Processing math: 100%
 注册 登录 English Version
模型与方法 | 浏览量 : 2824 下载量: 1146 CSCD: 2 更多指标

  • 导出

  • 分享

  • 收藏

  • 专辑

    • 考虑地物类型的Minnaert地形校正模型优化方法

    • Optimal Minnaert topographic correction model based on land cover classification

    • 林英豪

      12 ，

      金燕

      12 ，

      沈夏炯

      12 ，

      周黎鸣

      12
    • 2022年26卷第12期 页码：2542-2554   

      纸质出版日期： 2022-12-07 ，

    • DOI： 10.11834/jrs.20210399     

    扫 描 看 全 文

  • 引用

    阅读全文PDF

  • 林英豪，金燕，沈夏炯，周黎鸣.2022.考虑地物类型的Minnaert地形校正模型优化方法.遥感学报，26（12）： 2542-2554 DOI： 10.11834/jrs.20210399.
    Lin Y H，Jin Y，Shen X J and Zhou L M. 2022. Optimal Minnaert topographic correction model based on land cover classification. National Remote Sensing Bulletin， 26（12）：2542-2554 DOI： 10.11834/jrs.20210399.
  •  
  •  
    论文导航

    摘要

    地形校正可以削弱地势复杂区域由于地形起伏导致的地表接收太阳辐射不均匀和地表反射率失真的问题，从而提升遥感影像质量和遥感信息提取的精度。但是，现有地形校正模型存在过校正、波段间校正效果不稳定以及校正效果不理想等问题。本文根据Minnaert地形校正模型系数k和地物二向性反射特性的相关性，对Minnaert模型进行改进，提出了一种考虑地物类型的Minnaert地形校正模型（简称为CMinnaert模型），并在地物预分类中采用《土地利用现状分类》一级分类标准和分植被疏密程度分类两种方式，用以验证CMinnaert模型的稳定性并筛选最佳地物类型划分方案。首先对待校正影像进行地物类型预分类，其次逐波段针对各地物类型分别进行系数k的拟合求解，然后使用各波段各地物类型的系数k对该范围的遥感影像进行Minnaert地形校正。以河南省商城县的Landsat 8/OLI影像为实验数据，选取余弦校正模型、SCS校正模型、Minnaert校正模型、分坡度的Minnaert校正模型作为对比模型，通过目视对比和统计数据分析的方式评估CMinnaert模型的地形校正效果。研究结果表明，本文提出的CMinnaert模型有效地削弱了地形效应对遥感影像辐射亮度值的影响，与原始影像和其他4种地形校正结果相比，进行地物一级分类的CMinnaert模型有效降低了各波段辐亮度与太阳入射角余弦的线性拟合R2，未出现过校正现象；分植被疏密程度分类的CMinnaert模型在第1、5波段存在过校正问题，但其余波段辐亮度与太阳入射角余弦的线性拟合R2是6种模型中最低的。以上结果证明两种地物预分类方式的CMinnaert模型校正效果都较稳定且明显优于其他四种地形校正模型，且本文建议在进行CMinnaert地形校正时采用地物一级分类的方式进行地物预分类。

    译

    Abstract

    Topographic correction can reduce the problem of uneven solar radiation reception and surface reflectance distortion caused by terrain undulations in complex terrain areas, thus improving the quality of remote sensing images and the accuracy of remote sensing information extraction. However, existing topographic correction models have some problems, such as overcorrection, unstable effect of each band correction, and unsatisfactory correction accuracy.

    译

    This work proposes a corrected Minnaert topographic correction model, named the CMinnaert topographic correction model, which considers the type of land cover, based on the correlation between the k coefficient of the Minnaert topographic correction model and the bidirectional reflection characteristics of the ground object. Two methods are used in the pre classification of surface features: the first level classification of land cover types and the classification of vegetation density to verify the stability of the CMinnaert model. The best classification scheme of land cover types is proposed. First, a corrected image was pre-classified into land cover types, and the k coefficient was fitted to determine the land cover types in different places. Finally, Minnaert topographic correction was applied to the remote sensing data by using the k coefficient of the land cover type in each area. A Landsat 8/OLI image of Shangcheng County, Henan Province, China was used as experimental data.

    译

    The cosine correction model, the Sun Canopy Sensor (SCS) correction model, the Minnaert correction model, the Minnaert correction model based on slope, and the CMinnaert correction model were used to perform topographic correction of images in the research area. Visual comparison and statistical data analysis were used to evaluate the topographic correction performance of each algorithm. Results show that the CMinnaert correction model can effectively weaken the influence of the terrain effect on the radiance value of the remote sensing image: the CMinnaert correction model for the first level classification of land cover types can effectively reduce the linear fitting R2 of radiance and cosine of solar incidence angle at each band compared with the original image and the other four topographic correction results, and no over correction phenomenon occurred. Furthermore, the CMinnaert model of the vegetation density classification can effectively weaken the overcorrection problem of other correction models in bands 1 and 5. The linear fitting R2 of the radiance and cosine of the solar incidence angle in the other bands is the lowest of the six models. The CMinnaert model of two pre classification methods is more stable and better than the other four topographic correction models. The results of the visual comparison, cosine correlation analysis of the solar incidence angle, radiance histogram, and spectral characteristic analysis of the sunny and shady slopes are basically consistent.

    译

    This study recommends that the first level classification should be used in CMinnaert topographic correction considering the algorithm efficiency and practical application ability of the CMinnaert model.

    译

    关键词

    遥感; 地形校正; Minnaert模型; 地物类型; Landsat 8/OLI

    译

    Keywords

    remote sensing; topographic correction; Minnaert model; land cover type; Landsat 8/OLI

    译

    1　引言

    地势复杂的区域，遥感影像受到地形起伏（即坡度和坡向变化）的影响，导致地面像元接收到的太阳辐射能量产生差异，相邻像元间的太阳辐射、天空散射辐射与邻近像元的反射辐射变化显著（

    高永年和张万昌，2008a）；遥感影像的这种辐射畸变称为地形效应，在影像上表现为阳坡较亮、阴坡较暗（高永年和张万昌，2008b）。地形效应随传感器方位角与太阳高度角几何关系的变化而变化（林起楠 等，2017；Melnikova 等，2018），对遥感影像信息的准确提取产生了严重影响，制约了遥感影像的可利用程度（Fan 等，2018；De Oliveira 等，2021）。因此必须对地势复杂区域的遥感影像进行地形校正以消除地形效应，提高遥感影像的利用率与信息提取的精度。地形校正是遥感影像预处理的一个重要步骤，通常指通过各种变换，将所有像元的辐射亮度变换到某一参考平面上（通常取水平面），从而消除由于地形起伏引起的影像辐亮度的变化（李英成，1994），使影像更好地反映地物光谱特性。
    译

