[发明专利]基于水陆地物分类信息的微波遥感混合像元分解方法

摘要

本发明提供了一种基于水陆地物分类信息的微波遥感混合像元分解方法。利用光谱遥感数据的水陆地物分类信息，建立微波混合像元分解模型，求解欠定性方程组计算微波混合像元中组分亮温。通过获得微波混合像元中不同组分的位置和亮温值，显著地提高水陆边界微波混合像元的空间分辨率，得到观测区内水陆两类地物的微波亮温值和分类信息，提高微波遥感数据后期反演的精度。其最重要意义是可以完成全球区域内水陆边界微波混合像元数据分解，使分解后的微波遥感数据空间分辨率与分类采用的光谱遥感数据空间分辨率近似，解决了微波遥感数据空间分辨率较低的问题，拓宽了微波遥感数据的应用领域。

主权项

一种基于水陆地物分类信息的微波遥感混合像元分解方法，其特征在于，其包括以下步骤：一、遥感数据预处理(1)从官方网站下载微波遥感数据，选择微波遥感数据的高级产品，该产品已经过标定、大气校正、地理校正和标准化等预处理；选择全球降轨数据或升轨数据，根据微波遥感数据的空间分辨率，利用ArcGIS软件对其实现EASE‑GRID投影；根据观测地区的地理信息，加载该地区shapefile矢量文件，得到该地区的微波遥感亮温数据；(2)从官方网站下载光谱遥感数据，选择中分辨率的光谱遥感数据；对下载的全球光谱遥感数据采用MRT软件进行图像拼接、等经纬度投影，采样方法为邻近法，椭球为WGS‑84体系；根据观测地区的地理信息，加载该地区shapefile矢量文件，得到该地区的光谱遥感数据；二、光谱遥感数据粗分类对于观测地区，将高空间分辨率的光谱影像划分为两个主要类型：水体和陆地区域；其中，水体主要指内地湖泊和海洋，陆地则指不含大量水体的其他所有混合地物；选取光谱遥感数据结合决策树分类法进行粗分类；采用归一化水体指数(简称NDWI)、波段反射率计算植被指数(简称NDVI)分类特征，作为分类的依据；(1)NDWI：水体的反射从可见光波段到中红外波段是逐渐减弱的，在近红外和中红外波长范围内吸收性最强，几乎无反射，用可见光波段和近红外波段构成的反差来突出影像中的水体信息；选取NDWI来提取水体，其计算公式为：NDWI＝(Green‑NIR)/(Green+NIR)                (1)式中，Green是绿光波段的值；NIR是近红外波段的值；NDWI的值为‑1至1，0≤NDWI≤1时，得到比较宽阔的河流和湖泊；‑1≤NDWI＜0时，得到含水量较少的陆地；(2)NDVI：植物叶面在可见光红光波段有很强的吸收特性，在近红外波段有很强的反射特性，通过这2个波段测值的不同组合可得到不同的NDVI，利用这一特性，选择NDVI作为一个分类特征来区分水体和陆地，用公式表达为：NDVI＝(N IR‑Red)/(N IR+Red)，           (2)式中，Red是可见光红光波段的值；NIR是近红外波段的值；NDVI值为‑1至1；NDVI为负值时地面覆盖为云、水、雪；NDVI等于0时为岩石或裸土；NDVI为正值时则为植被，且随植被覆盖度的增大而增大；三、不同空间分辨率数据配准设计了由粗到精的像元空间位置配准算法，其具体步骤如下：第1步：像元位置粗匹配：(1)已知原始微波像元的经纬度信息，可以确定该像元覆盖的地理范围；(2)根据覆盖区域的地理位置信息，搜索落在其范围内的光谱分类像元；粗匹配后得到的光谱分类像元称为候选匹配像元；第2步：像元位置精匹配将候选像元匹配面积作为判定条件：如果候选匹配像元与微波像元区域配准超过50％，则认为该候选匹配像元为正确匹配像元；若匹配区域小于50％，则认为该候选匹配像元为错误匹配像元；如果匹配面积等于50％，需要计算两者不同匹配情况下的相关系数，将相关系数较大的候选匹配像元作为正确的匹配像元，匹配后，每个微波像元对应多个正确匹配的光谱分类像元；第