专利名称：基于五种地物分类信息的积雪被动微波混合像元分解方法
技术领域：
本发明属于遥感图像处理的技术领域，具体涉及一种基于五种地物分类信息的积雪被动微波混合像元分解方法，可解决由于积雪微波混合像元导致积雪参数反演精度较低的问题。
背景技术：
积雪的变化与特征是气候研究、天气预报和水资源管理的重要参数(参见下面列出的参考文献I)。积雪遥感中最为常用的波段是可见光、近红外和微波，其中，可见光和近红外主要用于提取积雪覆盖范围，它们最大的弱点是不能用于反演雪深和雪水当量。微波在积雪遥感中处于不可缺少的位置，它不仅能够全天观测积雪，也能够穿透大部分积雪层， 从而探测到雪深和雪水当量信息。然而，合成孔径雷达(SAR)卫星数据受到重复访问周期较长、山区地形影响以及费用较高等多方面制约，很难应用于研究。被动微波遥感具有很高的时间分辨率，能够迅速覆盖全球而且数据资料免费，因此，它在监测全球和大陆尺度的积雪时空变化中作用尤为突出(参见下面列出的参考文献2、3)。自20世纪70年代以来，几代微波辐射计已经获取了全球积雪深度的较为可信的资料，各种成熟的积雪遥感数据产品也已经被应用于气候和水文研究以及灾害评估等领域(参见下面列出的参考文献4)。被动微波遥感反演积雪深度的基础是雪粒子在毫米波段对来自下垫面微波信号的散射大于在厘米波的散射，且对雪盖深度敏感，因此可以利用多频段被动微波遥感信息探测雪盖深度(参见下面列出的参考文献5)。被动微波遥感是提供全球尺度雪水当量研究的唯一有效途径，但是由于被动微波遥感数据的空间分辨率较低(> 10km)，其天线波束覆盖区大多为复合像元，使得积雪深度的反演精度还不能满足实际需求(参见下面列出的参考文献6) ο目前，国内外提出的被动微波混合像元分解方法多数是针对沿海区域微波混合像元的分解(参见下面列出的参考文献7、8、9)，对于足印内只含有海洋和陆地两种地表类型的情况比较适用，基本实现了陆地和水体的微波混合像元分解。然而，当天线足印内显著包含两种以上地物时，采用目前提出的被动微波混合像元分解模型均会产生较大的误差。被动微波辐射计获取的积雪亮温是代表了一定尺度的混合像元综合亮温，而不同下垫面的积雪微波辐射特性具有较大的差异，因此导致了被动微波遥感反演积雪深度的精度难以提高。为了改进积雪参数反演精度，需要针对积雪下垫面的不同分类建立积雪微波混合像元分解模型，从而解决积雪微波混合像元问题，为更多的研究和应用领域服务。与本发明相关的现有技术有如下参考文献I. Rees W G,2006. Remote Sensing of Snow and Ice[M]. Boca Raton, FL :CRC Press，Taylor&Francis，1-285.2. Foster, J. L.，Hall，D. K.，Kelly, R. E. J.，2009. Seasonal snow extent and snow mass in South America using SMMR and SSM/I passive microwave data(1979-2006)[J]Remote Sensing of Environment,113(2) :291-305.
