基于卫星影像的彩钢板建筑光谱测试与分析

洪卫丽 杨树文,2,3, * 苏航 付昱凯 张乃心

基于卫星影像的彩钢板建筑光谱测试与分析

洪卫丽1杨树文1,2,3, *苏航1付昱凯1张乃心1

（1 兰州交通大学测绘与地理信息学院，兰州 730070）（2 地理国情监测技术应用国家地方联合工程研究中心，兰州 730070）（3 甘肃省地理国情监测工程实验室，兰州 730070）

大气辐射传输会引起卫星传感器获取的信息与实际信息存在出入，进而导致彩钢板建筑信息提取的不准确。据此，文章以兰州市安宁区为例，利用地物光谱仪和卫星影像获取典型彩钢板光谱数据，确定彩钢板反射率影响因素，结合影响因素测试彩钢板反射率并分析光谱特征。然后将实测光谱数据分别与影像经FLAASH（Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes）模型和6S（Second Simulation of the Satellite Signal in the Solar Spectrum）模型大气校正后的光谱信息进行光谱匹配，以确定适合不同颜色彩钢板光谱数据的大气校正方法。结果表明，彩钢板光谱反射率曲线均能反映彩钢板表面颜色特性；FLAASH大气校正更能反映蓝、红彩钢板建筑的真实反射率；6S模型 大气校正更能反映白色彩钢板建筑的真实反射率。本研究将为后续彩钢板建筑信息自动解译提供技术支持。

光谱学 彩钢板建筑 光谱测试 大气校正 地物光谱仪 遥感应用

0 引言

彩钢板建筑作为城市临时性建筑，其分布情况给消防安全、城市热环境及城市化过程中棚户区改造等问题带来一系列考验。因此，准确提取彩钢板建筑信息对彩钢板建筑与城市发展关系研究具有重要意义。而不同颜色彩钢板建筑所特有的光谱特征作为彩钢板区别于一般建筑的重要依据对彩钢板提取工作意义重大。光谱测试为传感器的波段选择和评价提供了依据，可建立地面、航空和航天遥感数据间的联系，由于彩钢板建筑其独特的材质和涂色导致其光谱反射存在差异，从而影响彩钢板建筑遥感提取的精度。遥感影像在获取过程中受到大气吸收与散射等影响，使得获取的数据与实测地物光谱数据存在出入，故需大气校正来消除或减少大气分子和气溶胶的散射和吸收对地物反射率的影响[1]。因此，解决彩钢板建筑信息提取的关键在于对彩钢板建筑光谱特性及大气校正方法的研究。

在光谱实测验证研究中，相关学者做了大量富有成效的工作。在光谱测试方面，研究人员对彩钢材料光谱反射进行了实验室分析，并且利用实测光谱数据与影像光谱数据结合的方法对地物进行分类。梁壬凤在实验室内获取彩钢材料的高光谱反射数据，分析了颜色、波段、角度等因素对反射率光谱的影响程度[2]；王丽在测量地物光谱的基础上，将实测光谱数据与高分影像数据相结合，测量植被冠层光谱与准同步“高分一号”（GF-1）卫星数据，利用实测光谱数据与GF-1卫星数据进行地物分类[3]。在影像大气校正方面，相关研究人员利用6S（Second Simulation of the Satellite Signal in the Solar Spectrum）模型对高分数据进行大气校正，并与FLAASH（Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes，FLAASH）大气校正结果进行比较。刘佳等开发的6S模型能对GF-1卫星数据进行批处理，并将6S结果与FLAASH模块结果进行对比[4]；曹红业等利用6S大气辐射传输模型建立大气校正系数查找表，实现对“高分二号”（GF-2）卫星影像数据快速有效的大气校正[5]。上述研究多是在理想条件下获取彩钢材料光谱数据，并未考虑大气等外在条件，且针对彩钢板建筑光谱测试与分析方面的研究明显不足。

