CN113689414A - 一种高寒地区长时间序列高频率ndvi生成方法和装置 - Google Patents

一种高寒地区长时间序列高频率ndvi生成方法和装置 Download PDF

Info

Publication number
CN113689414A
CN113689414A CN202111005940.6A CN202111005940A CN113689414A CN 113689414 A CN113689414 A CN 113689414A CN 202111005940 A CN202111005940 A CN 202111005940A CN 113689414 A CN113689414 A CN 113689414A
Authority
CN
China
Prior art keywords
image
time
landsat
cloud
result
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
Application number
CN202111005940.6A
Other languages
English (en)
Other versions
CN113689414B (zh
Inventor
孙元帅
郝明
石磊
邹兰兰
孟庆友
孟庆俊
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.)
China University of Mining and Technology CUMT
Dalai Nur Coal Industry Co Ltd
Original Assignee
China University of Mining and Technology CUMT
Dalai Nur Coal Industry Co Ltd
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 China University of Mining and Technology CUMT, Dalai Nur Coal Industry Co Ltd filed Critical China University of Mining and Technology CUMT
Priority to CN202111005940.6A priority Critical patent/CN113689414B/zh
Publication of CN113689414A publication Critical patent/CN113689414A/zh
Application granted granted Critical
Publication of CN113689414B publication Critical patent/CN113689414B/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
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/40—Scaling the whole image or part thereof
    • G06T3/4007—Interpolation-based scaling, e.g. bilinear interpolation
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种高寒地区长时间序列高频NDVI生成方法和装置，利用时空融合和影像去云相结合方式来弥补缺失遥感影像，实现长时间序列高频率NDVI的计算。采用本发明的技术方案，以克服高寒地区植被生长期短、可使用影像时间受限、高质量遥感影像缺失，无法计算长时间序列NDVI的缺陷。

