基于物理原理与经验性带通调整的GF-1/WFV–HLS表面反射率统一方法
《Remote Sensing Applications: Society and Environment》:GF-1/WFV–HLS Surface Reflectance Harmonization Using Physically Informed and Empirical Bandpass Adjustment
【字体:
大
中
小
】
时间:2026年07月09日
来源:Remote Sensing Applications: Society and Environment 3.8
编辑推荐:
哈西卜·乌尔·雷赫曼|周冠华|弗朗茨·帕布罗·安特萨纳·洛佩兹|程江|陈鹏宇|江洪志 中国北京100191,北京航空航天大学仪器与光电工程学院 摘要 多传感器协同得到的地表反射率产品对于频繁的地表监测至关重要,但由于光谱响应、观测几何条件以及辐射特性的差异,整合不同任务的数据仍然
哈西卜·乌尔·雷赫曼|周冠华|弗朗茨·帕布罗·安特萨纳·洛佩兹|程江|陈鹏宇|江洪志 中国北京100191,北京航空航天大学仪器与光电工程学院 摘要 多传感器协同得到的地表反射率产品对于频繁的地表监测至关重要,但由于光谱响应、观测几何条件以及辐射特性的差异,整合不同任务的数据仍然面临挑战。在此背景下,高分一号宽视场传感器通过四台相机构成的宽视场配置,能够实现高频、大范围的观测,但若不进行协调处理,则无法直接与和谐化Landsat Sentinel产品整合。本研究通过结合使用基于6S模型的大气校正、基于C因子的双向反射率分布函数归一化处理,以及基于物理原理和经验方法的波段调整策略,构建了高分一号宽视场传感器地表反射率与HLS产品的协调框架。在基于物理原理的波段调整方法中,利用高光谱卷积和传感器光谱响应函数,得出与HLS框架一致的、不受场景影响的传感器级系数。而基于经验的线性波段调整系数则通过全局、针对特定传感器的以及基于归一化差异植被指数的分层回归方法,从高分一号宽视场传感器与HLS产品的同步观测数据中区域性地进行校准,同时通过自举重采样方法量化不确定性。研究结果表明,基于物理原理的波段调整方法虽能带来稳定但有限的改进,而基于特定传感器的线性经验波段调整方法可使均方根误差降低约65–70%,并提升空间一致性。非线性波段调整方法的敏感性测试显示可进一步减少区域误差,但线性波段调整方法仍是主要的经验性处理方式。由于评估所使用的图像对来自两个相邻HLS覆盖区域的同一研究区域,因此这些经验性系数在应用于其他区域之前还需进一步验证或重新校准。总体而言,该框架为在类似HLS的分析系统中实现宽视场传感器的区域协调处理提供了可重复的流程。1. 引言 具有足够空间细节的高频多光谱观测对于长期地表监测极为重要,然而即便在天气状况良好的情况下,单个中分辨率传感器 的重访间隔往往也不够,而云层覆盖则会进一步降低观测概率。在此背景下,整合多传感器地表反射率数据集变得越来越重要,因为这不仅能提高时间分辨率,还能确保不同任务之间的辐射一致性(Griffiths等人,2019年)。经过协调处理的反射率产品可以消除由光谱、辐射和几何差异带来的偏差,从而提供更适于多时相分析的可用数据。和谐化Landsat Sentinel项目为将Landsat 8/9的OLI数据与Sentinel 2的MSI数据融合为具有更好时间覆盖率和辐射一致性的共同地表反射率产品提供了广泛采用的分析框架,有助于减少但无法完全消除中分辨率观测中的时间间隔问题(Claverie等人,2018年;Ju等人,2025年)。中国的高分一号宽视场传感器是进一步扩大HLS已有的时间覆盖范围的理想选择,因为它能够以大约四天的重访间隔实现高频观测,具备830公里的大范围覆盖能力,16米的中等空间分辨率,其可见光和近红外波段的光谱覆盖范围与OLI和MSI大致相当(Chen等人,2018年;Xu等人,2023年)。同时,由于其宽视场和四台相机的配置,使得它与HLS的直接整合比Landsat与Sentinel的整合更为复杂。因此,将高分一号宽视场传感器与HLS整合在减少多云或采样稀疏条件下的时间间隔方面具有显著价值,同时也为评估符合HLS标准的协调处理方法提供了重要的测试案例(Rehman等人,2025年)。尽管这些数据集已经存在,但将高分一号宽视场传感器数据与HLS产品直接整合仍然面临挑战,因为多种相互作用的因素会导致传感器间数据不一致,包括光谱响应差异、观测几何条件、辐射特性、双向反射效应、大气校正残留问题以及几何定位误差(Gao等人,2009年;Claverie等人,2015年;Wulder等人,2015年;Roy等人,2016年;Shang和Zhu,2019年;Franch等人,2019年)。HLS处理流程已经针对Landsat和Sentinel传感器解决了这些问题,但针对高分一号宽视场传感器,类似的协调处理框架尚未得到系统性的建立和评估。以往关于波段调整和跨传感器协调处理的研究中,有一些基于物理原理的方法,这类方法依赖于高光谱参考数据或光谱库,以及对传感器光谱响应差异的明确建模(Smith和Milton,1999年;Claverie,2023年;Shen和Shao,2024年);而基于同步观测的经验性方法也因其在实际工作流程中更具实用性而被广泛采用(Fan和Liu,2017年;Villaescusa-Nadal等人,2019年)。最近还有研究提出了无需额外物理校正的高分一号宽视场传感器协调处理方法,即基于深度学习的技术(Rehman等人,2025年)。不过,目前的科学缺口并非仅仅在于没有针对高分一号宽视场传感器开展协调处理研究,而是目前仍缺乏对其在相同的符合HLS标准的预处理框架下,基于物理原理和经验方法的波段调整策略的实际表现进行系统性的评估,也尚未了解在现实区域数据限制条件下,这些策略在不同传感器、不同季节以及不同土地覆盖类型下的表现差异。本研究旨在通过在一个统一的预处理和评估框架内探讨这两种互补的策略,来填补这一空白。本研究的目标是通过结合大气校正、BRDF归一化处理、几何对齐以及两种互补的波段调整方法,开发并评估一种符合HLS标准的框架,用于将高分一号宽视场传感器获取的地表反射率与HLS产品进行协调处理。其中一种波段调整方法是基于物理原理的传感器级校正,而另一种主要的经验性方法则是基于同步观测数据得出的线性校正。本研究的方法创新之处在于,在同一个端到端的预处理框架下,通过相同的独立评估流程,对比这两种波段调整方法的效果。此外,本研究还考察了多种线性经验性波段调整公式,包括全局模型、针对特定传感器的模型以及基于NDVI分层的模型,通过自举重采样方法量化这些模型的系数不确定性,同时还进行了非线性敏感性测试,以探究是否更灵活的经验性模型能够进一步降低线性波段调整框架之外的区域误差。随后,通过辐射和结构指标,评估这些方法在不同季节和不同土地覆盖类型下的性能,从而更好地理解其可迁移性、局部精度以及系数稳定性之间的平衡关系。在该框架中,基于物理原理的波段调整方法作为具有全球适用性的传感器级校正方法,而经验性波段调整方法则作为旨在消除观测带来的残余影响的区域优化校正方法进行评估。2. 数据与方法 本研究的方法流程可分为四个部分(图1):数据收集、预处理、波段调整以及评估。数据收集阶段整合了高分一号宽视场传感器、HLS产品以及Hyperion卫星的光谱数据。预处理步骤包括云层过滤、同步观测对筛选、数据分割、重采样与重投影、基于6S模型的大气校正、NBAR处理以及地理坐标校正。波段调整阶段包括基于物理原理的校正方法和经验性校正方法,而评估则通过SSIM、RMSD、MBE以及R2等指标,在不同的土地覆盖类型和季节条件下进行。下载:下载高分辨率图像(1MB)下载:下载全尺寸图像图1. 高分一号宽视场传感器与HLS产品协调处理流程概述,包括数据收集、预处理、波段调整策略以及性能评估。2.1 研究区域 本研究以巴基斯坦旁遮普省的西亚尔科特地区及其周边区域为研究对象(图2)。该区域为高分一号宽视场传感器与HLS产品的协调处理提供了规模适中但特征多样的测试场地,这里有灌溉农业用地、密集的城市居住区、裸露或植被稀少的地表以及河流网络,便于在不同光谱和空间特征的地表类型上评估协调处理方法的效果(Tarar等人,2024年)。该地区还存在明显的季节性变化,农业活动包括冬季小麦种植、夏季玉米种植和夏季水稻种植,而7月和8月的季风带来的云层覆盖会影响观测条件,5月及秋季的天气则较为晴朗。