[发明专利]一种基于重采样回归分析的亚像素积雪覆盖率提取方法

说明书

技术领域

本发明属于遥感影像应用领域，特别是涉及一种新的亚像素积雪覆盖率提取方法。

背景技术

二值雪盖图仅将像素划分为雪和非雪两种情况，因此，中低分辨率影像产生的二值雪盖产品，很难满足小范围内的积雪研究精度需求。因此，基于亚像素的积雪覆盖信息提取方法就孕育而生了。目前，基于亚像素的雪盖反演主要有两种研究方法：一是混合像素分解方法，二是统计回归分析方法(许丽娜，2006)。

遥感器所获取的地面反射或发射光谱信号是以像素为单位记录的，它是像素所对应的地表物质光谱信号的综合，若该像素仅包含一种类型，则为纯像素(Pure Pixel)，它所记录的正是该类型的光谱响应特征或光谱信号;若该像素包含不止一种土地覆盖类型，则形成混合像素(Mixed Pixel)，它所记录的是所对应的不同土地覆盖类型光谱响应特征的综合(Kanfman等，2002)。

求解混合像素问题，就是建立像素反射率与端元光谱特征和所占面积百分比的函数关系。混合像素分解的常见方法主要可以分为两大类，即波段混合反射率分解法和模糊分类法(曹梅盛等，2006)。

人们寻求了各种方法以解决混合像素问题，如线性混合分析：把像素表示成不同比例的所有地物组分的组合，它的机理是，每条光谱条带中，任一像素的光谱反射率都可以表示为，该像素内所有地物的光谱反射率与其在像素内所占面积比例之积的线性组合(Adams,1986；Gong et al,1994；Novo and Shimabukuro，1994)；C模糊分类：通过模糊聚类方法确定某一像素属于某种地物的隶属度，从而推算出，该像素内该类地物所占比例大小法(Foody，1994)；前馈反向传播神经网络：不同数据之间的转换，当神经网络用于分类时，就可以看作是从特征空间向分类空间的一种转换，与传统的监督分类相比，神经网络分类具有一个显著的优点是对于数据源分布没有要求具有明显的优点(Foody，996)。

光谱混合分解技术是一种有效的亚像素积雪覆盖率提取方法。1999年，Nolin、Nozier和Mertes等最先把它用来进行雪盖填图(Nolin等，1999)。在积雪覆盖率混合像素分解填图算法中，我们得到的结果是像素中雪端元所占的面积比。

目前，线性混合像素分解技术已经被用于多种遥感数据的积雪制图中，例如：AVIRIS数据和TM数据，这些算法的主要差异在于光谱端元的选择技术：最早在1993年，Nolin通过手动选择训练区端元，利用监督混合像素分解算法，处理AVIRIS的18个光谱波段数据(Nolin等，1993)；Rosenthal等人在1996针对TM数据的6个反射波段，使用了非监督混合像素分解算法，利用凸面几何技术选择端元，取得了与航空相片分类相当的精度(Rosenthal等，1996)；Painter等人在1998通过多端元混合分解技术证实了，引入包含不同粒度的多种雪光谱端元能够提高混合像分解雪填图算法的精度(Painter等，1998)；Vikhama和Solberg等人在2002，通过几何光学模型模拟光谱结合地面实测光谱，提出了森林地区反演积雪覆盖率的方法(Vikhama等，2002)。Painter等人于2003年研究了基于混合像素分解模型的亚像素制图和雪晶体粒子大小反演(Painter等，2003)。

统计回归分析是通过变量之间数量上的联系，得到回归方程式及其变化规律的方法。在积雪覆盖率提取应用中，假定像素的反射率与像素内雪盖面积的百分比存在某种线性或非线性的回归关系。这一方法适合中分辨率尺度的积雪制图研究，所以，基于统计回归分析的积雪覆盖率提取方法在MODIS积雪制图中的应用一直是的研究重点。

Kaufman等人，在其气溶胶光学厚度的反演算法研究的基础上，于2001年提出将雪在2.1μm处看作暗目标，用0.66μm和2.1μm处的地物反射率反演像素内的积雪覆盖率。2001年，Barton等人利用Landsat TM数据反演NDSI值，通过建立NDSI的多次回归方程得到像素内的雪盖比例。Salomonson等人用Barton类似的原理，针对MODIS数据，于2003年提出了一种简化的、基于归一化积雪指数(normalize difference snow index，NDSI)的MODIS数据积雪覆盖率线性反演模型，并将其与前面两种模型比较，实验表明该模型取得了更高的反演精度。