BJ-1智能小卫星多曝光量数据特征及其积雪提取方法研究
阎福礼1, 徐建国2, 鲁志弘3
1.中科院遥感与数字地球研究所,北京 100101
2.核工业216大队,乌鲁木齐 830011
3.栖霞农业局,栖霞 265300

第一作者简介: 阎福礼(1973-),男,博士,副研究员,主要从事灾害与环境定量遥感研究。主持和参加过863课题“巨灾链型灾害遥感监测与预警一体化关键技术”和国家自然科学基金项目“水底下垫面光学效应和水体光学遥感辐射传输模型”等项目数十项,发表文章20余篇。Email:yanfl@radi.ac.cn

摘要

通过调控成像积分时间改变曝光量,会在改变图像DN值和图像质量的同时,给地面参数定量反演带来很大的不确定性。以环境星(HJ-1)CCD数据为参照标准,以积雪为研究对象,系统分析了北京一号小卫星(BJ-1)多曝光量数据的积雪图像质量及其光谱特征变化规律; 在模拟BJ-1多曝光量数据的基础上,提出了面向多曝光量数据的积雪提取方法,并评估了不同算法的积雪面积提取精度。结果表明,BJ-1 CCD数据的积雪图像质量随曝光量增加有所改善,但过分曝光也会导致图像质量下降; 阴影区积雪的光谱差特征随曝光量的增加而增强,向阳面积雪的光谱差特征因“饱和”而大大削弱。基于BJ-1模拟数据,提出了面向多时相、多曝光量数据的归一化积雪提取模型,该模型的分类成功指数(classification success index,CSI)达到89.95%,优于单一曝光量的82.25%和传统监督分类的75.95%的提取精度,为研发更具目标针对性的智能传感器和高精度地表参数遥感反演算法提供了有益的借鉴。

关键词: 北京一号小卫星(BJ-1); 多曝光量; 图像质量; 积雪提取
文献标志码:A 文章编号:1001-070X(2016)01-0028-07 doi: 10.6046/gtzyyg.2016.01.05
Characteristics of multi-exposure images of BJ-1 intelligent micro satellite and its applications to snow cover extraction
YAN Fuli1, XU Jianguo2, LU Zhihong3
1. Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100101, China
2. No. 216 Party of China National Nuclear Corporation, Urumqi 830011, China
3. Agaricultural Bureau of Qixia, Qixia 265300, China
Abstract

BJ-1 micro satellite can adjust CCD exposure by altering the imaging integration time, which not only can affect the digital numbers(DN)and the image quality but also can bring about the uncertainties in retrieving the land surface parameters quantitatively. Taking the HJ-1 CCD datasets as references, the authors calculated and analyzed the spectral characteristics and image quality of the high reflective targets in BJ-1 CCD images. Some conclusions have been reached: The image quality will be improved with a moderate exposure and impaired with over-exposure. The spectral features of the snow in terrain shadow can be enhanced with the increasing imaging integration time, while the spectral characteristics of the snow on the sun side would be weakened as a result of the image "saturation". On the basis of the spectral features of the snow and the data characteristics of the multi-exposure BJ-1 CCD imageries, a normalized model of the multi-exposure imageries for extracting the snow cover is proposed with the accuracy (classification success index, CSI)of 89.95%, which is superior to the accuracy (CSI)of 82.25% of mono-exposure model and the accuracy(CSI) of 75.95% of supervised classification. The results achieved by the authors will greatly facilitate the design of the more target-specific intelligent sensor and the development of more accurate inversion theory and techniques in retrieving the land surface parameters quantitatively.

