高分一号(Gaofen-1, 简称GF-1) 于2013年4月成功发射并持续在轨运行, 是我国高分辨率对地观测重大专项计划的首发星, 它突破了高空间分辨率、多光谱与宽覆盖相结合的光学遥感等关键技术^[1]。GF-1搭载了四台16 m分辨率的宽幅/宽视场(WFV) 多光谱相机, 每台相机均具备蓝光波段(Blue, 450—520 nm)、绿光波段(Green, 520—590 nm)、红光波段(Red, 630—690 nm) 和近红外波段(NIR, 770—890 nm) 四个波段。同时, 通过拼接组合四台WFV, 可实现兼顾较高时空分辨率、大范围区域动态监测能力^[1]。得益于上述特点和优势, GF-1 WFV影像已在多个领域得到应用。对知网(CNKI) 的文献检索结果显示(分别以“高分一号”“GF-1”“Gaofen-1”为搜索关键词, 并人工剔除不相关论文), 2013—2021年期间涉及GF-1应用的文献共计474篇, 其中与植被指数应用相关的文献有128篇。

卫星遥感植被指数对植物的叶绿素含量、叶子表面冠层、冠层结构比较敏感, 与单个波段光谱反射率相比, 能更有效地度量绿色植被的数量和生长状况^[2—5]。因此, 植被指数被认为是描述植被状况最简单有效的参数之一, 常用于指示各类生态系统的健康状况, 并作为提取和估算植被其他信息和参数的基本变量^[6—8]。同时, 利用时序卫星遥感植被指数, 可开展植被物候研究、地表动态监测、土地利用与覆盖、气候变化影响评估、植被生产力建模以及灾害胁迫与评估等方面的工作^{[5, 9—12]}。从CNKI文献检索结果来看, 对GF-1 WFV植被指数的讨论和应用主要集中在典型植被指数计算^[13]、植被覆盖度^[14—16]、作物叶面积指数^[17—18]、生物量^{[14, 19]}、叶绿素相对含量^[20]、植被(如农作物、森林树种等) 覆盖类型与分布^[21—25]以及动态监测^[26—27]与灾害评估^[28—29]等。与Landsat-8陆地成像仪(OLI)的对比分析表明, 因波段设置的差异, 两类传感器影像在获取植被指数方面有一定的偏差^[13]；然而, 与Landsat-8 OLI相比, GF-1 WFV在估算植被覆盖度、叶面积指数和生物量等方面能获得较一致的结果, 且具备高时间、空间分辨率优势^{[14—15, 17]}。此外, 依据实际应用场景和GF-1 WFV影像数据的特征, 研究人员开发了专门性的植被指数, 如翅碱蓬植被指数^[30]、冬小麦条锈病指数^[31]。

与Landsat卫星系列遥感数据的标准处理和分发共享方式不同, 我国目前发布的卫星遥感数据(如GF-1) 以Level1级相对辐射校正产品为主。普通数据用户通常需要在经过辐射定标、几何校正等一系列处理后, 才能进行信息提取及生产相应的产品^[32]。准确的辐射定标是开展卫星遥感定量参数提取与应用的必要前提和基本保障^[33—36]。尤其是对应用时序卫星遥感植被指数产品而言, 因传感器辐射性能改变引起的微小定标偏差会影响甚至误导最终的分析结果^[37]。然而, 现有文献仅在数据预处理流程中谈及对GF-1 WFV影像的辐射定标处理, 很少讨论可能的定标偏差及其对包含植被指数在内的相关参数的影响。中国资源卫星应用中心一般于每年的7—9月在敦煌绝对辐射校正场和青海湖辐射校正场开展针对国产陆地资源环境及高分系列卫星传感器(包括GF-1 WFV) 的外场定标试验, 并于同年的12月左右公布定标参数, 供数据用户参考、使用(http://www.cresda.com/CN/)。因此, 当前的辐射定标参数更新公布机制显得相对滞后, 难以准确、及时体现在轨运行中GF-1 WFV传感器辐射性能的改变情况, 势必导致波段星上反射率误差并影响常用植被指数的计算结果。

