BJ-1智能小衛星多曝光量數據特征及其積雪提取方法研究

閻福禮， 徐建國， 魯志弘

(1.中科院遙感與數字地球研究所,北京　100101； 2.核工業216大隊,烏魯木齊　830011；

3.棲霞農業局,棲霞　265300)

?

BJ-1智能小衛星多曝光量數據特征及其積雪提取方法研究

閻福禮1， 徐建國2， 魯志弘3

(1.中科院遙感與數字地球研究所,北京100101； 2.核工業216大隊,烏魯木齊830011；

3.棲霞農業局,棲霞265300)

摘要：通過調控成像積分時間改變曝光量，會在改變圖像DN值和圖像質量的同時，給地面參數定量反演帶來很大的不確定性。以環境星(HJ-1)CCD數據為參照標準，以積雪為研究對象，系統分析了北京一號小衛星(BJ-1)多曝光量數據的積雪圖像質量及其光譜特征變化規律； 在模擬BJ-1多曝光量數據的基礎上，提出了面向多曝光量數據的積雪提取方法，并評估了不同算法的積雪面積提取精度。結果表明，BJ-1 CCD數據的積雪圖像質量隨曝光量增加有所改善，但過分曝光也會導致圖像質量下降； 陰影區積雪的光譜差特征隨曝光量的增加而增強，向陽面積雪的光譜差特征因“飽和”而大大削弱。基于BJ-1模擬數據，提出了面向多時相、多曝光量數據的歸一化積雪提取模型，該模型的分類成功指數(classification success index,CSI)達到89.95%，優于單一曝光量的82.25%和傳統監督分類的75.95%的提取精度，為研發更具目標針對性的智能傳感器和高精度地表參數遙感反演算法提供了有益的借鑒。

關鍵詞：北京一號小衛星(BJ-1)； 多曝光量； 圖像質量； 積雪提取

0引言

20世紀以來，航天遙感技術得到了飛速發展，由最初的膠片成像到數字傳輸，由全色擴展到多光譜和高光譜，由中低分辨率發展到高分辨率，由成像參數基本恒定的常規傳感器發展到參數自適應的智能傳感器[1-2]。傳感器的每一次更新換代都有效地促進了遙感應用技術的發展。新出現的智能衛星傳感器能夠根據地物特性智能成像，顯著增強了遙感信息的獲取能力，智能遙感已經成為當前國際航天遙感發展的熱點[2]。

北京一號小衛星(BJ-1)初步實現了根據地物反射特性實現多曝光量的智能成像。一般認為，增大曝光量會引起圖像DN值增大，對弱反射地物而言，不會造成圖像飽和，反而能有效地增加圖像信息量[3]； 但對于積雪而言，因強反射且已接近“圖像飽和”的積雪圖像DN值的急劇增大，將導致嚴重的“圖像飽和現象”，反而會造成地物信息的嚴重損失。積雪在可見光波段的高反射和可見光-紅外波段的光譜反射率差值是積雪面積光學定量遙感的物理基礎[4]，這種因曝光量變化造成的DN值變化(甚至“圖像飽和”)將導致原有遙感反演技術的“失效”，并產生新的技術需求。另外，已經在軌運行的神舟飛船也能夠獲取大量的多曝光量遙感數據。因此，探索多曝光量遙感的地面應用研究，不僅具有極為重要的現實意義，而且是比較緊迫的技術需求。目前調控曝光時間的多曝光量智能觀測系統已經有了良好的工程應用[5-6]，而且對因曝光時間變化引起的圖像噪聲、信噪比、MTF的變化以及圖像定標精度都開展了相當程度的研究[7-9]； 但這些研究大多限于先進的精密光學工程技術范疇，還遠沒有擴展到對諸如積雪、植被、水體等具體地物的地表參數定量反演技術中。

本文基于BJ-1 CCD數據，分析了積雪圖像的多曝光量數據特征和光譜特征； 并在模擬數據的基礎上，評估了多曝光量數據在積雪提取方面的應用潛力，初步提出了面向BJ-1多曝光量數據的積雪面積提取方法，以期為未來多曝光量數據的遙感應用提供有益的借鑒。