    现有的地形校正模型可分为基于波段比、基于超球面和基于DEM这3种类型（

    Reese和Olsson，2011）。考虑到地面光谱反射特性及实际校正效果，目前基于DEM的地形校正模型应用更加广泛（林起楠 等，2017；林兴稳 等，2020）。基于DEM的地形校正模型又包括4类（高永年和张万昌，2008b），即基于统计—经验的模型、归一化模型（Civco，1989）、基于朗伯体反射的模型和基于非朗伯体反射的模型。其中归一化模型是一种便于数据比较分析的试验验证方法（Gao 等，2016），但校正过程分为两个阶段，校正算法通用性不高；基于朗伯体反射的模型和基于非朗伯体反射的模型较为常用，如余弦校正模型（Tokola 等，2001）、C校正模型（Teillet 等，1982；黄微 等，2005）、SCS（Sun-Canopy-Sensor）校正模型（Gu和Gillespie，1998）和Minnaert校正模型（Smith 等，1980）等。非朗伯体反射模型考虑了成像几何变化引起的地物二向性反射差异，更加接近真实的地表反射情况（Wen 等，2009；Liu 等，2010），尤其是Minnaert校正模型利用Minnaert函数（Minnaert，1941）中的系数k（取值范围为0—1）来表征地物的BRDF （Bidirectional Reflectance Distribution Function），在非朗伯体的基础上，利用系数k调整地形校正强度，有效地改善了影像过校正问题（刘子玮，2017；吕利利 等，2017）。此后，许多学者基于Minnaert校正模型提出了多种改进模型，Reeder （2002）和Soenen等（2005）学者考虑了C校正模型中系数C与Minnaert校正模型中系数k的高度相关性，将Minnaert校正模型的原理应用到SCS校正模型中，形成Minnaert-SCS校正；Ge等（2008）和黄博和徐丽华（2012）学者提出了基于像元的Minnaert校正，即按照不同的坡度拟合出不同的校正系数k来代替传统Minnaert模型使用的单一系数k，提升了Minnaert校正模型的精度。表1列举了目前常用的朗伯体和非朗伯体地形校正模型，其中，LT表示影像原始辐亮度，LH为地形校正后影像辐亮度，Z为天顶角，S为坡度，cos i为光照系数，k为Minnaert校正模型系数k。
    译

    表1  常用的基于朗伯体和非朗伯体的地形校正模型
    Table 1  Common topographic correction models based on Lambertian and non-Lambertian reflection
    地形校正模型公式模型类型
    余弦校正（Tokola 等，2001） LH=LT⋅(cos Z/cos i) 朗伯体模型
    SCS校正（Gu和Gillespie，1998） LH=LT⋅cos S⋅cos Zcos i 朗伯体模型
    Minnaert校正（Smith 等，1980） LH=LT⋅cos S (cos S⋅cos i)k 非朗伯体模型

    注：  LT表示影像原始辐亮度，LH为地形校正后影像辐亮度，Z为天顶角，S为坡度，cos i为光照系数，k为Minnaert校正模型系数k。

    icon 下载:  导出CSV icon 下载:  下载表格图片

    余弦校正、SCS校正等朗伯体模型基于朗伯体假设，忽略了太阳角度与地表几何关系、地表的BRDF失真对地形校正的影响，过校正现象明显（

    Soenen 等，2005；Yang 等，2019）；Minnaert地形校正模型和基于Minnaert的改进模型考虑了地表的非朗伯体反射特性，更加接近真实地表的反射情况，校正效果整体优于朗伯体模型，但在太阳天顶角较大或阴影区内，Minnaert极其改进模型仍存在一定的过校正问题（Zhang 等，2019；林兴稳 等，2020），校正效果也有待进一步优化。常规和现有优化的Minnaert模型均未考虑地物类型对BRDF特性及Minnaert校正模型系数k的影响，基于此，本文提出了考虑地物类型的Minnaert地形校正优化模型，简称为CMinnaert校正模型（Classified Minnaert Correction Model）。以河南省商城县的Landsat 8/OLI 影像为实验对象，采用目视对比和统计数据分析的方法，将CMinnaert校正模型与常用的4种校正模型（余弦校正模型、SCS校正模型，Minnaert校正模型、分坡度的Minnaert校正模型）的校正结果进行比较分析，以评估CMinnaert校正模型的地形校正效果。
    译

    2　数据来源和模型概述

    2.1　研究区概况

    研究区位于河南省信阳市商城县与湖北省麻城市金寨县交界的大别山附近（图1（a）），地理位置为31°40'30.65″N—31°46'33.82″N，115°29'19.46″E—115°39'6.61″E。该区域主要为山区，山区地物类型以林地、岩石和裸地为主，植被覆盖度较高；其他区域地物类型以居民用地和耕地为主。研究区地形起伏较大，海拔范围为127—1574 m，平均海拔为627.39 m，最大坡度为52°，平均坡度为21°，适用于地形校正研究。

    译

    2.2　数据获取及预处理

    本文使用一景Landsat 8/OLI（Operational Land Imager）1A级遥感影像数据和5幅与Landsat 8/OLI影像同区域的ASTER GDEM V2 DEM（Digital Elevation Model）数据进行模型应用效果评价，数据来源分别为美国USGS官网（http：//www.usgs.gov/［2020-09-30］）和地理空间数据云（http：//www.gscloud.cn/［2020-09-30］）。Landsat 8/OLI影像与DEM数据空间分辨率为30 m，投影方式均为UTM/WGS84；Landsat 8遥感影像的成像时间为2017年6月17日，太阳方位角和高度角分别为107°40'19.25″和68°45'9.80″。

    译

    fig
    icon 下载:  | 高精图 | 低精图

    图1  研究区示意图

    Fig. 1  Schematic diagram of study area

    在使用CMinnaert模型进行地形校正之前，首先需要对Landsat 8/OLI影像进行辐射定标，将影像DN （Digital Number）值转换为辐射亮度值；其次将5幅ASTER GDEM V2 DEM数据进行拼接，并对拼接后的DEM数据进行几何配准，以消除DEM数据与Landsat 8影像之间存在的几何偏差；最后参考研究区位置进行影像裁剪得到研究区影像和DEM数据。DEM数据几何配准的具体步骤为：以Landsat 8影像作为基准影像、拼接后的DEM数据作为待配准影像，手动选择研究范围内的10个同名点，将误差控制在0.5个像元内进行几何配准。

