应用Hyperion图像监测渤海海冰

2013-03-20刘成玉顾卫李澜涛许映军

海洋通报 2013年2期

刘成玉，顾卫，李澜涛，许映军

（北京师范大学地表过程与资源生态国家重点实验室，北京 100875）

不论对于海冰灾害的防灾减灾研究，还是海冰淡化中的资源量估算，都需要实时地获取海冰的面积、厚度和外缘线等信息（邓树奇，1986；陆钦年，1993；史培军等，2003；庞晋超，2010；李澜涛等，2012）。遥感技术是目前可以迅速地、大面积地获取海冰资料的唯一手段（郑新和等，1992；郑新江等，1998）。近些年来，光学遥感被广泛应用于渤海海冰的监测（罗亚威等，2005；王宁等，2011；吴奎桥等，2005；吴龙涛，2006；谢锋等，2003；罗征宇等，2012）。与多光谱遥感图像相比，高光谱遥感图像蕴含接近连续的地物光谱信息，有更高的地物识别能力，在定量或半定量遥感中更具优势。目前，星载的高光谱传感器相对较少。因此，对于卫星高光谱遥感监测海冰的研究较少。

搭载在地球观测实验卫星EO-1 卫星上的Hyperion 高光谱传感器是一颗图像质量较高的传感器。本文对所获得的L1Gst 级海冰Hyperion 图像进行了大气校正，获取了渤海海冰反射率图像，对海冰反射率图像进行了分类，根据分类结果对海冰厚度范围进行了估算，得到海冰厚度分布图。同时，对比分析了由Hyperion 图像所反演的海冰反射率曲线与实测反射率曲线的异同，并用主成分分析方法分析了海冰Hyperion 图像的信息冗余特征。

1 实验数据

Hyperion 高光谱传感器是搭载在地球观测实验卫星EO-1 上的高光谱传感器，EO-1 于2000年11月在美国发射升空。EO-1 卫星的轨道高度为705 km，太阳同步轨道，倾角98.2° （Barry et al，2001）。Hyperion 传感器的工作波段为356～2578nm，共242 个波段，空间分辨率为30 m，由于其正处于试验阶段，Hyperion 图像的覆盖范围较小，仅为7.7 km×44 km（Barry et al，2001）。尽管它的覆盖范围小，但是它已经被广泛应用于农业、林业、矿业、海洋等领域的研究和试验工作。

由于EO-1 是实验卫星，所以并非像其他遥感卫星那样定期过境。因此，我们只获取了2008年1月21日的一幅图像，具体成像时间为北京时间10 时19 分15 秒，成像地点为辽东湾西岸海域，成像时太阳高度角为24.11°，太阳方位角为151.53°，传感器观测天顶角为11.43°。图像的级别为L1Gst 级，经过系统几何校正、投影配准和地形校正。表1 为官方提供的L1Gst 级图像的辐射定标系数（Barry et al，2001）。

表1 Hyperion 图像定标状况

2 数据处理

2.1 海区图像的提取

海区内的主要地物为海冰和海水，海冰和海水在短波红外波段的反射率相对较小（Xie et al，2006），一般来说使用阈值分割即可区分海区与陆地。然而，由于积雪在短波红外波段反射率也较低，再加上陆地上的河湖也结冰，因此还需要根据渤海海图剔除陆地上的冰雪，提取结果见图1。从图中可以看出，所提取的海区也包括了一部分潮间带，甚至包括一部分陆地，与传统的海图的范围定义有所不同，这主要是因为有部分固定冰所致，不过这也符合本文的研究内容。另外，由于图像的南边区域的海水出现了耀斑，该部分也被去掉。

图1 海区图像提取结果图（R：35，G：20，B：9）

2.2 大气校正

由于大气对太阳短波辐射的吸收和散射削弱了到达光学遥感卫星传感器的辐射能量，大气对太阳短波辐射的散射作用又引入了噪声（徐希儒，2006）。因此，要准确地知道地表的反射率需要进行大气校正。在大气上界，对于理想均匀地表、均匀大气条件下，传感器所观测到的表观反射率可以表示为（Vermote et al，1997）：

