高分衛星影像遙感指數批量處理系統設計與實現

摘" " 要：針對日益增長的高分衛星影像數據文件量和批量化計算處理其遙感指數的需求，采用交互式數據語言IDL，基于分層架構和事件驅動模型，設計和開發具有圖形用戶界面、不依賴ENVI軟件、可跨平臺獨立運行的高分衛星影像遙感指數批量處理系統，實現影像讀取、指數計算、數據輸出的批量化、可視化、流程化處理，簡化從繁蕪復雜的高分影像數據文件中提取多種遙感指數的手工操作過程。在農業遙感業務中的實踐應用結果表明：本系統能夠穩定運行，高效地處理大批量的高分衛星影像文件，精準計算多種遙感指數，避免了傳統方法存在的操作繁瑣、重復勞動、頻繁等待等問題，不僅極大提升了農業遙感業務的工作效率，而且對遙感數據分析處理和相關軟件的開發應用也具有重要的參考意義。本系統的成功設計實現與應用，顯示出了分層架構、事件驅動模型與IDL語言的結合對農業遙感領域信息系統開發和實踐的有效性。

關鍵詞：高分衛星；遙感指數；批量處理；交互式數據語言

中圖分類號：TP79" " " " "文獻標識碼：A" " " " " DOI 編碼：10.3969/j.issn.1006－6500.2024.03.010

Design and Implementation of High Resolution Satellite Image Remote Sensing Index Batch Processing System

ZHANG Meng1， HUANG Che1， XU Xiang1， WANG Zhuang2， ZHOU Luyang1， WANG Chen3

（1.Anhui Rural Comprehensive Economic Information Center， Hefei， Anhui 230031， China; 2.Anhui Institute of Meteorological Sciences， Hefei， Anhui 230031， China; 3.Huaihe River Basin Meteorological Center， Hefei， Anhui 230031， China）

Abstract： In response to the growing volume of high-resolution satellite image data files and the demand for batch computing and processing of their remote sensing indices， in this paper， we adopted the interactive data language IDL， based on the layered architecture and event-driven model， designed and developed a high-resolution satellite image remote sensing index batch processing system with graphical user interface， independent of ENVI software， and independent operation across platforms， implemented batch， visualization， and process processing of image reading， index calculation， and data output， simplified the manual operation process of extracting multiple remote sensing indices from complex high-resolution image data files. The practical application in agricultural remote sensing business had shown that the system in this article could operate stably， efficiently process a large number of high-resolution satellite image files， accurately calculate multiple remote sensing indices， avoid the problems of traditional methods such as cumbersome operations， repetitive labor， and frequent waiting， not only greatly improve the efficiency of agricultural remote sensing business， but also had important reference significance for the analysis and processing of remote sensing data and the development and application of related software. The successful design， implementation， and application of this system demonstrated the effectiveness of the combination of layered architecture， event driven models， and IDL language in the development and practice of information systems in the field of agricultural remote sensing.

Key words： gaofen satellite; remote sensing index; batch processing; interactive data language

遙感指數（Remote Sensing Index，RSI）是基于地物的光譜吸收反射特點，通過對衛星多光譜影像的可見光、紅邊、近紅外、短波紅外等不同波段間的線性和非線性組合，構建并提取地物的光譜特征，以此強化和反映地物某一方面特性的技術方法。目前，綜合遙感相關科技文獻的發布來看，國內外眾多學者已提出了大量的針對不同地表覆蓋物的遙感指數，涵蓋了植被、裸地、水體、云層、礦物、濕地、建筑物等諸多地物類型，其中，僅用于監測識別地表植被覆蓋類型的植被指數（Vegetation Index，VI）就有多達數百種[1-4]。

