一种基于动态混合像元分解法的湖冰冻融监测方法及系统

摘要

本发明提供一种基于动态混合像元分解法的湖冰冻融监测方法及系统。所述方法包括S1，基于湖泊特定光学影像和被动微波遥感数据，获取湖泊混合像元亮温值和湖岸纯净像元亮温值；S2，基于湖泊特定光学影像和所述湖泊混合像元亮温值，通过叠置分析获取所述湖泊混合像元中湖泊与湖岸的面积比例；S3，基于所述湖泊混合像元亮温值、所述湖岸纯净像元亮温值和所述湖泊混合像元中湖泊与湖岸面积比例，利用线性混合像元分解法获取所述湖泊混合像元的湖泊纯净像元亮温值，以监测湖冰冻融现象。本发明将被动微波遥感数据应用于高亚洲地区的亚像元湖泊冻融监测，获取亚像元内湖泊亮温信息，实现高亚洲地区被动微波遥感亚像元湖冰冻融监测。

权利要求

1.一种基于动态混合像元分解法的湖冰冻融监测方法，其特征在于，包括：S1，基于湖泊特定光学影像和被动微波遥感数据，获取湖泊混合像元亮温值和湖岸纯净像元亮温值；

S2，基于湖泊特定光学影像和所述湖泊混合像元亮温值，通过叠置分析获取所述湖泊混合像元中湖泊与湖岸的面积比例；

S3，基于所述湖泊混合像元亮温值、所述湖岸纯净像元亮温值和所述湖泊混合像元中湖泊与湖岸面积比例，利用线性混合像元分解法获取所述湖泊混合像元的湖泊纯净像元亮温值，以监测湖冰冻融现象；

其中，所述S1进一步包括：

S1.1，利用边缘检测法从所述湖泊特定光学影像中获取湖泊的边缘；基于所述湖泊特定光学影像与所述被动微波遥感数据的像元位置比较分析和所述湖泊的边缘，获取所述被动微波遥感数据的湖泊中心；

S1.2，从所述被动微波遥感数据中，选取距离所述湖泊中心最近的微波像元亮温值为所述湖泊混合像元亮温值；从所述被动微波遥感数据中，选取距离所述湖泊中心最近的多个湖岸纯净像元的微波像元亮温值，取均值后，为所述湖岸纯净像元亮温值；

其中，所述S2进一步包括：

S2.1，基于被动微波遥感数据，获取湖泊混合像元；以所述湖泊混合像元的湖泊中心为中心生成特定传感器特定频率的空间分辨率的矩形区域；

S2.2，基于所述矩形区域与所述湖泊特定光学影像进行叠置分析，分解出所述湖泊混合像元中湖泊与湖岸的比例。

2.如权利要求1所述的方法，其特征在于，所述S3中所述湖泊纯净像元亮温值满足：TBsensor＝aTBlake+bTBland

其中，TBsensor为所述湖泊混合像元亮温值的单个微波像元的湖泊混合像元亮温值；

TBlake为所述湖泊纯净像元亮温值，表示所述湖泊混合像元亮温值中湖泊区域亮温值；

TBland为所述湖岸纯净像元亮温值，表示所述湖泊混合像元亮温值中陆地区域亮温值；

a为所述湖泊混合像元亮温值中湖泊区域的面积百分比权重；

b为所述湖泊混合像元亮温值中陆地区域的面积百分比权重；

其中，a与b的比值为所述湖泊混合像元中湖泊与湖岸的面积比例。

3.如权利要求1所述的方法，其特征在于，所述S1.2进一步包括：选取以所述湖泊中心为中心的1个微波像元亮温值为所述湖泊混合像元亮温值；

选取距离所述湖泊中心最近的2-3个纯净湖岸像元的微波像元亮温值并做平均后为所述湖岸纯净像元亮温值。

4.如权利要求1或3所述的方法，其特征在于，所述湖泊混合像元的坐标满足：其中，(X,Y)为所述湖泊中心的坐标，(Xi,Yi)为所述被动微波遥感数据的任意像元中心点的坐标，(Xmin,Ymin)为所述湖泊混合像元亮温值所对应的星载亮温数据坐标。