    译

    2.3　CMinnaert校正模型

    Minnaert地形校正算法基于地表的二向性反射，引入Minnaert函数中的系数k来表征地表的BRDF特性，调整地形校正强度，它的取值与地物类型、波长、地形因子等因素密切相关（

    段四波 等，2007；Ge 等，2008）。Minnaert校正模型作为非朗伯体模型的代表，在进行覆盖不同地物类型的多源、多时相遥感数据的地形校正时，均取得了较好的结果（Cavayas，1987；Tokola 等，2001；刘子玮，2017）。
    译

    二向性反射是指自然地表的反射不仅依赖观测方向，还依赖于入射方向，呈现各向异性特征，双向反射分布函数BRDF被用来描述几何表面反射特性，不同地物类型表现出不同的二向性反射，因此会产生BRDF特性差异（

    阎广建 等，2021）；Gatebe和King（2016）利用NASA的云吸收辐射计CAR测得不同地表BRDF，并在测量结果中将BRDF转换为等效双向反射因子（Bidirectional Reflectance Factor BRF）值。图2（a）—2（d）分别为水体（江河湖泊）、建筑物、耕地和林地的BRF测量结果，从中可知，不同地物类型间BRDF形状差异明显，即使同为植被类型，耕地与林地的BRDF也表现出较大差异，这论证了不同地物类型的二向性反射差异。
    译

    考虑到BRDF与Minnaert地形校正算法系数k的相关性及不同地物类型间的BRDF差异，本文提出了一种改进的Minnaert校正模型，称为CMinnaert校正模型，即在应用地形校正模型之前，首先对待校正影像进行地物预分类，逐波段分别进行除水域外各地物类型的系数k拟合，最后利用各波段各地物类型的系数k完成对应像元辐亮度的Minnaert地形校正。

    译

    fig
    icon 下载:  | 高精图 | 低精图

    图2  不同地物类型BRDF示意图（

    Gatebe和King，2016）

    Fig. 2  Schematic diagram of BRDF in different land cover types（

    Gatebe和King，2016）

    2.3.1　遥感影像预分类

    对于同一研究区，季节变化主要导致林地、耕地等植被疏密程度和农作物种类的变化，对建筑道路等居民用地影响较小，植被疏密程度变化会导致同一地表植被间BRDF的差异（

    林英豪，2019），可能对CMinnaert模型的地形校正效果产生不利影响。为了验证CMinnaert模型的稳定性，在遥感影像预分类环节采用两种分类方式：一是对研究区进行地物一级分类，二是在一级分类的基础上对研究区进行植被疏密程度划分，然后对两种分类方式分别进行CMinnaert校正并得出最佳地物类型划分方案。地物类型一级分类参考《土地利用现状分类》（国土资源部，2017）一级分类标准，结合研究区实际土地覆盖情况，将研究区地物类型确定为林地、耕地、居民用地、未利用土地（岩石裸地）和水域五大类。借助Google Earth历史影像，对研究区进行手动标注，建立感兴趣区ROI（Region of Interest），其中75%的ROI用作地物分类的训练样本，25%的ROI用作分类后精度验证样本。在影像预分类之前，对ROI进行可分离性分析，结果如表2所示，各类型间的可分离性均在1.96以上，该分类体系可用于本文遥感数据的地物分类。
    译

    表2  各地物类型间可分离性指数
    Table 2  Separability index of different land cover types
    可分离性耕地居民用地未利用土地水域
    林地 1.967 1.999 1.991 1.998
    耕地 — 1.961 1.997 1.995
    居民用地 — — 1.999 1.999
    未利用土地 — — — 1.999
    icon 下载:  导出CSV icon 下载:  下载表格图片

    使用训练样本对Landsat 8/OLI影像进行SVM （Support Vector Machine）分类，然后利用主成分分析法去除小斑块，使分类结果更加平滑，分类结果如图3所示。利用验证样本对分类后影像进行精度验证，分类总体精度高达97.8%，Kappa系数为0.96，分类结果精度较高，可用于后续地形校正处理。

    译

    fig

    图3  SVM分类结果

    Fig. 3  Results of the classification performed using SVM

    icon 下载:  原图 | 高精图 | 低精图

    首先利用式（1）（

    刘子玮，2017）计算研究区各像元植被覆盖度VFC（Vegetation Fractional Cover）以区分植被疏密程度，其中取植被覆盖区归一化植被指数NDVI（Normalized Difference Vegetation Index）5%—95%置信度区间内的最大值为纯植被像元NDVI值（NDVIveg），取最小值为裸土或无植被覆盖区域的NDVI值（NDVIsoil）。在一级分类的基础上，按植被疏密程度将林地和耕地分为5个级别，并将研究区划分为水域、居民用地、未利用土地、极低植被覆盖区、低植被覆盖区、中等植被覆盖区、高植被覆盖区和极高植被覆盖区8类。
    译

    VFC=NDVI-NDVIsoilNDVIveg-NDVIsoil
         		（1）

    式中，VFC为植被覆盖度，NDVI为各像元归一化植被指数，NDVIveg为纯植被像元NDVI值，NDVIsoil为裸土或无植被覆盖区域的NDVI值

    译

    2.3.2　CMinnaert模型系数k求解

    Minnaert校正模型（见表1）中光照系数cos i为太阳入射角（太阳入射方向与坡面法线夹角）余弦值，求解公式为

    cosi=cosZ⋅cosS+sinZ⋅sinS⋅sin(φ-A)   
         		(2)

    式中，Z为太阳天顶角，φ为太阳方位角，A为像元所在平面的坡向。

    译

    对Minnaert校正模型取对数并变形得到公式：

    译

    ln(LT⋅cosS)=ln LH+k ln(cosi⋅cosS)
         		（3）

    将ln(LT⋅cosS)作为因变量，ln(cosi⋅cosS)作为自变量，逐波段、分地物类型求解线性拟合斜率系数，即可得到研究区各波段、各地物类型的系数k。进行地物一级分类的CMinnaert模型各地物类型的系数k与传统Minnaert校正模型的系数k如表3所示，划分植被疏密程度的CMinnaert模型各植被覆盖度级别系数k如表4所示。

