CN111369483A - 一种融合多源遥感数据生成高时空分辨率遥感数据的方法 - Google Patents
一种融合多源遥感数据生成高时空分辨率遥感数据的方法 Download PDFInfo
- Publication number
- CN111369483A CN111369483A CN202010146532.1A CN202010146532A CN111369483A CN 111369483 A CN111369483 A CN 111369483A CN 202010146532 A CN202010146532 A CN 202010146532A CN 111369483 A CN111369483 A CN 111369483A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- time
- low
- spatial
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000003908 quality control method Methods 0.000 claims description 8
- 238000012952 Resampling Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 10
- 230000004927 fusion Effects 0.000 description 7
- 230000002123 temporal effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Television Systems (AREA)
Abstract
本发明提供一种融合多源遥感数据生成高时空分辨率遥感数据的方法,包括:对输入的不同时空分辨率遥感数据进行预处理;对高时间、低空间分辨率遥感数据,提取像元的变化趋势信息;分别在高时间分辨率和高空间分辨率遥感数据的像元上减去趋势值,使残差值满足一阶和二阶平稳性条件;根据高时间、低空间分辨率像元的残差值构建时间协方差模型;基于该时间协方差模型,对不同时间上观测的高空间、低时间分辨率的遥感数据的残差项做时间Kriging插值,估计其任意未观测时刻的残差值;将得到的趋势值与的残差值相加,得到任意高空间分辨率遥感未观测时刻的像元值。本发明的计算效率、数据利用率和精确度都明显提升,可灵活用于不同场景。
Description
技术领域
本发明涉及遥感影像融合算法技术领域,特别涉及一种融合多源遥感数据生成高时空分辨率遥感数据的方法。
背景技术
近年来,遥感应用如土地覆盖变化、农情监测、资源环境调查等等领域的不断发展,推动了遥感数据的需求,遥感数据的空间分辨率、光谱分辨率、时间分辨率不断提高。但是单一的传感器获取的影像,仍然难以满足应用的需求。一方面,由于遥感传感器的硬件技术瓶颈,难以直接获得具有高空间和高时间分辨率的遥感影像;另一方面,由于云污染等影响,获得的影像往往存在像元值的缺失。在此背景下,遥感影像融合技术是解决该问题的有效方法。
随着遥感数据融合相关研究的增多,涌现出了大量的融合算法。其中应用最为广泛且的算法为STARFM以及ESTARFM算法。ESTARFM算法相较于STARFM算法,在异质性较强的地区更为适用。
然而,ESTARFM算法具有以下缺陷:首先,需要通过准确的寻找相似像元来保证融合的精度,在变化比较复杂的地区往往难以找到对的相似像元导致精度的下降;其次,它通过求两个不同时刻相似像元的交集来提升找到的相似像元的精度,但是在多云的地区,这种方式反而造成融合结果中像元的缺失;最后,寻找相似像元是个耗时的过程。总之,目前尚没有算法能够构建规则且完整的遥感影像时间序列,这也是本发明要解决的问题。
发明内容
本发明的目的在于提供一种融合多源遥感数据生成高时空分辨率遥感数据的方法,实现构建规则且完整的高空间、低时间分辨率遥感影像时间序列,提高数据利用率、计算效率和精确度。
为解决上述技术问题,本发明的实施例提供如下方案:
一种融合多源遥感数据生成高时空分辨率遥感数据的方法,包括以下步骤:
S1、对输入的高时间、低空间分辨率遥感影像和高空间、低时间分辨率遥感影像进行预处理,包括:使两者投影信息以及观测范围相同;根据数据的质量控制文件判断数据的质量情况,若存在被质量控制文件标识为低质量的像元,则除去该像元值将其视为未观测的像元;在高时间、低空间分辨率遥感影像中,若存在被除去像元值的低质量的像元,用多年观测数据的均值作为背景值,填充被除去的像元值,并对每个像元在时间上做线性插值,插值出背景值不能填充的像元值;
