CN108154170A - 一种长时间序列的ndvi数据产品融合方法 - Google Patents
一种长时间序列的ndvi数据产品融合方法 Download PDFInfo
- Publication number
- CN108154170A CN108154170A CN201711341548.2A CN201711341548A CN108154170A CN 108154170 A CN108154170 A CN 108154170A CN 201711341548 A CN201711341548 A CN 201711341548A CN 108154170 A CN108154170 A CN 108154170A
- Authority
- CN
- China
- Prior art keywords
- sequence
- ndvi
- time
- interpolation
- 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.)
- Granted
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 22
- 230000007774 longterm Effects 0.000 title abstract 2
- 230000009466 transformation Effects 0.000 claims abstract description 52
- 238000002156 mixing Methods 0.000 claims abstract description 43
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 9
- 238000012353 t test Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000001308 synthesis method Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims 1
- 238000007689 inspection Methods 0.000 abstract 2
- 238000005516 engineering process Methods 0.000 abstract 1
- 238000011160 research Methods 0.000 description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 239000005431 greenhouse gas Substances 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 230000005855 radiation Effects 0.000 description 5
- 239000002689 soil Substances 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000000692 Student's t-test Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种长时间序列的NDVI数据产品融合方法,能够得到有效的NDVI时间序列B的延长序列。所述方法包括:确定NDVI时间序列A的插值序列;确定第一时间段的插值序列与第一时间段的NDVI时间序列B的第一相关系数和第一混合距离,若第一相关系数没有通过显著性水平的检验或第一混合距离不小于预设的第一距离阈值,则进行基于傅里叶理论的变换与重构,重构插值序列;确定重构后的第一时间段的插值序列与第一时间段的NDVI时间序列B的第二相关系数和第二混合距离,若第二相关系数通过显著性水平的检验且第二混合距离小于预设的第二距离阈值,则将重构后的第二时间段的插值序列作为NDVI时间序列B的延长序列。本发明涉及遥感技术领域。
Description
技术领域
本发明涉及遥感技术领域,特别是指一种长时间序列的NDVI数据产品融合方法。
背景技术
归一化植被指数(Normalized Difference Vegetation Index,NDVI)已经被广泛用于植被长势、物候和气象研究以及森林火灾等研究中。例如,就当前的NDVI数据产品来看,AVHRR GIMMS NDVI产品具有较长的时间序列,AVHRR GIMMS NDVI产品起始于1981年7月,而起始于1998年4月的SPOT VEGETATION NDVI数据的精度以及空间分辨率更高,为融合二者的优势,已有少数学者试图通过AVHRR GIMMS NDVI产品对SPOT VEGETATION NDVI数据进行延长。
现有技术中,仅线性插值法被用于延长SPOT VEGETATION NDVI数据,由于AVHRRGIMMS NDVI与SPOT VEGETATION NDVI的相关性具有显著的区域差异性,因此,单一的线性插值法限制了SPOT VEGETATION NDVI数据延长的有效性。
发明内容
