GB/T 41280-2022 卫星遥感影像植被覆盖度产品规范

　　ICS 35 . 240 . 70 CCS A 77

　　中 华 人 民 共 和 国 国 家 标 准

　　GB/T 41280—2022

　　卫星遥感影像植被覆盖度产品规范

　　Specificationsforfractionalvegetationcoverproductfrom

　　satelliteremotesensingimagery

　　2022-03-09 发布 2022-10-01 实施

　　国家市场监督管理总局国家标准化管理委员会

　　

　　发

　　

　　布

　　GB/T 41280—2022

　　目 次

　　前言 Ⅰ

　　引言 Ⅱ

　　1 范围 1

　　2 规范性引用文件 1

　　3 术语和定义 1

　　4 产品分类 1

　　4 . 1 类别划分 1

　　4 . 2 单日植被覆盖度产品 2

　　4 . 3 多 日合成植被覆盖度产品 2

　　5 命名规则 2

　　5 . 1 名称组成 2

　　5 . 2 名称要求 2

　　6 产品构成 2

　　6 . 1 产品概述 2

　　6 . 2 植被覆盖度数据集 2

　　6 . 3 辅助数据集 3

　　6 . 4 元数据集 4

　　7 技术要求 4

　　7 . 1 时间信息 4

　　7 . 2 地理信息 4

　　7 . 3 质量信息 5

　　8 产品检查 5

　　附录 A(资料性) 常用的植被覆盖度估算方法 6

　　附录 B(资料性) 常用的植被覆盖度产品时间合成方法 9

　　附录 C(规范性) 植被覆盖度产品元数据集 10

　　附录 D(资料性) 植被覆盖度产品元数据集示例 13

　　参考文献 15

　　GB/T 41280—2022

　　前 言

　　本文件按照 GB/T 1 . 1—2020《标准化工作导则 第 1 部分：标准化文件的结构和起草规则》的规定起草。

　　请注意本文件的某些内容可能涉及专利。 本文件的发布机构不承担识别专利的责任。

　　本文件由中国科学院提出。

　　本文件由全国遥感技术标准化技术委员会(SAC/TC 327)归口 。

　　本文件起草单位：中国科学院空天信息创新研究院、北京师范大学、中国科学院地理科学与资源研究所、中国科学院大学。

　　本文件主要起草人：宋婉娟、穆西晗、阎广建、阮改燕、贾坤、吴骅、姜小光、刘照言、王新鸿。

　　Ⅰ

　　GB/T 41280—2022

　　引 言

　　植被覆盖度反映了植被生长的茂盛程度，作为刻画地表植被覆盖状况的重要生物物理参数之一，广泛应用于植被变化检测、生态环境评估、水土保持监测、气候变化研究等领域，在揭示地表植被分布规律、掌握生态环境变化状况并分析其发展趋势等方面都具有重要意义。

　　本文件归纳利用卫星遥感影像生产的植被覆盖度产品的概念、内容、规格、质量等共性信息，规范其描述，形成卫星遥感影像植被覆盖度产品规范，作为该产品生产、应用相关行业的共同标准，将有利于植被覆盖度产品的规范生产和高效应用。

　　Ⅱ

　　GB/T 41280—2022

　　卫星遥感影像植被覆盖度产品规范

　　1 范围

　　本文件规定了光学卫星遥感影像陆地植被覆盖度产品的产品分类、命名规则、产品构成、技术要求和产品检查。

　　本文件适用于光学卫星遥感影像陆地植被覆盖度产品，利用其他数据源生产的植被覆盖度产品也可比照本文件。

　　2 规范性引用文件

　　下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。 其中，注 日期的引用文件，仅该日期对应的版本适用于本文件;不注 日期的引用文件，其最新版本(包括所有的修改单)适用于本文件。

　　GB/T

　　35652—2017

　　瓦片地图服务

　　GB/T

　　37151—2018

　　基于地形图标准分幅的遥感影像产品规范

　　GB/T

　　39608—2020

　　基础地理信息数字成果元数据

　　GB/T

　　41282—2022

　　植被覆盖度遥感产品真实性检验

　　3 术语和定义

　　GB/T 35652—2017、GB/T 37151—2018、GB/T 39608—2020 和 GB/T 41282—2022 界定的以及下列术语和定义适用于本文件。