通常，不同類別的地物對各種遙感指數的響應有著較明顯的區別。例如，綠色植被對植被指數的響應值較高，而對水體指數的響應值則較低[5]。根據這一原理，遙感指數首先應用于地物分類領域。通過對地物多種遙感指數的提取與聯合使用，基于經驗性的閾值分割，建立起有效區分和識別地表覆蓋物類型的決策樹分類模型。多年來，基于遙感指數的決策樹分類模型在各種地物識別分類場景中得到廣泛應用，證實了該方法的有效性[6-9]。特別地，紅邊波段對表征植被生長狀況的重要生化參數變化很敏感，提取遙感影像的紅邊指數可以用于植被特別是農作物的精細化識別，已成為當前研究的熱點[10-12]。遙感指數在其他領域同樣發揮著重要作用。由于植被的生長與地表溫度、土壤水分、干旱發生等密切相關，因此可以通過遙感指數監測植被的生長狀況，間接反演地表溫度、土壤水分，進行干旱監測[13]。此外，遙感指數在生態質量評價、土壤有機質含量估算等方面也有著廣泛的應用[14-15]。眾多場景的使用和研究都表明了，快速有效地計算遙感指數對于廣泛而深入地提取使用衛星遙感影像中的關鍵信息、挖掘其應用潛力、開展業務化應用是極為重要和必要的。

近年來，隨著高分一號（GF-1）、高分六號（GF-6）等高空間分辨率衛星的相繼升空，農業遙感業務有了豐富、穩定、高質量的國產數據源。數量繁多且又相對成熟的遙感指數則為高分衛星影像的使用提供了算法和理論上的支撐，已有學者將高分衛星影像遙感指數應用到農作物種植提取、苗情長勢監測、農業氣象災害評估中，取得了較好的結果[16-18]。與此同時，日益增長的高分衛星數據文件量和應用場景需求，以及影像波段數、空間分辨率的提高，使得按照常規方法對其進行遙感指數計算和處理變得相當耗時費力。以使用遙感圖像處理專業軟件ENVI 5.3為例，業務人員通常需要按照要求逐一地加載經過預處理的每幅高分衛星影像，然后使用光譜工具箱中的植被指數計算器計算一些預置的常見植被指數，或者使用波段代數工具箱中的波段運算工具，輸入合規的遙感指數計算表達式，逐個計算專門的、植被指數計算器中不存在的遙感指數。這2種方法相結合可以滿足基本的業務應用需求，但是存在以下無法規避的缺點：

（1）植被指數計算器可以一次計算多個預置的遙感指數，但其輸出結果會將所計算的遙感指數疊加，形成一個多波段的文件，不利于單獨分析某一種或一類遙感指數，且對高分衛星的針對性不強，缺少較多常用的高分衛星影像遙感指數。

（2）波段運算工具能夠基于衛星影像的波段信息有針對性地計算各種遙感指數，但它一次只能計算單個遙感指數，且操作過程略繁瑣，每次計算均需要指定表達式中變量所代表的具體波段，當表達式比較復雜時容易出現操作失誤、計算錯誤。同時，波段運算工具也是個專業性較強的工具，它需要業務人員熟悉遙感指數的計算方法并具備一定的編程能力，對初學者并不友好。

（3）2種常規方法自動化程度都較低，需要較多的手工操作，只適合處理少量幅數的高分衛星影像以及較少的遙感指數。當需要處理的高分衛星影像幅數和遙感指數數量較多時，操作過程會很繁瑣，從而相當耗時費力。

（4）2種常規方法每次只能夠處理單幅的高分衛星影像，特別地，波段運算工具每次僅能夠計算單個遙感指數，且在各次處理操作間均需等待，無法連續、批量地進行多幅影像、多個指數的計算。

（5）由于在ENVI平臺上開展計算操作，2種常規方法每次處理之前均需要加載和顯示高分衛星影像，除了占用較大的硬件資源之外，還比較耗費時間。

類似的情況同樣存在于其他遙感/GIS軟件中，如使用ERDAS、ArcGIS等在計算和處理遙感指數時也會面臨操作繁瑣、頻繁等待、不能連續批量處理、硬件資源消耗大的問題，從而導致農業遙感業務的工作效率十分低下。

