融合Landsat ETM+和MODIS数据估算高时空分辨率地表短波反照率

提出一种通过融合高空间低时间分辨率、低空间高时间分辨率地表短波反照率,来估算高时空分辨率地表短波反照率的方法。首先,利用Landsat ETM+数据,通过窄波段到宽波段的转换得到一景或多景空间分辨率较高的ETM+蓝天空短波反照率;然后,在MODIS短波反照率产品基础上,以天空光比例因子为权重,得到空间分辨率较低的MODIS蓝天空短波反照率;最后,利用STARFM(Spatial and Temporal Adaptive Reflectance Fusion Model)模型融合ETM+短波反照率的空间变化信息和MODIS短波反照率的时间变化信息,得到高时空分辨率的地表短波反照率。针对STARFM模型在异质性区域估算精度降低的问题,通过以MODIS反照率影像各像元的端元(各地类)反照率取代MODIS像元反照率来提取时空变化等信息参与STARFM模型的融合过程,达到提高异质性区域估算精度的目的。结果显示,直接利用STARFM模型估算得到的高空间分辨率地表短波反照率处在合理的精度范围内(RMSE0.02),用改进后的STARFM模型估算得到的异质性区域短波反照率和真实ETM+短波反照率间的相关系数增大。     

多源数据融合的高时空分辨率植被指数生成

高时空分辨率的植被指数VI(Vegetation Index)数据是农业和生态研究的重要基础数据集,目前常用的VI数据的时空分辨率存在不可调和矛盾。考虑VI时序变化对数据融合的影响,提出一种新的VI数据时空融合模型VISTFM(Vegetation Index Spatial and Temporal Fusion Model),VISTFM采用模糊C聚类算法,对存量时序VI数据按土地利用类型划分为若干子类,从高低分辨率影像中随土地覆被类的变化规律提取子类,结合低分辨率影像提取的土地覆被类变化规律融合生成高时空分辨率的VI数据。用常用的Landsat和MODIS数据验证该算法,测试表明,VISTFM能够较好的捕获VI的中间变化过程,与常用的基于线性混合模型的模型和时空自适应反射率融合模型及其改进模型相比,利用VISTFM获得的植被指数数据集具有更高的时空分辨率。     

增强型空间像元分解时空遥感影像融合算法

高空间、高时间分辨率的遥感影像对地表与大气环境的实时精细监测具有重要作用,但单一卫星传感器获取的遥感影像存在空间与时间分辨率相互制约的问题,时空融合技术发展成为了低成本、高效生成满足不同应用需求的高时空分辨率遥感影像的有效手段。近年来,国内外学者提出了大量的时空融合算法,但对于复杂的地物类型变化的空间细节修复仍存在挑战,融合影像精度有待提高。对此,本文提出增强型空间像元分解时空遥感影像融合算法(EUSTFM),采用变化检测识别并修复地物类型改变的像元,使空间像元分解过程可同时在已知时相与未知时相进行,以生成空间细节信息准确的中间分辨率影像对,用于最终的邻域相似像元计算,实现了对季节性变化(如植被自然生长)、有形变(如城市土地扩张)及无形变的地物类型变化(如农作物的成熟与收割)等复杂地表变化的一致性预测,提高了融合精度。实验采用两对Landsat-MODIS遥感影像数据集,对比STARFM与FSDAF两种广泛应用的时空融合算法,测试了该算法的影像融合效果。结果表明,本文提出的EUSTFM能够同时实现对季节性变化及复杂的地物类型变化的稳定预测,可生成具有更高精度的融合影像,将有效推动时空影像融合的实际遥感应用。     

Landsat8和MODIS融合构建高时空分辨率数据识别秋粮作物

本文利用Wu等人提出的遥感数据时空融合方法 STDFA(Spatial Temporal Data Fusion Approach)以Landsat 8和MODIS为数据源构建高时间、空间分辨率的遥感影像数据。以此为基础,构建15种30 m分辨率分类数据集,然后利用支持向量机SVM(Support Vector Machine)进行秋粮作物识别,验证不同维度分类数据集进行秋粮作物识别的适用性。实验结果显示,不同分类数据集的秋粮作物分类结果均达到了较高的识别精度。综合各项精度指标分析,Red+Phenology数据组合对秋粮识别效果最好,水稻识别的制图精度和用户精度分别达到91.76%和82.49%,玉米识别的制图精度和用户精度分别达到85.80%和74.97%,水稻和玉米识别的总体精度达到86.90%。     

