地表温度日变化模型偏差系数解算的地表温度降尺度

地表温度LST（Land Surface Temperature）是全球气候变化研究的关键参数,遥感是获取全球和区域尺度地表温度的一种切实可行手段,但现有的单一传感器无法提供高时空分辨率的LST数据,限制了遥感地表温度数据的深入广泛应用。现有的降尺度方法难以生成无缝高时空分辨率的地表温度数据,且降尺度效果易受高空间分辨率LST数据缺失及有效时刻分布影响。本文提出了一种基于地表温度日变化模型DTC（Diurnal Temperature Cycle）偏差系数解算的地表温度降尺度方法,采用FY-4A、MODIS和Landsat 8的LST数据生成晴空及多云条件下逐小时100 m的无缝LST数据。方法主要包含4部分：（1）利用空值重建方法获取无缝的FY-4A的LST数据;（2）建立FY-4A LST数据的DTC模型;（3）采用时空融合模型对MODIS的LST数据进行空间降尺度;（4）解算DTC模型偏差系数,获取逐小时100 m分辨率的无缝LST数据。实验结果表明,本文提出的方法具有较高的降尺度精度,可获得晴空及多云条件下无缝高时空地表温度数据,且高空间分辨率的地表温度数据缺失和有效时刻分布对本文方法降尺度结果影响较小。     

ETWatch中不同尺度蒸散融合方法

高分辨率遥感蒸散数据集的构建受到数据源的限制和云的影响,单一传感器无法达到高时空分辨率覆盖。本文分 析了ETWatch不同尺度遥感蒸散结果的空间特征,通过几种融合方法的比较,分析数据融合前后的数据特征和信息量,将 时空适应性反射率融合模型（STARFM）集成到ETWatch,用于不同尺度遥感蒸散数据的融合,该方法可以很好的结合高 低分辨率数据的空间分布和时间分布信息,在时间上保留了高时间分辨率数据的时间变化趋势,空间上又反映了高空间分 辨率数据的空间细节差异,STARFM融合后的日ET数据与融合前1 km 日ET数据的平均相对误差为1.75%,融合后的月ET 数据与融合前1 km 月ET数据的平均相对误差为0.2%,STARFM适合于不同尺度下遥感ET数据的融合。     

遥感数据时空尺度对地理要素时空变化分析的影响

地理要素的时空变化分析对于了解和掌握地表的规律性有着重要的作用。利用地面站点观测、实地调查等传统方式获取数据,对地理要素进行时空变化分析是最常用的方法。但该类方法往往表现的是"点尺度"观测,不能在大尺度情况下准确地反映地表的时空变化信息。遥感卫星能以一定的时间间隔获得空间连续的对地"面尺度"观测数据,然而其特定的空间和时间分辨率使其获取的地表信息仍十分有限。同时地表的空间异质性和个别地表短时间内的快速变化,使得利用遥感数据对地理要素进行时空变化分析时,时空变化分析结果会随观测尺度而发生改变。本文从空间尺度和时间尺度两方面综述遥感数据时空尺度对地理要素的时空变化分析产生的影响和原因,并针对这些问题总结了减小时空尺度对结果不确定性影响的现行方法。可以通过多源遥感协同观测和反演、尺度转换、空间建模等方法减小空间尺度引起的不确定性;通过联合多时相遥感数据的方法减小时间尺度引起的不确定性。在实际应用中,应根据所观测地理要素的实际情况,综合分析选择合适的方法。     

融合高时空分辨率数据估算植被净初级生产力

植被净初级生产力NPP(Net Primary Production)遥感估算与分析,有赖于高时空分辨率的遥感数据,但目前中高分辨率的遥感数据受卫星回访周期及天气的影响,在中国南方地区难以获取连续时间序列的数据,从而影响了高精度的区域植被净初级生产力的遥感估算。为此,提出一种基于多源遥感数据时空融合技术与CASA模型估算高时空分辨率NPP的方法。首先,利用多源遥感数据,即Landsat8 OLI数据与MODIS13Q1数据,采用遥感数据时空融合方法,获得了时间序列的Landsat8 OLI融合数据;然后,基于Landsat8 OLI时空融合数据,并采用CASA模型,以长株潭城市群核心区为例,进行区域植被NPP的遥感估算。研究结果表明,基于时间序列Landsat融合数据估算的30m分辨率的NPP具有良好的空间细节信息,且估算值与实测值的相关系数达0.825,与实测NPP数据保持了较好的一致性。     

