作品名称: 面向江汉平原农情监测的多源遥感数据时空融合应用
作者单位: 中国地质大学(武汉)李四光学院
小组成员: 杜恩宇、赵赛赛、郑铠沅、周泉
指导老师: 沈永林、沈国铃
获奖情况: 三等奖
作品概述
已有的高空间分辨率卫星如 Landsat 系列,因为重访周期过长、受云及大气影响严重,限制了其数据的应用;而 MODIS 传感器可提供高频率观测,但空间分辨率较低,也使其应用具有一定局限性。时空融合算法可将高空间分辨率遥感数据和高时间分辨率遥感数据融合起来,生成同时具有高空间和高时间分辨率的遥感数据,对遥感数据的应用具有重要意义。本项目提出一种基于高斯函数的时空融合模型——高斯时空融合算法,并与已有的 STARFM 和 ESTARFM 两种时空融合模型对比,用构建的模拟数据和真实的 MODIS MOD09GQ 、 Landsat 8 数据验证算法精度高于 ESTARFM 后,以真实数据为主要数据源,应用于江汉平原的农作物分类、农情监测以及种植面积估算。
作品制作流程
农业遥感是遥感应用领域的一个重要应用方向,长时间连续的高空间分辨率观测数据对于作物生长状况监测十分重要,然而由于多种因素的限制,使得监测具有很大程度上的“时空数据缺失”,即缺少同时具有高空间和高时间分辨率的遥感数据。
遥感数据时空融合技术是一种融合中分辨率影像 (Landsat) 的高空间分辨率特征和低空间分辨率影像 (MODIS) 的高时间分辨率特征从而生成高时空分辨率遥感数据的方法。近年来,国内外学者提出了几种遥感影像时空融合方法。 STARFM 和 ESTARFM 是目前已有的应用较多的时空融合算法,在此基础上,为满足田块破碎、地形复杂区特定作物农情监测的应用需求,本项目提出了一种基于高斯函数模型的时空融合算法:根据 NDVI 指数在作物生长期内的变化规律,选取高斯函数对时空融合模型进行表征。通过中分辨率 NDVI 和低分辨率 NDVI 的函数映射关系构建时空融合模型,重建密集 NDVI 时序影像。
、
图:作品制作流程
2.1 影像预处理
( 1 )下载江汉平原 2017 年 4-11 月可用的 Landsat8 和 MODIS MOD09GQ 遥感数据。
( 2 )从指导老师处获得用于监督分类的江汉平原早稻、晚稻和棉花三种作物类别样本。
( 3 )下载 USGS 发布的全球农田 30 米高分辨率互动地图,利用 ARCGIS 裁剪出江汉平原地区范围内的农田分布数据,其中黄色为农田。
( 4 )利用 ENVI Desktop 对 Landsat 8 影像进行辐射定标、大气校正、重投影、裁剪拼接和计算 NDVI 处理。
( 5 )利用 MODIS Reprojection Tool(MRT) 工具以及 IDL 实现 MODIS 影像数据的批处理,包括重投影、裁剪拼接、计算 NDVI 及重采样。
2.2 分类处理
利用 ENVI 完成 Landsat 8 数据的分类和精度评价。 ROI 选取物候变化区域,采用最大似然或马氏距离监督分类,计算混淆矩阵。分类结果作为是否为物候变化区的判断准则应用于高斯时空融合算法中。
2.3 高斯时空融合算法
本项目最重要的环节就是高斯优化算法的实现,在实现已有 ESTARFM 算法的基础上,有针对性的提出并实现基于高斯函数模型的时空融合算法,通过进行模拟数据实验和真实数据实验验证分析算法,最终证明高斯时空融合算法用于农情监测的可行性。
该函数模型分为线性部分和非线性部分。其中,线性部分主要反映因不同传感器的轨道参数、波段宽度、获取时间、光谱响应函数等差异,造成的对应 NDVI 的不一致;非线性部分反映作物物候变化,用高斯函数表征。具体思路为:首先获取研究区范围内低分辨率( MODIS )和中分辨率( Landsat 8 )遥感影像,从中挑选出时刻对应、数据质量良好、无云覆盖的影像对;进行数据预处理;融合时,用物候不变化像元求解其线性部分映射关系;用物候变化像元,求解中分辨率 NDVI 和低分辨率 NDVI 的非线性映射关系,即高斯函数的映射关系,根据该关系构建时空融合模型;重建密集 NDVI 时序影像。
图算法思路图
例如 , tk 时刻中分辨率的 NDVI 值(Fi,j,k) 和其对应重采样后的低分辨 NDVI 值 C(i,j,k) , 可表示为:
