本发明专利技术提供一种高时间分辨率与高空间分辨率遥感数据定量融合的方法。其特征在于利用高时间分辨率数据建立地表参数时间演变的函数曲线,利用高空间分辨率数据约束参数的空间分布特征,从而获得高时间分辨率和高空间分辨率的地表参数;其优点在于:高时间分辨率的数据不要求数据的完整性,在融合前不需要预先插值消除噪音处理;随着高时间分辨率数据的增多,时间演变函数会逐渐优化逼近,但在数据稀少时也可较好描述参数的时间演变关系从而实现数据融合;两类数据在融合时并不需要精确的空间位置匹配;两类数据在一类数据缺失时可使用历史背景数据替换。本发明专利技术可以用于作物生长监测等应用,也可用于多种类型数据融合填补数据获取的缺失(如云遮盖导致的数据不全)。
【技术实现步骤摘要】
本专利技术属于遥感数字图像处理及定量数据融合领域。本专利技术是实现,特别是一种利用高时间分辨率数据建立地表参数时间演变的函数曲线,利用高空间分辨率数据约束参数的空间分布特征,从而获得高时间分辨率和高空间分辨率的地表参数的方法。本专利技术可用于作物生长监测等领域,也可用于多种类型数据融合填补历史数据的缺失。
技术介绍
现代遥感技术的发展,使人类能够从不同遥感平台获得特性不同的遥感数据。但由于传感器设计、数据传输及成本等方面的限制,单一传感器遥感数据只能在空间分辨率和时间分辨率等方面有所侧重,针对应用目的强化某一方面的功能。例如,高空间分辨率的数据可获取更多空间分布的变异信息而高时间分辨率数据可更好的捕捉地表的变化状况。 对这些多源遥感数据进行融合处理,将它们所含的信息互补地有机结合起来,以提高数据时空分辨率,更好地消除云等对遥感应用的干扰,快速检测季节间的植被扰动,已成为遥感数据处理的迫切需求。目前,基于视觉效果的遥感图像融合已经得到大量研究和应用,将不同光谱、时间和空间分辨率数据的优点或互补性有机地结合起来产生新的数据,从而尽可能多的提取包含在遥感数据中的各种信息,克服遥感数据信息提取中单一信息源不足的问题,达到1+1 >2的目的。当前遥感数据的融合多集中在以视觉效果为目的的图像融合上,其应用目的包括锐化图像、改善几何定位精度、提供立体视像、增强单个数据中不可见的特征、作为分类的辅助数据、替代缺失数据等。基于视觉效果的数据融合方法不能用于定量遥感参数的融合,无法用于植被扰动等定量分析要求。在利用高时间分辨率数据与高空间分辨率数据进行定量融合方面,目前也已经有部分成果。主要包括两大类一类利用像元分解的方法,利用高分辨率像元与低分辨率像元的比例关系从低分辨率像元推算得到高分辨参数的分布。如高(feo)等O006)利用像元统计方法融合陆地卫星(Landsat TM)和中分辨率卫星(MODE)数据获得高时空分辨率的地表反射率数据,此方法假设像元的组成比例是不变的。米拉aurita-Milla)等Q009) 及布塞托(Busetto)等Q008)用多光谱波段的像元分解方法,从高分辨率数据中得到纯像元,然后对地空间分辨率进行像元分解,从中得到高空间分辨率的像元信息。另一类是利用参数的比例变化假设关系,假设低空间分辨率像元内部各分量参数的变化比例是相同的, 从而可以利用高分辨率数据的比例关系从低分辨率数据估算得到高分辨率的参数分布。如罗伊(Roy)等O008)利用中分辨率卫星(MODIS)的二向性函数(BRDF)参数通过这种比例关系与陆地卫星(Landsat TM)数据融合,得到时间分辨率更高的数据。上述定量遥感参数融合的不足之处可归纳为(1)基于像元分解的组成比例在一定时间范围内不变的假设很难成立,因为不同类型的地物随着时间演变的曲线是不同的;(2)低空间分辨率数据与高空间分辨率数据比例相同的假设也一样没考虑像元内部变化的不一致性;C3)把低空间分辨率高时间分辨率的数据都假设为质量完整的数据,很少有实际数据满足这种情况,很难用于运行系统中。参考文献· David P. Roy, Junchang Ju, Philip Lewis, Crystal Schaaf, Feng Gao, Matt Hansen, Erik Lindquist(2008), Multi-temporal MODIS-Landsat data fusion for relative radiometric normalization, gap filling, andprediction of Landsat data, Remote Sensing of Environment, 112 :3112-3130.. R. Zurita-Milla, G. Kaiser, J. G. P. W. Clevers, W. Schneider, M. E. Schaepman (2009), Downscaling time seriesof MERIS full resolution data to monitor vegetation seasonal dynamics, Remote Sensing of Envrionment, doi 10. 1016/j. rse. 2009. 04. 011., Feng Gao, Jeff Masek, Matt Schwaller, and Forrest Hall (2006),On the Blending of the Landsat and MODISSurface Reflectance Predicting Daily Landsat Surface Reflectance, IEEE Transactions on Geoscience andRemote Sensing,44(8) 2207-2218.. Lorenzo Busetto, Michele Meroni,Roberto Colombo(2008),Combining medium and coarse spatialresoIution satellite data to improve the estimation of sub-pixel NDVI time series, Remote Sensing ofEnvironment, 112 :118-131.
