不同辐射校正顺序对影像融合效果和遥感指数的影响分析

张斌 刘新星 刘冰 茹曼

不同辐射校正顺序对影像融合效果和遥感指数的影响分析

张斌1,2刘新星3,*刘冰1,2茹曼1,2

（1 河南省航空物探遥感中心，郑州 450053）（2 河南省地质局矿产资源勘查中心，郑州 450016）（3 河北地质大学地球科学学院，石家庄 050031）

不同的辐射校正顺序会引起各波段均值变化，进而影响影像融合的效果和遥感指数特征。为选择适合的数据预处理流程，文章研究比较了PC、NNDiffuse和GS三种影像融合方法在不同辐射校正顺序下的效果，并分析了归一化差异植被指数（NDVI）和归一化差异水体指数（MNDWI）特征。结果显示：不同处理形式下的PC融合影像均呈现失真现象，GS融合影像的光谱保真度均较高，NNDiffuse融合影像在先校正后融合顺序下光谱保真度最高；同时PC融合影像提取的NDVI和MNDWI反映的植被和水体信息效果均较差，而NNDiffuse、GS融合影像提取的以上两种指数特征都能有效获取植被和水体信息，两者各有优势。据此，最佳提取流程为先大气校正后影像融合，同时在地物分类和水体信息提取方面应用NNdiffuse融合方法，而在植被信息提取方面应用GS融合方法。

影像融合 辐射校正 光谱保真度 遥感指数 数据预处理 遥感图像

0 引言

遥感影像融合能够实现多光谱和全色影像的优势互补，增强影像的解译能力。更高空间分辨率的影像能够提升遥感指数的精度和利用效率[1]。植被指数作为反映植被长势特征的一个重要遥感指数[2]，在生态环境状况评价[3]、土地利用/覆被变化[4]、作物长势与估产[5]、气候变化[6]等方面发挥了重要作用。水体指数能够反映地表水时空特征[7]，揭示水体微细特征，如悬浮沉积物的分布、水质的变化[8]，对水资源规划管理与相关灾害监测等具有重要意义[9]。

辐射校正能够有效消除传感器、大气和光照等因素对地物反射的影响，提高影像数据精度。在早期遥感指数应用中，DN值因其预处理简单、计算方便，常被用来直接估算地表特征[10]，后来在定量遥感中更加注重传感器、大气的影响而逐渐采用基于辐射定标的表观反射率（TOA）和大气校正的地表反射率（SR）来计算遥感指数[11-14]，文献[10-14]这些研究中遥感指数的计算大多基于原始多光谱影像获取，且研究结果一致表明基于大气校正的地表反射率影像的植被指数和水体指数效果最好。

好的影像融合效果是获得高质量遥感指数的关键，影像融合效果不仅与融合方法有关，同时还受辐射校正先后顺序的影响。融合影像的遥感指数计算因数据预处理工作量大，对于如何选取数据预处理流程来获得高质量的遥感影像和遥感指数，缺少相关对比研究。基于此，本文以Landsat 8 OLI全色和多光谱影像数据为例，探讨采用PC Spectral Sharpening（PC）、NNDiffuse Pan Sharpening（NNDiffuse）、GS Gram-Schmidt Pan Sharpening（GS）三种融合方法在不同辐射校正顺序下的融合影像光谱保真度[15-17]，在融合影像的基础上选取归一化差异植被指数（NDVI）和归一化差异水体指数（MNDWI）两个遥感指数进行特征对比，并分析与原始多光谱遥感指数的相关性，为融合影像及遥感指数在应用前的预处理选择提供参考依据。

1 材料与方法

1.1 研究区概况

研究区位于河南省南阳市，地处河南省西南部，主要分布在淅川县、内乡县南部、邓州市西南部，位于32°35′N～33°08′N、111°00′E～111°52′E之间，与陕西省、湖北省相邻，总面积约2 584 km2。研究区属北亚热带向暖温带过渡的季风性气候，区域内降水量充沛，年降水量在391.3～1 423.7 mm之间，多年平均降水量为804.3 mm，地域分布不均匀，具有西北多东南少的特点。研究区属长江流域汉江水系，丹江自西北向东南纵贯全境。

