CN110751727B - 一种基于Landsat长时间序列的合成图像构建方法 - Google Patents

一种基于Landsat长时间序列的合成图像构建方法 Download PDF

Info

Publication number
CN110751727B
CN110751727B CN201911048616.5A CN201911048616A CN110751727B CN 110751727 B CN110751727 B CN 110751727B CN 201911048616 A CN201911048616 A CN 201911048616A CN 110751727 B CN110751727 B CN 110751727B
Authority
CN
China
Prior art keywords
image
landsat
model
cloud
time sequence
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
CN201911048616.5A
Other languages
English (en)
Other versions
CN110751727A (zh
Inventor
李明诗
张亚丽
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.)
Nanjing Forestry University
Original Assignee
Nanjing Forestry 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 Nanjing Forestry University filed Critical Nanjing Forestry University
Priority to CN201911048616.5A priority Critical patent/CN110751727B/zh
Publication of CN110751727A publication Critical patent/CN110751727A/zh
Application granted granted Critical
Publication of CN110751727B publication Critical patent/CN110751727B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Library & Information Science (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Graphics (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)

Abstract

本发明提出的是一种基于Landsat长时间序列的合成图像构建方法，首先收集Landsat系列所有可用的云量低于80%的图像，然后去除云、云影、雪等Landsat影像中的噪声观测点，接着对每个清晰观测值按照一定的规则进行拟合，建立各波段各像元的地表反射率变化曲线，最终能够生成每日的Landsat地表反射率的合成图像。本发明有效提高了图像构建的时间分辨率，能有效排除地表出现的偶然情况，且不受云检测算法未能识别的噪声影响，反映由地表的季节性变化和太阳高度角变化引起的地表反射率周期变化状况，得到反射率的年际变化趋势。

