NJU1healer的个人博客分享 http://blog.sciencenet.cn/u/NJU1healer

博文

GEE -- 混合像元分解

已有 7970 次阅读 2020-7-9 21:40 |个人分类:Google earth engine|系统分类:科研笔记

       遥感影像以像元(pixel)为基本单位获取地物信息,所记录的是像元内所有地物辐射能量的总和。

       受高光谱成像仪低空间分辨率及复杂地物的影响,高光谱遥感图像存在大量混合像元。为提高地表分类精度以及满足亚像元级目标探测的需求,混合像元分解技术一直是高光谱遥感研究热点之一。

       高光谱遥感是指在电磁波谱的紫外、可见光、近红外和中红外区域,利用成像光谱仪获取的许多非常窄且光谱连续的图像数据。高光谱遥感图像不仅包含了全色及彩色摄影丰富的空间信息,同时相对于多光谱图像其拥有更多更精细的光谱信息,使得图像中每一个像元都对应一条平滑而完整的光谱曲线。由于不同地物光谱曲线属性不同,利用高光谱遥感技术充分挖掘不同物质的光谱特征及形态特征,为地物的精细探测奠定基础。

       混合像元是指一个像元中包含多种地物,像元光谱信号的组成成分即为端元。由于高光谱数据自带几十至上百个波段光谱信息,使得高光谱遥感图像在混合像元分解、亚像元级处理方面较全色、多光谱图像更具有优势。

       遥感影像中的某个像元通常由不同的地物信号共同组成混合像元存在的两种原因

光谱混合模型主要分为线性模型非线性模型两类。

1 线性混合模型

       线性混合模型LMM(Linear Mixture Model)忽略地物间的多次散射(Adams等,1986),认为混合光谱是端元光谱及其丰度的线性组合:

2 非线性混合模型

       考虑到端元间的多次散射,学者们提出了多种非线性光谱混合模型,包括:几何光学模型(李小文和王锦地,1995)、概率模型(Ju等,2003)、神经网络模型(Foody等,1997)以及高次多项式模型(Ray和Murray,1996Fan等,2009Halimi等,2011Nascimento和Bioucas-Dias,2009Somers等,2009a)。其中,高次多项式模型的物理意义比较明确、形式简单,目前应用最为广泛(此后文中的非线性模型均指该模型)。

对比:

  • 如何寻找光谱端元?

  • 光谱分解

一般过程基于神经网络的混合像元分解

代码案例:

线性光谱分解

先在开头导入数据并画出植被 水体 建筑的多边形进行导入

var bands=['B2','B3','B4','B5','B6','B7'];
var image=ee.Image(l8
    .filterBounds(point)
    .sort('CLOUD_COVER')
    .first())
    .select(bands);
print(image);//选择云覆盖最少的影像
Map.addLayer(image,{bands:['B4','B3','B2'],max:0.3},'image');

//对不同地物在不同波段的TOA求均值
var bareMeans = image.reduceRegion({
  reducer: ee.Reducer.mean(),
  geometry: bare,
  scale:30,
}).values();
print(bareMeans);

var vegMeans = image.reduceRegion({
  reducer: ee.Reducer.mean(),
  geometry: vegetation,
  scale:30,
}).values();

var waterMeans = image.reduceRegion({
  reducer: ee.Reducer.mean(),
  geometry: water,
  scale:30,
}).values();

//对不同地物的光谱曲线进行查看 以防出错
var chart = ui.Chart.image.regions(image,ee.FeatureCollection([
  ee.Feature(bare,{label:'bare'}),
  ee.Feature(vegetation,{label:'vegetation'}),
  ee.Feature(water,{label:'water'})]),
  ee.Reducer.mean(),30,'label',[0.48,0.56,0.65,0.86,1.61,2.2]
  );
print(chart);
//创建端元
var endmembers = ee.Array.cat([bareMeans,vegMeans,waterMeans],1);
print(endmembers);

var arrayImage = image.toArray().toArray(1);

var unmixed = ee.Image(endmembers).matrixSolve(arrayImage);

var unmixedImage = unmixed.arrayProject([0])
               .arrayFlatten([['bare','veg','water']]);
//默认红:bare 绿:veg 蓝:water
Map.addLayer(unmixedImage,{},'fractions');

结果:

CLOUD_COVER相当低不同地物的光谱曲线Inspector中选择某个植被处

点滴分享,福泽你我!Add oil!

【参考】

https://zhuanlan.zhihu.com/p/129881408



https://blog.sciencenet.cn/blog-3428464-1241346.html

上一篇:GEE -- 研究区高程分布直方图绘制
下一篇:GEE -- 数据类型(Image,Image Collection)
收藏 IP: 45.146.122.*| 热度|

0

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...
扫一扫,分享此博文

全部作者的其他最新博文

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2024-11-9 04:28

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部