CN108628810B - 转换m天遥感数据到月时间分辨率的平滑方法 - Google Patents

转换m天遥感数据到月时间分辨率的平滑方法 Download PDF

Info

Publication number
CN108628810B
CN108628810B CN201810441652.7A CN201810441652A CN108628810B CN 108628810 B CN108628810 B CN 108628810B CN 201810441652 A CN201810441652 A CN 201810441652A CN 108628810 B CN108628810 B CN 108628810B
Authority
CN
China
Prior art keywords
month
sample
days
remote sensing
time resolution
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.)
Active
Application number
CN201810441652.7A
Other languages
English (en)
Other versions
CN108628810A (zh
Inventor
崔耀平
都义娟
朱连奇
蒋琳
刘素洁
李楠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan University
Original Assignee
Henan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Henan University filed Critical Henan University
Priority to CN201810441652.7A priority Critical patent/CN108628810B/zh
Publication of CN108628810A publication Critical patent/CN108628810A/zh
Application granted granted Critical
Publication of CN108628810B publication Critical patent/CN108628810B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Arrangements For Transmission Of Measured Signals (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明提供一种能获得更加平滑的月时间分辨率的转换M天遥感数据到月时间分辨率的平滑方法，属于遥感技术领域。本发明在原始的求取月时间分辨率的方法基础上，不仅考虑到分布于所求月的样本对本月的影响，还考虑到分布在本月月初、月末的两个样本对相邻月份的影响，以及相邻前一个月最后一个样本对本月的影响、相邻后一个月份的第一个样本对本月的影响；这些影响以权重的形式赋予样本值，综合考虑后续平均和前接平均值，最终得出更加平滑、最接近原始的月时间分辨率。

