CN109359264A - 一种基于modis的叶绿素产品降尺度方法及装置 - Google Patents
一种基于modis的叶绿素产品降尺度方法及装置 Download PDFInfo
- Publication number
- CN109359264A CN109359264A CN201810543676.3A CN201810543676A CN109359264A CN 109359264 A CN109359264 A CN 109359264A CN 201810543676 A CN201810543676 A CN 201810543676A CN 109359264 A CN109359264 A CN 109359264A
- Authority
- CN
- China
- Prior art keywords
- data
- modis
- chlorophyll
- remote sensing
- 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.)
- Granted
Links
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明基于MODIS的叶绿素产品降尺度方法包括:步骤a:获取MODIS遥感反射率数据、Landsat大气层顶反射率数据及相对应的MODIS海表叶绿素产品,将Landsat大气层顶反射率数据转换为遥感反射率数据;步骤b:利用U‑STFM模型预测与之对应的蓝色和绿色波段的高分辨率的Rrs数据;步骤c:利用回归模型,建立Rrs蓝色和绿色波段与MODIS叶绿素之间的关系;步骤d:利用回归模型得到的关系,将高分辨率的Rrs数据转换为叶绿素产品数据。本发明实施例的基于MODIS的叶绿素产品降尺度方法及装置突破了传统影像超分辨方法对于降尺度比率不能过大的缺点,适用于不同尺度遥感数据之间的转换。
Description
技术领域
本发明涉及空间数据降尺度技术领域,特别涉及一种基于MODIS的叶绿素产品降尺度方法及装置。
背景技术
现有NASA提供的全球每天的MODIS叶绿素产品空间分辨率为1km,由于空间分辨率太粗,因此无法满足近海沿岸区域的水环境监测。而Landsat卫星提供的30m分辨率的数据,空间分辨率较高,但由于重访周期为16天一次,无法满足快速监测近海沿岸区域水环境的频率需要。
针对空间数据降尺度方法,国际上主要以两类方法为主,第一类方法是来源于计算机领域的影像超分辨技术;第二类是来自于影像融合技术。
对于影像超分辨技术而言,其核心的思想是低分辨率的影像中所缺失的细节信息,能够通过对高分辨率的影像的学习和重建过程中获得。在这些方法中,核心的技术点在于对影像点扩散函数(Point spread function,PSF)的建模。目前主流的建模方式有两种,一种是基于影像重构技术,该技术是通过对影像产生过程的物理机理进行建模,从而倒退重构影像原始应该具有的纹理特征。这类算法的典型代表有:1)迭代反投影法(iterativeback projection,IBP)和影像点扩散函数去卷积技术(PSF deconvolution)。另一方面,当有大量的影像训练样本的情况下,影像点扩散函数的建模可以通过大量影像学习的方式进行。其主要的技术有基于卷积神经网络(CNN),稀疏表达(sparse coding),贝叶斯神经网络(Bayesian networks),基于核的有关方法(kernel-based methods),基于支持向量机的有关方法(SVM based methods).
对于影像融合技术而言,其核心思想是通过将低空间分辨率数据与高空间分辨率数据进行融合从而得到影像的纹理信息,其技术本身并不预测纹理,而是将多源信息进行融合。当高空间分辨率数据不存在时,前后时间序列上的高空间分辨率数据可以进行补充。基于该思路,影像融合技术已经广泛的应用于遥感影像的农作物监测、植被指数NDVI时间序列分析、时间空间地表反射率数据、地表初级生产力、植被季节动态变化、森林干扰因子和季节性湿地监测等多个领域。
针对以上两种主流的空间降尺度方法,两类方法都具有局限性。
首先,影像超分辨方法应用于MODIS叶绿素产品中存在两个问题。第一,由于MODIS传感器摆扫成像的特点,整张影像的点扩散情况比较复杂,并不能单一的用一种点扩散函数对每个像素点的成像过程进行建模。第二个问题在于,在影像超分辨领域,常见的降尺度比率一般为2倍或4倍。但在MODIS叶绿素产品进行空间降尺度过程中,降尺度比率是1km/30m=33.33。在这么大的降尺度比率情况下,现有的影像超分辨方法都不能使用,无法有效的恢复出MODIS像元中的纹理信息。
其次对于影像融合方法而言,当前大部分的影像融合的方法,在地表发生变化时,结果都很不理想。其中包括国际上广泛使用的时空适应反射率融合模型(Spatial andTemporal Adaptive Reflectance Fusion Model,STARFM)和增强型时空适应反射率融合模型(Enhanced STARFM,ESTARFM).2014年提出的U-STFM模型克服了这个问题,模型对地表变化有较好的容差性(Huang,Zhang,2014)。U-STFM模型直接饮用在MODIS海表叶绿素产品时有两个主要问题:1)U-STFM模型要求在时间序列上MODIS数据和Landsat数据的变化率保持一致,但由于大气纠正和观测时间的差异,对于叶MODIS和Landsat绿素产品这个假设并不能保证。因此无法直接针对叶绿素产品利用U-STFM模型进行空间数据将尺寸操作;2)U-STFM模型对于每个时间序列上变化的区域进行分割,在分割的过程中,为了使得最后融合后的影像具有更为丰富的细节,因此要求分割的图斑越细致越好,但是当分割的图斑细小时,会造成线性解混方程无解和奇异解的出现。因此图斑大小受到这两个方面的因素的制约。而对于叶绿素变化,很多变化的区域都是非常细小的区域,如何克服方程无解和奇异解的情况,使得最后得到细致的结果,是需要进一步改善的方向。
