遥感基础知识

​

相关术语

频谱与波谱的区别：频谱（幅频响应）的横轴是频率，纵轴是幅度（声压级、电平），即幅度在不同频率上的分布。波谱的横轴是时间，纵轴是幅度，即幅度在不同时间上的分布。

辐射能：电磁波的形式发射、传递或接收的能量。
辐射能密度是指辐射场单位体积的辐射能。$W=\frac{\partial Q}{\partial V}$，单位为$J\cdot m^{-3}$。
辐射功率是指对单位时间内通过某一面积的所有辐射能的多少，即单位时间内发射、传输和接收的辐射能。$P=\frac{\partial Q}{\partial t}$，单位为瓦特。
辐射出射度是指辐射源在单位面积单位时间内辐射出的辐射能量的多少，即物体单位面积上发出的辐射通量，$M=\frac{\partial P}{\partial A}$，单位为$W\cdot m^{-2}$。
辐射强度是指点源向某方向单位立体角发射的辐射功率。$I={\frac{\partial P}{\partial \Omega }|}_{\theta }$，单位为$W\cdot {sr}^{-2}$。
辐亮度是扩散源在某方向上单位投影面积和单位文体角内发射的辐射功率。$L={\frac{{\partial }^{2}P}{\partial A_{\theta }\partial \Omega }|}_{\theta }$，单位为$W\cdot m^{-2}\cdot {sr}^{-2}$。
辐射照度又称辐照度，是受照面单位面积上的辐射通量，$M=\frac{\partial P}{\partial A}$，单位为$W\cdot m^{-2}$，单位：瓦每平方米（${\text{W/m}}^2$）。辐射照度表征了受辐射能照射的表面上，单位面积单位时间内接收的辐射能的多少，即受照面上的辐射通量密度。辐射照度与辐射出射度都是表征辐射通量密度的物理量，它们之间的区别是辐射照度是物体表面接收的辐射，辐射出射度则是物体表面发出的辐射。

行星反照率是指地球-大气系统的反照率，它表示射入地球的太阳辐射被大气、云及地面反射回宇宙空间的总百分数。目前认为全球的行星反照率数值可取0.30。

DN值（Digital Number ）：遥感影像像元亮度值，记录地物的灰度值。无单位，是一个整数值，值大小与传感器的辐射分辨率、地物发射率、大气透过率和散射率等相关。
​反射率是物体表面所能反射的辐射量和它所接受的辐射量的比值，一般在[0,1]范围。反射率图像包括两种：大气表观反射率和地表反射率。
表观反射率（apparent reflectance）：表观反射率就是指大气层顶的反射率，辐射定标的结果之一，大气层顶表观反射率（Top of Atmosphere Apparent Reflectance），简称表观反射率，又称视反射率。
地表反射率（surface albedo）：地面反射辐射量与入射辐射量之比，表征地面对太阳辐射的吸收和反射能力。反射率越大，地面吸收太阳辐射越少；反射率越小，地面吸收太阳辐射越多。
辐射校正（Radiometric correction）：一切与辐射相关的误差的校正。其目的是消除传感器本身、大气、太阳高度角、地形等造成的干扰，得到真实反射率的数据。 它包括辐射定标、大气校正和地形对辐射。
辐射定标（radiometric calibration）是指，用户需要计算地物的光谱反射率或光谱辐射亮度时，或者需要对不同时间、不同传感器获取的图像进行比较时，将图像的亮度灰度值转换为绝对的辐射亮度（大气外层表面反射率）的过程。
大气校正（atmospheric correction）是指传感器最终测得的地面目标的总辐射亮度并不是地表真实反射率的反映，其中包含了由大气吸收，尤其是散射作用造成的辐射量误差。大气校正就是消除由大气吸收、散射、反射等影响所造成的误差，将地物辐射亮度或者表面反射率转换为地表实际反射率的过程。
亮温（brightness temperature）：当一个物体的辐射亮度与某一黑体的辐射亮度相等时，该黑体的物理温度就被称之为该物体的“亮度温度”，所以亮度温度具有温度的量纲，但是不具有温度的物理含义，它是一个物体辐射亮度的代表名词。单位是开尔文或者摄氏度。可以通过普朗克方程，将热红外辐射亮度图像转成亮温图像。