    表3  CMinnaert模型（一级分类）各地物类型与Minnaert校正模型的k值
    Table 3  k value of each land cover type of CMinnaert model （the first level classification ） and Minnaert model
    波段CMinnaert模型Minnaert模型
    林地耕地未利用土地居民用地
    波段1 0.255 0.311 0.299 0.420 0.388
    波段2 0.271 0.343 0.328 0.427 0.441
    波段3 0.387 0.470 0.403 0.442 0.594
    波段4 0.369 0.493 0.524 0.360 0.764
    波段5 0.582 0.376 0.460 0.282 0.397
    波段6 0.563 0.331 0.691 0.371 0.640
    icon 下载:  导出CSV icon 下载:  下载表格图片
    表4  CMinnaert模型（植被疏密度分类）各植被覆盖度级别k值
    Table 4  k value of each vegetation coverage of CMinnaert model （vegetation density）
    波段极低植被覆盖区低植被覆盖区中等植被覆盖区高植被覆盖区极高植被覆盖区
    波段1 0.336 0.356 0.347 0.328 0.263
    波段2 0.359 0.394 0.386 0.355 0.281
    波段3 0.467 0.543 0.546 0.478 0.394
    波段4 0.435 0.581 0.626 0.525 0.384
    波段5 0.429 0.555 0.567 0.494 0.568
    波段6 0.310 0.557 0.698 0.589 0.546
    icon 下载:  导出CSV icon 下载:  下载表格图片

    在表3中，第4波段CMinnaert模型林地、居民用地与传统的Minnaert系数k的差值均高达0.4，其余各波段4种地物类型与Minnaert系数k也存在明显差异，即影像各波段分地物类型拟合的系数k值与Minnaert系数k值不存在明显相关性，系数k的值受地物类型影响，随地物类型的变化而变化，分地物类型进行系数k拟合切实可行。

    译

    2.4　地形校正的应用效果评价方法

    选取余弦校正模型、SCS校正模型、Minnaert模型和分坡度的Minnaert模型这4种常用的地形校正模型与两种分类方式的CMinnaert模型进行对比实验分析，其中分坡度的Minnaert模型参照

    黄博和徐丽华（2012）学者的方法，以5°为一个坡度分级进行系数k的求解和Minnaert模型应用。采用目视对比、太阳入射角相关分析、影像辐亮度直方图和光谱特征分析方法对5种模型的地形校正效果进行对比和评价。
    译

    原始影像辐亮度与太阳入射角余弦相关性较高，二者线性拟合R2较大；地形校正后，该相关性应减弱或基本消除，即模型校正后二者线性拟合R2趋于0，则证明地形校正模型是有效的（

    Hurni 等，2019），但如果地形校正后两者的线性拟合斜率为负，则证明出现了过校正现象（吕利利 等，2017；Gupta和Shukla，2020）。
    译

    影像辐亮度直方图是评价影像质量好坏的重要方法。辐亮度直方图分布均匀，辐亮度对比度较高，直方图峰值明显则证明影像质量较好（

    Dong 等，2020）；若模型校正后辐亮度对比减弱，直方图出现多个峰值，则说明地形校正模型可能存在过校正或欠校正问题（张若岚，2012）。
    译

    3　结果分析

    3.1　地形校正结果目视对比

    由于研究区地物类型多为植被，所以在目视对比时选择了Landsat 8/OLI的5、4、3波段数据进行标准假彩色合成，以便区分植被与其他地物类型。图4为原始影像以及余弦校正、SCS校正、Minnaert校正、分坡度的Minnaert校正和两种地物预分类方式的CMinnaert校正后5、4、3波段辐亮度的合成结果。目视对比来看，5种校正模型都起了到一定的地形校正作用，去除了原始影像中大部分阴影区域；但余弦校正与SCS校正结果存在阴坡地区较亮的现象，本应该是山谷的地方被校正为山峰（如图4（b）和4（c）中大矩形标识区域），两种校正方法（特别是余弦校正）的过校正现象明显。Minnaert校正结果仍能看出一部分地形效应，并且存在个别阴坡区域较亮的现象，有一定的过校正问题（如图4（d）中大矩形标识的区域）；分坡度的Minnaert校正和CMinnaert校正结果较好，两种模型有效的消除了地形效应的影响，修正了原始影像阴阳坡的对比度，较好的保留了原始影像地物的纹理特征。但在非植被区域和一些地形起伏较大的植被区域，分坡度的Minnaert校正结果依旧存在阴坡较暗的情况（如图4（e）中小矩形标识的区域），进行地物一级分类的CMinnaert模型和分植被疏密程度的CMinnaert模型整体表现良好，阴阳坡亮度较稳定，整体校正效果更佳。

    译

    fig
    icon 下载:  | 高精图 | 低精图

    图4  地形校正前后影像（波段5、4、3）

    Fig. 4  Images before and after topographic correction （Band 5、4、3）

    3.2　地形校正结果统计数据分析

    3.2.1　辐亮度与太阳入射角余弦的相关性

    本文利用太阳入射角余弦值与辐亮度值线性拟合决定系数R2和斜率共同评价CMinnaert地形校正效果，太阳入射角小于90°时，辐亮度与太阳入射角余弦值是正相关的。本文研究区所有太阳入射角均小于90°，在决定系数R2减小的情况下，如果地形校正后太阳入射角与反射率线性拟合斜率为负，即两者出现负相关的情况，则证明该校正结果存在过校正现象（

    Goslee，2012；吕利利 等，2017；Gupta和Shukla，2020）；也有少部分学者支持通过太阳入射角余弦值线性拟合斜率的绝对值来评价地形校正效果，在相关系数R2减小的情况下，两者斜率的绝对值越小，证明地形校正效果越好（Szantoi和Simonetti，2013；Gao 等，2014）。
    译

    表5为5种校正模型6个波段辐亮度与太阳入射角余弦线性拟合R2的统计结果。由表5可知，原始影像的辐亮度与太阳入射角余弦的相关性存在波段间差异；余弦校正和SCS校正后两者的线性拟合R2增大，说明存在明显的过校正现象；Minnaert模型、分坡度的Minnaert模型和两种分类方式的CMinnaert模型应用后拟合R2都存在不同程度的降低，达到了地形校正的目的。对于波段3，一级分类的CMinnaert模型线性拟合R2为0.019，比Minnaert校正模型高了0.008；对于波段4，SCS校正模型和Minnaert校正模型线性拟合R2分别为0.003和0.002，低于两种分类方式的CMinnaert模型；对于波段6，Minnaert模型、分坡度的Minnaert模型线性拟合R2分别为0.0002和8E-06，也存在两种模型校正后相关性低于两种分类方式的CMinnaert模型的情况；其余1、2、5波段辐亮度使用两种分类方式的CMinnaert模型校正后遥感影像辐亮度与太阳入射角余弦的相关性最低，分植被疏密度的CMinnaert模型在波段1—3、波段5线性相关性R2低于一级地物分类的CMinnaert模型，但两者相差不大，地形校正效果基本趋于一致。综上所述，CMinnaert模型在5种模型中校正效果最佳。