发明内容
本发明提供了一种基于MODIS的叶绿素产品降尺度方法及装置,旨在至少在一定程度上解决现有技术中的上述技术问题之一。
为了解决上述问题,本发明提供了如下技术方案:
一种基于MODIS的叶绿素产品降尺度方法,其特征在于,包括:
步骤a:获取MODIS遥感反射率数据、Landsat大气层顶反射率数据及相对应的MODIS海表叶绿素产品,将Landsat大气层顶反射率数据转换为遥感反射率数据;
步骤b:利用U-STFM模型以待预测时间为中心,前后各取一天的MODIS和Landsat数据,形成“前-中-后”的数据对,对时间序列中的所有的数据对利用U-STFM模型预测与之对应的蓝色和绿色波段的高分辨率的Rrs数据;
步骤c:在待预测时间,预测多组蓝色和绿色波段的高分辨率的Rrs数据,在每个像素的时间序列中,取中值以减少空解和奇异解对最终数据的影响,得到待预测时刻的最终蓝色和绿色波段的高分辨率Rrs数据,利用OC2M-HI回归模型,建立Rrs蓝色和绿色波段与MODIS叶绿素之间的关系;
步骤d:利用回归模型得到的关系,将高分辨率的Rrs数据转换为叶绿素产品数据。
本发明实施例采取的技术方案还包括:在所述步骤a中,所述获取MODIS遥感反射率数据采用MODIS遥感反射率Rrs469和Rrs555,所述MODIS Rrs469和Rrs555来自美国宇航局MODIS每日海色2级产品。
本发明实施例采取的技术方案还包括:在所述步骤a中,将Landsat大气层顶反射率数据转换为遥感反射率数据具体为:利用SeaDAS将Landsat大气层顶数据的蓝色和绿色波段转换为遥感反射率数据。
本发明实施例采取的技术方案还包括:在所述步骤b中,对时间序列中的所有的数据对利用U-STFM模型预测与之对应的蓝色和绿色波段的高分辨率的Rrs数据包括:对蓝色和绿色波段的“前-中-后”的数据对进行图像分段以及计算在计算在[t0,tk]和[tk,te]期间的MODISΔM##(q)的反射率差,计算每一MODIS像素端元的覆盖率,得到在[t0,tk]和[tk,te]期间的每一端元区域的空间反射率差值;改变每一端元区域的趋势比率,获得蓝色和绿色波段的高分辨率的Rrs数据。
本发明实施例采取的技术方案还包括:所述步骤c还包括:将U-STFM模型多次应用于不同时期的三对数据,所述数据对具有相同的目标日期,在同一目标日期,产生多个预测值,在所述预测值中进行取中值作为最终的Rrs预测结果。
本发明实施例采取的技术方案还包括:所述步骤c还包括:利用ArcMap中的平均聚合方法将U-STFM遥感反射率从30m增加到1km,建立1km尺度的相关性。
本发明实施例采取的另一技术方案为:一种基于MODIS的叶绿素产品降尺度装置,包括基础数据预处理模块、遥感反射数据生产模块、高空间分辨率的海表叶绿素产品构建模块和叶绿素产品数据转换模块;所述基础数据预处理模块用于获取MODIS遥感反射率数据、Landsat大气层顶反射率数据及相对应的MODIS海表叶绿素产品,将Landsat TOA反射率数据转换为遥感反射率数据;所述遥感反射数据生产模块用于利用U-STFM模型以待预测时间为中心,前后各取一天的MODIS和Landsat数据,形成“前-中-后”的数据对,对时间序列中的所有的数据对利用U-STFM模型预测与之对应的蓝色和绿色波段的高分辨率的Rrs数据;所述高空间分辨率的海表叶绿素产品构建模块用于利用回归方程构建高空间分辨率的海表叶绿素产品;所述叶绿素产品数据转换模块用于利用回归模型得到的关系,将高分辨率的Rrs数据转换为叶绿素产品数据。
本发明实施例采取的技术方案还包括:所述基础数据预处理模块获取MODIS遥感反射率数据采用MODIS遥感反射率Rrs469和Rrs555,所述MODIS Rrs469和Rrs555来自美国宇航局MODIS每日海色2级产品。
本发明实施例采取的技术方案还包括:所述基础数据预处理模块将Landsat大气层顶反射率数据转换为遥感反射率数据具体为:利用SeaDAS将Landsat大气层顶数据的蓝色和绿色波段转换为遥感反射率数据。
本发明实施例采取的技术方案还包括:所述高空间分辨率的海表叶绿素产品构建模块用于利用回归方程构建高空间分辨率的海表叶绿素产品具体包括:在待预测时间,预测了多组蓝色和绿色波段的高分辨率的Rrs数据后,在每个像素的时间序列中,取中值以减少空解和奇异解对最终数据的影响,最终得到待预测时刻的最终蓝色和绿色波段的高分辨率Rrs数据,利用OC2M-HI回归模型,建立Rrs蓝色和绿色波段与MODIS叶绿素之间的关系。
相对于现有技术,本发明实施例产生的有益效果在于:本发明实施例的基于MODIS的叶绿素产品降尺度方法及装置突破了传统影像超分辨方法对于降尺度比率不能过大的缺点,适用于不同尺度遥感数据之间的转换;同时本发明实施例的基于MODIS的叶绿素产品降尺度方法及装置继承了U-STFM模型中,对地表变化的建模的优点,即使在表面参数时刻发生变化的过程中,也可以进行空间降尺度,能够生产高空间分辨率的数据;此外,本发明实施例的基于MODIS的叶绿素产品降尺度方法及装置第一次将空间降尺度的方法引入的海表数据的空间降尺度方面,提出了一套切实可行的降尺度方法,该方法不仅对于海表反射率数据适用,对于其他海表参数也同样适用。
附图说明
图1是本发明实施例的基于MODIS的叶绿素产品降尺度方法的流程图;
图2是本发明实施例的基于MODIS的叶绿素产品降尺度方法的总体技术路线示意图;
图3是本申请实施例利用U-STFM模型进行高分辨率遥感反射数据生产的流程图;
图4是本申请实施例利用回归方程构建高空间分辨率的海表叶绿素产品的流程图;
图5是本发明实施例的基于MODIS的叶绿素产品降尺度装置的结构示意图;
图6是本发明实施例应用在渤海北部曹家甸港口附件海域海表叶绿素的蓝色波段预测结果对比图;
