多源遥感陆面数据同化
多源遥感陆面数据同化通用系统软件框架原型王亮绪李新韩旭军黄春林车涛晋锐
中科院寒旱所
2010-07-15
大纲
l目标
l框架原型
l实现
l高性能计算
陆面数据同化系统组成
目标
实现一个以高性能计算为核心的通用多源遥感数据同化软件库。
?通用数据同化方法（非线性非高斯）
?通用观测算子（遥感辐射传输模型）
?通用模型算子（陆面过程模型和水文模型）
?自动测试用例
?完善的文档和实例
技术路线
原型设计l粗框架
同化算法l卡尔曼滤波
l粒子滤波
l一维模型l三维模型
辅助工具/类
l时间/时间段/时间范围
l矩阵/复数矩阵
l异常类
l随机数类
l点/多点/多点网格
目录结构
l include
l src/
l example
l test
l doc
l
external
支持环境
l编程语言：ANSI C++/C，FORTRAN l开发平台：UBUNTU LINUX，svn
l支持编译器：GCC, Intel C++
l并行计算支持：OpenMP, MPI, CUDA l第三方依赖
l dSFMT（随机数生成器）
l cpptest（用例测试，可选）
l doxygen (文档生成，可选）
代码的重用和重构
l重用
l已有代码通过重包装(wrapper)进行重用
l Fortran代码通过混合编程进行重用
l重构
l在重用的基础上实现（类继承）
l通过重载(overload)关键方法实现对功能的更新
中国陆面数据同化系统
l基于CoLM模型、集合Kalman滤波算法和针对不同地表类型（土壤、积雪、冻土）的微波辐射传输模型的中国陆面数据同化系统，同化被动微波遥感观测（SSM/I、TMI和AMSR），获得空间分辨率为1/4°、时间分辨率为1小时的土壤水分、土壤温度、积雪、冻土、感热、潜热、蒸散发等模拟和同化资料。
CLDAS framework
Class diagram
Work flow
集合循环
冻土观测算子同化处理
浅析多源遥感数据融合原理及应用
浅析多源遥感数据融合原理 摘要: 本文介绍了遥感影像融合技术, 系统阐述了几种常见的遥感影像融合方法及其优缺点。首先，阐述了多源遥感影像数据融合的目的、意义以及多源遥感影像数据融合的基本理论；然后介绍了多源遥感影像数据融合的层次和常用方法,在分析和探讨多源遥感影像数据融合原理、层次、结构及特点的基础上，归纳了多源遥感影像数据融合方法，然后通过实验，对不同方法融合后的成果图进行比较，每种方法都有其自身的优点和不足之处，这就决定了它们在应用方面的不同，采用乘积方法变换、Brovey比值变换和PCA变换融合方法融合后的图像，其光谱保真程度逐渐降低．Muhiplieative（乘积）变换融合较好地保留了多光谱波段的光谱分辨率和空间信息，融合图像的光谱保真能力较好，详细程度较高；PCA变换融合和Brovey变换；融合和影像质量一般．与PCA变换融合比较，Brovey变换融合的空间信息的详细程度较低，但相对好的保留了多光谱波段的光谱分辨率。 关键词: 遥感影像融合融合层次融合方法优缺点对比
目录 1、绪论 (1) 2、多源遥感数据融合的基本理论 (1) 2.1 多源遥感数据融合的概念 (3) 2.2多源遥感数据融合的原理 (4) 2.3多源遥感数据融合层次 (4) 2.3.1 像元级融合 (4) 2.3.2 特征级融合 (4) 2.3.3 决策级融合 (5) 3、多源遥感数据融合常用方法 (5) 3.1 主成分变换（PCT） (5) 3.2 乘积变换 (5) 3.3 Brovey比值变换融合 (5) 4、实验与分析 (6) 5、结语 (8) 参考文献 (9) 致谢 (10)
多源遥感数据反演土壤水分方法
多源遥感数据反演土壤水分方法 张友静1,王军战2,鲍艳松3 (11河海大学水文水资源与水利工程科学国家重点实验室,江苏南京 210098;21中国科学院寒区旱区环境与工程研究所, 甘肃兰州 730000;31南京信息工程大学大气物理学院,江苏南京 210044) 摘要:基于AS AR 2APP 影像数据和光学影像数据,根据水云模型研究了小麦覆盖下地表土壤含水量的反演方法。利用T M 和MOD I S 影像构建的植被生物、物理参数与实测小麦含水量进行回归分析,发现T M 影像提取的归一化水分指数(NDW I )反演精度较好,相关系数达到0187。根据这一关系,结合水云模型并联立裸露地表土壤湿度反演模型,建立了基于多源遥感数据的土壤含水量反演模型和参数统一求解方案。反演结果表明:该方案可得到理想的土壤水分反演精度,并可控制参数估计的误差。反演土壤含水量和准同步实测数据的相关系数为019,均方根误差为3183%。在此基础上,分析了模型参数的敏感性,并制作了研究区土壤缺水量分布图。 