　　3.1

　　植被指数 vegetationindex

　　一系列利用遥感影像不同谱段数据的线性或非线性组合而形成的能反映绿色植物的生长状况和分布的特征指数。

　　[来源：GB/T 30115—2013,3 . 11,有修改]

　　3.2

　　植被覆盖度 fractionalvegetationcover

　　单位面积内植被冠层(包括叶、茎、枝)垂直投影面积所占的比例。

　　注：无量纲，取值范围 0~1。

　　3.3

　　植被覆盖度产品 fractionalvegetationcoverproduct

　　由遥感影像数据生产的植被覆盖度数据集、辅助数据集及元数据集的统称。

　　4 产品分类

　　4 . 1 类别划分

　　植被覆盖度产品分为两类：单日植被覆盖度产品和多 日合成植被覆盖度产品。

　　1

　　GB/T 41280—2022

　　4 . 2 单日植被覆盖度产品

　　利用单 日 内的卫星遥感影像生产得到的植被覆盖度产品。 植被覆盖度估算方法见附录 A。

　　4 . 3 多 日合成植被覆盖度产品

　　利用多日卫星遥感影像按照某种规则合成得到的植被覆盖度产品。 合成时间范围可以是 8 天、16 天 、 30 天，也可以是任意时间范围。 多 日 时间合成方法见附录 B。

　　5 命名规则

　　5 . 1 名称组成

　　植被覆盖度产品的命名应包括产品名称和扩展名两部分。 产品名称应包含但不限于以下要素，且各要素排列顺序可变。 命名总体表现形式如下：

　　产品代码_卫星和传感器标识_产品标识时间_地理覆盖范围_版本号.扩展名

　　5 . 2 名称要求

　　产品名称各要素应符合如下要求：

　　a) 产品代码：卫星遥感影像植被覆盖度产品的简称;

　　示例：

　　全球陆表特征参量(Global Land Surface Satellite, GLASS)产品中利用中分辨率成像光谱仪(Moderate-resolu- tion Imaging Spectroradiometer, MODIS) 500 米分辨率数据生产的植被覆盖度产品代码为 GLASS10E01。

　　b) 卫星和传感器标识：产品主体数据的卫星和传感器标识，见 GB/T 37151—2018 中附录 B;

　　c) 产品标识时间：对于单日植被覆盖度产品，记录数据获取时间;对于多 日合成植被覆盖度产品，记录合成时间范围内的中心时间;

　　d) 地理覆盖范围：对于分瓦片组织的产品按照 GB/T 35652—2017 中 5 .1 的规定记录行列号;对于分幅组织的产品按照 GB/T 37151—2018 中 6 . 2 的规定记录分幅编号;对于未分块组织的产品根据实际情况记录全球或区域标识;

　　e) 版本号：产品生产的版本代码;

　　f) 产品的扩展名由产品文件格式决定，包括但不限于 HDF(Hierarchical Data Format;层次型数据格式)、HDF5 ( Hierarchical Data Format version 5 ;层 次 型 数 据 格 式 第 五 版)、NETCDF (Network Common Data Form;网络通用数据格式)、GEOTIFF(Geotag Image File Format;地理标签图像文件格式)。

　　6 产品构成

　　6 . 1 产品概述

　　植被覆盖度产品由三部分构成：植被覆盖度数据集、辅助数据集和元数据集。

　　6 . 2 植被覆盖度数据集

　　植被覆盖度数据集以栅格形式存储植被覆盖度估算结果。 栅格大小即遥感影像像元大小，应在元数据集中记录。 数据存储时可乘以缩放转换系数，以整型记录。

　　2

　　GB/T 41280—2022

　　6 . 3 辅助数据集

　　植被覆盖度产品辅助数据集包括栅格数据和文本数据两种。 其中，栅格数据像元大小在不特别说明的情况下应与植被覆盖度数据集一致且一一对应。 辅助数据集的构成包括但不限于表 1 所列项。