技术实现思路
本专利技术针对现有技术中存在的缺陷,提供,特别是一种利用历史背景的高空间分辨率数据建立以类型为特征的参数时间演变曲线,将当年积累的高时间分辨率数据与历史类型变化的参数时间演变函数拟合,获得参数当年时间演变曲线;利用高空间分辨率数据约束参数的空间分布特征,从而获得高时间分辨率和高空间分辨率的地表参数的方法。本方法以分类建立背景参数时间演变曲线,无需背景参数完整,并能根据当年数据的不断积累动态修正时间演变曲线,用于约束高空间分辨率数据的时间演化预测,是一种快速、简单、普适的将高时间分辨率和高空间分辨率数据融合获得高时空分辨率参数的方法。本专利技术的技术方案如下,其特征在于包含如下步骤(1)历史背景高时间分辨率数据处理生成尽可能无云无噪声的、表现像元参数的背景参数集;( 高时间分辨率背景数据的聚类;C3)建立每类型参数的年度时间演化背景序列曲线函数;(4)根据当年积累数据动态调整每类时间演化序列曲线函数; (5)高空间数据预处理成一致空间坐标的反射率数据;(6)从高时间分辨率数据类型中找到与高空间分辨率数据像元最佳匹配的类型;(7)由匹配类型的时间演变曲线推测像元的任意时间的值,从而得到高时空分辨率的参数。所述高时间分辨率背景数据生成处理的方法将历史不同年份相同时间同一位置的所有非雪晴空参数和反射率数据的平均值作为该时间的背景值,如果所有值为云则标志为云,所有值为雪则标志为雪;所述高时间分辨率数据聚类的方法将年度时间与高空间分辨率数据时间相接近的高时间分辨率反射率数据,采用基于质心的聚类方法,将与高空间覆盖范围内的高时间分辨率数据聚合成15-20类;所述建立类型年度时间演化背景序列曲线函数的方法将每个时间内的高时间分辨率相同类型的所有参数值平均本文档来自技高网...
【技术保护点】
1.一种实现高时间分辨率与高空间分辨率遥感数据定量融合的方法,其特征在于利用高时间分辨率数据建立地表参数时间演变的函数曲线,利用高空间分辨率数据约束参数的空间分布特征,从而获得高时间分辨率和高空间分辨率的地表参数;高时间分辨率的数据不要求数据的完整性,在融合前不需要预先插值消除噪音处理;随着高时间分辨率数据的增多,时间演变函数会逐渐优化逼近,但在数据稀少时也可较好描述参数的时间演变关系从而实现数据融合;两类数据在融合时并不需要精确的空间位置匹配;两类数据在一类数据缺失时可使用历史背景数据替换,其具体包含如下步骤:(1)高时间分辨率背景数据处理;(2)高时间分辨率背景数据的聚类;(3)每类型参数的年度时间演化背景序列曲线函数建立;(4)当年时间演化序列曲线函数动态调整;(5)高空间分辨率数据的预处理;(6)高空间分辨率数据类型匹配;(7)高空间分辨率像元任意时刻参数推算。
【技术特征摘要】
【专利技术属性】
技术研发人员:刘荣高,刘洋,
申请(专利权)人:中国科学院地理科学与资源研究所,
类型:发明
国别省市:11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。