CN109685108B - 一种生成高时空分辨率ndvi长时间序列的方法 - Google Patents

一种生成高时空分辨率ndvi长时间序列的方法 Download PDF

Info

Publication number
CN109685108B
CN109685108B CN201811404834.3A CN201811404834A CN109685108B CN 109685108 B CN109685108 B CN 109685108B CN 201811404834 A CN201811404834 A CN 201811404834A CN 109685108 B CN109685108 B CN 109685108B
Authority
CN
China
Prior art keywords
time
fusion
ndvi
image
target
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.)
Expired - Fee Related
Application number
CN201811404834.3A
Other languages
English (en)
Other versions
CN109685108A (zh
Inventor
曹入尹
申晓谦
陈洋
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201811404834.3A priority Critical patent/CN109685108B/zh
Publication of CN109685108A publication Critical patent/CN109685108A/zh
Application granted granted Critical
Publication of CN109685108B publication Critical patent/CN109685108B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本发明针对卫星高空间分辨率NDVI数据稀疏、数据时间上不连续、NDVI噪声的技术问题，公开了一种融合生成高空间和高时间分辨率NDVI长时间序列的方法。本发明在初始融合NDVI时间序列数据的基础上，对于需要再融合处理的目标时间点，基于同天不同年的初始融合NDVI图像、高时间低空间图像，以及目标时间所在年对应时间的高时间低空间图像进行第二次时空融合处理，得到各年份的第二融合NDVI图像，再基于所设置的不同年份的权重对第二融合NDVI图像进行加权处理，得到各目标时间点重建数据，即最终融合结果，达到空间和时间信息最大化地相互补充和利用，提高数据重建的效果，提升所生成的融合数据在精度和稳定性。

