一种多光谱遥感数据的时空融合方法

技术领域

本发明涉及遥感技术领域，特别是涉及一种多光谱遥感数据的时空融合方法。

背景技术

尺度效应是遥感领域的研究热点，随着各类遥感卫星成功发射，用户可获取海量数据。由于尺度效应，不同的地物特征需要从不同的时空尺度获取，而多尺度遥感数据较为稀缺，所以当用户需要特定区域在特定时空下的影像数据以完成其研究任务时，现有的卫星传感器不一定能满足用户需求。

此外，由于对尺度效应研究不够透彻，且物理机制、时空因素和地学性质过于复杂，导致95％的遥感数据无法被有效利用。

公开号为CN 108961199 A的发明公开了一种多源遥感数据时空融合方法及装置，所述方法包括：分别获取第一历史日期的基础高空间分辨率数据、第二历史日期的辅助高空间分辨率数据以及目标日期与第一历史日期的高时间分辨率数据；获取权重矩阵，所述权重矩阵用于表示基础高空间分辨率数据、辅助高空间分辨率数据和高时间分辨率数据用于预测目标日期的基础高空间分辨率数据时的权重大小；结合所述第一历史日期的基础高空间分辨率数据和所述目标日期与第一历史日期的高时间分辨率数据，获得目标日期的基础高空间分辨率数据。该发明使用多种高空间分辨率数据和一种高时间分辨率数据进行时空融合，但由于多尺度遥感数据较为稀缺，故该发明无法提高遥感数据的利用率。

公开号为CN 108932710 A的发明公开了一种遥感时空信息融合方法，包括以下步骤：S1，对多光谱遥感影像进行预处理，获得t0时刻的Landsat图像，t0时刻的MODIS图像，t1时刻的MODIS的图像；S2，得到t0时刻的中间级图像；S3，得到t1时刻的Landsat图像的稀疏分析字典；S4，根据步骤S2得到的t0和t1时刻的中间级图像及步骤S3得到的t1时刻Landsat图像的稀疏分析字典，得到t1时刻的Landsat图像。该发明基于分析型稀疏的理论框架，对MODIS图像进行超分辨率重建得到中间图像，采用卷积神经网络的学习方法得到时空一体化的退化模型，利用中间图像和时空模型求出融合结果。

偏微分方程学习模型：根植于计算机视觉和图像处理中图像的不变性，即使对输入的图像进行了旋转、平移、可逆矩阵变换或者尺度变化，输出图像也依然保持不变。偏微分方程系统的约束优化问题的基本形式如下，且可以针对不同的需求进行轻微的修改。

其中，{(u

发明内容

本发明的目的在于提出了一种多光谱遥感数据的时空融合方法，满足了用户对特定区域在特定时空下对影像数据的需求，提升了遥感数据的利用率。

一种多光谱遥感数据的时空融合方法，包括以下步骤：

(1).包含经纬度和波长的遥感数据通过数据质量控制和数据归一化构建多光谱遥感的数据集；

(2).对所述数据集进行基于微分不变量和Crank-Nicolson差分的特征工程；

(3).在特征工程的基础上，构建基于弹性网的偏微分方程学习模型；

(4).利用FASTA算法求解所述偏微分方程学习模型；

(5).根据步骤(4)得出的微分不变量，对实际工程数据的低时空尺度数据进行基于中心差分的融合数据反演，输出高时空尺度数据。

所述遥感数据包括地表反射率、地表温度、NDVI等。

所述步骤(1)中，多光谱遥感的原始数据集设为DATA，所述DATA分为输入和输出两部分，设输入和输出的空间大小均为m

构建多光谱遥感的数据集的具体步骤为：

1-1对DATA进行基本的质量控制，剔除不符合控制标准的无效像元，标记NaN像元和无效像元为无效值，所述控制标准包括：有无云、有无云影、是否经过高精度数字几何校正、有无气溶胶影响等；

1-2通过计算变异系数，挑选DATA内的可用像元；

1-3将可用像元和其对应的滑动窗口内的数据设为SUB_DATA，对SUB_DATA进行归一化数据处理，生成数据集FINAL_DATA；

1-4将FINAL_DATA中的单个可用像元及其对应的滑动窗口作为一个数据样本，所述的数据样本再对应地分为Input和Output，单个数据样本的Input和Output为一个样本对，剔除无法组成所述样本对的数据样本，多组样本对组成数据集LAST_DATA。

