“高分一号”卫星多光谱宽幅相机影像合成

李俊杰 姜涛 傅俏燕

“高分一号”卫星多光谱宽幅相机影像合成

李俊杰 姜涛 傅俏燕

（中国资源卫星应用中心，北京 100094）

云对光学遥感卫星影像影响较大，影像上的云及其阴影均会不同程度遮掩地物，降低影像的使用价值。“高分一号”（GF-1）卫星多光谱宽幅相机（WFV）影像相较于美国的陆地卫星系列和欧空局的“哨兵2号”卫星影像，空间分辨率适中，时间分辨率较高，更有利于进行无云影像合成。利用WFV影像的高频时间序列数据合成无云影像，可使GF-1卫星数据在土地利用和覆盖变化、农作物监测等领域得到更有效的应用。文章基于已有的最大植被指数和最小蓝光波段反射率影像合成方法，提出了一种新的影像合成方法，该方法既解决了最大植被指数合成影像中水体有云和耀斑的问题，也弥补了最小蓝光波段合成影像中陆地上部分云和阴影去除效果不佳的缺陷。将该方法应用于湖南省多云月份GF-1卫星WFV影像的合成实现，结果表明该方法可用于中分辩率、高频时间序列卫星遥感影像合成，合成影像成果中云和云阴影比例低，效果较好。

无云影像 时间序列 影像合成 多光谱宽幅相机 “高分一号”卫星

0 引言

在使用光学卫星传感器观测地球时，云和其他大气现象的干扰是一个令人严重关切的问题[1]。全球的年平均云量为64%，北半球陆地年平均云量为55%[2]。相对固定轨道的光学遥感卫星有超过一半的影像数据受到云的影响，云及其阴影是光学遥感影像上的一个主要噪声源，会不同程度地遮蔽地物。得益于美国的陆地卫星系列、欧空局的“哨兵2号”和中国的“高分一号”（GF-1）的免费、公开的数据政策[3-5]，中等分辨率的陆地观测卫星数据在各行各业得到广泛应用，但是影像上的云会干扰数据的分析，进而增加工作的复杂性。

数据分析人员一般需要花大量的工作来挑选光学影像的无云数据。如何消除和降低云对光学影像的影响，以提升数据使用的方便性成为业内备受关注的问题，影像合成是解决该问题的一种途径，是从一系列纠正好的时间序列影像中按照一定的标准挑选出“最好”的“观测”，合成一幅在该时间段能够代表该区域、在空间上连续且去除云和大气影响的数据集[6]。影像合成时挑选最佳（无云）像元的标准通常有归一化植被指数（Normalized Difference Vegetation Index，NDVI）最大值、亮度温度最大值、地表温度最大值、红波段与近红外波段反射率差异最大值、观测角最小值、热辐射最大值，以及上述两个或多个标准的联合运用[7-8]。

影像合成最初是为了减少甚高分辨率扫描辐射计（AVHRR）时间序列影像中的残留云和气溶胶污染，以产生具有代表性的天数据集[9]。针对AVHRR、MODIS、Landsat和“哨兵2号”等卫星数据，已提出多种影像合成方法并实现了上述卫星数据的无云影像合成[1,6-14]：影像合成标准用得最多的是NDVI最大值，该算法假定对于陆地上的给定像元，较高的NDVI值通常表示较低的云量[10]，但是该方法对于NDVI为负值的区域是失效的，例如水体和裸地等[11]；AVHRR、MODIS和Landsat数据由于有热红外波段，而云的温度相对地表明显偏低，所以这些数据的影像合成方法大多采用了热红外波段[6,8,11,13]，可以较有效去除云。文献[12]针对“哨兵2A”卫星的10m多光谱数据，提出了一种基于暗像元和NDVI最大值的混合方法，但该方法在水体区域效果不佳[12]；对于基于云掩膜的影像合成方法[15]，首先要生成云掩膜，该方法的影像合成结果高度依赖云掩膜的精度，而且长时间序列数据计算复杂度高。