Description

一种高寒地区长时间序列高频率NDVI生成方法和装置
技术领域
本发明属于遥感技术领域，尤其涉及一种高寒地区长时间序列高频率NDVI生成方法和装置。
背景技术
归一化植被指数(NDVI)是植被生长状态及植被覆盖度的最佳指示因子。许多研究表明植被生长周期内的NDVI对于降水量、CO2浓度的季节性变化和地理位置的变化均有反映。因此，NDVI可以作为监测植被和生态环境变化的有效指标。
现有长时间序列遥感影像数据主要有MODIS影像和Landsat影像，MODIS影像时间分辨率高，在植被生长期内可用影像较多，但空间分辨率不足，不适用于小范围区域内NDVI计算；Landsat有较高的空间分辨率，可以满足小范围区域内NDVI的计算要求，但其时间分辨率较低，每月仅有2景影像。但高寒地区只有7-9月较为短暂的植被生长期，且受多云雨天气影响，常出现可用Landsat影像受限、高质量影像缺失的问题，导致无法计算长时间序列高频率NDVI，无法对植被覆盖情况进行高时间频率监测。为实现高寒地区长时间序列高频率NDVI的计算，亟需一种适用于高寒地区长时间序列高频率NDVI的计算方法。
发明内容
本发明要解决的技术问题是，提供一种高寒地区长时间序列高频率NDVI生成方法和装置，以克服针对高寒地区植被生长期短、可使用影像时间受限、高质量遥感影像缺失，无法计算长时间序列NDVI的缺陷。
为实现上述目的，本发明采用如下的技术方案：
一种高寒地区长时间序列高频NDVI生成方法，包括以下步骤：
步骤1、对于T2时刻缺失Landsat-8影像的情况，获取T1和T2时刻低空间分辨率高时间分辨率的MODIS数据和T1时刻高空间分辨率低时间分辨率的Landsat-8数据；
步骤2、将步骤1中的T1和T2时刻低空间分辨率高时间分辨率的MODIS数据以及T1时刻高空间分辨率低时间分辨率的Landsat-8数据利用亚像元类分数变化信息的融合方法进行时空融合，得到T2时刻的Landsat-8数据；
步骤3、对于T2时刻缺失Landsat-8影像的情况，采用Sentinel-2卫星影像填补缺失的Landsat-8影像；
步骤4、对于T2时刻存在Landsat-8影像但有云阴影覆盖的情况，利用邻域相似像素插值方法将含云的Landsat-8影像进行去云处理，得到去云后的结果；
步骤5、对步骤2中时空融合的结果、步骤3中Sentinel-2卫星影像和步骤4影像去云的结果分别进行影像矫正；
步骤6、根据所述三个影像矫正结果分别计算NDVI。
作为优选，步骤2具体为：
步骤21、估计T1时刻精细图像的端元与类丰度；
步骤22、估计T2时刻精细图像的端元与类别分数；
步骤23、根据类丰度和类别分数确定从T1到T2的端元变化和亚像元覆盖率变化信息，同时对T2处的精细图像进行时间预测；
步骤24、采用空间预测策略来修正所述时间预测，得到SFSDAF的预测结果，即T2时刻的Landsat-8数据。
作为优选，步骤4具体为：
步骤41、采用自适应的移动窗口搜索方法来选取邻域相似像素；
步骤42、根据相似像素的权重，并且利用目标图像中所有相似像素的加权平均，对目标像素进行预测；
步骤43、根据预测结果，将含云的Landsat-8影像进行去云处理，得到去云后的结果。
作为优选，对时空融合结果进行矫正具体包括：
首先将T1时刻时空融合的结果与T1时刻原始影像利用FCM算法做变化检测，得到变化检测结果，将变化区域和未变化区域分别与原始影像建立线性模型；然后再将T2时刻时空融合的结果与T2时刻原始影像利用FCM算法做变化检测，得到变化检测结果；最后将在T1时刻求得的线性模型分别应用于T2时刻时空融合结果的变化区域和未变化区域，预测T2时刻的Landsat-8影像，实现对T2时刻时空融合结果的矫正。
作为优选，对Sentinel-2卫星影像进行矫正具体为：
首先将T1时刻Sentinel-2卫星影像与T1时刻原始影像建立线性模型，然后再将在T1时刻求得的线性模型应用于T2时刻Sentinel-2卫星影像，预测T2时刻的Landsat-8影像，实现对T2时刻Sentinel-2卫星影像的矫正。
作为优选，对含云影像去云处理后的结果进行矫正具体为：
将无云区域的像元与原始影像对应区域建立线性模型，求得模型后将其应用于有云覆盖并去云后的区域，实现对影像去云结果的矫正。
本发明还提供一种高寒地区长时间序列高频NDVI生成装置，包括：
第一处理模块，用于对于T2时刻缺失Landsat-8影像的情况，对T1和T2时刻低空间分辨率高时间分辨率的MODIS数据和T1时刻高空间分辨率低时间分辨率的Landsat-8数据，利用亚像元类分数变化信息的融合方法进行时空融合，得到T2时刻的Landsat-8数据；
第二处理模块，用于对于T2时刻缺失Landsat-8影像的情况，采用Sentinel-2卫星影像填补缺失的Landsat-8影像；
