本发明专利技术涉及一种基于小波多尺度分解的植被指数时序数据重构方法，其特征在于：该方法基于植被指数时序数据，利用小波变换，将植被指数与气候因子原始时序数据分别依次分解为对应半月、月、双月、季节、半年以及年际尺度上的时序数据，进一步依据每个尺度上的植被指数时序数据特征，选择对应尺度上的气候因子时序数据，选取合适的模型，进行不同尺度上的时序数据重建，最后综合所有尺度上的植被指数时序数据实现原始植被指数时序数据的重构。本发明专利技术具有精度高、适用范围广等特点。
【技术实现步骤摘要】
本专利技术涉及时间序列分析
，具体涉及一种基于小波多尺度分解的植被指数(Vegetation index, VI)时序数据重构方法。
技术介绍
遥感植被指数时序数据广泛应用于森林、农作物植被动态变化监测。在遥感数据采集与影像处理过程中，由于观测角度以及云等各种因素的干扰，导致所生成的植被指数时序数据质量不够理想，因此需要进一步对原始植被指数时序数据进行去噪与重构。植被指数时序数据去噪与重构的方法有很多，如最佳坡度指数提取法(Best slope extraction, BISE)、傅里叶分析法、多元最小二乘法、地统计法、非线性高斯函数法以及S-G (Savizky-Golay)滤波法等。这些方法均具有一定的合理性与实用推广价值，但其不足之处在于植被指数时序数据一般都具有非平稳性，不适合采用平稳性方法，因此不可避免地存在一定的局限性。小波变换作为一种多尺度分析的数学工具，能有效地将原始时序数据分解为一系列不同尺度上的时序数据。本专利技术对植被指数时序数据进行小波变换，通过判别小波分解后生成的不同尺度上时序数据是否满足平稳性，并且依据其自身的时序变化特征，选取合适的方法，分别对不同尺度上的时序数据选取合适的方法进行重建，将为植被指数时序数据重构提供一种新的思路与方法。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于小波多尺度分解的植被指数时序数据重构方法， 为实现上述目的，本专利技术的技术方案是：一种基于小波多尺度分解的植被指数时序数据重构方法，其特征在于：该方法基于植被指数时序数据，利用小波变换，将植被指数与气候因子原始时序数据分别依次分解为对应半月、月、双月、季节、半年以及年际尺度上的时序数据，进一步依据每个尺度上的植被指数时序数据特征，选择对应尺度上的气候因子时序数据，选取合适的模型，进行不同尺度上的时序数据重建，最后综合所有尺度上的植被指数时序数据实现原始植被指数时序数据的重构。本专利技术的方法顾及植被指数的非平稳性特征，综合时间与空间两方面因素，依据小波分解后生成的不同尺度上时序数据特征，分别采用合适的方法，进行植被指数时序数据重构。本专利技术具有精度高、适用范围广等特点。附图说明图1是本专利技术实施例的实现流程图。具体实施方式下面结合附图及具体实施例对本专利技术作详细的说明。本专利技术基于小波多尺度分解的植被指数时序数据重构方法，如图1所示，利用小波变换，将植被指数原始信号分解为分别对应半月、月、双月、季节、半年以及年际等多个尺度上的高频与低频成分，进一步依据每个尺度上的植被指数时序数据变化规律选取合适的模型进行植被指数时序数据重建，最后综合不同尺度时序数据实现植被指数时序数据的重构。具体的，本实施例基于小波多尺度分解的植被指数时序数据重构方法，进一步包括以下步骤：步骤S1：建立植被指数时序数据集。基于16天合成的MODIS EVI(增强型植被指数)数据(MOD09Q1)，建立研究区2001-2011年多年期植被指数时序数据集。步骤S2：建立气候因子时序数据集。基于每日连续观测气候因子时序数据集，生成2001-2011年研究区与植被指数数据对应16天合成的温度、降水时序数据集。步骤S3：分别对植被指数与气候因子时序数据进行小波变换，获得不同尺度上的植被指数与气候因子时序数据集。基于Meyer母小波，对研究区2001-2011年植被指数原始时序数据进行1次小波变换，分别生成低频成分A1(Approximation)和高频成分D1(Detail)，然后对低频成分A1继续进行小波变换，进一步获得低频成分A2和高频成分D2，以此类推，直至获得第五次小波分解后的低频成分A5和高频成分D5。依据Meyer母小波中心频率与原始植被指数时序数据间隔，可计算获得D1, D2, D3, D4, D5, A5分别大致对应半月、月、双月、季节、半年以及年际尺度上的植被指数时序数据。具体为：D1 (<24天), D2 (24-48天), D3 (48-95天), D4 (95-190天), D5 (190-380天)，A5 (>380天)。小波变换可表示为： (1)其中a, b分别为频率域与时间域参数，为原始信号，为小波系数。由于Meyer小波能确保时序数据平滑并且具有简单易用等优点，因此采用Meyer小波进行多尺度小波变换，表示为： (2) 依据上述方法，对气候因子时序数据进行小波变换，获得分别对应半月、月、双月、季节、半年以及年际尺度上的气候因子时序数据D1, D2, D3, D4, D5, A5。 步骤S4：选取合适的模型形式，分别重建D1(半月), D2(月), D3(双月), D4(季节), D5(半年), A5(年际) 等不同尺度上的植被指数时序数据。