Description

转换M天遥感数据到月时间分辨率的平滑方法
技术领域
本发明涉及一种转换M天遥感数据到月时间分辨率的平滑方法，属于遥感技术领域。
背景技术
凡是纪录各种地物电磁波大小的胶片或相片，都称为遥感影像。遥感影像主要是指航空相片和卫星相片。遥感探测器按一定的时间周期重复采集数据，这种重复周期，又称回归周期。它是由飞行器的轨道高度、轨道倾角、运行周期、轨道间隔、偏栘系数等参数所决定。这种重复观测的最小时间间隔称为时间分辨率(Temporal resolution)。而时间分辨率不仅是表示遥感影像采样间隔，还可以表示数据产品时间间隔的一项性能指标。比如：中分辨率成像光谱仪(MODIS)系列影像搭载的上午星(terra卫星)和下午星(aqua卫星)的重放周期为一天四次，而对应出产的很多MODIS产品时间分辨率则为8天。
实际上，遥感影像数据时间分辨率通常均不是1月，而一年12个月每月的天数也为28-31天不等，一年内多期遥感影像数据对应落在哪一个月的时间也不固定。月时间分辨率遥感影像数据，在生态学、地球科学、全球气候变化等领域中应用较为广泛，看分析此遥感影像数据各变量(比如：地表温度、植被覆盖度、反照率等)在一年中逐月的变化情况。因此，月时间分辨率的计算作为遥感影像数据应用中不可或缺的一环，其计算方法直接影响到研究结果的精确度。现有的月时间分辨率采用的是简单对落在当月的几期遥感影像求平均值的方法，但是这种方法获得的月时间分辨率不够平滑。
发明内容
针对上述不足，本发明提供一种能获得更加平滑的月时间分辨率的转换M天遥感数据到月时间分辨率的平滑方法。
本发明的转换M天遥感数据到月时间分辨率的平滑方法，所述方法包括：
步骤一：采集遥感影像数据，时间分辨率为M天，一年共获得N个时间点，作为样本；M为大于1且小于31的正整数；
步骤二：根据前一个月最后一个样本对本月样本的影响，获得本月的遥感影像数据的月时间分辨率。
优选的是，
Figure GDA0003222906260000021
式中，
Figure GDA0003222906260000022
表示月时间分辨率，DOYi为样本对应的实际日期，两个相邻样本时间间隔为M天，i＝1+M*n(n＝0，1，2，3…，n<N+1)，a和b分别表示本月内的样本对应的首尾天数，T为本月样本的总天数，v为本月之前的一个月最后一个样本在本月所占的权重。
优选的是，所述v为：
在本月内本月第一个样本之前的无样本天数与M的比值。
本发明还提供一种转换M天遥感数据到月时间分辨率的平滑方法，所述方法包括：
步骤一：采集遥感影像数据，时间分辨率为M天，一年共获得N个时间点，作为样本；M为大于1且小于31的正整数；
步骤二：根据下一个月第一个样本对本月样本的影响，获得本月的遥感影像数据的月时间分辨率。
优选的是，
Figure GDA0003222906260000023
式中，
Figure GDA0003222906260000024
表示月时间分辨率，DOYi为样本对应的实际日期，两个相邻样本时间间隔为M天，i＝1+M*n(n＝0，1，2，3…，n<N+1)，a和b分别表示本月内的样本对应的首尾天数，T为本月样本的总天数，μ为下一个月第一个样本在本月所占的权重。
优选的是，所述μ为：
本月最后一个样本之后的无样本天数与M的比值。
本发明还提供一种转换M天遥感数据到月时间分辨率的平滑方法，所述方法包括：
步骤一：采集遥感影像数据，时间分辨率为M天，一年共获得N个时间点，作为样本；M为大于1且小于31的正整数；
步骤二：根据前一个月最后一个样本和下一个月第一个样本和对本月样本的影响，获得本月的遥感影像数据的月时间分辨率。
优选的是，
Figure GDA0003222906260000031
式中，
Figure GDA0003222906260000032
表示月时间分辨率，DOYi为样本对应的实际日期，两个相邻样本时间间隔为M天，i＝1+M*n(n＝0，1，2，3…，n<N+1)，a和b分别表示本月内的样本对应的首尾天数，T为本月样本的总天数，x为前一个月最后一个样本在本月所占的权重，y为本月第一个样本在本月所占的权重，z为本月最后一个样本在本月所占的权重，w为下一个月第一个样本在本月所占的权重。
优选的是，
x为前一个月最后一个样本分布在本月的天数与2M-1的比值；
y为本月第一个样本分布在本月的天数与2M-1的比值；
z为本月最后一个样本分布在本月的天数与2M-1的比值；
w为下一个月第一个样本分布在本月的天数与2M-1的比值。
本发明的有益效果在于，本发明在原始的求取月时间分辨率的方法基础上，不仅考虑到分布于所求月的样本对本月的影响，还考虑到分布在本月月初、月末的两个样本对相邻月份的影响，以及相邻前一个月最后一个样本对本月的影响、相邻后一个月份的第一个样本对本月的影响；这些影响以权重的形式赋予样本值，综合考虑后续平均和前接平均值，最终得出更加平滑、最接近原始的月时间分辨率。
附图说明
图1为本发明具体实施方式的流程示意图；
图2为本发明具体实施方式中在平年对叶面积指数LAI平滑后的效果图，其中原点表示平滑前的，线段表示平滑后的；
图3为本发明具体实施方式中在闰年对叶面积指数LAI平滑后的效果图，其中原点表示平滑前的，线段表示平滑后的。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
结合图1说明本实施方式，本实施方式M＝8，本实施方式的转换8天遥感数据到月时间分辨率的平滑方法，包括：
步骤1：采集遥感影像数据，本实施方式采用中国地区叶面积指数LAI数据，时间分辨率为8天，一年共获得46个时间点，作为样本；
步骤2：采用绝对平均值法获取遥感影像数据的月时间分辨率：
在仅考虑8天数据所属的当月时，其可用下式表示：
Figure GDA0003222906260000041
式中，
Figure GDA0003222906260000042
