物候相机观测数据处理与质量控制

[2019-12-26]   作者:屈永华,高泽宾,刘绍民,徐自为   来源 :  屈永华,高泽宾,刘绍民,徐自为

1. 物候相机提供的数据

Ÿ 原始数据:每天拍摄存储的照片(建议当地时间白天每2小时拍摄存储,即在祁连山地区夏季7点至19点,冬季9点至17点)。

Ÿ 处理后的数据:相对绿度指数、物候期、覆盖度,其中覆盖度为可选参数,相对绿度指数和物候期为必须提供的参数。

2. 物候相机观测数据处理流程

2.1 相对绿度指数GCC/物候期(无量纲)

Ÿ 物候相机原始观测数据(Level0):物候相机自动等时间获取RGB图像数据。

Ÿ 物候相机计算得到的一级数据(Level1):利用Python程序,计算每个时刻图像中感兴趣区域内(ROI)的GCC(Richardson 等,2008,计算公式附后)。计算结果保存为xlsx格式的电子表格。

Ÿ 物候相机后处理数据(Level2):无效值(例如雪景)识别与填充;90th分位数获取每天的GCC结果,消除光照带来的影响。调用物候相机的处理程序,可直接获取Level2的数据。

Ÿ 关键物候期参数结果(Level3):通过双逻辑斯蒂曲线拟合生长曲线通过斜率变化以及目视解译确定关键物候期的参数,如生长季起始日、顶峰、生长季结束日等。

2.2覆盖度(无量纲)

Ÿ 数据预处理,选择光照不太强的图像,即早晚的图像。

Ÿ 图像分割为植被和土壤,计算每张图像的植被像素占计算区域内的比例作为该图像对应的覆盖度。

Ÿ 在时间序列数据提取完成以后,按用户指定的时间窗口对原始覆盖度数据进行平滑滤波,滤波后得到最终时间序列覆盖度。

3. 文件命名

相机拍摄的照片、覆盖度:站点编号+年份+月+日+时间(Daman201806230800.jpg)

处理后的数据,年份+**观测网+站点名称+物候数据.xlsx,如“2018年黑河流域地表过程综合观测网大满超级站物候数据.xlsx”

4. 数据处理结果示范

图 1 2018年大满站Gcc时间序列曲线图

(黑色折线为物候相机Gcc,橙色圆点为LandSat提取的Gcc)

通过对图 1时间序列曲线可以发现:

Ÿ 物候相机观测值具有稳定的时间序列特征

Ÿ 在大满站点,在DOY=190天附近Gcc达到顶峰,随后有降低并保持平稳一段时间,最后陡降意味着作物收获。

Ÿ 通过大满站点说明,高清物候相机可以很好地反应植物生长季变化过程,可以较好地获取关键物候期参数。同时结合大满LandSat提取的结果可以说明,物候相机提取的Gcc及物候结果可以较好地验证卫星产品。

参考文献:

Richardson, A.D., Hufkens, K., Milliman, T., Aubrecht, D.M., Chen, M., Gray, J.M., Johnston, M.R., Keenan, T.F., Klosterman, S.T., Kosmala, M., Melaas, E.K., Friedl, M.A., Frolking, S.  2018. Tracking vegetation phenology across diverse North American biomes using PhenoCam imagery. Scientific Data 180028. DOI: https://doi.org/10.1038/sdata.2018.28

附录:

GCC的全称是Green Chromatic Coordinate,代表在彩色(Red,Green,Blue三个波段)数字照片中绿度分量所占的比例,是一个无量纲参数。由于植被在绿色波段具有较强的反射率,植被物侯的变化在绿度空间上较为敏感,因此在物侯识别时,用GCC可以确定关键物侯期。GCC的计算公式如下:

GCC = G/(R+G+B)

其中R,G,B分别表示彩色图像中的红绿蓝三个波段的数值。