3种时空融合算法在洪水监测中的适用性研究

洪水灾害的遥感监测依赖于高时空分辨率影像,但目前中高空间分辨率的遥感影像受卫星回访周期及天气的影响,限制了在洪水监测中的应用。为此,提出融合MODIS和Landsat影像生成高时空分辨率影像来监测洪水灾害。以Gwydir和New Orleans 2地区为研究区,利用时空自适应反射率融合模型(spatial and temporal adaptive reflectance fusion model,STARFM)、时空反射率解混模型(spatial and temporal reflectance unmixing model,STRUM)和灵活的时空融合模型(flexible spatiotemporal data fusion,FSDAF) 3种流行算法融合MODIS和Landsat影像,获得Landsat融合影像,采用支持向量机(support vector machine,SVM)对融合影像分类来提取洪水信息,并对其结果进行精度评估。实验结果表明,3种时空融合算法能够有效应用到洪水监测中,且FSDAF算法融合结果在2个研究区都优于STARFM和STRUM。在Gwydir研究区,STARFM,STRUM和FSDAF 3种算法洪水分类总体精度分别为0. 89,0. 90和0. 91,Kappa系数分别为0. 63,0. 64和0. 67;在New Orleans研究区,3种融合算法洪水分类精度为0. 90,0. 89和0. 91,Kappa系数分别为0. 77,0. 76和0. 81。此研究表明时空融合算法能够有效应用到洪水监测中。     

面向非均质区域的空间增强型时空融合模型研究

随着遥感技术的发展,遥感数据日益增加。然而,受传感器限制及云雨天气影响,单一传感器难以获取高时空分辨率的遥感影像,从而在一定程度上影响全球及区域环境变化研究。遥感影像时空融合理论与技术的发展为解决这一问题提供了有效途径。近年来,国内外学者提出了大量的时空融合算法,但对于复杂地表景观区域空间细节的融合仍存在挑战,地表非均质区域时空融合的精度有待提高。为此,本文提出了一种面向非均质区域的空间增强型时空融合模型。首先,基于混合像元分解原理与遥感数据空间特征尺度不变性假设,将低分辨率光谱变化降尺度为高分辨率光谱变化值;然后,基于不同分辨率遥感数据光谱关系的时间不变性假设,获得最终融合影像。试验结果表明,相对于常用融合模型STARFM、FSDAF,本文模型既能有效反映不同地物物候变化信息,同时能更好地保留地表的空间细节,增强了非均质地表覆盖区域融合影像的空间特征与效果;本文模型的均方根误差RMSE、相关系数r及结构相似性指标SSIM平均值分别达到0.024、0.898、0.897,相对于常用融合模型STARFM、FSDAF,RMSE平均值分别降低了6.71%和4.33%,r平均值分别提高了1.9...     

基于Landsat8与MODIS的亮温融合-反演策略

针对目前高空间和高时间分辨率覆盖全球观测的卫星亮度温度影像数据缺失问题,该文以中分辨率成像光谱仪(MODIS)和Landsat 8卫星数据为例,提出了两种不同融合策略生成亮度温度,并评估其融合效果:先融合-后反演和先反演-后融合,从而将MODIS亮温数据降尺度到Landsat 8空间分辨率。该实验过程采用时空自适应反射率融合模型(STARFM),并将预测生成的亮温数据与预测时刻Landsat8亮温数据进行对比分析,计算相关系数、结构相似性和均方根误差(RMSE)等指标。结果得出以STARFM为核心算法的两种融合策略均可较好地应用于生成高时间高空间分辨率的亮度温度,且先融合-后反演的策略相对于先反演-后融合的策略有更高的融合精度。     

顾及混合像元分解的遥感图像光谱模拟

基于尺度下降理论,利用高时间分辨率的MODIS遥感影像数据,结合同时间段高空间分辨率的ETM+遥感影像及其分类数据,应用混合像元分解技术,获得了不同时间段的MODIS子像元类别反射率数据。通过类别反射率与像元反射率间的关系模型,以原有的ETM+影像的像元反射率和时间序列的类别反射率,模拟出具有高时间分辨率与高空间分辨率特征不同时间段的模拟影像,实现了遥感影像地物类别反射率在时间上和空间上的细化。通过计算模拟影像与真实影像的相关系数,以及比较模拟影像与真实影像生成的NDVI影像,验证了该方法的有效性。     

基于HJ与MODIS影像时空融合的水稻种植面积的提取

本文以江苏高邮为研究区,采用STARFM和STAVFM两种算法,以及HJ星和MODIS遥感数据,分别进行时空融合。通过对比分析,STARFM算法有更高的融合精度。进而通过STARFM时空融合技术,生成研究区时间序列影像,进行水稻种植面积提取,并利用野外采样点进行精度验证,结果显示提取精度较高,总体提取精度为83%。     