表示月时间分辨率，DOYi为样本对应的实际日期，两个相邻样本时间间隔为8天，i＝1+8n(n＝0，1，2，3…，n<47)，a和b分别表示本月内的样本对应的首尾天数，T为本月样本的总天数；
步骤3：在步骤2的基础上，除了要考虑分布在本月的样本值外，还要考虑前一个月最后一个样本对本月样本的影响，即：采用前接平均值法获得本月的遥感影像数据的月时间分辨率：
因为两个样本日期相差8天，所以本步骤是将前一个月最后一个样本均分为8份，前一个月最后一个样本在本月所占的权重为本月第一个样本之前的无样本天数比上天数8天：
Figure GDA0003222906260000043
式中，
Figure GDA0003222906260000044
表示月时间分辨率，DOYi为样本对应的实际日期，两个相邻样本时间间隔为M天，i＝1+M*n(n＝0，1，2，3…，n<N+1)，a和b分别表示本月内的样本对应的首尾天数，T为本月样本的总天数，v为本月之前的一个月最后一个样本在本月所占的权重。
步骤4：在步骤2的基础上，除了要考虑分布在本月的样本外，还要考虑次月第一个样本值对本月的影响，即：采用后续平均值法获得本月的遥感影像数据的月时间分辨率：
因为两个样本日期相差8天，所以此方法是将次月第一个样本均分为8份，次月第一个样本在本月所占的权重为本月最后一个样本之后的无样本天数比上天数8天，
Figure GDA0003222906260000051
式中，
Figure GDA0003222906260000052
表示月时间分辨率，DOYi为样本对应的实际日期，两个相邻样本时间间隔为M天，i＝1+M*n(n＝0，1，2，3…，n<N)，a和b分别表示本月内的样本对应的首尾天数，T为本月样本的总天数，μ为下一个月第一个样本在本月所占的权重。
步骤5：本步骤不仅考虑到次月月初的样本对本月的影响，同时考虑到本月月末的样本对次月的影响，本实施方式所选数据样本时间分辨率为8天，每一个样本前后都有7天无样本日，所以一个样本所占时间跨度为15天。将每月月初与月末的样本都分为15份，本月月末的样本在本月所占的权重为此样本分布在本月的天数比上所有的跨度天数15天，本月月末的样本在次月所占的权重为此样本分布在次月得天数比上所有的跨度天数15天；同理，次月月初的样本在本月所占的权重为此样本分布在本月的跨度天数比上所有的跨度天数15天，次月月初的样本值在次月所占的权重为此样本分布在次月的天数比上总的跨度天数15天，即：采用综合平均值方法获得本月的遥感影像数据的月时间分辨率：
Figure GDA0003222906260000053
式中，
Figure GDA0003222906260000054
表示月时间分辨率，DOYi为样本对应的实际日期，两个相邻样本时间间隔为M天，i＝1+M*n(n＝0，1，2，3…，n<N)，a和b分别表示本月内的样本对应的首尾天数，T为本月样本的总天数，x为前一个月最后一个样本在本月所占的权重，y为本月第一个样本在本月所占的权重，z为本月最后一个样本在本月所占的权重，w为下一个月第一个样本在本月所占的权重；
x为前一个月最后一个样本分布在本月的天数与2M-1的比值，即：本月第一个样本之前无样本天数与15的比值；
y为本月第一个样本分布在本月的天数与2M-1的比值，即：本月第一个样本之前无样本天数加上8天后与15的比值；
z为本月最后一个样本分布在本月的天数与2M-1的比值，即：本月最后一个样本之后无样本天数加上8天后与15的比值；
w为下一个月第一个样本分布在本月的天数与2M-1的比值，即：本月最后一个样本之后无样本天数与15的比值；
平年和闰年二月天数分别为28天、29天，因此要分别列出其每个月的遥感影像数据求取月时间分辨率。其中，平年从1月到12月的计算公式如下：
Figure GDA0003222906260000061
Figure GDA0003222906260000062
Figure GDA0003222906260000063
Figure GDA0003222906260000064
Figure GDA0003222906260000065
Figure GDA0003222906260000066
Figure GDA0003222906260000067
Figure GDA0003222906260000068
Figure GDA0003222906260000069
Figure GDA0003222906260000071
Figure GDA0003222906260000072
Figure GDA0003222906260000073
对应着，闰年从1月到12月的平滑值计算公式可以分别表达为：
Figure GDA0003222906260000074
Figure GDA0003222906260000075
Figure GDA0003222906260000076
Figure GDA0003222906260000077
Figure GDA0003222906260000078
Figure GDA0003222906260000079
Figure GDA00032229062600000710
Figure GDA00032229062600000711
Figure GDA0003222906260000081
Figure GDA0003222906260000082
Figure GDA0003222906260000083
Figure GDA0003222906260000084
本实施方式是基于时间分辨率为8天的遥感影像数据，提供一种更加平滑的月时间分辨率获取方法，本实施方式的方法同样适用于任何时间分辨率为非1天且小于1月的遥感影像数据。
虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。

