中巴經濟走廊（喀什至伊斯蘭堡段）高分正射影像數據集
| 中巴經濟走廊（喀什至伊斯蘭堡段）高分正射影像數據集 作者：韓立欽 張耀南 田德宇 康建芳 2019年7月18日 |
 韓立欽, 張耀南, 田德宇, 等. 中巴經濟走廊（喀什至伊斯蘭堡段）高分正射影像數據集[J/OL]. 中國科學數據, 2019, 4(3). (2019-07-11). DOI: 10.11922/csdata.2018.0052.zh. |
摘要&關鍵詞
[編輯]摘要：中巴經濟走廊是「一帶一路」戰略大局的重要組成部分，對「一帶一路」戰略實施發揮着重大的示範和推動作用。本數據集由高分一號、高分二號國產衛星影像製作而成，空間範圍為23°54′N–39°12′N、71°24′E–76°48′E，中巴公路兩側約60 km，中國喀什地區至巴基斯坦伊斯蘭堡段，時間範圍為2013–2017年，全色與多光譜2 m融合影像，TIFF格式。數據集正射校正精度最大誤差X方向為0.35個像元，Y方向為0.4個像元；均方根誤差X方向為0.42個像元，Y方向為0.38個像元。從圖像融合效果看，高分影像採用PanSharpening方法融合效果較好。本數據集可以豐富本區域空間基礎數據資源，能夠應用於中巴經濟走廊基礎設施建設規劃、自然災害預警與生態安全評價等領域。
關鍵詞：中巴經濟走廊；正射影像數據集；數據預處理；正射矯正；數據融合
Abstract & Keywords
[編輯]Abstract: The China–Pakistan Economic Corridor is an important part of the Belt and Road. Its implementation plays an important role in the demonstration and promotion of the Belt and Road Initiative. The production of Digital Orthophoto Map(DOM) dataset is made up of high-resolution GF-1 and GF-2 satellite images. This dataset has a spatial coverage of 23°54'N – 39°12'N, 71°24'E – 76°48'E, which is within 60km on both sides of KKH (Kashgar to Islamabad), and a temporal span from 2013 to 2017. It contains panchromatic and multispectral fusion images in TIFF format, with a 2-m spatial resolution. The maximum error of orthorectification correction is 0.35 pixel in the X direction, and 0.4 pixel in the Y direction, while that of root mean square is 0.42 pixel in the X direction, and 0.38 pixel in the Y direction. PanSharpening method is used to fuse these high-resolution images. This dataset can enrich the spatial basic data resources of the region and can be used as basic data for infrastructure planning, natural disaster early-warning and ecological safety evaluation along the China–Pakistan Economic Corridor.