5.如权利要求1所述的方法，其特征在于，所述S2.1进一步包括：S2.1.1，以所述湖泊中心为中心分别生成第一圆形区域和第二圆形区域；

S2.1.2，获取所述第一圆形区域和所述第二圆形区域的最小外包矩形，基于等角横轴割圆柱投影坐标系统特性，获得与所述被动微波遥感数据的特定微波频率像元分辨率大小一致的所述矩形区域。

6.如权利要求5所述的方法，其特征在于，所述第一圆形区域的半径为特定微波频率的一空间分辨率值，所述第二圆形区域的半径为特定微波频率的另一空间分辨率值。

7.一种基于动态混合像元分解法的湖冰冻融监测系统，其特征在于，包括：初步亮温数据获取模块，用于基于湖泊特定光学影像和被动微波遥感数据，获取湖泊混合像元亮温值和湖岸纯净像元亮温值；

湖泊和陆地百分比模块，用于基于湖泊特定光学影像和所述湖泊混合像元亮温值，通过叠置分析获取所述湖泊混合像元中湖泊与湖岸的面积比例；

动态精确获取模块，用于基于所述湖泊混合像元亮温值、所述湖岸纯净像元亮温值和所述湖泊混合像元中湖泊与湖岸面积比例，利用线性混合像元分解法获取所述湖泊混合像元的湖泊纯净像元亮温值，以监测湖冰冻融现象。

说明书

一种基于动态混合像元分解法的湖冰冻融监测方法及系统

技术领域

[0001] 本发明涉及湖冰冻融监测技术领域，更具体地，涉及一种基于动态混合像元分解法的湖冰冻融监测方法及系统。

背景技术

[0002] 以青藏高原为主体，由喜马拉雅山、昆仑山、横断山、祁连山和天山等山脉及高原地区组成的高亚洲区域，海拔范围在2000至8844m之间，平均海拔约为4046m，是全球高海拔湖泊最为密集的地区，境内湖泊星罗棋布，面积大于1km2约有1210个。

[0003] 湖冰参数是全球变化的重要敏感因子之一，高亚洲地区的气候和环境对区域地球系统模型具有重要的影响，是全球气候变化最为敏感的区域，也是当前研究的热点区域，高山湖泊对于气候变化非常敏感，特别是高山湖泊冻融的时间和时长，常被期望用来记录，用于揭示区域气候和环境变化特征。

[0004] 该地区既高且寒的自然地理环境特点，致使该区人迹罕至，湖泊监测站点缺少，使得湖泊冻融参数难以从地面监测获取，特别是历史时期湖冰基本没有观测数据，因此，通常需要借助历史遥感观测资料和现有观测数据进行冻融状态的获取。其中常用于监测湖泊冻融的光学遥感数据主要有AVHRR(Advanced Very High Resolution Radiometer)、MODIS(Moderate Resolution Imaging Spectroradiometer)等，常用的被动微波遥感数据要有SSMI/S(Special Sensor Microwave Imager/Sounder)，AMSR-E(Advanced Microwave Scanning Radiometer-Earth Observing System)、FY3MWRI(Microwave Radiation Imager)和AMSR2(The Advanced Microwave Scanning Radiometer 2)等。

[0005] 高亚洲地区大气对流活跃，常有云层覆盖，影响了光学传感器过境时有效获取湖冰冻融信息，以致光学影像存在数据缺失的严重问题。如Kropacek等(2013)利用MODIS光学产品监测青藏高原的59个湖泊冻融情况时，出于对云污染的考虑，选择使用经最大积雪合成的MYD10A2八天积雪产品监测湖泊冻融，但选用该数据监测湖泊冻融状况存在着至少在8天以上甚至是16天的监测误差。

[0006] 而星载被动微波遥感数据具有全天候观测能力，受云雨天气状况影响较少，对地观测时空连续性强，且对冰水相变的探测具有较高灵敏性，特别适合于冰雪冻融监测研究，被广泛的应用于陆表冻土变化监测、积雪变化监测和海冰变化监测。但由于被动微波辐射计分辨率粗糙，混合像元效应严重，致使其在湖泊冻融变化监测中受到了极大的限制，而没有能够像光学数据一样监测大量湖泊冻融状况。

