CN114299389B - 一种融合时空信息的Savitzky-Golay滤波降噪并行方法 - Google Patents
一种融合时空信息的Savitzky-Golay滤波降噪并行方法 Download PDFInfo
- Publication number
- CN114299389B CN114299389B CN202111616792.1A CN202111616792A CN114299389B CN 114299389 B CN114299389 B CN 114299389B CN 202111616792 A CN202111616792 A CN 202111616792A CN 114299389 B CN114299389 B CN 114299389B
- Authority
- CN
- China
- Prior art keywords
- ndvi
- data
- quality
- time sequence
- pixels
- 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 67
- 238000001914 filtration Methods 0.000 title claims abstract description 25
- 230000009467 reduction Effects 0.000 title claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 42
- 230000000694 effects Effects 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims abstract description 9
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 230000001932 seasonal effect Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
Classifications
-
- 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
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种融合时空信息的Savitzky‑Golay滤波降噪并行方法，通过融合时空信息利用Savitzky‑Golay(SG)滤波降低MODIS NDVI(植被归一化指数)时序数据中的噪声，减少了对数据质量标志的依赖，通过并行计算快速生成高质量的NDVI时序数据。本发明的有益效果是：有效的解决了现有融合时空信息的Savitzky‑Golay滤波降噪算法所存在的依赖NDVI时序数据质量标记、计算时间过长等问题，能快速生成高质量的NDVI时序数据，以适应大范围的NDVI分析需要，为植被活动监测、土地覆盖分类及植物物候探测等应用提供支持。
Description
技术领域
本发明涉及植被活动监测、土地覆盖分类及植物物候探测等技术领域，尤其涉及一种融合时空信息的Savitzky-Golay滤波降噪并行方法。
背景技术
高质量的归一化植被指数(Normalized Difference Vegetation Index，NDVI)在许多应用中都非常重要，例如植被活动监测、土地覆盖分类及植物物候探测等应用。但是，星载NDVI时序数据产品通常会被较差的大气情况、云层、冰雪等因素污染，即使在生成这些产品时已经通过最大值合成方法减少污染的影响，残余噪声(特别是由云层污染引发的噪声)仍然存在，阻碍了数据的进一步应用。
为减少NDVI时序数据产品的残余噪声，许多降噪方法都被提出，生成高质量的NDVI时序数据。融合时空信息的Savitzky-Golay(Spatial-Temporal Savitzky-Golay，STSG)降噪方法就是其中的一种，但是STSG仍然存在两方面不足：1、STSG过度依赖NDVI数据质量标记以生成季节生长趋势，从而在目标像素的邻域中搜索相似像素，错误的质量标记将导致不准确的季节生长趋势拟合，从而导致不相似像素的时空信息被融合进最终结果降低整体精度；2、STSG是一种计算密集的方法，当处理大区域、长时序的数据时需要大量计算时间，降低了方法的扩展性和应用性，方法中的重复计算也降低了其计算效率。
