[发明专利]基于时空随机效应加法过程模型的多源遥感产品层次贝叶斯融合方法

说明书

本发明提供了一种基于时空随机效应加法过程模型的多源遥感产品层次贝叶斯融合方法，针对具有季节变化规律的地学参数的遥感产品存在的时空不连续、时空分辨率单一的问题，在传统的时间序列统计模型中增加时空随机效应模型组分，构造时空序列加法过程模型，嵌入到层次贝叶斯融合模型中，利用多源遥感产品信息的互补性，进行产品信息融合，得到时空完整的、多尺度、高精度、空间信息量丰富的融合遥感产品。本发明可以满足地学参数真实的时空过程模拟、参数的多尺度无缝转换、遥感产品及动态过程模拟参数的不确定表达、地学参数局部时空结构模拟，并且实现快速高效的海量遥感数据计算，得到高精度、局部空间模式丰富的多尺度时空完整的融合数据。

技术领域

本发明属于地学遥感技术领域，具体涉及一种基于时空随机效应加法过程模型的多源遥感产品层次贝叶斯融合方法。

背景技术

用定量方法反演地表参数是当前遥感数据最重要的应用。遥感产品的生产者一直致力于研究的问题是通过改进传感器性能、反演策略及反演方法来提高产品的精度，但是遥感观测数据获得的都是瞬时值，而地表过程具有时空连续性，且绝大多数遥感观测和地表过程参数变量之间的关系是隐含的，导致反演的难度较大，即使是微小的误差也可能导致“病态”反演。

遥感产品的应用者根据应用环境的不同，提出了多种统计方法进行单遥感产品时空插值或多源遥感产品融合插值来提高现有遥感产品的时空完整性、精度及空间结构信息。如滤波方法、数据同化方法、多元数据融合方法等。滤波方法缺乏对地学参数动态过程模型的利用，且方法不能同时将历史的先验知识、数据的不确定性、时空异质性同时纳入方法中，噪声和真实信息取舍中存在较大的不确定性。虽然数据同化方法可以将地学观测数据与动态过程模型相结合，但动态过程模型通常选用物理模型，虽然物理模型具有明确的物理机理，能精确地模拟地学参数随时间的演变过程，但基于物理机理的过程模型往往需要大量的地学参数观测作为驱动，而这些参数的可获取性是有限的，为数据同化带来了一定的难度。目前应用的时空融合方法中对地学参数的时空过程模型利用较少，且不能同时满足融合过程中需要的尺度无缝转换、数据及参数的不确定性定量表达。

例如在公开号为CN107341513A，专利名称为基于稳健的固定阶数滤波模型的多源海洋表面温度遥感产品融合方法中虽然可以满足融合过程中需要的尺度无缝转换，产品的空间完整性融合结果也可以实现全覆盖，但是稳健固定阶数滤波模型模拟值作为先验均值嵌入层次贝叶斯，也就是稳健固定阶数滤波模型是单独运行的，没有将该过程模型直接嵌入层次贝叶斯模型，过程模型中的参数为固定值，而不是随机变量，因此参数的不确定性不能科学表达。

发明内容

本发明所要解决的技术问题在于针对上述现有技术的不足，提供一种基于时空随机效应加法过程模型的多源遥感产品层次贝叶斯融合方法，利用多源遥感产品的互补性解决现有遥感产品的时空完整性、精度及空间结构问题。

为解决上述技术问题，本发明采用的技术方案是：

基于时空随机效应加法过程模型的多源遥感产品层次贝叶斯融合方法，针对具有季节变化规律的地学参数的遥感产品存在的时空不连续、时空分辨率单一的问题，在传统的时间序列统计模型中增加时空随机效应模型组分，构造时空序列加法过程模型，嵌入到层次贝叶斯融合模型中，利用多源遥感产品信息的互补性，进行产品信息融合，得到时空完整的、多尺度、高精度、空间信息量丰富的融合遥感产品；具体包括如下步骤：

S1，构建时空序列加法过程模型，描述宏观趋势特征及局部空间结构特征。在不同时刻存在不同程度的局部空间变异以及在不同的空间位置存在不同程度的局部时间变异，但相邻空间、时间点上又具有明显的相关性，基于独立同分布假设的统计方法很难对其进行科学的分析，因此，所述构建时空序列加法过程模型在传统的时间序列分析方法的基础上引入了时空相关性分析，即在传统的时间序列统计模型基础上，构建时空随机效应模型并与时间序列结构相结合，采用如下公式：

Y(s,t)＝M(s)+S(t,β(s))+R(s,t)+γ(s,t)