　　表 1 辅助数据集构成

　　名称

　　数据格式

　　数据类型

　　约束/条件

　　备注

　　单 日植被覆盖度产品

　　多 日合成植被覆盖度产品

　　产 品 质 量 标 记数据

　　栅格

　　8 位整型

　　M

　　M

　　合 成 时 间 选 择数据

　　栅格

　　16 位整型

　　N

　　M

　　经纬度数据集

　　栅格

　　字符型或

　　浮点型

　　C/当未投影时必填

　　C/当未投影时必填

　　经纬度数 据 集 共 有 两 层，一 层 记 录 逐 像 元 经度，一层记录逐像元纬度。 当以度分秒形式记录时数据类型为字符型，当以度的形式记录时数据类型可为浮点型

　　快视图

　　栅格

　　8 位整型

　　O

　　O

　　像元大小可大于植被覆盖度数据集

　　算法说明文档

　　文本

　　字符型

　　O

　　O

　　用户手册

　　文本

　　字符型

　　O

　　O

　　真实性检验报告

　　文本

　　字符型

　　O

　　O

　　注：对于约束/条件列中描述符的说明如下：

　　M(必选)— 辅助数据集应当选用;

　　C(条件必选)— 说明辅助数据集是否选用条件，当条件满足时，该辅助数据集必选;

　　O(可选)— 辅助数据集可以选用，也可以不选用;

　　N(不适用)— 约束/条件不适用于该辅助数据集。

　　辅助数据集包括。

　　a) 产品质量标记数据：逐像元记录从输入遥感影像及其辅助数据集中提取的云、冰雪、水等信息，并判断植被覆盖度估算结果的有效性和合理性，根据表 2 进行质量标记。

　　b) 合成时间选择数据：记录多 日合成过程中像元 日期的选择，用一年中的第几天(Day Of Year, DOY)表示。 当合成过程中不存在唯一或最大贡献像元 日期时，记录合成时间范围内的中心时间。

　　示例 1 :

　　16 天合成产品，合成时间范围是 DOY 9~24,当利用最大值合成时，如果合成值信息实际来自第 4 天的数据，

　　则合成时间选择数据记录值为 12 。

　　示例 2 :

　　16 天合成产品，合成时间范围是 DOY 9~24,当利用平均值合成时，则合成时间选择数据记录值为 17。

　　c) 经纬度数据集：逐像元记录植被覆盖度数据集经纬度信息。

　　d) 快视图：对植被覆盖度数据集重采样生成的低分辨率用于预览产品状况的图片。

　　3

　　GB/T 41280—2022

　　e) 算法说明文档：详细记录植被覆盖度产品生产算法及流程等信息的文档。

　　f) 用户手册：记录植被覆盖度产品构成、使用方法、获取途径等信息的文档。

　　g) 真实性检验报告：应按照 GB/T 41282—2022 中第 6 章的相关规定，记录植被覆盖度产品准确度和不确定度评价过程和结果的文档。

　　表 2 产品质量标记方式

　　比特位

　　参数名

　　值

　　描述

　　0~1

　　植被覆盖度有效性和合理性

　　00

　　01

　　10

　　11

　　数据有效，质量好

　　数据有效，使用时要检查云掩膜

　　数据有效，估算结果不合理

　　无效值

　　2~3

　　云掩膜

　　00

　　01

　　10

　　晴空

　　可能有云有云

　　4

　　冰雪掩膜

　　0

　　1

　　无积雪

　　有积雪

　　5

　　水掩膜

　　0

　　1

　　非水域水域

　　注 1 ：产品质量标记数据以二进制标记，十进制存储。

　　注 2：“可能有云”指从输入遥感影像及其辅助数据集中无法确定该像元是否受云影响。

　　6 . 4 元数据集

　　元数据集应符合 GB/T 39608—2020 中第 4 章的相关规定，记录产品标识信息、地理信息、生产信息、质量信息、分发信息，元数据集的记录和存储应按附录 C 的要求执行，元数据集示例见附录 D。

　　多 日合成植被覆盖度产品应在元数据集生产信息中记录合成开始时间、合成结束时间、合成算法的选择及其版权信息。

　　7 技术要求

　　7 . 1 时间信息

　　时间信息应采用公元纪年，格林威治时间。

　　7 . 2 地理信息

　　7 . 2 . 1 坐标系和投影

　　当植被覆盖度数据集有投影时，应在植被覆盖度数据集或元数据集中包含影像坐标系和投影信息;当植被覆盖度数据集未投影时，应在辅助数据集中包含经纬度数据集。 当植被覆盖度数据集以地图形式发布时，应符合 GB/T 37151—2018 中 6 . 1 的相关规定。