发明内容
针对现有技术中所存在的数据质量标记依赖问题、计算缓慢问题以及星载NDVI时序数据产品(主要为MODIS产品)中存在的残余噪声问题，本发明提供了一种融合时空信息的Savitzky-Golay(Spatial-Temporal Savitzky-Golay，STSG)滤波降噪并行方法，该方法计算了像素NDVI时序数据的年际相似度以利用相似年份生成季节生长趋势，减少对数据质量标记的依赖，通过并行计算及减少重复计算解决了方法计算缓慢的问题，且能快速生成高质量的NDVI时序数据，以适应大范围的NDVI分析需要，为植被活动监测、土地覆盖分类及植物物候探测等提供高质量的NDVI数据，为MODIS NDVI数据产品去噪。该方法主要包括以下步骤：
S1：在遥感影像中存储有多年NDVI时序数据，该多年NDVI时序数据包含若干目标像素，通过估算法估算出遥感影像每一行目标像素所需的所有临时变量的大小，根据GPU上的可用存储空间将最大数据规格的多年NDVI时序数据与同规格的NDVI数据质量标记传输到GPU显存；
S2：GPU的每个线程负责一个目标像素的计算并读取GPU显存上对应目标像素的原始数据，GPU的多个线程并行地逐一为所有目标像素进行季节生长趋势计算，当某个线程计算结束后则等待，直到所有线程都完成计算后才开始进行步骤S3的计算；
S3：根据步骤S2中得到的季节生长趋势，GPU线程继续以一个线程负责一个目标像素的方式，计算出目标像素与其邻域像素的相似系数，以同样的方法，得到所有目标像素的邻域像素的相似系数，当某个线程计算结束后则等待，直到所有线程都完成计算后才开始进行步骤S4的计算；
S4：根据步骤S4中得到的相似系数，GPU线程继续以一个线程负责一个目标像素的方式，识别出邻域相似像素，并在每个线程上面进行一个目标像素与一个邻域相似像素的融合操作，直到所有目标像素都融合完成，得到初始NDVI时序数据；
S5：将初始NDVI时序数据与所述多年NDVI时序数据进行融合，生成新的融合NDVI时序数据；
S6：通过迭代过程，使用加权SG滤波对所述新的融合NDVI时序数据进行平滑处理，直至得到所有像素的高质量NDVI时序数据；
S7：将所述所有像素的高质量的NDVI时序数据从GPU显存传输回CPU内存，利用上述方法对植被活动监测、土地覆盖分类及植物物候探测中的遥感影像数据进行处理。
进一步地，所述多年NDVI时序数据与NDVI数据质量标记规格一致，每个NDVI时序数据对应一个NDVI数据质量标记。
进一步地，计算每一行目标像素所需的所有临时变量包括三部分：存储所有目标像素的原始数据和临时计算结果的临时变量，存储邻域像素的原始数据和相关系数结果的临时变量和存储所有目标像素的最终结果的临时变量。
进一步地，数据以按行分割的方式分别传输到GPU显存，整个数据被分割成为的数据块的块数等于所述循环数量；每次传输到GPU显存的分割后形成的数据块不相同，数据块包括目标像素行及其上下两部分的邻域像素行，邻域像素的行数由方法的邻域大小确定。
进一步地，所述季节生长趋势计算过程如下：
(1)首先，计算每个像素所有年份的时间序列两两之间的年际余弦相似度，以识别不相似的年份；
(3)再基于滑动窗口计算不相似年份的时间序列与相似年份的余弦相似度，以识别不相似年份中的不准确数据质量标记；
(4)删除不准确数据质量标记后，利用所有年份同一天的高质量NDVI平均值生成NDVI季节生长趋势，利用同样的方法，计算得到所有目标像素的NDVI季节生长趋势。
进一步地，计算每个目标像素所有年份的时间序列两两之间的年际余弦相似度的过程如下：从第1年开始依次计算每年与其余所有年份的高质量NDVI时序数据曲线的余弦相似度，较高的相似度意味着两条曲线较相似，并用该年所有余弦相似度的平均值代表当年相似度，如果该年相似度低于预先设定的阈值或低于该目标像素所有余弦相似度的平均值减去一个标准差，那么该年则被认为是不相似年份。
进一步地，识别不相似年份中的不准确数据质量标记的过程为：从不相似年份的第一天数据开始，依次以当天数据为滑动窗口中心选取其前后等量数据组成滑动窗口，并计算其与所有相似年份的同窗口高质量NDVI时序数据曲线的余弦相似度，并用其平均值代表该窗口相似度，如果相似度低于所有相似年份的平均余弦相似度，那么该中心数据质量标记则被认为是不准确的数据质量标记。
进一步地，生成初始NDVI时序数据的原理如下：
当邻域像素与目标像素的相似系数大于设定的阈值时，该邻域像素被认定为与目标像素相似的像素；
