摘" " 要：針對日益增長的高分衛(wèi)星影像數(shù)據(jù)文件量和批量化計算處理其遙感指數(shù)的需求，采用交互式數(shù)據(jù)語言IDL，基于分層架構和事件驅動模型，設計和開發(fā)具有圖形用戶界面、不依賴ENVI軟件、可跨平臺獨立運行的高分衛(wèi)星影像遙感指數(shù)批量處理系統(tǒng)，實現(xiàn)影像讀取、指數(shù)計算、數(shù)據(jù)輸出的批量化、可視化、流程化處理，簡化從繁蕪復雜的高分影像數(shù)據(jù)文件中提取多種遙感指數(shù)的手工操作過程。在農(nóng)業(yè)遙感業(yè)務中的實踐應用結果表明：本系統(tǒng)能夠穩(wěn)定運行，高效地處理大批量的高分衛(wèi)星影像文件，精準計算多種遙感指數(shù)，避免了傳統(tǒng)方法存在的操作繁瑣、重復勞動、頻繁等待等問題，不僅極大提升了農(nóng)業(yè)遙感業(yè)務的工作效率，而且對遙感數(shù)據(jù)分析處理和相關軟件的開發(fā)應用也具有重要的參考意義。本系統(tǒng)的成功設計實現(xiàn)與應用，顯示出了分層架構、事件驅動模型與IDL語言的結合對農(nóng)業(yè)遙感領域信息系統(tǒng)開發(fā)和實踐的有效性。

關鍵詞：高分衛(wèi)星；遙感指數(shù)；批量處理；交互式數(shù)據(jù)語言

中圖分類號：TP79" " " " "文獻標識碼：A" " " " " DOI 編碼：10.3969/j.issn.1006－6500.2024.03.010

Design and Implementation of High Resolution Satellite Image Remote Sensing Index Batch Processing System

ZHANG Meng1， HUANG Che1， XU Xiang1， WANG Zhuang2， ZHOU Luyang1， WANG Chen3

（1.Anhui Rural Comprehensive Economic Information Center， Hefei， Anhui 230031， China; 2.Anhui Institute of Meteorological Sciences， Hefei， Anhui 230031， China; 3.Huaihe River Basin Meteorological Center， Hefei， Anhui 230031， China）

Abstract： In response to the growing volume of high-resolution satellite image data files and the demand for batch computing and processing of their remote sensing indices， in this paper， we adopted the interactive data language IDL， based on the layered architecture and event-driven model， designed and developed a high-resolution satellite image remote sensing index batch processing system with graphical user interface， independent of ENVI software， and independent operation across platforms， implemented batch， visualization， and process processing of image reading， index calculation， and data output， simplified the manual operation process of extracting multiple remote sensing indices from complex high-resolution image data files. The practical application in agricultural remote sensing business had shown that the system in this article could operate stably， efficiently process a large number of high-resolution satellite image files， accurately calculate multiple remote sensing indices， avoid the problems of traditional methods such as cumbersome operations， repetitive labor， and frequent waiting， not only greatly improve the efficiency of agricultural remote sensing business， but also had important reference significance for the analysis and processing of remote sensing data and the development and application of related software. The successful design， implementation， and application of this system demonstrated the effectiveness of the combination of layered architecture， event driven models， and IDL language in the development and practice of information systems in the field of agricultural remote sensing.

Key words： gaofen satellite; remote sensing index; batch processing; interactive data language

遙感指數(shù)（Remote Sensing Index，RSI）是基于地物的光譜吸收反射特點，通過對衛(wèi)星多光譜影像的可見光、紅邊、近紅外、短波紅外等不同波段間的線性和非線性組合，構建并提取地物的光譜特征，以此強化和反映地物某一方面特性的技術方法。目前，綜合遙感相關科技文獻的發(fā)布來看，國內外眾多學者已提出了大量的針對不同地表覆蓋物的遙感指數(shù)，涵蓋了植被、裸地、水體、云層、礦物、濕地、建筑物等諸多地物類型，其中，僅用于監(jiān)測識別地表植被覆蓋類型的植被指數(shù)（Vegetation Index，VI）就有多達數(shù)百種[1-4]。