3. Evora No e I Dacruz，Tapsoba DominiqueiDe Seve Danielle，2008. Combining artificial neural network models，geostatistics, and passive microwave data for snow water equivalent retrieval and mapping[J]. IEEE Transactions on Geoscience and Remote Sensing，46 (7) 1925-1939.4.李新，车涛.积雪被动微波遥感研究进展[J].冰川冻土.2007，29 (3): 487-496.5. Savoie Matthew H.，Armstrong, Richard L.，Brodzik, Mary J. , 2009. Atmospheric corrections for I mproved satellite passive microwave snow cover retrievals over the Tibet Plateau[J]Remote Sensing of Environment，I13(12) 2661-2669.6.刘宝康，冯蜀青，杜玉娥.积雪被动微波遥感研究进展与前景展望[J].草业科学· 2009,26(11) :37-43.7. Tim Bellerby, Malcolm Taberner, Andrea Wilmshurst,1998. Retrieval of Land and Sea Brightness Temperatures from Mixed Coastal Pixels in Passive Microwave Data[J]. IEEE Trans. Geosci. RemoteSensing,36(6) :1844-1851.8. Maa β Nina, Kaleschke Lars,2010. Improving passive microwave sea ice concentration algorithms for coastal areas-applications to the Baltic Sea[J]. Tellus Series A Dynamic Meteorology and Oceanography,62 (4) :393-410.9. Gu Lingjia,Zhao Kai，Zhang Shuang，Zheng Xingming,2011. An AMSR-E Data Unmixing Method for Monitoring Flood and Waterlogging Disaster[J]·Chinese Geographical Science. 2011，21(6) :666_675。
发明内容
本发明要解决的技术问题在于提供了一种基于五种地物分类信息的积雪被动微波混合像元分解方法，可以有效地解决积雪被动微波混合像元问题，改进积雪参数反演精度，在气候和水文研究以及灾害评估等领域中具有重要应用价值。本发明根据影响积雪辐射特性的典型五种下垫面类型，通过获得观测地区较高空间分辨率的地物分类数据，利用积雪在不同下垫面微波辐射之间差异特性，选择微波天线增益函数和釆样率，建立积雪微波混合像元分解模型，釆用具有约束条件的最小二乘法迭代计算求解欠定性方程组，实现积雪被动微波混合像元分解。本方法可以实现全球范围内积雪微波混合像元分解，通过计算来获得五种下垫面的积雪辐射亮温，提高后期积雪参数反演精度。为解决本发明要解决的技术问题，给出技术方案如下。一种基于五种地物分类信息的积雪被动微波混合像元分解方法，该方法的应用条件是冬季积雪被动微波遥感数据，其特征在于，方法包括如下过程1)确定观测地区冬季积雪情况下的五种的地物分类数据，2)确定微波天线增益函数和采样率，3)建立被动微波积雪混合像元模型，4)积雪被动微波混合像元分解模型求解；所述的确定观测地区冬季积雪情况下的五种的地物分类数据，是将已有的观测地区的地物分类数据产品重新分类为水体、草地、林地、农田和裸土五种下垫面信息，确定观测地区冬季积雪情况下的五种地物分类数据的结果L ；所述的确定微波天线增益函数和采样率，是根据被动微波辐射计的特性，选择被动微波数据中不同频率对应的椭圆足印a和b，设计微波天线增益函数C、水平采样率Λχ 和垂直采样率Λ y，结合地物分类数据的结果L，利用公式(12)求得系数α
a bf(x) _α=Σ( Σ ^,y)L(x,y)^y)^c
