GB／T 41280-2022  卫星遥感影像植被覆盖度产品规范

植被覆盖度产品辅助数据集包括栅格数据和 其中，栅格数据像元大小在不特： 的情况下应与植被覆盖度数据集一致且 辅助数据集的构成包括但不限于表1所列项

注：对于约束/条件列中描述符的说明如下： M（必选）一一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）一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

a）产品质量标记数据：逐像元记录从输人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（DayOfYear DOY)表示。当合成过程中不存在唯一或最大责献像元日期时，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DOY9～24，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DOY9～24，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

a）产品质量标记数据：逐像元记录从输人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，用一年中的第儿大（Day（fYear 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DOY9～24，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DOY9～24，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

城市道路标准规范范本GB/T41280—2022

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 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/T41282一2022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

元数据集应符合B/139608一2020中第4草的相天规定，记求产品标识信息、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

时间信息应采用公元纪年，格林威治时间

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/T37151一2018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

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

GB/T412802022

应按照GB/T41282一2022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 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/T41282一2022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

分别计算质量标记数据中“数据有效， 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 无效值的比例和云覆盖比例

■植被覆盖度产品检查项

附录A （资料性） 常用的植被覆盖度估算方法

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， 输人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。

f=a.V+b =a.V+b.V+c f=(a· V+b)2

式中： # 一一植被覆盖度； V 一植被指数； a、6、C 一回归系数。 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

经验模型法因其简单易实现而被 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

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。根据输人数据不同，又分为光谱混合分解法（输人数据为波段光谱反射率）、基于植被指数的混合 象元分解法（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责献。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）：

R. =Zfirib +er

R, =Zfi.ri +e （A.4

式中： R，一一波段6的像元反射率； f.6一端像元i在波段6混合像元中所占的比例； ri.一端像元i在波段6中的反射率； 一一端像元的个数； 一一拟合波段6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 夏盖度。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 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）：

厂 一一混合像元的植被覆盖度； V，一一纯植被的植被指数值； V。一裸土的植被指数值 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V，与V。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

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 锯具有多样化的特性，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

示例1： 基于Kuusk十SAIL+PROSPECT辐射传输模型的人 覆盖度产品的生产。 示例2： 基于PROSPECT+SAIL辐射传输模型的神经网络方法。如CYCLOPES产品采用利用模型模拟红光、近红外及 短波红外波段反射率及相应太阳天顶角数据，作为神经网络的训练样本进行植被覆盖度产品生产；Geoland2产品首先获 取SPOT/VEGETATION植被）传感器在红光、近红外与短波红外波段的双向反射率因子及观测几何，再结合加人纠正 因子的GYCLOPES覆盖度产品为训练样本，对神经网络进行校正训练，得到校正系数，然后以校正系数为输人数据，进 行神经网络训练.得到修正后的Geoland2覆盖度产品

附 录 B （资料性） 常用的植被覆盖度产品时间合成方法

多日合成植被覆盖度产品，可以由地表反射率、植被指数等数据多日合成后再生产，也可由单日植 被覆盖度产品多日合成。时间合成方法包括但不限于：最大值合成法、限定条件下的最值合成法、最佳 指数边缘提取算法、平均合成算法、加权平均合成算法、二向性反射率分布函数（Bidirectional ReflectanceDistributionFunction，BRDF）模型合成算法。当使用其他合成方法时，可在元数据集中明 确记录，并包括算法说明文档

B.3限定条件下的最值合成法

在数据产品2个~ 子的最值作为判断标准确定合成值的算法， 条件下的最值合成法可用于植被指数、植被 时间合成

B.4最佳指数边缘提取算法

假设数据产品在时间序列中的不协调突变是由云或观测几何的改变所导致，通过滑动合成时 来确定真实最大值的算法。最佳指数边缘提取算法可用于植被指数、植被覆盖度时间合成

选择合成周期内数据产品的平均值作为合成值的算法。平均合成算法可用于植被指数、植被 时间合成。

B.6加权平均合成算法

在合成期内，对不同时间的数据产品根据其变化规律赋以不同权重值，以加权平均结果作为合月 算法。加权平均合成算法可用于地表反射率、植被指数、植被覆盖度时间合成

B.7二向性反射率分布函数(BRDF)模型合成算

采用BRDF模型将合 效反射率值，再 数时间合成

附录C （规范性） 植被覆盖度产品元数据集 植被覆盖度产品元数据集用于记录标识信息（名称、分类等）、地理信息（经纬度、投影等）、生产信息 （数据源、算法等）、质量信息（云覆盖、精度等）、分发信息（生产、出版等）。元数据集应包含但不限于 表C.1所列项，可依实际情况增加条目。

植被覆盖度产品元数据集用于记录标识信息（名称、分类等）、地理信息（经纬度、投影等）、 数据源、算法等）、质量信息（云覆盖、精度等）、分发信息（生产、出版等）。元数据集应包含亻 表C.1所列项，可依实际情况增加条目。

表C.1植被覆盖度元数据集数据项

表C.1植被覆盖度元数据集数据项（续）

表C.1植被覆盖度元数据集数据项（续）

注1：对于约束/条件列中描述符的说明如下： M（必选）一元数据元素应当选用： C（条件必选）一—一说明数据元素是否选用条件，当条件满足时，该数据元素必选； O（可选）一一数据元素可以选用，也可以不选用。 注2：对于域值列描述符的说明如下： YYYY（年）—一用4位整数标识年份； MM（月）一一用2位整数标识月份； DD（日）一一用2位整数标识日期。

附录D （资料性） 植被覆盖度产品元数据集示例

槽钢标准附录D （资料性） 植被覆盖度产品元数据集示例

表D.1展示了利用Terra和Aqua卫星上搭载的MODIS传感器数据，基于像元二分模 产的植被覆盖度产品元数据集

1展示了利用Terra和Aqua卫星上搭载的MODIS传感器数据，基于像元二分模型算法，生 覆盖度产品元数据集，

表D.1植被覆盖度元数据集

L1JGB/T30115—2013 卫星遥感影像植被指数产品规范 [2]GB/T36296—2018 遥感产品真实性检验导则 3] GB/T38026—2019 遥感卫星多光谱数据产品分级 『41GB/T39468—2020E 陆地定量遥感产品直真实性检验通用方法

二建标准规范范本GB/T412802022