CN106021653A - 一种ndvi时间序列重构的方法及系统 - Google Patents
一种ndvi时间序列重构的方法及系统 Download PDFInfo
- Publication number
- CN106021653A CN106021653A CN201610301569.0A CN201610301569A CN106021653A CN 106021653 A CN106021653 A CN 106021653A CN 201610301569 A CN201610301569 A CN 201610301569A CN 106021653 A CN106021653 A CN 106021653A
- Authority
- CN
- China
- Prior art keywords
- ndvi
- pixel
- value
- linear interpolation
- time series
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种NDVI时间序列重构的方法及系统,其方法包括:获取原始地理数据信息;对原始地理数据信息进行数据预处理;对数据预处理后的原始地理数据信息采用临近时间点的像元值进行线性内插,并对NDVI时间序列影像的每个像元建立三重调制的余弦函数模型;确定余弦函数模型中的初始值;基于确定的初始值进行扩展卡尔曼滤波计算,对NDVI时间序列影像进行初步重构;将线性内插的NDVI值与初步重构的NDVI值进行比较;将比较结果进行输出。本发明采用线性内插和扩展卡尔曼滤波(EKF)的结合算法对广州市森林地区的NDVI时间序列数据进行了重构,数据的离散程度更低,精度更高。
Description
技术领域
本发明涉及地理信息技术领域,具体涉及一种NDVI时间序列重构的方法及系统。
背景技术
植被指数作为表征地表植被覆盖和生长状况的有效度量参数,在遥感领域中经常被用于植被监测。在各类植被指数中,归一化植被指数(NDVI)较为常用,它是由近红外(NIR)和红(RED)波段反射率进行均一化变换计算得到,是反映植被在电磁光谱红波段和近红外波段吸收和反射特征的一个指数,并能够敏感的反映植被的生长状况、生物物理化学性质以及生态系统参数的变化情况。NDVI时间序列分析已经广泛应用在植被动态变化、土地覆被变化[4]和植被生物物理参数反演等研究中。NDVI曲线是NDVI时间序列数据构成的反映植被生物学特征随时间变化的最佳指示因子,也是季节变化和人为活动影响的重要指示。但是,由于受到传感器自身性能、云层、大气环境变化和双向反射特性等的影响,从卫星数据中获得的NDVI时间序列数据几乎不同程度的受到噪声污染,这些噪声使得地表覆盖和陆地生态系统的监测受到了严重的影响。因此,在对数据进行应用前,有必要对NDVI时序数据进行去噪和平滑处理,即数据重构。
近年来学者们提出了很多降噪和重构高质量NDVI时间序列数据的方法,每一种数据重构的方法都有其优势和缺点。如在重构方法评价的实例研究中采用改进的最佳指数斜率提取法(BISE)进行实验,能够识别时序中大部分噪声,重构效果较好,但是由于不同区域、不同植被类型,不同的生长状况,算法对异常高值的检测阈值不能设为固定的值;以及在对时序的重构时指出S-G滤波法重构效果也较好,能够修正大部分异常的低值,却对异常高值处理的效果不佳;对高原湿地进行时序重构时采用的对比方法是快速傅立叶变换(FFT),其重建效果较差,截止频率越低,损失的高频谐波数越多,与原值偏差越大;此外,时间序列谐波分析法(HANTS)和非对称高斯函数(AG)拟合法相似,能够降低异常高指点,提升低值点,得到相对光滑的曲线,却也改变了大部分点的值。
由于受到传感器自身性能、云层、大气环境变化和双向反射特性等的影响,从卫星数据中获得的NDVI时间序列数据几乎不同程度的受到噪声污染,这些噪声使得地表覆盖和陆地生态系统的监测受到了严重的影响,现有以上的方法滤波结果都存在与原值偏差大等精度问题。
发明内容
本发明的目的是针对现有归一化植被指数(NDVI)时间序列数据含有大量的噪声,提供了一种NDVI时间序列重构的方法及系统,采用线性内插和扩展卡尔曼滤波(EKF)的结合算法对广州市森林地区的NDVI时间序列数据进行了重构,使NDVI时间序列能够更好的逼近高质量的数据,数据的离散程度更低,精度更高。
本发明提供一种NDVI时间序列重构的方法,包括如下步骤:
获取原始地理数据信息;
对原始地理数据信息进行数据预处理;
对数据预处理后的原始地理数据信息采用临近时间点的像元值进行线性内插,并对NDVI时间序列影像的每个像元建立三重调制的余弦函数模型;
确定余弦函数模型中的初始值;
基于确定的初始值进行扩展卡尔曼滤波计算,对NDVI时间序列影像进行初步重构;
将线性内插的NDVI值与初步重构的NDVI值进行比较,将低于线性内插曲线上的NDVI值作为误差点,将高于线性内插曲线上的NDVI值作为正常值给予保留;
将比较结果进行输出。
所述获取原始地理数据信息包括:
对原始地理数据信息进行几何校正和大气校正处理。
所述对原始地理数据信息进行数据预处理包括:
对全部地理数据信息进行预处理,进行投影转换;
进行掩膜裁剪获取待处理数据。
所述对数据预处理后的原始地理数据信息采用临近时间点的像元值进行线性内插包括:
对发生突降的NDVI像元点通过像元可信度数据层标识云层像元,对所述像元可信度数据层像元采用邻近时间段的像元值进行线性内插。
所述对数据预处理后的原始地理数据信息采用临近时间点的像元值进行线性内插包括:
获取像元可信度数据层中数据为2的像元数组下标,所述象元数数值下标标识了对应的NDVI数据集中的下标像元属性;
对判断为云层的像元进行线性内插的方法,利用临近时间点的像元值进行线性内插,替代原云层像元值。
相应的,本发明还提供了一种NDVI时间序列重构的系统,包括:地理信息获取模块,用于获取原始地理数据信息;
预处理模块,用于对原始地理数据信息进行数据预处理;
线性内插模块,用于对数据预处理后的原始地理数据信息采用临近时间点的像元值进行线性内插;
模型匹配模块,用于对NDVI时间序列影像的每个像元建立三重调制的余弦函数模型;
初始值计算模块,用于确定余弦函数模型中的初始值;
序列重构模块,用于基于确定的初始值进行扩展卡尔曼滤波计算,对NDVI时间序列影像进行初步重构;
重构值比较模块,用于将线性内插的NDVI值与初步重构的NDVI值进行比较,将低于线性内插曲线上的NDVI值作为误差点,将高于线性内插曲线上的NDVI值作为正常值给予保留;
结果输出模块,用于将比较结果进行输出。
所述地理信息获取模块用于对原始地理数据信息进行几何校正和大气校正处理。
所述预处理模块用于对全部地理数据信息进行预处理,进行投影转换;以及进行掩膜裁剪获取待处理数据。
所述线性内插模块用于对发生突降的NDVI像元点通过像元可信度数据层标识云层像元,对所述像元可信度数据层像元采用邻近时间段的像元值进行线性内插。
所述线性内插模块用于获取像元可信度数据层中数据为2的像元数组下标,所述象元数数值下标标识了对应的NDVI数据集中的下标像元属性;以及对判断为云层的像元进行线性内插的方法,利用临近时间点的像元值进行线性内插,替代原云层像元值。
以上技术可以看出,本发明针对归一化植被指数(NDVI)时间序列数据含有大量的噪声,对其应用带来诸多不便,为了提高NDVI数据质量,本发明实施例采用线性内插和扩展卡尔曼滤波(EKF)的结合算法对广州市森林地区的NDVI时间序列数据进行了重构,使NDVI时间序列能够更好的逼近高质量的数据,数据的离散程度更低,精度更高。基于线性内插的EKF算法的时间序列重构方法,重构后的NDVI时间序列达到对低值噪声的抑制能力更好的效果,能够更好的逼近高质量的数据,拟合原始曲线的波峰。在提升曲线的整体效果的同时,其对原始数据的均值偏差更小,数据的离散程度更低,精度提高了47.23%。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例中的NDVI时间序列重构的方法流程图;
图2是本发明实施例中的原始地理信息所涉及的研究区样点选择区示意图;
图3是本发明实施例中的森林像元的的原始NDVI时间序列结构示意图;
图4是本发明实施例中的原始MODIS NDVI与由线性内插的EKF获得的NDVI比较示意图;
图5是本发明实施例中的NDVI时间序列重构的系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明实施例所提供的NDVI时间序列重构的方法,其主要实现方式包括:获取原始地理数据信息;对原始地理数据信息进行数据预处理;对数据预处理后的原始地理数据信息采用临近时间点的像元值进行线性内插,并对NDVI时间序列影像的每个像元建立三重调制的余弦函数模型;确定余弦函数模型中的初始值;基于确定的初始值进行扩展卡尔曼滤波计算,对NDVI时间序列影像进行初步重构;将线性内插的NDVI值与初步重构的NDVI值进行比较,将低于线性内插曲线上的NDVI值作为误差点,将高于线性内插曲线上的NDVI值作为正常值给予保留;将比较结果进行输出。
具体的,图1示出了本发明实施例中的NDVI时间序列重构的方法流程图,步骤如下:
S101、获取原始地理数据信息;
广州位于东经112°57'~114°3'、北纬22°26'~23°56',属于丘陵地带,地势东北高、西南低,背山面海,北部是森林集中的丘陵山区。广州地处亚热带沿海,北回归线从中南部穿过,属海洋性亚热带季风气候,以温暖多雨、光热充足、夏季长、霜期短为特征。全年平均气温21.9为摄氏度,是中国年平均温差最小的大城市之一。一年中最热的月份是7月,月平均气温达28.7℃。最冷月为1月份,月平均气温为13.5℃。平均相对湿度77%,年降雨量约为1736毫米。全年中,4至6月为雨季,7至9月天气炎热,多台风,10月、11月、和3月气温适中,12至2月为阴凉的冬季。全年水热同期,雨量充沛,利于植物生长,为四季常绿、花团锦簇的“花城”。如图2所示,为本次实验森林样点的选择区域—南沙太鲁森林公园。
本实施例中采用的MODIS NDVI数据是NASA提供的MOD13Q1级产品,提取了250米分辨率植被指数16天合成的产品数据;然后对数据进行预处理;最后用进行线性内插修正过的像元值EKF重构NDVI时间序列。
