【基于MODIS山东省植被指数影像数据库的实现】 为什么在影像中植被呈现红色

　　摘要：基于ＭＯＤＩＳ数据，利用ＥＮＶＩ软件分析处理得到山东省的归一化植被指数（ＮＤＶＩ）与增强型植被指数（ＥＶＩ）影像数据，通过对影像数据进行分块、编码和建立索引，建立了山东省ＮＤＶＩ和ＥＶＩ植被指数影像数据库，并可提供数据下载服务。
　　关键词：山东省；归一化植被指数；增强型植被指数；影像数据库
　　中图分类号：Ｐ２０８ 文献标识码：Ａ 文章编号：0439－８114（２０11）09－1890-03
　　
　　Ｉｍｐｌｅｍｅｎｔａｔｉｏｎ ｏｆ Ｖｅｇｅｔａｔｉｏｎ Ｉｎｄｅｘ Ｉｍａｇｅ Ｄａｔａｂａｓｅ of Ｓｈａｎｄｏｎｇ Ｐｒｏｖｉｎｃｅ Ｂａｓｅｄ
　　ｏｎ ＭＯＤＩＳ
　　
　　ＹＡＮＧ Ｊｉｅ
　　（Ｓｈａｎｄｏｎｇ Ｉｎｓｔｉｔｕｔｅ ｏｆ Ａｇｒｉｃｕｌｔｕｒｅ Ｓｕｓｔａｉｎａｂｌｅ Ｄｅｖｅｌｏｐｍｅｎｔ， Ｊｉｎａｎ ２５０１００，China）
　　
　　Ａｂｓｔｒａｃｔ： Ｔｈｅ Ｉｍａｇｅ ｄａｔａs ｏｆ ＮＤＶＩ ａｎｄ ＥＶＩ ｉｎ Ｓｈａｎｄｏｎｇ pｒｏｖｉｎｃｅ ｗｅｒｅ ｂｕｉｌｔ ｂｙ ａｎａｌｙｚｉｎｇ ｔｈｒｏｕｇｈ ＥＮＶＩ ｓｏｆｔｗａｒｅ ｂａｓｅｄ ｏｎ ＭＯＤＩＳ． Ａｎｄ ｔｈｅ ｉｍａｇｅ database was established by blocking，coding and indexing image data and the ｄｏｗｎｌｏａｄ ｓｅｒｖｉｃｅ waｓ ａｌｓｏ ｐｒｏｖｉｄｅｄ．
　　Ｋｅｙ ｗｏｒｄｓ： Ｓｈａｎｄｏｎｇ ｐｒｏｖｉｎｃｅ； ＮＤＶＩ； ＥＶＩ； Ｉｍａｇｅ ｄａｔａｂａｓｅ
　　ＮＤＶＩ和ＥＶＩ是对中分辨率成像光谱仪数据（ＭＯＤＩＳ） 选用的两种植被指数。通过遥感技术对植物物候机理的研究分析证明，植被指数可反映植被各物候期的特征，其中归一化差异植被指数（Ｎｏｒｍａｌｉｚｅｄ Ｄｉｆｆｅｒｅｎｃｅ Ｖｅｇｅｔａｔｉｏｎ Ｉｎｄｅｘ，ＮＤＶＩ）的时间序列分析，已成为人们研究植被变化的有效手段［１］，被广泛应用于基于遥感影像的植被分类［２］。
　　ＭＯＤＩＳ的空间分辨率分别能够达到２５０、５００和１ ０００ ｍ，扫描带宽２ ３３０ ｋｍ，涵盖的信息非常丰富［３］，每天覆盖山东省的数据约２～４Ｇ。遥感影像数据的管理有两种模式：基于文件的遥感影像数据库管理系统和基于关系数据库的遥感影像数据库管理系统［４］。目前大部分ＧＩＳ软件和遥感图像处理软件都是采用文件方式来管理遥感影像数据，由于遥感影像数据库并不仅仅包含图像数据本身，还包含大量的图像元数据信息（例如图像类型，摄影日期、摄影比例尺等），而且数据的安全性、并发控制和数据共享等都将使文件管理无法应付，因此关系数据库是目前影像数据库发展的优势选择。
　　基于ＭＯＤＩＳ数据，选用ＳＱＬ Ｓｅｒｖｅｒ ２０００系统，针对作物不同生育期进行对比分析，分别选出在裸地、作物生长早期和作物生长旺盛期，能够更好地反映作物各项特征量的植被指数序列，在ＥＮＶＩ软件中分析处理得到山东省的归一化植被指数（ＮＤＶＩ）与增强型植被指数（ＥＶＩ）影像数据，并对数据进行分块、编码和索引，发挥关系数据库的最优性能，建立了山东省ＮＤＶＩ和ＥＶＩ植被指数库，为山东省作物估产、苗情监测、干旱监测等提供技术资料储备。
