长时间序列高时空分辨率NDVI数据集构建方法研究

发布时间：2020-05-29 11:32

【摘要】：基于当前对长时间序列高时空分辨率NDVI数据集具有强烈的现实需求但长时间序列高时空分辨率NDVI数据集十分缺乏、多源数据时空分辨率难于统一、时空数据融合算法很多但尚无有效的长时间序列NDVI数据融合方法的现状,提出了以傅里叶逼近为基础的长时间序列时空融合模型(LTSTAFM)和长时间序列线性融合模型(LTLFM)两种长时间序列高时空分辨率NDVI数据集构建方法。以青藏高原东缘若尔盖湿地核心区为实验区,以GIMMS、Landsat和MODIS为数据源,对模型进行了实验和验证。研究表明:1)傅里叶逼近方法能够进行时间序列上离散的NDVI数据的序列重建,并且能够达到一定精度,能够较好地模拟NDVI的季节、规律性变化信息,但由于数据拟合算法本身的局限性,无法反映足够的扰动信息;2)基于时空适应反射率模型(STARFM)改进而来的长时间序列时空融合模型(LTSTAFM)通过引入空间信息和高低分辨率数据光谱(NDVI)差异信息,实现了对长时间序列NDVI周期和扰动信息的模拟,并取得了较高的精度,同实际观测数据的平均均方根误差(RMSE)仅为0.0378,平均相关系数0.8651,平均线性倾向率0.9993,能够满足区域尺度相关研究的需要;3)基于线性混合理论和傅里叶拟合结果结合滑动窗的使用,长时间序列线性融合模型(LTLFM)通过融合AVHRR数据,较好地在高空间分辨率尺度上实现了长时间序列NDVI数据集的构建,模型结果无论在时间序列上还是空间上均较好地逼近了实际观测数据,平均均方根误差(RMSE)为0.0467,平均相关系数0.8646,平均线性倾向率0.8661,能够一定程度满足区域尺度相关研究的需要;4)同傅里叶逼近方法相比,本研究LTSTAFM和LTLFM模型模拟的长时间序列NDVI具有更加清晰的纹理和细部结构等图像特征,在时间序列上同实际观测数据(MODIS)的相关性更高,更接近真实;5)LTSTAFM和LTLFM两种模型所产生的NDVI的结果差异并不十分显著,但LTSTAFM模型更适于河流、耕地、起伏山地等扰动较大区域的时间序列NDVI的融合重建,而LTLFM模型则在草地等均质、变化相对规律的区域表现更佳;LTSTAFM模型得到的NDVI总体较LTLFM模型结果略微偏低。6)两种长时间序列高时空分辨率NDVI数据集构建方法虽总体上具有较高精度,但在数据源、数据精度的检验、模型结果的适用性、模型本身的稳定性、对变化的检测能力等诸多方面尚存在一些问题需待探讨。
【图文】：

STARFM算法流程

滑动窗示意图
【学位授予单位】：成都信息工程大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：P407

【参考文献】

相关期刊论文 前10条

1 谢登峰;张锦水;孙佩军;潘耀忠;云雅;袁周米琪;;结合像元分解和STARFM模型的遥感数据融合[J];遥感学报;2016年01期

2 杨光;宋戈;韦振锋;刘晗;;基于时序指数西北植被物候时空变化特征[J];水土保持研究;2015年06期

3 杨婷;赵文利;王哲怡;陆星彤;卢珊;;基于遥感影像NDVI数据的中国种植制度分布变化[J];中国农业科学;2015年10期

4 吴媛;张毅;;从国家自然科学基金项目分析遥感领域热点[J];测绘地理信息;2014年06期

5 陈燕丽;罗永明;莫伟华;莫建飞;黄永t，

本文编号：2686864