1遙感數據

選擇BJ-1衛星多曝光量數據為數據源。BJ-1衛星的實際成像積分時間大都控制在600～4 500 μs之間，選取曝光時間為1 000,2 000,4 200 μs(分別代表低、中、高3種曝光量)的BJ-1 CCD圖像，開展了3種曝光量的BJ-1 CCD圖像數據的質量評價。為了避免大氣和地物時相差異帶來的干擾，利用圖像模擬技術模擬了同一場景、同一時刻的3種曝光量數據[10-12]，用于開展積雪面積提取精度的評價。并選擇同步過境的環境與災害監測預報小衛星(HJ-1)CCD數據作為對比的基準圖像(表1)。

表1　遙感數據源及其用途

2研究方法

2.1圖像評價

分別計算每一種成像積分時間的BJ-1 CCD數據以及同步獲取的HJ-1 CCD數據的灰度均值、動態范圍、信噪比和清晰度等圖像質量評價指標，并計算其比值，即

IMGi-exposure=iBJ/ iHJ;

(1)

式中：IMG為每一種成像積分時間CCD數據的圖像質量評價指標的比值；i為均值、動態范圍、信噪比或清晰度；exposure為低、中、高曝光量； BJ代表北京一號星； HJ代表環境一號星。

2.2多曝光量積雪提取

BJ-1 CCD數據可見光波段的強反射和綠波段與近紅外波段的光譜差異是建立積雪提取方法的數據基礎。本文采用最大似然監督分類、同一曝光類型光譜差和多曝光類型歸一化等3種方法提取積雪信息。

1)最大似然監督分類。假設訓練樣本在特征空間中的分布服從高斯正態分布，通過計算樣本的歸屬概率進行分類，是常規分類方法[13]。

2)單一曝光類型光譜差。利用單一曝光類型數據，建立綠波段與近紅外波段光譜差的積雪面積提取模型，即

DSNOWmono-mode=DNGREEN-mode-DNNIR-mode>Threshold波段差異，

(2)

式中：DSNOWmono-mode為單一曝光量類型數據的積雪提取結果；DN為圖像灰度值；Threshold為波段差異閾值；mode為成像曝光量類型，分別代表低、中、高曝光量； GREEN和NIR分別代表綠波段和近紅外波段。

3)多曝光類型歸一化。通過定量分析不同曝光量圖像的DN值變化規律，根據與不同曝光數據協同的遙感反演模型參數和精度，建立多曝光量數據的歸一化模型，即

(3)

式中：DSNOW歸一化為多曝光量數據歸一化反演的積雪面積；A,B,C為多曝光量歸一化系數。

2.3積雪面積評估

目前評估積雪分類精度大都采用混淆矩陣、Kappa系數等方法，給出的是所有地物類型的分類精度，往往與其中某一地物類型(積雪)的實際提取精度有較大差別，因此采用分類成功指數(classification success index,CSI)進行積雪分類精度評價[14]，即

CSI=M/(L+M+N) ,

(4)

式中：L為漏分的積雪像元總數；M為正確分類的積雪像元總數；N為錯分為積雪的像元總數。

(L+M)為積雪面積真實值； (M+N)為遙感反演的積雪面積。這種評估方法不僅考慮了錯分的積雪面積，還兼顧了漏分的積雪面積。

3結果與分析

3.1圖像評價指標隨多曝光量的變化

準同步試驗(BJ-1與HJ-1星成像時間前后相差約1 h)在太陽高度角、大氣、地物時相變化大致相同的情況下，2顆衛星圖像質量評價指標的比值iBJ/iHJ能夠反映多曝光量圖像性能的變化規律。對同一目標，分母的HJ-1圖像的評價指標恒定不變，則比值iBJ/iHJ的變化反映了BJ-1多曝光量圖像成像性能的變化； 通過分析比值的變化，能揭示曝光量變化對BJ-1圖像質量的影響。圖1示出BJ-1與HJ-1的積雪圖像質量指標(灰度均值、動態范圍、信噪比和清晰度)比值的變化情況。

