高分卫星成像模型讲解

高分一号遥感卫星数据林地信息快速提取方法的研究周日平【摘要】不同类型的林地具有不同的反射率特征,由此计算获得林地识别与分类的归一化植被指数(NDVI).NDVI可参与对高分一号遥感图像的监督分类:首先根据图像光谱特征及NDVI参数,在ENVI专业图像处理平台上,选择各类林地的典型样本区,进行计算机自动信息提取,获得每个像素点属于某类林地的相似度信息,然后结合纹理、形状、空间关系等特征,利用聚类分析和迭代运算等综合处理方法,快速得到具有实用性的专题分类矢量结果.该方法光照度相对较弱的阴坡和薄云覆盖下的林地分类识别效果也比较好.通过对光谱角填图法、马氏最小距离法、最大似然法等监督分类的结果进行比较,认为采用光谱角填图法提取高分一号卫星原始数据的林地矢量信息精度最高.【期刊名称】《中国煤炭地质》【年(卷),期】2019(031)002【总页数】5页(P72-76)【关键词】植被指数;波谱特征;林地信息;光谱角填图法【作者】周日平【作者单位】中煤地质集团大地高科北京 100075【正文语种】中文【中图分类】P6270 引言自20世纪70年代，遥感技术开始应用于国土资源调查中，此后随着遥感技术系统的快速发展，尤其是高分辨率和多光谱遥感卫星影像的出现，人们能够及时获取所需要的空间基础信息和各种地物信息。