本发明要解决的技术问题是提供一种长时间序列的NDVI数据产品融合方法,以解决现有技术所存在的单一的线性插值法限制了SPOT VEGETATION NDVI数据延长的有效性的问题。
为解决上述技术问题,本发明实施例提供一种长时间序列的NDVI数据产品融合方法,包括:
S101,获取NDVI时间序列A和NDVI时间序列B,其中,与NDVI时间序列A相比,NDVI时间序列B的精度以及空间分辨率更高,NDVI时间序列A与NDVI时间序列B具有的相同时间段称为第一时间段,NDVI时间序列A独有的时间段称为第二时间段;
S102,确定NDVI时间序列A的插值序列;
S103,确定第一时间段的插值序列与第一时间段的NDVI时间序列B的第一相关系数和第一混合距离,若第一相关系数没有通过显著性水平的检验或第一混合距离不小于预设的第一距离阈值,则利用插值序列与第一时间段的NDVI时间序列B进行基于傅里叶理论的变换与重构,重构插值序列;
S104,确定重构后的第一时间段的插值序列与第一时间段的NDVI时间序列B的第二相关系数和第二混合距离,若第二相关系数通过显著性水平的检验且第二混合距离小于预设的第二距离阈值,则将重构后的第二时间段的插值序列作为NDVI时间序列B的延长序列。
进一步地,S101中获取的原始NDVI时间序列A的空间分辨率的值大于原始NDVI时间序列B的空间分辨率的值;
S101中获取的原始NDVI时间序列A的时间分辨率的值大于原始NDVI时间序列B的时间分辨率的值。
进一步地,所述确定NDVI时间序列A的插值序列包括:
利用NDVI时间序列A与NDVI时间序列B的线性关系对NDVI时间序列A进行线性插值,得到NDVI时间序列A的插值序列。
进一步地,所述利用NDVI时间序列A与NDVI时间序列B的线性关系对NDVI时间序列A进行线性插值,得到NDVI时间序列A的插值序列包括:
对NDVI时间序列A和NDVI时间序列B在预设的空间分辨率上进行重采样,并采用最大值合成法得到各采样点处的两组NDVI月序列;
利用各采样点处的第一时间段的两组NDVI月序列的线性关系对NDVI时间序列A进行线性插值,得到NDVI时间序列A的插值序列。
进一步地,S103中第一时间段的插值序列与第一时间段的NDVI时间序列B的第一混合距离表示为:
其中,D表示第一混合距离,Gi表示第一时间段第i月的插值序列,Si表示第一时间段第i月的NDVI时间序列B,I表示第一时间段具有的月的总数。
进一步地,所述利用插值序列与第一时间段的NDVI时间序列B进行基于傅里叶理论的变换与重构,重构插值序列包括:
采用小波分析法计算插值序列与第一时间段的NDVI时间序列B的周期,并取二者的一致周期;
基于Fourier理论,根据取出的周期对插值序列及第一时间段的NDVI时间序列B分别进行三角变换;
若插值序列变换式的系数与NDVI时间序列B变换式对应项的系数满足预设的关系,则将插值序列变换式中的相应系数替换为NDVI时间序列B变换式对应项的系数,重构插值序列。
进一步地,三角变换的变换式表示为:
其中,Tm表示第m周期,x′(t)表示t时刻三角变换的变换式,Pm表示第m周期的三角变换项的比重系数,k表示三角变换项数编号,K表示三角变换的项数。
进一步地,若插值序列变换式的系数与NDVI时间序列B变换式对应项的系数满足如下关系中的一项或数项:
则将插值序列变换式中的相应系数替换为NDVI时间序列B变换式对应项的系数,重构插值序列;
其中,表示插值序列变换式的系数;表示NDVI时间序列B变换式对应项的系数,m表示周期的数目,k表示三角变换项数编号,l表示插值序列变换式与NDVI时间序列B变换式对应项的差异系数。
进一步地,所述方法还包括:
若第一相关系数通过显著性水平的检验且第一混合距离不小于预设的第一距离阈值,则将第二时间段的插值序列作为NDVI时间序列B的延长序列。
进一步地,所述若第一相关系数通过显著性水平的检验且第一混合距离不小于预设的第一距离阈值,则将第二时间段的插值序列作为NDVI时间序列B的延长序列包括:
利用t检验方法对第一相关系数进行显著性水平检验;
若检测通过,且判定第一混合距离是否小于预设的第一距离阈值;
若小于预设的第一距离阈值,则将第二时间段的插值序列作为NDVI时间序列B的延长序列。
本发明的上述技术方案的有益效果如下:
上述方案中,通过获取NDVI时间序列A和NDVI时间序列B,其中,与NDVI时间序列A相比,NDVI时间序列B的精度以及空间分辨率更高,NDVI时间序列A与NDVI时间序列B具有的相同时间段称为第一时间段,NDVI时间序列A独有的时间段称为第二时间段;确定NDVI时间序列A的插值序列;确定第一时间段的插值序列与第一时间段的NDVI时间序列B的第一相关系数和第一混合距离,若第一相关系数没有通过显著性水平的检验或第一混合距离不小于预设的第一距离阈值,则利用插值序列与第一时间段的NDVI时间序列B进行基于傅里叶理论的变换与重构,重构插值序列;确定重构后的第一时间段的插值序列与第一时间段的NDVI时间序列B的第二相关系数和第二混合距离,若第二相关系数通过显著性水平的检验且第二混合距离小于预设的第二距离阈值,则将重构后的第二时间段的插值序列作为NDVI时间序列B的延长序列,从而得到有效的NDVI时间序列B的延长序列。
附图说明