　　１遥感数据 ＭＯＤＩＳ数据源的选择
　　山东省冬小麦１０月下旬播种，１２月上旬分蘖后，小麦进入越冬期，麦苗生长缓慢，植被指数基本无变化。次年２月上旬，小麦进入返青期，ＮＤＶＩ和ＥＶＩ开始出现上升趋势，４月中旬抽穗期达到峰值，６月上旬进入成熟期，植被指数跌至谷底。根据山东省冬小麦的生育期特点，选择从ＭＯＤＩＳ数据共享平台ｈｔｔｐｓ：／／ｗｉｓｔ．ｅｃｈｏ．ｎａｓａ．ｇｏｖ／ａｐｉ／下载１６ ｄ合成的ＭＯＤ１３Ｑ１，时间为１２月中下旬到次年６月上旬，２００５～２０１０连续５年的数据。
　　２影像数据库建立的关键技术
　　２．１数据的分块与划分方法
　　影像数据管理的核心是将影像分块和建立影像金字塔。由于一幅影像数据量太大，难以满足实时调度的要求，所以需要将其进行分块存放。如何高效地组织和管理数据，数据分块是影像数据库的关键。
　　单纯就分块而言，没有标准可循，可以按任意规则分块，但在实际应用中就要考虑索引、效率、金字塔、磁盘读／写、网络传输等不规则分块对索引构建、金字塔构建、索引操作以及重构的效率问题。目前多采用的数据块大小为１２８×１２８或者２５６×２５６个像素［５］。
　　影像数据的生产都以图幅为单位进行，而图幅本身是对整个地理空间的一种规则划分，实际上每个图幅文件可看成是一个图块，因此图幅内部的数据还要进行再一次的数据划分，目前对影像块的划分方法主要有两种：一是带状划分，就是把图像的若干行作为一个单元形成一个条带，条带可以顺序编码，可以单独检索；一是块状划分，就是按照格网划分成小块，图块通常是方形的，有时也是矩形的［６］。相对于带状划分，块状划分更适合图像索引和镶嵌，且划分后的图块具有良好的聚集特性。基于ＭＯＤＩＳ的山东省植被指数影像数据库中的数据块划分拟采用块状划分。
　　在关系数据库中，以小的图像块作为一条记录来对其进行操作是非常合适的，数据块的大小对图形调度效率的影像至关重要，因此影像分块的速度主要考虑影像可视化的速度。从吕婧［3］在图像块大小对调度效率影响试验结果来看，当数据块大小为２５６×２５６时，效率最高。
　　２．２影像块的空间编码
　　影像块空间编码的基本原理是按照某种策略对划分的图块进行组织。它相当于将二维的对象空间按照一定的编码函数映射到一维空间的一个过程。最常用的空间编码方法有：Ｒｏｗ ｏｒｄｅｒｉｎｇ、Ｍｏｒｔｏｎ ｏｒｄｅｒｉｎｇ和Ｈｉｂｅｒｔ－ｐｅａｎｏ ｏｒｄｅｒｉｎｇ等。
　　由于采用图幅与图块的二级编码，以１２８×１２８或２５６×２５６个像素进行分块时，不可能分得整数块。在将ＭＯＤＩＳ影像数据存放到数据库的过程中，采用将图像先分波段，再分割成小块的存储策略。
　　存储图像矩阵时，如果按照单元来存储的话，该表格记录的数量可能会很大。为了减少数据量，可以把图像矩阵中的多个单元组合成一个集合，该集合就称为数据块，每个数据块作为一个记录，存储在ＢＬＯＢ数据类型的字段中。栅格图像存储进数据库后，就可以在数据表上建立数据块索引。
　　２．３影像数据的压缩
　　对遥感数据进行压缩，降低数据的规模，有利于节省通信信道，提高信息的传输率。数据压缩的核心问题就是怎样把这些水分挤掉并以更为精炼的方式将信息表达出来［5］。