    译

    表5  辐亮度与太阳入射角余弦线性拟合R2
    Table 5  Linear fitting R2 between the cosine of solar incidence angle and the radiance value
    波段原始影像余弦校正模型SCS模型Minnaert模型分坡度的Minnaert模型CMinnaert模型（一级分类）CMinnaert模型（分植被疏密度）
    波段1 0.040 0.334 0.458 0.035 0.167 0.004 4.00E-05
    波段2 0.054 0.625 0.305 0.024 0.138 0.009 0.001
    波段3 0.125 0.334 0.093 0.011 0.096 0.019 0.006
    波段4 0.064 0.042 0.003 0.002 0.064 0.027 0.014
    波段5 0.093 0.261 0.131 0.013 0.035 0.009 0.003
    波段6 0.222 0.174 0.030 0.0002 8E-06 0.012 0.009
    icon 下载:  导出CSV icon 下载:  下载表格图片

    为验证本文CMinnaert模型的有效性，进一步统计6个波段原始影像和5种校正方法处理后的辐亮度与太阳入射角余弦的线性拟合斜率情况如表6所示。结果表明，进行一级地物分类的CMinnaert模型校正后辐亮度与太阳入射角余弦线性相关拟合斜率均为正，校正效果较稳定；分植被疏密度的CMinnaert模型在波段1和5出现了过校正现象，但斜率的绝对值均小于为其他4种算法，各波段的综合地形校正效果尚佳。对于SCS模型与Minnaert模型校正后辐亮度与太阳入射角余弦的线性拟合斜率，除波段6为正外，其余波段基本为负，表明此两种模型在波段1—5存在过校正问题。结合表5和表6可知，与其他4种校正模型相比，两种分类方式的CMinnaert模型在Landsat 8/OLI影像6个波段辐亮度的地形校正中整体表现出最佳的校正效果，一级地物分类的CMinnaert校正结果未出现过校正现象，校正结果优于分植被疏密度的Minnaert模型，与目视判读结果一致。

    译

    表6  辐亮度与太阳入射角余弦线性拟合斜率
    Table 6  Linear fitting slopes between the cosine of the solar incidence angle and the radiance value
    波段原始影像余弦校正模型SCS模型Minnaert模型分坡度的Minnaert模型CMinnaert模型（一级分类）CMinnaert模型（分植被疏密度）
    波段1 0.891 -9.069 -5.636 -1.034 2.581 0.381 -0.039
    波段2 1.147 -6.902 -4.144 -0.898 2.369 0.601 0.195
    波段3 2.023 -2.004 -0.623 -0.623 1.935 0.853 0.494
    波段4 1.731 -1.441 -0.366 -0.367 1.793 1.172 0.711
    波段5 5.050 -10.222 -5.476 0.187 -3.130 1.589 -0.817
    波段6 0.848 -0.796 0.026 0.026 0.005 0.176 0.159
    icon 下载:  导出CSV icon 下载:  下载表格图片

    3.2.2　辐亮度直方图分析

    Landsat 8/OLI影像波段5为近红外波段，是植被定量遥感应用的常用波段，对绿色植被类别差异最敏感（

    皮新宇 等，2021）。考虑到研究区的地物覆盖，本文以波段5为例进行影像辐亮度直方图统计，原始影像及5种校正模型处理后影像辐亮度直方图如图5所示。
    译

    fig
    icon 下载:  | 高精图 | 低精图

    图5  地形校正前后波段5辐亮度直方图

    Fig. 5  Radiance histograms for band 5 before and after topographic correction

    由图5可知，与原始影像辐亮度相比，经过5种地形校正方法校正后的影像辐亮度均有不同程度的拉伸，具有一定的地形校正效果；但除一级地物分类的CMinnaert校正模型和分植被疏密度的CMinnaert校正模型外，其余4种校正模型直方图分布大致相同，存在多峰值与辐亮度分布不均匀的问题，校正结果不理想；分植被疏密程度的CMinnaert模型在第5波段也出现了多峰值现象，有一定的过校正问题，与太阳入射角余弦值分析结果相符；一级地物分类的CMinnaert校正辐亮度直方图整体呈现出正态分布趋势，影像的辐亮度对比强烈，直方图峰值更加突出，说明同种地物类型的像元辐亮度更加接近，校正结果更为稳定。

    译

    3.2.3　阴阳坡辐亮度特征分析

    由于地形效应的影响，在遥感影像中，同类地物阳坡的辐亮度往往高于阴坡，与同类地物应具有相似光谱特征的常识不符（

    吕利利 等，2017）。因此，为了进一步研究地形校正的效果，本文选取了预分类中面积占比较大的林地区域，分别选取100个阳坡和阴坡像素点并计算其辐亮度均值，统计该区域校正前后6个波段阴阳坡辐射亮度值如图6所示，由图6可知，经过余弦模型与SCS模型校正后，各波段辐亮度差值依旧比较大；经过Minnaert模型、分坡度的Minnaert模型和CMinnaert模型校正后，各波段的辐亮度均趋于一致，但Minnaert模型校正后1—5波段和分坡度的Minnaert模型校正后的1、5波段阴阳坡辐亮度差值相对较大，一级地物分类的CMinnaert校正模型和分植被疏密度的CMinnaert模型在各波段均基本消除了同种地物间的光谱差异，校正效果最稳定；但分植被疏密度的CMinnaert在波段1和波段5的阴阳坡光谱差异大于一级地物分类的CMinnaert模型，这可能是由于分植被疏密度的CMinnaert在波段1和波段5出现了过校正现象的原因。
    译

    fig
    icon 下载:  | 高精图 | 低精图

    图6  地形校正前后林地阴阳坡光谱特征分析

    Fig. 6  Analysis of spectral characteristics of sunny slope and shady slope in forest land before and after topographic correction

    4　讨论

    4.1　系数k的确定与算法效率

    地形校正作为复杂地势区域遥感影像的一种重要预处理步骤，其校正效果对后续利用遥感影像进行的各种定性研究具有非常重要的影响（

    李英成，1994；De Oliveira 等，2021）。Minnaert校正模型中，系数k决定了地形校正的程度与最终效果。本文采用分地物类型的策略拟合研究区全部遥感数据以提高系数k的准确度和优化地形校正效果，但当研究区地物类型较复杂时，分地物类型系数k求解的复杂度明显提高，算法效率不高。分坡度的Minnaert模型采取坡度分级的优化策略，同样存在系数k求解复杂度提高的问题（黄博和徐丽华，2012）。因此，后续研究中须注重提高海量遥感影像地形校正算法效率问题。
    译