这些特点使得该地区非常适合评估高分一号宽视场传感器是否能够在不同的土地表面、季节性物候变化以及受云层限制的光学观测条件下,始终与HLS产品实现有效协调。该研究区域完全被相邻的HLS影像块T43SDR和T43SDS覆盖。下载:下载高分辨率图像(906KB)下载:下载全尺寸图像图2. 研究区域地图2.2 数据集 本研究使用了来自高分一号宽视场传感器的光学卫星图像,以及由Landsat-8/9的OLI传感器和Sentinel-2A/B的MSI传感器生成的和谐化Landsat Sentinel(HLS v2.0)地表反射率产品。2.2.1 高分一号宽视场传感器数据集 高分一号宽视场传感器包含两种类型的传感器:一种是为获取全色图像而设计的分辨率达2米的多光谱/全色相机,另一种则是四台中分辨率宽视场传感器,分别命名为WFV1至WFV4。本研究仅使用了高分一号宽视场传感器的数据,这些数据可通过CRESDA平台免费获取。每台宽视场传感器可记录蓝、绿、红和近红外四个波段的光谱数据,其标称地面采样距离为16米,能够实现大范围覆盖,适合区域分析使用(Guo等人,2015年)。表1总结了这两种传感器的关键特性、光谱波段定义以及对应的HLS标准波段。本研究仅使用了HLS与高分一号宽视场传感器匹配的波段。与Landsat和Sentinel-2传感器相比,高分一号宽视场传感器带来的协调处理难度更大,因为其830公里的观测范围是由四台独立的宽视场传感器共同覆盖的,各传感器之间的视角间隔约为16.5度。这种配置会引入角度差异,以及传感器本身的校准行为和辐射响应差异,这些因素在与HLS产品的反射率数据进行比较时,可能会加剧BRDF和波段方面的不一致性。表1 HLS传感器与高分一号宽视场传感器特性空单元Landsat 8/OLI Landsat 9/OLI2 Sentinel-2(A&B)/MSI高分一号宽视场传感器(WFV1-WFV4)标称过境时间上午10:00 上午10:30 重访周期16天 10天 4天 标称观测范围/视场宽度185公里/15° 290公里/20.6° 830公里/48°(拼接后),每台传感器视角为16.44° 辐射分辨率12位 14位 12位 10位 匹配光谱波段蓝色HLS(B02):0.45–0.51微米 0.45–0.52微米 绿色HLS(B03):0.53–0.59微米 0.52–0.59微米 红色HLS(B04):0.64–0.67微米 0.63–0.69微米 近红外HLS(OLI B05)/(MSI B8A):0.85–0.88微米 0.77–0.89微米2.2.2 HLS数据集 本研究以HLS v2.0版本的地表反射率产品作为参考数据集。我们使用了标准的HLS S30和L30产品,这类产品经过大气校正和处理,具有几何对齐的属性,数据以30米空间分辨率存储在通用的军事网格参考系统影像块中。关于HLS产品生成过程的详细信息,包括大气校正、云层和阴影掩膜处理、BRDF归一化处理,以及OLI和MSI传感器之间的波段调整方法,均有相关文献记载(Claverie等人,2018年;Ju等人,2025年)。我们使用NASA官方提供的HLS批量下载工具,获取了与所选高分一号宽视场传感器观测场景对应的时间段的HLS影像块。2.2.3 同步观测对筛选与训练集/测试集划分 我们仅选择了高分一号宽视场传感器与HLS产品在同一天对同一地点进行观测的同步观测对,这样就能减少因大气条件和光照条件差异导致的光谱差异。对于每一对同步观测数据,我们进一步提取出空间子集,确保高分一号宽视场传感器和HLS产品的影像具有相同的地理范围,并且在经过自动检测和人工检查后,不存在或仅有极少的云层干扰。在對高分一号宽视场传感器的影像进行自动云层检测时,我们使用了专为该传感器设计的多特征组合云层和云层阴影掩膜算法(Li等人,2017年)。通过这些处理,我们得到了经过质量控制的同步观测对数据,这些数据可用于经验性系数估算以及独立的协调处理效果评估。所有同步观测对数据被按照80/20的比例划分为训练集和测试集。附录中的表A1列出了本研究中使用的全部训练集和测试集观测场景。在四个光谱波段中,约有1.67亿个有效的地表反射率像素被用于经验性波段调整方法的系数估算,另有约5900万个像素用于独立评估,这些数据量为系数估算和性能评估提供了充足的样本支持。2.3 数据预处理2.3.1 空间重采样 首先,我们需要将所有高分一号宽视场传感器采集的影像在空间上进行对齐,以便与HLS产品进行逐像素比对。每幅高分一号宽视场传感器采集的影像都被重新投影到与相应HLS影像块相同的UTM坐标系统中。高分一号宽视场传感器原有的16米空间分辨率通过双线性插值方法被重新调整为30米,以此与HLS产品的网格格式保持一致,确保两组数据在空间分辨率、网格对齐程度以及地理覆盖范围上完全相同。2.3.2 大气校正 在进行大气校正之前,我们需要先根据数据提供方(CRESDA)提供的针对不同传感器的辐射校正系数,从数字数据中计算出每个光谱波段的地球大气顶层辐射强度。随后,再利用从影像元数据中获取的日地距离、不同波段对应的地球大气外层太阳辐照度以及太阳天顶角,计算出相应的地球大气顶层反射率。这种预处理方法遵循了先前针对高分一号宽视场传感器协调处理研究中所采用的标准辐射转换流程,能够为大气校正提供物理上一致的输入数据(Rehman等人,2025年)。之后,我们使用基于6S模型的方法,将地球大气顶层辐射强度转换为地球大气底层地表反射率。选择6S模型是基于我们在近期针对高分一号宽视场传感器进行的协调处理研究中所做的定量比较结果。在该研究中,使用了6S、FLAASH(Anderson等人,2002年)和SREM(Bilal等人,2019年)三种AC方法,通过多个在空间和时间上与Landsat 8 OLI二级表面反射率产品一致的GF-1/WFV场景对其进行了评估。性能评估采用了基于波段的结构性相似度、平均偏差误差、均方根偏差以及相对于OLI参考值的像素级NDVI一致性等指标。尽管这三种方法在波段反射率统计指标上的表现相当,但基于NDVI的评估则显示出了更明显的差异。在所有测试日期和季节中,6S始终展现出更高的NDVI结构性相似度、更低的绝对偏差以及更小的离散度,这说明其具有更好的辐射一致性以及空间模式的保持能力。此外,6S还能对大气参数化和观测几何结构进行透明控制,因此非常适合用于GF-1/WFV数据符合HLS标准的预处理。正因如此,本研究中所使用的所有GF-1/WFV场景都选择了6S进行处理。地表高程是从数字高程模型中获取的,而与具体场景相关的大气和几何参数,包括太阳角和观测几何结构、大气水汽含量、臭氧浓度以及气溶胶状况,则是从在相应GF-1/WFV观测日期或尽可能接近该日期时获取的卫星辅助产品中得到的。
2.3.3 BRDF归一化
在AC处理之后,根据HLS v2.0框架,使用C因子法对GF-1/WFV表面反射率数据进行了BRDF归一化处理,从而得到天底方向经过BRDF调整后的反射率(NBAR)。这一步骤是必要的,因为GF-1/WFV和HLS的观测并非在相同的太阳角和观测几何结构下进行,即便经过AC处理和几何对齐后,残留的BRDF效应仍可能引入系统性差异。C因子法通过利用参考几何结构和实际观测几何结构下的BRDF模型值之比来对每个观测数据进行归一化处理,使其符合统一的参考几何结构。这一流程的核心依赖于Ross-Li半经验BRDF模型,该模型将表面各向异性分为各向同性、体积散射和几何散射三个组成部分(Cheng等人,2022年)。对于每个光谱波段,NBAR的计算公式为:
其中,表示经过大气校正后的GF-1/WFV对应波段表面反射率,表示天底方向归一化后的反射率,表示实际观测时的几何结构,而表示归一化后的几何结构。C因子的计算公式则为:
其中,分别代表对应波段的各向同性、体积散射和几何散射BRDF模型参数,而和则是Ross-Thick核函数与Li-Sparse互反核函数,它们的计算取决于太阳天顶角、观测天顶角以及相对方位角。C因子法需要针对不同波段设置特定的BRDF核函数系数。在本研究中,我们采用了与HLS v2.0中相同的系数集,这些系数源自MODIS MCD43 BRDF/反照率模型,并在HLS框架中被调整以适配OLI和MSI光谱波段的需求(Ju等人,2025年)。采用这种方式是为了保持与HLS参考产品的一致性,而非试图通过实验方式将GF-1/WFV数据调整为与HLS匹配。这些系数代表了用于HLS中角度归一化的固定全球陆地表面BRDF形态,同时也为那些无法从单次观测中获得特定场景BRDF反演的中分辨率单视传感器提供了合理的先验BRDF信息。由于GF-1/WFV的蓝光、绿光、红光以及近红外波段所覆盖的可见光和近红外光谱范围与HLS中的相同,因此相应的HLS系数组也被应用到了对应的GF-1/WFV波段上。用于GF-1/WFV NBAR归一化的各波段特定BRDF核函数系数列于表2中。