綜上所述，不斷增長的高分衛星影像數據文件量、應用場景需求、波段數、空間分辨率和在此基礎上構建的數量種類繁多的遙感指數與現有遙感數據處理軟件計算遙感指數低效性復雜性之間的矛盾，已成為影響高分衛星業務化高效應用的一大障礙。針對以往常規方法處理高分衛星影像遙感指數所存在的上述問題，本文采用交互式數據語言（Interactive Data Language，IDL），基于分層架構和事件驅動模型，設計和實現了一種批量化、可視化、流程化的高分衛星影像遙感指數處理系統，旨在提高農業遙感生產作業效率，降低業務人員的重復勞動強度。在油菜種植提取業務中的應用結果表明，本系統能夠高效規模化地處理大批量的高分衛星影像數據文件，精準地計算多種遙感指數，避免了繁瑣的重復手工操作和中間環節的等待，切實提高了工作效率，為保障農業生產提供了有力的技術支撐。

1 數據源與預處理

1.1 數據源

高分衛星遙感影像數據可以通過中國資源衛星應用中心網站（https：//www.cresda.com/zgzywxyyzx/）獲取，相關流程如下：（1）點擊首頁“數據服務平臺”欄目下的鏈接，打開具體影像查詢下載網站“陸地觀測衛星數據服務平臺”（https：//data.cresda.cn/）；（2）按照平臺管理要求進行用戶注冊，登錄后方可下載衛星遙感影像數據；（3）點擊平臺首頁“數據檢索”下的“光學與SAR衛星載荷檢索”，進入數據查詢界面，根據業務需求設置衛星傳感器、采集時間、圖像云蓋量、區域范圍等查詢參數，進行衛星遙感影像的搜索、瀏覽、貼圖、收藏和信息顯示，選擇符合要求的影像加入到購物車中；（4）在“個人中心”的“購物車”提交訂單，等待后臺處理，在“我的訂單”中可以查看處理進度；（5）訂單完成后，一般提供http、https、ftp方式的下載地址，依照個人情況選擇合適方式進行下載（付費級別的影像需先聯系中國資源衛星應用中心進行購買）。

考慮到免費級高分衛星影像數據使用的廣泛性，從實際應用角度出發，本文所設計和實現的系統使用GF-1、GF-6中的寬幅影像（Wide Filed View，WFV）作為數據源，后續將會根據應用需求進行擴展。

GF-1是高分衛星專項的首發衛星，其WFV影像的傳感器重訪周期為2 d，空間分辨率為16 m，幅寬為800 km，共有藍、綠、紅、近紅外4個波段，具體波段信息見表1。

GF-6是首個針對精準農業觀測的高分系列衛星，其WFV影像的傳感器重訪周期為2 d，空間分辨率為16 m，幅寬為800 km。與GF-1不同的是，GF-6 WFV影像共有8個波段，除了通常的可見光（藍、綠、紅）和近紅外波段外，還首次增加了能夠有效反映作物特有光譜特性的2個紅邊波段、1個紫波段、1個黃波段共4個新波段，具體波段信息見表2。

1.2 預處理

在進行遙感指數計算前，2種高分影像數據均應進行預處理，預處理流程包括輻射定標、大氣校正、正射校正、幾何精校正等過程（圖1）。

輻射定標將高分衛星影像的值轉換為輻射亮度值，采用的定標公式為：

L=Gain*DN+Bias " "（1）

式中，L為衛星載荷通道入瞳處等效輻射亮度，單位為W·m-2·sr-1·μm-1；Gain和Bias分別為定標系數增益和偏移量。

大氣校正將高分衛星影像輻射亮度值轉化為遙感指數計算可用的地表反射率，并消除由大氣和光照影響所造成的反射率誤差，使得影像信息更加精確有效。常用的大氣校正方法有基于簡化輻射傳輸模型的黑暗像元法、基于統計學模型的反射率反演、基于輻射傳輸模型的FLAASH大氣校正等。

