《卫星遥感影像植被覆盖度产品组成、质量标记文件、元数据文件数据项、产品估算方法》由会员分享，可在线阅读，更多相关《卫星遥感影像植被覆盖度产品组成、质量标记文件、元数据文件数据项、产品估算方法（7页珍藏版）》请在金锄头文库上搜索。
1、GB/T XXXXXXXXX 8 A A 附 录 A （规范性附录） 植被覆盖度产品组成 表A.1 植被覆盖度产品组成 栅格数据文件名称 数据类型 缩放转换 有效值域 填充值 植被覆盖度 INT 16 100 0，100 无效-32768 植被覆盖度质量标记 UINT 16 无 0，255 植被覆盖度元数据 UINT 16 无 注：植被覆盖度质量标记的有效值域是十进制范围（质量标记按二进制标记，十进制存储） 表A.2 多日植被覆盖度产品组成 栅格数据文件名称 数据类型 缩放转换 有效值域 填充值 多日植被覆盖度 INT 16 100 0，100 无效-32768 多日植被覆盖度质量标记 UIN
2、T 16 无 0，255 65535 多日产品像元总可信度 INT16 无 -1，2 65535 多日植被覆盖度元数据 UINT 16 无 注：植被覆盖度质量标记的有效值域是十进制范围（质量标记按二进制标记，十进制存储） GB/T XXXXXXXXX 9 B B 附 录 B （规范性附录） 植被覆盖度质量标记文件 表B.1 各 bit 位质量标记信息 Bit 位 参数名 值 描述 0-1 植被覆盖度有效性 00 01 10 已经生产，质量好； 已经生产，使用时要检查质量标记； 未生产，由于其它原因。 2 植被覆盖度合理性 0 1 结果合理 由于超出有效值范围无法使用 3-4 云层覆盖 00 0
3、1 10 11 晴空 可能晴空 可能有云 有云 5 冰雪掩膜 0 1 无积雪 有积雪 6 水域掩膜 0 1 非水域 水域 7 输入数据质量 0 1 有数据 数据缺失/填充值 GB/T XXXXXXXXX 10 C C 附 录 C （规范性附录） 植被覆盖度元数据文件数据项 植被覆盖度元数据文件用于记录植被覆盖度数据集总体信息， 包括植被覆盖度类别、 优质数据比例、 云覆盖比例等信息。 表C.1 植被覆盖度元数据项 序号 数据项 数值类型 备注 植被覆盖度产品基本信息 1 产品名称 字符型 小于 255 个字符 2 产品代号 字符型 小于 255 个字符 3 图幅名称 字符型 小于 255 个字
4、符 4 图幅代号 字符型 小于 255 个字符 5 产品类型 字符型 小于 255 个字符 6 产品类别 字符型 小于 255 个字符 7 遥感器名称 字符型 小于 255 个字符 8 遥感器搭载平台 字符型 小于 255 个字符 9 波段选择 字符型 小于 255 个字符 10 地面空间分辨率 浮点型 单位为米（m） 11 图幅宽度 整型 按像元记 12 图幅高度 整型 按像元记 13 产品生产日期 整型 日期格式为 YYYYMMDD 14 产品出版日期 整型 日期格式为 YYYYMMDD 15 产品所有权单位名称 字符型 小于 255 个字符 16 产品生产单位名称 字符型 小于 255
5、个字符 17 产品出版单位名称 字符型 小于 255 个字符 18 密级 字符型 密级由强到弱依次为绝密、机密、秘密、内部、 公开 植被覆盖度产品整体质量信息 19 优质数据比例 浮点型 有效范围 0100 20 无效值的比例 浮点型 有效范围 0100 21 云覆盖比例 浮点型 有效范围 0100 植被覆盖度产品文件名 22 文件名 字符型 小于 255 个字符 23 质量标记文件名 字符型 小于 255 个字符 24 元数据文件名 字符型 小于 255 个字符 多日植被覆盖度产品时间信息 25 合成产品数据序列开始时间 整型 时间格式为 HHMMSS 26 合成产品数据序列开始日期 整型