式中, (j,k) 表示每个中空间分辨率像元在低空间分辨率像元中的位置;mF,mc,nf,nc 为线性部分的参数; g(i,j,k) 和g(i,j,tk) 为非线性部分的函数。
2.4 算法实现、优化和验证
( 1 )使用 IDL 开发语言编程实现 STARFM 、 ESTARFM 和高斯时空融合算法,并使用 GPU 进行算法加速,以减小时间复杂度。下图为算法界面:
( 2 )利用模拟数据,以均方根误差为指标对 ESTARFM 和高斯时空融合算法进行精度评价并对比。优化高斯时空融合算法,包括参数设置、窗口大小调整和减少算法时间复杂度等。模拟出的 Landsat8 和 MODIS 的两条高斯函数 。 。
( 3 )在预处理后的真实数据上选取样本,拟合 NDVI 变化曲线,进行算法实验,通过比较均方根误差对 ESTARFM 和高斯时空融合算法进行精度评价并对比 。
2.5 应用算法进行时空融合
合理安排数据的输入顺序及其对应的预测时间范围,融合出 214 张 30m 的 NDVI 图像,将这些图像合为一张,得到 30m 空间分辨率的 NDVI 时序图像。图 15 为融合结果。
2.6 江汉平原应用
( 1 )分类
用 Savitzky-Golay 滤波对融合后的 30m 空间分辨率 NDVI 时序图像做平滑处理,再利用中晚稻样方,分别进行马氏距离监督分类和光谱角分类。如图 16 ,光谱角分类可充分利用各农作物时序 NDVI 曲线的差异。接着利用美国的 30m 分辨率的农田影像对分类结果进行分类后处理,只有在美国 30m 分辨率农田影像中属于农田范围的最终判定为农田。最后计算混淆矩阵评价分类精度并提取中晚稻种植面积,将两个分类结果和用大气校正后的 Landsat8 数据分类结果共三种进行综合对比,再与国家统计局网站获取的中晚稻种植面积进行对比,分析精度。表 1 是真实数据及各分类方法得到的种植面积和像元数;图 17 、 18 、 19 是中晚稻的三种分类结果图。
表1 中晚稻分类结果对比表
真实数据 |
单幅Landsat影像马氏距离分类 |
NDVI时序影像马氏距离分类 |
NDVI时序影像光谱角分类 |
|
像元数(个) |
9121638 |
7984975 |
8851928 |
8988151 |
种植面积(千公顷) |
820 |
718 |
796 |
808 |
由上表可知,对单幅 Landsat 影像进行马氏距离分类的结果精度最低;对融合后的 NDVI 时序影像进行分类,可以提高分类精度;基于融合后获取的 NDVI 时序曲线进行的光谱角分类精度则最高。采用本算法融合结果进行分类,可显著提高分类精度,因此本算法可广泛用于农作物分类相关的应用。
( 2 )农情监测
从时序 NDVI 图像中选择 3 个波段,做 NDVI 的分级,分析长势监测农情。如下图,颜色越深, NDVI 值越大,农作物生长越旺盛。 4 月 1 日,左上角及左下角颜色较深,该处农作物最早进入旺盛生长; 7 月 9 日,整个江汉平原颜色较深,正值盛夏,各农作物均生长旺盛; 10 月 27 日,图中绿色较上一幅变浅,农作物生长变得缓慢,如:水稻已变黄结穗。
作品亮点
(1) 改进已有 STARFM 和 ESTARFM 两种时空融合模型,提出一种基于高斯函数的时空融合模型——高斯时空融合算法 ;
(2) 能够通过编程语言实现模型,并编写出相应的工具;
(3) 通过 GPU 提升运行效率。
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持 码农网
猜你喜欢:- 从零开始学习时空数据可视化(序)
- 从零开始学习时空数据可视化(一)
- 零距离接触阿里云时序时空数据库TSDB 原 荐
- 京东城市郑宇AAAI大会演讲:独特的时空大数据须使用“专有AI算法”
- 时空之门前端代码生成器 4.6.0 Beta 发布,支持数据导出和图片功能
- 明早9点大讲堂 | 时空大数据和深度学习在交通事故预测上的应用
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。