基于FSDAF模型的红树林月尺度动态变化监测

【目的】红树林是一种生长在海陆过渡地带的特殊珍稀木本植物群落,具有较高的经济价值,同时还能提供多种生态服务功能。然而,由于自然和人为干扰的双重影响,使红树林资源受到严重威胁,红树林资源保护工作迫在眉睫。红树林空间分布的准确获取及动态变化监测是红树林科学保护工作顺利开展的前提。目前光学卫星影像仍是大区域研究最常用的遥感数据源,但由于红树林所处海陆过渡地带多云雨,而常用中高分辨率光学卫星影像则受云雨影响较大,导致不易获取连续的高质量影像数据,致使现有变化监测频率多为年际变化,监测结果难以为红树林资源保护提供及时有效的数据支撑。【方法】时空融合模型通过将低空间分辨率影像与高空间分辨率影像融合从而预测某一时期影像,为基于离散光学影像重建连续高质量光学影像提供了可能,而FSDAF模型作为常用的时空融合模型,不仅模型所需影像数量较少,且对异质性较高区域有较强适用性。因此,本研究拟采用FSDAF模型,将Sentinel-2、Landsat-8与MODIS进行融合,从而构建以月为时间尺度的连续时间序列影像,并采用优选特征的面向对象随机森林分类方法提取月尺度时间序列红树林空间分布,进而实现红树林资源月尺度动态变化监测。【结果】基于FSDAF模型所得融合影像与原始影像高度相似,在无云区域两影像相关系数R^(2)为0.92,有云区域相对较低,R^(2)为0.73。同时,基于优选特征组合的面向对象随机森林分类方法能够实现红树林空间分布的精确提取,总体精度为96.84%,Kappa系数为0.88。基于月尺度时间序列红树林空间分布提取结果可知,2018年、2019年、2020年9—12月红树林面积分别增加了0.61、0.37和0.33 km^(2),而2018—2020年8—12月各月红树林面积分别增加了0.15、0.52、0.41、0.24、0.02 km^(2),由此可知2018—2020年不同月份红树林面积变化差异不同,最大差异为0.52 km^(2),而最小差异仅为0.02 km^(2)。【结论】1)基于FSDAF模型不仅可生成所需月份的影像数据,而且生成的融合影像与原始影像相关系数较高,可用于红树林月尺度动态变化监测。2)基于优选特征组合的面向对象随机森林分类方法能够实现红树林空间分布的精确提取。3)基于FSDAF模型生成的月尺度时序影像数据可实现红树林月尺度动态变化监测,提高了监测的时间频率,有利于发现红树林的变化并及时采取措施,可为红树林资源保护与恢复提供更加及时的数据支持。

五种典型遥感时空信息融合算法在湿地区域植被指数重建中的适用性比较

为探讨不同遥感时空信息融合算法在水陆转换频繁、地物类型多样的湿地区域的适用性问题,该文以鄱阳湖样区为研究区,选取5种典型的时空信息融合算法(STARFM,ESTARFM,FSDAF,Fit-FC和STNLFFM)。根据不同时期地物差异状况,选取Landsat和MODIS遥感数据分别开展枯水期、平水期2个时段的归一化植被指数(normalized difference vegetation index,NDVI)影像融合实验,并在空间和光谱2个维度进行算法精度评估。结果表明,仅一对粗细分辨率影像输入时,FSDAF算法在枯水期的融合预测效果最好,总体误差为0.4335;STNLFFM算法在平水期的融合预测效果最好,总体误差为0.5147;同时应用枯水期、平水期2对粗细分辨率影像时,ESTARFM算法融合预测效果最好,总体误差为0.4670。不同时空信息融合算法在湿地地区的适用性与研究区域内水体面积的占比情况有关,STNLFFM算法在水体区域的融合预测效果最好。

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。