4种遥感数据时空融合模型生成高分辨率归一化植被指数的对比分析

【目的】针对时空融合方法在遥感植被状况调查及动态变化监测中的应用,比对时空自适应反射率融合模型(STARFM)、增强型时空自适应反射率融合模型(ESTARFM)、回归拟合空间滤波和残差补偿模型(Fit-FC)和规则集回归树融合模型(RPRTM)等4种时空融合模型对归一化植被指数(NDVI)的融合效果。【方法】以三江源地区2块具有差异性地表特征的区域为研究样地,采用上述4种时空融合方法,融合空间分辨率30 m的Landsat 8影像和250 m时间步长16 d的MODIS NDVI数据,生成步长为16 d的30 m空间分辨率的NDVI数据。基于Landsat NDVI影像通过定性的目视判别和定量的统计分析来评价不同融合模型结果的空间特征模拟效果,并以真实的MODIS NDVI时间动态为参考,分析了不同融合方法对地表植被动态特征的拟合效果。【结果】(1)关于空间特征的捕捉,在地表覆盖状况较复杂的区域,RPRTM融合效果最佳(R2=0.82);而对于输入影像差异较大的区域,ESTARFM融合效果最佳(R2=0.95)。(2)关于时间动态的捕捉,RPRTM针对不同的植被型均取得了最佳效果(R2为0.97~0.99)。(3)相对于模型输入数据的时空可比性,地表异质性对STARFM和ESTARFM融合效果的影响更大。【结论】4种时空融合模型能有效用于生成高时空分辨率的NDVI数据,不同模型其融合效果各有不同,RPRTM在复杂地表区域与模拟植被生长动态变化中均有较好表现。

基于残差自回归与Kalman滤波的天然气消费量组合预测研究（英文）

目前中国以化石能源为主的能源消费格局正逐步优化,清洁能源的消费规模逐步增加。对天然气消费量的预测分析对未来能源消费结构调整具有积极意义。本文创新性地采用拟合值偏离度倒数法进行权重设置,利用残差自回归模型和Kalman滤波算法构建组合预测模型,以《BP世界能源统计年鉴》和《中国统计年鉴》1980–2017年的天然气消费历史数据为对象,对中国天然气消费量进行预测研究。研究结果表明:(1)组合预测模型的预测精度更高:残差自回归预测模型的相对误差落在(–0.08,0.09)区间内,卡尔曼滤波预测的相对误差落在(–0.09, 0.32)区间内,组合预测模型相对误差落在(–0.03, 0.11)区间内。(2)组合预测模型预测结果的稳定性更好:残差自回归预测模型相对误差的预测方差为0.002,卡尔曼滤波预测相对误差的预测方差为0.007,组合预测模型相对误差的预测方差为0.001。(3)其他条件不变的情况下,2018年天然气消费量费预测值为2418.08亿m^3。与其他时间序列预测方法相比,利用残差自回归模型和卡尔曼滤波算法构成的组合预测模型对数据限制条件少,可操作性强,且分析结果更为可信。