实习一 6S 大气校正 一 实习目的加深对 6S 模型原理的理解, 掌握 6S 软件的使用方法与步骤, 能够利用该软件进行 TM 影像的大气校正 二 原理与方法 6S 模型是目前世界上发展比较完善的大气辐射校正模型之一, 是由 Tanre 等人提出的 5S(the imulation of the Satellite Signal in the Solar Spectrum) 模型改进而来, 它适合于可见光 - 近红外 (0.25~4μm) 的多角度数据 该模型考虑了地表非朗伯体情况, 解决了地表 BRDF 与大气相互耦合的问题, 通过使用较为精确的近似方程以及称之为 ucceie order of cattering (SOS) 的算法, 提高了瑞利散射和气溶胶散射的计算精度 ; 将大气由原来 5S 所考虑的 26 层 24 个高斯离散角缩减为 13 层 12 个离散角, 显著简化了计算 ; 光谱分辨率高达 2.5nm 许多研究证明该模型的计算精度比其它模型精度高, 而且计算时间快 地面目标反射率与传感器入瞳处反射率的关系可由下面的方程表示 : = T ( θ g, θ ) T ( θ T ( θ ) T ( θ, θ, φ, φ ) + [ T ) T ( θ g, θ ( θ, φ, θ, φ ) R+ a ) T g ( θ, θ ) R+ a ] 其中, 为地表反射率, ( θ θ, φ, φ ) T S, 为大气上界反射率, θ 为太阳天顶角, φ 为 太阳方位角, θ 为传感器天顶角, φ 为传感器方位角, T ( θ ) 为大气透过率, Tg ( θ, θ) 为 太阳 - 目标大气路径透过率, T ( θ ) 为目标 - 传感器大气路径透过率, R+ a 为分子散射和 气溶胶散射所构成的路径辐射反射率, 为大气半球反射率 该式是大气纠正的近似经验 公式, 也是 6S 模型的基本方程 ( 详细原理请参考 6S 操作手册 ) 三 实习仪器与数据 6S 程序包 ENVI 软件 TM 影像 四 实习步骤 1 输入 6S 模型参数 在利用 6S 软件进行大气校正时需要输入的主要参数有 ( 参照 \6S 大气校正 \6S_V4.1\help\6S 操作手册 _P1.pdf):
(1) 太阳天顶角 卫星天顶角 太阳方位角 卫星方位角, 也可以输入卫星轨道与时间参数来替代 (2) 大气组分参数, 包括水汽 灰尘颗粒度等参数 若缺乏精确的实况数据, 可以根据卫星数据的地理位置和时间, 选用 6S 提供的标准模型来替代 (3) 气溶胶组分参数, 包括水分含量以及烟尘 灰尘等在空气中的百分比等参数 若缺乏精确的实况数据, 可以选用 6S 提供的标准模型来描述标准大气的气溶胶组分等 (4) 气溶胶的大气路径长度 (5) 观测目标的海拔高度及传感器高度 (6) 光谱条件, 可以直接输入光谱波段范围, 也可以将遥感器波段作为输入条件 (7) 其他参数 若是基于朗伯体大气校正, 直接输入象元的光谱值可得到经过朗伯体大气校正后的地面反射率 ; 若是基于 BRDF 大气校正, 在选择了二向性反射模型 ( 如 Ambral Rahman 模型等 ) 后, 则需要输入象元所对应的模型参数值, 并将反演的模型参数与其他参数 ( 地 - 气耦合因子 大气透过率 大气吸收率等 ) 一起作为输入, 通过 6S 大气校正模型软件经过迭代计算, 最终得到基于 BRDF 的大气校正图像, 推算出相应的方向反射率与反照率 本研究的大气校正是基于朗伯体的大气校正 2 进行 TM 数据的大气校正 6S 软件在有关参数输入完毕后会计算出各种大气参数, 同时也给出了大气校正系数 xa, xb, xc, 大气校正后的反射率 ACR(Atmopherically corrected reflectance) 可用下式获得 : Y = xa L i xb ( 1. xc Y ) ACR = Y / 0 + 通过 6S 软件分别对 TM 分波段进行计算, 求算出每景图像 每个波段的 xa, xb, xc 值 ; 然后, 利用图像处理软件 ENVI, 逐象元计算大气校正后的反射率, 并生成校正后的图像