Description

一种基于Landsat长时间序列的合成图像构建方法
技术领域
本发明涉及的是一种基于Landsat长时间序列的合成图像构建方法，属于遥感制图技术领域。
背景技术
Landsat(美国陆地卫星)自1972年发射以来，已经积累了大量的地球表面遥感影像数据，Landsat凭借连续观测周期、适中的空间分辨率、高质量、科学的数据处理及存档等优势，在土地覆盖变化分析，植被生长监测，农作物估产等方面发挥着重要甚至是不可替代的作用。但是Landsat系列卫星影像的重复观测周期为16天，并且在对地观测时会受到云、雪等天气等状况的影响，以及Landsat ETM+传感器影像自2003年5月以来出现条带，数据缺失，这些都限制了Landsat数据的进一步使用。所以生成任意给定日期的、完全无云、清晰的Landsat影像将显著提升数据的科学价值。
目前的遥感合成图像大多是基于高时间频率，低空间分辨率的遥感数据(如中分辨率成像光谱仪，MODIS)生成的，现有关于Landsat合成的图像产品不多，并且采用的方法多是结合MODIS时间序列来生成Landsat合成的影像，合成图像的精度极易受到分辨率的差异以及景观异质性的影响。目前MODIS具有多种图像合成产品，如MOD09A1(500米地表反射率8天合成产品)，MOD13A1(500米分辨率植被指数，16天合成产品)等，这些产品生产的原则是利用较高的时间分辨率，选取8天或16天内较为清晰、无云的观测值来生成所需的合成产品。虽然上述方法生成时间序列初级产品已经得到了广泛认可，但由于这些合成的算法简单，未考虑到地表参量数据的多种特点，导致合成的数据中仍然具有许多噪声观测点，并且不能合成任意给定日期的高时间分辨产品。
自2003年5月21日起，Landsat-7中ETM+传感器发生了扫描行校正器的故障(ScanLine Corrector，SLC)，导致以后ETM+传感器获取的数据量减少了大约22％，影响了ETM+影像的使用。目前，对于修复ETM+传感器影像条带的方法主要有两种，第一种是直接插值修补法，利用条带周围存在的像素进行插值计算有条带部分的；第二种是其他影像填充法，如美国地质调查局(USGS)提出了通过Landsat-7影像或者其他Landsat系列卫星影像进行全景直方图匹配、局部直方图匹配和自适应窗口直方图匹配方法进行修复条带的方法；钱乐祥等利用自适应局部回归和固定窗口局部回归，分别以Landsat TM和相邻时间条带位置不同的ETM+影像作为填充图像对条带数据进行修复；Zeng等提出了加权线性回归模型，该方法提高了修复条带的准确性，并且对于边缘地区也具有很好的修复效果，等等。此外。对于图像中云等的修复大多是也基于相邻时间的相同传感器或者不同传感器影像按照一定的方法进行替代。
目前现有基于Landsat的图像合成方法主要存在如下缺陷：
(1)大多数现有的图像合成方法是针对具有高时间频率的卫星数据而设计的，例如中分辨率成像光谱仪(MODIS)和高级超高分辨率辐射计(AVHRR)，只有少数研究采用如Landsat图像数据的低时间频率卫星数据，现有技术领域中缺乏有效利用Landsat图像数据进行高时间频率图像合成的有效手段；
(2)为了生成高时间频率的Landsat数据，现有技术中的解决方案是将Landsat图像与具有更高时间频率的粗分辨率图像“混合”，从而合成清晰的图像，因此MODIS图像是最佳选择；但是MODIS数据在2000年以前并不可用，所以对于2000年以前获得的Landsat图像，不可能采用这种方法。此外Landsat和MODIS之间的空间分辨率存在巨大差异，并且该方法的性能高度依赖于景观异质性，所以在发生土地覆盖变化的地方，合成图像的精度会大大降低；
(3)利用条带周围存在的像素进行插值来去除条带的方法虽然计算速度较快，理解方便，但只能将数据丢失率由22％减少到18％，此外插值去除法需要利用相邻地物的空间上相似性，对于修复较宽的条带不太理想；而填充法需要选取时相相近且云量较少的影像，填充的影像质量很大程度上决定了条带修复的效果，且由于获取的时间或者传感器不同，使用填充影像进行修复存在色调不一致的问题，无法进一步挖掘其在土地覆盖变化检测方面的应用潜力。
发明内容
本发明的目的在于解决现有Landsat遥感图像合成方法存在的上述问题，提出一种仅利用Landsat长时间序列地表反射率数据，来生成任意给定日期的高精度无云合成图像的方法。