Keyword: Beijing-1 micro satellite(BJ-1); multi-exposure; image quality; snow cover extraction
0 引言

20世纪以来, 航天遥感技术得到了飞速发展, 由最初的胶片成像到数字传输, 由全色扩展到多光谱和高光谱, 由中低分辨率发展到高分辨率, 由成像参数基本恒定的常规传感器发展到参数自适应的智能传感器[1, 2]。传感器的每一次更新换代都有效地促进了遥感应用技术的发展。新出现的智能卫星传感器能够根据地物特性智能成像, 显著增强了遥感信息的获取能力, 智能遥感已经成为当前国际航天遥感发展的热点[2]

北京一号小卫星(BJ-1)初步实现了根据地物反射特性实现多曝光量的智能成像。一般认为, 增大曝光量会引起图像DN值增大, 对弱反射地物而言, 不会造成图像饱和, 反而能有效地增加图像信息量[3]; 但对于积雪而言, 因强反射且已接近“ 图像饱和” 的积雪图像DN值的急剧增大, 将导致严重的“ 图像饱和现象” , 反而会造成地物信息的严重损失。积雪在可见光波段的高反射和可见光-红外波段的光谱反射率差值是积雪面积光学定量遥感的物理基础[4], 这种因曝光量变化造成的DN值变化(甚至“ 图像饱和” )将导致原有遥感反演技术的“ 失效” , 并产生新的技术需求。另外, 已经在轨运行的神舟飞船也能够获取大量的多曝光量遥感数据。因此, 探索多曝光量遥感的地面应用研究, 不仅具有极为重要的现实意义, 而且是比较紧迫的技术需求。目前调控曝光时间的多曝光量智能观测系统已经有了良好的工程应用[5, 6], 而且对因曝光时间变化引起的图像噪声、信噪比、MTF的变化以及图像定标精度都开展了相当程度的研究[7, 8, 9]; 但这些研究大多限于先进的精密光学工程技术范畴, 还远没有扩展到对诸如积雪、植被、水体等具体地物的地表参数定量反演技术中。

本文基于BJ-1 CCD数据, 分析了积雪图像的多曝光量数据特征和光谱特征; 并在模拟数据的基础上, 评估了多曝光量数据在积雪提取方面的应用潜力, 初步提出了面向BJ-1多曝光量数据的积雪面积提取方法, 以期为未来多曝光量数据的遥感应用提供有益的借鉴。

1 遥感数据

选择BJ-1卫星多曝光量数据为数据源。BJ-1卫星的实际成像积分时间大都控制在600~4 500 μ s之间, 选取曝光时间为1 000, 2 000, 4 200 μ s(分别代表低、中、高3种曝光量)的BJ-1 CCD图像, 开展了3种曝光量的BJ-1 CCD图像数据的质量评价。为了避免大气和地物时相差异带来的干扰, 利用图像模拟技术模拟了同一场景、同一时刻的3种曝光量数据[10, 11, 12], 用于开展积雪面积提取精度的评价。并选择同步过境的环境与灾害监测预报小卫星(HJ-1)CCD数据作为对比的基准图像(表1)。

表1 遥感数据源及其用途 Tab.1 Source of remote sensing datasets and its applications
2 研究方法
2.1 图像评价

分别计算每一种成像积分时间的BJ-1 CCD数据以及同步获取的HJ-1 CCD数据的灰度均值、动态范围、信噪比和清晰度等图像质量评价指标, 并计算其比值, 即

IMGi-exposure=iBJ/ iHJ ; (1)

式中: IMG为每一种成像积分时间CCD数据的图像质量评价指标的比值; i为均值、动态范围、信噪比或清晰度; exposure为低、中、高曝光量; BJ代表北京一号星; HJ代表环境一号星。

2.2 多曝光量积雪提取

BJ-1 CCD数据可见光波段的强反射和绿波段与近红外波段的光谱差异是建立积雪提取方法的数据基础。本文采用最大似然监督分类、同一曝光类型光谱差和多曝光类型归一化等3种方法提取积雪信息。

1)最大似然监督分类。假设训练样本在特征空间中的分布服从高斯正态分布, 通过计算样本的归属概率进行分类, 是常规分类方法[13]

2)单一曝光类型光谱差。利用单一曝光类型数据, 建立绿波段与近红外波段光谱差的积雪面积提取模型, 即

DSNOWmono-mode=DNGREEN-mode-DNNIR-mode> Threshold波段差异 , (2)

式中: DSNOWmono-mode为单一曝光量类型数据的积雪提取结果; DN为图像灰度值; Threshold为波段差异阈值; mode为成像曝光量类型, 分别代表低、中、高曝光量; GREEN和NIR分别代表绿波段和近红外波段。