本文围绕GF-1 WFV影像数据的辐射定标偏差及其对典型植被指数的影响展开分析和讨论。主要工作包括：(1) 针对两类典型植被指数, 即两波段简单比值型和两波段归一化型, 给出辐射定标的植被指数影响分析模型；(2) 讨论基于已公布的GF-1 WFV定标参数的统计分析结果；(3) 特别针对存档GF-1 WFV Level1A影像数据, 且其获取时相前、后两次的辐射定标参数均已知, 提出基于时间距离加权的线性内插法来修正其辐射定标结果, 并结合实际案例, 展示该修正策略的有效性。

1 方法 1.1 辐射定标的植被指数影响分析模型

截至2021年12月底, 已公布的定标文件中给出了4台GF-1 WFV多光谱相机的辐射定标参数(表 1) 和相应的定标公式(式(1)) (http://www.cresda.com)。

(1)

式中, DN_i为卫星载荷在波段的观测值(影像原始值), L_i^s为经辐射定标转换后的星上光谱辐亮度, 单位为W m^-2 sr^-1 μm^-1；Gain_i为增益量, 即定标斜率, 单位为W m^-2 sr^-1 μm^-1。

进一步, 通过式(2) 可从星上光谱辐亮度得到星上反射率：

(2)

式中, s_i为波段i的星上反射率；ESUN_i为大气顶层太阳辐照度(可从官方公布的资料获取http://www.cresda.com)；θs为太阳天顶角, 可从影像头文件获得；d为日地天文距离。星上反射率在一定程度上减小了时空差异对星上辐射亮度的影响, 便于不同时相、不同传感器获取的影像之间的对比^[38]。

由式(2)得到辐射定标的星上反射率影响分析模型, 可表述为：

(3)

式中, Δs_i是指波段i的辐射定标偏差ΔL_i^s引起的星上反射率误差。

同时, 定义星上反射率相对偏差：

(4)

式中, Δs_{i_Re}为波段i的星上反射率相对偏差, Gain_i和ΔGain_i分别为波段i的增益量和增益量偏差。

由于目前是每年更新公布一次GF-1 WFV的辐射定标参数, 为了后文分析和表述的需要, 特别地将某年份y相对参考年份的反射率相对偏差表达为：

(5)

式中, (Gain_i)₀是参考年份波段i的增益量, (Gain_i)_y是年份y的增益量。相应地, 式(5) 表示在本该使用增益量(Gain_i)₀时, 用户错误地采用了年份y的增益量(Gain_i)_y, 进而产生的波段星上反射率相对偏差值。

基于星上反射率相对偏差构建辐射定标的植被指数影响分析模型。本文重点讨论两种形式的植被指数, 即两波段简单比值型和两波段归一化型(表 2), 相应的误差影响模型分别为式(6) 和式(7)。

两波段简单比值型的误差模型：

(6)

两波段归一化型的误差模型：

(7)

式中, ΔVI和VI分别为植被指数误差和植被指数, Δs_{i_Re}和Δs_{j_Re}分别为波段i和波段j的反射率相对偏差, 本文将两个波段的相对变化量((Δs_{i_Re}-Δs_{j_Re})) 定义为植被指数偏差系数。

由式(6)和式(7)可知, 针对两波段简单比值型和两波段归一化型两类植被指数, 因波段辐射定标偏差带来的影响程度均与植被指数大小和两个波段的反射率相对变化量有关。当两个波段的相对偏差(Δs_{i_Re}和Δs_{j_Re}) 同向时, 则会在一定程度上抵消因辐射定标偏差带来的影响；反之, 则会增大因辐射定标偏差带来的影响。不同的是, 针对简单比值型, 植被指数误差与指数本身大小呈线性关系；而两波段归一化型植被指数, 其误差则与指数本身大小呈非线性关系。

1.2 基于传感器辐射性能线性变化假设的定标结果修正

假定每次场地辐射定标获取的定标参数是准确的, 则可认为增益量的(年际) 波动变化能反映GF-1 WFV各传感器辐射性能的稳定性情况。由表 1可推测, 截至2021年, 在轨运行中, GF-1 WFV各传感器辐射性能发生了一定程度的改变；与WFV4相比, WFV1的辐射性能更稳定。然而, 当前GF-1 WFV辐射定标参数的更新公布显得相对滞后, 往往无法体现影像采集时传感器真实的辐射性能(图 1), 进而可能导致波段星上反射率误差并影响常用植被指数的计算结果。

