时序定量遥感-刘良云.ppt

地表覆盖长时序定量遥感研究,刘良云2016年5月5日,研究遥感信息机理、对地观测与空间地球信息前沿理论；建设运行国家航天航空对地观测重大科技基础设施与天空地一体化技术体系；构建形成数字地球科学平台和全球环境与资源空间信息保障能力。,中国科学院遥感与数字地球研究所,国家科技平台,报告内容,2,3,4,1,时序定量遥感的地表覆盖分类,长时序遥感数据定量化处理方法,森林覆盖变化时序定量遥感探测,森林生物量时序定量遥感探测,-青藏高原,-三北防护林,背景：对地观测数据和技术积累，从量变到质变的机遇;定量遥感是基础，对地观测进入中分辨率定量遥感时代。,时间序列共享数据,时序数据分析模型,重构地表覆盖与功能要素变化历史,=,+,+,定量遥感模型算法,传统的Landsat地表反射率反演思路：气溶胶反演主要依赖利用暗像元法或估计能见度，但部分图像找不到茂密的植被；水汽等参数则用经验值或低分辨率同化数据，精度难以保证。,1长时序遥感数据定量化处理方法,结合6S模型和MODIS大气参数的Landsat大气校正,多源协同思路：根据MODIS和Landsat准同步过境特点（0.5h），利用高分辨率MODIS大气产品辅助对TM进行逐像素、高精度的大气校正，且可实现业务化处理，并保证相同的精度。,1长时序遥感数据定量化处理方法,1长时序遥感数据定量化处理方法,Landsat6S大气校正所需数据:大气参数产品Landsat数据辐亮度数据（单位：w/m2/sr）、成像时间DEM数据全球DEM数据（0.1，ENVI安装目录），重采样为0.05,1长时序遥感数据定量化处理方法,大气校正软件,6S大气辐射校正流程,1长时序遥感数据定量化处理方法,地面实测光谱验证,TM反射率和地面实测数据对比R2均值0.773，RMSE均值0.045,1长时序遥感数据定量化处理方法,2013年夏季全国L8图像,TOA,TOC,YingjieWang,LiangyunLiuetal.DevelopmentandValidationoftheLandsat8surfacereflectanceproductsusingaMODIS-basedper-pixelatmosphericcorrectionmethod,2016,37(6):1291-1314,1长时序遥感数据定量化处理方法,2013年夏季全国L8图像TOA与TOC反射率差异,1长时序遥感数据定量化处理方法,ScatterplotofAOT(left)andCWV(right)at550nmbetweenSONET/AERONETobservationsandMODISatmosphericproducts,1长时序遥感数据定量化处理方法,ScatterplotsforeachLandsatband(MODISSRvaluesarerepresentedonthex-axis;LandsatSRvaluesarerepresentedonthey-axis).,Timeseriesimages,ReferenceTOAradianceimage,Targetimage(DNorTOARadiance),time-invariantpixels,Atmosphericcorrection,aautomaticMultivariateAlterationDetection(Canty2008),TOCReflectanceimage,TimeseriesTOCReflectanceimages,Relativeradiometricnormalization,Relativeradiometricnormalization,1长时序遥感数据定量化处理方法,1长时序遥感数据定量化处理方法,基于不变象元点的相对辐射归一化：,不变点的回归分析,以一期影像为基准，通过多元变化检测，找出其它时期影像中没有发生变化的像元，然后利用这些像元，建立回归模型，对其它影像进行处理。,1长时序遥感数据定量化处理方法,陕西榆林不变样区的时序波段反射率均值,2时序定量遥感的地表覆盖分类,2时序定量遥感的地表覆盖分类,2.1基于Landsat分类特征扩展的地表覆盖分类2.2基于MODIS时序先验知识的地表覆盖分类,玛多地区时序Landsat数据定量化处理,2时序定量遥感的地表覆盖分类,对于同一地区不同年份的Landsat数据，如果不考虑影像之间的物候差异和遥感数据定量化误差，则不同影像之间相同地物具有相同或相似的地表反射率，因此不同的影像可以利用相同的分类特征进行分类、一景影像的分类特征可以扩展到其它影像进行分类。,2.1基于Landsat分类特征扩展的地表覆盖分类,最大似然监督分类精度评价,结合光谱值大小和光谱的角度信息，并利用D-S(Dempster-Shafer)证据理论对两者进行融合，并设计分类规则进行分类。分类算法设计,1对于某一景Landsat反射率数据中的像元J，根据其反射率光谱计算与样本特征中所有地物覆盖类别（I=1,n）的欧式距离dI。2计算与样本特征中所有地物覆盖类别（I=1,n）的光谱夹角的余弦SAMI。3分别对欧式距离和光谱角做归一化处理4利用D-S证据理论对Pd,I和PSAM,I进行融合，融合后的概率为PI，其中I=1,n。5根据概率最大原则，将PI分为第M(MI,I=1,n)类地物覆盖类别，其中PM=MAX(PI)。,2.1基于Landsat分类特征扩展的地表覆盖分类,2.1基于Landsat分类特征扩展的地表覆盖分类,参考数据分类特征应用到其它分类,2.2基于MODIS时序先验知识的地表覆盖分类,将参考Landsat影像的分类特征扩展到其他影像进行分类时，不同影像之间较大的物候差异导致分类精度不高。如果能利用植被生长季的完备Landsat数据建立时序分类特征，则可对不同时间的Landsat数据进行分类。对于Landsat数据的每一个波段，MODIS数据都有与之对应的波段设置，而且MODIS数据具有高时间分辨率，过境时间与Landsat相差较小，因此本文尝试利用MODIS反射率数据来辅助提取时序光谱特征。