由此，本文通过美国SVC（Spectra Vista Corporation）公司生产的HR-512i便携式地物光谱仪测得采样点实测光谱数据，以确定彩钢板反射率的影响因素，并对所测数据进行系列处理，得到实测光谱反射率数据。通过对数据进行光谱特征分析，对研究区实测光谱数据与GF-2卫星遥感影像光谱数据进行光谱匹配，确定适合彩钢板建筑的大气校正方法，为后续不同颜色彩钢板提取研究奠定基础，为各城市彩钢板建筑时空演化、彩钢板建筑群火灾风险评估与消防站点空间优化等问题的研究提供数据支持。

1 实验数据

在研究区内广泛分布不同涂色的彩钢板建筑，其主要涂色为蓝、红和白三种。因此，为研究彩钢板建筑实测光谱值和卫星影像光谱之间的关系，主要选取了两个方面的数据，一是GF-2卫星影像，二是实测光谱值。

选取GF-2卫星全色/多光谱相机（Panchromatic Multispectral Spectro Radiometer，PMS）影像，成像时间为2017年8月4日，太阳天顶角为22.263 1°，影像的空间分辨率为1 m（全色）和4 m（多光谱）。研究区为甘肃省兰州市安宁区，测定实验也在此区域进行，研究区影像及实测区域如图1所示。由于卫星传感器在成像过程中会产生辐射畸变，因此在实验前必须对影像进行辐射校正，为将辐射亮度或者表观反射率转换为地表实际反射率，需对影像进行大气校正。彩钢板聚集区域主要分为居民区与工业区，两区域部分影像如图2所示。

图1 研究区及实测区

图2 GF-2卫星影像

图3 实测数据点位选取

非成像高光谱数据采用SVC公司生产的HR-512i便携式地物光谱仪测得。光谱探测范围为350～1 050 nm，光谱分辨率分别为3.2 nm、9.5 nm和6.5 nm，光谱采样间隔分别为1.5 nm、3.8 nm和2.5 nm。彩钢板建筑光谱测定选用2017年生产的蓝、红、白三种不同颜色的实验材料。为测定彩钢涂层厚度、彩钢板屋顶角度、彩钢板朝向等因素对反射率的影响，分别设定涂层厚度为0.3 mm和0.4 mm，实施彩钢板与地面水平、15°夹角，及东南西北四个朝向的对比实验。光谱测试选择在天气晴朗、无风或风速较小时进行，时间为10:00～14:00（太阳高度角>45°）测定，测量时光谱仪视场角为25°，传感器探头垂直向下，距彩钢板垂直高度约0.5 m，实验时间为2021年7月17日—28日。

因彩钢板表面并不水平，每隔20 cm会有上宽3 cm、下宽4 cm、高3 cm的梯形凸起，故针对彩钢板表面特殊构造，每个实验中对每个目标选取4个测点，每个测点读取5个数据，取其均值，以降低噪声干扰和随机性。点位选取如图3所示。

2 实验流程

本实验主要分为实测光谱数据处理、影像光谱数据采集和光谱匹配三部分。

首先，对实测数据进行系列预处理，得到实测光谱，分析光谱特性；然后对影像分别进行FLAASH大气校正和6S模型大气校正，再将全色影像与经两种模型大气校正后的多光谱影像进行融合，以提高影像分辨率；在众多影像融合方法中，GF-2卫星全色与多光谱影像经超球体色彩空间变换（Hyperspherical Color Space Resolution Merge, HCS）融合后光谱扭曲度最小，即光谱保持度最高[6-7]，故本文选取HCS变换对GF-2卫星全色与多光谱进行融合。最后获取两种大气校正后彩钢板光谱数据；再将影像光谱数据与实测光谱进行光谱匹配，对比匹配结果。具体流程如图4所示。

图4 实验流程

3 数据分析方法

3.1 大气校正处理

影像中的反射率信息为表观反射率信息，为得到真实的地表反射率信息需进行辐射定标与大气校正。辐射定标是建立辐射亮度之间的定量关系[8]，大气校正可以消除大气散射、吸收和反射引起的误差[9]。