利用最小二乘法求出相似像素与目标像素高质量NDVI时序数据之间的函数关系，其代表两个像素之间NDVI值的关系；
利用归一化方法由邻域相似像素的相似系数求解出各相似像素的权重，以融合邻域相似像素的信息生成初始NDVI时序数据。
进一步地，生成新的融合NDVI时序数据的过程中，原始NDVI时序数据中的高质量值，即对应的数据质量标记为0被保留；被污染的值，即对应的数据质量标记为-1、2或3，被初始NDVI时序数据所替代；对于不确定的NDVI值，即对应的数据质量标记为1，在原始NDVI时序数据和初始NDVI时序数据之间选择较大的值。
进一步地，每个NDVI值的权重由原始NDVI时序数据与初始NDVI时序数据之间的非负欧氏距离确定，平滑处理结束后，对计算结果进行异常变化检查，最终得到高质量NDVI时序数据。
本发明提供的技术方案带来的有益效果是：本发明有效的解决了现有融合时空信息的Savitzky-Golay滤波降噪算法所存在的依赖NDVI时序数据质量标志、计算时间过长等问题，能快速生成高质量的NDVI时序数据，以适应大范围的NDVI分析需要，为植被活动监测、土地覆盖分类及植物物候探测等应用提供支持。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例中一种融合时空信息的Savitzky-Golay滤波降噪并行方法的流程图。
图2是本发明实施例中估算临时变量及数据分割传输示意图。
图3是本发明实施例中整体精度提升实验结果的示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
本发明的实施例提供了一种融合时空信息的Savitzky-Golay滤波降噪并行方法。邻域通常为目标像素四周邻域像素所组成的正方形，但本方法为减少重复计算以提高计算效率，将正方形邻域分割为两个大小相等的部分，并只计算目标像素与其中一部分邻域像素的相似系数，另一部分的邻域像素会在以它们本身为目标像素的邻域中得到计算结果。
请参考图1，图1是本发明实施例中一种融合时空信息的Savitzky-Golay滤波降噪并行方法的流程图，具体包括如下步骤：
(1)多年NDVI时序数据与NDVI数据质量标记规格一致，每个NDVI时序数据都对应一个NDVI数据质量标记。NDVI时序数据的取值范围为-0.2～1.0，数据质量标记取值为-1(无数据)、0(数据质量较高)、1(数据质量较低)、2(被冰雪覆盖)或3(被云层遮挡)。估算出计算一行像素所需的所有临时变量的大小(参考图2(b))，包括三部分：
1)存储所有目标像素的原始数据和临时计算结果的临时变量大小；
2)当计算目标像素与邻域像素的相关系数时(参考图2(a))，负责目标像素计算的线程会将计算出的相关系数保存在目标像素和邻域像素对应的空间，所以需要包括存储邻域像素的原始数据和相关系数结果的临时变量大小；
3)得到的最终结果先是保存在GPU显存中，直到所有循环完成计算后，才会统一传输到CPU内存中，因此还需要包括存储所有目标像素的最终结果的临时变量大小。根据GPU上的可用存储空间，将最大数据规格的多年NDVI时序数据与同规格的NDVI数据质量标记以按行分割的方式分别传输到GPU显存，整个数据被分割成为的数据块的块数等于所述任务(循环)数量(参考图2(c))。每次传输到GPU显存的分割后形成的数据块不相同，包括目标像素行及其上下两部分的邻域像素行，邻域像素的行数由方法的邻域大小确定(参考图2(c))；
(2)GPU的每个线程负责一个目标像素的计算(图中的虚线箭头)并读取GPU显存上对应像素的原始数据，GPU的多个线程并行地为多个目标像素进行季节生长趋势计算(如图1所示的步骤1.1)：首先从第1年开始依次计算每年与其余所有年份的高质量NDVI时序数据曲线的余弦相似度，较高的相似度意味着两条曲线较相似，并用该年所有余弦相似度的平均值代表当年相似度，如果该年相似度低于设定的阈值或低于该目标像素所有余弦相似度平均值减标准差，该标准差为方差的开方，那么该年则被认为是不相似年份；再从不相似年份的第一天数据开始，依次以当天数据为滑动窗口中心选取其前后等量数据组成滑动窗口，并计算其与所有相似年份的同窗口高质量NDVI时序数据曲线的余弦相似度，并用其平均值代表该窗口相似度，如果相似度低于所有相似年份的平均余弦相似度，那么该中心数据质量标记则被认为是不准确的；删除不准确数据质量标记后，利用所有年份同一天的高质量NDVI平均值生成NDVI季节生长趋势(步骤1.1)。本循环所有像素均完成NDVI季节生长趋势生成后，开始下一步；
