一种用于MODIS实时遥感图像数据的时空混合像元分解方法技术

本发明专利技术涉及一种用于MODIS实时遥感图像数据的时空混合像元分解方法，1)获取与待混合像元分解的MODIS影像覆盖同一区域的且在时间上最接近的一景MODIS

【技术实现步骤摘要】
一种用于MODIS实时遥感图像数据的时空混合像元分解方法


[0001]本专利技术涉及遥感影像处理
，尤其是涉及一种用于MODIS实时遥感图像数据的时空混合像元分解方法。

技术介绍

[0002]混合像元是遥感图像固有问题，其对应的光谱被看作是多类地物光谱的混合。混合像元分解技术针对混合像元问题提出来的，又称为软分类，其是一种估计像元内各类地物占有混合比例的技术。相比于传统的硬分类技术，混合像元分解能突破像元自身尺度限制，实现亚像元级信息提取，提供更为丰富的地物信息。因此，发展相应混合像元分解的理论与方法具有重大意义。
[0003]在过去的十多年中，研究者相继提出一系列光谱混合模型来解决混合像元存在的问题，其中应用较为普遍的包括线性混合和非线性混合模型。线性混合模型因其物理意义明确且简单高效，自混合像元分解技术提出以来一直被广泛关注，其将各混合像元当作是各类端元的线性组合，混合比例的求解过程实质是线性系数的求解过程。大部分线性混合模型假设每类地物的光谱可以由一单一固定的端元来表示。然而，同物异谱的现象在遥感图像中普遍存在，类内光谱差异通常较大，即同一类地物，各像元所呈现的光谱也会存在较大差异。因此，用单端元来表示一类地物的光谱并不准确。端元内光谱差异是混合像元分解精度提高的重要障碍。为克服类内光谱差异问题，研究者相继提出了一些系列多端元的混合分解方法，核心思想是假设每类地物的光谱需由多个端元来描述，包括有多端元光谱混合分析方法，端元束方法，蒙特卡罗方法等。虽然多端元方法可以在一定程度上克服类内光谱差异的问题，但是往往需要大量的端元去描述。尤其是对于异质性高的区域，混合像元大量存在，大数目的纯净端元的提取往往存在较大挑战。近些年来，随着机器学习和深度学习的不断发展和深入研究，支持向量机，神经网络等方法被广泛应用于混合像元分解中。尽管这些方法可以不需要纯净端元，但同样需要获取大量的混合比例监督信息构造训练样本。
[0004]现有混合分解模型通常基于单一时间数据进行，混合分解问题本身不确定性较大，误差源较多。并且关于时序数据混合像元分解的研究却较少，忽视了数据在时域内的联系。与此同时，在实际应用中，对于获取的实时遥感数据进行及时分析解译非常必要，这样能迅速地对地物的变化进行判断，监测地物的快速动态变化。因此，研究能对实时数据进行处理，且能监测地物覆盖变化的时空混合分解方法具有十分重要的理论意义和应用价值。

