行初始匹配, 得到29个初始匹配点, 比人工选取的点数量更多, 分布更均匀合理;依据建立的初始关系预测后进行模板匹配, 不需要建立金字塔影像结构, 大大提高了匹配的速度和精度, 匹配出183个匹配点, 结果如图3所示, 粗差剔除后剩余92个同名点, 匹配精度由最初的3.2个像素降至0.77个像素, 如图4所示。根据匹配点构成的影像叠加图如图5所示。

4 结束语

本文应用基础算法建立一种适合于多源遥感影像间自动匹配的较通用方法。对待匹配影像和基准影像上提取的Harris_Laplacian特征点进行SURF特征描述后首先完成影像间的初始粗匹配, 之后根据初始匹配关系进行特征点初值预测, 再利用相关系数进行局部模板匹配, 最后对匹配点进行粗差剔除后得到高精度匹配结果, 完成多源遥感影像间的自动匹配。利用基于计算机视觉的方法替代人工选取同名点, 以此作为约束条件可大大减少模板匹配的搜索范围, 无需建立影像金字塔, 提高匹配效率和自动化程度。提取具有稳定不变性质的特征点和使用具有不变性质的描述符对特征点进行描述都有利于实现分辨率较大的遥感影像的自动匹配。

参考文献

[1]张祖勋, 张剑清, 廖明生, 等.遥感影像的高精度自动配准[J].武汉测绘科技大学学报, 1998, 23 (4) :320-323.

[2]蔡志刚, 张登荣, 俞乐, 等.基于匹配的遥感影像纠正控制点的自动提取[C].浙江:地理空间信息技术及其应用论坛文集, 2005:61-63.

[3]李国胜, 张继贤, 宋伟东, 等.遥感影像配准中控制点的自动提取[J].辽宁工程技术大学学报, 2005, 24 (1) :41-44.

[4]张继贤, 李国胜, 曾钰.多源遥感影像高精度自动配准的方法研究[J].遥感学报, 2005, 9 (1) :73-77.

多源卫星影像 篇5

本研究利用多种常用水体提取方法对多源多时相遥感影像进行塌陷地积水提取试验, 并对试验结果从尺度效应、研究方法等方面进行比较分析, 为不同类型的遥感影像选择最优的塌陷地积水提取模型。同时, 从数量变化、空间变化以及区域差异等方面对矿区塌陷地积水进行时空变化分析, 进而对矿区塌陷地积水的演变进行综合评价, 最终为矿区塌陷地的土地复垦和综合治理提供依据。

1 研究区及遥感数据

1.1 研究区概况

选择山东省兖州市矿区为研究区。

兖州市位于山东省西南部, 是山东省重要的铁路枢纽之一。兖州煤田总面积为3 400 km2, 区内矿井较多, 研究选用东滩、鲍店、北宿、南屯、兴隆庄以及济宁二矿作为试验区进行试验。

1.2 遥感数据源

研究涉及的遥感影像数据类型包括:Landsa TM/ETM+、CBERS 02B、HJ-1、ASTER以及ALOS全色和多光谱影像。对全研究区, 以地理单元为单位分为两个层次进行试验, 一是针对包含东滩、鲍店、北宿、南屯、兴隆庄以及济宁二矿等整个矿区的试验区, 采用多时相中低分辨率的Landsat TM/ETM+、CBERS 02B和HJ-1影像数据进行矿区塌陷地积水提取;二是针对包含东滩和鲍店矿区的小范围的研究区, 采用中高分辨率的ALOS影像 (全色和多光谱影像) 和可见光至近红外波段的ASTER影像进行矿区塌陷地积水提取研究, 主要探讨尺度效应对目标地物提取的影响。

1.3 图像处理

针对矿区塌陷地积水提取与时空变化分析的应用需求, 对选用的多源多时相遥感影像进行预处理, 包括影像的辐射校正、几何精校正、影像裁剪、影像镶嵌等。

影像几何精校正的配准误差都控制在0.5个像元之内, 基于此进行假彩色合成影像的波段选择, 以选取用于后续处理的最优波段组合。将研究区分布在多景影像的数据进行影像镶嵌以获取完整的试验区, 并对ALOS全色和多光谱影像进行融合研究, 选择最优的融合影像, 为进一步的遥感影像处理服务。

