遥感中的大气窗口和 OBIA

什么是地球的大气窗口？

不知您是否想过，光是如何穿过大气层到达地球的呢？ 这是源于大气中的臭氧、水、二氧化碳和其他分子，我们可以免受有害辐射的伤害。 因此，我们只能看到电磁波谱的特定部分， 这种现象被称为地球的“大气窗口”。

在遥感领域，传感器被建造来拾取那些特定的光谱波段。

大气之窗是布满小孔的窗帘

并非所有的电磁波谱都会到达地球表面， 大气吸收会阻止特定类型的电磁辐射穿过大气层。

高层大气阻挡了 100% 的伽马射线、X 射线和大部分紫外线。 但请注意可见光如何自由通过， 肉眼利用这种可见光来观察地球上的特征。

大气电磁不透明度。

把大气窗户想象成一面有孔的窗帘......特定的多光谱和高光谱波段可以自由通过。

大气幕（大气窗口）阻挡特定波长的射线， 例如伽马射线。 但实际上，大气幕是水蒸气、臭氧、二氧化碳和大气中的分子， 这些被阻挡的波长被称为“吸收带”。

窗帘上的孔洞就是“大气窗口”， 这意味着特定波段的光可以自由穿过大气层到达地球表面， 可见光和近红外光几乎可以自由穿过大气层。

总结一下，大气窗口是电磁波谱中可以穿过大气的部分……而吸收带是被阻挡的电磁波谱部分。

大气窗口如何影响遥感

大气窗口允许特定类型的电磁辐射自由通过。 无线电波可以很容易地通过。 但 X 射线不能通过，因此在吸收带中被阻挡。 但这与遥感有何关系？ 工程师在设计传感器时始终会考虑大气窗口， 他们需要知道传感器可以测量哪些光谱波段。

上图显示了地球的“大气窗口”， 电磁辐射（蓝色）是地球上的传感器能​​够看到的。

肉眼可以看到红色、绿色和蓝色， 也就是可见光。健康的植被（或叶绿素）反射更多的绿光。 然而，它吸收更多的红光和蓝光， 这就是为什么我们的眼睛把植物看作绿色。 其实，这就是归一化植被差异指数（NDVI）的原理。

但工程师们设计的传感器也能探测非可见光。 例如，植被反射人眼看不见的近红外 (NIR)。 但传感器可以获取这种光谱信息。 如果执行任何类型的图像分类技术，很可能会使用这些原理。 总之，特殊类型的传感器可以揭示肉眼无法看到地球特征的新见解。

大气窗口适用于来自太阳的电磁辐射可以穿透地球大气层的光波长。 遥感不仅利用可见光谱（红、绿和蓝），还利用不可见光。 这就是为什么工程师在设计过程中牢记大气窗户的原因。

OBIA – 基于对象的图像分析 (GEOBIA)

思考物体，而不是像素

如果只需单击一下按钮即可将图像中的所有特征数字化， 那该有多棒？ 除此之外，还可以通过单击按钮对每个特征进行分类。 听起来像魔术？但这两个过程是基于对象的图像分析 (OBIA)中执行的分割和分类。 让我们来看看它是什么以及如何使用它来更高效、更准确地完成工作。

分割是分类的关键

人类的视觉感知几乎总是优于计算机视觉算法。 例如，当看到河流时，眼睛就能认出那是河流， 但是计算机却无法区分河流和湖泊。

传统的基于像素的图像分类为每个像素分配一个土地覆盖类别。 所有像素都具有相同的大小、相同的形状， 并且没有相邻像素的概念。 然而，OBIA 会将图像分割成矢量对象， 将小像素组合在一起。 分割不是以像素为基础， 而是自动将图像数字化。

基于对象的图像分析 (OBIA) 分割是将相似像素分组为对象的过程。

分割所做的就是复制眼睛正在做的事情。 但是对于这些分割对象， 可使用它们的光谱、几何和空间特性将它们分类为土地覆盖。

OBIA 分类使用物体的形状、大小和光谱特性对每个物体进行分类。

否则，当使用传统的图像分类技术时， 通常会在分类结果中看到斑驳的痕迹。 总结一下，OBIA 的两个基本原则是：

• 分割：将图像分解为代表陆地特征的对象。
• 分类：使用物体的形状、大小、空间和光谱特性对其进行分类。 让我们更深入地探讨这两个概念。

通过分割生成有意义的对象

分割图像时，该过程会将像素分组以形成对象。 突然间，土地覆盖特征开始显现， 类似于眼睛处理周围环境的方式。

对于这张 50 厘米分辨率的图像， 多分辨率分割算法会在eCognition Definiens Developer中分解图像。 根据紧凑度和形状设置， 这是 OBIA 中的初步步骤。