技术实现思路

[0005]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种用于MODIS实时遥感图像数据的时空混合像元分解方法。
[0006]本专利技术的目的可以通过以下技术方案来实现：
[0007]一种用于MODIS实时遥感图像数据的时空混合像元分解方法，该方法包括下列步骤：
[0008]S1：获取与待混合像元分解的MODIS影像覆盖同一区域的且在时间上最接近的一景MODIS
‑
Landsat影像对，作为辅助数据；
[0009]S2：判断MODIS
‑
Landsat影像对是否具有云污染，若无云污染，直接计算两个时刻MODIS数据之间的光谱差值；若具有云污染，则只计算两个时刻中完全无云干扰区域的MODIS光谱差值；两种情况下计算光谱差值后，通过变化检测提取出两时刻之间未发生地物覆盖变化的MODIS像元；
[0010]进一步地，S2中，采用两幅MODIS遥感影像直接相减的方式计算模值，通过模值得到光谱差值。
[0011]进一步地，提取出两时刻之间未发生地物覆盖变化的MODIS像元的方法包括但不限于OTSU方法。
[0012]S3：对S2无云污染情况下提取的MODIS像元，直接联合其光谱和对应的地物混合比例构建训练样本；并对有云污染情况下提取的MODIS像元的光谱和对应的地物混合比例进行筛选和增广，组成新训练样本；
[0013]进一步地，提取的MODIS像元对应的地物混合比例由对应时刻Landsat数据的分类制图结果退化获得。
[0014]进一步地，用于训练样本增广的方法，包括但不限于线性混合重构。
[0015]对有云污染情况下提取的MODIS像元的光谱和对应的地物混合比例进行筛选和增广的具体内容为：
[0016]首先按相应比例筛选出可靠训练样本后，对筛选后的训练样本进行平均分组；随后选择两两组合并同时进行线性混合重构，作为增广后的样本；将筛选后的训练样本与进行增广后的样本同时作为新的训练样本。
[0017]按相应比例筛选出可靠训练样本的具体内容为：
[0018]根据S2中计算所得的模值，选取一定比例具有最小模值的像元作为可靠样本。进一步地，一定比例优先采用20％～100％。
[0019]S4：利用S3所得的训练样本、新训练样本训练对应MODIS时刻的学习模型，利用训练后的学习模型估计剩余所有变化MODIS像元的混合比例。
[0020]所述学习模型包括但不限于最小二乘支持向量机模型。将已知待分解时刻的剩余像元MODIS光谱作为预测样本的输入，输入训练后的学习模型，预测待分解时刻的剩余所有变化MODIS像元的混合比例。
[0021]本专利技术提供的用于MODIS实时遥感图像数据的时空混合像元分解方法，相较于现有技术至少包括如下有益效果：
[0022]1.本专利技术提出的混合像元分解方法能够直接提取未变化像元的监督信息，相较于传统的混合分解技术避免了端元提取并且能顾及类内光谱差异。
[0023]2.相较于现有的针对单一时间点的混合像元分解技术误差较大的问题。本专利技术能够从传统空间域扩展到时空域，利用MODIS
‑
Landsat影像对作为辅助数据进行混合像元分解以提高混合分解精度。
[0024]3.本专利技术将混合像元分解技术从历史数据扩展到实时数据的处理，通过面向MODIS实时遥感图像数据，能够适用于实时地表覆盖变化的监测，并迅速地对地物的变化进行判断。
附图说明
[0025]图1为实施例中用于MODIS实时遥感图像数据的时空混合像元分解方法的流程示意图；
[0026]图2为实施例中区域一的分解结果图；
[0027]图3为实施例中区域二的分解结果图。
具体实施方式
[0028]下面结合附图和具体实施例对本专利技术进行详细说明。显然，所描述的实施例是本专利技术的一部分实施例，而不是全部实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本专利技术保护的范围。
[0029]实施例
[0030]MODIS系列数据由于其相对较高的时间分辨率，成为了全球地表监测最常用的数据之一，而Landsat系列数据具有相对较高的空间分辨率，也广泛应用于生产地表覆盖类产品中。基于快速动态变化监测的需求，需研究用于MODIS实时遥感数据混合像元分解的方法。由于MODIS数据的空间分辨率较低，纯净端元以及混合比例监督信息的获取通常存在巨大挑战。但MODIS数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于MODIS实时遥感图像数据的时空混合像元分解方法，其特征在于，包括下列步骤：1)获取与待混合像元分解的MODIS影像覆盖同一区域的且在时间上最接近的一景MODIS
‑
Landsat影像对，作为辅助数据；2)判断MODIS
‑
Landsat影像对是否具有云污染，若无云污染，直接计算两个时刻MODIS数据之间的光谱差值；若具有云污染，则只计算两个时刻中完全无云干扰区域的MODIS光谱差值；两种情况下计算光谱差值后，通过变化检测提取出两时刻之间未发生地物覆盖变化的MODIS像元；3)对步骤2)无云污染情况下提取的MODIS像元，直接联合其光谱和对应的地物混合比例构建训练样本；并对有云污染情况下提取的MODIS像元的光谱和对应的地物混合比例进行筛选和增广，组成新训练样本；4)利用步骤3)所得的训练样本、新训练样本训练对应MODIS时刻的学习模型，利用训练后的学习模型估计剩余所有变化MODIS像元的混合比例。2.根据权利要求1所述的用于MODIS实时遥感图像数据的时空混合像元分解方法，其特征在于，采用两幅MODIS遥感影像直接相减的方式计算模值，通过模值得到光谱差值。3.根据权利要求2所述的用于MODIS实时遥感图像数据的时空混合像元分解方法，其特征在于，步骤2)中，提取出两时刻之间未发生地物覆盖变化的MODIS像元的方法包括但不限于OTSU方法。4.根据权利要求2所述的用于MODIS实时遥感图像数据的时空混合像元分解方法，其特征在于，步骤3...

【专利技术属性】
技术研发人员：王群明，丁欣宇，
申请(专利权)人：同济大学，
类型：发明
国别省市：