(3)GPU线程继续以一个线程负责一个目标像素的方式，计算目标像素与其邻域像素的相似系数(如图1所示的步骤1.2)：邻域通常为目标像素四周邻域像素所组成的正方形，但本方法为减少重复计算以提高计算效率，将正方形邻域分割为两个大小相等的部分，并只计算目标像素与其中一部分邻域像素的相似系数，另一部分的邻域像素会在以它们本身为目标像素的邻域中得到计算结果。本循环所有像素均完成邻域像素相似系数生成后，开始下一步；
(4)GPU线程继续以一个线程负责一个目标像素的方式，识别出邻域相似像素，即邻域像素与目标像素的相似系数大于方法确定的阈值时，该邻域像素被认定为与目标像素相似的像素。本方法利用最小二乘法求出相似像素与目标像素高质量NDVI时序数据之间的函数关系，其代表两个像素之间NDVI值的关系，再利用归一化方法由邻域相似像素的相似系数求解出各相似像素的权重，以融合邻域相似像素的影响生成初始NDVI时序数据(步骤1.3)；
(5)将初始NDVI时序数据与原始NDVI时序数据融合以生成新的融合NDVI时序数据(如图1所示的步骤2)：原始NDVI时序数据中的高质量值，即对应的数据质量标记为0，被保留，被污染的值，即对应的数据质量标记或-1、2或3，被初始NDVI时序数据所替代，对于质量较低的NDVI值，即对应的数据质量标记为1，在原始NDVI时序数据和初始NDVI时序数据之间选择较大的值；
(6)通过迭代过程，使用加权SG滤波对新的融合时序数据进行平滑处理(如图1所示的步骤3)，每个NDVI值的权重由原始NDVI时序数据与初始NDVI时序数据之间的非负欧氏距离确定。平滑处理结束后，算法对计算结果进行异常变化检查，最终得到高质量NDVI时序数据。本循环所有像素均完成高质量NDVI时序数据生成后，开始下一个循环；
(7)所有循环完成后，高质量的NDVI时序数据将从GPU显存传输回CPU内存。
本发明最明显的不同在于生成了高质量的NDVI时序数据，通过计算目标像素NDVI时序数据的年际相似度以利用相似年份生成季节生长趋势，减少对数据质量标记的依赖，通过并行计算及减少重复计算解决了方法计算缓慢的问题。
为了更清晰的说明本发明的思想，下面以俄罗斯在欧洲部分的中部地区为实验区域，采用MODIS NDVI时序数据产品(No.MOD13A2)进行实验。该数据产品时间分辨率为16天，空间分辨率为1km，数据年份从2001年至2018年，原始影像规格为1200×1200，将其分割为三组数据，规格分别为500×500，1000×1000以及1200×1200。
通过实验，得到的整体精度提升结果如图3所示，与传统STSG算法相比，本发明公开的一种融合时空信息的Savitzky-Golay滤波降噪并行方(CUDA-based Spatial-Temporal Savitzky-Golay，cuSTSG)分别减少了0.0021(2.77％)、0.0096(9.66％)及0.0109(11.27％)的误差，有效提升了最终结果的精度。
还将500×500规格的数据划分为625(25×25)个区域，在每个区域中分别选择数据质量标记为2或3的2个像素，该1250(25×25×2)个像素的质量标记被人为更改为高质量(0)，本方法(cuSTSG)生成的无效结果百分比与最终结果的平均误差如表1所示，均少于STSG方法；
表1
STSG方法由IDL实现，为更好地测试本方法的加速效果，用C++对STSG方法进行了复现。加速效果的测试环境如表2所示：
表2
本方法(cuSTSG)的整体计算时间如表3所示，相对于由IDL实现的STSG方法，本方法加速比在80.49左右；相对于由C++复现的STSG方法，本方法加速比在30.5左右。本方法有效地提升了计算效率。
表3
本发明的有益效果是：本发明有效的解决了现有融合时空信息的Savitzky-Golay滤波降噪算法所存在的依赖NDVI时序数据质量标志、计算时间过长等问题，能快速生成高质量的NDVI时序数据，以适应大范围的NDVI分析需要，为植被活动监测、土地覆盖分类及植物物候探测等应用提供支持。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种融合时空信息的Savitzky-Golay滤波降噪并行方法，其特征在于：包括以下步骤：
