一种对遥感数据进行观测质量分级的方法与流程

本发明涉及卫星遥感技术领域，特别的，涉及一种对遥感数据进行观测质量分级的方法。

背景技术：

卫星遥感反射率数据具有覆盖范围广、时间序列长等特点，是生产区域与全球尺度植被指数、叶面积指数等定量遥感植被参数产品的主要手段。受残云、气溶胶等天气状况的影响，现有的植被参数产品在时间序列上连续性较差，严重影响了在植被生长监测等领域中的应用。这源于在现有植被参数产品生产的质量控制环节，仅仅采用了反射率数据的质量标识，通过质量标识检查的数据，不作区分的参与到植被参数的产品生产中。现有反射率数据的质量标识对云的漏检现象显著，且并未对观测数据质量进行分级。然而，不同天气状况下的反射率数据精度差异显著。因此，迄今尚无一套系统有效的遥感数据观测质量分级方法，有必要对遥感数据观测质量进行分级，以提高后续的植被参数产品的时空连续性。

卫星组网观测是当前遥感发展的重要趋势之一。多源反射率数据集由一定时间周期内对同一目标观测的不同时间过境的卫星传感器的所有观测组成。与单一传感器观测相比，多源传感器观测数据集的优点是增加了对同一目标的观测平面、观测角度、观测时相。但观测数据来源于不同传 感器，由于传感器性能差异、辐射校正精度的差异等，即使在完全相同观测条件下，不同传感器的观测结果是有差异的，而且有可能存在较大噪声。这亟需对遥感数据观测质量进行控制，即通过质量分级的方式，保留高精度的观测，去除噪声较大的观测，以确保后续参与植被参数产品生产的反射率数据精度。

技术实现要素：

有鉴于此，本发明的目的是提供一种对遥感数据进行观测质量分级的方法，能利用卫星多角度观测数据自动进行质量控制，区分出高精度的观测与噪声较大的观测，在一定程度上提高现有定量遥感植被参数产品的时空连续性。

本发明的目的是通过以下技术方案实现：一种对遥感数据进行观测质量分级的方法，其特征在于，包括以下步骤：

步骤一、选定一性能最佳的传感器(如MODIS)作为基准，对多源数据集中来自不同传感器的反射率数据进行波段转换，将所有反射率数据投影到相同的坐标系下，并进行云检测等质量检查；

步骤二、若经过质量检查的总观测数目N不少于5个，则根据各观测计算的NDVI均值减去0.3作为阈值，NDVI小于阈值的观测是明显异常的观测，直接作为三级数据；若确定三级数据之后的其余观测数目N仍不少于5个，则进入步骤三；若N小于5个，则进入步骤四；

步骤三、若经过步骤二异常观测剔除后的MODIS有效观测数目M不少于5个，则将其作为数据输入，采用基于稳健估计的核驱动模型拟合出核系数；若经过步骤二异常观测剔除后的MODIS有效观测数目M少于5个， 则直接采用对应像元、对应时相的MODIS BRDF产品，获取相应的核系数；通过核系数对各观测量的方向NDVI进行角度校正，得到该观测在天顶方向的等效观测NDVI；选取等效观测NDVI的次大值作为基准，以相对误差的10％、20％为界划分出一、二、三级数据；

步骤四、若经过步骤一质量检查的总观测数目N少于5个，或经过步骤二剔除异常观测后的总观测数目N小于5个，则直接采用对应像元、对应时相的MODIS BRDF产品，获取相应的核系数；通过核系数对各观测量的方向NDVI进行角度校正，得到该观测在天顶方向的等效观测NDVI，选取等效观测NDVI的次大值作为基准，以相对误差的20％为界划分出二、三级数据。