Keywords: China–Pakistan Economic Corridor; DOM dataset; data preprocessing; orthorectification; data fusion
數據庫（集）基本信息簡介
[編輯]| 數據庫（集）名稱 | 中巴經濟走廊（喀什至伊斯蘭堡段）高分正射影像數據集 |
| 數據作者 | 韓立欽、張耀南、田德宇、康建芳 |
| 數據通信作者 | 張耀南（yaonan@lzb.ac.cn） |
| 數據時間範圍 | 2013–2017年 |
| 地理區域 | 23°54′N–39°12′N、71°24′E–76°48′E |
| 空間分辨率 | 2 m |
| 數據量 | 674.8 GB |
| 數據格式 | TIFF |
| 數據服務系統網址 | http://www.crensed.ac.cn/portal/metadata/f960952b-00f3-42a9-9bd8-07e75c22f347 |
| 基金項目 | 國家科技基礎條件平台（Y719H71006），中國科學院信息化專項（XXH13506），甘肅省高校科技轉化項目（2017D-27） |
| 數據集組成 | 數據集共6種數據文件，主體由兩部分組成，一是正射影像樣例數據，二是DEM數據，另外兩個說明文件分別是中巴經濟走廊正射影像數據集列表、數據文件說明。正射影像命名示例為GF1_PMS1_E75.2_N38.6_20150916_L1A0001042400-MSS1_ORTHO_PSH.tif，DEM數據命名為China-Pakistan Economic Corridor DEM.tif，數據集列表命名為China-Pakistan Corridor DOM list.xls，數據文件說明命名為data file description.docx。 |
Dataset Profile
[編輯]| Title | A high-resolution DOM dataset of the China-Pakistan Economic Corridor (Kashgar to Islamabad) |
| Data corresponding author | Zhang Yaonan (yaonan@lzb.ac.cn) |
| Data authors | Han Liqin, Zhang Yaonan, Tian Deyu，Kang Jianfang |
| Time range | From 2013 to 2017 |
| Geographical scope | 23°54′ N – 39°12′ N, 71°24′ E– 76°48′ E |
| Spatial resolution | 2 m |
| Data volume | 674.8 GB |
| Data format | TIFF |
| Data service system | <http://www.crensed.ac.cn/portal/metadata/f960952b-00f3-42a9-9bd8-07e75c22f347> |
| Sources of funding | Data Sharing Fundamental Program for the Construction of the National Science and Technology Infrastructure Platform (Y719H71006); The 13th Five-Year Informatization Plan of Chinese Academy of Sciences (XXH13506); Science and Technology Transformation Project of Gansu High Education (2017D-27). |