Description

一种生成高时空分辨率NDVI长时间序列的方法
技术领域
本发明属于遥感数据处理与融合技术领域，具体涉及一种高时空分辨率NDVI长时间序列的生成方法。
背景技术
归一化差异植被指数(NDVI)长期时间序列数据描述了多年间地表植被的绿度变化，是许多生态环境应用的重要数据源之一。它已被广泛用于估算植被生产力，监测土地覆盖/利用类型和变化，以及植被物候学检测等方面。目前，长期的NDVI时间系列产品可由多个卫星传感器提供，如AVHRR(甚高分辨率扫描辐射计)、MODIS(中分辨率成像光谱仪)和SPOT VGT(宽视域植被探测仪)。然而，这些NDVI时间序列产品通常具有相对粗糙的空间分辨率，例如从几百米(例如MODIS)到几公里(例如AVHRR)。这种粗糙的空间分辨率极大地限制了NDVI数据产品在空间异构区域中的应用。因此，提高空间分辨率以产生高时空分辨率的NDVI时间序列数据是非常必要的。
由于空间和时间分辨率之间的相互制约，单个卫星传感器只能提供满足高时间频率或高空间分辨率其中之一的数据。因此，针对这个局限，提高时空分辨率，研究人员已经提出了时空融合技术，以通过将高时间分辨率但低空间分辨率的图像(简称高时间低空间图像，例如MODIS卫星产品)与高空间分辨率但低时间分辨率图像(简称高空间低时间图像，例如Landsat卫星产品)混合来模拟高时空分辨率NDVI时间序列。在过去的十年中，研究人员已经发展了许多(50多个)时空融合算法。这些融合算法大致可以分为4类，包括基于混合像元分解的方法、基于权重函数组合的方法、基于机器学习的方法以及综合性方法。
尽管已有许多融合方法，但大多数方法都只用来模拟生成某个离散预测日期(预测时间点)下的高时空分辨率的NDVI图像。如果想要得到长时期(例如，多年的)NDVI融合时间序列，一般的做法是按时间点逐个生成高时空分辨率NDVI图像。然而，这种重建策略可能面临三个问题，并导致NDVI融合时间序列低质量。以MODIS-Landsat融合为例，第一个难题是如何在基础时间上获得满意的Landsat输入图像。因为时空融合算法需要使用基础时间上精细图像(Landsat)的空间信息来辅助模拟生成预测日期上所需的融合图像。所以当基础时间与预测日期相近时，它们对应的图像具有相似的植被物候状况，在这个情形下，融合结果一般较好。然而实际应用中，基础时间和预测日期之间时间间隔短的条件可以在一定时间段内满足，但是在多年期间，这种条件总是很难满足。实际中，Landsat的基础图像可能会在距离预测时间几个月的时间内获得。另一个难题是NDVI融合时间序列时间上不连续。虽然一些方法选择了相对清晰的Landsat基础图像，但是基础图像中的一些像素不可避免地会受到云的污染，这就导致这些方法无法在预测日期上利用这些像素。为了避免使用到这些被污染的像素，可以选择进一步在更长的时间范围内搜索Landsat的基础图像。但是这种操作很复杂，并且会导致预测精度降低。此外，在某些预测日期，会选择Landsat 7图像作为基础图像。由于自从2003以来，Landsat 7传感器硬件发生故障，获得的图像中大约22％的像素不能被扫描而成为缺失条带。虽然这些缺失值在Landsat 7图像被应用可以被恢复填满，但是恢复的数据质量仍然不能令人满意，并且可能影响融合的效果。第三个难题是粗图像(即MODIS NDVI时间序列)的数据质量问题。为了重构高质量的MODIS NDVI时间序列数据，人们已经发展了多种降噪方法。但在某些年份，NDVI时间序列中仍可能存在严重的噪声。因此，在这些年份中，NDVI融合时间序列也会受到MODIS噪声的影响。
发明内容
本发明的发明目的在于：针对上述存在的问题，提供一种构建高时空分辨率NDVI融合长期时间序列数据的方法，解决NDVI数据稀疏、数据时间上不连续、NDVI噪声等技术问题。
本发明的一种生成高时空分辨率NDVI长时间序列的方法，包括下列步骤：
步骤1：确定时空融合处理的数据源，包括高时间低空间分辨率图像和高空间低时间分辨率图像；
并对所述数据源进行图像预处理，所述图像预处理即时空融合处理方法中惯用的预处理方式，包括但不限于：对高时间低空间分辨率图像的辐射定标、大气校正，对高空间低时间分辨率图像的图像去噪，以及数据源的图像配准等；
其中，数据源中的高时间分辨率图像的云覆盖量应满足预设条件(优选为小于10％的云覆盖量的高时间分辨率图像)；
步骤2：基于预置的预测时间点
Figure BDA0001877113360000021
对图像预处理后的数据源进行时空融合处理，生成每个预测时间点
Figure BDA0001877113360000022
的高时空分辨率的NDVI图像，记为图像
Figure BDA0001877113360000023
其中y、d分别表示预测时间点
Figure BDA0001877113360000024
的年份和天数；
并将图像
Figure BDA0001877113360000025
按预测时间点排序得到初始融合NDVI时间序列数据；
步骤3：基于再融合需求，从预测时间点
Figure BDA0001877113360000026
中筛选出再融合处理的预测时间点,记为再融合目标时间点
Figure BDA0001877113360000027
其中
Figure BDA0001877113360000028
分别表示再融合目标时间点的目标年份和目标天数；
其中所筛选出来的对象可以是：高空间低时间分辨率图像部分时间缺失所对应的预测时间点(以Landsat反射率产品为例，一年有23幅图像，但有时会由于一些原因导致部分时间缺失)；或者是图像云覆盖量大于给定阈值的高时空低空间分辨率的NDVI图像所对应的预测时间点。当然基于需求，也可以将所有预测时间点均作为再融合时间点。
并对各再融合目标时间点
Figure BDA0001877113360000031
进行再融合处理，基于再融合处理数据和初始融合NDVI时间序列数据得到高时空分辨率NDVI长时间序列；
其中，对每个再融合目标时间点
Figure BDA0001877113360000032
