基于半方差函数的STARFM改进模型

基于空间变异理论,本文提出了一种基于半方差函数的STARFM改进模型。该模型利用半方差函数分析基准Landsat影像的空间统计特性,确定影像各波段的空间相关距离——变程,然后将变程的2倍作为STARFM模型滑动窗口的宽度,预测了指定MDOIS时刻的Landsat影像;改变滑动窗口大小后的预测影像和实际观测影像各波段的平均绝对差值和平均差值均大于利用半方差函数确定滑动窗口宽度的预测影像,表明STARFM改进模型具有优越性。

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。

遥感数据时空融合技术在农作物监测中的适应性研究

受卫星回访周期及云的影响,大范围研究区同一时期的Landsat卫星数据很难获取,因而国内外学者提出了遥感影像时空融合技术。以石河子为实验区,利用STARFM(Spatial and Tempo-ral Adaptive Reflectance Fusion Model)模型融合生成了高时空分辨率TM影像,对不同作物类型真实反射率与融合影像反射率作相关性分析,分析了遥感数据时空融合技术在新疆农作物监测中的适用性。结果表明:利用STARFM模型模拟得到的融合影像与真实影像间的相关性较高,但当地物类型发生变化时,融合影像与真实影像间将存在明显的差异。地物类型变化作物融合影像反射率与真实影像反射率间的相关性较小。