CN113077384B - 一种数据空间分辨率提高方法、装置、介质及终端设备 - Google Patents
一种数据空间分辨率提高方法、装置、介质及终端设备 Download PDFInfo
- Publication number
- CN113077384B CN113077384B CN202110262552.XA CN202110262552A CN113077384B CN 113077384 B CN113077384 B CN 113077384B CN 202110262552 A CN202110262552 A CN 202110262552A CN 113077384 B CN113077384 B CN 113077384B
- Authority
- CN
- China
- Prior art keywords
- ndvi
- data
- avhrr
- scale
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000009466 transformation Effects 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000009467 reduction Effects 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 17
- 238000004140 cleaning Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 238000013499 data model Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种数据空间分辨率提高方法、装置、存储介质及终端设备，包括：将获取的预设时间段内的AVHRR NDVI数据及MODSI NDVI数据进行数据预处理，以得到月尺度数据；将所述月尺度数据输入尺度变换模型进行降尺度处理；对降尺度处理后的尺度数据进行误差分析，并根据分析结果对所述尺度变换模型进行优化。本发明能够将某一地区的AVHRR NDVI低分辨率的空间尺度转变为MODIS NDVI数据高分辨率的空间尺度，提高数据的精度，增加其可用性。
Description
技术领域
本发明涉及遥感影像识别技术领域，尤其涉及一种数据空间分辨率提高方法、装置、计算机可读存储介质及终端设备。
背景技术
植被与气候、土壤、地貌等自然要素相连接，植被指数(Vegetation index，VI)是对植被长势、生物量等具有一定指示意义的数值，可以帮助人们更好的解释植被的演变。目前，植被指数模型有比值植被指数(Ratio vegetation index，RVI)、差值植被指数(Difference vegetation index，DVI)、归一化植被指数(Normalized differencevegetation index，NDVI)等，其中归一化植被指数(NDVI)应用最为广泛。
AVHRR(advanced very high resolution radiometer)NDVI数据是目前覆盖时段最长的全球连续数据集，得到了国内外的广泛关注，特别是GIMMS NDVI数据集，具有时间序列长、覆盖范围广、时空可比、较强的植被动态变化表征能力等特点，成为AVHRR NDVI数据中应用最广泛的数据集，在区域到全球尺度植被动态变化检测及成因分析、土地退化区域识别、植被生产力模拟和碳平衡研究等领域得以大量应用，提高了对植被动态变化的理解。
然而，由于AVHRR传感器并不是以植被研究为目的，因此传感器的设计对于植被动态研究并不理想，如缺少传感器机载校准、过境时间漂移、空间分辨率不高、波段设置较宽易受水汽干扰等。
发明内容
本发明实施例所要解决的技术问题在于，提供一种数据空间分辨率提高方法、装置、计算机可读存储介质及终端设备，能够将某一地区的AVHRR NDVI低分辨率的空间尺度转变为MODIS NDVI数据高分辨率的空间尺度，提高数据的精度，增加其可用性。
为了解决上述技术问题，本发明实施例提供了一种数据空间分辨率提高方法，所述方法包括：
将获取的预设时间段内的AVHRR NDVI数据及MODSI NDVI数据进行数据预处理，以得到月尺度数据；
将所述月尺度数据输入尺度变换模型进行降尺度处理；
对降尺度处理后的尺度数据进行误差分析，并根据分析结果对所述尺度变换模型进行优化。
进一步地，所述尺度变换模型的获取方法包括：
通过每月植被与基准期的相对变化率得到AVHRR NDVI数据的粗分辨率时间投影信息；