| Dataset composition | The dataset consists of two parts of data, one for sample DOM and the other for DEM .It comprises six data files in total. The data files are recorded as: GF1_PMS1_E75.2_N38.6_20150916_L1A0001042400-MSS1_ORTHO_PSH.tif and China-Pakistan Economic Corridor DEM.tif and China-Pakistan Economic Corridor DOM lists.xls and data file description.docx. |
引 言
[編輯]中巴經濟走廊是「一帶一路」戰略大局的重要組成部分，北起中國喀什、南至巴基斯坦瓜達爾港，主要沿中巴公路展開，包括公路、鐵路、油氣和光纜通道在內的一條經濟大動脈[1]。走廊穿越喜馬拉雅山、喀喇崑崙山、興都庫什山，地勢北高南低（海拔460–4750 m），峽谷深切、冰川廣布、雪峰林立[2]。氣候垂直分帶明顯，植被受氣候、海拔、地形影響，不均勻發育顯著，特殊的自然地理條件使研究區內冰崩、雪崩、凍融、滑坡、泥石流、岩崩、洪水、冰湖潰決等各類地質災害頻發，給基礎設施規劃建設帶來了極大的挑戰[3][4][5]。
近年來，隨着SPOT等一系列衛星遙感數據的推出，高分影像在區域製圖[6]、災害監測[7]和資源調查[8][9]等領域迅速普及。以高分對地觀測系統宏觀、快速、動態、高空間、高時間、高光譜的優勢開展中巴經濟走廊地質災害專題製圖、災情監測，同時融合氣象、水文、地質、冰川、凍土、土壤類型等數據，建立孕災認知、演變分析的機理模型，將對該區域基礎設施建設提供有力的數據支持和保障[10][11]。
本數據集全部採用國產高分專項數據資源，也是國內大規模利用國產高分數據製備中巴經濟走廊基礎影像數據的一次嘗試，實現了中巴經濟走廊（喀什至伊斯蘭堡段）2 m分辨率，中巴公路兩側約60 km的數字正射影像圖（DOM，Digital Orthophoto Map），其中中國境內415公里（G314國道），巴基斯坦境內809公里（N35國道）。本數據集豐富了此區域空間數據資源，同時拓展了高分數據的應用領域。
1 數據採集和處理方法
[編輯]1.1 數據來源與預處理
[編輯]數據源主要有衛星影像和數字高程模型，如表1。中巴經濟走廊（喀什至伊斯蘭堡段）正射影像數據全部來源於我國高分辨率對地觀測系統高分一號和高分二號衛星，高分一號為2013–2017年成像的全色2 m、多光譜8 m數據，高分二號為2015–2017年成像的全色1 m、多光譜4 m數據。在成像條件較好的中巴經濟走廊中國段及巴基斯坦北部地區，影像雲量控制在5%以下，巴基斯坦中部地區雲量控制在10%以下，並進行相應的去雲處理。其中高分一號數據占97.2%，高分二號為影像空白區補充數據。
表1 研究採用數據列表
| 序號 | 名稱 | 時間 | 來源 | 類型 |
| 1 | 中巴經濟走廊（喀什至伊斯蘭堡段）高分一號影像 | 2013–2017年 | 高分辨率對地觀測系統甘肅數據與應用中心 | 柵格 |
| 2 | 中巴經濟走廊（喀什至伊斯蘭堡段）高分二號影像 | 2015–2017年 | 高分辨率對地觀測系統甘肅數據與應用中心 | 柵格 |
| 3 | ASTER GDEM數據集 | 2009年 | 美國航天局與日本產經省 | 柵格 |
本數據集通過ENVI和ArcGIS軟件工具，利用數字高程模型對高分一號、高分二號影像數據進行正射校正、全色與多光譜融合、勻色、鑲嵌等處理。由於高分一號和高分二號衛星影像採集的時間分辨率限制，研究區影像資源橫跨5個年份，考慮到不同成像時間的季節差異，對高分一號所有影像數據進行統一勻色。對於高分一號未覆蓋區域，利用高分二號影像資源作為補充，獨立進行勻色處理。最終按照一定範圍裁切生成數字正射影像分塊數據集，供用戶分塊檢索使用（圖1）。其中，正射校正、數據融合的精度與效果是數據生產的關鍵。
圖1 正射影像生產流程
ASTER GDEM[12]數據是NASA根據新一代對地觀測衛星Terra星載熱輻射和反射計（即ASTER）3N和3B波段垂直向下觀測成像，歷時近10年製作完成。數據空間分辨率為1″×1″（約30 m×30 m）,全球範圍內置信度為95%時，垂直精度約為20 m。本研究區域多為高寒山區，地面高精度控制數據幾乎為空白，DEM精度很難保證。
