[发明专利]基于作物参考曲线进行高时空分辨率植被指数数据融合的方法

说明书

本发明公开了一种基于作物参考曲线的高时空分辨率植被指数数据集重建方法，包括：步骤一：构建作物参考曲线样本库；利用作物分类图CDL的作物类别信息和空间位置得到基于纯净像元的不同作物的多条MODIS参考曲线，形成MODIS作物参考曲线样本库，同时结合MODIS本地曲线共同作为MODIS候选曲线参与到曲线匹配中；步骤二：确定初始拟合曲线；步骤三：确定最终拟合曲线；针对Landsat初始拟合曲线和原始Landsat时间序列NDVI影像之间存在的局部差异，经过二次拟合平滑后得到Landsat最终拟合曲线，从而同时得到具有MODIS时间分辨率和Landsat空间分辨率的高时空分辨率植被指数数据。

技术领域

本发明涉及农业遥感技术领域，特别涉及一种基于作物参考曲线进行高时空分辨率植被指数重建的方法，适用于不同农田系统的农业遥感监测研究。

背景技术

在监测区域或全球尺度的地球系统动态变化时，如植被覆盖变化、土地利用变化等，地球观测卫星能够提供丰富的数据与监测方法来获取地表信息，从而为资源管理和政策制定提供科学依据。但是，由于地球观测卫星获取的遥感数据在高时间分辨率和高空间分辨率上存在相互制约的问题，而以田块尺度研究区域为代表的遥感监测对于时间分辨率和空间分辨率都具有较高要求，因此需要特定的方法来生成具有高时空分辨率的遥感数据。以Landsat和MODIS影像为例，Landsat影像具有30m的中高空间分辨率，能较好满足田块尺度遥感监测的要求，但其16天的重返周期以及比较严重的云覆盖问题极大限制了Landsat影像进行地表快速变化监测的能力；相反MODIS影像具有每天获取数据的能力，但其较低的空间分辨率(250-1000m)难以实现复杂农田系统的精准监测。

为了满足上述遥感监测对于高时空分辨率数据的需求，如果单纯从数据源的角度考虑，可以通过发射更多具有不同用途特点的对地观测卫星，从而获取足够多的高时空分辨率影像，但是这种方式需要更加先进的软硬件技术和巨大的研发生产成本等，并不具有实际可操作性。因此基于现有的多源遥感影像，利用时空融合技术得到高时空分辨率影像的方法从提出伊始就受到关注，并取得了较大的发展和应用。该技术很好的结合了不同传感器具有的时间、空间和光谱特征，通过算法将同一区域不同卫星获取的高空间低时间分辨率数据和高时间低空间分辨率数据之间具有某种的对应关系进行模拟，融合生成具有高时空分辨率的影像，很好地解决了时空分辨率不一致对于遥感监测效率和精度的限制。在近几十年的发展过程中，时空融合经典算法STARFM在植被动态变化监测、作物物候信息提取、水资源监测、地表温度监测等众多领域取得了很好的应用效果，同时也产生了一系列改进算法，如STAARCH、ESTARFM、FSDAF等。这类时空融合算法的理论基础通常是，对于同一地区同一时间段的高低空间分辨率影像，两者在同一时相的影像特征是一一对应的，因此可以将低空间分辨率影像上的连续时相变化特征映射到高空间分辨率影像上，弥补了高空间分辨率影像获取周期偏长导致时相变化信息缺乏的不足，从而很好地结合了高空间分辨率影像提供的空间结构信息和低空间分辨率影像提供的时间维信息，生成具有高时空分辨率的影像数据。但是该类时空融合方法也具有一些局限性，首先提供时间维信息的低空间分辨率影像存在较严重的混合像元现象，导致得到的时空融合产品虽然具有较高的时空分辨率，但进行地物识别分类时往往精度不高，容易出现误判，尤其对线状地物、小块地物或不规则地物的分类识别影响较大，因此这类算法比较适用于空间均质区域的遥感监测识别，但不太适用于空间异质性较大的区域。其次，这类时空融合算法需要多对在晴空条件下获取的高空间低时间分辨率和低空间高时间分辨率影像并进行匹配拟合，低空间分辨率影像由于具有较高的时间分辨率，可以满足晴空条件下的可用影像数要求，但高空间分辨率影像由于获取周期较长，很容易受到云覆盖等因素的影响，导致可用于匹配的影像数受到限制。尤其是在多云雨天气的地区，可用的高空间分辨率影像往往较少，融合结果的误差较大。