2018年山东省GF-1 WFV相对辐射归一化数据集

卫星遥感数据即得即用（RTU）产品集 II 区论文（已发表） • 版本 ZH3 Vol 5 (4) 2020

A radiometric normalization dataset of Shandong Province based on Gaofen-1 WFV image (2018)

黄莉婷，焦伟利，龙腾飞

Huang Liting, Jiao Weili, Long Tengfei

DOI: 10.11922/csdata.2020.0005.zh
PID: 21.86101.1/csdata.2020.0005.zh
: 10.11922/sciencedb.947

： 2020 - 02 - 20

： 2020 - 10 - 14

： 2020 - 02 - 22

： 2020 - 12 - 30

1136 6 0

摘要&关键词

摘要：地表反射率是遥感定量反演的一个关键参数，对于研究地表和大气间辐射能量平衡、地物识别和分类、水分与气候模型等具有十分重要的意义。本数据集采用相对辐射归一化的方法，以Landsat 8 OLI地表反射率数据产品为基准影像，对2018年山东省GF-1 WFV卫星无云影像进行辐射归一化。相对辐射归一化处理工作主要包括大气校正、数据重采样、影像配准、掩膜、选取不变特征点和求解辐射归一化系数等流程。辐射归一化后，每景GF-1 WFV影像与其基准影像的不变特征点R²为0.7295以上，RMSE低于0.0172，GF-1 WFV影像地表反射率精度得到提高，可以和Landsat数据协同应用，为遥感定量反演提供数据支持。本数据集为GeoTIFF格式，空间分辨率为16 m。

关键词：GF-1 WFV；山东省；地表反射率；辐射归一化；不变特征点

Abstract & Keywords

Abstract: Surface reflectance is a key physical variable that affects the energy budget in land-atmosphere interactions, recognition and classification of surface features, and climate change research. This dataset uses the relative radiometric normalization method, and takes the Landsat 8 Operational Land Imager (OLI) surface reflectance products as the reference images to normalize GF-1 satellite WFV sensor cloud-free images of Shandong Province in 2018. Relative radiometric normalization processing includes atmospheric correction, image resampling, image registration, mask, extraction of no-change pixels and calculation of normalization coefficients. After relative radiometric normalization, the no-change pixels of each GF-1 WFV image and its reference image are as follows: R² is above 0.7295, and RMSE is below 0.0172. In addition to that, the surface reflectance accuracy of GF-1 WFV image is improved, which can be used together with Landsat data to provide data support for remote sensing quantitative inversion. This dataset is in GeoTIFF format, and the spatial resolution of the image is 16 m.

Keywords: GF-1 WFV; Shandong Province; surface reflectance; relative radiometric normalization; no-change pixels

数据库（集）基本信息简介

数据库（集）名称	2018年山东省GF-1 WFV相对辐射归一化数据集
数据作者	黄莉婷、焦伟利、龙腾飞
数据通信作者	焦伟利（jiaowl@aircas.ac.cn）
数据时间范围	2018年
地理区域	山东省（北纬34°22.9′–38°24.01′，东经114°47.5′–122°42.3′）
空间分辨率	16 m
数据量	35.5 GB
数据格式	*.tif（GeoTIFF，16-bit unsigned integer）
数据服务系统网址	ftp://bigrs-info.com/shandongGF-1/ http://www.sciencedb.cn/dataSet/handle/947
基金项目	中国科学院Ａ类战略性先导科技专项（XDA19090300）；国家自然科学基金项目（61731022）；国家重点研发计划（2016YFA0600302）
数据库（集）组成	本数据集主要由以下两个部分组成：第一部分是2018年山东省GF-1 WFV卫星辐射归一化数据产品，格式为GeoTIFF，一共19幅；第二部分是选取的GF-1 WFV以及对应Landsat 8 OLI影像名字列表文件，命名为山东省高分一号宽幅卫星辐射归一化数据列表，格式为xlsx。此外，提供了一份不变特征点提取样例数据。

