[发明专利]光谱特征时间序列构建方法及系统

说明书

本发明提供一种光谱特征时间序列构建方法及系统，其中的方法包括：对用于数据融合的多源遥感影像进行预处理，并获取对应的预处理数据；基于预处理数据，根据预设时间间隔分别构建多源遥感影像的光谱特征时间序列；基于不同遥感影像的光谱特征时间序列构建用于不同遥感影像之间的转换模型；基于转换模型对目标光谱特征时间序列中存在数据缺失的时间节点进行缺失值补充；对缺失值补充后的光谱特征时间序列进行优化处理，获取基于多源遥感影像时空融合的光谱特征时间序列。利用上述发明能够实现多源遥感影像时空融合的光谱特征时间序列构建。

技术领域

本发明涉及多源遥感影像时空融合算法技术领域，更为具体地，涉及一种基于多源遥感数据融合的光谱特征时间序列构建方法及系统。

背景技术

近年来，随着遥感数据时空分辨率的不断提高，人们对农情监测、土地覆盖分类及变化监测等遥感应用的时空精度提出了更高的要求，使得光谱特征时间序列得到了广泛应用。

基于多时相遥感影像的光谱特征时间序列反映了不同地物的物候特性及变化规律，一方面可以直接应用于土地覆盖变化和农作物生长状况监测；另一方面，可以用做土地覆盖分类中的输入特征，增大不同地物之间的可分性，提高分类精度。

然而，受限于现有遥感卫星传感器的硬件技术，以及云雨天气造成的数据缺失，基于单一遥感卫星数据构建的光谱特征时间序列难以满足高时空分辨率遥感应用的要求。因此，通过融合多源遥感数据，充分利用不同传感器在时间、空间及光谱分辨率中的优势，构建高时空精度的光谱特征时间序列是目前遥感分类和监测等应用中常用的方法。

目前，在众多多源遥感数据融合算法中，基于重建模型的融合方法应用最为广泛。该方法通过建立高时间分辨率与高空间分辨率数据之间的关系，实现不同传感器数据的融合。在这一类算法中，最为常用的为时空自适应融合模型（TheSpatial and TemporalAdaptive Reflectance Fusion Model，STARFM）和增强型时空自适应融合模型（EnhancedSpatial and Temporal AdaptiveReflectance Fusion Model，ESTARFM）。STARFM 和ESTARFM 的基本原理相似，即通过计算光谱差异、空间距离差异、时间差异引入邻近相似像元的权重，获得拟预测中心像元的光谱值，从而实现多源遥感数据融合，构建光谱特征时间序列。

但是，这两种方法也存在一定的局限：一是对于变化复杂和多云雨的地区，难以准确的找出相似像元，导致融合精度不高；二是寻找邻近相似像元及计算权重的算法相对复杂且效率较低，难以实现大尺度遥感分类与监测应用中光谱特征时间序列的快速构建。

因此，当前研究中仍缺少面向大尺度遥感应用且易于实现的高时空精度光谱特征时间序列快速构建方法。

发明内容

鉴于上述问题，本发明的目的是提供一种光谱特征时间序列构建方法及系统，以解决现有的光谱特征时间序列构建精度低、效率低、不能实现大尺度高精度时空融合的问题。

本发明提供的光谱特征时间序列构建方法，包括：对用于数据融合的多源遥感影像进行预处理，并获取对应的预处理数据；基于预处理数据，根据预设时间间隔分别构建多源遥感影像的光谱特征时间序列；基于不同遥感影像的光谱特征时间序列构建用于不同遥感影像之间的转换模型；基于转换模型对目标光谱特征时间序列中存在数据缺失的时间节点进行缺失值补充；对缺失值补充后的光谱特征时间序列进行优化处理，获取基于多源遥感影像时空融合的光谱特征时间序列。