1.2 数据源及预处理流程

数据源选取2017年8月9日的Landsat 8 OLI L1TP数据。经过几何校正和地形校正，影像无云层遮盖，植被生长茂盛，水体轮廓清晰，数据整体质量较好。

本文将数据预处理流程（辐射校正与影像融合的过程）分为3种形式（见图1）。处理形式1：首先对原始多光谱和全色影像进行基于原始DN值的影像融合，然后进行辐射定标，最后进行大气校正；处理形式2：首先分别对原始多光谱和全色影像进行辐射定标，然后进行基于表观反射率（TOA）的影像融合，最后进行大气校正；处理形式3：首先对原始多光谱和全色影像进行辐射定标，然后对多光谱定标影像进行大气校正，最后进行基于地表反射率（SR）的影像融合。在融合影像的基础上分别提取NDVI和MNDWI。

图1 影像融合与遥感指数的数据预处理流程

1.3 处理方法

1.3.1 影像融合与评价

目前，基于ENVI5.3平台的融合方法主要有HSV、Brovey、PC、NNDiffuse、GS等，其中HSV、Brovey方法受波段限制，只能采用3个波段进行融合。为保持原始影像完整的光谱信息，本文选取PC、GS、NNDiffuse三种融合方法对融合影像的光谱保真度进行定性与定量评价。

定性评价是通过目视判读对融合影像的像质进行评价。定量评价则通过灰度偏差指数（Gray Variance Index，GVI）[18]和相对整体维数综合误差（Erreur Relative Globale Adimensionnelle de Synthese，ERGAS）[19-20]两个指标对多光谱和全色影像融合后的光谱保真度进行评价，其值越小，光谱保真度越好。

1.3.2 辐射校正

辐射校正是为尽可能消除由传感器引起的测量值误差和大气因素引起的误差，该过程包括辐射定标和大气校正。辐射定标指通过传感器的定标修正图像像元灰度值，得到辐射亮度值，减小传感器本身产生的误差，辐射定标公式见式（1）。大气校正采用MODTRAN4模型的Flaash大气纠正模块，将辐射亮度值转化为地表反射率值，有效消除大气散射、吸收和反射产生的误差，获得地物较为准确的信息[21]。

1.3.3 NDVI与MNDWI计算

NDVI通过测量近红外（植被强烈反射）和红光（植被吸收）之间的差异来量化植被信息，计算公式见式（2）。MNDWI则是利用绿波段和短波红外波段之间的差异来量化水体信息（计算公式见式（3）），该指数可以明显增强水体与建筑物指数的反差，从而有利于水体信息的准确提取，同时在揭示水质变化、消除阴影上具有显著优势。

2 实验与分析

2.1 影像融合与辐射校正

3种数据处理形式下，基于3种融合方法共获得9幅影像，如图2所示。通过对图2进行定性分析可知，3种处理形式下融合效果的差异主要表现在水体和植被色调、城镇空间纹理特征上。对于PC融合方法，3幅影像在水体和植被的色调上均有不同程度的失真现象，其中DN_PC影像在水体色调上变化较大；TOA_PC影像在植被色调上变化较大，在城镇空间纹理特征上表现最好；SR_PC影像在水体和植被色调上变化较小。对于NNDiffuse融合方法，TOA_NNDiffuse影像在水体和植被色调以及城镇空间纹理特征上效果最差；DN_NNDiffuse影像较好的保持了水体和植被色调及城镇空间纹理特征；SR_NNDiffuse影像明显增强了植被和水体效果且提升了城镇的空间纹理细节。对于GS融合方法，在3种数据处理形式下3幅影像在植被、水体色调及城镇空间纹理上无明显差异，且能保持较高的融合质量。

注：第一行由左至右分别为DN_PC影像、TOA_PC影像、SR_PC影像；第二行由左至右分别为DN_NNDiffuse影像、TOA_NNDiffuse影像、SR_NNDiffuse影像；第三行由左至右分别为DN_GS影像、TOA_GS影像、SR_GS影像

各融合影像的定量分析结果见表1。3种数据处理形式下，同一融合方法的ERGAS值相同，GVI值存在差异。对于PC融合方法，DN_PC影像GVI值最大，TOA_PC影像其次，SR_PC影像GVI值最小，其值分别为8.272、8.268、8.243，即先融合后大气校正影像的GVI值比先大气校正后融合的要大；NNDiffuse融合方法与PC融合方法具有相同的特点，其中TOA_NNDiffuse影像GVI值最大，其次是DN_NNDiffuse影像，SR_NNDiffuse影像GVI值最小，其值分别为8.391、8.272、7.606；对于GS融合方法，先大气校正后融合的影像的GVI值比先融合后大气校正的要大，其中SR_GS影像GVI值最大，为8.239，DN_GS影像和TOA_GS影像GVI值相同，为8.227。上述结果表明：对于PC和NNDiffuse融合方法，先融合后大气校正比先大气校正后融合更容易引起融合影像的光谱失真；对于GS融合方法，则是先大气校正后融合比先融合后大气校正更容易引起融合影像的光谱失真。结合定性与定量分析，在各处理形式下，GS融合影像效果整体表现较好，PC融合影像效果整体表现较差，NNDiffuse融合影像效果受处理形式不同影响较大，其中SR_NNDiffuse影像融合效果最好，TOA_NNDiffuse影像融合效果最差。