S1：在遥感影像中存储有多年NDVI时序数据，该多年NDVI时序数据包含若干目标像素，通过估算法估算出遥感影像每一行目标像素所需的所有临时变量的大小，根据GPU上的可用存储空间将最大数据规格的多年NDVI时序数据与同规格的NDVI数据质量标记传输到GPU显存；
S2：GPU的每个线程负责一个目标像素的计算并读取GPU显存上对应目标像素的原始数据，GPU的多个线程并行地逐一为所有目标像素进行季节生长趋势计算，当某个线程计算结束后则等待，直到所有线程都完成计算后才开始进行步骤S3的计算；
所述季节生长趋势计算过程如下：
（1）首先，计算每个像素所有年份的时间序列两两之间的年际余弦相似度，以识别不相似的年份；
（2）再基于滑动窗口计算不相似年份的时间序列与相似年份的余弦相似度，以识别不相似年份中的不准确数据质量标记；
（3）删除不准确数据质量标记后，利用所有年份同一天的高质量NDVI平均值生成NDVI季节生长趋势，利用同样的方法，计算得到所有目标像素的NDVI季节生长趋势；
S3：根据步骤S2中得到的季节生长趋势，GPU线程继续以一个线程负责一个目标像素的方式，计算出目标像素与其邻域像素的相似系数，以同样的方法，得到所有目标像素的邻域像素的相似系数，当某个线程计算结束后则等待，直到所有线程都完成计算后才开始进行步骤S4的计算；
S4：根据步骤S4中得到的相似系数，GPU线程继续以一个线程负责一个目标像素的方式，识别出邻域相似像素，并在每个线程上面进行一个目标像素与一个邻域相似像素的融合操作，直到所有目标像素都融合完成，得到初始NDVI时序数据；
S5：将初始NDVI时序数据与所述多年NDVI时序数据进行融合，生成新的融合NDVI时序数据；
S6：通过迭代过程，使用加权SG滤波对所述新的融合NDVI时序数据进行平滑处理，直至得到所有像素的高质量NDVI时序数据；
S7：将所述所有像素的高质量的NDVI时序数据从GPU显存传输回CPU内存，利用上述方法对植被活动监测、土地覆盖分类及植物物候探测中的遥感影像数据进行处理。
2.如权利要求1所述的一种融合时空信息的Savitzky-Golay滤波降噪并行方法，其特征在于：步骤S1中，所述多年NDVI时序数据与NDVI数据质量标记规格一致，每个NDVI时序数据对应一个NDVI数据质量标记。
3.如权利要求1所述的一种融合时空信息的Savitzky-Golay滤波降噪并行方法，其特征在于：步骤S1中，计算每一行目标像素所需的所有临时变量包括三部分：存储所有目标像素的原始数据和临时计算结果的临时变量，存储邻域像素的原始数据和相关系数结果的临时变量和存储所有目标像素的最终结果的临时变量。
4.如权利要求1所述的一种融合时空信息的Savitzky-Golay滤波降噪并行方法，其特征在于：步骤S1中，数据以按行分割的方式分别传输到GPU显存，整个数据被分割成为的数据块的块数等于循环数量；每次传输到GPU显存的分割后形成的数据块不相同，数据块包括目标像素行及其上下两部分的邻域像素行，邻域像素的行数由方法的邻域大小确定。
5.如权利要求1所述的一种融合时空信息的Savitzky-Golay滤波降噪并行方法，其特征在于：步骤（1）中，计算每个目标像素所有年份的时间序列两两之间的年际余弦相似度的过程如下：从第1年开始依次计算每年与其余所有年份的高质量NDVI时序数据曲线的余弦相似度，较高的相似度意味着两条曲线较相似，并用该年所有余弦相似度的平均值代表当年相似度，如果该年相似度低于预先设定的阈值或低于该目标像素所有余弦相似度的平均值减去一个标准差，那么该年则被认为是不相似年份。
6.如权利要求1所述的一种融合时空信息的Savitzky-Golay滤波降噪并行方法，其特征在于：步骤（2）中，识别不相似年份中的不准确数据质量标记的过程为：从不相似年份的第一天数据开始，依次以当天数据为滑动窗口中心选取其前后等量数据组成滑动窗口，并计算其与所有相似年份的同窗口高质量NDVI时序数据曲线的余弦相似度，并用其平均值代表该窗口相似度，如果相似度低于所有相似年份的平均余弦相似度，那么该中心数据质量标记则被认为是不准确的数据质量标记。
7.如权利要求1所述的一种融合时空信息的Savitzky-Golay滤波降噪并行方法，其特征在于：步骤S4中，生成初始NDVI时序数据的原理如下：
当邻域像素与目标像素的相似系数大于设定的阈值时，该邻域像素被认定为与目标像素相似的像素；
利用最小二乘法求出相似像素与目标像素高质量NDVI时序数据之间的函数关系，其代表两个像素之间NDVI值的关系；
利用归一化方法由邻域相似像素的相似系数求解出各相似像素的权重，以融合邻域相似像素的信息生成初始NDVI时序数据。
