结合像元分解和STARFM模型的遥感数据融合

高空间、时间分辨率遥感数据在监测地表快速变化方面具有重要的作用。然而,对于特定传感器获取的遥感影像在空间分辨率和时间分辨率上存在不可调和的矛盾,遥感数据时空融合技术是解决这一矛盾的有效方法。本文利用像元分解降尺方法(Downscaling mixed pixel)和STARFM模型(Spatial and Temporal Adaptive Reflectance Fusion Model)相结合的CDSTARFM算法(Combination of Downscaling Mixed Pixel Algorithm and Spatial and Temporal Adaptive Reflectance Fusion Model)进行遥感数据融合。首先,利用像元分解降尺度方法对参与融合的MODIS数据进行分解降尺度处理;其次,利用分解降尺度的MODIS数据替代STARFM模型中直接重采样的MODIS数据进行数据融合;最后以Landsat 8和MODIS遥感影像数据对该方法进行了实验。结果表明:(1)CDSTARFM算法比STARFM和像元分解降尺度算法具有更高的融合精度;(2)CDSTARFM能够在较小的窗口下获得更高的融合精度,在相同的窗口下其融合精度也高于STARFM;(3)CDSTARFM融合的影像更接近真实影像,消除了像元分解降尺度影像中的"图斑"和STARFM模型融合影像中的"MODIS像元边界"。     

Landsat8和MODIS融合构建高时空分辨率数据识别秋粮作物

本文利用Wu等人提出的遥感数据时空融合方法 STDFA(Spatial Temporal Data Fusion Approach)以Landsat 8和MODIS为数据源构建高时间、空间分辨率的遥感影像数据。以此为基础,构建15种30 m分辨率分类数据集,然后利用支持向量机SVM(Support Vector Machine)进行秋粮作物识别,验证不同维度分类数据集进行秋粮作物识别的适用性。实验结果显示,不同分类数据集的秋粮作物分类结果均达到了较高的识别精度。综合各项精度指标分析,Red+Phenology数据组合对秋粮识别效果最好,水稻识别的制图精度和用户精度分别达到91.76%和82.49%,玉米识别的制图精度和用户精度分别达到85.80%和74.97%,水稻和玉米识别的总体精度达到86.90%。     

构建时空融合模型进行水稻遥感识别

传统变化检测手段进行水稻遥感识别受"云污染"和影像间配准误差导致的变化检测误差累积及"椒盐"现象的影响,水稻遥感识别精度低。本文提出时空融合模型(Temporal-Spatial-Fusion Model,TSFM)进行水稻遥感识别,旨在综合像元在时间、空间维度上的信息定义像元的水稻时空归属度,根据时空归属度划分阈值提取水稻。实验结果表明:在不同窗口尺度下,TSFM在整体和"云污染"区域对水稻提取均达到了较高精度。当窗口尺度为3×3时,水稻提取的用户精度、制图精度和总体精度分别达到93.4%、83.5%和87.9%。在不同窗口尺度下水稻提取的用户精度、制图精度、总体精度均高于分类后比较PCC(Post-Classification Comparison)和多数投票法(Majority Voting,MV);在"云污染"区域,水稻识别总体精度均在92.0%以上,水稻制图精度比PCC、MV分别至少提高了14.0%、7.6%。有效地解决了传统变化检测作物遥感识别存在的误差累积问题,在一定程度上避免了"云污染"和"椒盐"现象对识别结果的影响。另外,初步探讨了TSFM水稻提取精度与景观特征关系,发现在景观规整区域适宜采用较小的窗口,在破碎区域适宜采用较大的窗口。该方法的成功实施,为大范围开展秋粮作物遥感识别,消除"云"影响进行了前期实验探讨。