    4.2　DEM数据及地物分类精度

    有观点认为，DEM精度对地形校正结果有重要影响（

    Conese 等，1993；Li，2015）。一般研究中往往选择与遥感影像同分辨率的DEM数据或将DEM数据重采样成与遥感影像相同分辨率，但现有的DEM数据年代较久远（如本文DEM数据为2009年），所呈现的地形情况与遥感影像成像时的略有差别，对地形校正效果存在一定的影响。本研究还涉及了遥感影像预分类的问题，分类体系的确定、分类结果精度等都对后续研究产生了比较重要的影响。因此，后续将进一步开展CMinnaert模型在不同地物覆盖区域以及多源遥感数据协同应用的适用性研究。
    译

    4.3　时序及地物类型对校正模型的影响

    季节变化导致不同时序的地表植被覆盖度差异较大，使得同一地表的BRDF特性产生差异，影响CMinnaert模型的地形校正效果，本文通过对研究区进行一级地物分类和分植被疏密程度分类两种方式验证了CMinnaert算法的稳定性，但地物类型、地表粗糙程度以及植被冠层间的相互作用（

    姜亢 等，2014；Kobayashi和Sanga-Ngoie，2008），都是产生BRDF差异的重要原因，继而影响CMinnaert地形校正的效果。因此，在不同时间序列以及不同地物覆盖（特别是植被地物）的共同作用下，系数k和地形校正结果是否会产生较大的差异，是值得深入研究的问题。
    译

    4.4　宽幅数据与几何畸变

    目前高分辨率卫星多利用搭载多台高分辨率相机的方式实现宽幅卫星数据成像，与Landsat 8/OLI影像相比，宽幅卫星一景影像边缘像素的几何畸变现象更为普遍和严重，因此后续研究将地形校正与几何校正进行有效结合，以提高宽幅遥感影像的地形校正模型效果。

    译

    5　结论

    Minnaert地形校正模型系数k决定了该模型的地形校正效果，考虑到影响BRDF及系数k的诸多因素，本文对传统的Minnaert模型进行改进，提出了一种考虑地物类型的Minnaert地形校正模型优化方法，即CMinnaert模型。

    译

    本文以河南省商城县大别山区域2017年6月17日的Landsat 8/OLI影像为实验数据进行了CMinnaert模型的地形校正应用效果评价，考虑到植被疏密程度变化会导致同一地表植被间BRDF的差异，在进行地物预分类是选择了一级地物分类和分植被疏密度的两种分类方式。目视结果与统计分析结果均表明，传统的余弦校正模型与SCS校正模型在该研究区均出现了明显的过校正现象，Minnaert模型校正后目视效果虽然优于前两种校正模型，但存在校正后辐亮度与太阳入射角余弦为负相关的过校正问题；分坡度的Minnaert校正模型、一级地物分类的CMinnaert模型和分植被疏密度的CMinnaert模型都有效的改善了传统Minnaert模型的过校正问题，消除了明显的地形效应，但两种地物分类方式的CMinnaert模型目视结果与定量统计指标整体优于改进的Minnaert模型。一级地物分类的CMinnaert模型校正后，各波段辐亮度与太阳入射角余弦保持正相关且线性拟合R2分别降低到了0.004、0.009、0.019、0.027、0.009和0.012（表5），未出现过校正现象，分植被疏密度的CMinnaert校正后波段1和波段5辐亮度与太阳入射角余弦保持正相关且线性拟合斜率分别为-0.039和-0.817（表6），出现了过校正现象，但削弱了其他4种模型在波段1和波段5的过校正程度，其余4个波段的线性拟合R2均小于一级地物分类的CMinnaert模型，但两者R2差值最大仅为0.013，最小更是不足0.003（表5），即表明分植被疏密度的CMinnaert校正效果提升不明显。辐亮度直方图与阴阳坡光谱特征分析结果也显示出两种CMinnaert模型在各波段表现出良好的稳定性。综合结果表明，本文所提出的CMinnaert模型适用于覆盖多种地物类型的复杂研究区的地形校正，是一种有效且稳定的地形校正方法。两种分类方式的CMinnaert算法地形校正效果基本一致，根据实验结果，综合考虑校正模型的效率和实际应用效果，本文建议在进行CMinnaert地形校正时采用地物一级分类的方式进行地物预分类和系数k的拟合求解。

    译

    致谢

    致谢:文中使用的Landsat 8/OLI 1A级影像由美国地质勘探局官方网站提供，DEM数据由地理空间数据云平台提供，在此表示衷心的感谢！

    参考文献（References）

    Cavayas F. 1987. Modelling and correction of topographic effect using multi-temporal satellite images. Canadian Journal of Remote Sensing, 13(2): 49-67 [DOI: 10.1080/07038992.1987.10855108] [百度学术] 

    Chinese Ministry of Land and Resources. 2017. Current land use classification. GB/T 21010-2017 [百度学术] 

    国土资源部. 2017. 土地利用现状分类. GB/T 21010-2017 [百度学术] 

    Civco D L. 1989. Topographic normalization of landsat thematic mapper digital imagery. Photogrammetric Engineering and Remote Sensing, 55(9): 1303-1309 [百度学术] 

    Conese C, Gilabert M A, Maselli F and Bottai L. 1993. Topographic normalization of TM scenes through the use of an atmospheric correction method and digital terrain models. Photogrammetric Engineering and Remote Sensing, 59(12): 1745-1753 [百度学术] 

    De Oliveira L M, Galvão L S and Ponzoni F J. 2021. Topographic effects on the determination of hyperspectral vegetation indices: a case study in southeastern Brazil. Geocarto International, 36(19): 2186-2203 [DOI: 10.1080/10106049.2019.1690055] [百度学术] 

    Dong C, Zhao G X, Meng Y, Li B H and Peng B. 2020. The effect of topographic correction on forest tree species classification accuracy. Remote Sensing, 12(5): 787 [DOI: 10.3390/rs12050787] [百度学术] 

    Duan S B, Yan G J, Mu X H, Shen B and Li X W. 2007. DEM based remotely sensed imagery topographic correction method in mountainous areas. Geography and Geo-Information Science, 23(6): 18-22 [百度学术] 

    段四波, 阎广建, 穆西晗, 沈斌, 李小文. 2007. 基于DEM的山区遥感图像地形校正方法. 地理与地理信息科学, 23(6): 18-22 [DOI: 10.3969/j.issn.1672-0504.2007.06.004] [百度学术] 

