复杂地表高时空分辨率NDVI构建方法研究
发布时间：2020-12-13 23:48
由于地表异质性普遍存在,全球与区域尺度上的生态环境变化监测迫切需要高时空分辨率的遥感数据作为支撑。然而,受遥感卫星技术条件的限制,现有遥感数据难以在较长时间尺度上同时满足高时间、空间分辨率的要求。同时,在多云雾覆盖地区,每年获取到可用的高空间分辨率数据(如Landsat)仅存在于个别观测时刻。为缓解遥感数据的时空尺度间的矛盾,国内外学者提出遥感时空信息融合方法来合成高时空分辨率的遥感数据。但目前现有的时空融合算法通常假设性较强,在空间异质性较强或种植制度多样的复杂地表上的应用受到很大限制。同时大部分算法均以地表覆盖简单或基对数据数量较多的地区作为研究区域,针对可用数据较少且种植制度多样的复杂地表研究甚少。本文以基于遥感趋势面的时空融合算法(Remote Sensing Trend surface based method,RTSM)为基础,选取多云雾覆盖的关中地区为研究区,重点研究可用数据有限且种植制度多样的复杂地表下双季作物的高时空NDVI构建方法。通过引入一条自适应的拟合曲线,改进了 RTSM算法的曲线拟合方法,将RTSM算法拓展至种植制度多样的复杂地表下的应用。主要工作内容如下:...
【文章来源】：西安科技大学陕西省
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
ESTARFM算法时空融合示意图
1绪论7间分辨率数据，因此不适宜用于数据稀少地区。ATPPK-STARFM[33]算法在进行时空数据融合之前，首先将500mMODIS图像重采样至250m，以提高在异质性较强地区的应用效果。蒙继华等人[20,34]提出的STAVFM算法（SpatialTemporalAdaptiveVegetationindexFusionModel,STAVFM）通过对时间维权重进行改进，直接将算法用于植被指数的提取，提高了模型精度及运行效率。图1.2ESTARFM算法流程示意图1.2.3基于贝叶斯估计的融合模型基于贝叶斯的融合模型通过借助贝叶斯估计理论以概率方式融合遥感影像。在贝叶斯框架中，时空融合被视为最大后验（MAP）问题[35]，该类算法认为遥感数据时空融合中存在两种类型关系。一种是在同一观测日期的高、低空间分辨率影像之间的关系，称其为比例关系。另一种是在不同日期观测到的低空间分辨率影像之间的关系，称之为时间关系。现有的基于贝叶斯的时空数据融合方法采用不同的方法对这两种关系进行建模，建模过程提供了较大的灵活性，从而可以直观地解释融合过程。Li等人[36]提出的贝叶斯最大熵（BME）方法中，使用协方差函数将分辨率为25km的地球观测系统高级微波扫描辐射仪（AMSR-E）海面温度（SST）与分辨率为4km的MODISSST进行融合，得到了较好的融合效果。近几年来基于贝叶斯的融合模型[37]通过利用比例关系将低空间分辨率影像的双线性插值与高空间分辨率影像的高通频率的积分进行建模，并将低空间分辨率影像的联合协方差用作时间关系生成高时空分辨率影像。
1绪论10（2）算法对比与验证：以包含多种种植制度的复杂地表为实验区域，利用改进的RTSM算法构建高时空分辨率NDVI，并与应用广泛的ESTARFM算法做对比，通过定性和定量验证两方面比较两种时空融合算法在种植制度多样的复杂地表下的适用性。（3）评价算法对基对数据敏感性：选取不同分布及数量的基对数据组，分别采用改进的RTSM算法和ESTARFM算法进行遥感数据时空融合，验证两种算法对基对数据的敏感性，为遥感时空融合算法中基对数据的选择提供参考。1.3.3技术路线根据研究内容，本文的研究路线具体如下：（1）研究区选择。综合考虑地形地貌条件、影像质量等因素后，选取陕西省关中地区作为实验研究区。该区域属于多云雾地区，每年可利用的高分辨率影像数量十分有限。同时种植制度多样，包括一年一熟制及一年两熟制等多种制度，能够更好地验证改进的RTSM算法在数据稀少的前提下对于复杂地表的适用性。（2）数据获取及处理。