CN114639014A - 一种基于高分辨率遥感影像的ndvi归一化方法 - Google Patents

一种基于高分辨率遥感影像的ndvi归一化方法 Download PDF

Info

Publication number
CN114639014A
CN114639014A CN202210151368.2A CN202210151368A CN114639014A CN 114639014 A CN114639014 A CN 114639014A CN 202210151368 A CN202210151368 A CN 202210151368A CN 114639014 A CN114639014 A CN 114639014A
Authority
CN
China
Prior art keywords
ndvi
resolution
data
remote sensing
sensing image
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.)
Pending
Application number
CN202210151368.2A
Other languages
English (en)
Inventor
黄文丽
陶雨婷
沈焕锋
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202210151368.2A priority Critical patent/CN114639014A/zh
Publication of CN114639014A publication Critical patent/CN114639014A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Computation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于高分辨率遥感影像的NDVI归一化方法。首先对遥感影像进行一系列预处理，然后将高分辨率待归一化反射率数据降采样至中分辨率参考数据的分辨率，根据中分辨率样本点对，求解得到线性回归方程的系数，再通过线性关系逐像元地计算得到待归一化数据各个像元的初步归一化结果，最后将同一区域、同一时间段内的初步归一化结果进行最大值合成，得到最终的归一化结果。本发明综合利用多源遥感数据，尽可能地消除了多源遥感数据存在的传感器以及成像条件等的差异，并且较好地解决了大范围多景影像镶嵌时拼接缝明显的问题，整个算法所需输入参数较少，运行效率较高，可以进行大范围的高分辨率NDVI产品生产。