(a) 灰度均值(b) 動態范圍(c) 信噪比 (d) 清晰度

圖1BJ-1與HJ-1積雪圖像質量指標比值

Fig.1Ratio of image quality parameters of BJ-1 to HJ-1 imageries with snow cover

圖1(a)表明： ①不同波段對曝光量變化的DN值光譜響應存在差異； ②積雪圖像均值的比值隨積分時間增加并不成比例變化。一般來說，隨著曝光量的增加，積雪圖像DN值應隨積分時間增加成比例變化[3]； 然而事實表明，超過一定的曝光量時，積雪圖像DN值達到飽和，圖像均值就不再出現增大的現象。圖1(b)表明，BJ-1的積雪圖像DN值動態范圍隨曝光量增加有增大的趨勢； 但超過一定的曝光量時，圖像DN值達到飽和，動態范圍反而降低。從圖1(c)可知，中積分時間數據的綠波段和近紅外波段的信噪比有較大改善，但過分增加曝光量會降低圖像的信噪比。從圖1(d)可以看出，圖像清晰度隨曝光量的增加而降低； 說明在中、高曝光量條件下，隨著曝光量的增加，相鄰地物明暗像元響應不同，像元DN值梯度降低，證明增加積分級數的確能夠造成系統MTF下降[9]，導致圖像清晰度下降。

3.2DN值光譜隨多曝光量的變化

積雪在可見光-近紅外波段的光譜反射率在70%～95%之間，屬于典型的強反射地物； 從近紅外到短波紅外波段，積雪的光譜反射率隨波長的增加快速下降[4]。BJ-1 CCD與Landsat TM的積雪光譜響應基本類似，主要表現在： 近紅外波段對積雪顆粒粒徑較為敏感，綠波段的圖像飽和現象相對顯著； 如在Landsat TM積雪圖像中，近紅外波段圖像DN值約在40～255之間，綠波段圖像DN值約在64～255之間[15]。同樣，BJ-1 CCD短積分數據的近紅外波段圖像DN值在10～184之間，綠波段圖像DN值約在32～255之間； 中積分數據的近紅外波段圖像DN值在18～255之間，綠波段圖像DN值約在60～255之間； 長積分數據的近紅外波段圖像DN值在35～255之間，綠波段圖像DN值約在117～255之間。這說明 BJ-1 CCD圖像的綠波段和近紅外波段隨著曝光量的增加，圖像飽和現象都更加嚴重，其中綠波段尤甚。

此外，分別針對向陽面積雪和陰影區積雪統計多種曝光量圖像的DN值，結果顯示了向陽面積雪和陰影區積雪圖像在不同成像積分時間調控下的多曝光量光譜變化規律(圖2)。

(a) 向陽面積雪 (b) 陰影區積雪

圖2BJ-1多曝光量數據向陽面積雪與陰影區積雪DN值光譜對比

Fig.2Comparison of DN spectra of snow in sunny side and shadowed area in BJ-1 images

with short, middle and long imaging integration time

從圖2可以看出： ①向陽面積雪的DN值均值都在120以上，陰影區積雪的DN值都在30以上，明顯地反映了強反射地物的光譜特性； ②綠、紅、近紅外波段圖像的DN值大都隨波長的增加而迅速下降，表現出積雪特有的光譜特性； ③隨著曝光量的增加，圖像DN值有所增加，但不同波段的DN值變化幅度不一致，即不同波段的多曝光量光譜響應不同； ④向陽面積雪在綠波段與近紅外波段的DN值光譜差異隨成像積分時間的增加而變小，甚至為0(圖像飽和)(圖2(a))； ⑤陰影區積雪的綠波段與近紅外波段的DN值光譜差異隨成像積分時間的增加而增強(圖2(b))。這表明隨著曝光量的增加，陰影區積雪的光譜特征得到增強，而向陽面積雪的光譜特征被強烈削弱甚至消失(圖像飽和)，這意味著采用波段光譜差異的積雪算法能有效提取非飽和區域的積雪(如陰影區積雪)； 而對圖像飽和區域的積雪則會造成很大的誤差，需要采用附加算法加以識別，這一圖像變化規律將對多曝光量圖像的積雪提取算法產生十分重要的影響。

