基于GDAL 的干旱灾情遥感监测系统构建研究

牛思天

（中测新图（北京）遥感技术有限责任公司，北京100000）

干旱是全球最为常见的自然灾害。据统计，我国每年发生的自然灾害中，气象灾害占到了70%，而干旱占到了气象灾害的50%，干旱的发生频率远远超过了其它气象灾害。干旱具有持续时间长、影响范围大、危害程度高等特点[1]。

近来不断发展的传感器技术及图像处理方法为旱情的快速、自动、全面化监测开辟了一条新途径。当前利用遥感技术检测干旱灾情主要是通过遥感专业软件来实现，商业遥感数据处理系统虽然具备基本图像处理分析功能，但不能满足实际业务中特定的操作流程和处理方法，且实效性差、自动化程度低[2]。开发专业的旱灾遥感监测系统，可提高旱灾影响范围和影响程度的监测效率，有利于建立旱灾遥感监测快速响应机制，实现影响情况的及时反馈[3]。旱灾影响范围的快速监测也可为决策部门制定救灾决策提供可靠的信息和数据支撑。编制一套可以利用内建的专有模型实现干旱灾情自动时序监测的遥感监测干旱软件就显得尤为重要。

GDAL 是基于C/C++平台的开源库，具备非常好的可扩展性和可移植性，能够为干旱灾情遥感监测系统的开发提供支撑[4]。MODIS 遥感数据具有分辨率适中、覆盖范围大、更新周期稳定的特点[5-7]，是干旱灾害时序监测的优势数据源[8]。

本文拟开发一种以C#作为平台的基于GDAL 库的遥感干旱监测系统，系统具有自动化和长期运行的特点，系统功能包括原始遥感数据处理、图像解译辅助功能、干旱监测功能，从而达到实现基于MODIS 遥感数据的干旱区域自动时序监测的目的。

1 系统构建方法

干旱灾情遥感监测系统采用模块化设计，其关键技术是干旱灾情影响面积监测模块的设计。干旱灾情面积监测主要根据用户输入的遥感数据，系统自动调用检测算法，并进行干旱灾情面积计算统计。除了干旱灾情自动监测模块外，还包括了遥感影像处理模块和图像解译辅助模块。同时，该系统还具有数据管理、空间分析等功能。其中数据管理模块主要功能包括遥感数据输入、通道数据管理、数据格式转换、数据增强等预处理功能，为精确的干旱灾情面积监测提供简单的数据预处理，也可为干旱灾情面积监测结果进行处理，使结果图像更简单清晰易懂。空间分析模主要为系统生成的干旱灾情面积范围做简单的编辑，并根据监测数据生成监测结果折线图。

GDAL 开源库是系统开发的基础。GDAL 可以为系统的二次开发提供标准的开发接口并且能够针对多重格式类型栅格数据进行读取、写入、转换和处理等操作。

2 遥感影像处理模块

遥感影像处理模块的主要目的是实现原始影像的预处理，以及辐射校正、几何校正、太阳高度角校正、以及遥感影像镶嵌等几个主要功能，遥感影像处理模块的各个功能所包含的核心需求及算法介绍如下。

2.1 辐射校正。辐射校正主要针对由于太阳辐射到地面的强度以及地物的光谱反射率及数据获取或传输系统随机产生的辐射失真或畸变等多种因素而带来的影响从而造成影像亮度畸变，最终达到消除或更正畸变的过程。在实际应用过程中，由于MODIS 的原始数据的存储方式通常为16-Bit 整数，为了将整数型数据重新转换为反射率值（反射通道）和辐射亮度（发射通道）一般采取尺度转换的方法转换为辐射率和仅应用于反射波段的反射率。

2.2 几何校正。几何校正是为了消除在遥感影像成像过程中因为多种其他因素（摄影材料变形、物镜畸变、大气折光、地球曲率、地球自转、地形起伏等）而导致的原始图像上各地物的几何位置、形状、尺寸、方位等特征与在参照系统中的表达要求不一致时产生的变形而采取的一种技术手段。本系统利用GDAL 中几何多项式的模型来进行几何校正，主要用到GDAL 中的函数CPL_DLL CPL_STDCALL 和DALSuggestedWarpOutput2 函数。

2.3 太阳高度角校正。太阳高度角校正主要是针对在以太阳光为主的可见光波段的大气辐射传输过程中，由于成像过程中遥感器的位置变化，从而引起太阳高度角畸变，继而产生的图像接受能量变化的校正。在实际卫星探测过程中，地表辐射亮度探测值会因为不同探测点产生的不同太阳高度角而出现偏差，其值随太阳高度角改变而改变。与此同时，太阳天顶角的订正，可以最大程度的将由辐射亮度探测值所带来的不可避免的偏差，还可以将可见光和近红外所探测而来的数据的误差降到最低。

2.4 遥感影像镶嵌。遥感影像镶嵌是将两幅或多幅遥感影像按实际需求拼接成一幅整体影像的技术过程。遥感镶嵌形成的视觉可行全景图像使得影像的分析和研究更为便利。为便于统一分析和研究[9]，本系统的影像镶嵌技术步骤如下。（1）根据数据块的名称，获取数据块在整个图幅中的行列号；（2）将所有数据块利用算法遍历，计算出所有数据块的最大和最小行列号，最终获得整个图幅范围；（3）将整个图幅根据实际需要划分成多个子图幅；（4）最后根据各个子图幅的范围创建不同的数据集，获取镶嵌影像。