　　根据重建图像的质量，数据压缩分为两类：无损压缩和有损压缩［7］。无损压缩可以完整地恢复原始图像，重建图像与原始图像之间分毫不差，但其倍率通常较低（１．５左右）；有损压缩允许重建信号略微失真，压缩倍率也比无损压缩更高，通过调整阀值和量化步长可以控制压缩倍率。究竟采用有损压缩还是无损压缩取决于实际应用对图像质量的要求。可以将有损和无损压缩合二为一，即把无损压缩看作失真为零的有损压缩，通过调整参数可实现任意倍率和质量的图像编码。
　　压缩之后的遥感影像按照分幅格网单元存储到空间数据库相应的层中，为了更好地管理影像数据，数据库应该是：①逻辑上和物理上的地理数据无缝组织；②数据存取效率高；③便于数据库的完整性和一致性维护；④数据库易于扩充。
本文为全文原貌 未安装PDF浏览器用户请先下载安装 原版全文 　　３ＳＱＬ Ｓｅｒｖｅｒ数据库
　　Ｍｉｃｒｏｓｏｆｔ ＳＱＬ Ｓｅｒｖｅｒ ２０００是微软公司推出的一个高性能的关系型数据库管理系统，它采用客户／服务器的体系结构，能够满足分布式计算环境的需要。
　　１）ＳＱＬ Ｓｅｒｖｅｒ ２０００数据库容量最大长度可达１０６ ＴＢ。
　　２）ＳＱＬ Ｓｅｒｖｅｒ ２０００数据库支持影像数据在数据库中的直接存储。
　　３）ＳＱＬ Ｓｅｒｖｅｒ ２０００具有高伸缩性。此数据库引擎是一个功能强大的服务器，可管理供上千用户访问的ＴＢ数据库，也为数量巨大的多用户并行访问提供了强有力的支持［8］。
　　正是由于其具有上述优点，能够满足海量（大数据量）目标影像数据的管理需求，选择ＳＱＬ Ｓｅｒｖｅｒ ２０００来建立目标影像数据库。
　　在ＳＱＬ Ｓｅｒｖｅｒ数据库中，其基本存储单元是页，每页２ｋＢ。由于一条记录必须存放在一页内，不能进行跨页存储，因此ＳＱＬ Ｓｅｒｖｅｒ中每条记录的最大尺寸为１ ９６２个字节。对于一般数据类型的字段，其值直接存储在分配的数据页中，但对于ＳＱＬ Ｓｅｒｖｅｒ中的ＩＭＡＧＥ类型数据例外，其值存放在另外分配的数据页中，并通过数据链串在一起，因而ＩＭＡＧＥ类型数据字段内存放的是数据链地址指针，这种存储机制使ＩＭＡＧＥ类型数据可达到２ＧＢ［9］。在ＳＱＬ Ｓｅｒvｅｒ中，假设影像数据块的像元数据以大二进制的方式（ＩＭＡＧＥ）存储在ＢＬＯＣＫ＿ＤＡＴＡ字段中，则采用Ｖｉｓｕａ１Ｃ＋＋和ＡＤＯ表达。
　　４植被指数影像数据库系统的实现
　　４．１系统平台选择
　　硬件部分采用一台普通计算机作为操作平台，通过百兆交换机在主干网采用千兆光纤交换，选用１Ｇ内存的ＤＥＬＬ－Ｐｏｗｅｒ Ｅｄｇｅ ２９５０服务器，存储容量为１０Ｔ 的ＤＥＬＬ磁盘阵列进行数据存储。软件部分主要基于ＳＱＬ Ｓｅｒｖｅｒ ２０００和Ｖｉｓｕａｌ Ｃ＋＋６．０语言进行数据库的设计链接。
　　４．２影像数据处理的流程图
　　基于ＭＯＤＩＳ的山东省植被指数影像数据在存储于磁盘阵列之前，需要进行相关预处理，这也是数据库高效存储的一个性能保障。数据处理存储模块的主要功能是将接收到的ＭＯＤＩＳ数据通过几何校正、去蝴蝶结、投影变换等预处理操作后，按经纬度分成小块ＨＤＦ文件，以便下一步的存储和管理。图１给出了每一幅基于ＭＯＤＩＳ的植被指数影像数据的处理流程图。
　　４．３植被指数影像数据系统的设计实现
　　４．３．１影像数据的存储方式为了充分描述影像数据，通常需要记录其部分属性信息，如影像的类型、成像时间、存储格式、数据来源、数据精度、分辨率等，我们将这些描述信息称为影像的元数据。