的再融合处理具体包括：
对初始融合NDVI时间序列数据所包括的所有年份，分别设置再融合目标时间点
Figure BDA0001877113360000033
在各年份的第二次时空融合图像：
对于目标年份
Figure BDA0001877113360000034
直接设置其第二次时空融合图像为
Figure BDA0001877113360000035
对于非目标年份
Figure BDA0001877113360000036
在目标年份
Figure BDA0001877113360000037
中以目标天数
Figure BDA0001877113360000038
为中心的一段时间内的多个预测时间点中，选择与时间点
Figure BDA0001877113360000039
的植被生长状况相似度最高的预测时间点作为年份
Figure BDA00018771133600000310
在目标年份
Figure BDA00018771133600000311
的第二次融合匹配时间
Figure BDA00018771133600000312
(即天数)；并以时间点
Figure BDA00018771133600000313
所对应的图像
Figure BDA00018771133600000314
高时间低空间分辨率图像，以及时间点
Figure BDA00018771133600000315
所对应的高时间低空间分辨率图像(即目标年份
Figure BDA00018771133600000316
的第
Figure BDA00018771133600000317
天的高时间低空间分辨率图像)进行时空融合处理，得到再融合目标时间点
Figure BDA00018771133600000318
在年份
Figure BDA00018771133600000319
的第二次时空融合图像；
对再融合目标时间点
Figure BDA00018771133600000320
基于各年份y与目标年份
Figure BDA00018771133600000321
的图像权重
Figure BDA00018771133600000322
对所有年份的第二次时空融合图像进行像元级的加权融合，得到再融合目标时间点
Figure BDA00018771133600000323
的再融合处理数据
Figure BDA00018771133600000324
即
Figure BDA00018771133600000325
其中
Figure BDA00018771133600000326
表示时间点
Figure BDA00018771133600000327
在各年份的第二次时空融合图像，dy表示第二次融合匹配时间，若y为目标年，则
Figure BDA00018771133600000328
否则
Figure BDA00018771133600000332
其中，图像权重
Figure BDA00018771133600000329
中的每个像元位置(m,n)的权重
Figure BDA00018771133600000330
具体为：
Figure BDA00018771133600000331
其中，nor表示归一化处理；
Figure BDA0001877113360000041
表示时间点
Figure BDA0001877113360000042
对应的高时间低空间分辨率图像与图像
Figure BDA0001877113360000043
的每个像元在地表类型上的差异，即细分辨率上的NDVI值差异，用于表征图像
Figure BDA0001877113360000044
的融合可靠性，基于每个像元所述的地表类型，再根据各地形类别所对应的NDVI值差异得到各像元的
Figure BDA0001877113360000045
Figure BDA0001877113360000046
表示图像
Figure BDA0001877113360000047
和
Figure BDA0001877113360000048
的每个像元在地表类型上的差异，即同天不同年的初始融合图像的地表类型差异(细分辨率上的差异)；
Figure BDA0001877113360000049
表示图像
Figure BDA00018771133600000410
和
Figure BDA00018771133600000411
的每个像元上植被生长曲线的相关系数，即同天不同年的初始融合图像的植被生长曲线的相关系数；
Figure BDA00018771133600000412
表示
Figure BDA00018771133600000413
的每个像元的云覆盖情况，若存在云覆盖，则
Figure BDA00018771133600000414
否则
Figure BDA00018771133600000415
综上所述，由于采用了上述技术方案，本发明的有益效果是：本发明基于初始融合NDVI时间序列数据进一步对初始融合时间序列进行再融合，达到空间和时间信息最大化地相互补充和利用，提高数据重建的效果，提升所生成的融合数据在精度和稳定性。
附图说明
图1是实施例中，落叶林区域融合效果比较图，其中1-a为基础输入图像，1-b为真实Landsat图像，1-c为FSDAF融合图像，1-d为GFTSF融合图像，1-e、1-f分别为两种方法的散点图。
图2是实施例中，常绿林区域融合效果比较图，其中2-a为基础输入图像，2-b为真实Landsat图像，2-c为FSDAF融合图像，2-d为GFTSF融合图像，2-e、2-f为两种方法的散点图。
图3是实施例中，两季农田区域融合效果比较图，其中3-a为基础输入图像，3-b为真实Landsat图像，3-c为FSDAF融合图像，3-d为GFTSF融合图像，3-e、3-f为两种方法的散点图。
图4是实施例中，草地区域融合效果比较图，其中4-a为基础输入图像，4-b为真实Landsat图像，4-c为FSDAF融合图像，4-d为GFTSF融合图像，4-e、4-f为两种方法的散点图。