3 图像解译辅助模块

对影像和监测成果的快速显示与浏览是遥感图像处理与分析软件的一个重要的功能。干旱灾情遥感监测系统利用GDAL的快速高效的文件读取功能，可以实现动态地分块从文件中读取图像块到内存，建立动态金字塔结构，从而有助于图像解译的快速实现。图像解译辅助模块功能包括图像漫游、图像放大、图像缩小等功能。

3.1 图像漫游。图像漫游是指在某一特定分辨率下，将图像在显示窗口中上下左右任意移动，从而得到目的区域的操作方法。图像漫游的目的是为了减少由大画面遥感图像所造成的图像无法完整显示从而使得编辑作业难度增大。图像漫游功能实现的主要依托于内存金字塔的构建。

3.2 图像放大。图像放大的目的是为了清楚看到原图像中所需的细节信息。在一些高精度大图像中，细节信息必须通过放大来展现。图像放大同样依托于金字塔的构建。以在金字塔n-q 图层是否有对应块进行区分，从而进行后续针对性操作，若超过了设定的内存上限，则执行LRU 替换算法移除一些图像块直至出现可容纳新加入的图像块数据空间，完成读取工作；若在实验过程中没有发现对应块，那么我们利用GDAL 类库中的函数RasterI 从文件中读取块数据，将这一数据块加入到内存金字塔中完成图像放大。

3.3 图像缩小。图像缩小的目的是使图像在浏览显示区域中完全展现并且在必要时刻生成目标图像的缩略图。这是图像解译三大模块中最复杂的操作。它的完成同样以金字塔的构建为基础。在缩小的环节中，更多的依靠于LRU 替换算法，执行LRU 替换算法从而移除其中一些关系不大的图像块直至出现有足够空间可满足新加入图像块的数据需求。若超出了设定的内存上限，则执行LRU 替换算法从中移除一些图像块，并且将该块加入到内存金字塔中，直到找到有充足的空间可以容纳新的图像块数据，然后显示出该块图像。

4 干旱灾情自动监测模块

干旱灾情遥感监测系统应具有响应快速，计算高效，测量准确的性能，系统能够根据用户输入的数据，自动对数据按照预先设定的流程进行自动化处理，利用预设算法自动提取干旱灾情影响范围，计算干旱灾情面积。其中，高精度的算法是本模块的核心内容。

4.1 NDVI 计算功能。植被指数是利用植物在可见光、近红外波段的反射光与土壤背景之间的差异来反映植物的生长状况的指数。NDVI（归一化植被指数）指数具有对不同视角和大气条件不敏感的特性，基于遥感数据计算农业种植区域的NDVI 指数，对监测受干旱危害的植被覆盖区域的程度卓有成效。

NDVI（NormalizedDifferentialVegetationIndex）是一种常用的植被指数，也是描述区域旱情的重要指标。归一化差值植被指数处于可见光波段和近红外波段，植被具备强吸收与强反射光谱特征，因此植被指数法应用在作物长势监测和土壤水分评估上具备一定的优势[10]。当缺水或者水分过多时，就会影响作物的生长，因此作物对可见光波段的反射率将增高并且红外波段的反射率大大降低。基于这个原理，通过可见光及近红外两个波段的线性或非线性组合而成的植被指数作为评估作物的受旱状况的标准。

4.2 二值化图像功能。二值化在图像增强，图像分割，图像识别等领域被广泛应用，目前采取的主流方法是全局阈值法和局部阈值法。全局阈值法是针对整幅图像选取单一阈值来进行二值化，特点是计算速度快，背景灰度差效果显著。局部阈值法是针对划定好的若干区域中的每个区域进行有目的的阈值化，一些情况下也会对图像中每一个像素点参考邻近区域像素点的灰度变化进行逐点二值化，计算速度较全局阈值法缓慢，但在图像复杂或背景存在噪声等难度系数较大的背景下，效果优于全局阈值法。

5 系统构建

本次旱情遥感监测系统的主要功能模块分别是：遥感影像处理模块、图像解译辅助模块、干旱灾情自动监测模块、干旱等级划分、干旱区域制图。

整个系统按照功能划分主要是三个区域，分别是菜单区，查询检索区，以及制图表达和浏览区。菜单区位于界面的最上层，主要有系统栏（系统内容设置空间清理等），特征参数栏（NDVI 植被指数、温度、云、水体等指数产品提取计算、产品管理）、干旱指数栏（一些相关指数）。查询检索区是右边栏部分，主要提供对各种指数产品按照时间、区域查询、统计，制图表达和数据浏览区为系统主体部分。

6 结论

本论文通过GDAL 库能够读取和显示MODIS 数据，实现了包括辐射校正、大气校正、几何校正、遥感影像镶嵌、感兴趣区裁剪等图像预处理流程，还实现了图像漫游、图像放大与缩小的浏览基本操作。通过GDAL 库读写波段数据，提取归一化植被指数NDVI。以NDVI 干旱指数为基数，进行干旱等级划分和出图。本软件虽然实现了读取MODIS 数据，并能对其进行了一系列的图像预处理流程和干旱指数计算，但遥感图像格式还包括NetCDF、Geotiff、IMG、Tiff 等多种格式。后续的工作中，为了有效节省学习数据格式和数据格式转换所带来的时间及其人力消耗，可统一到GDAL 的框架体系下进行多源遥感数据的统一解析。此外，本文在进行干旱监测时仅使用了NDVI 指数，常用的指数还有VCI（植被状态指数），DVI（距平植被指数）等。但是在今后的工作中，可基于多个干旱指数进行旱情监测，并以多个结果展开分析和对比。