Dataset Profile

Title	A radiometric normalization dataset of Shandong Province based on Gaofen-1 WFV image (2018)
Data corresponding author	Jiao Weili (jiaowl@aircas.ac.cn)
Data authors	Huang Liting, Jiao Weili, Long Tengfei
Time range	2018
Geographical scope	Shandong Province (34°22.9′N–38°24.01′N, 114°47.5′E–122°42.3′E)
Spatial resolution	16 m
Data volume	35.5 GB
Data format	*.tif (GeoTIFF, 16-bit unsigned integer)
Data service system	<ftp://bigrs-info.com/shandongGF-1/> <http://www.sciencedb.cn/dataSet/handle/947>
Sources of funding	Strategic Priority Research Program of the Chinese Academy of Sciences (XDA19090300); National Natural Science Foundation of China (61731022); National Key Research and Development Program of China (2016YFA0600302).
Dataset composition	This dataset consists of GF-1 WFV radiometric normalization products in GeoTIFF format of Shandong Province in 2018, and image lists in .xlsx format. In addition, a data sample is provided to show how to extract no-change pixels.

引言

地表反射率数据精度决定了地表物理参数反演、地物识别和分类的准确性，是遥感数据应用的基础。如今遥感卫星的种类不断增加，使得遥感数据资源呈现多源性。然而，由于传感器不同，成像时间、成像条件、大气状况等差异，多源、多时相的卫星遥感数据的光谱值不具有可比性。随着传感器的不断增多和定量遥感的发展，传统的以灰度值（DN值）为主的影像产品已经难以满足遥感应用的需求。

美国地质勘探局（United States Geological Survey，USGS）提出了Analysis Ready Data（ARD）产品，生产可以直接用于应用分析的Landsat序列遥感数据产品^[1]。目前主要是覆盖美国的Landsat系列产品，未来将扩展至全球。CEOS（Committee on Earth Observation Satellites）提出了CARD4L（CEOS Analysis Ready Data for Land）产品框架（http://ceos.org/ard/）^[2]，给出产品的定义和规范，目前主要用于Landsat系列和Sentinel-2的ARD产品。何国金等人^[3-4]提出了遥感卫星数据“即得即用（Ready To Use，RTU）”产品的理念，该团队已经建成了高精度、标准规范、信息完整的中国及周边区域Landsat长时间系列卫星RTU产品库，让用户能够直接使用深加工处理过的遥感卫星数据，免去用户在使用前进行繁琐的预处理过程。

目前可公开获取的Landsat 8和Sentinel-2地表反射率产品都具有较高的精度，可是国产卫星地表反射率精度问题依然没有得到足够重视，没有地表反射率产品可以直接提供给用户使用。建立国产卫星地表反射率数据集供地学等领域科研工作者使用，促进多源遥感数据协同应用，具有重要意义。

山东省地貌类型丰富，涵盖丘陵、盆地、黄河平原以及黄河三角洲等9个基本地貌类型；山东半岛三面环海，水系较发达，黄河横贯东西，大运河纵穿南北，其余中小河流湖泊密布山东省；山东为农业省份，除自然植被包括的落叶阔叶林、针叶林、竹林、灌木丛以及水生植被等10个植被型外，还有大量人工栽培农业植被^[5]。丰富的地表光谱反射率特征，有助于科研工作者进行植被指数计算、地物光谱获取和变化监测等方面的研究。

本文以GF1-WFV为目标影像、Landsat 8 OLI地表反射率产品为基准影像，利用相对辐射归一化方法得到2018年覆盖山东省的较高精度的地表反射率辐射归一化产品。本文给出了影像辐射归一化处理流程以及精度，旨在为相关科研人员提供基础地表反射率数据。

1 数据采集和处理方法

Landsat 8 OLI的地表反射率产品，由USGS专门为Landsat 8数据设计的大气校正程序LaSRC（Landsat 8 Surface Reflectance Code）生成，该程序利用海岸气溶胶波段（band1）进行气溶胶反演测试，运用MODIS辅助气候数据并使用专门的辐射传输模型，被认为是最精确的Landsat 8 OLI大气校正，其结果精度被广泛认可和使用^[6]。本文相对辐射归一化的做法是：以Landsat 8 OLI地表反射率产品影像为参考，调整GF-1 WFV影像的地表反射率，使之与Landsat 8 OLI地表反射率接近。为使参考影像和目标影像具有相同的物理量纲，先对GF-1 WFV影像做大气校正获得地表反射率，这是应用前提。