图5是实施例中，四个区域(A落叶林2007年，B常绿林2003年，C农田2005年，D草地2014年)年NDVI融合时间序列比较：GFSTF结果和FSDAF结果，灰点为真实值，黑点为验证值。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合实施方式和附图，对本发明作进一步地详细描述。
现有的时空融合方法构建的NDVI融合时间序列数据会受已知局限的影响，精度不高。而本发明的高时空分辨率NDVI长时间序列生成方法(简称GFSTF方法)可以基于这些已经构建的融合NDVI时间序列数据(称为初始融合NDVI时间序列数据)，进一步对初始融合时间序列进行再融合，达到空间和时间信息最大化地相互补充和利用，提高数据重建的效果。每年之间的植被生长状况和趋势之间存在着密切的联系，这些联系的客观存在是再融合的理论基础和重要客观条件。正是由于这种联系的存在，本发明通过量化所存在的联系(以每年的权重体现)，将一些数据质量好的年份里的时空信息与数据质量不好的年份里的可用时空信息再进行一次融合，模拟生成需要的图像以及时间序列，即利用质量好的时空信息来增强原始融合后质量仍不好的NDVI序列数据。
GFSTF方法可以分为下述两步来构建长时间NDVI融合时间序列数据。
第一步，应用已有的时空融合办法按每个日期逐个生成NDVI融合图像。所生成的图像按时间排序组成了初始融合NDVI时间序列数据。
但是，初始融合NDVI时间序列数据中存在一部分数据会受到例如Landsat数据问题等因素影响而质量差，这时便需要进行再融合。
第二步，基于再融合需求，针对初始融合NDVI时间序列中部分数据(尤其是质量较差的，例如云覆盖率过大、初始融合的原始数据中的高空间低时间数据存在数据断裂的情况等)，通过利用所有年份中相关日期的融合图像进行有条件的融合来得到提高的模拟重建数据。
其中，在再融合的过程中需要确定以下几个权重：所有年份中相关性最高的日期，再融合中每个初始NDVI融合图像对应的权重。
在本具体实施方式中，融合采用的数据源分别是MODIS NDVI产品(高时间分辨率8天，低空间分辨率500m)和Landsat NDVI数据(低时间分辨率16天，高空间分辨率30m)。
首先，采用的已有时空融合方法是Flexible Spatiotemporal Data Fusion(FSDAF)方法。在初始融合过程中，对采用的数据源进行了必要的预处理，包括：对Landsat每幅图像的云进行探测标记，只采用云量(云覆盖)小于预设阈值(优选值为10％)的图像；应用Savitzky-Golay(SG)滤波，重建MODIS NDVI时间序列数据，去除噪声和弥补缺失值。
在以上处理后，对应2001-2016年间的日期，依次进行融合，可以得到8天为一个间隔的初始融合NDVI时间序列数据
Figure BDA0001877113360000061
其中
Figure BDA0001877113360000062
表示第i年第j天的初始NDVI融合图像，即以高时间地空间分辨率和高空间低时间分辨率图像为输入，通过FSDAF方法得到融合图像
Figure BDA0001877113360000063
然后，为了得到目标时间(第i年第j天)的NDVI融合图像
Figure BDA0001877113360000064
采用以下的公式表达初始NDVI融合时间序列数据结合各自权重再融合得到
Figure BDA0001877113360000065
的过程：
Figure BDA0001877113360000066
其中F(())代表第二次应用融合方法纠正目标时间的值差异的过程，2001day,2002day,…,2016day代表每一年中与预测时间点植被生长状况最相似的时间点(第二次融合匹配时间点)，通常比较一段时间内不同时间点上植被生长曲线与预测时间点上的植被生长曲线的相关系数大小来确定这个时间点，即相关系数最大的；即对于目标时间所在的年，直接将对应的初始NDVI融合图像
Figure BDA0001877113360000067
作为F(())的处理结果，即目标时间在当年的第二次时空融合图像；而对于非目标年，则将同天(与目标时间的天数相同)不同年的初始NDVI融合图像和MODIS NDVI产品数据、以及目标时间所在年的第二次融合匹配时间点yeariday对应的初始NDVI融合图像作为FSDAF方法的输入，进行第二次时空融合处理，得到目标时间在不同年份的第二次时空融合图像。
Figure BDA0001877113360000068
表示每一年
Figure BDA0001877113360000069
对应的权重值，代表每一年的初始融合图像对再融合得到最终模拟图像的贡献大小，即基于每一年的对应权重值，对对应的第二次时空融合图像进行像元级的加权融合处理。当初始融合序列中一个时间点与预测时间点之间的植被生长状况和地表类型越相似，初始融合图像质量越可靠时，它的权重值就应该越大。因此权重值的确定主要考虑了两个主要因素：初始融合图像的可靠性和不同初始融合图像间的植被生长和地表类型差异。
初始融合图像的可靠性可以从每一年(yeark)的融合过程中输入图像间的NDVI值的差异水平中得到。当输入图像之间的差异大时，以其为基础得到的每一年的初始融合图像的可靠性差。一般可以直接计算得到基础日期和预测日期两幅粗分辨率NDVI图像之间的差值ΔC。这个差值ΔC与融合所需的分辨率水平不一致，需要将这个差值ΔC根据光谱线性混合理论分配到细分辨率图像上，按地表类别得到细分辨率上的NDVI差值。细分辨率和粗分辨率值之间的关系可以表达如下：
Figure BDA0001877113360000071
其中，x,y代表图像像元位置，l代表地表分类的数目，ΔFc代表在细分辨率图像上类别c的NDVI差值，fc(x,y)代表类别c在一个粗分辨率像元内的所占面积比例。分类类别c和fc(x,y)都可以采用已有的分类方法得到。为了求解以上的方程，需要在粗分辨率图像中选择n个像元的值构成如下矩阵，应用最小二乘法得到每个类别的ΔFc。
