关键带建模时,遥感数据和地球化学观测数据主要是作为参数输入和对模型的验证。我们可以从遥感影像数据和地球化学观测数据中提取地质、地貌、高程等地形信息,TOC(总有机碳)、N、重金属、pH、土壤水分、侵蚀等土壤属性,NPP(植物净初值生产力)、作物、NDVI(归一化植被指数)等农业性质,及土地利用情况等,这些都是我们大部分模型需要的输入参数。同时,我们也可以通过遥感影像数据和地球化学观测数据来检验我们模型预测的准确性。
不同尺度数据如何统一化问题,我谈谈天空地一体化遥感监测的数据一体化,受传感器特性、探测高度、探测时间等影响,不同遥感数据之间的差异多体现在光谱维与空间维上的差异。光谱维主要有辐射强度、光谱波段宽度、光谱范围等,而空间差异主要有空间位置、空间分辨率等的差异。另外,由于地物特征随时间变化明显,如随季节变化、随太阳高度角的变化等,其在不同时间测量的遥感数据也存在差异。所以时间差异性也是多源遥感数据的特征差异之一。
为消除由时间差异造成的遥感数据应用与分析结果的影响,我们尽量在同一时间进行数据采集,我们在黑土地地质生态调查中,我们通过卫星轨道预测系统,获取高分5号数据过境时间,在这个时间点,进行航空光谱数据采集及地面光谱数据采集。但卫星覆盖的时间周期有限,且有些数据云覆盖量大、数据质量差,在实际应用中,并不能获取与航空或地面试验时间完全匹配的卫星数据,大多都是以最接近地面数据时间的高质量数据为准。
空间维的差异主要体现在空间位置与空间分辨率的差异。空间位置的差异一般会通过几何校正、几何精校正等消除。在对于不同空间分辨率的数据时,基于像元均值、高斯核函数等重采样可以实现影像数据的升尺度处理,从而达到空间尺度的一致性用于分析。但是,空间升尺度处理会降低空间分辨率,致使数据丢失很多细节信息。所以,一般在处理影像数据空间一致性时,利用先验知识,建立降尺度方法提高影像的空间分辨率。
在光谱范围一致时,不同影像数据光谱波段数目的差异一般通过积分处理降低光谱分辨率,从而进行匹配分析(Liang 等,2003;江珊,2014)。当需要提高光谱分辨率时,多以物理、统计模型或光谱插值实现光谱分辨率增强处理,体现更多地物光谱细节特征。不同尺度下光谱辐射强度的差异一般通过辐射校正消除,包括大气校正、光谱通道校正等,数据精细处理时还会考虑地物的二向性特征进行BRDF 校正。
