JLS-5-20M东北黑土地影像数据集 - 中国科学院计算机网络信息中心

科学大数据工程优秀数据成果专题 II 区论文（已发表） • 版本 ZH3 Vol 8 (3) 2023

JLS-5-20M东北黑土地影像数据集

A dataset of JLS-5-20M black soil image in Northeast China

杨松，钟兴，巩加龙，姚晓闯，张连翀，白杨

YANG Song, ZHONG Xing, GONG Jialong, YAO Xiaochuang, ZHANG Lianchong, BAI Yang

DOI: 10.11922/11-6035.noda.2022.0018.zh
CSTR: 32001.14.11-6035.noda.2022.0018.zh
: 10.57760/sciencedb.j00001.00432

： 2022 - 07 - 04

： 2022 - 08 - 11

： 2022 - 07 - 04

： 2023 - 07 - 24

map

2872 26 0

摘要&关键词

摘要：本数据集为基于5–20 m空间分辨率的JL1GP卫星多光谱成像仪L1数据所生成的覆盖中国东三省部分黑土地区域的地表反射率数据。具体而言，首先使用基于多个均匀稳定场地的在轨绝对定标技术对两颗JL1GP卫星的多光谱成像仪进行在轨绝对辐射定标，实现不低于7%的在轨绝对辐射定标精度；再筛选对东北三省地区成像的、天气晴朗无云的JL1GP卫星多光谱成像仪L1数据作为大气校正的输入影像；最后通过基于大气辐射传输模型的大气校正算法对L1级影像数据进行大气校正并进行正射校正处理得到绝对精度不低于7%的覆盖中国东北三省部分黑土地区域的反射率产品数据集。该数据集发挥了国产JL1GP卫星空间分辨率较高、波段数量较多、成像质量稳定的优势，为东北地区黑土地的定量化遥感应用提供保障。

关键词：黑土地；JL1GP卫星；辐射定标；反射率产品

Abstract & Keywords

Abstract: This is a dataset of the surface reflectance data covering some black soil areas in the three northeastern provinces of China, based on the L1 data of the JL1GP satellites’ multispectral imager with a spatial resolution of 5-20 meters. Specifically, we adopted the on-orbit absolute calibration technology based on multiple stable sites to ensure that the on-orbit absolute radiometric calibration accuracy of the JL1GP satellites’ multispectral imagers is no less than 7%. Then, we selected the L1 data of JL1GP satellite multispectral imager that imaged in the three provinces of Northeast China with clear weather and no clouds are as the input image of atmospheric correction process. Finally, the L1-level image data are atmospherically corrected and orthorectified by the atmospheric correction algorithm based on the atmospheric radiative transfer model, to generate the reflectance product dataset covering some black soil areas in the three northeastern provinces of China with an absolute accuracy of no less than 7%. This dataset takes advantage of the domestic JL1GP satellites’ advantages of high spatial resolution, a large number of bands, and stable imaging quality, hence it can provide reliable support for quantitative remote sensing applications in the black soil areas of the three northeastern provinces in China.

Keywords: black soil; JL1GP satellite; radiometric calibration; reflectivity product

数据库（集）基本信息简介

数据库（集）名称	JLS-5-20M东北黑土地影像数据集
数据作者	杨松，钟兴，巩加龙，姚晓闯，张连翀，白杨
数据通信作者	钟兴（ciomper@163.com）
数据时间范围	2020–2021年
地理区域	东北三省部分区域，共覆盖12.0784万平方公里
空间分辨率	5–20 m
数据量	207 GB
数据格式	.tif, .hdr, .jpg, .xml
数据服务系统网址	https://doi.org/10.57760/sciencedb.j00001.00432
基金项目	国家重点研发计划（2019YFE0127000）
数据库（集）组成	参考国家科技基础条件平台—国家地球系统科学数据中心—土壤分中心所发布的黑龙江省1：100万土壤类型图（2018年）、吉林省1：100万土壤类型图（2018年）和辽宁省1：100万土壤类型图（2018年）^[1]，将其中土类分类等级中的黑土、黑钙土、棕壤、暗棕壤、草甸土和白浆土作为东北黑土地的主要组成，则数据集共包括黑土影像0.8594万平方公里；包括黑钙土影像1.085万平方公里；包括棕壤影像1.4567万平方公里；包括暗棕壤影像1.1714万平方公里；包括草甸土影像2.4153万平方公里；包括白浆土影像0.9043万平方公里。

Dataset Profile

Title	A dataset of JLS-5-20M black soil image in Northeast China
Data authors	ZHONG Xing（Email: ciomper@163.com）
Datacorresponding author	YANG Song, ZHONG Xing, GONG Jialong, YAO Xiaochuang, ZHANG Lianchong, BAI Yang
Time range	2020–2021
Geographical scope	Some regions of Heilongjiang Province, Jilin Province, and Liaoning Province in Northeast China, covering a total of 12,078,400 square kilometers.
Data volume	207 GB
Data format	.tif, .hdr, .jpg, .xml
Data service system	<https://doi.org/10.57760/sciencedb.j00001.00432 >
Sources of funding	National Key R&D Program of China (2019YFE0127000)
Datasetcomposition	Referring to the 1:100,000 soil type maps of Heilongjiang Province, Jilin Province and Liaoning Province in 2018 respectively released by the National Science and Technology Basic Conditions Platform–National Earth System Science Data Center–Soil Sub-center, we take the black soil, chernozem, brown soil, dark brown soil, meadow soil and white pulmonic soil in the soil classification level as the main components of black soil in Northeast China. And the dataset contains a total of 8,594 square kilometers of black soil images, including chernozem images 10,850 square kilometers, brown soil image 14,567 square kilometers, dark brown soil image 11,714 square kilometers, meadow soil image 24,153 square kilometers, white slurry image 90,043 square kilometers.