一种自适应三维核回归的遥感时空融合方法

时空融合是解决遥感数据高重访周期与高空间分辨率矛盾的一种有效方法。发展了一种综合利用遥感数据空间与光谱信息的三维自适应核回归反射率模型（three-dimensional adaptively local steering kernel regression fusion model,3DSKRFM）,通过提取每个像元的三维控制核（steering kernel）的局部信息,使时空融合过程中的权重自适应调节,提高遥感时空融合的精度。利用两组ETM+和MODIS（moderate-resolution imaging spectroradiometer）数据进行实验测试,结果表明3DSKRFM相比STARFM和2DSKRFM模型具有两方面的优势:一是充分利用遥感影像多波段的优势,提高融合精度;二是具有更强的鲁棒性,满足实际影像时空融合的需求。     

融合高时空分辨率数据估算植被净初级生产力

植被净初级生产力NPP(Net Primary Production)遥感估算与分析,有赖于高时空分辨率的遥感数据,但目前中高分辨率的遥感数据受卫星回访周期及天气的影响,在中国南方地区难以获取连续时间序列的数据,从而影响了高精度的区域植被净初级生产力的遥感估算。为此,提出一种基于多源遥感数据时空融合技术与CASA模型估算高时空分辨率NPP的方法。首先,利用多源遥感数据,即Landsat8 OLI数据与MODIS13Q1数据,采用遥感数据时空融合方法,获得了时间序列的Landsat8 OLI融合数据;然后,基于Landsat8 OLI时空融合数据,并采用CASA模型,以长株潭城市群核心区为例,进行区域植被NPP的遥感估算。研究结果表明,基于时间序列Landsat融合数据估算的30m分辨率的NPP具有良好的空间细节信息,且估算值与实测值的相关系数达0.825,与实测NPP数据保持了较好的一致性。     

Spectral unmixing based spatiotemporal downscaling fusion approach

Time-series remote sensing data are important in monitoring land surface dynamics. Due to technical limitations, satellite sensors have a trade-off between temporal, spatial and spectral resolutions when acquiring remote sensing images. In order to obtain remote sensing images with high spatial resolution and high temporal frequency, spatiotemporal fusion methods have been developed. In this paper, we propose a Linear Spectral Unmixing-based Spatiotemporal Data Fusion Model (LSUSDFM) for spatial and temporal data fusion. In this model, the endmember abundance of the low-resolution image pixel is calculated based on that of the high-resolution image by the spectral mixture analysis. The endmember spectrum signals of low-resolution images are then calculated continuously within an optimized moving window. Subsequently, the fused image is reconstructed according to the endmember spectrum and its corresponding abundance map. A simulated dataset and real satellite images are used to test the fusion model, and the fusion results are compared with a current spectral unmixing based downscaling fusion model (SUDFM). Our experimental work shows that, compared to the SUDFM, the proposed LSUSDFM can achieve better quality and accuracy of fused images, especially in effectively eliminating the “plaque” phenomenon in the results by the SUDFM. The LSUSDFM has great potential in generating images with both high spatial resolution and high temporal frequency, as well as increasing the number of spectral bands of the high spatial resolution data.     

ETWatch中不同尺度蒸散融合方法

高分辨率遥感蒸散数据集的构建受到数据源的限制和云的影响,单一传感器无法达到高时空分辨率覆盖。本文分 析了ETWatch不同尺度遥感蒸散结果的空间特征,通过几种融合方法的比较,分析数据融合前后的数据特征和信息量,将 时空适应性反射率融合模型（STARFM）集成到ETWatch,用于不同尺度遥感蒸散数据的融合,该方法可以很好的结合高 低分辨率数据的空间分布和时间分布信息,在时间上保留了高时间分辨率数据的时间变化趋势,空间上又反映了高空间分 辨率数据的空间细节差异,STARFM融合后的日ET数据与融合前1 km 日ET数据的平均相对误差为1.75%,融合后的月ET 数据与融合前1 km 月ET数据的平均相对误差为0.2%,STARFM适合于不同尺度下遥感ET数据的融合。     

