一种基于曲线特征加权的植被指数时序数据函数拟合重建方法技术

本发明专利技术公开了一种基于曲线特征加权的植被指数时序数据函数拟合重建方法。利用植被指数时序曲线中噪声点相对于植被信号的曲线特征差异，通过输入一个完整植被生长季的遥感植被指数时序数据、确定植被指数时序数据中的渐变点与突降点、计算各数据点的权重和执行函数加权拟合，重建高质量植被指数时序数据。本方法的特点是不依赖于辅助数据、抗噪声能力强和普适性好，可用于全球植被季相变化明显区域的植被指数时序数据重建。植被指数时序数据重建。植被指数时序数据重建。

【技术实现步骤摘要】
一种基于曲线特征加权的植被指数时序数据函数拟合重建方法


[0001]本专利技术涉及植被遥感领域，尤其涉及遥感植被指数时序数据重建方法。

技术介绍

[0002]卫星传感器获取的植被指数时序数据能够较好地反映植被的生长状态和季节性变化，被广泛应用于陆表植被参数估算和土地覆盖分类等。然而，植被指数时序数据的质量容易受到云和大气条件的不利影响，这会给后续应用带来误差。尽管植被指数时序数据产品大多利用最大值合成法和一系列云检测算法生成，但是其仍然含有较多的残余噪声。
[0003]目前已经发展了一系列的植被指数时序数据重建方法，大致分为4大类：(1)时间域滤波法，如Savitzky
‑
Golay滤波法、均值迭代滤波法和最佳指数斜率提取法；(2)时间域函数拟合法，如双逻辑斯蒂函数拟合法、双高斯函数拟合法和多项式函数拟合法；(3)频率域滤波法，如时间序列谐波分析法；(4)时空融合方法，如时空融合的Savitzky
‑
Golay滤波法。时间域滤波法和频率域滤波法在关键参数设置上通常需根据研究者的经验主观设置，这会导致新的不确定性；时间域函数拟合法容易受到植被指数时序数据中的噪声点影响；时空融合方法在应用于有大面积云覆盖的影像时容易失效。
[0004]现有研究常利用额外的辅助数据来减轻噪声对函数拟合法重建植被指数时序数据的影响。辅助数据的利用通常采用两种方式：(1)基于辅助数据中的云标记，去除被标记为云的植被指数点，并利用相邻不受云影响的植被指数点的线性插值结果替换；(2)基于辅助数据中的信噪比标记，设置植被指数时序数据中各点的拟合权重。这两种方法虽能有效提高函数拟合法的植被指数时序数据重建质量，但由于辅助数据本身的精度有限、以及基于辅助数据处理规则的普适性较差和部分数据源缺少有效的辅助数据等原因，基于辅助数据的函数拟合法具有较大的局限性。
[0005]实际上，植被指数时序数据本身蕴含了各数据点的质量信息。信噪比高的植被指数点反映了植被生长与衰老的渐变过程，而突然下降的植被指数点则通常是受到了云和恶劣大气条件的污染。我们可以利用该质量信息对植被指数时序数据的各数据点进行加权，从而可以有效避免函数拟合法在重建植被指数时序数据时对辅助数据的依赖。