map

引言

黑土地土壤的肥力高，性状好，在我国的农耕土壤资源中具有重要地位^[2]。由于形成黑土地的过程极为缓慢，每形成1cm黑土壤层需要300–500年，而我国东北地区处于世界三大黑土区之一，大量的耕地面积和农林面积由黑土地构成，对东北黑土地的监测与管理越来越引起人们的关注^[3]。

传统的针对土壤的监测方法主要以人工野外调查、采样分析为主，人力物力成本高，且难以实现对较大空间范围土壤的监测分析。卫星遥感具有空间覆盖广、可重复周期性观测、无需人力实地勘测等优势，同时已有的对黑土地的定量化研究资源中缺少覆盖面积较大、电磁波波段较多的反射率遥感影像数据，因此构建覆盖东北三省大量土壤区域的高空间分辨率、多波段的反射率产品数据集对于东北黑土地的定量化研究具有重要价值。

已有的使用卫星遥感影像对黑土地进行定量化的研究，多以Landsat系列卫星影像为数据材料，在光谱特性及纹理特性两个方面进行研究。例如，马驰通过研究Landsat-8 OLI各波段反射率与有机质含量的相关性，来实现对黑土地有机质含量的反演^[4]；杨凤海等人通过使用Landsat-5 TM和Landsat-8 OLI各波段反射率构建了典型地物指数，并对各指数进行主成分分析，对黑龙江拜泉县的水土流失情况进行了动态监测^[5]；吴娟以Landsat-7 ETM和Landsat-8 OLI数据为基础，参照五常市土地分类体系和地物类型解译标准以及遥感影像光谱及纹理分析结果，应用CA—Markov模型完成了未来土地利用预测模拟研究^[6]。因此，在使用光谱特性对黑土地的研究中，波段数量的多少将影响定量化研究的精度与灵活性；在使用纹理特性进行研究时，空间分辨率越高则可实现更为准确的纹理特征提取。与Landsat系列卫星的9个波段、30 m空间分辨率的技术参数相比，JL1GP卫星具有更多的波段设置及更高的空间分辨率，故在对黑土地进行定量化遥感研究中具有明显优势。

本文基于国产JL1GP卫星对东北地区成像的影像数据，通过在轨绝对辐射定标、大气校正、正射校正处理，生成由48景覆盖东北地区部分区域的反射率影像所构成的东北三省黑土地数据集，为东北黑土地的定量化遥感研究提供数据支持与保障。

1 数据采集和处理方法

1.1 数据采集方法

搜集JL1GP卫星多光谱成像仪对东北三省成像的影像作为数据集的制作材料，由于本数据集旨在针对东北土壤的定量化研究，而夏季时土壤多被林草、农作物覆盖，因此选择从10月份至次年5月份的非夏季时间范围内的影像。为保证后续大气校正效果，选取的影像还需满足晴朗天气下、不被大面积厚云覆盖的条件。

针对所搜集的JL1GP卫星多光谱成像仪L1级影像数据，需要对其进行绝对辐射校正、大气校正和正射校正，最终得到各景影像的地表反射率数据。绝对辐射校正需要依靠有精度保证的在轨绝对辐射定标方法对JL1GP卫星的多光谱成像仪进行在轨定标。本文使用基于多个稳定目标的在轨绝对辐射定标方法，通过JL1GP卫星多光谱成像仪对多个稳定目标成像影像，结合各稳定目标的MODIS地表反射率数据、大气数据，对多光谱成像仪进行绝对辐射定标^[7]。通过在轨定标得到的绝对辐射定标系数将多光谱成像仪L1灰度值影像计算到表观辐亮度影像，再进行后续大气校正处理。大气校正过程使用基于6SV大气辐射传输模型的大气校正算法，以多光谱成像仪的成像参数、光谱相应参数以及成像时刻对应的MODIS大气参数作为辐射传输模型的输入，反演得到各波段的反射率影像，最后通过正射校正得到最终的反射率数据产品。主要技术路线如图1所示：

图1 总体技术路线

Figure 1 Overall technical route

1.2 数据查询与整理

以黑龙江省、吉林省、辽宁省的省域矢量为覆盖对象，查询具体JL1GP卫星多光谱成像仪对东北三省成像的L1级影像。JL1GP卫星多光谱成像仪的L1级影像共有20个波段，包括1个全色波段和19个多光谱波段。其中19个多光谱波段中，有7个空间分辨率为5 m的波段、6个空间分辨率为10 m的波段以及7个空间分辨率为20 m的波段。用于制作数据集的L1级影像的挑选遵循以下原则：