正射校正在大氣校正的基礎上，通過高分衛星影像自帶的RPC參數和覆蓋影像的數字高程模型（Digital Elevation Model，DEM）數據糾正因一般系統因素、地形起伏影響產生的幾何畸變。

幾何精校正基于高精度的參考影像或地面控制點，采用仿射變換、n次多項式、局部三角網等模型，對高分衛星影像進行幾何糾正，使影像的平面精度控制在合理的范圍（通常不超過1個像元），從而滿足農業遙感業務需求。

2 系統設計與實現

考慮實際應用中高分衛星影像文件數據格式的多樣性，本文設計和實現的系統覆蓋了HDR、DAT、TIFF、TIF等常用數據格式，擁有完整的訪問和寫入ENVI標準格式、標簽圖像文件格式（Tag Image File Format，TIFF）遙感影像的能力，可在2種影像間進行自由輸入輸出轉換，并額外附帶了存儲為其他圖像格式（如JPG、PNG）的選項，具備較強的文件讀寫靈活性。同時，本文根據所使用高分衛星影像數據源的波段信息，確定可計算的遙感指數，從中篩選常用于農業遙感業務、比較重要的遙感指數，采用IDL實現相應的指數計算方法，構成高分衛星影像遙感指數批量處理系統的業務邏輯核心。在數據訪問和業務邏輯之上，基于IDL強大的跨平臺GUI組件，采用事件驅動模型，設計高分衛星影像遙感指數批量處理系統的顯示界面，實現直觀可視化操作、降低系統使用難度的目的，使農業遙感業務人員能夠快速上手，從而批量、簡潔、高效地計算處理大規模高分衛星影像的多種遙感指數。

2.1 系統總體架構

高分衛星影像遙感指數批量處理系統采用分層架構，在實現中遵循了松散耦合的設計思想，各層之間通過接口和數據服務進行連接與交互，從而簡化開發和部署，提高了系統的可擴展性、可維護性、可伸縮性。系統從上到下分為展示層、業務邏輯層、數據層，如圖2所示。

（1）展示層：基于IDLWidgets編程技術，組合基礎控件、菜單欄、標簽、按鈕、文本框、下拉菜單和其他各種GUI元素構建樹狀的窗口管理層級結構，實現用戶友好的展示界面。同時，按照事件驅動模型，通過事件循環與業務人員交互信息、響應業務人員的輸入以及向業務人員展示提示消息。

（2）業務邏輯層：處于展示層與數據層之間，系統的主要功能和業務邏輯都在該層進行實現。針對批量工作流程、遙感指數計算、數據完整性檢測、異常處理等，采用組件技術，進行代碼解耦和快速構建，提升系統開發效率，增強系統的可重用性、可維護性。

（3）數據層：設計數據持久化模塊，基于IDL高效的數據訪問分析能力，針對不同數據源和數據格式，按照BSQ、BIP、BIL3種數據組織方式進行規范解譯，保證從文件系統中正確訪問、轉換、輸出影像數據，使業務邏輯與數據的讀寫有效松耦合，從而提高系統的穩定性、可靠性。

2.2 遙感指數計算與實現

遙感指數在農作物種植提取、長勢監測等方面有著廣泛的應用，本文的系統針對現有GF-1 WFV、GF-6 WFV影像的波段信息，從眾多遙感指數中選擇了最常用的25種，按照適用范圍進行分組，并采用第四代可視化編程語言IDL予以實現。在進一步描述前，首先定義一些變量，計算公式中分別代表經過預處理后影像的紅光波段、綠光波段、藍光波段、近紅外波段、紅邊波段1的平均反射率，IDL代碼中b1、b2、b3、b4代表GF-1 WFV和GF-6 WFV影像的B1～B4波段，b5、b6、b7、b8代表GF-6 WFV影像的B5～B8波段，$為續行符。