本发明的技术解决方案：基于Landsat长时间序列的合成图像构建方法，具体包括如下步骤：
1)数据获取；
2)云、阴影和积雪的掩膜；
3)初始化模型的建立；
4)突变点的确立；
5)任意给定日期图像的生成；
6)精度评价与结果分析。
所述的步骤1)数据获取具体包括如下步骤：下载云量小于80％的Landsat TM/ETM+/OLI的陆地卫星影像，所使用的数据产品包括地表反射率数据(SR)，大气上层反射率(TOA)和亮温数据(BT)，这些数据可以直接从美国地质调查局(USGS)(https：// glovis.usgs.gov)获得；然后利用SR数据生成相应的增强型植被指数EVI和不透水层指数NDBI。其中使用SR，EVI和NDBI作为时间序列模型的输入，TOA和BT作为云掩膜的输入。EVI和NDBI的公式如下：
Figure GDA0002278337990000031
Figure GDA0002278337990000032
式中：ρNIR，ρRED，ρBLUE，ρSWIR1分别指代近红外，红光，蓝光，短波红外波段1。
所述的步骤2)云、阴影和积雪的掩膜具体包括如下步骤：使用Fmask通用算法对单一影像上的云、阴影和积雪掩膜：将TOA数据和BT数据作为输入，首先使用云的物理属性，如明亮和寒冷等，来分离潜在的云像素和清晰像素；接下来，区分陆地和水体，使用归一化温度概率，光谱变化概率和亮度概率分别产生陆地和水上的云概率掩膜；然后，将潜在的云像素和云概率掩膜一起导出潜在的云层：云阴影的像元比周围清晰的像元看起来要暗，尤其在近红外波段更为明显，利用这一原理分离出潜在的云阴影，接下来为了更加准确确定云阴影位置，需要获取卫星传感器的视角，太阳天顶角，太阳方位角和云的相对高度，基于云与其阴影之间的几何关系，预测云的阴影位置。积雪的检测主要通过一些阈值的确定，例如BT值小于3.8，近红外波段大于0.11，绿波段大于0.1等，然后根据获得云，阴影，积雪区域进行单一图像上云、阴影掩膜；掩膜后把属于同一波段所有年份的数据按照时间大小顺序，用ENVI软件进行堆栈，以便后续同一位置所有年份像元的提取。
所述的步骤3)初始化模型的建立具体包括如下步骤：利用每个像元在时间序列里的前18个去除干扰源后的清晰像元的遥感实际观测值，使用稳健迭代重新加权最小二乘算法对模型进行拟合，从而建立初始化的时间序列模型，8个波段分别建立相应的时间序列模型，具体模型公式如下：
Figure GDA0002278337990000033
Figure GDA0002278337990000041
式中：x是儒略日期，i是波段编号，T＝365，a0，i是第i波段总体均值的系数，a1，i，b1，i，a2，i，b2，i是第i波段年内变化的系数(季节变动项)；c1，i是第i波段年际变化的系数(渐变趋势项)；
Figure GDA0002278337990000042
是第i波段在儒略日期x的预测值；T* p表示时间序列中的第p个断点(急剧变化)出现的时间。
所述的步骤4)突变点的确立具体包括如下步骤：判断该像元后续的4个连续观测值与步骤3)中模型预测值的差异是否超出模型均方根误差RMSE的3倍，如果超出了范围，则定义“断点”；一旦检测到断点，则重复以上步骤，对剩余的观测值新建一个初始化模型；为了充分利用所有的光谱信息来准确定义断点，采用表达所有参与分析波段的观测值和预测值的差异的归一化统计量来定义“断点”，归一化统计量的具体公式如下：
Figure GDA0002278337990000043
在模型初始化过程中，如果发生急剧土地类型变化，需要删除第一个遥感观测值，将后续的观测值补充进来，持续该过程，直到模型初始化过程中没有土地覆盖变化的发生，判断依据的具体公式如下：
Figure GDA0002278337990000044
上两式中：是第i波段在儒略日期x的预测值，是第i波段在儒略日期x的实际值，k是波段总数，RMSEi是所拟合的第i个波段的时间序列模型的均方根误差，c1，i是第i波段年际变化的系数。
所述的步骤5)任意给定日期图像的生成具体包括如下步骤：对各个像元各个波段生成影像时间范围内完整的时间序列模型，对于单一波段某个像元的时间序列模型，通过给定变量儒略日期x的值，生成该像元给定日期的地表反射率预测值
Figure GDA0002278337990000045
将所需年份的日期应用到Landsat影像的所有波段所有像元，即可生成给定日期的Landsat合成图像。
