[关闭]
@novachen 2020-10-03T01:42:09.000000Z 字数 2958 阅读 1655

高分卫星如何真正用于高分定量遥感

高分卫星 定量遥感


截至2019年底,高分专项的1~7颗卫星都已经成功发射了,还额外发射了GF1-B/C/D三颗业务卫星,现在进入到后续应用阶段。原来的中科院遥地所以及后来的空天院都很重视定量遥感应用,这也可能是为了拉开和一般应用部门之间的差距,保持竞争力。空天院目前还花了一些自有经费来做高分卫星的定量分析平台。

但是很奇怪的是包括空天院最近的平台在内都主要在搞16米的宽幅相机的定量化应用。我很怀疑这个价值有多少,因为像国际上Landsat8/7,Sentinel2这些主流公益型陆地观测卫星都是10米~20米尺度的,而且波段更多,传感器定标的质量更高。而且目前中国的16米传感器的处理系统质量离欧美的也差很远,一般的中等分辨率的应用都是会直接使用L8或者S2。我们一直在16米上打转也难以出什么特别的成果。

其实我国真正独特的资源是大量1~2米尺度的全色多光谱卫星,从ZY02C进入2米尺度以来,陆续有ZY3、GF1、GF2、ZY3-02、GF1-B/C/D、GF6、GF7等入轨,现在在中国上空形成一个1~2米卫星的密集网络。这些卫星相对于商业高分辨率卫星的优点就是幅宽较大,大多数幅宽在60公里左右,其中高分6更达到一次扫描95公里,而不少0.5米分辨率的商业卫星只有10~20公里幅宽。这些卫星的两个星期的数据采集就可以覆盖中国一次。这些数据目前不仅可以覆盖中国,还可以兼顾一带一路周边。


1~2米卫星群两周可以覆盖中国

这些1~2米卫星数据在高分专项中产生的基础数据中占70%以上比例。但是要充分利用特别是要用于定量遥感还是会面临一些实际问题。


颠覆常识一

首先定量要求数量上的稳定一致,而遥感界(包括我的研究员同事们)有一个所谓的“常识”——融合操作会导致波谱变异。这当然是他们在长期工作中总结出来的经验。这样的常识的引导下,他们开展工作甚至不敢用融合的结果,而只会用多光谱传感器,一下子从2米降低到8米。如果是这样,可能也能解释得通为什么觉得16米的宽幅对他们来说更有价值,因为分辨率就差一点,但是幅宽多了很多。但是定量遥感业务不能充分使用这些真正的高分卫星,实在令人遗憾。

但是这个常识真的是正确的吗?

我们设计了一个理想化测试,将WorldView3(1.2米多光谱/0.3米全色)缩小4倍到仿真数据集SIM(4.8米多光谱/1.2米全色),将SIM输入到各种融合算法中得到融合结果OUT(1.2米多光谱),将OUT和WV3原来的多光谱数据(理想结果)加以比较。


待输入到各融合工具的仿真数据集SIM

下面实验了ENVI上传统的的GS方法、PCI上使用的Pansharp方法、ENVI5以后出现的NND方法,将输出的融合结果和理想结果WorldView3(1.2米多光谱)相比较,看谁的偏差小,谁就在光谱保真度上做的好。


ENVI的GS融合方法比较


PCI的Pansharp融合方法比较


ENVI最新的NND融合方法比较

可以看到确实每个主流商业软件的融合方法的结果都和理想结果有明显的偏差,而NND方法已经是目前偏差最小的商业软件提供的融合方法。

但是是否可以继续减少呢?看一下我们设计的PixelKnife软件的结果。


PixelKnife软件的复原方法比较

眼神不好的人,也许都看不出上面的图是动图。我们设计的PixelKnife软件的方法偏差小的几乎人眼看不出来了。PixelKnife软件的这个功能其实叫做“复原”而不是融合,但是为了沟通方便叫融合(复原)也可以。

