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。     

高时空分辨率 NDVI 数据集构建方法

针对ETM 空间分辨率高和MODIS 时间分辨率高的特点, 选择官厅水库上游为实验区, 基于对STARFM 方法的改进, 构建不同时空分辨率NDVI 的时空融合模型-STAVFM, 使用该模型对ETM NDVI 与MODIS NDVI 融 合, 构建了高时空分辨率NDVI 数据集。研究结果表明, STAVFM 根据植被变化特点定义了有效时间窗口, 在考虑 物候影响的同时改进了时间维的加权方式, 通过MODIS NDVI 时间变化信息与ETM NDVI 空间差异信息的有机结 合, 实现缺失高空间分辨率NDV     

一种高时空分辨率NDVI数据集构建方法-STAVFM

ETM NDVI可以用来在30m的尺度上开展植被的监测,然而在Landsat卫星16天的重访周期和云污染等因素的影响下,常常会在相当长的一段时间内无法获取有效的ETM NDVI数据,给这一尺度下的植被动态监测带来了一定困难。相比之下,MODIS虽然在空间上只有250m分辨率的NDVI产品,却可以每天进行相同区域的监测。针对ETM空间分辨率高和MODIS时间分辨率高的特点,本研究选择实验区,基于对STARFM方法的改进,构建不同时空分辨率NDVI的时空融合模型-STAVFM,使用该模型对ETM NDVI与MODIS NDVI融合,构建了高时空分辨率NDVI数据集。研究结果表明,通过MODIS NDVI时间变化信息与ETM NDVI空间差异信息的有机结合,实现缺失高空间分辨率NDVI的有效预测（3景预测NDVI与实际NDVI的相关系数分别达到了0.82、0.90和0.91）,从而构建高时空分辨率NDVI数据集。所构建的高时空分辨率NDVI数据集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。     

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。     

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。     

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。     

Landsat与MODIS卫星数据的双向融合实验

针对如何在时间序列尺度上利用多源时空融合方法高精度地重构高分辨率遥感影像的问题,该文提出了一种基于增强字典学习样本空间的单数据对稀疏学习融合算法,并利用现有稀疏学习算法、STARFM算法以及半物理模型对Landsat与MODIS卫星数据进行双向融合实验。结果表明:随着样本尺寸及空间的拓展,改进后的稀疏学习算法能够获得比原始算法、STARFM、半物理模型等算法更优的融合结果,其中ERGAS可达15.0以内、SSIM可达84%以上,并且融合质量对高、低分辨率图像间的空间尺度差异性不敏感。通过采用更高效的在线字典学习算法,该融合方法的处理效率与应用价值有望得到极大提升。     

构建时空融合模型进行水稻遥感识别

传统变化检测手段进行水稻遥感识别受"云污染"和影像间配准误差导致的变化检测误差累积及"椒盐"现象的影响,水稻遥感识别精度低。本文提出时空融合模型(Temporal-Spatial-Fusion Model,TSFM)进行水稻遥感识别,旨在综合像元在时间、空间维度上的信息定义像元的水稻时空归属度,根据时空归属度划分阈值提取水稻。实验结果表明:在不同窗口尺度下,TSFM在整体和"云污染"区域对水稻提取均达到了较高精度。当窗口尺度为3×3时,水稻提取的用户精度、制图精度和总体精度分别达到93.4%、83.5%和87.9%。在不同窗口尺度下水稻提取的用户精度、制图精度、总体精度均高于分类后比较PCC(Post-Classification Comparison)和多数投票法(Majority Voting,MV);在"云污染"区域,水稻识别总体精度均在92.0%以上,水稻制图精度比PCC、MV分别至少提高了14.0%、7.6%。有效地解决了传统变化检测作物遥感识别存在的误差累积问题,在一定程度上避免了"云污染"和"椒盐"现象对识别结果的影响。另外,初步探讨了TSFM水稻提取精度与景观特征关系,发现在景观规整区域适宜采用较小的窗口,在破碎区域适宜采用较大的窗口。该方法的成功实施,为大范围开展秋粮作物遥感识别,消除"云"影响进行了前期实验探讨。     