1.1 数据采集方法

本数据集以中国资源卫星应用中心（http://www.cresda.com/CN/）下载的GF-1 WFV Level1A级DN值影像，以及美国地质勘探局（https://earthexplorer. usgs.gov/）按需提供下载的Landsat 8 OLI Level 2级地表反射率影像为数据源。

为保证传感器在获取遥感数据时受大气影响的差异较小，应该尽量选取同一日期的太阳高度角和方位角接近的影像做相对辐射归一化处理^[7]。但是由于不同卫星的重访周期和幅宽不相同，因此难以获得同一地区的同一日期、同时过境的不同卫星影像，本文在影像选取中遵循影像前后日期在一周内的规则。选取无云影像有助于不变特征点的选取，由于受云、雾、冰雪等的影响，以及根据对应日期范围内Landsat 8 OLI影像的筛选，共获取19景影像用于辐射归一化产品的制作，所用到的遥感影像信息如表1所示。

表1 山东省辐射归一化影像数据列表

	GF-1 WFV		Landsat 8 OLI
序号	成像时间	产品序列号	成像时间	WRS Path/Row
1	20180113	2928329	20180113	120 / 036
2	20180311	3053436	20180309	121 / 035
3	20180327	3087751	20180327	119 / 035
4	20180409	3114922	20180408	123 / 036
5	20180409	3114917	20180408	123 / 035
6	20180409	3114918	20180408	123 / 034
7	20180425	3145588	20180419	120 / 034
8	20180428	3150553	20180428	119 / 034
9	20180504	3163007	20180503	122 / 035
10	20180504	3163006	20180503	122 / 033
11	20180519	3199301	20180514	119 / 034
12	20180523	3208263	20180523	118 / 034
13	20181010	3508988	20181012	120 / 035
14	20181031	3561704	20181026	122 / 036
15	20181031	3561700	20181026	122 / 035
16	20181031	3561705	20181026	122 /034
17	20181031	3561702	20181026	122 / 033
18	20181031	3561710	20181028	120 / 035
19	20181023	3542444	20181028	120 / 035

1.2 数据处理方法

对GF-1 WFV影像进行遥感数据预处理工作，主要包括：正射校正、大气校正，以及和Landsat 8影像配准。对Landsat 8影像的预处理工作主要是影像重采样，使其和GF-1 WFV影像相同分辨率。本文在正则化迭代加权多元变化检测（Iteratively Reweighted Multivariate Alteration Detection，IR-MAD）方法的基础上通过控制未变化集的线性关系、逐步筛选不变特征点的方式进行辐射归一化^[8]，辐射归一化处理技术路线如图1所示。

图1 辐射归一化处理技术路线

1.2.1 建立未变化集

影像上受云及变化地物影响的像元会偏离像元主体，采用自动散点控制回归（Automatic Scattergram-Controlled Regression，ARCSI）^[9]方法去掉影像上受云及变化地物影响的像元，初步建立未变化集，如图2所示：分别在GF-1 WFV、Landsat 8 OLI影像的红波段及近红外波段散点图中，利用正交回归法确定初始回归线，根据HVW、HPW选取占主体信息量的“未变化像元”。HVW是未变化集选择的限制条件，由HPW控制，HPW是不变区域一侧的垂直宽度，如公式（1）所示，式中a是初始回归线斜率^[9]。

\(HVW=\sqrt{1+a^{2}}\cdot HPW\) （1）

图2 由初始回归线确定未变化集

1.2.2 提取不变特征点

在上一步确定的未变化集中，采用正则化迭代加权多元变化检测法（Iteratively Reweighted Multivariate Alteration Detection，IR-MAD）^{[10,11,12 ]}的规则进一步提取不变特征点。下面对该算法规则进行描述。