趙國松[13]等在華中地區3°×3°的研究區分析發現，ASTER GDEM產品高程值比STRM DEM平均低5.42 m。劉勇[14]指出山區的STRM DEM精度要比平原地區低很多，但是總體精度可以接受。如圖2所示，在對公格爾–慕士塔格地區的ASTER GDEM、STRM DEM和ASTER L1T單景DEM統計分析發現，ASTER L1T單景DEM有明顯異常，ASTER GDEM和STRM DEM無明顯異常，但是STRM DEM最大值比慕士塔格峰主峰海拔多出200 m以上，而ASTER GDEM與實地測量值基本相符，因此，本數據集利用ASTER GDEM作為正射校正的高程數據源。
圖2 高程數據統計分析結果
1.2 數據處理方法
[編輯]1.2.1 RPC正射校正模型
[編輯]衛星影像正射校正模型分為嚴格的幾何糾正模型和近似糾正模型。本數據集無法精確地獲知高分一號和高分二號的傳感器參數與軌道參數等，不能建立共線方程，而多項式近似糾正模型適用於地面平坦地區。因此，面對地形較為複雜的中巴經濟走廊地區，選擇RPC有理函數模型法進行影像正射校正。
有理函數模型[15]是將影像中的像點在像方坐標系中的坐標（r,c）和其對應的地面點，經過空間轉換投影后在物方坐標系中的空間坐標（X,Y,Z），用比值多項式關聯起來。為了增強參數求解的穩定性，將地面坐標和影像坐標正則化到−1.0～1.0之間。
定義如下：
圖片 （1）
在式（1）中，（Xn,Yn,Zn ）為正則化的地面點坐標，（rn,cn ）為正則化的像點坐標。多項式P1,P2,P3,P4 如式（2）：
圖片 （2）
多項式係數0≤n1 ≤3；0≤n2 ≤3；0≤n3 ≤3，且n1 +n2 +n3 =3，每個多項式P1,P2,P3,P4 都是包含了20個係數的三次多項式，如式（3）:
P1=a0+a1X+a2Y+a3Z+a4XY+a5XZ+a6YZ+a7X2+a8Y2+a9Z2+a10XYZ+a11X3+a12X2Y+
a13X2Z+a14XY2+a15XZ2+a16Y3+a17Y2Z+a18YZ2+a19Z3;
P2=b0+b1X+b2Y+b3Z+b4XY+b5XZ+b6YZ+b7X2+b8Y2+b9Z2+b10XYZ+b11X3+b12X2Y+
b13X2Z+b14XY2+b15XZ2+b16Y3+b17Y2Z+b18YZ2+b19Z3; （3）
P3=c0+c1X+c2Y+c3Z+c4XY+c5XZ+c6YZ+c7X2+c8Y2+c9Z2+c10XYZ+c11X3+c12X2Y+
c13X2Z+c14XY2+c15XZ2+c16Y3+c17Y2Z+c18YZ2+c19Z3;
P4=d0+d1X+d2Y+d3Z+d4XY+d5XZ+d6YZ+d7X2+d8Y2+d9Z2+d10XYZ+d11X3+d12X2Y+
d13X2Z+d14XY2+d15XZ2+d16Y3+d17Y2Z+d18YZ2+d19Z3;
且滿足：
式（4）中的X0,Y0,Z0,Xs,Ys,Zs 為地面坐標進行位移的比例係數；r0,c0,rs,cs 為影像坐標進行位移的比例係數。式（3）中的a,b,c,d是多項式係數，且a0,b0,c0,d0 通常取值為1。
1.2.2 影像融合方法
[編輯]遙感影像融合[16][17]是對多個傳感器影像進行多級別、多層次的處理過程，以達到提高影像分辨率、增強目標特徵、提高分類精度的目的，是提升遙感影像應用能力的重要手段。本數據集採用最鄰近擴散全色銳化法（Nearest Neighbor Diffusion pan-sharpening，PanSharpening）完成高分一號和高分二號衛星影像全色與多光譜數據融合。與比值變換法（Brovey Transform，Brovey）、主成份變換法（Principal Component Analysis，PCA）和正交變換法（Gram-Schmidt，GS）等方法相比較，PanSharpening方法能夠較好地保持多光譜影像的色彩、紋理和光譜特徵，通過反映影像質量的均值、標準差、平均梯度、光譜質量的偏差指數、相關係數和影像信息量的交叉熵幾個方面進行影像質量定量評價。
（1）均值(μ)
