專利名稱：基于五種地物分類信息的積雪被動(dòng)微波混合像元分解方法
技術(shù)領(lǐng)域：
本發(fā)明屬于遙感圖像處理的技術(shù)領(lǐng)域，具體涉及一種基于五種地物分類信息的積雪被動(dòng)微波混合像元分解方法，可解決由于積雪微波混合像元導(dǎo)致積雪參數(shù)反演精度較低的問題。
背景技術(shù)：
積雪的變化與特征是氣候研究、天氣預(yù)報(bào)和水資源管理的重要參數(shù)(參見下面列出的參考文獻(xiàn)I)。積雪遙感中最為常用的波段是可見光、近紅外和微波，其中，可見光和近紅外主要用于提取積雪覆蓋范圍，它們最大的弱點(diǎn)是不能用于反演雪深和雪水當(dāng)量。微波在積雪遙感中處于不可缺少的位置，它不僅能夠全天觀測(cè)積雪，也能夠穿透大部分積雪層， 從而探測(cè)到雪深和雪水當(dāng)量信息。然而，合成孔徑雷達(dá)(SAR)衛(wèi)星數(shù)據(jù)受到重復(fù)訪問周期較長(zhǎng)、山區(qū)地形影響以及費(fèi)用較高等多方面制約，很難應(yīng)用于研究。被動(dòng)微波遙感具有很高的時(shí)間分辨率，能夠迅速覆蓋全球而且數(shù)據(jù)資料免費(fèi)，因此，它在監(jiān)測(cè)全球和大陸尺度的積雪時(shí)空變化中作用尤為突出(參見下面列出的參考文獻(xiàn)2、3)。自20世紀(jì)70年代以來(lái)，幾代微波輻射計(jì)已經(jīng)獲取了全球積雪深度的較為可信的資料，各種成熟的積雪遙感數(shù)據(jù)產(chǎn)品也已經(jīng)被應(yīng)用于氣候和水文研究以及災(zāi)害評(píng)估等領(lǐng)域(參見下面列出的參考文獻(xiàn)4)。被動(dòng)微波遙感反演積雪深度的基礎(chǔ)是雪粒子在毫米波段對(duì)來(lái)自下墊面微波信號(hào)的散射大于在厘米波的散射，且對(duì)雪蓋深度敏感，因此可以利用多頻段被動(dòng)微波遙感信息探測(cè)雪蓋深度(參見下面列出的參考文獻(xiàn)5)。被動(dòng)微波遙感是提供全球尺度雪水當(dāng)量研究的唯一有效途徑，但是由于被動(dòng)微波遙感數(shù)據(jù)的空間分辨率較低(> 10km)，其天線波束覆蓋區(qū)大多為復(fù)合像元，使得積雪深度的反演精度還不能滿足實(shí)際需求(參見下面列出的參考文獻(xiàn)6) ο目前，國(guó)內(nèi)外提出的被動(dòng)微波混合像元分解方法多數(shù)是針對(duì)沿海區(qū)域微波混合像元的分解(參見下面列出的參考文獻(xiàn)7、8、9)，對(duì)于足印內(nèi)只含有海洋和陸地兩種地表類型的情況比較適用，基本實(shí)現(xiàn)了陸地和水體的微波混合像元分解。然而，當(dāng)天線足印內(nèi)顯著包含兩種以上地物時(shí)，采用目前提出的被動(dòng)微波混合像元分解模型均會(huì)產(chǎn)生較大的誤差。被動(dòng)微波輻射計(jì)獲取的積雪亮溫是代表了一定尺度的混合像元綜合亮溫，而不同下墊面的積雪微波輻射特性具有較大的差異，因此導(dǎo)致了被動(dòng)微波遙感反演積雪深度的精度難以提高。為了改進(jìn)積雪參數(shù)反演精度，需要針對(duì)積雪下墊面的不同分類建立積雪微波混合像元分解模型，從而解決積雪微波混合像元問題，為更多的研究和應(yīng)用領(lǐng)域服務(wù)。與本發(fā)明相關(guān)的現(xiàn)有技術(shù)有如下參考文獻(xiàn)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，車濤.積雪被動(dòng)微波遙感研究進(jìn)展[J].冰川凍土.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.劉寶康，馮蜀青，杜玉娥.積雪被動(dòng)微波遙感研究進(jìn)展與前景展望[J].草業(yè)科學(xué)· 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。