通常，不同類別的地物對各種遙感指數(shù)的響應有著較明顯的區(qū)別。例如，綠色植被對植被指數(shù)的響應值較高，而對水體指數(shù)的響應值則較低[5]。根據(jù)這一原理，遙感指數(shù)首先應用于地物分類領域。通過對地物多種遙感指數(shù)的提取與聯(lián)合使用，基于經(jīng)驗性的閾值分割，建立起有效區(qū)分和識別地表覆蓋物類型的決策樹分類模型。多年來，基于遙感指數(shù)的決策樹分類模型在各種地物識別分類場景中得到廣泛應用，證實了該方法的有效性[6-9]。特別地，紅邊波段對表征植被生長狀況的重要生化參數(shù)變化很敏感，提取遙感影像的紅邊指數(shù)可以用于植被特別是農(nóng)作物的精細化識別，已成為當前研究的熱點[10-12]。遙感指數(shù)在其他領域同樣發(fā)揮著重要作用。由于植被的生長與地表溫度、土壤水分、干旱發(fā)生等密切相關，因此可以通過遙感指數(shù)監(jiān)測植被的生長狀況，間接反演地表溫度、土壤水分，進行干旱監(jiān)測[13]。此外，遙感指數(shù)在生態(tài)質量評價、土壤有機質含量估算等方面也有著廣泛的應用[14-15]。眾多場景的使用和研究都表明了，快速有效地計算遙感指數(shù)對于廣泛而深入地提取使用衛(wèi)星遙感影像中的關鍵信息、挖掘其應用潛力、開展業(yè)務化應用是極為重要和必要的。

近年來，隨著高分一號（GF-1）、高分六號（GF-6）等高空間分辨率衛(wèi)星的相繼升空，農(nóng)業(yè)遙感業(yè)務有了豐富、穩(wěn)定、高質量的國產(chǎn)數(shù)據(jù)源。數(shù)量繁多且又相對成熟的遙感指數(shù)則為高分衛(wèi)星影像的使用提供了算法和理論上的支撐，已有學者將高分衛(wèi)星影像遙感指數(shù)應用到農(nóng)作物種植提取、苗情長勢監(jiān)測、農(nóng)業(yè)氣象災害評估中，取得了較好的結果[16-18]。與此同時，日益增長的高分衛(wèi)星數(shù)據(jù)文件量和應用場景需求，以及影像波段數(shù)、空間分辨率的提高，使得按照常規(guī)方法對其進行遙感指數(shù)計算和處理變得相當耗時費力。以使用遙感圖像處理專業(yè)軟件ENVI 5.3為例，業(yè)務人員通常需要按照要求逐一地加載經(jīng)過預處理的每幅高分衛(wèi)星影像，然后使用光譜工具箱中的植被指數(shù)計算器計算一些預置的常見植被指數(shù)，或者使用波段代數(shù)工具箱中的波段運算工具，輸入合規(guī)的遙感指數(shù)計算表達式，逐個計算專門的、植被指數(shù)計算器中不存在的遙感指數(shù)。這2種方法相結合可以滿足基本的業(yè)務應用需求，但是存在以下無法規(guī)避的缺點：

（1）植被指數(shù)計算器可以一次計算多個預置的遙感指數(shù)，但其輸出結果會將所計算的遙感指數(shù)疊加，形成一個多波段的文件，不利于單獨分析某一種或一類遙感指數(shù)，且對高分衛(wèi)星的針對性不強，缺少較多常用的高分衛(wèi)星影像遙感指數(shù)。

（2）波段運算工具能夠基于衛(wèi)星影像的波段信息有針對性地計算各種遙感指數(shù)，但它一次只能計算單個遙感指數(shù)，且操作過程略繁瑣，每次計算均需要指定表達式中變量所代表的具體波段，當表達式比較復雜時容易出現(xiàn)操作失誤、計算錯誤。同時，波段運算工具也是個專業(yè)性較強的工具，它需要業(yè)務人員熟悉遙感指數(shù)的計算方法并具備一定的編程能力，對初學者并不友好。

（3）2種常規(guī)方法自動化程度都較低，需要較多的手工操作，只適合處理少量幅數(shù)的高分衛(wèi)星影像以及較少的遙感指數(shù)。當需要處理的高分衛(wèi)星影像幅數(shù)和遙感指數(shù)數(shù)量較多時，操作過程會很繁瑣，從而相當耗時費力。

（4）2種常規(guī)方法每次只能夠處理單幅的高分衛(wèi)星影像，特別地，波段運算工具每次僅能夠計算單個遙感指數(shù)，且在各次處理操作間均需等待，無法連續(xù)、批量地進行多幅影像、多個指數(shù)的計算。

（5）由于在ENVI平臺上開展計算操作，2種常規(guī)方法每次處理之前均需要加載和顯示高分衛(wèi)星影像，除了占用較大的硬件資源之外，還比較耗費時間。

類似的情況同樣存在于其他遙感/GIS軟件中，如使用ERDAS、ArcGIS等在計算和處理遙感指數(shù)時也會面臨操作繁瑣、頻繁等待、不能連續(xù)批量處理、硬件資源消耗大的問題，從而導致農(nóng)業(yè)遙感業(yè)務的工作效率十分低下。

