CN115147510A - 一种简单而鲁棒的陆地卫星植被指数长时间序列重建方法 - Google Patents
一种简单而鲁棒的陆地卫星植被指数长时间序列重建方法 Download PDFInfo
- Publication number
- CN115147510A CN115147510A CN202210794360.8A CN202210794360A CN115147510A CN 115147510 A CN115147510 A CN 115147510A CN 202210794360 A CN202210794360 A CN 202210794360A CN 115147510 A CN115147510 A CN 115147510A
- Authority
- CN
- China
- Prior art keywords
- data
- ndvi
- landsatndvi
- landsat
- reconstructed
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000001932 seasonal effect Effects 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 230000000873 masking effect Effects 0.000 claims description 4
- 238000012821 model calculation Methods 0.000 claims description 2
- 230000004927 fusion Effects 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 230000035772 mutation Effects 0.000 abstract description 3
- 230000009897 systematic effect Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- 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
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了陆地卫星技术领域的一种简单而鲁棒的陆地卫星植被指数长时间序列重建方法,所述方法包括:获取陆地卫星的数据源,对所述数据源进行预处理,所述数据源包括LandsatNDVI数据和MODIS NDVI数据;基于3σ准则和双线性插值法对所述LandsatNDVI数据进行数据优化,得到第一优化数据;基于所述第一优化数据构建Prophet模型,获取年际、季节性和残差分量;基于所述Prophet模型,对标记为空值的像元进行NDVI重建,生成时空连续晴空LandsatNDVI数据;本发明方法对于地表覆盖变化(如植被)发生突变的情形融合效果好,精确配准较为简单,不容易系统性误差,容易进行NDVI数据的准确对比,分析结果更加准确,同时通过调整先验稀疏度,避免了过拟合和欠拟合现象。
Description
技术领域
本发明涉及陆地卫星技术领域,具体为一种简单而鲁棒的陆地卫星植被指数长时间序列重建方法。
背景技术
植被指数是卫星可见光和近红外波段多种波段组合的产物,其能够简单、有效的度量地表植被状况。目前,归一化植被指数(Normalized Difference Vegetation Index,NDVI)凭借其简洁的反演算法和明确的物理意义成为应用最广泛的植被指数,它对地表植被的覆盖程度非常敏感,是检测和指示植被生长状态、植被覆盖度和消除部分辐射误差的常用指标之一。
归一化植被指数(NDVI)时间序列卫星数据在过去几十年已经广泛应用于陆地生态系统植被监测。目前,己发布的NDVI时间序列数据产品主要由MODIS、SPOTVGT和AVHRR等卫星提供,但这些NDVI产品的空间分辨率相对比较粗(从几百米到几公里),在地表异质性区域进行应用时存在较大的局限。例如,MODIS传感器卫星数据,重访周期为1-2天,其高时间分辨率可用于识别和监测地表植被的动态变化,但是其空间分辨率达到了250m-1000m,难以刻画高精度的地表信息。Landsat卫星数据的空间分辨率为30m,能够以较高的精度识别不同的地物,并且有丰富的历史数据,对于计算长时序和高分辨率的植被指数NDVI具有很高的价值。然而Landsat数据的时间分辨率比较低(16天重返周期),同时由于云污染对光学影像的干扰,Landsat NDVI数据缺失严重,很难获得连续有效的遥感影像,难以满足植被动态监测的要求。
为了满足地表信息遥感动态监测同时具有高空间分辨率和高时间分辨率特征的要求,许多学者提出了遥感数据时空融合的方法;通过将高空间低时间分辨率的Landsat数据与低空间高时间分辨率的遥感数据(如MODIS数据)进行融合,生成既具有高空间分辨率又具有高时间分辨率的遥感数据。目前代表性的时空融合算法包括STARFM、FSDAF和IFSDAF等;但这些方法对于地表覆盖变化(如植被)发生突变的情形融合效果较差;精确配准较为复杂,容易产生系统性误差;而且由于通常只使用有限时间点上的少量遥感数据,因此难以比较NDVI的年际变化趋势;而目前利用时间序列分解与重建模型和Landsat NDVI结合生成年际NDVI变化趋势的研究仍然缺乏。
基于此,本发明设计了一种简单而鲁棒的陆地卫星植被指数长时间序列重建方法,以解决上述问题。
发明内容