选取不同大气校正方法对影像进行预处理，对比处理后的彩钢板光谱数据，以获得适用于不同颜色彩钢板预处理方法。大气校正方法可分为经验线型法、物理模型法和半经验物理模型法[10]，其中，物理模型法即基于大气辐射传输模型法因有明确的物理意义，精度高等特点被广泛使用，主要包括FLAASH模型、6S模型、ACTOR（A Spatially-Adaptive Fast Atmospheric Correction）模型等，本文选取FLAASH模型和6S模型进行处理。

1）FLAASH大气校正。采用中等光谱分辨率大气透过率及辐射传输算法和计算模型（Moderate Spectral Resolution Atmospheric Transmittance Algorithm and Computer Model 4.0，MODTRAN4）辐射传输模型代码，可计算出大气散射后反射率和大气球面反射率等数据[11]，对高光谱、多光谱数据及航空影像进行纠正，有效消除光照和大气等引起的误差，以获取准确的地物反射率和地表温度等信息。校正的波长范围为0.4～3 μm。

2）6S辐射传输模型。6S辐射传输模型在太阳辐射能量经过大气传输至地面和地物反射能量经过大气传输至卫星传感器整个过程中，假设大气情况为无云，综合考虑水汽、氧气(O2)、臭氧(O3)、二氧化碳(CO2)等的吸收情况、气溶胶散射及分子散射、双向反射率和非均一地面等问题，进而模拟传感器在太阳反射波段的信号，校正的波长范围为0.25～4.0 μm[12]。在模型中输入的参数包括几何参数、气溶胶参数、大气模式等，几何参数包括太阳观测几何（太阳天顶角、太阳方位角）、卫星观测几何（卫星天顶角、卫星方位角、传感器高度）、地面高程等，几何参数可从GF-2卫星影像文件的XML文件中获取；气溶胶模式包括海洋型、沙漠型、都市型、大陆型等，基于研究区地理位置选取的气溶胶模式为大陆型气溶胶模式；大气模式包括热带、中纬度夏、中纬度冬、近极地夏及近极地冬等多种模式，根据影像成像时间，本文选取的大气模式为中纬度夏；6S模型内置光谱响应函数不包括GF-2卫星光谱响应函数，故将GF-2卫星光谱响应函数添加至6S模型内，为使程序直接调用，需将原始光谱响应函数重采样为2.5 nm分辨率[13]。

FLAASH大气校正的MODTRAN解决传输过程中的正向问题，即依据地表反射率，得出大气层顶辐射；进行大气纠正时，将大气传输参数代入传输公式，得到校正后的反射率。6S辐射传输模型解决传输过程中的反向问题，即依据大气层顶辐射，计算地表反射率；大气纠正过程中，输入表观反射率，后直接生成校正后反射率。

3.2 实测光谱数据处理

为了减小原始数据的误差，保证光谱数据的有效性，对野外采集的光谱数据进行预处理，主要包括：剔除错误数据、平滑操作[14]、求每组彩钢板点光谱数据平均值、对平均值进行插值、计算反射率等。

由于GF-2卫星影像数据为多光谱数据，只有4个波段，导致其反射率曲线显示为折线，而实测数据为高光谱数据，其光谱曲线为连续平滑的曲线。为提高两组数据匹配效率，需将两组数据转换到同一尺度下，目前广泛使用的方法有两种，分别为实测光谱数据依照遥感影像波段划分求各波长范围内均值和结合影像光谱响应函数将实测数据转换为卫星波段反射率。因利用光谱响应函数模拟的多光谱数据考虑了传感器在每个波长接收的辐射亮度与入射辐射亮度的比值[15]，而波段均值模拟的多光谱数据并没有考虑此因素，故本文实测光谱数据采用光谱响应函数模拟的多光谱数据。

不同波长响应强度在每个波段范围内有差异，传感器获取数据时，每个波段对应的光谱响应范围内所有的能量并不是全部被接收，而是按照一定的波谱响应率接收。通过光谱响应函数连接多光谱数据与卫星波段反射率[16]，GF-2光谱响应函数如图5所示，波段反射率的转换公式为