發(fā)明內(nèi)容
本發(fā)明要解決的技術(shù)問題在于提供了一種基于五種地物分類信息的積雪被動(dòng)微波混合像元分解方法，可以有效地解決積雪被動(dòng)微波混合像元問題，改進(jìn)積雪參數(shù)反演精度，在氣候和水文研究以及災(zāi)害評(píng)估等領(lǐng)域中具有重要應(yīng)用價(jià)值。本發(fā)明根據(jù)影響積雪輻射特性的典型五種下墊面類型，通過(guò)獲得觀測(cè)地區(qū)較高空間分辨率的地物分類數(shù)據(jù)，利用積雪在不同下墊面微波輻射之間差異特性，選擇微波天線增益函數(shù)和釆樣率，建立積雪微波混合像元分解模型，釆用具有約束條件的最小二乘法迭代計(jì)算求解欠定性方程組，實(shí)現(xiàn)積雪被動(dòng)微波混合像元分解。本方法可以實(shí)現(xiàn)全球范圍內(nèi)積雪微波混合像元分解，通過(guò)計(jì)算來(lái)獲得五種下墊面的積雪輻射亮溫，提高后期積雪參數(shù)反演精度。為解決本發(fā)明要解決的技術(shù)問題，給出技術(shù)方案如下。一種基于五種地物分類信息的積雪被動(dòng)微波混合像元分解方法，該方法的應(yīng)用條件是冬季積雪被動(dòng)微波遙感數(shù)據(jù)，其特征在于，方法包括如下過(guò)程1)確定觀測(cè)地區(qū)冬季積雪情況下的五種的地物分類數(shù)據(jù)，2)確定微波天線增益函數(shù)和采樣率，3)建立被動(dòng)微波積雪混合像元模型，4)積雪被動(dòng)微波混合像元分解模型求解；所述的確定觀測(cè)地區(qū)冬季積雪情況下的五種的地物分類數(shù)據(jù)，是將已有的觀測(cè)地區(qū)的地物分類數(shù)據(jù)產(chǎn)品重新分類為水體、草地、林地、農(nóng)田和裸土五種下墊面信息，確定觀測(cè)地區(qū)冬季積雪情況下的五種地物分類數(shù)據(jù)的結(jié)果L ；所述的確定微波天線增益函數(shù)和采樣率，是根據(jù)被動(dòng)微波輻射計(jì)的特性，選擇被動(dòng)微波數(shù)據(jù)中不同頻率對(duì)應(yīng)的橢圓足印a和b，設(shè)計(jì)微波天線增益函數(shù)C、水平采樣率Λχ 和垂直采樣率Λ y，結(jié)合地物分類數(shù)據(jù)的結(jié)果L，利用公式(12)求得系數(shù)α
a bf(x) _α=Σ( Σ ^,y)L(x,y)^y)^c
χ=—a y=-bf(x)(12)α是天線增益函數(shù)G和對(duì)應(yīng)足印內(nèi)地物分類數(shù)據(jù)的結(jié)果L的卷積，(X，y)是被動(dòng)微波數(shù)據(jù)的位置；所述的建立被動(dòng)微波積雪混合像元模型，是將地物分類數(shù)據(jù)和微波天線增益函數(shù)及采樣率的計(jì)算結(jié)果代入積雪被動(dòng)微波混合像元模型，確定積雪被動(dòng)微波混合像元分解模型求解方法；具體的積雪被動(dòng)微波混合像元分解模型為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(píng)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代表積雪混合像元亮溫值，(X，y)代表混合像元空間位置，即，被動(dòng)微波數(