遥感高时空融合方法的研究进展及应用现状

针对遥感图像的"时空矛盾",评述了当前解决这一问题最主要的方法即遥感时空信息融合的方法,包括基于变化模型的融合、基于重建模型的融合以及基于学习模型的融合。通过分析各个模型的研究现状,指出了每种模型方法的优劣,特别重点介绍了影响较大的自适应时空融合方法的理论以及对其的改进算法。同时本文总结了当前时空融合模型在长时间序列模拟以及大区域数据集生成等方面的实际应用的效果,以及分析了影响时空融合结果的主要因素。最后基于这些问题和影响因素提出了今后时空融合模型发展的目标和方向。     

高空间分辨率与高光谱分辨率遥感数据融合研究

使用像素级融合常见算法及Curvelet变换与Contourlet变换方法对Hyperion数据与SPOT进行融合实验,并提取了融合后典型地物光谱曲线。使用光谱角方法评价高光谱遥感影像融合后的光谱信息保持情况。实验结果表明,Curvelet与Contourlet变换具有较好的光谱保持效果。     

Automated analysis of ultra high resolution remote sensing data for biotope type mapping: new possibilities and challenges

The advent of very high-resolution satellite programs and digital airborne cameras with ultra high resolution offers new possibilities for very accurate mapping of the environment. With these sensors of improved spatial resolution, however, the user community faces a new problem in the analysis of this type of image data. Standard classification techniques have to be augmented with appropriate analysis procedures because the required homogeneity of landuse/landcover classes can no longer be achieved by the integration effect of large pixel sizes (e.g., 20–80 m). New intelligent techniques will have to be developed that make use of multisensor approaches, geographic information system (GIS) integration and context-based interpretation schemes.The ideal goal should be that GIS ‘intelligence’ (e.g., object and analysis models) should be used to automate the classification process. In return, GIS objects can be extracted from a remote sensing image to update the GIS database. This paper presents the development of an automated procedure for biotope type mapping from ultra high-resolution airborne scanner data (HRSC-A). The hierarchical procedure incorporates a priori GIS information, a digital surface model (DSM) and multispectral image data. The results of this study will serve as a basis for a continuous environmental monitoring process in the tidally influenced region of the Elbe River, Germany.     

Generation of high spatial and temporal resolution NDVI and its application in crop biomass estimation

Abstract

While data like HJ-1 CCD images have advantageous spatial characteristics for describing crop properties, the temporal resolution of the data is rather low, which can be easily made worse by cloud contamination. In contrast, although Moderate Resolution Imaging Spectroradiometer (MODIS) can only achieve a spatial resolution of 250 m in its normalised difference vegetation index (NDVI) product, it has a high temporal resolution, covering the Earth up to multiple times per day. To combine the high spatial resolution and high temporal resolution of different data sources, a new method (Spatial and Temporal Adaptive Vegetation index Fusion Model [STAVFM]) for blending NDVI of different spatial and temporal resolutions to produce high spatial–temporal resolution NDVI datasets was developed based on Spatial and Temporal Adaptive Reflectance Fusion Model (STARFM). STAVFM defines a time window according to the temporal variation of crops, takes crop phenophase into consideration and improves the temporal weighting algorithm. The result showed that the new method can combine the temporal information of MODIS NDVI and spatial difference information of HJ-1 CCD NDVI to generate an NDVI dataset with both high spatial and high temporal resolution. An application of the generated NDVI dataset in crop biomass estimation was provided. An average absolute error of 17.2% was achieved. The estimated winter wheat biomass correlated well with observed biomass (R ² of 0.876). We conclude that the new dataset will improve the application of crop biomass estimation by describing the crop biomass accumulation in detail. There is potential to apply the approach in many other studies, including crop production estimation, crop growth monitoring and agricultural ecosystem carbon cycle research, which will contribute to the implementation of Digital Earth by describing land surface processes in detail.     

结合深度学习的高光谱与多源遥感数据融合分类

高光谱数据具有丰富的光谱特征,但是其空间分辨率相对较低.一些遥感数据具有与高光谱数据互补的优势,例如提供更精细的空间信息的高空间分辨率数据和具有高度信息的激光雷达LiDAR(Light Detection and Ranging)数据.通过将高光谱数据与多源遥感数据进行融合,可以弥补高光谱数据空间分辨率相对较低,空间特...