第三处理模块，用于对于T2时刻存在Landsat-8影像但有云阴影覆盖的情况，利用邻域相似像素插值方法将含云的Landsat-8影像进行去云处理，得到去云后的结果；
矫正模块，用于对时空融合的结果、Sentinel-2卫星影像和影像去云的结果分别进行影像矫正；
计算模块，用于根据所述三个影像矫正结果分别计算NDVI。
作为优选，第一处理模块包括：
第一估计单元，用于估计T1时刻精细图像的端元与类丰度；
第二估计单元，用于估计T2时刻精细图像的端元与类别分数；
第一预测单元，用于根据类丰度和类别分数确定从T1到T2的端元变化和亚像元覆盖率变化信息，同时对T2处的精细图像进行时间预测；
修正单元，用于采用空间预测策略来修正所述时间预测，得到SFSDAF的预测结果，即T2时刻的Landsat-8数据。
作为优选，第三处理模块包括：
搜索单元，用于采用自适应的移动窗口搜索方法来选取邻域相似像素；
第二预测单元，用于根据相似像素的权重，并且利用目标图像中所有相似像素的加权平均，对目标像素进行预测；
去云单元，用于根据预测结果，将含云的Landsat-8影像进行去云处理，得到去云后的结果。
本发明的高寒地区长时间序列高频率NDVI生成方法和装置，利用时空融合和影像去云相结合方式来弥补缺失遥感影像，从而实现长时间序列高频率NDVI的计算。
附图说明
图1为本发明高寒地区长时间序列高频率NDVI生成方法流程图；
图2为本发明高寒地区长时间序列高频率NDVI生成装置的结构示意图。
具体实施方式
如图1所示，本发明提供一种高寒地区长时间序列高频率NDVI生成方法，其特征在于包括以下步骤：
步骤1：数据获取：针对T2时刻缺失Landsat-8影像的情况，获取T1和T2时刻低空间分辨率且高时间分辨率的MODIS数据和T1时刻高空间分辨率且低时间分辨率的Landsat-8数据。
步骤2：时空融合：将步骤1中的三幅影像利用亚像元类分数变化信息的融合方法(SFSDAF)进行时空融合，得到T2时刻的Landsat-8数据。
步骤3：针对T2时刻缺失Landsat-8影像的情况，采用Sentinel-2卫星影像填补缺失的Landsat-8影像。
步骤4：影像去云：针对T2时刻存在Landsat-8影像但有云阴影覆盖的情况，利用邻域相似像素插值(Neighborhood Similar Pixel Interpolation,NSPI)将含云的Landsat-8影像进行去云处理，得到去云后的结果。
步骤5：结果矫正：对步骤2中时空融合的结果、步骤3中Sentinel-2卫星影像和步骤4影像去云的结果分别使用不同的方法进行线性拟合，实现影像矫正并计算其与原始影像间的均方根误差和相关系数。
步骤6：计算NDVI：利用步骤5中矫正的结果，分别计算NDVI。
进一步，步骤2中采用SFSDAF的方法进行时空融合，该方法不仅直接推导端元变化来表示物候变化，而且还直接在精细像素中推导亚像元土地覆盖类分数变化以适应土地覆盖类型的变化以及精细图像比例下是否存在混合像元。该方法有四个步骤：
步骤21、估计T1时刻精细图像的端元与类丰度。先使用非监督分类算法(K-means)将T1时刻Landsat-8影像FR聚类为土地覆盖图，在生成土地覆盖图之后，每个端元的反射率是聚类图中像素的平均值。非监督分类产生的是一种硬分类图，在SFSDAF中，需要生成软分类图以指示亚像元尺度的土地覆盖信息，类丰度计算如下：
Figure BDA0003237217070000051
其中，v(xij，yij，t1)是T1时刻FR中(xij，yij)处的反射向量，μ(c，t1)是T1时刻第c个簇中心。
步骤22、估计T2时刻精细图像端元与类别分数。首先对计算了两个不同时间点粗略图像的类别分数，并得到了在研究时间段内地表事物在粗略图像尺度上的类别分数变化。然后利用双三次插值法将粗略尺度的类别分数变化插值到精细尺度上，并使用了基于空间距离的加权策略来修正所得到的精细尺度的类别分数变化。之后利用粗略图像的时间差异和类别分数来计算端元的变化。
步骤23、同时考虑从T1到T2的端元变化和亚像元覆盖率变化信息，对T2处的精细图像进行时间预测。
Figure BDA0003237217070000061
其中，
Figure BDA0003237217070000062
表示T1处第b波段的FR反射率，
Figure BDA0003237217070000063
表示T2时刻FR图像地物覆盖率与端元的反射率，
Figure BDA0003237217070000064
则对应的表示T1时刻。
步骤24、与经典的融合算法FSDAF相似，引入空间预测策略来修正步骤23产生的时间预测，就得到了SFSDAF的最终预测结果。
Figure BDA0003237217070000065
其中，
Figure BDA0003237217070000066