    Fan W L, Li J, Liu Q H, Zhang Q, Yin G F, Li A N, Zeng Y L, Xu B D, Xu X J, Zhou G M and Du H Q. 2018. Topographic correction of forest image data based on the canopy reflectance model for sloping terrains in multiple forward mode. Remote Sensing, 10(5): 717 [DOI: 10.3390/rs10050717] [百度学术] 

    Gao M L, Gong H L, Zhao W J, Chen B B, Chen Z and Shi M. 2016. An improved topographic correction model based on minnaert. GIScience and Remote Sensing, 53(2): 247-264 [DOI: 10.1080/15481603.2015.1118976] [百度学术] 

    Gao M L, Zhao W J, Gong Z N, Gong H L, Chen Z and Tang X M. 2014. Topographic correction of ZY-3 satellite images and its effects on estimation of shrub leaf biomass in mountainous areas. Remote Sensing, 6(4): 2745-2764 [DOI: 10.3390/rs6042745] [百度学术] 

    Gao Y N and Zhang W C. 2008a. Simplification and modification of a physical topographic correction algorithm for remotely sensed data. Acta Geodaetica et Cartographica Sinica, 37(1): 89-94, 120 [百度学术] 

    高永年, 张万昌. 2008a. 遥感影像地形校正物理模型的简化与改进. 测绘学报, 37(1): 89-94, 120 [DOI: 10.3321/j.issn:1001-1595.2008.01.016] [百度学术] 

    Gao Y N and Zhang W C. 2008b. Comparison test and research progress of topographic correction on remotely sensed data. Geographical Research, 27(2): 467-477 [百度学术] 

    高永年, 张万昌. 2008b. 遥感影像地形校正研究进展及其比较实验. 地理研究, 27(2): 467-477 [DOI: 10.3321/j.issn:1000-0585.2008.02.024] [百度学术] 

    Gatebe C K and King M D. 2016. Airborne spectral BRDF of various surface types (ocean, vegetation, snow, desert, wetlands, cloud decks, smoke layers) for remote sensing applications. Remote Sensing of Environment, 179: 131-148 [DOI: 10.1016/j.rse.2016.03.029] [百度学术] 

    Ge H L, Lu D S, He S Z, Xu A J, Zhou G M and Du H Q. 2008. Pixel-based minnaert correction method for reducing topographic effects on a landsat 7 ETM+ image. Photogrammetric Engineering and Remote Sensing, 74(11): 1343-1350 [DOI: 10.14358/PERS.74.11.1343] [百度学术] 

    Goslee S C. 2012. Topographic corrections of satellite data for regional monitoring. Photogrammetric Engineering and Remote Sensing, 78(9): 973-981 [DOI: 10.14358/PERS.78.9.973] [百度学术] 

    Gu D G and Gillespie A. 1998. Topographic normalization of landsat TM images of forest based on subpixel sun-canopy-sensor geometry. Remote Sensing of Environment, 64(2): 166-175 [DOI: 10.1016/S0034-4257(97)00177-6] [百度学术] 

    Gupta S K and Shukla D P. 2020. Evaluation of topographic correction methods for LULC preparation based on multi-source DEMs and Landsat-8 imagery. Spatial Information Research, 28(1): 113-127 [DOI: 10.1007/s41324-019-00274-0] [百度学术] 

    Huang B and Xu L H. 2012. Applied research of topographic correction based on the improved minnaert model. Remote Sensing Technology and Application, 27(2): 183-189 [百度学术] 

    黄博, 徐丽华. 2012. 基于改进型Minnaert地形校正模型的应用研究. 遥感技术与应用, 27(2): 183-189 [DOI: CNKI:SUN:YGJS.0.2012-02-006] [百度学术] 

    Huang W, Zhang L P and Li P X. 2005. An improved topographic correction approach for satellite image. Journal of Image and Graphics, 10(9): 1124-1128 [百度学术] 

    黄微, 张良培, 李平湘. 2005. 一种改进的卫星影像地形校正算法. 中国图象图形学报, 10(9): 1124-1128 [DOI: 10.3969/j.issn.1006-8961.2005.09.009] [百度学术] 

    Hurni K, Van Den Hoek J and Fox J. 2019. Assessing the spatial, spectral, and temporal consistency of topographically corrected landsat time series composites across the mountainous forests of Nepal. Remote Sensing of Environment, 231: 111225 [DOI: 10.1016/j.rse.2019.111225] [百度学术] 

    Jiang K, Hu C M, Yu K and Zhao Y C. 2014. Landsat TM/ETM+ topographic correction method based on smoothed terrain and semi-empirical model. Journal of Remote Sensing, 18(2): 287-306 [百度学术] 

    姜亢, 胡昌苗, 于凯, 赵永超. 2014. 地形抹平与半经验模型的Landsat TM/ETM+地形校正方法. 遥感学报, 18(2): 287-306 [DOI: 10.11834/jrs.20143258] [百度学术] 

    Kobayashi S and Sanga-Ngoie K. 2008. The integrated radiometric correction of optical remote sensing imageries. International Journal of Remote Sensing, 29(20): 5957-5985 [DOI: 10.1080/01431160701881889] [百度学术] 

    Li Y C. 1994. Topographic effect analysis and correction of digital remote sensing image. Beijing Surveying and Mapping, (2): 14-19 [百度学术] 

    李英成. 1994. 数字遥感影像地形效应分析及校正. 北京测绘, (2): 14-19 [DOI: 10.19580/j.cnki.1007-3000.1994.02.004] [百度学术] 

    Li Y K. 2015. Effects of analytical window and resolution on topographic relief derived using digital elevation models. GIScience and Remote Sensing, 52(4): 462-477 [DOI: 10.1080/15481603.2015.1049577] [百度学术] 

    Lin Q N, Huang H G, Chen L and Chen E X. 2017. Topographic correction method for steep mountain terrain images. Journal of Remote Sensing, 21(5): 776-784 [百度学术] 

    林起楠, 黄华国, 陈玲, 陈尔学. 2017. 陡峭山区影像的半经验地形校正. 遥感学报, 21(5): 776-784 [DOI: 10.11834/jrs.20176384] [百度学术] 

    Lin X W, Wen J G, Wu S B, Hao D L, Xiao Q and Liu Q H. 2020. Advances in topographic correction methods for optical remote sensing imageries. Journal of Remote Sensing, 24(8): 958-974 [百度学术] 

