一种构建高空间分辨率时序遥感数据的方法技术

本发明专利技术涉及一种构建高空间分辨率时序遥感数据的方法，具体包含以下步骤：S1、低空间分辨率影像的混合像元分解；S2、基准期与预测期的回归模型拟合；S3、残差的分配和补偿；S4、拟合结果的空间滤波；S5、正反向估测结果的加权；S6、结合高空间分辨率影像的连续校正。本发明专利技术取得了更高的融合精度，极大地减弱了空间模糊现象，提供了更丰富的纹理特征和更好的目视效果，有利于地表信息连续动态监测及其他高空间分辨率时序遥感数据的应用。分辨率时序遥感数据的应用。分辨率时序遥感数据的应用。

【技术实现步骤摘要】
一种构建高空间分辨率时序遥感数据的方法


[0001]本专利技术涉及遥感影像处理
，尤其涉及一种构建高空间分辨率时序遥感数据的方法。

技术介绍

[0002]遥感技术以其空间覆盖范围广、时间周期固定等优势为区域地表信息动态监测提供了重要的数据来源。然而，受到传感器本身和各种不利天气条件的限制，目前单一传感器很难兼具空间和时间分辨率。高时间分辨率的影像其空间分辨率较低，混合像元的影响制约了地表信息监测的精度；而高空间分辨率的影像回访周期长、时效性差，难以满足连续的动态监测。遥感数据时空融合技术是满足高时空应用需求的有效方式。遥感影像融合是指利用一对或多对准同步的粗
‑
细分辨率影像作为基准期影像，结合待预测日期的粗分辨率影像估测待预测日期的细分辨率影像。
[0003]针对特定的应用场景学者们提出了诸多的时空融合算法，其中Fit
‑
F方法仅仅需要起始日期的一对粗
‑
细分辨率的基准期影像，并且计算效率高，对于有物候变化的场景表现出较好的预测精度，因此适用于地表信息连续的动态监测。但是该方法存在两方面的不足：一方面，受粗分辨率影像上混合像元的影响，该方法在异质性强但变化强度低的区域表现不佳，不擅长捕捉影像的结构和纹理；另一方面，由于仅利用一对基准期影像，对于基准期和预说明书测期的细分辨率影像间存在变化，而粗分辨率影像上不可见的情况，不能被捕捉到。因此，有必要改进现有的Fit
‑
FC方法，使其更加适应于连续的地表信息动态监测。
[0004]此外，Sentinel
‑
2A/B卫星具有5天的重访周期，即使受云等天气条件的影响造成数据缺失，其仍然为地表信息监测提供了较为密集的高空间分辨率影像。如何充分利用可获得的多幅高空间分辨率影像提供的信息，构建出更高质量的高空间分辨率时序遥感数据，也是亟待解决的问题。