3)多曝光类型归一化。通过定量分析不同曝光量图像的DN值变化规律, 根据与不同曝光数据协同的遥感反演模型参数和精度, 建立多曝光量数据的归一化模型, 即

DSNOW归一化=A·DNGREEN-mode+B·DNNIR-mode+C> Threshold段差异 (图像非饱和区域)DNGREEN-mode> ThresholdGREEN-mode                 (图像饱和区域), (3)

式中: DSNOW归一化为多曝光量数据归一化反演的积雪面积; A, B, C为多曝光量归一化系数。

2.3 积雪面积评估

目前评估积雪分类精度大都采用混淆矩阵、Kappa系数等方法, 给出的是所有地物类型的分类精度, 往往与其中某一地物类型(积雪)的实际提取精度有较大差别, 因此采用分类成功指数(classification success index, CSI)进行积雪分类精度评价[14], 即

CSI=M/(L+M+N) , (4)

式中: L为漏分的积雪像元总数; M为正确分类的积雪像元总数; N为错分为积雪的像元总数。

(L+M)为积雪面积真实值; (M+N)为遥感反演的积雪面积。这种评估方法不仅考虑了错分的积雪面积, 还兼顾了漏分的积雪面积。

3 结果与分析
3.1 图像评价指标随多曝光量的变化

准同步试验(BJ-1与HJ-1星成像时间前后相差约1 h)在太阳高度角、大气、地物时相变化大致相同的情况下, 2颗卫星图像质量评价指标的比值iBJ/iHJ能够反映多曝光量图像性能的变化规律。对同一目标, 分母的HJ-1图像的评价指标恒定不变, 则比值iBJ/iHJ的变化反映了BJ-1多曝光量图像成像性能的变化; 通过分析比值的变化, 能揭示曝光量变化对BJ-1图像质量的影响。图1示出BJ-1与HJ-1的积雪图像质量指标(灰度均值、动态范围、信噪比和清晰度)比值的变化情况。

图1 BJ-1与HJ-1积雪图像质量指标比值Fig.1 Ratio of image quality parameters of BJ-1 to HJ-1 imageries with snow cover

图1(a)表明: ①不同波段对曝光量变化的DN值光谱响应存在差异; ②积雪图像均值的比值随积分时间增加并不成比例变化。一般来说, 随着曝光量的增加, 积雪图像DN值应随积分时间增加成比例变化[3]; 然而事实表明, 超过一定的曝光量时, 积雪图像DN值达到饱和, 图像均值就不再出现增大的现象。图1(b)表明, BJ-1的积雪图像DN值动态范围随曝光量增加有增大的趋势; 但超过一定的曝光量时, 图像DN值达到饱和, 动态范围反而降低。从图1(c)可知, 中积分时间数据的绿波段和近红外波段的信噪比有较大改善, 但过分增加曝光量会降低图像的信噪比。从图1(d)可以看出, 图像清晰度随曝光量的增加而降低; 说明在中、高曝光量条件下, 随着曝光量的增加, 相邻地物明暗像元响应不同, 像元DN值梯度降低, 证明增加积分级数的确能够造成系统MTF下降[9], 导致图像清晰度下降。

3.2 DN值光谱随多曝光量的变化

积雪在可见光-近红外波段的光谱反射率在70%~95%之间, 属于典型的强反射地物; 从近红外到短波红外波段, 积雪的光谱反射率随波长的增加快速下降[4]。BJ-1 CCD与Landsat TM的积雪光谱响应基本类似, 主要表现在: 近红外波段对积雪颗粒粒径较为敏感, 绿波段的图像饱和现象相对显著; 如在Landsat TM积雪图像中, 近红外波段图像DN值约在40~255之间, 绿波段图像DN值约在64~255之间[15]。同样, BJ-1 CCD短积分数据的近红外波段图像DN值在10~184之间, 绿波段图像DN值约在32~255之间; 中积分数据的近红外波段图像DN值在18~255之间, 绿波段图像DN值约在60~255之间; 长积分数据的近红外波段图像DN值在35~255之间, 绿波段图像DN值约在117~255之间。这说明 BJ-1 CCD图像的绿波段和近红外波段随着曝光量的增加, 图像饱和现象都更加严重, 其中绿波段尤甚。