S2、对高时间、低空间分辨率遥感数据,提取像元的变化趋势信息,通过对得到的趋势值做重采样,得到高空间分辨率尺度下像元的趋势值;
S3、在高时间、低空间分辨率遥感影像上除去像元的趋势值,得到满足一阶和二阶平稳性条件的残差值,并根据高时间、低空间分辨率遥感影像上像元的残差值构建时间协方差模型,同样在高空间、低时间分辨率遥感影像上除去像元的趋势值得到残差值;
S4、利用构建的时间协方差模型,通过Kriging插值求得任意未观测时刻的高空间、低时间分辨率遥感影像上像元的残差值;
S5、对于高空间、低时间分辨率遥感影像,根据步骤S2中得到的趋势值以及步骤S4中得到的残差值,两者求和得出任意未观测时刻的像元值,逐像元预测直到得到整个高空间、低时间分辨率遥感影像的像元值,完成影像预测。
优选地,所述步骤S1还包括:
对线性插值后的高时间、低空间分辨率遥感影像的像元时间序列进行滤波处理,滤除噪声。
优选地,所述步骤S2包括:
S201、根据数据特点,选择相应的趋势提取方式,提取高时间、低空间分辨率遥感影像上像元的趋势值,所述趋势提取方式包括移动窗口法、模型拟合法;
S202、将得到的高时间、低空间分辨率遥感影像像元的趋势值重采样到高空间、低时间分辨率遥感影像尺度,得到高空间、低时间分辨率遥感影像像元的趋势值。
优选地,所述步骤S3包括:
S301、分别在高时间、低空间分辨率遥感影像和高空间、低时间分辨率遥感影像的像元上除去对应的趋势值Cμ(x,y,t)与Fμ(x,y,t),公式如下:
Cδ(x,y,t)=CZ(x,y,t)-Cμ(x,y,t)
Fδ(x,y,t)=FZ(x,y,t)-Fμ(x,y,t)
其中,CZ(x,y,t)与FZ(x,y,t)分别表示高时间、低空间分辨率遥感影像和高空间、低时间分辨率遥感影像的像元值,Cδ(x,y,t)与Fδ(x,y,t)分别表示高时间、低空间分辨率遥感影像和高空间、低时间分辨率遥感影像像元的残差值;
S302、根据得到高时间、低空间分辨率遥感影像像元的残差值Cδ(x,y,t)构建时间协方差模型,选用的模型包括kriging适用的模型,根据拟合情况进行选择。
优选地,所述步骤S4包括:
其中,λi表示插值的权重,通过以下公式求得:
优选地,所述步骤S5包括:
本发明的上述方案至少包括以下有益效果:
1)不用寻找相似像元,主要运算仅一个插值过程,计算效率明显提升;
2)能够使用时间变程内所有有效的像元值,数据利用率大大提升;
3)避免寻找相似像元带来的误差,精度提高;
4)不需要过多调参,可灵活应用于不同场景。
附图说明
图1是本发明实施例提供的融合多源遥感数据生成高时空分辨率遥感数据的方法的流程图;
图2是本发明实施例中融合多源遥感数据生成高时空分辨率遥感数据的方法的具体实施过程图。
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。
本发明的实施例提供了一种融合多源遥感数据生成高时空分辨率遥感数据的方法,如图1所示,该方法包括以下步骤:
S1、对输入的高时间、低空间分辨率遥感影像和高空间、低时间分辨率遥感影像进行预处理,包括:使两者投影信息以及观测范围相同;根据数据的质量控制文件判断数据的质量情况,若存在被质量控制文件标识为低质量的像元,则除去该像元值将其视为未观测的像元;在高时间、低空间分辨率遥感影像中,若存在被除去像元值的低质量的像元,用多年观测数据的均值作为背景值,填充被除去的像元值,并对每个像元在时间上做线性插值,插值出背景值不能填充的像元值;
S2、对高时间、低空间分辨率遥感数据,提取像元的变化趋势信息,通过对得到的趋势值做重采样,得到高空间分辨率尺度下像元的趋势值;
S3、在高时间、低空间分辨率遥感影像上除去像元的趋势值,得到满足一阶和二阶平稳性条件的残差值,并根据高时间、低空间分辨率遥感影像上像元的残差值构建时间协方差模型,同样在高空间、低时间分辨率遥感影像上除去像元的趋势值得到残差值;
S4、利用构建的时间协方差模型,通过Kriging插值求得任意未观测时刻的高空间、低时间分辨率遥感影像上像元的残差值;
S5、对于高空间、低时间分辨率遥感影像,根据步骤S2中得到的趋势值以及步骤S4中得到的残差值,两者求和得出任意未观测时刻的像元值,逐像元预测直到得到整个高空间、低时间分辨率遥感影像的像元值,完成影像预测。