χ=—a y=-bf(x)(12)α是天线增益函数G和对应足印内地物分类数据的结果L的卷积，(X，y)是被动微波数据的位置；所述的建立被动微波积雪混合像元模型，是将地物分类数据和微波天线增益函数及采样率的计算结果代入积雪被动微波混合像元模型，确定积雪被动微波混合像元分解模型求解方法；具体的积雪被动微波混合像元分解模型为Tb = [J G(x, y) · [Lland (x, y)Tland (x, y) + Lwater (x, y)Twater (x, y) + Lforest (x, y)Tforest (x, y)+ L grass ^ y)TgraSS ^ y) + LcroP ^ y)TcroP ^ y)}^(^)= Ciland (X，y)Tland (x, y)+awater (x, y)Twater (x, y) + a forest (x, y)Tforest (x, y)+ a 評s (x, y)Tsmss (x, y)+acrop (x, y)Tcrop (x, y)其中ac(x,_y)= j"J"G(x,y)Lc(x,y)dxdy c = land, water, forrest, grass, crop (17) 公式(16)中，Tb代表积雪混合像元亮温值，(X，y)代表混合像元空间位置，即，被动微波数据的位置；Tland、Twate、Tf_st、TgMSS和Tcmp分别代表下垫面为裸土、水体、林地、草地和农田的亮温值，Lland, Lwater, Lforest, Lgrass和Lcmp分别代表与混合像元空间位置(X，y)匹配的分类数据中裸土、水体、林地、草地和农田像元的比例；公式(17)的结果由公式(12)计算得到；所述的积雪被动微波混合像元分解模型求解，是最终将积雪被动微波混合像元数据分解成五种类型的被动微波组分亮温数据；具体过程是利用建立的积雪被动微波混合像元分解模型，结合被动微波遥感数据，建立联立方程组，对mXn范围内的被动微波混合像元进行分解，通过构建方程组和约束性最小二乘法求解mXn范围内被动微波混合像元分解后的五种地物的组分亮温T。。上述的积雪被动微波混合像元分解模型求解，其过程可以进一步说明如下所述的积雪被动微波混合像元分解模型求解方法，首先选取mXn范围的被动微波混合像元构成一个搜索窗口，记录mXn窗口中每个被动微波像元中不同地物分类的出现比例，构成地物分类分布比例矩阵，Tbn = PCTC+E(18)式中c是地物分类的种类，c的值为5 ;TBN是一个(mXn) Xl的矢量，是mX η个被动微波混合像元亮温值；Τ。是一个(mXnXc) Xl的矩阵，是mXn窗口中每个被动微波混合像元对应的五种地物分类的组分亮温；P。是一个(mXn) X (mXnXc)的矩阵,是mXn 窗口中每个被动微波混合像元对应的五种地物分类的分布与天线方向图的卷积；E是一个 (mXn) X I的矢量,是mXn个残差数据；m选取I 10, η选取I 10 ;其次求解mXn范围内被动微波混合像元分解后的五种地物的组分亮温T。；
mXn方程组中有(mXn) Xc个未知量，该方程组属于欠定方程组，有无穷多组解； 对每个下垫面亮温值设定其对应的取值区间，在该区间内，任意一点都对应着一个可能的解，从而构成完整的解空间；通过地基和星载微波辐射计对不同下垫面类型进行观测，得到不同下垫面的亮温变化区间，采用k-means聚类算法对观测地区连续一段时间的被动微波混合像元亮温进行统计分类；k-meanS聚类后的聚类中心值作为不同下垫面亮温初值的参考；将地基微波数据建立的数据库中的数据、被动微波遥感数据统计得到的各类下垫面的亮温相结合，定义各类下垫面的亮温初值SgMSS、Swater, Sf0reso Scrop, Sland,同时定义各类下垫面的亮温变化阈值 Lc,确定某一下垫面的初值亮温T。的选取范围是[Se-L。，Se+L。],其中c代表grass, water, land，forest，crop ；不同下垫面的微波亮温变化基本满足下式O < Twater < Tland < Tcrop < Tforest(19)草地亮温Tgrass变化与草的高矮和土壤湿度有关，需要结合具体观测地区进行分析；设计一个目标函数作为判断可能解优劣的标准，这里选取R作为目标函数，ξ为事先给定的阈值，它的取值大小取决于对解的精度要求；目标函数R定义为
权利要求