　　7 . 2 . 2 地理覆盖范围

　　应在植被覆盖度数据集或元数据集中包含影像的地理覆盖范围信息。 当植被覆盖度数据集以分块

　　4

　　GB/T 41280—2022

　　的形式组织时，应在元数据集中包含影像的分块编号，相应元数据应逐块描述。

　　7 . 3 质量信息

　　7 . 3 . 1 产品准确度

　　应按照 GB/T 41282—2022 中第 4 章、第 5 章的相关规定，在元数据集中记录平均误差、均方根误差、相关系数三个植被覆盖度产品准确度评价指标结果。

　　7 . 3 . 2 产品不确定度

　　应按照 GB/T 41282—2022 中第 4 章、第 5 章的相关规定，在元数据集中记录标准差这一植被覆盖度产品不确定度评价指标结果。

　　7 . 3 . 3 空间连续性

　　分别计算质量标记数据中“数据有效，质量好”，“无效值”和云掩膜(包括“可能有云”和“有云”)的像元数占像元总数的比例，在元数据集中记录优质数据比例、无效值的比例和云覆盖比例。

　　8 产品检查

　　产品检查应在产品生产后、公开发布或交付用户前进行。 检查项应包括但不限于表 3 所列项。

　　表 3 植被覆盖度产品检查项

　　检查项

　　检查内容

　　证实方法

　　产品命名

　　产品名称

　　应符合第 5 章要求

　　产品构成

　　植被覆盖度数据集

　　所有产品是否存在;应符合 6 . 2 要求

　　产品质量标记数据

　　所有产品是否存在;应符合 6.3 a)要求

　　合成时间选择数据

　　对于多 日合成植被覆盖度产品，是否存在;应符合 6.3 b)要求

　　经纬度数据

　　对于未投影产品，是否存在;应符合 6.3 c)要求

　　元数据集

　　所有产品是否存在;应符合 6 . 4 及附录 C要求

　　时间信息

　　时间记录

　　应符合 7 . 1 要求

　　地理信息

　　坐标系和投影

　　应符合 7 . 2 . 1 要求

　　地理覆盖范围

　　应符合 7 . 2 . 2 要求

　　质量信息

　　产品准确度

　　应符合 7 . 3 . 1 要求

　　产品不确定度

　　应符合 7 . 3 . 2 要求

　　空间连续性

　　应符合 7 . 3 . 3 要求

　　5

　　GB/T 41280—2022

　　附 录 A

　　(资料性)

　　常用的植被覆盖度估算方法

　　A.1 概述

　　植被覆盖度产品的生产依次包括输入数据的准备、植被覆盖度估算、产品输出和产品检查。 其中，输入数据应经过几何纠正、辐射定标、大气校正等预处理。 植被覆盖度估算方法包括但不限于：经验模型法、半经验模型法和物理模型法。 当使用其他估算方法时，可在元数据集中明确记录，并包括算法说明文档。

　　A.2 经验模型法

　　经验模型法是通过对遥感数据的某一波段、波段组合反射率或遥感植被指数与实际测量的植被覆盖度进行回归，建立统计估算模型，并将模型推广到更大尺度上的植被覆盖度估算。 以植被指数作为经验模型自变量是最常用的遥感估算植被覆盖度方法。 该方法通过选取与植被覆盖度具有良好相关关系的植被指数，建立植被指数与植被覆盖度的转换关系，进而估算植被覆盖度。 具体形式可包括公

　　式(A.1) ~公式(A.3) :

　　f=a ·V+b …………………………( A.1 )

　　f=a ·V2 + b ·V+c …………………………( A.2 )

　　f=(a·V+b)2 …………………………( A.3 )

　　式中：

　　f — 植被覆盖度;