本发明方法对输入的观测高时间、低空间分辨率遥感影像以及高空间、低时间分辨率遥感影像进行预处理;在具有高频次观测的高时间、低空间分辨率遥感影像上提取像元的趋势信息;分别在观测的高时间、低空间分辨率遥感影像以及高空间、低时间分辨率遥感影像的像元上除去得到的趋势值,得到满足平稳性假设的残差值,并根据高频次的高时间、低空间分辨率像元的残差值构建时间协方差模型,得到残差值在不同时间间隔上的相关性;利用该相关性对高空间、低时间分辨率遥感影像的残差值做时间上的Kriging插值,求得未观测时刻的高空间、低时间分辨率残差值;在求得的高空间、低时间分辨率残差值上返回趋势信息,得到未观测时刻的像元值,完成影像预测。
本发明方法具有以下优点:无需寻找相似像元,主要运算仅一个插值过程,计算效率明显提升;能够使用时间变程内所有有效的像元值,数据利用率大大提升;有效避免了寻找相似像元带来的误差,精度提高;不需要过多调参,可灵活应用于不同场景。
进一步地,步骤S1还包括:
根据数据特点,对线性插值后的高时间、低空间分辨率遥感影像的像元时间序列可进行适当的滤波处理,滤除噪声。
该步骤在保证高时间、低空间分辨率遥感影像时间序列是完整的前提下,避免噪声干扰,为之后的趋势计算提供充分的信息。
进一步地,步骤S2包括:
S201、根据数据特点,选择相应的趋势提取方式,提取高时间、低空间分辨率遥感影像上像元的趋势值,所述趋势提取方式包括移动窗口法、模型拟合法;
以移动窗口法为例,通过选用时空移动窗口提取每个窗口内高时间、低空间分辨率遥感影像上像元值的中位数作为像元的趋势值,计算公式如下:
其中,Cμ(x,y,t)表示高时间、低空间分辨率遥感影像像元的趋势值,x、y和t分别表示像元所在的空间位置以及时刻,a、b和c表示移动窗口的大小为a*b*c。
S202、将得到的高时间、低空间分辨率遥感影像像元的趋势值重采样到高空间、低时间分辨率遥感影像尺度,得到高空间、低时间分辨率遥感影像像元的趋势值Fμ(x,y,t)。
进一步地,步骤S3包括:
S301、分别在高时间、低空间分辨率遥感影像和高空间、低时间分辨率遥感影像的像元上除去对应的趋势值Cμ(x,y,t)与Fμ(x,y,t),公式如下:
Cδ(x,y,t)=CZ(x,y,t)-Cμ(x,y,t)
Fδ(x,y,t)=FZ(x,y,t)-Fμ(x,y,t)
其中,CZ(x,y,t)与FZ(x,y,t)分别表示高时间、低空间分辨率遥感影像和高空间、低时间分辨率遥感影像的像元值,Cδ(x,y,t)与Fδ(x,y,t)分别表示高时间、低空间分辨率遥感影像和高空间、低时间分辨率遥感影像像元的残差值;
S302、根据得到高时间、低空间分辨率遥感影像像元的残差值Cδ(x,y,t)构建时间协方差模型,选用的模型包括kriging适用的模型,根据拟合情况进行选择。
作为本发明的一种实施方式,选用的模型包括kriging插值适用的模型。
以球面模型为例,时间协方差模型的公式为:
其中,c1表示时间协方差模型的基台值,D表示像元间的时间间隔,a表示时间协方差模型的变程,c(t)表示协方差值。
进一步地,步骤S4包括:
其中,λi表示插值的权重,通过以下公式求得:
进一步地,步骤S5包括:
本发明方法的具体应用过程如图2所示。
(1)预处理
输入数据为高时间、低空间分辨率遥感影像以及高空间、低时间分辨率遥感影像时间序列,经过投影转换、影像配准、影像裁剪等处理,使高空间、低时间分辨率遥感影像以及高时间、低空间分辨率遥感影像的投影信息与观测范围相同。
根据数据的质量控制文件判断数据的质量情况,若存在被质量控制文件标识为低质量的像元,则除去该像元值将其视为未观测的像元,避免云污染等造成的干扰。
之后,在高时间、低空间分辨率遥感影像中,用多年观测数据的均值作为背景值,填充被除去的低质量的像元值,然后对每个像元在时间上做线性插值,插值出背景值不能填上的像元值,保证时间序列的完整。
根据数据的特点,这里可做适当的滤波处理,使得时间序列变化更加平滑,避免噪声干扰。
本步骤的目的是使高时间、低空间分辨率遥感影像整个时间序列是完整的,排除云污染以及噪声干扰,为之后的趋势计算提供充分的信息。
(2)趋势计算
根据数据特点,选择适当的趋势提取方式,提取高时间、低空间分辨率遥感影像上像元的趋势值,可使用移动窗口法、模型拟合法等;
以移动窗口法为例,通过选用时空移动窗口提取每个窗口内高时间、低空间分辨率遥感影像上像元值的中位数作为像元的趋势值,计算公式如下:
其中,Cμ(x,y,t)表示高时间、低空间分辨率遥感影像像元的趋势值,x、y和t分别表示像元所在的空间位置以及时刻,a、b和c表示移动窗口的大小为a*b*c。
将得到的高时间、低空间分辨率遥感影像像元的趋势值重采样到高空间、低时间分辨率遥感影像尺度,得到高空间、低时间分辨率遥感影像像元的趋势值Fμ(x,y,t)。
(3)时间协方差模型建立
