一種基於分類的高時間解析度與高空間解析度遙感數據定量融合的方法
2023-06-09 22:42:56 2
專利名稱：一種基於分類的高時間解析度與高空間解析度遙感數據定量融合的方法
技術領域：
本發明屬於遙感數字圖像處理及定量數據融合領域。本發明是實現一種基於分類的高時間解析度與高空間解析度遙感數據定量融合的方法，特別是一種利用高時間解析度數據建立地表參數時間演變的函數曲線，利用高空間解析度數據約束參數的空間分布特徵，從而獲得高時間解析度和高空間解析度的地表參數的方法。本發明可用於作物生長監測等領域，也可用於多種類型數據融合填補歷史數據的缺失。
背景技術：
現代遙感技術的發展，使人類能夠從不同遙感平臺獲得特性不同的遙感數據。但由於傳感器設計、數據傳輸及成本等方面的限制，單一傳感器遙感數據只能在空間解析度和時間解析度等方面有所側重，針對應用目的強化某一方面的功能。例如，高空間解析度的數據可獲取更多空間分布的變異信息而高時間解析度數據可更好的捕捉地表的變化狀況。 對這些多源遙感數據進行融合處理，將它們所含的信息互補地有機結合起來，以提高數據時空解析度，更好地消除雲等對遙感應用的幹擾，快速檢測季節間的植被擾動，已成為遙感數據處理的迫切需求。目前，基於視覺效果的遙感圖像融合已經得到大量研究和應用，將不同光譜、時間和空間解析度數據的優點或互補性有機地結合起來產生新的數據，從而儘可能多的提取包含在遙感數據中的各種信息，克服遙感數據信息提取中單一信息源不足的問題，達到1+1 >2的目的。當前遙感數據的融合多集中在以視覺效果為目的的圖像融合上，其應用目的包括銳化圖像、改善幾何定位精度、提供立體視像、增強單個數據中不可見的特徵、作為分類的輔助數據、替代缺失數據等。基於視覺效果的數據融合方法不能用於定量遙感參數的融合，無法用於植被擾動等定量分析要求。在利用高時間解析度數據與高空間解析度數據進行定量融合方面，目前也已經有部分成果。主要包括兩大類一類利用像元分解的方法，利用高解析度像元與低解析度像元的比例關係從低解析度像元推算得到高分辨參數的分布。如高(feo)等O006)利用像元統計方法融合陸地衛星(Landsat TM)和中解析度衛星(MODE)數據獲得高時空解析度的地表反射率數據，此方法假設像元的組成比例是不變的。米拉aurita-Milla)等Q009) 及布塞託(Busetto)等Q008)用多光譜波段的像元分解方法，從高解析度數據中得到純像元，然後對地空間解析度進行像元分解，從中得到高空間解析度的像元信息。另一類是利用參數的比例變化假設關係，假設低空間解析度像元內部各分量參數的變化比例是相同的， 從而可以利用高解析度數據的比例關係從低解析度數據估算得到高解析度的參數分布。如羅伊(Roy)等O008)利用中解析度衛星(MODIS)的二向性函數(BRDF)參數通過這種比例關係與陸地衛星(Landsat TM)數據融合，得到時間解析度更高的數據。上述定量遙感參數融合的不足之處可歸納為(1)基於像元分解的組成比例在一定時間範圍內不變的假設很難成立，因為不同類型的地物隨著時間演變的曲線是不同的；(2)低空間解析度數據與高空間解析度數據比例相同的假設也一樣沒考慮像元內部變化的不一致性；C3)把低空間解析度高時間解析度的數據都假設為質量完整的數據，很少有實際數據滿足這種情況，很難用於運行系統中。參考文獻[1]· 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.[2]. 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.[3], 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.[4]. 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.