綜上所述，不斷增長的高分衛(wèi)星影像數(shù)據(jù)文件量、應用場景需求、波段數(shù)、空間分辨率和在此基礎上構建的數(shù)量種類繁多的遙感指數(shù)與現(xiàn)有遙感數(shù)據(jù)處理軟件計算遙感指數(shù)低效性復雜性之間的矛盾，已成為影響高分衛(wèi)星業(yè)務化高效應用的一大障礙。針對以往常規(guī)方法處理高分衛(wèi)星影像遙感指數(shù)所存在的上述問題，本文采用交互式數(shù)據(jù)語言（Interactive Data Language，IDL），基于分層架構和事件驅動模型，設計和實現(xiàn)了一種批量化、可視化、流程化的高分衛(wèi)星影像遙感指數(shù)處理系統(tǒng)，旨在提高農(nóng)業(yè)遙感生產(chǎn)作業(yè)效率，降低業(yè)務人員的重復勞動強度。在油菜種植提取業(yè)務中的應用結果表明，本系統(tǒng)能夠高效規(guī)?；靥幚泶笈康母叻中l(wèi)星影像數(shù)據(jù)文件，精準地計算多種遙感指數(shù)，避免了繁瑣的重復手工操作和中間環(huán)節(jié)的等待，切實提高了工作效率，為保障農(nóng)業(yè)生產(chǎn)提供了有力的技術支撐。

1 數(shù)據(jù)源與預處理

1.1 數(shù)據(jù)源

高分衛(wèi)星遙感影像數(shù)據(jù)可以通過中國資源衛(wèi)星應用中心網(wǎng)站（https：//www.cresda.com/zgzywxyyzx/）獲取，相關流程如下：（1）點擊首頁“數(shù)據(jù)服務平臺”欄目下的鏈接，打開具體影像查詢下載網(wǎng)站“陸地觀測衛(wèi)星數(shù)據(jù)服務平臺”（https：//data.cresda.cn/）；（2）按照平臺管理要求進行用戶注冊，登錄后方可下載衛(wèi)星遙感影像數(shù)據(jù)；（3）點擊平臺首頁“數(shù)據(jù)檢索”下的“光學與SAR衛(wèi)星載荷檢索”，進入數(shù)據(jù)查詢界面，根據(jù)業(yè)務需求設置衛(wèi)星傳感器、采集時間、圖像云蓋量、區(qū)域范圍等查詢參數(shù)，進行衛(wèi)星遙感影像的搜索、瀏覽、貼圖、收藏和信息顯示，選擇符合要求的影像加入到購物車中；（4）在“個人中心”的“購物車”提交訂單，等待后臺處理，在“我的訂單”中可以查看處理進度；（5）訂單完成后，一般提供http、https、ftp方式的下載地址，依照個人情況選擇合適方式進行下載（付費級別的影像需先聯(lián)系中國資源衛(wèi)星應用中心進行購買）。

考慮到免費級高分衛(wèi)星影像數(shù)據(jù)使用的廣泛性，從實際應用角度出發(fā)，本文所設計和實現(xiàn)的系統(tǒng)使用GF-1、GF-6中的寬幅影像（Wide Filed View，WFV）作為數(shù)據(jù)源，后續(xù)將會根據(jù)應用需求進行擴展。

GF-1是高分衛(wèi)星專項的首發(fā)衛(wèi)星，其WFV影像的傳感器重訪周期為2 d，空間分辨率為16 m，幅寬為800 km，共有藍、綠、紅、近紅外4個波段，具體波段信息見表1。

GF-6是首個針對精準農(nóng)業(yè)觀測的高分系列衛(wèi)星，其WFV影像的傳感器重訪周期為2 d，空間分辨率為16 m，幅寬為800 km。與GF-1不同的是，GF-6 WFV影像共有8個波段，除了通常的可見光（藍、綠、紅）和近紅外波段外，還首次增加了能夠有效反映作物特有光譜特性的2個紅邊波段、1個紫波段、1個黃波段共4個新波段，具體波段信息見表2。

1.2 預處理

在進行遙感指數(shù)計算前，2種高分影像數(shù)據(jù)均應進行預處理，預處理流程包括輻射定標、大氣校正、正射校正、幾何精校正等過程（圖1）。

輻射定標將高分衛(wèi)星影像的值轉換為輻射亮度值，采用的定標公式為：

L=Gain*DN+Bias " "（1）

式中，L為衛(wèi)星載荷通道入瞳處等效輻射亮度，單位為W·m-2·sr-1·μm-1；Gain和Bias分別為定標系數(shù)增益和偏移量。

大氣校正將高分衛(wèi)星影像輻射亮度值轉化為遙感指數(shù)計算可用的地表反射率，并消除由大氣和光照影響所造成的反射率誤差，使得影像信息更加精確有效。常用的大氣校正方法有基于簡化輻射傳輸模型的黑暗像元法、基于統(tǒng)計學模型的反射率反演、基于輻射傳輸模型的FLAASH大氣校正等。