图1为本发明实施例提供的长时间序列的NDVI数据产品融合方法的流程示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明针对现有的单一的线性插值法限制了SPOT VEGETATION NDVI数据延长的有效性的问题,提供一种长时间序列的NDVI数据产品融合方法。
如图1所示,本发明实施例提供的长时间序列的NDVI数据产品融合方法,包括:
S101,获取NDVI时间序列A和NDVI时间序列B,其中,与NDVI时间序列A相比,NDVI时间序列B的精度以及空间分辨率更高,NDVI时间序列A与NDVI时间序列B具有的相同时间段称为第一时间段,NDVI时间序列A独有的时间段称为第二时间段;
S102,确定NDVI时间序列A的插值序列;
S103,确定第一时间段的插值序列与第一时间段的NDVI时间序列B的第一相关系数和第一混合距离,若第一相关系数没有通过显著性水平的检验或第一混合距离不小于预设的第一距离阈值,则利用插值序列与第一时间段的NDVI时间序列B进行基于傅里叶理论的变换与重构,重构插值序列;
S104,确定重构后的第一时间段的插值序列与第一时间段的NDVI时间序列B的第二相关系数和第二混合距离,若第二相关系数通过显著性水平的检验且第二混合距离小于预设的第二距离阈值,则将重构后的第二时间段的插值序列作为NDVI时间序列B的延长序列。
本发明实施例所述的长时间序列的NDVI数据产品融合方法,获取NDVI时间序列A和NDVI时间序列B,其中,与NDVI时间序列A相比,NDVI时间序列B的精度以及空间分辨率更高,NDVI时间序列A与NDVI时间序列B具有的相同时间段称为第一时间段,NDVI时间序列A独有的时间段称为第二时间段;确定NDVI时间序列A的插值序列;确定第一时间段的插值序列与第一时间段的NDVI时间序列B的第一相关系数和第一混合距离,若第一相关系数没有通过显著性水平的检验或第一混合距离不小于预设的第一距离阈值,则利用插值序列与第一时间段的NDVI时间序列B进行基于傅里叶理论的变换与重构,重构插值序列;确定重构后的第一时间段的插值序列与第一时间段的NDVI时间序列B的第二相关系数和第二混合距离,若第二相关系数通过显著性水平的检验且第二混合距离小于预设的第二距离阈值,则将重构后的第二时间段的插值序列作为NDVI时间序列B的延长序列,从而得到有效的NDVI时间序列B的延长序列。
在前述长时间序列的NDVI数据产品融合方法的具体实施方式中,进一步地,S101中获取的原始NDVI时间序列A的空间分辨率的值大于原始NDVI时间序列B的空间分辨率的值;
S101中获取的原始NDVI时间序列A的时间分辨率的值大于原始NDVI时间序列B的时间分辨率的值。
本实施例中,NDVI时间序列B作为目标序列,利用获取的NDVI时间序列A来延长NDVI时间序列B。
本实施例中,假设获取的原始NDVI时间序列A为AVHRR GIMMS 1981年7月至2006年12月15d NDVI产品、获取的原始NDVI时间序列B为SPOT VEGETATION 1998年4月至2014年5月旬NDVI产品;其中,AVHRR GIMMS NDVI的时间分辨率为15d(15天),空间分辨率为8km,数据覆盖范围为全国;SPOT VEGETATION NDVI数据时间分辨率为旬(10天),空间分辨率为1km,数据覆盖范围为全国。
本实施例中,1998年4月至2006年12月称为第一时间段,1981年7月至1998年3月称为第二时间段。
本实施例中,假设研究区域经纬度空间分辨率为1km,根据研究区域的经纬度范围,确定研究区域内的所有栅格,将AVHRR GIMMS NDVI 15d值和SPOT VEGETATION NDVI旬值均转化为txt格式,数据覆盖范围也由全国转化为研究区。
在前述长时间序列的NDVI数据产品融合方法的具体实施方式中,进一步地,所述确定NDVI时间序列A的插值序列包括:
利用NDVI时间序列A与NDVI时间序列B的线性关系对NDVI时间序列A进行线性插值,得到NDVI时间序列A的插值序列。
在前述长时间序列的NDVI数据产品融合方法的具体实施方式中,进一步地,所述利用NDVI时间序列A与NDVI时间序列B的线性关系对NDVI时间序列A进行线性插值,得到NDVI时间序列A的插值序列包括:
对NDVI时间序列A和NDVI时间序列B在预设的空间分辨率上进行重采样,并采用最大值合成法得到各采样点处的两组NDVI月序列;
利用各采样点处的第一时间段的两组NDVI月序列的线性关系对NDVI时间序列A进行线性插值,得到NDVI时间序列A的插值序列。
在前述长时间序列的NDVI数据产品融合方法的具体实施方式中,进一步地,S103中第一时间段的插值序列与第一时间段的NDVI时间序列B的第一混合距离表示为:
其中,D表示第一混合距离,Gi表示第一时间段第i月的插值序列,Si表示第一时间段第i月的NDVI时间序列B,I表示第一时间段具有的月的总数。
在前述长时间序列的NDVI数据产品融合方法的具体实施方式中,进一步地,所述利用插值序列与第一时间段的NDVI时间序列B进行基于傅里叶理论的变换与重构,重构插值序列包括:
采用小波分析法计算插值序列与第一时间段的NDVI时间序列B的周期,并取二者的一致周期;
基于Fourier理论,根据取出的周期对插值序列及第一时间段的NDVI时间序列B分别进行三角变换;
若插值序列变换式的系数与NDVI时间序列B变换式对应项的系数满足预设的关系,则将插值序列变换式中的相应系数替换为NDVI时间序列B变换式对应项的系数,重构插值序列。