,1MODIS云（2007年8月13日所对应的8天合成数据）、阴影及观测角掩膜，TM（2007年8月13日数据）云及阴影掩膜2逐波段选择均匀区域：对于MODIS波段i中的像元k，设为Mi,k，以该像元为中心的33窗口中，如果9个像元的最大值与最小值的差值小于阈值,则在LandsatTM分类结果图像中找到的对应区域（约1717像素），如果TM分类结果图像这个对应区域中超过80%的像元为同一类别，则标记该MODIS像元在波段i为均匀区域。3对于某一个MODIS像元，在除第一波段外的五个波段中，如果至少有4个波段被标记为均匀区域，则该像元选为训练样本，其类别标记为对应TM区域中最多的类别（即超过80%的像元所属类别）。,MODIS样点选择,滤波前后高山草甸生长期时序反射率对比（X:DOY，Y:反射率）,2.2基于MODIS时序先验知识的地表覆盖分类,MODIS时序光谱滤波处理,长时序数据自动分类结果,2.2基于MODIS时序先验知识的地表覆盖分类,两种分类特征的分类结果对比,2.2基于MODIS时序先验知识的地表覆盖分类,2.2基于MODIS时序先验知识的地表覆盖分类,青藏高原地表覆盖分类(142景),精度验证：真实样本和Globelands30,结果表明：本文方法结果具有较高分类精度，74%-85%.,2.2基于MODIS时序先验知识的地表覆盖分类,5青藏高原地表覆盖分类,精度验证：基于Globeland30的5景数据验证,结果表明：本文方法与清华大学FROMGLC相比，与Globeland具有更好的一致性。,5青藏高原地表覆盖分类,精度验证,三套产品对比图(左：FROM-GLC；中：本文结果；右：Globeland30),行列号：139/36,行列号：133/40,行列号：131/39,时相差异,5青藏高原地表覆盖分类,精度验证,三套产品对比图(左：FROM-GLC；中：本文结果；右：Globeland30),行列号：134/36,行列号：146/34,分类标准差异？,人工地表覆盖草地与耕地,单时相难以解决耕地与草地混分的问题。,5青藏高原地表覆盖分类,精度验证问题,林地局部放大图（左：FROM-GLC；中：本文结果；右：Globeland30）,耕地局部放大图（左：FROM-GLC；中：本文结果；右：Globeland30）,道路防护林与田埂分类误差很大，人工地表与裸地,theThreeNorthforestprogrambeganin1978andwillbefinishedin2050.Theprojectwilltakeplaceinthreestages(19782000,20012020,and20212050)followingeightengineeringschedules.ThekeygoalofthisprograminthefollowingdecadeswastoimproveforestcoverageinaridandsemiaridChinafrom5%to15%byusingthisprogramastheprimarymethodtocombatdesertificationandtocontrolduststorms.Wangetal(2010),Three-NorthShelterForestProgramGreenGreatWallProgram,3森林覆盖变化时序定量遥感探测,Studyareapartlycoveredbyforest,andmostofthemareafforestation,CarbonAccounting,inYulin,ShanxiProvince,3森林覆盖变化时序定量遥感探测,3森林覆盖变化时序定量遥感探测,A,B,C,D,E,F,A,B,C,D,E,F,June30,2009;Aug.2,1986,3森林覆盖变化时序定量遥感探测,2010-7-172001-5-311986-8-2,3森林覆盖变化时序定量遥感探测,榆林地区森林覆盖变化时序遥感数据获取Acquisitiondates(yyyy-mm-dd),27siteswereinvestigatedforvalidationofforestchangesmapping,includingAge,Density,Height,foresttypes,3森林覆盖变化时序定量遥感探测,(a)(b),(c)(d),PhotosofdifferentafforestationsitesintheYulindistrict:(a)afforestationofScotspinein1980;(b)afforestationofChinesepinein1980;(c)afforestationofSabinavulgarisin2003;(d)afforestationofChinesepinein2004,3森林覆盖变化时序定量遥感探测,Multi-phenologicalforestz-scoreforforestmapping,Anintegratedforestz-scorewasdesignedtodiscriminateforestandnon-forestpixelsinmulti-spectralimages(Huangetal.2009).Withtrainingforestpixelsdeterminedaccordingtogroundsurveysorvisualinterpretation,themeanandstandarddeviation(SDi)ofbandifortherainingforestsamplescanbecalculatedfromtheGSRimage.Theforestz-score(FZi)valueforthatbandisdefined,3森林覆盖变化时序定量遥感探测,Multi-phenologicalforestz-scoreforforestmapping,However,itisquitedifficulttofindthestableforestpixelsinrecent40yearsinYulindistrict,andtheforestgrowthanddisturbanceduringsuchalongperiodcantbeneglected.Therefore,themulti-phenologicalIFZmodelswerebuiltusingtherecentepochs(2007-2011)tonormalizethephenologicaldifference.,3森林覆盖变化时序定量遥感探测,TemporalIFZcurvesfordifferentlandcoversandlandchangecases,3森林覆盖变化时序定量遥感探测,FlowcharttomaplandcoversandforestchangesusingthedensetimeseriesofIFZandreflectancedata.,3森林覆盖变化时序定量遥感探测,Epoch-wiseafforestation(bluelines,left-handverticalaxis)anddeforestation(redlines,right-handverticalaxis)incrementsbetween1974and2012,3森林覆盖变化时序定量遥感探测,3森林覆盖变化时序定量遥感探测,Confusionmatrixforthesixclasslandcoverandforestchangemapping,3森林覆盖变化时序定量遥感探测,Temporaldetectionaccuracyofforestchanges(epochdifference).,3森林覆盖变化时序定量遥感探测,Wemeasured:Diameter(at10,30,50,and130cmheight),Treeheight,Treeage,Freshweightandwatercontent(forstems,branches,leaves,coarseandfineroots)forPoplartree,PopulussimoniiCarr,Chinesepine,Pinussylvestris,4森林生物量时序定量遥感探测,Relationshipbetweenabovegroundbiomass(AGB)anddiameter,fourspeciestogether(PopulussimoniiCarr,poplartree,Chinesepine,andPinussylvestris)，andthepowerfunctioncurveswasobserved,4森林生物量时序定量遥感探测,森林生物量时序遥感模型,Biomass=f1(species,soil,wateravailable,climatevariables,age)NDVI=f2(species,soil,wateravailable,climatevariables,age)Biomassf3(NDVI,age)Biomasslinear(NDVI*exp(age),4森林生物量时序定量遥感探测,4森林生物量时序定量遥感探测,SceneacquisitiondatesofcollectedLandsattime-seriesimages.Filleddiamondsrepresentthesceneforabovegroundbiomassmapping,4森林生物量时序定量遥感探测,4森林生物量时序定量遥感探测,2002,2007,2013,1986,1990,1994,100km,不同时期森林生物量统计结果.Biomass1andBiomass2arethemeanAGBdensityfortotalforestareaandpersistingforestarea,respectively;Biomass3isthetotalforestAGB;AreastandsfortotalforestareainsixcountiesYulinDistrict.,4.基于造林时间的森林生物量改进模型,近30年来榆林地区森林生物量得到了快速增加，榆林7县总生物量从1986年的5.8Gkg增加到2013年的26.6Gkg，增长了4.6倍，年均增长率为0.68Gkg/a；1974-2013年永久林地生物量呈稳步增加趋势，榆林7县永久林地生物量增加了2.8倍；榆林7县森林平均生物量在2002年前后出现了下降而后有稳步增加，这是由于2000-2003年的大规模植树造林导致森林面积突增的结果。,4.基于造林时间的森林生物量改进模型,榆林地区人工林的森林生物量呈稳步增加趋势，1974年后人工造林区域的森林生物量每年约增加1.03t/ha，1974年的永久林地的森林生物量每年约增加0.98t/ha，二者的生物量增加幅度基本是一致的。,相关论文,YingjieWang,LiangyunLiuetal.DevelopmentandValidationoftheLandsat8surfacereflectanceproductsusingaMODIS-basedper-pixelatmosphericcorrectionmethod,Internationaljournalofremotesensing,2016,37(6):1291-1314YongHu,LiangyunLiu,etal.ALandsat-5AtmosphericCorrectionBasedonMODISAtmosphereProductsand6SModel,IEEEJSTAR,2014,5(7):1609-1615.Wang,Z.,Bastin,G.N.,Liu,L.etal.(2015).Estimatingwoodyabove-groundbiomassinanaridzoneofcentralAustraliausingLandsatimagery.JournalofAppliedRemoteSensing,9(1),096036-096036.LiangyunLiu,DailiangPeng,ZhihuiWang,ImprovingartificialforestbiomassestimatesusingafforestationageinformationfromtimeseriesLandsatstacks,Environmentalmonitori