基于HJ-1A/B CCD地表反照率估算方法比较与验证

doi:10.6046/gtzyyg.2019.03.16

基于HJ-1A/B CCD地表反照率估算方法比较与验证

樊宪磊, 阎宏波, 瞿瑛^,

东北师范大学地理科学学院,长春 130024

Comparison and validation of the methods for estimating surface albedo from HJ-1 A/B CCD data

FAN Xianlei, YAN Hongbo, QU Ying^,

School of Geographical Sciences, Northeast Normal University, Changchun 130024, China

通讯作者: 瞿瑛(1985-),男,博士,副教授,研究方向为地表辐射能量平衡参量的遥感估算方法与分析研究。Email:quy100@nenu.edu.cn。

责任编辑: 陈理

收稿日期: 2018-08-10 修回日期: 2019-03-20 网络出版日期: 2019-09-15

基金资助:

国家自然科学基金青年项目“中国东北地区地表反照率对气候变化的响应与反馈遥感监测分析”.  41601349
吉林省科技发展计划优秀青年人才基金项目“基于FY3C-MERSI数据的地表反照率遥感估算方法研究”.  20180520220JH
中央高校基本科研业务费项目青年教师发展基金项目“地表反照率辐射强迫时空变化重建与模拟研究”.  2412019FZ003

Received: 2018-08-10 Revised: 2019-03-20 Online: 2019-09-15

作者简介 About authors

樊宪磊(1993-),男,硕士研究生,研究方向为高空间分辨率地表反照率遥感估算方法研究。Email:fanxl587@nenu.edu.cn.。。

摘要

高空间分辨率地表反照率数据集对天气预报和气候变化研究具有重要意义。环境减灾小卫星(HJ-1A/B)上搭载的CCD传感器,可以提供大幅宽、短重访周期的30 m空间分辨率对地观测数据,适用于生成高空间分辨率的地表反照率数据集。但是,目前对基于HJ-1A/B CCD数据地表反照率估算方法的图像精细度和估算精度还缺乏系统性的评价和比较验证。因此从图像精细度和估算精度2个方面,评价了基于HJ-1A/B CCD数据的2种地表反照率估算方法: 基于地表反射率的直接反演算法(direct estimation algorithm - surface reflectance,DEA-SUR)和基于MODIS核系数(MODIS kernel coefficients,MKC)的估算方法。在图像精细度评价中,采用目视判读和清晰度指数方法进行定性和定量评价,发现相比于MODIS反照率产品,DEA-SUR和MKC这2种估算方法获得的结果图像精细度均有明显提高,其中DEA-SUR方法显著改善了MKC方法存在的马赛克现象; 在估算精度验证中,基于US-MMS、长岭、盈科和纳木错4个站点进行了验证和比较分析,结果表明,DEA-SUR和MKC算法估算精度相当,在无积雪覆盖时DEA-SUR和MKC算法的估算均方根误差为0.015~0.041,在积雪覆盖地表估算误差显著增大。

关键词： 地表反照率 ; HJ-1A/B ; 高空间分辨率 ; 直接反演算法 ; 验证

Abstract

High spatial resolution surface albedo datasets are of critical importance for weather forecast and global climate change studies. The Chinese Huanjing-1 satellites (HJ-1 A/B) can provide wide swath, short revisit time, and high spatial resolution (30 m) remote sensing observations, and hence can be considered as a perfect input data source for generating high spatial resolution surface albedo datasets. In this study, the authors compared and evaluated two methods for estimating surface albedo from HJ-1 A/B CCD data: the direct estimation algorithm from surface reflectance (DEA-SUR) and the method based on MODIS kernel coefficients (MKC). The visual interpretation and clarity index methods were employed for evaluating the fineness of the images. The results show that the clarity and fineness of imagery were greatly improved by the DEA-SUR and MKC methods, compared with the MODIS surface albedo products. It has been demonstrated that the DEA-SUR method is much better than MKC method in avoiding the mosaic effects. Four sites (US-MMS, CN-Cng, Yingke, and Namco) were used for validating and comparing the DEA-SUR and MKC methods. The results show that the DEA-SUR method and the MKC method have similar estimation accuracies during the snow-free period (root mean squared error (RMSE) is 0.015~0.041). In contrast, the estimation error is much larger during the snow-covered period.

Keywords： surface albedo ; HJ-1 A/B ; high spatial resolution ; direct estimation algorithm ; validation

PDF (5118KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

樊宪磊, 阎宏波, 瞿瑛. 基于HJ-1A/B CCD地表反照率估算方法比较与验证. 国土资源遥感[J], 2019, 31(3): 123-131 doi:10.6046/gtzyyg.2019.03.16

FAN Xianlei, YAN Hongbo, QU Ying. Comparison and validation of the methods for estimating surface albedo from HJ-1 A/B CCD data. REMOTE SENSING FOR LAND & RESOURCES[J], 2019, 31(3): 123-131 doi:10.6046/gtzyyg.2019.03.16

0 引言

地表反照率是辐射与能量平衡的重要特征参量,被广泛应用于中长期天气预报和全球气候变化研究^[1]。目前,已经基于卫星遥感数据生成了大量反照率数据集^[2],如MODIS^[3],GLASS^[4,5]和CLARA^[6]等。但是,这些反照率数据集大多基于中低空间分辨率卫星观测数据生成,因此空间分辨率相对较低,难以准确地描述景观破碎度较大区域的地表反照率时空变化情况^[2]。而高空间分辨率卫星遥感数据可以提供丰富的地表特征信息,使得基于高空间分辨率卫星遥感数据的地表反照率估算方法^[7,8]成为研究中新的增长点^[5]。