表2. 用于GF-1/WFV NBAR归一化的BRDF核函数系数
波段 | 蓝光 | 绿光 | 红光 | 近红外
----|------|------|------|------
系数值 | 0.0774 | 0.0372 | 0.0079 | 0.1306
| 0.0580 | 0.0178 | 0.1690 | 0.0574 |
| 0.0227 | 0.1535 | 0.0330 | 0.3093 |
对于每一个GF-1/WFV场景,我们都在了像素级别计算了太阳天顶角、太阳方位角、观测天顶角以及观测方位角,同时还在实际观测几何结构和归一化后的几何结构下分别计算了Ross-Li体积散射核函数和几何散射核函数。归一化后的几何结构被定义为天底方向视角,而每个场景的太阳天顶角则是依据HLS框架中采用的代表性太阳几何结构而非任意固定的太阳角度来计算的。随后,C因子方法被独立应用于蓝光、绿光、红光以及近红外波段中的BOA反射率数据,从而得到了能够抑制由季节、观测配置或扫描路径位置所带来的方向性反射率变化的NBAR产品(Roy等人,2017年)。这一步骤的目的并非纠正GF-1/WFV与HLS之间的光谱响应差异,因为这类差异会在后续通过基于物理原理和经验数据的波段调整环节得到解决。相反,BRDF归一化的作用是在进行光谱调整和评估之前,将GF-1/WFV的表面反射率纳入与HLS相同的角度归一化框架之中。由于GF-1/WFV的视场范围比OLI和MSI更广,因此所采用的HLS系数应被视为一种一级角度归一化处理方式,而非针对GF-1/WFV专门进行的BRDF反演。
2.3.4 地理校正
尽管GF-1/WFV场景已经被重新投影并重采样到HLS网格中,但与对应的HLS图块相比仍存在一定的几何差异。这些差异源于轨道参数、观测几何结构、传感器设计以及地理位置精度等方面的不同。为了提升融合分析中像素间的对应关系,我们进一步使用了自动配准与正射校正工具包(AROP)(Gao等人,2009年)进行了额外的几何校正。AROP通过提取大量的关联点并估算出能够最小化局部位移误差的仿射变换,从而优化两幅光学图像之间的空间对齐效果。在本研究中,每次校正的参考图像都是HLS S30波段8A数据,而对应的GF-1/WFV NBAR第四波段图像则作为目标图像。AROP能够识别出重叠区域内的可靠特征匹配点,进而确定出能够校正整体偏移、微小旋转以及尺度差异的变换参数。一旦从某个单一光谱波段获得了最优的变换参数,就会将其应用到全部四个GF-1/WFV NBAR波段上,以确保各波段之间的几何结构完全一致。由于NBAR图像代表着经过BRDF归一化处理后的BOA反射率,因此在这一阶段应用AROP变换既保持了辐射测量的准确性,又消除了空间上的不对齐问题。最终得到的结果是经过协同配准的一组GF-1/WFV场景,其与HLS之间的空间对齐程度有了显著提升,从而为后续的融合分析提供了更为可靠的像素级对比数据。
2.4 基于物理原理的波段调整
为提升GF-1/WFV与HLS表面反射率产品之间的光谱一致性,我们采用了与HLS 1.4版和2.0版中相同的基于物理原理的波段调整方法,即以Landsat-8 OLI作为光谱参考,通过高光谱卷积运算来推导出各波段的线性变换参数(Claverie等人,2018年;Ju等人,2025年)。除了基于经验回归的调整方法之外,这种基于物理原理的波段调整方法还旨在提供一种以传感器光谱特性为依据的参考性融合方案,而非仅仅依赖两组图像的统计特征。这一方法遵循了HLS的处理理念,即通过将高光谱表面反射率与传感器的响应函数进行卷积来处理光谱差异,而非直接从成对的多光谱观测数据中学习这些差异。借助已知的光谱响应函数以及实际观测到的高光谱变化情况,这种基于物理原理的波段调整方法能够得出与研究区域无关、且具备跨空间和时间迁移能力的系数参数(Claverie,2023年)。
2.4.1 高光谱库与光谱模拟
我们使用了来自Earth Observing-1(EO-1)Hyperion卫星影像构建的全局高光谱表面反射率库,用以描述不同类型陆地表面条件下的光谱变化特征。该数据库与HLS处理流程以及相关波段调整研究中所使用的数据库格式一致,其设计目的在于反映全球范围内的表面反射率变化情况,而非针对特定区域的土地覆盖类型。该数据库包含了大约一万条经过大气校正的表面反射率光谱数据,这些数据来源于大量分布在全球各地、涵盖多种地表类型的Hyperion影像,包括植被区域、裸露土壤、城市建筑以及混合类型的地表对象(Claverie,2026年)。在对这些高光谱数据进行光谱卷积处理之前,首先会对它们进行质量控制。那些包含大量无效数值或不符合物理规律的反射率数据会被剔除,以此确保数值计算的稳定性以及结果的合理性。在此过程中并未进行任何地理筛选或基于土地覆盖类型的过滤操作,因为该数据库的目标是捕捉中分辨率多光谱传感器在全球范围内所遇到的各种光谱变化情况,而非针对特定区域优化性能。
通过将高光谱数据与Landsat 8 OLI传感器的相对光谱响应函数,以及GF-1/WFV四台相机WFV1至WFV4的光谱响应函数进行卷积,就可以生成模拟的多光谱反射率数据。对于某个特定的传感器波段,其模拟的积分反射率是通过对该波段的高光谱反射率数据进行标准化加权积分计算得出的,计算公式如方程3所示:
其中,表示波长为处的光谱反射率,而则表示对应传感器波段的光谱响应函数。积分的下限和上限则由该波段的实际有效光谱范围决定。这一卷积操作分别针对OLI传感器的光谱响应函数以及每台GF-1/WFV相机的光谱响应函数进行,从而得到蓝光、绿光、红光以及近红外波段的模拟OLI反射率和模拟GF-1/WFV反射率值。随后,这些模拟得到的反射率数值对被用来推导出针对各个波段的特定线性变换参数,以此区分不同传感器之间的光谱带宽差异。为验证算法实现的准确性,我们将Hyperion数据与OLI数据之间的模拟结果与另一组独立发布的Hyperion数据与OLI数据经卷积处理后的结果进行了比较,结果显示各波段之间的数值非常接近(Claverie,2026年)。
2.4.2 波段调整系数的推导
我们分别为每一台GF-1/WFV相机以及每一对存在重叠的光谱波段独立推导出了波段调整系数。对于某个特定的波段,我们会采用最小二乘法,将模拟得到的GF-1/WFV反射率值与对应的模拟OLI反射率值进行线性回归分析,计算公式如方程4所示:
其中,分别表示对应波段的模拟GF-1/WFV反射率值和模拟OLI反射率值。这里的和分别是该波段特有的截距参数和斜率参数。这种线性建模方式与HLS处理流程中所采用的波段调整方法是一致的,它能够简洁而有效地反映不同传感器之间的光谱响应差异。在进行回归分析时,我们会使用完整的高光谱数据库,从而为每一台GF-1/WFV相机得出一组全局统一的波段调整系数。由于这些系数完全是基于高光谱卷积运算以及传感器响应特性推导出来的,因此它们与局部的同步观测数据或特定地点的实际情况无关。只有那些存在光谱重叠的波段才会被纳入调整范围,而没有重叠的波段则不会被考虑在内。
2.4.3 在GF-1/WFV表面反射率数据中的应用
在完成了AC处理、BRDF归一化(NBAR处理)以及几何对齐之后,我们再将所推导出的波段调整系数应用到已经过全面预处理的GF-1/WFV表面反射率数据上。对于每一台GF-1/WFV相机,我们都会针对各个波段应用特定的线性变换公式,将GF-1/WFV传感器的反射率值转换为相当于OLI传感器所检测到的反射率值。之后,我们会将经过调整后的GF-1/WFV表面反射率数据与同时期获取的HLS表面反射率产品进行对比分析,以此评估不同传感器之间的辐射一致性以及数据的时间稳定性方面的提升情况。基于物理原理的波段调整方法通过传感器光谱响应函数以及高光谱数据的变化特征来约束调整系数,从而确保这些系数在不同地区和不同季节之间都具有可迁移性。而基于经验数据的波段调整系数则是直接从同步观测数据中计算得出的,因此它们不仅反映了传感器之间的光谱差异,还包含了由地表特性、光照条件以及传感器自身噪声等因素所导致的残余影响。
2.5 基于经验数据的波段调整