本发明的目的在于提供一种简单而鲁棒的陆地卫星植被指数长时间序列重建方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种简单而鲁棒的陆地卫星植被指数长时间序列重建方法,所述重建方法包括:获取陆地卫星的数据源,对所述数据源进行预处理,所述数据源包括Landsat NDVI数据和MODIS NDVI数据;
基于3σ准则和双线性插值法对所述Landsat NDVI数据进行数据优化,得到第一优化数据;
基于所述第一优化数据构建Prophet模型,获取年际、季节性和残差分量;
基于所述Prophet模型,对标记为空值的像元进行NDVI重建,生成时空连续晴空Landsat NDVI数据。
作为本发明的进一步方案,对所述数据源进行预处理具体包括:
对所述Landsat NDVI数据中大气影响系数DA≥N的像元进行掩膜,对大气影响DA<N的像元进行大气校正,得到矫正像元;
对所述矫正像元进行去除含云污染和条带差处理,完成对数据源的预处理。
作为本发明的进一步方案,基于3σ准则和双线性插值法对所述Landsat NDVI数据进行数据优化具体步骤如下:
S1、获取Landsat NDVI数据,除去Landsat NDVI时间序列数据中的异常值,得到除异Landsat VINDVI数据;
S2、基于双线性插值法对所述除异Landsat VINDVI数据进行空间分辨率重构,得到重构Landsat VINDVI数据;
S3、对所述重建Landsat NDVI数据进行准确性评估,若所述重建Landsat NDVI数据空间分辨率满足所设阈值,则该重建Landsat NDVI数据为第一优化数据。
作为本发明的进一步方案,所述Prophet模型计算公式如下:
其中,y(t)是t时刻的观测值,g(t)是年际变化分量,s(t)为季节性变化分量,εi为残差分量,k和δ分别为增长率和相关调整系数,m是补偿参数;γ为-Sjδj,其中Sj为第j(j=1,2,…,S)个拐点出现的时间,δj为Sj时刻的变化率,an和bn是傅里叶级数的系数,P是周期。
作为本发明的进一步方案,所述步骤S3中对所述重建Landsat NDVI数据进行准确性评估包括直接法和间接法。
与现有技术相比,本发明的有益效果是:
1.本发明可以通过在年际变化中增加断点来解决地表覆盖突变的问题,同时可以通过合并季节性变化来处理高年际NDVI动态变化,对于地表覆盖变化(如植被)发生突变的情形融合效果好。
2.本发明构建的模型相对简单,只使用单源数据(如Landsat)从而避免了影像配准和错配的问题,精确配准较为简单,不容易系统性误差。
3.本发明构建的模型使用了所有可用影像的有效像元,容易进行NDVI数据的准确对比,分析结果更加准确。
4.本发明方法通过调整先验稀疏度,避免了过拟合和欠拟合现象。
附表说明
表1为南京逐像元重建的Landsat NDVI数据的精度评估;
附图说明
图1为本发明Landsat NDVI长时间序列数据重建方法流程图;
图2为本发明逐像元长时序Landsat NDVI重建示意图;
图3为本发明逐像元长时序Landsat NDVI分解示意图;
图4为本发明重建的Landsat NDVI数据与MODIS卫星数据对比:(a)NDVI空间格局散点图;(b)NDVI趋势散点图;
图5为本发明重建的Landsat NDVI与观测的MODIS NDVI逐像元的对比:(a)-(b)为NDVI空间格局对比;(c)-(d)为NDVI趋势对比;
图6为本发明基于重建的Landsat NDVI与MODIS NDVI的南京城市NDVI年际变化对比;
具体实施方式
请参阅图1-6,本发明提供一种技术方案:一种简单而鲁棒的陆地卫星植被指数长时间序列重建方法,所述重建方法包括:获取陆地卫星的数据源,对所述数据源进行预处理,所述数据源包括Landsat NDVI数据和MODIS NDVI数据;
具体的是数据源包括Landsat NDVI数据和MODIS NDVI数据。首先对所述LandsatNDVI数据中大气影响较强的像元进行掩膜,对大气影响较弱的像元进行大气校正,同时去除含云污染和条带差的像元,完成对数据源的预处理。
基于3σ准则和双线性插值法对所述Landsat NDVI数据进行数据优化,得到第一优化数据;
在数据重建之前,使用3σ准则除去NDVI时间序列数据中的异常值,并使用双线性插值法将所有Landsat影像的空间分辨率重采样为120m。MODIS NDVI数据用于对重建的Landsat NDVI数据进行准确性评估,空间分辨率为1km。
基于所述第一优化数据构建Prophet模型,获取年际、季节性和残差分量;
基于所述Prophet模型,对标记为空值的像元进行NDVI重建,生成时空连续晴空Landsat NDVI数据,本发明所采用的方法,对于地表覆盖变化(如植被)发生突变的情形融合效果好,精确配准较为简单,不容易系统性误差,容易进行NDVI数据的准确对比,分析结果更加准确,同时通过调整先验稀疏度,避免了过拟合和欠拟合现象。
作为本发明的进一步方案,对所述数据源进行预处理具体包括:
对所述Landsat NDVI数据中大气影响系数DA≥N的像元进行掩膜,对大气影响DA<N的像元进行大气校正,得到矫正像元;
对所述矫正像元进行去除含云污染和条带差处理,完成对数据源的预处理。
作为本发明的进一步方案,基于3σ准则和双线性插值法对所述Landsat NDVI数据进行数据优化具体步骤如下:
S1、获取Landsat NDVI数据,除去Landsat NDVI时间序列数据中的异常值,得到除异Landsat VINDVI数据;
S2、基于双线性插值法对所述除异Landsat VINDVI数据进行空间分辨率重构,得到重构Landsat VINDVI数据;
S3、对所述重建Landsat NDVI数据进行准确性评估,若所述重建Landsat NDVI数据空间分辨率满足所设阈值,则该重建Landsat NDVI数据为第一优化数据。