表示T1时刻第b波段的FR反射率，ΔRFR(xk，yk，b)表示FR总反射率变化。
进一步，步骤4中利用NSPI方法对含云影像进行去云处理时，采用自适应的移动窗口搜索方法来选取邻域相似像素。将含云的影像定义为目标影像，而选择填充目标图像中含云区域的其他图像称为输入影像。
首先，获取与目标影像日期接近的Landsat-8影像作为输入影像；
然后，采用自适应的移动窗口搜索方法来选择邻近相似像元。假设在含云区域附近的相同土地覆盖像元与目标缺失像元具有相似的光谱特征和时间变化规律，根据光谱相似性从共同像素中选择相似像素。将光谱相似性定义为每个公共像素(目标和输入图像中均为有效值的含云区域外的所有公共像素)与目标像素(位于目标图像含云区域中没有有效值的像素)之间的均方根偏差(RMSD)。
Figure BDA0003237217070000071
其中，L(xi,yi,t1,b)是t1时刻获取的输入图像在b波段(xi,yi)处的第i个公共像素的值，L(x,y,t1,b)是目标图像的对应值，n是光谱波段数。
然后，使用一个阈值来识别RMSD值低于阈值的类似像素。阈值可以由输入图像的像素群的标准差和估计的土地覆盖类别的数量来确定。如果第i个公共像素的RMSD满足下式，则选择第i个公共像素作为相似像素：
Figure BDA0003237217070000072
其中，σ(b)为波段的整个输入图像的标准差，m为类数。估计的类数量(m)需要预定义。这个值是一个经验阈值，随着景观的复杂性而变化。它可以通过对输入图像的目视解译来估计，或者使用先前的土地覆盖地图。在这个实验中，本发明使用m的值为5。
然后，计算相似像素的权重。所有相似像素点的信息可以用来预测目标像素点的值。然而，相似像素的贡献可能会有所不同，因为一些相似像素比其他相似像素更有可能与目标像素在光谱上具有可比性。权重Wj决定了第j个相似像素对预测目标像素值的贡献。这是由相似像素的位置和相似像素与目标像素之间的光谱相似性决定的。光谱相似性越高，与目标像素的距离越小，该像素的权值越高。计算第j个相似像素(xj,yj)与目标像素(x,y)之间的地理距离Dj：
Figure BDA0003237217070000073
光谱相似度由每个相似像元与目标像元之间的RMSD决定。结合光谱相似性和地理距离，综合指数CD可计算为：
CDj＝RMSDj×Dj
相似像素CD值越大，对目标像素的计算值的贡献就越小，所以用CD的归一化倒数作为权重Wj:
Figure BDA0003237217070000081
最后，计算目标像素值。每个相似像素所提供的信息的可靠性可能是不同的，相似像素的权重越大，越可靠。据此，利用目标图像中所有相似像素的加权平均，对目标像素进行预测：
Figure BDA0003237217070000082
进一步，步骤5结果矫正中对步骤2中时空融合的结果、步骤3中Sentinel-2卫星影像和步骤4影像去云的结果分别进行矫正。
(1)对时空融合结果进行矫正。将T1时刻时空融合的结果与T1时刻原始影像利用FCM算法做变化检测，得到变化检测结果，将变化区域和未变化区域分别与原始影像建立线性模型。然后再将T2时刻时空融合的结果与T2时刻原始影像利用FCM算法做变化检测，得到变化检测结果，最后将在T1时刻求得的线性模型分别应用于T2时刻时空融合结果的变化区域和未变化区域，从而预测T2时刻的Landsat-8影像，实现对T2时刻时空融合结果的矫正，将矫正结果与T2时刻原始影像作对比，计算其均方根误差和相关系数。
(2)对Sentinel-2卫星影像进行矫正。利用Sentinel-2卫星影像填补缺失的Landsat-8影像，由于是异源遥感影像，要对其进行传感器间的矫正。将T1时刻Sentinel-2卫星影像与T1时刻原始影像建立线性模型，然后再将在T1时刻求得的线性模型应用于T2时刻Sentinel-2卫星影像，从而预测T2时刻的Landsat-8影像，实现对T2时刻Sentinel-2卫星影像的矫正，将矫正结果与T2时刻原始影像作对比，计算其均方根误差和相关系数。
(3)对含云影像去云处理后的结果进行矫正。将无云区域的像元与原始影像对应区域建立线性模型，求得模型后将其应用于有云覆盖并去云后的区域，实现对影像去云结果的矫正，最后计算影像去云并矫正的结果与原始影像间的均方根误差和相关系数。
如图2所示，本发明还提供一种高寒地区长时间序列高频NDVI生成装置，包括：
第一处理模块，用于对于T2时刻缺失Landsat-8影像的情况，对T1和T2时刻低空间分辨率高时间分辨率的MODIS数据和T1时刻高空间分辨率低时间分辨率的Landsat-8数据，利用亚像元类分数变化信息的融合方法进行时空融合，得到T2时刻的Landsat-8数据；
第二处理模块，用于对于T2时刻缺失Landsat-8影像的情况，采用Sentinel-2卫星影像填补缺失的Landsat-8影像；