影像的全部像元灰度的算術平均值，反映了影像中地物的平均反射率。其中，F(i,j)為融合影像F在像素點(i,j)處的灰度值，M和N為影像F的大小。均值越高，則影像整體亮度越高。
μ =\(\frac{1}{M×N}\sum _{i=1}^{M}\sum _{j=1}^{N}F\left(i,j\right)\) （5）
（2）標準差(std)
標準差由均值間接得到，表示影像灰度像素值與平均值的離散程度。其中，F(i,j)為融合影像F在像素點(i,j)處的灰度值，M和N為影像F的大小，\(\mu \mathrm{為}\mathrm{灰}\mathrm{度}\mathrm{平}\mathrm{均}\mathrm{值}\)，標準差越大，灰度離散程度越大，影像反差越大，視覺效果越好。
\(std=\sqrt{\frac{1}{M\times N}\sum_{i=1}^{M}\sum_{j=1}^{N}\left ( F\left ( i,j \right )-\mu \right )}\) （6）
（3）平均梯度(g)
平均梯度反映了影像的平均灰度變化率，即清晰度。F(i,j)為融合影像F在像素點(i,j)處的灰度值，M和N為影像F的大小，其值表示融合影像中的微小細節反差和紋理變化特徵，在融合影像中，平均梯度越大，影像清晰度越高。
g=\(\frac{1}{M×N}\sum _{i=1}^{M}\sum _{j=1}^{N}\sqrt{\frac{\left(\left(\frac{\partial F\left(i,j\right)}{\partial i}\right)²+\left(\frac{\partial F\left(i,j\right)}{\partial j}\right)²\right)}{2}}\) （7）
（4）偏差指數(dc)
光譜扭曲度直接反映了融合影像對原光譜影像的失真程度。其值表示融合影像與原多光譜影像像元灰度值的差異和匹配程度。其中，F(i,j)為融合影像F在像素點(i,j)處的灰度值，M和N為影像F的大小，A(i,j)表示原多光譜影像在像素點(i,j)處的灰度值，偏差指數越大，影像失真越強烈。
dc=\(\frac{1}{M×N}\sum _{i=1}^{M}\sum _{j=1}^{N}\frac{|F\left(i,j\right)-\mathrm{A}\left(i,j\right)|}{\mathrm{A}\left(i,j\right)}\) （8）
（5）相關係數(cc)
相關係數反映了融合影像與源影像之間光譜特徵的相關程度，以及融合影像光譜信息的保持能力。其中，F(i,j)為融合影像F在像素點(i,j)處的灰度值，M和N為影像F的大小，A(i,j)表示原多光譜影像在像素點(i,j)處的灰度值，\(\mu F\)與\(\mu A\)分別表示融合影像與源影像的灰度平均值。相關係數越大，融合影像從源影像中獲取的信息越多，融合效果越好。
cc=\(\frac{\sum _{i=1}^{M}\sum _{j=1}^{N}\left(F\left(i,j\right)-\mu F\right)\left(A\left(i,j\right)-\mu A\right)}{\sum _{i=1}^{M}\sum _{j=1}^{N}\left(F\left(i,j\right)-\mu F\right)²\left(A\left(i,j\right)-\mu A\right)²}\) （9）
（6）影像信息量(圖片 )
影像的熵值反映了影像信息的豐富程度。交叉熵（ce）用來衡量A、F兩幅影像灰度分布的差異。對於一幅單一影像，各像素的灰度值是相互獨立的，則影像灰度分布為P=｛P0,P1,…Pi,…Pn ｝，Pi 表示影像像素灰度值為i的概率，即灰度值為i的像素與影像總像素之比，l為影像總的灰度級數,圖片,圖片表示兩幅影像像元灰度為i的概率。交叉熵越小，融合影像灰度分布與源影像的差異越小，即融合影像包含源影像的信息量越多，融合效果越好。
圖片 （10）
2 數據樣本描述
[編輯]本數據集分為中巴經濟走廊（喀什至伊斯蘭堡段）正射影像分幅數據、正射影像分幅索引數據和ASTER DEM數據。正射影像為2 m分辨率，部分1 m分辨率，TIFF格式，分幅索引數據採用SHP格式保存，所有數據的坐標係為WGS1984。局部數據結果如圖3。