作为本发明的进一步方案,所述Prophet模型计算公式如下:
其中,y(t)是t时刻的观测值,g(t)是年际变化分量,s(t)为季节性变化分量,εi为残差分量,k和δ分别为增长率和相关调整系数,m是补偿参数;γ为-Sjδj,其中Sj为第j(j=1,2,…,S)个拐点出现的时间,δj为Sj时刻的变化率,an和bn是傅里叶级数的系数,P是周期。
作为本发明的进一步方案,所述步骤S3中对所述重建Landsat NDVI数据进行准确性评估包括直接法和间接法。
具体的是直接法:通过比较重建的时间序列NDVI数据与原始的Landsat NDVI数据的决定系数(R2),平均绝对误差(MAE)和均方根误差(RMSE)进行模型评估。并且基于所有晴空观测日期的数百个像素级观测-重建数据对,通过对比重建的NDVI数据和原始NDVI数据来表征时空变化趋势,进一步评价模型性能。
以南京为例,重建NDVI与原始Landsat NDVI的精度比较如表1所示。其中R2=0.71±0.10,MAE=0.06±0.01,RMSE=0.09±0.02,计算结果基本证明了模型的有效性。图2比较了原始Landsat NDVI与重建的NDVI,图中黑点为可获得的NDVI采样值,线条为重建的NDVI时间序列,浅灰色为95%置信区间。结果表明重建NDVI与原始NDVI能够较好吻合。此外,Prophet模型的季节和趋势分量能较好地反映NDVI的季节变化和年际变化趋势,如图3,trend项展示的是NDVI的年际变化特征,yearly项展示NDVI季节性变化特征。
间接法:利用原始MODIS NDVI数据对重建的Landsat NDVI数据进行评价,以说明用重建NDVI数据来表征年际变化趋势的可行性。为减少有效NDVI数据在不同季节的不均匀分布对计算年平均NDVI的影响,首先利用有效的NDVI数据计算每个季节的平均NDVI,然后通过平均四个季节的平均NDVI来计算年度平均NDVI。图4是重建的Landsat NDVI数据与MODIS卫星数据对比,其中(a)是NDVI空间格局散点图,(b)是NDVI趋势散点图。
图5为重建的Landsat NDVI与观测的MODIS NDVI逐像元的对比,其中(a)-(b)为NDVI空间格局对比,(c)-(d)为NDVI趋势对比。结果表明两种方法获得的NDVI空间格局和年际趋势都很接近。图6是基于重建的Landsat NDVI与MODIS NDVI的南京城市NDVI年际变化对比。结果表明重建的NDVI的年际变化和变化趋势与MODIS NDVI的计算结果相似。
对重建Landsat NDVI数据进行准确性评估结果数据见表1:
表1 南京逐像元重建的Landsat NDVI数据的精度评估
平均值 | 标准差 | |
决定系数 | 0.71 | 0.10 |
平均绝对误差 | 0.06 | 0.01 |
均方根误差 | 0.09 | 0.02 |
Claims (5)
1.一种简单而鲁棒的陆地卫星植被指数长时间序列重建方法,其特征在于:所述重建方法包括:获取陆地卫星的数据源,对所述数据源进行预处理,所述数据源包括LandsatNDVI数据和MODIS NDVI数据;
基于3σ准则和双线性插值法对所述LandsatNDVI数据进行数据优化,得到第一优化数据;
基于所述第一优化数据构建Prophet模型,获取年际、季节性和残差分量;
基于所述Prophet模型,对标记为空值的像元进行NDVI重建,生成时空连续晴空LandsatNDVI数据。
2.根据权利要求1所述的一种简单而鲁棒的陆地卫星植被指数长时间序列重建方法,其特征在于:对所述数据源进行预处理具体包括:
对所述LandsatNDVI数据中大气影响系数DA≥N的像元进行掩膜,对大气影响DA<N的像元进行大气校正,得到矫正像元;
对所述矫正像元进行去除含云污染和条带差处理,完成对数据源的预处理。
3.根据权利要求1所述的一种简单而鲁棒的陆地卫星植被指数长时间序列重建方法,其特征在于:基于3σ准则和双线性插值法对所述LandsatNDVI数据进行数据优化具体步骤如下:
S1、获取LandsatNDVI数据,除去LandsatNDVI时间序列数据中的异常值,得到除异LandsatVINDVI数据;
S2、基于双线性插值法对所述除异LandsatVINDVI数据进行空间分辨率重构,得到重构LandsatVINDVI数据;
S3、对所述重建LandsatNDVI数据进行准确性评估,若所述重建Landsat NDVI数据空间分辨率满足所设阈值,则该重建Landsat NDVI数据为第一优化数据。
5.根据权利要求1所述的一种简单而鲁棒的陆地卫星植被指数长时间序列重建方法,其特征在于:所述步骤S3中对所述重建LandsatNDVI数据进行准确性评估包括直接法和间接法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210794360.8A CN115147510A (zh) | 2022-07-07 | 2022-07-07 | 一种简单而鲁棒的陆地卫星植被指数长时间序列重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210794360.8A CN115147510A (zh) | 2022-07-07 | 2022-07-07 | 一种简单而鲁棒的陆地卫星植被指数长时间序列重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115147510A true CN115147510A (zh) | 2022-10-04 |
Family