充分利用卫星遥感动态的、周期性的对地观测数据，逐步实现地学专题信息的自动获取，既是GIS中数据采集自动化研究的一个方向，也是遥感信息定量化的一个方面。

实现图像解译的自动化与高精度定量化，是遥感应用领域发展的要求，也是当前遥感发展的前沿[1]。

遥感成像是从多到少的映射，是个确定过程，而影像解译是从少到多的映射，是个不确定过程[2]。

目前对卫星影像分割技术的研究远远滞后于卫星成像技术的发展,数据处理速度远跟不上遥感卫星获取数据的节奏,各种自然资源信息快速矢量化是一项艰巨的工作[3]。

获取大面积矢量化专题信息，传统的遥感图像分类方法主要依赖于人机交互目视解译，依靠经验手工拾取边界。

第49卷第1期2021年1月河海大学学报(自然科学版)Journal of Hohai University(Natural Sciences)Vol.49No.1Jan.2021DOI :10.3876/j.issn.10001980.2021.01.008 基金项目:国家重点研发计划(2018YFC0407903);国家自然科学基金青年科学基金(41701487);国家自然科学基金(42071346);中央高校基本科研业务费专项(2019B02714)作者简介:潘鑫(1989 ),男,副教授,博士,主要从事定量遥感研究㊂E⁃mail:px1013@通信作者:杨英宝,教授㊂E⁃mail:yyb@引用本文:潘鑫,杨子,杨英宝,等.基于高分六号卫星遥感影像的太湖叶绿素a 质量浓度反演[J].河海大学学报(自然科学版),2021,49(1):50⁃56.PAN Xin,YANG Zi,YANG Yingbao,et al.Mass concentration inversion analysis of chlorophyll a in Taihu Lake based on GF⁃6satellite data [J].Journal of Hohai University(Natural Sciences),2021,49(1):50⁃56.基于高分六号卫星遥感影像的太湖叶绿素a 质量浓度反演潘　鑫,杨　子,杨英宝,孙怡璇,孙浦韬,李藤藤(河海大学地球科学与工程学院,江苏南京　211100)摘要:针对太湖叶绿素a 浓度反演大多采用低中分辨率遥感数据,缺少基于高分辨率遥感数据研究的现状,采用高分六号卫星遥感影像,运用波段比值模型㊁归一化差异叶绿素指数(NDCI )模型和三波段模型定量反演了太湖蓝藻的叶绿素a 质量浓度,并采用2018年10月28日㊁2019年4月6日和2019年6月3日的高分六号卫星遥感影像对3种模型的反演精度进行了验证㊂结果表明,采用NDCI 模型的平均相对误差㊁均方根误差和平均绝对误差最小,NDCI 模型具有更好的精度和稳定性,更适合高分六号卫星遥感影像在太湖叶绿素a 质量浓度反演方面的应用㊂关键词:叶绿素a 质量浓度;高分六号卫星;遥感反演方法:太湖中图分类号:P237 文献标志码:A 文章编号:10001980(2021)01005007Mass concentration inversion analysis of chlorophyll a in Taihu Lake based on GF⁃6satellite dataPAN Xin ,YANG Zi ,YANG Yingbao ,SUN Yixuan ,SUN Putao ,LI Tengteng (School of Earth Science and Engineering ,Hohai University ,Nanjing 211100,China )Abstract :Low resolution satellite imageries are mostly used in the mass concentration inversion analysis of chlorophyll a in Taihu Lake,with insufficient high resolution satellite images.Based on the GF⁃6satellite data,this study quantitatively retrieved the mass concentration of chlorophyll a in Taihu Lake with the band ratio (TBR)model,the normalized difference index of chlorophyll (NDCI)model and the three⁃band semi⁃analysis(TBS)model.The inversion accuracy of the three models was verified by using the GF⁃6satellite image data on October 28,2018,April 6,2019,and June 3,2019.The results show that the average relative error,root mean square error and mean absolute error of the NDCI model are the minimum.Therefore,the NDCI model has better accuracy and stability,and is more suitable for the application of GF⁃6satellite in the inversion of chlorophyll a mass concentration in Taihu Lake.Key words :mass concentration of chlorophyll a;GF⁃6satellite;remote⁃sensing inversion method;Taihu Lake目前国内外使用较多的叶绿素a 浓度反演模型主要有3种:经验模型㊁生物光学模型以及半经验/半分析模型,3种模型各有其优势及局限性㊂祝令亚[1]以太湖为研究区,采用MODIS 数据,用波段组合算法建立了叶绿素a 浓度的反演模型㊂温新龙等[2]以太湖为例,基于环境一号卫星CCD 数据,利用波段组合算法,发现基于CCD 数据第4波段与第3波段反射率比值的二次模型具有良好的叶绿素a 浓度反演效果㊂朱利等[3]基于环境一号卫星多光谱数据,建立了分地区季节经验模型反演叶绿素a 浓度㊂李旭文等[4]基于Landsat TM 数据和地表实测数据建立了经验模型,并对梅梁湖区蓝藻生物量进行了估算,证明叶绿素a 浓度和DVI(差异植被指数)的相关性较高㊂李素菊等[5]基于波段比值(the band ratio,TBR)模型及一阶微分模型进行了巢湖流域浮游植物叶绿素含量和反射率光谱特征关系的研究㊂李铜基等[6]基于数理统计方法,结合实测数据,建立了以色素质量浓度0.7mg /m 3为分界点时地表反射率与叶绿素a 浓度的关系㊂段洪涛15第1期潘　鑫,等　