基于灵活的时空融合模型的植被覆盖度与植被指数关系

时空数据融合模型被广泛地应用于获取高时间、高空间分辨率的植被指数与植被覆盖度,但是其反演的精度常常受输入的低空间分辨率影像(如MODIS影像)的影响。本研究基于灵活的时空数据融合方法(FSDAF),深入分析了赛里木湖流域与石河子地区两种不同情景的MODIS影像组合对FSDAF模型植被覆盖度提取精度的影响,并研究了6种植被指数与植被覆盖度的线性与非线性关系。研究结果表明,FSDAF模拟影像的植被覆盖度精度取决于2个时期MODIS影像的变化率,影像变化小时取得的精度明显好于影像差异大的情况。而采用植被指数对植被覆盖度模拟时,NDVI与OSAVI的线性拟合效果较好,可以获取较理想的结果。试验表明,采用时空模型用于研究区植被覆盖反演能取得较好的效果,具有一定的应用推广价值。

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。

地表温度的多源遥感数据时空融合模型构建

为解决传统的遥感数据融合模型在高异质性地表区域的融合精度不高的问题,本研究在考虑地表温度的前提下构建了一种新的多源遥感数据时空融合模型。首先,为消除反演得到的可见光与红外信息出现不对等的影响,将地表测温空间尺度为综合多地表参数的数据尺度模型。然后利用低尺度低空间分辨率的转换残差模拟地表温度。由于地表温度特征复杂,构建BP神经网络,并根据实际情况调整网络结构与初始参数值。然后融合光学遥感数据与SAR数据,根据高、低空间的分辨率影像计算、反演遥感地表参数,最后将尺度转换模型应用于预测时间相位的参数融合过程中。仿真实验结果表明:上述设计的模型的融合精度要比传统模型略高,证明该模型实现了设计初衷。

基于数据融合的植被NPP时空变化及驱动因素分析——以拜城盆地为例

植被净初级生产力(NPP)是区域生态系统保护及生态环境治理的重要参考指标,针对拜城盆地植被NPP时空变化特征及其与气候变化的响应关系不明这一问题,利用STARFM时空数据融合模型,估算拜城盆地30 m空间分辨率的植被NPP,同时使用Sen斜率估计及M-K检验,分析植被NPP的时空变化趋势特征,并通过偏相关系数法量化气候要素的影响程度。结果显示:时间上,研究区2000-2020年植被NPP均值为152.1 g/(m^(2)·a),总体呈不显著下降趋势;空间上,植被NPP值表现为南北高,中部河谷区域低,其中69.03%的区域呈不显著变化,11.44%呈显著增加趋势,19.53%呈显著减小趋势;研究区植被NPP变化与降雨总量、太阳辐射总量呈正相关,与平均气温呈现负相关关系,其中,太阳辐射是影响植被NPP变化的主导因素。研究结果表明:改进的CASA模型对于模拟研究区植被净初级生产力具有较好的适用性,有助于更好地揭示拜城盆地NPP的变化特征及驱动因素,并为估算与定期监测中小尺度区域的NPP提供了新方法。

基于多源遥感数据的蒸散发时空融合研究——以贵州省后寨河小流域为例

获取具有高时空分辨率的蒸散发数据对于喀斯特区域水资源管理和规划具有重要意义。基于增强型自适应时空融合模型和MS-PT蒸散发估算模型,设计输入参数融合方案,构建喀斯特区域具有高时空分辨率的蒸散发数据集。结果表明:基于MS-PT模型在该地区估算蒸散发与实测值较为接近;自适应时空融合模型在地表复杂的喀斯特区具有较好的适用性;对于输入参数融合方案,融合后的蒸散发与实测蒸散发具有可靠的融合精度。

时空信息多模式融合模型应用研究

给出了时空多模式融合模型(MM模型)的实用建模方法,利用华北地震和北京SARS 2个时空数据集对MM模型进行了建模应用和性能评价,与单纯神经网络模型相比,MM模型的预测准确性与预测趋势变化的能力均有所提高.分析表明,利用MM模型对不同类型时空过程建模时,不同分量信息所起到的作用并不相同.

