EN中文

地球信息科学学报 >

2021 , Vol. 23 >Issue 6: 1118 - 1130

DOI: https://doi.org/10.12082/dqxxkx.2021.200404

遥感科学与应用技术

ESTARFM算法在长江中下游平原地区的适用性研究

  • 管琪卉 , 1 ,
  • 丁明军 , 1, 2, * ,
  • 张华 1, 2 ,
  • 王鹏 1, 2
展开
  • 1.江西师范大学 地理与环境学院,南昌 330022
  • 2.鄱阳湖湿地与流域教育部重点实验室,南昌 330022
*丁明军（1979— ）,男,湖北谷城人,教授,研究方向为土地利用/覆被变化研究。E-mail:

管琪卉（1995— ）,女,江西赣州人,硕士生,研究方向为土地利用/覆被变化研究。E-mail:

收稿日期: 2020-07-29

  要求修回日期: 2020-12-27

  网络出版日期: 2021-08-25

基金资助

国家自然科学基金项目(41761020)

国家自然科学基金项目(41961049)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Analysis of Applicability about ESTARFM in the Middle-Lower Yangtze Plain

  • GUAN Qihui , 1 ,
  • DING Mingjun , 1, 2, * ,
  • ZHANG Hua 1, 2 ,
  • WANG Peng 1, 2
Expand
  • 1. School of Geography and Environment, Jiangxi Normal University, Nanchang 330022, China
  • 2. Key Laboratory of Poyang Lake Wetland and Watershed Ministry of Education, Nanchang 330022, China
*DING Mingjun, E-mail:

Received date: 2020-07-29

  Request revised date: 2020-12-27

  Online published: 2021-08-25

Supported by

National Natural Science Foundation of China(41761020)

National Natural Science Foundation of China(41961049)

Copyright

Copyright reserved © 2021
Fold

摘要

时空融合技术是目前解决单一遥感数据源难以同步获取高时空分辨率数据的有效途径。然而,如何设置参数使模型融合效果最佳,如何设置在植被监测中广泛应用的植被指数的融合步骤,进而获得最佳的植被指数时序数据,目前仍不明晰。本文以长江中下游平原地区的典型县域—南昌县为例,基于Landsat和MODIS多时相数据对当前主流时空融合模型—ESTARFM （Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model）进行参数敏感性分析,并系统地对比分析了2组融合实验RI（先融合波段反射率后计算植被指数）和IR（先计算植被指数后直接融合）的融合效果。结果表明： ① ESTARFM算法中参数的敏感性在波段反射率、植被指数融合中表现出相似的特征,随着滑动窗口与相似像元数量的增大,融合误差整体呈现出先减小后趋于稳定或增大的趋势;在ESTARFM算法应用中,存在着最佳参数设置范围;② 相较于RI组,IR组模拟结果精度更高（R2RI-NDVI=0.866,R2IR-NDVI=0.953,R2RI-EVI =0.814,R2IR-EVI =0.930）,且能够较好地削弱“斑块”现象,更好地表征出细小地物和纹理特征。研究结果为遥感数据时空融合模型在地块破碎、种植制度多变的复杂环境中的应用提供借鉴和参考。

关键词： 时空融合技术; ESTARFM; Landsat; MODIS; 波段反射率; NDVI; EVI; 长江中下游平原

本文引用格式

管琪卉 , 丁明军 , 张华 , 王鹏 . ESTARFM算法在长江中下游平原地区的适用性研究[J]. 地球信息科学学报, 2021 , 23(6) : 1118 -1130 . DOI: 10.12082/dqxxkx.2021.200404

Abstract

The spatial-temporal fusion technology is an effective tool to blend observations from sensors with different spatial and temporal characteristics. The ESTARFM algorithm has good applicability to areas with fragmented land, and is susceptible to meteorological conditions, and has important practical significance for resource and environmental monitoring in southern China. However, how to select the fusion scheme and set the parameters of the fusion model to achieve the best fused time series vegetation index data is still unclear. This paper takes Nanchang County, a typical county in the middle and lower reaches of the Yangtze River, as an example, to analyze the parameters sensitivity of the Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model (ESTARFM) for fusing multi-temporal Landsat and MODIS data. Based on Normalized Differential Vegetation Index (NDVI) and Enhanced Vegetation Index (EVI), we systematically compared the performance of vegetation index fusion using the RI scheme (band reflectance was fused firstly and then the vegetation index was calculated) and IR scheme (vegetation index was calculated firstly and then directly fused). The results show that: (1) The sensitivity of parameters (sliding window size and number of similar pixels) in ESTARFM displayed similar characteristics in both the fusion of band reflectance and vegetation index. With the increase of sliding window size and number of similar pixels, the R 2 and SSIM values of band reflectance and vegetation index increased firstly and then remained steady or decreased, while the overall fusion error (MAE and RMSE values) decreased firstly and then remained steady or increased. There was an optimal parameter setting range in the application of ESTARFM model. The parameter sensitivity analysis is required to determine the optimal parameter range when adopting ESTARFM algorithm in different regions; (2) Compared with the RI scheme, the IR scheme had a higher fusion accuracy (R2RI-NDVI=0.866, R2IR-NDVI=0.953, R2RI-EVI =0.814, R2IR-EVI =0.930). It produced less outliers and noise during the fusion process and can effectively weaken the "pattern spot" and preserve spatial details and texture features, resulting in a high similarity with the real image. In addition, based on Landsat and MODIS multi-temporal images, the ESTARFM algorithm can also be used to generate high-temporal-resolution images to approximately replace the cloud and cloud shadow areas in Landsat images, which can effectively overcome the "cloud pollution" phenomenon in cloudy and rainy areas and improve remote sensing data quality. Our results provide a reference for the application of spatial-temporal fusion model in the complex environment with fragmented land and changeable planting systems.

Key words： spatial-temporal fusion technology; ESTARFM; Landsat; MODIS; band reflectance; NDVI; EVI; in the middle-lower Yangtze Plain

1 引言

随着遥感技术在资源和生态环境等领域的深入应用,高频次、高精度对地观测遥感数据的需求也在持续增加[1],但目前单一数据源的遥感影像尚无法满足日益广泛的对地观测需求[2]。以当前常用的MODIS和Landsat影像为例,MODIS影像重返周期为1 d,但较低的空间分辨率（250~1000 m）限制了其在景观破碎地区中的应用[3,4];Landsat影像空间分辨率为30 m,但相对较长的重返周期（16 d）,再加上云、雨等气象因素的影响,使其难以获取快速变化的地表信息[5,6]。此外,针对“异物同谱”的地物类型也需要连续的高质量的遥感影像加以区分[7]。在此情形下,基于时空融合技术获取高时空分辨率的遥感信息尤为重要[8]。
近年来,基于遥感数据时空融合技术的研究已逐步形成了一系列相对成熟的模型体系[9]。其中,基于像元重构的时空融合技术应用最为广泛,成为当前时空融合领域的主流模型[2]。Gao等[10]提出时空自适应反射率融合模型（Spatial and Temporal Adaptive Reflectance Fusion Model,STARFM）,该模型的融合结果特别适用于区域尺度上快速变化地物的监测,尤其是农作物生长监测,然而已有的研究多集中在平均地块面积较大,且种植制度相对简单的北方[8]。后续学者在其基础上进行了改进,如Zhu等[11]提出增强型时空自适应反射率融合模型（Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model,ESTARFM）,该模型结合了地表反射率的时间变化趋势,更好地适用于景观异质性强的区域,在作物识别[12]、物候研究[13]等领域得到了广泛应用,为地块破碎、景观异质性强以及易受气象条件影响的区域的光学遥感应用带来了契机[14]。
然而,在实际融合过程中,ESTARFM算法参数的设置会对融合效果产生重要的影响。目前大部分研究主要使用最初开发学者[11]提出的默认参数,鲜有研究探讨模型参数的敏感性。此外,在作物识别[12]、物候研究[13]等领域,往往需要长时序的植被指数数据集,但基于时空融合技术获取高时空分辨率植被指数时,存在着一定差异,如有研究[15]选择先融合波段后计算植被指数（RI）,也有研究[16,17]选择先计算植被指数后进行融合（IR）。长江中下游平原地区是我国重要农业生产基地,该地区光学遥感极易受到气象条件的影响,导致作物生长关键时期的影像数据缺失,再加上该地区种植结构复杂多样、田块破碎,混合象元较为严重。因此,在该地区应用ESTARFM算法时,如何设置最优参数?RI和IR哪种方案的融合效果最佳?这都是当前研究中亟需探讨的问题。
本文以长江中下游平原地区的典型农业县域—南昌县为实验区,基于Landsat、MODIS多时相数据以及ESTARFM算法对影响融合结果的模型参数（滑动窗口大小、相似像元数量）进行敏感性分析,同时设计RI（先融合波段后计算植被指数）和IR（先计算植被指数后进行融合）2组实验,系统比较2组实验融合结果的精度,并评价其在长江中下游平原地区的实际应用效果,为遥感数据时空融合模型在地块破碎、种植制度多变的复杂环境中的农业监测应用提供借鉴和参考。

2 研究区概况与数据来源

2.1 研究区概况

南昌县位于28°16′N—28°58′N、115°49′E—116°19′E,地处江西省中部偏北,赣江、抚河下游,属于我国南方水稻种植主产区—长江中下游平原地区,是典型的农业生产大县和自然资源部耕地质量监测试点县,素有“鱼米之乡”和“江南粮仓”之美誉。气候上属于亚热带季风气候,年均气温约17.8 ℃,年均降水量约1662.5 mm。县内地势较平坦（图1）,其中耕地约占45%,水域占30%,草地占7%,居民地、道路占16%,山地占2%。然而,越来越多的研究[18,19]表明,该区农业耕作格局正面临着一系列突出问题,如普遍性和持续性的双季稻改种单季稻现象,但由于种植结构复杂多样、田块破碎、以农户为管理单元的农业生产模式导致当前中低分辨率遥感影像数据光谱混合现象严重,再加上多云雨天气的影响[20],单一数据源的遥感数据难以满足耕地利用变化的监测分析,亟需构建具有高时空分辨率的长时间序列遥感数据集。
图1 研究区高程示意图

Fig. 1 Elevation of the study area

2.2 数据来源与预处理

选取覆盖研究区的Landsat 8 OLI的3个光谱波段（蓝、红、近红外波段）和MODIS（MOD09A1）相应的波段（下载网址https://lpdaac.usgs.gov）作为实验数据,其中Landsat 8OLI影像波段2、4、5分别与MOD09A1影像波段3、1、2波长范围一一对应,具体的波段光谱范围、空间分辨率如表1所示。
表1 Landsat 8OLI和MODIS影像波段范围

