论文部分内容阅读
本文的主要内容是研究和提出从低质量的遥感卫星数据中分析获取地表信息的方法。对地观测卫星周期性的扫过地表的某些区域,可以获得这些区域的持续观测数据,这些观测数据组成了遥感观测时间序列。但是,由于云层遮挡,大气扰动,轨道高度,卫星故障等等原因的影响,遥感时间序列数据质量可能不尽人意。研究遥感时间序列的需要克服的问题主要包括两个方面:1,由于云层遮挡,光照角度等原因,遥感时间序列数据可能噪声较大,某些时候甚至发生缺失,不能有效反应当时的地表状态。2,遥感观测时间序列中单幅遥感图像空间分辨率可能较低,单个像素点对应的地表区域较大,此区域内可能包含多种不同种类的目标物体。需要研究解混方法以确定这些目标物体的具体类别,所占区域比例。遥感观测时间序列数据可能包含远比遥感图像丰富的信息。本文研究尝试克服遥感序列数据的质量限制,挖掘利用遥感观测时间序列。 本文的主要贡献包含以下两个方面: 1.对于低质量的遥感观测时间序列数据,我们提出新的方法,结合先验知识和观测序列,在数据同化算法框架下,重建估算得到地表植被区域的生物物理参数。地表陆地很大比例的区域被绿色植物覆盖,大规模分析监控地表植被区域,估算反映其状态的生物物理参数具有重要意义。遥感观测时间序列图像能够反映地表植物生长变化的状态和过程。当时间序列的某些观测数据发生缺失时,仍然可能通过结合植物生长规律的先验知识,重建估计这些时刻地表植被区域的生物物理参数。青园模型是模拟植物生长变化过程的数学模型,模型中包含了植物生长规律的先验知识。结合青园模型,我们将植物的生长变化过程离散化成一系列连续的生长周期,在状态空间模型(State SpaceModel)的框架下,利用青园模型建模单个生长周期内植被的状态变化。并采用PROSAIL模型建模植被状态到多光谱数据的映射过程。并提出类EM的方法,综合遥感观测时间序列数据和先验知识模型,推导出地表植被的状态。 2.中低分辨率遥感图像的单个区域通常覆盖了一个较大的区域,此区域中可能包含多个不同特性的地表对象,例如,城市建筑,水体,农田。分析单个像素所包含的地表目标种类成分,是遥感研究领域的解混问题。当前主要方法是在线性混合的假设下,对高光谱图像采用非负矩阵分解的方法,分析单个像素点所包含的成分。我们提出了一种基于遥感观测时间序列数据的解混方法,此方法的通过特征空间单形体最大化方法来提取端元特征信号,并且通过在核空间的稀疏投影,估算丰度系数矩阵。端元提取和丰度估计都在希尔伯特空间进行,我们通过选用弹性核函数的方法来处理时间序列的时态特性。在真实和合成数据集上的实验结果验证了我们提出的时间序列解混方法的有效性。