2.2.1 植被指數 植被指數是常見的一種利用植物葉冠層光學參數強化地物光譜特征的方法，廣泛用于識別地表植被、測量其長勢和生物量狀況。植被指數客觀反映了地表綠色植被的覆蓋情況，不同的地物，其植被指數的數值往往具有明顯的差別。因此，通過計算和提取衛星影像中隱含的植被指數信息并加以分析，可以有效區分綠色植被覆蓋程度不同的地物（如建筑和冬小麥）。此外，植被指數在干旱監測、土壤信息反演等方面也發揮著重要作用。針對GF-1 WFV和GF-6 WFV2種影像的波段特點，結合農業遙感業務需要，本系統所實現的植被指數如表3所示。

2.2.2 紅邊指數 紅邊指數是一類利用衛星影像的紅邊波段進行計算、與植被各種理化參數（冠層結構、葉綠素含量等）的微小變化密切相關的特殊植被指數。考慮到農作物對紅邊波段反射率的敏感性高于其他波段，應用衛星影像的紅邊指數可以開展農作物的精細分類和識別，對于實施精準農業極為有利。本系統針對GF-6WFV影像所特有的紅邊波段，實現了5種常用紅邊指數的批量計算，相關計算公式和IDL代碼實現如表4所示。

2.2.3 其他指數 為充分挖掘和利用GF-1WFV和GF-6WFV2種高分衛星影像的應用潛力，本文的系統從其余眾多遙感指數中選取了5種典型的指數，即歸一化差值水體指數NDWI、燃燒面積指數BAI、全球環境監測指數GEMI、氧化鐵監測指數IronOxide、云檢測指數CDI進行實現，分別對應水體、火燒跡地、全球環境、土壤氧化鐵含量、云層覆蓋區域的監測識別，具體計算公式和IDL代碼實現如表5所示。

2.3 可視化批量處理

作為當前遙感領域常用的編程語言之一，IDL具有快速、靈活、高效、數據可視化等優點[19-21]。對于桌面應用，IDL提供了完整的、跨平臺的本地化開發能力，可以迅速構建出簡潔友好、易于操作和使用的圖形界面系統。本文利用IDL GUI組件編程的相關技術，設計和開發了帶有圖形用戶界面的高分衛星影像遙感指數批量處理系統，有效實現遙感指數的可視化批量處理。

IDL Widgets與窗口管理層級結構是IDL GUI組件編程中系統界面開發的2個重要設計基礎。IDL Widgets是可以操縱和進行編程的IDL GUI組件基本單位，也是繪制和事件響應的載體。窗口管理層級結構則通過編排組合IDL Widgets，實現對其樹狀關系體系的構建和整體布局的設計管理，從而形成圖形用戶界面的總體外觀。本文設計和實現的系統主界面如圖3所示。

從圖3可以看到，系統主界面用到的IDL Widgets有按鈕、標簽、下拉菜單、文本框、單選框、多選框等，整個界面直觀明了，業務人員通過簡單的學習即可快速上手。實現的部分核心代碼如下：

PRO Rsi

base=WIDGET_BASE（TITLE='高分衛星影像遙感$

指數批量處理系統'， XSIZE=700，YSIZE=850，$

/COLUMN，/BASE_ALIGN_CENTER，MBAR=

mbar）

；菜單欄

file_bar=WIDGET_BUTTON（mbar，VALUE='文件'）

fb_o=WIDGET_BUTTON（file_bar，VALUE='打開'，$

UNAME='open'）

fb_od=WIDGET_BUTTON（file_bar，VALUE='打開$

文件夾'，UNAME='open_dir'）

...