若影像采集前、后两次的辐射定标参数均已知, 参照文献[34]中的作法, 从应用存档GF-1 WFV Level1A影像数据的需求出发, 假定在两次场地定标试验之间(m_t1和m_t2, 仅精确到月份) GF-1 WFV传感器辐射性能是匀速稳定改变的, 可采用时间距离加权的线性内插来对辐射亮度值进行修正：

(8)

式中, (L_i^s)_t为通过内插方法估算得到的波段i的辐射亮度值(t代表影像采集时相), (L_i^s)_t1和(L_i^s)_t2分别是采用前一次(年) 和后一次(年) 的定标参数得到的波段i的辐射亮度值, m_t-m_t1为影像获取时相(m_t为影像采集月份) 与前一次(年) 场地定标时相(m_t1) 的时间距离, m_t2-m_t1为相邻两次场地定标的时相差(本文中按12个月计) (图 1)。为了处理方便, 将每年的场地定标时相统一假定为8月份。

同时, 结合定标公式(式(1)), 得到GF-1 WFV影像数据的辐射定标修正公式：

(9)

式中, (Gain_i)_t1和(Gain_i)_t2分别是与影像采集时相对应的前一次(年) 和后一次(年) 波段i的增益量。

2 数据

本文采用了4景GF-1 WFV影像数据(表 3) 来开展相应的案例分析：定标参数使用不当的影响和辐射定标修正策略的有效性。GF-1 WFV影像数据均来自中国资源卫星应用中心的陆地观测卫星数据服务平台(http://36.112.130.153:7777/DSSPlatform/index.html)。一个影像数据压缩文件(.tar) 通常主要包含WFV多光谱影像数据(.tiff)、影像数据元数据文件(.XML) 以及用于几何校正的模型文件(.rpb)。值得注意的是, 不同WFV传感器间(WFV1/2/3/4) 在波段设置方面存在一定的差异^[43], 这类设置的差异会给不同传感器间观测一致性带来挑战^[3—4]。因此, 本文在辐射定标修正案例中仅采用相邻(近) 时相GF-1 WFV1影像数据(表 3), 即对比定标修正前后星上反射率和植被指数情况。

3 结果与讨论 3.1 波段反射率相对偏差与植被指数偏差系数的分布关系

图 2中红色线多边形范围之外为植被指数偏差增大区, 即植被指数偏差系数的绝对值((Δs_{i_Re}-Δs_{j_Re})) 高于波段反射率相对偏差的绝对值(Δs_{i_Re}和Δs_{j_Re})；相应地, 红色线多边形范围内为植被数偏差系数减小区, 即植被指数偏差系数的绝对值((Δs_{i_Re}-Δs_{j_Re})) 低于波段反射率相对偏差的绝对值。可见, 在多数情况下, 植被指数偏差系数会出现在增大区。相应地, 当两个波段的反射率相对偏差同号出现时, 会在一定程度上抵消因辐射定标偏差给植被指数带来的影响；尤其是两波段的反射率相对偏差值相近时, 相应的植被指数偏差系数集中在减小区(约占25%)。

3.2 基于当前GF-1 WFV定标参数的统计分析结果 3.2.1 波段星上反射率相对偏差和植被指数偏差系数

图 3和图 4分别展示了针对GF-1 WFV1和WFV4的统计分析结果(保留小数点后三位)。需要指出的是, 图 3和图 4内各子图中每个偏差(系数) 值均是以所在行对应的年份为参考, 得到相应(所在列的) 年份因辐射定标导致的波段星上反射率相对偏差(或植被指数偏差系数)。如前所述, 该偏差(系数) 表示在本该用参考年份的辐射定标参数(增益量) 时而用户错误地采用了其他年份的辐射定标参数(增益量), 引起的波段星上反射率相对偏差(或植被指数偏差系数)。具体而言, 图 3中近红外波段(NIR) 星上反射率相对偏差在(2019, 2017) 处对应的值(0.242), 表示的是以2019年的增益量为参考得到的与2017年增益量相对应的相对偏差(即波段星上反射率相对偏差)。也就是说, 在本该采用2019年的辐射定标参数时却采用了2017年的辐射定标参数的情况下, 会导致GF-1 WFV1 NIR波段星上反射率相对偏差达到0.242 (24.2%)。同时, 与其对应的基于红波段的植被指数偏差系数和基于绿波段的植被指数偏差系数分别达到0.140和0.219 (图 3)。