技术实现思路

[0005]为了克服上述现有技术的局限，本专利技术提供了一种构建高空间分辨率时序遥感数据的方法。
[0006]本专利技术的技术方案如下：一种构建高空间分辨率时序遥感数据的方法，具体包含以下步骤：S1、低空间分辨率影像的混合像元分解：基于高空间分辨率影像的分类图，获取低空间分辨率影像上逐像元的各类地物的丰度，并利用像元分解模型计算每类地物的光谱反射率，获得粗影像的降尺度影像；S2、基准期与预测期的回归模型拟合：基于步骤S1中得到的降尺度影像，建立基准
期和预测期（）间反射率的线性回归模型，并应用于细影像，得到细影像的反射率拟合结果；说明书S3、残差的分配和补偿：将上述步骤S2得到的细影像的反射率升尺度至低空间分辨率，计算其与粗影像反射率的差值，即残差，并采用空间插值方法将残差分配至高空间分辨率，并补偿于的细影像；S4、拟合结果的空间滤波：在一定窗口内筛选中心像元的光谱相似像元，利用相似性像元的光谱差异性和与中心像元的相对距离来加权计算预测期的中心像元值，从而得到空间滤波后的的细影像；S5、正反向估测结果的加权：设置起始日期（）和结束日期（）两个基准期，将上述步骤S1
‑
S4分正、反两个方向进行，采用线性加权方法综合正、反向估测结果作为加权时序融合结果；S6、结合高空间分辨率影像的连续校正：基于上述步骤S5获得的时序影像融合结果，构建地表信息的动态变化模型；利用可获得的多幅已知细影像对动态模型进行修正，使动态模型模拟值与已知细影像值的误差最小，最终得到校正后的时空融合结果。
[0007]优选的，步骤S1中具体包括：S11：对获得的遥感影像进行大气校正、几何校正、投影转换、重采样、质量控制等预处理；S12：采用监督分类或非监督分类法对细影像进行分类，利用公式（1）计算粗影像上每个像元内各类地物的丰度；说明书式（1）中，表示i位置处混合像元内类别q的丰度，Q为混合像元中类别q的细像元数，S为混合像元中所有类别的细像元总数；S13：混合像元的反射率值可以表示为像元中各类别的反射率与其丰度的线性组合，混合像元分解模型具体为：
约束条件:式（2）中，为第i个混合像元的反射率，表示第i个混合像元中类别q的平均反射率，m为类别数，为残余误差。
[0008]S14：将上述步骤计算得到的各类别的平均反射率按照类别对应到相应地类的像元上，从而得到粗影像的降尺度数据；优选的，步骤S2中具体包括：根据公式（3）利用基准期和预测期的降尺度数据建立线性回归模型，需要在一定大小的移动窗口M内进行，利用最小二乘法求得移动窗口内中心像元的回归系数a和b，并应用于细影像，根据公式（4）估测得到的细影像；的细影像；说明书其中，和分别为移动窗口M内和时期降尺度数据的反射率，为拟合残余误差，和分别表示和时期细影像的反射率。
[0009]优选的，步骤S3中具体包括：采用平均聚合的方法将的细影像升尺度至低空间分辨率，利用公式（5）计算残差RD；将残差分配至高空间分辨率采用的空间插值方法可以选用适当的克里金插值法，并将高空间分辨率的残差rd补偿于与上述步骤S2得到的细影像的反射率；式（5）中，表示低空间分辨率下的残差，和分别为和时期粗像元的反射率，和分别为和时期粗像元中细像元的观测和估测反射率。
[0010]优选的，步骤S4中具体包括：根据公式（6），综合基准期细影像的各波段相似像元和中心像元的光谱差异D，在一定窗口内，差异最小的前s个像元被筛选为相似像元；根据公式（7）计算邻近像元和中心像元的空间距离，根据公式（8）确定各相似像元的权重；根据公式（9）通过加权窗口内相似性像元逐波段计算预测时期的中心像元值，从而说明书得到时期空间滤波后的细影像；时期空间滤波后的细影像；时期空间滤波后的细影像；时期空间滤波后的细影像；其中，和分别表示细影像第b波段的i位置和中心位置像元的反射率，c为用于融合的影像波段数；w为窗口半径，为高空间分辨率下的残差分配值，为w
×
w窗口内中心像元的正向预测结果。
