算法
类型 | 二级分类 | 名称 | 参考文献 | 至少所需中
高空间分辨率
数据个数/期 | 实验所
用数据 | 适用尺度 | 异质性较强
区域适用性 | 算法特点 | 基
于
变
换
的
模
型 | 基于
小波
变换
的模
型 | 小波变换 | 顾晓鹤等[9] | 1 | MODIS归一化植
被指数(normalized
difference vegetation
index,NDVI),
TM NDVI | 中、
大尺度 | 较差 | 所用MODIS NDVI数据为16 d产品,物候差异特征不够明显; 融合数据存在混合像元问题 | | 小波变换 | Acerbi-Junior等[10] | 1 | MODIS,
TM | 中、
大尺度 | 较差 | 有效地提高了MODIS数据的空间分辨率,为最小失真情况下提高源图像的空间分辨率提供了一个概念框架 | | 小波变换 | Wu等[11] | 1 | MODIS,
TM | 中、
大尺度 | 较差 | 评价了小波变换在时空融合中的潜力,研究发现选择合适的小波函数和融合方法是小波变换的关键 | 基于主
成分分析
的模型 | 主成分
分析 | Shevyrnogov等[12] | 1 | NOAA NDVI,
MSS | 中、
大尺度 | 较差 | 通过融合MSS亮度分量和NOAA NDVI数据得到高时空分辨率NDVI数据 | 基
于
像
元
重
构
的
模
型 | 基于
线性
混合
模型 | | 线性回归
和决策树 | Hansen等[13] | 1 | MODIS,
ETM+ | 尤其
大尺度 | 差 | 适用于地物单一且反射率呈线性变换的区域,大大减少时空融合所需时间,算法可移植 | | 线性回归 | Zhukov等[14] | 1 | AVHRR,
TM | 中、
大尺度 | 差 | 考虑了像元反射率空间可变性的问题,引入窗口技术,为后续研究所采用 | | 线性回归 | Maselli[15] | 1 | AVHRR NDVI,
TM NDVI | 中、
大尺度 | 较差 | 提出了距离权重的概念,即认为距离目标像元越近,对目标像元的影响越大 | | 线性回归 | Busetto等[16] | 1 | MODIS,
TM | 中、
大尺度 | 较好 | 提出了光谱权重的概念,主要解决线性混合模型解算过程中像元反射率的空间可变性问题 | 基于
时空
自适
应融
合模
型 | | 时空自适应
性反射率
融合模型 | Gao等[17] | 1 | MODIS,
ETM+ | 中、
小尺度 | 较好 | 不仅考虑与目标像元的空间距离和光谱相似性,还考虑了时间上的差异,并且利用邻近光谱相似像元计算中心像元,大大提高了结果精度 | 针对反射率变
化的时空自适
应融合模型 | Hilker等[18] | 2 | MODIS,
TM,ETM+ | 中、
小尺度 | 好 | 能够捕获比较短暂的地表变化 | 改进型时空自
适应融合模型 | Zhu等[19] | 2 | MODIS,
TM | 中、
小尺度 | 好 | 根据空间和光谱相似性来估计中心像元,适用于异质性较强的非植被覆盖地区 | 不同时空分辨
率NDVI的时
空融合模型 | 蒙继华等[20,21] | 1 | MODIS,
TM,HJ-1 CCD | 中、
小尺度 | 好 | 考虑了物候的影响,直接将算法用于植被指数 |
|