所述的步骤6)精度评价与结果分析具体包括如下步骤：在排除云、阴影等无效观测值时，通过计算真实图像与时间模型预测生成的合成图像反射率的差值和RMSE来评价合成图像的精度；同时通过目视比较合成图像和原始影像，对比原始影像的云掩膜区域与合成图像的生成区域，并观察合成图像对部分未被云掩膜算法识别出含有云的区域的重建情况。
本发明的优点：
(1)仅使用Landsat系列影像数据，以日为单位进行重建生成具有较高的空间分辨率遥感图像，高置信度填充由于ETM+传感器中扫描矫正器故障产生的条带数据缺口，与目前常用的MODIS合成图像方式相比有效提高了时间分辨率；
(2)基于初始模型来判断后续观测值是否在拟合曲线一定范围内来识别突变点，能有效排除地表出现的偶然情况，且不受云检测算法未能识别的噪声影响；
(3)利用合成图像的模型排出云、雪等干扰，清楚定义土地覆盖变化发生的时间和地点，能够反映出由地表的季节性变化和太阳高度角变化引起的地表反射率周期变化状况，得到反射率的年际变化趋势。
附图说明
附图1是本发明基于Landsat长时间序列的合成图像构建方法的流程图。
附图2是实施例中森林像元六个波段反射率时间序列模拟图。
附图3是近红外波段合成图像与原始图像地表反射率的差值直方图(除去云掩膜区域)。
附图4(a)是四季地表反射率合成图像。
附图4(b)是四季地表反射率真实的原始图像。
附图5是红外线波段云掩膜后的原始Landsat影像和合成图像，并用合成图像替代真实影像云掩膜和条带区域。
具体实施方式
下面根据实施例进一步说明本发明的技术方案。
如图1所示的基于Landsat长时间序列的合成图像构建方法，具体包括如下步骤：首先收集Landsat系列所有可用的云量低于80％的图像，然后去除云、云影、雪等Landsat影像中的噪声观测点，接着对每个清晰观测值按照一定的规则进行拟合，建立各波段各像元的地表反射率变化曲线，最终能够生成每日的Landsat地表反射率的合成图像。
1)数据获取
本实施例采用从美国地质调查局(USGS)网站下载的1987年9月9日到2017年5月30日云量小于80％的Landsat TM/ETM+/OLI的陆地卫星影像数据，下载的数据轨道号为132/34，共计510景影像；TM影像为277景，ETM+影像为171景，OLI影像为62景，由于天气原因夏季7月份的云量少于80％的影像相对较少。
所选Landsat图像的基本信息如表1所示，其中Landsat TM/ETM/OLI均为地表反射率产品。本实施例采用六个地表反射率波段和增强型植被指数(EVI)和不透水层指数(NDBI)来生成合成图像。
Figure GDA0002278337990000061
表1获取的1987到2017年Landsat TM/ETM+/OLI影像基本信息
2)云、阴影和积雪的掩膜
云和雪在可见光部分具有高亮度特性，而云的阴影则是低亮度，它们的存在会对后续模型的建立产生干扰，需要提前去除。使用NASA和USGS日常运行的通用算法Fmask执行单一图像的干扰源去除，接着对所有的510景影像进行分波段堆栈，建立时间序列影像。
3)初始化模型的建立
基于傅里叶思想，任何复杂的周期函数均可表达成具有不同频率的正弦和余弦函数加权和形式，我们提出式(1)周期函数表达式来表征急剧变化、缓慢变化和季节性变化三种变化类型的光谱变化贡献并预测变化后像元的光谱反射率值。利用每个像元在时间序列里的前18个清晰的像元(去除干扰源后的像元)的遥感实际观测值，使用稳健迭代重新加权最小二乘算法对模型(式1)进行拟合，从而建立初始化的时间序列模型(8个波段分别建立相应的时间序列模型)。
Figure GDA0002278337990000062
Figure GDA0002278337990000063
式中：x是儒略日期，i是波段编号，T＝365，a0，i是第i波段总体均值的系数，a1，i，b1，i，a2，i，b2，i第i波段年内变化的系数(季节变动项)；c1，i第i波段年际变化的系数(渐变趋势项)；
Figure GDA0002278337990000064
是第i波段在儒略日期x的预测值；T* p表示时间序列中的第p个断点(急剧变化)出现的时间。
4)突变点的确立
