[发明专利]一种基于线性融合模型的遥感影像时空融合方法

说明书

本发明涉及一种基于线性融合模型的遥感影像时空融合方法，包括如下步骤：步骤(1)：将高频低分数据重采样到与低频高分数据相同的空间分辨率，以及相同的投影类型；步骤(2)：针对已知时期的低频高分数据，确定其邻域相似像元；步骤(3)：通过邻域相似像元与目标像元的空间距离计算相应的权重值；步骤(4)：通过线性解混理论计算式(3)中的系数b；步骤(5)：综合邻域相似像元对中心像元融合的贡献，计算预测时期的像元值，即实现对预测时期Landsat‑7数据的时空融合。本发明在线性模型时空融合理论基础上，综合线性解混方法计算线性模型的系数值，实现高分辨率及高频次遥感影像的模拟，实现模型系数的快速准确获取，提高了时空融合精度。

技术领域

本发明属于遥感数据时空分析与处理领域，涉及一种基于线性融合模型的遥感影像时空融合方法。

背景技术

对地表参数的高精度，时序观测能够更好的实现地表特征的动态过程分析，然而，目前单一数据源的遥感影像还很难实现高精度、高频次的同步观测，如Landsat TM/ETM+/OLI系列卫星数据的空间分辨率为30m，然而其16天的重访周期很难监测地表特征的动态变化，而且受到云、传感器性能等因素的限制，获取同一地区连续无云影像的周期可能会更长；另一方面，如MODIS数据能够实现每天1-2次的重访观测，但其较低的空间分辨率(250m-1000m)很难对中小尺度地物进行监测。时空融合算法能够有效解决这个时空分辨率矛盾问题，其是基于已知时期的高频低分数据(如MODIS数据)与高分低频数据(如Landsat数据)以及预测时期的高频低分数据来模拟预测时期的高分低频数据。基于线性模型的时空融合是重要的时空融合方法，2006年，Gao等人首先提出STARFM(the Spatial and TemporalAdaptive Reflectance Fusion Model)，其基本原理是通过已知时期和预测时期的高频低分数据得到反射率值的变化，然后将该变化值加到已知时期的高分低频像元，从而得到相应的预测时期高分低频像元值。为了消除混合像元问题，该方法采用邻域相似像元加权和的方式模拟中心像元的反射值，其权重通过光谱差异、时间差异、距离差异的乘积得到。

存在的线性模型时空融合方法，如STARFM方法和ESTARFM方法，其认为系数a或者为1或者为固定常数，然而，线性模型的系数值会随着观测位置的不同而变化，因此，认为系数a不变的策略可能会引入一定的误差；另一方面，最小二乘线性拟合方法同样能够计算线性模型的系数值，如STNLFFM方法和Fit_FC方法，然而在拟合过程中不可避免的会引入拟合误差，尤其当用于拟合的数据差异较大时，会造成较大的拟合误差，使模拟的目标数据失真。

发明内容

为了克服现有线性模型时空融合方法在模型系数计算上的不足，本发明在线性模型理论基础上，提出一种新的时空融合方法，在线性模型时空融合理论基础上，综合线性解混方法计算线性模型的系数值，实现高分辨率及高频次遥感影像的模拟。该方法能够实现模型系数的快速准确获取，提高了时空融合精度，从而为地物特征时空过程分析等研究提供可靠的数据保障。本发明通过线性解混模型计算模型系数b，通过代入方法计算模拟数据值，并通过确定相似像元以及相应权重值，将目标像元的邻域信息考虑进融合过程，提高融合精度。

本发明的具体技术方案为：一种基于线性融合模型的遥感影像时空融合方法，包括如下步骤：

步骤(1)：将高频低分数据重采样到与低频高分数据相同的空间分辨率，以及相同的投影类型，所述高频低分数据为MODIS数据，所述低频高分数据为Landsat-7数据；即将MODIS数据重采样到与Landsat-7数据相同的空间分辨率，以及相同的投影类型；根据线性时空融合模型理论，MODIS和Landsat-7像元的关系表示为下式：