分别根据所述高分辨率MODIS NDVI和粗分辨率AVHRR NDVI各自标准差与平均值得出变异系数，用两种变异系数的比值表征高分辨率空间投影信息；
根据随机差异值与所述粗分辨率时间投影信息、高分辨率空间投影信息得到所述尺度变换模型。
进一步地，所述尺度变换模型为：
NDVIH,x,y,t＝NDVIH,x,y,bl×(1+Kx,y,t×RCVx,y)+εx,y,t
RCVx,y＝modis_CV/avhrr_CV
Kx,y,t＝(NDVIL,x,y,t-NDVIL,x,y,bl)/NDVIL,x,y,bl
其中，NDVIH,x,y,t为降尺度后像素x，y和时间t的高分辨率NDVI，NDVIL,x,y,bl为基线时期x、y像素的AVHRR NDVI的中位数，modis_CV、avhrr_CV为MODIS NDVI与AVHRR NDVI的变异系数值，RCVx,y为两者变异系数比值，εx,y,t为随机差异值。
进一步地，将获取的预设时间段内的AVHRR NDVI数据及MODSI NDVI数据进行数据预处理，具体为，
获取预设时间段内的AVHRR NDVI数据及MODSI NDVI数据；
对所述AVHRR NDVI数据及MODSI NDVI数据进行数据清洗及校正后得到月尺度数据。
为了解决上述技术问题，本发明实施例还提供了一种数据空间分辨率提高装置，所述装置包括：
数据处理模块，用于将获取的预设时间段内的AVHRR NDVI数据及MODSI NDVI数据进行数据预处理，以得到月尺度数据；
尺度处理模块，用于将所述月尺度数据输入尺度变换模型进行降尺度处理；
模型优化模块，用于对降尺度处理后的尺度数据进行误差分析，并根据分析结果对所述尺度变换模型进行优化。
进一步地，所述尺度处理模块具体用于，
通过每月植被与基准期的相对变化率得到AVHRR NDVI数据的粗分辨率时间投影信息；
分别根据所述高分辨率MODIS NDVI和粗分辨率AVHRR NDVI各自标准差与平均值得出变异系数，用两种变异系数的比值表征高分辨率空间投影信息；
根据随机差异值与所述粗分辨率时间投影信息、高分辨率空间投影信息得到所述尺度变换模型。
进一步地，所述尺度变换模型为：
NDVIH,x,y,t＝NDVIH,x,y,bl×(1+Kx,y,t×RCVx,y)+εx,y,t
RCVx,y＝modis_CV/avhrr_CV
Kx,y,t＝(NDVIL,x,y,t-NDVIL,x,y,bl)/NDVIL,x,y,bl
其中，NDVIH,x,y,t为降尺度后像素x，y和时间t的高分辨率NDVI，NDVIL,x,y,bl为基线时期x、y像素的AVHRR NDVI的中位数，modis_CV、avhrr_CV为MODIS NDVI与AVHRR NDVI的变异系数值，RCVx,y为两者变异系数比值，εx,y,t为随机差异值。
进一步地，所述数据处理模块，具体用于，
获取预设时间段内的AVHRR NDVI数据及MODSI NDVI数据；
对所述AVHRR NDVI数据及MODSI NDVI数据进行数据清洗及校正后得到月尺度数据。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述方法。
本发明实施例还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现上述方法。
与现有技术相比，本发明实施例提供了一种数据空间分辨率提高方法、装置、计算机可读存储介质及终端设备，首先将获取的预设时间段内的AVHRR NDVI数据及MODSI NDVI数据进行数据预处理，以得到月尺度数据；将所述月尺度数据输入尺度变换模型进行降尺度处理；对降尺度处理后的尺度数据进行误差分析，并根据分析结果对所述尺度变换模型进行优化。相比现有技术，本发明能够将某一地区的AVHRR NDVI低分辨率的空间尺度转变为MODIS NDVI数据高分辨率的空间尺度，提高数据的精度，增加其可用性。
附图说明
图1为本发明提供的一种数据空间分辨率提高方法的流程图；
图2为本发明提供的一种数据空间分辨率提高方法中的降尺度效果图；
图3为本发明提供的一种数据空间分辨率提高方法中的误差分析图；
图4是本发明实施例提供的一种数据空间分辨率提高装置的结构框图；
图5是本发明提供的一种终端设备的的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本技术领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，文中的步骤编号，仅为了方便具体实施例的解释，不作为限定步骤执行先后顺序的作用。本实施例提供的方法可以由相关的服务器执行，且下文均以服务器作为执行主体为例进行说明。
如图1至图3所示，本发明实施例提供的一种数据空间分辨率提高方法，所述方法包括步骤S11至步骤S13：