Tab. 1 Band ranges of Landsat 8 OLI and MODIS images

波段 传感器谱段/μm 空间分辨率/m
OLI波段 MODIS波段 OLI MODIS OLI MODIS
band2(蓝) band3（蓝） 0.45~0.51 0.459~0.479 30 500
band4（红） bnad1（红） 0.64~0.67 0.620~0.670 30 250
band5（近红外） band2（近红外） 0.85~0.88 0.841~0.876 30 250
研究共采用6期共18幅遥感影像（表2）,包括3期9幅Landsat 8OLI影像（蓝、红、近红外波段）和3期9幅MOD09A1影像（蓝、红、近红外波段）。其中2015年8月24日、10月11日的Landsat影像和2015年8月21日、10月8日（一般认为3 d内地表变化极小）的MODIS影像分别作为模型输入的高空间低时间分辨率影像以及高时间低空间分辨率影像,2015年9月6日的MODIS影像作为模拟时期的高时间低空间分辨率影像用来模拟相应时期的高空间影像（30 m）,同时将原始9月9日的Landsat影像（30 m）作为标准影像,验证ESTARFM算法的融合效果与精度。
表2 Landsat 8OLI和MODIS影像获取时间、云量与用途

Tab. 2 Acquisition time, cloud cover and use of Landsat 8 OLI and MODIS images

Landsat 8 OLI MODIS
影像时间 数据用途 云量/% 影像时间 数据用途
2015-08-24 融合输入 17.27 2015-08-21 融合输入
2015-09-09 融合验证 1.45 2015-09-06 融合输入
2015-10-11 融合输入 0.62 2015-10-08 融合输入
为了确保数据一致性及ESTARFM算法的输入要求,在评价分析之前首先基于MRT（MODIS Reprojection Tool）工具将MOD09A1数据转换为Geo-tiff格式、 UTM-WGS84投影,并通过Savitzky-Golay滤波算法平滑去噪,采用最邻近法重采样为与Landsat影像相同的30 m空间分辨率;并将所有Landsat、MODIS影像裁剪到相同的研究区域,预处理后MODIS与Landsat影像在投影方式、数据分辨率、像元大小等均保持一致。

3 研究方法

3.1 技术路线

本研究的总体路线如图2所示,包括以下3个模块：① 首先对MODIS地表反射率进行平滑去噪,基于MODIS与 Landsat地表反射率分别构建NDVI、EVI和LSWI时序数据;② 参数敏感性分析模块,针对影响融合结果的重要参数进行敏感性分析及精度评估;③ 在确定模型最优参数的基础上,设计RI（先融合波段后计算植被指数）和IR（先计算植被指数后进行融合）2组融合实验进行对比分析。
图2 技术路线

Fig. 2 Technical Process

3.2 ESTARFM算法

ESTARFM算法是从STARFM算法发展而来,有效提高了复杂地形条件下的时空融合精度。具体而言,Zhu等[11]改进了相似像元的筛选精度,基于滑动窗口获取相似像元,即滑动窗口内任一像元与中心像元满足式（1）,则确定此像元为相似像元。
G x i , y i , t p , B - G x ω 2 , y ω 2 , t p , B ≤ 2 × σ B / m
式中： x i , y i 是第 i 个像元; x ω 2 , y ω 2 是滑动窗口中心像元; ω 为滑动窗口大小; G x i , y i , t p , B 和 G x ω 2 , y ω 2 , t p , B 分别代表第 i 个像元和中心像元在 t p 时相上对应 B 波段上高空间分辨率影像的地表反射率; σ B 表示滑动窗口内所有像元在 B 波段上地表反射率的标准差; m 是滑动窗口内可能出现的地物类型数量,一般默认为研究区地物类型的数量。
同时,ESTARFM算法引进了邻近具有相似光谱特征的均质像元作为辅助信息来提高融合精度。因此,在一个滑动窗口中,中心像元反射率的构建方程如式（2）所示。
G ( x ω 2 , y ω 2 , t p , B ) = G ( x ω 2 , y ω 2 , t 0 , B ) + ∑ i = 1 N W i × V i × ( Μ ( x i , y i , t p , B ) - Μ ( x i , y i , t 0 , B ) )
式中： N 为相似像元数量; ω 为滑动窗口大小; x i , y i 是第 i 个相似像元的位置; W i 是第 i 个相似像元的权重大小; V i 则表示第 i 个像元的光谱转换系数。
实际融合过程中,该算法基于to与tq时刻获取的高时间低空间分辨率（如MODIS）和高空间低时间分辨率（如Landsat）影像及tp时刻的高时间低空间分辨率（如MODIS）影像,模拟tp时刻高空间分辨率（如Landsat）的影像（tp位于to与tq之间）,即采用了模拟时期前后2期高空间分辨率影像模拟滑动窗口内中心像元的反射率,进一步提高了模拟结果精度。

3.3 ESTARFM算法参数敏感性分析

由式（1）、式（2）可以看出,滑动窗口大小（ω）、地物类型数量（m）、相似像元数量（N）等参数决定了ESTARFM算法相似像元筛选条件的严格程度,并影响相似像元权重及融合效果。m一般默认为研究区的地物类型数量,此值基本为确定值。本研究主要从ω、N这2个参数探讨ESTARFM算法中最优参数数值的设置。
在参数ω、N敏感性分析中,均以2015年8月24日、10月11日Landsat影像和2015年8月21日、9月6日与10月8日的MODIS影像作为模型输入数据,模拟9月9日的 Landsat影像,并以原始的9月9日的Landsat影像作为标准影像对模拟的影像进行质量评价。首先,通过野外调查及目视解译确定研究区有耕地、水体、草地、建筑用地、林地5种典型地物类型,预估m为5,控制N为90,设置ω为10像元×10像元至80像元×80像元大小,间隔为10像元×10像元,定量分析不同滑动窗口尺度对融合结果的影响,得到最佳ω;在确定最佳ω的情况下,设置N为60~120,间隔为10,评价不同相似像元数量对融合结果的影响,得到最佳N。