其中，ρ*（λ）为表观反射率；λ 为波长；ρ（λ）为地表反射率；ρr+a（λ）为大气向上反射率，包括瑞利散射和气溶胶散射；TU（λ）为大气上行总透过率；TD（λ）为大气下行总透过率；S（λ）为向下半球反射率；Tg（λ）为大气吸收率，水汽和臭氧吸收作用较小的波段可以设定为1，而吸收率较大的波段则不能忽视，尤其是对于波段较窄的高光谱图像。由（1）式可知，要求ρ（λ）的值，只要知道以上5 个大气参数的就可以，准确估算大气参数也是大气校正的重点和难点。

对于以海水为下垫面的卫星遥感图像的大气校正最常用的方法主要有，一类水体校正算法、二类水体校正算法以及在此基础上考虑水体特征的特定算法（Gordon，1981；Gordon et al，1994；Hu et al，2000；Land et al，1996；Gordon，1997；Wang et al，2005；Wang et al，2007）。然而，海冰属于亮目标，厚度稍大的海冰在近红外波段的反射率就不容忽视（Xieetal，2006）。Shi 等提出假设1640 nm和2 130 nm 波长处的海冰反射率为0，并采用基于短波红外波段1（Short wave infrared 1，SWIR-1）和短波红外波段2（Short wave infrared 2，SWIR-2）的二类水体大气校正算法对MODIS 海冰图像进行校正，结果表明该方法对于MODIS 海冰图像大气校正比较有效（Shi et al，2010）。

然而对于具有高分辨率的Hyperion 海冰却并非如此，如图2 所示，图2a 中22 波段的中心波长为569.26 nm，是海冰的高反射率区，图2b 中147波段的中心波长为1 618.71 nm，图2c 中215 波段的中心波长为2 304.71 nm。对比图2 中3 幅图像可以看出，对于图1a 中的纹理，在图2b 中有些位置比较明显，尤其是图中红色方框及其附近区域，图2c 中的不是很明显。图2b 中红色方框区域内的海冰和红色方框区域外的海水的表观反射率分别为0.008 51 和0.004 02，而图2c 中的反射率则分别为0.000 70 和0.000 65。这说明对于空间分辨率比MODIS 高30 多倍的Hyperion 图像来说，纯像元大幅度增加，海冰在短波红外波段尤其是在1 600 nm附近的辐射能量不能简单的假设为0，因此，对于光学海冰遥感图像的大气校正来说，用于一类水体和二类水体的大气校正算法并不完全适用。

基于以上论述，本文假设海冰在属于短波红外波段-2 的2 130 nm 附近反射率为0。由于Hyperion 图像在SWIR-2 波段具有多个波段，因此可以根据多个波段确定大气气溶胶的类型和气溶胶光学厚度，确定大气气溶胶类型和光学厚度之后就可以对图像进行逐像元大气校正。为了提高运算效率，需要建立大气参数查找表。目前，可以用来建立查找表的大气模拟程序较多，选用6S（Second Simulation of the Satellite Signal in the Solar Spectrum）程序建立大气参数查找表，6S 程序的计算精度可达95%左右（阿布都瓦斯提等，2004），查找表主要以大气气溶胶类型（主要是大陆型和海上型）和气溶胶光学厚度为变量，由于没有实时的大气测量数据，其他大气条件则选择默认。几何条件则根据图像的元数据确定。整个大气校正的过程见图3。

图2 可见光与短波红外表观反射率对比

图3 大气校正流程

2.3 图像分类

精确的图像分类是快速和准确地进行冰水分离和识别海冰类型的重要前提。本文采用ISODATA聚类分析方法对Hyperion 海冰图像分类。ISODATA 聚类分析方法是一种常用的高光谱图像分类方法。它可以根据初始的诸如分类数量等参数的控制动态地调整样本所属类别，自动地进行类别的“合并”和“分裂”，以得到类数比较合理的最优分类结果（Kuufman et al，1990；童庆禧等，2006）。所使用的海冰图像为盛冰期图像，在分类设置时，最小分类数为2（包括海水和海冰），最大分类数为7 类（包括海水、初生冰、灰冰，灰白冰、白冰、沿岸冰和搁浅冰）。