圖3 中巴經濟走廊（喀什至伊斯蘭堡段）局部正射影像數據集
3 數據質量控制和評估
[編輯]3.1 正射校正精度評估
[編輯]本數據集採用基於RPC參數構建有理函數模型的基礎上，在正射校正過程中，利用優化後的ASTER GDEM進行第一次糾正，並對不正常變形區域，勾畫邊界進行掩膜處理，逐一將掩膜區域進行二維DEM可視化編輯，進行高程平滑，最後將修正後的DEM再導入正射校正模塊，以此保證正射校正精度。
以研究區蓋孜河谷區域樣例影像（成像時間2016年）為例，從影像像元誤差進行正射校正精度分析。在目標影像和參考影像上均勻選擇25個檢查點，其中參考影像來源於天地圖第16級基礎影像，空間分辨率為1.88 m。以參考影像為基準，目標影像檢查點對應的最大誤差X方向為0.35個像元，Y方向為0.4個像元；均方根誤差X方向為0.42個像元，Y方向為0.38個像元。
從地面實測點與目標影像地物目標進行點位絕對定位精度誤差分析，實測檢查點來源於2017年中巴經濟走廊科學考察中利用差分GPS實測的控制點，控制點分布如圖4所示。由於研究區地處帕米爾高原與喀喇崑崙山交匯的無人區，實測控制點布設在中巴公路兩側標誌明顯的路基上，樣例區段共7個，以其絕對定位誤差與影像中對應標誌點進行解算，統計影像標誌點的平均平面中誤差，結果表明，單點定位平面中誤差最大為3.36 m，平均平面中誤差為1.18 m。
圖4 地面檢查點分布
3.2 影像融合評價
[編輯]從目視角度上定性評價融合效果，Brovey方法顏色失真較大；GS方法清晰度較差；PanSharpening方法和PCA方法整體效果較好，但PanSharpening方法紋理較細膩，色彩、光譜等信息保持較好，高分影像採用PanSharpening方法融合效果較好，如圖5所示。
圖片（a）
圖片（b）
圖片（c）
圖片（d）
圖5 四種融合方法效果（a）PanSharpening融合；（b）Brovey融合；（c）GS融合；（d）PCA融合
基於融合效果定量評價指標的計算公式，主要針對藍、綠、紅和近紅外4個波段，分別對4種融合方法進行定量統計，結果如表2所示。
表2 融合效果評價
| 融合方法 | 波段 | μ | std | g | dc | cc | None |
| Brovey | Blue | 0.0561 | 0.0382 | 2.4011 | 0.6231 | 0.3715 | 10.6124 |
| Green | 0.0440 | 0.0300 | 1.9015 | 0.9760 | 0.6630 | 4.0227 | |
| Red | 0.0333 | 0.0226 | 4.0919 | 0.5948 | 0.4017 | 5.4216 | |
| NIR | 0.0747 | 0.0589 | 2.2800 | 0.3190 | 0.7173 | 5.9013 | |
| GS | Blue | 0.07136 | 0.0503 | 1.8762 | 0.6176 | 0.4282 | 2.1786 |
| Green | 0.0940 | 0.0656 | 1.803 | 0.4761 | 0.3132 | 3.7913 | |
| Red | 0.1203 | 0.0848 | 5.8418 | 0.8074 | 0.3128 | 4.5201 | |
| NIR | 0.1863 | 0.1309 | 4.0825 | 0.7014 | 0.5710 | 5.9514 | |
| PCA | Blue | 0.0714 | 0.0509 | 4.1137 | 0.1691 | 0.5179 | 2.1947 |
| Green | 0.0940 | 0.0662 | 3.9371 | 0.2285 | 0.7060 | 4.7489 | |
| Red | 0.1204 | 0.0858 | 6.4918 | 0.2271 | 0.5710 | 4.4702 | |
| NIR | 0.1864 | 0.1287 | 3.9272 | 0.3384 | 0.6257 | 3.7513 | |
