论文总字数：15133字

摘 要

遥感时空融合技术就是将具有不同特征的遥感影像数据进行融合，继而融合出具有两种不同影像数据特征的遥感影像数据。本文以江苏省高邮为研究区，研究现两大主流时空融合算法STARFM、STRVFM，继而通过采用STARFM和STAVFM算法，以及环境系列卫星和MODIS遥感数据，分别进行时空融合。通过对比分析，STARFM算法有更高的融合精度。进而通过STARFM时空融合技术，生成研究区时间序列影像，进行水稻种植面积提取，并利用野外采样点进行精度验证，结果显示提取精度较高，总体提取精度为83%。

关键字：时空融合 STARFM STAVFM 水稻识别 modis 环境星

Research on Rice Identification Technology Based on Spatiotemporal Fusion of HJ and MODIS Images

Abstract

Remote sensing spatio-temporal fusion technology is a fusion technology that combines low spatial resolution and high spatial resolution, resulting in images with both high temporal resolution and high spatial resolution. This article uses Gaoyou, Jiangsu Province as the research area. The current three major space-time fusion algorithms, STARFM, STRVFM, , are studied. Then, space-time fusion is performed using the STARFM and STAVFM algorithms, and the environmental series of satellites and MODIS data. Through comparative analysis, the STARFM algorithm has higher fusion accuracy. Furthermore, STARFM spatio-temporal fusion technology was used to generate time-series images of the study area, and the rice planting area was extracted, and field sampling points were used for accuracy verification. The results showed that the extraction accuracy was high and the overall extraction accuracy was 83%.

Keywords: Spatio-temporal fusion;STARFM; STAVFM;rice identification; modis;Hj

目录

摘 要 I

第一章 绪论 1

1.1 选题意义及背景 1

1.2 国内外研究综述 1

1.3 研究内容及主要技术路线 2

第二章 常用遥感影像对比分析和各波段应用 4

2.1 MODIS 4

2.1.1 Modis简介 4

2.1.2 Modis遥感数据特点和优势 4

2.1.3 Modis波段分布和主要应用 4

2.2 环境一号卫星HJ 6

2.2.1 环境一号卫星简介 6

2.2.2 HJ-1-A、HJ-1-B卫星主要载荷参数 6

第三章 两大主流时空融合算法模型比较 7

3.1 STARFM算法 7

3.2 STAVFM算法 8

第四章 软件平台 10

4.1MODIS Reprojection Tool 10

4.1.1 MRT简介 10

4.1.2 MRT运行平台 10

4.1.3 MRT地图投影和重采样方法 10

4.2 Fusion 11

4.2.1 Fusion简介 11

4.2.2 软件工具 12

4.2.3 时空功能结构 13

4.2.4 时空融合流程和界面 13

第五章 时空融合技术的水稻识别 15

5.1 数据与方法 15

5.1.1 研究区介绍 15

5.1.2 数据及预处理 15

5.2 融合精度验证与水稻分类评价 16

5.3 结果与分析 17

5.3.1 STARFM融合结果 17

5.3.2 STAVFM融合结果 19

5.3.3 分析 21

5.4.4 水稻种植面积提取及分析 21

5.4 结论 23

第一章 绪论

1.1 选题意义及背景

水稻在我国的粮食作物中占举足轻重的地位，水稻的播种面积占全国农作物播种面的四分之一以上，水稻的分布受诸多因素影响，因此水稻面积的识别已经成为当前农业等相关领域的热点和难点问题。获取精确的水稻面积信息对于我们的粮食安全有重要的影响，不仅可以预测和评测水稻的产量，而且对于我国的粮食生产布局也提供了科学的依据。本文主要研究现有的几种主流时空融合算法模型如STARFM和STAVFM算法，进行模型对比试验发现STARFM融合算法模型的融合效果最好。在现有三种IDL时空融合算法模型的基础上，利用C#与IDL混编技术的一款可视化的软件进行影像融合，进而通过STARFM和STAVFM时空融合技术，生成研究区时间序列影像，进行水稻种植面积提取。