两景多波段影像，可以表示成向量X和Y，则对影像进行向量计算可以表述为以下优化问题：

（2）

（3）

其中，

和

分别表示X和Y的方差，根据公式（3）的约束条件可以得到：

，基于典型相关分析的方法从小到大求解出相关系数ρ，进一步得到a和b的解。求解出a和b后，用线性变换的差定义MAD变量：

（4）

由于MAD变量是X和Y的线性组合，根据中心极限定理，MAD变量近似满足正态分布，因此服从自由度为p（p为影像波段数）的卡方分布：

（5）

（6）

根据T_j 即可判断各个像素是否发生变化。在迭代计算的过程中，对每个像元设置初始权值为1，每一次迭代计算均值向量与方差矩阵，并计算每个MAD变量，根据每次迭代更新计算的MAD变量更新权值；未发生变化的像元具有较大的权值，经过若干次迭代计算之后，每个像元的权值会趋于稳定，通过权值与阈值的比较便可判定每个像元点是否属于不变特征点。为避免在迭代计算中产生较大的权重值而影响不变特征点的判断，本文在求解协方差矩阵时加入了正则化参数^[12]。

1.2.3 求解辐射归一化系数

由以上两步确定了未变化集，便可由正交回归求解辐射归一化系数a和b：

（7）

（8）

（9）

（10）

（11）

其中，n为不变特征点数，x_{i 、} 分别是GF-1 WFV影像不变特征点的值及其均值，y_i 、分别是Landsat 8 OLI影像不变特征点的值及其均值。

2 数据样本描述

2018年山东省GF-1 WFV相对辐射归一化数据集共包括19景影像，以原始GF-1影像命名规则加后缀“_norm”命名GeoTIFF文件，并提供对应的原始XML元数据文件。空间分辨率为16 m，投影坐标系是WGS84 UTM。为了降低结果储存空间，地表反射率扩大10000倍（范围为0–10000）并存储为16位无符号整型。相对辐射归一化数据结果展示如图3。

图3 相对辐射归一化数据结果

3 数据质量控制和评估

3.1 定量评价

通过计算辐射归一化前后GF-1 WFV影像与Landsat 8 OLI参考图像之间不变特征点的均方根误差RMSE和回归判定系数R²来对辐射归一化精度进行客观评价。

（12）

（13）

其中，

是辐射归一化后GF-1 WFV影像波段k的地表反射率值,

是Landsat 8 OLI影像波段k的地表反射率值，

是Landsat 8 OLI影像波段k的像元地表反射率均值，N是不变特征点数。

R²是对回归模型拟合程度的综合度量，R²越接近于1，模型拟合程度越高；RMSE值越小表示GF-1影像地表反射率值越接近于Landsat 8 OLI地表反射率。本文以地表反射率0–1的范围计算RMSE和R²。在机器学习中，为了避免过度拟合数据，常见的做法是，样例的三分之二作训练集合，三分之一作验证集合。在本文中也采用相同的做法，不变特征点的三分之二作回归拟合，三分之一用来计算R²和RMSE作验证。在表2中列出了每景影像的总不变特征点数N，以及蓝、绿、红、近红外四个波段的R²、RMSE计算结果。由表可知，在19景影像中，R²＞0.7295，RMSE相比辐射归一化前的RMSE值都有所减小，说明辐射归一化后GF-1 WFV影像的地表反射率值精度得到提高，整体接近于Landsat 8 OLI影像。