遥感影像时—空融合的“点”—“线”—“面”质量评价

遥感影像时—空融合可集成多源数据高空间分辨率和高时间分辨率互补优势,生成时间连续的高空间分辨率影像,在遥感影像的动态监测与时序分析等方面具有重要应用价值。然而,现有多数研究往往基于单一数据产品对时—空融合算法进行评价,而在实际生产应用中,需要验证算法在多种遥感产品数据的融合表现;此外,目前研究大多基于"单点时刻"进行评价,忽略了时—空融合在"时间线"上的有效验证。本文提出遥感影像时—空融合的"点"—"线"—"面"多角度综合质量评价策略,基于Landsat TM和MODIS影像,建立了时—空融合系列数据集,包括地表反射率、植被指数和地表温度,并在此基础上从单时相("点")、时间序列("线")、多种数据产品("面")多个角度对4种典型融合算法进行定性和定量的综合评价。结果表明,基于不同产品类型的数据集更能充分验证算法性能,且结合单点时刻和时间序列的评价更加客观。     

基于超分辨率重建的多时相MODIS与Landsat反射率融合方法

提出一种基于超分辨率重建的MODIS与Landsat反射率图像融合方法,以STARFM算法与超分辨率重建为基础,使用观测的MODIS和Landsat地表反射率图像预测给定时刻的Landsat合成反射率图像。该方法利用基于稀疏表示的超分辨率重建方法对MODIS图像进行分辨率增强,实验结果表明这一操作能够增加原MODIS图像的空间细节,有助于提高STARFM算法的预测精度;另一方面,考虑输入两个基时刻图像相差较大时原STARFM算法预测的反射率会存在"时间平滑"的问题,限制每次只使用一个基时刻MODIS和Landsat图像对进行STARFM预测,使用逐图像块选择策略,从由两个基时刻图像分别进行预测得到的两组预测图像中选择最优的预测,同样得到了优于STARFM算法的预测结果。     

Downscaling of Land Surface Temperature Maps in the Texas High Plains with the TsHARP Method

High-resolution evapotranspiration (ET) maps can assist demand-based irrigation management. Development of high-resolution daily ET maps requires high-resolution land surface temperature (LST) images. Earth-observing satellite sensors such as the Landsat 5 Thematic Mapper (TM) and MODerate resolution Imaging Spectroradiometer (MODIS) provide thermal images that are coarser than simultaneously acquired visible and near-infrared images. In this study, we evaluated the TsHARP downscaling technique for its capability to downscale coarser LST images using finer resolution normalized difference vegetation index (NDVI) data. The TsHARP technique was implemented to downscale seven coarser scale (240, 360, 480, 600, 720, 840, and 960 m) synthetic images to a 120 m LST image. The TsHARP was also evaluated for downscaling a coarser 960 m LST image to 240 m to mimic MODIS datasets. Comparison between observed 120 m LST images and 120 m LST images downscaled from coarser 240, 360, 480, 600, 720, 840, and 960 m images yielded root mean square errors of 1.0, 1.3, 1.5, 1.6, 1.7, 1.8, and 1.9°C, respectively. This indicates that the TsHARP method can be used for downscaling coarser (960 m) MODIS-based LST images using finer Landsat (120 m) or MODIS (240 m)-derived NDVI images. However, the TsSHARP method should be evaluated further with real datasets before using it for an operational ET remote sensing program for irrigation scheduling purposes.     

An enhanced spatiotemporal fusion method – Implications for coal fire monitoring using satellite imagery

Many real-world applications require remotely sensed images at both high spatial and temporal resolutions. This requirement, however, is generally not met by single satellite system. A number of spatiotemporal fusion models have been developed to overcome this constraint. Landsat and Visible Infrared Imaging Radiometer Suite (VIIRS) data have been extensively used for detection and monitoring of active fires at different scales. Fusing the data obtained from these sensors will, therefore, significantly contribute to the satellite-based monitoring of fires. Among the available spatiotemporal fusion methods, the spatial and temporal adaptive reflectance fusion model (STARFM) and enhanced STARFM (ESTARFM) algorithms have been widely used for studying the land surface dynamics in the homogeneous and heterogeneous regions. The present study explores the applicability of STARFM and ESTARFM algorithms for fusing the high spatial resolution Landsat-8 OLI data with high temporal resolution VIIRS data in the context of active surface coal fire monitoring. Further, a modified version of ESTARFM algorithm, referred as modified-ESTARFM, is developed to improve the performance of the fusion model. Jharia coalfield (India), known for widespread occurrences of coal fires, is taken as the study area. The qualitative and quantitative assessments of the predicted (synthetic) Landsat-like images from different algorithms (STARFM, modified-STARFM, ESTARFM, modified-ESTARFM) indicate that the modified-ESTARFM outperforms the other fusion approaches used in this study. Considering the advantages, limitations and performance of the algorithms used, modified-ESTARFM along with STARFM can be used for surface coal fire monitoring. The study will not only contribute to remote sensing based coal fire studies but also to other applications, such as forest fires, crop residue burning, land cover and land use change, vegetation phenology, etc.