环境减灾小卫星(HJ-1A/B)可以提供大幅宽、短重访周期的30 m空间分辨率CCD影像数据,为生成高空间分辨率地表反照率数据集提供了可靠数据源。孙长奎等^[9]基于POLDER BRDF数据集,通过分地类和分格网回归的方式,建立了HJ-1A/B CCD地表反射率与宽波段反照率之间的回归关系; He等^[10]提出了一种基于HJ-1卫星大气层顶反射率(top of atmosphere reflectance,TOA)数据的反照率直接反演算法(direct estimation algorithm,DEA),证明了基于HJ-1A/B CCD TOA进行反照率直接估算的可行性; Gao等^[11]在Shuai等^[7]Landsat反照率产品算法的基础上,提出了一种将HJ-1A/B卫星地表反射率(surface reflectance,SUR)数据与MODIS双向反射分布函数(bidirectional reflectance distribution function,BRDF)产品相结合的反照率估算方法,通过建立HJ-1A/B CCD和MODIS SUR比值关系来生成高空间分辨率的地表反照率数据集; 张虎等^[12]将MODIS核系数(MODIS kernel coefficients,MKC)产品作为先验知识,基于贝叶斯推论对HJ-1 CCD地表反照率进行了反演,研究结果表明该方法能够改善其他方法中出现的马赛克现象。

这些方法都能够实现基于HJ-1A/B CCD数据生成高空间分辨率的反照率数据集,但其图像精细度和估算精度还缺乏系统性的评价和比较验证。本研究从图像精细度和估算精度2个方面,对2种基于HJ-1A/B CCD数据的地表反照率遥感估算方法,即DEA和基于MKC的估算方法,进行了比较和验证分析,为地表反照率数据集生成方法选择和算法优化改进研究提供参考。

1 地表反照率估算方法

1.1 DEA

DEA是基于BRDF数据库建立TOA/SUR与宽波段反照率之间的回归关系^[5],从而实现基于单一角度观测数据直接估算地表宽波段反照率的方法^[13]。该方法首先基于POLDER BRDF数据集通过插值和筛选构建SUR训练数据集; 然后,再通过波段转换、角度积分、窄波段向宽波段转换和大气辐射传输模型等过程,构建包含TOA/SUR和对应地表宽波段反照率的训练数据集; 最后,通过分地类(分为植被、土壤和冰雪3类)和分角度格网(太阳天顶角和观测天顶角2°间隔,相对方位角5°间隔)回归的方法构建TOA/SUR与宽波段反照率之间的线性回归关系,生成DEA查找表。根据太阳/观测几何信息以及SUR数据查找对应的直接反演系数,可以直接估算得到地表宽波段反照率。该方法不受MODIS反照率产品生成算法中地表BRDF特性需要在较短时间窗口内(如16 d)不发生显著变化假定条件的限制,因此更适用于监测地表BRDF特性发生快速变化时(如降雪、融雪、森林火灾和农作物收割等)地表反照率的时空动态变化过程^[5]。DEA具体流程如图1所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 DEA流程

Fig.1 Flowchart of the DEA

DEA有2种形式,可以通过SUR或者TOA来估算宽波段反照率,分别记做DEA-SUR和DEA-TOA。其中DEA-SUR算法可以基于SUR直接估算地表宽波段反照率,即

(1)

α_{bs} (θ_{bs}) = \overset{n}{\sum_{i = 1}} c_{i} (θ_{s}, θ_{v}, φ; θ_{bs}) ρ_{i} (θ_{s}, θ_{v}, φ) + c_{0} (θ_{s}, θ_{v}, φ; θ_{bs})

(2)

α_{ws} = \overset{n}{\sum_{i = 1}} c_{i} (θ_{s}, θ_{v}, φ) ρ_{i} (θ_{s}, θ_{v}, φ) + c_{0} (θ_{s}, θ_{v}, φ)

式中: $α_{bs}$ 和 $α_{ws}$ 分别为地表宽波段的黑空和白空反照率; $ρ_{i} (θ_{s}, θ_{v}, φ)$ 为第 $i$ 波段的SUR; $θ_{s}, θ_{v}$ 和 $φ$ 分

别为太阳天顶角、观测天顶角和相对方位角; $θ_{bs}$ 为局地正午太阳天顶角; $c_{i}$ 和 $c_{0}$ 分别为DEA查找表中的回归系数。

DEA-TOA算法可以基于TOA直接估算地表宽波段反照率,即

(3)

α_{bs} (θ_{bs}) = \overset{n}{\sum_{i = 1}} c_{i} (θ_{s}, θ_{v}, φ; θ_{bs}) ρ_{i}^{TOA} (θ_{s}, θ_{v}, φ) + c_{0} (θ_{s}, θ_{v}, φ; θ_{bs})

(4)

α_{ws} = \overset{n}{\sum_{i = 1}} c_{i} (θ_{s}, θ_{v}, φ) ρ_{i}^{TOA} (θ_{s}, θ_{v}, φ) + c_{0} (θ_{s}, θ_{v}, φ)

