Landsat_5_MSS...和植被指数一致性分析与纠正_赵聪.pdf

赵聪,秦其明,吴自华.Landsat 5 MSS 和 TM 地表反射率和植被指数一致性分析与纠正 J.地理科学,2023,43(6):1078-1087.Zhao Cong,Qin Qiming,Wu Zihua.Consistency analysis and correction of surface reflectance and vegetation indices of Landsat 5 MSS and TM.Scientia Geographica Sinica,2023,43(6):1078-1087.doi:10.13249/ki.sgs.2023.06.014Landsat 5 MSS 和 TM 地表反射率和植被指数一致性分析与纠正赵聪1，秦其明1,2,3，吴自华1（1.北京大学地球与空间科学学院遥感与地理信息系统研究所，北京 100871；2.空间信息集成与 3S 工程应用北京市重点实验室，北京 100871；3.自然资源部地理信息系统技术创新中心，北京 100871）摘要摘要：基于 PROSAIL 模型模拟数据，分析 Landsat 5 MSS 和 TM 地表反射率及 4 种植被指数（NDVI，EVI2，SAVI和 OSAVI）的一致性并提出纠正方法，最后使用真实的 MSS 和 TM 数据进行验证。本文进一步讨论了大气因素对二者植被指数之间的一致性的影响。研究结果表明，对于地表反射率，线性回归模型和多元线性回归模型可以将基于模拟数据计算得到的 Landsat MSS 等效反射率数据较为理想地纠正至 Landsat TM 波段上，但对于真实 MSS 遥感数据，反射率纠正模型在 MSS 传感器的绿光、红光和近红外 2 波段上效果不明显；对于植被指数一致性和纠正问题，使用 MSS 红光波段和近红外 1 波段先计算植被指数再使用线性回归模型进行纠正不论在模拟数据还是真实数据上均取得了最好的效果；植被指数的一致性容易受大气参数中气溶胶光学厚度估算误差影响，而受到水汽柱浓度估算误差的影响较小。关键词关键词：Landsat MSS；Landsat TM；地表反射率；植被指数；一致性分析中图分类号中图分类号：TP732文献标识码文献标识码：A文章编号文章编号：1000-0690(2023)06-1078-10 Landsat 卫星数据是目前使用最为广泛的长时间序列中高分辨率遥感数据集之一，在全球土地覆盖、植被生长状况动态变化等研究领域发挥了重要的作用。作为 Landsat 卫星系列的首款传感器，Landsat MSS 传感器搭载在 Landsat 1-5 卫星上，获取了从 19721999 年的全球多光谱遥感观测数据。作为遥感发展早期的重要历史数据和 20 世纪 70年代几乎唯一的对地观测数据，这一数据有着独特的应用价值。然而，Landsat MSS 传感器的波段设置与后续的 Landsat TM 传感器相比差异较大，对地观测结果存在较大的系统性偏差。搭载在 Landsat 1-5 上的 MSS 传感器有绿光、红光和 2 个近红外波段，空间分辨率为 60 m。与之相比，Landsat 4-5 上搭载的 TM 传感器有蓝光、绿光、红光、近红外、短波红外 1、短波红外 2 共 6 个光学波段和一个热红外波段，光学波段空间分辨率为 30 m，热红外波段空间分辨率 120 m。且从光谱响应上看，TM 传感器在红光和绿光波段的波段宽度窄于 MSS 的红光波段，而 MSS 传感器在近红外具有 2 个观测波段，分别覆盖了植被光谱的红边和近红外高反射率平台。因此，有必要分析 Landsat MSS 和 TM 两种传感器观测的地表反射率与植被指数的一致性并提出纠正方法。针对不同传感器对地观测结果之间的一致性的问题，许多国内外研究者进行了研究。