南京地区蒸散发降尺度研究——基于增强型时空自适应反射融合模型

蒸散发是水文循环的重要组成部分,获取高时空分辨率的数据能够更加精细化蒸散发的时空变化规律,对于水资源管理、生态水文过程量化具有重要意义。由于单一传感器反演的蒸散发无法同时具有高空间和高时间分辨率,以南京地区为例,首先结合Landsat-8遥感影像数据和气象数据,采用基于能量平衡原理的SEBS模型估算日蒸散量。在此基础上,选取典型区域采用基于增强型时空自适应反射融合模型(ESTARFM)将估算的蒸散发结果与低空间分辨率的MOD16A2蒸散发产品数据进行时空融合降尺度研究,并评价模型的融合精度。结果表明:(1)SEBS模型估算的蒸散发结果与蒸发皿折算后的数据、MOD16A2产品数据的平均相对误差分别为0.14 mm/d和0.22 mm/d。(2)南京地区蒸散量季节差异明显,表现为夏季>秋季>冬季;各区在夏季的日平均蒸散量差异也较大,六合区蒸散量最大,秦淮区最小;另外,蒸散量分布受土地利用类型的影响,总体上表现为水域>林地>耕地>草地>其他,且植被覆盖度较高的区域蒸散量较大。(3)基于ESTARFM模型融合的蒸散发结果与基于Landsat-8遥感影像反演的蒸散发数据在空间分布上具有相似性,二者相关系数为0.74。在全球气候变化的背景下,本研究可为蒸散发数据集时空分辨率的提高提供参考,同时也能够为南京地区水循环过程和水资源管理研究提供数据支撑。

基于时空数据融合的县域水稻种植面积提取

受云雨天气和卫星自身回访周期的影响,县域尺度水稻种植面积的提取往往难以获取完整时间序列的高空间分辨率影像,利用单一MODIS数据导致提取精度不高。针对上述问题以河南省优良水稻种植区原阳县为例,采用增强型自适应反射率时空融合模型(Enhanced spatial and temporal adaptive reflectance fusion model,ESTARFM),融合中高分辨率的Landsat数据和高时间分辨率的MODIS数据,获取完整时间序列的归一化植被指数(Normalized difference vegetation index,NDVI)数据,经过TIMESAT滤波平滑处理后,利用研究区内水稻与其他地物的时序NDVI曲线,设置合理的NDVI阈值,采用决策树分类的方法提取水稻种植面积。结果显示,总体分类精度为92.23%,Kappa系数为0.9043。提取的水稻制图精度为96.73%,用户精度为93.51%,说明ESTARFM模型能很好地融合出高空间分辨率影像,解决数据缺失问题,可为县域尺度水稻种植面积提取提供参考。

基于SR-FSDAF多源影像融合的内陆水体NH_(3)-N反演研究

利用遥感影像进行大范围水体NH_(3)-N动态监测和时空分析,可快速实时发现由NH_(3)-N引起的富营养化和发黑发臭等一系列问题。为了克服单一卫星观测无法同时获取高空间和高时相分辨率影像的问题,在FSDAF模型的基础上,提出了改进的时空融合模型SR-FSDAF,基于ESPCN重构空间变化预测图像,生成由Landsat-8与MODIS影像融合的高空间和高时相分辨率影像,结合水质监测数据和遥感反射率光谱信息建立水体NH_(3)-N浓度反演模型以获取多时段大范围水体NH_(3)-N浓度值。以信阳市的主干河流为例进行了NH_(3)-N浓度的反演和时空分析,结果表明研究区域整体水体NH_(3)-N浓度呈现略微下降趋势,并有明显季节特征,潢河与浉河等支流部分河段由于工厂排污的影响导致氨氮污染较严重,需加强水质监测和污染治理。