目前常用的高分辨率单一的遥感影像数据已经不能满足农作物生长监测的需求，需要通过遥感影像融合，更有效地利用多种遥感影像数据。Gao提出了自适应时空融合方法即STARFM模型，该模型的原理是从低空间分辨率的影像中获取时间信息，再从高空间分辨率的影像中获取高空间分辨率信息继而进行时空融合，蒙继华等基于STARFM算法，提出了能更好利用植被的时间变化特征的STAVFM算法。[5]

上述研究分别对不同的融合算法进行了改进，但不同的算法应用在不同的地理区域，精度会有差异。要想利用时空融合算法进行大面积的水稻种植面积的提取，需要选择合适的时空融合算法。本文以高邮为研究区域，使用HJ星A/B CCD 30m空间分辨率数据以及500m空间分辨率的MODIS 09GA产品，获取水稻关键生长季的融合影像进行水稻面积的提取。STARFM和STAVFM两种算法发展比较成熟，应用较多，本文选择这两种算法预测高邮地区周期之外以及被云遮挡而不能使用的高分辨率数据，并对融合得到的预测结果做对比，得到在高邮地区融合影像精度较高的算法，并使用决策树分类方法对此算法的融合影像进行水稻面积的提取。

1.2 国内外研究综述

遥感图像可以在全球或局部尺度上提供关于地球的重要和丰富的信息。因此，许多应用通常需要具有高采集频率和高空间分辨率的遥感数据。然而，鉴于卫星的限制，满足这一要求是一个相当大的挑战。时空融合方法为解决这些“时空”矛盾提供了一条可行的途径。

在过去的10年中，时空融合由于其将多源卫星数据的优越性与精细的空间分辨率或频繁的时间覆盖相结合而产生了高空间分辨率和时间分辨率的融合图像，引起了广泛的兴趣。在这项研究中，回顾三种类型的时空融合方法的优点和局限性，即基于变换、基于重建和基于学习的方法。

首先，基于变换的方法一致地过滤和处理变换后的数据，然后通过逆变换访问高时空分辨率数据。主要研究多源卫星图像增强或融合的空间和光谱信息。用这种方法得到的结果的空间分辨率仍然很低，并且由于在该方法中不使用时间变化信息，所以精度相对较差。其次，从半物理融合模型和STARFM的提出出发，基于重建的方法引起了人们的广泛关注。该方法将不同时间获取的多源卫星图像中的时间变化、空间变化和光谱变化信息结合起来，通过计算不同变化的权重，生成高时空分辨率数据。该方法具有较高的精度，为时空融合提供了一种很好的融合方法。然而，当土地覆盖变化类型或覆盖面积不均匀时，结果会很差。第三，基于学习的方法是基于压缩感知和稀疏表示技术的发展。该方法代表了通过训练样本和构造图像字典来学习多源卫星图像之间的关系和差异的最近发展。虽然基于学习的方法可以获得良好的结果，但处理效率低于其他方法，并且需要对样本选择进行训练。

近年来，时空融合的结果已被广泛应用于各种应用中，尤其是在基于重建的方法中。该方法主要用于时间序列数据分析以及检索和区域数据集的生成。对于时间序列数据的分析和检索，许多研究者已经在开发时间序列的缺失图像、检测物候、反演城市环境参数、估计总初级生产力、评估生物量、计算地表温度等方面使用了这些结果。考虑到低空间分辨率的覆盖面积大，时空融合结果的频谱连续性高，可以将这些结果应用于区域数据集的生成。

1.3 研究内容及主要技术路线

本课题主要借助于现有的数据融合系统实现对环境星影像与中分辨率光谱仪影像的时空融合，既采用STARFM和STAVFM两种算法来进行比较研究，生成时间序列影像，进行水稻面积识别，并利用野外采样点进行精度验证。主要研究内容如下：