为了在研究区域内高效地进行波段调整,我们采用了基于经验数据、以实际观测结果为依据的调整方法,而非通过物理模拟的方式来进行光谱卷积处理。这种调整方法利用了同时期获取的HLS表面反射率数据,以及经过AC处理、BRDF归一化(NBAR处理)和几何对齐之后的GF-1/WFV表面反射率数据。其核心的基于经验数据的波段调整框架被构建为一种按波段进行的线性回归模型,通过这个简单线性模型,每一个GF-1/WFV传感器的波段都与其在光谱特征上对应的HLS传感器的波段建立联系,计算公式如下所示:
其中,分别表示对应波段的同步HLS表面反射率值,以及经过BRDF归一化处理后的GF-1/WFV传感器对应波段的反射率值。这里的表示该波段特有的斜率或增益调整参数,而则表示用于修正剩余偏差的波段特异性偏移量。这种建模方式在多传感器数据融合处理中已被广泛运用,其目的是用于纠正系统性的光谱差异以及残留的校准误差(Zhang等人,2025年)。
2.5.1 线性回归系数的自助法估计
为量化基于经验数据的调整方法的稳定性,我们从训练数据中选取有效的、同步获取的GF-1/WFV与HLS传感器对应的像素对,进而应用自助法重采样技术。对于每一个光谱波段以及不同的系数设定方案,首先会剔除那些包含大量无效数值、非有限值以及非正数值的反射率数据。接着,会根据同步获取的HLS传感器反射率数据计算出NDVI值,以此作为标准来划分不同的NDVI等级子集。对于每一个包含至少200对有效像素对的校准子集,我们会通过随机抽取像素并允许重复的方式,进行200次自助法重采样操作。每次重采样后都会进行一次最小二乘线性回归分析,从而得到斜率参数和截距参数的分布曲线。随后,我们会利用这些分布曲线的均值,以及第2.5百分位数和第97.5百分位数,来总结系数参数的稳定性及其不确定性水平。需要指出的是,这些自助法生成的子集之间并没有进行空间上的隔离处理,因此所得到的置信区间应被理解为在现有训练数据条件下系数稳定性的相对指标,而非完全独立于空间因素的精确不确定性估计值。在模型评估中,空间独立性问题是通过将得到的系数应用到在系数估算过程中未被使用的测试场景来解决的。这种自举设计使得可以比较不同经验系数策略的稳定性,而无需仅依赖每种策略的单一拟合斜率和截距。2.5.2 线性经验BPA系数策略(1)全局线性BPA为考察传感器特性和表面条件的影响,采用了几种互补的方法进行经验调整。在第一种方法中,所有GF-1/WFV传感器被视为一个统一的仪器。所有对应的场景被合并起来,为每个光谱带拟合一个单一的斜率和截距。这种处理方式属于全局调整,因为它假设经过大气校正和BRDF归一化后,四个GF-1/WFV相机的表现相似。(2)传感器特定线性BPA在第二种方法中,为每个GF-1/WFV传感器分别拟合系数。对WFV1、WFV2、WFV3和WFV4分别进行独立的线性回归,从而能够捕捉到尽管经过几何和辐射度预处理后仍可能存在的传感器间的细微差异。(3)NDVI分层全局线性BPA第三种方法根据植被状况进行分层。选择NDVI作为分层变量,是因为经验BPA残差预计会随表面光谱行为而变化,尤其是在植被覆盖区域,红色吸收和近红外散射会随着冠层密度、作物生长阶段以及物候状况而改变。因此,NDVI提供了一种简单且具有物理意义的替代指标,用于检测GF-1/WFV与HLS反射率关系是否会在植被梯度上发生变化。为每个对应像素计算NDVI值,并将其分为四个区间:-1到0、0到0.3、0.3到0.6以及0.6到1.0。这些区间遵循遥感领域中广泛采用的NDVI经验分类标准(Pettorelli等人,2011年)。NDVI值低于零通常对应水体和强吸收表面,而0到0.3之间的值多与裸土、城市区域以及植被稀疏的表面相关。0.3到0.6之间的中间值代表植被覆盖率适中的农业景观,而高于0.6的值则表明植被冠层密集且健康。这类阈值范围已被广泛用于区分不同地区和传感器下的植被密度及表面状况。这些阈值并非针对研究区域进行局部优化,而是为了与既定的NDVI规范保持一致,并将分层作为一种可推广的统一策略,而非仅适用于特定区域的解决方案。在每个NDVI区间内,通过结合所有GF-1/WFV传感器的对应观测数据,拟合独立的线性回归方程。这允许GF-1/WFV与HLS反射率之间的经验关系随植被状况而变化,因为具有不同结构和生化特性的表面往往表现出不同的光谱特征。预计NDVI分层在植被覆盖表面上最为有效,因为NDVI能够为冠层结构及反射率变化提供具有物理意义的替代指标。相比之下,在水体上,NDVI值的动态范围较为有限,无法可靠地反映光谱变化情况。因此,预计在水体上应用NDVI分层调整的稳定性会低于植被覆盖表面。(4)NDVI分层传感器特定线性BPA第四种方法在NDVI分层的基础上进一步发展,即为每个GF-1/WFV传感器在各自的NDVI类别内分别拟合系数。这样得出了研究中最为详细的一组关联关系,有助于了解不同植被状况下各传感器的光谱行为是否存在差异。这四种线性经验策略共同构成了系统化的比较框架,可用于分析在不同情况下——即系数在传感器间共享、按土地覆盖类型分层或针对单个传感器定制时——协调精度如何变化。在确定系数后,通过将适当的斜率和截距应用于每个波段,为每张GF-1/WFV测试图像生成协调后的反射率值。NDVI分层方法则根据NDVI数值将系数逐像素分配。2.5.3 非线性BPA敏感性分析为评估基于波段的线性经验BPA公式是否足以实现区域协调,作为敏感性分析,还测试了两种非线性经验BPA模型。在光谱协调和带通调整研究中,也曾评估过类似的非线性或机器学习回归方法,包括二次回归、神经网络以及基于树的方法(Scheffler等人,2020年;Claverie,2023年)。第一个模型是为每个光谱带独立拟合的二阶多项式回归,其表达式为(6),其中为经过预处理的第波段GF-1/WFV反射率,为对应的HLS反射率,而、和则为该波段特定的多项式系数。第二个模型则是随机森林回归,即使用相应的GF-1/WFV反射率波段作为预测变量,以对应的HLS反射率波段作为目标变量,为每个波段独立训练(Breiman,2001年)。在构建随机森林BPA模型时,使用了250棵树,最大深度为14,最小叶节点大小为200。这两种非线性模型都采用了与线性经验BPA相同的训练和独立测试场景划分方式,分别以全局形式和传感器特定形式实现。为与线性经验BPA框架保持可比性,这些模型是针对每个波段单独拟合的,且未使用额外的多波段、土地覆盖类型或空间预测因子。这些非线性模型被用作区域敏感性测试,旨在探讨是否能在线性经验BPA公式之外进一步降低误差。不过并未评估其在研究区域之外的适用性。2.6 协调性能评估协调后的反射率是使用那些未参与系数估算的独立对应测试场景来评估的。性能评估采用了结构相似性指数(SSIM)、均方根差值(RMSD)、平均偏差误差(MBE)以及决定系数(R2)等指标。RMSD用于量化GF-1/WFV与HLS之间逐像素的辐射度差异大小,而MBE则用于衡量系统性偏差,即判断反射率是持续偏高还是偏低。SSIM用于评估图像在空间结构、对比度和亮度方面的相似程度,有助于了解在仅满足逐像素数值一致的前提下,空间模式在多大程度上得到了保留(Wang等人,2004年)。决定系数(R2)则反映了GF-1/WFV与HLS反射率之间的线性关系强度,体现相对反射率变化在多大程度上能够保持一致。这些指标是在整个场景范围内计算的,用以评估整体性能。此外,还会在季节性和土地覆盖类型分组的基础上对RMSD进行进一步总结,以评估受不同条件影响的辐射度误差。同时,还会分析拟合的回归线和系数估计值,以了解每种协调方法在保持与HLS相关的反射率关系方面的表现。这些测试场景涵盖了多个季节,包含了植被、裸土和城市表面等多种类型,确保评估结果能够反映具有代表性的表面条件和光照环境。3. 结果3.1 带通调整系数3.1.1 基于物理原理的BPA系数通过高光谱卷积得到的基于物理原理的带通调整系数,为所有四台GF-1/WFV相机提供了稳定的线性映射关系(见表3)。在各个波段中,斜率接近1,截距较小,这说明模拟得到的GF-1/WFV与OLI反射率之间的剩余带通差异可以通过一阶校正得到良好体现。所有传感器与波段组合的决定系数均超过0.99,仅在近红外波段的系数略有下降,这与该波段的光谱变化稍大但仍然保持较强线性关系相符。这些结果支持在经过角分辨率校正和BRDF归一化之后,使用基于物理原理的系数作为与场景无关的基准校正方法。表3. 用于将GF-1/WFV表面反射率映射为相当于OLI反射率的基于物理原理的带通调整系数。