式中 $ρ_{_{i}}^{TOA} (θ_{s}, θ_{v}, φ)$ 为第 $i$ 波段的TOA。

通过比较可以发现DEA-SUR和DEA-TOA具有相似的估算精度,为了降低比较分析的复杂性,仅将DEA-SUR作为本研究比较分析评价的算法。

1.2 基于MKC的地表反照率估算方法

该方法假定MODIS纯像元与所包含的高空间分辨率亚像元具有近似的BRDF性质,因此可以基于MKC估算高空间分辨率的地表反照率^[7],估算方法流程如图2所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 基于MKC的估算方法流程

Fig.2 Flowchart of the method based on MKC

首先通过对影像数据进行图像分类,区分出纯像元和混合像元。对于纯像元,假定低空间分辨率的MODIS像元与内部的高空间分辨率HJ-1A/B CCD像元具有相同的BRDF性质,以MODIS BRDF产品(MKC和MCD43A1产品)作为先验知识,通过MODIS的反照率与反射率比值等于内部的HJ-1A/B CCD亚像元反照率与反射率的比值关系估算得到高空间分辨率的地表反照率,即

(5)

\frac{α_{bs, M} (θ_{bs})}{R_{λ, M} (Ω)} = \frac{α_{bs, HJ} (θ_{bs})}{R_{λ, HJ} (Ω)} = C_{λ}

(6)

\frac{α_{ws, M}}{R_{λ, M} (Ω)} = \frac{α_{ws, HJ}}{R_{λ, HJ} (Ω)} = C_{λ}

式中: $α_{bs, M} (θ_{bs})$ 为局地正午太阳天顶角为 $θ_{bs}$ 时的MODIS黑空反照率; $α_{ws, M}$ 为MODIS白空反照率; λ为波长; $R_{λ, M} (Ω)$ 为入射/观测几何为 $Ω$ 时的MODIS波段反射率; $α_{bs, HJ} (θ_{bs})$ 为局地正午太阳天顶角为 $θ_{bs}$ 时的HJ-1A/B CCD黑空反照率; $α_{ws, HJ}$ 为HJ-1A/B CCD的白空反照率; $R_{λ, HJ} (Ω)$ 为观测几何为 $Ω$ 时的HJ-1A/B CCD波段反射率; $C_{λ}$ 为反照率与波长为 $λ$ 的波段反射率的比值。

对于混合像元,MODIS的BRDF代表该像元内各种地表覆盖类型的BRDF加权组合,参照周围具有相同地表覆盖类型的MODIS纯像元BRDF,构造3 km×3 km窗口内的基于HJ-1A/B地表类型数据与地表反照率的经验关系,通过拟合获得加权经验系数,最终得到高空间分辨率的地表反照率,即

(7)

α_{λ, HJ} = C_{o} R_{λ, HJ} (Ω)

式中 $α_{λ, HJ}$ 为HJ-1A/B CCD的地表反照率; $C_{o}$ 为拟合得到的经验系数。最终宽波段的地表反照率可以通过窄波段向宽波段转换公式计算得到^[11]。

2 比较与验证评价方法

2.1 图像精细度评价方法

本研究采用目视判读和图像清晰度指数评价基于HJ-1A/B CCD数据的地表反照率遥感估算方法的图像精细度,并采用MODIS数据作为图像精细度评价的参考数据。通过目视判读方式对比DEA-SUR,MKC算法和MODIS地表反照率产品的图像精细度和地物识别能力。为了更加客观地评价基于HJ-1A/B CCD数据估算得到的高空间分辨率地表反照率数据对空间变化的刻画能力,还计算了DEA-SUR,MKC算法与MODIS反照率产品的图像清晰度指数。采用拉普拉斯梯度函数^[14]进行图像边缘检测,将图像中检测为边缘的拉普拉斯算子卷积的均值作为衡量图像清晰度的指标,值越大表明图像细节越丰富,清晰度越高。在拉普拉斯梯度函数中定义的拉普拉斯算子 $L$ 为

(8)

L = \frac{1}{6} [\begin{array}{l} 1 & 4 & 1 \\ 4 & - 20 & 4 \\ 1 & 4 & 1 \end{array}]

。

图像清晰度D(f)定义为

(9)

D (f) = \frac{1}{n} \sum_{x} \sum_{y} |G (x, y)| (G (x, y) > T)

式中: $G (x, y)$ 为像素点 $(x, y)$ 处拉普拉斯算子的卷积; $T$ 为边缘检测的阈值(本研究设 $T$ =0.01); $n$ 为待评价图像像元总数。

2.2 基于站点观测数据的验证方法

为了评价和比较基于HJ-1A/B CCD数据估算地表反照率算法的精度,使用US-MMS、长岭(CN-Cng)、盈科(Yingke)和纳木错(Namco) 4个站点(表1)观测数据对DEA-SUR和MKC算法进行了比较验证,并使用MODIS地表反照率产品作为参考数据。

表1 地表反照率地面观测站点信息

Tab.1 Information of the in situ measurements sites

站点名称	纬度	经度	地表覆盖类型	数据观测时间
US-MMS	N39.323 2°	W86.413 1°	落叶阔叶林	1999—2014年
长岭	N44.593 4°	E123.509 2°	草地	2007—2010年
盈科	N38.857 1°	E100.410 3°	农田	2008—2009年
纳木错	N30.772 7°	E90.962 9°	高寒草甸	2009.12—2010.2