；主功能區

basic_set_mg=WIDGET_BASE（base，/ROW， $

/BASE_ALIGN_CENTER，FRAME=0）

basic_set_pd=WIDGET_BASE（basic_set_mg， $

/COLUMN，/BASE_ALIGN_CENTER，FRAME=0）

bsp_in_mg=WIDGET_BASE（basic_set_pd，/ROW， $

/BASE_ALIGN_CENTER，FRAME=1）

bsp_in_pd=WIDGET_BASE（bsp_in_mg，/COLUMN，

$/BASE_ALIGN_CENTER，FRAME=0，XSIZE=660）

label_mg=WIDGET_BASE（bsp_in_pd，/COLUMN，$

/BASE_ALIGN_CENTER，FRAME=0）

label_pd=WIDGET_BASE（label_mg，/ROW， $

/BASE_ALIGN_CENTER， FRAME=0）

bs_label=WIDGET_LABEL（label_pdg，VALUE=$

'基本設置'）

...

WIDGET_CONTROL，base，/REALIZE

END

只有IDL Widgets和窗口管理層級結構的高分衛星遙感指數批量處理系統僅是一個靜態界面，無法履行任何有意義的功能。為了實現對遙感指數的可視化批量處理，系統必須可以監聽、響應、執行用戶的操作，即具備基于事件響應來處理業務邏輯的機制。在IDL GUI組件編程中，通過事件驅動模型達成這一目標機制。Widget事件和對Widget事件的響應是事件驅動模型的核心。一個Widget事件是當用戶操縱Widget時從窗口返回的一段消息。作為對該Widget事件的響應，IDL GUI組件通常執行一些操作，如打開文件、更新界面等。具體地，當有多個Widget事件從窗口到達時，系統將它們保存在目標Widget的隊列中。在內部，Widget事件被以IDL結構體的形式傳遞到各個組件。每個Widget事件結構體都具有相同的前三個字段，即：

e={id， top， handler} （2）

式中，id是生成事件的Widget的唯一標識碼，top是包含該Widget的根Widget的唯一標識碼，handler是與事件處理相關的Widget的唯一標識碼。

此外，不同的Widget事件結構體也可能包含其他字段。用戶的每個操作如按鈕的單擊、下拉菜單的選擇等，在系統內部均形成這樣一個Widget事件結構體。通過調用WIDGET_EVENT函數，系統將目標Widget隊列中的Widget事件結構體按照產生的順序循環處理，從而達成響應用戶操作、執行業務邏輯的目標。

基于上述事件驅動模型，本系統實現了可視化圖形化的主動式服務響應，業務人員只需簡單操作，即可方便地對高分衛星影像進行遙感指數的批量處理。系統的業務流程如圖4所示。

從圖4可以看到，系統業務流程通過遍歷文件和指數來實現批量處理，并提供了數據格式檢查、輸入輸出路徑檢查、錯誤提示等相關功能，保證了系統運行的穩定性和處理結果的有效性。實現的部分核心代碼如下：

WIDGET_CONTROL，state.input_set，GET_VALUE=$

input_format

WIDGET_CONTROL，state.output_set，GET_VALUE=$

output_format

sensor_type=WIDGET_INFO（state.multiple_

mode，$

/DROPLIST_SELECT）

files=FILE_SEARCH（dir，'*.dat'，/FOLD_CASE）

WIDGET_CONTROL，state.multiple_mode_selected，$

GET_VALUE=selected_rsi_values

files_check=ENVI_DATA_FILES_CHECK（files，$

input_format，output_format）

selected_rsi_num=TOTAL（selected_rsi_values）

IF selected_rsi_num GT 0 THEN BEGIN

IF files_check.result EQ 1 THEN BEGIN

multiple_rsi=MULTI_RSI_CALC（sensor_type，$

selected_rsi_values，input_format，output_format）

ENDIF ELSE BEGIN

;錯誤提示

...

