敦煌场地CBERS-02 CCD传感器在轨绝对辐射定标研究

对资源一号卫星02星（CBERS-02）,为深入其定量化分析,定期在敦煌绝对辐射校正场地进行了地面同步测量,开展了更新在轨绝对辐射定标研究。另外,运用地表反射率和大气光学特性参量数据,计算出CBERS-02CCD传感器4个波段的绝对辐射标定系数。同时,利用2004年8月25目的Landsat-5 TM图像数据对CBERS-02 CCD传感器的辐射特性进行交叉定标,验证分析了CBERS-02 CCD传感器场地绝对辐射定标的基本特性及其可靠性。另外,为CBERS后续星的传感器改进,提供了分析参量。     

测量仪器

CH20062440敦煌场地CBERS-02CCD传感器在轨绝对辐射定标研究/傅俏燕,闵祥军,李杏朝,沙崇漠(中国资源卫星应用中心),李小英,马国强,潘志强,郭毅,李启明,刘国栋∥遥感学报.-2006(4).-433~439对资源一号卫星02星(CBERS-02),为深入其定量化分析,定期在敦煌绝对辐射校正场地进行了地     

考虑地物BRDF特性改进后的CBERS-02卫星CCD相机的辐射定标系数

在MODIS数据对CBERS-02卫星CCD相机的交叉辐射定标、获得CCD相机时间系列的辐射定标斜率系数与截距基础上，本文考虑地物BRDF特性的影响，开展了提高CCD相机数据定量化应用的辐射定标数据精度的研究，并提供了比较全的时间系列辐射定标系数。     

CBERS-02 WFI的辐射交叉定标及其对植被指数的作用

本文以MODIS作为参考传感器，对CBERS-02星上的WFI传感器进行辐射交叉定标，得到WFI两个波段TOA辐亮度、表观反射率的增益与计数值偏移量，两个波段的计数值偏移量分别为42和21个DN左右。利用定标结果计算图像上另一均匀区的表观反射率。与MODIS反演的表观反射率比较验证。WFI与MODIS第1波段的表观反射率相差3．6％，第2波段相差-3．6％。检验结果说明，本文得到辐射交叉定标系数的精度能满足定量化应用的要求。为了说明辐射定标对植被指数的影响，本文选择5个实验区，比较分析了实验区图像辐射定标前后的NDVI。当WFI的DN值扣除定标得到的数字计数值偏移量后，DN值的NDVI与表观反射率的二次非线性拟合度可达99％。另外。WFI辐射定标前后的NDVI、RVI与MODIS反演的NDVI、RVI的比较分析说明，WFI辐射定标后表观反射率值的植被指数与MODI反演植被指数较接近，而且两个传感器RVI的差异小于NDVI的差异。     

CBERS-02卫星CCD图像的大气订正

用基于遥感器辐射定标参数和大气辐射传输模型计算的方法对CBERS-02卫星CCD图像进行了大气订正，较好地消除了CCD遥感图像中非目标地物的成像信息。为了消除目标邻近像元的影响，假定目标是处在某一特定反射率的大尺度参考背景下，然后再将反射率修正到实际背景中，通过这种方法获得的大气订正图像的细节部分更加清晰，对比度增强，大大改善了CCD图像的质量。     

基于准不变目标物下CBERS-02星CCD图像的交叉定标

提出了一种基于准不变反射率地物的交叉定标方法,首先用MODTRAN模式从已知定标系数的影像中反演出反射率,然后计算出对应未知定标系数影像中相同准不变地物的辐射率,最后求出定标系数.将这种方法应用于CBERS-02卫星CCD影像定标,并用6S模式对CBERS-02和ETM+影像进行大气校正,比较用不同定标系数校正后的地物光谱曲线,得出在高反射率地物下,不同定标系数校正后的地物光谱曲线与ETM+的基本一致;低反射率地物下,单点定标系数误差较大,两点定标系数误差较小,用两点定标系数进行大气校正后植被信息得到明显增强.     

CBERS02B卫星CCD相机在轨辐射定标与真实性检验

利用贡格尔实验场对CBERS02B卫星进行场地反射率基法辐射定标,获得CCD相机可见近红外波段的绝对辐射定标系数,利用敦煌实验场对定标系数进行了真实性检验。结果表明:此次定标结果和测量值非常吻合,定标系数可信度高。     

CBERS02B 卫星CCD 相机在轨辐射定标\n与真实性检验

利用贡格尔实验场对CBERS02B卫星进行场地反射率基法辐射定标, 获得CCD相机可见近红外波段的绝对辐射定标系数, 利用敦煌实验场对定标系数进行了真实性检验。结果表明: 此次定标结果和测量值非常吻合, 定标系数可信度高。     

