论文部分内容阅读
全球变化科学迫切需要在高分辨率下监控季节性的景观变化。Landsat系列卫星影像较高的空间分辨率与多光谱特征使得其在多领域得到应用,但是较长的重访周期以及云的影响导致高质量时序数据的获取能力不足,极大限制了其在地表景观变化研究中的应用。而MODIS数据每隔一到两天就能对全球成像一次,更适用于地表景观变化的研究,但MODIS数据250-1000米的空间分辨率使其无法适用于空间小尺度范围的研究。基于Landsat 8 OLI与MODIS的时空数据融合方法将Landsat 8 OLI数据与MODIS数据融合获得高时间分辨率与空间分辨率的数据,融合结果为地物景观的变化研究提供了数据基础,提高了地物的识别能力和精度。论文以山东省中西部为研究区,首先通过分析数据特性和参数变化等对时空数据融合方法融合得到的影像质量造成的影响,确定了算法输入的参数,然后,对基于时序的时空数据融合法(STIFM)、自适应的遥感图像时空融合方法(STATFM)与灵活的时空数据融合方法(FSDAF)进行对比分析,发现对于地表覆被发生快速变化的地区,FSDAF方法融合得到的结果优于其它方法。然而FSDAF算法对输入影像的质量较为敏感、算法复杂且计算量大,没充分利用高分辨率影像的空间细节信息与低分辨率影像的时序变化信息。最后,本文用地表扰动指数来描述地表反射的变化,结合混合像元分解与FSDAF算法,提出了一种改进的灵活时空数据融合方法IFSDAF。论文的研究内容和主要成果包括:(1)MODIS日地表反射率整合。通过分析MODIS数据的特征和MOD09GA地表反射之间的关系,基于双星协同生成8天的MODISNDVI时序数据,提取出植被的物候数据,在此基础上以8天为步长对MOD09GA日地表反射率数据进行重构,保证了特定时段高质量MODIS地表反射率数据的充分利用。利用Python脚本语言编写的程序对数据进行处理,重构得到质量更高的MODIS反射率数据。(2)常用时空数据融合算法对比分析。本文使用常用的时空数据融合方法合成研究区特定时段的数据,并对合成的影像质量进行了定量评价,并分别讨论了分类数量的变化对上述算法融合生成的影像质量的影响。同时,从光谱特征和影像结构特征两个方面定量评价了不同地表类型(旱地、林地、草地、城镇建设用、农村居民地等)上的影像融合结果,分析了不同融合方法的适用性,结果表明FSDAF算法具有更高的融合精度。(3)改进的灵活时空数据融合方法。针对FSDAF方法对数据质量敏感,计算复杂度高且没有充分利用高分辨率影像的空间细节信息与低分辨率影像的时序变化信息的特点,通过利用地表低分辨率数据对地表变化信息进行量化,采用线性光谱混合分解与FSDAF算法相结合的方法,提出了针对地表覆被变化的IFSDAF算法,生成了更高质量的影像。同时探讨了参数变化等对IFSDAF算法生成影像质量的影响。(4)植被生长时序特征分析。利用IFSDAF算法生成的融合数据计算获取NDVI时序数据,同时考虑不同地表覆盖类型下生成的高时空NDVI数据与重构得到的8天MODIS NDVI数据的时序差异变化,对比发现不同地表覆盖类型下植被的生长、高峰以及其衰落在趋势变化曲线上的表现与MODIS NDVI数据表现一致,表明了 IFSDAF算法的有效性。