正射校正在大氣校正的基礎上，通過高分衛(wèi)星影像自帶的RPC參數(shù)和覆蓋影像的數(shù)字高程模型（Digital Elevation Model，DEM）數(shù)據(jù)糾正因一般系統(tǒng)因素、地形起伏影響產(chǎn)生的幾何畸變。

幾何精校正基于高精度的參考影像或地面控制點，采用仿射變換、n次多項式、局部三角網(wǎng)等模型，對高分衛(wèi)星影像進行幾何糾正，使影像的平面精度控制在合理的范圍（通常不超過1個像元），從而滿足農(nóng)業(yè)遙感業(yè)務需求。

2 系統(tǒng)設計與實現(xiàn)

考慮實際應用中高分衛(wèi)星影像文件數(shù)據(jù)格式的多樣性，本文設計和實現(xiàn)的系統(tǒng)覆蓋了HDR、DAT、TIFF、TIF等常用數(shù)據(jù)格式，擁有完整的訪問和寫入ENVI標準格式、標簽圖像文件格式（Tag Image File Format，TIFF）遙感影像的能力，可在2種影像間進行自由輸入輸出轉換，并額外附帶了存儲為其他圖像格式（如JPG、PNG）的選項，具備較強的文件讀寫靈活性。同時，本文根據(jù)所使用高分衛(wèi)星影像數(shù)據(jù)源的波段信息，確定可計算的遙感指數(shù)，從中篩選常用于農(nóng)業(yè)遙感業(yè)務、比較重要的遙感指數(shù)，采用IDL實現(xiàn)相應的指數(shù)計算方法，構成高分衛(wèi)星影像遙感指數(shù)批量處理系統(tǒng)的業(yè)務邏輯核心。在數(shù)據(jù)訪問和業(yè)務邏輯之上，基于IDL強大的跨平臺GUI組件，采用事件驅動模型，設計高分衛(wèi)星影像遙感指數(shù)批量處理系統(tǒng)的顯示界面，實現(xiàn)直觀可視化操作、降低系統(tǒng)使用難度的目的，使農(nóng)業(yè)遙感業(yè)務人員能夠快速上手，從而批量、簡潔、高效地計算處理大規(guī)模高分衛(wèi)星影像的多種遙感指數(shù)。

2.1 系統(tǒng)總體架構

高分衛(wèi)星影像遙感指數(shù)批量處理系統(tǒng)采用分層架構，在實現(xiàn)中遵循了松散耦合的設計思想，各層之間通過接口和數(shù)據(jù)服務進行連接與交互，從而簡化開發(fā)和部署，提高了系統(tǒng)的可擴展性、可維護性、可伸縮性。系統(tǒng)從上到下分為展示層、業(yè)務邏輯層、數(shù)據(jù)層，如圖2所示。

（1）展示層：基于IDLWidgets編程技術，組合基礎控件、菜單欄、標簽、按鈕、文本框、下拉菜單和其他各種GUI元素構建樹狀的窗口管理層級結構，實現(xiàn)用戶友好的展示界面。同時，按照事件驅動模型，通過事件循環(huán)與業(yè)務人員交互信息、響應業(yè)務人員的輸入以及向業(yè)務人員展示提示消息。

（2）業(yè)務邏輯層：處于展示層與數(shù)據(jù)層之間，系統(tǒng)的主要功能和業(yè)務邏輯都在該層進行實現(xiàn)。針對批量工作流程、遙感指數(shù)計算、數(shù)據(jù)完整性檢測、異常處理等，采用組件技術，進行代碼解耦和快速構建，提升系統(tǒng)開發(fā)效率，增強系統(tǒng)的可重用性、可維護性。

（3）數(shù)據(jù)層：設計數(shù)據(jù)持久化模塊，基于IDL高效的數(shù)據(jù)訪問分析能力，針對不同數(shù)據(jù)源和數(shù)據(jù)格式，按照BSQ、BIP、BIL3種數(shù)據(jù)組織方式進行規(guī)范解譯，保證從文件系統(tǒng)中正確訪問、轉換、輸出影像數(shù)據(jù)，使業(yè)務邏輯與數(shù)據(jù)的讀寫有效松耦合，從而提高系統(tǒng)的穩(wěn)定性、可靠性。

2.2 遙感指數(shù)計算與實現(xiàn)