TM传感器辐射定标参数精度分析

以2007年4月26日北京地区TM图像为例,对美国地质调查局(USGS)和中国遥感卫星地面站(RSGS)提供的传感器辐射定标参数进行精度评价。首先,根据不同来源的辐射定标参数,采用对应的定标系数计算公式得到相应的定标系数,采用不同的定标系数分别对DN值进行反演,得到不同辐射定标参数下的表观辐亮度数据;然后,将两种表观辐亮度反演结果输入FLAASH大气校正模型,反演图像获取时的气象视距和地表反射率;最后,通过同步气溶胶观测数据和高分辨率遥感影像对所反演的气象视距和地表反射率分类精度进行评价,得到传感器定标参数精度评价结果。研究表明:USGS提供的辐射定标参数能更为精确地反映TM传感器的辐射特征。     

中巴地球资源一号卫星CCD图像质量评价和交叉定标研究

使用定量分析方法评价了中巴地球资源卫星CCD相机遥感数据质量 ,在此基础上利用LANDSAT 7ETM 对CCD的对应波段进行交叉定标计算 ,得到了一组CCD的参考定标系数。在遥感数据质量评价研究中 ,使用统计分析方法计算得到了CCD相机图像数据的条纹强度 ;应用结构函数方法计算获得了CCD的噪声数据 ;通过功率谱计算 ,对比分析了CCD和LANDSAT 7ETM 对应波段图像空间纹理特征。该文通过交叉定标计算 ,得到了CCD相机前 4个波段的参考定标系数、动态范围和噪声等效反射率等参考指标 ,并对这组定标系数进行了验证 ,从验证结果中发现CCD1,2 ,3和LANDSAT 7ETM 对应波段反射率最大相差 1 98% ,最小0 0 3% ,平均差要低于 1 31% ,而波段 4最大也仅相差 4 4 1% ,平均差 3 0 2 % ,证明计算得到的交叉定标系数具有较高的参考价值     

HJ-1A CCD与TM数据及其估算草地LAI和鲜生物量效果比较分析

基于地面实测和PROSAIL模型模拟数据,研究了新型传感器HJ-1ACCD与TM数据一致性问题,分析了传感器天顶角和光谱相应函数差异的影响,对比两种传感器数据估算草地LAI和鲜生物量的效果,得出以下结论:(1)HJ-1ACCD和TM反射率数据的拟合系数R2在0.7322和0.9205左右,在反射率较小时,两种传感器数据一致性较好;随着反射率增大,HJ-1ACCD数值逐渐高于TM。总体而言,在可见光和近红外波段,两种传感器较为接近,其中红波段最接近。(2)两种传感器的NDVI数据一致性非常高,且受传感器天顶角和光谱响应函数影响作用较小(相对误差约为0.34%—0.53%),而反射率的相对差别在3.34%—9.54%。(3)传感器天顶角较光谱响应函数对反射率影响更大。(4)基于HJ-1ACCD反射率数据估算草地LAI和鲜生物量效果较好,其中以CCD2传感器估算效果最好。     

利用EDS／MODIS交叉定标FY1D／VIRR可见光-近红外通道

以EOS/MODIS的星上定标结果为标准,采用交叉定标方法标定FY1D/VIRR的可见光-近红外通道。先获得两个传感器的配对通道,然后利用6S模式计算出他们的匹配因子,根据EOS/MODIS的观测敦煌辐射校正场扫描计数值和星上定标结果以及它和FY1D/VIRR的匹配因子计算出FY1D/VIRR同时观测敦煌辐射校正场时的表观辐亮度和表观反射率,最后将得到的表观辐亮度和表观反射率与FY1D/VIRR观测敦煌辐射校正场的计数值进行比较,就得到了FY1D/VIRR通道的绝对定标系数。将本次定标结果与敦煌场地定标试验的定标结果比较,定标结果一致性较好,并可用于对发射前定标偏差进行校正。     

遥感模拟图像应用于不同传感器光谱性能分析

研究利用高光谱成像数据,用数字的方法定量模拟了SPOT－HRV、CBERS-CCD、Landsat5-TM和NOAA14-AVHRR类似波段的空中表面反射率及地面光谱反射率图像,并利用这些图像对上述传感器相应波段的光谱响应、大气影响特性用基于反射率和基于归一化植被指数（NDVI）的方法进行了定量的比较分析。研究表明,由于传感器类似波段的光谱响应不同,因而由其计算的反射率和NDVI之间均存在明显差异,这种差异是大气改正所无法完全消除的。多传感器定量分析时需要进行相应的辐射改正。     