本发明实施例中的原始地理信息数据来源:采用的MODIS NDVI数据是NASA提供的MOD13Q1级产品,选择了250米分辨率植被指数16天合成的产品数据,对原始地理数据信息进行几何校正和大气校正处理。时间范围为2012年1月—2014年12月,3年时间共69期影像。
S102、对原始地理数据信息进行数据预处理;
整个数据预处理包括:对全部地理数据信息进行预处理,进行投影转换;以及进行掩膜裁剪获取待处理数据。
其中:(1)对全部数据进行预处理,进行投影转换,把Sinusoidal地图投影转换成通用墨卡托投影;(2)采用广州市行政区范围进行掩膜裁剪,获取研究区数据。以研究土地利用类型为基础,随机选取预处理后的NDVI时间序列15个点为NDVI曲线验证点,部分验证点NDVI曲线如图3。从图3可以看出,验证点的时间曲线上部分NDVI值发生突降,这些突降点在植物生长的周期中是不合理的,应作为噪声点给予修正。
S103、对数据预处理后的原始地理数据信息采用临近时间点的像元值进行线性内插,并对NDVI时间序列影像的每个像元建立三重调制的余弦函数模型;
(1)数据线性内插的先期处理
本实施例中针对MODIS NDVI时间序列数据集的特点,首先对数据进行先期处理,对发生突降的NDVI像元点通过像元可信度数据层标识云层像元,程序中对该部分云层像元采用邻近时间段的像元值进行线性内插。获取像元可信度数据层中数据为2的像元数组下标,该数值下标即标识了对应的NDVI数据集中的下标像元属性。对此判断为云层的像元进行线性内插的方法,利用临近时间点的像元值进行线性内插,替代原云层像元值。
替代后新的时间序列为其中为:
式中,DNR为像元可信度的像元值,N(i,t)为t时间段的第i个像元的NDVI值。
(2)EKF重构NDVI时间序列的方法
利用临近时间点的像元值进行线性内插,替代原云层像元值,然后对NDVI时间序列影像的每个像元建立三重调制的余弦函数模型,公式如下:
式中,yk代表NDVI时间序列在k时刻的观测值,nk表示k时刻的噪声。同时,这个余弦函数是由角频率ω、均值μ、振幅α和相位共同决定的。其中,角频率明确定义为ω=2πf,其中f由植被年度生长周期决定,根据16天合成的MODIS产品数据,此处f确定为16/365。而μk、αk和为时间函数,根据已知的yk进行估算,其中k∈1,...,N。
三重调制余弦函数的参数估计非常重要,根据EKF算法,随着每一个k时刻的增长,系统状态xk包含了三个参数变量,即xk和xk-1之间的关系用函数f表示。状态向量xk和观察向量yk的关系用非线性函数h表示,但是函数模型并不准确,故而加入过程噪声wk和观测噪声vk。其非线性离散系统状态方程和观测方程的形式如下所示
xk=f(xk-1)+wk (3)
yk=h(xk)+vk (4)
式中,xk表示系统状态方程,yk表示观察方程;f(.)是状态转换函数,h(.)代表非线性函数。wk∈Rp和vk∈Rq均为高斯白噪声,且互不相关。
在本文中xk变化不显著,可令f=1,故f(.)是线性状态转换函数。从式(4)知,观测方程是非线性的,根据EKF递推方程和所建立的线性状态方程,可得系统的递推滤波方程如下:
状态一步预测
状态估计
滤波增益矩阵
一步预测误差方差阵Pk,k-1=APk-1AT+Qk (8)
估计误差方差阵Pk=[I-KkHk]Pk,k-1 (9)
初始条件:P0=Var(x0),其中A为状态转移矩阵,H为观测矩阵,K为卡尔曼增益,yk为k时刻的观察值。
S104、确定余弦函数模型中的初始值;
其初始状态参数的简单计算方法如下:
其中,N表示时间序列数据的个数,NDVIi是i时刻的NDVI的值。同时,比较余弦的特征后,令初始相位为0,即初始
S105、基于确定的初始值进行扩展卡尔曼滤波计算,对NDVI时间序列影像进行初步重构;
在给定滤波计算的初值x0和P0之后,EKF利用MATLAB平台实现以上(1)---(3)的算法,对广州市森林区域2012-2014年共计69景的MODIS NDVI时间序列影像进行初步重构。
S106、将线性内插的NDVI值与初步重构的NDVI值进行比较,将低于线性内插曲线上的NDVI值作为误差点,将高于线性内插曲线上的NDVI值作为正常值给予保留;
将线性内插的NDVI值作为“较真实值”引入EKF中与初步重构的NDVI值进行比较,将低于内插曲线上的NDVI值认为是误差点,而高于变化趋势的NDVI值则认为是正常的值,给予保留。这样就获取了由线性内插结果和EKF算法结果共同进行重构的最终结果,其构成的NDVI曲线较为平滑,不仅保证了非云层像元的原始NDVI值,还使得云层像元的NDVI值更接近其上的包络线,很好的反映了植被的生长状况。
S107、将比较结果进行输出。
从图4(a)上可以看出,标识为云层像元的时间点,NDVI值有了明显提高,而其他一些在前后相邻像元中为波谷状态的时间点,也应存在噪声,最终的滤波结果中这部分噪声点的值也有一定的提高。图4原始MODIS NDVI与由线性内插的EKF获得的NDVI比较:(a)原始MODIS NDVI与由EKF和线性内插的EKF获得的NDVI比较,(b)由线性内插的EKF获得的NDVI与中值滤波后的NDVI比较。