整体上, 对某参考年份而言, 误用其他年份的辐射定标参数均会导致波段星上反射率和两类植被指数分别出现不同程度的相对偏差和偏差系数(图 3和图 4)。然而, 相对偏差和偏差系数与时相间距(参考年份与误用辐射定标参数对应年份的间时相差, 单位按年计) 并非是线性关系, 而是呈现出无规律的波动变化。以GF-1 WFV1的NIR为例(图 3), 若以2021年为参考年份, 误用其他年份的增益量, 相应的最大偏差和最小偏差分别对应2014年和2019年, 而次大误差对应2017年。同时, 即使两个相邻年份间, 多数情况下, 相互误用辐射定标参数也将导致不可忽视的波段星上反射率相对偏差。就GF-1 WFV1的NIR而言, 除了2015年与2016年份间外, 其他两个相邻年份间对应的相对偏差均较明显, 多数在0.10左右(图 3)。显然, 辐射定标参数误用引起的较明显且无规律的星上反射率相对偏差, 势必给后续的定量应用带来影响和挑战。

同时, 星上反射率相对偏差表现出的波段间差异会导致相应的植被指数出现不同程度的偏差系数。对GF-1 WFV1而言, 在本该采用2019年的定标参数而误用2018年的定标参数时, 绿波段、红波段和近红外波段的星上反射率相对偏差值分别为-0.061、0.034和0.108；相应地, 基于绿波段的植被指数和基于红波段的植被指数的偏差系数值分别为0.169和0.074 (图 3)。可见, 辐射定标参数误用导致的星上反射率偏差及其波段间差异, 使得两类植被指数的偏差系数呈现不同分布规律和大小。即使两个相邻年份间, 在多数情况下因误用辐射定标参数导致的植被指数偏差系数不容忽视。以GF-1 WFV1基于红波段的植被指数为例, 除了2020年份与2021年份间和2016年份与2017年份间外, 其他两个相邻年份间对应的偏差系数均在0.05左右, 明显的偏差系数则达到0.262 (出现在2014年份与2015年份间)。

3.2.2 不同传感器及不同植被指数模型的偏差对比分析

误用辐射定标参数引起的波段星上反射率相对偏差以及相应的植被指数偏差系数大小和分布规律还表现出明显的传感器间差异。因篇幅限制, 文中仅展示了针对WFV1和WFV4的统计结果(图 3和图 4)。整体上, 与WFV1相比, WFV4会出现更明显的相对偏差(或偏差系数)。就GF-1 WFV4的近红外波段而言, 除了2014年份与2015年份间和2019年份与2020年份间外, 其他两个相邻年份间对应的相对偏差均较明显, 多数在0.15左右(图 4)。特别地, 误用2020年份的辐射定标参数会导致近红外波段的星上反射率相对偏差在2021年份达到0.321。相比而言, GF-1 WFV4会出现更明显的植被偏差系数；相邻年份间两个最显著的植被指数偏差系数(约0.40) 分别对应2018年份与2019年份间、2020年份与2021年份间。

结合植被指数偏差情况(图 3和图 4) 和两类植被指数的误差模型(式(6)和式(7)), 得到因GF-1 WFV辐射定标偏差导致的植被指数误差。以2019年误用2018年定标参数为例, 因误用辐射定标参数给四个WFV传感器带来不同影响(图 5)。整体上, WFV4的植被指数误差更明显, WFV2次之, 而对WFV3的植被指数影响相对较小；且对不同植被指数模型的影响呈现出差异。就同一传感器而言, 对基于绿波段的植被指数影响要相对明显一些。同时, 针对简单比值型, 植被指数的误差与其本身大小呈线性关系, 表现出随着植被指数增加(误差) 线性增加的趋势；而两波段归一化型植被指数模型, 其误差则与指数本身大小呈非线性关系, 明显的误差出现在0值植被指数附近(图 5)。可见, 辐射定标偏差将给应用两类植被指数带来不同程度的挑战。在监测稀疏植被覆盖区时, 辐射定标偏差会严重影响归一化型植被指数的应用；相应地, 在监测高植被覆盖区时, 则应用比值型植被指数的挑战更明显。