在前述长时间序列的NDVI数据产品融合方法的具体实施方式中,进一步地,三角变换的变换式表示为:
其中,Tm表示第m周期,x′(t)表示t时刻三角变换的变换式,Pm表示第m周期的三角变换项的比重系数,k表示三角变换项数编号,K表示三角变换的项数。
在前述长时间序列的NDVI数据产品融合方法的具体实施方式中,进一步地,若插值序列变换式的系数与NDVI时间序列B变换式对应项的系数满足如下关系中的一项或数项:
则将插值序列变换式中的相应系数替换为NDVI时间序列B变换式对应项的系数,重构插值序列;
其中,表示插值序列变换式的系数;表示NDVI时间序列B变换式对应项的系数,m表示周期的数目,k表示三角变换项数编号,l表示插值序列变换式与NDVI时间序列B变换式对应项的差异系数。
本实施例中,l可以通过多时刻模拟取NDVI时间序列B三角变换项系数与插值序列变换式对应三角变换项系数之商的平均值。
在前述长时间序列的NDVI数据产品融合方法的具体实施方式中,进一步地,所述方法还包括:
若第一相关系数通过显著性水平的检验且第一混合距离不小于预设的第一距离阈值,则将第二时间段的插值序列作为NDVI时间序列B的延长序列。
在前述长时间序列的NDVI数据产品融合方法的具体实施方式中,进一步地,所述若第一相关系数通过显著性水平的检验且第一混合距离不小于预设的第一距离阈值,则将第二时间段的插值序列作为NDVI时间序列B的延长序列包括:
利用t检验方法对第一相关系数进行显著性水平检验;
若检测通过,且判定第一混合距离是否小于预设的第一距离阈值;
若小于预设的第一距离阈值,则将第二时间段的插值序列作为NDVI时间序列B的延长序列。
为了更好地理解本实施例提供的长时间序列的NDVI数据产品融合方法,以AVHRRGIMMS 1981年7月至2006年12月15d NDVI产品(作为NDVI时间序列A)、SPOT VEGETATION1998年4月至2014年5月旬NDVI产品(作为NDVI时间序列B)为例对本实施例所述的长时间序列的NDVI数据产品融合方法进行详细说明,具体步骤包括:
A11、数据收集与预处理:收集AVHRRGIMMS 1981年7月至2006年12月15d NDVI产品、SPOT VEGETATION 1998年4月至2014年5月旬NDVI产品;基于ArcGIS平台,对AVHRRGIMMS NDVI和SPOT VEGETATION NDVI产品在预设的空间分辨率(例如,8km分辨率)上进行重采样,并采用最大值合成法(MVC,Maximum Value Composite)得到各采样点处的两组NDVI月序列;
A12、线性插值与效果评估:利用各采样点处1998.4~2006.12AVHRR GIMMS NDVI与SPOT VEGETATION NDVI的月序列线性关系对1981.7~2006.12AVHRR GIMMS NDVI序列进行线性插值,得到1981.7~2006.12AVHRR GIMMS NDVI的插值序列;计算1998.4~2006.12插值序列与1998.4~2006.12SPOT VEGETATION NDVI序列的第一相关系数与第一混合距离D(第一混合距离D融合了Manhattan距离和Euclidean距离,对二者分别赋权50%);并用t检验方法对第一相关系数进行显著性水平检验,例如,假设显著性水平为0.05,若第一相关系数通过0.05显著性水平检验且D<Dthreshold(预设的第一距离阈值),1981.7~1998.3插值序列则可作为相应样点处SPOT VEGETATION NDVI序列的延长序列;否则,进入步骤A13;
其中,D表示第一混合距离,Gi和Si分别表示1998.4~2006.12插值序列和1998.4~2006.12SPOT VEGETATION NDVI的序列,I是1998.4~2006.12具有的月的总数,为105。
A13、基于Fourier理论的序列延长与效果评估
1)采用小波分析法计算插值序列(1981.7~2006.12)与SPOT VEGETATION NDVI(1998.4~2006.12)序列的周期,并取二者的一致周期T,假设有m个周期,分别记为T1,…,Tm;
2)基于傅里叶(Fourier)理论,结合1)中所取出的周期对1981.7~2006.12的插值序列以及1998.4~2006.12的SPOT VEGETATION NDVI序列分别进行三角变换,具体形式如下:
本实施例中,通过对基础Fourier变换进行改进,使得其具有对多周期序列的分解与重构能力。
为方便后续的使用,此处将上述变换式中cos项的系数分别记为a1k,…,amk,对应sin项的系数恰好与cos项的系数互为相反数,即分别被记为b1k,…,bmk,其中,k=1,…,K;
标记后的变换式为:
另外,为区别插值序列变换式的系数和SPOT VEGETATION NDVI序列变换式对应项的系数,插值序列变换式的m×K个系数被标记为SPOT VEGETATIONNDVI序列变换式的m×K个系数被标记为
比较两组变换系数和如若二者对应项系数满足如下关系中的一项或数项:则插值序列变换式中的相应系数需被替换为SPOT VEGETATION NDVI变换式相应项的系数,即若二者变换式中对应项的系数不满足上述关系,则保留原系数;