ID=83412589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210794360.8A Pending CN115147510A (zh) | 2022-07-07 | 2022-07-07 | 一种简单而鲁棒的陆地卫星植被指数长时间序列重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115147510A (zh) |
-
2022
- 2022-07-07 CN CN202210794360.8A patent/CN115147510A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Verger et al. | The CACAO method for smoothing, gap filling, and characterizing seasonal anomalies in satellite time series | |
CN109100717B (zh) | 一种多源微波遥感海面风场数据融合方法及其装置 | |
Fang et al. | Spatial downscaling of TRMM precipitation data based on the orographical effect and meteorological conditions in a mountainous area | |
Shirzaei | A wavelet-based multitemporal DInSAR algorithm for monitoring ground surface motion | |
CN110186820A (zh) | 多源数据融合与环境污染源及污染物分布分析方法 | |
CN112348812B (zh) | 林分年龄信息测量方法及装置 | |
CN109685108B (zh) | 一种生成高时空分辨率ndvi长时间序列的方法 | |
CN106483147B (zh) | 基于多源数据的长时间序列被动微波土壤水分精度改进研究方法 | |
CN114140591B (zh) | 一种结合机器学习和地统计的土壤有机质遥感制图方法 | |
CN103544477A (zh) | 基于改进的线性光谱混合模型的植被覆盖度估算方法 | |
CN114120101A (zh) | 一种土壤水分多尺度综合感知方法 | |
Hong et al. | A global dataset of spatiotemporally seamless daily mean land surface temperatures: generation, validation, and analysis | |
Zhang et al. | Development of the direct-estimation albedo algorithm for snow-free Landsat TM albedo retrievals using field flux measurements | |
Xu et al. | Enhanced all-weather precipitable water vapor retrieval from MODIS near-infrared bands using machine learning | |
Wenxia et al. | Normalization of NDVI from different sensor system using MODIS products as reference | |
Sihvonen et al. | Spectral profile partial least-squares (SP-PLS): Local multivariate pansharpening on spectral profiles | |
Eastwood et al. | Algorithm theoretical basis document for the OSI SAF global reprocessed sea ice concentration product | |
Lober et al. | Bias correction of 20 years of IMERG satellite precipitation data over Canada and Alaska | |
Wu et al. | Improving the capability of water vapor retrieval from Landsat 8 using ensemble machine learning | |
Ma et al. | All-weather precipitable water vapor map reconstruction using data fusion and machine learning-based spatial downscaling | |
CN113763272A (zh) | 一种富营养化湖泊光合有效辐射衰减系数遥感反演方法 | |
CN111696055B (zh) | 一种基于辐射校正的长时间序列夜光遥感图像的获取方法 | |
CN111144350B (zh) | 一种基于参考底图的遥感影像定位精度评价方法 | |
CN115147510A (zh) | 一种简单而鲁棒的陆地卫星植被指数长时间序列重建方法 | |
CN115980697A (zh) | 一种不同天气条件下激光雷达反演边界层高度的方法 |
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 |