式中 为模拟卫星的波段反射；为地面彩钢板光谱反射率；表示波长，、表示起止波长；为传感器的光谱响应函数，波段包括蓝、绿、红、近红外等，为了使实测反射率和模拟的反射率光谱分辨率相一致，对光谱响应函数做线性插值处理，使光谱数据的分辨率为1 nm。

3.3 光谱匹配

光谱匹配是对实测光谱数据和影像地物光谱进行匹配或地物光谱与参考光谱数据库进行比较，求得两组数据间的相似性或差异性，以达到识别的目的[17]。彩钢板建筑存在特殊的光谱特性，对彩钢板实测数据与影像数据进行光谱匹配可确定不同预处理方法对各色彩钢板建筑光谱信息的还原程度。应用于多光谱数据匹配典型方法主要有光谱角度匹配和光谱信息散度匹配[18]，两种方法分别从形状与整体角度对光谱信息进行比较。

4 结果与分析

4.1 实测光谱影响因素分析

为验证彩钢涂层厚度对彩钢板反射率影响，实验在彩钢板水平状态下分别选取彩钢涂层厚度为0.3 mm和0.4 mm测定反射率结果，绘制同一点不同厚度彩钢板反射率对比图，如图6所示。彩钢板建筑顶层坡度一般为1°～30°，实验选取角度为0°与15°验证彩钢板坡度对反射率影响，绘制同一点不同坡度彩钢板反射率对比图，结果如图7所示。每个彩钢板选取4个点位，为验证点位对彩钢板反射率的影响，选取倾斜角度为0°，绘制各颜色不同点位彩钢板反射率对比图，结果如图8所示。为验证彩钢板不同朝向对反射率影响，实验选取0.4 mm红色彩钢板测定其不同朝向对应反射率，结果如图9所示。

图6 不同彩钢涂层厚度反射率对比

图7 彩钢板不同角度反射率对比

图8 彩钢板不同点位反射率对比

图9 彩钢板不同朝向反射率对比

进一步分析发现，由图6可知不同厚度彩钢涂层两条曲线基本重合，对多组数据进行t检验结果发现两组数据间均无显著差异，彩钢板厚度对反射率并无显著影响，故本研究均采用厚度为0.4 mm彩钢板进行实验。由图7可知，倾斜度数为15°时反射率比0°时反射率整体偏高，因此，后续研究将分为0°与15°分别进行。由图8可知，彩钢板不同点位对应不同反射率，因实验融合后影像分辨率为1 m，对于彩钢板凸起无法识别，故对于4个点位数据取平均，作为彩钢板表面反射数据。由图9可知，对于彩钢板朝向问题，因现实中房屋朝向并不一定按正方向，故将方位进行划分，将西北至东北方向房屋按北向计算，东北至东南向房屋按东向计算，东南至西南向房屋按南向计算，其余按西向划分。

因彩钢板聚集的居民区与工业区两区域中彩钢板面积与朝向有明显的区别，故方位因素研究时将实验区分为两个区域，对于研究区进行实地勘测，得到东南西北四个朝向彩钢板比例，居民区为3︰4︰2︰1，工业区为4︰1︰4︰1，故需对实验区反射率数据进行加权处理。

4.2 光谱特征分析

由对彩钢板反射率影响因素分析，对原始光谱数据进行方位加权及点位、角度平均后，得到角度为0°时蓝、红、白彩钢板光谱曲线结果，如图10所示；角度为15°时各颜色彩钢板光谱曲线结果如图11所示。进一步分析可知，不同颜色彩钢板反射率与变化趋势均不同，在可见光范围内各色彩钢板反射率与对应颜色光谱变化趋势一致，反映了彩钢板表面的颜色特性，蓝色彩钢板在蓝色波段反射率最高，红色彩钢板在红色波段反射率最高，白色彩钢板反射率在各波段反射率均处较高水平；在近红外波段各色彩钢板光谱反射率曲线变化趋势趋于一致，由此可见在近红外波段可体现出彩钢板表面的特性。