2.4 图像信息冗余特征分析

高光谱遥感图像具有较高的光谱分辨率，但是同时也具有较大的冗余性。不同的地物的具有不同的光谱曲线，有必要对海冰高光谱图像冗余特征进行分析（杨哲海等，2004）。本文主要采用主成分分析方法对高光谱图像光谱维的特征进行分析。

主成分分析是一种线性变换。对于具有M 个像元，N 个波段的图像来说，可以构成N×M 矩阵X，对X 的每行进行离差标准化后得到矩阵XS，XSXST得到一个协方差方阵，XSXST的特征向量tj（j=1，2，…，N）被称为主成分特征向量，特征值λj称为主成分特征值。对λj进行排序可以得到图像的第j 个主成分。λj值越大表明该主成分贡献率越大，Vj的计算方法为

主成分的选取一般考虑累计贡献率，当第J 个主成分的累计贡献率达到阈值之后，则前K 个主成分为所要选取的主成分yk（j = 1，2，…，K）。原始图像第i 个波段xi与所选取的K 个主成分的相关系数的平方和可以表征原始图像波段xi的贡献率vi（赵选民等，2003；杨诸胜，2006），计算方法为

其中，tik为所选取的第k 个主成分的特征向量的第i 个元素；δii为第i 个波段的方差。

图4 大气校正前/后反射率图像（R：35，G：20，B：9）

图5 大气校正前后反射率

3 结果与分析

3.1 大气校正结果分析

图4 为大气校正前和校正之后的近似真彩色图像。由于大气散射作用，校正之前的图像明显偏蓝（图4a），经过校正之后海水部分的颜色有所变化，由偏蓝变为偏绿，而且图像的对比度也明显增强（图4b）。图5 中的反射率曲线分别为海水和海冰的大气校正前后所对应的反射率曲线，由于校正后在近红外以外的波段出现了负值，只选择了校正后的8-50 波段（421.82～930.41 nm）的反射率图像作为讨论对象。对于海水来说校正后的反射率比校正前的反射率有所降低，海冰在8～14 波段的反射率小于校正之前的反射率，而在15～57 波段的反射率大于校正之前的反射率。从5 中还可以看出，大气吸收率较高的波段（41 波段）也得到了有效校正。

3.2 Hyperion 图像中海冰反射率光谱特征

图6 Hyperion 和MODIS 图像中海冰的反射率

图6 为同时段Hyperion 和MODIS 图像中纯海冰的反射率，Hyperion 图像中的反射率值为MODIS 海冰纯像元所对应的Hyperion 图像像元集合的反射率的均值。相对于在可见光/近红外波段只有4 个多光谱波段的MODIS 海冰反射率，Hyperion 图像中的海冰在可见光/近红外波段的反射率曲线更加平滑，更能凸显出海冰反射光谱的“峰”和“谷”。

3.3 图像分类结果

图7a 为用2.3 节所述方法的分类结果图。分类结果一共包括7 类。图8a 为根据图7a 分类结果计算得到的每个类别的反射率均值曲线，图8b 为实测的同一时期的海冰和海水的曲线。图8a 中的曲线基本上反映了海冰和海水反射率曲线随波长变化的特点（图8b），只是有些波动，这可能主要是因为实际的Hyperion 传感器的光谱响应函数在波段之间具有一定的重叠，另外还与定标的精度有关。值得注意的是波长小于500 nm 时，实测的海冰反射率是随着波长减小而减小的（图8b），而Hyperion 图像的反射率曲线均是先减小后增大（图8a），这可能与Hyperion 图像的定标的精度有关，尤其是8 和9 波段。图7b 是将图8a 和图8b 比较后最终确定的海冰类型分布图。Hyperion 图像可以将初生冰、灰冰/灰白冰和白冰区分开，但是由于灰冰、灰白冰和白冰与固定冰的光谱比较相似，只是由于前三者是浮冰，仅仅用Hyperion 图像的光谱维特征还无法将固定冰和浮冰区分。根据中国浮冰分类体系标准，初生冰的厚度小于10 cm，灰冰/灰白冰厚度在10 至30 cm 之间，白冰厚度大于30 cm（国家技术监督局，1994）。结合图7b 中的海冰分布图可以得到海冰分级厚度分布图，见图9a。图9a 基本上可以反映，海冰的厚度分布趋势，但是实际上固定冰（图9a 左上角）的冰型与厚度相关性不像浮冰那么大，用估算浮冰厚度的方法估算固定冰的厚度会有一定的误差。