步骤S4.1 采用自回归方法对D1(半月)、D2(月)时序数据进行重建。采用赤池信息量准则(Akaike Information Criterion)法对模型进行定阶，建立D1、D2的自回归模型。模型形式如下： (3)其中，a1,a2……an为系数，y(t-1),y(t-2) ……y(t-n)分别为1,2……n阶自回归项，为残差。步骤S4.2采用带控制量的自回归模型对D3(双月)和D5(半年)时序数据进行重建。首先采用赤池信息量准则(Akaike Information Criterion)法确定自回归阶数，然后建立时序数据y（D3或D5）与自回归项目及对应尺度上的温度(T)和降水(R)等多个因子时序数据（D3或D5）的定量模型。模型形式为： (4)其中，a1,a2……an, b, c为系数，y(t-1),y(t-2) ……y(t-n)分别为1,2……n阶自回归项，T为温度指标的D3或D5时序数据，R为降水指标的D3或D5时序数据，为残差。 步骤S4.3 采用线性回归模型方法对D4(季节)时序数据进行重构。以温度和降水等气候因子对应尺度上的时序数据（D4）作为自变量，建立季节尺度上植被指数时序数据y（D4）与温度(T)和降水(R)等多个因子对应尺度上的时序数据（D4）的定量模型。模型形式为： (5)其中，a, b为系数，C为常数，T为温度指标的D4时序数据，R为降水指标的D4时序数据，为残差。步骤S4.4计算每个像元的A5时序数据的平均值，称为植被信号基准面层。基于植被信号基准面层的空间分布特征，分别选取高程(DEM)、坡度（slope）、土地利用程度(land use intensity, LUI)、多年平均温度(Temperature, T)、多年平均降水(rainfall, R)以及与最近河流的距离(river)、与最近居民点的距离(resident)等若干影响因子，首先对高程、坡度以及可达性因子（距离河流、居民点本文档来自技高网...
【技术保护点】
一种基于小波多尺度分解的植被指数时序数据重构方法，其特征在于：该方法基于植被指数时序数据，利用小波变换，将植被指数与气候因子原始时序数据分别依次分解为对应半月、月、双月、季节、半年以及年际尺度上的时序数据，进一步依据每个尺度上的植被指数时序数据特征，选择对应尺度上的气候因子时序数据，选取合适的模型，进行不同尺度上的时序数据重建，最后综合所有尺度上的植被指数时序数据实现原始植被指数时序数据的重构。
【技术特征摘要】
1.一种基于小波多尺度分解的植被指数时序数据重构方法，其特征在于：该方法基于植被指数时序数据，利用小波变换，将植被指数与气候因子原始时序数据分别依次分解为对应半月、月、双月、季节、半年以及年际尺度上的时序数据，进一步依据每个尺度上的植被指数时序数据特征，选择对应尺度上的气候因子时序数据，选取合适的模型，进行不同尺度上的时序数据重建，最后综合所有尺度上的植被指数时序数据实现原始植被指数时序数据的重构。
2.根据权利要求1所述的基于小波多尺度分解的植被指数时序数据重构方法，其特征在于：所述基于植被指数时序数据包括：首先，根据N天合成植被指数数据，生成多年期植被指数时序影像；然后生成与该多年期植被指数时序数据对应的多年期温度、降水时序数据，N为大于10的自然数。
3.根据权利要求2所述的基于小波多尺度分解的植被指数时序数据重构方法，其特征在于：所述的N为16。
4.根据权利要求1所述的基于小波多尺度分解的植被指数时序数据重构方法，其特征在于：还包括将所述半月、月、双月、季节、半年以及年际尺度上的时序数据分别对应定义成D1、 D2、 D3、 D4,、D5、 A5；所述选取合适的模型包括：D1和D2采用自回归模型，D3和D5采用带控制量的自回归模型，D4采用线性回归模型，A5首先采用趋势面模型进行整体拟合，然后对残差部分采用差分移动自回归模型。
5.根据权利要求4所述的基于小波多尺度分解的植被指数时序数据重构方法，其特征在于：所述D1和D2采用自回归模型的实现方式是：采用赤池信息量准则(Akaike Information Criterion，简称AIC)对模型进行定阶，建立D1、D2的自回归模型；模型形式如下：
其中，a1,a2……an为系数，y(t-1),y(t-2) ……y(t-n)分别为1,2……n阶自回归项，为残差。
6. 根据权利要求4所述的基于小波多尺度分解的植被指数时序数据重构方法，其特征在于：所述D3和D5采用带控制量的自回归模型的实现方式是：首先采用赤池信息量准则(Akaike Information Criterion，简称AIC)法确定自回归阶数，然后建立时序数据y与自回归项及对应尺度上的温度T和降水R的时序数据的定量模型；模型形式为：
其中，a1,a2……an, b, c为系数，y(t-1),y(t-2) ……y(t-n)分别为1,2……n阶自回归项，T为温度指标的D3或D5时序数据，R为降水指标的D3或D5...
【专利技术属性】
技术研发人员：邱炳文，钟鸣，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建;35
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。