Description

一种基于高分辨率遥感影像的NDVI归一化方法
技术领域
本发明属于遥感影像处理技术领域，具体涉及一种基于高分辨率遥感影像的NDVI归一化方法。
背景技术
植被在生态***中起着至关重要的作用，与土壤、地形、气候、水文等自然环境要素密切相关，对地气***的能量平衡有着深刻影响，长期以来深受全球科学家及各国政府关注。卫星遥感作为目前全球植被监测最有效的手段之一，可以免受社会和自然条件的约束，快速获取大范围观测数据，为研究、监测全球或区域植被生长变化提供条件。基于植被自身光谱特性，对遥感数据可见光与近红外波段进行线性或非线性组合运算，生成了各种植被指数。其中，归一化差值植被指数(NDVI)不仅计算简便，而且可以消除大多数与传感器辐射定标、地形、大气条件和观测角度有关的影响，增强对植被的敏感度，成为如今应用最为广泛的一种植被指数。
植被指数作为描述地表植被覆盖特征的重要参数之一，是一种简单、有效、经验性的地表植被状况度量指标，已被广泛应用于植被覆盖及其生长状况的定性及定量评价。但是，现有植被指数产品多使用的是单一遥感数据，这些产品在时间分辨率、空间分辨率以及精度和稳定性方面存在着一定的不足，而综合利用多源遥感数据能够一定程度上弥补这些方面的不足。由于多源遥感数据存在传感器以及成像条件等的差异，所以需要对其进行归一化。辐射归一化又分为绝对辐射归一化和相对辐射归一化，当对单一传感器多时相数据进行归一化时，简单的相对辐射归一化即能达到较高的精度；但在定量应用时，应将绝对辐射归一化与相对辐射归一化相结合，考虑不同传感器因光谱响应特性、大气校正造成的反射差异对归一化结果的影响，在地表反射率层面进行多源数据的归一化，真正实现不同传感器不同影像间的归一化。
因此，需将绝对辐射归一化与相对辐射归一化相结合，综合利用中高分辨率多源遥感数据进行归一化，用以构建高分辨率定量产品数据集，提升城市植被资源的动态监测水平。
发明内容
本发明针对现有技术的不足，提供一种基于高分辨率遥感影像的NDVI归一化方法。通过综合利用多源遥感数据，尽可能地消除了多源遥感数据存在的传感器以及成像条件等的差异，并且较好地解决了大范围多景影像镶嵌时拼接缝明显的问题；整个算法所需输入参数较少，运行效率较高，可以进行大范围的高分辨率NDVI产品生产。
为了达到上述目的，本发明提供的技术方案是一种基于高分辨率遥感影像的NDVI归一化方法，包括以下步骤：
步骤1，对中、高分辨率遥感影像数据进行预处理；
步骤1.1，对中分辨率遥感影像进行辐射定标、FLAASH大气校正以及带参考影像的正射校正，然后利用红光波段和近红外波段组合计算，得到参考使用的NDVI数据；
步骤1.2，对高分辨率遥感影像进行正射校正、辐射定标以及快速大气校正后，利用红光波段和近红外波段组合计算，得到待归一化的NDVI数据；
步骤1.3，对步骤1.2预处理后的高分辨率遥感影像应用IsoData Classification非监督分类，得到与待归一化NDVI数据相对应的分类数据；
步骤1.4，对步骤1.2预处理后的高分辨率遥感影像应用多尺度卷积特征融合的深度学习云及阴影检测方法MSCFF，得到与待归一化数据相对应的云掩膜数据；
步骤2，采用全局线性拟合归一化获得初步归一化结果；
步骤2.1，通过步骤1.3得到的分类数据和步骤1.4得到的云掩膜将云、阴影和背景剔除后，将高分辨率待归一化NDVI数据降采样至参考数据的中分辨率；
步骤2.2，根据步骤1.3得到的高分辨率遥感影像分类数据，计算中分辨率遥感影像每个像元的纯净度，并筛选出纯净度小于设定阈值T的像元为纯净像元；
步骤2.3，基于步骤2.2筛选出的纯净像元，利用Huber型M估计求解待归一化NDVI数据和参考NDVI数据的线性关系式系数；
步骤2.4，利用步骤2.3求得的线性关系式系数，求得高分辨率待归一化NDVI数据的归一化值；
步骤3，采用最大值合成法得到最终的归一化结果；
步骤3.1，对同一区域内的不同时间影像的初步归一化结果进行几何配准；
步骤3.2，将同一区域、同一时间段内的初步归一化结果进行叠加后，在每一个像元处选取最大的值作为最终结果的值。
而且，所述步骤1.1中，NDVI数据计算公式如下：
Figure BDA0003506733950000031
式中，ρNIR为近红外波段数据，ρRED为红光波段数据。
而且，所述步骤2.2中像元的纯净度计算公式如下：
Figure BDA0003506733950000032
式中，r为像元纯净度；kc为任一中分辨率像元范围内的高分辨率分类数据中属于类别c的像元占的个数，c是任一中分辨率像元范围内占比最大的地物类别；m为中分辨率与高分辨率遥感影像分辨率的比值，m×m为一个中分辨率遥感影像像元范围内高分辨率像元的数量。
而且，所述步骤2.3中待归一化NDVI数据和参考NDVI数据的线性关系式如下：
yn＝a×xn+b (3)
式中，xn为步骤2.1降采样后的纯净像元的中分辨率待归一化NDVI数据，yn为步骤1.1得到的纯净像元的中分辨率参考NDVI数据，a和b为线性关系式的系数。
使用更为稳健的Huber型M估计求解：
euv＝a×xuv+b-yuv (4)
通过最小化
Figure BDA0003506733950000033
来求解系数，其中ρ()为Huber型影响函数：
Figure BDA0003506733950000034
式中，c为Huber参数。