（1）影像中无大量厚云覆盖（云量小于5%）；

（2）由于夏季土壤多被农作物、林草覆盖，故挑选秋冬十月至次年五月时间范围内成像的影像；

（3）为保证大气校正环节精度，避免大观测天顶角下大气校正误差的增多，选取观测天顶角小于15度的影像。

最终挑选的共48景影像如表1所示，48景影像的总覆盖面积为12.0784万平方公里。将国家科技基础条件平台—国家地球系统科学数据中心-土壤分中心所发布的黑龙江省1：100万土壤类型图（2018年）、吉林省1:100万土壤类型图（2018年）和辽宁省1:100万土壤类型图（2018年）中土类分类等级中为黑土、黑钙土、棕壤、暗棕壤、草甸土和白浆土的矢量合并作为东北黑土地的空间矢量区域^[1]，则本数据集对黑土地的覆盖情况如图2所示，总覆盖黑土地面积为7.8921万平方公里。

图2 数据集覆盖范围（红色框线为各景影像边缘，蓝色背景为黑土地区域）

Figure 2 Coverage of the dataset (the red frame is the image edge of each scene, and the blue background is the black soil area)

表1 JL1GP卫星1级影像筛选列表

序号	数据产品ID	成像日期（北京时间）
1	JL1GP02_PMS1_20201012115128_200032286_102_0005_001_L1	2020-10-12
2	JL1GP02_PMS1_20201012115128_200032286_102_0006_001_L1	2020-10-12
3	JL1GP02_PMS1_20201012115128_200032286_102_0007_001_L1	2020-10-12
4	JL1GP02_PMS1_20201012115128_200032286_102_0008_001_L1	2020-10-12
5	JL1GP02_PMS1_20201012115128_200032286_102_0009_001_L1	2020-10-12
6	JL1GP02_PMS1_20201012115128_200032286_102_0010_001_L1	2020-10-12
7	JL1GP02_PMS1_20201012115128_200032286_102_0011_001_L1	2020-10-12
8	JL1GP02_PMS1_20201012115128_200032286_102_0012_001_L1	2020-10-12
9	JL1GP02_PMS2_20211023115834_200064655_101_0013_001_L1	2021-10-23
10	JL1GP02_PMS2_20211023115834_200064655_101_0012_001_L1	2021-10-23
11	JL1GP02_PMS2_20211023115834_200064655_101_0011_001_L1	2021-10-23
12	JL1GP02_PMS2_20211023115834_200064655_101_0010_001_L1	2021-10-23
13	JL1GP02_PMS2_20211023115834_200064655_101_0009_001_L1	2021-10-23
14	JL1GP02_PMS2_20211023115834_200064655_101_0008_001_L1	2021-10-23
15	JL1GP02_PMS2_20211023115834_200064655_101_0007_001_L1	2021-10-23
16	JL1GP02_PMS2_20211023115834_200064655_101_0006_001_L1	2021-10-23
17	JL1GP02_PMS2_20211023115834_200064655_101_0005_001_L1	2021-10-23
18	JL1GP02_PMS2_20210405121252_200046275_101_0012_001_L1	2021-04-05
19	JL1GP02_PMS2_20210405121252_200046275_101_0013_001_L1	2021-04-05
20	JL1GP02_PMS2_20210405121252_200046275_101_0014_001_L1	2021-04-05
21	JL1GP02_PMS2_20210405121252_200046275_101_0015_001_L1	2021-04-05
22	JL1GP02_PMS2_20210405121252_200046275_101_0016_001_L1	2021-04-05
23	JL1GP02_PMS2_20210405121252_200046275_101_0017_001_L1	2021-04-05
24	JL1GP02_PMS2_20210405121252_200046275_101_0018_001_L1	2021-04-05
25	JL1GP02_PMS2_20210405121252_200046275_101_0019_001_L1	2021-04-05
26	JL1GP02_PMS2_20210405121252_200046275_101_0020_001_L1	2021-04-05
27	JL1GP02_PMS2_20210407115212_200046463_101_0017_001_L1	2021-04-07
28	JL1GP02_PMS2_20210407115212_200046463_101_0016_001_L1	2021-04-07
29	JL1GP02_PMS2_20210407115212_200046463_101_0015_001_L1	2021-04-07
30	JL1GP02_PMS2_20210407115212_200046463_101_0014_001_L1	2021-04-07
31	JL1GP02_PMS2_20210407115212_200046463_101_0013_001_L1	2021-04-07
32	JL1GP02_PMS2_20210407115212_200046463_101_0012_001_L1	2021-04-07
33	JL1GP02_PMS2_20210407115212_200046463_101_0011_001_L1	2021-04-07
34	JL1GP02_PMS2_20210407115212_200046463_101_0010_001_L1	2021-04-07
35	JL1GP02_PMS2_20210407115212_200046463_101_0009_001_L1	2021-04-07
36	JL1GP01_PMS1_20211027115946_200065070_101_0001_001_L1	2021-10-27
37	JL1GP01_PMS1_20211027115946_200065070_101_0002_001_L1	2021-10-27
38	JL1GP01_PMS1_20211027115946_200065070_101_0003_001_L1	2021-10-27
39	JL1GP01_PMS1_20211027115946_200065070_101_0005_001_L1	2021-10-27
40	JL1GP01_PMS1_20211027115946_200065070_101_0004_001_L1	2021-10-27
41	JL1GP01_PMS1_20211027115946_200065070_101_0006_001_L1	2021-10-27
42	JL1GP01_PMS1_20211027115946_200065070_101_0007_001_L1	2021-10-27
43	JL1GP01_PMS1_20211027115946_200065070_101_0008_001_L1	2021-10-27
44	JL1GP02_PMS2_20210519121244_200050292_102_0005_001_L1	2021-05-19
45	JL1GP02_PMS2_20210519121244_200050292_102_0004_001_L1	2021-05-19
46	JL1GP02_PMS2_20210519121244_200050292_102_0003_001_L1	2021-05-19
47	JL1GP02_PMS2_20210519121244_200050292_102_0002_001_L1	2021-05-19
48	JL1GP02_PMS2_20210519121244_200050292_102_0001_001_L1	2021-05-19