3步：匹配像元纠正(1)若像元位置粗匹配后，每个微波像元能准确地配准多个光谱分类像元，则不需要进行数据纠正；(2)否则，由于匹配位置的影响，需要对像元位置精匹配后的光谱分类像元进行纠正，已知纠正后光谱分类像元坐标、原始光谱分类像元坐标以及二者之间的像元距离，可以通过插值的方法求出纠正后像元的值，即利用原始像元值按一定的权重函数计算一个新的位置上的值，用反距离归一化加权插值作为插值方法，插值像元的值受距离较近像元值影响较多，而受距离较远像元值影响较小，反距离归一化权重插值法公式如下： S = Σ i = 1 n Σ j = 1 n 1 d ij - - - ( 3 ) P = Σ i - 1 n Σ j = 1 n V ij d ij S - - - ( 4 ) 其中，n为参与计算周围点的像元数；dij为周围点到当前插值点的距离；Vij表示原始周围点的值；P为插值计算所得的值；S代表距离权重；(3)对纠正后的光谱分类像元值进行判断：若纠正前陆地像元的值为0，水体像元的值为1，则将纠正后光谱分类像元值大于0.6的像元定义为水体像元，否则定义为陆地像元，最后获得每个低空间分辨率微波像元包含的高空间分辨率的水体和陆地信息；四、微波混合像元分解模型(1)混合像元组分统计根据微波数据和光谱数据的配准结果，可以定位与一个低空间分辨率微波混合像元匹配的高空间分辨率光谱像元的分类信息，已知微波混合像元中两类地物的像元数量，除以总的像元数可以得到微波混合像元中两类地物的百分比；具体计算公式如(5)和(6)： P Land = N Land ( R low / R high ) 2 - - - ( 5 ) Pwater＝1‑PLand                     (6)其中，PLand代表微波混合像元中陆地像元百分比，NLand代表微波混合像元中陆地像元的个数，Rhigh代表光谱分类数据的空间分辨率，Rlow代表微波混合像元的空间分辨率，Pwater代表代表微波混合像元中水体像元百分比；(2)微波混合像元分解模型(a)选取m×n范围的微波混合像元构成一个搜索窗口，记录m×n窗口中每个微波混合像元对应的光谱分类匹配像元的不同地物的比例，构成地物分布矩阵；(b)已知微波混合亮温值和地物分布比例矩阵，考虑到邻近混合像元内水体亮温值变化不大，可以按公式(7)对m×n范围内的微波混合亮温信息进行分解，通过微波混合像元分解模型求解组分亮温：TB(i，j)＝PLand(i，j)TLand(i，j)+PWater(i，j)TWater i＝1…m  j＝1…n  (7)式中：TB(i，j)是m×n窗口中微波混合亮温值，为已知量；PLand(i，j)是m×n窗口中每个混合微波像元中包含的陆地组分的比例，为已知量；TLand(i，j)是m×n窗口中每个混合微波像元中陆地亮温，为未知量；PWater(i，j)是m×n窗口中每个混合微波像元中包含的水体组分的比例，为已知量；TWater是m×n窗口中混合微波像元中水体亮温，该区域内所有混合像元中的水体亮温相同，为未知量；若m×n窗口内所有微波混合像元中Pwater＝1或PLand＝1，该混合像元为纯像元，不需要分解；由(7)式可见，该混合像元分解模型中，m×n方程组中有m×n+1个未知量即TLand(m，n)和TWater，对于这种方程个数小于未知量个数的方程组，属于欠定方程组；(c)组分亮温初值选取欠定方程组有无穷多组解，在整个解空间中搜索最优解，需要确定组分亮温的初值；采用k‑means聚类算法对研究区域的所有微波亮温进行统计分类，通过聚类算法得到组分亮温的初值；(d)将组分亮温的初值和所有已知量代入公式(7)，应用matlab软件中的fsolve函数求解欠定性方程组，最终，获得微波混合像元中各个组分的亮温值TLand(i，j)和TWatet。