论文部分内容阅读
受技术限制的影响,传感器在获取地面数据时通常难以同时兼顾到数据的空间分辨率和时间分辨率,导致影像数据在空间分辨率和时间分辨率方面存在不可调和的矛盾,从而无法满足大范围、高精度、快速变化的地面信息遥感监测。时空融合技术通过建立高空间与高时间分辨率数据之间的变化关系,对高空间分辨率数据的空间细节分布特征与高时间分辨率数据的时间变化信息进行有机结合,是解决单一传感器数据所存在问题的有效方法。随着时空数据融合算法的不断提出和改进,遥感数据的时空融合效果逐渐得到了改进,对高空间与高时间分辨率数据在时间上的变化进行分析,是建立高空间与高时间分辨率数据变化关系的关键。此外,在光学遥感数据获取极其困难的多云雾地区,即使是在有效的时空数据融合算法的支持下,也难以实现高时空分辨率的数据融合。针对不同传感器数据在同一像元位置所产生的像元差值问题,结合地物变化对不同传感器数据观测值的影响。本文将地物分成耕地、林地、建筑以及水体四个类别,利用多源遥感数据,提取高空间分辨率与高时间分辨率数据在不同地类上的反射率差值数据和光学遥感与SAR数据在不同地类上的像元差值数据,并运用时间序列分析的方法对不同传感器数据在不同波段、不同地类上的反射率差值变化情况进行分析。结果表明:(1)高空间分辨率数据(Landsat)与高时间分辨率数据(MCD43、VIIRS)在不同波段(蓝光、绿光、红光、近红外)、不同地类(耕地、林地、建筑、水体)上的反射率差值变化均为白噪声,说明在所有的反射率差值序列中,各项观察值之间没有任何相关性,反射率差值在时间上的变化不包含任何趋势或季节变化信息,没有继续分析的意义和建模的价值。同时,也说明了在现有的时空数据融合算法中,不同传感器数据的反射率差值呈线性变化的假设并不成立,但通过建立线性关系模型,来实现较短时间间隔的时空数据融合已经是目前最好的处理方法。(2)在光学遥感数据(Sentinel-2)与SAR数据(Sentinel-1)的像元差值提取结果中,NDVI与VH、VV以及RVI在各地类上的像元差值随着时间变化所表现出来的特征明显比单波段与单极化数据的像元差值更加稳定。因此,本研究对光学遥感与SAR数据的像元差值分析仅针对于不同地类上的NDVI与VH、NDVI与VV以及NDVI与RVI的像元差值。本文在R语言的基础上,对每一组数据在不同地类上的像元差值进行分析,并选择适合的数学统计模型对每一组像元差值序列进行拟合。拟合程度采用相关系数R~2进行评价,结果显示所有趋势线的预测值与实际数据之间的相关系数R~2均达到0.8以上,说明多项式曲线的估计值与实际值的拟合程度较高,可在一定程度上代表实际值。(3)本文在NDVI与VH、NDVI与VV以及NDVI与RVI的像元差值变化模型的基础上,完成了对增强型自适应时空数据融合模型(ESTARFM)的改进,得到了改进后的自适应时空数据融合模型(ISTARFM)。分别使用ESTARFM和ISTARFM对同一组数据进行融合,融合结果与观测数据的相关性评价结果显示:无论输入数据的时间间隔是120天,还是324天,ESTARFM融合和ISTARFM融合的相关系数R~2均达到0.7以上,且当输入数据的时间间隔相同时,ISTARFM的融合精度基本都高于ESTARFM。