论文部分内容阅读
Landsat TM数据的高空间分辨率及多光谱特性使得其在多领域得到广泛应用,但是较长的重访周期以及云的影响导致实际可用的数据较少,极大限制了其在时序分析方面的应用。反之,MODIS数据的高时间分辨率更适用于时序分析,但MODIS250米～1000米的空间分辨率具有较少的空间细节信息,更适用于空间大尺度范围的研究。而基于Landsat TM与MODIS数据的时空数据融合方法将TM数据的高空间分辨率与MODIS数据的高时间分辨率有效地融合在一起获得新的数据,以满足在较高的空间分辨率上进行时序变化研究。STARFM(Spatial and Temporal Adaptive Reflectance Fusion Model)是目前应用较多、精度较高、基于反射率数据的时空融合模型之一。本文通过调整原算法中参数值大小,完成了缨帽变换分量的数据融合。通过对比分析确定了数据融合最佳的参数组合。利用绿度植被指数的周期性、短时间内的渐变性特征,引入时间权重系数,提出了针对GVI数据的时空融合模型,提高了融合影像质量。本研究的主要贡献包括：(1)将STARFM中移动窗口、分类数、影像不确定性值、距离权重常数设置为一系列不同值,利用Landsat TM与MODIS的缨帽变换分量数据获取相应融合影像,并与实际获取的Landsat TM缨帽变换分量影像对比,结果显示：移动窗口的增大以及分类数的调整有助于融合质量的提高,而距离权重常数的变化基本不会对融合结果质量造成影响,当MODIS与TM影像不确定性值为非0值时,对结果影响较小。所以原算法中参数值的调整,对结果会产生一定的影响,但对融合结果质量的改善程度有限。(2)本文以2007年的实际获取Landsat TM数据及相应时间的MODIS数据为例,探讨了输入影像获取时间对融合结果的影响：1)融合影像时间与输入影像获取时间相差时间越长,精度越低；2)输入影像中植被处于生长高峰期时,绿度植被指数融合影像精度相对较高,但随时间推移,植被生长状况发生显著变化时,精度会明显降低。(3)本文在原算法基础上假设绿度植被指数在短期内呈均匀变化,提出针对GVI的GSTARFM(GVI STARFM)。GSTARFM基于两个时刻的输入影像,在相似像元选取上采用两个时刻6个缨帽分量,引入时间权重系数,使GVI融合结果得到提高。(4)GVI时序融合影像能够显示植被生长的基本特征。植被生长、高峰以及衰落在趋势变化曲线上表现明显,且峰值大小排序以及出现时间与实地调查结果相符,表明GSTARFM的有效性。