分别在高时间、低空间以及高空间、低时间分辨率遥感影像像元上除去步骤(2)中得到的对应趋势Cμ(x,y,t)与Fμ(x,y,t),公式如下:
Cδ(x,y,t)=CZ(x,y,t)-Gμ(x,y,t)
Fδ(x,y,t)=FZ(x,y,t)-Fμ(x,y,t)
式中CZ(x,y,t)与FZ(x,y,t)分别表示高时间、低空间以及高空间、低时间分辨率遥感影像像元值,Cδ(x,y,,t)与Fδ(x,y,t)分别表示高时间、低空间以及高空间、低时间分辨率遥感影像像元的残差值。根据地统计学可知,此时的残差值是满足一阶与二阶平稳性条件的,这里能够得到满足平稳性假设的残差值Cδ(x,y,t)与Fδ(x,y,t)。
根据得到的Cδ(x,y,t)构建时间协方差模型,该时间协方差模型反应了同一位置的像元在不同时间间隔下相关性强弱,通常时刻越接近相关性越高。选用的模型可以是任何kriging适用的模型,根据拟合情况灵活选择。
(4)Kriging插值
式中的λi表示插值的权重,在Kriging插值中它可以通过以下公式求得:
通过Kriging插值可得出所需任意未观测时刻的高空间、低时间分辨率像元残差值。
(5)影像预测
对于任意未观测时刻tp,根据步骤(2)中得到的趋势以及步骤(4)中得到的残差通过以下公式可以得到该时刻的高空间、低时间分辨率像元值逐像元预测进而得到整个高时间、低空间分辨率遥感影像的像元值,完成影像的预测。
与现有技术相比,本发明方法不同于传统融合算法的基于增量再分配的方式,而是将像元值当作随机变量,把地统计学引入像元值预测当中,将像元值的预测转换为一个插值过程。
本发明方法中的Kriging插值不同于传统的空间与时空Kriging插值,提出了仅在时间上进行的Kriging插值方式,避免了引入空间维度带来的平滑效应。
本发明方法用高时间、低空间分辨率遥感影像提供趋势变化信息并构建时间协方差模型,为预测影像提供了像元的趋势和时间相关性,用高空间、低时间分辨率遥感影像插值出残差项,为预测影像提供了空间细节的信息。
本发明的计算效率、数据利用率和精确度都明显提升,可灵活应用于不同场景。
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 (6)
1.一种融合多源遥感数据生成高时空分辨率遥感数据的方法,其特征在于,包括以下步骤:
S1、对输入的高时间、低空间分辨率遥感影像和高空间、低时间分辨率遥感影像进行预处理,包括:使两者投影信息以及观测范围相同;根据数据的质量控制文件判断数据的质量情况,若存在被质量控制文件标识为低质量的像元,则除去该像元值将其视为未观测的像元;在高时间、低空间分辨率遥感影像中,若存在被除去像元值的低质量的像元,用多年观测数据的均值作为背景值,填充被除去的像元值,并对每个像元在时间上做线性插值,插值出背景值不能填充的像元值;
S2、对高时间、低空间分辨率遥感数据,提取像元的变化趋势信息,通过对得到的趋势值做重采样,得到高空间分辨率尺度下像元的趋势值;
S3、在高时间、低空间分辨率遥感影像上除去像元的趋势值,得到满足一阶和二阶平稳性条件的残差值,并根据高时间、低空间分辨率遥感影像上像元的残差值构建时间协方差模型,同样在高空间、低时间分辨率遥感影像上除去像元的趋势值得到残差值;
S4、利用构建的时间协方差模型,通过Kriging插值求得任意未观测时刻的高空间、低时间分辨率遥感影像上像元的残差值;
S5、对于高空间、低时间分辨率遥感影像,根据步骤S2中得到的趋势值以及步骤S4中得到的残差值,两者求和得出任意未观测时刻的像元值,逐像元预测直到得到整个高空间、低时间分辨率遥感影像的像元值,完成影像预测。
2.根据权利要求1所述的融合多源遥感数据生成高时空分辨率遥感数据的方法,其特征在于,所述步骤S1还包括:
对线性插值后的高时间、低空间分辨率遥感影像的像元时间序列进行滤波处理,滤除噪声。
3.根据权利要求1所述的融合多源遥感数据生成高时空分辨率遥感数据的方法,其特征在于,所述步骤S2包括:
S201、根据数据特点,选择相应的趋势提取方式,提取高时间、低空间分辨率遥感影像上像元的趋势值,所述趋势提取方式包括移动窗口法、模型拟合法;