图 1 大气校正后图像 ( 第 4 波段 ) 3 校正前后图像的对比 分别通过目视 直方图 波段值等进行校正前后图像的变化, 计算植被指数, 比较校 正前后植被指数的变化 图 2 校正前直方图 图 3 校正后直方图 4. 完成实习报告 内容包括 : 目的 6S 模型参数 校正前后遥感影像的对比分析 误差分析
实习二 基于 FCR 模型的植被冠层反射率模拟 一 实习目的理解 FCR 辐射传输模型的建立过程, 利用 FCR 模型进行植被多角度遥感一些基本原理的验证 二 原理与方法 ( 详细原理请参考文献 李云梅. 水稻 BRDF 模型集成与应用研究. 浙江大学博士学位论文. ) 冠层方向反射率用下式表示 : = ( S ) l λ / Qλ + D 其中, l 是二向反射率中的单次散射组分, 是漫射通量, S 和 Q 是冠层上方某一 平面上太阳直接辐射和总辐射 l 包括冠层和土壤的单次散射, 由下式表示 : 射, 由式 3.4(2) 表示 : l l = c + l oil D λ λ 其中, 是冠层单次散射, l c l oil 是土壤单次散射 三 实习仪器与数据 1 基本参数利用 WINSCANOPY 冠层仪所获取的图像进行分析, 得到芦苇叶片的叶倾角分布 利用实测的参数通过优化函数法获得椭圆分布的参数为 : 偏心率 0.9731, 模型倾角 81; 叶片光谱曲线 土壤及薄层水体光谱曲线取野外实测的典型曲线 ; 根据前人经验, 取叶面蜡状物折射指数为 1.2; 叶形状参数取实测值, 叶的相对线形尺度 = 平均叶长 / 冠层高度 ; 太阳天顶角为观测时的实际值, 观测天顶角为 0; 太阳直接辐射与总辐射之比为 1- 散射辐射 / 总辐射 2 植株采样数据样地编号 :01 E 117.425310 N 38.590824 南大港北 植株状况 株高 150 139 139 134 165 156 90 96.5 104 102 99 94 叶长 26 23 28 27 33 35 23 23.5 27 27 25 23
叶宽 2.0 1.7 1.8 1.8 2.9 2.9 2.1 2.2 2.3 1.9 2.0 2.1 样方内有 99 株芦苇, 平均每株 9.4 片叶子地面状况简述 : 芦苇间有运送的一条小路, 有稀疏芦苇, 其间有一龄蝗虫 密度可达 100 头 /m 2 LAI 的计算公式 :LAI=0.83 每样方株数 每株叶片数 叶长 叶宽 3 光谱数据位于 / 定量遥感实习 2/YD01/ 文件夹下面 包括植被冠层数据的光谱数据 土壤光谱数据和太阳的总辐射和散射辐射光谱 4 样点的基本信息 / 定量遥感实习 2/YD01/yd01.txt 中为样点坐标等基本信息 四 实习步骤 1 熟悉 FCR 模型的各个模块 图 4 FCR 模型界面 2 利用实测数据进行植被冠层反射率和二向反射率的模拟 ;
根据所提供数据进行模型参数的预处理, 将模型输入到模块中, 运行模型模拟植被冠 层反射率和二向反射率 图 5 冠层反射率模拟模块 图 6 二向反射率模拟模块
3 利用模型进行一些基本原理的验证 在模型中, 固定某些参数, 分别仅改变某一参数, 如 LAI 太阳高度角等, 观察结果 对输入参数的敏感性 4. 完成实习报告 内容包括 : 目的 输入参数 模拟反射率与实测反射率的对比 LAI 与反射率及植被 指数的关系
实习三植被 LAI 的遥感反演 一 实习目的理解叶面积指数 (LAI) 反演的各种方法, 掌握 LAI 遥感反演的统计方法和过程, 能够利用实测数据和遥感数据建立 LAI 的统计反演模型并进行反演 二 原理与方法遥感参数定量反演的模型大致可以分为三类 : 统计模型 物理模型和半经验模型 经验统计模型一般是描述性的, 即对一系列观测数据作经验性的统汁描述, 或者进行相关分析, 建立遥感参数与地面观测数据之间的统计相关关系 物理模型理论基础完善, 模型参数具有明确的物理意义, 并试图对作用机理进行数学描述 半经验模型则综合了统计模型和物理模型的优点 本次实习采用的是统计方法 三 实习仪器与数据 ENVI EXCEL 宜兴地区的 TM 影像 实测 LAI 数据四 实习步骤 1 寻找实测数据对应像元打开宜兴 TM 数据, 新建感兴趣区, 将实测坐标对应像元保存为感兴趣区, 将 23 个点的感兴趣区导出为文本文件 在 EXCEL 里面将该文件打开, 与实测 LAI 文件保存在一起 图 7 实测点及对应像元位置