1.3 数据预处理

1.3.1 在轨绝对辐射定标

遥感卫星传感器在轨运行过程中，辐射特性会随外界环境和系统老化等因素的影响发生一定变化^[8]。在轨的绝对定标精度将直接影响后续大气校正的精度，因此除了发射前对传感器进行绝对辐射定标外，在发射后还需要对传感器进行在轨绝对辐射定标。

基于稳定目标的在轨定标方法起初主要用于对卫星传感器进行长时间序列的相对定标，或基于不同时间下的相对衰减关系和某一时刻的绝对定标系数来推演各时间下的绝对定标系数^[9-10]。后有学者通过使用多个稳定场景目标对FY-3A/MERSI和FY-3C/MERSI等中等分辨率传感器进行了在轨绝对辐射定标，结果表明该方法可实现较高的定标精度^[11-12]。使用基于多个稳定目标进行在轨绝对辐射定标具有人力物力成本低、可定标频次高、可实现历史数据定标等优点，故本文使用该方法对JL1GP卫星的多光谱传感器进行定标。

使用的稳定目标地理位置如表2所示：

表2 稳定目标位置列表

序号	场地名称	纬度/ °N	经度/ °E
1	Arabia1	18.88	46.76
2	Arabia2	20.13	50.96
3	Algeria 3	30.32	7.66
4	Algeria 5	31.02	2.23
5	Libya 1	24.42	13.35
6	Libya 4	28.55	23.39
7	Mali	19.12	-4.85
8	Mauritania 1	19.40	-9.30
9	Mauritania 2	20.85	-8.78
10	Niger2	21.37	10.59
11	Sonora	31.95	-114.1
12	Sudan1	21.74	28.22

具体的操作过程为：使用MCD43A1产品中提供MODIS的band1-band5波长处的BRDF模型参数值来计算对应波段的地表方向反射率，从MCD19A1产品中获取NODIS的band8波长处的地表方向反射率，将上述反射率产品结合MCD19A2产品中的气溶胶数据和水汽数据、MOD07（MYD07）产品中的臭氧数据，输入MODTRAN辐射传输模型计算得到多光谱传感器的表观辐亮度光谱，再与各波段的光谱响应函数卷积得到各波段的入瞳辐亮度值，最终与各波段对稳定目标成像的灰度值拟合得到各波段的在轨绝对辐射定标系数。利用JL1GP卫星10月18日对包头场地成像的影像，将使用重新标定的定标系数计算出的包头场地入瞳辐亮度与具有较高辐射定标精度的包头场地定标辐亮度数据进行对比，如表3所示。各波段与场地定标结果相对差异的绝对值再取均值为3.18%，具有较高的可信度。

表3 重新标定的观测辐亮度与包头场地标定辐亮度对比

波段	观测辐亮度 / Wm^-2um^-1sr^-1	场地定标辐亮度 /Wm^-2um^-1sr^-1	相对差异
B0	66.60	67.90	-1.93%
B1	51.83	52.22	-0.75%
B2	58.48	58.70	-0.38%
B3	63.95	64.56	-0.94%
B4	68.87	68.33	0.79%
B5	75.98	74.59	1.87%
B6	62.04	58.07	6.84%
B7	66.33	63.61	4.27%
B8	73.35	74.86	-2.02%
B9	75.84	74.87	1.29%
B10	71.94	71.96	-0.02%
B11	69.97	71.53	-2.17%
B12	66.77	67.20	-0.64%
B13	58.42	54.95	6.31%
B14	77.86	76.06	2.37%
B15	76.18	73.92	3.06%
B16	68.99	65.72	4.97%
B17	47.98	52.90	-9.31%
B18	28.25	31.19	-9.43%
B19	46.75	48.82	-4.25%

1.3.2 大气校正

大气校正的过程使用基于6SV辐射传输模型的校正方法。6SV大气辐射传输模型是遥感领域公认的精度较高的大气辐射传输模型，被业内众多学者、机构所研究、使用。6SV模型考虑了目标物的海拔高度、地表非均匀状况和气体对辐射吸收的影响，对分子和气溶胶散射作用的计算使用近似和逐次散射算法。并且对于在传感器的光线传输路径中，对光线受大气的影响进行了不同的描述，其中包括了9种较为成熟的描述二向反射的核驱动模型。