如果采用一些定量化的指标,也可以和视觉比较相对照

指标 GS PCI NND PixelKnife
SAD(越小越好) 7.1695 6.5937 5.5159 5.1806
r2(越大越好) 0.9334 0.9405 0.9544 0.9589
RMSE(越小越好) 8.2219 7.5432 6.4207 5.4801

可以看出不论在哪个指标上,PixelKnife都能胜出。

PixelKnife的融合(复原)算法可以在所有高分辨率卫星数据的融合中获得好的结果。除了高分一号高分二号以外,在Pleiades、SPOT6/7等数据的处理中也能获得比法国提供的标准产品更好的效果。


颠覆常识二

开展融合(复原)的前提还有一条,就是全色和多光谱要能够准确对齐。一般来说遥感界认为通过商业软件配准,误差低于一个像元(亚像元)就可以,如果低于0.5像元就是优秀了。

那么这样的技术用于高分卫星是否可以呢?我们看一个高分二号卫星的全色和多光谱没有配准之前的动图。


全色和多光谱未配准前的局部

上图你可以看到一个有趣的现象,左边动得厉害,右边几乎不动。我们知道这是一个绝对的非线性的变形,这样的情况根本不能用简单的多项式模型来纠正,你如果纠正了左边的那么右边的肯定会被带歪。

但是通过PixelKnife软件就可以轻松解决这个问题,它可以追踪到小到0.1像元甚至更小的非线性位移偏差。甚至可以看到连卫星组装工厂都看不出来的适配偏差。比如下图就是高分二号卫星的一景图像上的偏差情况,你可以很容易看出多光谱传感器是有5段CCD拼接而成的,而之间存在适配的偏差。


多光谱和全色传波段的偏移图

通过PixelKnife软件可以把高分卫星的内部偏差纠正到像美国WorldView3那么小(这个PixelKnife检查得基本小于0.1像元)。

偏移图
比较一下不做配准和做了精细配准的融合(复原)结果的差异。


PixelKnife用户的反馈

真正利用高分卫星1~2米的数据做高分定量遥感的人还比较少,目前这些卫星数据主要都还是用于目视解译和纹理分析,没有发挥出全面的价值。而我的同事申茜副研究员使用我的工具开展了卓有成效的应用并且获得用户的高度认可和经费支持。她承接了环保部的城市黑臭水体的监测工作。

以前水体的遥感主要集中在海湾和大型湖泊,而城市黑臭水体大部分相对狭窄,只有通过1~2米的高分数据才能看到,因此也是在最近几年开展起来的。申茜老师的高精度水质分析工作对融合产品的辐射保真度要求较高,但是PixelKnife的效果还是大大超过她的预期。我们合作近两年以来,通过PixelKnife软件的自动化高质量处理以及其他一些工序上的优化,她将原来处理一景GF2号提取黑臭水体的工作从平均15小时骤然降低到目前的4小时,因此在2019年一举完成了环保部全国近40个城市的黑臭水体监测工作。

在申老师最新的PPT上,对PixelKnife的融合(复原)结果做了实验检验分析,其结论如下。

保证融合前后光谱形状和数值基本不变,完全满足光谱一致性的需求。
蓝光波段(Band1)的平均相对误差为0.43%
绿光波段(Band2)的平均相对误差为0.51%
红光波段(Band3)的平均相对误差为0.57%
近红外波段(Band4)的平均相对误差为0.81%

目前PixelKnife在几位客户手中都成为重要的核心生产工具,虽然并不是每位客户都需要申老师那么高的保真度要求,但是仅仅是高质量批量化的处理所有高分卫星(也还包括高景等国产商业卫星)数据的能力就已经能帮上大忙了。

欢迎感兴趣的读者使用PixelKnife软件的DEMO版


联系方式

陈甫 副研究员
中国科学院空天信息创新研究院
chenfu@aircas.ac.cn
13811147935

添加新批注
在作者公开此批注前,只有你和作者可见。
回复批注