将累计10年的LandsatNDVI按照先日期后年份的原则进行日期重排合成历史观测数据，利用本文新引入的Hants曲线拟合方法，选取合理的相关参数，将LandsatNDVI历史合成时间序列和2014年MODISNDVI时间序列曲线进行曲线拟合，使其更接近于植被真实生长变化趋势，构建高精度的先验知识库。（3）选取不同类别的典型区域，验证改进的RTSM算法在不同数据量条件下双季作物高时空NDVI构建的精度，评价该算法在种制度多样的复杂地表的适用性。（4）与ESTARFM算法进行对比，通过空间对比、散点图对比和时间趋势对比等方面对比验证两种算法结果在复杂地表的适用性。分析两种算法各自的优势及不足。图1.3论文技术路线图
【参考文献】：
期刊论文
[1]基于ESTARFM模型的区域农田高时空分辨率影像产生与应用[J]. 陈梦露,李存军,官云兰,周静平,王道芸,罗正乾. 作物学报. 2019(07)
[2]面向GF-1 WFV数据和MODIS数据的时空融合算法对比分析[J]. 平博,孟云闪,苏奋振. 地球信息科学学报. 2019(02)
[3]基于MODIS-Landsat时空融合的陕北黄土高原植被覆盖变化研究[J]. 刘咏梅,马黎,黄昌,凯楠. 西北大学学报(自然科学版). 2019(01)
[4]基于STARFM模型的遥感影像融合[J]. 彭检贵,罗为检,宁小斌,邹泽林. 中南林业调查规划. 2018(03)
[5]基于HANTS算法的疏勒河流域荒漠化时空动态监测[J]. 邹明亮,周妍妍,曾建军,韩雅敏,岳东霞. 西北师范大学学报(自然科学版). 2018(02)
[6]遥感高时空融合方法的研究进展及应用现状[J]. 刘建波,马勇,武易天,陈甫. 遥感学报. 2016(05)
[7]GF-2卫星数据影像融合方法的比较研究[J]. 徐异凡,杨敏华. 国土资源导刊. 2016(01)
[8]环境星归一化植被指数时间序列滤波算法比较[J]. 刘寒,冯莉,朱榴骏,黄银友. 遥感信息. 2015(05)
[9]构造地理要素趋势面的尺度转换普适性方法探讨[J]. 王祎婷,谢东辉,李小文. 遥感学报. 2014(06)
[10]融合数据在草地生物量估算中的应用[J]. 尹晓利,张丽,许君一,刘良云. 国土资源遥感. 2013(04)
博士论文
[1]关中地区作物种植信息遥感识别及其动态监测[D]. 申健.西北农林科技大学 2017
硕士论文
[1]基于STARFM和FSDAF模型的Landsat-8地表温度重建及时空检验[D]. 李胜林.太原理工大学 2019
[2]时空融合技术在高时空分辨率NDVI数据重构中的应用[D]. 赵艳丽.太原理工大学 2015
本文编号：2915399
【文章来源】：西安科技大学陕西省
【文章页数】：74 页
【学位级别】：硕士
【部分图文】：
ESTARFM算法时空融合示意图
1绪论7间分辨率数据，因此不适宜用于数据稀少地区。ATPPK-STARFM[33]算法在进行时空数据融合之前，首先将500mMODIS图像重采样至250m，以提高在异质性较强地区的应用效果。蒙继华等人[20,34]提出的STAVFM算法（SpatialTemporalAdaptiveVegetationindexFusionModel,STAVFM）通过对时间维权重进行改进，直接将算法用于植被指数的提取，提高了模型精度及运行效率。图1.2ESTARFM算法流程示意图1.2.3基于贝叶斯估计的融合模型基于贝叶斯的融合模型通过借助贝叶斯估计理论以概率方式融合遥感影像。在贝叶斯框架中，时空融合被视为最大后验（MAP）问题[35]，该类算法认为遥感数据时空融合中存在两种类型关系。一种是在同一观测日期的高、低空间分辨率影像之间的关系，称其为比例关系。另一种是在不同日期观测到的低空间分辨率影像之间的关系，称之为时间关系。现有的基于贝叶斯的时空数据融合方法采用不同的方法对这两种关系进行建模，建模过程提供了较大的灵活性，从而可以直观地解释融合过程。Li等人[36]提出的贝叶斯最大熵（BME）方法中，使用协方差函数将分辨率为25km的地球观测系统高级微波扫描辐射仪（AMSR-E）海面温度（SST）与分辨率为4km的MODISSST进行融合，得到了较好的融合效果。近几年来基于贝叶斯的融合模型[37]通过利用比例关系将低空间分辨率影像的双线性插值与高空间分辨率影像的高通频率的积分进行建模，并将低空间分辨率影像的联合协方差用作时间关系生成高时空分辨率影像。