Claims (9)

1.一种转换M天遥感数据到月时间分辨率的平滑方法，其特征在于，所述方法包括：
步骤一：采集遥感影像数据，时间分辨率为M天，一年共获得N个时间点，作为样本；M为大于1且小于31的正整数；
步骤二：根据前一个月最后一个样本对本月样本的影响，获得本月的遥感影像数据的月时间分辨率。
2.根据权利要求1所述的转换M天遥感数据到月时间分辨率的平滑方法，其特征在于，
Figure FDA0003222906250000011
式中，
Figure FDA0003222906250000012
表示月时间分辨率，DOYi为样本对应的实际日期，两个相邻样本时间间隔为M天，i＝1+M*n(n＝0，1，2，3…，n<N+1)，a和b分别表示本月内的样本对应的首尾天数，T为本月样本的总天数，v为本月之前的一个月最后一个样本在本月所占的权重。
3.根据权利要求2所述的转换M天遥感数据到月时间分辨率的平滑方法，其特征在于，所述v为：
本月第一个样本之前的无样本天数与M的比值。
4.一种转换M天遥感数据到月时间分辨率的平滑方法，其特征在于，所述方法包括：
步骤一：采集遥感影像数据，时间分辨率为M天，一年共获得N个时间点，作为样本；M为大于1且小于31的正整数；
步骤二：根据下一个月第一个样本对本月样本的影响，获得本月的遥感影像数据的月时间分辨率。
5.根据权利要求4所述的转换M天遥感数据到月时间分辨率的平滑方法，其特征在于，
Figure FDA0003222906250000013
式中，
Figure FDA0003222906250000014
表示月时间分辨率，DOYi为样本对应的实际日期，两个相邻样本时间间隔为M天，i＝1+M*n(n＝0，1，2，3…，n<N+1)，a和b分别表示本月内的样本对应的首尾天数，T为本月样本的总天数，μ为下一个月第一个样本在本月所占的权重。
6.根据权利要求5所述的转换M天遥感数据到月时间分辨率的平滑方法，其特征在于，所述μ为：
本月最后一个样本之后的无样本天数与M的比值。
7.一种转换M天遥感数据到月时间分辨率的平滑方法，其特征在于，所述方法包括：
步骤一：采集遥感影像数据，时间分辨率为M天，一年共获得N个时间点，作为样本；M为大于1且小于31的正整数；
步骤二：根据前一个月最后一个样本和下一个月第一个样本和对本月样本的影响，获得本月的遥感影像数据的月时间分辨率。
8.根据权利要求7所述的转换M天遥感数据到月时间分辨率的平滑方法，其特征在于，
Figure FDA0003222906250000021
式中，
Figure FDA0003222906250000022
表示月时间分辨率，DOYi为样本对应的实际日期，两个相邻样本时间间隔为M天，i＝1+M*n(n＝0，1，2，3…，n<N+1)，a和b分别表示本月内的样本对应的首尾天数，T为本月样本的总天数，x为前一个月最后一个样本在本月所占的权重，y为本月第一个样本在本月所占的权重，z为本月最后一个样本在本月所占的权重，w为下一个月第一个样本在本月所占的权重。
9.根据权利要求8所述的转换M天遥感数据到月时间分辨率的平滑方法，其特征在于，
x为前一个月最后一个样本分布在本月的天数与2M-1的比值；
y为本月第一个样本分布在本月的天数与2M-1的比值；
z为本月最后一个样本分布在本月的天数与2M-1的比值；
w为下一个月第一个样本分布在本月的天数与2M-1的比值。
CN201810441652.7A 2018-05-10 2018-05-10 转换m天遥感数据到月时间分辨率的平滑方法 Active CN108628810B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810441652.7A CN108628810B (zh) 2018-05-10 2018-05-10 转换m天遥感数据到月时间分辨率的平滑方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810441652.7A CN108628810B (zh) 2018-05-10 2018-05-10 转换m天遥感数据到月时间分辨率的平滑方法

Publications (2)

Publication Number Publication Date
CN108628810A CN108628810A (zh) 2018-10-09
CN108628810B true CN108628810B (zh) 2022-02-08