6、日期格式为 YYYYMMDD GB/T XXXXXXXXX 11 表 C.1 植被覆盖度元数据项（续） 序号 数据项 数值类型 备注 27 合成产品数据序列结束时间 整型 时间格式为 HHMMSS 28 合成产品数据序列结束日期 整型 日期格式为 YYYYMMDD 植被覆盖度产品地理位置信息 29 椭球体名称 字符型 小于 255 个字符 30 椭球体参数 字符型 需要给你椭球体的赤道参数和扁率，小于 255 个 字符 31 地图投影名称 字符型 小于 255 个字符 32 地图投影参数 字符型 需要给出的投影分带等，小于 255 个字符 33 图廓角点经度范围 字符型 经度范围格式为 DDD
7、MMSS，DDDMMSS 34 图廓角点纬度范围 字符型 纬度范围格式为 DDMMSS，DDMMSS 35 坐标系名称 字符型 小于 255 个字符 36 中心点横坐标 浮点型 37 中心点纵坐标 浮点型 38 西南图廓角点横坐标 浮点型 39 西南图廓角点纵坐标 浮点型 40 西北图廓角点横坐标 浮点型 41 西北图廓角点纵坐标 浮点型 42 东北图廓角点横坐标 浮点型 43 东北图廓角点纵坐标 浮点型 44 东南图廓角点横坐标 浮点型 45 东南图廓角点纵坐标 浮点型 植被覆盖度产品图幅接合表信息 46 图幅接合表中西北图幅名称 字符型 小于 255 个字符 47 图幅接合表中北图幅名称
8、字符型 小于 255 个字符 48 图幅接合表中东北图幅名称 字符型 小于 255 个字符 49 图幅接合表中西图幅名称 字符型 小于 255 个字符 50 图幅接合表中东图幅名称 字符型 小于 255 个字符 51 图幅接合表中西南图幅名称 字符型 小于 255 个字符 52 图幅接合表中南图幅名称 字符型 小于 255 个字符 53 图幅接合表中东南图幅名称 字符型 小于 255 个字符 注：“优质数据比例、无效值的比例、云覆盖比例”根据表B.1中相应bit位数值统计得到 GB/T XXXXXXXXX 12 D D 附 录 D （资料性附录） 常见植被覆盖度产品的估算方法 基于卫星遥感数据
9、的植被覆盖度反演方法可以分为：经验模型法、半经验模型法、物理模型法。 D.1 经验模型法 经验模型法是通过对遥感数据的某一波段、 波段组合反射率或遥感植被指数与实际测量的植被覆盖 度进行回归，建立统计估算模型，并将模型推广到更大尺度上的植被覆盖度估算。以植被指数作为经验 模型自变量是最常用的遥感估算植被覆盖度方法。 该方法选取与植被覆盖度具有良好相关关系的植被指 数，通过建立植被指数与植被覆盖度的转换关系，进而估算植被覆盖度。具体形式如下： FVCa VIb， (D.1) 2 FVCa VIb VIc ， (D.2) 2 FVCa VIb (D.3) 式中： FVC 植被覆盖度； VI 植被指
10、数； a、b、c 回归系数。 常用于植被覆盖度估算的植被指数由红光（Red）和近红外（NIR）两个波段得到，包括差值植被指 数（DVI） 、归一化差值植被指数（NDVI） 、土壤调整植被指数（SAVI）等。为了更好的利用植被绿度信 息并去除大气纠正误差对结果的影像，包括绿度植被指数（GVI） 、大气阻抗植被指数（VARI）在内的植 被指数也被用于植被覆盖度的估算。植被指数具体描述如表 D.1 所示。 表D.1 常用植被指数及表示方法 植被指数 表示方法 DVI nirred DVI NDVI ()/() nirrednirred NDVI SAVI 1+ + nirred nirred SAV