4)结合3)中重新确定的插值序列变换式的系数,重构1981.7~2006.12插值序列;
5)计算4)中重构的插值序列中1998.4~2006.12的NDVI子序列与SPOTVEGETATION NDVI的1998.4~2006.12序列的第二相关系数与第二混合距离,并对第二相关系数进行t检验,如若相关系数通过0.05水平显著性t检验且第二混合距离<预设的第二距离阈值(注意:此时计算第二混合距离时,Gi表示的是1998.4~2006.12重构后的插值序列,Si表示的是1998.4~2006.12SPOT VEGETATION NDVI序列),则认为基于Fourier理论重构的1981.7~1998.3的插值序列可以作为SPOT VEGETATION NDVI序列的延长序列;否则,序列延长失败。
本实施例中,预设的第一距离阈值和预设的第二距离阈值可以都为10.5,K取10,l也取10。
本实施例中,通过对基础Fourier变换进行改进,使得其具有对多周期序列的分解与重构能力,并结合长时间序列的AVHRR GIMMS NDVI产品对SPOT VEGETATION NDVI数据进行了延长。
本实施例中,在获得1981.7~1998.3SPOT VEGETATION NDVI的延长序列之后,可以进行以下应用:
一、基于长序列SPOT VEGETATION NDVI变化的森林火灾预警系统研究:
选定研究区域,重复步骤A11~A13,获得研究区内1981.7~2014.5的NDVI序列;结合研究区域或邻近区域内历史森林火灾数据资料,全面分析森林火灾发生前后NDVI的数值及其变化情况,建立NDVI变化过程与森林火灾发生与否的对应关系;另外,收集有效的降水、土壤含水量、气温、辐射等水量和热量因子数据,分析各因子对NDVI的影响并建立推算模型。基于大气环流模式(GCM)不同情景下(如温室气体排放量增加、温室气体排放量不变等)的输出气象要素,获取未来不同温室气体排放情景下降水、气温、辐射数据,并根据历史土壤含水量序列对其进行延长(可用趋势法或滑动平均法等,或通过分析土壤含水量与降水量的关系结合GCM输出的降水数据进行延长),结合之前建立的推算模型推算出未来不同温室气体排放情景下NDVI的变化过程,并依据前期总结得出的其与森林火灾的发生情况关系,进行森林火灾预报预警。基于此,预测不同温室气体排放程度下森林火灾发生的可能性与风险率,若温室气体排放量达到一定程度,增加森林火灾的发生的可能性以及成灾风险率,则发出预警,调控温室气体排放量。
二、基于长序列SPOT VEGETATION NDVI的区划研究
同样地,选定研究区域,重复步骤A11~A13,获得研究区内1981.7~2014.5的NDVI序列;结合高程、降水、土壤含水量、气温和日照辐射等因子,首先分析研究区内各因子的时空分布特征,接着探究NDVI与所选因子的相关性,赋予NDVI、高程、降水、土壤含水量、气温、日照辐射及各自的变化趋势、NDVI与各因子的相关系数一定的权重,建立统计量与分级标准并结合聚类分析发进行合理区划,为未来水资源配置、干旱预防与火灾应对等提供科学依据。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种长时间序列的NDVI数据产品融合方法,其特征在于,包括:
S101,获取NDVI时间序列A和NDVI时间序列B,其中,与NDVI时间序列A相比,NDVI时间序列B的精度以及空间分辨率更高,NDVI时间序列A与NDVI时间序列B具有的相同时间段称为第一时间段,NDVI时间序列A独有的时间段称为第二时间段;
S102,确定NDVI时间序列A的插值序列;
S103,确定第一时间段的插值序列与第一时间段的NDVI时间序列B的第一相关系数和第一混合距离,若第一相关系数没有通过显著性水平的检验或第一混合距离不小于预设的第一距离阈值,则利用插值序列与第一时间段的NDVI时间序列B进行基于傅里叶理论的变换与重构,重构插值序列;
S104,确定重构后的第一时间段的插值序列与第一时间段的NDVI时间序列B的第二相关系数和第二混合距离,若第二相关系数通过显著性水平的检验且第二混合距离小于预设的第二距离阈值,则将重构后的第二时间段的插值序列作为NDVI时间序列B的延长序列。
2.根据权利要求1所述的长时间序列的NDVI数据产品融合方法,其特征在于,S101中获取的原始NDVI时间序列A的空间分辨率的值大于原始NDVI时间序列B的空间分辨率的值;
S101中获取的原始NDVI时间序列A的时间分辨率的值大于原始NDVI时间序列B的时间分辨率的值。
3.根据权利要求1所述的长时间序列的NDVI数据产品融合方法,其特征在于,所述确定NDVI时间序列A的插值序列包括:
利用NDVI时间序列A与NDVI时间序列B的线性关系对NDVI时间序列A进行线性插值,得到NDVI时间序列A的插值序列。
4.根据权利要求3所述的长时间序列的NDVI数据产品融合方法,其特征在于,所述利用NDVI时间序列A与NDVI时间序列B的线性关系对NDVI时间序列A进行线性插值,得到NDVI时间序列A的插值序列包括:
对NDVI时间序列A和NDVI时间序列B在预设的空间分辨率上进行重采样,并采用最大值合成法得到各采样点处的两组NDVI月序列;