[0007] 目前在高亚洲区域利用被动微波遥感数据监测研究的湖泊主要集中在青海湖以及纳木错等大型湖泊，甚至在整个北半球区域合适用于监测的湖泊也仅有35个大型湖泊。而高亚洲区域湖泊分布密集，要从湖泊冻融的角度清晰和深入了解该区气候和环境变化带来的影响和响应，需要了解该区更多湖泊的冻融状况。虽然被动微波遥感数据混合像元效应明显，但在光学遥感和地面观测中可以获取高亚洲区域的湖泊冻融的相关资料，使被动微波遥感数据成为了监测湖泊冻融的一种珍贵资料。

[0008] 通常为了从粗分辨率的被动微波影像中获取更多更精细的地表监测特征信息，常有以下几种解决方案，如像元分解技术、遥感影像降尺度技术以及结合多源遥感数据的增强分辨率技术。湖泊面积与被动微波遥感数据的像元分辨率相比，往往相对较小；湖泊区域信息仅被记录在有限的几个像元甚至单个像元中(当湖泊面积远比一个微波像元要小)。而卫星传感器与地表湖泊位置处于一种相对运动的状态，传感器重访捕获记录湖泊区域信息的像元中心点坐标总是发生变化，造成单个像元所捕获的湖泊面积也随之变化，导致传统的被动微波等分辨率增强的方法难以适用。

[0009] 总体分析表明，在全球变化研究中，高亚洲地区，特别是青藏高原，河湖冰冻融数据比较缺失；目前我国只有近几年青海湖和较少的纳木错湖的湖冰常规观测数据，因此历史时期的湖冰冻融数据的获取就显得非常重要。星载被动微波遥感数据可以用于回溯历史时期湖冰冻融的观测，然而存在的问题是，目前的多种方法可以实现对大湖泊开展监测，但是在小湖泊的情况下，信号往往出现模糊不清，判别不当等问题。因此需要充分考虑数据的可用性方法的开发，并突破其固有的空间分辨率的问题，从而为更多的湖泊提供湖冰冻融参数信息。

发明内容

[0010] 本发明提供一种克服上述问题或者至少部分地解决上述问题的基于动态混合像元分解法的湖冰冻融监测方法及系统。

[0011] 根据本发明的一个方面，提供一种基于动态混合像元分解法的湖冰冻融监测方法，包括：

[0012] S1，基于湖泊特定光学影像和被动微波遥感数据，获取湖泊混合像元亮温值和湖岸纯净像元亮温值；

[0013] S2，基于湖泊特定光学影像和所述湖泊混合像元亮温值，通过叠置分析获取所述湖泊混合像元中湖泊与湖岸的面积比例；

[0014] S3，基于所述湖泊混合像元亮温值、所述湖岸纯净像元亮温值和所述湖泊混合像元中湖泊与湖岸面积比例，利用线性混合像元分解法获取所述湖泊混合像元的湖泊纯净像元亮温值，以监测湖冰冻融现象。

[0015] 根据本发明的另一个方面，还提供一种基于动态混合像元分解法的湖冰冻融监测系统，包括：

[0016] 初步亮温数据获取模块，用于基于湖泊特定光学影像和被动微波遥感数据，获取湖泊混合像元亮温值和湖岸纯净像元亮温值；

[0017] 湖泊和陆地百分比模块，用于基于湖泊特定光学影像和所述湖泊混合像元亮温值，通过叠置分析获取所述湖泊混合像元中湖泊与湖岸的面积比例；

[0018] 动态精确获取模块，用于基于所述湖泊混合像元亮温值、所述湖岸纯净像元亮温值和所述湖泊混合像元中湖泊与湖岸面积比例，利用线性混合像元分解法获取所述湖泊混合像元的湖泊纯净像元亮温值，以监测湖冰冻融现象。

[0019] 本申请提出的一种基于动态混合像元分解法的湖冰冻融监测方法及系统，结合湖泊特定光学影像和被动微波遥感数据，动态地获取被动微波像元内湖泊和湖岸的比例值，进行星载被动微波动态混合像元线性分解，从而获得湖泊纯净像元亮温值；所述湖泊纯净像元亮温值可用于监测湖冰冻融现象。

[0020] 本申请所述方法可实现将通常用于大尺度地表监测的被动微波遥感数据应用于高亚洲地区的亚像元级湖泊冻融监测，获取所述亚像元内湖泊亮温信息，可实现高亚洲地区被动微波遥感亚像元湖冰冻融监测。