图7是本发明实施例应用在渤海北部曹家甸港口附件海域海表叶绿素绿色波段预测结果对比图;
图8本发明实施例应用是在渤海北部曹家甸港口附件海域海表叶绿素蓝色和绿色波段预测值与实测值1:1对比图;
图9是本发明实施例应用在渤海北部曹家甸港口附件海域最终预测海表叶绿素对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
请参阅图1和图2,图1是本发明实施例的基于MODIS的叶绿素产品降尺度方法的流程图,图2是本发明实施例的基于MODIS的叶绿素产品降尺度方法额总体技术路线示意图。本发明实施例的基于MODIS的叶绿素产品降尺度方法包括以下步骤:
步骤100:基础数据预处理:获取MODIS遥感反射率数据、Landsat TOA(大气层顶)反射率数据及相对应的MODIS海表叶绿素产品,将Landsat TOA反射率数据转换为遥感反射率数据;
在步骤100中,将Landsat TOA反射率数据转换为遥感反射率数据具体为利用SeaDAS将USGS(美国地质勘探局United States Geological Survey,简称USGS)的Landsat8TOA(大气层顶)数据的蓝色和绿色波段转换为遥感反射率(Remote sensingreflectance,Rrs)数据,Landsat8TOA(大气层顶)数据的蓝色和绿色波段为Landsat8TOA反射率波段2和波段3。SeaDAS软件为美国宇航局海洋生物处理组(OBPG)创建的软件,SeaDAS软件中的L2gen模型被用来通过选择适当的大气校正算法来生成Rrs数据。获取MODIS遥感反射率数据采用MODIS遥感反射率Rrs469和Rrs555,MODIS Rrs469和Rrs555来自美国宇航局MODIS每日海色2级产品,可直接用作U-STFM模型的输入。MODIS和Landsat遥感反射率数据均采用相同的陆面和云掩膜。
步骤200:利用U-STFM模型(Unmixing-based Spatio-Temporal ReflectanceFusion Model,基于分离的时空反射融合模型)进行高分辨率遥感反射数据的生产,具体包括:利用U-STFM模型以待预测时间为中心,前后各取一天的MODIS和Landsat数据,形成“前-中-后”的数据对,对时间序列中的所有的数据对利用U-STFM模型预测与之对应的蓝色和绿色波段的高分辨率的Rrs数据;
请一并参阅图3,图3是本申请实施例利用U-STFM模型进行高分辨率遥感反射数据生产的流程图。在步骤200中,为了在MODIS低空间分辨率数据中预测更详细的信息,常用技术是线性解混合分析,其假设在低分辨率像素中的反射率可以由该低空间分辨率像素内的端元的平均反射率的线性组合,公式1描述了该解混过程。
其中Mt(i,j)是MODIS像元在日期t的反射率;是端元的平均反射率;而ft(i)是MODIS像素(i,j)中端元i的覆盖率。
U-STFM的基本假设是,在同一观测期间,Landsat数据和MODIS数据的时间序列变化率保持不变。Landsat像素(i,j)中的时间序列变化率定义为:
其中ΔLke(i,j),和ΔLok(i,j)分别是两个时段[tk,te]和[t0,tk]的Landsat遥感反射率的差值;Le(i,j)是结束日期te的Landsat遥感反射率;Lk(i,j)是目标日tk的Landsat遥感反射率;L0(i,j)是开始日期t0的Landsat遥感反射率。
类似地,MODIS像素(i,j)中一个端元的变化率也被定义为:
其中和分别是在两个时段[tk,te]和[t0,tk]上的像素(i,j)处的端元反射率的差。作为U-STFM的基本假设,在相同的[0-k-e]观测期间,Landsat和MODIS端元时间序列的变化率应该是相同的。
结合公式(2)和公式(3),目标日期tk的Landsat遥感反射率可以通过下式计算:
公式(4)表明,目标日期的最终图像是目标日期之前和之后L0(i,j)和Le(i,j)的两个Landsat图像的融合。求解这个方程的关键是获得它可以由方程(3)中的MODIS时间序列数据计算出来。线性解混合理论被用于在一个MODIS像素中的每个端元上获得更精确的变化比率,可以将其定义为公式(5):
其中ΔM##(q)是第q个MODIS反射像素在周期##(例如ke或0k)上的差值。N是该像素中的端点总数。为了计算方程(4)中每个端元的变化率我们需要首先计算每个端元的反射率差当与许多具有相同端元的MODIS像素相结合时,线性解混过程可由公式(6)定义:
在等号左边矩阵ΔM##(1..q..Z)是在周期##(例如ke或0k)上的不同MODIS反射像素的差异;fi ii位于每个MODIS像素中的N个端元的分数覆盖,是指每个端元的反射率差,这是我们需要计算的变量。ε1..Z是线性回归系统的误差项。
为了保证方程有解。求解公式(6)的过程中需要添加一些限制。首先对解的值域范围进行限定。如公式(7)所示。
其中{ΔM##(Rk)}包括MODIS差分图像的第K个区域中的所有像素值。Con是确保解的值区间足够大的一个常数。Con被设定为{ΔM##(Rk)}.的平均值的20%。
另一个限制是:
其中,是[t0,tk]周期的解;是[tk,te]周期的解。可以借助观测周期[t0,te]中的来获取。是与MODIS捕获的反射率和Landsat传感器之间的传感器辐射差异相关的参数,可以通过分析MODIS中的所有像素比较这些像素中的重采样的Landsat值来计算常数。
有了这两个限制,计算的最终方程为:
步骤300:利用回归方程构建高空间分辨率的海表叶绿素产品,具体包括:在待预测时间,预测了多组蓝色和绿色波段的高分辨率的Rrs数据后,在每个像素的时间序列中,取中值以减少空解和奇异解对最终数据的影响,最终得到待预测时刻的最终蓝色和绿色波段的高分辨率Rrs数据,利用NASA OC2M-HI回归模型,建立Rrs蓝色和绿色波段与MODIS叶绿素之间的关系。