一旦时间序列模型拟合完成，接下来判断该像元后续的4个连续观测值与模型(式2)预测值的差异是否超出模型均方根误差(RMSE)的3倍，如果超出了范围，则定义“断点”；一旦检测到断点，则重复上面的步骤，对剩余的观测值新建一个初始化模型。由于式1的拟合针对8个波段单独进行，为了充分利用所有的光谱信息来准确定义断点，我们采用式2定义的归一化统计量(表达所有参与分析波段的观测值和预测值的差异，这)来定义“断点”。显然，判断断点的阈值会随着新遥感观测值进入而重新拟合而发生改变，同时在不同断点位置处(变化类型不同)模型的拟合也会发生改变，这样，这里的阈值化操作会随着不同时间、不同空间(像元位置)而自适应调整。如图2所示，突变点出现的时间和该像元所在的位置揭示了土地覆盖变化发生的时间和位置。
Figure GDA0002278337990000071
在模型初始化过程中，如果发生急剧土地类型变化，则会使拟合的模型产生偏差；面对这种情形，我们需要删除第一个遥感观测值，后续的观测值补充进来，持续这个过程，直到模型初始化过程中没有土地覆盖变化的发生。判断的依据是，如果满足式(3)，则表明模型初始化过程发生了急剧变化；
Figure GDA0002278337990000072
上两式中：
Figure GDA0002278337990000073
第i波段在儒略日期x的预测值，ρ(i，x)第i波段在儒略日期x的实际值，k是波段总数，RMSEi是所拟合的第i个波段的时间序列模型的均方根误差，c1，i第i波段年际变化的系数(渐变趋势项)。
5)任意给定日期图像的生成
对各个像元各个波段生成了影像时间范围内完整的时间序列模型。对于单一波段某个像元的时间序列模型，通过给定变量x(儒略日期)的值，可以生成该像元给定日期的地表反射率预测值。将该变量x(儒略日期)应用到Landsat影像的所有波段所有像元，即可生成一景给定日期的Landsat合成图像。例如：给定的日期是2017年5月16日，将其转为儒略日期是2457540，将该数值作为自变量x代入单一波段某个像元的时间序列模型(公式3)，即可得到某一波段的该像元预测值。
6)结果分析
①精度评价
如图3所示，由差值直方图可以发现差值符合正态分布，差值的峰值在0附近，在峰值的两边剧烈下降，几乎没有像元的差值大于0.1，表明绝大部分合成图像的像元值很接近原始的像元值。此外如表2所示，总体上，蓝波段、绿波段、红波段的拟合效果较好，近红外波段、短波红外的合成图像效果稍差一些。在可见光波段RMSE值在0.03左右，红外波段在0.04左右。为了更好地理解反射率的差异，对应到原始8比特的Landsat影像，0.01的地表反射率约等于2个DN值的差异。
Figure GDA0002278337990000074
Figure GDA0002278337990000081
表2合成图像与原始地表反射率图像计算的RMSE(去除云掩膜区域)
②合成Landsat图像
图4(a)和4(b)为四季合成图像和原始影像对比，其中图4(a)为2010年四季地表反射率合成图像(利用Landsat合成图像的4，3，2波段进行假彩色合成显示)，春季为3月16日，夏季为7月6日，秋季为9月8日，冬季为12月29日；图4(b)为2010年四季地表反射率真实的原始图像(利用Landsat原始图像的4，3，2波段进行假彩色合成显示)，春季为3月16日，夏季为7月6日，秋季为9月8日，冬季为12月29日。
通过目视比较2010年的四季合成图像(如图4(a)所示)和原始影像(如图4(b)所示)，对于原始影像的云掩膜区域，合成图像能够生成这部分区域；另外即使原始影像仍然含有少部分未被云掩膜算法识别出含有云的区域，合成图像上依旧能够较好地重建这部分区域。对于一些主要的线状地物，如河流、道路、山脊、山谷均能够较好地刻画出来。
图5为2009年10月31日在红波段云掩膜后的原始Landsat影像和合成图像，并用合成图像替代真实影像云掩膜和条带区域，其中a为云掩膜后并有条带ETM+影像，b为合成的图像，c为用合成图像替代原始影像的云、条带区域。通过图5可以发现替代后的影像能够消除原始影像中大片的云覆盖区域，并且大部分条带区域衔接的效果较好。
本发明基于时间序列数据进行图像合成，能够预测出任意时间的Landsat影像，其合成的图像不仅可以修复空间上云、阴影等原因导致的部分区域数据异常，还可以填补传感器原因造成的遥感数据时间上的不连续。
上述实施例仅为本发明专利较佳实施方式，但本发明专利的实施方式不仅限于此，其他任何未背离本发明专利原理下作的改变修饰、替代、简化均为等效的置换方式，都包含在本发明专利技术方案的保护范围之内中。