步骤1-2中，所述的变异系数为数据与其邻近数据的差异，变异系数越大则表示数据是异常值的可能性越高，挑选DATA内的可用像元的具体步骤如下：

以当前像元为中心像元，构造滑动窗口，如果窗口内存在无效值，则标记该中心像元为新无效值，如果窗口内没有无效值，则分别计算窗口内所有像元的均值μ和标准差δ；

计算所述中心像元的变异系数CV，CV＝abs(δ/μ)，其中abs(x)代表取x的绝对值，标记CV＞0.05的中心像元为新无效值；

再次构造滑动窗口，如果窗口内不存在无效值和新无效值，则中心像元为可用像元。

步骤1-3中，数据归一化是指先采用Z-score标准化方法消除量纲，再采用min-max标准化将数据归约到(0，1)之间，具体步骤为：

计算数据集SUB_DATA的均值μ′和标准差δ′；

对于SUB_DATA内的单个元素Xi，更新为Yi，Yi＝(Xi-μ′)/δ′，生成数据集SSUB_DATA；

求出SSUB_DATA中的最大值max和最小值min；

对于SSUB_DATA中的单个元素Yi，更新为Zi，Zi＝(Yi-min)/max，生成数据集FINAL_DATA。

所述步骤(2)中，微分不变量为以下：

其中，u为LAST_DATA中的Input样本，u

设微分不变量的函数表达式为inv，当源数据只有一个波段时，计算微分不变量，如表1所示，其中，v

表1基本微分不变量

计算所得全体微分不变量记为，

inv(u，v)＝[inv

微分不变量计算所得为函数形式的连续表达式，再经过Crank-Nicolson差分后，得到离散表达式，所述Crank-Nicolson差分格式如下：u的形式为矩阵，矩阵的导数也为矩阵，设u(x，y)代表矩阵的第x行第y列，u(x+1，y)代表矩阵的第x+1行第y列，以此类推，导数同理，例如：u

每一个微分不变量为数据集LAST_DATA的特征，特征工程至此完成。

所述步骤(3)中，在特征工程的基础上，构建的偏微分方程学习模型为：

其中，{(u

u

所述步骤(4)中，利用FASTA算法求解偏微分方程学习模型的目标为：

L(t

求解偏微分方程学习模型的步骤具体如下：

4-1用一阶迎风格式对上述系统方程组进行离散化分析，

4-2每一步迭代的能量泛函为，

4-3当n＝0时，

4-4设

转化目标方程为凸二次优化问题：

4-5使用计算机的工具包进行计算，所述工具包包括matlab中的quadprog函数；

4-6得到最终的不变量的系数a，即求出了Input与Output所满足的偏微分方程。

步骤(5)中，利用中心差分进行反演，步骤(5)中，利用中心差分进行反演，O

5-1设置自定义时间步长Δt；

5-2输入低时空尺度数据的微分不变量inv到步骤(4)得出的微分不变量表达式中；

5-3根据中心差分迭代式，

本发明相比现有技术，其优点在于：

1.在多尺度遥感数据较为稀缺的情况下，满足了用户需要特定区域在特定时空下的影像数据。

2.在物理机制、时空因素和地学性质较为复杂的条件下，提高了遥感数据的有效利用率。

附图说明

图1为本发明实施例多光谱遥感数据的时空融合方法的流程图。

具体实施方式

多光谱遥感数据的时空融合方法，包括以下步骤：

S1包含经纬度和波长的遥感数据通过数据质量控制和数据归一化构建多光谱遥感的数据集；

S2对所述数据集进行基于微分不变量和Crank-Nicolson差分的特征工程；

S3在特征工程的基础上，构建基于弹性网的偏微分方程学习模型；

S4利用FASTA算法求解所述偏微分方程学习模型；

S5根据步骤(4)得出的微分不变量，对实际工程数据的低时空尺度数据进行基于中心差分的融合数据反演，输出高时空尺度数据。

如图1所示，多光谱遥感数据的时空融合方法，具体步骤为：

进行S1，多光谱遥感的原始数据集包括经纬度、波长和与所述经纬度及波长对应的遥感数据，所述遥感数据包括地表反射率、地表温度、NDVI等。设数据集为DATA，将DATA分为输入和输出两个部分，输入和输出可以取同一时、空、谱内的两个不同分辨率的数据，也可以取同一空、谱、同一分辨率内的两个不同时间的数据。