步骤S11，将获取的预设时间段内的AVHRR NDVI数据及MODSI NDVI数据进行数据预处理，以得到月尺度数据。
具体的，获取预设时间段内的AVHRR NDVI数据及MODSI NDVI数据，对所述AVHRRNDVI数据及MODSI NDVI数据进行数据清洗及校正后得到月尺度数据。
进一步地，将获取的AVHRR NDVI数据输入AVHRR NDVI数据清洗模型，以清除所述AVHRR NDVI数据中的空数据，并在清除所述空数据后对偏差较大的数据进行替换。其中，替换数据为AVHRR NDVI数据模型预测的数据或实际数据，所述AVHRR NDVI数据模型由神经元网络迭代训练而成。
进一步地，将获取的MODIS NDVI数据输入MODIS NDVI数据清洗模型，以清除所述MODIS NDVI数据中的空数据，并在清除所述空数据后对偏差较大的数据进行替换。其中，替换数据为MODIS NDVI数据模型预测的数据或实际数据，所述MODIS NDVI数据模型由神经元网络迭代训练而成。
步骤S12，将所述月尺度数据输入尺度变换模型进行降尺度处理。
具体的，通过每月植被与基准期的相对变化率得到AVHRR NDVI数据的粗分辨率时间投影信息；分别根据所述高分辨率MODIS NDVI和粗分辨率AVHRR NDVI各自标准差与平均值得出变异系数，用两种变异系数的比值表征高分辨率空间投影信息；根据随机差异值与所述粗分辨率时间投影信息、高分辨率空间投影信息得到所述尺度变换模型。
所述尺度变换模型为：
NDVIH,x,y,t＝NDVIH,x,y,bl×(1+Kx,y,t×RCVx,y)+εx,y,t
RCVx,y＝modis_CV/avhrr_CV
Kx,y,t＝(NDVIL,x,y,t-NDVIL,x,y,bl)/NDVIL,x,y,bl
其中，NDVIH,x,y,t为降尺度后像素x，y和时间t的高分辨率NDVI，NDVIL,x,y,bl为基线时期x、y像素的AVHRR NDVI的中位数，modis_CV、avhrr_CV为MODIS NDVI与AVHRR NDVI的变异系数值，RCVx,y为两者变异系数比值，εx,y,t为随机差异值，。
进一步地，考虑时间尺度，通过Kx,y,t值来表达AVHRR NDVI数据的时间变化特征。首先获取整个时间序列某一基准期内的AVHRR NDVI的中位数，该中位数代表了基准期内AVHRR NDVI的中等水平。通过将每一个月的AVHRR NDVI值减去基准期中位数的差再除以基准期中位数，得到了在整个数据观测时间内，每一个月的植被NDVI是如何变化的，即变化比例Kx,y,t。该值表达的是AVHRR粗分辨率时间投影信息，而这个时间的信息转换是一个非常平均的时间转换，只是1km*1km空间尺度上的时间变化量。为了获得不同植物类型更精细空间信息，就需要考虑MODIS NDVI数据，MODIS空间信息更精细，可以进一步区分像元内不同地物类型的NDVI变化。
已知MODIS NDVI数据的空间分辨率较高，但是时间序列比较短，假设植被信息基本不变，即空间信息改变并不大，将MODIS NDVI数据包含的空间投影信息到以前二十年左右的时间段上，即将MODIS NDVI数据的空间信息赋予给AVHRR NDVI数据，从而使其在空间尺度上更精细化。
通过考虑MODIS与AVHRR NDVI的CV(变异系数)实现空间投影信息，它的含义是表示数据的离散程度，等于标准差与平均值之比。为了表示AVHRR NDVI与MODIS NDVI空间信息的差异，设定一个参数RCVx,y，即通过MODIS NDVI的CV值除以AVHRR NDVI的CV值。因为MODIS NDVI的分辨率较高，所以它相对应的CV值就会偏大，其整体变化量会偏大，而与之相反的AVHRR NDVI的CV值就会偏小，整体会较为平均，因此通过两者之间的比值RCVx,y，将变化量进行调整。如当某些网格里有较多均一的水体和裸地时，其NDVI的CV值很小，则用这个比值将它的变化量缩小，反之，对于季节性特征明显的包含较多植被的网格，其NDVI变化程度得到相应放大。将所有网格图像中对于特殊地形的部分，去进行相应的放大与缩小，获得一个更精确的NDVI值。
最终通过时间变化和空间变化进行降尺度的计算，即利用基准期内MODIS NDVI的中位数值与AVHRR NDVI的时间、空间变化信息相乘，得到AVHRR NDVI的变化数据再与中位数值相加，最后加一个随机差异数，用于表征计算过程中产生的误差，得到降尺度的结果。
进一步地，以美国加州地区为例，请参阅图2，为2010-2012三月的NDVI数据图像，第一行为原始AVHRR NDVI数据图像，第二行为MODIS NDVI数据图像，第三行为降尺度之后的AVHRR NDVI数据图像。