附图说明

[0021] 图1为本发明一种基于动态混合像元分解法的湖冰冻融监测方法流程图；

[0022] 图2为本发明矩形动态缓冲示意图；

[0023] 图3为本发明一种基于动态混合像元分解法的湖冰冻融监测系统示意图；

[0024] 图4a为本发明青海湖长时间序列湖泊亮温示意图；

[0025] 图4b为本发明可可西里湖长时间序列湖泊亮温示意图；

[0026] 图4c为本发明达则错长时间序列湖泊亮温示意图；

[0027] 图4d为本发明赛库湖长时间序列湖泊亮温示意图；

[0028] 图4e为本发明巴木错长时间序列湖泊亮温示意图；

[0029] 图4f为本发明拜惹布错长时间序列湖泊亮温示意图；

[0030] 图4g为本发明洞错长时间序列湖泊亮温示意图；

[0031] 图5a为本发明对达则错的两种信息增强方法湖泊亮温对比示意图；

[0032] 图5b为本发明对拜惹布错的两种信息增强方法湖泊亮温对比示意图。

具体实施方式

[0033] 下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

[0034] 本发明具体实施的区域为高亚洲地区，所述高亚洲地区指亚洲中部以青藏高原为中心的高海拔区域。本发明选取所述高亚洲地区面积差异明显的六个湖泊作为实施湖冰冻融监测的对象，它们分别为可可西里湖、达则错、赛库湖、巴木错、拜惹布错以及洞错。星载被动微波传感器AMSR-E像元捕获到这六个湖泊的平均湖泊面积占像元面积比例从大到小分别为0.57、0.55、0.41、0.37、0.28以及0.22，如表1。

[0035] 表1

[0036]

[0037]

[0038] 本发明具体实施时所使用的数据有四种，包括：AMSR-E被动微波遥感数据，Landsat TM影像数据，增强分辨率的AMSR-E数据和逐日无云MODIS数据。其中选用所述AMSR-E被动微波遥感数据提取湖泊与湖岸区域亮温值；选用所述Landsat TM影像数据计算湖泊与湖泊的动态权重；选用所述增强分辨率的AMSR-E数据提取湖泊亮温值，并与混合像元分解法提取的亮温值进行效果比较；以及选用所述逐日无云的MODIS数据作为提取湖泊冻融参数的验证数据。

[0039] 所述AMSR-E被动微波遥感数据由星载被动微波辐计观测数据观测所得。所述被动微波辐计具有水平极化和垂直极化的12个成像仪通道，频率分别为6.9GHz，10.65GHz，18.7GHz，23.8GHz，36.5GHz，89.0GHz，由于冰与水在18.7GHz通道下发射率差异较大(Che等，2009；Tao等，2014)，因此本发明主要以18.7GHz的V极化数据为主，其中18.7GHz的原始数据的分辨率27*16km。

[0040] 所述Landsat TM影像数据由Landsat-5卫星观测所得。所述Landsat-5卫星于1984发射成功至2011年运行失效，携带30*30m空间分辨率的TM(Thematic Mapper)传感器。Landsat-5卫星在运行期间持续对地表观测，获得了大量地表覆盖区域全面，高质量的历史数据，为资源管理，生态环境监测，地质调查等提供了丰富的数据资源。本发明利用Landsat-5数据与AMSR-E过境像元进行叠置分析，计算出AMSR-E像元中湖泊湖岸面积比例。

[0041] 所述增强分辨率的AMSR-E数据是由美国杨百翰大学(Brigham  Young University,BYU)的微波遥感地球团队(Microwave Earth Remote Sensing group，MERS)利用AMSR-E数据结合散射计影像根据影像重构算法(Long等，1998；Early等，2001)生成的增强分辨率的影像。所述增强分辨率的AMSR-E数据在不同频率的空间分辨率不同，其中6GHz，10GHz，18GHz通道的分辨率为12.5*12.5km，23GHz与36GHz通道的分辨率为7.5*
7.5km，89GHz通道的分辨率为2.5*2.5km。本发明选用全球投影18.7GHz V极化的增强分辨率的AMSR-E数据抽取了达则错与拜惹布错的湖泊亮温作为效果比较数据。