shù)據(jù)的位置；Tland、Twate、Tf_st、TgMSS和Tcmp分別代表下墊面為裸土、水體、林地、草地和農(nóng)田的亮溫值，Lland, Lwater, Lforest, Lgrass和Lcmp分別代表與混合像元空間位置(X，y)匹配的分類數(shù)據(jù)中裸土、水體、林地、草地和農(nóng)田像元的比例；公式(17)的結(jié)果由公式(12)計(jì)算得到；所述的積雪被動(dòng)微波混合像元分解模型求解，是最終將積雪被動(dòng)微波混合像元數(shù)據(jù)分解成五種類型的被動(dòng)微波組分亮溫?cái)?shù)據(jù)；具體過(guò)程是利用建立的積雪被動(dòng)微波混合像元分解模型，結(jié)合被動(dòng)微波遙感數(shù)據(jù)，建立聯(lián)立方程組，對(duì)mXn范圍內(nèi)的被動(dòng)微波混合像元進(jìn)行分解，通過(guò)構(gòu)建方程組和約束性最小二乘法求解mXn范圍內(nèi)被動(dòng)微波混合像元分解后的五種地物的組分亮溫T。。上述的積雪被動(dòng)微波混合像元分解模型求解，其過(guò)程可以進(jìn)一步說(shuō)明如下所述的積雪被動(dòng)微波混合像元分解模型求解方法，首先選取mXn范圍的被動(dòng)微波混合像元構(gòu)成一個(gè)搜索窗口，記錄mXn窗口中每個(gè)被動(dòng)微波像元中不同地物分類的出現(xiàn)比例，構(gòu)成地物分類分布比例矩陣，Tbn = PCTC+E(18)式中c是地物分類的種類，c的值為5 ;TBN是一個(gè)(mXn) Xl的矢量，是mX η個(gè)被動(dòng)微波混合像元亮溫值；Τ。是一個(gè)(mXnXc) Xl的矩陣，是mXn窗口中每個(gè)被動(dòng)微波混合像元對(duì)應(yīng)的五種地物分類的組分亮溫；P。是一個(gè)(mXn) X (mXnXc)的矩陣,是mXn 窗口中每個(gè)被動(dòng)微波混合像元對(duì)應(yīng)的五種地物分類的分布與天線方向圖的卷積；E是一個(gè) (mXn) X I的矢量,是mXn個(gè)殘差數(shù)據(jù)；m選取I 10, η選取I 10 ;其次求解mXn范圍內(nèi)被動(dòng)微波混合像元分解后的五種地物的組分亮溫T。；
mXn方程組中有(mXn) Xc個(gè)未知量，該方程組屬于欠定方程組，有無(wú)窮多組解； 對(duì)每個(gè)下墊面亮溫值設(shè)定其對(duì)應(yīng)的取值區(qū)間，在該區(qū)間內(nèi)，任意一點(diǎn)都對(duì)應(yīng)著一個(gè)可能的解，從而構(gòu)成完整的解空間；通過(guò)地基和星載微波輻射計(jì)對(duì)不同下墊面類型進(jìn)行觀測(cè)，得到不同下墊面的亮溫變化區(qū)間，采用k-means聚類算法對(duì)觀測(cè)地區(qū)連續(xù)一段時(shí)間的被動(dòng)微波混合像元亮溫進(jìn)行統(tǒng)計(jì)分類；k-meanS聚類后的聚類中心值作為不同下墊面亮溫初值的參考；將地基微波數(shù)據(jù)建立的數(shù)據(jù)庫(kù)中的數(shù)據(jù)、被動(dòng)微波遙感數(shù)據(jù)統(tǒng)計(jì)得到的各類下墊面的亮溫相結(jié)合，定義各類下墊面的亮溫初值SgMSS、Swater, Sf0reso Scrop, Sland,同時(shí)定義各類下墊面的亮溫變化閾值 Lc,確定某一下墊面的初值亮溫T。的選取范圍是[Se-L。，Se+L。],其中c代表grass, water, land，forest，crop ；不同下墊面的微波亮溫變化基本滿足下式O < Twater < Tland < Tcrop < Tforest(19)草地亮溫Tgrass變化與草的高矮和土壤濕度有關(guān)，需要結(jié)合具體觀測(cè)地區(qū)進(jìn)行分析；設(shè)計(jì)一個(gè)目標(biāo)函數(shù)作為判斷可能解優(yōu)劣的標(biāo)準(zhǔn)，這里選取R作為目標(biāo)函數(shù)，ξ為事先給定的閾值，它的取值大小取決于對(duì)解的精度要求；目標(biāo)函數(shù)R定義為