3.4 RI和IR融合方案

近几十年,基于多光谱波段计算得到的植被指数已被广泛应用于作物识别、植被生物量及物候学等方面的研究[21]。然而,当前对植被指数进行高频次、高精度的获取过程中,如何设置植被指数融合先后顺序以获取最佳融合效果仍不明晰。因此,在确定最优ω、N（见3.3节）的基础上,设计RI和IR两组融合实验进行对比。2组融合实验的区别在于融合顺序的不同：① RI组先融合得到波段数据,在此基础上根据相应公式计算植被指数数据;② IR组先根据相应公式计算植被指数,然后融合直接得到植被指数数据。最后,将2组实验得到的模拟结果分别与原始影像计算的植被指数进行精度评价,对比两组实验融合结果的优劣。归一化植被指数（NDVI）、增强型植被指数（EVI）构建方程见式（3）、式（4）。
NDVI = ρ NIR - ρ red ρ NIR + ρ red
EVI = 2.5 × ρ NIR - ρ red ρ NIR + 6 × ρ red - 7.5 × ρ blue + 1
式中： ρ blue 、 ρ red 、 ρ NIR 分别代表蓝、红、近红外波段。

3.5 精度评价方法

为全面评估融合结果的精度及效果,一方面通过对比模拟影像与原始影像的散点分布图来评价其一致性,另一方面则采用决定系数（R2）、结构相似性（SSIM）、平均绝对误差（MAE）、均方根误差（RMSE）等指标来定量评价融合影像与真实影像误差大小。其中,SSIM可利用式（5）求得。
SSIM ( x , y ) = ( 2 μ x μ y + c 1 ) ( 2 σ xy + c 2 ) ( μ x 2 + μ y 2 + c 1 ) ( σ x 2 + σ y 2 + c 2 )
式中： x , y 分别为融合影像与真实影像; μ x 是 x 的平均值; μ y 是 y 的平均值; σ x 2 是 x 的方差; σ y 2 是 y 的方差; σ xy 是 x 的协方差; c 1 和 c 2 是与影像灰度级相关的常量。
此外,为了避免影像中云和云阴影给融合结果精度评价带来误差以及不确定性,在进行精度评价之前,本研究使用Fmask算法[22]生成Landsat数据云和云阴影掩膜文件,利用 MOD09A1产品质量文件中的云及云阴影标识建立MODIS数据云及云阴影掩膜文件,去除原始、融合影像中云与云阴影层,留下无污染影像保证评价精度。

4 结果及分析

4.1 ESTARFM算法参数敏感性定量分析

4.1.1 滑动窗口大小（ω）
图3展示了在不同滑动窗口尺度下波段反射率、植被指数模拟值和真实值的R2、SSIM、MAE和RMSE值。由图3（a）—图3（d）可见,随着ω逐渐增大,蓝、红、近红外波段R2值呈现出先上升后下降的趋势;近红外波段SSIM值呈现出先上升后趋于稳定不变的趋势,蓝、红波段的SSIM值呈现出波动下降的趋势;3个波段的MAE、RMSE值呈现出先降低后升高的趋势。
图3 不同滑动窗口尺度下模拟2015年9月9日波段反射率、植被指数的精度指标

注：图（a）—（d）中的band2、band4值对应左纵轴,band5值对应右纵轴。

Fig. 3 The accuracy indexes of band reflectance and vegetation index are fused under different sliding windows on September 9, 2015

由图3（e）—图3（f）可见,随着ω逐渐增大,NDVI、EVI的R2、SSIM值呈现先上升后趋于稳定不变或下降的趋势;相应地,NDVI、EVI的MAE、RMSE值呈现先下降后上升的趋势。总的来说,在60像元×60像元、70像元×70像元窗口下,无论是融合波段反射率还是植被指数,基于各种评价指标表征的融合效果均为最好。
4.1.2 相似像元数量（N）
图4展示了在不同相似像元数量下融合波段反射率和植被指数的R2、SSIM、MAE和RMSE值。由图4（a）—图4（d）可见,随着N增加,不同波段的R2、SSIM值均呈现持续上升趋势,当N位于110~120时,基本达到峰值和相对稳定的阶段;而MAE、RMSE值均呈持续下降趋势,当N位于110~120时,MAE、RMSE值呈现出稳定不变和微弱下降趋势。
图4 不同相似像元数量下模拟2015年9月9日波段反射率、植被指数的精度指标

注：图（a）—（d）中的band2、band4值对应左纵轴,band5值对应右纵轴。

Fig. 4 The accuracy indexes of band reflectance and vegetation index are fused under different similar pixels on September 9, 2015

由图4（e）—图4（f）可见,随着N增加,NDVI、EVI的R2值呈现出先波动上升,当N位于110~120时,R2值呈稳定不变或微弱下降趋势,SSIM值呈稳定不变或微弱上升趋势;而MAE、RMSE值均呈下降趋势,当N在110时,大部分都下降到一个最低值。
综合以上分析结果,考虑到模型计算时间,本研究认为,当ω为60像元×60像元、70像元×70像元,N介于110~120之间时,融合效果普遍达到最优。