[0042] 所述逐日无云MODIS数据为青藏高原MODIS逐日无云积雪面积数据集(邱玉宝等，2016)一文中根据MOD10A1与MYD10A1开发的逐日无云产品。所述青藏高原MODIS逐日无云积雪面积数据集中包括陆地、积雪、湖水和湖冰湖泊不确定这四种青藏高原区域的地物分类。
利用所述青藏高原MODIS逐日无云积雪面积数据集的湖水及湖冰变化情况来验证本发明基于动态混合像元分解法的湖冰冻融监测方法湖泊冻融情况对监测结果。

[0043] 如图1所示，本发明一种基于动态混合像元分解法的湖冰冻融监测方法，包括：

[0044] S1，基于湖泊特定光学影像和被动微波遥感数据，获取湖泊混合像元亮温值和湖岸纯净像元亮温值；

[0045] S2，基于湖泊特定光学影像和所述湖泊混合像元亮温值，通过叠置分析获取所述湖泊混合像元中湖泊与湖岸的面积比例；

[0046] S3，基于所述湖泊混合像元亮温值、所述湖岸纯净像元亮温值和所述湖泊混合像元中湖泊与湖岸面积比例，利用线性混合像元分解法获取所述湖泊混合像元的湖泊纯净像元亮温值，以监测湖冰冻融现象。

[0047] 本实施例所述被动微波遥感数据为AMSR-E被动微波遥感数据；所述特定光学影像为高分辨率的光学影像，具体为Landsat TM影像数据。

[0048] 被动微波遥感数据的空间分辨率低，单个像元能捕获到数种不同种类的地表特征信息，混合像元效应严重。被动微波传感器在获取地表信息的过程中还受到一些其他的因素影响，包括传感器的定标校准、能量辐射的偏振效应等所产生的无关信号，以及来自与外太空能量辐射和地球大气的影响。

[0049] 本实施例选用AMSR-E L2A亮温数据，所述AMSR-E L2A亮温数据已经由数据提供平台进行了辐射定标和信息平滑等相关基本处理。所述AMSR-E L2A亮温数据的单个像元的陆表亮温值，由分布在该像元内的各地物真实亮温值的面积权重积分表示，公式如下：

[0050]

[0051] 式(1)表示被动微波传感器接收到的亮温TB′(x0,yo)是由探测中心位置(x0,yo)的像元内的各地物的亮温TB(x,y)通过面积权重积分求取的， 为传感器的天线增益。

[0052] 本发明利用所述被动微波遥感数据进行分析，结合所述湖泊特定光学影像对所述被动微波遥感数据的像元中的湖泊进行位置和坐标的定位，首先确定湖泊混合像元亮温值和湖岸纯净像元亮温值；进一步确定所述湖泊混合像元中湖泊与湖岸比例，从而获取湖泊纯净像元亮温值。所述湖泊纯净像元亮温值为监测湖冰冻融现象的最重要数据。

[0053] 作为一个可选的实施例，所述S1进一步包括：

[0054] S1.1，利用边缘检测法从所述湖泊特定光学影像中获取湖泊的边缘；基于所述湖泊特定光学影像与所述被动微波遥感数据的像元位置比较分析和所述湖泊的边缘，获取所述被动微波遥感数据的湖泊中心；

[0055] S1.2，从所述被动微波遥感数据中，选取距离所述湖泊中心最近的微波像元亮温值为所述湖泊混合像元亮温值；从所述被动微波遥感数据中，选取距离所述湖泊中心最近的多个湖岸纯净像元的微波像元亮温值，取均值后，为所述湖岸纯净像元亮温值。

[0056] 被动微波遥感数据由于图像分辨率过低，因此本实施例利用高分辨率的Landsat TM影像数据中相应湖泊的位置，与所述被动微波遥感数据的像元的湖泊的位置进行比较分析，确定所述被动微波遥感数据的像元中湖泊中心。

[0057] 卫星过境时所探测到的湖泊区域地表信息，通常会集中记录在邻近几个像元中，而且微波像元中心坐标点的经纬度坐标每次重访时都会出现微小差异；且被动微波遥感数据的分辨率低，因此以高分辨率的湖泊特定光学影像为对比，进行比较分析。使所述被动微波遥感数据的像元中的湖泊和湖岸像元与高分辨率的湖泊特定光学影像中的湖泊和湖岸的图像位置关系尽量重合一致；这样只要确定了高分辨率的湖泊特定光学影像中的湖泊中心点，就可以根据对应的位置关系获取所述被动微波遥感数据的像元中湖泊的中心点，进而获取湖泊中心点的坐标，即所述被动微波遥感数据的像元中的湖泊中心。

