基于时空融合算法的水体叶绿素a反演研究

为了准确反演水体中叶绿素a浓度,以黄柏河东支流域为例,采用STNLFFM时空融合算法,对2017年GF-4和Sentinel-2反射率数据进行融合,以重构Sentinel-2影像的时间序列数据,并对应用算法前后获取的水质参数-光谱特征响应关系建立多元线性回归模型,比较模型对叶绿素a的预测效果以验证时空融合算法的可行性,利用重构后影像光谱特征与水质参数的响应关系建立人工神经网络模型,反演2017年黄柏河东支流域各水库水体叶绿素a浓度。结果表明:利用时空融合算法生成的影像接近真实影像,提高了多元线性回归模型预测叶绿素a的效果,R2从融合前0.659提高至融合后0.844,且基于时空融合算法获取的水质参数-光谱关系建立的人工神经网络模型模拟精度较好,R2和MRE达到0.925和9.461%,反演的叶绿素a浓度空间差异性明显。证明了时空融合算法在水质参数反演过程中具有较好的应用前景。

遥感时空融合中单/双时相辅助数据的适用性分析

遥感时空信息融合需要其他时相的数据作为辅助,而现有的时空融合应用往往随机选用单时相或双时相辅助数据,从而导致融合结果并非最佳。单/双时相辅助数据中,哪种能获得更优的融合结果?如何选用单/双时相辅助数据进行最佳融合?这是目前研究中尚未探究的问题。针对此问题,该文对单/双时相辅助数据的融合结果进行了系统比较,总结了单/双时相辅助数据在不同时相变化特征下的适用规律。结果发现,当存在多个可供选择的辅助时相时,若预测时段内时相变化幅度基本均等,应优先选用双时相辅助数据进行融合;若时相变化幅度明显不等,应优先选用差异较小的单时相辅助数据进行融合。此外,为深入揭示时相差异与最优辅助时相的关系,该文对其进行了量化研究,提出了一种用于选取最优辅助时相的经验性方法。

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。

基于多源遥感数据融合的运城盆地夏玉米估产研究

[目的]准确估算区域尺度作物产量是确保粮食安全,发展生态、安全农业的关键。[方法]文章以山西省重要的粮食产区——运城盆地为例,利用2020年空间分辨率为10m的Sentinel-2A数据和时间分辨率为1d的MODIS数据,采用STNLFFM (Spatial and Temporal Nonlocal Filter based Fusion Model)算法并结合光能利用率模型进行夏玉米NPP (Net Primary Production)模拟和产量估测。[结果](1)融合后的NDVI数据能较好地继承Sentinel-2A NDVI数据的空间细节,同时能够较好地表达较小地物之间空间差异;(2)STNLFFM NDVI时序曲线能准确地反映夏玉米种植时期的NDVI变化趋势和局部突变信息,比MODIS NDVI时序曲线更符合夏玉米实际生长状况。(3)运城盆地夏玉米种植区累积NPP均值为667.42 gC/m2,其中西北部的涑水河冲湖积平原,受人类活动影响显著,灌溉条件较好,NPP累积量较高,为700~900 gC/m2。(4)东北部山区和北部台塬区受地形破碎程度较高影响,NPP累积量小于500 gC/m2。(5)基于STNLFFM NDVI构建的估产模型精度(R2=0.849,MAPE=5.47%)显著高于基于MODIS NDVI数据的估产模型精度(R2=0.113,MAPE=15.65%),说明利用时空融合技术能够有效提高夏玉米单产估测精度。[结论]该文可以为多源遥感数据融合与光能利用率模型协同估产提供了新的思路。