4.2 RI和IR融合效果对比

图5展示了RI（a、b）、IR（c、d） 2组融合方案模拟的NDVI、EVI影像分别与原始的2015年9月9日Landsat NDVI、EVI影像的差值空间分布图。RI组模拟的NDVI、EVI影像与原始的NDVI、EVI影像差值范围分别是[-1.3, 0.9]、[-0.9, 0.8],IR组模拟的NDVI、EVI影像与原始的NDVI、EVI影像差值范围均在[-1,1]范围内,差值值域均集中分布在[-0.2,0.2]内。其中,RI组融合方案模拟的NDVI、EVI影像与原始NDVI、EVI影像差值平均值分别为-0.0033、-0.0198,标准差分别为0.1084、0.1032;IR组融合方案模拟的NDVI、EVI影像与原始NDVI、EVI影像差值平均值分别为0.0025、-0.0036,标准差分别为0.0665、0.0628。
图5 RI与IR模拟的影像与原始Landsat影像（2015年9月9日）的差值空间分布

Fig. 5 Spatial distribution of difference between the images fused by RI/IR groups and original Landsat images on September 9, 2015

图6依次刻画了RI、IR融合方案模拟的NDVI、EVI影像分别与原始的2015年9月9日Landsat NDVI、EVI影像的差值直方与累积频率图以及散点分布图。从差值统计分布（图6（a)、图6（c））来看,RI组模拟的NDVI、EVI数据与原始NDVI、EVI数据的差值绝对值小于0.2的区域分别占97%、96%;IR组实验融合模拟的NDVI、EVI数据与原始NDVI、EVI数据的差值绝对值小于0.2的区域均占99%。从散点分布图（图6（b）、图6（d））来看,虽然两组融合方案模拟值与真实值大致均匀分布在1:1线的两侧,但相比于RI的融合结果,IR组融合结果更集中分布于1:1线,其决定系数R2均达到0.93以上（P<0.01）,拟合效果较好。总体而言,IR组融合结果的误差较RI组更低,模拟精度较RI组更高。
图6 RI与IR模拟影像与原始影像的差异

Fig. 6 The difference between fused images by RI / IR groups and original images

2组实验模拟的NDVI、EVI与原始的NDVI、EVI数据的R2、SSIM、MAE、RMSE等融合质量评价指标见表3。由表3可知,IR组模拟结果在R2、SSIM这2个指标上均优于RI组模拟结果,在MAE、RMSE这两项指标上均小于RI组模拟结果,耗时低于RI组,即相较于RI组模拟的结果,IR组模拟的结果整体精度高、误差小、耗时短。这是因为：ESTARFM 算法的主要思想是利用多源遥感数据之间的关联性,最大程度的减小系统偏差,如假设像元反射率的时间变化趋势是线性的,推导出高空间分辨率像元值与低空间分辨率像元值的关系,进而模拟未知日期的高空间分辨率影像[11]。植被指数是通过植被叶片特有的光谱反射率特性,将多光谱遥感数据中几种波段反射率数据进行各种形式的数学组合运算,用于定量描述植被盖度和生长状态,对农作物长势、生物量估算等有一定指示意义,同时可以消除大部分与仪器定标、太阳角、地形和大气条件等相关的误差影响[23],IR组直接融合植被指数,融合过程中产生的误差小;而波段反射率对不同地物的响应规律复杂,即使同种地物在不同内部结构和外部条件下形态表现（反射率）也不尽相同,再加上不同传感器获取的波段反射率可能存在诸如轨道参数、带宽、采集时间和光谱响应函数等系统差异,使得可比性和关联性较差[24],RI组先融合波段反射率后计算植被指数,融合过程产生多次误差,导致融合误差进一步加大。因此,在对植被指数进行高频次、高精度的获取过程中,可采用IR方案直接融合植被指数。

5 讨论

5.1 ESTARFM算法参数对融合结果的影响

本研究基于ESTARFM算法,对影响融合结果的2个重要参数进行敏感性分析,结果表明数据融合精度与模型参数的变化明显相关。总体而言,随着ω、N的变化,波段反射率、植被指数的评价指标表现出相似的变化特征,即ESTARFM算法中存在着较佳参数设置范围,当设定的ω、N过小（大）时,都会降低融合结果的精度。
以ω为例,图7依次展示了原始2015年9月9日Landsat蓝波段（band2）影像与不同滑动窗口尺度下（10×10、60×60、80×80）模拟的蓝波段（band2）全局、细节对比图。整体上,3景不同滑动窗口下模拟的影像与原始影像相比均未出现重影或几何变形;从像元分辨率来看,3景模拟影像与原始影像的像元高低值近乎一致,然而相比于ω为10×10（图7（b））、80×80（图7（d））,当ω为60×60（图7（c））时模拟的影像与原始的影像（图7（a））在色彩度、亮度及对比度上均较为一致,地物空间分布趋势也较为一致。从（图7（a)—图7（d））中分别裁剪出2个细节区域（包括水体、农田等地物类型）放大显示,可以看出当ω为10×10、80×80时,相比原始影像,模拟影像中水体边界模糊或出现了不同程度大小的“斑块”（图7（b）、图7（d）细节1）,细节表现较差,农田四周的界限模糊不清,作物空间分布信息缺失,容易出现异常值且噪声多（图7（b）、图7（d）细节2）;而当ω为60×60时,模拟影像水体边界与原始影像基本保持一致（图7（c）细节1）,农田四周的界限清晰,空间信息丰富无缺失,未见异常值和噪声（图7（c）细节2）。
图7 原始Landsat蓝波段影像与不同滑动窗口尺度下融合的蓝波段影像全局、细节对比

Fig. 7 Comparison of original images and fused images under different sliding windows