[0058] 确定湖泊中心后，以所述湖泊所在的一个或多个微波像元为湖泊混合像元亮温值，所述湖泊混合像元亮温值中包含纯净湖泊亮温值和纯净湖岸亮温值。

[0059] 选取离湖泊中心足够远的像元获取湖岸纯净像元亮温值。因为湖泊的面积有限，那么只要选取足够远的像元就可以获得纯净湖岸，从而获得湖岸纯净像元亮温值。

[0060] 作为一个可选的实施例，所述S2进一步包括：

[0061] S2.1，基于被动微波遥感数据，获取湖泊混合像元；以所述湖泊混合像元的湖泊中心为中心生成特定传感器特定频率的空间分辨率的矩形区域；

[0062] S2.2，基于所述矩形区域与所述湖泊特定光学影像进行叠置分析，分解出所述湖泊混合像元中湖泊与湖岸的比例。

[0063] 本实施例所选用的被动微波遥感数据由星载被动微波辐计观测数据观测所得，而卫星在高空对地扫描过程中与地球处于不断运动的状态，故在传感器重访过程中，每次观测到的被动微波遥感数据中像元位置都会发生微小偏移，所捕获的湖泊/湖岸面积不停的发生变化，除了面积远远小于像元分辨率的湖泊外。因此需要对卫星多次过境的观测数据进行综合分析，并结合高分辨率的Landsat TM影像数据进行叠置分析，确定所述湖泊混合像元中湖泊与湖岸的比例。

[0064] 具体的，所述S3中所述湖泊纯净像元亮温值满足：

[0065] TBsensor＝aTBlake+bTBland  (2)

[0066] 其中，TBsensor为所述湖泊混合像元亮温值的单个微波像元的湖泊混合像元亮温值；

[0067] TBlake为所述湖泊纯净像元亮温值，表示所述湖泊混合像元亮温值中湖泊区域亮温值；

[0068] TBland为所述湖岸纯净像元亮温值，表示所述湖泊混合像元亮温值中陆地区域亮温值；

[0069] a为所述湖泊混合像元亮温值中湖泊区域的面积权重；

[0070] b为所述湖泊混合像元亮温值中陆地区域的面积权重；

[0071] 其中，a与b的比值为所述湖泊混合像元中湖泊与湖岸的比例。

[0072] 本发明基于湖泊面积进行线性混合像元分解，其中假设被动微波辐射计所捕获的陆表信息是均质的，所获的地表陆地信息只与地物的面积有关，忽略其他影响较小的因素。

[0073] 式(2)中的湖泊区域亮温与陆地区域亮温都包括了大气等因素的影响，而湖泊面积权重a与湖岸面积权重b都通过高分辨率的Landsat TM光学影像计算得到。

[0074] 作为一个可选的实施例，所述S1.2进一步包括：选取以所述湖泊中心为中心的1个微波像元亮温值为所述湖泊混合像元亮温值；

[0075] 选取距离所述湖泊中心最近的2-3个纯净湖岸像元的微波像元亮温值并做平均后为所述湖岸纯净像元亮温值。

[0076] 具体的，所述湖泊混合像元的坐标满足：

[0077]

[0078] 其中，(X,Y)为所述湖泊中心的坐标，(Xi,Yi)为所述被动微波遥感数据的任意像元中心点的坐标，(Xmin,Ymin)为所述湖泊混合像元亮温值所对应的星载亮温数据坐标。

[0079] 作为一个可选的实施例，所述S2.1进一步包括：

[0080] S2.1.1，以所述湖泊中心为中心分别生成第一圆形区域和第二圆形区域；

[0081] S2.1.2，获取所述第一圆形区域和所述第二圆形区域的最小外包矩形，基于等角横轴割圆柱投影坐标系统特性，获得与所述被动微波遥感数据的特定微波频率像元分辨率大小一致的所述矩形区域。

[0082] 所述第一圆形区域的大小和所述第二圆形区域的大小根据所述被动微波遥感数据的一个像元大小的不同而选取不同的大小；不论是哪种大小，本实施例通过所述第一圆形区域和所述第二圆形区域的最小外包矩形的等角横轴割圆柱投影坐标系统特性获取的所述矩形区域与所述被动微波遥感数据的一个像元大小相等。