Figure BDA0001877113360000072
为了适应本方法，确保求出的解符合要求，另外定义以下约束条件：
Figure BDA0001877113360000073
其中，x＝1,2,…,n，y＝1,2,…,n，min表示最小值函数，std表示标准差函数。以上的约束条件确保了ΔC和ΔFc在正常的变化情况内，排除了由于地表突变导致的剧烈变化和异常值。这样，在细分辨率图像上，根据每个像元属于的类别，就可以得到细分辨率图像上输入图像间的差值
Figure BDA0001877113360000074
其中m_n表示像元在图像中的坐标位置，即(m,n)，k为年份标识符。本发明中，将
Figure BDA0001877113360000075
直接量化描述初始融合图像的可靠性。
不同年(例如yeari与yeark)的初始融合图像间的植被生长和地表类型差异主要反映在时间点对应的NDVI值差异
Figure BDA0001877113360000076
和它们之间植被生长曲线相关系数
Figure BDA0001877113360000077
这两个指标上。计算
Figure BDA0001877113360000078
与计算
Figure BDA0001877113360000079
的方式一致，但是
Figure BDA00018771133600000710
计算得到的是不同年之间细分辨率水平上的NDVI值差异，反应的不是图像可靠性而是年与年之间的变化情况。
Figure BDA00018771133600000711
是指细分辨率图像每个像元上植被生长曲线的相关系数，它可以通过计算粗分辨率图像上同一类别的像元相关系数的平均值得到，即：
Figure BDA00018771133600000712
其中，
Figure BDA00018771133600000713
是不同年的粗分辨率图像上每个像元植被曲线之间的相关系数，其中像元x,y表示属于类别c的纯像元，n是粗分辨率图像上属于类别c的纯像元数目。纯像元的判断标准为：fc(x,y)≥0.9。
通常，还需要定义云覆盖的像素位置，将此像素标记为
Figure BDA0001877113360000081
Figure BDA0001877113360000082
当有云的污染时，便不处理相关的像元。这三个指标在经过标准化和归一化后，构成了每一年对应的权重值：
Figure BDA0001877113360000083
其中，nor表示归一化处理，i表示目标年份，对应上述提及的2001-2016年间的日期，则k＝2001,2002,...,2016。数据的归一化即是将数据按比例缩放，使之落入一个小的特定区间。去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权。这样，便得到了优化后的初始融合NDVI时间序列数据和对应的权重，在此基础上进行再融合便能得到
Figure BDA0001877113360000084
实施例
为了进一步描述本发明的GFSTF方法的融合性能，将本发明与现有的FSDAF方法进行了对比验证，在不同植被覆盖度，不同植被类型的区域，即落叶林、常绿林、双季农田和高寒草地，对GFSTF进行了测试，并将测试结果与已有方法FSDAF的融合效果进行比较，如图1-4所示。
在测试中，每个区域的子集区域(12公里×12公里)被作为标准实验范围使用。首先利用陆地卫星生态系统扰动自适应处理系统(LEDAPS)对Landsat图像进行了辐射定标和大气校正。然后将MODIS NDVI图像与Landsat图像进行了配准，利用最近邻算法对MODISNDVI图像进行了重采样，以匹配Landsat的空间分辨率。利用云掩模算法(Fmask方法)自动检测出每个Landsat图像中的云覆盖，并只使用云覆盖率低于10％的图像。最后采用迭代Savitzky Golay(SG)滤波器重建了MODIS NDVI时间序列，去除了噪声。
经过数据预处理后，为了进行方法评价，使用GFSTF和已有的FSDAF两种方法在存在真实Landsat NDVI图像的预测日期生成NDVI融合图像，将真实图像和模拟融合图像进行统计分析。统计分析采用两种方案：(1)2001-2016年间随机预测数据的评价分析，(2)产生NDVI融合图像的年度时间序列的评价分析。其中，在定量评价结果图(图1-4)中，AAD代表真实图像与融合图像间绝对平均误差，R代表真实图像与融合图像间相关系数，AAD越小，R越大，说明融合值越接近真实值。散点图代表真实值与融合值的对应情况，点的分布越集中，越靠近斜率为1的线条，说明真实值与融合值之间数值空间分布越接近。
从图1可以看出，基础输入图像(1-a)存在随机噪声，这导致了FSDAF的融合质量不高，而GFSTF相比下模拟图像与真实图像间有更小的误差，更高的相关性。这个结果说明GFSTF对输入图像的质量不敏感。从图2可以看出，在输入图像有云的污染的时候，GFSTF相比FSDAF依然有更高的准确度，说明GFSTF受输入图像云覆盖的影响很小。从图3可以看出，输入图像间的差异过大，这导致了FSDAF融合结果比GFSTF的结果误差更高，相关性更差。这种结果说明GFSTF能增强融合信息之间的联系，得到更好的结果。图4中，输入图像中存在传感器缺陷导致的条带，这些条带明显影响了FSDAF的结果，而GFSTF很好地恢复了这些条带，并保持了更低的误差。
图5说明了GFSTF在恢复长时间NDVI序列数据方面比FSDAF更稳定，更准确，更符合实际的植被生长曲线情况。无论是图像存在噪点，存在云覆盖，存在不连续的点，存在质量不好的点，存在差异大的图像，这些影响都会在初始融合图像可靠性，地表类型差异上存在反映，那么针对性的三个权重
Figure BDA0001877113360000091
能很好反映这些影响，进而保证了再融合中质量高的信息得到合适的应用，相互增强。正是由于GFSTF这种权重设置，使其能拥有更好的融合效果。
以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。