进一步地，所述步骤三中得到该观测在天顶方向的等效观测NDVI具体为：根据该观测的原始及核驱动模型通过下式求出

进一步地，所述步骤三中选取等效观测NDVI的次大值作为基准，以相对误差的10％、20％为界划分出一、二、三级数据具体为：以多源数据集各观测的等效NDVI次大值作为基准NDVI，(1)若某一观测的等效NDVI与基准NDVI的相对误差不超过10％，则为一级数据；(2)若等效NDVI与基准NDVI的相对误差大于10％且小于等于20％，则为二级数据；(3)若等效NDVI与基准NDVI的相对误差大于20％，则为三级数据；具体表示如下式所示

进一步地，所述步骤四中选取等效观测的次大值作为基准，以相对误差的20％为界划分出二、三级数据具体为：以多源数据集各观测的等效NDVI次大值作为基准NDVI，(1)若等效NDVI与基准NDVI的相对误差不超过20％，则为二级数据；(2)若等效NDVI与基准NDVI的相对误差大于20％，则为三级数据

进一步地，所述步骤四中采用对应像元、对应时相的MODIS BRDF产品，获取相应的核系数具体为：核驱动模型的形式为：

其中，θ_s，θ_v和分别为太阳天顶角，观测天顶角和相对方位角。f_iso(λ)，f_vol(λ)和f_geo(λ)分别为待拟合的3个核系数，和分别为体散射核和几何光学核。

本发明的有益效果是：

1、本发明在观测数目充足的时候选出一致性较好的观测，为后续的植被参数反演提供高质量的观测数据，避免了由于传感器性能、预处理精度等因素影响，可能存在的多源数据集间观测差异的问题；

2、本发明可识别出残云、气溶胶等大气或其它因素导致的具有较大误差的观测，避免了残云的存在对后续的植被参数反演精度具有较大的影响的缺陷；

3、本发明能利用卫星多角度观测数据自动进行质量控制，区分出高精度的观测与噪声较大的观测，在一定程度上提高现有定量遥感植被参数产品的时空连续性。

附图说明

图1显示了本发明的多源遥感数据观测质量分级流程图；

图2显示了本发明的黑河中游农田站点不同质量级别的数据在红波段随观测天顶角变化的散点图；

图3显示了本发明的黑河中游农田站点不同质量级别的数据在近红外波段随观测天顶角变化的散点图；

图4显示了本发明的黑河中游农田站点不同质量级别的数据直接计算的NDVI随观测天顶角变化的散点图；

图5显示了本发明的黑河中游森林站点不同质量级别的数据在红波段随观测天顶角变化的散点图；

图6显示了本发明的黑河中游森林站点不同质量级别的数据在近红外波段随观测天顶角变化的散点图；

图7显示了本发明的黑河中游森林站点不同质量级别的数据直接计算的NDVI随观测天顶角变化的散点图；

图8显示了本发明的黑河中游农田站点不同质量级别的数据在红波段与核驱动模型模拟结果图；

图9显示了本发明的黑河中游农田站点不同质量级别的数据在近红外波段与核驱动模型模拟结果图；

图10显示了本发明的黑河中游农田站点不同质量级别的数据直接计算的NDVI与核驱动模型模拟结果图；

图11显示了本发明的黑河中游森林站点不同质量级别的数据在红波段与核驱动模型模拟结果图；

图12显示了本发明的黑河中游森林站点不同质量级别的数据在近红 外波段与核驱动模型模拟结果图；

图13显示了本发明的黑河中游森林站点不同质量级别的数据直接计算的NDVI与核驱动模型模拟结果图；

图14显示了本发明的农田站点未经质量分级合成的NDVI植被指数与参考值对比结果图；

图15显示了本发明的农田站点经过质量分级合成的NDVI植被指数与参考值对比结果图；

图16显示了本发明的森林站点未经质量分级合成的NDVI植被指数与参考值对比结果图；

图17显示了本发明的森林站点经过质量分级合成的NDVI植被指数与参考值对比结果图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步的详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

如图1所示，一种利用卫星多角度观测数据自动进行质量分级的技术方法,该方法的流程具体步骤如下：

步骤一：选定一性能最佳的传感器(如MODIS)作为基准，对多源数据集中来自不同传感器的反射率数据进行波段转换，将所有反射率数据投影到相同的坐标系下，并进行云检测等质量检查。