相应的,图5还示出了本发明实施例中的NDVI时间序列重构的系统结构示意图,包括:
地理信息获取模块,用于获取原始地理数据信息;
预处理模块,用于对原始地理数据信息进行数据预处理;
线性内插模块,用于对数据预处理后的原始地理数据信息采用临近时间点的像元值进行线性内插;
模型匹配模块,用于对NDVI时间序列影像的每个像元建立三重调制的余弦函数模型;
初始值计算模块,用于确定余弦函数模型中的初始值;
序列重构模块,用于基于确定的初始值进行扩展卡尔曼滤波计算,对NDVI时间序列影像进行初步重构;
重构值比较模块,用于将线性内插的NDVI值与初步重构的NDVI值进行比较,将低于线性内插曲线上的NDVI值作为误差点,将高于线性内插曲线上的NDVI值作为正常值给予保留;
结果输出模块,用于将比较结果进行输出。
具体实施过程中,该地理信息获取模块用于对原始地理数据信息进行几何校正和大气校正处理。
具体实施过程中,该预处理模块用于对全部地理数据信息进行预处理,进行投影转换;以及进行掩膜裁剪获取待处理数据。
具体实施过程中,该线性内插模块用于对发生突降的NDVI像元点通过像元可信度数据层标识云层像元,对所述像元可信度数据层像元采用邻近时间段的像元值进行线性内插。
具体实施过程中,该线性内插模块用于获取像元可信度数据层中数据为2的像元数组下标,所述象元数数值下标标识了对应的NDVI数据集中的下标像元属性;以及对判断为云层的像元进行线性内插的方法,利用临近时间点的像元值进行线性内插,替代原云层像元值。
综上,本发明针对归一化植被指数(NDVI)时间序列数据含有大量的噪声,对其应用带来诸多不便,为了提高NDVI数据质量,本发明实施例采用线性内插和扩展卡尔曼滤波(EKF)的结合算法对广州市森林地区的NDVI时间序列数据进行了重构,使NDVI时间序列能够更好的逼近高质量的数据,数据的离散程度更低,精度更高。基于线性内插的EKF算法的时间序列重构方法,重构后的NDVI时间序列达到对低值噪声的抑制能力更好的效果,能够更好的逼近高质量的数据,拟合原始曲线的波峰。在提升曲线的整体效果的同时,其对原始数据的均值偏差更小,数据的离散程度更低,精度提高了47.23%。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁盘或光盘等。
以上对本发明实施例所提供的NDVI时间序列重构的方法及系统进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种NDVI时间序列重构的方法,其特征在于,包括如下步骤:
获取原始地理数据信息;
对原始地理数据信息进行数据预处理;
对数据预处理后的原始地理数据信息采用临近时间点的像元值进行线性内插,并对NDVI时间序列影像的每个像元建立三重调制的余弦函数模型;
确定余弦函数模型中的初始值;
基于确定的初始值进行扩展卡尔曼滤波计算,对NDVI时间序列影像进行初步重构;
将线性内插的NDVI值与初步重构的NDVI值进行比较,将低于线性内插曲线上的NDVI值作为误差点,将高于线性内插曲线上的NDVI值作为正常值给予保留;
将比较结果进行输出。
2.如权利要求1所述的NDVI时间序列重构的方法,其特征在于,所述获取原始地理数据信息包括:
对原始地理数据信息进行几何校正和大气校正处理。
3.如权利要求2所述的NDVI时间序列重构的方法,其特征在于,所述对原始地理数据信息进行数据预处理包括:
对全部地理数据信息进行预处理,进行投影转换;
进行掩膜裁剪获取待处理数据。
4.如权利要求1至3任一项所述的NDVI时间序列重构的方法,其特征在于,所述对数据预处理后的原始地理数据信息采用临近时间点的像元值进行线性内插包括:
对发生突降的NDVI像元点通过像元可信度数据层标识云层像元,对所述像元可信度数据层像元采用邻近时间段的像元值进行线性内插。
5.如权利要求4所述的NDVI时间序列重构的方法,其特征在于,所述对数据预处理后的原始地理数据信息采用临近时间点的像元值进行线性内插包括:
获取像元可信度数据层中数据为2的像元数组下标,所述象元数数值下标标识了对应的NDVI数据集中的下标像元属性;
对判断为云层的像元进行线性内插的方法,利用临近时间点的像元值进行线性内插,替代原云层像元值。
6.一种NDVI时间序列重构的系统,其特征在于,包括:地理信息获取模块,用于获取原始地理数据信息;
预处理模块,用于对原始地理数据信息进行数据预处理;
线性内插模块,用于对数据预处理后的原始地理数据信息采用临近时间点的像元值进行线性内插;
模型匹配模块,用于对NDVI时间序列影像的每个像元建立三重调制的余弦函数模型;
初始值计算模块,用于确定余弦函数模型中的初始值;
序列重构模块,用于基于确定的初始值进行扩展卡尔曼滤波计算,对NDVI时间序列影像进行初步重构;
重构值比较模块,用于将线性内插的NDVI值与初步重构的NDVI值进行比较,将低于线性内插曲线上的NDVI值作为误差点,将高于线性内插曲线上的NDVI值作为正常值给予保留;
结果输出模块,用于将比较结果进行输出。