面向非均质区域的空间增强型时空融合模型研究

随着遥感技术的发展,遥感数据日益增加。然而,受传感器限制及云雨天气影响,单一传感器难以获取高时空分辨率的遥感影像,从而在一定程度上影响全球及区域环境变化研究。遥感影像时空融合理论与技术的发展为解决这一问题提供了有效途径。近年来,国内外学者提出了大量的时空融合算法,但对于复杂地表景观区域空间细节的融合仍存在挑战,地表非均质区域时空融合的精度有待提高。为此,本文提出了一种面向非均质区域的空间增强型时空融合模型。首先,基于混合像元分解原理与遥感数据空间特征尺度不变性假设,将低分辨率光谱变化降尺度为高分辨率光谱变化值;然后,基于不同分辨率遥感数据光谱关系的时间不变性假设,获得最终融合影像。试验结果表明,相对于常用融合模型STARFM、FSDAF,本文模型既能有效反映不同地物物候变化信息,同时能更好地保留地表的空间细节,增强了非均质地表覆盖区域融合影像的空间特征与效果;本文模型的均方根误差RMSE、相关系数r及结构相似性指标SSIM平均值分别达到0.024、0.898、0.897,相对于常用融合模型STARFM、FSDAF,RMSE平均值分别降低了6.71%和4.33%,r平均值分别提高了1.9...     

塞罕坝地区高空间分辨率叶面积指数时序估算与变化检测

叶面积指数LAI (Leaf Area Index)是调节植被冠层生理过程的最重要的生物物理变量之一,高空间分辨率时间序列LAI对于植被生长检测、地表过程模拟与区域和全球变化研究至关重要,但是由于数据缺失和反演方法限制,目前还没有时空连续的高分辨率LAI数据产品。本研究提出了一种生成时间连续的高空间分辨率LAI数据的算法,首先对MODIS LAI产品滤波平滑,生成时间序列LAI的上包络曲线,根据上包络曲线提供的变化信息构建LAI动态模型。然后利用地面实测的LAI数据与Landsat反射率数据构建LAI反演的BP (Back Propagation)神经网络模型。将反演得到的高分辨率LAI数据作为LAI观测数据,利用集合卡尔曼滤波EnKF (Ensemble Kalman Filter)方法实时更新动态模型,生成时间连续的30 m空间分辨率LAI数据集。基于该算法生成了塞罕坝地区2000年—2018年长时间序列LAI数据集,利用Prophet深度学习模型进行模拟和预测,根据预测和原始LAI差异,利用支持向量机SVM (Support Vector Machine)方法检测植被干扰状况。结果表明:EnKF算法能够生成时空连续的高空间分辨率LAI数据,估算结果与地面测量值一致性较高,R~2为0.9498,RMSE为0.1577,在区域尺度上与Landsat LAI参考值较为吻合,R~2高于0.87,RMSE低于0.61。Prophet与SVM模型检测到研究区2009年,2010年,2013年,2014年,2015年植被受干扰较为严重,主要由于年降水量偏少和林区作业砍伐造成,检测结果与当地降水量与砍伐数据吻合。本文提出的算法可用于大范围高时空LAI数据反演和植被变化检测,对塞罕坝乃至全国林区规划管理具有重要的参考价值。     

基于Landsat8与MODIS的亮温融合-反演策略

针对目前高空间和高时间分辨率覆盖全球观测的卫星亮度温度影像数据缺失问题,该文以中分辨率成像光谱仪(MODIS)和Landsat 8卫星数据为例,提出了两种不同融合策略生成亮度温度,并评估其融合效果:先融合-后反演和先反演-后融合,从而将MODIS亮温数据降尺度到Landsat 8空间分辨率。该实验过程采用时空自适应反射率融合模型(STARFM),并将预测生成的亮温数据与预测时刻Landsat8亮温数据进行对比分析,计算相关系数、结构相似性和均方根误差(RMSE)等指标。结果得出以STARFM为核心算法的两种融合策略均可较好地应用于生成高时间高空间分辨率的亮度温度,且先融合-后反演的策略相对于先反演-后融合的策略有更高的融合精度。     

融合卫星遥感与地面测站的区域PM2.5反演

融合卫星遥感与地面站点的互补优势,进行了华中地区PM2.5的反演研究.基于MODIS LIB数据,结合暗像元法和亮目标法,利用6S大气传输模型反演获得分辨率为1 km的气溶胶光学厚度(AOD);基于M估计理论,将遥感反演的AOD与PM2.5站点数据进行稳健回归分析,并根据回归模型实现大尺度空间连续的PM2.5反演;最后,利用留一交叉验证法,对反演精度进行了验证.结果表明,反演的1 km AOD和MODIS现有的AOD产品相比,与PM2.5站点数据的相关系数从0.683提高到0.883,生成的PM2.5平均绝对误差从23.495 μg/m3降低到11.705 μg/m工3.     