GF-1卫星搭载有16m分辨率多光谱宽幅相机（WFV），具备全球4天重访能力[16]。WFV影像空间分辨率适中，时间分辨率较高，适合进行影像合成生成无云影像，方便用户后续使用。本文提出了一种有效的中分辨率时间序列影像合成新方法，是基于已有的NDVI最大值和蓝波段反射率最小值的影像合成方法生成无云影像，不需要热红外波段，解决了以往影像合成方法中水体区域效果不好的问题，同时最大程度保留了陆地区域的有效信息。将该方法用于湖南省多云月份的时间序列GF-1卫星 WFV影像，实现了该月的无云影像合成，效果较好。

1 影像合成方法

在对某一个时间段内时间序列影像进行影像合成之前，需要对影像的标准产品做一些预处理工作，包括正射校正、大气层顶反射率计算和NDVI计算，然后再按照一定步骤进行影像合成以生成新的无云影像。

1.1 影像预处理

（1）正射校正

卫星在成像过程中受到大气折射、地表曲率和地形起伏等诸多因素的影响，导致影像发生几何形变；正射校正的目的是消除几何形变的影响，将原始影像像元位置关联到地表实际空间位置[17]。通过对影像进行正射校正处理，时间序列的影像都能得到精确的纠正。不同时间的影像之间的几何偏差要小于1个像元，从而保证在进行影像合成时挑选的是同一格网位置的像元。

（2）大气层顶反射率计算

影像的灰度（DN）值应转换为辐射度，以最大程度地减少仪器辐射校准的变化；然后转换为大气层顶反射率，以最大程度地减少因日地距离、太阳高度角和光谱波段不同，导致的大气外太阳辐照度差异而引起的遥感数据变化[18]。

使用辐射定标系数把波段的DN值转为辐亮度，具体算式为

=·DN+（1）

式中是卫星载荷波段入瞳处等效辐射亮度；和分别为定标系数增益、偏移量。

计算各波段的大气层顶反射率，具体公式为

式中B为第波段大气层顶反射率；为日地距离（天文单位）；ESUN为大气层顶的平均太阳光谱辐照度；为太阳的天顶角。

GF-1 WFV影像的外场绝对辐射定标系数可在中国资源卫星应用中心的官方网站下载。

（3）NDVI计算

影像上每个像元的NDVI值将用于后续影像合成中像元的选取，NDVI的计算需要红波段和近红外波段的反射率，具体公式为

NDVI=(NIR–)/(NIR+) （3）

式中和NIR分别为红波段和近红外波段的反射率，本文的NDVI计算使用红波段和近红外波段的大气层顶反射率。

1.2 影像合成

本文假定在一个有限的时间范围内（比如一个月），同一地理位置的地表覆盖类型不发生变化，这是影像合成的前提。从时间序列影像中选取最佳的像元对影像合成的效果非常关键。本文提出的方法其影像合成过程大致可分为有5步（见图1），具体如下：

1）影像数据分块。为了降低计算压力，减少重复运算，采用分块的方式来合成影像；每块3 000× 3 000个像元（900万个像元）；用固定格网的分块去裁切经过预处理的每景数据，得到分块的结果。对于GF-1卫星WFV影像，每一块大小68.6 Mbit（16bit存储）。以下处理步骤均基于分块影像。

2）NDVI最大值影像合成。对于每个像元所在位置，有若干个时相的数据对应，选取其中NDVI最大值所对应时相的影像像元作为合成后影像像元值，得到合成影像A。

3）蓝波段反射率最小值影像合成。类似于步骤2，但像元的选取标准为蓝波段大气层顶反射率最小值，得到合成影像B。

4）影像A和B合成NDVI影像。合成影像A和B分别计算NDVI值，并取两者的NDVI最小值合成新的NDVI影像C。

5）影像A和B合成得到最终的无云影像。对于影像A的像元，如果对应位置上影像C的像元值（NDVI值）小于0，则替换为合成影像B的像元值，得到最终的合成影像D。

图1 影像合成流程

2 影像合成方法实现

2.1 数据集和研究区域

选取2019年8月湖南省行政区范围内云量小于90%的GF-1卫星所有WFV影像作为数据集来验证本文提出方法的有效性。WFV影像有蓝（0.45~0.52µm）、绿（0.52~0.59µm）、红（0.63~0.69µm）和近红外（0.77~0.89µm）4个多光谱波段，其幅宽在国际同类分辨率相机中为最宽[19]。