步骤S13，对降尺度处理后的尺度数据进行误差分析，并根据分析结果对所述尺度变换模型进行优化。
具体的，请参阅图3，对上述结果进行误差分析，分析其均方根误差(RMSE)与平均绝对误差(MAE)，上面的两个指标是用来描述预测值与真实值的误差情况，从图中可以看到，降尺度之后的AVHRR NDVI数据与MODIS NDVI数据的误差情况很小，降尺度的结果可靠。其中，在根据分析结果对所述尺度变换模型进行优化时，可通过加入约束或调整变量的取值范围。
本发明实施例所提供的一种数据空间分辨率提高方法，首先将获取的预设时间段内的AVHRR NDVI数据及MODSI NDVI数据进行数据预处理，以得到月尺度数据；将所述月尺度数据输入尺度变换模型进行降尺度处理；对降尺度处理后的尺度数据进行误差分析，并根据分析结果对所述尺度变换模型进行优化。相比现有技术，本发明能够将某一地区的AVHRR NDVI低分辨率的空间尺度转变为MODIS NDVI数据高分辨率的空间尺度，提高数据的精度，增加其可用性。
如图4所示，是本发明提供的一种数据空间分辨率提高装置的结构框图，所述装置包括：
数据处理模块21，用于将获取的预设时间段内的AVHRR NDVI数据及MODSI NDVI数据进行数据预处理，以得到月尺度数据。
具体的，获取预设时间段内的AVHRR NDVI数据及MODSI NDVI数据，
对所述AVHRR NDVI数据及MODSI NDVI数据进行数据清洗及校正后得到月尺度数据。
进一步地，将获取的AVHRR NDVI数据输入AVHRR NDVI数据清洗模型，以清除所述AVHRR NDVI数据中的空数据，并在清除所述空数据后对偏差较大的数据进行替换。其中，替换数据为AVHRR NDVI数据模型预测的数据或实际数据，所述AVHRR NDVI数据模型由神经元网络迭代训练而成。
进一步地，将获取的MODIS NDVI数据输入MODIS NDVI数据清洗模型，以清除所述MODIS NDVI数据中的空数据，并在清除所述空数据后对偏差较大的数据进行替换。其中，替换数据为MODIS NDVI数据模型预测的数据或实际数据，所述MODIS NDVI数据模型由神经元网络迭代训练而成。
尺度处理模块22，用于将所述月尺度数据输入尺度变换模型进行降尺度处理。
具体的，通过每月植被与基准期的相对变化率得到AVHRR NDVI数据的粗分辨率时间投影信息；
分别根据所述高分辨率MODIS NDVI和粗分辨率AVHRR NDVI各自标准差与平均值得出变异系数，用两种变异系数的比值表征高分辨率空间投影信息；
根据随机差异值与所述粗分辨率时间投影信息、高分辨率空间投影信息得到所述尺度变换模型。
所述尺度变换模型为：
NDVIH,x,y,t＝NDVIH,x,y,bl×(1+Kx,y,t×RCVx,y)+εx,y,t
RCVx,y＝modis_CV/avhrr_CV
Kx,y,t＝(NDVIL,x,y,t-NDVIL,x,y,bl)/NDVIL,x,y,bl
其中，NDVIH,x,y,t为降尺度后像素x，y和时间t的高分辨率NDVI，NDVIL,x,y,bl为基线时期x、y像素的AVHRR NDVI的中位数，modis_CV、avhrr_CV为MODIS NDVI与AVHRR NDVI的变异系数值，RCVx,y为两者变异系数比值，εx,y,t为随机差异值。
进一步地，考虑时间尺度，通过Kx,y,t值来表达AVHRR NDVI数据的时间变化特征。首先获取整个时间序列某一基准期内的AVHRR NDVI的中位数，该中位数代表了基准期内AVHRR NDVI的中等水平。通过将每一个月的AVHRR NDVI值减去基准期中位数的差再除以基准期中位数，得到了在整个数据观测时间内，每一个月的植被NDVI是如何变化的，即变化比例Kx,y,t。该值表达的是AVHRR粗分辨率时间投影信息，而这个时间的信息转换是一个非常平均的时间转换，只是1km*1km空间尺度上的时间变化量。为了获得不同植物类型更精细空间信息，就需要考虑MODIS NDVI数据，MODIS空间信息更精细，可以进一步区分像元内不同地物类型的NDVI变化。
已知MODIS NDVI数据的空间分辨率较高，但是时间序列比较短，假设植被信息基本不变，即空间信息改变并不大，将MODIS NDVI数据包含的空间投影信息到以前二十年左右的时间段上，即将MODIS NDVI数据的空间信息赋予给AVHRR NDVI数据，从而使其在空间尺度上更精细化。