遥感成像技术分类

可见光遥感

可见光遥感（ visible spectral remote sensing ）是指传感器工作波段限于可见光波段范围（0.38——0.76微米）之间的遥感技术。电磁波谱的可见光区波长范围约在0. 38～0.76微米之间，是传统航空摄影侦察和航空摄影测绘中最常用的工作波段。

其感光设备包括：照相、多光谱照相、多光谱扫描成像。

照相是最常用的遥感手段，也是遥感初期所使用的主要手段。最初使用黑白胶片，以后发展到使用彩色胶片和彩色红外胶片。由于拍摄环境、摄影平台运动或其他因素引起的误差，遥感照相除了作几何修正之外，还要作辐射修正，才能对校正过的照片进行判读和测量。

多光谱照相是指在几个或十几个窄的光谱波段内同时拍摄同一地区的地物，因此可获得不同波段的一组黑白照片。对不同波段的照片进行组合处理，如光学彩色合成、电视与计算机的彩色合成与密度的彩色分割，用颜色突出信息，使得科技工作者更易判读和解译图像，从而获得所需要调查的地物与现象。颜色可以与地物相同，即真色；也可以与地物不同，即假色。例如针叶树和阔叶树在可见波段都是绿色的，但在红外波段反射率却不相同，两个波段的同影物照片进行彩色合成或红外波段的同幅照片的密度分割，就可以得到截然不同的两种颜色，将针、阔叶树分辨出来。

多光谱扫描成像系统利用分光和光电技术同时记录和发送某一被扫描点上的数个以至数十个波段的光谱反射能的信息（像元），并将同一波段的诸扫描像元构成一帧扫描像，因此获得多个光谱波段的扫描像。例如卫星载的多光谱扫描系统把0.47~1.1微米的光谱区分成四个波段,一个扫描点的大小相当于地面10000平方米，也称一个像元。当卫星飞越一地区上空时，就会发出四幅为一组的由像元组成的光谱反射能的图像信息，由卫星地面站接收。这一技术特别适用于长期飞行的卫星，因为可省去无法供应的大量胶片。

高光谱遥感

高光谱遥感(Hyperspectral remote sensing) 是将成像技术和光谱技术相结合的多维信息获取技术,同时探测目标的二维集合空间与一维光谱信息,获取高光谱分辨率的连续、窄波段图像数据。

与高分辨率图像、多光谱图像不同，高光谱图像的优势有：（1）光谱分辨率高、波段众多，能够获取地物几乎连续的光谱特征曲线，并可以根据需要选择或提取特定波段来突出目标特征；（2）同一空间分辨率下，光谱覆盖范围更宽，能够探测到地物更多对电磁波的响应特征；（3）波段多，为波段之间的相互校正提供了便利；（4）定量化的连续光谱曲线数据为地物光谱机理模型引入图像分类提供了条件；（5）包含丰富的辐射、空间和光谱信息，是多种信息的综合载体。

在高光谱应用中，面临的困难：（1）由于数据量大，图像包含几十个到上百个波段，从而造成数据存在大量冗余，处理不当，反而会影响高光谱分类精度；（2）对高光谱图像的分类一方面要求更高的光谱定标和反射率转换的精度，另一方面又因为成像机理复杂，数据量巨大而导致对图像数据预处理困难，包括大气矫正、几何校正、光谱定标和反射率转换等；（3）波段多、波段间的相关性高，因此分类需要的训练样本数目大大增多，往往因训练样本不足导致得到的训练参数不可靠(维数灾难)；（4）针对常规遥感的处理模型和方法不能满足高光谱图像分类的需要。主要问题之一是统计学分类模型的参数估计问题，其对光谱特征的选择要求很高。

传统遥感图像分析是利用图像空间信息，高光谱图像分析的核心是光谱分析。高光谱的遥感数据是一个光谱图像立方体，其最主要的特点将图像空间维与光谱维信息合为一体，与单波段相比，多出了光谱维度的信息。在获取地表空间图像同时，会得到每个像元对应的丰富的地物光谱信息。