[0011]优选的，步骤S5中具体包括：依据细影像的分类图，确定正反向估测结果中每一地类的权重；具体地，以正向估测过程为例，根据公式（10），由估测的细影像，确定估测影像与实际观测影像间的回归系数k和l，并应用于的正向估测影像，根据公式（11）得到的似“真实影像”；根据公式（12）和（13）计算的正向估测影像和似“真实”影像的差距，得到正向估测的相对精度；
说明书说明书其中，和分别表示的正向估测和真实观测值，和分别表示的正向估测和似“真实”观测值，表示正向估测与真实观测值之间的差距，表示正向估测的相对精度；相似地，依照上述流程，可以获得反向估测的相对精度；根据公式（14）和（15）确定各地类正反向估测的权重；根据公式（16）获得正反向估测加权的时序影像融合结果；结果；结果；。
[0012]优选的，步骤S6中具体包括：采用S
‑
G滤波方法对时序融合数据进行滤波用于构建地表信息动态模型；采用一种连续校正的CACAO方法（公式（17）），利用多幅已知的细影像修正动态模型，将修正后的各本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种构建高空间分辨率时序遥感数据的方法，其特征在于，具体包含以下步骤：S1、低空间分辨率影像的混合像元分解：基于高空间分辨率影像的分类图，获取低空间分辨率影像上逐像元的各类地物的丰度，并利用像元分解模型计算每类地物的光谱反射率，获得粗影像的降尺度影像；S2、基准期与预测期的回归模型拟合：基于步骤S1中得到的降尺度影像，建立基准期和预测期（）间反射率的线性回归模型，并应用于细影像，得到细影像的反射率拟合结果；S3、残差的分配和补偿：将上述步骤S2得到的细影像的反射率升尺度至低空间分辨率，计算其与粗影像反射率的差值，即残差，并采用空间插值方法将残差分配至高空间分辨率，并补偿于的细影像；S4、拟合结果的空间滤波：在一定窗口内筛选中心像元的光谱相似像元，利用相似性像元的光谱差异性和与中心像元的相对距离来加权计算预测期的中心像元值，从而得到空间滤波后的的细影像；S5、正反向估测结果的加权：设置起始日期（）和结束日期（）两个基准期，将上述步骤S1
‑
S4分正、反两个方向进行，采用线性加权方法综合正、反向估测结果作为加权时序融合结果；S6、结合高空间分辨率影像的连续校正：基于上述步骤S5获得的时序影像融合结果，构建地表信息的动态变化模型；利用可获得的多幅已知细影像对动态模型进行修正，使动态模型模拟值与已知细影像值的误差最小，最终得到校正后的时空融合结果。2.根据权利要求1所述的构建高空间分辨率时序遥感数据的方法，其特征在于，步骤S1中具体包括：S11：对获得的遥感影像进行大气校正、几何校正、投影转换、重采样、质量控制等预处理；S12：采用监督分类或非监督分类法对细影像进行分类，利用公式（1）计算粗影像上每个像元内各类地物的丰度；式（1）中，表示i位置处混合像元内类别q的丰度，Q为混合像元中类别q的细像元数，S为混合像元中所有类别的细像元总数；S13：混合像元的反射率值可以表示为像元中各类别的反射率与其丰度的线性组合，混合像元分解模型具体为：
约束条件:式（2）中，为第i个混合像元的反射率，表示第i个混合像元中类别q的平均反射率，m为类别数，为残余误差。S14：将上述步骤计算得到的各类别的平均反射率按照类别对应到相应地类的像元上，从而得到粗影像的降尺度数据。3.根据权利要求1所述的构建高空间分辨率时序遥感数据的方法，其特征在于，步骤S2中具体包括：根据公式（3）利用基准期和预测期的降尺度数据建立线性回归模型，需要在一定大小的移动窗口M内进行，利用最小二乘法求得移动窗口内中心像元的回归系数a和b，并应用于细影像，根据公式（4）估测得到的细影像；的细影像；其中，和分别为移动窗口M内和时期降尺度数据的反射率，为拟合残余误差，和分别表示和时期细影像的反射率。4.根据权利要求1所述的构建高空间分辨率时序遥感数据的方法，其特征在于，步骤S3中具体包括：采用平均聚合的方法将的细影像升尺度至低空间分辨率，利用公式（5）计算残差RD；将残差分...

【专利技术属性】
技术研发人员：李艳，辛全英，安赛，
申请(专利权)人：河北科技师范学院，
类型：发明
国别省市：