[0083] 具体的，所述第一圆形区域的半径为特定微波频率的一空间分辨率值，所述第二圆形区域的半径为特定微波频率的另一空间分辨率值。

[0084] 本实施例采用被动微波传感器AMSR-E像元，所述AMSR-E像元的像素大小为27*16公里，所述一空间分辨率值为16公里，所述另一空间分辨率值为27公里，因此所述第一圆形区域的半径为8公里，所述第二圆形区域的半径为13.5公里。

[0085] 由于被动微波传感器AMSR-E像元所捕获的湖泊面积是不停变化的，为了准确求出湖泊与湖岸在每个像元中的权重，本实施例以离湖泊中心最邻近的AMSR-E像元点为中心缓冲出一个27*16km的矩形区域，然后通过叠置分析动态计算出每次卫星重访像元的湖泊湖岸面积权重。最后将求出的湖泊与湖岸的比值代入式(2)中，分解出每个像元里湖泊区域的亮温值。

[0086] 本实施例在WGS84投影坐标系统中利用一点先缓冲成两个圆形区域：

[0087] 第一圆形区域表示为：(Xi-a)2+(Yi-b)2＝82

[0088] 第二圆形区域表示为：(Xi-a)2+(Yi-b)2＝13.52

[0089] 再求取两圆的最小的外包矩形，然后根据等角横轴割圆柱投影坐标系统特性，获得27*16km矩形IJKL，如图2所示。最后计算卫星每天过境的矩形IJKL，并与高分辨率的Landsat TM光学影像叠置分析，动态分解出湖岸和湖泊的比例。

[0090] 如图3所示，本发明还提供一种基于动态混合像元分解法的湖冰冻融监测系统，包括：

[0091] 初步亮温数据获取模块，用于基于湖泊特定光学影像和被动微波遥感数据，获取湖泊混合像元亮温值和湖岸纯净像元亮温值；

[0092] 湖泊和陆地百分比模块，用于基于湖泊特定光学影像和所述湖泊混合像元亮温值，通过叠置分析获取所述湖泊混合像元中湖泊与湖岸的面积比例；

[0093] 动态精确获取模块，用于基于所述湖泊混合像元亮温值、所述湖岸纯净像元亮温值和所述湖泊混合像元中湖泊与湖岸面积比例，利用线性混合像元分解法获取所述湖泊混合像元的湖泊纯净像元亮温值，以监测湖冰冻融现象。

[0094] 本发明一种基于动态混合像元分解法的湖冰冻融监测方法及系统所达到的有益效果可通过如下的对比分析得到。

[0095] (1)混合像元动态分解结果的效果对比

[0096] 请参考图4a-图4g，图4a为本发明青海湖长时间序列湖泊亮温示意图，图4b为本发明可可西里湖长时间序列湖泊亮温示意图，图4c为本发明达则错长时间序列湖泊亮温示意图，图4d为本发明赛库湖长时间序列湖泊亮温示意图，图4e为本发明巴木错长时间序列湖泊亮温示意图，图4f为本发明拜惹布错长时间序列湖泊亮温示意图，图4g为本发明洞错长时间序列湖泊亮温示意图。

[0097] 应用混合像元分解法对可可西里湖、达则错、赛库湖、巴木错、拜惹布错以及洞错六处(其中青海湖只用于对比)的湖泊区域亮温进行分解处理。从图4a-图4g可以看出利用混合像元线性动态分解法获得的湖泊长时间序列亮温曲线要比原始的混合像元亮温曲线更能突出湖泊冻融变化的真实特征。其中效果最为明显的为图4f的拜惹布错，利用AMSR-E原始亮温数据基本不能探测到该湖泊冻融亮温变化特征，但经过混合像元线性分解处理后，其长时间序列湖泊亮温曲线和大型湖泊青海的亮温曲线变化特征相似，分解效果良好。

[0098] 但从图4g洞错的像元分解处理后的亮温曲线来看，其效果并不是很明显，有较多的噪声，经过傅里叶滤波处理后其湖泊冻融变化特征效果趋势也并不太明显。图4a-图4g中可看出混合像元线性分解法在所探测的湖泊对象面积约为AMSR-E像元0.3时，其分解效果已经接近极限。