表 1 感兴趣区像元值 ID Lat Lon B1 B2 B3 B4 B5 B6 B7 1 31.37128 119.763 103 45 53 93 86 136 29 2 31.36922 119.7831 103 42 48 86 64 135 18 3 31.3696 119.7654 103 41 48 86 54 137 15 4 31.36959 119.7661 105 45 50 84 67 137 22 5 31.36905 119.7661 100 43 48 86 56 135 17 6 31.36363 119.7539 102 45 53 84 74 137 24 7 31.36416 119.729 99 43 54 76 84 138 32 8 31.36335 119.7542 103 45 53 80 67 137 23 9 31.36246 119.7324 102 45 55 80 83 139 29 10 31.36195 119.7312 99 43 50 72 70 139 19 11 31.35848 119.7415 101 44 52 75 78 138 28 12 31.35822 119.7411 101 43 52 65 73 138 29 13 31.35693 119.7509 102 44 54 78 74 135 24 14 31.35664 119.7515 102 44 53 82 64 136 20 15 31.35632 119.7159 101 45 53 82 87 139 27 16 31.3539 119.7407 102 45 54 85 84 139 29 17 31.35337 119.7404 105 46 57 69 83 139 36 18 31.35311 119.7397 102 42 53 65 72 138 26 19 31.35282 119.7407 101 45 54 77 80 139 29 20 31.35284 119.7397 99 44 53 64 72 138 28 21 31.34879 119.7393 99 43 51 79 77 140 23 22 31.34143 119.7419 96 38 47 61 49 135 14 23 31.3236 119.7405 90 37 40 66 72 136 22 2 根据对应的像元计算各种植被指数可建立下列植被指数 : 1) RVI = / NIR 2) NDVI = NIR NIR R + R R NIR R 3) SAVI = (1 + L), 其中 L 可分别为 0.1,0.35 和 0.5 NIR+ R+ L 2 2NIR+ 1 (2NIR+ 1) 8( NIR R) 4) MSAVI = 2 ARVI=( - )/( + ), 其中 RB= Red- γ( - Re ),γ 可为 1 5) NIR RB NIR RB Blue d
3 进行统计分析建立模型可将 23 个样点分为两组, 一组 17 个用来建立模型, 另外 6 个用来对模型进行验证 通过对 17 个样点的 LAI 和波段反射率及其植被指数相关分析和回归分析, 建立不同的统计模型 ( 线形 非线性 多项式等 ) 并利用剩余 6 个点对各模型进行验证 4 进行反演首先对图像进行分类, 将植被提取出来, 然后针对植被进行反演 5 完成实习报告内容包括 : 目的 模型对比 模型检验与分析