11、IL L GVI ()/() greenredgreenred GVI VARI ()/() greenredgreenredblue VARI 注：L是一个土壤调节系数，该系数与植被浓度有关，由实际区域条件确定，用来减小植被指数对不同土壤反射变化的 敏感性； blue 、 green 、 red 和 nir 分别表示蓝光波段、绿光波段、红光波段及近红外波段的反射率。 GB/T XXXXXXXXX 13 经验模型法因其简单易实现而被广泛应用于区域植被覆盖度的估算， 然而它需要足够多的地面数据 支撑，仅适用于特定的区域与特定的植被类型的植被覆盖度估算。 D.2 半经验模型法 半经验模型法采用较为
12、简单的模型形式， 同时参数具有一定物理意义。 常用方法是混合像元分解模 型。根据输入数据不同，又分为光谱混合分解法（输入数据为波段光谱反射率）及基于植被指数的混合 像元分解法 （输入数据为植被指数） 。 这类模型的基本原理是图像中的一个像元实际上由多个组分构成， 而每个组分对传感器所观测到的信息都有贡献。因此可以将遥感信息（反射率或植被指数）分解，建立 像元分解模型，并利用此模型估算植被覆盖度。 模型中应用最为广泛的属线性混合分解模型。 线性混合分解模型基于以下假设： 到达传感器的光子 只与一个组分发生作用， 不同组分之间是独立的。 假设一个像元中所包含的每块地都对卫星传感器所接 收的该像元信
13、息有贡献，因而以每块地中的植被光谱特征值为因子，这块地的面积作为该因子的权重， 建立了线性混合模型，其数学形式可表达为如下： , 1 n bi b i bb i Rfre (D.4) 式中： b R 波段b的像元反射率； , i b f 端像元i在波段b混合像元中所占的比例； , i b r 端像元i在波段b中的反射率； n 端像元的个数； b e 拟合波段b的误差。 通过最小二乘等方法可以求解出各组分在混合像元中的比例， 而其中植被组分所占的比例即为植被 覆盖度。各组分比例的求解精度很大程度上取决于端元的合理选取。 在众多线性模型中， 像元二分模型假设像元只由植被与非植被两部分构成， 遥感观
14、测到的信号也只 由这两个组分因子线性合成。 它们的面积在像元中所占的比例即为各因子的权重， 其中植被部分占像元 的百分比即为该像元的植被覆盖度。 较为常用的就是利用植被指数进行像元二分估算， 其数学表现形式 为： s vs VIVI f VIVI (D.5) 式中 f 混合像元的植被覆盖度； VI 混合像元的植被指数值； VIv 纯植被的植被指数值； VIs 裸土的植被指数值。 目前常用的系数获取方法为基于对遥感影像自身进行时空统计的方法获取VIv与VIs。像元二分模型 形式简单，参数较少，被广泛应用于植被覆盖度产品生产。 GB/T XXXXXXXXX 14 D.3 物理物理模型法模型法 物理
15、模型由于结构复杂，参数众多，且存在部分参数难以获取等问题，通常难以直接进行植被覆盖 度反演。随着科学技术和计算机技术的发展，越来越多的诸如神经网络、支持向量机、决策树、随机森 林等机器学习方法被用于辅助求解。该类方法的输入数据具有多样化的特性，除反射率、植被指数外， 还包括植被类型、降水等其它与植被生长、结构相关的参数。 神经网络是一种模仿人脑学习过程的计算机智能技术， 它是一种可以解决复杂问题的比较通用的计 算工具,可以帮助求解复杂的物理模型。神经网络通常是由通过特定机制确定的权重系数连接的一系列 简单处理单元组成，可以通过训练数据的不断学习，最终输出最优结果，计算效率非常高。例如，现有 植被覆盖度产品中，POLDER-2 产品是利用基于 Kuusk + SAIL + PROSPECT 辐射传输模型人工神经网络 方法， 首先生成叶面积指数 （LAI） 样本数据， 用该样本对神经网络进行训练得到LAI产品， 再根据LAI-FVC 之间的关系进行植被覆盖度的生产。CYCLOPES 产品则采用了基于 PROSPECT + SAIL 辐射传输模型的神 经网络方法。利用模型模拟红光、近红外及短波红外波段反射率及相