發明內容
本發明針對現有技術中存在的缺陷，提供一種基於分類的高時間解析度與高空間解析度遙感數據定量融合的方法，特別是一種利用歷史背景的高空間解析度數據建立以類型為特徵的參數時間演變曲線，將當年積累的高時間解析度數據與歷史類型變化的參數時間演變函數擬合，獲得參數當年時間演變曲線；利用高空間解析度數據約束參數的空間分布特徵，從而獲得高時間解析度和高空間解析度的地表參數的方法。本方法以分類建立背景參數時間演變曲線，無需背景參數完整，並能根據當年數據的不斷積累動態修正時間演變曲線，用於約束高空間解析度數據的時間演化預測，是一種快速、簡單、普適的將高時間解析度和高空間解析度數據融合獲得高時空解析度參數的方法。本發明的技術方案如下一種基於分類的高時間解析度與高空間解析度遙感數據定量融合的方法，其特徵在於包含如下步驟(1)歷史背景高時間解析度數據處理生成儘可能無雲無噪聲的、表現像元參數的背景參數集；( 高時間解析度背景數據的聚類；C3)建立每類型參數的年度時間演化背景序列曲線函數；(4)根據當年積累數據動態調整每類時間演化序列曲線函數； (5)高空間數據預處理成一致空間坐標的反射率數據；(6)從高時間解析度數據類型中找到與高空間解析度數據像元最佳匹配的類型；(7)由匹配類型的時間演變曲線推測像元的任意時間的值，從而得到高時空解析度的參數。所述高時間解析度背景數據生成處理的方法將歷史不同年份相同時間同一位置的所有非雪晴空參數和反射率數據的平均值作為該時間的背景值，如果所有值為雲則標誌為雲，所有值為雪則標誌為雪；所述高時間解析度數據聚類的方法將年度時間與高空間解析度數據時間相接近的高時間解析度反射率數據，採用基於質心的聚類方法，將與高空間覆蓋範圍內的高時間解析度數據聚合成15-20類；所述建立類型年度時間演化背景序列曲線函數的方法將每個時間內的高時間解析度相同類型的所有參數值平均，得到該時間點的類型背景參數值，將一定時間範圍的值帶入下列方程模擬得到a，b，c，d係數y(t) = i + cea+bt+d(ι)其中，y(t)表示時間點某類的平均值，t表示時間，c表示參數在該時間段的最小值，d表示參數在該時間段內的最大值，a, b為曲線調節係數；所述調整當年時間序列演化曲線的方法根據方程(1)，固定該類型的c和d，調整 a和b，使y(t)與當年積累的時間序列參數的方差最小；所述高空間解析度數據預處理的方法將高空間解析度數據轉換為與高時間解析度數據規格一致的數據，包括通過坐標變換轉換為一致的投影坐標、將圖像計數值或輻射值轉換為地表反射率和融合參數、標識、噪音和晴空像元狀態信息；所述高空間數據類型最佳匹配的途徑將高空間解析度的每個像元與聚類得到的每類地物的光譜空間進行比較，距離誤差最小的即標識為該類地物；所述由高解析度曲線推測像元參數的途徑得到當年序列曲線確定a、b、c和 d後，根據方程(1)，計算得高空間解析度數據時間t0的值y(t0)以及需要時間t的值 y(t)，高空間解析度數據的參數測量值為y』(t0)，則推測的時間t的像元值由y』 (t)= y，(t0)Xy(t)/y(t0)計算獲得。本發明的技術效果如下本發明利用聚類從高時間解析度數據的背景數據中得到每種地物類型的背景參數時間演變曲線，再根據當年積累的高時間解析度的數據校正地類的參數時間演變曲線得到當年的參數時間演變曲線，然後通過地物類型的平均反射率光譜與高空間解析度數據像元匹配，得到高空間解析度數據的每個像元的最佳匹配地物類型，然後利用該類型當年的參數演變曲線，計算高空間解析度數據獲取時間的預測值、所求時間的預測值，由高空間數據參數的測量值估算得到所求時間高空間解析度的參數值。本發明包括高時間解析度背景數據處理、高時間解析度背景數據的聚類、每類型參數的年度時間演化背景序列曲線函數建立、當年時間演化序列曲線函數動態調整、高空間解析度數據的預處理、高空間解析度數據類型匹配、高空間解析度像元任意時刻參數推算七部分。高時間解析度背景數據處理將歷史背景高時間解析度數據處理生成儘可能無雲無噪聲的、表現像元參數的背景參數集；高時間解析度背景數據的聚類將高時間解析度聚類為15-20個類型；每類型參數的年度時間演化背景序列曲線函數建立構造時間演變的背景函數；當年時間演化序列曲線函數動態調整根據當年積累數據動態調整每類時間演化序列曲線函數；高空間解析度數據的預處理將高空間數據預處理成一致空間坐標的反射率數據；高空間解析度數據類型匹配從高時間解析度數據類型中找到與高空間解析度數據像元最佳匹配的類型；高空間解析度像元任意時刻參數估算由匹配類型的時間演變曲線推測像元的任意時間的值，從而得到高時空解析度的參數。本發明與現在技術相比有如下特點(1)由於採用了背景參數的聚類，參與融合的兩類數據都不要求具有完整性，在融合前不需要預先插值消除噪音處理；(2)由於採用了當年累積數據的動態調整，隨著高時間解析度數據的增多，時間演變函數會逐漸優化逼近，但在數據稀少時也可較好描述參數的時間演變關係從而實現數據融合；(3)由於時間演變曲線是類型匹配而非像元匹配，兩類數據在融合時並不需要精確的空間位置配準；(4)由於曲線模型的參數只有四個，兩類數據在一類數據缺失時可使用歷史背景數據替換或直接從模型推算。