S202、将得到的高时间、低空间分辨率遥感影像像元的趋势值重采样到高空间、低时间分辨率遥感影像尺度,得到高空间、低时间分辨率遥感影像像元的趋势值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010146532.1A CN111369483B (zh) | 2020-03-05 | 2020-03-05 | 一种融合多源遥感数据生成高时空分辨率遥感数据的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010146532.1A CN111369483B (zh) | 2020-03-05 | 2020-03-05 | 一种融合多源遥感数据生成高时空分辨率遥感数据的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111369483A true CN111369483A (zh) | 2020-07-03 |
CN111369483B CN111369483B (zh) | 2020-11-13 |
Family
ID=71210296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010146532.1A Active CN111369483B (zh) | 2020-03-05 | 2020-03-05 | 一种融合多源遥感数据生成高时空分辨率遥感数据的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111369483B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114092835A (zh) * | 2022-01-24 | 2022-02-25 | 中国测绘科学研究院 | 基于不同时空分辨率的归一化植被指数数据时空融合方法 |
CN114202705A (zh) * | 2022-02-16 | 2022-03-18 | 清华大学 | 光谱特征时间序列构建方法及系统 |
CN117668279A (zh) * | 2023-11-29 | 2024-03-08 | 重庆工商大学 | 一种实现多源遥感影像波段协同的方法及装置 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060290711A1 (en) * | 2004-12-17 | 2006-12-28 | Peyman Milanfar | System and method for robust multi-frame demosaicing and color super-resolution |
US20120269430A1 (en) * | 2011-04-22 | 2012-10-25 | Michael Paul Deskevich | System and method for combining color information with spatial information in multispectral images |
CN103177431A (zh) * | 2012-12-26 | 2013-06-26 | 中国科学院遥感与数字地球研究所 | 一种多源遥感数据时空融合方法 |
CN104809691A (zh) * | 2015-05-05 | 2015-07-29 | 李云梅 | 一种基于滑动窗口混合像元分解的图像融合方法 |
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 |
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 |
CN108257109A (zh) * | 2018-02-11 | 2018-07-06 | 中国科学院微电子研究所 | 一种数据融合方法及装置 |
CN109344865A (zh) * | 2018-08-24 | 2019-02-15 | 山东省环境规划研究院 | 一种多数据源的数据融合方法 |
CN109635309A (zh) * | 2018-10-17 | 2019-04-16 | 广州地理研究所 | 一种地表温度空间降尺度方法 |
CN109840539A (zh) * | 2017-12-31 | 2019-06-04 | 苏州中科天启遥感科技有限公司 | 一种基于地块图斑的遥感时空数据融合方法 |
CN110276304A (zh) * | 2019-06-25 | 2019-09-24 | 北京师范大学 | 基于降尺度的高分辨率植被生产力遥感估算方法 |
CN110458048A (zh) * | 2019-07-23 | 2019-11-15 | 南京林业大学 | 顾及城镇格局特征的人口分布时空演变与认知 |
CN110503142A (zh) * | 2019-08-14 | 2019-11-26 | 淮阴师范学院 | 基于时空随机效应加法过程模型的多源遥感产品层次贝叶斯融合方法 |