通过考虑MODIS与AVHRR NDVI的CV(变异系数)实现空间投影信息，它的含义是表示数据的离差程度，等于标准差与平均值之比。为了表示AVHRR NDVI与MODIS NDVI空间信息的差异，设定一个参数RCVx,y，即通过MODIS NDVI的CV值除以AVHRR NDVI的CV值，因为MODIS NDVI的分辨率较高，所以它相对应的CV值就会偏大，其整体变化量会偏大，而与之相反的AVHRR NDVI的CV值就会偏小，整体会较为平均，因此通过两者之间的比值RCVx,y，将变化量进行调整。如当某些网格里有较多均一的水体和裸地时，其NDVI的CV值很小，则用这个比值将它的变化量缩小，反之，对于季节性特征明显的包含较多植被的网格，其NDVI变化程度得到相应放大。将所有网格图像中对于特殊地形的部分，去进行相应的放大与缩小，获得一个更精确的NDVI值。
最终通过时间变化和空间变化进行降尺度的计算，即利用基准期内MODIS NDVI的中位数值与AVHRR NDVI的时间、空间变化信息相乘，得到AVHRR NDVI的变化数据再与中位数值相加，最后加一个随机差异数，用于表征计算过程中产生的误差，得到降尺度的结果。
模型优化模块23，用于对降尺度处理后的尺度数据进行误差分析，并根据分析结果对所述尺度变换模型进行优化。
本发明实施例所提供的一种数据空间分辨率提高装置，首先将获取的预设时间段内的AVHRR NDVI数据及MODSI NDVI数据进行数据预处理，以得到月尺度数据；将所述月尺度数据输入尺度变换模型进行降尺度处理；对降尺度处理后的尺度数据进行误差分析，并根据分析结果对所述尺度变换模型进行优化。相比现有技术，本发明能够将某一地区的AVHRR NDVI低分辨率的空间尺度转变为MODIS NDVI数据高分辨率的空间尺度，提高数据的精度，增加其可用性。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述方法。
本发明实施例还提供了一种终端设备，参见图5所示，是本发明提供的一种终端设备的一个优选实施例的结构框图，所述终端设备包括处理器10、存储器20以及存储在所述存储器20中且被配置为由所述处理器10执行的计算机程序，所述处理器10在执行所述计算机程序时实现以上方法。
优选地，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序1、计算机程序2、······)，所述一个或者多个模块/单元被存储在所述存储器20中，并由所述处理器10执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述处理器10可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器10也可以是任何常规的处理器，所述处理器10是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。
所述存储器20主要包括程序存储区和数据存储区，其中，程序存储区可存储操作装置、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器20可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡和闪存卡(Flash Card)等，或所述存储器20也可以是其他易失性固态存储器件。
需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，图5结构框图仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。
综上，本发明实施例所提供的一种数据空间分辨率提高方法、装置、计算机可读存储介质及终端设备，首先将获取的预设时间段内的AVHRR NDVI数据及MODSI NDVI数据进行数据预处理，以得到月尺度数据；将所述月尺度数据输入尺度变换模型进行降尺度处理；对降尺度处理后的尺度数据进行误差分析，并根据分析结果对所述尺度变换模型进行优化。相比现有技术，本发明能够将某一地区的AVHRR NDVI低分辨率的空间尺度转变为MODISNDVI数据高分辨率的空间尺度，提高数据的精度，增加其可用性。
以上所述仅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，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (8)
1.一种数据空间分辨率提高方法，其特征在于，所述方法包括：
将获取的预设时间段内的AVHRR NDVI数据及MODSI NDVI数据进行数据预处理，以得到月尺度数据；
将所述月尺度数据输入尺度变换模型进行降尺度处理；
对降尺度处理后的尺度数据进行误差分析，并根据分析结果对所述尺度变换模型进行优化；
所述尺度变换模型为：
NDVIH,x,y,t＝NDVIH,x,y,bl×(1+Kx,y,t×RCVx,y)+εx,y,t
RCVx,y＝modis_CV/avhrr_CV