关键词:土壤含水量;多源遥感数据;水云模型;AS AR;多尺度 中图分类号:P33819 文献标志码:A 文章编号:100126791(2010)022******* 收稿日期:2009203209 基金项目:国家自然科学基金资助项目(40701130;40830639) 作者简介:张友静(1955-),男,江苏南京人,教授,主要从事遥感机理与方法研究。E 2mail:zhangyj@hhu 1edu 1cn 土壤含水量是地表和大气界面的重要状态参数,并直接影响地表的热量和水量平衡,因而受到水文、气象和农业灌溉等多个学科的关注。微波土壤水分遥感研究始于20世纪80年代,其中最具代表性的是U laby 利用试验数据得出土壤后向散射系数的主导因素为粗糙度和含水量 [1]。80年代后,Dobs on 和U laby 利用车载、高塔、航空平台的微波数据研究了土壤湿度反演的最佳工作模式,并一致认为小角度入射后向散射系数对土壤湿度最敏感[2]。随着微波散射模型不断发展,相继出现微波散射的小扰动模型、几何光学模型、物 理光学模型、两尺度模型和积分方程模型A I E M 。Dobos on 等在物理模型和试验研究的基础上各自建立了经验和半经验模型,成功地反演了裸土的土壤含水量 [324]。2000年以来,随着Rardrsat,E NV I S AT AS AR 传感器发射,基于卫星雷达数据的土壤湿度反演逐步开展。李震等综合主动和被动微波数据,建立一种半经验模型,用于估算地表土壤水分的变化 [526]。研究表明AS AR 数据在半干旱区农田土壤湿度反演方面具有独特的优势[729]。 在植被覆盖条件下,微波信号的组成十分复杂。研究提取植被覆盖下的土壤湿度信息的重点在于如何有效的分离出植被对微波的散射信号,以便用土壤的后向散射信号估算植被覆盖下的土壤含水量。直接用多频同步微波遥感数据通过理论模型或数值模拟求解植被对微波的散射信号[9],具有很好的同步性和物理意义。但遥感数据获取较为困难,同时求解所需的地面同步观测的数据要求很高,因而区域尺度的监测应用还有待深入研究。根据植被的生物、物理特征与植被散射信号之间的关系,采用同步光学遥感数据反演植被散射信号是近年来的研究热点[9211]。但在植被特征参数表达农作物后向散射信号的能力评价、模型参数的识别以及整体求解方案等方面的研究较少。此外,为满足土壤水分监测和灌溉决策的需求,还需研究不同时空分辨率数据反演植被散射信号的能力。本文根据水云模型,研究多尺度下不同植被特征参数与小麦含水量的关系,采用将所有参数放入统一框架下估算的策略,构建了结合光学和微波遥感数据的土壤水分估算模型,并分析了模型参数的敏感性。经准同步实测数据检验,小麦覆盖下土壤水分的估算达到了较高的精度。 第21卷第2期 2010年3月 水科学进展ADVANCES I N WATER SC I ENCE Vol 121,No 12 M ar .,2010
多源遥感影像配准流程
多源遥感影像综合应用的一项重要的准备工作就是影像间的配准，特别是不同类型传感器在同一地区，不同时间，不同高度获取的影像间的配准。即运用一幅纠正过的带有地理信息的影像（主影像）与一幅未纠正的影像（从影像）进行配准，获取一系列同名点位。因为主影像是正射影像，因而这些同名点是具有大地坐标的同名点。同时这些同名点可以作为参考数据（保存在配准后生成的<从影像名>.ctp 文件中）用于对其他影像进行纠正。 在ArcMap中配准影像栅格数据可以通过扫描地图、航片及卫片来获取。扫描的地图通常不包含表明影像对应于地表何处的信息。从航空相片和卫星相片上获得的位置信息往往不适合执行分析，或者与其它数据对齐显示。与其它空间数据一起使用栅格数据，需要把栅格数据对齐或配准到地图的坐标系统。 配准栅格数据定义了它的地图坐标位置，即指定了联系数据与地球上的位置的坐标系统。 配准栅格数据使它能与其它地理数据一起被查看、查询和分析。 配准流程： 1、启动ARCGIS9，用键或者在图层处点右键添加数据，将所要的图象数据 添加近来。如图所示： 2、从“视图”→“工具条”→“影象配准”将影像配准的工具条调出来，如图， ， 调出工具条如下， 选择图的四个角的格网点进行配准处理，首先是左上角，如图：
使用“添加控制点”按钮添加第一个控制点，如图： 将左下角格网点放大以准确定位，如图。 点右键，输入XY坐标，根据地图格网坐标输入， 完成一个点，再按相同方法对其他三个角点配准。 4、电击查看连接表可以查看配准后的坐标残差看是否符合要求。
点击地理参考下的矫正，双线性内插，保存矫正图象。 5、将矫正后图象添加到图层覆盖矫正前的，从视图下拉菜单选择数据框属性 打开后如下： 将地图单位改为米，将坐标系统设为西安1980，