一种基于直方图聚类的高时空归一化植被指数NDVI的融合模型制造技术

本发明专利技术涉及一种基于直方图聚类的高时空归一化植被指数NDVI的融合模型，包括：获取t

【技术实现步骤摘要】
一种基于直方图聚类的高时空归一化植被指数NDVI的融合模型
本专利技术涉及遥感影像数据处理领域或数据分析，尤其涉及一种基于直方图聚类的高时空归一化植被指数NDVI的融合模型。
技术介绍
归一化植被指数(NDVI)增强了植被的吸收和反射特性，提供了一种估计植被冠层绿度和活力的方法，对地表植被的覆盖程度非常敏感，是检测和指示植被覆盖状况和动态的常用指标之一。NVDI时间序列产品从区域到全球尺度均得到了非常广泛的关注和应用。目前主要应用于监测植被覆盖变化、作物生长状况、地物类型识别、作物估产、生物量估算、地表蒸散、土壤湿度监测、气候变化等各个方面。因此，长时间序列NDVI产品是了解植被过去、监测现状、预测未来的强有力工具。NDVI时间序列数据来源非常广泛，如MODIS、AVHRR、SeaWiFS、ASTER、Landsat(TM、ETM+、OLI)和Sentinel-2MSI等。由于技术需求和资金预算等因素的限制，以上数据不能同时满足高空间分辨率和高时间分辨率的要求，如专利CN105046648B公开的一种构建高时空遥感数据的模型
技术介绍
所阐述。MODIS，AVHRR，SeaWiFS传感器获取的NDVI数据具有高的时间分辨率，为日频率，可进行全球范围的观测并能捕捉地表日变化，但其空间分辨率较低，为250m-8000m，难以满足景观破碎度或异质性较强地区的应用。另外，基于ASTER和Landsat传感器获得的NDVI产品具有高空间分辨率，为10m-30m，但重访周期超过十天，且受到云、云阴影和其他天气条件的影响，难以获得密集时间序列的高空间分辨率NDVI数据，尤其是亚热带和热带的多云区域。即使近几年无人机技术的广泛应用和新的卫星系统的陆续发射(例如，Sentinel-2数据的重访周期为5天，空间分辨率为10米)对传统的卫星提供了一个有价值的补充，但难以补充早期NDVI时间序列产品。科学家研究长期陆地表面动态过程时，仍然面临巨大挑战。因此，将高时间分辨率但低空间分辨率NDVI数据(如MODISNDVI)和低时间分辨率但高空间分辨率NDVI数据(如LandsatNDVI)进行融合，获得高时空分辨率的NDVI时间序列数据，对于研究复杂环境的长期陆地表面动态过程具有重要意义。NDVI数据有两种融合策略。第一种是“Blend-Then-Index”(BI)策略，如先融合MODIS和Landsat的反射率数据，然后基于融合后的反射率数据计算高分辨率NDVI数据；第二种是“Index-Then-Blend”(IB)策略，如先根据原始MODIS和Landsat反射率数据计算NDVI数据，然后采用时空融合模型获取高分辨率NDVI数据。尽管时空融合模型最初是为反射率数据设计，而不是植被指数，但NDVI数据的短期变化可认为是线性变化，IB策略用NDVI代替反射率也是合理且可行的。同时，IB策略主要有以下3个方面的优势：第一，IB策略仅融合一个波段，计算成本低；第二，NDVI数据可以消除大部分与仪器定标、太阳角、地形、云阴影和大气条件有关的影响，增强了对植被的响应能力，IB策略能更好减少噪声；第三，BI策略需要至少融合计算NDVI所需的两个波段，误差传递较多。因此，IB策略目前为生产高时空分辨率NDVI数据的主要策略。迄今为止，基于IB策略，国内外设计了一些时空影像融合模型用于专门生产高时空分辨率NDVI产品。目前，采用IB策略的时空数据融合模型通常遵循三个基本原理：分别为空间相似性、时间相似性和线性混合模型。根据Tobler的地理学第一定律，由于相近同类地物具有相似的空间分布和结构，相近地物随着距离变化是相关的，距离越近的地物越相关。遥感卫星影像记录了陆地表面覆盖物反射光谱信息，相近同类地物具有相似的光谱特征，从而假设光谱相似的临近像元存在空间相似性。例如，相近的草地具有相似的土壤理化性质和放牧强度，导致该区域草地的生物量、覆盖度和高度是基本一致的，使得遥感影像像元记录该区域的光谱特性也相似。像元之间的光谱相似性通常基于像元之间的权值或土地覆盖类型数据来评价，空间相似性是大部分时空融合模型的基础原理。由于相近同类地物的组成和结构相似，使得相近同类地物的时间变化也具有相似性。具体而言，相近同类地物随时间的物候变化是相似的，使得记录相近同类地物的像元随时间的光谱值变化也是一致的。尽管地物光谱特征及高级别光谱数据产品在长时间尺度上是非线性变化的，但可以用多个短期的线性变化近似描述该地物光谱特征变化。遥感影像的像元大多数是由几种地物混合组成的，大多数像元的光谱特征也是由多种地物光谱特征组成。因此，像元的反射率可以表示为端元组分的光谱特征和它们的面积百分比(丰度)的函数。假设相同的地物具有相同的光谱特征和线性可加性，则可以用线性混合理论将低分辨率影像像元和高分辨率影像像元联系在一起。近几年研究中，通过反射率数据生成的高级别产品(如植被指数NDVI和EVI)也可通过线性混合理论进行预测时间变化。如专利CN102831310B公开的一种构建高时空分辨率数据的模型可以融合低空间分辨率NDVI和高空间分辨率NDVI数据。同样，本专利技术也采用线性混合模型对NDVI时间变化进行预测。基于以上三个基本原理构建了大量优秀的时空融合模型用于生成高时空分辨率遥感数据，在归一化植被指数(NDVI)方面，CN102831310B公开的模型比经典STARFM模型和ESTARFM模型的融合精度和效率更好，该模型升级版NDVI-LMGM的论述及评价见2015年发表于remotesensing期刊的文献Animprovedmethodforproducinghighspatial-resolutionNDVItimeseriesdatasetswithmulti-temporalMODISNDVIdataandLandsatTM/ETM+images。此外，FSDAF模型和IFSDAF模型的论述及评价见2019年RemoteSensingofEnvironment期刊文献AnImprovedFlexibleSpatiotemporalDAtaFusion(IFSDAF)methodforproducinghighspatiotemporalresolutionnormalizeddifferencevegetationindextimeseries。对于以上模型在以下几个方面受到限制：(1)需要辅助数据或先验知识，如CN102831310B公开的模型和IFSDAF模型需要输入分类图，预测结果将以分类图的不同而产生差异，且增大了工作量；(2)需要两对或多对无云基准NDVI数据，如NDVI-LMGM模型虽可以通过一对影像重复利用完成NDVI数据融合，但会影响预测精度；(3)难以同时精确预测物候变化和土地覆盖变化，如NDVI-LMGM模型难以预测土地覆盖变化或预测效果较差。(4)以上模型输入的分类图均通过基准时刻高分辨率NDVI数据获取，预测时刻低分辨率NDVI数据没有参与，输入的分类图仅含有基准时刻土地覆盖类型的信息，不含有t0到tp时间内土地覆盖形态变化信息。本文档来自技高网...