[0099] (2)增强分辨率亮温数据比对分析

[0100] 为了进一步分析湖泊混合像元分解法的实用性，引用美国BYU的MERS团队生产的分辨率为12.5*12.5km的增强分辨率的AMSR-E 18.7GHz V极化数据进行对比分析。

[0101] 选择达则错与拜惹布错两个湖泊作为对比示例，图5a为本发明对达则错的两种信息增强方法湖泊亮温对比示意图；图5b为本发明对拜惹布错的两种信息增强方法湖泊亮温对比示意图。从达则错与拜惹布错两个湖泊的增强分辨率的AMSR-E数据的湖泊亮温曲线可看出，增强分辨率的AMSR-E数据对于湖泊冻融特征信号的突显并没有明显的增强作用。从达则错湖泊亮温曲线看，增强分辨率的AMSR-E数据虽然能从大体上勉强区分该湖泊的亮温冻融特征信息，但其数据噪声较多；而从更小的湖泊拜惹布错来看，增强分辨率的AMSR-E数据不能体现显示出其湖泊冻融特征信号。通过比对发现混合像元分解法在对于湖泊冻融监测应用中要比结合其他影像重构增强AMSR-E分辨率的方法要更为适用。

[0102] (3)混合像元分解冻融判别的效果对比

[0103] 在对湖泊区域像元亮温进行混合像元分解处理后，应用TIMESAT(Time-series of Satellite sensor data)软件提取湖泊冻融参数。TIMESAT软件系统起初是应用于处理长时间序列的NDVI数据，以监测植物的周期性生长变化[25][26]。鉴于TIMESAT软件系统具有快速处理季节性变化的长时间序列数据的能力和结合被动微波数据在湖泊冻融变化的亮温周期规律，将湖泊亮温数据嵌入到该软件算法中，利用该软件系统结合简单的目视纠正提取湖泊冻融参数。

[0104] 在被动微波数据的湖泊冻融参数提取出来后，以青藏高原MODIS逐日无云积雪面积数据集作为验证数据，选择达则错，库赛湖与可可西里湖作为验证湖泊。通过对青藏高原MODIS逐日无云积雪面积数据集，掩膜裁剪，获取长时间序列的MODIS湖泊冰/水面积变化曲线，通过以水体面积90％及20％作为阈值提取湖泊冻融参数。经验证，利用AMSR-E数据提取的湖泊冻融结果与MODIS无云数据提取的湖泊冻结与湖泊融化结果的皮尔森相关系数分别为0.968与0.987。

[0105] 本申请基于混合像元动态线性分解原理，基于高分辨率光学影像为基础，发明了一种湖冰冻融微波信息的动态混合像元分解方法，可应用于中低分辨率的星载微波传感器，如AMSR-E，大大扩展了被动微波混合像元的应用能力，使其可用于中小湖泊冻融参数的提取，通过逐日无云MODIS雪冰数据开展湖冰冻融监测的对比验证，其冻融时间的Pearson相关系数超过0.96，认为论文所提出的方法精度较高。

[0106] 通过结果对比分析可以得到：经与增强分辨率的AMSR-E亮温数据比较，应用混合像元动态分解方法在湖泊冻融信息增强方面要比结合散射计影像根据影像重构算法的增强结果更为适用。混合像元动态分解法可普遍适用于湖泊面积占AMSR-E单个像元30％以上的湖泊，应用在湖泊像元比例。

[0107] 在20-30％之间的湖泊时，受湖泊形状及湖泊的本身特质和湖岸周边地理环境特征影响，分解效果具有一定的不确定性；通过对SSMIS数据的混合像元动态分解法分析，结果表明该方法可以在不同的历史数据和现在发展更高分辨率的数据中应用。该方法同样也可适用于其他寒冷地区水体表面类型的冻融监测，如海湾海冰冻融监测，或者细长的河流河冰监测，如黄河凌汛监测预警等。

[0108] 目前被动微波遥感数据处于多星连续获取数据的情况，本发明所述方法将可以突破数据本身的空间分辨率精度限制，最大限度地获得更多湖冰的冻融信息，也可为当下一代更高分辨的被动微波数据提供增强冻融信息的监测思路。

[0109] 最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。