请一并参阅图4,图4是本申请实施例利用回归方程构建高空间分辨率的海表叶绿素产品的流程图。在步骤300中,将U-STFM模型多次应用于不同时期的三对数据,这些数据对具有相同的目标日期,以降低线性解混模型无解和奇异解的情况。这样,在同一目标日期,可以产生多个预测值,在这些值中进行取中值作为最终的Rrs预测结果。预测同时,这个过程也可以填补MODIS观测中由云量和坏像素引起的数据缺。
电磁波谱的蓝色区域(450-495nm)和绿色区域(495-570nm)的遥感反射率(Rrs)与叶绿素a浓度高度相关。目前用于MODIS的缺省叶绿素算法是基于几个OCx系列的算法,其系数是用来自NASA生物光学海洋算法数据集(NOMAD)第二版。在本申请的实施例中,OC2M-HI波段比回归模型(方程10)被用来建立蓝、绿带和叶绿素a浓度之间的相关性(O'Reilly等,2000)。由于MODIS叶绿素a产品的原始分辨率为1km,首先利用ArcMap中的平均聚合方法将U-STFM遥感反射率从30m增加到1km,建立1km尺度的相关性,ArcMap是一个用户桌面组件,具有强大的地图制作,空间分析,空间数据建库等功能,是美国环境系统研究所(Environment System Research Institute,ESRI)于1978年开发的GIS系统。
其中,Chl1km代表MODIS叶绿素a浓度在1km尺度;blue1km和green1km为重采样后的遥感反射率在1km尺度。ai和b是回归模型的系数。
如果方程(10)在不同尺度上被认为是尺度无关的,在粗空间分辨率下建立的关系可以应用在精细的空间分辨率下。基于这个假设,30m尺度的叶绿素a最终浓度可以用下式预测。
其中,Chl30代表最终叶绿素a浓度在30m尺度;blue30和green30为重采样后的遥感反射率在30m尺度,ai和b是公式(10)回归模型得到的系数。
步骤400:利用回归模型得到的关系,将高分辨率的Rrs数据转换为叶绿素产品数据。
图5是本发明实施例的基于MODIS的叶绿素产品降尺度装置的结构示意图。本发明实施例的基于MODIS的叶绿素产品降尺度装置包括:基础数据预处理模块、遥感反射数据生产模块、高空间分辨率的海表叶绿素产品构建模块和叶绿素产品数据转换模块。
基础数据预处理模块用于获取MODIS遥感反射率数据、Landsat TOA(大气层顶)反射率数据及相对应的MODIS海表叶绿素产品,将Landsat TOA反射率数据转换为遥感反射率数据。将Landsat TOA反射率数据转换为遥感反射率数据具体为利用SeaDAS将USGS(美国地质勘探局United States Geological Survey,简称USGS)的Landsat8TOA(大气层顶)数据的蓝色和绿色波段转换为遥感反射率(Remote sensing reflectance,Rrs)数据,Landsat8TOA(大气层顶)数据的蓝色和绿色波段为Landsat8TOA反射率波段2和波段3。SeaDAS软件为美国宇航局海洋生物处理组(OBPG)创建的软件,SeaDAS软件中的L2gen模型被用来通过选择适当的大气校正算法来生成Rrs数据。获取MODIS遥感反射率数据采用MODIS遥感反射率Rrs469和Rrs555,MODIS Rrs469和Rrs555来自美国宇航局MODIS每日海色2级产品,可直接用作U-STFM模型的输入。MODIS和Landsat遥感反射率数据均采用相同的陆面和云掩膜。
遥感反射数据生产模块用于利用U-STFM模型(Unmixing-based Spatio-TemporalReflectance Fusion Model,基于分离的时空反射融合模型)进行高分辨率遥感反射数据的生产,具体包括:利用U-STFM模型以待预测时间为中心,前后各取一天的MODIS和Landsat数据,形成“前-中-后”的数据对,对时间序列中的所有的数据对利用U-STFM模型预测与之对应的蓝色和绿色波段的高分辨率的Rrs数据;
请一并参阅图3,图3是本申请实施例利用U-STFM模型进行高分辨率遥感反射数据生产的流程图。在步骤200中,为了在MODIS低空间分辨率数据中预测更详细的信息,常用技术是线性解混合分析,其假设在低分辨率像素中的反射率可以由该低空间分辨率像素内的端元的平均反射率的线性组合,公式1描述了该解混过程。
其中Mt(i,j)是MODIS像元在日期t的反射率;是端元的平均反射率;而ft(i)是MODIS像素(i,j)中端元i的覆盖率。
U-STFM的基本假设是,在同一观测期间,Landsat数据和MODIS数据的时间序列变化率保持不变。Landsat像素(i,j)中的时间序列变化率定义为:
其中ΔLke(i,j),和ΔLok(i,j)分别是两个时段[tk,te]和[t0,tk]的Landsat遥感反射率的差值;Le(i,j)是结束日期te的Landsat遥感反射率;Lk(i,j)是目标日tk的Landsat遥感反射率;L0(i,j)是开始日期t0的Landsat遥感反射率.
类似地,MODIS像素(i,j)中一个端元的变化率也被定义为:
其中和分别是在两个时段[tk,te]和[t0,tk]上的像素(i,j)处的端元反射率的差。作为U-STFM的基本假设,在相同的[0-k-e]观测期间,Landsat和MODIS端元时间序列的变化率应该是相同的。
结合公式(2)和公式(3),目标日期tk的Landsat遥感反射率可以通过下式计算:
公式(4)表明,目标日期的最终图像是目标日期之前和之后L0(i,j)和Le(i,j)的两个Landsat图像的融合。求解这个方程的关键是获得它可以由方程(3)中的MODIS时间序列数据计算出来。线性解混合理论被用于在一个MODIS像素中的每个端元上获得更精确的变化比率,可以将其定义为公式(5):
其中ΔM##(q)是第q个MODIS反射像素在周期##(例如ke或0k)上的差值。N是该像素中的端点总数。为了计算方程(4)中每个端元的变化率我们需要首先计算每个端元的反射率差当与许多具有相同端元的MODIS像素相结合时,线性解混过程可由公式(6)定义:
在等号左边矩阵ΔM##(1..q..Z)是在周期##(例如ke或0k)上的不同MODIS反射像素的差异;fii ii位于每个MODIS像素中的N个端元的分数覆盖,是指每个端元的反射率差,这是我们需要计算的变量。ε1..Z是线性回归系统的误差项。
为了保证方程有解。求解公式(6)的过程中需要添加一些限制。首先对解的值域范围进行限定。如公式(7)所示。
其中{ΔM##(Rk)}包括MODIS差分图像的第K个区域中的所有像素值。Con是确保解的值区间足够大的一个常数。Con被设定为{ΔM##(Rk)}.的平均值的20%。
另一个限制是:
其中,是[t0,tk]周期的解;是[tk,te]周期的解。可以借助观测周期[t0,te]中的来获取。是与MODIS捕获的反射率和Landsat传感器之间的传感器辐射差异相关的参数,可以通过分析MODIS中的所有像素比较这些像素中的重采样的Landsat值来计算常数。
有了这两个限制,计算的最终方程为:
高空间分辨率的海表叶绿素产品构建模块用于利用回归方程构建高空间分辨率的海表叶绿素产品,具体包括:在待预测时间,预测了多组蓝色和绿色波段的高分辨率的Rrs数据后,在每个像素的时间序列中,取中值以减少空解和奇异解对最终数据的影响,最终得到待预测时刻的最终蓝色和绿色波段的高分辨率Rrs数据,利用NASA OC2M-HI回归模型,建立Rrs蓝色和绿色波段与MODIS叶绿素之间的关系。
请一并参阅图4,图4是本申请实施例利用回归方程构建高空间分辨率的海表叶绿素产品的流程图。在步骤300中,将U-STFM模型多次应用于不同时期的三对数据,这些数据对具有相同的目标日期,以降低线性解混模型无解和奇异解的情况。这样,在同一目标日期,可以产生多个预测值,在这些值中进行取中值作为最终的Rrs预测结果。预测同时,这个过程也可以填补MODIS观测中由云量和坏像素引起的数据缺。
电磁波谱的蓝色区域(450-495nm)和绿色区域(495-570nm)的遥感反射率(Rrs)与叶绿素a浓度高度相关。目前用于MODIS的缺省叶绿素算法是基于几个OCx系列的算法,其系数是用来自NASA生物光学海洋算法数据集(NOMAD)第二版。在本申请的实施例中,OC2M-HI波段比回归模型(方程10)被用来建立蓝、绿带和叶绿素a浓度之间的相关性(O'Reilly等,2000)。由于MODIS叶绿素a产品的原始分辨率为1km,首先利用ArcMap中的平均聚合方法将U-STFM遥感反射率从30m增加到1km,建立1km尺度的相关性,ArcMap是一个用户桌面组件,具有强大的地图制作,空间分析,空间数据建库等功能,是美国环境系统研究所(Environment System Research Institute,ESRI)于1978年开发的GIS系统。
其中,Chl1km代表MODIS叶绿素a浓度在1km尺度;blue1km和green1km为重采样后的遥感反射率在1km尺度。ai和b是回归模型的系数。
如果方程(10)在不同尺度上被认为是尺度无关的,在粗空间分辨率下建立的关系可以应用在精细的空间分辨率下。基于这个假设,30m尺度的叶绿素a最终浓度可以用下式预测。
其中,Chl30代表最终叶绿素a浓度在30m尺度;blue30和green30为重采样后的遥感反射率在30m尺度,ai和b是公式(10)回归模型得到的系数。
叶绿素产品数据转换模块用于利用回归模型得到的关系,将高分辨率的Rrs数据转换为叶绿素产品数据。
本发明实施例的基于MODIS的叶绿素产品降尺度方法及装置在渤海北部曹家甸港口附件海域海表叶绿素进行实验测试,实测结果请一并参阅图6至图9,图6是本发明实施例应用在渤海北部曹家甸港口附件海域海表叶绿素的蓝色波段预测结果对比图,图7是本发明实施例应用在渤海北部曹家甸港口附件海域海表叶绿素绿色波段预测结果对比图,图8本发明实施例应用是在渤海北部曹家甸港口附件海域海表叶绿素蓝色和绿色波段预测值与实测值1:1对比图,图9是本发明实施例应用在渤海北部曹家甸港口附件海域最终预测海表叶绿素对比图。在图6中,图(a)表示MODIS原始数据Rrs469,图(b)表示模型预测的海表遥感反射率(Rrs)蓝色波段,图(c)表示当天实际的Landsat Rrs数据。在图7中,图(a)表示MODIS原始数据Rrs 666,图(b)表示模型预测的海表遥感反射率(Rrs)绿色波段,图(c)表示当天实际的Landsat Rrs。在图9中,图(a)和(d)表示MODIS观测的当天下午2点原始叶绿素的全部区域和局部区域;图(b)和(e)表示本方案预测的结果全部取和局部区域;图(c)表示Landsat8观测到的当天早上10点叶绿素浓度全部区域和局部区域。数据测试结果如下:从结果来看,对于海表遥感反射率的预测。从空间分布角度,本方案预测的结果大大提高了空间细节纹理情况(见图6和图7)特别是靠近海岸线和岛屿的区域。从数值角度,本方案的预测值和Landsat的实测数据具有很好的一致性和相关性(见图8)。最终使用本方案得到的叶绿素浓度结果展示在图9可以看出,本方案预测的结果与原始的MODIS实际观测数据相关度较高,同时在细节纹理方案,本方案的预测结果能够恢复出空间上大量的细节纹理信息,特别是在靠近沿岸和岛屿的区域(图9d-f)。
本发明实施例的基于MODIS的叶绿素产品降尺度方法及装置突破了传统影像超分辨方法对于降尺度比率不能过大的缺点,适用于不同尺度遥感数据之间的转换;同时本发明实施例的基于MODIS的叶绿素产品降尺度方法及装置继承了U-STFM模型中,对地表变化的建模的优点,即使在表面参数时刻发生变化的过程中,也可以进行空间降尺度,能够生产高空间分辨率的数据;此外,本发明实施例的基于MODIS的叶绿素产品降尺度方法及装置第一次将空间降尺度的方法引入的海表数据的空间降尺度方面,提出了一套切实可行的降尺度方法,该方法不仅对于海表反射率数据适用,对于其他海表参数也同样适用。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于MODIS的叶绿素产品降尺度方法,其特征在于,包括:
步骤a:获取MODIS遥感反射率数据、Landsat大气层顶反射率数据及相对应的MODIS海表叶绿素产品,将Landsat大气层顶反射率数据转换为遥感反射率数据;
步骤b:利用U-STFM模型以待预测时间为中心,前后各取一天的MODIS和Landsat数据,形成“前-中-后”的数据对,对时间序列中的所有的数据对利用U-STFM模型预测与之对应的蓝色和绿色波段的高分辨率的Rrs数据;
步骤c:在待预测时间,预测多组蓝色和绿色波段的高分辨率的Rrs数据,在每个像素的时间序列中取中值,得到待预测时刻的最终蓝色和绿色波段的高分辨率Rrs数据,利用回归模型,建立Rrs蓝色和绿色波段与MODIS叶绿素之间的关系;
步骤d:利用回归模型得到的关系,将高分辨率的Rrs数据转换为叶绿素产品数据。
2.根据权利要求1所述的基于MODIS的叶绿素产品降尺度方法,其特征在于,在所述步骤a中,所述获取的MODIS遥感反射率数据采用MODIS遥感反射率Rrs469和Rrs555,所述MODIS Rrs469和Rrs555来自美国宇航局MODIS每日海色2级产品。
3.根据权利要求1或2所述的基于MODIS的叶绿素产品降尺度方法,其特征在于,在所述步骤a中,将Landsat大气层顶反射率数据转换为遥感反射率数据具体为:利用SeaDAS将Landsat大气层顶数据的蓝色和绿色波段转换为遥感反射率数据。
4.根据权利要求1所述的基于MODIS的叶绿素产品降尺度方法,其特征在于,在所述步骤b中,对时间序列中的所有的数据对利用U-STFM模型预测与之对应的蓝色和绿色波段的高分辨率的Rrs数据包括:对蓝色和绿色波段的“前-中-后”的数据对进行图像分段以及计算在[t0,tk]和[tk,te]期间的MODISΔM##(q)的反射率差,计算每一MODIS像素端元的覆盖率,得到在[t0,tk]和[tk,te]期间的每一端元区域的空间反射率差值;改变每一端元区域的趋势比率,获得蓝色和绿色波段的高分辨率的Rrs数据。
5.根据权利要求4所述的基于MODIS的叶绿素产品降尺度方法,其特征在于,所述步骤c还包括:将U-STFM模型多次应用于不同时期的三对数据,所述数据对具有相同的目标日期,在同一目标日期,产生多个预测值,在所述预测值中进行取中值作为最终的Rrs预测结果。
6.根据权利要求1所述的基于MODIS的叶绿素产品降尺度方法,其特征在于,所述步骤c还包括:利用ArcMap中的平均聚合方法将U-STFM遥感反射率从30m增加到1km,建立1km尺度的相关性。
7.一种基于MODIS的叶绿素产品降尺度装置,其特征在于,包括基础数据预处理模块、遥感反射数据生产模块、高空间分辨率的海表叶绿素产品构建模块和叶绿素产品数据转换模块;所述基础数据预处理模块用于获取MODIS遥感反射率数据、Landsat大气层顶反射率数据及相对应的MODIS海表叶绿素产品,将Landsat TOA反射率数据转换为遥感反射率数据;所述遥感反射数据生产模块用于利用U-STFM模型以待预测时间为中心,前后各取一天的MODIS和Landsat数据,形成“前-中-后”的数据对,对时间序列中的所有的数据对利用U-STFM模型预测与之对应的蓝色和绿色波段的高分辨率的Rrs数据;所述高空间分辨率的海表叶绿素产品构建模块用于利用回归方程构建高空间分辨率的海表叶绿素产品;所述叶绿素产品数据转换模块用于利用回归模型得到的关系,将高分辨率的Rrs数据转换为叶绿素产品数据。
8.根据权利要求7所述的基于MODIS的叶绿素产品降尺度装置,其特征在于,所述基础数据预处理模块获取MODIS遥感反射率数据采用MODIS遥感反射率Rrs469和Rrs555,所述MODIS Rrs469和Rrs555来自美国宇航局MODIS每日海色2级产品。
9.根据权利要求7或8所述的基于MODIS的叶绿素产品降尺度装置,其特征在于,所述基础数据预处理模块将Landsat大气层顶反射率数据转换为遥感反射率数据具体为:利用SeaDAS将Landsat大气层顶数据的蓝色和绿色波段转换为遥感反射率数据。
10.根据权利要求7或8所述的基于MODIS的叶绿素产品降尺度装置,其特征在于,所述高空间分辨率的海表叶绿素产品构建模块用于利用回归方程构建高空间分辨率的海表叶绿素产品具体包括:在待预测时间,预测了多组蓝色和绿色波段的高分辨率的Rrs数据后,在每个像素的时间序列中,取中值以减少空解和奇异解对最终数据的影响,最终得到待预测时刻的最终蓝色和绿色波段的高分辨率Rrs数据,利用OC2M-HI回归模型,建立Rrs蓝色和绿色波段与MODIS叶绿素之间的关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810543676.3A CN109359264B (zh) | 2018-05-30 | 2018-05-30 | 一种基于modis的叶绿素产品降尺度方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810543676.3A CN109359264B (zh) | 2018-05-30 | 2018-05-30 | 一种基于modis的叶绿素产品降尺度方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109359264A true CN109359264A (zh) | 2019-02-19 |
CN109359264B CN109359264B (zh) | 2023-06-16 |
Family