-
2020
- 2020-03-05 CN CN202010146532.1A patent/CN111369483B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060290711A1 (en) * | 2004-12-17 | 2006-12-28 | Peyman Milanfar | System and method for robust multi-frame demosaicing and color super-resolution |
US20120269430A1 (en) * | 2011-04-22 | 2012-10-25 | Michael Paul Deskevich | System and method for combining color information with spatial information in multispectral images |
CN103177431A (zh) * | 2012-12-26 | 2013-06-26 | 中国科学院遥感与数字地球研究所 | 一种多源遥感数据时空融合方法 |
CN104809691A (zh) * | 2015-05-05 | 2015-07-29 | 李云梅 | 一种基于滑动窗口混合像元分解的图像融合方法 |
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 |
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 |
CN109840539A (zh) * | 2017-12-31 | 2019-06-04 | 苏州中科天启遥感科技有限公司 | 一种基于地块图斑的遥感时空数据融合方法 |
CN108257109A (zh) * | 2018-02-11 | 2018-07-06 | 中国科学院微电子研究所 | 一种数据融合方法及装置 |
CN109344865A (zh) * | 2018-08-24 | 2019-02-15 | 山东省环境规划研究院 | 一种多数据源的数据融合方法 |
CN109635309A (zh) * | 2018-10-17 | 2019-04-16 | 广州地理研究所 | 一种地表温度空间降尺度方法 |
CN110276304A (zh) * | 2019-06-25 | 2019-09-24 | 北京师范大学 | 基于降尺度的高分辨率植被生产力遥感估算方法 |
CN110458048A (zh) * | 2019-07-23 | 2019-11-15 | 南京林业大学 | 顾及城镇格局特征的人口分布时空演变与认知 |
CN110503142A (zh) * | 2019-08-14 | 2019-11-26 | 淮阴师范学院 | 基于时空随机效应加法过程模型的多源遥感产品层次贝叶斯融合方法 |
Non-Patent Citations (7)
Title |
---|
A. ZIA,V ET AL: "Multi-resolution and multi-sensor data fusion for remote sensing in detecting air pollution", 《IMAGE ANALYSIS AND INTERPRETATION》 * |
GUOCAN WU ET AL: "Chinese regional high space-time resolution fusion rainfall model exploration based on site and remote sensing data", 《2011 INTERNATIONAL CONFERENCE ON ELECTRICAL AND CONTROL ENGINEERING》 * |
孙悦: "遥感数据时空融合算法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
柏延臣等: "基于高时空分辨率可见光遥感数据的热带山地", 《遥感技术与应用》 * |
葛志荣等: "一种基于残差的遥感图像融合新方法", 《中国图象图形学报》 * |
谢登峰等: "Landsat 8和MODIS融合构建高时空分辨率数据识别秋粮作物", 《遥感学报》 * |
