论文部分内容阅读
由于地表异质性普遍存在,全球与区域尺度上的生态环境变化监测迫切需要高时空分辨率的遥感数据作为支撑。然而,受遥感卫星技术条件的限制,现有遥感数据难以在较长时间尺度上同时满足高时间、空间分辨率的要求。同时,在多云雾覆盖地区,每年获取到可用的高空间分辨率数据(如Landsat)仅存在于个别观测时刻。为缓解遥感数据的时空尺度间的矛盾,国内外学者提出遥感时空信息融合方法来合成高时空分辨率的遥感数据。但目前现有的时空融合算法通常假设性较强,在空间异质性较强或种植制度多样的复杂地表上的应用受到很大限制。同时大部分算法均以地表覆盖简单或基对数据数量较多的地区作为研究区域,针对可用数据较少且种植制度多样的复杂地表研究甚少。本文以基于遥感趋势面的时空融合算法(Remote Sensing Trend surface based method,RTSM)为基础,选取多云雾覆盖的关中地区为研究区,重点研究可用数据有限且种植制度多样的复杂地表下双季作物的高时空NDVI构建方法。通过引入一条自适应的拟合曲线,改进了 RTSM算法的曲线拟合方法,将RTSM算法拓展至种植制度多样的复杂地表下的应用。主要工作内容如下:(1)Hants曲线拟合模型通过选取合理的相关参数,根据不同类别作物的真实生长变化规律,可自适应的对其生长变化曲线进行有效拟合。本文通过引入一条自适应的拟合曲线,改进RTSM算法的曲线拟合方法,改进的RTSM算法可自适应的根据作物生长规律拟合其生长变化曲线,将RTSM算法拓展至种植制度多样的复杂地表下的应用。改进的RTSM算法更适用于复杂地表双季作物高时空NDVI构建,拟合后的曲线准确地表征了不同种植制度下的作物生长规律。(2)选取小数据量条件下、一般数据量条件下和大区域尺度等不同特征的研究区,验证改进的RTSM算法的精度,并与ESTARFM算法(Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model,ESTARFM)进行对比。结果表明:改进后的 RTSM 算法在复杂地表下双季作物地区的适用性更好。采用改进的RTSM算法生成的预测影像与真实影像的决定系数高于ESTARFM算法结果,同时融合结果生成的NDVI时间序列曲线平滑且连续,更能反映复杂地表下双季作物的真实生长趋势。(3)选取不同数量及分布的基对数据组进行时空融合,通过对比基于不同基对数据条件下改进的RTSM算法和ESTARFM算法的融合结果,评价两种算法对基对数据组的敏感性。通过空间对比、散点图对比及时间趋势对比等方法研究发现:基对数据较少时,峰值期数据做基对数据可大幅提高ESTARFM算法结果精度,而改进的RTSM算法受其影响较小。基对数据较多时,两种算法受峰值期数据影响均不大。同时,增加基对数据数量均可提高两种算法的融合精度。总体来说,基于相同的基对数据组,改进的RTSM算法生成的预测影像与真实影像的相关性更高。(4)为保证融合结果及植被的时间序列曲线具有较高的精度,研究改进的RTSM算法和ESTARFM算法对基对数据的敏感性。采用时空融合算法进行数据融合时应综合考虑所用基对数据的分布及数量,改进的RTSM算法和ESTARFM算法应尽量选取较多数量的观测数据作为基对数据。当观测数据中存在峰值期数据且采用ESTARFM算法进行时空融合时,为使得预测影像更接近真实影像,同时生成的时间序列曲线更符合植被的真实生长趋势,应尽量选取峰值期数据作为基对数据。