SPOT VEGETATION S10影像云和雪蓋的檢測與處理

劉詠梅,王超,于冬

(西北大學城市與環境學院,陜西西安710127)

SPOT VEGETATION 計劃由法國、歐盟、比利時、意大利和瑞典聯合開發,該計劃的組件裝載在1998年3月發射的SPOT-4和2002年5月發射的SPOT-5衛星上,觀測寬度2250 km,空間分辨率為1 km,每天一次提供全球表面的影像覆蓋。SPOT VEGETATION傳感器以植被和地表為觀測目標,為長期的區域/全球科學研究,以及重要植被資源的監測系統提供基礎數據。SPOT VEGETATION在具有覆蓋面廣、時間分辨率高,數據具有可比性等優點的同時,云層和雪蓋的干擾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,雖然降低了云層干擾和大氣光學厚度變化的影響,但仍然殘存著云污染(cloud contamination),從而影響分析精度。研究有效的預處理方法,減少或去除云霧和雪蓋的影響,對提高SPOT VEGETATION數據的利用精度具有十分重要的意義。

本研究針對SPOT VEGETATION S10影像中殘存的云和雪蓋,對3種云層和雪蓋檢測器的檢測結果進行對比分析,并采用時間序列相鄰像元均值平滑的方法,較徹底地去除影像中的云和雪蓋,為SPOT VEGETATION影像的噪聲去除提供了較好的解決方案。

1 SPOT VEGETATION S10數據簡介

1.1 MVC合成處理

SPOT VEGETATION(VGT)數據的合成處理采用最大值合成法MVC[1]。S10是指10 d的合成產品,根據每個像素10 d內的觀測值進行計算,即選取10 d中具有最大NDVI值的觀測值作為該像素的地表反射值。S10數據集包含了NDVI,SM(狀態地圖)和 B0,B2,B3,MIR,SAA,SZA,TG,VAA,VZA等數據層[2]。

1.2 狀態地圖Status Map(SM)

狀態地圖是與影像數據對應的柵格文件,文件的數據類型為無符號8位,取值范圍為0～255。該柵格文件中每個像素值的二進制數值實際上是位數指示器(bit indicators Bit NR),表示了影像數據中該像素在獲取時的輻射質量及地表覆蓋類型。

如:Bit NR 2指示該像素是否冰雪,若值為1,指示是;若值為0,指示不是;Bit NR 1和0,指示該像素是否云層(表1)。

表1 Bit NR的取值意義

例如:在狀態地圖中若某像素的值為

251=(11111011)2,該像素為云;

252=(11111100)2,該像素為冰雪。

2 云層和雪蓋檢測

2.1 常用的檢測方法

很多新的云和雪蓋檢測方法都處于初期的驗證階段[3],國際上主要采用以下5種方法:(1)閾值法。在各光譜波段確定若干閾值,超過閾值范圍的像素被標識為“云”。(2)分區法。整個世界被分成若干區域,在每個區域內,根據不同的情況采用不同的算法。(3)變量法。與閾值法相同,但輸入變量可以采用波段之間的各種組合。(4)神經網絡法。采用各種神經網絡模型進行云的檢測。(5)模糊檢測法。不能明確確定某像素是或者不是云,而是確定該像素是云或非云的可能性。

目前,閾值法是云層檢測的主要方法,變量法是雪蓋檢測的主要方法。

2.2 SPOT VEGETATION S10影像云和雪蓋的檢測

2.2.1 云層和雪蓋檢測器V1.0 (1)云層檢測器V1.0。該方法將SM圖中各像素的屬性值轉化為二進制值,用Bit NR1和0來標識。根據SM 圖可知,值為27,75,91,107,123,235,251的像素為云像素。以1999年4月11日至20日的全國影像為例,得到云檢測圖。(2)雪蓋檢測器V1.0。檢測方法和云層檢測器V1.0相同,將SM圖各像素的屬性值轉化為二進制值,用Bit NR2來標識。由SM圖可知,值為28,92,124,236,252的像素為冰雪像素;同樣,生成雪蓋檢測圖。

2.2.2 云層和雪蓋檢測器V2.0 (1)云層檢測器V2.0。該方法根據VGT傳感器的B0,MIR波段的TOA反射值來確定像素的屬性。一個像素的輻射質量由以下條件來判定:①如果B0＜493或MIR＜180,晴朗;②如果 B0≥720或MIR ≥320,云;③其它情況,不確定。以上閾值有10%的誤差。以1999年4月11日至20日全國影像為例,生成云檢測圖。(2)雪蓋檢測器V2.0。下列條件全滿足的像素,被定義為冰雪: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日全國遙感影像為例,生成雪蓋檢測圖。