8.如权利要求1所述的一种融合时空信息的Savitzky-Golay滤波降噪并行方法，其特征在于：步骤S5中，生成新的融合NDVI时序数据的过程中，原始NDVI时序数据中的高质量值，即对应的数据质量标记为0被保留；被污染的值，即对应的数据质量标记为-1、2或3，被初始NDVI时序数据所替代；对于不确定的NDVI值，即对应的数据质量标记为1，在原始NDVI时序数据和初始NDVI时序数据之间选择较大的值。
9.如权利要求1所述的一种融合时空信息的Savitzky-Golay滤波降噪并行方法，其特征在于：步骤S6中，每个NDVI值的权重由原始NDVI时序数据与初始NDVI时序数据之间的非负欧氏距离确定，平滑处理结束后，对计算结果进行异常变化检查，最终得到高质量NDVI时序数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111616792.1A CN114299389B (zh) | 2021-12-27 | 2021-12-27 | 一种融合时空信息的Savitzky-Golay滤波降噪并行方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111616792.1A CN114299389B (zh) | 2021-12-27 | 2021-12-27 | 一种融合时空信息的Savitzky-Golay滤波降噪并行方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114299389A CN114299389A (zh) | 2022-04-08 |
| CN114299389B true CN114299389B (zh) | 2024-05-14 |
Family
ID=80969370
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111616792.1A Active CN114299389B (zh) | 2021-12-27 | 2021-12-27 | 一种融合时空信息的Savitzky-Golay滤波降噪并行方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114299389B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115659160B (zh) * | 2022-12-28 | 2023-06-16 | 北京中航路通科技有限公司 | 一种用于数字孪生模型优化的数据质量度量方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109685108A (zh) * | 2018-11-23 | 2019-04-26 | 电子科技大学 | 一种生成高时空分辨率ndvi长时间序列的方法 |
| CN109839362A (zh) * | 2019-03-20 | 2019-06-04 | 北京中科知草科技有限公司 | 基于渐进式去噪技术的红外光谱定量分析方法 |
| CN112215422A (zh) * | 2020-10-13 | 2021-01-12 | 北京工业大学 | 基于季节性分解的长短时记忆网络水质动态预警方法 |
-
2021
- 2021-12-27 CN CN202111616792.1A patent/CN114299389B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109685108A (zh) * | 2018-11-23 | 2019-04-26 | 电子科技大学 | 一种生成高时空分辨率ndvi长时间序列的方法 |
| CN109839362A (zh) * | 2019-03-20 | 2019-06-04 | 北京中科知草科技有限公司 | 基于渐进式去噪技术的红外光谱定量分析方法 |
| CN112215422A (zh) * | 2020-10-13 | 2021-01-12 | 北京工业大学 | 基于季节性分解的长短时记忆网络水质动态预警方法 |
Non-Patent Citations (2)
| Title |
|---|