利用各采样点处的第一时间段的两组NDVI月序列的线性关系对NDVI时间序列A进行线性插值,得到NDVI时间序列A的插值序列。
5.根据权利要求1所述的长时间序列的NDVI数据产品融合方法,其特征在于,S103中第一时间段的插值序列与第一时间段的NDVI时间序列B的第一混合距离表示为:
其中,D表示第一混合距离,Gi表示第一时间段第i月的插值序列,Si表示第一时间段第i月的NDVI时间序列B,I表示第一时间段具有的月的总数。
6.根据权利要求1所述的长时间序列的NDVI数据产品融合方法,其特征在于,所述利用插值序列与第一时间段的NDVI时间序列B进行基于傅里叶理论的变换与重构,重构插值序列包括:
采用小波分析法计算插值序列与第一时间段的NDVI时间序列B的周期,并取二者的一致周期;
基于Fourier理论,根据取出的周期对插值序列及第一时间段的NDVI时间序列B分别进行三角变换;
若插值序列变换式的系数与NDVI时间序列B变换式对应项的系数满足预设的关系,则将插值序列变换式中的相应系数替换为NDVI时间序列B变换式对应项的系数,重构插值序列。
7.根据权利要求6所述的长时间序列的NDVI数据产品融合方法,其特征在于,三角变换的变换式表示为:
其中,Tm表示第m周期,x′(t)表示t时刻三角变换的变换式,Pm表示第m周期的三角变换项的比重系数,k表示三角变换项数编号,K表示三角变换的项数。
8.根据权利要求6所述的长时间序列的NDVI数据产品融合方法,其特征在于,若插值序列变换式的系数与NDVI时间序列B变换式对应项的系数满足如下关系中的一项或数项:
则将插值序列变换式中的相应系数替换为NDVI时间序列B变换式对应项的系数,重构插值序列;
其中,表示插值序列变换式的系数;表示NDVI时间序列B变换式对应项的系数,m表示周期的数目,k表示三角变换项数编号,l表示插值序列变换式与NDVI时间序列B变换式对应项的差异系数。
9.根据权利要求1所述的长时间序列的NDVI数据产品融合方法,其特征在于,所述方法还包括:
若第一相关系数通过显著性水平的检验且第一混合距离不小于预设的第一距离阈值,则将第二时间段的插值序列作为NDVI时间序列B的延长序列。
10.根据权利要求9所述的长时间序列的NDVI数据产品融合方法,其特征在于,所述若第一相关系数通过显著性水平的检验且第一混合距离不小于预设的第一距离阈值,则将第二时间段的插值序列作为NDVI时间序列B的延长序列包括:
利用t检验方法对第一相关系数进行显著性水平检验;
若检测通过,且判定第一混合距离是否小于预设的第一距离阈值;
若小于预设的第一距离阈值,则将第二时间段的插值序列作为NDVI时间序列B的延长序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711341548.2A CN108154170B (zh) | 2017-12-14 | 2017-12-14 | 一种长时间序列的ndvi数据产品融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711341548.2A CN108154170B (zh) | 2017-12-14 | 2017-12-14 | 一种长时间序列的ndvi数据产品融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108154170A true CN108154170A (zh) | 2018-06-12 |
CN108154170B CN108154170B (zh) | 2021-11-05 |
Family
ID=62466850
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711341548.2A Active CN108154170B (zh) | 2017-12-14 | 2017-12-14 | 一种长时间序列的ndvi数据产品融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108154170B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359104A (zh) * | 2018-09-14 | 2019-02-19 | 广州帷策智能科技有限公司 | 时间数据序列的缺失数据插值方法和装置 |
CN109992608A (zh) * | 2019-03-26 | 2019-07-09 | 浙江大学 | 一种基于频域的多模型融合预测方法和系统 |
CN112396229A (zh) * | 2020-11-16 | 2021-02-23 | 中国科学院东北地理与农业生态研究所 | 退化沼泽湿地植被适宜自然或人工恢复的区域划分方法 |
US11527062B2 (en) * | 2016-12-30 | 2022-12-13 | International Business Machines Corporation | Method and system for crop recognition and boundary delineation |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110035188A1 (en) * | 2009-07-16 | 2011-02-10 | European Space Agency | Method and apparatus for analyzing time series data |