表1 Landsat 8融合影像定量分析结果

Tab.1 Fusion quantitative evaluation of Landsat 8

2.2 NDVI特征分析

3种处理形式下影像的NDVI结果如图3～4所示。其中，由基于PC融合方法的3种处理结果可以看出：仅西北部、中东部和西南部的高山区植被信息高亮显示，而低山区和东部耕地植被的灰度值较低，未能真实反映植被分布情况；同时部分水体被误当作植被而高亮显示，对应图4（a）灰度值的占比情况可以看出水体区的灰度值未形成波峰。

基于NNDiffuse融合方法的3种处理结果，能够较好的反映整体植被覆盖情况，并能有效的“抑制”水体信息（水体呈黑色），对应图4（b）可见有明显的小波峰，峰值在0以下，符合NDVI中水体灰度值分布情况；同时3幅NDVI图像在水体区出现不少“椒盐噪声”，且分布位置不同，说明该融合影像虽能够有效提取NDVI，但3种处理形式表现不够稳定，均有不同程度的水体信息被误提取。

基于GS融合方法的3种处理结果同样能够较好反映整体植被覆盖情况，图像特征无明显差别。对应图4（c）可以看出，3幅融合影像NDVI灰度值较为接近，灰度值范围更接近[–1,1]，即无论辐射校正的先后顺序，GS融合影像的NDVI更稳定；小波峰的峰值小于图4（b），也说明对抑制水体“椒盐噪声”的效果要优于NNDiffuse融合影像的NDVI。

为进一步分析融合后的NDVI变化情况，从NDVI上随机选取了2 850个样点分别统计灰度值，并对3种处理形式的融合影像NDVI值与原始影像NDVI值进行相关性分析，线性拟合结果见图5。通过统计分析，在3种处理形式下，3幅PC融合影像NDVI值与原始影像NDVI值的Pearson相关系数分别为0.230、0.017、0.332，说明PC融合影像NDVI值与原始影像NDVI值相关性弱，即无论辐射校正的先后顺序，其NDVI均不适合作为指标参与定量计算；3幅NNDiffuse和3幅GS融合影像NDVI值与原始影像NDVI值的Pearson相关系数分别为0.970、0.975、0.975，0.975、0.975、0.980，相关系数均较高。

图3 三种不同处理形式的植被指数结果

图4 NDVI灰度值占比曲线

图5（d）～（i）可以看出，GS和NNDiffuse融合影像NDVI与原始影像NDVI的拟合度均较高，其中SR_GS影像NDVI与原始影像NDVI之间的判定系数2最大为0.96，说明自变量SR_GS影像NDVI值可以解释96%的原始影像NDVI值的变化。3幅NNDiffuse融合影像NDVI与原始影像NDVI的判定系数2也达到了0.94以上，故GS和NNDiffuse融合方法在3种处理形式下的NDVI均有较好效果，考虑NDVI获取的稳定性和可靠性，建议选用基于GS的融合方法先大气校正后融合的顺序获取NDVI。

图5 各融合影像与原始影像NDVI值的线性拟合

2.3 MNDWI特征分析

3种处理形式下影像的MNDWI结果如图6～7所示。由基于PC融合方法的3种处理结果可以看出水体提取的效果均较差，对应图7（a）未反映出水体信息的波峰。由基于NNDiffuse和GS融合方法的3种处理结果可以看出湖面与河流轮廓清晰，对应图7（b）和图7（c）在[0.25,1]之间均存在一个小的波峰，反映出了水体的灰度值占比情况，说明无论辐射校正的先后顺序，二者均能够达到增强水体的效果，其中GS融合影像MNDWI值的稳定性更高。通过统计分析，3种处理形式下，3幅PC融合影像MNDWI值与原始影像MNDWI值的Pearson相关系数分别为0.2、0.458、0.640，说明PC融合影像MNDWI与原始影像的MNDWI相关性弱；3幅NNDiffuse融合影像MNDWI值与原始影像MNDWI值的相关系数分别为0.970、0.970、0.975，GS融合影像MNDWI值与原始影像MNDWI值的相关性系数相同，均为0.975。对融合影像与原始影像的MNDWI值进行线性拟合，结果见图8。由图8（f）和图8（g）～（i）可以看出，SR_NNDiffuse影像、3幅GS融合影像与原始影像MNDWI拟合度最高，其判定系数2均达到0.95，但从拟合直线的斜率和截距看，SR_NNDiffuse影像与3幅GS融合影像相比，斜率和截距最小，说明SR_NNDiffuse影像MNDWI值与原始影像MNDWI值之间的差距最小。