遙感指數(shù)在農(nóng)作物種植提取、長勢監(jiān)測等方面有著廣泛的應用，本文的系統(tǒng)針對現(xiàn)有GF-1 WFV、GF-6 WFV影像的波段信息，從眾多遙感指數(shù)中選擇了最常用的25種，按照適用范圍進行分組，并采用第四代可視化編程語言IDL予以實現(xiàn)。在進一步描述前，首先定義一些變量，計算公式中分別代表經(jīng)過預處理后影像的紅光波段、綠光波段、藍光波段、近紅外波段、紅邊波段1的平均反射率，IDL代碼中b1、b2、b3、b4代表GF-1 WFV和GF-6 WFV影像的B1～B4波段，b5、b6、b7、b8代表GF-6 WFV影像的B5～B8波段，$為續(xù)行符。

2.2.1 植被指數(shù) 植被指數(shù)是常見的一種利用植物葉冠層光學參數(shù)強化地物光譜特征的方法，廣泛用于識別地表植被、測量其長勢和生物量狀況。植被指數(shù)客觀反映了地表綠色植被的覆蓋情況，不同的地物，其植被指數(shù)的數(shù)值往往具有明顯的差別。因此，通過計算和提取衛(wèi)星影像中隱含的植被指數(shù)信息并加以分析，可以有效區(qū)分綠色植被覆蓋程度不同的地物（如建筑和冬小麥）。此外，植被指數(shù)在干旱監(jiān)測、土壤信息反演等方面也發(fā)揮著重要作用。針對GF-1 WFV和GF-6 WFV2種影像的波段特點，結合農(nóng)業(yè)遙感業(yè)務需要，本系統(tǒng)所實現(xiàn)的植被指數(shù)如表3所示。

2.2.2 紅邊指數(shù) 紅邊指數(shù)是一類利用衛(wèi)星影像的紅邊波段進行計算、與植被各種理化參數(shù)（冠層結構、葉綠素含量等）的微小變化密切相關的特殊植被指數(shù)?？紤]到農(nóng)作物對紅邊波段反射率的敏感性高于其他波段，應用衛(wèi)星影像的紅邊指數(shù)可以開展農(nóng)作物的精細分類和識別，對于實施精準農(nóng)業(yè)極為有利。本系統(tǒng)針對GF-6WFV影像所特有的紅邊波段，實現(xiàn)了5種常用紅邊指數(shù)的批量計算，相關計算公式和IDL代碼實現(xiàn)如表4所示。

2.2.3 其他指數(shù) 為充分挖掘和利用GF-1WFV和GF-6WFV2種高分衛(wèi)星影像的應用潛力，本文的系統(tǒng)從其余眾多遙感指數(shù)中選取了5種典型的指數(shù)，即歸一化差值水體指數(shù)NDWI、燃燒面積指數(shù)BAI、全球環(huán)境監(jiān)測指數(shù)GEMI、氧化鐵監(jiān)測指數(shù)IronOxide、云檢測指數(shù)CDI進行實現(xiàn)，分別對應水體、火燒跡地、全球環(huán)境、土壤氧化鐵含量、云層覆蓋區(qū)域的監(jiān)測識別，具體計算公式和IDL代碼實現(xiàn)如表5所示。

2.3 可視化批量處理

作為當前遙感領域常用的編程語言之一，IDL具有快速、靈活、高效、數(shù)據(jù)可視化等優(yōu)點[19-21]。對于桌面應用，IDL提供了完整的、跨平臺的本地化開發(fā)能力，可以迅速構建出簡潔友好、易于操作和使用的圖形界面系統(tǒng)。本文利用IDL GUI組件編程的相關技術，設計和開發(fā)了帶有圖形用戶界面的高分衛(wèi)星影像遙感指數(shù)批量處理系統(tǒng)，有效實現(xiàn)遙感指數(shù)的可視化批量處理。

IDL Widgets與窗口管理層級結構是IDL GUI組件編程中系統(tǒng)界面開發(fā)的2個重要設計基礎。IDL Widgets是可以操縱和進行編程的IDL GUI組件基本單位，也是繪制和事件響應的載體。窗口管理層級結構則通過編排組合IDL Widgets，實現(xiàn)對其樹狀關系體系的構建和整體布局的設計管理，從而形成圖形用戶界面的總體外觀。本文設計和實現(xiàn)的系統(tǒng)主界面如圖3所示。

從圖3可以看到，系統(tǒng)主界面用到的IDL Widgets有按鈕、標簽、下拉菜單、文本框、單選框、多選框等，整個界面直觀明了，業(yè)務人員通過簡單的學習即可快速上手。實現(xiàn)的部分核心代碼如下：

PRO Rsi

base=WIDGET_BASE（TITLE='高分衛(wèi)星影像遙感$

指數(shù)批量處理系統(tǒng)'， XSIZE=700，YSIZE=850，$

/COLUMN，/BASE_ALIGN_CENTER，MBAR=

mbar）

；菜單欄

file_bar=WIDGET_BUTTON（mbar，VALUE='文件'）

fb_o=WIDGET_BUTTON（file_bar，VALUE='打開'，$

UNAME='open'）

fb_od=WIDGET_BUTTON（file_bar，VALUE='打開$

文件夾'，UNAME='open_dir'）

...