针对GF-1遥感影像的基于影像与基于辐射传输模型的两种交叉定标方法比较

"高分一号"配置了4台16m分辨率多光谱宽幅(WFV)相机,组合观测幅宽达到800km。为了将其应用于定量遥感,需要对其进行精确的辐射定标。目前针对高分一号卫星有两种交叉定标方法,都在传统方法的基础上进行了改进。一种是基于影像的交叉定标方法(image-based),另一种是基于辐射传输模型和二向反射分布函数的交叉定标方法(RTM-BRDF)。本文采用这两种方法对高分一号(GF-1)的4个相机进行辐射定标,并对这两种方法进行了对比分析,发现对于WFV2和WFV3这两个近似星下点成像相机,image-based方法可以得到精度较高的辐射定标系数,而对于WFV1和WFV4这两个非星下点成像相机来说,RTM-BRDF方法得到的定标系数精度较高。因此,最终将两种方法结合给出GF-1 4个相机最终的定标系数。     

Object-based crop classification using multi-temporal SPOT-5 imagery and textural features with a Random Forest classifier

In this study, an object-based image analysis (OBIA) approach was developed to classify field crops using multi-temporal SPOT-5 images with a random forest (RF) classifier. A wide range of features, including the spectral reflectance, vegetation indices (VIs), textural features based on the grey-level co-occurrence matrix (GLCM) and textural features based on geostatistical semivariogram (GST) were extracted for classification, and their performance was evaluated with the RF variable importance measures. Results showed that the best segmentation quality was achieved using the SPOT image acquired in September, with a scale parameter of 40. The spectral reflectance and the GST had a stronger contribution to crop classification than the VIs and GLCM textures. A subset of 60 features was selected using the RF-based feature selection (FS) method, and in this subset, the near-infrared reflectance and the image acquired in August (jointing and heading stages) were found to be the best for crop classification.     

不同地表覆盖下SPOT-7影像大气校正方法研究

针对不同的地物覆盖类型,分析和评价了适用于SPOT-7卫星数据的大气校正方法,为其遥感定量研究和应用提供思路和参考。在河南省嵩山地区进行了同步观测实验,获取了SPOT-7卫星影像并进行大气校正处理,地面同步测量了大气光学特性和典型地物样区光谱,计算了地物样区在影像上的反射率和植被指数,分析了不同地物覆盖类型下大气校正模型(fast line-of-sight atmospheric analysis of spectral hypercubes,FLAASH)和大气模型(second simulation of the satellite signal in the solar spectrum,6S)的大气校正效果。对自然植被、农作物中的高秆作物、硬地建议采用FLAASH进行大气校正,对农作物中的低矮作物,建议采用6S进行大气校正。     

Vicarious Cross-Calibration of the China Environment Satellite Using Nearly Simultaneously Observations of Landsat-7 ETM+ Sensor

To understand the absolute radiometric calibration accuracy of the HJ-A CCD-1 sensors, image from these sensors were compared to nearly simultaneously image from Landsat-7 ETM+ sensors. Although the HJ-A CCD-1 sensor has almost the same wavelength of each central band and band width as Landsat-7 ETM+ sensor, there is slightly difference in spectral response function (SRF). The impacts of SRF difference effects would produce ~2 % uncertainty in predicting reflectance of HJ-A CCD-1 sensor using Landsat-7 ETM+ sensor. The reflectance observed by satellite at top-of-atmosphere generally depends on its’ geometric conditions. The results reveal that the impacts of geometrical conditions would impact on the vicarious cross-calibration accuracy, which should be removed. The performances of cross-calibration are calibrated and validated by four image pairs collected from Yellow River Delta, China, and Qingdao City, China, at four independent times. The results indicate that the HJ-A CCD-1 sensors can be cross calibrated to the Landsat-7 ETM+ sensors to within an accuracy of 3.99 % (denoted by Relative Root Mean Square Error) of each other in all bands except band 4, which has a 6.33 % difference.     

Cross-sensor calibration between Ikonos and Landsat ETM+ for spectral mixture analysis

Spectral mixture analysis is an algorithm that is developed to overcome the weakness in traditional land-use/land-cover (LULC) classification where each picture element (pixel) from remote sensing is assigned to one and only one LULC type. In reality, a remotely sensed signal from a pixel is often a spectral mixture from several LULC types. Spectral mixture analysis can derive subpixel proportions for the endmembers from remotely sensed data. However, one frequently faces the problem in determining the spectral signatures for the endmembers. This study provides a cross-sensor calibration algorithm that enables us to obtain the endmember signatures from an Ikonos multispectral image for spectral mixture analysis using Landsat ETM+ images. The calibration algorithm first converts the raw digital numbers from both sensors into at-satellite reflectance. Then, the Ikonos at-satellite reflectance image is degraded to match the spatial resolution of the Landsat ETM+ image. The histograms at the same spatial resolution from the two images are matched, and the signatures from the pure pixels in the Ikonos image are used as the endmember signatures. Validation of the spectral mixture analysis indicates that the simple algorithm works effectively. The algorithm is not limited to Ikonos and Landsat sensors. It is, in general, applicable to spectral mixture analysis where a high spatial resolution sensor and a low spatial resolution sensor with similar spectral resolutions are available as long as images collected by the two sensors are close in time over the same place.