基于FSDAF模型的干旱区典型绿洲城市夏季地表热岛效应时空演变研究

全球城市化进程加快引起的干旱区绿洲城市热岛效应变化及其生态环境问题已成为当前国内外城市气候、环境和生态等领域的研究热点之一。基于遥感热红外通道反演的地表温度(Land surface temperature,LST)是开展城市地表热岛(Surface urban heat island,SUHI)效应监测研究的关键参数。然而,受热红外遥感数据“时空矛盾”的制约,目前在单一星载卫星传感器下尚不存在同时具有高时间分辨率和高空间分辨率的热红外遥感数据源,因而制约了在干旱区绿洲城市范围内开展高精度地表热岛效应监测研究。针对上述问题,以干旱区典型绿洲城市--乌鲁木齐市为研究区域,以Landsat系列影像和MODIS地表温度产品为基础数据源,基于FSDAF(Flexible spatiotemporal data fusion method)时空融合模型分析了2001-2018年乌鲁木齐市在城市扩张背景下夏季地表热岛效应的时空变化特征以及夏季LST与城市地表参数之间的关系。研究结果表明:(1)乌鲁木齐市夏季热岛强度(SUHI intensity,SUHII)在不同的郊区范围内均呈现增加的趋势。在较小的郊区范围内,SUHII1从2001年的1.24℃增加到了2018年的2.83℃;在较大的郊区范围内,SUHII2从2001年的1.44℃增加到了2018年的2.88℃;(2)在研究区各土地利用类型中,裸地的夏季LST最高,水体最低;(3)研究区地表反照率和不透水面的增加与城市夏季LST升高呈正相关,而植被指数与植被覆盖度则与LST呈负相关关系;(4)在干旱区绿洲城市,城区内部植被面积的增加有助于缓解城市热岛效应,而仅郊区植被的增加则会导致SUHII的进一步增强。

多传感器数据时空融合在温室中的应用

设施农业在我国已经广泛应用于种植蔬菜和中药等单体附加值较高的作物,但WSN采集节点数据冗余和寿命普遍较短的问题制约着设施农业的长足发展。为此文章结合WSN存在的问题提出了时空数据融合模型,该模型在时间和空间序列上采用TiNA、DPS阈值管理算法和自适应加权融合算法,实现误差数据清洗和空间环境参数整合。通过时空融合算法实验,数据发送量平均减少了6.09%,同时温度数据的精度提高了2.85%,验证了该方法的可行性和有效性。

基于时空融合技术的森林火灾遥感动态监测

针对单一时空融合方法或使用单一中等空间分辨率影像(如Landsat影像)和MODIS影像时空融合的不足,本文提出综合利用经典的STARFM算法、基于地物内组分时相变化模型的地表反射率时空融合算法,联合使用多种空间分辨率更优(≤30 m)的传感器影像,以“时间最邻近及空间分辨率优先”为原则对传统单一中等空间分辨率影像预测周期(如Landsat影像为16天)进行分段独立预测,并优化组合两种预测方法的预测结果,进而获取更为精确的逐日中等空间分辨率预测影像。基于上述方法所得结果,可应用于森林火灾监测场景中。以四川凉山木里县3·30森林大火为例,综合利用MOD09GA、Landsat8 OLI、Sentinel-2、GF-1 WFV遥感影像数据进行实验研究,基于预测所得逐日中等空间分辨率影像提取火灾指标因子(燃烧面积指数和归一化燃烧指数),分析森林火灾演化态势。结果表明:(1)多类型中高空间分辨率遥感影像的综合利用,有利于解决传统单一中等空间分辨率影像预测周期跨度过长、总体精确度低的问题,可获取更为精确的逐日中等空间分辨率预测影像;(2)两种算法在不同类型遥感数据融合应用中各有其局限性,两种方法联立使用具有理论价值与实际意义;(3)基于时空融合影像分析火灾演化态势时,归一化燃烧指数计算结果更敏感、更有效。研究认为,基于时空融合技术的森林火灾遥感动态监测具有可行性,具有进一步深入研究的价值与意义。