　　V — 植被指数;

　　a、b、c— 回归系数。

　　常用于植被覆盖度估算的植被指数包括差值植被指数(DVI)、归一化差值植被指数(NDVI)、土壤调整植被指数(SAVI)等。 为了更好的利用植被绿度信息并去除大气纠正误差对结果的影响，包括绿度植被指数(GVI)、可见光大气阻抗植被指数(VARI)在内的植被指数也被用于植被覆盖度的估算。 植被指数具体描述如表 A. 1 所示。

　　表 A.1 常用植被指数及计算方法

　　植被指数

　　计算方法

　　DVI

　　V=ρnir -ρred

　　NDVI

　　V=(ρnir-ρred )/(ρnir+ρred )

　　SAVI

　　GVI

　　V=ρgreen-ρred )/(ρgreen+ρred )

　　VARI

　　V=(ρgreen-ρred )/(ρgreen+ρred-ρblue )

　　注：L 为土壤调节系数，该系数与植被浓度有关，由实际区域条件确定，用来减小植被指数对不同土壤反射变化

　　的敏感性;ρblue 、ρgreen 、ρred和 ρnir分别表示蓝光波段、绿光波段、红光波段及近红外波段的地表反射率。

　　6

　　GB/T 41280—2022

　　经验模型法因其简单易实现而被广泛应用于区域植被覆盖度的估算，然而它需要足够多的地面数据支撑，仅适用于特定区域与特定植被类型的植被覆盖度估算。

　　A.3 半经验模型法

　　半经验模型法采用较为简单的模型形式，同时参数具有一定物理意义。 常用方法是混合像元分解模型。 根据输入数据不同，又分为光谱混合分解法(输入数据为波段光谱反射率)、基于植被指数的混合像元分解法(输入数据为植被指数)。这类模型的基本原理是图像中的一个像元实际上由多个组分构成，而每个组分对传感器所观测到的信息都有贡献。 因此可以将遥感信息(反射率或植被指数)分解，建立像元分解模型，并利用此模型估算植被覆盖度。

　　模型中应用最为广泛的是线性混合分解模型。 线性混合分解模型基于以下假设：到达传感器的光子只与一个组分发生作用，不同组分之间是独立的。 假设一个像元中所包含的每块地都对卫星传感器所接收的该像元信息有贡献，则以每块地中的植被光谱特征值为因子，这块地的面积作为该因子的权重，可建立线性混合模型，其数学形式可表达为公式(A. 4) :

　　n

　　Rb fi，bri，b+eb …………………………( A.4 )

　　式中：

　　Rb — 波段 b的像元反射率;

　　fi，b— 端像元 i在波段b混合像元中所占的比例;

　　ri，b— 端像元 i在波段b 中的反射率;

　　n — 端像元的个数;

　　eb — 拟合波段 b的误差。

　　通过最小二乘等方法可以求解出各组分在混合像元中的比例，其中植被组分所占的比例即为植被覆盖度。 各组分比例的求解精度很大程度上取决于端元的合理选取。

　　在众多线性模型中，像元二分模型假设像元只由植被与非植被两部分构成，遥感观测到的信号也只由这两个组分因子线性合成。 它们的面积在像元中所占的比例即为各因子的权重，其中植被部分占像元的百分比即为该像元的植被覆盖度。 较为常用的就是利用植被指数进行像元二分估算，其数学表现形式为公式(A. 5) :

　　f …………………………( A.5 )

　　式中：

　　f — 混合像元的植被覆盖度;

　　vv — 纯植被的植被指数值;

　　vs — 裸土的植被指数值。

　　目前常用的参数获取方法为基于对遥感影像自身进行时空统计的方法获取 vv 与 vs 。像元二分模型形式简单，参数较少，被广泛应用于植被覆盖度产品生产。

　　A.4 物理模型法

　　物理模型由于结构复杂，参数众多，且存在部分参数难以获取等问题，通常难以直接进行植被覆盖度反演，神经网络、支持向量机、决策树、随机森林等机器学习方法被用于辅助求解。 该类方法的输入数据具有多样化的特性，除反射率、植被指数外，还包括植被类型、降水等其他与植被生长、结构相关的参数 。常用的神经网络算法(见示例 1 和示例 2)计算效率高，适用于产品的业务化生产。 但是神经网络算法过程复杂，算法的中间层属于黑箱，很难对估算的参数进行合理的控制。

　　7