1绪论10（2）算法对比与验证：以包含多种种植制度的复杂地表为实验区域，利用改进的RTSM算法构建高时空分辨率NDVI，并与应用广泛的ESTARFM算法做对比，通过定性和定量验证两方面比较两种时空融合算法在种植制度多样的复杂地表下的适用性。（3）评价算法对基对数据敏感性：选取不同分布及数量的基对数据组，分别采用改进的RTSM算法和ESTARFM算法进行遥感数据时空融合，验证两种算法对基对数据的敏感性，为遥感时空融合算法中基对数据的选择提供参考。1.3.3技术路线根据研究内容，本文的研究路线具体如下：（1）研究区选择。综合考虑地形地貌条件、影像质量等因素后，选取陕西省关中地区作为实验研究区。该区域属于多云雾地区，每年可利用的高分辨率影像数量十分有限。同时种植制度多样，包括一年一熟制及一年两熟制等多种制度，能够更好地验证改进的RTSM算法在数据稀少的前提下对于复杂地表的适用性。（2）数据获取及处理。将累计10年的LandsatNDVI按照先日期后年份的原则进行日期重排合成历史观测数据，利用本文新引入的Hants曲线拟合方法，选取合理的相关参数，将LandsatNDVI历史合成时间序列和2014年MODISNDVI时间序列曲线进行曲线拟合，使其更接近于植被真实生长变化趋势，构建高精度的先验知识库。（3）选取不同类别的典型区域，验证改进的RTSM算法在不同数据量条件下双季作物高时空NDVI构建的精度，评价该算法在种制度多样的复杂地表的适用性。（4）与ESTARFM算法进行对比，通过空间对比、散点图对比和时间趋势对比等方面对比验证两种算法结果在复杂地表的适用性。分析两种算法各自的优势及不足。图1.3论文技术路线图
【参考文献】：
期刊论文
[1]基于ESTARFM模型的区域农田高时空分辨率影像产生与应用[J]. 陈梦露,李存军,官云兰,周静平,王道芸,罗正乾. 作物学报. 2019(07)
[2]面向GF-1 WFV数据和MODIS数据的时空融合算法对比分析[J]. 平博,孟云闪,苏奋振. 地球信息科学学报. 2019(02)
[3]基于MODIS-Landsat时空融合的陕北黄土高原植被覆盖变化研究[J]. 刘咏梅,马黎,黄昌,凯楠. 西北大学学报(自然科学版). 2019(01)
[4]基于STARFM模型的遥感影像融合[J]. 彭检贵,罗为检,宁小斌,邹泽林. 中南林业调查规划. 2018(03)
[5]基于HANTS算法的疏勒河流域荒漠化时空动态监测[J]. 邹明亮,周妍妍,曾建军,韩雅敏,岳东霞. 西北师范大学学报(自然科学版). 2018(02)
[6]遥感高时空融合方法的研究进展及应用现状[J]. 刘建波,马勇,武易天,陈甫. 遥感学报. 2016(05)
[7]GF-2卫星数据影像融合方法的比较研究[J]. 徐异凡,杨敏华. 国土资源导刊. 2016(01)
[8]环境星归一化植被指数时间序列滤波算法比较[J]. 刘寒,冯莉,朱榴骏,黄银友. 遥感信息. 2015(05)
[9]构造地理要素趋势面的尺度转换普适性方法探讨[J]. 王祎婷,谢东辉,李小文. 遥感学报. 2014(06)
[10]融合数据在草地生物量估算中的应用[J]. 尹晓利,张丽,许君一,刘良云. 国土资源遥感. 2013(04)
博士论文
[1]关中地区作物种植信息遥感识别及其动态监测[D]. 申健.西北农林科技大学 2017
硕士论文
[1]基于STARFM和FSDAF模型的Landsat-8地表温度重建及时空检验[D]. 李胜林.太原理工大学 2019
[2]时空融合技术在高时空分辨率NDVI数据重构中的应用[D]. 赵艳丽.太原理工大学 2015
本文编号：2915399
本文链接：https://www.wllwen.com/shoufeilunwen/benkebiyelunwen/2915399.html