图10 加权前后0°彩钢板光谱反射率曲线

图11 加权前后15°彩钢板光谱反射率曲线

对比图10和图11可知，同色不同角度彩钢板建筑光谱曲线变化趋势整体一致，但角度为15°时彩钢板反射率整体比水平时反射率高36.82%。三种彩钢板在波长340～1 050 nm间均出现2个不同的反射峰，蓝色彩钢板反射率随波长增加呈现升高–下降–升高–下降趋势，在463 nm与890 nm处出现反射峰，463 nm处为极大值，15°角时反射率达66.32%，水平时达31.75%；红色彩钢板反射率随波长增加呈现下降–急剧升高–下降趋势，在382 nm与647 nm处出现反射峰，647 nm处为极大值，15°角时反射率达71.27%，水平时达51.62%；白色彩钢板反射率随波长增加呈现急剧升高–缓慢下降趋势，在429 nm与525 nm处出现反射峰，429 nm处为极大值，15°角时反射率达80.93%，水平时达71.57%。由于居民区彩钢板反射率与工业区反射率数据整体趋势并无明显差异，后续分析将以居民区数据为例进行说明。

4.3 光谱匹配结果分析

将GF-2卫星影像分别基于FLAASH模型与6S模型进行大气校正，对预处理后的影像分别提取不同颜色彩钢板反射率数据；基于光谱响应函数对实测光谱数据进行光谱模拟，居民区反射率数据如表1所示。

表1 居民区反射率数据

Tab.1 Reflectance data of residential areas 单位：%

依据表1反射率数据绘制出彩钢板多光谱反射率曲线如图12所示。结合图10和图11可知影像中白色彩钢板反射率随波长增加呈上升趋势，而实测数据显示白色彩钢板反射率随波长增加呈下降趋势；蓝色彩钢板在蓝色和近红外波段影像反射率与实测反射率一致，在绿、红波段影像反射率比实测反射率高；红色彩钢板在红色和近红外波段影像反射率与实测反射率一致，在蓝、绿波段影像反射率比实测反射率高20%。这表明对于彩钢板建筑，预处理后影像对于彩钢板信息的表达在同色波段与近红外波段更接近真实值，而在其他两个波段反射率要高于实际值。

图12 居民区多光谱反射率

将两种大气校正模型预处理后的彩钢板反射率数据分别与实测数据进行光谱匹配，结果如表2和 表3所示（最优匹配结果如加粗数值所示）：居民区与工业区光谱匹配结果一致，实测彩钢板角度为0°时光谱匹配值与SID值均小于实测彩钢板角度为15°的值，由此表明影像数据反映的是彩钢板建筑屋顶水平时的反射率；彩钢板角度固定时，蓝色与红色彩钢板FLAASH模型的值与SID均小于6S模型的值，白色彩钢板6S模型的值与SID均小于FLAASH模型的值；由此，FLAASH模型大气校正方法更能反映蓝、红彩钢板建筑的真实反射率，6S模型大气校正方法更能反映白色彩钢板建筑的真实反射率，整体6S模型反射率高于FLAASH模型反射率。在后续彩钢板建筑提取研究中，针对不同颜色彩钢板，可根据本文研究结果在预处理阶段分别选择适合该颜色的大气校正方法，从而更准确还原彩钢板光谱特征。

表2 居民区光谱匹配结果

Tab.2 Spectrum matching results in residential areas

表3 工业区光谱匹配结果

Tab.3 Spectral matching results of industrial zone

5 结论

利用SVC地物光谱仪测得三色彩钢板在不同条件下的反射率数据，并进行光谱测试，再与利用FLAASH模型和6S模型大气校正后的影像彩钢板数据分别进行光谱匹配，确定适合彩钢板建筑的大气校正方法。结果表明：三种颜色彩钢板光谱反射率曲线均能反映彩钢板表面的颜色特性，居民区彩钢板反射率与工业区彩钢板反射率数据整体趋势与反射率值并无明显差异。在各影响因素中，彩钢涂层厚度对彩钢板反射率无明显影响，彩钢板角度、点位、朝向等因素对彩钢板反射率均有影响，且彩钢板呈15°时反射率比0°时反射率整体偏高。对于彩钢板建筑，预处理后的影像对于彩钢板反射率信息的表达在同色波段与近红外波段更接近真实值，而在其他两个波段反射率要高于实际值，且FLAASH模型大气校正方法更能反映蓝、红彩钢板建筑的真实反射率，6S模型大气校正方法更能反映白色彩钢板建筑的真实反射率。

