一种基于DFSTVI模型的时空数据融合方法及系统

(一)所属技术领域

本发明涉及遥感图像处理技术领域，特别是基于权重函数的遥感图像融合方法及系统。

(二)背景技术

近年来，随着遥感技术的快速发展和高分辨率卫星数据的广泛应用，地表动态监测和生态环境研究领域迎来了全新的机遇。尤其是高时空分辨率的卫星影像，为地表覆盖类型分类、植被监测和生态环境动态评估提供了重要的信息。虽然高空间分辨率的数据可以得到丰富的地表细节信息，但由于其时间分辨率长，再加上地面气象因素(云、雨和雪等)对传感器成像的影响，使得监测数据具有较多的无效值，导致长期观测研究中基础观测数据出现“空窗”，无法支撑连续动态监测研究。在这一背景下，一遥感领域最为广泛使用的植被指数为例，植被指数作为反应植被生长状况和生态系统健康的重要指标，在农业、林业、生态环境等领域的研究和决策支持中发挥着关键作用。传统的低空间分辨率归一化植被指数产品虽然有着高时间分辨率，但是对地表细节的表达远远不够。这时基于多源数据的时空融合技术可以解决时空高分辨率难以同时兼顾的难题，成为当前研究的热点之一。

时空数据融合作为一种通过结合不同时间和空间尺度的多源遥感数据来获取高质量和高分辨率地表信息的方法，为解决上述问题提供了有效途径。目前，遥感数据时空融合方法大致可以分为三类，分别是基于解混的模型、基于学习的模型和基于权重的模型。基于解混的方法是根据线性光谱混合理论，此方法按照细分辨率图像分类的类别来解混粗分辨率图像像素，然后再将混合像素内每个类别的贡献值重新分配给细分辨率图像像素。基于学习的方法采用机器学习算法来模拟观察到的粗-细图像对之间的关系，然后预测未观察到的细图像。基于权重函数的方法中，时空自适应反射融合模型(The Spatial andTemporal Adaptive Reflectance Fusion Model,STARFM)是最具有代表性的方法，该方法假设细分辨率图像中的所有像素都是纯像素，则在粗分辨率和细分辨率下，反射率的变化是一致的，在这种情况下，采用加权策略，将两幅粗分辨率图像之间的反射率变化加入到先验细分辨率图像中，从而实现预测。虽然时空数据融合方法种类较多，但是各有其优缺点，无法两全保证异质区域的准确性和图像整体的平滑效果。

(三)发明内容

本发明的目的是提供一种高效的基于DFSTVI(Data Fusion of SpatialTemporal Vegetation Index)模型的遥感时空数据融合方法及系统，在保证输入数据类型相对应，并且数据维数一致的条件下，可提升高空间分辨率图像的时间分辨率。将本发明的方法，以扩展模块的形式集成于遥感图像处理软件Envi Classic中，形成时空数据融合系统。

为实现上述目的，本发明提供了如下方案：

一种基于DFSTVI模型的时空数据融合方法及系统，其特征在于，包括：

(1)获取研究区域的MODIS和Landsat影像数据；以及Sentinel卫星的土地覆盖数据产品；

(2)对上述遥感影像数据进行预处理；

(3)将预处理后的所述遥感影像数据输入至时空数据融合模型中得到融合后的预测图像；所述时空数据融合模型是基于低空间分辨率到高空间分辨率的“转换”思想和连续的不同时刻之间的“回归”思想的基础上提出的耦合模型；