图7 分类结果与不同类型海冰分布图

图8 Hyperion 图像中与实测不同类型海冰反射率

图9 各个主成分的贡献率、累计贡献率和波段贡献率

3.4 海冰Hyperion 图像信息冗余特征

图10 各个主成分的贡献率、累计贡献率和波段贡献率

图11 各个波段的相关系数

按照2.4 节所论述的方法，对8-57 波段共50个波段的图像进行主成分分析。图10a 为各个主成分的贡献率和累计贡献率。可以看出，对于海冰图像来说，1-4 主成分的贡献率就高达0.997 之多，后面46 个主成分的贡献率不足0.003。选取前4 个主成分作为海冰Hyperion 图像的主成分，（3）式中的取值为1 到4 的整数，用（3）式计算各个波段的贡献率，计算结果见图10b。从图10b 和图10c 中可以看出，所有波段的贡献率都较大，最小的也高达0.950 0（57 波段），最大的为0.999 5（30 波段）。这可能是由于海冰在可见光/近红外波段的反射率相关性比较强，如图11 所示，相关系数最小的值也高达0.87。不过从图中可以看出可见光波段之间的相关性较大，近红外波段之间的相关性也比较大，但是可见光和近红外波段的相关性相对较小。这也说明海冰Hyperion 图像的信息冗余较大，可压缩程度较高，即压缩比较大。我们选取了30 波段的反射率图像，并假定图7b 中各个海冰类型的海冰厚度随着海冰反射率线性增加，假定白冰的最大海冰厚度为50 cm（Li et al，2009）。由此，可以得到海冰厚度分布图，见图9b。图9b 看起来比图9a 更有渐进性，能更加精确地、清楚地反映出某地的冰厚值。

4 结论与讨论

4.1 结论

本文对所获取的Hyperion 图像进行了大气校正，得到了反射率图像，并分析了Hyperion 可见光/近红外波段图像中海冰反射率特征，根据图像分类结果得到了海冰厚度分级分布图和海冰厚度图。通过分析和总结，主要得出以下结论：（1）用Hyperion 图像光谱维特征可以在一定程度上区分冰水以及冰型，但仅限于光谱有区别的冰型，无法区分浮冰和固定冰；（2） Hyperion 图像可以更清晰的显示出海冰的光谱反射率，得到的光谱曲线与实测的更加相似，可以更加精确的显示反射率峰值的波长，远远优于MODIS 多光谱图像。（3）海冰Hyperion 图像波段间相关系数都较大，信息冗余度较大，其中30 波段贡献率最高。

由于数据获取的限制，本文只对一幅Hyperion图像进行了处理，并探讨了Hyperion 图像监测渤海海冰的可能性，要得到更全面的评估，还需要更多的图像处理和实测验证实验。然而，本文所使用的图像处理方法大都是通用的，因此，对于日后的应用Hyperion 图像监测渤海海冰也具有一定的参考价值。

4.2 讨论

大气校正是卫星光学遥感应用不可避免步骤，大气校正的精度对后续的定量反演具有重要的影响。因此，大气校正的误差是海冰厚度估算误差的主要来源之一。大气参数的估算精度是大气校正误差的重要贡献者。同样，（1）式假设海冰为朗伯体，这也是重要的误差来源。从图10a 的结果来看，用Hyperion 图像的光谱维特征可以区分光谱特征有较大差异海冰类型，而对于光谱特征差异较小的海冰类型（灰白冰/白冰与固定冰）较难区分，可以考虑加入图像的纹理信息进行区分，这也是我们进一步研究的内容之一。另外，图像质量的好坏也决定了图像应用的效果，从图2 可以看出，由于Hyperion 传感器是这对陆地上的地物设计的，当对海冰和海水这类在短波红外波段反射率较低的地物成像时，Hyperion 传感器的信噪比有所降低，有较多条带。因此，需要设计信噪比更高的高分辨率高光谱传感器。

Barry P，Segal C，Carman S，2001. EO-1/ Hyperion Science Data User′s Guide.7-56.