图6 三种不同处理形式的水体指数提取结果

图7 MNDWI灰度值占比曲线

图8 各融合影像与原始影像MNDWI值的线性拟合

3 结束语

前人基于不同辐射校正水平仅研究了原始影像的NDVI变化，未对融合影像及其NDVI和MNDWI特征进行细致的研究。本文基于原始DN值的影像融合、表观反射率的影像融合和地表反射率的影像融合3种数据处理形式，对比研究影像融合效果和NDVI、MNDWI变化特征，结论如下：3种数据处理形式下以基于地表反射率（SR）的影像融合顺序得到的影像，在保持植被、水体和城镇空间纹理特征上总体效果最好，提取的NDVI、MNDWI反映植被覆盖与水体轮廓效果最好，但不同的融合方法，其融合效果与NDVI和MNDWI特征也存在差异，其中NNDiffuse融合方法的影像GVI最小，提取的MNDWI与原始影像MNDWI拟合最佳，GS融合方法的影像提取的NDVI与原始影像NDVI拟合最优。

根据此次对Landsat-8的预处理流程的实验研究，在实际的数据预处理工作中，对于影像地物分类及水体信息的提取，应采用NNdiffuse方法先进行大气校正再进行影像融合，可有效增强图像细节，有利于影像分类，提取的MNDWI水体精度更高；对于植被信息提取，采用GS方法按先大气校正再影像融合的顺序，提取的NDVI对植被监测与抑制水体的“椒盐噪声”具有优势。

[1] 符娇, 刘荣, 林凯祥. PCA结合非下采样Shearlet变换的遥感图像融合算法[J]. 航天返回与遥感, 2022, 43(1): 108-119. FU Jiao, LIU Rong, LIN Kaixiang. A New Fusion Algorithm for Remote Sensing Images Based on PCA and Non-Subsampled Shearlet Transform[J]. Spacecraft Recovery & Remote Sensing, 2022, 43(1): 108-119. (in Chinese)

[2] 徐爽, 沈润平, 杨晓月. 利用不同植被指数估算植被覆盖度的比较研究[J]. 国土资源遥感, 2012, 24(4): 95-100. XU Shuang, SHEN Runping, YANG Xiaoyue. A Comparative Study of Different Vegetation Indices for Estimating Vegetation Coverage Based on the Dimidiate Pixel Model[J]. Remote Sensing for Land & Resources, 2012, 24(4): 95-100. (in Chinese)

[3] 缪鑫辉, 梁勤欧. 基于遥感生态指数的甬江流域生态环境变化分析[J]. 长江流域资源与环境, 2021, 30(2): 427-438. MIAO Xinhui, LIANG Qinou. Analysis of Ecological Environment Changes in Yongjiang River Based on Remote Sensing Ecological Index[J]. Resources and Environment in the Yangtze Basin, 2021, 30(2): 427-438. (in Chinese)

[4] 马海云, 张林林, 魏学琼, 等. 2000–2015年西南地区土地利用与植被覆盖的时空变化[J]. 应用生态学报, 2021, 32(2): 618-628. MA Haiyun, ZHANG Linlin, WEI Xueqiong, et al. Spatial and Temporal Variations of Land Use and Vegetation Cover in Southwest China from 2000 to 2015[J]. Chinese Journal of Applied Ecology, 2021, 32(2): 618-628. (in Chinese)

[5] 高中灵, 徐新刚, 王纪华, 等. 基于时间序列NDVI相似性分析的棉花估产[J]. 农业工程学报, 2012, 28(2): 148-153. GAO Zhongling, XU Xingang, WANG Jihua, et al. Cotton Yield Estimation Based on Similarity Analysis of Time-Series NDVI[J]. Transactions of the CSAE, 2012, 28(2): 148-153. (in Chinese)