Claims (4)

1.一种生成高时空分辨率NDVI长时间序列的方法，其特征在于，包括下列步骤：
步骤1：确定时空融合处理的数据源，并对所述数据源进行图像预处理；
所述数据源包括高时间低空间分辨率图像和高空间低时间分辨率图像，其中，高时间低空间分辨率图像的云覆盖量应满足预设条件；
步骤2：基于预置的预测时间点，对图像预处理后的数据源进行时空融合处理，生成每个预测时间点的高时空分辨率的NDVI图像，记为图像
Figure FDA0001877113350000011
其中y、d分别表示预测时间点的年份和天数；
并将图像
Figure FDA0001877113350000012
按预测时间点排序得到初始融合NDVI时间序列数据；
步骤3：基于再融合需求，从预测时间点中筛选出再融合处理的预测时间点,记为再融合目标时间点
Figure FDA0001877113350000013
其中
Figure FDA0001877113350000014
分别表示再融合目标时间点
Figure FDA0001877113350000015
的目标年份和目标天数；
并对各再融合目标时间点
Figure FDA0001877113350000016
进行再融合处理，基于再融合处理数据和初始融合NDVI时间序列数据得到高时空分辨率NDVI长时间序列；
其中，对每个再融合目标时间点
Figure FDA0001877113350000017
的再融合处理具体包括：
对初始融合NDVI时间序列数据所包括的所有年份，分别设置再融合目标时间点
Figure FDA0001877113350000018
在各年份的第二次时空融合图像：
对于目标年份
Figure FDA0001877113350000019
直接设置其第二次时空融合图像为
Figure FDA00018771133500000110
对于非目标年份
Figure FDA00018771133500000111
在目标年份
Figure FDA00018771133500000112
中以目标天数
Figure FDA00018771133500000113
为中心的一段时间内的多个预测时间点中，选择与时间点
Figure FDA00018771133500000114
的植被生长状况相似度最高预测时间作为年份
Figure FDA00018771133500000115
在目标年份
Figure FDA00018771133500000116
的第二次融合匹配时间
Figure FDA00018771133500000117
并以时间点
Figure FDA00018771133500000118
所对应的图像
Figure FDA00018771133500000119
高时间低空间分辨率图像，以及时间点
Figure FDA00018771133500000120
所对应的高时间低空间分辨率图像进行时空融合处理，得到再融合目标时间点
Figure FDA00018771133500000121
在年份
Figure FDA00018771133500000122
的第二次时空融合图像；
对再融合目标时间点
Figure FDA00018771133500000123
基于各年份y与目标年份
Figure FDA00018771133500000124
的图像权重
Figure FDA00018771133500000125
对所有年份的第二次时空融合图像进行像元级的加权融合，得到再融合目标时间点
Figure FDA00018771133500000126
的再融合处理数据；
所述图像权重
Figure FDA00018771133500000127
中的每个像元位置m,n的权重
Figure FDA00018771133500000128
具体为：
Figure FDA0001877113350000021
其中，nor表示归一化处理；
Figure FDA0001877113350000022
表示时间点
Figure FDA0001877113350000023
对应的高时间低空间分辨率图像与图像
Figure FDA0001877113350000024
的每个像元在地表类型上的差异；
Figure FDA0001877113350000025
表示图像
Figure FDA0001877113350000026
和
Figure FDA0001877113350000027
的每个像元在地表类型上的差异；
Figure FDA0001877113350000028
表示图像
Figure FDA0001877113350000029
和
Figure FDA00018771133500000210
的每个像元上植被生长曲线的相关系数；
Figure FDA00018771133500000211
表示
Figure FDA00018771133500000212
的每个像元的云覆盖情况，若存在云覆盖，则
Figure FDA00018771133500000213
否则
Figure FDA00018771133500000214
2.如权利要求1所述的方法，其特征在于，步骤1中，高时间分辨率图像的云覆盖量不超过10％。
3.如权利要求1所述的方法，其特征在于，步骤3中，将植被生长曲线的相关系数最大的预测时间作为年份
Figure FDA00018771133500000215
在目标年份
Figure FDA00018771133500000216
的第二次融合匹配时间
Figure FDA00018771133500000217
4.如权利要求1所述的方法，其特征在于，优选的时空融合处理方法为FSDAF方法。
CN201811404834.3A 2018-11-23 2018-11-23 一种生成高时空分辨率ndvi长时间序列的方法 Expired - Fee Related CN109685108B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811404834.3A CN109685108B (zh) 2018-11-23 2018-11-23 一种生成高时空分辨率ndvi长时间序列的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811404834.3A CN109685108B (zh) 2018-11-23 2018-11-23 一种生成高时空分辨率ndvi长时间序列的方法