此外, 分别针对向阳面积雪和阴影区积雪统计多种曝光量图像的DN值, 结果显示了向阳面积雪和阴影区积雪图像在不同成像积分时间调控下的多曝光量光谱变化规律(图2)。

图2 BJ-1多曝光量数据向阳面积雪与阴影区积雪DN值光谱对比Fig.2 Comparison of DN spectra of snow in sunny side and shadowed area in BJ-1 images with short, middle and long imaging integration time

图2可以看出: ①向阳面积雪的DN值均值都在120以上, 阴影区积雪的DN值都在30以上, 明显地反映了强反射地物的光谱特性; ②绿、红、近红外波段图像的DN值大都随波长的增加而迅速下降, 表现出积雪特有的光谱特性; ③随着曝光量的增加, 图像DN值有所增加, 但不同波段的DN值变化幅度不一致, 即不同波段的多曝光量光谱响应不同; ④向阳面积雪在绿波段与近红外波段的DN值光谱差异随成像积分时间的增加而变小, 甚至为0(图像饱和)(图2(a)); ⑤阴影区积雪的绿波段与近红外波段的DN值光谱差异随成像积分时间的增加而增强(图2(b))。这表明随着曝光量的增加, 阴影区积雪的光谱特征得到增强, 而向阳面积雪的光谱特征被强烈削弱甚至消失(图像饱和), 这意味着采用波段光谱差异的积雪算法能有效提取非饱和区域的积雪(如阴影区积雪); 而对图像饱和区域的积雪则会造成很大的误差, 需要采用附加算法加以识别, 这一图像变化规律将对多曝光量图像的积雪提取算法产生十分重要的影响。

3.3 积雪提取精度评价

BJ-1 CCD通过调控成像积分时间改变图像曝光量, 因而改变了图像质量, 也改变了获取的地物光谱信息, 对地表参数的定量遥感反演算法和精度产生了较大的影响。本文以积雪标准产品算法为参照[16], 利用模拟数据进行多曝光量数据的积雪提取方法研究, 以对比分析不同方法的积雪提取精度。

3.3.1 积雪面积真实值

归一化差值积雪指数(normalized difference snow index, NDSI)产品一般可作为全球性积雪提取的标准化产品[15]。因此, 采用HJ-1图像的绿波段和短波红外数据构建的经典的NDSI提取积雪面积作为“ 真实值” (图3(a))。

图3 不同算法提取的积雪面积对比Fig.3 Snow cover retrieved using different algorithms

BJ-1图像只有绿、红和近红外3个波段, 为了进一步论证这3个波段的有效性, 选取HJ-1图像的绿、红和近红外波段数据, 采用最大似然监督分类方法提取了积雪覆盖面积(图3(b))。将监督分类结果与NDSI获取的积雪覆盖图进行了精度对比, 总体分类精度达到89.54%, Kappa系数为0.779 9, 积雪CSI精度为75.95%。在只有绿、红和近红外3个波段的情况下, 监督分类方法的类间可分离性为2.0, 分类方法可靠、稳定。

3.3.2 单一曝光类型光谱差积雪提取

根据积雪光谱特性, 利用单一曝光类型的BJ-1 CCD多光谱数据的绿波段与近红外波段的差值提取积雪覆盖面积。阈值的确定采用影像数据直方图的最频值法、辅以人工干预进行, 判断依据为阈值变化不会导致提取精度大幅度波动[4]。将单一曝光类型光谱差模型提取得到的积雪面积与NDSI提取的积雪面积进行了对比验证, 得到单一曝光量模型阈值及其积雪提取精度(表2)。

表2 单一曝光量模型阈值及其积雪提取精度 Tab.2 Thresholds of mono-exposure model and their accuracies of snow cover extraction