2 矿区塌陷地积水提取与时空演变分析

2.1 水体遥感识别机理

遥感影像不仅记载了地物对电磁波的反射信息, 还包括其自身的热辐射信息。相对其他地物而言, 水体具有它本身固有的特性, 即对入射能量具有强吸收性, 在大部分传感器的波长范围内, 总体呈现出较弱的反射率且具有随波长的增加而减弱的特性。在近红外至中红外波段范围内, 水体具有强吸收性, 因此清澈水体在该波长范围内几乎无反射率, 故这一波段范围常被用于识别水陆分界、划定水体范围。根据反射率大小, 清澈水体的反射信息模型可近似表达为:蓝光>绿光>红光>近红外>中红外[2]。

2.2 水体提取模型

利用遥感影像进行水体提取的方法很多, 有阈值法、比值法、差值法、色度判别法、密度分割法、谱间分析法、水体指数法、决策树方法等等。其中根据形状信息进行水体识别与分类的方法以及基于知识的水体自动判别方法等相继提出并得到了较广泛的应用。由于遥感影像的类别和研究区的地面特征存在差异, 使得一种水体提取方法几乎不可能适用于所有情况。因此对研究区进行水体提取时, 必须根据水体遥感识别机理、研究区的实际情况和特点以及获取的遥感数据的特征等方面进行综合分析和研究, 以确定最佳的水体提取方法。

2.2.1 阈值法

由于水体在可见光至近/中红外波长范围内的反射率较低, 而非水体在该波长范围内具有较高反射率, 因此水体在遥感影像中呈现出较低的灰度值, 而非水体则相反。一般认为, 在1.5~1.8的波长范围内可以有效的识别出水体。在该波长范围内, 充足的入射能量 (太阳光) 不仅能够照亮背景地物而且能给水生植物所封闭的水体增加一些识别条件。阈值法的基本原理为:选择一个合适的近/中红外波段, 确定最佳的水体阈值, 将低于该数值的像元确定为水体, 反之为非水体, 从而可有效的识别水体和其他背景地物。其中阈值的确定是模型的关键, 最佳阈值的确定必须通过反复试验得到。单波段阈值法简单易操作, 但是在设置经验阈值提取水体信息的过程中容易造成细小水体的漏提[3]。

2.2.2 水体指数法

水体指数法是将水体反射强的波段与反射弱的波段进行比值运算并结合一定阈值进行水体提取的方法。该指数的构建原理为:在多光谱波段内, 找到目标的最强和最弱反射波段, 将弱者置于分母, 强者置于分子。如将红光或绿光波段与近红外波段进行比值运算, 可以有效的抑制植被信息, 大大增强水体信息。通过比值运算可以进一步加大二者之间的差异, 以达到在影像上突出水体信息的目的。研究采用归一化差异水体指数 (NDWI) 和改进的归一化差异水体指数 (MNDWI) 进行试验, 通过设定阈值来进行水体信息提取。但是这类方法存在一定的局限性:一是由于部分细小水体以混合像元的形式存在于遥感影像中, 导致了水体和非水体过渡区的产生, 使得阈值的确定较难。阈值偏大会漏提细小水体信息, 阈值偏小则会误提其他地物信息。二是各个方法在增强水体信息效果方面均具有区域限制。如NDWI适用于平原地带的植被区域中的水体信息提取;而MNDWI适用于建筑物区域水体信息的提取[4]。

2.2.3 分类提取法

分类提取法将水体作为一个类别或者不同种类的水体作为不同分类, 应用特定分类器进行遥感影像分类, 最终获取水体信息。目前遥感影像分类主要采用计算机模式识别技术, 一般可分为监督分类法和非监督分类法, 这些分类方法都是基于数理统计理论。由于在实际研究中所选取样本的数目往往是有限的, 因而采用这些方法难以获得理想的分类效果。近年来, 随着遥感技术、智能科学、计算机技术以及非线性理论等的快速发展, 使得遥感影像的分类中出现了新的分类方法。本研究基于支持向量机 (SVM) 分类结果对目标地物进行单独提取[5]。