3.3積雪提取精度評價

BJ-1 CCD通過調控成像積分時間改變圖像曝光量，因而改變了圖像質量，也改變了獲取的地物光譜信息，對地表參數的定量遙感反演算法和精度產生了較大的影響。本文以積雪標準產品算法為參照[16]，利用模擬數據進行多曝光量數據的積雪提取方法研究，以對比分析不同方法的積雪提取精度。

3.3.1積雪面積真實值

歸一化差值積雪指數(normalized difference snow index,NDSI)產品一般可作為全球性積雪提取的標準化產品[15]。因此，采用HJ-1圖像的綠波段和短波紅外數據構建的經典的NDSI提取積雪面積作為“真實值”(圖3(a))。

(a) NDSI (b) 監督分類 (c) 低曝光量光譜差模型 (d) 多曝光量歸一化模型

圖3不同算法提取的積雪面積對比

Fig.3Snow cover retrieved using different algorithms

BJ-1圖像只有綠、紅和近紅外3個波段，為了進一步論證這3個波段的有效性，選取HJ-1圖像的綠、紅和近紅外波段數據，采用最大似然監督分類方法提取了積雪覆蓋面積(圖3(b))。將監督分類結果與NDSI獲取的積雪覆蓋圖進行了精度對比，總體分類精度達到89.54%，Kappa系數為0.779 9，積雪CSI精度為75.95%。在只有綠、紅和近紅外3個波段的情況下，監督分類方法的類間可分離性為2.0，分類方法可靠、穩定。

3.3.2單一曝光類型光譜差積雪提取

根據積雪光譜特性，利用單一曝光類型的BJ-1 CCD多光譜數據的綠波段與近紅外波段的差值提取積雪覆蓋面積。閾值的確定采用影像數據直方圖的最頻值法、輔以人工干預進行，判斷依據為閾值變化不會導致提取精度大幅度波動[4]。將單一曝光類型光譜差模型提取得到的積雪面積與NDSI提取的積雪面積進行了對比驗證，得到單一曝光量模型閾值及其積雪提取精度(表2)。

表2　單一曝光量模型閾值及其積雪提取精度

對比BJ-1圖像的3種曝光量類型，低曝光量的BJ-1數據更適合于積雪的提取，積雪CSI精度能夠達到82.25%(表2和圖3(c))，優于傳統監督分類的75.95%的積雪CSI精度。在單一曝光量數據中，低曝光量的綠波段與近紅外波段光譜差算法的積雪提取精度最高，中、高曝光量數據的積雪提取精度稍差(表2)。

3.3.3多曝光類型歸一化積雪提取

利用模擬的低、中、高曝光量數據的綠波段和近紅外波段，兩兩交叉，實現不同曝光類型的綠波段和近紅外波段光譜差模型的積雪面積提取。結果顯示，低曝光的綠波段與高曝光的近紅外波段的光譜差積雪提取模型具有最高的積雪面積提取精度。在圖像飽和的情況下，光譜差模型失效，由于飽和區域都是強反射的積雪區域，可以通過單波段閾值加以提取。在圖像不飽和的情況下，隨著曝光量的增加，圖像DN值是成比例變化的[3]，通過確定曝光量與DN值的線性比例函數(圖1(a))，實現多曝光量數據的DN值轉換； 將不同曝光量類型的綠波段和近紅外波段轉換為低曝光的綠波段與高曝光近紅外波段的光譜差模型，使得多種曝光量類型數據都能達到更高的提取精度。

對多曝光量歸一化模型提取得到的積雪面積(圖3(d))與NDSI提取積雪面積(圖3(a))進行對比驗證，得到多曝光量歸一化模型閾值及其積雪提取精度(表3)。

表3　多曝光量歸一化模型閾值及其積雪提取精度

對比BJ-1圖像的3種曝光量類型，經過歸一化處理，不同曝光量數據的積雪CSI精度都達到了89.95%(表3和圖3(d))，優于單一曝光類型光譜差模型的82.25%和傳統監督分類方法的75.95%的積雪CSI精度。

3.3.4真實性檢驗

為了進一步檢驗多曝光量數據提取積雪算法的有效性，選取分別于2010年1月30日、2011年1月10日和2012年1月1月13日獲取的BJ-1多曝光量CCD數據，成像積分時間分別為1 272，2 048和3 300 ms(可分別代表低、中、高3種類型的曝光量)，進行了多曝光量歸一化算法和單一曝光類型光譜差算法的積雪面積提取精度對比(表4)。

