TAVI CALCULATION METHOD BASED ON WAVEBAND RATION MODEL AND SOLAR ELEVATION ANGLE

本发明涉及一种基于波段比模型和太阳高度角的TAVI计算方法。

在复杂地形山区，受地形影响，太阳辐射在山区地表的分布发生变化，在遥感影像山体阴坡部分辐射亮度值变小，而阳坡部分辐射亮度值变大，导致严重的“同物异谱”和“同谱异物”等问题。采用常规遥感植被指数方法反演山区植被有关生物物理参数的精度相应降低。因此，削减地形影响成为复杂地形山区植被遥感面临的重要问题。目前主要的纠正思路和模型有：

(一)经验统计模型。此类模型主要有余弦模型、C校正模型、SCS模型、SCS+C模型、Proy模型、Minnaert模型等。这些方法主要利用数字高程模型(DEM)数据校正遥感影像波段的太阳直射辐射，缩小山体阴坡、阳坡的辐射亮度差异，效果良好。但这些方法未考虑大气散射辐射和周围地形反射辐射的影响，会出现过校正问题；同时，由于高精度DEM数据的精度和可获取性(如保密限制、数据更新周期长等)，DEM和遥感影像之间配准精度等问题，制约了这类方法大范围推广应用。

(二)山地辐射传输模型。这类模型是基于辐射传输理论的物理模型，通过研究光与地表作用的物理过程，结合DEM数据进行地形校正。这种方法理论上可以消除因复杂地形导致的遥感影像中太阳直射辐射、大气散射辐射和周围地形反射辐射的影响。但模型参数复杂，所需参数数据的获取难度大，制约了该模型大范围推广应用。

(三)波段比模型。这类模型主要通过对遥感影像的波段进行相除等计算，直接生成不受或少受地形影响的植被指数信息。这类模型不要求额外的输入数据，在某种程度上是一种特殊的植被指数，但应用效果不稳定，大面积推广应用需进一步提升稳定性和效果。

地形调节植被指数(TAVI)是一类特殊的波段比模型，现已提出的算法中包括组合算法和调节因子f(Δ)两个重要组成部分。其中，TAVI组合算法如公式(2-1)：

TAVI＝CVI+f(Δ)·SVI             (2-1)

式中，CVI为常规植被指数，如归一化植被指数(NDVI)、比值植被指数(RVI)等；SVI为阴影植被指数，其中B_r表示遥感影像红光波段数据，M_r表示红光波段数据的最大值；f(Δ)为调节因子。

关于组合算法。由于CVI数量较多，在实际应用时选择何种具体植被指数没有统一标准，容易造成混淆；而SVI算法的分子是个变量，导致SVI计算结果不稳定。因此，现有RVI和SVI的组合形式存在较大不确定性，影响到TAVI的大范围推广应用。

关于调节因子。现有f(Δ)计算方法主要有2种：“寻优匹配法”和“极值优化法”。“寻优匹配”算法计算步骤为：(1)影像分类，划分遥感影像中山体的阴坡和阳坡，选取典型样区；(2)目标识别，借助地面调查资料、实地考察数据、航拍资料或者GoogleEarth的高分辨率影像数据等核实阴坡与阳坡植被的均质性，识别典型样区阴坡与阳坡植被一致或接近的部分；(3)优化匹配，令f(Δ)从0开始，依次递增，考察TAVI在典型样区阴坡与阳坡植被一致部分的植被指数值变化，当二者相等时，即可确定f(Δ)的最优结果。“极值优化”算法计算步骤为：(1)影像分类，划分遥感影像中山体的阴坡和阳坡；(2)计算极值，计算阴坡部分TAVI的最大值M_TAVI阴与阳坡部分TAVI的最大值M_TAVI阳；(3)迭代寻优，令f(Δ)从0开始，依次递增，当满足公式(2-3)的条件时，得到f(Δ)最优值。

|M_TAVI阴-M_TAVI阳|≤ε,ε→0,f(Δ)＝0～∞      (2-3)

上述2种f(Δ)计算方法都无需DEM等数据的支持，就能有效削减地形对山区植被信息的影响；但这2种优化算法经验性强而物理意义偏弱，并都需要对遥感影像进行分类。其中，“寻优匹配”算法还需要地面数据等的支持，而“极值优化”算法容易陷入局部最优而非全局最优，这都限制了TAVI的自动化应用水平，不利于TAVI大范围推广应用。

发明内容

有鉴于此，本发明的目的在于提供一种基于波段比模型和太阳高度角的TAVI计算方法。该方法基于波段比模型基本原理构建了新的更具稳定性的SVI指数，并优选了RVI与新的SVI进行组合计算，使TAVI算法更精确、应用更简便。同时，提出一种基于太阳高度角的调节因子f(Δ)新算法，无需DEM数据和遥感影像分类，同时不依赖于地面调查数据，并具有实际物理意义，对TAVI在复杂地形山区植被信息准确反演的大范围应用推广具有重要的科学意义与经济价值。