Claims (5)

1.基于Landsat长时间序列的合成图像构建方法，其特征是具体包括如下步骤：
1)数据获取；
2)云、阴影和积雪的掩膜；
3)初始化模型的建立；
4)突变点的确立；
5)任意给定日期图像的生成；
6)精度评价与结果分析；
所述的步骤3)初始化模型的建立具体包括如下步骤：提取同一位置所有年份的像元，利用每个像元在时间序列里的前18个去除干扰源后的清晰像元的遥感实际观测值，使用稳健迭代重新加权最小二乘算法对模型进行拟合，从而建立初始化的时间序列模型，8个波段分别建立相应的时间序列模型，具体模型公式如下：
Figure FDA0002719909570000011
Figure FDA0002719909570000012
式中：x是儒略日期，i是波段编号，T＝365，a0,i是第i波段总体均值的系数，a1,i,b1,i，a2,i,b2,i是第i波段年内变化的系数，即季节变动项；c1,i是第i波段年际变化的系数，即渐变趋势项；
Figure FDA0002719909570000013
是第i波段在儒略日期x的预测值；T* p表示时间序列中的第p个断点，即急剧变化出现的时间；
所述的步骤4)突变点的确立具体包括如下步骤：判断该像元后续的4个连续观测值与步骤3)中模型预测值的差异是否超出模型均方根误差的3倍，如果超出了范围，则定义“断点”；一旦检测到断点，则重复以上步骤，对剩余的观测值新建一个初始化模型；采用表达所有参与分析波段的观测值和预测值的差异的归一化统计量来定义“断点”，归一化统计量的具体公式如下：
Figure FDA0002719909570000014
在模型初始化过程中，如果发生急剧土地类型变化，此时删除第一个遥感观测值，将后续的观测值补充进来，持续该过程，直到模型初始化过程中没有土地覆盖变化的发生，判断依据的具体公式如下：
Figure FDA0002719909570000015
上两式中：
Figure FDA0002719909570000016
是第i波段在儒略日期x的预测值，ρ(i,x)是第i波段在儒略日期x的实际值，k是波段总数，RMSEi是所拟合的第i个波段的时间序列模型的均方根误差，c1,i是第i波段年际变化的系数。
2.根据权利要求1所述的基于Landsat长时间序列的合成图像构建方法，其特征是所述的步骤1)数据获取具体包括如下步骤：下载云量小于80％的Landsat TM/ETM+/OLI的陆地卫星影像，所使用的数据产品包括地表反射率数据、大气上层反射率数据和亮温数据，根据获取的地表反射率数据生成相应的增强型植被指数和不透水层指数。
3.根据权利要求1所述的基于Landsat长时间序列的合成图像构建方法，其特征是所述的步骤2)云、阴影和积雪的掩膜具体包括如下步骤：使用Fmask通用算法对单一影像上的云、阴影和积雪掩膜，掩膜后把属于同一波段所有年份的数据按照时间大小顺序进行堆栈，以便后续同一位置所有年份像元的提取。
4.根据权利要求1所述的基于Landsat长时间序列的合成图像构建方法，其特征是所述的步骤5)任意给定日期图像的生成具体包括如下步骤：对各个像元各个波段生成影像时间范围内完整的时间序列模型，对于单一波段某个像元的时间序列模型，通过给定变量儒略日期x的值，生成该像元给定日期的地表反射率预测值，将该变量应用到Landsat影像的所有波段所有像元，生成给定日期的Landsat合成图像。
5.根据权利要求1所述的基于Landsat长时间序列的合成图像构建方法，其特征是所述的步骤6)精度评价与结果分析具体包括如下步骤：在排除云、阴影无效观测值时，通过计算真实图像与时间模型预测生成的合成图像反射率的差值和RMSE来评价合成图像的精度；同时通过目视比较合成图像和原始影像，对比原始影像的云掩膜区域与合成图像的生成区域，并观察合成图像对部分未被云掩膜算法识别出含有云的区域的重建情况。
CN201911048616.5A 2019-10-30 2019-10-30 一种基于Landsat长时间序列的合成图像构建方法 Active CN110751727B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911048616.5A CN110751727B (zh) 2019-10-30 2019-10-30 一种基于Landsat长时间序列的合成图像构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911048616.5A CN110751727B (zh) 2019-10-30 2019-10-30 一种基于Landsat长时间序列的合成图像构建方法