| PanSharpenig | Blue | 0.0725 | 0.0515 | 4.2794 | 0.1541 | 0.6248 | 3.3985 |
| Green | 0.0955 | 0.0669 | 3.8371 | 0.2080 | 0.7136 | 2.9453 | |
| Red | 0.1222 | 0.0867 | 8.2592 | 0.3536 | 0.5981 | 4.3971 | |
| NIR | 0.1892 | 0.1297 | 4.1293 | 0.3227 | 0.6929 | 2.5296 |
Brovey變化的結果是均值、標準差及平均梯度值都較低，影像質量效果較差，影像細節不清晰。雖然其影像信息量和相關係數與其他方法相當，但其偏差指數過高，光譜失真現象較嚴重。
GS變化的結果是均值、標準差與PCA和PanSharpening方法相當，但平均梯度較低，混合像元較多，地物分辨能力較差，其偏差指數值過高，光譜失真現象較嚴重。
PCA變化的結果是均值、標準差和評價梯度值較高，影像質量效果較好，雖比PanSharpening方法稍低，但比Brovey和GS方法優勢明顯。另外，其偏差指數較低，光譜失真較小，信息量保持不豐富。
PanSharpening變化的結果是均值、標準差和平均梯度與PCA方法能力相當，但比Brovey和GS方面優勢明顯，影像質量較好。光譜偏差指數值整體較小，光譜信息保持失真較小。相關係數值整體偏大，融合信息保持能力強。影像信息熵比其他方法均小，融合效果細膩，信息量豐富。
因此，從實驗結果看，PanSharpening方法較適合與本區域高分影像融合處理。
3.3 鑲嵌接邊評價
[編輯]其中影像鑲嵌採用平均值作為柵格單元值，把多景影像按鑲嵌線進行無縫拼接，主要包括計算輪廓線、顏色校正、影像羽化/調和、接邊等處理步驟，鑲嵌接邊精度如表3，影像接邊處色彩過渡自然，地物合理接邊，無重影現象，紋理清晰，效果如圖4所示。
表3 影像鑲嵌接邊精度評價
| 序號 | 類型 | 內容 |
| 1 | 平均誤差/像元 | 1.24 |
| 2 | 標準偏差/像元 | 1.13 |
| 3 | 接邊處是否清晰 | 清晰 |
| 4 | 紋理是否清晰 | 清晰 |
| 5 | 色差差異情況 | 過渡自然 |
4 數據價值
[編輯]中巴經濟走廊主要穿越多年凍土、冰川、積雪區，氣候環境惡劣，人煙稀少，基礎影像數據匱乏，國產米級分辨率影像數據幾乎為空白，開展本區域冰川、積雪、凍土等特殊環境要素調查迫切需要高分辨率DOM數據。
本文基於國產高分一號、高分二號遙感數據，利用遙感圖像處理軟件開展中巴走廊高分DOM數據生產。針對正射糾正中的複雜地形影響，採用RPC有理函數模型進行糾正，針對全色與多光譜影像融合，採用PanSharpening工具，並與Brovey、GS、PCA等方法進行對比分析，最終實現了正射影像半個像元糾正精度，獲得紋理清晰、光譜損失較小的正射數據集。
中巴經濟走廊正射影像數據是走廊內工程選址、設計和規劃的重要基礎數據，也可作為全球氣候變化背景下，走廊資源調查的本底數據。在正射影像數據基礎上，結合氣候、水文、生態等數據綜合分析，對區域內工程長期安全運營和生態環境可持續發展有着重要意義。
5 數據使用方法和建議
[編輯]中巴經濟走廊（喀什至伊斯蘭堡段）正射影像數據集保存為柵格TIF格式。ArcGIS、QGIS、ENVI、ERDAS等常用的GIS與遙感軟件可支持該數據的讀取和操作。
致 謝
[編輯]感謝高分辨率對地觀測系統甘肅數據與應用中心提供的高分影像數據，感謝美國航空航天局與日本經濟產業省提供的ASTER GDEM V2高程數據，感謝美國DigitalGlobe商業衛星與IKONOS商業衛星公司提供參考影像數據。
參考文獻
[編輯]- ↑ 習近平《在納扎爾巴耶夫大學的演講》[EB/OL]. (2013-09-06) [2018-08-01]. http://news.xinhuanet.com/world/2013-09/08/c_117273079.htm.
- ↑ 朱穎彥, 楊志全, 廖麗萍. 中巴喀喇崑崙公路冰川地貌地質災害[J]. 災害學, 2014, 2014(3): 81-90.