[6] 周玉科. 青藏高原植被NDVI对气候因子响应的格兰杰效应分析[J]. 地理科学进展, 2019, 38(5): 718-730. ZHOU Yuke. Detecting Granger Effect of Vegetation Response to Climatic Factors on the Tibetan Plateau[J]. Progress in Geography, 2019, 38(5): 718-730. (in Chinese)

[7] 董飞, 张玉彪, 黄登红, 等. 喀斯特山区地表水时空变化分析——以贵阳市为例[J]. 河南科技, 2022, 41(13): 109-113. DONG Fei, ZHANG Yubiao, HUANG Denghong, et al. Analysis of Temporal and Spatial Variations of Surface Water in Karst Mountainous Areas—Taking Guiyang City as an Example[J]. Henan Science Technology, 2022, 41(13): 109-113. (in Chinese)

[8] 徐涵秋. 利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究[J]. 遥感学报, 2005(5): 589-595. XU Hanqiu. A Study on Information Extraction of Water Body with the Modified Normalized Difference Water Index(MNDWI)[J]. Journal of Remote Sensing, 2005(5): 589-595. (in Chinese)

[9] 张磊, 韩秀珍, 翁富忠, 等. 基于Sentinel-2A MSI数据的水体信息提取算法对比研究[J]. 激光与光电子学进展, 2022, 59(12): 505-515. ZHANG Lei, HAN Xiuzhen, WENG Fuzhong, et al. Comparison of Water Information Extraction Algorithms Based on Sentinel-2A MSI Data[J]. Laser & Optoelectronics Progress, 2022, 59(12): 505-515. (in Chinese)

[10] GOWARD S N, TUCKER C J, DYE D G. North American Vegetation Patterns Observed with the NOAA-7 Advanced Very High Resolution Radiometer[J]. Plant Ecology, 1985, 64(1): 3-14.

[11] 李小英, 顾行发, 余涛, 等. CBERS-02 WFI的辐射交叉定标及其对植被指数的作用[J]. 遥感学报, 2006(2): 211-220. LI Xiaoying, GU Xingfa, YU Tao, et al.Radiometric Cross-Calibration of CBERS-02 WFI with MODIS and the Effect on VI[J]. Journal of Remote Sensing, 2006(2): 211-220. (in Chinese)

[12] 龚建周, 夏北成. 基于大气辐射校正的广州市植被覆盖度遥感估算[J]. 应用生态学报, 2007(3): 575-580. GONG Jianzhou, XIA Beicheng. A Remote Sensing Estimation of Vegetation Coverage in Guangzhou Based on the Correction of Atmospheric Radiation[J]. Chinese Journal of Applied Ecology, 2007(3): 575-580. (in Chinese)

[13] 胡凯龙, 刘明, 刘明博, 等. 高分多模卫星在洪涝灾害监测中的应用[J]. 航天器工程, 2021, 30(3): 218-224. HU Kailong, LIU Ming, LIU Mingbo, et al. Application of GFDM-1 Satellite in Flood Disaster Monitoring[J]. Spacecraft Engineering, 2021, 30(3): 218-224. (in Chinese)

[14] 徐涵秋.从增强型水体指数分析遥感水体指数的创建[J]. 地球信息科学, 2008, 10(6): 776-780. XU Hanqiu. Comment on the Enhanced Water Indes (EWI): A Discussion on the Creation of a Water Index[J]. Geo Information Science, 2008, 10(6): 776-780. (in Chinese)

[15] 高永刚, 周文静, 徐涵秋. 遥感影像融合与辐射校正顺序关系探讨[J]. 福州大学学报(自然科学版), 2017, 45(6): 833-839. GAO Yonggang, ZHOU Wenjing, XU Hanqiu. Study on Order Relation between Image Fusion and Radiometric Correction of Remote Sensing Images[J]. Journal of Fuzhou University (Natural Science Edition), 2017, 45(6): 833-839. (in Chinese)

[16] 王芳, 杨武年, 王建, 等. 国产高分卫星像素级影像融合及其质量评价[J]. 测绘科学, 2021, 46(8): 73-80. WANG Fang, YANG Wunian, WANG Jian, et al. Chinese High-Resolution Satellite Pixel Level Image Fusion and Its Quality Evaluation[J]. Science of Surveying and Mapping, 2021, 46(8): 73-80. (in Chinese)