第三处理模块，用于对于T2时刻存在Landsat-8影像但有云阴影覆盖的情况，利用邻域相似像素插值方法将含云的Landsat-8影像进行去云处理，得到去云后的结果；
矫正模块，用于对时空融合的结果、Sentinel-2卫星影像和影像去云的结果分别进行影像矫正；
计算模块，用于根据所述三个影像矫正结果分别计算NDVI。
进一步，第一处理模块包括：
第一估计单元，用于估计T1时刻精细图像的端元与类丰度；
第二估计单元，用于估计T2时刻精细图像的端元与类别分数；
第一预测单元，用于根据类丰度和类别分数确定从T1到T2的端元变化和亚像元覆盖率变化信息，同时对T2处的精细图像进行时间预测；
修正单元，用于采用空间预测策略来修正所述时间预测，得到SFSDAF的预测结果，即T2时刻的Landsat-8数据。
进一步，第三处理模块包括：
搜索单元，用于采用自适应的移动窗口搜索方法来选取邻域相似像素；
第二预测单元，用于根据相似像素的权重，并且利用目标图像中所有相似像素的加权平均，对目标像素进行预测；
去云单元，用于根据预测结果，将含云的Landsat-8影像进行去云处理，得到去云后的结果。
实施例1：
采用2020年不同时期获取的MODIS和Landsat-8卫星数据进行时空融合的实验，Sentinel-2卫星数据用来填补缺失的Landsat-8影像，数据详细信息如表1所示，采用遥感影像的红波段和近红外波段进行NDVI的计算，研究区域为扎赉诺尔灵泉露天煤矿。
表1遥感影像数据信息
Figure BDA0003237217070000101
本发明为高寒地区长时间序列高频NDVI生成方法——以扎赉诺尔灵泉露天煤矿为例，包括以下步骤：
步骤1：数据获取。针对T2时刻缺失Landsat-8影像的情况，获取T1和T2时刻低空间分辨率高时间分辨率的MODIS数据和T1时刻高空间分辨率低时间分辨率的Landsat-8数据。
步骤2：时空融合。将步骤1中的三幅影像利用亚像元类分数变化信息的融合方法(SFSDAF)进行时空融合，得到T2时刻的Landsat-8数据。该方法首先在T1时刻估计精细图像的端元与类丰度；然后估计T2处的精细图像端元与类别分数；同时考虑从T1到T2的端元变化和亚像元覆盖率变化信息，对T2处的精细图像进行时间预测；最后引入空间预测策略来修正上述预测，从而得到SFSDAF的最终预测结果。
步骤3：针对T2时刻缺失Landsat-8影像的情况，采用Sentinel-2卫星影像填补缺失的Landsat-8影像。
步骤4：影像去云。针对T2时刻存在Landsat-8影像但有云阴影覆盖的情况，利用邻域相似像素插值(Neighborhood Similar Pixel Interpolation,NSPI)，采用自适应的移动窗口搜索方法来选取邻域相似像素，通过计算相似像素的权重，利用目标图像中所有相似像素的加权平均，对目标像素进行预测，最终将含云的Landsat-8影像进行去云处理，得到去云后的结果。
步骤5：结果矫正。对步骤2中时空融合的结果、步骤3中Sentinel-2卫星影像和步骤4影像去云的结果分别使用不同的方法与原始影像进行线性拟合。
最后，计算其与原始影像间的均方根误差和相关系数，结果如表2所示，根据相关系数的评判标准，大于0.8认为高度相关，因此，可以一定程度上解决可用Landsat影像受限，高质量影像缺失，导致无法计算长时间序列高频率NDVI的问题。
表2矫正结果分析
时空融合 Sentinel-2 影像去云
均方根误差(RMSE) 0.1328 0.1074 0.1153
相关系数(r) 0.8864 0.9357 0.8996
步骤6：计算NDVI。利用步骤5中矫正的结果，分别计算NDVI。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种高寒地区长时间序列高频NDVI生成方法，其特征在于，包括以下步骤：
步骤1、对于T2时刻缺失Landsat-8影像的情况，获取T1和T2时刻低空间分辨率高时间分辨率的MODIS数据和T1时刻高空间分辨率低时间分辨率的Landsat-8数据；
步骤2、将步骤1中的T1和T2时刻低空间分辨率高时间分辨率的MODIS数据以及T1时刻高空间分辨率低时间分辨率的Landsat-8数据利用亚像元类分数变化信息的融合方法进行时空融合，得到T2时刻的Landsat-8数据；
步骤3、对于T2时刻缺失Landsat-8影像的情况，采用Sentinel-2卫星影像填补缺失的Landsat-8影像；
步骤4、对于T2时刻存在Landsat-8影像但有云阴影覆盖的情况，利用邻域相似像素插值方法将含云的Landsat-8影像进行去云处理，得到去云后的结果；
步骤5、对步骤2中时空融合的结果、步骤3中Sentinel-2卫星影像和步骤4影像去云的结果分别进行影像矫正；
步骤6、根据所述三个影像矫正结果分别计算NDVI。