    林兴稳, 闻建光, 吴胜标, 郝大磊, 肖青, 柳钦火. 2020. 地表反射率地形校正物理模型与效果评价方法研究进展. 遥感学报, 24(8): 958-974 [DOI: 10.11834/jrs.20209167] [百度学术] 

    Lin Y H. 2019 Angles Normalization Model of Vegetation Canopy Reflectance Based on Geostationary Satellite Remote Sensing Data . Nanjing: Nanjing University [百度学术] 

    林英豪. 2019. 静止卫星遥感植被冠层反射率的角度归一化模型研究. 南京:南京大学 [百度学术] 

    Liu S H, Liu Q, Liu Q H, Wen J G and Li X W. 2010. The angular and spectral kernel model for BRDF and albedo retrieval. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 3(3): 241-256 [DOI: 10.1109/JSTARS.2010.2048745] [百度学术] 

    Liu Z W. 2017. Remote Sensing Inversion of Vegetation Cover Parameters based on Topographic Radiation Correction. Tai’an: Shandong Agricultural University [百度学术] 

    刘子玮. 2017. 基于地形辐射校正的植被覆盖参数遥感反演. 泰安: 山东农业大学 [百度学术] 

    Lü L L, Xie Y W and Dong L L. 2017. The comparison of reflectance based on different terrain correction. Remote Sensing Technology and Application, 32(4): 751-759 [百度学术] 

    吕利利, 颉耀文, 董龙龙. 2017. 基于不同地形校正模型的影像反射率对比分析. 遥感技术与应用, 32(4): 751-759 [DOI: 10.11873/j.issn.1004-0323.2017.4.0751] [百度学术] 

    Melnikova I, Awaya Y, Saitoh T M, Muraoka H and Sasai T. 2018. Estimation of leaf area index in a mountain forest of central Japan with a 30-m spatial resolution based on landsat operational land imager imagery: an application of a simple model for seasonal monitoring. Remote Sensing, 10(2): 179 [DOI: 10.3390/rs10020179] [百度学术] 

    Minnaert M. 1941. The reciprocity principle in lunar photometry. The Astrophysical Journal, 93: 403-410 [DOI: 10.1086/144279] [百度学术] 

    Pi X Y，Zeng Y N and He C Q. 2021. Estimating urban vegetation coverage on the basis of multi-source remote sensing data and temporal mixture analysis. National Remote Sensing Bulletin, 25(6): 1216-1226 [百度学术] 

    皮新宇, 曾永年, 贺城墙. 2021. 融合多源遥感数据的高分辨率城市植被覆盖度估算. 遥感学报, 25(6): 1216-1226 [DOI：10.11834/ jrs.20219178] [百度学术] 

    Reeder D H. 2002. Topographic Correction of Satellite Images: Theory and Application. Hanover. New Hampshire: Dartmouth College [百度学术] 

    Reese H and Olsson H. 2011. C-correction of optical satellite data over alpine vegetation areas: a comparison of sampling strategies for determining the empirical c-parameter. Remote Sensing of Environment, 115(6): 1387-1400 [DOI: 10.1016/j.rse.2011.01.019] [百度学术] 

    Smith J A, Lin T L and Ranson K J. 1980. The lambertian assumption and landsat data. Photogrammetric Engineering and Remote Sensing, 46(9): 1183-1189 [百度学术] 

    Soenen S A, Peddle D R and Coburn C A. 2005. SCS+C: a modified sun-canopy-sensor topographic correction in forested terrain. IEEE Transactions on Geoscience and Remote Sensing, 43(9): 2148-2159 [DOI: 10.1109/TGRS.2005.852480] [百度学术] 

    Szantoi Z and Simonetti D. 2013. Fast and robust topographic correction method for medium resolution satellite imagery using a stratified approach. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 6(4): 1921-1933 [DOI: 10.1109/JSTARS.2012.2229260] [百度学术] 

    Teillet P M, Guindon B and Goodenough D G. 1982. On the slope-aspect correction of multispectral scanner data. Canadian Journal of Remote Sensing, 8(2): 84-106 [DOI: 10.1080/07038992.1982.10855028] [百度学术] 

    Tokola T, Sarkeala J and Van der Linden M. 2001. Use of topographic correction in landsat TM-based forest interpretation in Nepal. International Journal of Remote Sensing, 22(4): 551-563 [DOI: 10.1080/01431160050505856] [百度学术] 

    Wen J G, Liu Q H, Liu Q, Xiao Q and Li X W. 2009. Parametrized BRDF for atmospheric and topographic correction and albedo estimation in Jiangxi rugged terrain, China. International Journal of Remote Sensing, 30(11): 2875-2896 [DOI: 10.1080/01431160802558618] [百度学术] 

    Yan G J, Jiang H L, Yan K, Cheng S Y, Song W J, Tong Y Y, Liu Y N, Qi J B, Mu X H, Zhang W M, Xie D H and Zhou H M. 2021. Review of optical multi-angle quantitative remote sensing. National Remote Sensing Bulletin, 25(1): 83-108 [百度学术] 

    阎广建, 姜海兰, 闫凯, 程诗宇, 宋婉娟, 童依依, 刘雅楠, 漆建波, 穆西晗, 张吴明, 谢东辉, 周红敏. 2021. 多角度光学定量遥感. 遥感学报, 25(1): 83-108 [DOI: 10.11834/jrs.20218355] [百度学术] 

    Yang C J, Huang H, Ni J and Yang D F. 2019. Effects of topographic normalization on the relationship between tropical forest biomass and landsat TM images. Journal of the Indian Society of Remote Sensing, 47(4): 595-601 [DOI: 10.1007/s12524-018-0902-z] [百度学术] 

    Zhang R L. 2012. The Research on Topographic Correction of Remote Sensing Images based on ETM+ Data. Xi’an: Chang’an University [百度学术] 

    张若岚. 2012. 基于ETM+数据的遥感影像地形辐射校正研究. 西安: 长安大学 [百度学术] 

    Zhang Y, Wang L, Ai Y F and Bai X J. 2019. An analysis research of terrain correction methods considering the slope ranges based on OLI image. IOP Conference Series: Materials Science and Engineering, 592: 012163 [DOI: 10.1088/1757-899X/592/1/012163] [百度学术] 

    文章被引用时，请邮件提醒。
    提交

    相关文章

    相关作者

    暂无数据

    相关机构

    北京师范大学 地理科学学部 遥感科学国家重点实验室
    北京师范大学 北京市陆表遥感数据产品工程技术研究中心
    中国科学院空天信息创新研究院
    北京师范大学 遥感科学国家重点实验室
    北京师范大学 地理科学学部 北京市陆表遥感数据产品工程技术研究中心
    0