Publications (2)

Publication Number Publication Date
CN109685108A CN109685108A (zh) 2019-04-26
CN109685108B true CN109685108B (zh) 2022-05-03

Family

ID=66185839

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811404834.3A Expired - Fee Related CN109685108B (zh) 2018-11-23 2018-11-23 一种生成高时空分辨率ndvi长时间序列的方法

Country Status (1)

Country Link
CN (1) CN109685108B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110503137B (zh) * 2019-07-29 2022-03-15 电子科技大学 基于交叉融合的遥感影像时空融合基础图像对的确定方法
CN111695533B (zh) * 2020-06-16 2022-08-12 中国科学院地理科学与资源研究所 冬小麦和夏玉米种植面积逐年自动监测的遥感制图方法
CN112052720B (zh) * 2020-07-16 2021-04-20 贵州师范学院 一种基于直方图聚类的高时空归一化植被指数ndvi的融合模型
CN112819697B (zh) * 2021-02-04 2023-04-14 北京师范大学 一种遥感影像时空融合方法及系统
CN114299389B (zh) * 2021-12-27 2024-05-14 中国地质大学（武汉） 一种融合时空信息的Savitzky-Golay滤波降噪并行方法
CN117391221B (zh) * 2023-12-11 2024-02-20 南京邮电大学 基于机器学习的ndvi预测集成优化方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102314677A (zh) * 2010-07-07 2012-01-11 中国科学院地理科学与资源研究所 一种基于分类的高时间分辨率与高空间分辨率遥感数据定量融合的方法
CN102831310A (zh) * 2012-08-17 2012-12-19 北京师范大学 构建高空间分辨率ndvi时间序列数据的方法
CN104915674A (zh) * 2014-10-24 2015-09-16 北京师范大学 Landsat8和MODIS融合构建高时空分辨率数据识别秋粮作物的方法
CN105809148A (zh) * 2016-03-29 2016-07-27 中国科学院遥感与数字地球研究所 基于遥感时空谱融合的作物干旱识别及风险评估方法
CN106908415A (zh) * 2017-02-24 2017-06-30 郑州大学 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
CN107103584A (zh) * 2017-04-11 2017-08-29 北京师范大学 一种基于时空加权的生产高时空分辨率ndvi的方法
CN107688712A (zh) * 2017-09-04 2018-02-13 电子科技大学 一种基于dem和ndvi的气温降尺度方法
CN108613933A (zh) * 2018-06-13 2018-10-02 中南林业科技大学 基于多源遥感数据融合的林地干旱时空动态监测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120101784A1 (en) * 2010-10-25 2012-04-26 Trimble Navigation Limited Wide-area agricultural monitoring and prediction
US9336584B2 (en) * 2014-06-30 2016-05-10 Trimble Navigation Limited Active imaging systems for plant growth monitoring