　　将影像数据存入影像数据库时，每一影像数据块都存为一条数据记录，该记录包括多个列（Ｃｏｌｕｍｎ）或字段（Ｆｉｅｌｄ），用来记录影像的一些属性数据和元数据，元数据是以二进制 ＩＭＡＧＥ格式存储在 ＳＱＬ Ｓｅｒｖｅｒ数据库中的。
　　４．３．２数据库登陆界面为了实现对目标影像数据的安全管理，本系统提供了用户登录机制，用户必须有正确的用户名和密码才能登录进入系统主界面。登录界面如图２所示。
　　
　　４．３．３查询结果显示界面基于ＭＯＤＩＳ的山东省植被指数影像数据系统，主要用于对山东省植被指数影像数据进行查询，并提供数据下载功能。为了防止误删掉影像的重要信息，造成不必要的损失，数据一旦入库后，只有管理员可以进入对数据执行修改、删除、备份等数据的维护操作。用户通过选择空间分辨率、植被指数类型、合成天数和关注的时间来执行查询。由于该数据库是山东省的植被指数库，且在数据入库之前都进行了人工筛选，能保证每幅都是可用的影像数据，所以根据查询结果可直接选择感兴趣的数据文件下载。图３是本系统查询下载界面。
　　５小结
　　主要基于ＭＯＤＩＳ遥感影像数据，选用Ｖｉｓｕａｌ C++ ６．０语言和ＳＱＬ Ｓｅｒｖｅｒ ２０００系统进行系统开发和界面实现。选取山东省不同地形（平原／丘陵）、不同生态区（鲁东／鲁南／鲁中／鲁北／鲁西），分析冬小麦不同生长时期ＭＯＤＩＳ遥感影像数据的特点，处理得到山东省冬小麦生长期内的归一化植被指数（ＮＤＶＩ）与增强型植被指数（ＥＶＩ）影像数据，建立了山东省植被指数库。数据库内的影像数据都是经过人工严格筛选，进行了精细的遥感图像处理及混合像元纠错，能够确保每幅数据的可用性。系统实践表明，文中给出的建库方案初步实现了山东省植被指数库的建设和遥感数据的入库、查询、下载等功能，在建库过程中应用了数据的分块、编码索引与压缩技术，提高了数据的管理和应用效率。
　　参考文献：
　　［１］ 江东，王乃斌，杨小唤，等． ＮＤＶＩ曲线与农作物长势的时序互动规律［Ｊ］．生态学报，２００２，２２（２）：２４７－２５２．
　　［２］ 张学霞，葛全胜，郑景云．遥感技术在植物物候研究中的应用综述［Ｊ］．地球科学进展，２００３，１８（４）：５３４－５４４．
　　［３］ 吕婧．ＭＯＤＩＳ影像数据库分布式存储方式研究［Ｄ］．武汉：华中科技大学，２００７．
　　［４］ 樊疆．基于ＩＤＬ的遥感影像数据库的研究与实现［Ｄ］．兰州：兰州大学，２００９．
　　［５］ 郭晶．组件式ＧＩＳ中地图显示模块的设计与实现［Ｄ］．郑州：中国人民解放军信息工程大学，２００２．
　　［６］ 王密．大型无缝影像数据库系统（ＧｅｏＩｍａｇｅＤＢ）的研制与可量测虚拟现实（ＭＶＲ）的可行性研究［Ｄ］． 武汉：武汉大学，２００１．
　　［7］ 吴信才，郭玲玲，李军．ＲＤＢＭＳ和ＣＯＭ的海量遥感影像数据的管理和Ｗｅｂ发布［Ｊ］．中国图象图形学报，２００２，７（４）：３８４－３８７．
　　［8］ 於建峰．网络环境下目标空间数据库应用系统的研究与实现［Ｄ］．郑州：中国人民解放军信息工程大学，２００３．
　　［9］ 杜莹．全球多分辨率虚拟地形环境关键技术的研究［Ｄ］．郑州：中国人民解放军信息工程大学，２００５．
本文为全文原貌 未安装PDF浏览器用户请先下载安装 原版全文