表4　單曝光量光譜差和多曝光量歸一化算法真實性檢驗

對比結果表明，在積雪提取精度方面，協同利用多曝光特點的歸一化方法明顯優于單曝光量光譜差方法(表4)，說明針對未來的多曝光量智能衛星以及載人空間站的多曝光量遙感數據，可以構建體現多曝光量特性的地表參數定量反演模型，而且多曝光量數據相對傳統的單一曝光量數據具有更顯著的技術優勢。

4問題與討論

1)地物目標的多曝光量圖像不確定性問題。曝光量變化會影響所獲取的地物圖像質量，造成圖像的灰度均值、動態范圍、信息量、方差、信噪比、清晰度等多種圖像質量評價指標的改變。雖然一般認為隨著曝光量的增加，圖像DN值會線性增大； 但實際上的圖像存在“低飽和”、“高飽和”、非線性和非均勻性響應，多曝光量成像對圖像質量、尤其是定量遙感反演會產生極大的不確定性。此外，自然界中的大氣和太陽高度角的多樣性也都會產生多曝光量成像環境，其與多曝光量智能成像疊加，會造成對定量遙感科學問題和技術問題的困擾。

2)多曝光量地物參數定量反演問題。地物參數定量遙感反演是建立在地物光譜反射規律和典型地物光譜特征的基礎之上的。以積雪為例，積雪存在可見光波段的強反射特征以及由可見光到短波紅外波段由極高到極低的光譜反射規律，這是光學遙感識別和反演積雪面積參數的物理基礎。多曝光量圖像的出現，會極大地改變積雪的圖像光譜表現(如向陽面積雪圖像的“高飽和”)，使得原有的積雪反演算法已經不再適用或者存在極大的反演誤差。這都需要面向曝光量、地物圖像和地物光譜特征，研發適用于不同曝光量的地物參數定量遙感反演理論和反演技術。

3)多曝光量數據的多時相集成應用。開展業務性遙感監測往往要求實現多時相的連續監測，但由于不同時相遙感圖像的曝光量不一致、數據特征不同、積雪面積等地面參數遙感反演模型不同，反演精度也具有顯著的差異。要實現多種曝光量數據的多時相集成應用，必須建立方法、形式、精度具有一致性和可比性的、長時間序列的地面參數遙感提取方法，這對有效地利用多曝光量數據、實現遙感監測業務化運行有重要意義。

4)前端傳感器設計和后端遙感應用的緊密結合。國際上的航天強國，其前端傳感器設計和后端遙感應用環節，前后響應，聯系緊密。對于我國而言，目前還基本處于前、后端響應不夠及時和某些技術相互脫節的現狀。前端的傳感器設計若不能充分吸收后端遙感應用的應用需求和研究成果，就無法實現以遙感應用需求為牽引的航天遙感業務流程； 后端的遙感應用若無法獲得前端傳感器的硬件參數，則只能跟蹤當前國際技術發展潮流，實現不了具有高度自主知識產權的技術創新。

5結論

積雪的多曝光量圖像具有不同的數據特征和光譜特征，對地表參數的遙感定量反演會產生顯著的影響。實現多種曝光量數據的集成應用，建立高精度、高頻次的多時相遙感反演模型，對探索智能遙感地物識別和地面參數反演具有重要的科學意義，對開展智能遙感應用也具有重要的應用價值。研究結論如下：

1)積雪的BJ-1衛星圖像動態范圍、DN值的比值和信噪比隨積分時間的增加有明顯改善，但過分曝光會造成圖像質量下降； 圖像清晰度隨曝光量的增加而降低，印證了精密光學工程中增加積分級數能提高信噪比、但會導致系統MTF下降的結論。

2)隨著曝光量的增加，陰影區積雪的綠波段與近紅外波段的光譜差異得到增強(圖像非飽和)，而向陽面積雪的綠波段與近紅外波段的光譜差異特征則被削弱(圖像飽和)。這一光譜變化規律對多曝光量圖像的積雪提取算法產生十分重要的影響。