[17] 王海荣, 郭擎, 李安. 波段自适应细节注入的高分五号与Sentinel-2遥感影像空谱融合[J]. 中国图象图形学报, 2021, 26(8): 1896-1909. WANG Hairong, GUO Qing, LI An. Spatial-Spectral Fusion Based on Band-Adaptive Detail Injection for GF-5 and Sentinel-2 Remote Sensing Images[J]. Journal of Image and Graphics, 2021, 26(8): 1896-1909. (in Chinese)

[18] 吴连喜, 梁波, 刘晓梅. 保持光谱信息的遥感图像融合方法研究[J]. 测绘学报, 2005(2): 118-122, 128. WU Lianxi, LIANG Bo, LIU Xiaomei. A Spectral Preservation Fusion Technique for Remote Sensing Images[J]. Acta Geodaetica et Cartographica Sinica, 2005(2): 118-122, 128. (in Chinese)

[19] MARIA G A, XAVIER O, OCTAVI F, et al. A Low Computational-Cost Method to Fuse IKONOS Images Using the Spectral Response Function of Its Sensors[J]. IEEE TransactionsonGeoscienceand Remote Sensing, 2006, 44(6): 1683-1691.

[20] 李昌洁, 宋慧慧, 张开华, 等. 条件生成对抗遥感图像时空融合[J]. 中国图象图形学报, 2021, 26(3): 714-726. LI Changjie, SONG Huihui, ZHANG Kaihua, et al. Spatiotemporal Fusion Satellite Images via Conditional Generative Adversarial Learning[J]. Journal of Image and Graphics, 2021, 26(3): 714-726. (in Chinese)

[21] 李斌, 秦明周, 张鹏岩. Landsat 8遥感影像NDVI的对比研究[J]. 河南大学学报(自然科学版), 2017, 47(2): 155-161. LI Bin, QIN Mingzhou, ZHANG Pengyan. Comparative Study on NDVI of Landsat 8 Remote Sensing Image[J]. Journal of Henan University (Natural Science), 2017, 47(2): 155-161. (in Chinese)

Image Fusion and Remote Sensing Index Feature Analysis Based on Different Radiometric Correction Sequences

ZHANG Bin1,2LIU Xinxing3,*LIU Bing1,2RU Man1,2

（1 Henan Aero Geophysical Survey and Remote Sensing Center, Zhengzhou 450053, China）（2 Mineral Resources Exploration Center of Henan Geological Bureau, Zhengzhou 450016, China）（3 School of Earth Science, Hebei GEO University, Shijiazhuang 050031, China）

Different radiometric correction sequences can cause changes in the mean values of each band, which can in turn affect the effectiveness of image fusion and remote sensing index features. To select an appropriate data preprocessing flow, this study compared the effects of three image fusion methods (PC, NNDiffuse, and GS) under different radiometric correction sequences, and analyzed the features of the normalized difference vegetation index (NDVI) and the normalized difference water index (MNDWI). The results showed that under all radiometric correction sequences, the PC fused image was prone to spectral distortion, while the spectral fidelity of the three GS fused image was high, and the NNDiffuse fused image had higher spectral fidelity when the correction was performed before fusion. Therefore, it is recommended to use the NNDiffuse method for land classification and water information extraction by performing atmospheric correction before image fusion, which can enhance image details and improve MNDWI water accuracy. For vegetation information extraction, the GS method should be used by performing atmospheric correction before image fusion to enhance the monitoring ability of NDVI vegetation.

image fusion; radiometric correction; spectral fidelity; remote sensing index; data pre-processing;remote sensing image

TP751

A

1009-8518(2023)05-0072-11

10.3969/j.issn.1009-8518.2023.05.009

张斌，男，1987年生，2013年获中国矿业大学地球探测与信息技术专业工学硕士学位，工程师。主要研究方向为遥感与对地观测。E-mail：zhangbin2602@163.com。

刘新星，男，1987年生，2016年获中国地质大学矿物学、岩石学、矿床学专业博士学位，副教授。主要研究方向为遥感地质与资源评价。E-mail：liuxinxing963@163.com。

2022-12-28

国家自然科学基金（41702352）；河南省青年人才托举工程（2022HYTP003）

张斌, 刘新星, 刘冰, 等. 不同辐射校正顺序对影像融合效果和遥感指数的影响分析[J]. 航天返回与遥感, 2023, 44(5): 72-82.

ZHANG Bin, LIU Xinxing, LIU Bing, et al. Image Fusion and Remote Sensing Index Feature Analysis Based on Different Radiometric Correction Sequences[J]. Spacecraft Recovery & Remote Sensing, 2023, 44(5): 72-82. (in Chinese)

（编辑：夏淑密）