Family

ID=63692379

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810441652.7A Active CN108628810B (zh) 2018-05-10 2018-05-10 转换m天遥感数据到月时间分辨率的平滑方法

Country Status (1)

Country Link
CN (1) CN108628810B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101839713A (zh) * 2010-04-20 2010-09-22 武汉大学 一种基于带时间因子偏置矩阵的卫星影像系统误差改正方法
CN105046648A (zh) * 2015-06-25 2015-11-11 北京师范大学 一种构建高时空遥感数据的方法
CN107064932A (zh) * 2017-02-28 2017-08-18 华南农业大学 一种基于时间序列sar遥感影像的建设用地变化检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8165812B2 (en) * 2011-07-25 2012-04-24 Clean Power Research, L.L.C. Computer-implemented system and method for estimating power data for a photovoltaic power generation fleet

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101839713A (zh) * 2010-04-20 2010-09-22 武汉大学 一种基于带时间因子偏置矩阵的卫星影像系统误差改正方法
CN105046648A (zh) * 2015-06-25 2015-11-11 北京师范大学 一种构建高时空遥感数据的方法
CN107064932A (zh) * 2017-02-28 2017-08-18 华南农业大学 一种基于时间序列sar遥感影像的建设用地变化检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Estimating maize biomass and yield over large areas using high spatial and temporal resolution Sentinel-2 like remote sensing data;Marjorie Battude等;《Remote Sensing of Environment》;20160719;全文 *
MODIS-NDVI时间分辨率加倍算法:从16-Day到8-Day;王正兴等;《遥感技术与应用》;20110831;第26卷(第4期);第2-6页 *

Also Published As

Publication number Publication date
CN108628810A (zh) 2018-10-09

Similar Documents

Publication Publication Date Title
Lange et al. Validating MODIS and sentinel-2 NDVI products at a temperate deciduous forest site using two independent ground-based sensors
Townshend et al. Global characterization and monitoring of forest cover using Landsat data: opportunities and challenges
Skakun et al. Transitioning from MODIS to VIIRS: an analysis of inter-consistency of NDVI data sets for agricultural monitoring
Wongsai et al. Annual seasonality extraction using the cubic spline function and decadal trend in temporal daytime MODIS LST data
Hagolle et al. SPOT-4 (Take 5): simulation of Sentinel-2 time series on 45 large sites
Marcinkowska-Ochtyra et al. Classification of expansive grassland species in different growth stages based on hyperspectral and LiDAR data
Jiang et al. Decreasing rice cropping intensity in southern China from 1990 to 2015
Sun et al. Winter wheat mapping using temporal signatures of MODIS vegetation index data
Yang et al. Evaluation of ASTER-like daily land surface temperature by fusing ASTER and MODIS data during the HiWATER-MUSOEXE
CN111191673B (zh) 一种地表温度降尺度方法及系统
CN104008543A (zh) 一种图像融合质量评价方法
Poussin et al. Snow Cover Evolution in the Gran Paradiso National Park, Italian Alps, Using the Earth Observation Data Cube
CN103489171A (zh) 基于标准色彩库的大范围遥感影像自动化匀光匀色方法
Urbain et al. The CM SAF TOA radiation data record using MVIRI and SEVIRI
Zhang et al. Multi-source precipitation data merging for heavy rainfall events based on cokriging and machine learning methods
Dech et al. Potential and Challenges of Harmonizing 40 Years of AVHRR Data: The TIMELINE Experience
CN102346808A (zh) 一种从hj-1卫星数据反演lai的方法
Li et al. Antarctic surface ice velocity retrieval from MODIS-based mosaic of Antarctica (MOA)
CN115343226A (zh) 一种基于无人机的多尺度植被覆盖度遥感计算方法
Zhang et al. Vicarious radiometric calibration of the hyperspectral imaging microsatellites SPARK-01 and-02 over Dunhuang, China
CN108628810B (zh) 转换m天遥感数据到月时间分辨率的平滑方法
CN114266972A (zh) 基于遥感植被指数提取植被物候指标的方法及装置
Wang et al. Great Lakes ice climatology update, winters 2006-2011, description of the digital ice cover dataset
Shi et al. Investigation on river thermal regime under dam influence by integrating remote sensing and water temperature model
CN111915694A (zh) 一种顾及时空特征的云覆盖像元地表温度重建方法

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