而且，所述步骤2.4中高分辨率待归一化NDVI数据的归一化值计算公式如下：
y′m＝a×xm+b (6)
式中，xm为步骤1.2求得的高分辨率待归一化数据中第m个像元，y′m为其对应的高分辨率归一化结果值，a和b为步骤2.3中求解得到的线性关系式系数。
而且，所述步骤3.2中最大值合成法计算公式如下：
NDVImax＝max(NDVI1,NDVI2,...,NDVIn) (7)
式中，NDVImax为该时间段内NDVI最大值，NDVI1，NDVI2，NDVIn为该时间段内不同时期多个NDVI值。
与现有技术相比，本发明具有如下优点：
1)综合利用了中、高分辨率多源遥感数据，一定程度上弥补了现有植被指数产品在时间分辨率、空间分辨率、精度和稳定性方面的不足；
2)尽可能地消除了多源遥感数据存在传感器、成像条件等方面的差异，较好地解决了大范围多景影像镶嵌时拼接缝明显的问题；
3)将绝对辐射归一化与相对辐射归一化相结合，考虑不同传感器因光谱响应特性、大气校正造成的反射差异对归一化结果的影响，真正实现不同传感器不同影像间的归一化，满足定量应用需求；
4)算法所需输入参数较少，运行效率较高，适合大范围高分辨率NDVI产品的生产。
附图说明
图1为本发明实施例的流程图。
图2为多景镶嵌处归一化前后对比图，其中图2(a)为归一化前的镶嵌结果图，图2(b)为标准数据，图2(c)为归一化前后的镶嵌结果图。
具体实施方式
本发明提供一种基于高分辨率遥感影像的NDVI归一化方法，下面结合附图和实施例对本发明的技术方案作进一步说明。
如图1所示，本发明实施例的流程包括以下步骤：
步骤1，对中、高分辨率遥感影像数据进行预处理，包括以下几个子步骤：
步骤1.1，对中分辨率遥感影像进行辐射定标、FLAASH大气校正以及带参考影像的正射校正，然后利用红光波段和近红外波段组合计算，得到参考使用的NDVI数据，计算公式如下：
Figure BDA0003506733950000051
式中，ρNIR为近红外波段数据，ρRED为红光波段数据。
步骤1.2，对高分辨率遥感影像进行正射校正、辐射定标以及快速大气校正后，根据式(1)计算得到待归一化的NDVI数据。
步骤1.3，对步骤1.2预处理后的高分辨率遥感影像应用IsoData Classification非监督分类，得到与待归一化NDVI数据相对应的分类数据。
步骤1.4，对步骤1.2预处理后的高分辨率遥感影像应用多尺度卷积特征融合的深度学习云及阴影检测方法MSCFF，得到与待归一化数据相对应的云掩膜数据。
步骤2，采用全局线性拟合归一化获得初步归一化结果，包括以下几个子步骤：
步骤2.1，通过步骤1.3得到的分类数据和步骤1.4得到的云掩膜将云、阴影和背景剔除后，将高分辨率待归一化NDVI数据降采样至参考数据的中分辨率。
步骤2.2，根据步骤1.3得到的高分辨率遥感影像分类数据，计算中分辨率遥感影像每个像元的纯净度，并筛选出纯净度小于设定阈值T的像元为纯净像元。
像元的纯净度计算公式如下：
Figure BDA0003506733950000052
式中，r为像元纯净度；kc为任一中分辨率像元范围内的高分辨率分类数据中属于类别c的像元占的个数，c是任一中分辨率像元范围内占比最大的地物类别；m为中分辨率与高分辨率遥感影像分辨率的比值，m×m为一个中分辨率遥感影像像元范围内高分辨率像元的数量。
步骤2.3，基于步骤2.2筛选出的纯净像元，利用Huber型M估计求解待归一化NDVI数据和参考NDVI数据的线性关系式系数。
待归一化NDVI数据和参考NDVI数据的线性关系式如下：
yn＝a×xn+b (3)
式中，xn为步骤2.1降采样后的纯净像元的中分辨率待归一化NDVI数据，yn为步骤1.1得到的纯净像元的中分辨率参考NDVI数据，a和b为线性关系式的系数。
由于几何校正、重采样、非监督分类等操作存在误差，必定会带来噪声和异常值，而最小二乘法非常容易受到这些噪声和异常值的影响，导致系数求解存在误差，因此使用更为稳健的Huber型M估计求解：
euv＝a×xuv+b-yuv (4)
通过最小化
Figure BDA0003506733950000061
来求解系数，其中ρ()为影响函数，本实施例中选择Huber型影响函数：
Figure BDA0003506733950000062
式中，c为Huber参数，本实施例中c取1.345。
步骤2.4，利用步骤2.3求得的线性关系式系数，求得高分辨率待归一化NDVI数据的归一化值。
计算公式如下：
y′m＝a×xm+b (6)
式中，xm为步骤1.2求得的高分辨率待归一化数据中第m个像元，y′m为其对应的高分辨率归一化结果值，a和b为步骤2.3中求解得到的线性关系式系数。
步骤3，采用最大值合成法得到最终的归一化结果。
步骤3.1，对同一区域内的不同时间影像的初步归一化结果进行几何配准。
步骤3.2，将同一区域、同一时间段内的初步归一化结果进行叠加后，在每一个像元处选取最大的值作为最终结果的值，最大值合成法计算公式如下：
NDVImax＝max(NDVI1,NDVI2,...,NDVIn) (7)
式中，NDVImax为该时间段内NDVI最大值，NDVI1，NDVI2，NDVIn为该时间段内不同时期多个NDVI值。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (7)

