论文部分内容阅读
航天遥感经过40多年的发展,累积了海量的遥感数据。云覆盖严重影响了遥感对地观测的数据质量,使传感器无法获取有效的地表观测数据,导致遥感观测数据产生空间不连续,时间间隔不规律的现象,从而降低了遥感数据时序分析的应用水平,限制了对遥感数据时间维度隐藏规律的认知。如何对遥感缺失和低质量数据进行数据重建,及对重建数据进行时序分析逐渐成为遥感应用领域一个新的研究热点。本文选择MODIS陆表产品中时序变化特征有代表性的归一化植被指数(Normalized Difference Vegetation Index,NDVI)和地表温度(Land Surface Temperature,LST)作为研究对象进行数据重建及时间序列分析。根据两类数据的时空特征分别设计了分形插值算法进行NDVI数据重建,以及基于逐步回归模型的LST时序重建算法,实现提高数据时空连续性的目的。通过对重建数据进行时序分析探求它们时间维度包含的信息。具体研究内容及研究成果包含以下几方面:(1)对研究区的云覆盖时空特征进行分析,定量阐述数据重建的必要性。设计了月无云概率(cfP),月平均无云率(cfA),月内>80%无云期占比,月内连续无云期众数四个指标对云覆盖时空特征进行分析。结果表明云覆盖对整个研究区影响较大,cfP最大值为57.19%,最小值为18.95%,且时空分布存在差异;可以36°N为界将研究区分为南北两部分,研究区北部较南部受云覆盖影响更小;从时序上看3、4月份各指标总体表现相对较好,该时段云对研究区影响相对较小。(2)对NDVI的空间平稳性和分形特征进行研究,确定NDVI数据重建方法。低海拔区NDVI通常具有空间平稳性特征,但在四川西部、陕西南部和西藏东北的高海拔区非平稳特征明显(15%<VC.),此外城市建成区,河流等与耕地或林地混杂交错区域也表现为非平稳特征;NDVI行(列)剖面线具有明显的分形特征,可把NDVI行(列)看作分形集,对不同季节、地类的NDVI行(列)剖面线进行抽样计算发现盒维数基本处于1.30-1.60之间。(3)根据NDVI行(列)剖面线的分形特征设计了NDVI数据的分形插值重建算法。算法先以分组的方法确定初始点集,利用解析法确定纵向压缩因子(id),并设计检核点集C控制迭代函数系(IFS)生成吸引子的精度;精度分析发现分形插值的精度对NDVI空间缺失尺度的响应规律不明显,缺失尺度较小时与普通克里格法(OK)的插值精度相当,当缺失尺度较大时分形插值的精度优于OK和距离反比插值法(IDW);并且分形插值较空间插值的方法能保留更多的纹理细节特征。NDVI重建数据是LST数据重建的基础数据。(4)在LST与高程、NDVI、经度和纬度因子相关性分析的基础上,设计了LST时序重建算法。重建算法利用后向剔除法进行自变量因子筛选,并通过赤池信息量准则对全回归模型进行压缩筛选,对单因子模型进行扩张筛选来确定最优回归函数。重建数据的误差较小,白天两个时点71.8%的数据,夜晚两个时点78.2%的数据可控制在3℃以内,总体上90%以上数据误差可控制在5℃以内。利用气象站点的实测数据进行时点LST重建数据精度验证时需将站点实测数据进行尺度扩展,并提出了站点实测数据尺度扩展的方法。(5)设计了云覆盖LST修正模型。该方法利用低日照时数天数对LST影响的突变特征,以期内低日照时数天数为判别条件对LST重建地温进行修正,该方法可提高云覆盖区LST的估计精度。(6)设计了基于加窗DTW距离的贴近度模糊分类算法。算法首先利用样点数据迭代计算得到各地类标准时间序列曲线,通过加窗处理提高DTW距离的计算效率及精度,结合贴近度模糊分类的方法对NDVI重建时序数据各像元进行分类。整体分类精度较高,总体分类精度为83.8%,Kappa系数为0.77,该方法适用于无采样数据年度NDVI时序数据植被信息提取。(7)对研究区内不同高程和不同地类的LST重建数据进行时序特征分析。发现不同高程的年平均LST呈平行分布的特点,高程1-2Km的区域年均LST比高程小于1Km的区域平均低2.0℃,高程大于2Km的区域年均LST比高程1-2Km区域平均低2.6℃,研究时段内不同高程区域的年均LST均呈缓慢增长趋势;不同地类的年均地温则呈水田>旱地>林地的特征。通过地类间地温差异分析,认为第7-11期和第24-26期地温数据可辅助用于水田与旱地分类。另外通过LST和NDVI的季节效应分析,认为季节效应对LST的影响比NDVI的更显著。(8)构建LST和NDVI时序数据的自向量回归模型,分析二者之间的时滞变化规律。LST和NDVI时序数据均为1阶单整时序变量,对水田、旱地、林地分别构建了VAR(7)、VAR(5)和VAR(2)模型,结合Granger因果关系分析认为LST和NDVI的滞后变量对NDVI的解释能力较强;通过脉冲分析认为LST受外部条件的某一冲击后,会给NDVI带来同向的冲击,但不同地类的冲击持续时间及强度不尽相同。利用本文数据重建算法实现了研究区2005-2014年的NDVI和LST两种代表性数据的数据重建,实现了提高两类数据时空连续性的目的。并充分利用NDVI时序变化特征进行植被信息提取,整体分类精度较高;利用自向量回归的方法对不同地类LST和NDVI时序数据进行时滞关系分析,发现LST和NDVI的滞后变量对NDVI的影响显著。