对比BJ-1图像的3种曝光量类型, 低曝光量的BJ-1数据更适合于积雪的提取, 积雪CSI精度能够达到82.25%(表2图3(c)), 优于传统监督分类的75.95%的积雪CSI精度。在单一曝光量数据中, 低曝光量的绿波段与近红外波段光谱差算法的积雪提取精度最高, 中、高曝光量数据的积雪提取精度稍差(表2)。

3.3.3 多曝光类型归一化积雪提取

利用模拟的低、中、高曝光量数据的绿波段和近红外波段, 两两交叉, 实现不同曝光类型的绿波段和近红外波段光谱差模型的积雪面积提取。结果显示, 低曝光的绿波段与高曝光的近红外波段的光谱差积雪提取模型具有最高的积雪面积提取精度。在图像饱和的情况下, 光谱差模型失效, 由于饱和区域都是强反射的积雪区域, 可以通过单波段阈值加以提取。在图像不饱和的情况下, 随着曝光量的增加, 图像DN值是成比例变化的[3], 通过确定曝光量与DN值的线性比例函数(图1(a)), 实现多曝光量数据的DN值转换; 将不同曝光量类型的绿波段和近红外波段转换为低曝光的绿波段与高曝光近红外波段的光谱差模型, 使得多种曝光量类型数据都能达到更高的提取精度。

对多曝光量归一化模型提取得到的积雪面积(图3(d))与NDSI提取积雪面积(图3(a))进行对比验证, 得到多曝光量归一化模型阈值及其积雪提取精度(表3)。

表3 多曝光量归一化模型阈值及其积雪提取精度 Tab.3 Thresholds of multi-exposure normalized model and their accuracies of snow cover extraction

对比BJ-1图像的3种曝光量类型, 经过归一化处理, 不同曝光量数据的积雪CSI精度都达到了89.95%(表3图3(d)), 优于单一曝光类型光谱差模型的82.25%和传统监督分类方法的75.95%的积雪CSI精度。

3.3.4 真实性检验

为了进一步检验多曝光量数据提取积雪算法的有效性, 选取分别于2010年1月30日、2011年1月10日和2012年1月1月13日获取的BJ-1多曝光量CCD数据, 成像积分时间分别为1 272, 2 048和3 300 ms(可分别代表低、中、高3种类型的曝光量), 进行了多曝光量归一化算法和单一曝光类型光谱差算法的积雪面积提取精度对比(表4)。

表4 单曝光量光谱差和多曝光量归一化算法真实性检验 Tab.4 Validation of mono-exposure model and multi-exposure normalized model

对比结果表明, 在积雪提取精度方面, 协同利用多曝光特点的归一化方法明显优于单曝光量光谱差方法(表4), 说明针对未来的多曝光量智能卫星以及载人空间站的多曝光量遥感数据, 可以构建体现多曝光量特性的地表参数定量反演模型, 而且多曝光量数据相对传统的单一曝光量数据具有更显著的技术优势。

4 问题与讨论

1)地物目标的多曝光量图像不确定性问题。曝光量变化会影响所获取的地物图像质量, 造成图像的灰度均值、动态范围、信息量、方差、信噪比、清晰度等多种图像质量评价指标的改变。虽然一般认为随着曝光量的增加, 图像DN值会线性增大; 但实际上的图像存在“ 低饱和” 、“ 高饱和” 、非线性和非均匀性响应, 多曝光量成像对图像质量、尤其是定量遥感反演会产生极大的不确定性。此外, 自然界中的大气和太阳高度角的多样性也都会产生多曝光量成像环境, 其与多曝光量智能成像叠加, 会造成对定量遥感科学问题和技术问题的困扰。

2)多曝光量地物参数定量反演问题。地物参数定量遥感反演是建立在地物光谱反射规律和典型地物光谱特征的基础之上的。以积雪为例, 积雪存在可见光波段的强反射特征以及由可见光到短波红外波段由极高到极低的光谱反射规律, 这是光学遥感识别和反演积雪面积参数的物理基础。多曝光量图像的出现, 会极大地改变积雪的图像光谱表现(如向阳面积雪图像的“ 高饱和” ), 使得原有的积雪反演算法已经不再适用或者存在极大的反演误差。这都需要面向曝光量、地物图像和地物光谱特征, 研发适用于不同曝光量的地物参数定量遥感反演理论和反演技术。