3)利用積雪圖像中“飽和”和“非飽和”區域的多曝光量DN值響應規律，協同利用多曝光量數據實現多曝光量數據的歸一化，能夠構建形式和精度具有一致性、可比性的長時間序列地表參數反演模型。

4)積雪的多曝光量數據特征和地面參數反演方法可為研制更具有針對性的智能傳感器和研發高精度的地表參數遙感反演模型提供有益的借鑒。

參考文獻(References)：

[1]Ramapriyan H R,McConaughy G R,Morse S,et al.Intelligent systems technologies to assist in utilization of earth observation data[C]//Proc.SPIE 5542,Earth Observing Systems IX.Denver,CO:IEEE,2004:384-394.

[2]張兵.智能遙感衛星系統[J].遙感學報,2011,15(3):415-431.

Zhang B.Intelligent remote sensing satellite system[J].Journal of Remote Sensing,2011,15(3):415-431.

[3]冉瓊.“北京一號”小衛星地面預處理關鍵技術研究[D].北京:中國科學院遙感與數字地球研究所,2009.

Ran Q.Study on Key Issues in Pre-processing of Beijing-1 Small Satellite Images[D].Beijing:Institute of Remote Sensing and Digital Earth,Chinese Academy of Sciences,2009.

[4]Wang L T,Zhou Y,Zhou Q,et al.Snow cover monitoring method by using HJ-1 satellite data[J].Spectroscopy and Spectral Analysis,2011,31(8):2226-2232.

[5]童菲,王曉峰.探月衛星有效載荷中的光學遙感系統——中科院西安光機所趙葆常研究員訪談[J].激光與光電子學進展,2009,46(1):67-71.

Tong F,Wang X F.The optical remote sensing systems of the lunar satellite payload[J].Laser and Optoelectronics Progress,2009,46(1):67-71.

[6]趙葆常,楊建峰,汶德勝,等.嫦娥二號衛星CCD立體相機設計與驗證[J].航天器工程,2011,20(1):14-21.

Zhao B C,Yang J F,Wen D S,et al.Chang’e-2 lunar orbiter CCD stereo camera design and validation[J].Spacecraft Engineering,2011,20(1):14-21.

[7]劉亞俠.TDI CCD相機實驗室輻射定標的研究[J].光電工程,2007,34(5):71-74.

Liu Y X.Research on the laboratory radiometric calibration of the TDI CCD camera[J].Opto-Electronic Engineering,2007,34(5):71-74.

[8]韓采芹,李華,朱順一,等.不同光照條件下CCD相機時間噪聲和空間噪聲的研究[J].應用光學,2008,29(2):207-210.

Han C Q,Li H,Zhu S Y,et al.Temporal noise and spatial noise of CCD camera at different illuminance[J].Journal of Applied Optics,2008,29(2):207-210.

[9]薛旭成,石俊霞,呂恒毅,等.空間遙感相機TDI CCD積分級數和增益的優化設置[J].光學精密工程,2011,19(4):857-863.

Xue X C,Shi J X,Lyu H Y,et al.Optimal set of TDI CCD integration stages and gains of space remote sensing cameras[J].Optics and Precision Engineering,2011,19(4):857-863.

[10]葉澤田,顧行發.利用MIVIS數據進行遙感圖像模擬的研究[J].測繪學報,2000,29(3):235-239.

Ye Z T,Gu X F.Simulation of remote sensing images based on MIVIS data[J].Acta Geodaetica et Cartographica Sinica,2000,29(3):235-239.

[11]劉雄飛,王世新,周藝,等.BJ-1衛星與HJ-1A/B衛星NDVI產品比較研究[J].遙感技術與應用,2013,28(5):904-909.

Liu X F,Wang S X,Zhou Y,et al.Comparison of BJ-1 and HJ-1A/B NDVI data[J].Remote Sensing Technology and Application,2013,28(5):904-909.

[12]劉韶菲,閻福禮,王世新,等.模擬BJ-1智能數據的藍藻水華提取應用潛力評價[J].遙感信息,2014,29(2):61-67.

Liu S F,Yan F L,Wang S X,et al.Application potential of modeling BJ-1 intelligent datasets in retrieving algae blooming area[J].Remote Sensing Information,2014,29(2):61-67.