基于高分六号卫星遥感影像的太湖叶绿素a质量浓度反演等[7]以查干湖区域为研究区,基于叶绿素荧光峰(700nm)和叶绿素吸收峰(670nm)的反射率比值与叶绿素a 浓度的对数关系建立了使用高光谱数据的经验回归模型㊂刘忠华[8]基于单波段叶绿素a浓度模型对太湖流域西部进行了研究,表明叶绿素a浓度在712nm波长处与地表反射率的相关性最强㊂关于单波段模型, Rundquist等[9]基于对大量实测数据的研究,认为叶绿素a浓度在690nm波长处与地表反射率的相关性较高㊂赵碧云等[10]基于不同波段反射率与叶绿素a浓度的相关性建立了针对TM遥感数据的叶绿素a水质反演模型,并研究了滇池流域的水质,证明TBR模型可以消除部分大气对反演结果的影响,一定程度提高了反演精度㊂上述研究表明,经验模型局部反演精度较高,且模型构建方法简单,但实测数据的质量对其反演结果影响较大,在不同空间和时间尺度的适用性不强㊂在叶绿素a浓度的生物光学模型研究中,Gordon等[11]提出了具有代表性的生物光学模型基本公式,但该模型中的各部分参数定量表征复杂;李云梅等[12]等建立了基于模拟数据的生物光学模型,并且成功进行了太湖流域的叶绿素a浓度反演;Lee等[13]提出了QAA(quasi⁃analytical algorithm),主要应用于二类水体叶绿素a浓度的估算㊂Li等[14]则提出了叶绿素a浓度反演分析IIMIW模型㊂生物光学模型的参数受到水体组成成分的影响较大,在时间和空间尺度上的普适性同样有待提高㊂Dall’Olmo等[15]提出了基于半经验/半分析模型的三波段(three band semi⁃analysis,TBS)模型,Le等[16]研究表明,近红外波段吸收系数受浑浊水域悬浮物浓度的影响,须引入第4个波段以消除悬浮物浓度造成的影响,并将三波段算法发展成为四波段模型㊂黄昌春等[17]利用具有较大时空差异性的水体组分和光学特性数据集对现有叶绿素a浓度的半分析模型和生物光学模型进行了检验,三㊁四波段模型总体反演精度高㊂徐祎凡等[18]以太湖为研究区,利用TBS算法构建了基于地球静止海洋彩色成像仪数据(GOCI)的太湖叶绿素a浓度反演模型㊂Zhang等[19]在研究中指出,季节变化会引起水体组分变化,导致算法具有局限性,提出了一种软分类方法对常用的半分析模型进行了实验,通过分类来提高反演精度㊂目前叶绿素a浓度遥感反演大多基于中低分辨率遥感数据,精度有待提高㊂本文采用我国首颗具有红边波段的高分六号(GF⁃6)卫星遥感影像进行了太湖流域叶绿素a质量浓度反演研究,并进行了不同反演模型的精度分析,以寻求基于高分六号卫星遥感影像反演叶绿素a质量浓度的最佳模型㊂1　叶绿素a质量浓度反演方法简介本文选用基于经验模型和半经验/半分析模型进行叶绿素a质量浓度的反演㊂基于经验模型的叶绿素a质量浓度反演模型有TBR模型和归一化差异叶绿素指数(normalized differential chlorophyll index,NDCI)模型,基于半经验/半分析模型的叶绿素a质量浓度反演模型有TBS模型,3种模型计算公式分别为(1)ρ(Chl⁃a)=A+B R a Rbρ(Chl⁃a)=A+B R c-R dR c+R d(2)(R-1e-R-1f)R g∝ρ(Chl⁃a)(3)式中:ρ(Chl⁃a) 叶绿素a质量浓度;A㊁B 常数;R a㊁R b㊁R c㊁R d㊁R e㊁R f㊁R g 参与计算的遥感反射率㊂为了评价叶绿素a质量浓度反演模型的精度,采用平均值偏差(DMC)㊁标准差偏差(DSD)㊁平均绝对误差(AE)㊁平均相对误差(MRE)㊁均方根误差(RMSE)为精度评价指标㊂2　研究区概况和研究数据2.1　研究区概况太湖流域的地理位置为30°55′40″N~31°32′58″N㊁119°52′32″E~120°36′10″E,属于亚热带季风气候区,降水充足,年平均降水量1177mm,多年平均天然年径流量160.1亿m3㊂太湖流域的地形特点为四周高㊁中间低㊁西部高㊁沿海的东部地区低㊂太湖流域河网密布,湖泊众多,总面积大于0.5km2的湖泊共计189个,其中太湖富营养化最严重的地区是梅梁湾[20]㊂这些湖泊可以调节河川径流,同时具有灌溉等多种功能,丰富的湖泊资源成为太湖流域社会经济发展的基础条件㊂太湖是太湖流域内面积最大的湖泊,是我国第二大淡水湖,面积2338km2,多年平均蓄水量44.28亿m3㊂2.2　研究数据2.2.1　高分六号卫星遥感影像高分六号卫星是我国高分专项系列中发射的第一颗具有红边波段的国产卫星[21],于2018年6月2日在酒河海大学学报(自然科学版)第49卷泉卫星发射中心成功发射并入轨运行,属于太阳同步卫星,其轨道高度为645km㊂高分六号卫星搭载了2台全色多光谱相机㊁4台多光谱相机,有8个波段,空间分辨率为16m㊂相对于高分系列的其他卫星,高分六号卫星新增了4个波段,其中有2个红边波段㊁1个紫光波段和1个黄光波段㊂红边波段更有利于利用植物的 陡坡效应”,可以有效地监测植被信息,适合于环境监测以及植被监测,在水体富营养程度方面的监测还有待研究㊂本文采用的遥感数据是高分六号卫星宽幅传感器获取的太湖地区2018年10月28日㊁2019年4月6日和2019年6月3日的3幅影像,图像像素大小为16m×16m,为经过预处理的L1A 级数据㊂高分六号卫星遥感影像的预处理主要包括传感器校正和大气校正两个过程㊂传感器校正又被称作辐射定标过程,其目的主要是消除传感器自身在遥感影像中造成的误差,这一步只是得到比较准确的大气顶层的辐射亮度,因为地表反射的太阳辐射在经过大气传输后仍然会有所改变,因此还需要进行大气校正㊂经过大气校正后的反射率误差很小,可用于叶绿素a 质量浓度的反演㊂2.2.2　实测数据实测数据包括1期24个采样点的叶绿素a 质量浓度和实测水面光谱反射率,以及5个自动监测站的3期叶绿素a 质量浓度数据㊂24个采样点的采样日期为2018年4月25 26日;3期自动监测站的采样日期分别为2018年10月28日㊁2019年4月6日和2019年6月3日,监测站分别为大雷山㊁漫山㊁西山西㊁焦山和漾西岗㊂实测的样点数据被分成两个部分:第一部分使用具有实测水面光谱反射率以及叶绿素a 质量浓度的采样点数据,用来建立叶绿素a 质量浓度计算模型,称为建模数据,共计24个;第二部分使用不具备实测水面光谱反射率,只包含叶绿素a 质量浓度的样点数据,用来检验模型的反演精度,称为检验数据,共计15个㊂a.叶绿素a 质量浓度测定㊂采用分光光度法在实验室中测定,对采集的水样使用GF /C 滤膜过滤,将抽滤水样的体积记为V 1㊂然后将滤膜放到冰箱中冷冻,48h 后取出,再用热乙醇萃取,后在岛津UV2401分光光度计上测定665nm 和750nm 处吸光度,并计算2个吸光度的差A 1,再加入稀盐酸酸化测定酸化后的提取液在665nm 和750nm 处的吸光度差A 2,提取液的最终定容体积记为V 2,根据下式换算得到叶绿素a 质量浓度:ρ(Chl⁃a)=27.9(A 1-A 2)V 2V 1(4)图1　太湖水体实测反射率光谱曲线Fig.1　Measured reflectance spectral curve of Taihu Lake water b.