设输入和输出的空间大小均为m

构建多光谱遥感的数据集：

进行S1-1，对DATA进行基本的质量控制，控制标准包括：有无云、有无云影、是否经过高精度数字几何校正、有无气溶胶影响等，剔除不符合控制标准的无效像元，标记NaN像元和无效像元为无效值。

进行S1-2，通过计算变异系数，挑选DATA内的可用像元。变异系数体现了数据与邻近数据的差异，变异系数越大则表示该数据是异常值的可能性越高，具体计算方式如下：

以当前像元为中心像元，构造5×5的滑动窗口，如果窗口内存在无效值，则标记该中心像元为新无效值；如果窗口内没有无效值，则分别计算窗口内所有像元的均值μ和标准差δ；

计算中心像元的变异系数CV，有CV＝abs(δ/μ)，abs(x)代表取x的绝对值。标记CV＞0.05的中心像元为新无效值；

再次构造5×5的滑动窗口，如果窗口内不存在无效值和新无效值，则中心像元为可用像元。

进行1-3.所有可用像元及其对应5×5滑动窗口内的所有数据设为SUB_DATA，并对SUB_DATA进行归一化数据处理。

归一化数据处理先采用Z-score标准化方法消除量纲，再采用min-max标准化将数据归约到(0，1)之间，具体步骤为：

1-3-1.计算数据集SUB_DATA的均值μ′和标准差δ′；

1-3-2.对于SUB_DATA内的单个元素Xi，更新为Yi，Yi＝(Xi-μ′)/δ′，生成数据集SSUB_DATA；

1-3-3.求出SSUB_DATA中的最大值max和最小值min；

1-3-4.对于SSUB_DATA中的单个元素Yi，更新为Zi，Zi＝(Yi-min)/max，生成数据集FINAL_DATA。

1-4.将FINAL_DATA中的每一个可用像元及其对应的5×5滑动窗口作为一个数据样本，每一个可用像元都对应着一个数据样本，再对应地分为Input和Output，每一对Input和Output是一个样本对，剔除只有Input或者只有Output的样本，多组样本对组成最终的数据集，命名为LAST_DATA。

进行S2，对数据集LAST_DATA进行基于微分不变量和Crank-Nicolson差分的特征工程，主要包括差分求导和微分不变量求解两个部分。微分不变量为：

其中，u为LAST_DATA中的Input样本，u

设微分不变量的函数表达式为inv，当源数据只有一个波段时，计算微分不变量，如表1所示，其中，v

表1基本微分不变量

计算所得全体微分不变量记为，

inv(u，v)＝[inv

分不变量计算所得为函数形式的连续表达式，再经过Crank-Nicolson差分后，得到离散表达式，所述Crank-Nicolson差分格式如下：

u的形式为矩阵，矩阵的导数也为矩阵，设u(x，y)代表矩阵的第x行第y列，u(x+1，y)代表矩阵的第x+1行第y列；以此类推，导数同理，例如：u

每一个微分不变量为数据集的特征，特征工程至此完成。

进行S3，在特征工程的基础上，构建基于弹性网的偏微分方程学习模型，构建一个偏微分方程约束优化模型为：

其中，{(u

u

进行S4，利用FASTA算法求解偏微分方程学习模型，目标是：

L(t

求解偏微分方程学习模型的步骤具体如下：

4-1用一阶迎风格式对上述系统方程组进行离散化分析，

4-2每一步迭代的能量泛函为，

4-3当n＝0时，

4-4设

4-5使用matlab中的quadprog函数进行计算；

4-6得计算得到微分不变量系数a，即求出了Input与Output所满足的偏微分方程。

进行S5，利用中心差分进行反演，O

5-1设置自定义时间步长Δt；

5-2输入低时空尺度数据的微分不变量inv到步骤(4)得出的微分不变量表达式中；

5-3根据中心差分迭代式，