高时间、高空间分辨率的遥感影像能够在空间、时间尺度上精细刻画植被生物物理特征和结构特性及其在空间、时间上的变化,对监测植被生态特征有着重要的作用.为有效记录地表特征的变化,本文提出了一种基于像元降尺度的时空遥感数据融合算...高时间、高空间分辨率的遥感影像能够在空间、时间尺度上精细刻画植被生物物理特征和结构特性及其在空间、时间上的变化,对监测植被生态特征有着重要的作用.为有效记录地表特征的变化,本文提出了一种基于像元降尺度的时空遥感数据融合算法(downscaling difference spatial and temporal data fusion algorithm,DDSTDFA).该方法分别开展基于Landsat、MODIS和NOAA影像的模拟与真实实验,与已有STDFA(spatial and temporal data fusion algorithm)和FSDAF(flexible spatiotemporal data fusion)进行对比.结果表明,DDSTDFA算法表现出以下优势:1)DDSTDFA算法能够同时预测地表特征发生的多种变化方向,改进了基于像元分解算法的缺陷,与STDFA相比在变化区域表现出更高的精度;2)DDSTDFA融合影像的空间分布特征更接近真实影像,消除像元分解融合法中常见的"图斑""边界"问题;3)与FSDAF算法相比,DDSTDFA算法在保证影像融合精度的前提下,运行速度提高了50%~60%.因此,DDSTDFA算法更适合于大范围高时空影像数据融合,为地表动态监测提供丰富的遥感影像数据源.展开更多
文摘植被聚集指数(clumping index,CI(Ω))是表征植被冠层聚集程度的重要结构参数,由于其定量化研究起步较晚,导致对CI季相变化特征的研究不充分,结论争议较大.为此,本文基于长时间序列的MODIS CI产品,从北半球中高纬度植被物候特征敏感区,在13个国际地圈-生物圈计划(IGBP)类型中,优选了84个高质量的代表性像元,开展典型像元CI季相变化特征的案例研究.以归一化植被指数(normalized difference vegetation index,NDVI)作为对比,提出改进的动态阈值法,结合离散Fourier变换方法,分别提取不同地类的生长季开始时间(start of season,SOS)及生长季结束时间(end of season,EOS),最终建立北半球中高纬度各地类生长季与休眠期的经验Ω.结果表明:CI具有较为明显的物候变化规律及季节变化特征,甚至能够识别出耕地的一年两熟迹象,但相对于NDVI相对稳定的季相变化特征,大部分地类的CI表现出较大的变化和不确定性,其中,SOS和EOS多分别在第100和第300天左右变化,生长季则多维持在200d左右;提取物候特征参数的最佳阈值随提取时期、地物类别的变化而变化,其中提取SOS和EOS的最佳阈值多集中在40%~80%和80%~90%;经验Ω呈现出针叶林的聚集效应最强,耕地的聚集效应最弱的特征.本研究对于揭示不同地类CI季相特征及相关应用研究提供了有用的证据和参考.
文摘高时间、高空间分辨率的遥感影像能够在空间、时间尺度上精细刻画植被生物物理特征和结构特性及其在空间、时间上的变化,对监测植被生态特征有着重要的作用.为有效记录地表特征的变化,本文提出了一种基于像元降尺度的时空遥感数据融合算法(downscaling difference spatial and temporal data fusion algorithm,DDSTDFA).该方法分别开展基于Landsat、MODIS和NOAA影像的模拟与真实实验,与已有STDFA(spatial and temporal data fusion algorithm)和FSDAF(flexible spatiotemporal data fusion)进行对比.结果表明,DDSTDFA算法表现出以下优势:1)DDSTDFA算法能够同时预测地表特征发生的多种变化方向,改进了基于像元分解算法的缺陷,与STDFA相比在变化区域表现出更高的精度;2)DDSTDFA融合影像的空间分布特征更接近真实影像,消除像元分解融合法中常见的"图斑""边界"问题;3)与FSDAF算法相比,DDSTDFA算法在保证影像融合精度的前提下,运行速度提高了50%~60%.因此,DDSTDFA算法更适合于大范围高时空影像数据融合,为地表动态监测提供丰富的遥感影像数据源.