3 研究区塌陷地积水提取试验

研究得到的矿区塌陷地积水提取结果均为二值影像图, 其中白色为塌陷地积水, 黑色为其他地物。为了更好地对矿区塌陷地积水提取结果进行客观的评价, 将各种方法的多种数据源提取结果进行精度统计和结果对比。

利用多种水体提取模型对试验区进行塌陷地积水提取可知, 提取出的水体包括自然和人工水体以及塌陷地积水。因此, 在水体提取结果图上将自然和人工水体作为先验知识, 运用掩膜操作将其剔除, 从而保留塌陷地积水信息。

3.1 单波段阈值法提取结果

3.1.1 中低分辨率影像塌陷地积水提取结果

对矿区多源多时相遥感影像进行塌陷地积水提取, 2000年、2005年和2010年Landsat TM/ETM+影像、2006年CBERS影像以及2009年、2011年HJ-1影像采用单波段阈值法进行目标地物提取, 其阈值选取依次为:Band5>38、Band5>38、Band5>33、Band 4>60、Band 4>72、Band 4>50、Band 4>55, 结果见图1、图2和图3。

(a) 2000年提取结果; (b) 2005年提取结果; (c) 2010年提取结果

(a) 2006年3月14日提取结果; (b) 2006年6月26日提取结果; (c) 2006年11月3日提取结果; (d) 2006年12月25日提取结果

图3 HJ-1影像单波段阈值法提取结果

3.1.2 中高分辨率影像塌陷地积水提取结果

对矿区ALOS融合影像、ALOS多光谱影像和ASTER影像进行目标地物的提取, 其阈值选取依次为:Band 4<36、Band 4<35和Band3<55, 结果见图4。

3.2 水体指数法提取结果

3.2.1 中低分辨率影像塌陷地积水提取结果

对多时相Landsat TM/ETM+影像应用的水体指数包括NDWI和MNDWI。可运用相关公式计算多时相水体指数影像并取最优阈值。采用NDWI和MNDWI法提取的塌陷地积水结果见图5、图6。

(a) ALOS融合影像; (b) ALOS多光谱影像; (c) ASTER影像

(a) 2000年提取结果; (b) 2005年提取结果; (c) 2010年提取结果

(a) 2000年提取结果; (b) 2005年提取结果; (c) 2010年提取结果

2006年采用NDWI法提取的塌陷地积水结果的CBERS影像见图7。

(a) 2006年3月14日提取结果; (b) 2006年6月26日提取结果; (c) 2006年11月3日提取结果; (d) 2006年12月25日提取结果

采用NDWI法提取的2009年和2011年塌陷地积水HJ-1影像见图8。

(a) 2009年提取结果; (b) 2011年提取结果

3.2.2 中高分辨率影像塌陷地积水提取结果

利用公式计算并取阈值得到的ALOS融合影像、ALOS多光谱影像和ASTER影像的水体指数法塌陷地积水提取结果见图9。

(a) ALOS融合影像; (b) ALOS多光谱影像; (c) ASTER影像

3.3 分类提取法提取结果

3.3.1 中低分辨率影像塌陷地积水提取结果

将研究区多时相Landsat TM/ETM+影像SVM分类影像进行类别合并, 分为塌陷地积水和其他地物。多时相影像数据采用分类提取法提取的塌陷地积水结果见图10。

(a) 2000年提取结果; (b) 2005年提取结果; (c) 2010年提取结果

对2006年的CBERS影像, 将试验区SVM分类结果图进行类别合并, 分为塌陷地积水和其他地物。CBERS影像数据采用分类提取法提取的塌陷地积水结果见图11。

对2009年和2011年HJ-1影像, 利用分类提取法提取的塌陷地积水结果见图12。

3.3.2 中高分辨率影像塌陷地积水提取结果

将研究区ALOS融合影像、ALOS多光谱影像和ASTER影像的SVM分类影像进行类别合并, 分为塌陷地积水和其他地物。采用分类提取法提取的塌陷地积水结果见图13。