ID=65349639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810543676.3A Active CN109359264B (zh) | 2018-05-30 | 2018-05-30 | 一种基于modis的叶绿素产品降尺度方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109359264B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619605A (zh) * | 2019-09-17 | 2019-12-27 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 并行气象要素降尺度方法、装置、电子设备及存储介质 |
CN111125277A (zh) * | 2019-11-14 | 2020-05-08 | 国家气候中心 | 一种基于立方体技术的Landsat遥感植被指数修复方法 |
CN115615936A (zh) * | 2022-12-05 | 2023-01-17 | 中关村睿宸卫星创新应用研究院 | 基于多源卫星数据计算内陆水域最大叶绿素指数的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050164333A1 (en) * | 2004-01-22 | 2005-07-28 | Bowling Green State University | Method and apparatus for detecting phycocyanin-pigmented algae and bacteria from reflected light |
CN104820224A (zh) * | 2015-05-08 | 2015-08-05 | 中国科学院南京地理与湖泊研究所 | 富营养化湖泊水体叶绿素a的MODIS卫星高精度监测方法 |
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 |
CN106468658A (zh) * | 2016-09-05 | 2017-03-01 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊藻蓝素的modis遥感监测方法 |
US20170235996A1 (en) * | 2015-07-28 | 2017-08-17 | Chiman KWAN | Method and system for collaborative multi-satellite remote sensing |
CN107247935A (zh) * | 2017-05-27 | 2017-10-13 | 深圳先进技术研究院 | 深圳海域初级生产力遥感反演方法及系统 |
-
2018
- 2018-05-30 CN CN201810543676.3A patent/CN109359264B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050164333A1 (en) * | 2004-01-22 | 2005-07-28 | Bowling Green State University | Method and apparatus for detecting phycocyanin-pigmented algae and bacteria from reflected light |
CN104820224A (zh) * | 2015-05-08 | 2015-08-05 | 中国科学院南京地理与湖泊研究所 | 富营养化湖泊水体叶绿素a的MODIS卫星高精度监测方法 |
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 |
US20170235996A1 (en) * | 2015-07-28 | 2017-08-17 | Chiman KWAN | Method and system for collaborative multi-satellite remote sensing |
CN106468658A (zh) * | 2016-09-05 | 2017-03-01 | 中国科学院南京地理与湖泊研究所 | 一种富营养化湖泊藻蓝素的modis遥感监测方法 |
CN107247935A (zh) * | 2017-05-27 | 2017-10-13 | 深圳先进技术研究院 | 深圳海域初级生产力遥感反演方法及系统 |
Non-Patent Citations (3)
Title |
---|
卢霞,焦明连: "基于多源遥感数据的连云港海域赤潮信息提取研究", 《安徽农业科学》 * |
杨贵军等: "多源多角度遥感数据反演森林叶面积指数方法", 《植物学报》 * |
梅长青等: "应用MODIS数据监测巢湖蓝藻水华的研究", 《遥感技术与应用》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110619605A (zh) * | 2019-09-17 | 2019-12-27 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 并行气象要素降尺度方法、装置、电子设备及存储介质 |
CN110619605B (zh) * | 2019-09-17 | 2022-12-20 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 并行气象要素降尺度方法、装置、电子设备及存储介质 |
CN111125277A (zh) * | 2019-11-14 | 2020-05-08 | 国家气候中心 | 一种基于立方体技术的Landsat遥感植被指数修复方法 |