高光谱像元混合模型分析技术

高光谱遥感数据监督分类

高光谱图像数据将地物光谱信息和图像信息融为一体,其数据具有几何空间、光谱特征空间两类表达方式。在几何空间上，直观表达每个像元在图像中的空间位置以及它周边像元之间的相互关系，为高光谱图像处理提供空间信息。在光谱特征空间上，高光谱遥感图像每个像元对应着多个成像波段的反射值。近似连续的光谱曲线表示为一个N维向量，向量在不同波段值的变化反映了其代表的目标的辐射光谱信息，其优势是特征维度的变化和扩展性。当我们将高光谱像元作为高维特征空间的数据点，根据数据的光谱统计特性来确定其所属类别，但是它的弱点是无法表达像元间的几何位置关系。

迄今为止, 已经发展了许多高光谱影像分类方法. 在这此方法中，支持向量机已经成为解决影像分类所面临的高维数据问题的一个有力工具，并在高光谱分类领域中取得了很好的效果。 最初的SVM方法仅利用影像的光谱信息，并没有加入空间信息，导致分类精度不高，为了进一步提高分类精度，应将光谱信息和空间信息充分结合起来。但是，针对高光谱影像提取的空-谱组合特征通常是高维的，直接使用这类特征进行分类，不但计算复杂度高，而且存在信息冗余，因此分类前有必要对组合特征进行降维处理。近些年，随着压缩遥感技的发展，在高光谱影像的目标识别和分类领域内，数据的稀疏表示已被广泛应用于特征降维过程中。数据稀疏表示的原理为，对于一个未知的测试样本，可以利用已训练的超完备字典对其进行重构，得到相应的稀疏系数，这在保留低层特征最重要信息的同时可以有效地减少信息冗余。

常用遥感影像处理

FY4A/AGRI

GLT是地理查找表校正，其原理是地理坐标与影像坐标相互变化。FY-4A经纬度查找表下载与处理。从国家卫星气象中心下载经纬度查找表，共有1KM、2KM、4KM、8KM、16KM等5种分辨率经纬度查找表供下载。使用ENVI和GLT对FY-4A遥感影像进行地理配准的具体步骤如下：首先，使用ENVI (Classical)给FullDisk_Grid_4000.raw添加一个头文件。也就是说，点击File中的Open Image File，打开FullDisk_Grid_4000.raw文件；添加头文件到FullDisk_Grid_4000.raw。
Open the BLT data file in ENVI with Band 1 and Band 2 as the altitude and the longitude respectively。
(2) 打开FY-4A hdf 文件
由于此GLT进行全盘几何校正有点问题，所以只进行局部几何校正。设置linear stretch为2%，RGB组合为波段3、波段2和波段1。建立一个感兴趣区域（ROI）。
(3) 基于此ROI，利用Subset data from ROIs对风云数据和BLT进行剪裁。
(4) GLT构建与几何校正。也就是说，利用Build GLT工具，建立GLT。对于x Geometry波段，选择波段2 (longitude)，对于y Geometry波段，选择波段1 (latitude)。设置Geometry bands的input projection为Geographic lat/lon，设置Out Rotation为0, 设置“Output Pixel Size”为0.05。
Using the geometry lookup table for georeferenced: Employ the “Georeference from GLT” tool to carry out the georeferenced process for the FY-4A data.
校正结果检查。
For the resulted data after georeferenced processing, change its RGB bands to band 3, band 2, and band 1 orderly, set the linear stretch to 2%. Load the countries lines by pressing Open World Data button of the File folder.