对经过绝对辐射校正得到的各波段表观辐亮度数据使用6SV反演地表反射率，需要输入各波段的光谱响应参数、观测几何参数之外，还需要输入同步的大气参数，包括气溶胶数据、水汽数据以及臭氧数据。由于MODIS大气产品为公认的精度较高的大气产品，其大气产品可实现全球日覆盖，因此可使用MODIS大气产品中的大气参数来同步输入大气辐射传输模型对光谱星进行大气校正。本文使用MODIS的MOD08/MYD08产品来获取JL1GP卫星影像对应日期的大气参数。MOD08/MYD08为MODIS的L3级大气产品，其质量得到了较好的控制与保证，其数据中包括全球1°×1°的日平均气溶胶光学厚度、水汽含量和臭氧含量。结合大气参数后，用6SV模型可计算出三项系数xa、xb、xc来对辐亮度数据进行大气校正，如式（1）所示。

ρ =(xa×L-xb)/[1+(xa×L-xb)×xc] (1)

JL1GP卫星数据作为高空间分辨率遥感影像由于空间分辨率高而像素个数较多，若对逐像元使用6SV大气辐射传输模型进行大气校正会使得计算量过大、计算时间过长。由于同一景影像内的大气状态相似性较强，故可对影像四个角点处的xa、xb、xc系数进行双线性插值，得到各像素处的xa、xb、xc系数，来对各像素进行大气校正。

如图3所示，以系数xa为例，像素位置从0计数，四个角点处的xa系数分别为：xa(0,0)、xa(0,c)、xa(h,c)、xa(h,0)。对于(u,v)处的像素点，其距离第一列像素的归一化距离为α=v/c；距离第一行像素的归一化距离为β=u/h，则(u,v)处像素点的系数为：

xa (u,v)=xa(0,0)×(1-α)(1-β)+xa(0,c)×α(1-β)+xa(h,0)×β(1-α)+xa(h,c)×αβ (2)

图3 大气校正系数插值示意图

Figure 3 Schematic diagram of atmospheric correction coefficient interpolation

2 数据样本描述

本数据集主要覆盖黑龙江省南部、吉林省、辽宁省北部以及内蒙古东部区域，共48景“吉林一号”JL1GP卫星影像，覆盖黑土、黑钙土、草甸土等土壤类型，不同区域的土壤地物示例图如图4所示。以下选取了吉林省长春市北部、大安市西部区域的影像对本数据集进行说明。

（1）吉林省长春市北部区域。该区域土壤类型以黑土为主，两期JL1GP卫星影像成像时间分别为2020年10月12日和2021年10月23日，影像中土地利用类型以耕地为主，其中大部分为旱地、河流两岸分布少量水田。

（2）吉林省大安市西部区域。该区域土壤类型主要包括黑钙土和草甸土，但出现较为严重的盐渍化。该区域两期JL1GP卫星影像成像时间分别为2021年4月5日和2021年10月27日，影像中土地利用类型以耕地、草地和湿地为主，耕地中旱地、水田均有较大面积分布。

图4 JLS-5M黑土数据集卫星影像样本

a. 2020年10月12日长春北部旱地卫星影像	b. 2021年10月23日长春北部旱地卫星影像
c. 2020年10月12日长春北部水田卫星影像	d. 2021年10月23日长春北部水田卫星影像
e. 2021年4月5日大安西部旱地卫星影像	f. 2021年10月27日大安西部旱地卫星影像
g. 2021年4月5日大安西部水田卫星影像	h. 2021年10月27日大安西部水田卫星影像

3 数据质量控制和评估

构成数据集的基本单元为反射率影像产品，对反射率反演精度的检验一般通过两种途径进行：在影像成像当天在影像成像区域内进行人工实地地表反射率同步测量，再转换成各波段反射率值，将反射率产品的值与之进行对比；与其他的精度有保障的同类型数据产品进行对比。由于缺少同步地面测量反射率数据，需要使用第二种方式进行反射率反演精度评价。

与其他反射率产品进行对比，需要考虑参考卫星与JL1GP卫星在空间分辨率和波段设置方面的差异。由于地面多为不均匀地物，无法在很大的空间尺度内保证地物均一，因此不宜使用MODIS等与之空间分辨率差异较大的参考卫星的反射率产品进行对比验证。因此最终使用空间分辨率相近的哨兵2A/2B的反射率影像产品进行定量的对比评估。哨兵2号卫星为欧洲航天局“全球环境与安全监测”计划中两颗高分辨率多光谱成像卫星，其多光谱成像仪覆盖13个波段，空间分辨率为10–60 m。哨兵2号包含哨兵2A卫星和哨兵2B卫星，可提供精度为5%的L2A级地表反射率产品^[13]。真实性检验过程需要选择与JL1GP卫星多光谱成像仪光谱范围设置相似的哨兵2号数据进行对比。筛选哨兵2号与JL1GP卫星中心波长差异小于10 nm的波段并参考波段宽度设置的差异，最终使用哨兵2号的第2、3、4、5、6、7、8、8a波段与数据集中的第3、4、5、10、11、12、6、13波段数据进行对比。