[13]駱劍承,王欽敏,馬江洪,等.遙感圖像最大似然分類方法的EM改進算法[J].測繪學報,2002,31(3):234-239.

Luo J C,Wang Q M,Ma J H,et al.The EM-based maximum likelihood classifier for remotely sensed data[J].Acta Geodaetica et Cartographica Sinica,2002,31(3):234-239.

[14]Koukoulas S,Blackburn G A.Introducing new indices for accuracy evaluation of classified images representing semi-natural woodland environments[J].Photogrammetric Engineering and Remote Sensing,2001,67(4):499-510.

[15]Hall D K,Ormsby J P,Bindschadler RA,et al.Characterization of snow and ice reflectance zones on glaciers using Landsat Thematic Mapper data[J].Annals of Glaciology,1987,9:104-108.

[16]Hall D K,Riggs G A,Salomonson V V.Algorithm theoretical basis document(ATBD) for the MODIS snow and sea ice-mapping algorithms[EB/OL].[2001-09-01].http://modis.gsfc.nasa.gov/data/atbd/atbd_mod10.pdf.

(責任編輯： 劉心季)

Characteristics of multi-exposure images of BJ-1 intelligent micro satellite and its applications to snow cover extraction

YAN Fuli1， XU Jianguo2， LU Zhihong3

(1.InstituteofRemoteSensingandDigitalEarth,ChineseAcademyofSciences,Beijing100101,China； 2.No. 216PartyofChinaNationalNuclearCorporation,Urumqi830011,China； 3.AgariculturalBureauofQixia,Qixia265300,China)

Abstract:BJ-1 micro satellite can adjust CCD exposure by altering the imaging integration time, which not only can affect the digital numbers(DN)and the image quality but also can bring about the uncertainties in retrieving the land surface parameters quantitatively. Taking the HJ-1 CCD datasets as references, the authors calculated and analyzed the spectral characteristics and image quality of the high reflective targets in BJ-1 CCD images. Some conclusions have been reached: The image quality will be improved with a moderate exposure and impaired with over-exposure. The spectral features of the snow in terrain shadow can be enhanced with the increasing imaging integration time, while the spectral characteristics of the snow on the sun side would be weakened as a result of the image "saturation". On the basis of the spectral features of the snow and the data characteristics of the multi-exposure BJ-1 CCD imageries, a normalized model of the multi-exposure imageries for extracting the snow cover is proposed with the accuracy (classification success index, CSI)of 89.95%, which is superior to the accuracy (CSI)of 82.25% of mono-exposure model and the accuracy(CSI) of 75.95% of supervised classification. The results achieved by the authors will greatly facilitate the design of the more target-specific intelligent sensor and the development of more accurate inversion theory and techniques in retrieving the land surface parameters quantitatively.

Keywords:Beijing-1 micro satellite(BJ-1)； multi-exposure； image quality； snow cover extraction

作者簡介：第一 閻福禮(1973-),男,博士,副研究員,主要從事災害與環境定量遙感研究。主持和參加過863課題“巨災鏈型災害遙感監測與預警一體化關鍵技術”和國家自然科學基金項目“水底下墊面光學效應和水體光學遙感輻射傳輸模型”等項目數十項,發表文章20余篇。Email： yanfl@radi.ac.cn。

中圖法分類號：TP 751.1

文獻標志碼：A

文章編號：1001-070X(2016)01-0028-07

基金項目：國家科技支撐計劃項目“多應用模式智能觀測遙感數據增值產品處理與服務技術研發”(編號： 2011BAH23B03) 資助。

收稿日期：2014-09-24；

修訂日期：2014-12-03

doi:10.6046/gtzyyg.2016.01.05

引用格式： 閻福禮,徐建國,魯志弘.BJ-1智能小衛星多曝光量數據特征及其積雪提取方法研究[J].國土資源遙感,2016,28(1)：28-34.(Yan F L,Xu J G,Lu Z H.Characteristics of multi-exposure images of BJ-1 intelligent micro satellite and its applications to snow cover extraction[J].Remote Sensing for Land and Resources,2016,28(1)：28-34.)