水体光谱采集㊂采用ASDHandHeld2便携式地物光谱仪采集太湖清洁水体和蓝藻水华水面光谱㊂光谱范围为350~1075nm,光谱分辨率为1nm㊂光谱采集过程中仪器距离水面约1m,采用倾斜测量的方式进行[22],获得的实测水面反射率光谱曲线见图1㊂3　反演模型的构建与精度评价3.1　高分六号卫星的波段模拟实测反射率采样当天没有高分六号卫星过境,所以只能进行波段模拟,通过模拟波段反射率来建立卫星反射率和叶绿素a 质量浓度之间的相关关系㊂高分六号卫星传感器有8个波段,波段范围为450~890nm,在对高分六号卫星进行叶绿素a 敏感波段分析的过程中,无法直接用实测遥感反射率(R rs )与高分六号卫星遥感反射率(R GF ⁃6)进行替换㊂因此,需要根据高分六号卫星的光谱响应函数,先对实测遥感反射率做波段等效,波段等效计算公式为R mea2=∑910nm λ=450nm R rs λf λ∑910nm λ=450nm f λ(5)式中:λ 波长;R rs λ 波长λ处的遥感反射率;f λ 波长λ处的高分六号卫星的光谱响应函数;25第1期潘　鑫,等　基于高分六号卫星遥感影像的太湖叶绿素a质量浓度反演图2　高分六号卫星光谱响应函数曲线Fig.2　Spectral response function curve of GF⁃6satellite 图3　高分六号卫星模拟波段反射率Fig.3　Simulated band reflectance ofGF⁃6satellite 450nm㊁910nm 高分六号卫星最短㊁最长波长㊂高分六号卫星的光谱响应函数如图2所示(图中B1~B8分别表示高分六号卫星的8个波段)㊂根据高分六号卫星的光谱响应函数建立的实测数据等效波段反射率如3所示㊂与图1太湖水体的实测反射率光谱曲线进行比较,高分六号卫星在550nm 与700nm 附近出现反射率的峰值,其对应的波段为B2与B5,实测反射率的峰值出现在560nm 以及710nm附近,分别处于B2波段和B5波段的范围内㊂高分六号卫星在660nm 处出现反射率吸收峰,对应的波段为B3波段,实测反射率的吸收峰出现在670nm 附近,处于B3波段范围内,可见,高分六号卫星模拟波段的反射率特征和实测波段的反射率特征一致,可以替代实测数据反射率进行敏感波段的选择㊂3.2　反演模型构建3.2.1　TBR 模型采用24组实测叶绿素a 质量浓度数据和对应采样点的光谱数据来选择TBR 模型最佳波段,将卫星波段范围内每个等效波段的反射率分别除以其余所有等效波段的反射率,用得到的比值与叶绿素a 质量浓度计算相关系数,取相关性最大的2个波段作为最佳波段,求得高分六号卫星的最佳波段为B2(波段1)和B5(波段2)㊂高分六号卫星的TBR 指数与叶绿素a 质量浓度的关系见图4(图中TBR 指数表示高分六号卫星第2波段和第5波段反射率的比值)㊂3.2.2　NDCI 模型NDCI 模型最佳波段选择方法同TBR 模型,得到高分六号卫星的最佳波段为B2(波段1)和B5(波段2)㊂高分六号卫星的NDCI 指数与叶绿素a 质量浓度的关系见图5(图中NDCI 指数表示高分六号卫星第2波段和第5波段反射率之差除以二者之和)㊂3.2.3　TBS 模型采用24组实测的叶绿素a 质量浓度数据和对应采样点的光谱数据来选择TBS 模型最佳波段,按照最优波段选择的方法,将实测的水面光谱反射率替换成高分六号卫星的模拟波段,求得高分六号卫星的最佳波段为B3(波段1)㊁B6(波段2)和B2(波段3)㊂高分六号卫星TBS 指数与叶绿素a 质量浓度的关系如图6所示㊂图4　高分六号卫星TBR 指数与叶绿素a 质量浓度的关系Fig.4　Relation between TBR index and chlorophyll a mass concentration ofGF⁃6satellite 图6　高分六号卫星TBS 指数与叶绿素a 质量浓度的关系Fig.6　Relation diagram of TBS index and chlorophyll a concentration of GF⁃6satellite 图5　高分六号卫星NDCI 指数与叶绿素a 质量浓度的关系Fig.5　Relation diagram of NDCI indexand chlorophyll a mass concentration of GF⁃6satellite TBS 指数计算公式为35河海大学学报(自然科学版)第49卷I TBS =1εB3-1ε()B6εB2(6)式中:I TBS TBS 指数值;εB2㊁εB3㊁εB6 高分六号卫星第2㊁3㊁6波段的反射率㊂3.3　反演结果的定性比较选取2019年4月6日高分六号卫星遥感影像,采用3种模型来进行太湖叶绿素a 质量浓度的反演,影像的假彩色合成和3种模型提取的叶绿素a 质量浓度分布如图7所示㊂从图7可以看出,太湖中叶绿素a 质量浓度较高的区域一般分布在南部沿岸区㊁竺山湖与西部沿岸区的交界处和东太湖㊂其中NDCI 模型和TBR 模型叶绿素a 质量浓度反演的结果比较相似,而在南部沿海岸区TBS 模型反演的高质量浓度叶绿素a 的量要比NDCI 模型和TBR 模型多㊂图7　太湖叶绿素a 质量浓度的分布(单位:mg /m 3)Fig.7　Distribution of chlorophyll a mass concentration in Taihu Lake (units :mg /m 3)3.4　高分六号卫星和MODIS 遥感影像反演结果对比表1　高分六号卫星与MODIS 遥感影像反演精度对比Table 1　Inversion precision comparison between GF⁃6satellite and MODIS data 遥感影像模型DMC /%DSD /%AE /(mg㊃m -3)MRE /%RMSE /(mg㊃m -3)GF⁃6TBR 44.0020.11 2.5123.37 3.68NDCI35.2144.92 2.4522.27 2.99MODIS TBR 84.2061.78 6.4084.00 6.47NDCI 69.8165.30 4.0952.41 4.50 基于MODIS 的2019年4月6日的遥感影像,采用TBR㊁NDCI 模型进行太湖叶绿素a 质量浓度的反演,继而与高分六号卫星的反演结果进行对比,结果见表1和图8㊂从图8可以看出,MODIS 遥感影像反演的叶绿素a 质量浓度整体偏低㊂从表1可以看出,MODIS 遥感影像反演的叶绿素a 质量浓度的DMC㊁DSD㊁AE㊁MRE㊁RMSE均要大于高分六号卫星遥感影像的反演值,因此采用高分六号卫星遥感影像反演叶绿素a 质量浓度是可靠的㊂图8　高分六号卫星与MODIS 遥感影像反演结果对比(单位:mg /m 3)Fig.8　Comparison of inversion results between GF⁃6satellite and MODIS Data (units :mg /m 3)表2　高分六号卫星遥感影像反演叶绿素a 质量浓度的精度Table 2　Inversion accuracy of chlorophyll a massconcentration from GF⁃6satellite image模型DMC /%DSD /%AE /(mg㊃m -3)MRE /%RMSE /(mg㊃m -3)TBR 14.1843.37 4.8038.168.00NDCI 5.1943.86 4.6435.287.47TBS 4.2743.57 6.0967.997.853.5　反演模型精度评价未参与建模的样点数(检验数据)有15个,去除影像因薄云影响的5个数据,实际参与检验的数据为10个㊂采用3幅高分六号卫星遥感影像对3种反演模型进行精度评价,结果见表2㊂由表2可见,TBS 模型的DMC 为4.27%,效果最好,NDCI 模型的DMC 为5.19%,略低于TBS45第1期潘　鑫,等　基于高分六号卫星遥感影像的太湖叶绿素a质量浓度反演模型,TBR模型的DMC为14.18%,说明TBR模型反演的叶绿素a质量浓度的平均值与实测的叶绿素a质量浓度的平均值误差较大㊂DSD则是TBR模型较好,TBS模型次之,NDCI模型最差,3种模型的DSD均在43%~44%范围内,相差不到1%,说明3种模型反演结果的分布较为接近㊂TBR㊁NDCI㊁TBS模型的MRE 分别为38.16%㊁35.28%和67.99%,说明TBR模型和NDCI模型的反演结果较好,TBS模型反演效果较差㊂表3为高分六号卫星3幅验证遥感影像反演结果的AE和MRE平均绝对误差统计表㊂可以看出,在3种模型中,验证样点最大MRE为86.76%,出现在TBS模型采用2019年6月3日卫星遥感影像的反演结果中;最小MRE为22.27%,出现在NDCI模型采用2019年4月6日卫星遥感影像的反演结果中㊂表3　3幅高分六号卫星遥感影像反演结果的AE和MRETable3　Statistical table of AE and MRE of three GF⁃6satellite images遥感影像日期AE/(mg㊃m-3)MRE/%TBR模型NDCI模型TBS模型TBR模型NDCI模型TBS模型2018年10月28日 2.86 2.79 3.7641.8339.2056.59 2019年4月6日 2.51 2.45 4.3523.3722.2760.64 2019年6月3日 6.02 5.677.1749.3044.3586.76综合3幅遥感影像反演的平均结果来看,最大MRE和最大AE均出现在TBS模型中,最小MRE和最小AE出现在NDCI模型中㊂TBS模型的MRE均超过了50%,反演结果较差㊂TBS模型对太湖地区的叶绿素a 质量浓度预测值偏高,可能是太湖地区复杂的水质情况导致TBS模型的精度较差㊂对2019年6月3日的卫星遥感影像反演结果进行分析,3种模型的MRE均超过了40%,AE均超过5mg/m3,NDCI模型的结果比其他两个模型效果稍好,但也较为一般㊂这可能因为实测叶绿素a质量浓度数据都低于15mg/m3的限制,所以本文建立的模型可能更适用于叶绿素a低质量浓度的反演㊂对于2018年10月28的卫星遥感影像,TBR和NDCI模型的MRE小于TBS模型㊂对2019年4月6日的卫星遥感影像,TBR与NDCI模型反演结果的MRE 接近,反演结果较为可靠㊂4　结 论a.TBR模型与NDCI模型的最佳波段为第2波段和第5波段,TBS模型的最佳波段为第2波段㊁第3波段和第6波段㊂b.3种模型中,NDCI模型的MRE㊁AE和RMSE均最小,基于高分六号卫星第2波段和第5波段构建的NDCI模型比其他模型具有更好的精度和稳定性,更适用于高分六号卫星遥感影像在太湖叶绿素a质量浓度反演方面的应用㊂参考文献:[1]祝令亚.湖泊水质遥感监测与评价方法研究[D].北京:中国科学院遥感应用研究所,2006.[2]温新龙,景元书,李亚春,等.基于环境一号卫星数据的太湖叶绿素a浓度反演[J].环境科学与技术,2014,37(10):149⁃153.(WEN Xinlong,JING Yuanshu,LI Yachun,et al.Quantitative estimation of chlorophyll⁃a concentration in Lake Taihu based on HJ⁃1satellite images[J].Environmental Science&Technology,2014,37(10):149⁃153.(in Chinese)) [3]朱利,姚延娟,吴传庆.基于环境一号卫星的内陆水体水质多光谱遥感监测[J].地理与地理信息科学,2010,26(2):81⁃84.(ZHU Li,YAO Yanjuan,WU Chuanqing.Remote sensing monitoring on water quality of interior water body based on the HJ⁃1satellite multi⁃spectral data[J].Geography and Geo⁃Information Science,2010,26(2):81⁃84.(in Chinese))[4]李旭文,季耿善,杨静.太湖梅梁湖湾蓝藻生物量遥感估算[J].国土资源遥感,1995(2):23⁃28.(LI Xuwen,JI Gengshan,YANG Jing.Estimating cyanophyta biomass standing crops in Meiliang Gulf of Lake Taihu by satellite remote sensing[J].Remote Sensing for Land&Resources,1995(2):23⁃28.(in Chinese))[5]李素菊,吴倩,王学军,等.巢湖浮游植物叶绿素含量与反射光谱特征的关系[J].湖泊科学,2002(3):228⁃234.(LISuju,WU Qian,WANG Xuejun,et al.Relationship between chlorophyll content and reflectance spectral characteristics of phytoplankton in Chaohu Lake[J].Journal of Lake Sciences,2002(3):228⁃234.(in Chinese))[6]李铜基,陈清莲,朱建华,等.黄东海秋季色素经验算法研究[J].海洋技术,2004(4):113⁃116.(LI Tongji,CHENQinglian,ZHU Jianhua,et al.Chlorophyll empirical algorithm of Yellow Sea and the East China Sea in autumn[J].Marine Technology,2004(4):113⁃116.(in Chinese))5565河海大学学报(自然科学版)第49卷[7]段洪涛,张柏,宋开山,等.查干湖叶绿素a浓度高光谱定量模型研究[J].环境科学,2006(3):3503⁃3507.(DUANHongtao,ZHANG Bai,SONG Kaishan,et al.Hyperspectral remote sensing of chlorophyll⁃a in the Chagan Lake,China[J].Environmental Science,2006(3):3503⁃3507.