湖南省位于中国中部，地理范围在北纬24.6°~30.1°，东经108.8°~114.3°之间，总面积21.2×104km2。湖南地处云贵高原向江南丘陵和南岭山脉向江汉平原过渡的地带，地貌多样，由平原、盆地、丘陵地、山地、河湖构成；地跨长江、珠江两大水系，河网密布，有中国第二大淡水湖洞庭湖；属亚热带季风气候，土地资源总量丰富，类型齐全。数据集共计38景，单景影像的幅宽210km，每景数据都部分含云，数据均可从中国资源卫星应用中心的官方网站免费获取（数据列表见表1）。

表1 使用的GF-1卫星WFV影像列表

Tab.1 The list of GF-1 satellite WFV images used

2.2 测试结果

覆盖整个湖南省行政区的分块格网总共144块，挑出其中编号为118的分块展示时间序列影像和合成结果（见图2），均为波段4、3和2假彩色合成。分块118在数据集中共有5个时相的WFV影像，见图2（a）~（e），图像中的黑色部分为无值区域，5个序列影像上都部分有云或不完整，其中图2（e）粗看均为无值区域但仔细看右下角有一小块区域有值。图2（f）是118分块NDVI最大值的合成影像结果，影像完整，基本无云，但是在水体区域存在耀斑和少量云，这是NDVI最大值合成结果的一个缺陷，也是因为水体的NDVI值较低，一般为负值，水体区域在影像合成时依据NDVI最大值选取像元，往往会误选中影像上有云和耀斑的像元；图2（g）是118分块蓝波段反射率最小值的合成影像结果，影像完整，基本无云，水体区域无耀斑，但是陆地的云填补比较突兀，云的阴影没有消除，这是因为阴影的蓝波段反射率很低，陆地区域在影像合成时依据蓝波段反射率最小值选取像元，会误选中影像上有阴影的像元；图2（h）是118分块最终的合成影像结果，影像完整，基本无云，水体区域相对图2（f）无耀斑和云，有明显改善；陆地区域相对图2（g）比较突兀的云填补和大部分云的阴影得到消除；图2（h）作为最终合成影像，结合图2（f）和图2（g）合成结果的优点，避免了缺陷，效果较好。

图2 分块（编号118）时间序列影像和不同方法的合成影像结果

图3左图为研究区144块格网数据集单景影像的叠加展示，明显有较多的云；图3右图是研究区数据集使用本文方法进行影像合成后的结果（范围按照湖南省行政界限裁切）展示；图3的左图和右图均采用波段4、3和2假彩色合成。图3右图展示的影像合成结果总体目视效果较好，无异常值和空洞，云的阴影区和水体上的云及耀斑得到了很好的去除，云量低于1%，局部有云的区域是因为该位置8月WFV时间序列影像均有云。但是合成影像也存在一些问题，例如部分区域还存在色彩差异，虽然时间限定在一个月，可由于成像时的天气差异，本文提出的合成方法未对影像做大气校正，导致部分区域有肉眼可见的色差；在原始分辨率下查看，有些区域还有“补丁”现象，“补丁”区域色彩与周围区域过渡不自然，略显突兀。

图3 覆盖研究区的时间序列单景正射影像叠合图（左）和最终的合成结果（右）

3 结束语

本文提出了一种新的针对中分时序影像的影像合成方法，并在GF-1卫星 WFV数据集上得到了验证。该方法可用于中分、高频时间序列数据的影像合成，在地物类型多样化条件下能有效去除云和阴影的影响。另一方面本方法也有其局限性，主要表现在WFV合成影像的部分区域存在肉眼可见的色彩差异。造成该问题的原因包括双向反射分布（Bidirectional Reflectance Distribution Function，BRDF）效应、未进行大气校正等。WFV影像幅宽较大，4台相机单次成像整体幅宽超过800km。从宽视场卫星数据（例如AVHRR或MODIS卫星）生成的合成影像来看，通常都包含显著的BRDF效应[20-22]。BRDF效应是观测角和太阳照射角度变化和自然表面的各向异性导致的。

鉴于上述因素，后续工作中为了消除BRDF对合成结果的影响，需要限制挑选像元的观测角，理想情况下应选择接近星下点观测的像元，适当增大影像重叠度和时间跨度；另外，还可考虑引入可靠的大气校正算法，对时间序列影像进行大气校正。

[1] CIHLAR J, MANAK D, IORIO M D. Evaluation of Compositing Algorithms for AVHRR Data Over Land[J]. IEEE Transactions on Geoscience and Remote Sensing, 1994, 32(2): 427-437.