Kx,y,t＝(NDVIL,x,y,t-NDVIL,x,y,bl)/NDVIL,x,y,bl
其中，NDVIH,x,y,t为降尺度后像素x，y和时间t的高分辨率NDVI，NDVIH,x,y,bl为基准基时期x，y像素的MODIS NDVI的中位数，NDVIL,x,y,t为降尺度前像素x，y和时间t的低分辨率NDVI，NDVIL,x,y,bl为基线时期x，y像素的AVHRR NDVI的中位数，modis_CV、avhrr_CV为MODISNDVI与AVHRR NDVI的变异系数值，RCVx,y为两种数据变异系数比值，εx,y,t为随机差异值。
2.如权利要求1所述的数据空间分辨率提高方法，其特征在于，所述尺度变换模型的获取方法包括：
通过每月植被与基准期的相对变化率得到AVHRR NDVI数据的粗分辨率时间投影信息；
分别根据高分辨率MODIS NDVI和粗分辨率AVHRR NDVI各自标准差与平均值得出变异系数，用两种变异系数的比值表征高分辨率空间投影信息；
根据随机差异值与所述粗分辨率时间投影信息、高分辨率空间投影信息得到所述尺度变换模型。
3.如权利要求1所述的数据空间分辨率提高方法，其特征在于，将获取的预设时间段内的AVHRR NDVI数据及MODSI NDVI数据进行数据预处理，具体为，
获取预设时间段内的AVHRR NDVI数据及MODSI NDVI数据；
对所述AVHRR NDVI数据及MODSI NDVI数据进行数据清洗及校正后得到月尺度数据。
4.一种数据空间分辨率提高装置，其特征在于，所述装置包括：
数据处理模块，用于将获取的预设时间段内的AVHRR NDVI数据及MODSI NDVI数据进行数据预处理，以得到月尺度数据；
尺度处理模块，用于将所述月尺度数据输入尺度变换模型进行降尺度处理；
模型优化模块，用于对降尺度处理后的尺度数据进行误差分析，并根据分析结果对所述尺度变换模型进行优化；
所述尺度变换模型为：
NDVIH,x,y,t＝NDVIH,x,y,bl×(1+Kx,y,t×RCVx,y)+εx,y,t
RCVx,y＝modis_CV/avhrr_CV
Kx,y,t＝(NDVIL,x,y,t-NDVIL,x,y,bl)/NDVIL,x,y,bl
其中，NDVIH,x,y,t为降尺度后像素x，y和时间t的高分辨率NDVI，NDVIH,x,y,bl为基准基时期x，y像素的MODIS NDVI的中位数，NDVIL,x,y,t为降尺度前像素x，y和时间t的低分辨率NDVI，NDVIL,x,y,bl为基线时期x，y像素的AVHRR NDVI的中位数，modis_CV、avhrr_CV为MODISNDVI与AVHRR NDVI的变异系数值，RCVx,y为两者变异系数比值，εx,y,t为随机差异值。
5.如权利要求4所述的数据空间分辨率提高装置，其特征在于，所述尺度处理模块具体用于，
通过每月植被与基准期的相对变化率得到AVHRR NDVI数据的粗分辨率时间投影信息；
分别根据高分辨率MODIS NDVI和粗分辨率AVHRR NDVI各自标准差与平均值得出变异系数，用两种变异系数的比值表征高分辨率空间投影信息；
根据随机差异值与所述粗分辨率时间投影信息、高分辨率空间投影信息得到所述尺度变换模型。
6.如权利要求4所述的数据空间分辨率提高装置 ，其特征在于，所述数据处理模块，具体用于，
获取预设时间段内的AVHRR NDVI数据及MODSINDVI数据；
对所述AVHRR NDVI数据及MODSINDVI数据进行数据清洗及校正后得到月尺度数据。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1至3中任一项所述的数据空间分辨率提高方法。
8.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如权利要求1至3中任一项所述的数据空间分辨率提高方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110262552.XA CN113077384B (zh) | 2021-03-10 | 2021-03-10 | 一种数据空间分辨率提高方法、装置、介质及终端设备 |
| LU501209A LU501209B1 (en) | 2021-03-10 | 2022-01-05 | Method and apparatus for improving spatial resolution of data, computer-readable storage medium, and terminal device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110262552.XA CN113077384B (zh) | 2021-03-10 | 2021-03-10 | 一种数据空间分辨率提高方法、装置、介质及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113077384A CN113077384A (zh) | 2021-07-06 |