用来对比的哨兵数据，需要与本数据集有共同拍摄区域，同时云量小、与本数据集成像时间差不超过48小时。经过筛选，用来对比验证的像对信息如表4所示。

表4 与哨兵2号数据对比验证影像对信息

像对序号	数据产品ID	成像时间（北京时间）
1	JL1GP02_PMS1_20201012115128_200032286_102_0010_001_L3B	2020-10-12 11:51
1	S2B_MSIL2A_20201012T022629_N0214_R046_T51TXH_20201012T050633	2020-10-12 10:26
2	JL1GP02_PMS2_20211023115834_200064655_101_0011_001_L3B	2021-10-23 11:59
2	S2A_MSIL2A_20211022T022741_N0301_R046_T51TXH_20211022T053123	2021-10-22 10:28
3	JL1GP02_PMS2_20210405121252_200046275_101_0019_001_L3B	2021-04-05 12:13
3	S2B_MSIL2A_20210406T024549_N0300_R132_T51TWJ_20210406T054125	2021-04-06 10:46
4	JL1GP02_PMS2_20210407115212_200046463_101_0011_001_L3B	2021-04-07 11:52
4	S2B_MSIL2A_20210407T021559_N0300_R003_T52TDP_20210407T043450	2021-04-07 10:16
5	JL1GP01_PMS1_20211027115946_200065070_101_0001_001_L3B	2021-10-27 12:00
5	S2A_MSIL2A_20211028T024821_N0301_R132_T51TWL_20211028T055559	2021-10-28 10:48
6	JL1GP02_PMS2_20210519121244_200050292_102_0001_001_L3B	2021-05-19 12:13
6	S2A_MSIL2A_20210518T023551_N0300_R089_T51TWK_20210518T052911	2021-05-18 10:36

与哨兵2号反射率产品进行统计对比的过程如下：

（1）在JL1GP卫星影像中遍历各像素，通过地理信息（经纬度）判断该像素对应的位置是否也在哨兵2号数据中成像，若也在哨兵2号影像中则进行第（2）步；

（2）以该像素为中心的9×9像素区域内的非均匀性（标准差除以均值）小于3%，则进行步骤（3）；

（3）由于水体反射率在不同时相下的差异较大，因此将近红外波段（B6）反演反射率小于0.1的像元判为水体像元剔除，若该像元被判为非水体像元，提取该像元在第3、4、5、10、11、12、6、13波段的反射率值，并按经纬位置在哨兵数据中提取相同位置像元的第2、3、4、5、6、7、8、8a波段反射率数据；

（4）所有像素遍历完成后，各像素数据集反射率与哨兵反射率之间的相对差异，并对各像素对的相对差异取绝对值，计算所有像素的相对差异绝对值的均值，作为数据集中该影像、该波段的反射率精度。

所有影像对、各波段的反射率提取结果如图5所示，反射率精度验证结果如表5所示，可以看到，数据集的测试影像中，多数测试影像的各波段反射率与哨兵2号反射率数据的决定系数Rsquare都大于0.9，与哨兵2号反射率数据的相对差异都小于7%，具有较优的反射率反演精度。

图5 与哨兵2号反射率对比

Figure 5 Comparison with the reflectivity of Sentinel-2

表5 与哨兵2号反射率数据相对差异

像对1	JL1GP卫星数据产品ID	JL1GP02_PMS1_20201012115128_200032286_102_0010_001_L3B
	波段	B3	B4	B5	B10	B11	B12	B6	B13
	与哨兵数据相对差异	6.78%	6.85%	6.92%	5.84%	4.16%	6.19%	6.24%	6.78%
像对2	JL1GP卫星数据产品ID	JL1GP02_PMS2_20211023115834_200064655_101_0011_001_L3B
	波段	B3	B4	B5	B10	B11	B12	B6	B13
	与哨兵数据相对差异	6.90%	5.49%	5.98%	4.47%	3.24%	3.34%	6.88%	4.41%
像对3	JL1GP卫星数据产品ID	JL1GP02_PMS2_20210405121252_200046275_101_0019_001_L3B
	波段	B3	B4	B5	B10	B11	B12	B6	B13
	与哨兵数据相对差异	6.03%	6.04%	5.23%	4.68%	4.36%	4.57%	5.22%	4.53%
像对4	JL1GP卫星数据产品ID	JL1GP02_PMS2_20210407115212_200046463_101_0011_001_L3B
	波段	B3	B4	B5	B10	B11	B12	B6	B13
	与哨兵数据相对差异	6.52%	6.67%	5.51%	4.61%	5.79%	5.75%	5.55%	5.04%
像对5	JL1GP卫星数据产品ID	JL1GP01_PMS1_20211027115946_200065070_101_0001_001_L3B
	波段	B3	B4	B5	B10	B11	B12	B6	B13
	与哨兵数据相对差异	6.50%	5.04%	4.46%	4.62%	6.04%	5.00%	5.99%	6.46%
像对6	JL1GP卫星数据产品ID	JL1GP02_PMS2_20210519121244_200050292_102_0001_001_L3B
	波段	B3	B4	B5	B10	B11	B12	B6	B13
	与哨兵数据相对差异	5.16%	4.00%	4.18%	3.94%	3.54%	3.24%	4.46%	3.95%