这些系数是通过将全球Hyperion高光谱反射率库与Landsat-8 OLI以及每台GF-1/WFV相机(WFV1–WFV4)的光谱响应函数进行卷积,然后利用线性公式对模拟得到的OLI反射率与模拟GF-1/WFV反射率进行逐波段普通最小二乘回归得到的。所列数值包括蓝光、绿光、红光和近红外波段的截距a、斜率b以及决定系数(R2)。传感器波段截距b斜率R2WFV1蓝光-0.0000031.0001920.999997绿光0.000971.0189110.998721红光-0.0033050.9977430.999743近红外0.0108111.0060150.993803WFV2蓝光-0.0023110.9879680.999831绿光0.0003291.0089790.999674红光-0.0033010.9969390.99975近红外0.0121720.997120.992685WFV3蓝光-0.0014940.9932280.999895绿光-0.0001140.9940570.999922红光-0.0053360.9919520.999432近红外0.0110631.0051270.993759WFV4蓝光-0.0007590.9959320.999988绿光0.0010081.0026410.999825红光-0.0053170.9916270.999433近红外0.0101191.0086960.9940643.1.2 经验BPA系数的不确定性与稳定性自举不确定性分析表明,系数的稳定性在很大程度上取决于校准是跨相机汇总进行还是逐传感器估算,以及是否应用了NDVI分层(见图3)。与汇总后的线性BPA相比,传感器特定的线性BPA始终能降低不确定性,这说明经过预处理后仍存在相机间的差异,而通过独立的线性映射能够更好地捕捉这些差异。NDVI分层则带来了不同的结果。在植被覆盖度适中的情况下,它在某些情况下降低了不确定性,但在NDVI值较低的区间,不确定性却显著上升,这是因为这些子集的约束条件较弱,且差异性更大。总体而言,在所测试的各类线性经验策略中,传感器特定的线性BPA提供了最稳定的系数,而除非有足够且具有代表性的样本支持,否则NDVI分层只会引入额外的变异。下载:下载高分辨率图片(1MB)下载:下载完整尺寸图片图3. 近红外波段中线性BPA系数的自举稳定性,比较了汇总后的全局线性BPA、传感器特定的线性BPA、按NDVI区间汇总后的全局线性BPA以及按NDVI分层后的传感器特定线性BPA四种情况。每个面板显示了拟合得到的平均关系,以及基于自举系数分布得出的置信区间下限和上限。面板上的注释给出了相应的斜率和截距概要。面板(a)显示的是汇总后的全局线性BPA。面板(b–e)分别显示WFV1–WFV4的传感器特定线性BPA。面板(f)、(k)、(p)和(u)分别显示NDVI值在?1–0、0–0.3、0.3–0.6和0.6–1.0区间内的汇总后的全局线性BPA。面板(g–j)、(l–o)、(q–t)和(v–y)分别显示WFV1、WFV2、WFV3和WFV4的传感器特定NDVI分层线性BPA。3.2 NBAR对协调质量的影响将BRDF归一化为NBAR后,由于将GF-1/WFV反射率纳入与HLS一致的角归一化框架,从而提升了所有波段上GF-1/WFV与HLS之间的匹配度(见图4)。从角分辨率校正后到BRDF归一化后的改进在红光和近红外波段的SSIM和R2指标上最为明显,而近红外波段的RMSD和MAE也出现了最显著的下降。在蓝光和绿光波段,改进幅度则相对较小,因为此时大气残留效应和混合像素带来的差异仍具有较大影响。这些结果表明,在带通调整之前,NBAR作为一个重要的一阶归一化步骤,尤其有助于减少GF-1/WFV与HLS NBAR参考值之间的角度相关差异。下载:下载高分辨率图片(1MB)下载:下载完整尺寸图片图4. 展示了经过一系列处理步骤后GF-1/WFV与HLS表面反射率的对比情况:包括大气校正(角分辨率校正后)、BRDF归一化为NBAR(BRDF归一化/ NBAR后)、基于物理原理的BPA处理,以及传感器特定的线性经验BPA处理。结果针对蓝光、绿光、红光和近红外波段,使用了所有独立测试场景中的汇总像素观测数据。每个子图都展示了在全部对应像素上计算得到的R2、RMSD、MAE和SSIM数值。3.3 带通调整对协调质量的影响3.3.1 基于物理原理的BPA与线性经验BPA的协调性能在完成BRDF归一化后,基于物理原理的BPA仅使评估指标出现微小的变化,说明其在NBAR步骤之后的改进作用有限(见图4)。相比之下,传感器特定的线性经验BPA则使各波段的RMSD和MAE显著下降,同时SSIM值有所上升,这表明在研究数据集中,它提升了像素级与HLS的匹配度。其对R2的影响则因波段而异。在蓝光和绿光波段,经验BPA虽然提升了SSIM值,但降低了R2,说明局部相似度有所提高,但整体线性关系较弱。在红光波段,经验BPA在保持线性一致性的同时,也改善了误差指标。在近红外波段,经验BPA不仅提升了SSIM值,还提高了R2,这说明经过预处理后,两者之间的关系更加稳定且线性程度更高。3.3.2 不同线性经验BPA方法的比较在所有独立测试场景中,各种线性经验BPA方法都相较于应用BPA之前的NBAR基准实现了更好的匹配度(见图5)。在所测试的方法中,传感器特定的线性BPA表现最为稳定,它兼具较高的SSIM值、较低的RMSD值,以及接近零的偏差。这些结果表明,传感器特定的线性BPA提供了一种稳定且易于理解的经验基准,而下面将要介绍的非线性敏感性分析则用于探讨是否有可能进一步降低区域误差。当类别平衡性和样本数量充足时,NDVI分层更适合作为一种条件性的优化手段。下载:下载高分辨率图片(698KB)下载:下载完整尺寸图片图5. 展示了蓝光、绿光、红光和近红外波段在各个独立测试场景中的SSIM、RMSD和MBE分布情况。面板(a–d)、(e–h)和(i–l)分别对应SSIM、RMSD和MBE指标。结果将应用BPA之前的NBAR基准与四种线性经验BPA方法进行了比较:全局线性BPA、传感器特定的线性BPA、按NDVI区间划分后的全局线性BPA(NDVI-G),以及按NDVI分层后的传感器特定线性BPA(NDVI-S)。矩形框表示四分位数范围,绿色三角形代表平均值,橙色线条代表中位数,圆形则表示异常值。一个典型的空间示例进一步说明了这些趋势(见图6)。经验BPA降低了可见光波段的辐射度不匹配问题,经过调整后,生成的假彩色合成图像通常会更接近HLS参考值。在这个示例中,针对特定传感器的线性校正方法以及基于NDVI分层的特定传感器线性校正方法在视觉上与HLS结果的匹配度略高,不过这种定性比较只是为了辅助验证独立测试场景中的定量结果。下载:下载高分辨率图像(1MB)下载:下载完整尺寸图像图6. 2022年4月10日拍摄的图像,展示了GF-1/WFV2在经过波段调整前后的表面反射率假彩色合成图及各波段散点图,并以同一时刻的HLS参考值作为对比。该图反映了不同线性经验校正方法相对于HLS参考值在视觉效果和反射率层面的差异。3.3.3 非线性校正方法的敏感性分析为评估基于波段的线性经验校正方法是否足以实现区域间数据协调,研究还测试了二阶多项式和随机森林校正方法作为非线性敏感性模型。这些模型分别与未应用校正前的NBAR基准方法以及作为主要线性经验基准的特定传感器线性校正方法进行了比较。在所有独立测试场景和四个光谱波段中,平均均方根误差从未应用校正前的NBAR基准方法的0.110降至应用特定传感器线性校正方法后的0.037,再进一步应用特定传感器多项式校正方法和随机森林校正方法后分别降至0.025和0.024(见表4)。对于特定传感器的非线性模型,平均偏差也降低到了接近零的水平。各波段的均方根误差数值显示,非线性校正方法在可见光波段带来的误差降低效果最为显著,而在近红外波段,特定传感器的非线性模型的改进效果则相对较小。不过,这些非线性模型并未始终能提升R2值,尤其是随机森林校正方法。表4. 不同独立测试场景下线性校正方法与非线性校正方法的平均性能表现。整体指标为蓝、绿、红及近红外波段的平均值,而各波段的均方根误差数值则用于展示不同光谱波段间的误差降低程度。这些非线性模型作为区域敏感性测试纳入分析,其在该研究区域之外的适用性尚未得到评估。