结合PanSharpening与时空融合的GF-2和GF-1 WFV遥感影像融合方法

当前单纯基于传统空谱融合或基于时空融合的方法均未同时综合全色、高分辨率多光谱以及低分辨率多光谱的谱段信息,造成融合结果未能与应用需求充分对接。结合传统的PanSharpening方法与当前流行的时空融合模型,提出了一种基于调制传递函数-广义拉普拉斯金字塔-高通滤波调制(Modulation Transfer Function-Generalized Laplacian Pyramid-High Pass Modulation,MTF-GLP-HPM)和时空自适应反射率融合模型(Spatial and Temporal Adaptive Reflection Fusion Model,STARFM)的新融合方法。该方法有效综合了全色和高分辨率多光谱的空谱信息以及低分辨率多光谱的时谱信息,能够生成预测时相下具有全色波段空间分辨率的多光谱影像。采用MTF-GLP-HPM方法对起始时相的高分二号(GF-2)全色(1 m)和多光谱(4 m)反射率影像进行融合,得到1 m分辨率的GF-2多光谱反射率数据;利用STARFM模型将上述GF-2多光谱影像与起始、预测时相下的高分一号宽幅(GF-1 WFV)多光谱(16 m)反射率数据进行时空融合,得到预测时相下1 m分辨率的GF-2多光谱反射率数据。基于不同下垫面类型的融合结果表明,所提方法融合结果与预测时相原始GF-2多光谱影像相比,SSIM在0.6224~0.9066,RMSE小于0.06;与直接基于原始GF-2和GF-1 WFV多光谱数据的STARFM融合结果相比,SSIM相对精度损失小于0.08,RMSE损失在0.02以下。所提方法能够在保持时空融合对于时谱信息预测精度的基础上,进一步将融合结果的空间分辨率提升至全色影像的水平。

融合物候及纹理特征的茉莉花种植区提取研究

为充分挖掘图像时序物候信息、几何空间、纹理特征在农作物监测提取研究上的优势,本研究通过构建物候参数与纹理特征的方法对广西横州市茉莉花(Jasminum sambac)种植区进行提取,该方法通过增强型时空自适应反射率融合模型(ESTARFM)融合年度内“高空间-低时间”“高时间-低空间”的遥感图像,重建生成年度中低尺度的卫星影像,获取研究区内不同植被的物候信息参数,并结合地物光谱信息提取地物纹理特征。选取物候参数、纹理特征作为茉莉花种植区分类提取信息,对不同的参数特征进行组合,开展分类对比和综合精度量化评价。结果表明,重建时序归一化植被指数(NDVI)数据结合物候参数及纹理特征的茉莉花种植区提取方法,总体分类精度达到88.36%,Kappa系数为0.8633,在中低尺度多光谱影像遥感数据“时空信息”的缺失下对茉莉花种植区提取具有良好的效果。

数据融合技术在提高NPP估算精度中的应用

针对现有遥感数据不能同时满足在时间和空间上精确监测植被动态变化的问题,提出利用时空适应性反射率融合模型(STARFM)的方法对MODIS-NDVI和TM-NDVI影像数据进行融合处理获得30 m较高时空分辨率的融合NDVI影像,进而将多种尺度的MODIS-NDVI和融合NDVI数据分别输入到CASA模型,对锡林浩特地区进行植被净初级生产力(NPP)的多尺度估算。将不同尺度的NPP估算结果与地上生物量地面实测值进行验证比较,结果表明:随着输入NDVI空间分辨率的提高,NPP估算值与实测地上生物量之间的相关性也逐渐增大,r最大值达到了0.915。此外以融合NDVI影像作为输入数据之一的NPP估算值与实测地上生物量的相关性均比未融合NDVI的相关性高,说明融合NDVI估算NPP的效果较未融合NDVI好,并且以融合NDVI影像作为模型输入数据可提高NPP估算精度。

融合HJ-1 CCD和MODIS数据生成高分辨率影像方法对比

高时空分辨率遥感影像的反演可有效解决南方云雨地区的数据缺失问题。以广西典型丘陵山地为试验区,利用时空自适应反射率融合模型(spatial and temporal adaptive reflectance fusion model,STRAFM)和增强型时空自适应反射率融合模型(enhanced spatial and temporal adaptive reflectance fusion model,ESTRAFM)两种融合算法,选取小范围的国产环境减灾卫星(HJ-1 CCD)和中分辨率成像光谱仪(moderate-resolution imaging spectroradiometer,MODIS)数据,比较分析两种融合算法所生成的高空间分辨率影像的优劣。与真实HJ-1 CCD的红、近红外(near-infrared,NIR)波段影像相比,STRAFM和ESTRAFM预测影像在空间分布上均具有较好的一致性,R值均为极显著相关,差分图像98. 94%以上像元反射率差值小于0. 1,平均绝对差值(average absolute difference,AAD)、平均差值(average difference,AD)、标准差(standard deviation,SD)均较小,融合效果好。与STRAFM相比较,ESTRAFM对真实HJ-1 CCD影像的细节捕捉能力更强,高低反射率区域没有明显缩小或放大现象,破碎地物边界更清晰,不存在斑块。ESTRAFM预测影像与真实HJ-1 CCD红、近红外波段影像的相关性均高于STRAFM,相关系数(pearson correlation coefficient,R)分别为0. 930、0. 885。ESTRAFM预测影像与真实HJ-1 CCD影像差异小于STRAFM,其差分影像的AD、AAD、SD分别为-0. 005、0. 013、0. 017。