这是因为当ω较小时,在窗口内筛选的与中心像元相似的像元较少,引入邻近像元的辅助信息较少,使融合结果出现了较大的不确定性[25];而当ω增大到一定程度时,则会筛选较多与中心像元无关的像元,引入无用信息,反而会降低融合数据的质量。相应地,当设定的N较小时,筛选的相似像元较少,没充分利用邻近像元的信息,导致了融合数据质量较低;当设定的N较大时,引入了部分与中心像元差异较大或无关的像元,也会降低融合数据的质量[26]。
此外,ESTARFM算法理论假设像元反射率随时间变化稳定且随时间的变化是线性的,此假设在估算长时间序列数据时会产生较大误差,且在一定程度上限制了其在反射率变化非线性的地物类型中的应用,如模拟水体等地物类型出现边界模糊及异常值等问题。后续研究中,将ESTARFM与STAARCH算法相结合可能是增强ESTARFM算法性能的一种可行方法。

5.2 RI和IR融合方案在空间细节信息上存在差异

图8展示了经RI（b）、IR（c） 2组融合方案模拟的NDVI、EVI影像与原始2015年9月9日Landsat NDVI、EVI影像（a）的对比。从融合结果的整体目视效果上看,2组实验模拟的NDVI、EVI影像与原始影像在色彩度、亮度及对比度上均较为一致,空间分布趋势也基本一致。从像元分辨率来看,IR组模拟的NDVI、EVI影像像元高低值与原始影像均近乎一致,而RI组模拟的NDVI、EVI影像像元高值与原始影像较为一致,像元低值区与原始影像相差较远。
图8 RI与IR组模拟影像与原始影像（2015-09-09）全局对比

Fig. 8 Global comparison of RI and IR group fused images with the original images (2015-09-09）)

为了增强视觉判断,以Landsat NDVI影像为例,从图8中裁剪出3个细节区域,细节图上选取了一些具有代表性的区域（如农田、水体、建筑物）放大显示（图9）。由图9可见,相比原始的NDVI影像（图9（a））,RI、IR融合方案模拟的NDVI影像存在不同程度的差异,具体表现在空间细节上：RI组模拟的影像（图9（b））局部区域纹理较为平滑,细节表现较差,地物之间的界限模糊（细节1）,空间分布信息缺失,且出现了不同程度大小的“斑块”（细节2）,掩盖了地物的信息特征,容易出现异常值且噪声多（细节3）;对比之下,IR组模拟的影像（图9（c））地物之间界限较清晰并与原始影像保持高度一致（细节1）,空间信息丰富,且削弱了“斑块”现象（细节2）,未出现异常值与噪声（细节3）,显然能够更好地反映出真实地物的空间分布。
图9 RI与IR组模拟的NDVI影像与原始NDVI影像（2015-09-09）细节对比

Fig. 9 Detail comparison of RI and IR group fused images with the original 2015-09-09 images

总的来看,相比于RI组模拟得到的影像,IR组模拟的影像空间细节信息丰富无缺失,较好的表征了不同地物类型的差异,且能表现出较小地物的纹理特征及空间差异,与真实的影像具有较高的一致性。

5.3 基于ESTARFM算法模拟影像替换原始影像 中的云或云阴影

近几十年来,遥感影像日益成为人类监测地表动态变化的重要数据来源[27]。Landsat TM/ETM+/OLI系列影像因其监测地面动态过程的较佳分辨率成为地表观测最具价值的数据源之一,被广泛应用于农业、植被监测、灾害响应等研究中[6]。然而实际可用的Landsat影像中地表信息或多或少被云与云阴影遮盖,这使得遥感影像的后期处理较为困难并限制了其应用[22]。去除影像中的云或云阴影是提高遥感影像可用性的重要方法[28,29],目前去除遥感影像中的薄云较简单,方法也较成熟,但去除厚云还未有十分有效的方法[30]。
借鉴前人[31,32]的研究,本研究基于Landsat、MODIS多时相影像及ESTARFM算法,生成高时空分辨率影像,替换原始影像中云和云阴影区域。以Landsat EVI影像为例,图10展示了2015年9月9日原始EVI影像与经ESTARFM算法模拟影像替换原始影像中云和云阴影区域后的影像。从整个研究区看,原始EVI（图10（a））影像中,云和云阴影区掩盖了一部分地物信息,但从替换结果（图10（b））可直观看出,经ESTARFM算法模拟的EVI影像可以较好地去除原始影像中的云和云阴影,能很好的表征出各类地物,且不同地物类型间有明显界线;将典型区域放大,可以看出模拟的EVI影像中各地物（水体、植被、农田）空间轮廓与原始影像基本保持一致。通过原始清晰影像与模拟影像的精度指标,可以间接定量评价替换区数据的精度,表3（见IR组）统计了模拟EVI影像与原始EVI清晰影像的R2、SSIM、MAE、RMSE评价指标,其中R2高达0.9304（P<0.01）,同时整体误差均较低。
图10 原始 Landsat EVI影像（2015-09-09）与经模拟影像替换的EVI影像

Fig. 10 Original Landsat EVI images on 2015-09-09 and EVI images replaced by fused images

表3 RI和IR组模拟影像评价指标对比

Tab. 3 The comparison of the evaluation indexes of the predicted images by RI/ IR groups

R2/×102 SSIM/×102 MAE/×104 RMSE/×104 time/h
RI IR RI IR RI IR RI IR RI IR
NDVI 86.57 95.34 99.89 99.9 709.9 442.8 1032.2 655.3 18 9
EVI 81.43 93.04 99.72 99.96 778.7 449.8 1069.0 637.8 21 9
综上所述,利用Landsat与MODIS多时相影像基于ESTARFM算法融合影像可以替换Landsat影像中被云和云阴影覆盖区域,增加更多可用的遥感数据。

6 结论

ESTARFM算法对于地块破碎、景观异质性强以及易受气象条件影响的区域具有较好的适用性,对这些区域资源环境的监测具有重要的现实意义。本研究以长江中下游平原地区典型县域—南昌县为实验区,利用Landsat、MODIS多时相影像分析了ESTARFM算法参数设置的敏感性,同时系统地对比分析了RI组和IR组实验的融合结果。结论如下：
（1）ESTARFM融合结果精度与模型参数的变化明显相关。整体上,随着滑动窗口大小（ω）、相似像元数量（N）的变化,波段反射率与植被指数的评价指标均表现出相似的变化特征：随着ω、N逐渐增大,大部分波段反射率、植被指数R2、SSIM值呈现出先上升后趋于稳定不变或下降的趋势,MAE、RMSE值则呈现出先减小后趋于稳定或增大的趋势。在ESTARFM算法应用中,存在着较佳参数设置范围,在不同地域采用时空融合方法需要进行参数敏感性分析。
（2）相较于RI融合方案,IR融合方案与真实数据的标准差、均值差、误差值均较小,耗时短,且融合过程中不易产生异常值和噪声,与真实影像有较高的相似性,较清晰地反映出不同地物的空间细节。
（3）基于Landsat和MODIS多时相影像,借助ESTARFM算法生成高时空分辨率影像近似替换Landsat影像中云和云阴影区域,可以有效地去除多云、多雨地区影像“云污染”现象,一定程度上提高遥感数据的可用性。
后续研究将主要集中于探讨基于ESTARFM算法模拟生成我国南方农业种植优势区高时空分辨率数据集的可行性,即利用本文得到的最优参数并基于IR融合方案构建我国水稻种植的优势区域——长江中下游平原地区高时空分辨率光谱指数数据集,并用于耕地轮作信息提取的研究中。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Zhong D T, Zhou F Q. Improvement of clustering methods for modelling abrupt land surface changes in satellite image fusions[J]. Remote Sensing, 2019,11(15):1759.

DOI

[2]
Huang B, Zhang H K. Spatio-temporal reflectance fusion via unmixing: accounting for both phenological and land-cover changes[J]. International Journal of Remote Sensing, 2014,35(16):6213-6233.

DOI

[3]
Pan Y Z, Li L, Zhang J S, et al. Winter wheat area estimation from MODIS-EVI time series data using the crop proportion phenology index[J]. Remote Sensing of Environment, 2012,119:232-242.

DOI

[4]
Dheeravath V, Thenkabail P S, Chandrakantha G, et al. Irrigated areas of India derived using MODIS 500m time series for the years 2001-2003[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2010,65(1):42-59.

DOI

[5]
谢登峰, 张锦水, 潘耀忠, 等. Landsat 8和MODIS融合构建高时空分辨率数据识别秋粮作物[J]. 遥感学报, 2015,19(5):791-805.

[ Xie D F, Zhang J S, Pan Y Z, et al. Fusion of MODIS and Landsat 8 images to generate high spatial-temporal resolution data for mapping autumn crop distribution[J]. Journal of Remote Sensing, 2015,19(5):791-805. ]

[6]
初庆伟, 张洪群, 吴业炜, 等. Landsat-8卫星数据应用探讨[J]. 遥感信息, 2013,28(4):110-114.

[ Chu Q W, Zhang H Q, Wu Y W, et al. Application research of Landsat-8[J]. Remote Sensing Information, 2013,28(4):110-114. ]

[7]
孙佩军, 张锦水, 潘耀忠, 等. 构建时空融合模型进行水稻遥感识别[J]. 遥感学报, 2016,20(2):328-343.

[ Sun P J, Zhang J S, Pan Y Z, et al. Temporal-spatial-fusion model for area extraction of paddy rice using multi-temporal remote sensing images[J]. Journal of Remote Sensing, 2016,20(2):328-343.]

[8]
Hilker T, Wulder M A, Coops N C, et al. A new data fusion model for high spatial-and temporal-resolution mapping of forest disturbance based on Landsat and MODIS[J]. Remote Sensing of Environment, 2009,113(8):1613-1627.

DOI

[9]
Huang B, Zhang H K, Song H H, et al. Unified fusion of remote-sensing imagery: generating simultaneously high-resolution synthetic spatial-temporal-spectral earth observations[J]. Remote Sensing Letters, 2013,4(6):561-569.

DOI

[10]
Gao F, Masek J, Schwaller M, et al. On the blending of the Landsat and MODIS surface reflectance: Predicting daily Landsat surface reflectance[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006,44(8):2207-2208.

DOI

[11]
Zhu X L, Chen J, Gao F, et al. An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions[J]. Remote Sensing of Environment, 2010,114(11):2610-2623.

DOI

[12]
Gao F, Hilker T, Zhu X L, et al. Fusing Landsat and MODIS data for vegetation monitoring[J]. IEEE Geoscience and Remote Sensing Magazine, 2015,3(3):47-60.

[13]
Dao P D, Mong N T, Chan H P. Landsat-MODIS image fusion and object-based image analysis for observing flood inundation in a heterogeneous vegetated scene[J]. GIScience & Remote Sensing, 2019,56(8):1148-1169.

[14]
Zhang H K, Huang B, Zhang M, et al. A generalization of spatial and temporal fusion methods for remotely sensed surface parameters[J]. International Journal of Remote Sensing, 2015,36(17):4411-4445.

DOI

[15]
Lu Y T, Wu P H, Ma X S, et al. Detection and prediction of land use/land cover change using spatiotemporal data fusion and the Cellular Automata-Markov model[J]. Environmental Monitoring and Assessment, 2019,191(2):1-19.

[16]
柳文杰, 曾永年, 张猛. 融合时间序列环境卫星数据与物候特征的水稻种植区提取[J]. 遥感学报, 2018,22(3):381-391.

[ Liu W J, Zeng Y N, Zhang M. Mapping rice paddy distribution by using time series HJ blend data and phenological parameters[J]. Journal of Remote Sensing, 2018,22(3):381-391. ]

[17]
李盛阳, 张万峰, 杨松. 多源高分辨率遥感影像智能融合[J]. 遥感学报, 2017,21(3):415-424.

[ Li S Y, Zhang W F, Yang S. Intelligence fusion method research of multisource high-resolution remote sensing images[J]. Journal of Remote Sensing, 2017,21(3):415-424. ]

[18]
蒋敏, 李秀彬, 辛良杰, 等. 南方水稻复种指数变化对国家粮食产能的影响及其政策启示[J]. 地理学报, 2019,74(1):32-43.

DOI

[ Jiang M, Li X B, Xin L J, et al. The impact of paddy rice multiple cropping index changes in Southern China on national grain production capacity and its policy implications[J]. Acta Geographica Sinica, 2019,74(1):32-43. ]

[19]
Li S F, Li X B. Global understanding of farmland abandonment: a review and prospects[J]. Journal of Geographical Sciences, 2017,27(9):1123-1150.

DOI

[20]
闫慧敏, 黄河清, 肖向明, 等. 鄱阳湖农业区多熟种植时空格局特征遥感分析[J]. 生态学报, 2008,28(9):4517-4523.

[ Yan H M, Huang H Q, Xiao X M, et al. Spatio-temporal distribution of multiple cropping systems in the Poyang Lake region[J]. Acta Ecologica Sinica, 2008,28(9):4517-4523. ]

[21]
Zhou Y T, Xiao X M, Qin Y W, et al. Mapping paddy rice planting area in rice-wetland coexistent areas through analysis of Landsat 8 OLI and MODIS images[J]. International Journal of Applied Earth Observation and Geoinformation, 2016,46:1-12.

DOI

[22]
Zhu Z, Woodcock C E. Object-based cloud and cloud shadow detection in Landsat imagery[J]. Remote Sensing of Environment, 2012,118:83-94.

DOI

[23]
李小文, 刘素红. 遥感原理与应用[M]. 北京: 科学出版社, 2008.

[ Li X H, Liu S H. Principles and applications of remote sensing[M]. Beijing: Science Press, 2008. ]

[24]
梅安新, 彭望琭, 秦其明, 等. 遥感导论[M]. 北京: 高等教育出版社, 2001.

[ Mei A X, Peng W L, Qin Q M, et al. Introduction to remote sensing[M]. Beijing: Higher Education Press, 2001. ]

[25]
Wu M Q, Zheng N, Wang C Y, et al. Use of MODIS and Landsat time series data to generate high-resolution temporal synthetic Landsat data using a spatial and temporal reflectance fusion model[J]. Journal of Applied Remote Sensing, 2012,6(1):63507

DOI

[26]
董文全. 多源遥感数据时空融合及其在农田监测领域的应用研究[D]. 北京:中国科学院大学, 2017.

[ Dong W Q. Study on spatiotemporal fusion model of multi-source remote sensing data and its application in precision agriculture[D]. Beijing: University of Chinese Academy of Sciences, 2017. ]

[27]
陈梦露, 李存军, 官云兰, 等. 基于ESTARFM模型的区域农田高时空分辨率影像产生与应用[J]. 作物学报, 2019,45(7):1099-1110.

[ Chen M L, Li C J, Guan Y L, et al. Generation and application of high temporal and spatial resolution images of regional farmland based on ESTARFM model[J]. Acta Agronomica Sinica, 2019,45(7):1099-1110. ]

[28]
袁明月, 魏悦, 孙伟, 等. 一种改进的遥感影像去噪综合模型[J]. 北京测绘, 2019,33(7):776-780.

[ Yuan M Y, Wei Y, Sun W, et al. An improved model of remote sensing image denoising[J]. Beijing Surveying and Mapping, 2019,33(7):776-780. ]

[29]
黄微, 汪月云, 陈休. 基于透射率拉伸的光学遥感影像薄云去除[J]. 遥感信息, 2018,33(6):26-31.

[ Huang W, Wang Y Y, Chen X. Thin cloud removal for optical remote sensing images based on stretched transmission[J]. Remote Sensing Information, 2018,33(6):26-31. ]

[30]
陈阳, 范建容, 文学虎, 等. 基于时空数据融合模型的TM影像云去除方法研究[J]. 遥感技术与应用, 2015,30(2):312-320.

[ Chen Y, Fan J R, Wen X H, et al. Research on cloud removal from Landsat TM image based on spatial and temporal data fusion model[J]. Remote Sensing Technology and Application, 2015,30(2):312-320. ]

[31]
陈梦露, 李存军, 官云兰, 等. 基于Landsat 8影像的厚云及云影去除方法[J]. 北京测绘, 2019,33(4):382-386.

[ Chen M L, Li C J, Guan Y L, et al. Thin cloud and cloud shadow removal method based on Landsat 8 image[J]. Beijing Surveying and Mapping, 2019,33(4):382-386. ]

[32]
Zhu Z, Wang S X, Woodcock C E. Improvement and expansion of the Fmask algorithm: Cloud, cloud shadow, and snow detection for Landsats 4-7,8 and Sentinel 2 images[J]. Remote Sensing of Environment, 2015,159(5):269-277.

DOI

Options
文章导航

/

〈 〉