步骤二：若经过质量检查的总观测数目N不少于5个，则根据各观测 计算的NDVI均值减去0.3作为阈值，NDVI小于阈值的观测是明显异常的观测，直接作为三级数据。若确定三级数据之后的其余观测数目N仍不少于5个，则进入步骤三；若N小于5个，则进入步骤四。

步骤三：若经过步骤二异常观测剔除后的MODIS有效观测数目M不少于5个，则将其作为数据输入，采用基于稳健估计的核驱动模型拟合出核系数；若经过步骤二异常观测剔除后的MODIS有效观测数目M少于5个，则直接采用对应像元、对应时相的MODIS BRDF产品，获取相应的核系数。通过核系数对各观测量的方向NDVI进行角度校正，得到该观测在天顶方向的等效观测NDVI。选取等效观测NDVI的次大值作为基准，以相对误差的10％，20％为界划分出一、二、三级数据。

步骤四：若经过步骤一质量检查的总观测数目N少于5个，或经过步骤二剔除异常观测后的总观测数目N小于5个，则直接采用对应像元、对应时相的MODIS BRDF产品，获取相应的核系数。通过核系数对各观测量的方向NDVI进行角度校正，得到该观测在天顶方向的等效观测NDVI。选取等效观测NDVI的次大值作为基准，以相对误差的20％为界划分出二、三级数据。

其中，对于步骤一，由于各传感器设计目标不一致，不同传感器接收的波段范围、响应程度均存在差别，这类不一致性可通过波段转换予以降低。NOAA/AVHRR和FY3A/VIRR红波段(b1)和近红外波段(b2)对MODIS对应波段反射率的波段转换系数如表1所示

表1多源遥感数据波段转换系数表

对于步骤二，NDVI通常会因受残云或大气的影响，会使得NDVI值偏小，因此NDVI可以作为检验反射率产品质量的指示因子之一。然而，NDVI随太阳入射、观测角度变化显著。通过模型模拟分析了NDVI的各向异性，发现NDVI角度效应造成的NDVI差异一般不超过0.3，因此在进行核驱动模型拟合进行数据质量分级之前，将各观测的原始NDVI小于NDVI均值减0.3的观测首先记为三级数据直接剔除。

对于步骤三，在对不同角度下的NDVI进行比较时，引入核驱动模型消除NDVI角度效应，归一化到天顶方向观测的等效NDVI之后进行比较。第i个观测在天顶方向的等效可根据该观测的原始及核驱动模型通过下式求出：

对消除角度效应之后的等效NDVI，较小的值对应着该观测可能受残云或大气的影响，而较大的值通常对应着质量较高的观测。当有效观测数N不少于5个时，可以区分一、二、三级数据。以多源数据集各观测的等效NDVI次大值作为基准NDVI，(1)若某一观测的等效NDVI与基准NDVI的相对误差不超过10％，则为一级数据；(2)若等效NDVI与基准NDVI的相对误差大于10％且小于等于20％，则为二级数据；(3)若等效NDVI与基准NDVI的相对误差大于20％，则为三级数据。

对步骤四，当有效观测数N少于5个时，由于此时观测数目较少，已不足以区分出一级数据，此时只区分出二级、三级数据。以多源数据集各观测的等效NDVI次大值作为基准NDVI，(1)若等效NDVI与基准NDVI的相对误差不超过20％，则为二级数据；(2)若等效NDVI与基准NDVI的相对误差大于20％，则为三级数据。

核驱动模型的形式为：

其中，θ_s，θ_v和分别为太阳天顶角，观测天顶角和相对方位角。f_iso(λ)，f_vol(λ)和f_geo(λ)分别为待拟合的3个核系数。和分别为体散射核和几何光学核。