4 数据使用方法和建议

本数据集的基本构成单元为JL1GP卫星多光谱成像仪的L3B级地表反射率产品，该等级产品以L1级标准产品为基础制作而成。由于JL1GP卫星多光谱成像仪的分辨率有5 m、10 m和20 m，故制作成L3B级反射率产品时，原L1级产品中的5 m分辨率的全色谱段独立于其他多光谱波段而制作成以*L3B_B0.tif为命名方式的geotiff格式影像文件，该文件中只包含B0谱一个波段的反射率数据；原L1级产品中B0波段之外的6个5 m分辨率波段（B1-B6）波段，被保留原分辨率，制作成了以*L3B_5m.tif为命名方式的5 m多光谱geotiff格式影像文件；原L1级产品中的6个10 m分辨率波段（B7-B12）波段，与被降样为10 m的B1-B6波段共同制作成了以*L3B_10m.tif为命名方式的10 m多光谱geotiff格式影像文件，该文件中有B1-B12共12个波段的反射率影像；以同样的方式，原L1级产品中的7个20 m分辨率波段（B13-B19）波段与被降样为20 m的B1-B12波段共同制作成了以*L3B_20m.tif为命名方式的20 m多光谱geotiff格式影像文件，该文件中有B1-B19共19个波段的反射率影像。影像中各像素的像素值乘以比例因子0.0001即为该像素的反射率值。

上述含有多个波段反射率数据的5 m反射率影像、10 m反射率影像以及20 m反射率影像中，各波段数据都按各波段中心波长从小到大的顺序叠放。因此，对于对空间分辨率要求更高而光谱分辨率（波段数量）要求较低的用户，推荐使用5 m反射率影像或10 m反射率影像进行定量化研究；反之则可以使用20 m反射率影像来获得最大波段数量的反射率信息。本数据集中每个geotiff反射率文件都提供与之对应的可供ENVI（Environment for Visualizing Images）遥感影像处理平台识别的*.hdr头文件，来增加对反射率影像数据的描述。如图6所示，以数据集中的JL1GP02_PMS1_20201012115128_200032286_102_0009_001_L3B数据为例，将其20 m分辨率影像（JL1GP02_PMS1_20201012115128_200032286_102_0009_001_L3B_20m.tif）加载在ENVI中，可以看到该影像文件中各波段的波段名称和中心波长信息，同时可使用Spectral Profile功能即时查看以各波段序号为横坐标的反射率曲线。可以看到对于其中的一处植被地物（43.63°N，125.38°E），反射率曲线的形状与典型植被反射率曲线形状较为一致。

图6 ENVI中Spectral Profile功能查看数据集各波段反射率示例

Figure 6 Spectral Profile function in ENVI to view an example of the reflectivity of each band of the dataset

[1]

潘贤章, 潘恺. 全国土壤标本数据库(1953-2008)[DB].国家地球系统科学数据共享平台-土壤科学数据中心.2015. [PAN X J, PAN K. National Database of Soil Specimens (1953-2008) [DB]. Soil SubCenter, National Earth System Science Data Center, National Science & Technology Infrastructure of China]

+ CSCD · Baidu Scholar

[2]

汪景宽, 李双异, 张旭东, 等. 20年来东北典型黑土地区土壤肥力质量变化[J]. 中国生态农业学报, 2007, 15(1): 19–24. [WANG J K, LI S Y, ZHANG X D, et al. Spatial and temporal variability of soil quality in typical black soil area in Northeast China in 20 years[J]. Chinese Journal of Eco-Agriculture, 2007, 15(1): 19–24.]

+ CSCD · Baidu Scholar

[3]

代琳, 王偌冰, 贾志辉, 等. 浅谈黑龙江省黑土资源现状和问题及治理对策[J]. 农场经济管理, 2019(2): 14–16. DOI: 10.3969/j.issn.1002-2635.2019.02.003. [DAI L, WANG R B, JIA Z H, et al. Discussion on the present situation, problems and control countermeasures of black soil resources in Heilongjiang Province[J]. Farm Economic Management, 2019(2): 14–16. DOI: 10.3969/j.issn.1002-2635.2019.02.003.]

+ CSCD · Baidu Scholar

[4]

马驰. 基于Landsat 8遥感图像的长春中北部地区土壤有机质含量反演[J]. 江苏农业科学, 2016, 44(12): 415–419. DOI: 10.15889/j.issn.1002-1302.2016.12.126. [MA C. Inversion of soil organic matter content in central and northern Changchun based on Landsat 8 remote sensing image[J]. Jiangsu Agricultural Sciences, 2016, 44(12): 415–419. DOI: 10.15889/j.issn.1002-1302.2016.12.126.]

+ CSCD · Baidu Scholar

[5]

杨凤海, 宋佳佳, 赵烨荣, 等. 东北黑土水土流失区生态环境遥感动态监测[J]. 环境科学研究, 2018, 31(9): 1580–1587. DOI: 10.13198/j.issn.1001-6929.2018.05.24. [YANG F H, SONG J J, ZHAO Y R, et al. Dynamic monitoring of ecological environment in black soil erosion area of northeast China based on remote sensing[J]. Research of Environmental Sciences, 2018, 31(9): 1580–1587. DOI: 10.13198/j.issn.1001-6929.2018.05.24.]