方法平均SSIM值平均均方根误差平均MBE值平均R2值蓝色波段均方根误差绿色波段均方根误差红色波段均方根误差近红外波段均方根误差未应用校正前的NBAR方法0.6720.110?0.1020.6410.1990.1220.0760.044特定传感器线性校正方法0.8300.037?0.0110.6510.0350.0350.0330.043全局多项式校正方法0.8290.0290.0020.6430.0200.0220.0280.044特定传感器多项式校正方法0.8460.025?0.0010.6140.0200.0210.0250.034全局随机森林校正方法0.8260.0280.0020.5400.0190.0220.0280.044特定传感器随机森林校正方法0.8440.024?0.0010.5640.0200.0190.0240.0343.3.4 土地覆盖类型分层校正性能土地覆盖类型分层分析进一步表明,线性经验校正方法提升了所有主要地表类型之间的跨传感器一致性,同时也显示出与地表类型相关的差异性特征(见图7)。在水体表面,全局线性校正方法和特定传感器线性校正方法产生的均方根误差最低,而基于NDVI的分层校正方法效果较差,这与水体上NDVI的物理意义有限且动态范围较窄有关。对于裸露地表和城市地表,所有线性经验校正方法都大幅降低了均方根误差,各方法之间的差异较小。在混合植被和密集植被区域,基于NDVI的分层校正方法产生的均方根误差最低。总体而言,土地覆盖类型分析结果表明,与水体及其他非植被地表相比,基于NDVI的分层校正方法在植被覆盖地表上的表现更好。下载:下载高分辨率图像(620KB)下载:下载完整尺寸图像图7. 不同土地覆盖类型下,GF-1/WFV与HLS参考值在蓝、绿、红及近红外波段上的归一化均方根误差对比情况。箱线图展示了未应用校正前的NBAR基准方法与四种线性经验校正方法的表现,包括全局线性校正方法、特定传感器线性校正方法、基于NDVI分层的全球线性校正方法以及基于NDVI分层的特定传感器线性校正方法。3.3.5 线性经验校正方法的季节稳定性通过将累计全波段均方根误差按春季、夏季和秋季进行分类,研究了线性经验校正方法的季节性能。由于测试数据中冬季的同步观测数据不足,因此未纳入分析。在每个评估的季节里,所有线性经验校正方法都降低了相对于未应用校正前NBAR基准方法的平均均方根误差(见图8)。春季的平均均方根误差从0.1250降至0.0364–0.0469,夏季从0.1016降至0.0346–0.0395,秋季则从0.1418降至0.0357–0.0483。不同季节中,各类线性校正方法的相对表现排名会有所不同。春季时,特定传感器线性校正方法和基于NDVI的线性校正方法产生的平均均方根误差最低;夏季时,全局线性校正方法和特定传感器线性校正方法的表现最佳;秋季则由全局线性校正方法产生最低的均方根误差。这些结果表明,线性经验校正方法能够持续降低季节性带来的均方根误差,而不同校正方法的相对性能则会随着季节性数据条件的变化而有所差异。下载:下载高分辨率图像(354KB)下载:下载完整尺寸图像图8. 不同季节下GF-1/WFV与HLS之间累计全波段均方根误差的分布情况。箱线图对比了未应用校正前的NBAR基准方法与各类线性经验校正方法的表现,包括全局线性校正方法、特定传感器线性校正方法、基于NDVI分层的全球线性校正方法以及基于NDVI分层的特定传感器线性校正方法。由于冬季缺乏足够的同步测试数据,因此未纳入分析。非线性校正方法作为区域敏感性测试已在表4中单独列出。4. 讨论本研究首次系统地评估了在包含角向归一化、几何对齐以及与HLS框架一致的BRDF归一化在内的完整预处理体系下,针对GF-1/WFV应用的基于物理原理的校正方法与经验性波段调整方法的效果。通过使用辐射精度、结构相似性、系数稳定性、土地覆盖类型依赖性以及季节性依赖性等常见指标对这两种方法进行评估,本研究不仅关注性能排名,还深入分析了实现数据协调的根本原因。具体而言,研究结果表明,基于物理原理的校正方法能够有效区分不同传感器之间的光谱响应差异,从而得出稳定且可迁移的校正结果;而线性经验校正方法则主要通过弥补BRDF归一化之后仍然存在的观测相关误差来实现进一步的优化。此外,研究还发现,基于NDVI的分层校正方法虽然能够提升植被覆盖地表上的数据校正效果,但其效果仍会受到数据可用性和地表类型的影响,因此其在实际应用中的稳定性较差。综上所述,这些研究结果明确了在将GF-1/WFV数据整合到类似HLS格式的分析数据流中时,基于物理原理的校正方法与经验性校正方法各自的作用及其实际应用中的权衡关系。这一分析有助于区分区域校准范围内的改进效果与跨区域的应用可行性,这是比较不同校正方法时的重要考量因素。4.1 基于物理原理的校正系数的物理意义与稳定性基于物理原理的波段调整系数(见表3)为所有四台相机以及所有评估波段的GF-1/WFV数据提供了通往OLI等效反射率的稳定线性映射关系。接近1的斜率以及较小的截距表明,在完成角向归一化与BRDF归一化处理后,GF-1/WFV数据与OLI数据之间的剩余光谱差异幅度很小,可通过一阶线性校正来处理。较高的决定系数则说明,这种映射关系在Hyperion数据库所涵盖的高光谱反射率变化范围内依然保持稳定(Claverie 2026)。与可见光波段相比,近红外波段的R2值略低,这表明该波段的色散程度略有增加,但整体上仍属于强线性映射关系(见表3)。由于这些系数并非基于GF-1/WFV与HLS数据的同步观测值推导而来,因此它们能够提供与具体场景无关的光谱参考校正值。这一设计理念与HLS风格的校正方法一致,即通过高光谱卷积运算以及传感器光谱响应函数来减小不同传感器之间的光谱响应差异(Claverie等人,2018;Claverie,2023;Ju等人,2025)。4.2 线性经验校正系数的稳定性与迁移性对近红外波段数据的自举稳定性分析表明,在所有测试的线性经验校正方法中,特定传感器线性校正方法所产生的经验系数稳定性最高(见图3)。与全局线性校正方法(见图3a)以及基于NDVI的分层校正方法相比,特定传感器校正方法的系数不确定性始终较低(见图3b–e)。在某些中等NDVI值条件下,基于NDVI的分层校正方法能够提升稳定性,尤其是在GF-1/WFV3传感器上(见图3s)。不过,这种改善效果在不同传感器或不同的NDVI值范围内并不一致。在低NDVI值条件下,基于NDVI的分层校正方法往往具有更高的不确定性,这说明该方法对场景的异质性较为敏感,且样本多样性不足(Fan和Liu,2017)。近红外波段观察到的稳定性特征并非仅限于该波段。表5显示,在所有光谱波段中,特定传感器线性校正方法产生的斜率和截距系数的平均不确定性最低。尽管不同波段之间的绝对不确定性数值存在差异,但各类校正方法的相对排序依然保持一致。这一结果支持将特定传感器线性校正方法视为研究数据集中最稳定的基于系数的经验校正方法,这也与近期的一些跨传感器数据协调研究结果相符,即本地优化的协调函数虽然能够降低同一区域内的误差,但在应用于其他区域或不同地表类型之前仍需进行验证(Richardson等人,2025)。表5. 不同光谱波段下线性经验校正系数的自举不确定性。表格列出了所测试的各种线性经验校正方法的平均斜率不确定性及平均截距不确定性。波段校正方法平均斜率不确定性平均截距不确定性蓝色波段全局线性校正方法0.2260.043基于NDVI分层的全球线性校正方法0.2220.051特定传感器线性校正方法0.1660.038基于NDVI分层的特定传感器线性校正方法0.1950.049绿色波段全局线性校正方法0.2280.036基于NDVI分层的全球线性校正方法0.2560.048特定传感器线性校正方法0.1480.034基于NDVI分层的特定传感器线性校正方法0.2120.047红色波段全局线性校正方法0.2070.031基于NDVI分层的全球线性校正方法0.2710.045特定传感器线性校正方法0.1350.030基于NDVI分层的特定传感器线性校正方法0.2250.043近红外波段全球线性校正方法0.2190.048基于NDVI分层的全球线性校正方法0.2950.066特定传感器线性校正方法0.1720.049基于NDVI分层的特定传感器线性校正方法0.2390.0614.3 NBAR校正方法与基于物理原理的校正方法的效果分析图4中的逐步对比结果表明,NBAR是使GF-1/WFV数据的反射率更接近HLS标准参考值的关键预处理步骤。在完成角向归一化处理之后,再经过BRDF归一化处理,其在SSIM值和R2值方面的改进在红色波段和近红外波段最为明显,而近红外波段的均方根误差和平均绝对误差的下降幅度也最为显著。这表明,在进行光谱波段调整之前,首先需要将GF-1/WFV数据纳入与HLS标准一致的角向归一化框架中。