论文部分内容阅读
归一化植被指数（Normalized Difference Vegetation Index: NDVI)是植被生长状态、季节变化及植被覆盖度的重要指示因子，能比较直观地反映植被随时间变化的生长过程，已被广泛应用于区域级和全球的土地覆盖变化、植被及物候研究中。虽然兼具高空间分辨率与高时间分辨率（高时间序列）的NDVI数据在经过数据重构处理后能更加精确的描述植被等地物的时序变化特征，但由于大气、云污染等噪声因素的影响以及传感器成像系统的限制，高时空分辨率的NDVI数据难以直接获取，因而如何在现有技术条件下发展出可用于进行高时空分辨率NDVI数据生成及其重构的技术策略就成为上述应用的关键科学问题。作为多源遥感数据融合领域的新兴研究热点，时空融合技术能够有效地综合空间维与时间维的光谱变化信息，从而可借助低空间-高时间分辨率的遥感数据来得到兼具高空间和高时间分辨率的多光谱合成数据。本文即以时空融合技术为研究的出发点，拟通过分析高时空分辨率NDVI数据的生成与重构算法对典型地物光谱特征的预测精度来寻求NDVI数据在应用分析过程中的最佳处理策略。针对上述研究目标，本文的研究内容包括以下三个方面：1）鉴于NDVI数据的区域性应用特点以及当前基于多数据对的时空融合模型的应用限制，本文以基于单数据对的时空融合策略为技术依据，据此对当前两种主要的基于反射率的时空融合模型（自适应融合模型与半物理融合模型）进行充分的实验分析与对比，虽然半物理融合模型对具体波段的预测精度较高，但是STARFM算法对NDVI的预测能力较好；2）对现存的三种较为常用的时间序列数据重构方法（非对称性高斯函数拟合、双Logistic函数拟合以及S-G滤波方法）进行深入的实验分析，从定性和定量角度全面对比上述方法的重构精度，三种数据重构方法均能去掉大部分的噪声使原始曲线变得平滑，S-G滤波表现的保真性最好；3）以特定实验研究区的Landsat TM与MODIS反射率数据为例，通过分析由上述两种时空融合模型与三种数据重构算法间不同的流程组合及其对研究区内典型地物NDVI时序特征的预测效果，初步总结出通过STARFM算法和S-G数据重构方法获得可用性更高的NDVI时序数据及其时序特征。