遥感影像数据的获取。环境星遥感影像通过中国资源卫星应用中心下载，获取的数据是环境星HJ-1A和HJ-1B卫星搭载的CCD相机的影像，地面分辨率为30m，波谱范围为0.439 ~0.9，共四个波段，少云影像，获取了2015年6到9月的共6景影像，分别为2015年6/1、6/19、7/20、8/4、8/20、9/11、9/20、10/9。其中6/19、7/20、8/20以及9/20数据用来进行质量检测。中分辨率成像光谱影像通过NASA官网获取，采用了MODIS09GA反射率产品，分别获取了2015年6/1、6/19、7/20、7/20、8/4、8/20、9/11、9/20、10/9。

遥感影像数据的处理。环境星影像运用ENVI软件进行波段运算处理，将每一波段进行处理，处理公式为b1/10000.0, 对所获得的影像进行辐射定标、几何纠正、大气校正以及裁剪等预处理。中分辨率光谱仪影像通过MODIS Reprojection Tool(MRT)软件提取所需波段进行先进行格式转换，将HDF格式转换成TIFF格式，将每一波段进行处理，处理公式为b1/10000.0，然后通过ENVI Classic中的layer stacking进行融合并重新投影为UTM-WGS84坐标系再进行裁剪再通过ENVI Classic的Resize Data进行重采样为30m影像图。

遥感影像的实验。将处理好的环境星影像和MODIS影像分别采用STARFM和STAVFM进行融合得到融合图像并使用决策树分类方法对此算法的融合影像进行水稻面积的提取，再进行精度验证与水稻分类评价。

第二章 常用遥感影像对比分析和各波段应用

2.1 MODIS

2.1.1 Modis简介

Modis卫星全称为中分辨率成像光谱仪,搭载在terra和aqua卫星上，中分辨率成像光谱仪的空间分辨率包含了250米、500米和1000米，重访周期为1-2天。

2.1.2 Modis遥感数据特点和优势

Modis遥感数据三大特点

1、NASA对MODIS遥感影像的数据进行全世界免费接收的政策，也就是说对于研究人员来说可以免费获得遥感影像数据。这样的政策对于研究来说是极其珍贵的、低成本并且实用性很强；2、中分辨率成像光谱仪的空间分辨率在得到大幅提高的情况下对地球科学的研究等具有很高的利用价值；3、TERRA对地观测卫星和AQEA对地观测卫星都是太阳同步卫星，这两科卫星可以每天过境四次，可以得到最少分别得到两次黑白天的数据。如果地球上发生某些突发事件如森林火灾地震等，如此快的更新频率对于紧急处理具有重要的意义。

Modis遥感数据三大优势

1、空间分辨率得到大大提高。从美国第三代气象卫星NOAA的千米级提高到中分辨率成像光谱仪的百米级。2、更高的时间分辨率。一天之内过境四次，监控自然灾害和突发状况的能力得到加强。3、光谱分辨率大幅提高，大大提高了观测和识别地球表面类型的能力。

Modis遥感数据以下几大方面的研究分析应用领域发挥重大作用：1、地表覆盖变化。2、监测自然灾害。3、季节和年度气候预测4、长期气候变化的研究5、臭氧监测。

2.1.3 Modis波段分布和主要应用

表2-1 Modis波段分布及主要应用

2.2 环境一号卫星HJ

2.2.1 环境一号卫星简介

环境一号卫星由三颗卫星组成分别是两颗光学卫星和一颗雷达卫星，这两颗光学卫星都搭载了CCD相机和超光谱成像仪（HIS）。环境一号卫星具有较宽的覆盖，一张环境一号的卫星影像图相当于四张TM影像的范围，幅宽的大小有利于大范围的环境监测，环境一号卫星具有较高的重访周期，每2至3天就可以获取全国陆地范围的数据一次。