ENDELSE

ENDIF ELSE BEGIN

;‘未選擇指數’提示

error_not_select_rsi=DIALOG_MESSAGE（'請$

選擇需要計算的遙感指數'，/ERROR）

ENDELSE

3 應用

為測試系統的穩定性和有效性，本文從農業遙感方面入手，對系統展開了一系列應用，包括油菜種植提取、冬小麥長勢監測等。結果表明，采用IDL編程語言、基于分層架構和事件驅動模型設計實現的高分衛星影像遙感指數批量處理系統始終穩定有效地持續運行，不僅可以按照既定業務服務需求精確計算多種指定類型的遙感指數，而且能夠適應大規模大批量影像數據文件的處理。

以油菜種植提取為例，本系統成功提取了2022—2023年度安徽省104個區縣的油菜種植分布，提取結果如圖5所示。

為提高提取的效果，在數據預處理的基礎上，以區縣為單位對GF-6 WFV原始遙感影像數據（表6）進行裁剪，生成了覆蓋油菜抽薹期、開花期、綠熟期等多個時相的縣域GF-6WFV影像數據文件近600個，選擇NDVI、EVI、NDVIre、EVIre、NDWI等多種遙感指數，采用決策樹分類的算法分區縣建立模型進行識別，總共需計算和處理遙感指數約3 000次。

在該項應用中，通過開展對比試驗，了解和比較了本系統與常規方法間的工作效果差異。具體地，分別采用常規作業方法和高分衛星影像遙感指數批量處理系統進行遙感指數的計算和處理，其處理時間和指數提取準確率的對比結果如表7所示。從表7可以看出，按照常規的作業方法操作十分繁瑣，用時在1周左右，且難以保證作業過程不出現操作失誤。而利用高分衛星影像遙感指數批量處理系統，可以一次性完成所有影像文件的所有遙感指數的計算和處理，用時不到1 d，且結果準確可靠，避免了單調的重復勞動，節約了寶貴的時間，極大提高了工作效率。

4 討論與結論

針對當前農業遙感業務中經常要計算與處理大規模大批量高分衛星影像遙感指數的情況，以及常規方法所存在的大量依賴人工、操作繁瑣、耗時費力等問題，本文通過IDL編程語言設計和實現了一種高分衛星影像遙感指數批量處理系統。在油菜種植提取中的成功應用和對比試驗表明，本系統可以有效減少單調重復的手工操作，節約大量時間，降低勞動強度，提高農業遙感業務人員的工作效率，體現出了計算機軟件系統開發和自動化規模處理對于業務服務水平提升的重要作用。

同時，本研究成功構建了批量化、可視化、流程化的遙感指數計算處理平臺，系統具有穩定性良好、可擴展性強、界面簡潔友好等優點，顯示出基于分層架構、事件驅動模型與IDL語言的結合，能夠有效設計與實現良好可靠的農業遙感信息系統，對使用IDL進行數據分析處理和跨平臺GUI軟件開發有一定借鑒意義。

此外，就目前而言，本系統尚處在應用階段，仍有許多需要改進和完善的地方，包括：（1）系統僅針對GF-1 WFV、GF-6 WFV 2種衛星遙感影像，以及與之相匹配的25種常用遙感指數進行了設計開發和實現，對其他類型的遙感數據源和相應的遙感指數缺乏支持；（2）系統對輸入的遙感影像均有數據預處理的前提要求，但并未針對這方面開發相關的自動化批量處理功能。在后續研究工作中，擬進一步支持更多的遙感數據源和遙感指數，開發和整合遙感影像批量預處理功能，以便更好地服務于農業遙感和氣象事業。

參考文獻：

[1] 田慶久， 閔祥軍. 植被指數研究進展[J]. 地球科學進展， 1998， 13（4）： 327-333.

[2] 王正興， 劉闖， HUETE A. 植被指數研究進展：從AVHRR-NDVI到MODIS-EVI[J]. 生態學報， 2003， 23（5）： 979-987.