Publications (2)

Publication Number Publication Date
CN110751727A CN110751727A (zh) 2020-02-04
CN110751727B true CN110751727B (zh) 2020-12-18

Family

ID=69281330

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911048616.5A Active CN110751727B (zh) 2019-10-30 2019-10-30 一种基于Landsat长时间序列的合成图像构建方法

Country Status (1)

Country Link
CN (1) CN110751727B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111707665A (zh) * 2020-06-16 2020-09-25 安徽云能天智能科技有限责任公司 一种地基双波段云量自动观测系统和方法
CN111738144B (zh) * 2020-06-19 2021-08-31 中国水利水电科学研究院 一种基于Google Earth Engine云平台的地表水体产品生成方法和系统
CN111798394B (zh) * 2020-06-30 2022-10-14 电子科技大学 一种基于多年时间序列数据的遥感图像云污染去除方法
CN112101256B (zh) * 2020-09-21 2021-07-09 河南大学 基于云平台的耦合主被动遥感影像的大蒜作物识别方法
US12094198B2 (en) 2020-09-21 2024-09-17 Henan University Cloud platform-based garlic crop recognition method by coupling active and passive remote sensing images
CN112669237B (zh) * 2020-12-31 2022-09-20 同济大学 一种Landsat 7 SLC-off条带修复方法
CN113689414B (zh) * 2021-08-30 2023-12-15 扎赉诺尔煤业有限责任公司 一种高寒地区长时间序列高频率ndvi生成方法和装置
CN114120137B (zh) * 2021-10-19 2023-07-25 桂林理工大学 一种基于时序植被遥感影像的湿地要素时空演变监测方法
CN115795255B (zh) * 2022-09-21 2024-03-26 深圳大学 一种湿地的时间序列变化检测方法、装置、介质及终端
CN115565085B (zh) * 2022-12-05 2023-03-17 中国科学院空天信息创新研究院 遥感图像密集时间序列数据构建方法
CN116844697B (zh) * 2023-02-24 2024-01-09 萱闱(北京)生物科技有限公司 图像多维可视化方法、装置、介质和计算设备
CN117408949B (zh) * 2023-09-20 2024-07-09 宁波大学 一种季节性动态阈值的云及云阴影检测方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436679A (zh) * 2011-12-16 2012-05-02 南京大学 一种基于中值滤波的中分辨率遥感影像离散点dem构建方法
CN108805861A (zh) * 2018-04-28 2018-11-13 中国人民解放军国防科技大学 一种基于深度学习的遥感图像云检测方法
CN108875583A (zh) * 2018-05-23 2018-11-23 河海大学 一种基于城市建筑分类的tnl-gdp回归模型构建方法
CN110033499A (zh) * 2019-04-21 2019-07-19 南京林业大学 一种基于Landsat OLI遥感影像的区域性水体制图方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10678256B2 (en) * 2017-09-28 2020-06-09 Nec Corporation Generating occlusion-aware bird eye view representations of complex road scenes

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436679A (zh) * 2011-12-16 2012-05-02 南京大学 一种基于中值滤波的中分辨率遥感影像离散点dem构建方法
CN108805861A (zh) * 2018-04-28 2018-11-13 中国人民解放军国防科技大学 一种基于深度学习的遥感图像云检测方法
CN108875583A (zh) * 2018-05-23 2018-11-23 河海大学 一种基于城市建筑分类的tnl-gdp回归模型构建方法
CN110033499A (zh) * 2019-04-21 2019-07-19 南京林业大学 一种基于Landsat OLI遥感影像的区域性水体制图方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Characterizing fragmentation of the collective forests in southern China from multitemporal Landsat imagery: A case study from Kecheng district of Zhejiang province;Mingshi Li 等;《Applied Geography》;20111231;第1026-1034页 *
Landsat长时间序列数据格式统一与反射率转换方法实现;沈文娟 等;《国土资源遥感》;20141231;第26卷(第4期);第78-84页 *
基于ETM_图像的典型湖泊水华自动提取方法研究;孙晓鹏;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20170715(第7期);第B027-123页 *

