论文部分内容阅读
时间序列分析在全球变化、植被物候、陆表覆盖变化等研究中发挥了重要作用。但由于受到传感器硬件研制技术瓶颈的限制,尽管遥感数据单一指标(如空间分辨率、光谱分辨率、时间分辨率)越来越高,仍不能满足多种遥感应用对遥感数据综合指标的需求,因此,遥感数据时空融合近年来成为研究热点之一。对于长时间序列的分析往往是先计算光谱指数,例如NDVI、EVI、VIUPD等植被指数,然后利用长时间序列数据,构建光谱指数的长时间序列时间谱。传统方法中,当我们需要构建某一光谱指数的长时间序列立方体数据集时,往往需要将所有缺失时间的影像逐一进行重建,得到长时间序列的遥感影像,然后再对每景影像进行光谱指数的提取,最后合成长时间序列的光谱指数立方体,该方法不仅处理过程繁琐,而且存在误差积累。与传统方法不同,本研究首先基于原始遥感数据,构建遥感数据的长时间序列MDD时空谱多维数据集,然后根据具体应用需求,在光谱维上计算遥感数据的光谱指数,直接得到长时间序列的光谱指数立方体数据集。为了比较本文方法的有效性,基于两种方式对遥感影像的光谱指数进行了长时间序列重建,分别为基于传统遥感数据格式的STARFM时空融合方法和基于MDD数据集的SREM时空谱融合方法,并定量分析了两种时谱融合算法的效率和融合精度,结果表明,该方法能够大大提高运算效率,节省数据处理时间,为遥感时间序列研究提供了新手段。MDD数据集的构建及质量控制是本研究的前提和基础,为了解决MDD数据集构建过程中对于遥感影像质量控制的要求,提出了一种基于SREM融合模型的的高光谱影像去云方法,该方法可以在去除云影响的同时,最大程度保持高光谱影像无云区域的原始光谱信息,为遥感定量应用提供了高质量无云数据集。论文的主要成果和创新点如下:1.针对MDD数据集构建对遥感数据的质量控制要求,提出了一种基于SREM光谱重建技术的遥感影像去云算法,实验结果表明该算法能够去除云影响的同时,较好的重建云覆盖区的光谱信息。2.发展了一种基于MDD数据集的时谱融合算法,与传统时谱构建算法相比,提高了时谱曲线拟合精度和运算效率。本文研究为遥感时间序列研究提供了一种新途径,可以大大提高遥感时间序列研究中数据处理分析的效率和时间序列分析的精度。