Zhang 等、Nie 等、Chen 等分别研究了不同地区的 Sentinel-2数据和 Landsat-8 数据之间的一致性，结果表明高纬度地区 Sentinel-2 和 Landsat-8 数据的一致性劣于低纬度地区1-3。近年来，一些研究者重新开始关注 MSS 数据。Chen 等利用 Hyperion 高光谱卫星数据和传感器光谱响应函数给出了从 Landsat MSS到 TM 的表观反射率纠正公式，并分析了基于 MSS 收稿日期收稿日期：2022-05-24；修订日期修订日期：2022-08-20基金项目基金项目：国家自然科学基金项目(42071314)资助。Foundation:National Natural Science Foundation of China(42071314).作者简介作者简介：赵聪（1995），男，辽宁铁岭人，博士研究生，主要从事历史遥感数据处理研究。E-mail:通信作者通信作者：秦其明。E-mail: 第 43 卷第 6 期地理科学Vol.43 No.62023 年 06 月Scientia Geographica SinicaJune,2023和 TM 两种传感器表观反射率计算的 NDVI 的一致性4。进一步地，Chen 等在后续研究中使用模拟数据研究了 Landsat 系列卫星各传感器计算的表观反射率之间的一致性5。然而，目前尚无针对 MSS和 TM 的地表反射率的一致性与纠正方法的系统性研究。由于 Landsat 5 MSS 传感器与 TM 传感器同时对地观测，二者观测时相和观测角度无明显区别，且前人研究表明，光谱响应函数之间的差异是 Land-sat 5 MSS 和 TM 两种传感器对地观测结果不一致的决定性因素6-8。本文从 2 种传感器光谱响应函数差异出发，在 PROSAIL 模型模拟地表植被冠层反射率光谱的基础上，分析 Landsat 5 MSS 和 TM 地表反射率及植被指数的一致性并提出纠正方法，并根据 6S 大气辐射传输模型定量分析气溶胶光学厚度和水汽估算误差对地表反射率和植被指数一致性和纠正模型的影响，最后使用真实的 Landsat 5 MSS和 TM 地表反射率和植被指数数据进行验证。1 数据及研究方法 1.1 数据数据 1.1.1 PROSAIL 模型模拟数据PROSAIL 模型是模拟叶片反射率的 PRO-SPECT 模型和基于植被叶片反射率的模拟植被冠层反射率的 SAILH 模型的结合9，是目前遥感中常用的植被冠层辐射传输模型。PROSAIL 模型可以模拟 4002 500 nm 的植被冠层光谱曲线，其输入参数可分为叶片生理生化参数（如叶片叶绿素浓度、叶片等效水厚度、叶片干物质量等）、叶片结构参数、叶面积指数、叶倾角分布、太阳几何、观测几何等。为模拟各种条件下的植被冠层光谱，除太阳几何和观测几何之外，其他参数设置均采用均匀分布，具体参数设置如表 1 所示。根据 PROSAIL 输入参数进行植被冠层高光谱模拟，得到 100 000 条植被光谱。将得到的植被光谱，根据 Landsat MSS 和 TM 的光谱响应函数重采样至对应的宽波段上，公式如下：broadband=RSR()H()dRSRd（1）RSR()H()broadband式中，表示传感器的光谱响应函数，表示 PROSAIL 模拟光谱，表示重采样后得到的等效宽波段反射率。1.1.2 Landsat MSS 和 TM 数据与预处理本文所用的 Landsat MSS 和 TM 影像是美国地质调查局（United States Geological Survey，USGS）网站公开发布的 C2L1 级（Collection 2 Level-1）产品。其中，本文选择了地理配准精度较高的 5 景影像做进一步分析与验证（具体使用的影像如表 2 所示）。获取的 Landsat MSS 和 TM 影像需经过辐射定标和大气纠正将 DN 值转化为地表反射率数据。辐射定标系数来源于影像元数据文件6。MSS 和TM 的大气纠正采用 Zhao 等8提出的基于地表能见度观测数据和 6S 大气辐射传输模型的方法。