7.如权利要求6所述的NDVI时间序列重构的系统,其特征在于,所述地理信息获取模块用于对原始地理数据信息进行几何校正和大气校正处理。
8.如权利要求7所述的NDVI时间序列重构的系统,其特征在于,所述预处理模块用于对全部地理数据信息进行预处理,进行投影转换;以及进行掩膜裁剪获取待处理数据。
9.如权利要求6至8任一项所述的NDVI时间序列重构的系统,其特征在于,所述线性内插模块用于对发生突降的NDVI像元点通过像元可信度数据层标识云层像元,对所述像元可信度数据层像元采用邻近时间段的像元值进行线性内插。
10.如权利要求9所述的NDVI时间序列重构的系统,其特征在于,所述线性内插模块用于获取像元可信度数据层中数据为2的像元数组下标,所述象元数数值下标标识了对应的NDVI数据集中的下标像元属性;以及对判断为云层的像元进行线性内插的方法,利用临近时间点的像元值进行线性内插,替代原云层像元值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610301569.0A CN106021653A (zh) | 2016-05-06 | 2016-05-06 | 一种ndvi时间序列重构的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610301569.0A CN106021653A (zh) | 2016-05-06 | 2016-05-06 | 一种ndvi时间序列重构的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106021653A true CN106021653A (zh) | 2016-10-12 |
Family
ID=57099250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610301569.0A Pending CN106021653A (zh) | 2016-05-06 | 2016-05-06 | 一种ndvi时间序列重构的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106021653A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107423875A (zh) * | 2017-05-17 | 2017-12-01 | 丁宇 | 基于卡尔曼滤波和时间序列分析的地铁运行趋势预测方法 |
CN107977944A (zh) * | 2017-12-12 | 2018-05-01 | 华南农业大学 | 一种估测npp遥感图像数据生成方法 |
CN108509990A (zh) * | 2018-03-29 | 2018-09-07 | 重庆大学 | 一种时序键值型工业过程数据并行分析方法 |
CN111768101A (zh) * | 2020-06-29 | 2020-10-13 | 北京师范大学 | 一种顾及物候特征的遥感耕地变化检测方法及系统 |
CN114528282A (zh) * | 2022-01-20 | 2022-05-24 | 重庆邮电大学 | 基于时空Kriging改进的多云地区MODIS NDVI时间序列重构方法 |
CN116523859A (zh) * | 2023-04-23 | 2023-08-01 | 宁波大学 | 一种联合地面观测的海岸带植被物候参数卫星影像率定方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060276968A1 (en) * | 2005-04-15 | 2006-12-07 | Mississippi State University | Temporal mapping and analysis |
CN103984940A (zh) * | 2014-06-03 | 2014-08-13 | 核工业北京地质研究院 | 一种基于高光谱数据识别赤铁矿化的方法 |
CN104615848A (zh) * | 2014-12-26 | 2015-05-13 | 中国南方电网有限责任公司 | 一种集森林火险预报和地面火点监测于一体的综合应用方法 |
CN105512616A (zh) * | 2015-11-27 | 2016-04-20 | 吉林大学 | 去除大气噪声影响重建遥感监测数据集的方法 |
-
2016
- 2016-05-06 CN CN201610301569.0A patent/CN106021653A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060276968A1 (en) * | 2005-04-15 | 2006-12-07 | Mississippi State University | Temporal mapping and analysis |
CN103984940A (zh) * | 2014-06-03 | 2014-08-13 | 核工业北京地质研究院 | 一种基于高光谱数据识别赤铁矿化的方法 |