(in Chinese))[8]刘忠华.基于高分数据的太湖重点污染入湖河流叶绿素a浓度遥感反演[D].南京:南京师范大学,2012.[9]RUNDQUIST D C,HAN L,SCHALLES J F,et al.Remote measurement of algal chlorophyll in surface waters:the case for thefirst derivative of reflectance near690nm[J].Photogrammetric Engineering and Remote Sensing,1996,62(2):195⁃200. [10]赵碧云,贺彬,朱云燕,等.滇池水体中叶绿素a含量的遥感定量模型[J].云南环境科学,2001(3):1⁃3.(ZHAO Biyun,HE Bin,ZHU Yunyan,et al.Study on the remote sensing model for chlorophyll⁃a in Dianchi Lake[J].Yunnan Environmental Science,2001(3):1⁃3.(in Chinese))[11]GORDON H R,BROWN J W,BROWN O B,et al.A semianalytic radiance model of ocean color[J].Journal of GeophysicalResearch Atmospheres,1988,93(10):10909⁃10924.[12]李云梅,黄家柱,韦玉春,等.用分析模型方法反演水体叶绿素的浓度[J].遥感学报,2006(2):169⁃175.(LI Yunmei,HUANG Jiazhu,WEI Yuchun,et al.Inversing chlorophyll concentration of Taihu Lake by analytic model[J].Journal of Remote Sensing,2006(2):169⁃175.(in Chinese))[13]LEE Z,CARDER K L,ARNONE R A.Deriving inherent optical properties fromwater color:a multiband quasi⁃analytical algorithmfor optically deep waters[J].Applied Optics,2002,41(27):5755⁃5772.[14]LI L,SONG K,LI Y,et al.An inversion model forderiving inherent optical properties of inland waters:establishment,validationandapplication[J].Remote Sensing of Environment,2013,135(4):150⁃166.[15]DALL’OLMO G,GITELSON A A.Effect of bio⁃optical parameter variability on the remote estimation of chlorophyll⁃aconcentration in turbid productive waters:experimental results[J].Applied Optics,2005,44(3):412⁃22.[16]LE Chengfeng,LI Yunmei,ZHA Yong,et al.A four⁃band semi⁃analytical model for estimating chlorophyll a in highly turbidlakes:the case of Taihu Lake,China[J].Remote Sensing of Environment,2009,113(6):1175⁃1182.[17]黄昌春,李云梅,徐良将,等.内陆水体叶绿素反演模型普适性及其影响因素研究[J].环境科学,2013,34(2):525⁃531.(HUANG Changchun,LI Yunmei,XU Liangjiang,et al.Study on influencing factors and universality of chlorophyll⁃a retrieval model in inland water body[J].Environmental Science,2013,34(2):525⁃531.(in Chinese))[18]徐祎凡,陈黎明,陈炼钢,等.基于GOCI数据的暴雨后太湖水体叶绿素a浓度遥感反演研究[J].水利水电技术,2020,51(10):151⁃158.(XU Yifan,CHEN Liming,CHEN Liangang,et al.High temporal resolution remote monitoring of chlorophyll aconcentration change after rainstorm based on GOCI data in Lake Taihu[J].Water Resources and Hydropower Engineering, 2020,51(10):151⁃158.(in Chinese))[19]ZHANG F,LI J,SEHN Q,et al.Algorithms and chemes for chlorophyll⁃a estimation by remote sensing and optical classificationfor turbid lake Taihu,China[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2015,8(1):350⁃364.[20]马孟枭.基于MODIS影像的太湖蓝藻水华面积高精度计算方法及应用[D].南京:南京大学,2014.[21]王旭. 长征”二号丁运载火箭成功发射 高分”六号卫星[J].中国航天,2018(6):14.(WANG Xu.Long March2DINGcarrier rocket successfully launched GF⁃6satellite[J].China Aerospace Science and Technology,2018(6):14.(in Chinese)) [22]唐军武,田国良,汪小勇,等.水体光谱测量与分析Ⅰ:水面以上测量法[J].遥感学报,2004(1):37⁃44.(TANG Junwu,TIAN Guoliang,WANG Xiaoyong,et al.The mechods of water spectra measurement and analysisⅠ:above water measurement [J].Journal of Remote Sensing,2004(1):37⁃44.(in Chinese))(收稿日期:20201106　编辑:熊水斌)。