；主功能區(qū)

basic_set_mg=WIDGET_BASE（base，/ROW， $

/BASE_ALIGN_CENTER，F(xiàn)RAME=0）

basic_set_pd=WIDGET_BASE（basic_set_mg， $

/COLUMN，/BASE_ALIGN_CENTER，F(xiàn)RAME=0）

bsp_in_mg=WIDGET_BASE（basic_set_pd，/ROW， $

/BASE_ALIGN_CENTER，F(xiàn)RAME=1）

bsp_in_pd=WIDGET_BASE（bsp_in_mg，/COLUMN，

$/BASE_ALIGN_CENTER，F(xiàn)RAME=0，XSIZE=660）

label_mg=WIDGET_BASE（bsp_in_pd，/COLUMN，$

/BASE_ALIGN_CENTER，F(xiàn)RAME=0）

label_pd=WIDGET_BASE（label_mg，/ROW， $

/BASE_ALIGN_CENTER， FRAME=0）

bs_label=WIDGET_LABEL（label_pdg，VALUE=$

'基本設置'）

...

WIDGET_CONTROL，base，/REALIZE

END

只有IDL Widgets和窗口管理層級結構的高分衛(wèi)星遙感指數(shù)批量處理系統(tǒng)僅是一個靜態(tài)界面，無法履行任何有意義的功能。為了實現(xiàn)對遙感指數(shù)的可視化批量處理，系統(tǒng)必須可以監(jiān)聽、響應、執(zhí)行用戶的操作，即具備基于事件響應來處理業(yè)務邏輯的機制。在IDL GUI組件編程中，通過事件驅動模型達成這一目標機制。Widget事件和對Widget事件的響應是事件驅動模型的核心。一個Widget事件是當用戶操縱Widget時從窗口返回的一段消息。作為對該Widget事件的響應，IDL GUI組件通常執(zhí)行一些操作，如打開文件、更新界面等。具體地，當有多個Widget事件從窗口到達時，系統(tǒng)將它們保存在目標Widget的隊列中。在內部，Widget事件被以IDL結構體的形式傳遞到各個組件。每個Widget事件結構體都具有相同的前三個字段，即：

e={id， top， handler} （2）

式中，id是生成事件的Widget的唯一標識碼，top是包含該Widget的根Widget的唯一標識碼，handler是與事件處理相關的Widget的唯一標識碼。

此外，不同的Widget事件結構體也可能包含其他字段。用戶的每個操作如按鈕的單擊、下拉菜單的選擇等，在系統(tǒng)內部均形成這樣一個Widget事件結構體。通過調用WIDGET_EVENT函數(shù)，系統(tǒng)將目標Widget隊列中的Widget事件結構體按照產(chǎn)生的順序循環(huán)處理，從而達成響應用戶操作、執(zhí)行業(yè)務邏輯的目標。

基于上述事件驅動模型，本系統(tǒng)實現(xiàn)了可視化圖形化的主動式服務響應，業(yè)務人員只需簡單操作，即可方便地對高分衛(wèi)星影像進行遙感指數(shù)的批量處理。系統(tǒng)的業(yè)務流程如圖4所示。

從圖4可以看到，系統(tǒng)業(yè)務流程通過遍歷文件和指數(shù)來實現(xiàn)批量處理，并提供了數(shù)據(jù)格式檢查、輸入輸出路徑檢查、錯誤提示等相關功能，保證了系統(tǒng)運行的穩(wěn)定性和處理結果的有效性。實現(xiàn)的部分核心代碼如下：

WIDGET_CONTROL，state.input_set，GET_VALUE=$

input_format

WIDGET_CONTROL，state.output_set，GET_VALUE=$

output_format

sensor_type=WIDGET_INFO（state.multiple_

mode，$

/DROPLIST_SELECT）

files=FILE_SEARCH（dir，'*.dat'，/FOLD_CASE）

WIDGET_CONTROL，state.multiple_mode_selected，$

GET_VALUE=selected_rsi_values

files_check=ENVI_DATA_FILES_CHECK（files，$

input_format，output_format）

selected_rsi_num=TOTAL（selected_rsi_values）

IF selected_rsi_num GT 0 THEN BEGIN

IF files_check.result EQ 1 THEN BEGIN

multiple_rsi=MULTI_RSI_CALC（sensor_type，$

selected_rsi_values，input_format，output_format）

ENDIF ELSE BEGIN

;錯誤提示

...