Also Published As

Publication number Publication date
CN110751727A (zh) 2020-02-04

Similar Documents

Publication Publication Date Title
CN110751727B (zh) 一种基于Landsat长时间序列的合成图像构建方法
Chen et al. A practical approach to reconstruct high-quality Landsat NDVI time-series data by gap filling and the Savitzky–Golay filter
Funk et al. A high-resolution 1983–2016 T max climate data record based on infrared temperatures and stations by the Climate Hazard Center
CN111598019B (zh) 基于多源遥感数据的作物类型与种植模式识别方法
Vuolo et al. Smoothing and gap-filling of high resolution multi-spectral time series: Example of Landsat data
CN114076738B (zh) 一种利用遥感构建指数估算秸秆残留农田土壤盐分的方法
Fensholt et al. Evaluation of Earth Observation based global long term vegetation trends—Comparing GIMMS and MODIS global NDVI time series
CN105809148B (zh) 基于遥感时空谱融合的作物干旱识别及风险评估方法
CN114062439B (zh) 一种利用时间序列遥感影像联合估算土壤剖面盐分的方法
CN113850139B (zh) 一种基于多源遥感的森林年际物候监测方法
US20230064454A1 (en) System and method for generating soil moisture data from satellite imagery using deep learning model
CN109767409B (zh) 基于遥感影像的滑坡变化检测方法、存储介质和电子设备
US20220392215A1 (en) System and Method for Mapping Land Cover Types with Landsat, Sentinel-1, and Sentinel-2 Images
CN114926748A (zh) Sentinel-1/2微波与光学多光谱影像结合的大豆遥感识别方法
JP6943251B2 (ja) 画像処理装置、画像処理方法及びコンピュータ読み取り可能記録媒体
Tuomisto Influence of compositing criterion and data availability on pixel-based Landsat TM/ETM+ image compositing over Amazonian forests
Maynard et al. Effect of spatial image support in detecting long-term vegetation change from satellite time-series
CN115294183A (zh) 一种基于多源遥感数据的碟型子湖水体时序提取方法
Fensholt et al. Comparisons of compositing period length for vegetation index data from polar-orbiting and geostationary satellites for the cloud-prone region of West Africa
CN117274798B (zh) 基于正则化的时序变分模型的遥感水稻识别方法
Feng et al. Long time series (1984–2020) of albedo variations on the Greenland ice sheet from harmonized Landsat and Sentinel 2 imagery
CN108198178B (zh) 大气程辐射值的确定方法和装置
Liang et al. Global 500 m seamless dataset (2000–2022) of land surface reflectance generated from MODIS products
Nelson et al. Combining moderate-resolution time-series RS data from SAR and optical sources for rice crop characterisation: examples from Bangladesh
CN111257854B (zh) 一种通用的基于遥感影像分割单元的地形校正优化方法

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
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20200204

Assignee: Jiangsu NIPA palm Intelligent Technology Co.,Ltd.

Assignor: NANJING FORESTRY University

Contract record no.: X2021980006645

Denomination of invention: A synthetic image construction method based on Landsat long time series

Granted publication date: 20201218

License type: Common License

Record date: 20210723

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20200204

Assignee: Nanjing Beili line data Technology Co.,Ltd.

Assignor: NANJING FORESTRY University

Contract record no.: X2021980006765

Denomination of invention: A synthetic image construction method based on Landsat long time series

Granted publication date: 20201218

License type: Common License

Record date: 20210726

Application publication date: 20200204

Assignee: Nanjing Ptolemy Data Technology Co.,Ltd.

Assignor: NANJING FORESTRY University

Contract record no.: X2021980006889

Denomination of invention: A synthetic image construction method based on Landsat long time series

Granted publication date: 20201218

License type: Common License

Record date: 20210727

EE01 Entry into force of recordation of patent licensing contract