[2] HAHN C J, WARREN S G, LONDON J. The Effect of Moonlight on Observation of Cloud Cover at Night, and Application to Cloud Climatology[J]. Journal of Climate, 1995, 8(5): 1429-1446.

[3] WULDER M A, LOVE T R, ROY D P, et al. Current Status of Landsat Program, Science, and Applications[J]. Remote Sensing of Environment, 2019, 225: 127-147.

[4] ASCHBACHER J, MILAGRO-PEREZ M P. The European Earth Monitoring (GMES) Programme: Status and Perspectives[J]. Remote Sensing of Environment, 2012, 120: 3-8.

[5] 赵聪, 杨璐. 中国高分卫星16米数据正式全球开放共享[N/OL]. 中国航天报, 2019-11-09[2020-02-18]. http://www.spacechina.com/n25/n2014789/n2014804/c2773939/content.html. ZHAO Cong, YANG Lu. China's Gaofen Satellite 16m Data is Officially Open for Global Sharing[N/OL]. China Aerospace News, 2019-11-09[2020-02-18]. http://www.spacechina.com/n25/n2014789/n2014804/c2773939/content.html. (in Chinese)

[6] 蒋耿明, 牛铮, 阮伟利, 等. MODIS影像合成算法研究和实现[J]. 国土资源遥感, 2004(2): 11-15. JIANG Gengming, NIU Zheng, RUAN Weili, et al. Cloud-free Composition of MODIS Data and Algorithm Realization[J]. Remote Sensing for Land & Resources, 2004(2): 11-15. (in Chinese)

[7] WOLFE R E, ROY D P, VERMOTE E. MODIS Land Data Storage, Gridding, and Compositing Methodology: Level 2 Grid[J]. IEEE Transactions on Geoscience and Remote Sensing, 1998, 36(4): 1324-1338.

[8] ROY D P. The Impact of Misregistration Upon Composited Wide Field of View Satellite Data and Implications for Change Detection[J]. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(4): 2017-2032.

[9] FRASER A D, MASSOM R A, MICHAEL K J. A Method for Compositing Polar MODIS Satellite Images to Remove Cloud Cover for Landfast Sea-Ice Detection[J]. IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(9): 3272-3282.

[10] HOLBEN B N. Characteristics of Maximum-value Composite Images from Temporal AVHRR Data[J]. International Journal of Remote Sensing, 1986, 7(11): 1417-1434.

[11] WANG L, XIAO P, FENG X, et al. Effective Compositing Method to Produce Cloud-Free AVHRR Image[J]. IEEE Geoscience and Remote Sensing Letters, 2014, 11(1): 328-332.

[12] RAMOINO F, TUTUNARU F, PERA F, et al. Ten-Meter Sentinel-2A Cloud-Free Composite—Southern Africa 2016[J]. Remote Sensing, 2017(9): 652.

[13] ROY D P, JU J, KLINE K, et al. Web-enabled Landsat Data(WELD): Landsat ETM+ Composited Mosaics of the Conterminous United States[J]. Remote Sensing of Environment, 2010, 114(1): 35-49.

[14] VUOLO F, NG W T, ATZBERGER C. Smoothing and Gap-filling of High Resolution Multi-spectral Time Series: Example of Landsat Data[J]. International Journal of Applied Earth Observation and Geoinformation, 2017(57): 202-213.

[15] LUO Y, TRISHCHENKO A, KHLOPENKOV K. Developing Clear-sky, Cloud and Cloud Shadow Mask for Producing Clear-sky Composites at 250-meter Spatial Resolution for the Seven MODIS Land Bands over Canada and North America[J]. Remote Sensing of Environment, 2008, 112(12): 4167-4185.