權(quán)利要求
1.一種基于五種地物分類信息的積雪被動(dòng)微波混合像元分解方法，該方法的應(yīng)用條件是冬季積雪被動(dòng)微波遙感數(shù)據(jù)，其特征在于，方法包括如下過(guò)程1)確定觀測(cè)地區(qū)冬季積雪情況下的五種的地物分類數(shù)據(jù)，2)確定微波天線增益函數(shù)和采樣率，3)建立被動(dòng)微波積雪混合像元模型，4)積雪被動(dòng)微波混合像元分解模型求解；所述的確定觀測(cè)地區(qū)冬季積雪情況下的五種的地物分類數(shù)據(jù)，是將已有的觀測(cè)地區(qū)的地物分類數(shù)據(jù)產(chǎn)品重新分類為水體、草地、林地、農(nóng)田和裸土五種下墊面信息，確定觀測(cè)地區(qū)冬季積雪情況下的五種地物分類數(shù)據(jù)的結(jié)果L ；所述的確定微波天線增益函數(shù)和采樣率，是根據(jù)被動(dòng)微波輻射計(jì)的特性，選擇被動(dòng)微波數(shù)據(jù)中不同頻率對(duì)應(yīng)的橢圓足印a和b，設(shè)計(jì)微波天線增益函數(shù)C、水平采樣率ΛΧ和垂直采樣率Λ y，結(jié)合地物分類數(shù)據(jù)的結(jié)果L，利用公式(12)求得系數(shù)α
2.根據(jù)權(quán)利要求I所述的一種基于五種地物分類信息的積雪被動(dòng)微波混合像元分解方法，其特征在于，所述的地物分類數(shù)據(jù)產(chǎn)品重新分類，總體原則是(a)原分類數(shù)據(jù)中定義為農(nóng)田、闊葉作物或谷類作物的類型統(tǒng)一重新定義為農(nóng)田類型；(b)原分類數(shù)據(jù)中定義為闊葉林、針葉林、混合林或灌叢的類型統(tǒng)一重新定義為林地類型；(c)原分類數(shù)據(jù)中定義為草原、草地、植被類型統(tǒng)一重新定義為草地類型；(d)原分類數(shù)據(jù)中定義為水體類型仍舊定義為水體類型；(e)原分類數(shù)據(jù)中定義為城建用地、荒漠或荒地的類型統(tǒng)一重新定義為裸土類型。
3.根據(jù)權(quán)利要求I或2所述的一種基于五種地物分類信息的積雪被動(dòng)微波混合像兀分解方法，其特征在于，所述的積雪被動(dòng)微波混合像元分解模型求解方法，首先選取mXn范圍的被動(dòng)微波混合像元構(gòu)成一個(gè)搜索窗口，記錄mXη窗口中每個(gè)被動(dòng)微波像元中不同地物分類的出現(xiàn)比例，構(gòu)成地物分類分布比例矩陣，Tbn = PCTC+E (18)式中c是地物分類的種類，c的值為5;TBN是一個(gè)(mXn)Xl的矢量，是mXn個(gè)被動(dòng)微波混合像元亮溫值；T。是一個(gè)(mXnXc) X I的矩陣，是mXn窗口中每個(gè)被動(dòng)微波混合像元對(duì)應(yīng)的五種地物分類的組分亮溫；P。是一個(gè)(mXn) X (mXnXc)的矩陣，是mXn窗口中每個(gè)被動(dòng)微波混合像元對(duì)應(yīng)的五種地物分類的分布與天線方向圖的卷積；E是一個(gè) (mXn) X I的矢量,是mXn個(gè)殘差數(shù)據(jù)；m選取I 10, η選取I 10 ;其次求解mXn范圍內(nèi)被動(dòng)微波混合像元分解后的五種地物的組分亮溫T。