2.根据权利要求1所述的高寒地区长时间序列高频NDVI生成方法，其特征在于，步骤2具体为：
步骤21、估计T1时刻精细图像的端元与类丰度；
步骤22、估计T2时刻精细图像的端元与类别分数；
步骤23、根据类丰度和类别分数确定从T1到T2的端元变化和亚像元覆盖率变化信息，同时对T2处的精细图像进行时间预测；
步骤24、采用空间预测策略来修正所述时间预测，得到SFSDAF的预测结果，即T2时刻的Landsat-8数据。
3.根据权利要求1所述的高寒地区长时间序列高频NDVI生成方法，其特征在于，步骤4具体为：
步骤41、采用自适应的移动窗口搜索方法来选取邻域相似像素；
步骤42、根据相似像素的权重，并且利用目标图像中所有相似像素的加权平均，对目标像素进行预测；
步骤43、根据预测结果，将含云的Landsat-8影像进行去云处理，得到去云后的结果。
4.根据权利要求1所述的高寒地区长时间序列高频NDVI生成方法，其特征在于，对时空融合结果进行矫正具体包括：
首先将T1时刻时空融合的结果与T1时刻原始影像利用FCM算法做变化检测，得到变化检测结果，将变化区域和未变化区域分别与原始影像建立线性模型；然后再将T2时刻时空融合的结果与T2时刻原始影像利用FCM算法做变化检测，得到变化检测结果；最后将在T1时刻求得的线性模型分别应用于T2时刻时空融合结果的变化区域和未变化区域，预测T2时刻的Landsat-8影像，实现对T2时刻时空融合结果的矫正。
5.根据权利要求1所述的高寒地区长时间序列高频NDVI生成方法，其特征在于，对Sentinel-2卫星影像进行矫正具体为：
首先将T1时刻Sentinel-2卫星影像与T1时刻原始影像建立线性模型，然后再将在T1时刻求得的线性模型应用于T2时刻Sentinel-2卫星影像，预测T2时刻的Landsat-8影像，实现对T2时刻Sentinel-2卫星影像的矫正。
6.根据权利要求1所述的高寒地区长时间序列高频NDVI生成方法，其特征在于，对含云影像去云处理后的结果进行矫正具体为：
将无云区域的像元与原始影像对应区域建立线性模型，求得模型后将其应用于有云覆盖并去云后的区域，实现对影像去云结果的矫正。
7.一种高寒地区长时间序列高频NDVI生成装置，其特征在于，包括：
第一处理模块，用于对于T2时刻缺失Landsat-8影像的情况，对T1和T2时刻低空间分辨率高时间分辨率的MODIS数据和T1时刻高空间分辨率低时间分辨率的Landsat-8数据，利用亚像元类分数变化信息的融合方法进行时空融合，得到T2时刻的Landsat-8数据；
第二处理模块，用于对于T2时刻缺失Landsat-8影像的情况，采用Sentinel-2卫星影像填补缺失的Landsat-8影像；
第三处理模块，用于对于T2时刻存在Landsat-8影像但有云阴影覆盖的情况，利用邻域相似像素插值方法将含云的Landsat-8影像进行去云处理，得到去云后的结果；
矫正模块，用于对时空融合的结果、Sentinel-2卫星影像和影像去云的结果分别进行影像矫正；
计算模块，用于根据所述三个影像矫正结果分别计算NDVI。
8.根据权利要求7所述的高寒地区长时间序列高频NDVI生成装置，其特征在于，第一处理模块包括：
第一估计单元，用于估计T1时刻精细图像的端元与类丰度；
第二估计单元，用于估计T2时刻精细图像的端元与类别分数；
第一预测单元，用于根据类丰度和类别分数确定从T1到T2的端元变化和亚像元覆盖率变化信息，同时对T2处的精细图像进行时间预测；
修正单元，用于采用空间预测策略来修正所述时间预测，得到SFSDAF的预测结果，即T2时刻的Landsat-8数据。
9.根据权利要求7所述的高寒地区长时间序列高频NDVI生成装置，其特征在于，第三处理模块包括：
搜索单元，用于采用自适应的移动窗口搜索方法来选取邻域相似像素；
第二预测单元，用于根据相似像素的权重，并且利用目标图像中所有相似像素的加权平均，对目标像素进行预测；
去云单元，用于根据预测结果，将含云的Landsat-8影像进行去云处理，得到去云后的结果。
CN202111005940.6A 2021-08-30 2021-08-30 一种高寒地区长时间序列高频率ndvi生成方法和装置 Active CN113689414B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111005940.6A CN113689414B (zh) 2021-08-30 2021-08-30 一种高寒地区长时间序列高频率ndvi生成方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111005940.6A CN113689414B (zh) 2021-08-30 2021-08-30 一种高寒地区长时间序列高频率ndvi生成方法和装置