[1] 袁金国, 牛铮, 王锡平. 基于FLAASH的Hyperion高光谱影像大气校正[J]. 光谱学与光谱分析, 2009, 29(5): 1181-1185. YUAN Jinguo, NIU Zheng, Wang Xiping. Atmospheric Correction of Hyperion Hyperspectral Images Based on FLAASH[J]. Spectroscopy and Spectral Analysis, 2009, 29(5): 1181-1185. (in Chinese)

[2] 梁壬凤. 彩钢材料的光谱特性及影响因子分析[D]. 长春: 东北师范大学, 2012: 14-23. Liang Renfeng. Spectral Characteristics and Impact Factor Analysis of the Color Steel Materials [D]. Changchun: Northeast Normal University, 2012: 14-23. (in Chinese)

[3] 王丽. 基于光谱分析的GF-1典型地物提取研究[D]. 西安: 长安大学, 2017: 15-50. Wang Li. Typical Ground Object Extraction of GF-1 Image Based on Spectral Analysis[D]. Xi 'an: Chang 'an University, 2017: 15-50. (in Chinese)

[4] 刘佳, 王利民, 杨玲波, 等. 基于6S模型的GF-1卫星影像大气校正及效果[J]. 农业工程学报, 2015, 31(19): 159-168. Liu Jia, WANG Limin, YANG Lingbo, et al. GF-1 Satellite Image Atmospheric Correction Based on 6S Model and Its Effect[J]. Transactions of the Chinese Society of Agricultural Engineering, 2015, 31(19): 159-168. (in Chinese)

[5] 曹红业, 张天棋. 基于辐射传输模型的高分二号影像大气校正方法研究[J]. 红外技术, 2020, 42(6): 534-541. CAO Hongye, ZHANG Tianqi. Atmospheric Correction Algorithm for GF-2 Image Based on a Radiative Transfer Model[J]. Infrared Technology, 2020, 42(6): 534-541. (in Chinese)

[6] 孙攀, 董玉森, 陈伟涛, 等. 高分二号卫星影像融合及质量评价[J]. 国土资源遥感, 2016, 28(4): 108-113. SUN Pan, DONG Yusen, CHEN Weitao, et al. Research on Fusion of GF-2 Imagery and Quality Evaluation[J]. Remote Sensing for Land & Resources, 2016, 28(4): 108-113. (in Chinese)

[7] 陈业培, 孙开敏, 白婷, 等. 高分二号影像融合方法质量评价[J]. 测绘科学, 2017, 42(11): 35-40. CHEN Yepei, SUN Kaimin, BAI Ting, et al. Quality Assessment on Image Fusion Methods for GF-2 Data[J]. Science of Surveying and Mapping, 2017, 42(11): 35-40. (in Chinese)

[8] 程春梅, 韦玉春, 李渊, 等. 太湖水体GF-1/WFV影像的6S逐像元大气校正[J]. 遥感技术与应用, 2020, 35(1): 141-152. CHENG Chunmei, WEI Yuchun, LI Yuan, et al. Atmospheric Correction of GF-1/WFV Imagein Taihu Lake Based on the 6S Model Pixel by Pixel[J]. Remote Sensing Technology and Application, 2020, 35(1): 141-152. (in Chinese)

[9] 童庆禧, 张兵, 张立福. 中国高光谱遥感的前沿进展[J]. 遥感学报, 2016, 20(5): 689-707. TONG Qinxi, ZHANG Bing, ZHANG Lifu. Current Progress of Hyperspectral Remote Sensing in China[J]. Journal of Remote Sensing, 2016, 20(5): 689-707. (in Chinese)