3)多曝光量数据的多时相集成应用。开展业务性遥感监测往往要求实现多时相的连续监测, 但由于不同时相遥感图像的曝光量不一致、数据特征不同、积雪面积等地面参数遥感反演模型不同, 反演精度也具有显著的差异。要实现多种曝光量数据的多时相集成应用, 必须建立方法、形式、精度具有一致性和可比性的、长时间序列的地面参数遥感提取方法, 这对有效地利用多曝光量数据、实现遥感监测业务化运行有重要意义。

4)前端传感器设计和后端遥感应用的紧密结合。国际上的航天强国, 其前端传感器设计和后端遥感应用环节, 前后响应, 联系紧密。对于我国而言, 目前还基本处于前、后端响应不够及时和某些技术相互脱节的现状。前端的传感器设计若不能充分吸收后端遥感应用的应用需求和研究成果, 就无法实现以遥感应用需求为牵引的航天遥感业务流程; 后端的遥感应用若无法获得前端传感器的硬件参数, 则只能跟踪当前国际技术发展潮流, 实现不了具有高度自主知识产权的技术创新。

5 结论

积雪的多曝光量图像具有不同的数据特征和光谱特征, 对地表参数的遥感定量反演会产生显著的影响。实现多种曝光量数据的集成应用, 建立高精度、高频次的多时相遥感反演模型, 对探索智能遥感地物识别和地面参数反演具有重要的科学意义, 对开展智能遥感应用也具有重要的应用价值。研究结论如下:

1)积雪的BJ-1卫星图像动态范围、DN值的比值和信噪比随积分时间的增加有明显改善, 但过分曝光会造成图像质量下降; 图像清晰度随曝光量的增加而降低, 印证了精密光学工程中增加积分级数能提高信噪比、但会导致系统MTF下降的结论。

2)随着曝光量的增加, 阴影区积雪的绿波段与近红外波段的光谱差异得到增强(图像非饱和), 而向阳面积雪的绿波段与近红外波段的光谱差异特征则被削弱(图像饱和)。这一光谱变化规律对多曝光量图像的积雪提取算法产生十分重要的影响。

3)利用积雪图像中“ 饱和” 和“ 非饱和” 区域的多曝光量DN值响应规律, 协同利用多曝光量数据实现多曝光量数据的归一化, 能够构建形式和精度具有一致性、可比性的长时间序列地表参数反演模型。

4)积雪的多曝光量数据特征和地面参数反演方法可为研制更具有针对性的智能传感器和研发高精度的地表参数遥感反演模型提供有益的借鉴。

The authors have declared that no competing interests exist.