2.2.2 HJ-1-A、HJ-1-B卫星主要载荷参数

表2-2 HJ-1-A、HJ-1-B卫星主要载荷参数

第三章 两大主流时空融合算法模型比较

3.1 STARFM算法

STARFM模型主要是从低空间分辨率数据获取时间信息，再从中高空间分辨率获取空间信息，融合出高空间、高时间分辨率产品。该算法要求多源数据的空间分辨率一致、空间位置绝对对应以及数据意义一致，即低空间分辨率数据经过重采样之后要和高空间分辨率数据像元一一对应。高分辨率数据的反射率可用低分辨率数据的像元反射率表示：

（1）

其 中为时刻坐 标为（）处的高分辨 率像元反 射率；为时 刻坐 标为（）处的低分辨 率像元反射率，为时刻高与低分辨率数 据的反射率差值。同理可将 需要的时刻的高 分辨率 数据的反射率 表示为：

（2）

其中为时刻坐标为（）处的高分辨率像元反射率；为时刻坐标为（）处的地分辨率像元反射率，为时刻高与低分辨率数据的反射率差值。

假设（）处所对应的地表覆盖类型在到期间不发生变化，即，则（1）（2）两式相减可将时刻高 分辨率的像元反射率表示为：

但是这只是一种理想情况，还需要考虑例如低空间分辨率影像像元放在高空间分辨率影像的尺度下可能会包括混合地物类型，土地覆盖类型会在预测期内 发生变化以及土地覆盖类型的状态和太阳几何双反射分布函数的改变导致预测期内的反射率发生改变等因素的影响。所以在计算中心像元点的反射率时只选择移动窗口内与中心像元光谱相似且无云的像元参与计算：

其中：w为移动窗口的大小；是窗口中心的像元；为窗口内定各像元在预测中心的权重；、和分别为给定位置（）的低空间分辨率和高空间分辨率数据反射率的差值、低空间分辨率时刻影像与时刻 之间的反射率差值和中心像元点与参与计算的像元点的几何距离。三个参数值越小，赋予的权重越高。三个参数的计算公式如下：

其中A是常数。

3.2 STAVFM算法

STARFM算法是基于地表反射率的研究，在应用于植被指数时需要进行完善和改进。

1.定义四十八天为有效的预测时间窗口半径，这样定义的原因是陆地卫星的重访周期一般在十六天左右，所以四十八天正好是陆地卫星的三个重访周期，在前后两个半径窗口下可获得六期数据，这样可以保证获取至少两期的有效数据，另外四十八天对于植被来说变化不会很剧烈所以预测效果更好。

2.利用窗口内预测期前的数据和窗口内预测期后时间的数据且这两个数据的距离最小进行预测，也就是对预测期前后两期数据分别预测，具体方法是对两个预测的结果取时间距离加权的平均：

。

3.考虑农作物的生长季节的影响，在预测像元为耕地像元时，则要考虑到两侧的数据是不是都在同一个生长季节内，如果两侧的数据都在同一个作物生长季节内则使用2的方法，进行两侧数据各自预测后的距离加权平均计算，如果只有一侧数据在同一个生长季内，则只使用在同一个生长季内的数据进行预测，这样会减少预测结果的不确定性。

第四章 软件平台

4.1MODIS Reprojection Tool

4.1.1 MRT简介

中分辨率成像光谱仪于99年在Terra上发射成功。第二个MODIS传感器于02年5月在AQUA平台上发射成功。MODIS的目标是提供更高的空间分辨率是地球陆地、海洋和大气的一系列综合观测，比它的前辈，先进的高分辨率辐射计（AVHRR）更频繁（近每天）。MODIS观测对于气候、植被、污染、全球变化以及许多其他重要的经济和环境问题的研究至关重要。

大多数MODIS产品是二维（2-D），但也有一些3-D和4-D数据集（例如，MCD43 BRDF反照率产品）。MRT支持3-D和4-D数据产品，并将它们输出到原始数据、地理参考标记的图像文件格式（GEOTIFF）和HDF-EOS输出格式的2-D数据产品。

请支付后下载全文，论文总字数：15133字