新窗口打开| 下载CSV

其中US-MMS和长岭站点为Fluxnet全球通量观测站点,盈科和纳木错站点数据为中国科学院寒区旱区环境与工程研究所和青藏高原研究所实验观测数据。这些站点的地表覆盖类型包括落叶阔叶林、草地、农田和高寒草甸,观测站点的Google Earth影像如图3所示。考虑到地面站点观测与卫星遥感影像观测的空间尺度存在较大的差异,对4个站点地表反照率随空间分辨率的变化也进行了评价分析。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 地表反照率观测站点的Google Earth影像示意图

Fig.3 Google Earth imageries in situ measurements sites

选取站点每天局地正午时刻观测的太阳上行辐射和下行辐射的比值作为地表反照率观测值(蓝空反照率)。基于卫星观测数据估算得到的黑空和白空反照率需要基于天空散射比进行线性加权计算得到蓝空反照率^[15],即

(10)

α_{blue} (θ_{bs}) \approx [1 - S (τ, λ)] α_{bs} (θ_{bs}) + S (τ, λ) α_{ws}

式中: $α_{blue} (θ_{bs})$ 为蓝空反照率; $S (τ, λ)$ 为大气散射光比例; $τ$ 为气溶胶光学厚度。在本研究中,大气散射光比例通过基于6S程序建立的查找表计算获得。为了客观评价和验证不同算法的精度,绘制了站点观测值与基于HJ-1A/B CCD数据估算的蓝空反照率的时间序列图和散点图,计算均方根误差(root mean squared error,RMSE)、偏差值(Bias)和决定系数(R²)来评价和验证DEA-SUR和MKC算法的估算精度。

3 结果与分析

3.1 图像精细度评价结果

环境减灾小卫星星座包括HJ-1A,B和C星3颗卫星,单颗卫星的重访周期为4 d,当HJ-1A和HJ-1B这2颗卫星组网后重访周期可达到2~4 d。其中HJ-1A/B每颗卫星上分别搭载了2台多光谱CCD传感器,分别都包含蓝光、绿光、红光和近红外4个波段。为了评价基于HJ-1A/B CCD影像生成的地表反照率的图像精细度,选择了2009年8月14日在张掖市获取的无云覆盖、成像质量良好的HJ-1A CCD影像(图4)作为图像精细度评价数据,下载自中国资源卫星应用中心陆地观测卫星数据服务平台。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 张掖市HJ-1A CCD B4(R),B3(G),B2(B)假彩色合成影像

Fig.4 False color imagery with B4(R),B3(G),B2(B) of HJ-1A CCD in Zhangye City

本研究使用MCD43A3产品作为图像精细度和估算精度评价的参考,该产品的时间分辨率为1 d,空间分辨率为500 m,产品共包含MODIS 1—7波段和3个宽波段(0.3~0.7 μm(可见光)、0.7~5.0 μm(近红外)、0.3~5.0 μm(短波红外))的白空和黑空反照率(局地正午)。MODIS地表反照率产品是美国国家航空航天局 MODIS团队使用陆地表面各向异性二向性反射模型算法(algorithm for MODIS bidirectional reflectance anisotropy of the land surface,AMBRALS)^[16]生成的。AMBRALS算法假定地表BRDF在一个时间窗口(如16 d)内保持不变,通过累积16 d内无云覆盖的多角度、多波段的MODIS观测数据,通过大气校正、BRDF角度建模和窄波段向宽波段转换等步骤生成MODIS地表反照率产品^[3]。

基于HJ-1A/B CCD数据的地表反照率估算方法(DEA-SUR和MKC)与MODIS地表反照率产品在张掖市实验区的比较如图5所示。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 张掖市实验区地表反照率数据集(白空反照率)比较

Fig.5 Comparison of the surface albedo datasets (white-sky albedo) in Zhangye City

通过目视判读对比可以发现,DEA-SUR和MKC算法估算结果在图像精细度方面要显著优于MODIS地表反照率产品,比较结果表明基于HJ-1A/B CCD数据的地表反照率估算方法能够清晰地刻画出空间破碎度较大区域的地表反照率空间变化情况。基于清晰度指数评价结果,MKC算法反演的结果检测到的边缘最丰富(清晰度指数为0.192),但是内部存在噪声点,由于使用了500 m空间分辨率的MKC产品,在一些区域存在明显的马赛克现象(图5(e)); DEA-SUR算法估算结果的细节丰富度次之(清晰度指数为0.120),但是检测到的边缘清晰,细节丰富,噪声点相对较少,无MKC算法中存在的马赛克现象; MODIS产品的空间分辨率相对较低,只能检测出图像的大致轮廓信息(清晰度指数为0.094),图像精细度最差。

3.2 基于站点观测数据的验证结果

地面观测站点的地表反照率随空间分辨率(黑色矩形框代表了10种不同的空间分辨率)的变化如图6所示,图中矩形从内向外依次代表30,90,150,210,270,330,390,450,510和1 050 m的10种空间分辨率像元覆盖区域。图7统计了站点在不同空间分辨率的地表反照率均值,其中US-MMS和盈科站点统计时段为植被生长季(5—10月),纳木错站点的统计时段为冬季(12月—次年2月),长岭站点统计时段为全年。使用不同空间分辨率的地表反照率估算值与站点实测值计算RMSE作为衡量站点空间代表性的指标,图7中误差线长度即代表RMSE大小,表征了不同空间分辨率像元反照率估算值与实测值的变异程度,反映了站点观测值所能表征的空间尺度。统计结果表明US-MMS、长岭、盈科和纳木错站点在无雪时段都具有较好的空间代表性(US-MMS站点RMSE为0.03左右,长岭站点RMSE为0.03左右,盈科站点RMSE为0.02左右,纳木错站点RMSE为0.04左右),但长岭站点在积雪覆盖时段空间代表性稍差(长岭站点积雪覆盖时段RMSE为0.08左右)。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 地表反照率随空间分辨率的变化