CN104615848A (zh) * | 2014-12-26 | 2015-05-13 | 中国南方电网有限责任公司 | 一种集森林火险预报和地面火点监测于一体的综合应用方法 |
CN105512616A (zh) * | 2015-11-27 | 2016-04-20 | 吉林大学 | 去除大气噪声影响重建遥感监测数据集的方法 |
Non-Patent Citations (4)
Title |
---|
KITTI CHUMKESORNKULKIT,ET AL.: "Estimated rice cultivation date using an extended Kalman filter on MODIS NDVI time-series data", 《2013 10TH INTERNATIONAL CONFERENCE ON ELECTRICAL ENGINEERING/ELECTRONICS, COMPUTER, TELECOMMUNICATIONS AND INFORMATION TECHNOLOGY》 * |
WALDO KLEYNHANS, ET AL.: "Improving Land Cover Class Separation Using an Extended Kalman Filter on MODIS NDVI Time-Series Data", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
付梦印,等: "《Kalman滤波理论及其在导航系统中的应用》", 31 October 2003, 科学出版社 * |
边金虎,等: "MODIS 植被指数时间序列Savitzky-Golay滤波算法重构", 《遥感学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107423875A (zh) * | 2017-05-17 | 2017-12-01 | 丁宇 | 基于卡尔曼滤波和时间序列分析的地铁运行趋势预测方法 |
CN107977944A (zh) * | 2017-12-12 | 2018-05-01 | 华南农业大学 | 一种估测npp遥感图像数据生成方法 |
CN108509990A (zh) * | 2018-03-29 | 2018-09-07 | 重庆大学 | 一种时序键值型工业过程数据并行分析方法 |
CN111768101A (zh) * | 2020-06-29 | 2020-10-13 | 北京师范大学 | 一种顾及物候特征的遥感耕地变化检测方法及系统 |
CN111768101B (zh) * | 2020-06-29 | 2023-05-23 | 北京师范大学 | 一种顾及物候特征的遥感耕地变化检测方法及系统 |
CN114528282A (zh) * | 2022-01-20 | 2022-05-24 | 重庆邮电大学 | 基于时空Kriging改进的多云地区MODIS NDVI时间序列重构方法 |
CN116523859A (zh) * | 2023-04-23 | 2023-08-01 | 宁波大学 | 一种联合地面观测的海岸带植被物候参数卫星影像率定方法 |
CN116523859B (zh) * | 2023-04-23 | 2024-06-11 | 宁波大学 | 一种联合地面观测的海岸带植被物候参数卫星影像率定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106021653A (zh) | 一种ndvi时间序列重构的方法及系统 | |
Sahana et al. | Analyzing land surface temperature distribution in response to land use/land cover change using split window algorithm and spectral radiance model in Sundarban Biosphere Reserve, India | |
CN106908415B (zh) | 一种基于修正ndvi时间序列的大区域农作物全生育期墒情监测方法 | |
Vicente-Serrano et al. | Analysis of spatial and temporal evolution of vegetation cover in the Spanish Central Pyrenees: role of human management | |
Hui et al. | Modelling spatial‐temporal change of Poyang Lake using multitemporal Landsat imagery | |
CN103824077B (zh) | 一种基于多源遥感数据的城市不透水层率息提取方法 | |
CN103530499A (zh) | 山区地表温度基线构建的一种方法及应用 | |