1.2 方法方法 1.2.1 6S 大气辐射传输模型6S 辐射传输模型是 Vermote 等在 5S 模型的基础上进行改进的，其基本原理可以表示为如下形式9：TOA(s,v,P,Aer,UH2O,UO3)=TgOGTgO3(UO3)atm(s,v,P,Aer,UH2O)+Tratm(s,v,P,Aer)s1Satm(P,Aer)sTgH2O（2）TOAsSatmTratmatmsvPTgO3TgH2OTgOG式中，表示大气层顶表观反射率，表示地表反射率，表示大气半球反照率，表示大气总透过率，表示大气固有反射率，、表示太阳天顶角、观测天顶角和相对方位角，表示大气气压，、分别表示臭氧、水汽和其他气体的 表表 1 PROSAIL 模型输入参数模型输入参数Table 1 Input parameters of PROSAIL model 参数取值或取值范围叶面积指数0,5干湿土因子0,1土壤亮度因子1太阳天顶角/()30观测天顶角/()0相对方位角/()0,360叶片叶绿素a、b浓度/(ug/cm2)10,80叶片类胡萝卜素浓度/(ug/cm2)0,20叶片等效水厚度/cm0.02,0.08叶片干物质量/(g/cm2)0.002,0.01叶片结构参数0.8,2.5褐色素浓度0热点效应系数0.1叶倾角分布统一型，球面型，平面型，竖直型，倾斜型，极端型6 期赵聪等：Landsat 5 MSS 和 TM 地表反射率和植被指数一致性分析与纠正1079 UH2OUO3Aer总透射率，和表示大气水汽和臭氧含量，表示气溶胶参数。在已知大气参数的情况下，基于 6S 模型可实现地表反射率到表观辐亮度的相互转化。本文选取不同气溶胶光学厚度（Aerosol Optical Depth，AOD）和水汽柱浓度（Column Water Vapor，CWV）作为表观辐亮度模拟过程的大气参数输入值和大气校正过程的大气参数输入值，模拟不同大气纠正误差下的植被冠层反射率。具体而言，AOD 取值范围为0.11.0，间隔为 0.1；水汽柱浓度取值范围为 15g/cm2，间隔为 0.5 g/cm2。Pinto 等人对 Landsat MSS 数据辐射定标的研究表明，以 Landsat 5 TM 的表观反射率或表观辐亮度为真值，Landsat 5 MSS 辐射定标带来的相对不确定度较小6。因此，在本研究中忽略 MSS 和 TM辐射定标的相对不确定度带来的影响。1.2.2 常用植被指数由于 Landsat MSS 传感器没有蓝光和短波红外波段，本文选择了时间序列遥感研究中较为常用且不包含蓝光和短波红外波段的 4 种植被指数，包括归一化差值植被指数（Normalized Difference Ve-getation Index,NDVI）、增强型植被指数（EnhancedVegetation Index,EVI2）10、土壤调节植被指数（SoilAdjusted Vegetation Index，SAVI）11和优化土壤调节植被指数（Optimized Soil Adjusted Vegetation In-dex，OSAVI）12。各植被指数的具体计算公式如下：NDVI=NIRRedNIR+Red（3）EVI2=GNIRRedNIR+LRed+C（4）SAVI=(1+P)NIRRedNIR+Red+P（5）OSAVI=NIRRedNIR+Red+0.16（6）NIRRedGLCPG=2.5 L=2.4 C=1 P=0.5式中，为像元近红外波段的地表反射率，为像元红光波段的地表反射率，、为经验系数，一般情况下取，。1.2.3 一致性分析与纠正方法在比较基于 MSS 和 TM 两种传感器的植被指数一致性时，有先纠正 MSS 反射率再计算植被指数和先根据 MSS 反射率计算植被指数再进行纠正 2 种方法。本文采用常用的线性回归（LinearRegression，LR）模型，以 Landsat MSS 波段反射率和植被指数作为自变量，对应