单样本对卷积神经网络遥感图像时空融合

遥感图像时空融合是一种生成兼具高时空分辨率的合成遥感数据的技术。近年来,产生了一些基于卷积神经网络的时空融合方法。这些方法效果良好,但需要较多的图像样本对训练模型,限制了它们的应用。针对此问题,本文提出了一种单样本对卷积神经网络时空融合方法（SS-CNN）。该方法以高空间分辨率图像的波段平均图像提供的空间信息激励卷积神经网络建立高、低空间分辨率图像间的超分关系,进而利用该超分关系映射求解目标高空间分辨率图像。在实验中使用两个模拟数据集和一个真实数据集对该方法进行了测试,并与两种常用的时空融合方法做了比较。实验结果表明,SS-CNN在单样本对训练的情况下,可以较好地预测地物的物候变化和类型的变化,且在异质性高、地块破碎的区域表现良好。其不足之处在于会在地物边界上会造成轻微的模糊,将来需针对此问题做进一步改进。     

被动微波土壤水分遥感产品空间降尺度研究：方法、进展及挑战

土壤水分不仅在地表水、能量以及碳循环中发挥着非常重要的作用,其时空变化也是影响和反映气候变化的关键因子。虽然被动微波遥感技术是目前监测大尺度范围土壤水分变化最为成熟的技术手段,但是其土壤水分产品空间分辨率往往较低（几十千米不等）,不能满足区域和局地尺度的应用需求。鉴于这一问题,空间降尺度逐渐成为了提高被动微波土壤水分遥感产品空间分辨率的主要方式,也是当前遥感研究领域的热点之一。本文总结与分析了近20多年来国内外被动微波土壤水分遥感产品空间降尺度研究进展,系统归纳了经验性、半经验性和基于物理机理的3大类降尺度方法,并就各方法特征进行了详细说明,概述了各方法的优势和缺点。归纳而言,虽然被动微波土壤水分遥感产品空间降尺度方法众多,但可靠的高分辨率降尺度土壤水分产品仍较少,这与被动微波土壤水分遥感产品、降尺度关系模型方法以及降尺度辅助因子等有着直接的关联。未来相关研究应重点结合多源遥感数据建立适用性强、精度高的降尺度关系模型,进而实现时空无缝的高时空分辨率降尺度土壤水分产品的生产,为推动土壤水分遥感产品在农林业管理、自然灾害监测、水文过程分析等区域应用中提供支持。     

遥感数据时空融合研究进展及展望

遥感数据在空间分辨率和时间分辨率上相互制约,单一的卫星传感器不能获得既具有高空间分辨率又具有高时间分辨率的数据,遥感数据时空融合技术是目前解决此问题的重要方法之一。对此介绍了国内外在遥感数据时空融合领域的主要研究成果,通过对当前主流融合模型构建理论进行对比分析,将时空融合模型分为基于变换的模型和基于像元重构的模型,并且进一步将基于像元重构的模型分为了基于线性混合模型和时空自适应融合模型2类,分别介绍了各类模型的基本原理与方法,并对模型的优缺点进行了对比分析。最后,对时空融合模型的发展趋势从数据、应用和尺度3个方面进行了展望。     

一种自适应三维核回归的遥感时空融合方法

时空融合是解决遥感数据高重访周期与高空间分辨率矛盾的一种有效方法。发展了一种综合利用遥感数据空间与光谱信息的三维自适应核回归反射率模型（three-dimensional adaptively local steering kernel regression fusion model,3DSKRFM）,通过提取每个像元的三维控制核（steering kernel）的局部信息,使时空融合过程中的权重自适应调节,提高遥感时空融合的精度。利用两组ETM+和MODIS（moderate-resolution imaging spectroradiometer）数据进行实验测试,结果表明3DSKRFM相比STARFM和2DSKRFM模型具有两方面的优势:一是充分利用遥感影像多波段的优势,提高融合精度;二是具有更强的鲁棒性,满足实际影像时空融合的需求。     