技术实现思路

[0006]本专利技术正是针对传统的基于辅助数据的函数拟合重建方法的一些不足，提出了一种基于曲线特征加权的植被指数时序数据函数拟合重建方法，旨在利用植被指数时序数据的曲线特征对各数据点加权，重建高质量植被指数时序数据。
[0007]为达此目的，本专利技术采用以下技术方案：
[0008]一种基于曲线特征加权的植被指数时序数据函数拟合重建方法，包括以下步骤：
[0009]A、输入一个完整植被生长季的遥感植被指数时序数据。
[0010]B、确定植被指数时序数据中的渐变点与突降点，将植被指数时序数据中从两端到
峰值点保持单调递增趋势的所有数据点确定为渐变点，其余数据点确定为突降点。确定植被指数时序数据中渐变点与突降点的具体步骤为：
[0011](1)利用植被指数峰值点所处的时间位置将植被指数时序曲线划分成左右两个部分，然后分别确定渐变点与突降点。
[0012](2)在左边曲线上升阶段，从第1个点至峰值点依次判断，如果某个点的植被指数值大于或等于该点之前所有点的植被指数值，那么该点为渐变点，否则为突降点。
[0013](3)在右边曲线下降阶段，从倒数第1个点至峰值点依次判断，如果某个点的植被指数值大于或等于该点之后所有点的植被指数值，那么该点为渐变点，否则为突降点。
[0014]C、计算权重，渐变点的权重统一设置为1，突降点的权重根据其下降幅度和峰值邻近度来综合确定。权重计算的具体步骤为：
[0015](1)植被指数时序数据中渐变点的权重统一设置为1，其数学模型为：
[0016]W
GCP
＝1
[0017](2)为确定植被指数时序数据中突降点的权重，先将植被指数时序数据线性拉伸至0～10，其数学模型为：
[0018][0019](3)突降点的下降幅度为其拉伸后VI
Ls
值的下降幅度，其数学模型为：
[0020][0021](4)突降点的峰值邻近度为突降点与植被指数峰值点在时间上的邻近程度，其数学模型为：
[0022][0023](5)突降点的权重根据其下降幅度和峰值邻近度来综合确定，其数学模型为：
[0024][0025]上述数学模型中，W
GCP
为渐变点的权重；VI为原始植被指数值，VI
Ls
表示植被指数时序数据线性拉伸至0～10的结果，VI
max
与VI
min
分别为原始植被指数时序数据的最大值与最小值；Δh为突降点的下降幅度，VI
LS_SDP
、VI
Ls_GCP1
、VI
LS_GCP2
分别为突降点及其前后相邻渐变点的VI
LS
值，DOY
SDP
、DOY
GCP1
、DOY
GCP2
分别为突降点及其前后相邻渐变点的年日序；P为突降点的峰值邻近度，DOY
m
为植被指数峰值点的年日序，DOY
min
和DOY
max
分别为植被指数时序数据中年日序的最大值和最小值；W
SDP
为突降点的权重；公式中的年日序如果跨至下一年，则需对下一年中所有数据点的年日序加上365。
[0026]D、执行函数加权拟合，基于已经确定的各数据点权重，采用S型函数或多项式函数对植被指数时序数据进行函数加权拟合重建。其中，S型函数有双逻辑斯蒂函数、双高斯函数等。
[0027]本专利技术具有以下特点：
[0028](1)不依赖于辅助数据，利用植被指数时序数据的曲线特征对各数据点加权；
[0029](2)简单易实施，重建结果可靠；
[0030](3)适用性广，可应用于全球植被季相变化明显区域的植被指数时序数据重建。
附图说明
[0031]图1是植被指数时序数据重建结果(上)与各点的拟合权重(下)。
具体实施方式
[0032]下面结合附图对本专利技术的技术实施方案作进一步描述。
[0033]现基于MOD09A1数据(时间分辨率为8天、空间分辨率为500m)，计算青藏高原某一草地像元(34.33
°
N，101.72
°
E)2018年的NDVI(Normalized Difference Vegetation Index)时序数据，然后利用本专利技术中的方法对其进行重建。
[0034]A、输入一个完整植被生长季的遥感植被指数时序数据。
[0035]本案例中像元的植被类型为草地，其生长周期为一年，2018年的NDVI时序数据为一个完整的植被生长季，一年共有46个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于曲线特征加权的植被指数时序数据函数拟合重建方法，其特征在于，包括以下步骤：A、输入一个完整植被生长季的遥感植被指数时序数据；B、确定植被指数时序数据中的渐变点与突降点，将植被指数时序数据中从两端到峰值点保持单调递增趋势的所有数据点确定为渐变点，其余数据点确定为突降点；C、计算权重，渐变点的权重统一设置为1，突降点的权重根据其下降幅度和峰值邻近度来综合确定；D、执行函数加权拟合，基于已经确定的各数据点权重，采用S型函数或多项式函数对植被指数时序数据进行函数加权拟合重建。2.根据权利要求1所述的一种基于曲线特征加权的植被指数时序数据函数拟合重建方法，其特征在于，所述步骤C中突降点的权重确定方法为以下3个数学公式：征在于，所述步骤C中突降点的权重确定方法为以下3个数学公式：征在于，所述步骤C中突降点的权重确定方法为以下3个数学公式：式中，Δh为突降点的下降幅度，VI
LS
表示植被指数时序数据线性拉...

【专利技术属性】
技术研发人员：朱文泉，何邦科，谢志英，赵涔良，
申请(专利权)人：北京师范大学，
类型：发明
国别省市：