表2 GF-1 WFV影像R²和RMSE计算结果

WFV产品序列号	不变特征点N	R²				辐射归一化前RMSE				辐射归一化后RMSE
WFV产品序列号	不变特征点N	蓝	绿	红	近红外	蓝	绿	红	近红外	蓝	绿	红	近红外
2928329	33838	0.7894	0.9432	0.9913	0.9873	0.0158	0.0175	0.0112	0.0131	0.0033	0.0032	0.0017	0.0028
3053436	157428	0.8206	0.9152	0.9811	0.9824	0.0758	0.0777	0.0596	0.0419	0.0054	0.0057	0.0039	0.0053
3087751	19330	0.9705	0.9879	0.9900	0.9967	0.0869	0.0803	0.0558	0.0426	0.0013	0.0014	0.0022	0.0023
3114922	30656	0.9672	0.9841	0.9982	0.9713	0.1464	0.1463	0.1026	0.3603	0.0024	0.0021	0.0010	0.0108
3114917	101623	0.9948	0.9975	0.9994	0.9961	0.1336	0.1420	0.1071	0.4037	0.0016	0.0014	0.0010	0.0032
3114918	184898	0.9624	0.9904	0.9983	0.9986	0.1401	0.1517	0.1294	0.3109	0.0042	0.0025	0.0017	0.0016
3145588	17084	0.9015	0.9423	0.8982	0.7912	0.0153	0.0237	0.0290	0.0200	0.0017	0.0016	0.0016	0.0011
3150553	194538	0.9851	0.9752	0.8626	0.8394	0.0401	0.0269	0.0198	0.0100	0.0010	0.0013	0.0016	0.0028
3163007	10907	0.9656	0.9921	0.9955	0.9918	0.0038	0.0036	0.0058	0.0475	0.0025	0.0017	0.0019	0.0055
3163006	63770	0.7806	0.7342	0.9861	0.9942	0.0155	0.0185	0.0248	0.0454	0.0062	0.0172	0.0063	0.0085
3199301	2835	0.9615	0.9822	0.9964	0.9997	0.0043	0.0081	0.0099	0.0195	0.0041	0.0028	0.0021	0.0018
3208263	4211	0.7673	0.8098	0.8712	0.7794	0.0074	0.0143	0.0110	0.0156	0.0026	0.0039	0.0029	0.0010
3508988	69098	0.7991	0.8653	0.9017	0.9980	0.0203	0.0090	0.0094	0.0137	0.0038	0.0025	0.0044	0.0026
3561704	123400	0.9470	0.9901	0.9777	0.9769	0.0095	0.0028	0.0094	0.0099	0.0023	0.0014	0.0032	0.0039
3561700	215326	0.9337	0.9767	0.9937	0.9796	0.0046	0.0078	0.0034	0.0260	0.0039	0.0033	0.0027	0.0062
3561705	164586	0.9440	0.9316	0.9750	0.7295	0.0176	0.0202	0.0088	0.0158	0.0022	0.0033	0.0033	0.0133
3561702	40089	0.7992	0.8122	0.7990	0.9977	0.0116	0.0048	0.0271	0.0176	0.0036	0.0040	0.0079	0.0027
3561710	82457	0.9685	0.9907	0.9920	0.9997	0.0028	0.0086	0.0211	0.0478	0.0023	0.0020	0.0039	0.0015
3542444	50981	0.7358	0.8077	0.9830	0.9981	0.0141	0.0070	0.0069	0.0149	0.0042	0.0065	0.0035	0.0032

3.2 定性评价

采用目视的方法对辐射归一化后的影像进行定性评价。相对辐射归一化后GF-1 WFV影像地表反射率数值接近于Landsat 8 OLI，则两个影像颜色、亮度等十分相似。将辐射归一化前后的GF-1 WFV影像与Landsat 8 OLI影像进行显示对比，如图4所示。由图4可知，经过相对辐射归一化后两个影像颜色、亮度等十分相似，说明归一化的效果较好。

图4 辐射归一化前（左）、辐射归一化后（右）GF-1 WFV影像和Landsat 8 OLI参考影像对比

4 数据价值

提高GF-1影像地表反射率精度，往往可以通过提高辐射定标系数精度、使用较好的大气校正程序的方式。但获取高精度的定标系数、使用大气校正程序获得准确的地表反射率，通常工作量较大，大气辐射传输模型较复杂，且需要获取准确的大气参数。GF-1卫星影像通道数较少，增加了大气校正的难度，此时，相对辐射归一化方法提供了一种较为简便的方式提高地表反射率精度。在相对辐射归一化方法中要求Landsat 8 OLI与GF-1影像获取日期相差在一周左右，能够满足大部分影像。

本文对2018年山东省地区国产高分一号宽幅16 m分辨率影像，采用相对辐射归一化方法，获取较高精度的地表反射率数据产品。本产品云量少，使用者可直接进行遥感应用。后续本数据集将会补充新的时序产品，为地区可持续发展及科学研究提供基础数据支撑。本数据集对于生态环境监测、遥感土地利用分类、长时序地表覆盖变化检测等具有重要的应用价值。

致谢

感谢中国资源卫星应用中心和美国地质勘探局提供的数据支持。

[1]

DWYER J L, ROY D P, SAUER B, et al. Analysis ready data: enabling analysis of the landsat archive[J]. Remote Sensing, 2018, 10(9): 1363.