圖1本發明基於分類的高時間解析度與高空間解析度遙感數據定量融合的方法的流程圖。
具體實施例方式下面結合附圖對本發明做進一步的詳細說明。本發明實現的基於分類的高時間解析度與高空間解析度遙感數據定量融合的流程圖如圖1所示。圖1包括高時間解析度背景數據處理單元2、背景數據聚類單元4、時間演化背景曲線建立單元6、時間演化曲線函數動態調整單元8、高空間解析度數據預處理單元10、高空間解析度數據地類匹配單元12、高空間解析度像元任意時刻參數推算單元14。單元2將歷史不同年份相同時間同一位置的所有非雪晴空參數和反射率數據的平均值作為該時間的背景值，如果所有值為雲則標誌為雲，所有值為雪則標誌為雪。然後進入單元4。單元4將年度時間與高空間解析度數據時間相接近的高時間解析度反射率數據， 採用基於質心的聚類方法，將與高空間覆蓋範圍內的高時間解析度數據聚合成15-20類。 然後進入單元6。單元6將每個時間內的高時間解析度相同類型的所有參數值平均，得到該時間點的類型背景參數值，將這些參數值帶入時間序列函數，得到函數係數。然後進入單元8。單元8根據當年累積的高時間解析度數據，動態調整時間序列演化函數係數，使函數模擬值與當年積累的時間序列參數的方差最小。然後進入單元14。單元10將高空間數據轉換為與高時間解析度數據規格一致的數據，包括通過坐標變換轉換為一致的投影坐標、將圖像計數值或輻射值轉換為地表反射率和融合參數、標識雲、噪音和晴空像元狀態信息。然後進入單元12。單元12將高空間解析度的每個像元與聚類得到的每類此物的光譜空間進行比較，距離誤差最小的即標識為該類地物。然後進入單元12。單元14根據時間序列演變函數，計算得高空間解析度數據任一時間的參數值。應當指出，以上所述具體實施方式
可以使本領域的技術人員更全面地理解本發明,但不以任何方式限制本發明。因此，儘管本說明書參照附圖和實施方式對本發明已進行了詳細的說明，但是，本領域技術人員應當理解，仍然可以對本發明進行修改或者等同替換；而一切不脫離本發明的精神和技術實質的技術方案及其改進，其均應涵蓋在本發明專利的保護範圍當中。
權利要求
1.一種實現高時間解析度與高空間解析度遙感數據定量融合的方法，其特徵在於利用高時間解析度數據建立地表參數時間演變的函數曲線，利用高空間解析度數據約束參數的空間分布特徵，從而獲得高時間解析度和高空間解析度的地表參數；高時間解析度的數據不要求數據的完整性，在融合前不需要預先插值消除噪音處理；隨著高時間解析度數據的增多，時間演變函數會逐漸優化逼近，但在數據稀少時也可較好描述參數的時間演變關係從而實現數據融合；兩類數據在融合時並不需要精確的空間位置匹配；兩類數據在一類數據缺失時可使用歷史背景數據替換，其具體包含如下步驟(1)高時間解析度背景數據處理；( 高時間解析度背景數據的聚類；C3)每類型參數的年度時間演化背景序列曲線函數建立；(4)當年時間演化序列曲線函數動態調整；( 高空間解析度數據的預處理；(6)高空間解析度數據類型匹配；(7)高空間解析度像元任意時刻參數推算。
2.根據權利1所述的一種實現高時間解析度與高空間解析度遙感數據定量融合的方法，其特徵在於以聚類的方式從高時間解析度數據中提取參數的時間演變特徵關係，從而以高空間解析度數據實現最佳匹配以獲得該像元的時間演化軌跡，從而推測該像元在任意時間的狀態；
3.根據權利1所述的一種實現高時間解析度與高空間解析度遙感數據定量融合的方法，其特徵在於所述的時間演變關係函數可以用多項式或對數函數表示；
4.根據權利1所述的一種實現高時間解析度與高空間解析度遙感數據定量融合的方法，其特徵在於高時間解析度數據類型與高空間解析度像元的最佳匹配採用光譜空間距離最小確定。
5.根據權利1所述的一種實現高時間解析度與高空間解析度遙感數據定量融合的方法，其特徵在於高解析度估算數據值等於高解析度數據參數值/同期高時間解析度參數值X估算的高時間解析度參數值。
全文摘要
本發明提供一種高時間解析度與高空間解析度遙感數據定量融合的方法。其特徵在於利用高時間解析度數據建立地表參數時間演變的函數曲線，利用高空間解析度數據約束參數的空間分布特徵，從而獲得高時間解析度和高空間解析度的地表參數；其優點在於高時間解析度的數據不要求數據的完整性，在融合前不需要預先插值消除噪音處理；隨著高時間解析度數據的增多，時間演變函數會逐漸優化逼近，但在數據稀少時也可較好描述參數的時間演變關係從而實現數據融合；兩類數據在融合時並不需要精確的空間位置匹配；兩類數據在一類數據缺失時可使用歷史背景數據替換。本發明可以用於作物生長監測等應用，也可用於多種類型數據融合填補數據獲取的缺失(如雲遮蓋導致的數據不全)。
文檔編號G06T5/50GK102314677SQ20101021892
公開日2012年1月11日 申請日期2010年7月7日 優先權日2010年7月7日
發明者劉洋, 劉榮高 申請人:中國科學院地理科學與資源研究所