优选地，获取所述遥感影像数据，具体包括：

(1)MODIS卫星的MOD09GQ产品中的sur_refl_b01红光波段和sur_refl_b02近红外波段数据；

(2)Landsat-8卫星的SR_B4红光波段和SR_B4近红外波段数据；

(3)欧空局以Sentinel-1和Sentinel-2号卫星数据为基础的2020年空间分辨率为10m的土地覆盖类型产品；

优选地，对所述遥感影像数据进行预处理，具体包括；

(1)除云处理：根据云量小于10％的原则对MODIS和landsat-8卫星反射率数据产品进行除云计算；

(2)数据筛选：根据研究区域和日期筛选MODIS和Landsat-8卫星反射率数据较完整的影像；

(3)NDVI计算：根据MODIS和Landsat-8卫星反射率数据产品的红光波段和近红外波段计算NDVI，计算公式为：

其中NIR为近红外波段反射率数据，R为红波段反射率数据；

(4)最大值合成：根据NDVI影像每个月的最大值合成为此月份的NDVI影像均值；并分别命名为M

(5)重采样和裁剪：根据最小像素为30m，分别对NDVI和土地覆盖数据产品进行空间重采样，并以研究区域为掩膜裁剪；

优选地，采用基于低空间分辨率到高空间分辨率的相似的“转换”思想和地理空间现象连续的不同时刻之间的“回归”思想的基础上提出的耦合模型，具体包括：

(1)回归：以M

然后分别以M

(2)转换：以M

将回归系数与EM

(3)滤波：对于L

(4)误差补偿：将滤波之后的L

优选地，采用土地覆盖数据产品为参考和以滑动窗口为搜索相似像元过程中，土地覆盖类型分类设置为11，滑动窗口半径设置为13；

对应上述的时空数据融合方法，本发明还提供了一种基于遥感处理软件EnviClassic的时空数据融合扩展系统，包括：

(1)数据融合模型选择：此模块封装了STARFM、ESTARFM、ESTARFM_LC、FIT-FC、FIT-FC_LC和DFSTVI共6个算法供用户选择；后缀LC为在相似像元的搜索上参考了土地覆盖数据产品；DFSTVI算法为本专利撰写的耦合模型；

(2)数据融合处理模块：将预处理好的数据以提示输入进去就得到最终的融合影像；

本发明与现有技术相比的优点在于：

在遥感图像领域，同一场景多源遥感图像观测的地物对象相同，但观测的维度不同，图像的空间、光谱与时间分辨率存在差异，提供的信息既具有冗余性，又具有互补性和合作性。本发明针对NDVI参数，利用DFSTVI创新算法进行数据融合，实现高时间、高空间分辨率的NDVI影像，与其他现有技术相比，本发明实现的结果精度更高，得到的图像平滑性更好，图像融合计算更高效。

(四)附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的DFSTVI时空数据融合方法的流程图；

图2为预处理之后的MODIS和Lansat-8卫星NDVI数据示意图；

图3为2019年2月份NDVI预测数据示意图；

图4为本法明实施例提供的NDVI预测数据与原始数据的密度散点图；

图5为本发明实施例提供的Envi Classic扩展系统界面示意图。

(五)具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种高效的基于DFSTVI模型的遥感时空数据融合方法及Envi Classic扩展系统，在保证输入数据类型相对应，并且数据维数一致的条件下，可提升高空间分辨率图像的时间分辨率。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明提供的时空数据融合方法，包括：

步骤1：获取研究区域的遥感影像数据。研究示范区域位于中国云南省普洱市南部，包含普尔市思茅区以及宁洱哈尼族彝族自治县，北部有无量山脉，西部有澜沧江的分支，面积约为2128.3km

步骤2：对遥感影像数据进行预处理，分别包含除云处理、数据筛选、NDVI计算、最大值合成、重采样和裁剪等。除云处理，根据云量小于10％的原则对MODIS和Landsat-8卫星反射率数据产品进行计算。数据筛选，根据研究区域和日期筛选MODIS和Landsat-8卫星反射率数据较完整的影像。NDVI计算，根据MODIS和Landsat-8卫星反射率数据产品的红外波段和近红外波段计算NDVI。最大值合成，根据NDVI影像每个月的最大值合成为此月份的NDVI影像均值，并分别命名为M

步骤3：将预处理之后的NDVI数据输入至时空数据融合模型中得到预测图像，此实施例分别以第一个月和第三个月的高低空间分辨率上数据作为输入数据并以第二个月的低空间分辨率数据作为参考预测本月份的高空间分辨率数据。具体包括回归、转换、滤波和误差补偿4个阶段。回归，以M

下面将本发明提出的DFSTVI时空数据融合方法进行测试。其中如表1所示，可以得到采用本发明提供的DFSTVI方法得到的预测结果与真实影像之间的均方根误差(RMSE)和相关系数(R)间的统计评估结果，并与ESTARFM方法和FIT-FC方法进行了对比分析。结合图4可以看出，本发明提供的DFSTVI时空融合方法在两个统计指标上均处于较优水平，均方根误差减小，相关系数达到了0.886。与图2中的第二个月真实影像间的对比结果，从目视角度来看，融合结果与真实影像非常接近。此方法可以重构异质区域的空间细节，图像融合的平滑效果较好，预测精度较高，总体性能较稳定。

表1本发明提供的DFSTVI方法、ESTARFM方法、FIT-FC方法得到的预测结果与真实影像之间的均方根误差(RMSE)和相关系数(R)间的统计评估结果表

此外，对应于上述提供的时空数据融合方法，本发明还提供了以下实施结构：

一种基于遥感图像处理软件Envi Classic的时空数据融合扩展系统，如图5所示，包括算法选择模块和数据融合模块，算法选择模块封装了STARFM、ESTARFM、ESTARFM_LC、FIT-FC、FIT-FC_LC和DFSTVI共6个算法供用户选择；后缀LC为在相似像元的搜索上参考了土地覆盖数据产品；DFSTVI算法为本专利撰写的耦合模型。数据融合模块中将预处理好的数据以提示输入进去就得到最终的融合影像。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。