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102314677A (zh) * 2010-07-07 2012-01-11 中国科学院地理科学与资源研究所 一种基于分类的高时间分辨率与高空间分辨率遥感数据定量融合的方法
CN102831310A (zh) * 2012-08-17 2012-12-19 北京师范大学 构建高空间分辨率ndvi时间序列数据的方法
CN104915674A (zh) * 2014-10-24 2015-09-16 北京师范大学 Landsat8和MODIS融合构建高时空分辨率数据识别秋粮作物的方法
CN105809148A (zh) * 2016-03-29 2016-07-27 中国科学院遥感与数字地球研究所 基于遥感时空谱融合的作物干旱识别及风险评估方法
CN106908415A (zh) * 2017-02-24 2017-06-30 郑州大学 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
CN107103584A (zh) * 2017-04-11 2017-08-29 北京师范大学 一种基于时空加权的生产高时空分辨率ndvi的方法
CN107688712A (zh) * 2017-09-04 2018-02-13 电子科技大学 一种基于dem和ndvi的气温降尺度方法
CN108613933A (zh) * 2018-06-13 2018-10-02 中南林业科技大学 基于多源遥感数据融合的林地干旱时空动态监测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
"High-reflectivity objects distributed optical satellite image fusion based on NDVI classification";Zhao ZeXing.etc;《2017 2nd International Conference on Frontiers of Sensors Technologies (ICFST)》;20171218;第231-235页 *
"Landsat 8和MODIS融合构建高时空分辨率数据识别秋粮作物";谢登峰等;《遥感学报》;20150925;第791-804页 *
"基于NDVI时间序列重构的经济型人工林时空分布信息提取研究";乔海浪;《中国博士学位论文全文数据库 农业科技辑》;20171215;D049-30 *
"基于遥感的黄土高原植被物候监测及其对气候变化的响应";谢宝妮等;《农业工程学报》;20150808;第153-159页 *
"长时间序列高时空分辨率NDVI数据集构建方法研究";洪佳;《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》;20170315;A009-52 *

Also Published As

Publication number Publication date
CN109685108A (zh) 2019-04-26

Similar Documents

Publication Publication Date Title
CN109685108B (zh) 一种生成高时空分辨率ndvi长时间序列的方法
Thapa et al. Potential of high-resolution ALOS–PALSAR mosaic texture for aboveground forest carbon tracking in tropical region
CN110186820A (zh) 多源数据融合与环境污染源及污染物分布分析方法
Chen et al. A new cross-fusion method to automatically determine the optimal input image pairs for NDVI spatiotemporal data fusion
CN110503137B (zh) 基于交叉融合的遥感影像时空融合基础图像对的确定方法
Abdel-Kader Assessment and monitoring of land degradation in the northwest coast region, Egypt using Earth observations data
CN114819737B (zh) 公路路域植被的碳储量估算方法、系统及存储介质
Shi et al. Towards spatially continuous mapping of soil organic carbon in croplands using multitemporal Sentinel-2 remote sensing
Hu et al. Modeling the spatiotemporal dynamics of global electric power consumption (1992–2019) by utilizing consistent nighttime light data from DMSP-OLS and NPP-VIIRS
Pan et al. Detection of short-term urban land use changes by combining SAR time series images and spectral angle mapping
Cenci et al. Describing the quality assessment workflow designed for DEM products distributed via the Copernicus Programme. Case study: The absolute vertical accuracy of the Copernicus DEM dataset in Spain
Wenxia et al. Normalization of NDVI from different sensor system using MODIS products as reference
Sari et al. Estimating land cover map accuracy and area uncertainty using a confusion matrix: A case study in Kalimantan, Indonesia
CN107576399A (zh) 面向modis 林火探测的亮温预测方法和系统
Liu et al. Bi-LSTM model for time series leaf area index estimation using multiple satellite products
CN117826112A (zh) 一种基于sar的土壤含水量的反演方法
CN116612080B (zh) 基于高光谱图像波谱曲线的变化检测方法
CN109726679B (zh) 一种遥感分类误差空间分布制图方法
Zlinszky et al. Biodiversity mapping via natura 2000 conservation status and EBV assessment using airborne laser scanning in alkali grasslands
Bartalev et al. Assessment of forest cover in Russia by combining a wall-to-wall coarse-resolution land-cover map with a sample of 30 m resolution forest maps
CN112052720B (zh) 一种基于直方图聚类的高时空归一化植被指数ndvi的融合模型
Vancutsem et al. An assessment of three candidate compositing methods for global MERIS time series
Obata et al. Unmixing-based radiometric and spectral harmonization for consistency of multi-sensor reflectance time-series data
Chakraborty et al. Improved soil moisture estimation and detection of irrigation signal by incorporating SMAP soil moisture into the Indian Land Data Assimilation System (ILDAS)
CN117036987B (zh) 一种基于小波域交叉配对的遥感影像时空融合方法及系统

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220503