CN115615936A (zh) * | 2022-12-05 | 2023-01-17 | 中关村睿宸卫星创新应用研究院 | 基于多源卫星数据计算内陆水域最大叶绿素指数的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109359264B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sagar et al. | Extracting the intertidal extent and topography of the Australian coastline from a 28 year time series of Landsat observations | |
Liu et al. | StfNet: A two-stream convolutional neural network for spatiotemporal image fusion | |
Star et al. | Integration of geographic information systems and remote sensing | |
Solberg et al. | Multisource classification of remotely sensed data: fusion of Landsat TM and SAR images | |
CN105651263B (zh) | 浅海水深多源遥感融合反演方法 | |
CN109359264A (zh) | 一种基于modis的叶绿素产品降尺度方法及装置 | |
Jouini et al. | Reconstruction of satellite chlorophyll images under heavy cloud coverage using a neural classification method | |
CN112002009B (zh) | 一种基于生成对抗网络的无监督重建三维人脸方法 | |
CN107341513B (zh) | 基于稳健的固定阶数滤波模型的多源海洋表面温度遥感产品融合方法 | |
Yahia et al. | Motion analysis in oceanographic satellite images using multiscale methods and the energy cascade | |
Harty et al. | Intra-hour cloud index forecasting with data assimilation | |
CN109409286A (zh) | 基于伪样本增强训练的船舶目标检测方法 | |
TW201044316A (en) | Geospatial modeling system for colorizing images and related methods | |
Yang et al. | MSFusion: Multistage for remote sensing image spatiotemporal fusion based on texture transformer and convolutional neural network | |
Douxchamps et al. | Stereoscopic and velocimetric reconstructions of the free surface topography of antidune flows | |
Li et al. | A pseudo-siamese deep convolutional neural network for spatiotemporal satellite image fusion | |
Marks | The IHO-IOC GEBCO Cook Book. | |
Yang et al. | Sparse representation and SRCNN based spatio-temporal information fusion method of multi-sensor remote sensing data | |
Deng et al. | Mapping bathymetry from multi-source remote sensing images: A case study in the Beilun Estuary, Guangxi, China | |
CN109697695A (zh) | 可见光图像引导的超低分辨率热红外图像插值算法 | |
Cao et al. | Orienting raw point sets by global contraction and visibility voting | |
CN109741261A (zh) | 一种基于面向对象窗口的遥感地表温度降尺度算法 | |
Fayad et al. | Vision Transformers, a new approach for high-resolution and large-scale mapping of canopy heights | |
Elshehaly et al. | Interactive fusion and tracking for multi‐modal spatial data visualization | |
Jing et al. | A Rigorously-Incremental Spatiotemporal Data Fusion Method for Fusing Remote Sensing Images |
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 |