CN104166782A (zh) | 一种林地土壤有机碳遥感估测的方法 | |
CN111046613B (zh) | 基于路径追踪的最佳河道计算方法及基于多时相遥感影像的河网提取方法 | |
Tang et al. | A comprehensive assessment of MODIS-derived GPP for forest ecosystems using the site-level FLUXNET database | |
Zheng et al. | Monthly air temperatures over Northern China estimated by integrating MODIS data with GIS techniques | |
CN104657935A (zh) | 一种近地面气温反演方法 | |
Sui et al. | A high-resolution inland surface water body dataset for the tundra and boreal forests of North America | |
Zhang et al. | Attribute parameter characterized the seasonal variation of gross primary productivity (αGPP): Spatiotemporal variation and influencing factors | |
Park et al. | Improvement of satellite-based estimation of gross primary production through optimization of meteorological parameters and high resolution land cover information at regional scale over East Asia | |
Zheng et al. | Reconstruction of 0.05° all-sky daily maximum air temperature across Eurasia for 2003–2018 with multi-source satellite data and machine learning models | |
Mo et al. | Comparison of gap-filling methods for producing all-weather daily remotely sensed near-surface air temperature | |
Cuo et al. | Topographic normalization for improving vegetation classification in a mountainous watershed in Northern Thailand | |
Duan et al. | A benchmark dataset of diurnal-and seasonal-scale radiation, heat and CO 2 fluxes in a typical East Asian monsoon region | |
Kingston et al. | Atmospheric circulation drivers of lake inflow for the Waitaki River, New Zealand. | |
CN109543729A (zh) | 基于特征参数聚类的时间序列数据土地覆被分类方法 | |
Zhang et al. | Research on flood remote sensing monitoring based on multi-source remote sensing data | |
Ambast et al. | Estimating regional evapotranspiration using remote sensing: Application to sone low level canal system, India | |
Zhu et al. | Urban vegetation coverage monitoring technology based on NDVI | |
Amina et al. | Soil moisture and drought monitoring in casablanca-settat region, Morocco by the use of gis and remote sensing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161012 |
|
RJ01 | Rejection of invention patent application after publication |