Fig.6 Variation of surface albedo with the spatial resolution

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 地表反照率随空间分辨率的变化统计

Fig.7 Variations of surface albedo with spatial resolutions

在地表覆盖类型为落叶阔叶林的US-MMS站点,地表反照率在0.1~0.2之间变化。由于HJ-1A/B在国外有效观测数据数量较少,因此从2008—2014年间,除去有云覆盖的影像外符合要求的数据只有15 d。基于有限的观测数据验证结果表明(图8),DEA-SUR与地面站点观测数据的一致性较好(RMSE为0.015),MKC算法与地面站点观测数据的一致性次之(RMSE为0.018)。由于地表下垫面类型为落叶阔叶林,反照率表架设在较高的通量观测塔上,因此该站点代表性和空间均一性较好,DEA-SUR,MKC和MODIS反照率产品均与站点观测数据具有较好的一致性,可以证明DEA-SUR和MKC算法都能够有效地估算地表反照率。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 DEA-SUR,MKC和MODIS反照率与US-MMS站点观测值比较

Fig.8 Comparison of the albedo by DEA-SUR, MKC and MODIS product with the in situ measurements at US-MMS site

在地表覆盖类型为草地的长岭站点,地表反照率在夏季的最低值在0.15左右,秋季草枯黄后反照率逐渐升高,冬季降雪时地表反照率可升高至0.5~0.6(图9)。在无积雪覆盖的时段,DEA-SUR和MKC算法与地面站点观测数据具有较高的一致性(RMSE均为0.023); 而在积雪覆盖时段,2种算法和MODIS产品均有不同程度的高估(DEA-SUR的Bias为0.141,MKC的Bias为0.130,MODIS产品的Bias为0.103)。通过Google Earth影像目视判读,这主要由于站点积雪被人为踩踏影响,使得地表反照率的空间变化更为剧烈,站点的空间代表性变差,因此站点观测结果与卫星观测数据不具备可比性。

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 DEA-SUR,MKC和MODIS反照率与长岭站点观测值比较

Fig.9 Comparison of the albedo by DEA-SUR, MKC and MODIS product with the in situ measurements at CN-Cng site

在地表覆盖类型为农田的盈科站点,地表反照率在2009年5—8月间反照率变化幅度不大(0.15~0.2)(图10)。MODIS产品与地面站点观测结果一致性最好(RMSE为0.007),反照率变化趋势较为稳定和平滑。而MKC算法(RMSE为0.023)和DEA-SUR算法(RMSE为0.027)的精度相当,估算误差相对MODIS地表反照率产品较大。这主要是由于MODIS产品是基于16 d观测数据反演得到的,相当于对反照率数据集进行了时间序列滤波和平滑处理。

图10

新窗口打开| 下载原图ZIP| 生成PPT

图10 DEA-SUR,MKC和MODIS反照率与盈科站点观测值比较

Fig.10 Comparison of the albedo by DEA-SUR, MKC and MODIS product with the in situ measurements at Yingke site

在地表覆盖类型为高寒草甸的纳木错站点,在无积雪覆盖时地表反照率约为0.2,在冬季降雪时地表反照率可升高至0.8左右,在积雪融化时反照率快速降低(图11)。在2009年12月—2010年2月,2种基于HJ-1A/B CCD数据的地表反照率估算方法精度相当,在积雪覆盖时段,DEA-SUR和MKC算法的RMSE均为0.058,而MODIS地表反照率产品的估算误差相对较大(RMSE为0.134)。在无积雪覆盖时,DEA-SUR和MKC算法的RMSE分别为0.032和0.041。

图11

新窗口打开| 下载原图ZIP| 生成PPT

图11 DEA-SUR,MKC和MODIS反照率与纳木错站点观测值比较

Fig.11 Comparison of the albedo by DEA-SUR, MKC and MODIS product with the in situ measurements at Namco site

4 结论与讨论

本研究从图像精细度和估算精度2个方面对基于HJ-1A/B CCD数据的2种反照率估算方法(DEA和MKC)进行了比较与验证分析。通过目视判读和清晰度指数评价了高空间分辨率反照率产品的图像精细度,基于US-MMS、长岭、盈科和纳木错4个地面观测站点数据验证了2种地表反照率估算方法的精度。研究得出的主要结论如下:

1)基于目视判读和清晰度指数的图像精细度评价分析结果表明,基于HJ-1A/B CCD数据的反照率估算结果相比于MODIS反照率产品能够反映出更为丰富的反照率空间分布与变化细节,其中MKC和DEA-SUR的图像清晰度相当,但是MKC算法生成的反照率数据集存在明显的马赛克现象,而DEA-SUR算法则能够较好地解决该问题。