1.一种基于高分辨率遥感影像的NDVI归一化方法，其特征在于，包括以下步骤：
步骤1，对中、高分辨率遥感影像数据进行预处理；
步骤2，采用全局线性拟合归一化获得初步归一化结果；
步骤3，采用最大值合成法得到最终的归一化结果；
步骤3.1，对同一区域内的不同时间影像的初步归一化结果进行几何配准；
步骤3.2，将同一区域、同一时间段内的初步归一化结果进行叠加后，在每一个像元处选取最大的值作为最终结果的值。
2.如权利要求1所述的一种基于高分辨率遥感影像的NDVI归一化方法，其特征在于：步骤1中对中、高分辨率遥感影像数据进行预处理包括以下几个子步骤：
步骤1.1，对中分辨率遥感影像进行辐射定标、FLAASH大气校正以及带参考影像的正射校正，然后利用红光波段和近红外波段组合计算，得到参考使用的NDVI数据，计算公式如下：
Figure FDA0003506733940000011
式中，ρNIR为近红外波段数据，ρRED为红光波段数据；
步骤1.2，对高分辨率遥感影像进行正射校正、辐射定标以及快速大气校正后，利用红光波段和近红外波段组合计算，得到待归一化的NDVI数据；
步骤1.3，对步骤1.2预处理后的高分辨率遥感影像应用IsoData Classification非监督分类，得到与待归一化NDVI数据相对应的分类数据；
步骤1.4，对步骤1.2预处理后的高分辨率遥感影像应用多尺度卷积特征融合的深度学习云及阴影检测方法MSCFF，得到与待归一化数据相对应的云掩膜数据。
3.如权利要求2所述的一种基于高分辨率遥感影像的NDVI归一化方法，其特征在于：步骤2中采用全局线性拟合归一化获得初步归一化结果包括以下几个子步骤：
步骤2.1，通过步骤1.3得到的分类数据和步骤1.4得到的云掩膜将云、阴影和背景剔除后，将高分辨率待归一化NDVI数据降采样至参考数据的中分辨率；
步骤2.2，根据步骤1.3得到的高分辨率遥感影像分类数据，计算中分辨率遥感影像每个像元的纯净度，并筛选出纯净度小于设定阈值T的像元为纯净像元；
步骤2.3，基于步骤2.2筛选出的纯净像元，利用Huber型M估计求解待归一化NDVI数据和参考NDVI数据的线性关系式系数；
步骤2.4，利用步骤2.3求得的线性关系式系数，求得高分辨率待归一化NDVI数据的归一化值。
4.如权利要求3所述的一种基于高分辨率遥感影像的NDVI归一化方法，其特征在于：步骤2.2中像元的纯净度计算公式如下：
Figure FDA0003506733940000021
式中，r为像元纯净度；kc为任一中分辨率像元范围内的高分辨率分类数据中属于类别c的像元占的个数，c是任一中分辨率像元范围内占比最大的地物类别；m为中分辨率与高分辨率遥感影像分辨率的比值，m×m为一个中分辨率遥感影像像元范围内高分辨率像元的数量。
5.如权利要求4所述的一种基于高分辨率遥感影像的NDVI归一化方法，其特征在于：步骤2.3中待归一化NDVI数据和参考NDVI数据的线性关系式如下：
yn＝a×xn+b (3)
式中，xn为步骤2.1降采样后的纯净像元的中分辨率待归一化NDVI数据，yn为步骤1.1得到的纯净像元的中分辨率参考NDVI数据，a和b为线性关系式的系数；
使用更为稳健的Huber型M估计求解：
euv＝a×xuv+b-yuv (4)
通过最小化
Figure FDA0003506733940000022
来求解系数，其中ρ()为Huber型影响函数：
Figure FDA0003506733940000023
式中，c为Huber参数。
6.如权利要求5所述的一种基于高分辨率遥感影像的NDVI归一化方法，其特征在于：步骤2.4中高分辨率待归一化NDVI数据的归一化值计算公式如下：
y′m＝a×xm+b (6)
式中，xm为步骤1.2求得的高分辨率待归一化数据中第m个像元，y′m为其对应的高分辨率归一化结果值，a和b为步骤2.3中求解得到的线性关系式系数。
7.如权利要求1所述的一种基于高分辨率遥感影像的NDVI归一化方法，其特征在于：步骤3.2中最大值合成法计算公式如下：
NDVImax＝max(NDVI1,NDVI2,...,NDVIn) (7)
式中，NDVImax为该时间段内NDVI最大值，NDVI1，NDVI2，NDVIn为该时间段内不同时期多个NDVI值。
CN202210151368.2A 2022-02-16 2022-02-16 一种基于高分辨率遥感影像的ndvi归一化方法 Pending CN114639014A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210151368.2A CN114639014A (zh) 2022-02-16 2022-02-16 一种基于高分辨率遥感影像的ndvi归一化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210151368.2A CN114639014A (zh) 2022-02-16 2022-02-16 一种基于高分辨率遥感影像的ndvi归一化方法