+ CSCD · Baidu Scholar

[2]

LEWIS A, LACEY J, SUSANNE M, et al. CEOS analysis ready data for land (CARD4L) overview[C]. IEEE International Geoscience and Remote Sensing Symposium, 2018: 7407-7410.

+ CSCD · Baidu Scholar

[3]

何国金, 焦伟利, 张兆明, 等. Landsat系列卫星RTU产品库建设与共享[J]. 中国科技成果, 2018 (10): 11-13.

+ CSCD · Baidu Scholar

[4]

HE G J, ZHANG Z M, JIAO W L, et al. Generation of ready to use (RTU) products over China based on Landsat series data[J]. Big Earth Data, 2018, 2(1): 56-64.

+ CSCD · Baidu Scholar

[5]

刘园园. 基于RS和GIS的山东省植被覆盖的时空演变特征及其成因研究[J]. 地理科学研究, 2015, 4(3): 95-109.

+ CSCD · Baidu Scholar

[6]

LLORI C O, PAHLEVAN N, KNUDBY A. Analyzing performances of different atmospheric correction techniques for Landsat 8: application for coastal remote sensing[J]. Remote Sensing, 2019, 11(04): 469.

+ CSCD · Baidu Scholar

[7]

杨天鹏, 闫文佳, 张远. GF-1WFV与Landsat 8 OLI和Sentinel-2AMSI遥感图像光谱信息转换研究[J]. 华东师范大学学报（自然科学版）, 2017, (06): 136-146.

+ CSCD · Baidu Scholar

[8]

黄莉婷, 焦伟利, 龙腾飞, 等. 基于正则化IR-MAD的GF-1影像辐射归一化研究[J]. 遥感信息, 2020, 35(03): 99-109.

+ CSCD · Baidu Scholar

[9]

ELVIDGE C D, YUAN D, WEERACKOON R D, et al. Relative radiometric normalization of landsat multispectral scanner (mss) data using an automatic Scattergram-Controlled regression[J]. Photogrammetric Engineering & Remote Sensing, 1995, 61(10): 1255-1260.

+ CSCD · Baidu Scholar

[10]

NIELSEN A A, CONRADSEN K, SIMPSON J J. Multivariate alteration detection (mad) and MAF postprocessing in multispectral, bitemporal image data: new approaches to change detection studies[J]. Remote Sensing of Environment, 1998, 64(01): 1-19.

+ CSCD · Baidu Scholar

[11]

CANTY M J, NIELSEN A A. Automatic radiometric normalization of multitemporal satellite imagery with the iteratively re-weighted MAD transformation[J]. Remote Sensing of Environment, 2008, 112(03): 1025-1036.

+ CSCD · Baidu Scholar

[12]

NIELSEN A A. The regularized iteratively reweighted MAD method for change detection in multi- and hyperspectral data[J]. IEEE Transactions on Image Processing, 2007, 16(02): 463-478.

+ CSCD · Baidu Scholar

数据引用格式

黄莉婷, 焦伟利, 龙腾飞. 2018年山东省GF-1 WFV相对辐射归一化数据集[DB/OL]. Science Data Bank, 2020. (2020-02-22). DOI: 10.11922/sciencedb.947.

稿件与作者信息

论文引用格式

黄莉婷, 焦伟利, 龙腾飞. 2018年山东省GF-1 WFV相对辐射归一化数据集[J/OL]. 中国科学数据, 2020, 5(4). (2020-03-07). DOI: 10.11922/csdata.2020.0005.zh.

黄莉婷

Huang Liting

主要承担工作：数据挑选，算法编写，论文撰写。

（1994—），女，广西钦州人，硕士研究生，研究方向为遥感图像处理。

焦伟利

Jiao Weili

主要承担工作：总体思路与方案设计，论文修改。

jiaowl@aircas.ac.cn

（1965—），女，辽宁凤城人，正高级工程师，研究方向为遥感图像处理与工程应用。

龙腾飞

Long Tengfei

主要承担工作：方案设计和技术指导，论文修改。

（1986—），男，湖北武汉人，博士，助理研究员，研究方向为遥感图像智能处理。

出版历史

I区发布时间：2020年2月22日（版本ZH2）

II区出版时间：2020年12月30日（版本ZH3）