2)基于站点观测数据的比较和验证分析结果表明,在无积雪覆盖时,采用DEA-SUR算法在4个站点的RMSE: US-MMS为0.015,长岭为0.023,盈科为0.027,纳木错为0.032; 采用MKC算法在4个站点的RMSE: US-MMS为0.018,长岭为0.023,盈科为0.023,纳木错为0.041,2种方法与地面站点观测数据的一致性相当。而在积雪覆盖时,2种方法的估算精度与无积雪覆盖时相比都存在明显下降,DEA-SUR在长岭和纳木错站点的RMSE分别为0.155和0.058,MKC算法在长岭和纳木错站点的RMSE分别为0.135和0.058。

3)基于HJ-1A/B CCD数据估算的地表反照率数据存在更多的抖动和噪声,估算精度总体略低于MODIS产品。这主要是由3方面原因造成的: ①MODIS反照率产品是基于16 d卫星观测数据生成的,相当于对反照率进行了时间滤波和平滑处理,因此相比DEA-SUR和MKC算法更为稳定和平滑; ②由于HJ-1A/B CCD只有可见光—近红外4个波段,缺少短波红外波段,因此总体估算精度会略低于具有可见光—短波红外7个波段的MODIS数据的估算精度; ③因为DEA-SUR和MKC算法是基于低空间分辨率BRDF先验知识(POLDER BRDF数据集和MCD43A1产品),而研究表明BRDF信息随空间分辨率存在着显著的变化,因此低空间分辨率的BRDF先验知识也会引入估算误差。因此在未来需要针对上述3方面问题寻找改进方案,不断提高基于HJ-1A/B CCD数据生成的地表反照率的图像精细度和估算精度。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

Dickinson R

Land surface processes and climate-surface albedos and energy balance

[J]. Advances in Geophysics, 1983,25:305-353.

[本文引用: 1]

[2]

, Liang

, Liu

, et al.

Mapping surface broadband albedo from satellite observations:A review of literatures on algorithms and products

[J]. Remote Sensing, 2015,7(1):990-1020.

[本文引用: 2]

[3]

Schaaf

, Gao

, Strahler

, et al.

First operational BRDF,albedo nadir reflectance products from MODIS

[J]. Remote Sensing of Environment, 2002,83(1-2):135-148.

[本文引用: 2]

[4]

Liu

, Wang

, Qu

, et al.

Preliminary evaluation of the long-term GLASS albedo product

[J]. International Journal of Digital Earth, 2013,6(s1):69-95.

[本文引用: 1]

[5]

, Liu

, Liang

, et al.

Direct-estimation algorithm for mapping daily land-surface broadband albedo from MODIS data

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014,52(2):907-919.

[本文引用: 4]

[6]

Riihelä

, Manninen

, Laine

, et al.

CLARA-SAL:A global 28 yr timeseries of Earth’s black-sky surface albedo

[J]. Atmospheric Chemistry and Physics, 2013,13(7):3743-3762.

[本文引用: 1]

[7]

Shuai

, Masek J

, Gao

, et al.

An algorithm for the retrieval of 30-m snow-free albedo from Landsat surface reflectance and MODIS BRDF

[J]. Remote Sensing of Environment, 2011,115(9):2204-2216.

[本文引用: 3]

[8]

, Liang

, Wang

, et al.

Evaluating land surface albedo estimation from Landsat MSS,TM,ETM+,and OLI data based on the unified direct estimation approach

[J]. Remote Sensing of Environment, 2018,204:181-196.

[本文引用: 1]

[9]

孙长奎, 刘强, 闻建光 , 等.

基于HJ-1CCD数据的地表反照率反演

[J]. 国土资源遥感, 2013,25(4):58-63.doi: 10.6046/gtzyyg.2013.04.10.

Magsci [本文引用: 1]

<p>波段设置的有限性以及有限的观测角度限制了HJ-1 CCD数据在地表反照率反演方面的应用。该文利用高质量的POLDER-BRDF(双向反射分布函数)数据集分别在植被、裸土、冰雪地物覆盖下模拟了不同观测几何条件下CCD 4个波段的地表方向反射率的短波波段地表黑空反照率(直入扇出反照率)和白空反照率(扇入扇出反照率); 基于太阳和传感器观测几何原理对模拟数据进行分格网最小二乘回归分析,构建了基于CCD 4个波段地表方向反射率和短波波段地表反照率估算模型; 选取黑河高质量的HJ-1 CCD数据开展了短波波段地表黑、白空反照率的反演实验,并利用实测的地表反照率数据对模型的精度进行了评价。结果表明,在满足验证条件的23组数据中,有21组数据的绝对误差在0.03以内。</p>

Sun C

, Liu

, Wen J

, et al.

An algorithm for retrieving land surface albedo from HJ-1 CCD data

[J]. Remote Sensing for Land and Resources, 2013,25(4):58-63.doi: 10.6046/gtzyyg.2013.04.10.

Magsci [本文引用: 1]

[10]

, Liang

, Wang

, et al.

Land surface albedo estimation from Chinese HJ satellite data based on the direct estimation approach

[J]. Remote Sensing, 2015,7(5):5495-5510.

[本文引用: 1]

[11]

Gao

, Jia

, Wang

Derivation of land surface albedo at high resolution by combining HJ-1A/B reflectance observations with MODIS BRDF products

[J]. Remote Sensing, 2014,6(9):8966-8985.

[本文引用: 2]

[12]

张虎, 焦子锑, 李小文 , 等.