图 6中展示了因辐射定标参数误用导致的GF-1 WFV1和WFV4植被指数误差情况, 对应的影像子区主要覆盖厦门岛及其周边区域。本案例中定标参数误用是指对两景2019年的WFV1和WFV4影像(见表 3) 相应地采用2018年的定标参数(见表 1)。整体上, 因误用辐射定标参数给两个传感器的植被指数监测均带来偏差(图 6)。考虑同类型植被指数, 相对而言, 在本案例中定标参数误用给WFV4影像带来的误差更明显, 有近50%的归一化型植被指数误差超过0.15。

如前文所述, 误用不同年份定标参数而引起的植被指数偏差存在时相差异(年际变化), 进而使得植被指数误差分布也呈现出时相差异, 以及影响的传感器间差异(图 3和图 4)。限于篇幅文中仅给出了以2019年误用2018年定标参数导致误差的情况(图 5和图 6)。分析结果表明, 改善辐射定标结果, 减小因辐射定标参数误用带来的影响及其不确定性显得至关重要。

3.3 定标结果修正策略案例分析

采用相近时相的GF-1 WFV1影像数据(表 3) 开展定标结果修正策略案例分析, 主要包括定标修正前和定标修正后的处理和分析：

(1) 定标修正前。分别采用对应年份的定标参数(表 1) 对各WFV1影像进行辐射定标(式(1)), 随后计算相应波段的星上反射率(式(2)) 和典型植被指数(表 2) 以及这些变量在各时相间的差异；

(2) 定标修正后。采用时间距离加权的线性内插法策略(式(9)), 分别修正各WFV1影像的星上辐射亮度值, 进而计算相应波段的星上反射率(式(2)) 和典型植被指数(表 2) 以及这些变量在各时相间的差异。

需要说明的是, 本文假定机场道路(图 6中黄色方形框示意) 是不变目标, 即在较短时相间隔内其反射特性无明显变化, 且两个时相的大气环境条件相近时, 则由两景影像获取的波段星上反射率和典型植被指数值应该一致, 无明显时相间差异。历史天气和大气环境质量监测数据显示：3景GF-1 WFV1影像数据采集当天均为晴天, 且天气状况和大气环境质量相近, 相应的最高、最低气温和空气质量指数分别为20℃、11℃和52 (2018年12月18日), 18℃、10℃和63 (2019年1月24日), 以及22℃、13℃和71 (2019年12月10日) (http://tianqi.2345.com/wea_history/59134.htm)。同时, 案例分析的不变目标位于影像星下点附近, 减小了因观测几何条件带来的影响。

统计结果显示(表 4), 不变目标(机场道路) 属于中低反射体, 在WFV1四个波段的星上反射率均在0.20左右, 两个比值型植被指数(SR和GRVI) 的值近似为1, 而两个归一化型植被指数(NDVI和GNDVI) 的值在0附近。同时, 经过定标修正处理后, 明显缩小了不变目标在不同时相GF-1 WFV影像间的波段星上反射率和植被指数差异, 表明了本文所提出的辐射定标修正策略的有效性。

3.4 讨论

借助卫星遥感可以提取(或反演) 生态系统组成、能量流动和物质循环过程中的关键要素, 进而为生态系统类型、结构、功能以及生物多样性等研究提供必不可少的数据源^[44]。然而在承认和发挥卫星遥感优势的同时, 其潜在的不足或不确定性也应得到重视。卫星在轨运行过程中, 因极端温度和辐射条件等空间环境的影响, 传感器会发生老化进而导致其辐射性能退化。即便是被大家认为成熟、稳定的Landsat卫星系列传感器和中分辨率成像光谱仪(MODIS), 也不可避免地出现过传感器辐射性能退化现象^{[37—38, 45—46]}。过去20年, 尤其是得益于高分辨率对地观测系统重大专项计划的顺利实施(2010—2020年), 我国成功发射并运行了涵盖陆地、资源、环境以及高分系列的多颗民用卫星, 同时采集、积累了大量对地观测数据。充分挖掘国产卫星遥感历史存档数据的价值, 使其更好支撑包括生态学在内的相关学科研究和行业应用, 认为对其数据质量及相关问题(包括辐射定标) 的分析、讨论与改善提升是首要任务。