+ CSCD · Baidu Scholar

[6]

吴娟. 黑土区县级尺度土地利用变化及空间格局模拟研究[D]. 哈尔滨市: 黑龙江大学, 2017. [Wu J. Simulation study on county-scale land use change and spatial pattern in black soil area[D]. Harbin City: Heilongjiang University, 2017.]

+ CSCD · Baidu Scholar

[7]

杨松, 黄帅, 白杨, 等. 基于多个稳定目标的吉林一号光谱02卫星多光谱成像仪的在轨绝对辐射定标[J]. 遥感技术与应用, 2022229. [YANG S, HUANG S, BAI Y, et al. On-orbit absolute radiometric calibration for the Multi-Spectral Imager of Jilin-1/GP02 based on multiple stable targets[J]. Remote Sensing Technology and Application, 2022229.]

+ CSCD · Baidu Scholar

[8]

王付刚, 张伟, 汪洪源, 等. 运动状态对卫星多谱段光学特性的影响分析[J]. 光学学报, 2012, 32(10): 29–36. [WANG F G, ZHANG W, WANG H Y, et al. Influence of motion status on multispectral optical characteristics of satellites[J]. Acta Optica Sinica, 2012, 32(10): 29–36.]

+ CSCD · Baidu Scholar

[9]

FRANK STAYLOR W. Degradation rates of the AVHRR visible channel for the NOAA 6, 7, and 9 spacecraft[J]. Journal of Atmospheric and Oceanic Technology, 1990, 7(3): 411–423. DOI: 10.1175/1520-0426(1990)007<0411: drotav>2.0.co;2.

+ CSCD · Baidu Scholar

[10]

谢玉娟. 基于沙漠场景的HJ-1 CCD相机在轨辐射定标研究[D]. 焦作市：河南理工大学, 2011.[XIE Y J. The in-orbit radiometric calibration research for the HJ-1 CCD cameras based on desert scene[D]. Jiaozuo City: Henan Polytechnic University, 2011.]

+ CSCD · Baidu Scholar

[11]

SUN L, HU X Q, GUO M H, et al. Multisite calibration tracking for FY-3A MERSI solar bands[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(12): 4929–4942. DOI: 10.1109/TGRS.2012.2215613.

+ CSCD · Baidu Scholar

[12]

王玲, 胡秀清, 陈林. 基于多种亮度稳定目标的FY-3C/中分辨率光谱成像仪的反射太阳波段辐射定标[J]. 光学精密工程, 2015, 23(7): 1911–1920. DOI: 10.3788/OPE.20152307.1911. [WANG L, HU X Q, CHEN L. FY-3C/MERSI caliration for solar band using multi-reflectance stable targets[J]. Optics and Precision Engineering, 2015, 23(7): 1911–1920. DOI: 10.3788/OPE.20152307.1911.]

+ CSCD · Baidu Scholar

[13]

MAIN-KNORN M, PFLUG B, LOUIS J, et al. Sen2Cor for sentinel-2[C]//Image and Signal Processing for Remote Sensing XXIII. Warsaw, Poland. SPIE, 2017. DOI: 10.1117/12.2278218.

+ CSCD · Baidu Scholar

数据引用格式

杨松, 钟兴, 巩加龙, 等. JLS-5-20M东北黑土地影像数据集[DS/OL]. Science Data Bank, 2023. (2023-06-05). DOI: 10.57760/sciencedb.j00001.00432.

map

稿件与作者信息

论文引用格式

杨松, 钟兴, 巩加龙, 等. JLS-5-20M东北黑土地影像数据集[J/OL]. 中国科学数据, 2023, 8(3). (2023-06-05). DOI: 10.11922/11-6035.noda.2022.0018.zh.

杨松

YANG Song

主要承担工作：数据的搜集与整理，在轨绝对辐射定标算法的研发，大气校正软件的开发，数据集真实性检验与质量控制，论文撰写。

杨松（1994—），男，吉林省白山市人，硕士，工程师，研究方向为遥感影像辐射预处理与辐射定标。

钟兴

ZHONG Xing

主要承担工作：数据集构建技术框架设计，数据集质量控制。

ciomper@163.com

钟兴（1982—），男，四川省自贡市人，博士生导师，研究员，研究方向为空间光学遥感。

巩加龙

GONG Jialong

主要承担工作：数据集样本分析与描述，论文撰写，数据集质量控制。

巩加龙（1991—），男，山东省临沂市人，硕士，工程师，研究方向为农业遥感。

姚晓闯

YAO Xiaochuang

主要承担工作：数据集质量控制。

姚晓闯（1986—），男，河南省登封市人，博士，副教授，研究方向为时空大数据技术及应用。

张连翀

ZHANG Lianchong

主要承担工作：数据集任务规划和质量检查。

张连翀（1985—），男，河北省张家口市人，博士，助理研究员，研究方向为遥感大数据治理。

白杨

BAI Yang

主要承担工作：数据集总体算法设计，论文撰写，数据集质量控制。

白杨（1983—），女，辽宁省鞍山市人，博士，研究员，研究方向为卫星遥感数据处理。

国家重点研发计划（2019YFE0127000）

National Key R&D Program of China (2019YFE0127000)

map

出版历史

II区出版时间：2023年7月24日（版本ZH3）