| CN113077384B true CN113077384B (zh) | 2022-04-29 |
Family
ID=76612444
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110262552.XA Active CN113077384B (zh) | 2021-03-10 | 2021-03-10 | 一种数据空间分辨率提高方法、装置、介质及终端设备 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113077384B (zh) |
| LU (1) | LU501209B1 (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110147617A (zh) * | 2019-05-22 | 2019-08-20 | 西南大学 | 一种基于modis数据对gimms数据进行延长的方法 |
| CN116975784B (zh) * | 2023-09-19 | 2023-12-29 | 四川省水利科学研究院 | 一种高时空分辨率mpdi数据集构建方法、系统及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110363246A (zh) * | 2019-07-18 | 2019-10-22 | 滨州学院 | 一种高时空分辨率植被指数ndvi的融合方法 |
| CN111523451A (zh) * | 2020-04-22 | 2020-08-11 | 重庆邮电大学 | 一种构建高时空分辨率ndvi数据的方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20020030466A (ko) * | 2000-10-18 | 2002-04-25 | 김상두 | 웨이브릿과 내용기반검색을 이용한 자동감시시스템 |
| US20130202177A1 (en) * | 2010-06-30 | 2013-08-08 | Medic Vision - Imaging Solutions Ltd. | Non-linear resolution reduction for medical imagery |
| CN109060133B (zh) * | 2018-05-31 | 2020-06-05 | 北京师范大学 | 遥感地表温度降尺度算法 |
| CN109753916B (zh) * | 2018-12-28 | 2021-05-04 | 厦门理工学院 | 一种归一化差分植被指数尺度转换模型构建方法及装置 |
-
2021
- 2021-03-10 CN CN202110262552.XA patent/CN113077384B/zh active Active
-
2022
- 2022-01-05 LU LU501209A patent/LU501209B1/en active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110363246A (zh) * | 2019-07-18 | 2019-10-22 | 滨州学院 | 一种高时空分辨率植被指数ndvi的融合方法 |
| CN111523451A (zh) * | 2020-04-22 | 2020-08-11 | 重庆邮电大学 | 一种构建高时空分辨率ndvi数据的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113077384A (zh) | 2021-07-06 |
| LU501209B1 (en) | 2022-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Han et al. | Modeling maize above-ground biomass based on machine learning approaches using UAV remote-sensing data | |
| Wu et al. | An effective method to compute the box-counting dimension based on the mathematical definition and intervals | |