CN103902802A (zh) * | 2012-12-29 | 2014-07-02 | 中国科学院深圳先进技术研究院 | 一种顾及空间信息的植被指数时间序列数据重建方法 |
-
2017
- 2017-12-14 CN CN201711341548.2A patent/CN108154170B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110035188A1 (en) * | 2009-07-16 | 2011-02-10 | European Space Agency | Method and apparatus for analyzing time series data |
CN103902802A (zh) * | 2012-12-29 | 2014-07-02 | 中国科学院深圳先进技术研究院 | 一种顾及空间信息的植被指数时间序列数据重建方法 |
Non-Patent Citations (2)
Title |
---|
顾娟等: "NDVI 时间序列数据集重建方法述评", 《遥感技术与应用》 * |
马超等: "一种NDVI时间序列离散Fourier重建方法", 《测绘科学技术学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11527062B2 (en) * | 2016-12-30 | 2022-12-13 | International Business Machines Corporation | Method and system for crop recognition and boundary delineation |
CN109359104A (zh) * | 2018-09-14 | 2019-02-19 | 广州帷策智能科技有限公司 | 时间数据序列的缺失数据插值方法和装置 |
CN109359104B (zh) * | 2018-09-14 | 2022-06-17 | 广州帷策智能科技有限公司 | 时间数据序列的缺失数据插值方法和装置 |
CN109992608A (zh) * | 2019-03-26 | 2019-07-09 | 浙江大学 | 一种基于频域的多模型融合预测方法和系统 |
CN112396229A (zh) * | 2020-11-16 | 2021-02-23 | 中国科学院东北地理与农业生态研究所 | 退化沼泽湿地植被适宜自然或人工恢复的区域划分方法 |
CN112396229B (zh) * | 2020-11-16 | 2022-10-18 | 中国科学院东北地理与农业生态研究所 | 退化沼泽湿地植被适宜自然或人工恢复的区域划分方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108154170B (zh) | 2021-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108154170B (zh) | 一种长时间序列的ndvi数据产品融合方法 | |
Wang et al. | ClimateAP: An application for dynamic local downscaling of historical and future climate data in Asia Pacific | |
Wessels et al. | Mapping land degradation by comparison of vegetation production to spatially derived estimates of potential production | |
Darand et al. | Statistical evaluation of gridded precipitation datasets using rain gauge observations over Iran | |
Orhan et al. | Use of landsat land surface temperature and vegetation indices for monitoring drought in the Salt Lake Basin Area, Turkey | |
Gaitán et al. | Impact of climate change on drought in Aragon (NE Spain) | |
Wang et al. | Mapping and spatial uncertainty analysis of forest vegetation carbon by combining national forest inventory data and satellite images | |
