论文部分内容阅读
高时空分辨率NDVI数据集能够更好地反映植被物候的变化,对于监测植被在时间域上的变化信息具有重要意义。本文旨在提出一种新的时空融合模型用于构建高时空分辨率NDVI数据集,并对生成的数据集进行滤波重建。本文选取适用于作物种植的山东、河南和安徽三省交界处作为研究区域。首先,针对目前Landsat 8和MODIS卫星数据出现的“时空矛盾”问题,提出了一种改进的基于NDVI数据的时空融合模型(sptiotemporal NDVI data fusion model,STNDFM);其次,对目前主流时空融合模型STARFM、ESTARFM、FSDAF以及本文提出的STNDFM方法进行充分的实验对比与分析;最后,利用本文提出的时空融合模型生成研究区内2014-2016年时间分辨率为8天,空间分辨率为30米,共138幅遥感数据的高时空分辨率NDVI数据集,并利用A-G方法、D-L方法以及S-G滤波方法三种时序数据重建方法对生成的数据集进行滤波重构,然后对比分析三种方法的数据重建效果。本文的具体研究内容及研究成果主要包括以下三个方面:1.通过结合基于权重函数的方法和基于混合像元分解的方法,并将时空融合模型直接应用到植被指数NDVI的计算中,提出了一种改进的时空融合模型STNDFM,该方法不仅利用基于权重函数的方法考虑相似像元之间的转换系数和权重函数,而且还利用混合像元分解方法对低分辨像元进行光谱解混获得特定地表类型的NDVI变化值作为进一步的融合基础,而不是采用直接的重采样数据。2.从定性和定量两个角度分别讨论四种时空融合模型在不同波段和不同地物类型上的影像预测质量以及适用性,四种时空融合模型的综合表现如下,即STNDFM>ESTARFM>FSDAF>STARFM,这表明本文提出的时空融合模型拥有更高的预测精度,同时这也证明基准时刻输入两对数据能够为预测时刻提供更多的空间细节变化信息,从而提高预测精度。然后对本文提出的时空融合模型进行参数敏感性分析,结果表明:在选取基准时刻的数据对时,应该尽量选取与预测日期时间间隔较小并且处在相同的植被发育期内的数据,并且移动窗口大小与选取的分类数量对融合数据精度具有重要影响。3.从NDVI数据集的重建效果上来看,三种时序数据重建方法都能够去除掉原始NDVI时序数据中的噪声,但是重构后的时序曲线相对于原始时序曲线都有不同程度的提升,其中A-G方法重建效果最好,D-L方法次之,S-G方法重建效果最差。所以利用A-G方法对NDVI时序数据的重建效果最好,并且能够更好地刻画原始NDVI时序曲线中植被的变化特征和生长趋势。