论文部分内容阅读
目前不同空间分辨率的Normalized Difference Vegetation Index(NDVI)时间序列数据在植被物候监测,区域变化检测等研究中得到了广泛应用。NDVI时间序列数据的空间分辨率主要有中空间分辨率和高空间分辨率两种,它们在应用中有不同的特点和优势。但是由于云、成像条件和传感器等因素的影响,NDVI时间序列数据中可能会出现噪声、数据缺失等降低数据质量的因素。针对两种不同空间分辨率NDVI时间序列,研究人员提出了很多方法重建时间序列,希望提高时间序列的质量。目前,针对两种空间分辨率NDVI时间序列,人们提出的重建方法分为两种策略。对于中空间分辨率NDVI时间序列,重建方法主要是为了消除噪声和异常值;对于高空间分辨率NDVI时间序列,重建方法主要是采取时空融合技术填补缺失值,提高时间分辨率重建时间序列。已有的降噪重建方法存在过拟合局部正常低值以及处理连续缺失值能力有限的问题。同时已有的融合重建方法生成长时间时间序列数据能力较弱,并对时间序列中的噪声敏感。针对已有两种重建策略中的不足,本研究充分利用了邻域像元和历史数据集提供的信息,提出了两种新的重建方法,分别是针对中空间分辨率NDVI时间序列滤波重建的STSG方法,以及针对高空间分辨率NDVI时间序列融合重建的GFSTF方法。STSG利用相邻像元的信息来帮助降低目标像元时序数据中的噪声,而目标像元和邻近像元NDVI值之间的参考关系可以从多年NDVI时间序列中得到。本文在中国大陆实验区对STSG进行了测试。结果表明,相比其他滤波方法,如非对称高斯滤波、双逻辑模型滤波、傅里叶变换滤波和Savitzky-Golay滤波,STSG更有优势,可以处理连续数据缺失,并且不存在错误地过拟合低值。GFSTF则使用再融合的策略,利用多年数据间的关系,对初始NDVI融合数据进行了再融合,改善了融合效果。本文对GFSTF测试的结果表明,相比FSDAF,GFSTF在不同的植被类型区域有更低的平均绝对误差,其对初始NDVI融合时间序列的质量有了很大的改善。虽然GFSTF采用了多年NDVI数据,但其对不同年份间的土地覆盖类型变化和植被绿度变化不敏感。本文系统性地比较总结了中空间和高空间分辨率NDVI时间序列数据各自的局限以及它们不同的重建策略,有针对性地提出了STSG和GFSTF算法,构建了系统的时间序列重建技术,丰富了重建策略,改善了时间序列重建技术。