参考文献
[1] Ramapriyan H R, McConaughy G R, Morse S, et al. Intelligent systems technologies to assist in utilization of earth observation data[C]//Proc. SPIE 5542, Earth Observing Systems IX. Denver, CO: IEEE, 2004: 384-394. [本文引用:1]
[2] 张兵. 智能遥感卫星系统[J]. 遥感学报, 2011, 15(3): 415-431.
Zhang B. Intelligent remote sensing satellite system[J]. Journal of Remote Sensing, 2011, 15(3): 415-431. [本文引用:2]
[3] 冉琼. “北京一号”小卫星地面预处理关键技术研究[D]. 北京: 中国科学院遥感与数字地球研究所, 2009.
Ran Q. Study on Key Issues in Pre-processing of Beijing-1 Small Satellite Images[D]. Beijing: Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, 2009. [本文引用:3]
[4] Wang L T, Zhou Y, Zhou Q, et al. Snow cover monitoring method by using HJ-1 satellite data[J]. Spectroscopy and Spectral Analysis, 2011, 31(8): 2226-2232. [本文引用:3]
[5] 童菲, 王晓峰. 探月卫星有效载荷中的光学遥感系统——中科院西安光机所赵葆常研究员访谈[J]. 激光与光电子学进展, 2009, 46(1): 67-71.
Tong F, Wang X F. The optical remote sensing systems of the lunar satellite payload[J]. Laser and Optoelectronics Progress, 2009, 46(1): 67-71. [本文引用:1]
[6] 赵葆常, 杨建峰, 汶德胜, . 嫦娥二号卫星CCD立体相机设计与验证[J]. 航天器工程, 2011, 20(1): 14-21.
Zhao B C, Yang J F, Wen D S, et al. Chang’e-2 lunar orbiter CCD stereo camera design and validation[J]. Spacecraft Engineering, 2011, 20(1): 14-21. [本文引用:1]
[7] 刘亚侠. TDI CCD相机实验室辐射定标的研究[J]. 光电工程, 2007, 34(5): 71-74.
Liu Y X. Research on the laboratory radiometric calibration of the TDI CCD camera[J]. Opto-Electronic Engineering, 2007, 34(5): 71-74. [本文引用:1]
[8] 韩采芹, 李华, 朱顺一, . 不同光照条件下CCD相机时间噪声和空间噪声的研究[J]. 应用光学, 2008, 29(2): 207-210.
Han C Q, Li H, Zhu S Y, et al. Temporal noise and spatial noise of CCD camera at different illuminance[J]. Journal of Applied Optics, 2008, 29(2): 207-210. [本文引用:1]
[9] 薛旭成, 石俊霞, 吕恒毅, . 空间遥感相机TDI CCD积分级数和增益的优化设置[J]. 光学精密工程, 2011, 19(4): 857-863.
Xue X C, Shi J X, Lyu H Y, et al. Optimal set of TDI CCD integration stages and gains of space remote sensing cameras[J]. Optics and Precision Engineering, 2011, 19(4): 857-863. [本文引用:2]
[10] 叶泽田, 顾行发. 利用MIVIS数据进行遥感图像模拟的研究[J]. 测绘学报, 2000, 29(3): 235-239.
Ye Z T, Gu X F. Simulation of remote sensing images based on MIVIS data[J]. Acta Geodaetica et Cartographica Sinica, 2000, 29(3): 235-239. [本文引用:1]
[11] 刘雄飞, 王世新, 周艺, . BJ-1卫星与HJ-1A/B卫星NDVI产品比较研究[J]. 遥感技术与应用, 2013, 28(5): 904-909.
Liu X F, Wang S X, Zhou Y, et al. Comparison of BJ-1 and HJ-1A/B NDVI data[J]. Remote Sensing Technology and Application, 2013, 28(5): 904-909. [本文引用:1]
[12] 刘韶菲, 阎福礼, 王世新, . 模拟BJ-1智能数据的蓝藻水华提取应用潜力评价[J]. 遥感信息, 2014, 29(2): 61-67.
Liu S F, Yan F L, Wang S X, et al. Application potential of modeling BJ-1 intelligent datasets in retrieving algae blooming area[J]. Remote Sensing Information, 2014, 29(2): 61-67. [本文引用:1]
[13] 骆剑承, 王钦敏, 马江洪, . 遥感图像最大似然分类方法的EM改进算法[J]. 测绘学报, 2002, 31(3): 234-239.
Luo J C, Wang Q M, Ma J H, et al. The EM-based maximum likelihood classifier for remotely sensed data[J]. Acta Geodaetica et Cartographica Sinica, 2002, 31(3): 234-239. [本文引用:1]
[14] Koukoulas S, Blackburn G A. Introducing new indices for accuracy evaluation of classified images representing semi-natural woodland environments[J]. Photogrammetric Engineering and Remote Sensing, 2001, 67(4): 499-510. [本文引用:1]
[15] Hall D K, Ormsby J P, Bindschadler RA, et al. Characterization of snow and ice reflectance zones on glaciers using Land sat Thematic Mapper data[J]. Annals of Glaciology, 1987, 9: 104-108. [本文引用:2]
[16] Hall D K, Riggs G A, Salomonson V V. Algorithm theoretical basis document(ATBD) for the MODIS snow and sea ice-mapping algorithms[EB/OL]. [2001-09-01]. http://modis.gsfc.nasa.gov/data/atbd/atbd_mod10.pdf. [本文引用:1]