邬明权等: "融合MODIS与Landsat数据生成高时间分辨率Landsat数据", 《红外与毫米波学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114092835A (zh) * | 2022-01-24 | 2022-02-25 | 中国测绘科学研究院 | 基于不同时空分辨率的归一化植被指数数据时空融合方法 |
CN114202705A (zh) * | 2022-02-16 | 2022-03-18 | 清华大学 | 光谱特征时间序列构建方法及系统 |
CN114202705B (zh) * | 2022-02-16 | 2022-05-20 | 清华大学 | 光谱特征时间序列构建方法及系统 |
CN117668279A (zh) * | 2023-11-29 | 2024-03-08 | 重庆工商大学 | 一种实现多源遥感影像波段协同的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111369483B (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111369483B (zh) | 一种融合多源遥感数据生成高时空分辨率遥感数据的方法 | |
CN102436652B (zh) | 一种多源遥感图像自动配准方法 | |
Li et al. | YOLOSR-IST: A deep learning method for small target detection in infrared remote sensing images based on super-resolution and YOLO | |
CN110826428A (zh) | 一种高速的sar图像中船只检测方法 | |
CN112017135A (zh) | 一种遥感影像数据时空融合的方法、系统及设备 | |
CN108932710B (zh) | 遥感时空信息融合方法 | |
CN102136144A (zh) | 图像配准可靠性模型和超分辨率图像的重构方法 | |
CN111861880A (zh) | 基于区域信息增强与块自注意力的图像超分与融合方法 | |
CN112017178A (zh) | 一种基于双时相差值图像法的遥感图像区域变化检测方法 | |
Gao et al. | A general deep learning based framework for 3D reconstruction from multi-view stereo satellite images | |
CN103034988B (zh) | 一种任意传感器数量的时空定量遥感融合方法 | |
Long et al. | Dual self-attention Swin transformer for hyperspectral image super-resolution | |
CN115272144A (zh) | 面向高光谱图像和多光谱图像的时空谱融合方法 | |
CN111027508A (zh) | 一种基于深层神经网络的遥感图像覆被变化检测方法 | |
CN112819697B (zh) | 一种遥感影像时空融合方法及系统 | |
CN110689510B (zh) | 一种引入字典信息基于稀疏表示的图像融合方法 | |
CN111523451A (zh) | 一种构建高时空分辨率ndvi数据的方法 | |
CN113779863B (zh) | 一种基于数据挖掘的地表温度降尺度方法 | |
CN114758282A (zh) | 基于时序校正卷积的视频预测方法 | |
Yang et al. | SA-MVSNet: Self-attention-based multi-view stereo network for 3D reconstruction of images with weak texture | |
CN115063332B (zh) | 一种构建高空间分辨率时序遥感数据的方法 | |
CN113888362B (zh) | 一种基于时空张量特征的压路机施工轨迹识别方法 | |
CN115909087A (zh) | 一种地表温度遥感产品降尺度方法、系统、设备及介质 | |
CN114372944B (zh) | 一种多模态和多尺度融合的候选区域生成方法及相关装置 | |
CN117239744B (zh) | 融合风云4号气象卫星数据的超短期光伏功率预测方法 |
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 |