利用Satpy进行FY4A遥感影像处理

Satpy作为一个Python库，它目前支持的卫星数据有50种（MSG, Himawari 8, GOES-R, MODIS, Sentinel- 1/2/3/5, SNPP等）。FY4A AGRI L1有三种定标方式，即原始数字量化值（所有通道）、反射率（C01-C06）和辐射率与亮温（C07-C14）。
读取数据

import os, glob
from satpy.scene import Scene

# 加载FY4A/AGRI遥感影像
filenames = glob.glob('/xin/data/FY4A/20190807/FY4A-_AGRI*4000M_V0001.HDF')

# 创建scene对象
scn = Scene(filenames, reader='agri_l1')

# 查看可使用的通道
print(scn.available_dataset_names())

# 读取指定通道数据，这里以红外通道为例
ir_channel = 'C12'
scn.load([ir_channel])

# 保存到文件
# scn.save_dataset(ir_channel, filename='{sensor}_{name}.png')

# 在notebook中显示
scn.show(ir_channel)

可以看到，在显示数据之前，需要用scn.load函数加载指定的波段。需要指出的是，在其它操作之前（如影像显示），也需要加载指定波段）。

全圆盘真彩色图

# 查看可使用的合成选项
scn.available_composite_names()

# 直接加载真彩色数据并绘图
composite = 'true_color'
scn.load([composite])
scn.show(composite)

特定区域图的绘制
以下以台风利奇马为例。
首先，我们需要定义地图投影和区域，然后将数据投影到该区域上。
（1）方法1：用Pyresample来定义区域。

from pyresample import get_area_def

area_id = 'lekima'
x_size = 549
y_size = 499
area_extent = (-1098006.560556, -967317.140452, 1098006.560556, 1026777.426728)
projection = '+proj=laea +lat_0=19.0 +lon_0=128.0 +ellps=WGS84'
description = "Typhoon Lekima"
proj_id = 'laea_128.0_19.0'
areadef = get_area_def(area_id, description, proj_id, projection,x_size, y_size, area_extent)

（2）方法2：用coord2area_def.py程序来直接生成区域定义。
比如用python coord2area_def.py lekima_4km laea 10 28 118 138 4，即可得到之前定义的利奇马区域：

lekima_4km:
  description: lekima_4km
  projection:
    proj: laea
    ellps: WGS84
    lat_0: 19.0
    lon_0: 128.0
  shape:
    height: 499
    width: 549
  area_extent:
    lower_left_xy: [-1098006.560556, -967317.140452]
    upper_right_xy: [1098006.560556, 1026777.426728]

然后将该定义拷贝到PPP_CONFIG_DIR/areas.yaml中，即可直接调用。

# 若已经添加区域到areas.yaml中，可直接调用：
os.environ['PPP_CONFIG_DIR'] = '/yin_raid/xin/satpy_config/'
lekima_scene = scn.resample('lekima_4km')

lekima_scene.show(composite)
# lekima_scene.save_dataset(composite, filename='{sensor}_{name}_resampled.png')

Landsat-8

Landsat 8-9 OLI和TIRS

通道	波长（微米）	分辨率（米）
通道1 Coastal aerosol	0.43-0.45	30
通道2 蓝色	0.45-0.51	30
通道3 绿色	0.53-0.59	30
通道4 红色	0.64-0.67	30
通道5 近红外 (NIR)	0.85-0.88	30
通道6 中波红外1	1.57-1.65	30
通道7 中波红外2	2.11-2.29	30
通道8 全色	0.50-0.68	15
通道9 Cirrus	1.36-1.38	30
通道10 热红外1	10.6-11.19	100
通道11 热红外2	11.50-12.51	100

对于热红外波段，可以使用星上亮温。将DN值转换为大气顶辐射亮度，再转换为亮温。读取元数据文件，根据公式$\mathrm{TOA}(L)=\mathrm{ML}\ast \mathrm{Qcal}+\mathrm{AL}$，将DN转换为大气顶辐射亮度，其中ML = 从元数据中获得的每一波段的乘法缩放因子（RADIANCE_MULT_BAND_x, x为波段号），而$\mathrm{AL}$为从元数据中获得的每一波段的加性缩放因子（RADIANCE_ADD_BAND_x, x为波段号）；根据$K_2/\ln (K_1/\mathrm{TOA}+1)$，将大气顶辐射亮度转换为以开尔文为单位的亮温，其中，$K_1$ = 从元数据中获得的热红外波段的转换常数（K1_CONSTANT_BAND_x，x为热红外波段号），
$K_2$ = 从元数据中获得的热红外波段的转换常数（K2_CONSTANT_BAND_x，x为热红外波段号）。
NDVI = (Band 5 – Band 4) / (Band 5 + Band 4)

​