2.3 最佳指數斜率提取法〔BISE〕[4-5]

SPOT VEGETATION S10時間序列影像中不協調的突增和突降可能是有云與無云狀況的轉變表征。BISE方法通過滑動合成時段來防止選擇虛假的最大值,可以較好的識別S10影像的云層噪音干擾。

BISE算法主要包含兩個假定:(1)云和大氣的影響會使NDVI值降低;(2)NDVI值迅速而不連續的升高或降低與植被的自然生長規律不相符。通過檢測3個時刻:t-1,t,t+1的NDVI值,來判斷在t時各個像素是否為云層。分別計算NDVI在t-1和t時刻的差值以及NDVI在t+1和t時刻的差值,見公式(1—2)。

采用在t時刻NDVI值降低20%作為閾值來判定云像素的存在[6]。如果dNDVIt-1,t和dNDVIt+1,t各有20%的降低,則認為該像素受到云的影響。

以1999年4月11日至20日全國遙感影像為例,生成云檢測圖。

2.4 云和雪蓋檢測器V1.0,V2.0和BISE之間的比較

以1999年4月11至20日的影像為例,利用3種方法對云和冰雪像素的檢測結果見表2。

表2 3種方法檢測結果的比較

圖1為1999年4月的3期NDVI合成影像。對3種方法的檢測結果和NDVI彩色影像進行對比可知,用V1.0得出的云檢測圖比實際云層覆蓋要少的多;用V2.0得出的云和雪蓋檢測圖有一定的重疊度,因而不能準確地判斷重疊像素的屬性是云還是冰雪;BISE得出的云檢測圖和實際云層的吻合度很好,使用該方法能夠較好地識別云像素。

圖1 199904NDVI合成圖

3 去云去雪蓋處理

有多種方法可以進一步消除影像上殘存的云污染[6-8]。選取一個月內具有最大NDVI值的像素合成月影像產品是常用的方法之一,但是這種方法不能很好地反映出植被綠度演變中較大或快速的變化。本研究利用云像素在時間序列上的相鄰像素進行平滑處理[4],以達到去除云和雪蓋的目的。

對于在時間t獲取的像素i,根據上述檢測方法,如果該像素被標識為云像素,用時間t之前的某時間(絕大多數情況為t-1)該像素的無云NDVI值和時間t之后的某時間(絕大多數為t+1)該像素的無云NDVI值,計算兩者的平均值來代替像素i在時間t的NDVI值。即:

式中:dNDVIt——像素i在時間t的 NDVI值;——像素i在時間t-1的灰度值;dNDVIt+1——像素i在時間t+1的灰度值。

對V1.0,V2.0,BISE檢測到的云圖,用公式(3)進行處理,可得到去云后的旬NDVI時間序列影像。去雪蓋方法和去云方法一樣,對V1.0,V2.0得到的雪蓋圖采用上述公式,可去除冰雪覆蓋的影響。

4 結論

(1)對SPOT VEGETATION S10影像中云層和雪蓋的3種檢測方法的比較表明,V1.0檢測器得到的云最少,但比較準確;V2.0得到的云圖有部分像素和雪蓋圖的像素重疊,因而不能準確判斷出這些重疊像素的屬性;而用BISE檢測器得到的云圖和實際相符程度最高。

(2)綜合3種方法的優點,SPOT VEGETAION影像云和雪蓋檢測的最佳方法為:先用V1.0,再用BISE檢測器,能夠較徹底地檢測影像上的云像素;V1.0和V2.0的綜合運用,可獲得比較合理的雪蓋圖。

(3)SPOT VEGETATION S10時間序列影像為云和雪蓋的去除提供了數據基礎,時間序列相鄰像素平滑處理方法的應用,使旬影像數據中云和雪蓋等噪音的去除效果達到最佳。

[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] 劉詠梅.基于高時間分辨率遙感數據的區域水土保持植被綜合分類研究:以黃土高原為例[D].北京:中國科學院研究生院,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] 顧娟,李新,黃春林.NDVI時間序列數據集重建方法述評[J].遙感技術與應用,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.