Publications (2)

Publication Number Publication Date
CN113689414A true CN113689414A (zh) 2021-11-23
CN113689414B CN113689414B (zh) 2023-12-15

Family

ID=78584042

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111005940.6A Active CN113689414B (zh) 2021-08-30 2021-08-30 一种高寒地区长时间序列高频率ndvi生成方法和装置

Country Status (1)

Country Link
CN (1) CN113689414B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117611470A (zh) * 2024-01-18 2024-02-27 之江实验室 一种多时相红外图像融合方法、装置和介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103678914A (zh) * 2013-12-16 2014-03-26 中国科学院遥感与数字地球研究所 基于卫星遥感数据的高寒草地土壤呼吸估算方法
CN104820970A (zh) * 2015-04-15 2015-08-05 北京空间机电研究所 基于在轨分类统计的红外影像相对辐射矫正方法
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
WO2019157348A1 (en) * 2018-02-09 2019-08-15 The Board Of Trustees Of The University Of Illinois A system and method to fuse multiple sources of optical data to generate a high-resolution, frequent and cloud-/gap-free surface reflectance product
CN110569815A (zh) * 2019-09-12 2019-12-13 南京邮电大学 基于改进灰度不均匀矫正的指静脉图像特征提取算法
CN110751727A (zh) * 2019-10-30 2020-02-04 南京林业大学 一种基于Landsat长时间序列的合成图像构建方法
CN110853026A (zh) * 2019-11-16 2020-02-28 四创科技有限公司 一种融合深度学习与区域分割的遥感影像变化检测方法
CN111798394A (zh) * 2020-06-30 2020-10-20 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
CN112017135A (zh) * 2020-07-13 2020-12-01 香港理工大学深圳研究院 一种遥感影像数据时空融合的方法、系统及设备
CN112396029A (zh) * 2020-12-03 2021-02-23 宁波大学 一种聚类分割与耦合端元提取协同的高光谱滨海湿地亚像元变化检测方法
CN112669237A (zh) * 2020-12-31 2021-04-16 同济大学 一种Landsat 7 SLC-off条带修复方法
CN112733596A (zh) * 2020-12-01 2021-04-30 中南林业科技大学 一种基于中高空间分辨率遥感影像融合的森林资源变化监测方法及应用