ENDELSE

ENDIF ELSE BEGIN

;‘未選擇指數(shù)’提示

error_not_select_rsi=DIALOG_MESSAGE（'請$

選擇需要計算的遙感指數(shù)'，/ERROR）

ENDELSE

3 應用

為測試系統(tǒng)的穩(wěn)定性和有效性，本文從農(nóng)業(yè)遙感方面入手，對系統(tǒng)展開了一系列應用，包括油菜種植提取、冬小麥長勢監(jiān)測等。結果表明，采用IDL編程語言、基于分層架構和事件驅動模型設計實現(xiàn)的高分衛(wèi)星影像遙感指數(shù)批量處理系統(tǒng)始終穩(wěn)定有效地持續(xù)運行，不僅可以按照既定業(yè)務服務需求精確計算多種指定類型的遙感指數(shù)，而且能夠適應大規(guī)模大批量影像數(shù)據(jù)文件的處理。

以油菜種植提取為例，本系統(tǒng)成功提取了2022—2023年度安徽省104個區(qū)縣的油菜種植分布，提取結果如圖5所示。

為提高提取的效果，在數(shù)據(jù)預處理的基礎上，以區(qū)縣為單位對GF-6 WFV原始遙感影像數(shù)據(jù)（表6）進行裁剪，生成了覆蓋油菜抽薹期、開花期、綠熟期等多個時相的縣域GF-6WFV影像數(shù)據(jù)文件近600個，選擇NDVI、EVI、NDVIre、EVIre、NDWI等多種遙感指數(shù)，采用決策樹分類的算法分區(qū)縣建立模型進行識別，總共需計算和處理遙感指數(shù)約3 000次。

在該項應用中，通過開展對比試驗，了解和比較了本系統(tǒng)與常規(guī)方法間的工作效果差異。具體地，分別采用常規(guī)作業(yè)方法和高分衛(wèi)星影像遙感指數(shù)批量處理系統(tǒng)進行遙感指數(shù)的計算和處理，其處理時間和指數(shù)提取準確率的對比結果如表7所示。從表7可以看出，按照常規(guī)的作業(yè)方法操作十分繁瑣，用時在1周左右，且難以保證作業(yè)過程不出現(xiàn)操作失誤。而利用高分衛(wèi)星影像遙感指數(shù)批量處理系統(tǒng)，可以一次性完成所有影像文件的所有遙感指數(shù)的計算和處理，用時不到1 d，且結果準確可靠，避免了單調的重復勞動，節(jié)約了寶貴的時間，極大提高了工作效率。

4 討論與結論

針對當前農(nóng)業(yè)遙感業(yè)務中經(jīng)常要計算與處理大規(guī)模大批量高分衛(wèi)星影像遙感指數(shù)的情況，以及常規(guī)方法所存在的大量依賴人工、操作繁瑣、耗時費力等問題，本文通過IDL編程語言設計和實現(xiàn)了一種高分衛(wèi)星影像遙感指數(shù)批量處理系統(tǒng)。在油菜種植提取中的成功應用和對比試驗表明，本系統(tǒng)可以有效減少單調重復的手工操作，節(jié)約大量時間，降低勞動強度，提高農(nóng)業(yè)遙感業(yè)務人員的工作效率，體現(xiàn)出了計算機軟件系統(tǒng)開發(fā)和自動化規(guī)模處理對于業(yè)務服務水平提升的重要作用。

同時，本研究成功構建了批量化、可視化、流程化的遙感指數(shù)計算處理平臺，系統(tǒng)具有穩(wěn)定性良好、可擴展性強、界面簡潔友好等優(yōu)點，顯示出基于分層架構、事件驅動模型與IDL語言的結合，能夠有效設計與實現(xiàn)良好可靠的農(nóng)業(yè)遙感信息系統(tǒng)，對使用IDL進行數(shù)據(jù)分析處理和跨平臺GUI軟件開發(fā)有一定借鑒意義。

此外，就目前而言，本系統(tǒng)尚處在應用階段，仍有許多需要改進和完善的地方，包括：（1）系統(tǒng)僅針對GF-1 WFV、GF-6 WFV 2種衛(wèi)星遙感影像，以及與之相匹配的25種常用遙感指數(shù)進行了設計開發(fā)和實現(xiàn)，對其他類型的遙感數(shù)據(jù)源和相應的遙感指數(shù)缺乏支持；（2）系統(tǒng)對輸入的遙感影像均有數(shù)據(jù)預處理的前提要求，但并未針對這方面開發(fā)相關的自動化批量處理功能。在后續(xù)研究工作中，擬進一步支持更多的遙感數(shù)據(jù)源和遙感指數(shù)，開發(fā)和整合遙感影像批量預處理功能，以便更好地服務于農(nóng)業(yè)遙感和氣象事業(yè)。

參考文獻：

[1] 田慶久， 閔祥軍. 植被指數(shù)研究進展[J]. 地球科學進展， 1998， 13（4）： 327-333.