1.一种基于五种地物分类信息的积雪被动微波混合像元分解方法，该方法的应用条件是冬季积雪被动微波遥感数据，其特征在于，方法包括如下过程1)确定观测地区冬季积雪情况下的五种的地物分类数据，2)确定微波天线增益函数和采样率，3)建立被动微波积雪混合像元模型，4)积雪被动微波混合像元分解模型求解；所述的确定观测地区冬季积雪情况下的五种的地物分类数据，是将已有的观测地区的地物分类数据产品重新分类为水体、草地、林地、农田和裸土五种下垫面信息，确定观测地区冬季积雪情况下的五种地物分类数据的结果L ；所述的确定微波天线增益函数和采样率，是根据被动微波辐射计的特性，选择被动微波数据中不同频率对应的椭圆足印a和b，设计微波天线增益函数C、水平采样率ΛΧ和垂直采样率Λ y，结合地物分类数据的结果L，利用公式(12)求得系数α
2.根据权利要求I所述的一种基于五种地物分类信息的积雪被动微波混合像元分解方法，其特征在于，所述的地物分类数据产品重新分类，总体原则是(a)原分类数据中定义为农田、阔叶作物或谷类作物的类型统一重新定义为农田类型；(b)原分类数据中定义为阔叶林、针叶林、混合林或灌丛的类型统一重新定义为林地类型；(c)原分类数据中定义为草原、草地、植被类型统一重新定义为草地类型；(d)原分类数据中定义为水体类型仍旧定义为水体类型；(e)原分类数据中定义为城建用地、荒漠或荒地的类型统一重新定义为裸土类型。
3.根据权利要求I或2所述的一种基于五种地物分类信息的积雪被动微波混合像兀分解方法，其特征在于，所述的积雪被动微波混合像元分解模型求解方法，首先选取mXn范围的被动微波混合像元构成一个搜索窗口，记录mXη窗口中每个被动微波像元中不同地物分类的出现比例，构成地物分类分布比例矩阵，Tbn = PCTC+E (18)式中c是地物分类的种类，c的值为5;TBN是一个(mXn)Xl的矢量，是mXn个被动微波混合像元亮温值；T。是一个(mXnXc) X I的矩阵，是mXn窗口中每个被动微波混合像元对应的五种地物分类的组分亮温；P。是一个(mXn) X (mXnXc)的矩阵，是mXn窗口中每个被动微波混合像元对应的五种地物分类的分布与天线方向图的卷积；E是一个 (mXn) X I的矢量,是mXn个残差数据；m选取I 10, η选取I 10 ;其次求解mXn范围内被动微波混合像元分解后的五种地物的组分亮温T。； mXn方程组中有(mXn)Xc个未知量，该方程组属于欠定方程组，有无穷多组解；对每个下垫面亮温值设定其对应的取值区间，在该区间内，任意一点都对应着一个可能的解， 从而构成完整的解空间；通过地基和星载微波辐射计对不同下垫面类型进行观测，得到不同下垫面的亮温变化区间，采用k-means聚类算法对观测地区连续一段时间的被动微波混合像元亮温进行统计分类；k-meanS聚类后的聚类中心值作为不同下垫面亮温初值的参考；将地基微波数据建立的数据库中的数据、被动微波遥感数据统计得到的各类下垫面的亮温相结合，定义各类下垫面的亮温初值Sgrass、SwatWSftmsPSrat^Sland,同时定义各类下垫面的亮温变化阈值L。，确定某一下垫面的初值亮温T。的选取范围是[Se_L。，Se+L。,其中c代表grass, water, land, forest, crop ;不同下垫面的微波亮温变化基本满足下式O < Twater < Tland < Tcrop < Tforest(19)草地亮温Tgrass变化与草的高矮和土壤湿度有关，需要结合具体观测地区进行分析； 设计一个目标函数作为判断可能解优劣的标准，这里选取R作为目标函数，ξ为事先给定的阈值，它的取值大小取决于对解的精度要求；目标函数R定义为R = Jilil(TB(^y)-tpc 卜，少)· Tc (X, γ))2<ξVx=1 y=lc=i(20)根据目标函数调整搜索窗口尺寸mXn，合理选择各类组分的亮温初值Sgrass、Swater, SftmsPSrat^Sland，代入方程(18)中，在(19)式、(20)式共同约束下，采用带约束条件的非负最小二乘法迭代运算求得最优解，应用matlab软件中的fsolve函数求解欠定性方程组。
全文摘要
本发明属于遥感图像处理技术领域，提供了一种基于五种地物分类信息的积雪被动微波混合像元分解方法。本发明根据影响积雪辐射特性的典型五种下垫面类型，通过获得观测地区中较高空间分辨率的地物分类数据，利用积雪在不同下垫面微波辐射之间差异特性，选择微波天线增益函数和采样率，建立积雪微波混合像元分解模型，采用具有约束条件的最小二乘法迭代计算求解欠定性方程组，实现积雪被动微波混合像元分解。本发明可以有效地解决积雪被动微波混合像元问题，改进积雪参数反演精度，在气候和水文研究以及积雪灾害评估等领域中具有重要应用价值。
文档编号G01S7/41GK102608592SQ20121009673
公开日2012年7月25日 申请日期2012年4月5日 优先权日2012年4月5日
发明者任瑞治, 孙健, 张爽, 王昊丰, 顾玲嘉 申请人:吉林大学