(a) 2006年3月14日提取结果; (b) 2006年6月26日提取结果; (c) 2006年11月3日提取结果; (d) 2006年12月25日提取结果

(a) 2009年提取结果; (b) 2011年提取结果

(a) ALOS融合影像; (b) ALOS多光谱影像; (c) ASTER影像

4 精度分析

研究区多源多时相塌陷地积水多种方法提取结果精度统计分析见表1、表2。

将不同提取方法与原始影像进行对比, 并结合野外实际考察情况, 综合比较得出目标地物的提取效果受试验区域的大小、影像成像时间、影像空间分辨率的影响情况。以兖州矿区2006年3月14日CBERS影像为例, 对3种常规方法的研究区塌陷地积水提取结果进行综合评价[6]。

%

%

通过分析不同方法的塌陷地积水提取结果图和精度统计表可以得出以下结果。

(1) 对于同一研究区的同一影像, 不同的方法得到的结果具有一定的差异, 单波段阈值法、水体指数法和分类提取法提取目标地物的精度分别为82.4457%、83.0615%和82.3670%。其中, 水体指数法的精度最高, 分类提取法的精度最低。

(2) 单波段阈值法是一种较为简单的水体提取方法。提取结果图中增加了一些块状的煤堆信息, 这主要是由于煤堆与塌陷地积水的光谱信息十分相似, 导致目标地物的误提现象, 从而对提取效果造成了一定的影响。

(3) 水体指数法不仅将研究区内的塌陷地积水完整地提取出来, 而且还较好地避免了煤堆和城区非塌陷地积水的误提。可见, 该法的提取效果要优于单波段阈值法。但是, 提取的面状塌陷地积水出现了不连续的现象, 影响了提取效果。

(4) 对分类提取法起主导作用的是遥感影像分类的效果。与单波段阈值法一致的是同样将煤堆信息提取出来而造成提取效果的降低。

(5) 将兖州矿区Landsat TM/ETM+多时相影像提取结果图和原始遥感影像进行对比并结合提取精度综合分析可知, 2000年和2005年塌陷地积水提取效果最好的方法为分类提取法, 2010年为水体指数中的MNDWI法。对HJ-1影像, 2009年和2011年塌陷地积水提取效果最好的为分类提取法和单波段阈值法。

对东滩、鲍店矿区遥感影像多种方法塌陷地积水提取结果进行比较分析可知, ALOS融合影像、ALOS多光谱影像和ASTER影像分别对应的方法为水体指数法、单波段阈值法和分类提取法。

5 结论

水体指数法的效果相对于其他两种方法较好。但是由于遥感影像的类别和研究区的地面特征存在差异, 仅仅依靠一种水体提取方法几乎不可能适用于所有情况。因此在对研究区进行水体提取时, 必须根据水体遥感识别机理、研究区的实际情况和特点以及获取的遥感数据的特征等方面进行综合分析和研究, 以确定最佳的水体提取方法[7]。

参考文献

[1]席晓燕, 沈楠, 李小娟.ETM+影像水体提取方法研究[J].计算机工程与设计, 2009, (4) :994-996.

[2]张哲, 刘云鹤.基于TM影像的水域提取方法研究[J].地下水, 2011, 9 (5) :166-167.

[3]徐涵秋.利用改进的归一化差异水体指数 (MNDWI) 提取水体信息的研究[J].遥感学报, 2005, 9 (5) :589-595.

[4]范忻, 汪云甲, 王行风, 等.改进P-WSVM的矿区积水塌陷地信息提取[J].测绘科学, 2012, 7 (4) :82-84.

[5]宋启帆, 王少军, 张志, 等.基于WorldView II图像的钨矿区水体信息提取方法研究——以江西大余县为例[J].国土资源遥感, 2011, 6 (8) :33-37.

[6]曹凯, 江南, 吕恒, 等.面向对象的SPOT-5影像城区水体信息提取研究[J].国土资源遥感, 2007, (2) :27-30.