[10] 苏伟, 张明政, 蒋坤萍, 等. Sentinel-2卫星影像的大气校正方法[J]. 光学学报, 2018, 38(1): 322-331. SU Wei, ZHANG Mingzhen, JIANG Kunping, et al. Atmospheric Correction Method for Sentinel-2 Satellite Imagery[J]. Acta Optica Sinica, 2018, 38(1): 322-331. (in Chinese)

[11] 谭伟, 王钰, 何红艳, 等. 常用大气校正模型对图像清晰度提升的对比分析[J]. 航天返回与遥感, 2017, 38(5): 96-105. TAN Wei, WANG Yu, HE Hongyan, et al. Comparison of Improving Image Definition with Common-used Atmospheric Correction Models[J]. Spacecraft Recovery & Remote Sensing, 2017, 38(5): 96-105. (in Chinese)

[12] 刘梓钦, 赵世湖, 裴亮, 等. GF-5卫星高光谱数据大气校正反射率精度评价[J]. 遥感信息, 2021, 36(3): 93-98. LIU Ziqin, ZHAO Shihu, PEI Liang, et al. Precision Evaluation on Atmospheric Correction Reflectance of GF-5 Satellite Hyperspectral Data[J]. Remote Sensing Information, 2021, 36(3): 93-98. (in Chinese)

[13] 胡新凯, 高海亮, 程天海. 基于光谱匹配的大气校正方法[J]. 光学学报, 2019, 39(8): 27-36. HU Xinkai, GAO Hailiang, CHENG Tianhai. Atmospheric Correction Method Based on Spectral Matching[J]. Acta Optica Sinica, 2019, 39(8): 27-36. (in Chinese)

[14] 王延仓, 顾晓鹤, 朱金山, 等. 利用反射光谱及模拟多光谱数据定量反演北方潮土有机质含量[J]. 光谱学与光谱分析, 2014, 34(1): 201-206. WANG Yancang, GU Xiaohe, ZHU Jinshan, et al. Inversion of Organic Matter Content of the North Fluvo-Aquic Based on Hyperspectral and Multi-Spectra[J]. Spectroscopy and Spectral Analysis, 2014, 34(1): 201-206. (in Chinese)

[15] 郭云开, 曹小燕, 谢琼, 等. 模拟多光谱的土壤重金属含量反演研究初探[J]. 测绘工程, 2015, 24(12): 7-11, 16. GUO Yunkai, CAO Xiaoyan, XIE Qiong, et al. Primary Research on the Inversion Model of Soil Heavy Metal Based on Simulated Multi-Spectral Data[J]. Engineering of Surveying and Mapping, 2015, 24(12): 7-11, 16. (in Chinese)

[16] 靳宁, 张东彦, 李振海, 等. 基于多光谱卫星模拟波段反射率的冬小麦水分状况评估[J]. 农业机械学报, 2020, 51(11): 243-252. JIN Ning, ZHANG Dongyan, LI Zhenhai, et al. Evaluation of Water Status of Winter Wheat Based on Simulated Reflectance of Multispectral Satellites[J]. Transactions of the Chinese Society for Agricultural Machinery, 2020, 51(11): 243-252. (in Chinese)

[17] 梅安新. 遥感导论[M]. 北京: 高等教育出版社, 2001. MEI Anxin. Introduction to Remote Sensing[M]. Beijing: Higher Education Press, 2001. (in Chinese)

[18] 刘万军, 杨秀红, 曲海成, 等. 基于光谱信息散度与光谱角匹配的高光谱解混算法[J]. 计算机应用, 2015, 35(3): 844-848. LIU Wanjun, YANG Xiuhong, QU Haicheng, et al. Hyperspectral Unmixing Algorithm Based on Spectral Information Divergence and Spectral Angle Matching[J]. Journal of Computer Applications, 2015, 35(3): 844-848. (in Chinese)

[19] KRUSE F A, LEFKOFF A B, BOARDMAN J W, et al. The Spectral Image Processing System (SIPS)—Interactive Visualization and Analysis of Imaging Spectrometer Data[J]. Remote Sensing of Environment, 1993, 44(2-3): 145-163.