| Wheat planted area detection from the MODIS NDVI time series classification using the nearest neighbour method calculated by the Euclidean distance and cosine similarity measures;Miriam Rodrigues da Silva;《Geocarto International 》;20190503;1400-1414 * |
| 归一化植被指数时序数据拟合算法对比分析;李晶;邰文飞;秦元萍;白文兵;吴跃;;中国矿业;20161031(S2);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114299389A (zh) | 2022-04-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111723860B (zh) | 一种目标检测方法及装置 | |
| Halme et al. | Utility of hyperspectral compared to multispectral remote sensing data in estimating forest biomass and structure variables in Finnish boreal forest | |
| DE112018000605T5 (de) | Informationsverarbeitungsvorrichtung, Datenverwaltungsvorrichtung, Datenverwaltungssystem, Verfahren und Programm | |
| CN106682087A (zh) | 一种基于车载装饰品特征稀疏编码的车辆检索方法 | |
| CN110706253B (zh) | 基于表观特征和深度特征的目标跟踪方法、系统、装置 | |
| CN112200163B (zh) | 水下底栖生物检测方法及系统 | |
| CN114299389B (zh) | 一种融合时空信息的Savitzky-Golay滤波降噪并行方法 | |
| CN117496359B (zh) | 基于三维点云的植物种植布局监测方法及系统 | |
| CN115880683B (zh) | 一种基于深度学习的城市内涝积水智能水位检测方法 | |
| CN115953371A (zh) | 一种绝缘子缺陷检测方法、装置、设备和存储介质 | |
| CN112765556A (zh) | 一种基于密集时间遥感数据的新生红树林树龄评估方法 | |
| CN111563916B (zh) | 基于立体视觉的长时无人机跟踪定位方法、系统、装置 | |
| CN115861247A (zh) | 一种高分辨率遥感影像轮廓多级正则化方法、系统及应用 | |
| CN111275616B (zh) | 低空航拍图像拼接方法和装置 | |
| CN115239882A (zh) | 一种基于弱光图像增强的农作物三维重建方法 | |
| CN111666914B (zh) | 基于曲线间距离的耕地识别方法、系统、设备及存储介质 | |
| CN113570554A (zh) | 一种基于场景深度的单幅图像能见度检测方法 | |
| CN117523486A (zh) | 一种基于多源信息融合的覆冰检测方法及系统 | |
| CN116052141B (zh) | 作物生育期的识别方法、装置、设备及介质 | |
| CN116739739A (zh) | 一种贷款额度评估方法、装置、电子设备及存储介质 | |
| CN110956178A (zh) | 一种基于图像相似度计算的植物生长测量方法、系统及电子设备 | |
| CN109886988A (zh) | 一种微波成像仪定位误差的度量方法、系统、装置及介质 | |
| CN115035193A (zh) | 一种基于双目视觉与图像分割技术的散装粮随机扦样方法 | |
| CN113689414A (zh) | 一种高寒地区长时间序列高频率ndvi生成方法和装置 | |
| CN114463642A (zh) | 一种基于深度学习的耕地地块提取方法 |
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 |