对步骤三、四，当MODIS观测数目不少于5时，考虑到MODIS BRDF产品算法并没有在残云的影响上特别考虑，其提供的核系数有可能来自于含有残云的观测，因此采用带NDVI权重的核系数稳健拟合模型能在一定程度上改善残云对核驱动模型拟合的影响。当观测数目不足时，采用现有的MODIS BRDF产品消除NDVI的角度效应。以下是考虑残云影响的带NDVI权重的核系数稳健拟合法原理：(1)NDVI在经过角度效应校正后，通常小的NDVI意味着有残云影响的可能，为质量较低的观测，在拟合的时候应当赋予较小的权重；而大的NDVI通常受大气、残云影响较小，是质量较高的观测，在拟合的时候应当赋予较大的权重。将这项基于NDVI越小对 应着受残云影响越大的物理先验信息的权重记为W1。(2)在拟合核驱动模型时，基于验后方差估计理论，能够识别并自动剔除受残云影响较大的观测的影响。残差越大的观测，对应着质量不好的观测，权重越低；残差越小的观测，对应着质量越高的观测，权重越高。将这项从概率统计角度出发的数据粗差探测的权重记为W2。(3)对每一个观测，总的权重W＝W1*W2。通过迭代，受残云显著影响的观测及BRDF拟合效果不好的观测，其权重逐步降低直至趋近于零，从而使得拟合的核驱动模型较少地受残云或异常点的影响。当权重W的变化小于0.001时，停止迭代。

其中，对于W₁，在第一次迭代时，初始权重设为W_i＝NDVI_i/NDVI_m，其中NDVI_m是所有观测NDVI的均值；在第2次及之后迭代的权重，W_i＝NDVI_i/NDVI_cal，其中NDVI_cal是根据上一次迭代计算出核驱动模型的核系数，通过得到的核系数计算出各个观测的模拟NDVI。

对于W₂，每一次迭代的权重来自于上一次迭代结果的残差分析(F检验)。建立以下统计量来检验该残差是否异常。H₀假设为E(σ_i²)＜＝E(σ²)。统计量为若观测值不含异常观测，则统计量T_i近似为自由度为1和r的中心F分布。若T_i＞F_a,1,r，则表明该残差与该组观测的残差有显著差异，它很可能包含异常观测，于是按下列权函数计算下次迭代平差中的权重W₂。

以上权函数分为两段：正常段和可疑段。当残差较小时，权重W₂为1不变；当残差显著较大时，分配与残差呈反比的权，从而在迭代过程中不 断调整观测值的权重，使异常观测的权重逐步减小，直至趋近于0，最终它将不影响拟合结果，从而实现异常观测的自动剔除。

数据质量分级方法将多源数据集质量分为三级。根据以上方法，三个等级的数据的质量情况基本为：

一级数据：在观测数据集中，多角度的观测间具有较好的一致性及合理性。阈值的设定能够保证最优传感器的优质观测在一级数据范围内，同时，其它传感器的预处理精度较高的优质观测，即和最优传感器的优质观测可能存在一定偏差，但对后续参数反演精度在合理范围内(对叶面积指数反演的误差约在0.5以内)，也被分为一级质量数据。由以上的质量分级方法可知，一级数据只有在多源数据集的观测个数较多时才存在。

二级数据：二级数据有两种情况。一是当多源数据集的观测个数较多时，校正后的NDVI相对误差在10％～20％之间(对叶面积指数反演的误差约在1以内)，这些观测质量的数据被设为二级数据。另一种情况是当多源数据集的观测个数较少时，不区分一级质量数据，所有相对误差小于20％的观测都设为二级数据。这是因为，当观测较少时，数据质量不佳的可能性增大，且这种情况下是采用MODIS的BRDF核系数产品进行校正，可能存在一定误差，因此划归为二级质量数据。

三级数据：三级数据也有两种情况。一是与观测的NDVI均值的偏差大于0.3。这种情况多是由于残云等大气因素的影响。另一种情况是校正后的NDVI的相对误差大于20％，这主要是传感器性能及差异引起的。由算法可知，三级质量数据不会单独存在。

