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。     

多源数据融合的高时空分辨率植被指数生成

高时空分辨率的植被指数VI(Vegetation Index)数据是农业和生态研究的重要基础数据集,目前常用的VI数据的时空分辨率存在不可调和矛盾。考虑VI时序变化对数据融合的影响,提出一种新的VI数据时空融合模型VISTFM(Vegetation Index Spatial and Temporal Fusion Model),VISTFM采用模糊C聚类算法,对存量时序VI数据按土地利用类型划分为若干子类,从高低分辨率影像中随土地覆被类的变化规律提取子类,结合低分辨率影像提取的土地覆被类变化规律融合生成高时空分辨率的VI数据。用常用的Landsat和MODIS数据验证该算法,测试表明,VISTFM能够较好的捕获VI的中间变化过程,与常用的基于线性混合模型的模型和时空自适应反射率融合模型及其改进模型相比,利用VISTFM获得的植被指数数据集具有更高的时空分辨率。     

融合微波遥感与模型模拟的时空无缝土壤湿度数据生成方法

遥感反演与模型模拟是获取全球土壤湿度数据的两种基本手段,遥感反演可以获得相对较高的空间分辨率,但往往存在时空缝隙;陆面模型能够模拟土壤湿度的时空连续演进,但空间分辨率往往较粗。为此,集成二者的互补优势,提出一种融合微波遥感与模型模拟的全球无缝土壤湿度数据生成方法。具体地,针对SMAP(soil moisture active passive）卫星9 km土壤湿度数据的空缺区域,引入GLDAS Noah 0.25°的模型同化数据,建立二者之间的时空融合模型,通过对模型数据的降尺度实现对遥感数据的填补,进一步基于泊松方程方法进行残差校正,进而生成高精度的9 km日尺度土壤湿度无缝数据。实验结果证明,该方法可以有效结合遥感观测的空间分辨率优势与模型模拟的时空连续优势,提供时空无缝全球土壤湿度数据,更好地满足全球尺度水循环监测与水资源管理的需求。     

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。     

高时空分辨率 NDVI 数据集构建方法

针对ETM 空间分辨率高和MODIS 时间分辨率高的特点, 选择官厅水库上游为实验区, 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, STAVFM 根据植被变化特点定义了有效时间窗口, 在考虑 物候影响的同时改进了时间维的加权方式, 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NDV     

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...     

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。     

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。     

融合Landsat ETM+和MODIS数据估算高时空分辨率地表短波反照率

提出一种通过融合高空间低时间分辨率、低空间高时间分辨率地表短波反照率,来估算高时空分辨率地表短波反照率的方法。首先,利用Landsat ETM+数据,通过窄波段到宽波段的转换得到一景或多景空间分辨率较高的ETM+蓝天空短波反照率;然后,在MODIS短波反照率产品基础上,以天空光比例因子为权重,得到空间分辨率较低的MODIS蓝天空短波反照率;最后,利用STARFM(Spatial and Temporal Adaptive Reflectance Fusion Model)模型融合ETM+短波反照率的空间变化信息和MODIS短波反照率的时间变化信息,得到高时空分辨率的地表短波反照率。针对STARFM模型在异质性区域估算精度降低的问题,通过以MODIS反照率影像各像元的端元(各地类)反照率取代MODIS像元反照率来提取时空变化等信息参与STARFM模型的融合过程,达到提高异质性区域估算精度的目的。结果显示,直接利用STARFM模型估算得到的高空间分辨率地表短波反照率处在合理的精度范围内(RMSE0.02),用改进后的STARFM模型估算得到的异质性区域短波反照率和真实ETM+短波反照率间的相关系数增大。     

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。     

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。     

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。     

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"。     

遥感地表温度产品时空融合方法研究综述EI北大核心CSCD

受传感器性能的制约,利用单一卫星热红外遥感数据反演到的地表温度产品难以兼顾时间分辨率和空间分辨率,而时空融合技术能够发挥多传感器互补的优势,获得时间密集度高、空间细节丰富的地表温度产品,从而在算法层面上解决这一矛盾。随着时空融合研究的深入,地表温度开始显露出与其他产品有着明显区别的融合特性,而内在机理和应用潜力都有待被整理和挖掘。本文就立足于地表温度与时空融合的交叠区,对两者结合而生的研究成果进行收集、分析和总结,系统地概述了该领域的研究背景、原理、方法和应用,并重点突出与泛在时空融合技术的之间的联系与区别;最后,基于地表温度数据的特点和时空融合的局限性,总结了该领域所面临的主要挑战,并对可行的解决方法和发展方向进行了展望。     

利用局部高空间分辨率大气数据计算GRACE大气去混频模型

在计算GRACE重力场反演中的大气去混频模型时,针对ECMWFop或ERA-Interim大气数据空间水平分辨率不足的问题,提出了一种局部区域高空间水平分辨率大气数据与全球大气数据合理拼接融合的方法。利用欧洲局部区域的大气数据与ERA-Interim大气数据融合计算了一组改进的大气去混频模型,从谱域、空域及星间距离变率残差角度分析了改进大气去混频模型的质量。结果表明改进大气去混频模型相对于常规大气去混频模型的质量提高最大比例为1.87%,与AOD1BRL05相对于RL04的提高比例2.27%相当,验证了高空间水平分辨率大气数据确实有助于提高大气去混频模型质量的结论,为改进GRACE提取局部区域特定质量变化信号提供了一种方法。     

城市地表温度影像时空融合方法研究

地表温度（land surface temperature,LST）是反映地表能量和水平衡物理过程的一个重要参数,受限于载荷量的限制以及传感器的技术瓶颈,当前的卫星平台均难以获取同时具有较高空间和时间分辨率的遥感地表温度影像,客观上影响了遥感地表温度影像的应用。针对地表异质性较高的城市区域,选取覆盖武汉城区的中分辨率成像光谱仪（Moderate-Resolution Imaging Spectroradiometer,MODIS）和增强型专题绘图仪（Enhanced Thematic Mapper Plus,ETM+）数据,结合时空反射率融合模型（enhanced spatial and temporal adaptive reflectance fusion model,ESTARFM）和非线性辐射温度分解算法（non-linear disaggregation procedure for radiometric surface temperature,NL-DisTrad）对地表温度影像进行时空融合研究,最终生成60 m空间分辨率的逐日地表温度融合影像。将融合影像与2002-07-09和2002-10-13的ETM+实际地表温度影像进行融合精度验证分析,其决定系数R2分别为0.80和0.86,均方根误差（root mean square error,RMSE）分别为2.65 K和1.78 K。实验结果表明,所提出的地表温度时空融合模型在城市区域的地表温度时空融合应用中具有潜在的应用前景。     

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...     

时空融合技术在区域地表覆盖时序分类中的应用

由于中高分辨率遥感影像数据时序性不强,分类过程中无法准确记录地物的时序特征.为增加地物时序变化特征,本文使用时空融合模型重建高时序高分辨率遥感影像,分析加入时相特征对分类结果的影响.以河北省石家庄市中部地区为例,本文采用3种时空融合模型重建高时序的30 m分辨率的遥感影像,增加影像时序分类特征,采用随机森林对年度重建时...