[2] 王正興， 劉闖， HUETE A. 植被指數(shù)研究進展：從AVHRR-NDVI到MODIS-EVI[J]. 生態(tài)學報， 2003， 23（5）： 979-987.

[3] 李喆， 胡蝶， 趙登忠， 等. 寬波段遙感植被指數(shù)研究進展綜述[J]. 長江科學院院報， 2015， 32（1）： 125-130.

[4] 敖登， 楊佳慧， 丁維婷， 等. 54種植被指數(shù)研究進展綜述[J]. 安徽農(nóng)業(yè)科學， 2023， 51（1）： 13-21， 28.

[5] 徐涵秋. 水體遙感指數(shù)研究進展[J]. 福州大學學報（自然科學版）， 2021， 49（5）： 613-625.

[6] 索玉霞， 王正興. 基于決策樹和MODIS植被指數(shù)時間序列的中亞土地覆蓋分類[J]. 世界地理研究， 2008， 17（3）： 126-130.

[7] 齊紅超， 祁元， 徐瑱. 基于C5.0決策樹算法的西北干旱區(qū)土地覆蓋分類研究——以甘肅省武威市為例[J]. 遙感技術與應用， 2009， 24（5）： 648-653， 圖版Ⅴ.

[8] 張熙， 鹿琳琳， 王萍， 等. 基于決策樹的漓江上游土地覆蓋分類[J]. 測繪科學， 2016， 41（3）： 100-103， 90.

[9] 侯蒙京， 殷建鵬， 葛靜， 等. 基于隨機森林的高寒濕地地區(qū)土地覆蓋遙感分類方法[J]. 農(nóng)業(yè)機械學報， 2020， 51（7）： 220-227.

[10] 梁繼， 鄭鎮(zhèn)煒， 夏詩婷， 等. 高分六號紅邊特征的農(nóng)作物識別與評估[J]. 遙感學報， 2020， 24（10）： 1168-1179.

[11] 張悅琦， 李榮平， 穆西晗， 等. 基于多時相GF-6遙感影像的水稻種植面積提取[J]. 農(nóng)業(yè)工程學報， 2021， 37（17）： 189-196.

[12] 田欣媛， 張永紅， 劉睿， 等. 考慮植被紅邊信息的多時相Sentinel-2大范圍冬小麥提取研究[J]. 遙感學報， 2022， 26（10）： 1988-2000.

[13] 韓東， 王鵬新， 張悅， 等. 農(nóng)業(yè)干旱衛(wèi)星遙感監(jiān)測與預測研究進展[J]. 智慧農(nóng)業(yè)（中英文）， 2021， 3（2）： 1-14.

[14] 張偉， 杜培軍， 郭山川， 等. 改進型遙感生態(tài)指數(shù)及干旱區(qū)生態(tài)環(huán)境評價[J]. 遙感學報， 2023， 27（2）： 299-317.

[15] 王欣怡， 王昌昆， 馬海藝， 等. 基于雙時相衛(wèi)星遙感光譜指數(shù)估算土壤有機質含量[J]. 土壤， 2023， 55（5）： 1106-1113.

[16] 單捷， 孫玲， 王志明， 等. GF-1影像遙感監(jiān)測指標與冬小麥長勢參數(shù)的關系[J]. 江蘇農(nóng)業(yè)學報， 2019， 35（6）： 1323-1333.

[17] 姜楠， 張雪紅， 汶建龍， 等. 基于高分六號寬幅影像的油菜種植分布區(qū)域提取方法[J]. 地球信息科學學報， 2021， 23（12）： 2275-2291.

[18] 張彥， 劉婷， 郭燕， 等. 基于高分六號衛(wèi)星數(shù)據(jù)的花生干旱監(jiān)測研究[J]. 節(jié)水灌溉， 2022（7）： 1-6.

[19] 侯立鵬， 楊勝天， 趙長森， 等. 基于IDL的遙感水文時空序列數(shù)據(jù)可視化分析系統(tǒng)開發(fā)與應用[J]. 遙感技術與應用， 2014， 29（6）： 1074-1080.

[20] 肖昊， 王杰. 基于IDL和MATLAB混合編程的兩種光譜混合分析方法比較[J]. 遙感技術與應用， 2017， 32（5）： 858-865.

[21] 于彩霞， 許軍， 暴文剛， 等. 基于IDL的LiDAR標準數(shù)據(jù)格式解析與讀取[J]. 海洋測繪， 2017， 37（6）： 66-68， 72.