先验知识估算HJ-1 CCD数据地表反照率

[J]. 遥感学报, 2013,17(2):286-305.

DOI:10.11834/jrs.20131210 Magsci [本文引用: 1]

以黑河实验区为例, 基于HJ-1 CCD数据和中分辨率成像光谱仪(MODIS) 二向性反射(BRDF)和反照率产品的备用算法(算法Ⅰ), 贝叶斯原理的反照率反演算法(算法Ⅱ)和地表朗伯假设的算法(算法Ⅲ)成功估算了地表短波反照率。对反演结果进行分析并与地表观测数据进行比较, 结果表明: (1) 高分辨率的HJ-1卫星地表反照率不仅能够提供下垫面主要的空间分布特征, 还能提供地表细部结构;(2) 两种基于先验知识的地表反照率和MODIS产品接近, 绝对误差为0.01, 相对误差为4%, 而算法Ⅲ的绝对误差为0.03, 相对误差为13%; 算法Ⅰ和Ⅱ对反照率的改善对地表类型的依赖不明显, 相对误差集中在2%-8%, 反演结果对时相变化依赖较为显著, 在植被最茂盛的季节反照率改善作用明显优于凋谢季;(3) 算法Ⅰ和算法Ⅱ的结果与地表观测结果更为吻合, 均方根误差在0.05以内, 相对误差小于23%, 而算法Ⅲ的均方根误差为0.069, 相对误差为36.3%;(4) 先验知识的作用可能依赖于太阳和观测几何的相对位置, 因此可能依赖于季节和纬度的变化, 以及传感器的成像方式。该研究对缺乏多角度观测的星载传感器的反照率反演有重要的参考价值。

Zhang

, Jiao Z

, Li X

, et al.

A priori knowledge application in the retrieval of surface albedo using HJ-1 CCD data

[J]. Journal of Remote Sensing, 2013,17(2):286-305.

Magsci [本文引用: 1]

[13]

, Liang

, Liu

, et al.

Estimating Arctic sea-ice shortwave albedo from MODIS data

[J]. Remote Sensing of Environment, 2016,186:32-46.

[本文引用: 1]

[14]

Lewis

, Barnsley M

Influence of the sky radiance distribution on various formulations of the Earth surface albedo

[C]//Proceedings of the Conference on Physical Measurements and Signatures in Remote Sensing.France:ISPRS, 1994: 707-715.

[本文引用: 1]

[15]

Pizurica

, Vanhamel

, Sahli

, et al.

A Bayesian approach to nonlinear diffusion based on a Laplacian prior for ideal image gradient

[C]//IEEE 13th Workshop on Statistical Signal Processing.Bordeaux:IEEE, 2005: 477-482.

[本文引用: 1]

[16]

Lucht

, Schaaf

, Strahler

An algorithm for the retrieval of albedo from space using semiempirical BRDF models

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2000,38(2):977-998.

[本文引用: 1]

[17]

Jiao

, Zhang

, Bréon F

, et al.

The influence of spatial resolution on the angular variation patterns of optical reflectance as retrieved from MODIS and POLDER measurements

[J]. Remote Sensing of Environment, 2018,215:371-385.

Land surface processes and climate-surface albedos and energy balance

1983

... 地表反照率是辐射与能量平衡的重要特征参量,被广泛应用于中长期天气预报和全球气候变化研究^[1].目前,已经基于卫星遥感数据生成了大量反照率数据集^[2],如MODIS^[3],GLASS^[4,5]和CLARA^[6]等.但是,这些反照率数据集大多基于中低空间分辨率卫星观测数据生成,因此空间分辨率相对较低,难以准确地描述景观破碎度较大区域的地表反照率时空变化情况^[2].而高空间分辨率卫星遥感数据可以提供丰富的地表特征信息,使得基于高空间分辨率卫星遥感数据的地表反照率估算方法^[7,8]成为研究中新的增长点^[5]. ...

Mapping surface broadband albedo from satellite observations:A review of literatures on algorithms and products

2015

... [2].而高空间分辨率卫星遥感数据可以提供丰富的地表特征信息,使得基于高空间分辨率卫星遥感数据的地表反照率估算方法^[7,8]成为研究中新的增长点^[5]. ...

First operational BRDF,albedo nadir reflectance products from MODIS

2002

... 本研究使用MCD43A3产品作为图像精细度和估算精度评价的参考,该产品的时间分辨率为1 d,空间分辨率为500 m,产品共包含MODIS 1—7波段和3个宽波段(0.3~0.7 μm(可见光)、0.7~5.0 μm(近红外)、0.3~5.0 μm(短波红外))的白空和黑空反照率(局地正午).MODIS地表反照率产品是美国国家航空航天局 MODIS团队使用陆地表面各向异性二向性反射模型算法(algorithm for MODIS bidirectional reflectance anisotropy of the land surface,AMBRALS)^[16]生成的.AMBRALS算法假定地表BRDF在一个时间窗口(如16 d)内保持不变,通过累积16 d内无云覆盖的多角度、多波段的MODIS观测数据,通过大气校正、BRDF角度建模和窄波段向宽波段转换等步骤生成MODIS地表反照率产品^[3]. ...

Preliminary evaluation of the long-term GLASS albedo product

2013

Direct-estimation algorithm for mapping daily land-surface broadband albedo from MODIS data

2014

... [5]. ...