这一处理顺序与HLS v2.0的处理逻辑相符,即角向归一化与BRDF归一化构成了数据协调的基础,而波段调整则用于进一步优化光谱特性(Ju等人,2025)。尽管对GF-1/WFV特有的BRDF残差进行专门验证超出了本研究的范围,但NBAR处理之后的数据一致性提升表明,所采用的HLS标准系数为GF-1/WFV数据提供了有效的初始角向归一化方案。未来还需要对视角相关的残差问题进行更深入的研究。4.4 宽幅传感器光谱波段调整的物理限制在完成BRDF归一化处理后,基于物理原理的波段调整方法所带来的改进效果较为有限,这说明对于GF-1/WFV数据而言,预处理完成后剩余的跨传感器差异并不仅仅是由光谱波段不匹配造成的。角向归一化与BRDF归一化已经降低了与光照条件及观测角度相关的较大比例的变异,因此留给光谱波段调整处理的剩余差异相对较小。基于物理原理的校正方法在近红外波段的效果也较为有限(见图4n、o)。在完成BRDF归一化处理后,GF-1/WFV数据与HLS标准数据之间的关系已经相当紧密,此时再应用基于物理原理的校正方法,只能带来微小的指标变化,无法实现显著的额外改进。在可见光波段,预处理完成后仍可能存在大气散射、相邻像素间的影响、混合像素以及传感器自身的辐射特性差异等因素,导致数据之间存在差异,而这些问题仅靠高光谱波段调整是无法完全解决的。此外,GF-1/WFV传感器具有宽广的视场范围以及较大的视角变化,这也降低了单纯依靠光谱调整方法的效率,因为视角相关的残差并不在基于高光谱模拟得出的波段系数所能覆盖的范围内。对于GF-1/WFV来说,这一问题尤为突出,因为其约800公里的观测范围是由四台WFV传感器共同覆盖的,这些传感器具有较大的总视场范围以及不同的观测角度(Chen等人,2018)。因此,基于物理原理的校正方法应被视为一种稳定的传感器级校正手段,而宽幅传感器的有效数据协调还需要依赖于角向归一化、BRDF归一化、几何对齐,以及在适当情况下结合基于观测数据的经验性优化方法(Roy等人,2017)。4.5 经验性波段调整方法与基于物理原理的校正方法的关系图4清晰地展现了基于物理原理的校正方法与经验性波段调整方法之间的关键差异。基于物理原理的校正方法能够保持BRDF归一化处理后所有光谱波段之间的线性关系,这从稳定的决定系数以及接近1的斜率中可以看出。这一特性源于基于物理原理的校正方法的设计思路,即该类校正方法是基于高光谱卷积运算以及传感器光谱响应函数来构建的,而非仅依据局部区域的同步观测数据。正因如此,它所提供的传感器级参考校正值相比那些仅基于局部同步观测数据拟合得到的校正值,具有更强的跨区域迁移能力(Claverie等人,2018;Claverie,2023;Ju等人,2025)。而线性经验校正方法的表现则有所不同。由于它是根据研究区域内GF-1/WFV数据与HLS标准数据之间的同步观测值进行校准的,因此在测试数据集内,它能够更有效地降低均方根误差并提升SSIM值。不过,这种改进效果在不同波段上的表现并不一致。在蓝色波段和绿色波段,虽然SSIM值有所提升,但R2值却出现了下降,这说明该校正方法在缩小GF-1/WFV数据与HLS标准数据之间的局部差异的同时,也改变了反射率数值的整体分布情况。该结果与预处理后可见光波段对大气残余效应、邻域效应以及亚像素混合更为敏感的特性一致。相比之下,近红外波段的误差有所降低,且R2值保持不变或有所提升,这说明在经过角度校正和BRDF归一化处理后,其反射率关系更为稳定。这表明经验性BPA方法能够提升局部一致性,但其对R2值及整体反射率关系的影响因波段而异。这些结果阐明了两种方法的互补作用:基于物理原理的BPA方法可为分离光谱响应差异提供可迁移的传感器级基准,而线性经验性BPA方法则可通过捕捉残余的观测驱动效应,实现更强的区域内部误差降低效果。因此,本研究中经验性BPA表现更优应被视为区域内部协调的结果,而非能普遍证明局部校准方法必然优于基于物理原理的校正方法。由于这些经验系数是基于用于区域评估的相邻两个HLS瓦片内的同步观测数据校准的,其更优的表现主要源于其能够适配该校准区域内所代表的表面混合情况、光照条件以及预处理残余效应。本研究的主要贡献在于所提出的协调机制本身——当存在合适的同步观测数据时,可通过将基于物理原理的传感器级基准与本地重新校准的经验系数相结合,将该机制应用到其他区域,这一结论与近期研究结果一致,即区域协调函数在局部应用中的性能可能优于全局系数(Richardson等人,2025年)。
4.6 非线性BPA敏感性分析的意义
非线性敏感性分析进一步揭示了区域误差降低与方法可迁移性之间的权衡关系。与特定于传感器的线性BPA模型相比,基于多项式和随机森林的特定于传感器的BPA模型产生了更低的均方根偏差值,且偏差几乎为零,这证实了在经过角度校正、BRDF归一化以及几何对齐处理后,GF-1/WFV与HLS之间的差异仍可能包含非线性成分。从各波段的均方根偏差分布来看,非线性模型主要捕捉了可见光波段中的残余变化,因为在该波段中,大气残余效应、邻域效应以及混合像素现象都可能导致反射率关系偏离简单的线性关系。不过,非线性BPA带来的额外误差降低效果应在区域校准的背景下加以理解。这些非线性模型是基于用于测试的同一区域内的同步观测数据训练得到的,尽管训练过程中未使用独立的测试场景数据。因此,它们的优势体现在更强的区域内部误差最小化能力上,而其在研究区域之外的可迁移性则未经过评估。尤其是随机森林BPA的R2值出现下降,这也表明降低绝对误差并不一定意味着能够保持相同的线性反射率结构。综上,特定于传感器的线性BPA作为一种透明、可重复且与HLS标准一致的经验性基准方法依然具有价值,而非线性BPA则更适合在拥有足够同步训练数据的情况下作为可选的区域优化手段使用。
4.7 经验性带通调整方法的性能及其方法学意义
图5显示了不同线性经验性BPA变体在稳定性与准确性方面的明显差异。特定于传感器的线性BPA具有较高的SSIM值、较低的均方根偏差,且偏差分布范围小且集中在中心位置,表明它在所有测试的线性经验性方法中表现最为稳定。全局线性BPA的表现也相当不错,其结果往往接近特定于传感器的模型,但由于它用单一映射方式处理所有GF-1/WFV相机的数据,因此稳定性稍逊。而基于NDVI分层的调整方法则表现更为不稳定,它们在某些场景和波段中可能表现良好,但其偏差分布范围更广,异常值也更多,尤其是在可见光波段中,因为NDVI分类内的表面组成复杂以及样本覆盖不均都会增加数据的波动性。这种依赖于波段和表面条件的行为与以往的光谱调整研究结果一致,即校正效果会因波段、NDVI范围以及模型形式的不同而有所差异(Villaescusa-Nadal等人,2019年)。总体而言,这些研究结果支持在研究数据集中以特定于传感器的线性BPA作为主要的基于系数的经验性基准方法,而NDVI分层则更适合作为可选的优化手段,而非默认的替代方案。
4.8 与基于深度学习的协调方法的比较
近期的一些研究表明,包括卷积神经网络和条件生成对抗网络在内的深度学习方法,可以通过从同步观测数据中学习非线性映射关系,从而在跨传感器表面反射率协调处理中实现高精度校正(Rehman等人,2025年)。这类方法在再现空间纹理以及减少像素级差异方面表现优异,但通常需要规模庞大且种类多样的训练数据、大量的计算资源,同时还需进行复杂的正则化处理,这些因素都可能限制其适用范围和实际应用效率。相比之下,本研究中评估的特定于传感器的线性经验性BPA则是一种更为轻量级且透明的替代方案。尽管它仅限于使用线性映射关系,但在SSIM值、均方根偏差以及偏差降低程度等方面均表现出良好的性能,同时还能保持物理上可解释的结构。其计算成本极低,且无需专用硬件即可高效地估算并应用相关系数,因此非常适合那些对重复性和稳健性要求较高的常规或大规模数据处理任务。因此,这两种方法应被视为互补关系而非竞争关系:线性经验性BPA为协调处理提供了透明且基于系数的基准,而深度学习方法则更适用于那些需要对像素级细节做到极致精确处理的场景,或是那些拥有充足同步训练数据的区域。
4.9 土地覆盖类型对线性经验性带通调整方法的影响