- ↑ GUL C, KANG S C, GHAURI B, et al. Using Landsat images to monitor changes in the snow-covered area of selected glaciers in northern Pakistan[J]. Journal of Mountain Science, 2017, 14(10): 1-15.
- ↑ 郭萬欽, 劉時銀, 許君利, 等. 木孜塔格西北坡魚鱗川冰川躍動遙感監測[J]. 冰川凍土, 2012, 34(4): 765-774.
- ↑ 方成傑, 錢德玲, 徐士彬, 等. 基於可拓學和熵權的中巴公路泥石流易發性評價[J]. 自然災害學報, 2016, 25(6): 18-26.
- ↑ MANTOVANI F, GRACIA F J, DE COSMO P D, et al. A new approach to landslide Geomorphological mapping using the Open Source software in the Olvera area(Cadiz,Spain)[J]. Landslides, 2010, 7: 69-74.
- ↑ LOMBARDO L, BACHOFER F, CAMA M, et al. Exploiting Maximum Entropy method and ASTER data for assessing debris flow and debris slide susceptibility for the Giampilieri catchment (north‐eASTERn Sicily, Italy)[J]. Earth Surface Processes & Landforms, 2016, 41(12): 1776-1789.
- ↑ MONTGOMERY D R,Dietrich W.E.Landscape dissection and drainage area-slope thresholds[J]. Process Models & Theoretical Geomorphology, 1994: 221–246.
- ↑ MEER F D V D, WERFF H M A V D, RUITENBEEK F J A V, et al. Multi- and hyperspectral geologic remote sensing: A review[J]. International Journal of Applied Earth Observation & Geoinformation, 2012, 14(1):112-128.
- ↑ ROCKWELL, B.W. Automated mapping of mineral groups and green vegetation from Landsat Thematic Mapper imagery with an example from the San Juan Mountains, Colorado: U.S[EB/OL]. (2013-09-06)[2018-08-01]. Geological Survey Scientific Investigations Map 3252, 25 p. pamphlet, 1 map sheet, scale 1:325,000, https://pubs.usgs.gov/sim/3252.
- ↑ RICHTER R. Correction of atmospheric and topographic effects for high spatial resolution satellite imagery[J]. International Journal of Remote Sensing, 1997, 18(5): 1099-1111.
- ↑ TACKIKAWA, T., HATO, M., KAKU, M., & IWASAKI, A. Characteristics of ASTER GDEM version 2[J/OL]. International Geoscience and Remote Sensing Symposium (IGARSS),2011, 3657-3660. DOI: 10.1109/IGARSS.2011.6050017.
- ↑ 趙國松, 杜耘, 凌峰, 等. ASTER GDEM與SRTM3高程差異影響因素分析[J]. 測繪科學, 2012, 37(4): 167-170.
- ↑ 劉勇. 中國西北部高山高原地區SRTM3數據質量評價[C].中國地理信息系統協會GIS理論與方法專業委員會2007年學術研討會暨地理元胞自動機和應用研討會, 廣州, 2007.
- ↑ 魏春. 基於改進的有理函數模型的衛星影像正射校正方案及實現[D]. 北京: 中國科學院大學, 2015.
- ↑ VIVONE G, ALPARONE L, CHANUSSOT JET et al. A critical comparison among pansharpening algorithms[J]. IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(5): 2565–2586.
- ↑ AIAZZI B, ALPARONE L, BARONTI S, et al. Twenty-five years of Pansharpening: a critical review and new developments[J]. Signal and Image Processing for Remote Sensing, 2012: 533-548.
數據引用格式
[編輯]韓立欽, 張耀南, 田德宇,等. 中巴經濟走廊（喀什至伊斯蘭堡段）高分正射影像數據集[DB/OL].國家特殊環境、特殊功能觀測研究台站共享平台, 2018. (2018-03-21). DOI: 10.12072/casnw.048.2018.db.