目前世界上常用的遥感卫星主要有，Spot系列卫星，LandSat系列卫星,IKON OS系列卫星，CBERS-1卫星，ERS系列卫星，JERS卫星，IRS卫星，OrbView-3 卫星，KH-11 型侦察卫星，GeoEye-1 卫星，Terra 卫星，RapidEye 卫星、意大利COSMO-SkyMe系列，Quickbird 卫星，印度 Cartosat-1(IRS-P5) 卫星，PROBA1星，SMOSE星，DMC卫星，各个卫星的轨道参数和运行特点及成像方式均不相同，下文只是做了个简单的介绍一、SPOT卫星(法国)：1. 简介：SPOT1 1986年2月发射，至今还在运行。

SPOT2 1990年1月发射，至今还在运行。

SPOT3 1993年9月发射，1997年11月14日停止运行。

SPOT4 1998年3月发射，至今还在运行。

SPOT5 2002年5月发射，现在仍在有效运行2. 轨道特点：轨道高度832公里，轨道倾角98.7 C，重复周期26天。

太阳同步准回归轨道，通过赤道时刻为地方时上午10:30。

但由于采用倾斜观测，所以实际上4-5天就可对同一地区进行重复观测3. 成像特点：卫星上装有两台高分辨率可见光相机( HRV，可获取10m分辨率的全遥感图像以及20m分辨率的三谱段遥感图像。

这些相机有侧视观测能力，可横向摆动27°卫星还能进行立体观测。

SPOT-4卫星遥感器增加了新的中红外谱段，可用于估测植物水分，增强对植物的分类识别能力，并有助于冰雪探测。

该卫星还装载了一个植被仪，可连续监测植被情况。

二、LandSat 卫星1。

简介：第一颗陆地卫星是美国于1972年7月23日发射的.是世界上第一次发射的真正的地球观测卫星，原名叫做地球资源技术卫星(Earth ReasourceTechno logy Satellite-ERTS) ，1975年更名为陆地卫星，现在运行的是第5、7号星。

图8　机电驱动机构频率特性测试系统Fig.8　Block di a g r a m of test r ig 图9　机电驱动机构的频域拟合Fig.9　Result s o f testing an d curve f itting 4　结束语为研究雷达导引头机电伺服系统中的机电驱动机构特性,本文建立了永磁式直流伺服电机驱动机构的传递函数,并进行了实物测试,结果表明理论分析与实验结果一致,可作为机电伺服系统设计和分析的依据。

本文分析引入齿轮箱输出轴的扭转刚度,建立了电机与负载弹性连接的机电传动系统模型,而在实验中分析采用了频域拟合获得实际系统的传递函数。

实验证明此法有效。

机电驱动机构的特性取决于结构、零件加工和装配质量等诸参数,本文所得的机电驱动机构传递函数忽略了其中的多个因素,仅为基本的线性部分。

实际特性用数学模型描述会很复杂,还需更深入的研究。

参考文献[1]　穆　虹.防空导弹雷达导引头设计[M ].北京:宇航出版社,1996.[2]　李连升.雷达伺服系统[M ].北京:国防工业出版社,1983.[3]　夏福梯.防空导弹制导雷达伺服系统[M ].北京:宇航出版社,1996.[4]　MOSCROP J ,COO K C ,MOLL P.Cont rol of ser vosyste ms in the pr ese nce of moto r 2load inertia mismatch[C ].De nve r ,CO :The 27th Annual C o nfere nce of theIEEE Industrial Electronics Society ,2001.[5]　胡寿松.自动控制原理[M ].北京:科学出版社,2002.[6]　张　炜,黄光尚,吴玉国.机电跟踪控制系统参数研究[J ].华东冶金学院学报,2000,17(4):3182321.[7]　李冠华,许化龙.伺服机构模型参数辨识方法研究[J ].上海航天,2001,20(5):25228.[8]　薛定宇.控制系统计算机辅助设计———MATLAB 语言与应用[M ].北京:清华大学出版社,1996.G eoEye 21新一代地球成像卫星据报道,G eo Eye 21新一代地球成像卫星将于今年搭乘德尔它22火箭进入近极轨道。

