高分5号( GF5)高光谱数据RSD处理初步

这篇博文相关的GF-5处理话题后面有更新,这里:

https://blog.youkuaiyun.com/gordon3000/article/details/91492917

-------------------------------------------------------------------------------------------------------------------------------------------------------------------

 

李国春

高分5号有好几个有效载荷,我们先看看大家都比较关心的高光谱。

这个数据分两部分,可见光近红外(VN)和短波红外(SW)。VN有150个波段,SW有180个波段,总共330个。波段范围VN 0.39~1.03um左右,5nm一个间隔。SW 1.0~2.5um左右,10nm一个间隔。空间分辨率30m,其它一些参数大家自己搜吧。

RSD早期设计不是没考虑高光谱,因为当年计算机处理能力有限,预留了40个通道处理高光谱数据(GRID层),是计划降维或者分批次处理。现在看来落后了。这次正好一遭扩一下,重新规划了RSD的多光谱处理架构,新增了一个HYPER层。预留上限是同时处理4096个通道的数据,应该是够了。

  • 高光谱波段选择

RSD虽然能同时加载所有波段,但是考虑到有一些是无效波段,还有可能用户不希望用的,所以给用户留了选择波段的机会。

在RSD选择下述菜单命令(图1)

图1 GF5高光谱波段选择命令菜单

点击出现图2的对话框。

图2 高分5高光谱波段选择对话框

这个对话框做的挺丑的,麻麻的有密集恐惧症的同学恐怕看不了了。以后有时间争取改。

对话框将330个波段全都列上了,只打开打勾的,不打勾的忽略掉。波段选择好后,点确定关闭对话框就可以了。

  • 加载可见光近红外波段VN数据

选择完打开波段后,在图1中点击“打开GF5-AHSI可见光近红外部分”。在文件打开对话框中选择一个文件名后边部分是“…_VN.geotiff”的文件。点击打开后结果见图3。

图3 加载高分5号高光谱VN波段

可见RSD在加载数据过程中也是同其它高分数据一样自动进行了正射校正。

  1. VN波段加载后是一个 NATIVE GRID层,可以像一个普通数据一样处理和导出。
  2. 加载的VN波段是在图2中选择的VN波段部分,SW部分被忽略了。
  3. 这里最多一次加载36个波段,选择超过部分被忽略。
  4. RSD只计算了每波段定标系数的平均值。实际上是每传感器单独定标的。见“GF5_AHSI_VNIR_RadCal_a.raw”文件。

 

  • 加载可见光近红外波段SW数据

在图1中点击“打开GF5-AHSI短波红外部分”。在文件打开对话框中选择一个文件名后边部分是“…_SW.geotiff”的文件。点击打开后结果和图3差不多。其它就参考 二. 就可以了。

 

  • 同时加载VN和SW数据

在图1中点击“打开GF5-AHSI高光谱数据”(并且在图2中选择了全部330个波段)。在打开文件对话框中选择“… .Meta.xml”文件,点击打开。

  1. 打开后是一个 “HYPER LAYER”,计划一些针对高光谱的处理一以该类层为基础。

图4 新建的HYPER LAYER

  1. 光谱窗口显示了330个波段的光谱曲线。(注意这些数据未定标,短波红外值偏高

图5 光谱曲线

  • 光谱库

RSD高光谱处理连接了3个常用的光谱库。JOHNS HOPKINS UNIVERSITY SPECTRAL LIBRARY,THE JPL SPECTRAL LIBRARY 和 The ASTER Spectral Library Version 2.0。

 

高光谱处理目前还不成熟,也没有公认比较认可的处理方案。这里仅初步处理一下,给大家提供一个数据接口和进一步处理的平台。

RSD的下一版更新时提供高光谱处理部分,敬请关注。详情加企鹅群136965427,在这里解答和讨论有关遥感数据处理和RSD平台的有关技术问题。

 

 

 

 

 

### 使用Python实现高分卫星数据处理 对于高分GF-1)卫星的数据处理,通常涉及多个步骤来确保最终影像的质量和可用性。虽然提供的参考资料主要集中在哨兵-1卫星的预处理方法[^1],但许多概念和技术同样适用于其他类型的遥感数据,包括来自中国高分系列卫星的数据。 #### 高分卫星数据特点 高分提供了多光谱和全色波段组合的产品,具有较高的空间分辨率。这类数据常用于农业监测、城市规划等领域。因此,在进行数据分析前,需执行一系列预处理操作以提高数据质量并减少干扰因素的影响。 #### 主要预处理步骤概述 1. **读取原始文件** 利用专门库如`rasterio`加载GeoTIFF格式或其他常见栅格格式的输入图像。 2. **几何校正** 如果必要的话,通过地理配准使不同时间获取到的画面能够精确叠加在一起;这一步骤有时已经在产品生产过程中完成。 3. **大气校正** 类似于RSD软件中的做法[^2],可以通过第三方工具或算法模型去除由大气引起的反射率变化影响,从而得到更接近地面真实情况的地表反射率值。 4. **辐射定标** 将DN(Digital Number)转换成物理量级单位(如TOA Top Of Atmosphere Radiance),以便后续定量分析工作开展。 5. **云检测与掩膜生成** 自动识别并标记出被云层遮挡区域,防止其对结果造成偏差。 6. **重采样/镶嵌拼接** 对经过上述各步优化后的单景或多景影像实施统一规格调整以及无缝连接处理。 下面给出一段简单的Python脚本来展示如何利用开源GIS库来进行基本的预处理: ```python import rasterio from pyproj import Transformer import numpy as np from osgeo import gdal, ogr def read_image(file_path): """Read satellite image from file.""" with rasterio.open(file_path) as src: img = src.read() meta = src.meta.copy() return img, meta def apply_radiometric_calibration(dn_values, calibration_factors): """Convert digital numbers to top-of-atmosphere radiance using given factors.""" rad = dn_values * calibration_factors['gain'] + calibration_factors['bias'] return rad if __name__ == "__main__": # Example usage input_file = 'path_to_gf1_data.tif' output_calibrated_file = 'calibrated_output.tif' # Step 1: Read the raw data raw_img, metadata = read_image(input_file) # Assuming we have predefined calibration parameters... calib_params = { "gain": 0.0001, "bias": -0.1 } # Step 2: Apply radiometric correction calibrated_img = apply_radiometric_calibration(raw_img, calib_params) # Save processed result back into a new GeoTIFF file. with rasterio.open(output_calibrated_file, 'w', **metadata) as dst: dst.write(calibrated_img.astype(rasterio.float32)) ``` 这段代码展示了如何使用`rasterio`库打开一个包含高分数据的GeoTIFF文件,并对其进行基础的辐射定标运算。实际项目中还需要考虑更多细节问题,比如具体的传感器特性参数设置等。
评论 5
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值