此外，还可以为要分割的所有图层配置权重， 这意味着不仅必须按红色、绿色或蓝色进行分割， 还可以按 DEM、DSM、NIR 甚至 LiDAR 强度进行分割。

Trimble Ecognition 多分辨率分割与定制图像对象融合。

同样， ArcGIS 中的分段均值偏移也是基于对象的图像分析的另一种方法。 但是，没有 Trimble eCognition 那么多选择。

例如，在运行该过程时，无法设置多个图层的权重。 可以做的是设置光谱和空间细节，以及最小像素大小。 经过反复试验，我们使用栅格计算器设置自定义权重， 使用 nDSM 和红色波段作为输入。

使用 Segment Mean Shift 算法进行 ArcGIS 分割。

分类土地覆盖特征

分割图像后，就该对每个对象进行分类了。 现在可以进行分类，每个对象都有与之相关的统计数据。 例如，可根据几何形状、面积、颜色、形状、纹理、邻接性等对对象进行分类。

虽然 ArcGIS 中的选项有限， 但 Trimble eCognition 的真正威力就在于此。 在此示例中，似乎有无穷无尽的统计数据可用于对建筑物进行分类。 但哪种统计数据才是正确的呢？

OBIA 中的每个对象都有与之相关的统计数据。 右侧是所选建筑物的图像对象信息， 包括其形状、大小和光谱特性。

诚然，使用 OBIA 对土地覆盖特征进行分类没有最佳方法。 但是，分析师经常使用这些统计数据来使用 OBIA 对土地覆盖进行分类：

• WATER是平坦的（低 nDSM），它会聚集成洼地（高 TWI 或低 TPI）， 它的温度较低（热红外 - TIRS），并且它具有较高的近红外吸收率（负NDVI）
• TREES 具有不同的高度（高 nDSM 标准差）并且具有较高的近红外反射率（高 NDVI）。
• BUILDINGS通常呈矩形（高矩形拟合度），高（高 nDSM），并且坡度较大。
• GRASS较短（低 nDSM），较平坦（低 nDSM 标准差），并且具有中等近红外反射率（中等 NDVI）。
• ROADS反射大量光线（高 RGB），道路平坦（低 nDSM），光强度高，NDVI 低或为负。

可设置规则集，即一组预定义的步骤， 用于对对象进行分割和分类。 与ArcGIS 中的 ModelBuilder类似， 它会逐步执行每个过程，直到完成。

另外，Trimble ECognition 具有最近邻分类， 可以根据定义的样本进行添加和分类。

更清晰的图像 = 更高级的图像分类

1972 年，Landsat-1 引发了地球监测方式的革命。 随其政府放松对高分辨率卫星数据的监管， 更清晰图像的上升趋势令人瞩目。

不仅 Worldview 或Planet Labs等卫星的使用量正在稳步上升， LiDAR和 DJI 等无人机的使用量也在稳步上升。 我们对图像进行分类的方式也从无监督方式发展为更复杂的基于对象的图像分类。

当Landsat-1场景中的单个像素包含多座建筑物时， 无需进行基于对象的图像分析。 然而，新型高分辨率数据需要基于对象的图像分析。

例如，Landsat-1 场景无法区分建筑物和公园。 在这种情况下，无监督和监督分类就足够了。 但现在，可使用 OBIA 对高分辨率数据进行分割和分类， 以获得更有意义的土地覆盖，这是遥感界的趋势。 否则，传统的图像分类技术会给出不想要的椒盐分类。

带有不需要斑点分类的无监督分类。

OBIA – 基于对象的图像分析

OBIA 起源于细胞生物学家对图像扫描的分析。 GEOBIA （基于地理对象的图像分析）与医学起源有所区别。 更清晰的图像、更多的光谱波段以及爆炸式增长的数据采集可以帮助解决当今的问题。

为了理解所有这些信息，我们需要 OBIA 或基于对象的图像分析来自动完成一些工作。 随着每一天的过去，卫星在轨道上默默地收集着大量数据……但是， 如果不知道如何使用卫星数据，那它还有什么用呢？ OBIA 是关于大规模生产的， 可以创建一个规则集，运行它， 并根据需要编辑分类。