Zhu et al. | Reconstruction of high spatial resolution surface air temperature data across China: A new geo-intelligent multisource data-based machine learning technique | |
Chen et al. | ENSO precipitation and temperature forecasts in the North American Multimodel Ensemble: Composite analysis and validation | |
Matthews et al. | Past and future climate change in the context of memorable seasonal extremes | |
Parmentier et al. | Using multi‐timescale methods and satellite‐derived land surface temperature for the interpolation of daily maximum air temperature in Oregon | |
Macias-Fauria et al. | Disentangling the coupling between sea ice and tundra productivity in Svalbard | |
CN110068878A (zh) | 一种气温智能网格最优集成预报方法 | |
Wei et al. | Spatial–temporal variations of NDVI and its response to climate in China from 2001 to 2020 | |
Dyrrdal et al. | Estimating extreme areal precipitation in Norway from a gridded dataset | |
Pedlar et al. | A comparison of two approaches for generating spatial models of growing-season variables for Canada | |
Zhang et al. | Prediction of maize yield response to climate change with climate and crop model uncertainties | |
Zhang et al. | Reconstructed regional mean climate with Bayesian model averaging: a case study for temperature reconstruction in the Yunnan–Guizhou Plateau, China | |
Zarei et al. | Assessing the influence of PET calculation method on the characteristics of UNEP aridity index under different climatic conditions throughout Iran | |
Wood | The University of Washington Surface Water Monitor: An experimental platform for national hydrologic assessment and prediction | |
He et al. | Regional representativeness assessment and improvement of eddy flux observations in China | |
Blenkinsop et al. | Downscaling transient climate change with a stochastic weather generator for the Geer catchment, Belgium | |
Mohr | Comparison of versions 1.1 and 1.0 of gridded temperature and precipitation data for Norway | |
Alamanos | 03-DROUGHT MONITORING, PRECIPITATION STATISTICS, AND WATER BALANCE WITH FREELY AVAILABLE REMOTE SENSING DATA: EXAMPLES, ADVANCES, AND LIMITATIONS | |
Dogra et al. | Utilizing advanced and modified conventional trend methods to evaluate multi-temporal variations in rainfall characteristics over India |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |