J9集团

基于时空滤波步骤的

多源遥感数据融合算法

J9集团信息

刘晶 李佳辉

1.

媒介

高时空分辨率遥感数据在监测地皮变动、作物成长及物候参数反演等方面拥有沉要的作用，遥感数据的时空精密度成为了造约其在各领域利用的沉要成分。 受技术限度的影响，传感器在获取地面数据时通常难以同时两全到数据的空间分辨率和功夫分辨率。对于高功夫分辨率的数据能够得到丰硕的地表细节信息，但由于其沉访周期长，再加上地面形象成分( 云、雨和雪等) 对传感器成像的影响，造成了单个传感器有效数据沉访周期的耽搁，使得监测拥有很大水平上的“时空数据缺失”，导致监测钻研中基础观测数据出现“空窗”，在钻研的关键期不能满足陆续动态跟踪监测的要求。而对于低分辨遥感影像数，固然拥有较高的功夫分辨率，但是其空间分辨率太低，对于我们监测较幼面积种植作物区域拥有很大影响。

为满足地表信息遥感动态监测同时对拥有高空间分辨率和高功夫分辨率特点遥感数据的需要，一些学者提出了一种可能综合高空间分辨率遥感数据的空间分辨率特点和高功夫分辨率遥感数据的功夫分辨率特点的技术，即遥感数据时空融合技术。

2.

多源时空数据融合技术

针对遥感数据时空融合步骤，国内表学者进行了大量钻研。凭据算法道理的分歧，遥感数据时空融合步骤能够分为2类，即基于变换的模型和基于像元沉构的模型。国内表大部门遥感数据时空融合模型是基于像元分化沉构技术的，其根基思想是通过肯定的规定选择指标像元周边的像元参加指标像元的沉构。常用的时空融合步骤有STARFM（Spatial and Temporal Adaptive Reflectance Fusion Model）和ESTARFM（Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model）两种步骤。

STARFM步骤重要用于融合Landsat和MODIS影像, 天生与MODIS影像相应功夫的模仿Landsat影像, 能较为正确地预测出高时空分辨率影像的反射率数据。但STARFM算法的预测了局受Landsat数据影响, 若Landsat影像中未纪录地表覆盖在较短功夫内的剧烈变动, 那么预测的影像也不会表征该情况，不能监测地表突变的情况。ESTARFM算法, 重要使用两期对应观测功夫的高空间分辨率、低功夫分辨率影像和低空间分辨率、高功夫分辨率影像, 以及在预测日期获取的低空间分辨率影像获取对应功夫的模仿高空间分辨率影像，该算法思考了像元的异质性,引入纯净像元与混合像元在一段功夫内反射率变动的转换系数, 提高了模型在异质性较高区域的反射率融合精度, 在幼区域尝试中有较好的成效，大区域成效还有待验证。这两种算法对于变动情况较大且未纪录在基准影像的区域预测精度较低，且算法精度受基准影像的数据质量影响严沉，如需构建大领域的无云数据，必要保障每一个区域都能找到无云覆盖的参考数据，这是极度难题的，出格是在大量云雾覆盖区域，一年内都极少有无云数据，拥有肯定的局限性，不能满足我们对全国领域内作物进行动态监测的需要。

对于作物监测，我们重要必要作物关键物候期的时序性的高分辨率遥感数据，那么为了满足J9集团监测需要，具备全国作物动态监测的能力，我们自研了SSTARFM（Self-tuning spatiotemporal adaptive reflectance fusion model）的时空遥感数据融合算法，该算法基于权沉滤波与多源数据归一化步骤，凭据分歧尺杜装像数据的功夫空间特点，构建全时序、全空间领域内的无云长势产品，实现了多源异构数据的统一,在保障高精度的前提下输出高功夫高分辨率的监测产品。

3.

SSTARFM多源数据时空融合步骤

目前的时空融合算法多数是针对2种数据源的遥感数据进行融合，没有充分利用现有多源数据的优势，SSTARFM步骤令基于目前我们常用的Sentinel2、Landsat8/9和MODIS 3种分歧传感器的数据进行融合，提高了J9集团监测精度。

SSTARFM算法流程

该算法的特点是在添补空缺值的基础上，最大水平的保留了正确的原始数据。为了实现这种成效，必要对整个数据集经历两次时空滤波处置。时空滤波处置首先通过空间插值的方式添补单幅影像的空缺值，但这样添补出的空缺值只思考的空间上的陆续性，和真收屑茴异较大。因而必要使用功夫滤波，以插值出的空间值为参考推算出在功夫上的合理值。这种先空间后功夫的步骤既能够去除数据中的异常值的点，也能够在时空尺度上为空缺数据推算出一个相对合理的值。与STARFM算法分歧的是，我们在空间维度基础上增长了功夫尺度进行补值，增长了数据合理性和正确度，并且这种步骤在长功夫序列的数据沉构上，随着可参考的功夫样本增长，构建出的时序数据也会越发切合现实情况，精度更高。

本步骤在现实利用的过程中，对于MODIS低分辨率数据，首先进行一次时空滤波处置，构建出一个相对齐全的数据产品，其次选取卷积和图像补值的步骤，构建Landsat和MODIS数据融合了局，而后再进行时空滤波处置，保障了融合数据在功夫和空间上的合理性，最后将Landsat8-MODIS融合了局和Sentinel2数据构建回归模型，保障两数据源的协同统一。

SSTARFM多源时空数据融合流程，注：示例数据为鄂尔多斯市北部农田区域2022年03月06日数据

其中，双立方（三次）卷积插值是我们进行低分辨率数据降尺度的一个重要方式。双三次插值又叫双立方插值，用于在图像中“插值”（Interpolating）或增长“像素”（Pixel）数量/密度的一种步骤。其重要道理为：双立方插值推算涉及到16个像素点，其中(i’, j’)暗示待推算像素点在源图像中的蕴含幼数部门的像素坐标，dx暗示X方向的幼数坐标，dy暗示Y方向的幼数坐标，通过图像16个像素点权沉卷积之和即可推算得到新的像素值。具体如下图所示：

双立方（三次）卷积插值步骤

基于SSTARFM算法，我们已经具备出产8天一期10m分辨率的NDVI数据的能力，实现对作物区域进行8天1次的成长监测，提高了农情监测的功夫颗粒度，能够做到对异常情况的实时反映，保险了农夫的出产和财富安全，为当部门门的急剧决策提供数据支持。同时，SSTARFM时空融合算法解决了监测钻研中基础观测数据出现“空窗”的问题，可能为农业上作物面积监测、长势、产量、苗情、泥土墒情、作物收割、成熟度、形象灾害、虫害等监测模型的构建提供强有力地数据支持，为农田的精准监测提供保险。

J9集团信息遥感农情监测模型

4.

结语

在当前单一传感器数据不能满足各领域动态监测对于高时空分辨率遥感数据需要的情况下，若何融合遥感数据综合利用多源数据的个性和优势，拥有沉要的理论意思和利用价值。SSTARFM多源数据融合步骤是一种拥有优良机能的遥感时空融合算法，能够解决当前光学遥感数据空间分辨率和功夫分辨率上相互造约的问题，其发展及利用远景极度辽阔。