同时, 以归一化型植被指数(如NDVI) 为代表的遥感植被指数已被广泛用于生态系统研究及相关领域, 它们往往扮演着“数据源”或中间变量的角色, 因此辐射定标引起的植被指数偏差如何影响相关生态学问题的结果(或结论) 还需要开展深入研究和案例分析；面向生态系统功能监测的新指标^[47], 辐射定标等预处理的影响也有待进一步探讨。

值得注意的是, 本研究提出的辐射定标修正策略(式(9)), 对前、后两次的辐射定标参数均已知的存档GF-1 WFV Level1A级影像数据是适用的。如果仅已知前一次的定标参数, 理论上可采用线性外推的策略^[34]；但是如前文所述, GF-1 WFV各传感器辐射性能变化呈现年际波动(表 1), 这给直接线性外推带来不确定性。下一步, 将讨论采用交叉定标的策略^[48]评估和改善WFV辐射定标结果。

4 结论

GF-1 WFV具备宽覆盖、高频率的多光谱影像数据获取能力, 自2013年4月成功发射、在轨运行以来, 持续为相关行业应用提供了丰富的数据源, 很大程度上减少了我国对国外同类卫星遥感数据的依赖。文献检索、统计结果显示, GF-1 WFV影像数据的应用集中在农业、水环境、土地利用与覆盖及变化监测、植被及林业等方面, 其中植被指数是讨论和应用的焦点之一。卫星遥感数据的定量应用离不开稳健、准确的辐射定标。然而, 当前受限于每年一次的场地定标和定标参数更新发布的相对滞后, 普通数据用户难免对定标参数选取与辐射定标处理产生困惑, 往往会误用辐射定标参数, 进而导致错误的处理结果, 阻碍GF-1 WFV影像数据的定量应用。本文对GF-1 WFV影像数据辐射定标偏差及其对波段星上反射率和常见植被指数的影响展开深入分析, 主要结论如下：

(1) 即使两个相邻年份间, 在多数情况下误用辐射定标参数会引起不可忽视的GF-1 WFV波段星上反射率相对偏差；同时, 波段星上反射率相对偏差呈现出波段间和传感器间差异, 且无规律性, 给联合应用来自不同WFV传感器的影像数据和时序分析带来不确定性和挑战。

(2) 对常见植被指数的误差分析表明, 辐射定标参数误用导致的星上反射率偏差及其波段间差异会给两类植被指数的实际应用带来不同程度的影响和挑战。具体而言, 针对两波段简单比值型, 误差随着植被指数值增加呈线性增加趋势, 相应地会在高植被指数中(如对高植被覆盖区的监测结果) 引入更显著的误差；而两波段归一化型植被指数, 其误差则与本身指数值呈非线性关系, 明显的误差出现在0值植被指数附近, 即在监测稀疏植被覆盖区时采用两波段归一化型植被指数(如NDVI和GNDVI) 会存在更明显的误差。因此, 改善辐射定标结果, 减小因辐射定标参数误用带来的偏差及其不确定性显得至关重要。

(3) 针对当前辐射定标参数更新及发布方面存在的不足, 从应用存档GF-1 WFV Level1A级影像数据的需求出发, 本研究提出了基于时间加权的线性内插法。在案例分析中(表 4), 两个时相间影像在NIR波段的星上反射率偏差, 在定标修正前约为0.030, 而定标修正后的偏差约为0.013；相应的, 归一化植被指数的偏差减少了约0.020—0.030。分析结果表明, 通过该内插方法可以在一定程度修正基于公开定标参数的辐射定标结果(星上辐射亮度值)。

(4) 最后, 希望本研究所讨论的话题以及展示的相关结果能引起普通用户对卫星遥感影像辐射定标的关注和重视。同时针对当前GF-1 WFV多光谱影像数据应用中的辐射定标问题给出的定标结果修正策略, 可供普通用户参考和采用。