[16] 陆春玲, 王瑞, 尹欢. “高分一号”卫星遥感成像特性[J]. 航天返回与遥感, 2014, 35(4): 67-73. LU Chunling, WANG Rui, YIN Huan. GF-1 Satellite Remote Sensing Characters[J]. Spacecraft Recovery & Remote Sensing, 2014, 35(4): 67-73. (in Chinese)

[17] 孙家炳. 遥感原理与应用[M]. 武汉: 武汉大学出版社, 2013: 105-116. SUN Jiabing. Principles and Applications of Remote Sensing[M]. Wuhan: Wuhan University Press, 2013: 105-116.

[18] CHANDER G, HUANG Chengquan, YANG Limin, et al. Developing Consistent Landsat Data Sets for Large Area Applications: The MRLC 2001 Protocol[J]. IEEE Geoscience and Remote Sensing Letters, 2009, 6(4), 777-781.

[19] 白照广. 高分一号卫星的技术特点[J]. 中国航天, 2013(8): 5-9. BAI Zhaoguang. Technology Characters of GF-1 Satellite[J]. Aerospace China, 2013(8): 5-9. (in Chinese)

[20] CIHLAR J, HOWARTH J. Detection and Removal of Cloud Contamination from AVHRR Images[J]. IEEE Transactions on Geoscience and Remote Sensing, 1994, 32(3): 583-589.

[21] GAO Feng, JIN Yufang, SCHAAF C B, et al. Bidirectional NDVI and Atmospherically Resistant BRDF Inversion for Vegetation Canopy[J]. IEEE Transactions on Geoscience and Remote Sensing, 40(6), 1269-1278.

[22] ROY D P, LEWIS P, SCHAAF C, et al. The Global Impact of Clouds on the Production of MODIS Bidirectional Reflectance Model-based Composites for Terrestrial Monitoring[J]. IEEE Geoscience and Remote Sensing Letters, 2006, 3(4): 452-456.

Cloud-free Image Composite of GF-1 Wide Field of View Camera

LI Junjie JIANG Tao FU Qiaoyan

（China Centre for Resources Satellite Data and Application, Beijing 100094, China）

Clouds have a greater impact on optical satellite remote sensing images. The clouds and their shadows on the images will cover the ground to varying degrees, reducing the use value of the images. Compared with the US Landsat satellite series and ESA's Sentinel-2 satellite images, the GF-1 WFV image has moderate spatial resolution and high temporal resolution, which is more conducive to cloud-free image composition. Using the high-frequency time series data of the GF-1 WFV image to compose cloud-free images can make GF-1 satellite data more convenient and effective in land use and cover change, crop monitoring and other fields. This paper proposes a new image composite method based on the existing maximum NDVI and minimum blue band reflectance image composite methods, combining the advantages of the two methods above. This method not only solves the problem of cloud and flare in the water body in the maximum NDVI composite image, but also solves the problem of poor cloud and shadow removal on the land in the minimum light band composite image. The method proposed in this paper is used to compose the GF-1 WFV image on a cloudy month in Hunan Province. The results show that this method can be used to compose satellite remote sensing images with mid-resolution and high-frequency time series. The ratio of clouds to cloud shadow of the composite images is low and the result is good.

cloud-free image; time series; image composite; wide field of view; GF-1 satellite

P237

A

1009-8518(2020)05-0095-07

10.3969/j.issn.1009-8518.2020.05.011

2020-02-18

国家重点研发计划资助（2018YFB0505000）

李俊杰, 姜涛, 傅俏燕. “高分一号”卫星多光谱宽幅相机影像合成[J]. 航天返回与遥感, 2020, 41(5): 95-101.

LIJunjie,JIANG Tao, FU Qiaoyan. Cloud-free Image Composite of GF-1 Wide Field of View Camera [J]. Spacecraft Recovery & Remote Sensing, 2020, 41(5): 95-101. (in Chinese)

李俊杰，男，1983年生，2007年获中国科学院研究生院人文地理学专业硕士学位，高级工程师。研究方向为遥感数据处理与应用。E-mail：lijunjie299@126.com。

（编辑：夏淑密）