... DEA是基于BRDF数据库建立TOA/SUR与宽波段反照率之间的回归关系^[5],从而实现基于单一角度观测数据直接估算地表宽波段反照率的方法^[13].该方法首先基于POLDER BRDF数据集通过插值和筛选构建SUR训练数据集; 然后,再通过波段转换、角度积分、窄波段向宽波段转换和大气辐射传输模型等过程,构建包含TOA/SUR和对应地表宽波段反照率的训练数据集; 最后,通过分地类(分为植被、土壤和冰雪3类)和分角度格网(太阳天顶角和观测天顶角2°间隔,相对方位角5°间隔)回归的方法构建TOA/SUR与宽波段反照率之间的线性回归关系,生成DEA查找表.根据太阳/观测几何信息以及SUR数据查找对应的直接反演系数,可以直接估算得到地表宽波段反照率.该方法不受MODIS反照率产品生成算法中地表BRDF特性需要在较短时间窗口内(如16 d)不发生显著变化假定条件的限制,因此更适用于监测地表BRDF特性发生快速变化时(如降雪、融雪、森林火灾和农作物收割等)地表反照率的时空动态变化过程^[5].DEA具体流程如图1所示. ...

... [5].DEA具体流程如图1所示. ...

CLARA-SAL:A global 28 yr timeseries of Earth’s black-sky surface albedo

2013

An algorithm for the retrieval of 30-m snow-free albedo from Landsat surface reflectance and MODIS BRDF

2011

... 环境减灾小卫星(HJ-1A/B)可以提供大幅宽、短重访周期的30 m空间分辨率CCD影像数据,为生成高空间分辨率地表反照率数据集提供了可靠数据源.孙长奎等^[9]基于POLDER BRDF数据集,通过分地类和分格网回归的方式,建立了HJ-1A/B CCD地表反射率与宽波段反照率之间的回归关系; He等^[10]提出了一种基于HJ-1卫星大气层顶反射率(top of atmosphere reflectance,TOA)数据的反照率直接反演算法(direct estimation algorithm,DEA),证明了基于HJ-1A/B CCD TOA进行反照率直接估算的可行性; Gao等^[11]在Shuai等^[7]Landsat反照率产品算法的基础上,提出了一种将HJ-1A/B卫星地表反射率(surface reflectance,SUR)数据与MODIS双向反射分布函数(bidirectional reflectance distribution function,BRDF)产品相结合的反照率估算方法,通过建立HJ-1A/B CCD和MODIS SUR比值关系来生成高空间分辨率的地表反照率数据集; 张虎等^[12]将MODIS核系数(MODIS kernel coefficients,MKC)产品作为先验知识,基于贝叶斯推论对HJ-1 CCD地表反照率进行了反演,研究结果表明该方法能够改善其他方法中出现的马赛克现象. ...

... 该方法假定MODIS纯像元与所包含的高空间分辨率亚像元具有近似的BRDF性质,因此可以基于MKC估算高空间分辨率的地表反照率^[7],估算方法流程如图2所示. ...

Evaluating land surface albedo estimation from Landsat MSS,TM,ETM+,and OLI data based on the unified direct estimation approach

2018

基于HJ-1CCD数据的地表反照率反演

2013

基于HJ-1CCD数据的地表反照率反演

2013

Land surface albedo estimation from Chinese HJ satellite data based on the direct estimation approach

2015

Derivation of land surface albedo at high resolution by combining HJ-1A/B reflectance observations with MODIS BRDF products

2014

... 式中

α_{λ, HJ}

为HJ-1A/B CCD的地表反照率;

C_{o}

为拟合得到的经验系数.最终宽波段的地表反照率可以通过窄波段向宽波段转换公式计算得到^[11]. ...

先验知识估算HJ-1 CCD数据地表反照率

2013

先验知识估算HJ-1 CCD数据地表反照率

2013

Estimating Arctic sea-ice shortwave albedo from MODIS data

2016

Influence of the sky radiance distribution on various formulations of the Earth surface albedo

1994

... 本研究采用目视判读和图像清晰度指数评价基于HJ-1A/B CCD数据的地表反照率遥感估算方法的图像精细度,并采用MODIS数据作为图像精细度评价的参考数据.通过目视判读方式对比DEA-SUR,MKC算法和MODIS地表反照率产品的图像精细度和地物识别能力.为了更加客观地评价基于HJ-1A/B CCD数据估算得到的高空间分辨率地表反照率数据对空间变化的刻画能力,还计算了DEA-SUR,MKC算法与MODIS反照率产品的图像清晰度指数.采用拉普拉斯梯度函数^[14]进行图像边缘检测,将图像中检测为边缘的拉普拉斯算子卷积的均值作为衡量图像清晰度的指标,值越大表明图像细节越丰富,清晰度越高.在拉普拉斯梯度函数中定义的拉普拉斯算子

L

为 ...

A Bayesian approach to nonlinear diffusion based on a Laplacian prior for ideal image gradient

2005

... 选取站点每天局地正午时刻观测的太阳上行辐射和下行辐射的比值作为地表反照率观测值(蓝空反照率).基于卫星观测数据估算得到的黑空和白空反照率需要基于天空散射比进行线性加权计算得到蓝空反照率^[15],即 ...

An algorithm for the retrieval of albedo from space using semiempirical BRDF models

2000

The influence of spatial resolution on the angular variation patterns of optical reflectance as retrieved from MODIS and POLDER measurements

2018

〈

〉