[3] 李喆， 胡蝶， 趙登忠， 等. 寬波段遙感植被指數研究進展綜述[J]. 長江科學院院報， 2015， 32（1）： 125-130.

[4] 敖登， 楊佳慧， 丁維婷， 等. 54種植被指數研究進展綜述[J]. 安徽農業科學， 2023， 51（1）： 13-21， 28.

[5] 徐涵秋. 水體遙感指數研究進展[J]. 福州大學學報（自然科學版）， 2021， 49（5）： 613-625.

[6] 索玉霞， 王正興. 基于決策樹和MODIS植被指數時間序列的中亞土地覆蓋分類[J]. 世界地理研究， 2008， 17（3）： 126-130.

[7] 齊紅超， 祁元， 徐瑱. 基于C5.0決策樹算法的西北干旱區土地覆蓋分類研究——以甘肅省武威市為例[J]. 遙感技術與應用， 2009， 24（5）： 648-653， 圖版Ⅴ.

[8] 張熙， 鹿琳琳， 王萍， 等. 基于決策樹的漓江上游土地覆蓋分類[J]. 測繪科學， 2016， 41（3）： 100-103， 90.

[9] 侯蒙京， 殷建鵬， 葛靜， 等. 基于隨機森林的高寒濕地地區土地覆蓋遙感分類方法[J]. 農業機械學報， 2020， 51（7）： 220-227.

[10] 梁繼， 鄭鎮煒， 夏詩婷， 等. 高分六號紅邊特征的農作物識別與評估[J]. 遙感學報， 2020， 24（10）： 1168-1179.

[11] 張悅琦， 李榮平， 穆西晗， 等. 基于多時相GF-6遙感影像的水稻種植面積提取[J]. 農業工程學報， 2021， 37（17）： 189-196.

[12] 田欣媛， 張永紅， 劉睿， 等. 考慮植被紅邊信息的多時相Sentinel-2大范圍冬小麥提取研究[J]. 遙感學報， 2022， 26（10）： 1988-2000.

[13] 韓東， 王鵬新， 張悅， 等. 農業干旱衛星遙感監測與預測研究進展[J]. 智慧農業（中英文）， 2021， 3（2）： 1-14.

[14] 張偉， 杜培軍， 郭山川， 等. 改進型遙感生態指數及干旱區生態環境評價[J]. 遙感學報， 2023， 27（2）： 299-317.

[15] 王欣怡， 王昌昆， 馬海藝， 等. 基于雙時相衛星遙感光譜指數估算土壤有機質含量[J]. 土壤， 2023， 55（5）： 1106-1113.

[16] 單捷， 孫玲， 王志明， 等. GF-1影像遙感監測指標與冬小麥長勢參數的關系[J]. 江蘇農業學報， 2019， 35（6）： 1323-1333.

[17] 姜楠， 張雪紅， 汶建龍， 等. 基于高分六號寬幅影像的油菜種植分布區域提取方法[J]. 地球信息科學學報， 2021， 23（12）： 2275-2291.

[18] 張彥， 劉婷， 郭燕， 等. 基于高分六號衛星數據的花生干旱監測研究[J]. 節水灌溉， 2022（7）： 1-6.

[19] 侯立鵬， 楊勝天， 趙長森， 等. 基于IDL的遙感水文時空序列數據可視化分析系統開發與應用[J]. 遙感技術與應用， 2014， 29（6）： 1074-1080.

[20] 肖昊， 王杰. 基于IDL和MATLAB混合編程的兩種光譜混合分析方法比較[J]. 遙感技術與應用， 2017， 32（5）： 858-865.

[21] 于彩霞， 許軍， 暴文剛， 等. 基于IDL的LiDAR標準數據格式解析與讀取[J]. 海洋測繪， 2017， 37（6）： 66-68， 72.