【技术保护点】
1.一种基于直方图聚类的高时空归一化植被指数NDVI的融合模型，其特征在于，包括：/nS1，获取t

【技术特征摘要】
1.一种基于直方图聚类的高时空归一化植被指数NDVI的融合模型，其特征在于，包括：
S1，获取t0时刻的高空间分辨率NDVI数据HSt0，并对高空间分辨率NDVI数据进行高斯滤波处理，根据局部直方图特征，获取分类图1；
S2，基于S1的结果，采用线性混合模型对t0与tp时刻下获取的低空间分辨率NDVI数据进行上采样，获得不同时刻下与HSt0同等分辨率的HSu0和HSup；
S3，基于S2的结果，将HSt0、HSu0和HSup作为输入数据，利用线性混合模型初次预测tp时刻下高空间分辨率NDVI数据，记为HStp1；
S4，根据HSt0与HStp1的局部直方图特征，生成分类图2；
S5，基于S4的结果，将HSt0、HSu0和HSup作为输入数据，利用线性混合模型再次预测tp时刻下高空间分辨率NDVI数据，记为HStp2；
S6，基于不同新粗像元的大小，进行多次HStp2的预测，然后求算术平均值，最终生成tp时刻的高分辨率NDVI；
其中，HSu0表示t0时刻低空间分辨率NDVI数据上采样产生的HSt0同等分辨率数据；
HSup表示tp时刻低空间分辨率NDVI数据上采样产生的HSt0同等分辨率数据。


2.根据权利要求1所述的一种基于直方图聚类的高时空归一化植被指数NDVI的融合模型，其特征在于，
采用线性混合模型对t0与tp时刻下获取的低空间分辨率NDVI数据进行上采样，具体包括：
S101：提取每个混合像元内各类别的丰度，得到类别丰度图；
S102：根据粗像元NDVI值等于该像元内各类别NDVI值与其丰度的线性组合原理，对LSt0和LStp分别构建两个相同的高低分辨率NDVI值线性混合模型；
S103：采用最小二乘方法对LSt0和LStp分别构建的高低分辨率NDVI值线性混合模型进行求解，生成不同时刻下与HSt0同等分辨率的HSu0和HSup。


3.根据权利要求2所述的一种基于直方图聚类的高时空归一化植被指数NDVI的融合模型，其特征在于，S101中丰度计算公式如下：



式中，fl(xi,yi)为混合像元(xi,yi)中l类别的丰度，Ql为混合像元(xi,yi)中l类别的像元数，wmix为混合像元的宽度。


4.根据权利要求3所述的一种基于直方图聚类的高时空归一化植被指数NDVI的融合模型，其特征在于，S102中构建NDVI值线性混合模型如下：



式中，NDVIC(xi,yi)为粗像元在(xi,yi)处的像元值，此处粗像元是基于HSu0和HSup按预定数量细像元组成的新粗像元；l为分类数，fl(xi,yi)为l类别在粗像元(xi,yi)内的丰度，NDVIF,C为l类别高分辨率像元NDVI的值。


5.根据权利要求1所述的一种基于直方图聚类的高时空归一化植被指数NDVI的融合模型，其特征在于：根据HSt0与HStp1的局部直方图特征，生成分类图2，具体包括：
S201：基于HSt0，采用3*3移动窗口构建16维局部直方图特征，生成分类图1；
S202：获得HStp1后，采用3*3移动窗口构建16维局部直方图特征；
S203：将构建的两张16维局部直方图特征组合扩张成32...

【专利技术属性】
技术研发人员：杨转玲，邢学刚，罗光杰，邢学军，贾艳艳，
申请(专利权)人：贵州师范学院，
类型：发明
国别省市：贵州;52