基于CCI和MODIS数据的淮河流域地表土壤湿度降尺度方法研究

土壤湿度是控制陆地和大气间水热能量交换的一个关键参数,同时也是陆面生态系统水循环的重要组成部分。本文选用25 km分辨率的CCI(Climate Change Initiative)土壤湿度产品数据,并结合1 km分辨率的MODIS数据,构建微波土壤湿度产品数据降尺度回归算法,获取淮河流域1 km空间分辨率的土壤湿度数据。降尺度后所获取淮河流域1 km空间分辨率的土壤湿度数据总体上提高了25 km空间分辨率的CCI土壤湿度产品数据的精度.     

基于权重滤波的时空融合算法对比分析

多源遥感数据时空融合技术可生成高空间高时间分辨率的图像数据,有效解决了遥感应用中的遥感图像"时空矛盾"问题。ESTARFM和STNLFFM是目前常用的两种基于权重滤波的时空融合模型,本文对上述方法进行了对比分析,为模型选择提供依据。通过两组不同地表覆盖类型变化的实验,开展了模型精度对比分析,结果表明:当地表覆盖物时相变化属于物候变化时,两种算法融合结果均能还原出较为丰富的空间细节信息,且算法融合精度差异较小,效果相当;而当地表覆盖类型发生较大突变时,两种算法融合结果空间细节信息还原较少,同时,相比于ESTARFM,STNLFFM融合结果能够获取较高精度。     

季节偏差纠正下的遥感AOD产品降尺度BGIM算法

MODIS 3 km DT（Dark Target）卫星气溶胶光学厚度AOD（Aerosol Optical Depth）数据产品已广泛应用于大气污染监测,但受反演方法限制,该数据产品像元缺失严重、时空覆盖度低、精度偏低。相比,MODIS 10 km DT_DB_Combined AOD数据产品因融合DT和DB（Deep Blue）两种反演算法,一定程度上可弥补MODIS 3 km DT AOD数据产品在时空覆盖度与精度方面的缺陷,但分辨率偏低。此外,受气溶胶组分来源的季节变化与地表反射率估算的季节性误差影响,MODIS AOD数据产品精度同时也存在季节性特征。本文由此以京津冀为试验区,顾及AOD季节变化特性,开展MODIS 10 km DT_DB_Combined AOD数据产品偏差纠正下的地统计反演模拟BGIM（Bias-corrected Geostatistical Inverse Model）降尺度算法研究。试验同时引入AERONET地基观测数据和MODIS 3 km DT AOD数据产品作为降尺度结果的绝对与相对验证标准。结果表明：季节偏差系数纠正下生成的MODIS 3 km DT_DB_Combined AOD与10 km DT_DB_Combined AOD、3 km DT AOD数据产品的绝对精度相当,验证R²分别为0.79、0.70、0.71;且相比MODIS 3 km DT AOD数据产品,季节偏差系数纠正下的MODIS 3 km DT_DB_Combined AOD数据与其相关系数可达0.93;在时间覆盖度和空间覆盖度方面可分别提升11.21%和11.44%,其中春、冬两季空间覆盖度提升效果尤为显著。研究结果证实BGIM降尺度算法可有效估算MODIS 3 km DT_DB_Combined AOD数据,提高MODIS 3 km AOD产品的时空覆盖度,并同时抑制原有MODIS 10 km DT_DB_Combined AOD数据产品的季节性高估现象。     

数据融合视角下的遥感参量空间降尺度

空间分辨率不足是限制遥感参量数据精细应用的主要瓶颈问题之一,而空间降尺度是提升遥感参量数据空间分辨率与应用能力的有效途径。研究学者针对不同遥感参量已发展了类型多样的降尺度方法,但还未形成统一、通用的分类体系。在深入分析当前各类参量降尺度共性问题的基础上,从降尺度所需的互补信息出发,以数据融合的视角对空间降尺度方法进行系统总结,归纳出多参量融合、时-空融合、遥感-模型融合和超分辨率重建隐式融合4类降尺度方法,剖析了各类方法的优缺点和适用场景,探讨了空间降尺度方法研究的发展趋势,为提升遥感数据精细化应用能力提供理论与技术支撑。     