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103678914A (zh) * 2013-12-16 2014-03-26 中国科学院遥感与数字地球研究所 基于卫星遥感数据的高寒草地土壤呼吸估算方法
CN104820970A (zh) * 2015-04-15 2015-08-05 北京空间机电研究所 基于在轨分类统计的红外影像相对辐射矫正方法
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
WO2019157348A1 (en) * 2018-02-09 2019-08-15 The Board Of Trustees Of The University Of Illinois A system and method to fuse multiple sources of optical data to generate a high-resolution, frequent and cloud-/gap-free surface reflectance product
CN110569815A (zh) * 2019-09-12 2019-12-13 南京邮电大学 基于改进灰度不均匀矫正的指静脉图像特征提取算法
CN110751727A (zh) * 2019-10-30 2020-02-04 南京林业大学 一种基于Landsat长时间序列的合成图像构建方法
CN110853026A (zh) * 2019-11-16 2020-02-28 四创科技有限公司 一种融合深度学习与区域分割的遥感影像变化检测方法
CN111798394A (zh) * 2020-06-30 2020-10-20 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
CN112017135A (zh) * 2020-07-13 2020-12-01 香港理工大学深圳研究院 一种遥感影像数据时空融合的方法、系统及设备
CN112733596A (zh) * 2020-12-01 2021-04-30 中南林业科技大学 一种基于中高空间分辨率遥感影像融合的森林资源变化监测方法及应用
CN112396029A (zh) * 2020-12-03 2021-02-23 宁波大学 一种聚类分割与耦合端元提取协同的高光谱滨海湿地亚像元变化检测方法
CN112669237A (zh) * 2020-12-31 2021-04-16 同济大学 一种Landsat 7 SLC-off条带修复方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117611470A (zh) * 2024-01-18 2024-02-27 之江实验室 一种多时相红外图像融合方法、装置和介质
CN117611470B (zh) * 2024-01-18 2024-05-03 之江实验室 一种多时相红外图像融合方法、装置和介质

Also Published As

Publication number Publication date
CN113689414B (zh) 2023-12-15

Similar Documents

Publication Publication Date Title
US10984532B2 (en) Joint deep learning for land cover and land use classification
CN110119728B (zh) 基于多尺度融合语义分割网络的遥感图像云检测方法
EP3614308B1 (en) Joint deep learning for land cover and land use classification
Zhu et al. A new geostatistical approach for filling gaps in Landsat ETM+ SLC-off images
Cao et al. A SVM-based method to extract urban areas from DMSP-OLS and SPOT VGT data
US8913826B2 (en) Advanced cloud cover assessment for panchromatic images
Im et al. A change detection model based on neighborhood correlation image analysis and decision tree classification
Halme et al. Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest
CN102609904B (zh) 双变量非局部平均滤波x射线图像消噪方法
CN108573276A (zh) 一种基于高分辨率遥感影像的变化检测方法
CN110060273B (zh) 基于深度神经网络的遥感影像滑坡测图方法
CN106295562A (zh) 一种高分辨率遥感影像道路信息提取方法
CN112906531B (zh) 一种基于非监督分类的多源遥感影像时空融合方法及系统
S Bhagat Use of remote sensing techniques for robust digital change detection of land: A review
CN112115911A (zh) 一种基于深度学习的轻量型sar图像目标检测方法
US11238307B1 (en) System for performing change detection within a 3D geospatial model based upon semantic change detection using deep learning and related methods
CN110569797A (zh) 地球静止轨道卫星影像山火检测方法、系统及其存储介质
CN115471467A (zh) 一种高分辨率光学遥感影像建筑物变化检测方法
Pradhan et al. Data mining-aided automatic landslide detection using airborne laser scanning data in densely forested tropical areas
CN113378912B (zh) 一种基于深度学习目标检测的林区非法开垦地块检测方法
CN111798394A (zh) 一种基于多年时间序列数据的遥感图像云污染去除方法
Jiang et al. Unmixing-based spatiotemporal image fusion accounting for complex land cover changes
CN113689414A (zh) 一种高寒地区长时间序列高频率ndvi生成方法和装置
Solaimani et al. Land use/cover change detection based on remote sensing data (A case study; Neka Basin)
Voelsen et al. Investigating 2D and 3D convolutions for multitemporal land cover classification using 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