土地覆盖类型分层的均方根偏差分析结果(图7)显示,经验性BPA方法能够在四种主要土地覆盖类型中提升GF-1/WFV数据与HLS数据之间的一致性,同时也揭示了方法性能存在明显的表面条件依赖性。对于非植被表面和水体表面,全局线性BPA与特定于传感器的线性BPA的表现相当出色,它们无需额外的分层处理就能大幅降低辐射测量值之间的差异。而在混合植被和茂密植被区域,NDVI分层方法则能带来更显著的效果,因为在这些区域中,反射率差异会随着植被状况的变化而呈现更为规律的变化趋势。这一现象与NDVI作为植被光合作用活性、冠层状况以及物候期变化指标的用途是一致的(Pettorelli等人,2011年)。然而,在水体表面,NDVI并非一种可靠的分类变量,因为它缺乏明确的物理意义,且动态范围较窄。此外,针对不同传感器间的NDVI校准研究也表明,在低NDVI值区域或混合土地覆盖类型的场景中,线性函数的效果可能会大打折扣,尤其是当存在水面或裸露地面时(Fan和Liu,2017年)。这些结果支持根据土地覆盖类型和NDVI值来灵活运用线性经验性BPA框架:在植被覆盖区域主要使用基于NDVI分层的系数,而对于水体及其他非植被表面,则更适合采用更为简单的全球型或特定于传感器的线性BPA模型。
4.10 线性经验性BPA的季节稳定性
季节性均方根偏差分析结果表明,在春季、夏季和秋季,线性经验性BPA方法都能有效降低GF-1/WFV数据与HLS数据之间的差异,相较于应用BPA之前的NBAR基准值而言,其改善效果十分显著(图8)。不过,季节性分析结果也表明,并不存在一种能在所有季节中都表现最优的线性BPA变体。特定于传感器的线性BPA在春季和夏季的表现尤为出色,而全局线性BPA则在秋季的均值均方根偏差最低。基于NDVI分层的变体在某些季节组中也能取得不错的性能,但它们并未始终能超越全局型及特定于传感器的线性BPA模型,这说明NDVI分层方法的有效性取决于季节性的样本构成以及植被状况的分布情况。秋季时预处理前的NBAR均方根偏差值较高,这一现象与已有研究报道的在不同光照条件下光谱一致性会随季节变化而改变的结论相符(Zhou等人,2026年)。总体而言,季节性分析结果不仅证明了线性经验性BPA在降低不同季节间的数据差异方面的有效性,同时也表明在选择系数策略时需充分考虑季节性的数据可用性以及表面覆盖类型的特点。
4.11 总结及对GF-1/WFV–HLS协调处理的启示
从方法论层面来看,本研究为GF-1/WFV数据构建了一套完整的端到端处理流程,该流程包括使用6S数据进行角度校正、云层遮蔽处理(Li等人,2017年)、通过AROP技术进行几何对齐(Gao等人,2009年)、采用C因子方法进行BRDF归一化处理(Ju等人,2025年),以及结合HLS框架进行基于物理原理的带通调整处理(Claverie等人,2018年;Ju等人,2025年)。基于物理原理的BPA方法是通过高光谱卷积运算以及传感器光谱响应函数实现的,它能提供一种不受具体场景影响的、基于光谱物理原理的参考标准。与此同时,研究人员还基于经过预处理后的GF-1/WFV数据与HLS数据对,开发出了多种线性经验性BPA变体,包括全局型、特定于传感器的类型以及基于NDVI分层的类型,同时通过自举重采样方法对这类方法的不确定性进行了明确量化(McRoberts等人,2023年)。
除了方法上的创新之外,将GF-1/WFV数据与HLS数据相结合,还能显著提高可用于分析的表面反射率数据的时间密度。经过协调处理后的GF-1/WFV–HLS数据产品的有效重访间隔约为1.5天,而在晴朗天气条件下,单独使用HLS数据时的重访间隔约为2.8至3.5天(Rehman等人,2025年)。这样的改进使得人们能够更及时地监测那些变化迅速的表面过程,比如作物的物候期变化、灌溉动态以及持续时间较短的洪水事件。在南亚等农业系统高度动态且气象极端现象频发的地区,更高的时间分辨率有望为粮食安全评估、灾害监测以及近乎实时的环境监测工作带来便利。跨季节及不同土地覆盖类型的对比分析进一步明确了各类经验性方法之间的优缺点:特定于传感器的线性经验性BPA能够提供较为稳定的基于系数的基准,而NDVI分层方法与非线性BPA方法则可在特定的区域或表面条件下带来额外的性能提升。总体而言,该框架为那些缺乏高光谱参考数据的国家级监测项目提供了一种可行的方案,既能实现类似HLS标准的分析数据输出,又能保证结果的透明度与稳健性。
4.12 局限性与未来研究方向
本研究存在若干分析上的局限性,这些局限性也为未来的研究指明了方向。首先,本次评估是在巴基斯坦旁遮普省同一个区域内的两个相邻HLS瓦片T43SDR和T43SDS范围内进行的。虽然该区域涵盖了多样化的农业用地、密集的城市居住区、裸露或植被稀疏的表面以及河流网络,但无法直接推断特定于传感器的线性经验性BPA方法在其他区域的适用性。这些经验系数实际上反映了校准数据中所存在的表面组成、光照条件以及大气残余效应等多种因素的综合影响。在表面组成存在显著差异的区域,比如农业系统复杂多样、城市景观密集或干旱地貌为主的区域,GF-1/WFV数据与HLS数据之间的反射率关联关系可能会与此处观察到的结果有所不同。对于非线性BPA模型而言,这一局限性更为突出,因为这类模型虽能降低局部残余误差,但对区域训练数据的代表性要求更高,且其原理相比基于线性系数的校正方法更难以理解。此外,经验性BPA方法的稳健性还受到同步观测数据在时间维度上代表性的影响。特别是在秋季和冬季太阳高度角较大时,季节性的采样不足会导致系数稳定性下降,进而使得基于NDVI分层的调整方法出现更大的不确定性。未来可以通过定期更新系数,或基于新获得的同步观测数据采用滚动校准策略,来提升方法的长期稳健性。
因此,未来的研究应致力于对经验性BPA框架进行适应性扩展。可以先利用目标区域内的少量同步观测数据对某个区域已确定的系数进行优化,从而在无需完全重新校准的情况下提升方法的跨区域适用性。此外,还可以建立针对不同区域或不同季节的专用系数库,以此来弥补不同区域表面组成和光照条件之间的系统性差异,同时仍能保持线性经验性模型本身的透明性与可解释性。
5 结论
本研究表明,要将GF-1/WFV数据对应的表面反射率与HLS数据相协调,既需要严格的预处理流程,也需要精心选择的带通调整策略。BRDF归一化处理能够显著提升不同传感器数据之间的一致性,为后续的光谱校正工作奠定重要基础。通过高光谱卷积运算得到的基于物理原理的BPA方法,能够生成稳定的、以传感器为基准的系数,从而有效区分不同光谱响应之间的差异,但其带来的改进效果相较于BRDF归一化处理而言相对有限。而基于同步观测数据得出的线性经验性BPA方法,则能在研究区域内实现更显著的辐射测量误差降低效果,并提升空间一致性,尤其是当为每台GF-1/WFV传感器分别估算系数时,其效果更为明显。此外,线性经验性BPA方法还能在不同季节间降低数据间的均方根偏差,不过不同测试变体在季节间的相对性能也存在一定差异。基于NDVI分层的线性BPA方法在植被覆盖表面上能够提升处理效果,但其效果可能会因NDVI值的样本覆盖程度不同而有所变化。非线性BPA方法的敏感性测试也显示出能够在一定程度上进一步降低区域内的误差,但由于线性BPA方法具有更高的透明度、更易于理解,且其设计思路与HLS风格的基于系数的校正方法更为一致,因此仍是最主要的经验性校正方法。这些研究结果表明,基于物理原理的BPA方法与区域性的经验性BPA方法具有互补作用:前者能够提供与具体场景无关的光谱参考校正,后者则能够捕捉校准数据范围内的残余观测驱动差异。不过,这些经验系数是基于来自两个相邻HLS瓦片覆盖的研究区域内的多时相GF-1/WFV–HLS图像对进行校准和评估的,因此在没有进一步的验证或重新校准之前,不能直接将其应用于其他区域。总体而言,该研究为将GF-1/WFV整合到类似HLS的分析型数据工作流中提供了可重复的框架,同时强调了未来需要在更广泛的区域和不同地表条件下进行测试的必要性。CRediT作者贡献说明:江洪志:写作——审阅与编辑、资源准备、资金获取;陈鹏宇:可视化;蒋成:可视化;弗朗茨·帕布罗·安特萨纳·洛佩兹:写作——审阅与编辑、可视化;周冠华:写作——审阅与编辑、监督、资源准备、项目管理、方法论、资金获取、概念设计;哈西布·乌尔·雷赫曼:写作——审阅与编辑、初稿撰写、可视化、验证、方法论、研究分析、数据整理、概念设计。利益冲突:作者声明没有利益冲突。数据可用性:支持这项研究的数据集是公开可用的。经合理请求,所有分析过的数据均可提供。数据将在收到请求后提供。资金支持:该项目部分得到了中国国家重点研发计划(项目编号2022YFB3901800和2022YFB3901804)以及中国国家自然科学基金(项目编号42471425)的支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号