一种高时空分辨率NDVI数据集构建方法-STAVFM

ETM NDVI可以用来在30m的尺度上开展植被的监测,然而在Landsat卫星16天的重访周期和云污染等因素的影响下,常常会在相当长的一段时间内无法获取有效的ETM NDVI数据,给这一尺度下的植被动态监测带来了一定困难。相比之下,MODIS虽然在空间上只有250m分辨率的NDVI产品,却可以每天进行相同区域的监测。针对ETM空间分辨率高和MODIS时间分辨率高的特点,本研究选择实验区,基于对STARFM方法的改进,构建不同时空分辨率NDVI的时空融合模型-STAVFM,使用该模型对ETM NDVI与MODIS NDVI融合,构建了高时空分辨率NDVI数据集。研究结果表明,通过MODIS NDVI时间变化信息与ETM NDVI空间差异信息的有机结合,实现缺失高空间分辨率NDVI的有效预测（3景预测NDVI与实际NDVI的相关系数分别达到了0.82、0.90和0.91）,从而构建高时空分辨率NDVI数据集。所构建的高时空分辨率NDVI数据集在时间上保留了高时间分辨率数据的时间变化趋势,空间上又反映了高空间分辨率数据的空间细节差异。     

增强型空间像元分解时空遥感影像融合算法

高空间、高时间分辨率的遥感影像对地表与大气环境的实时精细监测具有重要作用,但单一卫星传感器获取的遥感影像存在空间与时间分辨率相互制约的问题,时空融合技术发展成为了低成本、高效生成满足不同应用需求的高时空分辨率遥感影像的有效手段。近年来,国内外学者提出了大量的时空融合算法,但对于复杂的地物类型变化的空间细节修复仍存在挑战,融合影像精度有待提高。对此,本文提出增强型空间像元分解时空遥感影像融合算法(EUSTFM),采用变化检测识别并修复地物类型改变的像元,使空间像元分解过程可同时在已知时相与未知时相进行,以生成空间细节信息准确的中间分辨率影像对,用于最终的邻域相似像元计算,实现了对季节性变化(如植被自然生长)、有形变(如城市土地扩张)及无形变的地物类型变化(如农作物的成熟与收割)等复杂地表变化的一致性预测,提高了融合精度。实验采用两对Landsat-MODIS遥感影像数据集,对比STARFM与FSDAF两种广泛应用的时空融合算法,测试了该算法的影像融合效果。结果表明,本文提出的EUSTFM能够同时实现对季节性变化及复杂的地物类型变化的稳定预测,可生成具有更高精度的融合影像,将有效推动时空影像融合的实际遥感应用。     

近岸/内陆典型水环境要素定量遥感空间尺度问题研究

近岸/内陆水环境遥感的空间尺度问题研究包括空间变异尺度及遥感监测空间尺度需求,以及多源多尺度遥感数据及定量产品的空间尺度误差两个方面。利用长时序高分一号16 m遥感数据集高时空分辨率的综合优势,采用空间半变异函数分析方法获取了中国近岸/内陆典型水环境要素（以悬浮颗粒物为例）的空间变异尺度。基于水环境要素空间变异的连续性和泰勒级数展开理论,定量化地描述了空间尺度误差解析函数。结果表明,近岸/内陆水体等高动态水体的空间变异尺度平均在150 m以下,而外海等相对稳定水体空间变异尺度在300 m以上。随着空间分辨率的降低,受到空间变异和水环境要素非线性定量反演模型的共同影响,悬浮颗粒物的空间尺度误差显著增大,亟需重点研究区域化的尺度误差校正方法。     

多源卫星遥感影像时空融合研究的现状及展望

高空间分辨率的地表或者大气环境动态监测需要高时间-空间分辨率的卫星遥感影像作为数据支撑,但由于卫星传感器硬件技术及卫星发射成本等客观因素的限制,使得获取高时空分辨率遥感影像的较为便捷高效、低成本的可行手段就是将分别具有高时间和高空间分辨率的多源遥感影像进行时空融合,从而生成不同研究和应用所需的高时空分辨率卫星影像。现阶段,虽然国内外的学者进行了大量的时空融合算法研究,但是这些研究都局限于特定的数据类型、算法原理、应用目的等客观限制,而且其发展呈现出多样性。本文对现有主流的时空融合算法研究进行了归纳总结,将其分为4种:(1)基于地物组分的时空融合;(2)基于地表空间信息的时空融合;(3)基于地物时相变化的时空融合;(4)组合性的时空融合。同时,本文还对时空融合算法中存在的问题和面临的挑战进行了分析,并对其未来的发展方向进行了前瞻性的展望。