Gordon H R，1997. Atmospheric correction of ocean color imagery in the Earth Observing System era. Journal of Geophysical Research，102（D14）：17081-17106.

Gordon H R，Clark D K，1981.Clear water radiances for atmospheric correction of coastal zone color scanner imagery. Applied Optics，120（24）：4175-4180.

Gordon H R，Wang M，1994. Retrieval of water- leaving radiance and aerosol optical thickness over the oceans with SeaWiFS：a preliminary algorithm.Applied Optics，33（3）：443-452.

Hu C，Carder K L，Muller-Karger F E，2000. Atmospheric correction of SeaWiFSimagery over turbid coastal waters：a practical method. Remote sensing of environment，74：195-206.

Kuufman L，Rousseeuw P J，1990. Finding groups in data：an introduction to cluster analysis.Willey，New York.

Land P E，Haigh J D，1996. Atmospheric correction over case 2 waters with an iterative fitting algorithm.Applied Optics，35：5443-5451.

Li N，Xie F，Gu，et al，2009. Using remote sensing to estimate sea ice thickness in the Bohai Sea，China based on ice type. International Journal of Remote Sensing，30（9）：4539-4552.

Shi W，Wang M H，2010.Sea ice properties in the Bohai Sea measured by MODIS-Aqua：1.Satellite algorithm development.Journal of Marine Systems，95：32-40.

Vermote E，Tanré D，Deuzé J L，et al，1997.Second Simulation of the Satellite Signal in the Solar Spectrum （6s）User′s Guide. UST de Lille Villeneuve d′aseq.Laboratoired′Optique Atmospherique.

Wang M，Shi W，2005. Estimation of ocean contribution at the MODIS near-infrared wavelengths along the east coast of the U S：Two case studies.Geophysical Research Letters，32，L13606.

Wang M，Shi W，2007.The NIR-SWIR combined atmospheric correction approach for MODIS ocean color data processing. Optical Express，15：15722-15733.

Xie F，Gu W，Ha S，et al，2006. An experimental study on the spectral characteristics of one year-old sea ice in the Bohai Sea，China. International Journal of Remote Sensing，27：3057-3063.

阿布都瓦斯提·吾拉木，秦其明，朱黎江，2004.基于6S 模型的可见光、近红外遥感数据的大气校正.北京大学学报（自然科学版），40：611-618.

陈克海，2010.基于6S 模式的高光谱遥感数据大气校正方法研究.中国科学院研究生院.

邓树奇，1986.渤海海冰灾害及其防御概况.灾害学，1986，（1）：80.

国家技术监督局，1994.海滨观测规范.中华人民共和国国家标准.

李澜涛，刘成玉，顾卫，等，2012.渤海海冰淡化利用研究进展与问题.海洋通报，31（1）：105-112.

陆钦年，1993.我国渤海海域的海冰灾害及其防御对策.自然灾害学报，2（4）：53-59.

罗亚威，张蕴斐，孙从容，等，2005."海洋1 号"卫星在海冰监测和预报中的应用.海洋学报，27（1）：7-18.

罗征宇，孙林，2012.基于高光谱影像的渤海海冰遥感监测研究.测绘科学，37（1）：54-55.

庞晋超，2010.浅谈在海事监管中如何应对海冰灾害.物流工程与管理，32（7）：150-160.

史培军，顾卫，谢锋，等，2003.辽东湾冬季海冰资源量的空间分布特征.资源科学，25（3）：2-8.

童庆禧，张兵，郑兰芬，2006.高光谱遥感.北京：高等教育出版社，191-192.

王宁，张晰，纪永刚，2011.凝聚层次聚类的MODIS 海冰外缘线提取算法与应用.地球信息科学学报，13（2）：266-272.