这里采用2012年7月1日至5日黑河中游地区的Terra+Aqua/MODIS， FY/VIRR反射率数据进行质量分级。经以上流程，可区分出一至三级观测质量数据，在黑河中游农田与森林站点不同质量级别的反射率与NDVI随观测天顶角的变化如图2和图7所示。黑河中游农田与森林站点不同质量级别的反射率及NDVI与核驱动模型模拟结果如图8和图13所示。黑河中游农田与森林站点不同质量级别的观测数据计算的NDVI与核驱动模型模拟的NDVI之前的偏差(BIAS)与均方根误差(RMSE)如表2所示。最后分析比较了对农田与森林站点遥感观测数据不进行质量分级与进行质量分级两种情形下，合成的NDVI植被指数与参考值比较的精度，如图14和图17所示。其中，若一级观测数据不少于5个，则仅采用一级观测数据进行NDVI植被指数合成；若一级观测数据少于5个，则采用一级与二级观测数据进行合成。NDVI植被指数合成采用的算法仍为核驱动模型

其中，θ_s，θ_v和分别为太阳天顶角，观测天顶角和相对方位角。f_iso(λ)，f_vol(λ)和f_geo(λ)分别为待拟合的3个核系数。和分别为体散射核和几何光学核。

图2和图7分别显示了在黑河中游地区农田与森林站点，2012年7月1日至7月5日不同质量级别的数据在红波段、近红外波段与各观测直接计算的NDVI，随观测天顶角变化的散点图。由图2可知，在农田站点的红波段显著离群的一个观测值在算法中被划分为三级数据；由图5可知，在森林站点的红波段高于0.4的9组观测值，由于受云覆盖的影响较为严重，在算法中被划分为三级数据，符合算法的分级目标。由图4和图7可知，由观测值计算的NDVI与核驱动模型模拟的NDVI相比差距较大时，被 划分为三级数据。

图8和图13分别显示了在农田与森林站点不同质量级别的数据在红波段、近红外波段、NDVI与核驱动模型模拟结果进行比对的散点图。由图8和图13可知，传感器观测的BRDF与核驱动模型拟合结果一致性较好，被分级算法划分为一级和二级数据；观测的BRDF与模拟结果一致性较差的，被分级算法划分为三级数据。森林站点受云的影响比农田站点更为显著，因而分级算法对观测数据质量的区分更为明显。几乎所有受云影响的、NDVI与核驱动模型模拟差距较大的观测都能被识别出并被算法标记为三级数据。

表2列出了黑河中游农田与森林站点不同质量级别的观测数据计算的NDVI与核驱动模型模拟的NDVI之前的偏差(BIAS)与均方根误差(RMSE)。由表2可知，在农田与森林站点，一级数据的BIAS与RMSE均最小；三级数据的BIAS与RMSE均最大。一级数据与二级数据的差异相对较小，三级数据与前两级数据的差异较大。二级数据的传感器观测NDVI略小于模型模拟值；三级数据的观测NDVI显著小于模型模拟值，为误差较大的噪声数据。由图2和图13与表2可知，质量分级算法对多源遥感数据的质量进行了有效的区分。

表2农田与森林站点不同质量级别的观测数据计算的NDVI与模拟的NDVI之间的偏差(BIAS)与均方根误差(RMSE)

图14和图17分别显示了对农田与森林站点遥感观测数据不进行质量分级与进行质量分级两种情形下，合成的NDVI植被指数与参考值比较的精度。若一级观测数据不少于5个，则仅采用一级观测数据进行NDVI植被指数合成；若一级观测数据少于5个，则采用一级与二级观测数据进行合成。结果显示，合成的NDVI植被指数受残云影响显著，合成结果存在严重低估，相对误差RE在农田与森林站点，分别为46.％和28.0％。在进行质量分级之后，相对误差RE可分别降低到3.8％和2.7％。以上结果表明，通过对遥感数据观测进行质量分级，剔除较低观测质量的数据，能在一定程度上提高后续植被参数产品的精度。

应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。