SAR成像模式发展综述朱桐;周珊珊【摘要】由于传统的SAR成像模式不能完全满足人们对一些成像指标的需求.文中提出了3种新兴的SAR成像模式,包括滑动聚束SAR、顶端成像SAR、地球同步轨道SAR(GEO SAR),并对这些模式下的算法进行了深入的研究与分析,从而较大程度上改善了SAR成像的各项性能指标.【期刊名称】《电子科技》【年(卷),期】2016(029)005【总页数】4页(P186-189)【关键词】滑动聚束;顶端成像(TOPS);地球同步轨道SAR【作者】朱桐;周珊珊【作者单位】西安电子科技大学电子信息攻防对抗与仿真重点实验室,陕西西安710071;西安电子科技大学电子信息攻防对抗与仿真重点实验室,陕西西安710071【正文语种】中文【中图分类】TN958传统的SAR成像模式各自均有一定的优点以及自身模式带来的限制。

滑动聚束(Sliding Spotlighting)成像模式在方位向分辨率和测绘带宽度得到一个良好的折中。

TOPS(Terrain Observation by Progressive Scans)是一种新型星载宽测绘带成像方法,其可获得与常规扫描模式(ScanSAR)同样的方位分辨率和更大的幅宽,同时克服了由方位角变化引起的模糊信号比(ASR)和信号噪声比(SNR)的缺陷和扇形效应。

地球同步轨道合成孔径雷达(GEO SAR)是一种将SAR有效载荷放置在地球同步轨道卫星上的主动式遥感传感器。

与传统低轨SAR相比,具有重访周期短、测绘面积宽及可视范围广等优势,应用前景广阔。

然而新的模式下,原始的成像算法将面临诸多问题。

下面就这3种模式下成像存在的问题和目前已有的解决方案进行总结。

在滑动模式下,中心是不固定的,波束在方位方向上匀速滑动,以牺牲方位分辨率得到大的覆盖面积。

波束移动导致成像区间的扩大,可获得比聚束雷达更大的成像场景。

滑动聚束SAR模式下,波束速度vf大于或小于其平台速度va,vf<va时为传统滑动聚束模式,vf>va时为逆向滑动聚束模式。

第44卷第2期航天返回与遥感2023年4月SPACECRAFT RECOVERY & REMOTE SENSING71卫星线阵立体影像的倾斜仿射变换核线模型余俊鹏王梓聿（广东工业大学土木与交通工程学院，广州 510006）摘要核线约束是构建摄影测量立体模型的重要条件。

由于卫星线阵影像的多中心投影特性，难以建立其严格的核线模型。

文章从上下视差最小的同名核线特征出发，在仿射变换模型基础上引入核线倾角变化参数，提出一种新的倾斜仿射变换核线模型。

通过“无误差”的虚拟同名点仿真试验表明，文章提出的模型受影像范围及地表高差影响较小，在影像区块6 000像元×6 000像元、地表高差1 000m情况下，对于不同形式卫星立体影像的模型误差均小于1个像元。

进一步使用实际匹配同名点平差，实验表明：对于SPOT-5、“资源三号”和“高分七号”等卫星影像，文章模型误差相对于匹配观测误差可忽略，实际核线精度在整景影像范围内优于0.8像元，所生成核线影像能够满足后续密集匹配要求。

新模型的精确性和普适性相比现有同类模型显著提升，可实际应用于卫星摄影测量处理。

关键词上下视差仿射变换核线模型线阵影像卫星摄影测量中图分类号: P237文献标志码: A 文章编号: 1009-8518(2023)02-0071-11DOI: 10.3969/j.issn.1009-8518.2023.02.008The Oblique-affine Transformation Epipolarity Model forSatellite Linear Array Stereo ImageryYU Junpeng WANG Ziyu（School of Civil and Traffic Engineering, Guangdong University of Technology, Guangzhou 510006, China）Abstract Epipolar geometry constraint is an important condition for constructing photogrammetric-based three-dimensional models. Due to the multi-center projection characteristics of satellite linear pushbroom imagery, it is difficult to find an absolutely strict epipolarity model. In this paper, based on the geometry feature of corresponding epipolar line with the smallest vertical parallax, a new oblique-affine epipolarity model is proposed by introducing the epipolar line inclination parameters into affine transformation model. Through the “error-free” virtual point observation simulation experiment, it is shown that the new model is less affected by the factors such as image block size and the surface height variation. The model errors are all less than 1 pixel for satellite images acquired with different stereoscopic methods. Further, the practical test with real matching corresponding point observations shows that for images such as SPOT-5, ZY-3 and GF-7, the model error is negligible compared to the matching observation error, and the epipolar line precision is able to be better than 0.8 pixels in the whole image range, which guarantee the generated epipolar image meet the requirement of subsequent dense matching. Compared with the existing models, the accuracy and generality of the new model are significantly improved, and it can be practically applied to satellite photogrammetry data processing.收稿日期：2022-06-30基金项目：国家自然科学基金（41704019）引用格式：余俊鹏, 王梓聿. 卫星线阵立体影像的倾斜仿射变换核线模型[J]. 航天返回与遥感, 2023, 44(2): 71-81.YU Junpeng, WANG Ziyu. The Oblique-affine Transformation Epipolarity Model for Satellite Linear Array Stereo72 航 天 返 回 与 遥 感 2023年第44卷Keywords vertical parallax; affine transformation; epipolarity model; linear pushbroom imagery; satellite photogrammetry0 引言卫星影像的核线模型是卫星摄影测量对地三维重建的重要基础，其通过消除原始立体像对的上下视差，将地表高差转化为核线像对上的左右视差，从而约束同名点搜索范围，为影像密集匹配及地表点云生成提供必要条件。