为实现上述目的，本发明采用如下技术方案：一种基于波段比模型和太阳高度角的TAVI计算方法，其包括以下步骤：步骤S1：对遥感影像进行预处理，通过对遥感影像进行辐射校正，生成影像表观反射率数据；步骤S2：统计遥感影像红光波段和近红外波段表观反射率数据；分 析山区植被在这两个波段反射率是否合理，决定影像是否正常可用；步骤S3：计算阴影植被指数SVI，公式如下：

其中：SVI为阴影植被指数；B_r为遥感影像红光波段表观反射率数据；

步骤S4：构建TAVI组合算法，具体如下：

其中：TAVI为地形调节植被指数；f(Δ)为调节因子；B_ir为遥感影像近红外波段表观反射率数据；B_r为遥感影像红光波段表观反射率数据；

步骤S5：从遥感影像头文件读取卫星过境时太阳高度角，按以下公式计算f(Δ)：

f(Δ)＝s-sin(α)                 (3-3)

其中：s为传感器参数，α为太阳高度角；步骤S6：将公式(3-3)计算的f(Δ)计算结果代入公式(3-2)，得出山区抗地形影响的植被指数信息。

本发明与现有技术相比具有以下有益效果：

1、物理意义更明确、计算更简单：新的TAVI组合算法由RVI和SVI两个子模型组成，这两个子模型都满足波段比模型要求，形式简洁相近，而且分母都为遥感影像红光波段数据，具有更强的波段比物理意义基础。同时，采用太阳高度角计算调节因子f(Δ)，具有明确的物理意义。此外，新的TAVI计算方法整体计算流程更简单，大大提升了TAVI应用自动化水平。

2、地形校正效果明显：本发明确定的TAVI计算方法，保证TAVI能有效消除地形影响对植被信息的干扰；通过对研究区图1中不同时相Landsat多光谱遥感影像数据的应用(包括Landsat5 TM和Landsat8 OLI影像数据)，表明本发明能保证不同时相Landsat5 TM和Landsat8OLI影像的TAVI与太阳入射角余弦值(cosi)的相关系数绝对值平均值低于0.1(表1)，优于其它常用植被指数，比基于DEM的C校正影像计算的NDVI效果还好(图1)。

图1中研究区范围在东经119°25′7″-119°31′27″，北纬26°6′35″-26°12′15″；RVI、NDVI、NDVI(C校正)、TAVI与太阳入射角余弦值(cosi)的相关系数分别为0.561、0.524、0.119、0.049。

表1 不同时相Landsat数据f(Δ)调节因子计算结果与TAVI抗地形影响效果比较

3、数据需求少，成本低：本发明只需要遥感影像自身携带的波段数据和太阳高度角数据，无需DEM数据、地面调查数据或实地考察数据等的支持，数据成本与时间成本实现最小化。

4、兼具大气校正效果。由于SVI是对红光波段数据的逆变换，遥感影像中受地形影响和大气影响导致植被信息减弱的区域将得到不同程度的补偿(类似暗像元法)，因此新的TAVI组合算法具有一定程度的大气校正效果。

5、适用性广。新的TAVI组合算法可以适用于表观反射率数据，也可以修改应用于辐射亮度值数据与DN值数据，这为一些缺乏地面定标参数的传感器在山区植被信息准确监测中的应用提供了一种新的重要技术手段。

图1为本发明研究区中影像对比示意图。

图2是本发明技术流程示意图。

下面结合附图及实施例对本发明做进一步说明。

请参照图2，本发明提供一种基于波段比模型和太阳高度角的TAVI计算方法，其特征在于包括以下步骤：

步骤S1：影像预处理：对多光谱遥感影像进行辐射校正，生成影像表观反射率数据。

步骤S2：影像质量分析：统计遥感影像红光波段和近红外波段表观反射率数据(计算这两个波段均值、中值、方差等指标)，分析山区植被在这两个波段反射率是否合理，决定影像是否正常可用。

步骤S3：计算阴影植被指数SVI，公式如下：

其中：SVI为阴影植被指数；B_r为遥感影像红光波段表观反射率数据。

步骤S4：构建TAVI组合算法，具体如下：

其中：TAVI为地形调节植被指数；f(Δ)为调节因子；B_ir为遥感影像近红外波段表观反射率数据；B_r为遥感影像红光波段表观反射率数据。

步骤S5：计算调节因子f(Δ)。从遥感影像头文件读取卫星过境时太阳高度角，按以下公式计算f(Δ)：

f(Δ)＝s-sin(α)                 (4-3)

式中，s为传感器参数，在本发明一实施例中，默认取值为1，不同传感器取值略做微调，其中Landsat 5 TM数据取值为0.9，Landsat 8 OLI数据取值为1.2；α为太阳高度角。

步骤S6：计算TAVI植被信息。将公式(4-3)计算的f(Δ)计算结果代入公式(4-2)，得出山区抗地形影响的植被指数信息。

其中遥感影像包括光学遥感影像数据。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。