| Ling et al. | Super-resolution land-cover mapping using multiple sub-pixel shifted remotely sensed images | |
| CN113077384B (zh) | 一种数据空间分辨率提高方法、装置、介质及终端设备 | |
| CN109545072B (zh) | 地图构建的位姿计算方法、装置、存储介质和系统 | |
| Shi et al. | Spatial downscaling of monthly TRMM precipitation based on EVI and other geospatial variables over the Tibetan Plateau from 2001 to 2012 | |
| CN111126662B (zh) | 基于大数据的灌溉决策制定方法、装置、服务器和介质 | |
| CN111626947B (zh) | 基于生成对抗网络的地图矢量化样本增强方法及系统 | |
| AU2020264142A1 (en) | Refined average for zoning method and system | |
| CN112285808B (zh) | 一种aphrodite降水数据的降尺度方法 | |
| Oehmcke et al. | Deep point cloud regression for above-ground forest biomass estimation from airborne LiDAR | |
| CN116012263A (zh) | 一种图像噪声去除方法、装置、存储介质及电子设备 | |
| CN105893590A (zh) | 一种用于数字地形分析建模知识案例化自动处理方法 | |
| Palacios-Rodríguez et al. | Generalized Pareto processes for simulating space-time extreme events: an application to precipitation reanalyses | |
| Mateus et al. | Assessment of two techniques to merge ground-based and TRMM rainfall measurements: a case study about Brazilian Amazon Rainforest | |
| CN117710833A (zh) | 基于云计算的测绘地理信息数据采集方法及相关装置 | |
| CN116523145B (zh) | 光伏功率超短期预测方法、装置、计算机设备及存储介质 | |
| Wu et al. | A fast and robust method of calculating RFM parameters for satellite imagery | |
| Norris et al. | Monte Carlo Bayesian inference on a statistical model of sub‐gridcolumn moisture variability using high‐resolution cloud observations. Part 1: Method | |
| CN111460965B (zh) | 一种基于无人机影像的涝渍区智能分析系统及其方法 | |
| Kojima et al. | Causes of the apparent scale independence of fractal indices associated with forest fragmentation in Bolivia | |
| CN105404893A (zh) | 一种基于理想正则化组合核的高光谱图像分类方法及系统 | |
| Hashemi et al. | Yield estimation from SAR data using patch-based deep learning and machine learning techniques | |
| CN110837913B (zh) | 一种基于极端梯度算法的陆地水储量预测方法及设备 | |
| CN116614484B (zh) | 基于结构增强的异质数据联邦学习方法及相关设备 |
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 |