Publications (1)

Publication Number Publication Date
CN114639014A true CN114639014A (zh) 2022-06-17

Family

ID=81945988

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210151368.2A Pending CN114639014A (zh) 2022-02-16 2022-02-16 一种基于高分辨率遥感影像的ndvi归一化方法

Country Status (1)

Country Link
CN (1) CN114639014A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115205682A (zh) * 2022-07-04 2022-10-18 中国矿业大学(北京) 一种ndvi最大值遥感数据产品无缝生产处理方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115205682A (zh) * 2022-07-04 2022-10-18 中国矿业大学(北京) 一种ndvi最大值遥感数据产品无缝生产处理方法

Similar Documents

Publication Publication Date Title
Bastin et al. Aboveground biomass mapping of African forest mosaics using canopy texture analysis: toward a regional approach
Rakwatin et al. Restoration of Aqua MODIS band 6 using histogram matching and local least squares fitting
Dadon et al. Use of derivative calculations and minimum noise fraction transform for detecting and correcting the spectral curvature effect (smile) in Hyperion images
Zhu et al. Cloud and cloud shadow detection for Landsat images: The fundamental basis for analyzing Landsat time series
CN111832518B (zh) 基于时空融合的tsa遥感影像土地利用方法
CN105809148B (zh) 基于遥感时空谱融合的作物干旱识别及风险评估方法
US10054438B2 (en) Method and system for geometric referencing of multi-spectral data
AU2016230926A1 (en) Method and apparatus for processing spectral images
CN112183209A (zh) 一种基于多维特征融合的区域农作物分类方法及***
CN108985959A (zh) 一种基于地表温度反演技术的小麦白粉病遥感监测方法
CN107610050B (zh) 一种基于多源卫星数据的高时空分辨率陆表温度融合方法
CN109308688B (zh) 一种可见光和近红外波段厚云及阴影去除方法
Kumar et al. Comparison of efficient techniques of hyper-spectral image preprocessing for mineralogy and vegetation studies
Sagan et al. Data-driven artificial intelligence for calibration of hyperspectral big data
Sterckx et al. Atmospheric correction of APEX hyperspectral data
CN115372282A (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
CN114639014A (zh) 一种基于高分辨率遥感影像的ndvi归一化方法
Scheffler et al. Preprocessing of hyperspectral images: a comparative study of destriping algorithms for EO1-hyperion
Chen et al. Improved relative radiometric normalization method of remote sensing images for change detection
Zhou et al. A geometric misregistration resistant data fusion approach for adding red-edge (RE) and short-wave infrared (SWIR) bands to high spatial resolution imagery
Kong et al. Super resolution of historic Landsat imagery using a dual generative adversarial network (GAN) model with CubeSat constellation imagery for spatially enhanced long-term vegetation monitoring
Elsharkawy et al. Improvement in the detection of land cover classes using the Worldview-2 imagery
Pal et al. Noise reduction and destriping using local spatial statistics and quadratic regression from Hyperion images
Toro Herrera et al. Semi-automated production and filtering of satellite derived water quality parameters
Pal et al. Destriping of Hyperion images using low-pass-filter and local-brightness-normalization

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