[20] 许卫东, 尹球, 匡定波. 地物光谱匹配模型比较研究[J]. 红外与毫米波学报, 2005(4): 296-300. XU Weidong, YIN Qiu, KUANG Dingbo. Comparison of Different Spectral Match Models[J]. Journal of Infrared and Millimeter Waves, 2005(4): 296-300. (in Chinese)

[21] 程娟, 肖青, 闻建光, 等. 地物波谱数据库应用方法及遥感应用现状[J]. 遥感技术与应用, 2020, 35(2): 267-286. CHENG Juan, XIAO Qing, WEN Jianguang, et al. Review of Methods and Remote Sensing Cases Using Spectral Library[J]. Remote Sensing Technology and Application, 2020, 35(2): 267-286. (in Chinese)

[22] 韩海辉, 王艺霖, 任广利, 等. 几种高光谱分析法在蚀变矿物信息提取中的对比分析——以北山老金厂为例[J]. 西北地质, 2020, 53(4): 223-234. HAN Haihui, WANG Yilin, REN Guangli, et al. A Comparative Analysis of Several Hyperspectral Methods in the Extraction of Altered Minerals: A Case Study of Laojinchang in Beishan Area[J]. Northwestern Geology, 2020, 53(4): 223-234. (in Chinese)

Spectral Testing and Analysis of Color Steel Plate Building Based on Satellite Image

HONG Weili1YANG Shuwen1,2,3,*SU Hang1FU Yukai1ZHANG Naixin1

（1 Faculty of Geomatics, Lanzhou Jiaotong University, Lanzhou 730070, China）（2 National-local Joint Engineering Research Center of Technologies and Applications for National Geographic State Monitoring, Lanzhou 730070, China）（3 Gansu Provincial Engineering Laboratory for National Geographic State Monitoring, Lanzhou 730070, China）

Atmospheric radiation transmission may cause discrepancies between the satellite sensors information and the actual information, which will result in inaccurate information extraction of color steel plate buildings. In this paper, taking Anning district of Lanzhou as an example, we used the ground object spectrometer and satellite image to obtain the spectral data of typical color steel plate to determine the influencing factors of color steel plate reflectance, and we tested color steel plate reflectance and analyzed the spectral characteristics combined with the influencing factors. Then spectral matching was made between the measured spectral data and the spectral information of the image after atmospheric correction by FLAASH model and 6S model, so as to determine the atmospheric correction method suitable for spectral data of color steel plates of different colors. The results show that the spectral reflectance curve of color steel plate can reflect the color characteristics of color steel plate surface. FLAASH atmospheric correction can better reflect the real reflectance of blue and red steel plate buildings, and 6S model atmospheric correction can better reflect the real reflectance of white steel plate buildings. This study can provide technical support for the automatic interpretation of color steel plate building information.

spectroscopy; color steel plate building; spectral testing; atmospheric correction; ground object spectrometer; application of remote sensing

O433

A

1009-8518(2023)04-0113-12

10.3969/j.issn.1009-8518.2023.04.012

2022-05-04

国家自然科学基金（42161069）；兰州交通大学优秀平台支持（201806）

洪卫丽, 杨树文, 苏航, 等. 基于卫星影像的彩钢板建筑光谱测试与分析[J]. 航天返回与遥感, 2023, 44(4): 113-124.

HONG Weili, YANG Shuwen, SU Hang, et al. Spectral Testing and Analysis of Color Steel Plate Building Based on Satellite Image[J]. Spacecraft Recovery & Remote Sensing, 2023, 44(4): 113-124. (in Chinese)

洪卫丽，女，1997年生，2019年获兰州交通大学遥感科学与技术专业学士学位，现在兰州交通大学测绘科学与技术专业攻读硕士学位。主要研究方向为遥感影像处理。E-mail：2457468998@qq.com。

杨树文，男，1975年生，2011年获中国地质大学（武汉）资源与环境遥感专业博士学位，教授。主要研究方向为城市遥感及其遥感信息自动化处理等。E-mail：yangshuwen@mail.lzjtu.cn。

（编辑：陈艳霞）