基于GF-1 WFV与MODIS时空融合的南方森林植被类型识别

我国南方地区地形条件较为复杂且多云雨,较难获取长时间序列高空间分辨率遥感影像,而时空融合技术能够同步获取高时空分辨率遥感数据,对提取其森林植被类型信息具有重要意义。以江西省兴国县为研究区,基于增强型时空自适应反射率融合模型(ESTARFM)分别将高空间分辨率的Landsat8 OLI、GF-1 WFV影像与高时间分辨率的MODIS09 A1影像进行融合,重构增强型植被指数(EVI)8 d步长的ESTARFM_Landsat8 EVI与ESTARFM_GF-1 EVI时序数据,获取物候(PH)特征信息,并利用随机森林分类模型识别森林植被类型。结果表明:融合生成的ESTARFM_Landsat8 EVI、ESTARFM_GF-1 EVI与真实影像的相关系数均大于0.7,且在空间分布上具有较好的一致性,可用于补充缺失的高空间分辨率数据。不同组合方式的随机森林分类提取精度为EVI+PH>EVI>PH,且GF-1融合数据分类精度高于Landsat8融合数据。筛选出43个变量作为优选特征变量进行分类,总体精度与Kappa系数分别为95.6%和94.9%,其中,包括37个时序EVI值和6个物候特征信息,其时序EVI数据对森林植被类型识别的贡献程度更高,物候特征信息有利于分类精度的提高。ESTARFM融合算法适用于GF-1与MODIS数据,在一定程度上可解决长时间序列高空间分辨率影像不足的问题;GF-1时序融合影像在多云雨、地形条件复杂的南方地区森林植被类型识别中具有较高精度。

热带山区高时空分辨率NDVI融合精度及其影响因素分析

高时空分辨率NDVI时序数据作为遥感应用中的重要数据源,对土地覆被动态变化监测具有重要意义,特别是在地表高程变化显著、气候条件复杂、景观异质性强烈的热带山区。虽然当前学者们提出了诸多时空数据融合模型,但针对这些模型在热带山区的NDVI数据融合精度及其影响因素分析尚不多见。对此,本文选取3类时空数据融合方法(权重函数法、概率统计法和多种混合法)中具有代表性的4个模型:STARFM(Spatial and Temporal Adaptive Reflectance Fusion Model)、RASTFM(Spatial and Temporal Adaptive Reflectance Fusion Model)、ESTARFM(Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model)、BSFM(Bayesian Spatiotemporal Fusion Model)(STARFM、ESTARFM为权重函数法;BSFM为概率统计法;RASTFM为多种混合法),选择位于我国热带山区的纳板河流域作为研究区。对融合模型的数据源选择、研究区的地形及景观空间异质性、融合模型、以及薄云和雾霾等大气条件等影响因素进行分析,研究结果表明:①数据融合精度随输入影像之间的时间间隔及其相对变化量增加而降低;融合中输入的高、低空间分辨率数据光谱匹配度越高,融合精度越高(OLI优于Sentinel-2;MODIS优于VIIRS);经过BRDF校正的数据能够有效提高各模型的融合精度;②地形及空间异质性对融合结果精度影响显著,融合精度与空间异质性呈负相关,本研究中融合精度随着坡度的增大而减小,但坡向对融合精度的影响较小;地形对RASTFM的影响较其他模型低;③融合模型中输入的高质量影像越多,模型的融合精度往往越高;④薄云和雾霾会对融合精度产生显著负面影响。本研究的结果对于改进热带山地地区的高时空数据融合模型,生产热带山区复杂地理环境的高精度高时空分辨率NDVI数据集具有重要的参考价值。