； mXn方程組中有(mXn)Xc個(gè)未知量，該方程組屬于欠定方程組，有無(wú)窮多組解；對(duì)每個(gè)下墊面亮溫值設(shè)定其對(duì)應(yīng)的取值區(qū)間，在該區(qū)間內(nèi)，任意一點(diǎn)都對(duì)應(yīng)著一個(gè)可能的解， 從而構(gòu)成完整的解空間；通過(guò)地基和星載微波輻射計(jì)對(duì)不同下墊面類型進(jìn)行觀測(cè)，得到不同下墊面的亮溫變化區(qū)間，采用k-means聚類算法對(duì)觀測(cè)地區(qū)連續(xù)一段時(shí)間的被動(dòng)微波混合像元亮溫進(jìn)行統(tǒng)計(jì)分類；k-meanS聚類后的聚類中心值作為不同下墊面亮溫初值的參考；將地基微波數(shù)據(jù)建立的數(shù)據(jù)庫(kù)中的數(shù)據(jù)、被動(dòng)微波遙感數(shù)據(jù)統(tǒng)計(jì)得到的各類下墊面的亮溫相結(jié)合，定義各類下墊面的亮溫初值Sgrass、SwatWSftmsPSrat^Sland,同時(shí)定義各類下墊面的亮溫變化閾值L。，確定某一下墊面的初值亮溫T。的選取范圍是[Se_L。，Se+L。,其中c代表grass, water, land, forest, crop ;不同下墊面的微波亮溫變化基本滿足下式O < Twater < Tland < Tcrop < Tforest(19)草地亮溫Tgrass變化與草的高矮和土壤濕度有關(guān)，需要結(jié)合具體觀測(cè)地區(qū)進(jìn)行分析； 設(shè)計(jì)一個(gè)目標(biāo)函數(shù)作為判斷可能解優(yōu)劣的標(biāo)準(zhǔn)，這里選取R作為目標(biāo)函數(shù)，ξ為事先給定的閾值，它的取值大小取決于對(duì)解的精度要求；目標(biāo)函數(shù)R定義為R = Jilil(TB(^y)-tpc 卜，少)· Tc (X, γ))2<ξVx=1 y=lc=i(20)根據(jù)目標(biāo)函數(shù)調(diào)整搜索窗口尺寸mXn，合理選擇各類組分的亮溫初值Sgrass、Swater, SftmsPSrat^Sland，代入方程(18)中，在(19)式、(20)式共同約束下，采用帶約束條件的非負(fù)最小二乘法迭代運(yùn)算求得最優(yōu)解，應(yīng)用matlab軟件中的fsolve函數(shù)求解欠定性方程組。
全文摘要
本發(fā)明屬于遙感圖像處理技術(shù)領(lǐng)域，提供了一種基于五種地物分類信息的積雪被動(dòng)微波混合像元分解方法。本發(fā)明根據(jù)影響積雪輻射特性的典型五種下墊面類型，通過(guò)獲得觀測(cè)地區(qū)中較高空間分辨率的地物分類數(shù)據(jù)，利用積雪在不同下墊面微波輻射之間差異特性，選擇微波天線增益函數(shù)和采樣率，建立積雪微波混合像元分解模型，采用具有約束條件的最小二乘法迭代計(jì)算求解欠定性方程組，實(shí)現(xiàn)積雪被動(dòng)微波混合像元分解。本發(fā)明可以有效地解決積雪被動(dòng)微波混合像元問題，改進(jìn)積雪參數(shù)反演精度，在氣候和水文研究以及積雪災(zāi)害評(píng)估等領(lǐng)域中具有重要應(yīng)用價(jià)值。
文檔編號(hào)G01S7/41GK102608592SQ20121009673
公開日2012年7月25日 申請(qǐng)日期2012年4月5日 優(yōu)先權(quán)日2012年4月5日
發(fā)明者任瑞治, 孫健, 張爽, 王昊豐, 顧玲嘉 申請(qǐng)人:吉林大學(xué)