五种典型遥感时空信息融合算法在湿地区域植被指数重建中的适用性比较

图1 研究区域位置

Fig.1 Location of the study area

1.2 数据源及其预处理

本研究主要采用Landsat8/9 OLI Collection 2 level 2 Tier 1(空间分辨率为30 m)和MOD09GA(空间分辨率为500 m)的影像数据。所有数据下载于美国地质调查局官网(https://earthexplorer.usgs.gov/),NDVI指数由红光波段和近红外波段计算得到。本文共选取8张遥感影像,影像获取时间见表1。为避免粗空间分辨率影像因投影坐标系的转换和重采样导致地物信息丢失过多的问题,本研究将所有数据转换为MODIS数据采用的Sinusoidal投影,并根据影像特征进行地理配准,然后按照时空融合算法中像元对齐原则对Landsat像元进行重采样。采样后的一个MODIS像元对应16×16个Landsat像元。

表1 Landsat8/9 OLI和MODIS影像获取时间

Tab.1 Landsat8/9 OLI and MODIS images acquisition time

Landsat8/9 OLI	MODIS
2021年12月06日	2021年12月06日
2021年01月12日	2021年01月11日
2020年04月15日	2020年04月16日
2020年03月14日	2020年03月15日

2 时空信息融合方法

2.1 STARFM算法

STARFM时空融合算法^[4]利用一对 $t_{1}$ 时刻粗、细分辨率影像以及 $t_{2}$ 时刻的粗分辨率影像,预测 $t_{2}$ 时刻的细分辨率影像。该算法假设 $t_{1}$ 和 $t_{2}$ 时刻影像的地物类型和系统误差均不变,认为2个时刻MODIS影像的变化近似等于Landsat影像的变化。通过引入局部移动窗口 $w$ 来利用邻域信息,在细分辨率影像下的局部移动窗口中找到与中心像元 $L (x_{w / 2}, y_{w / 2})$ 光谱相似的像元。最后通过加权计算得到预测时刻 $t_{2}$ 的中心像元的反射率,计算公式为:

(1)$\begin{array}{c} L\left(x_{\frac{w}{2}}, y_{\frac{w}{2}}, t_{2}\right)=\sum_{i=1}^{w} \sum_{j=1}^{w} \sum_{k=1}^{N} W_{i j k}\left[L\left(x_{i}, y_{j}, t_{1}\right)+\right. \\\left.M\left(x_{i}, y_{j}, t_{2}\right)-M\left(x_{i}, y_{j}, t_{1}\right)\right], \end{array}$

式中: $N$ 为移动窗口中包含预测像元在内的相似像元的个数; $(x_{i}, y_{j})$ 为移动窗口 $w$ 中相似像元的位置; $W_{i j k}$ 为权重函数; L $(x_{i}, y_{j}, t_{1})$ 和M $(x_{i}, y_{j}, t_{1})$ 分别为Landsat影像和MODIS影像 $t_{1}$ 时刻对应相似像元的反射率; M(x_i,y_j,t₂)为MODIS影像t₂时刻对应相似像元的反射率。

2.2 ESTARFM算法

ESTARFM时空融合算法^[5]利用 $t_{1}$ 和 $t_{2}$ 这2个时刻的粗、细分辨率影像对,以及 $t_{p}$ 时刻的粗分辨率影像,预测 $t_{p}$ 时刻的细分辨率影像。该算法在STARFM的基础上引入了转换系数 $V_{i j} (x_{i}, y_{j})$ ,使每对像元的反射率计算的更加精细; 同时结合移动窗口 $w$ 挑选出与中心像元类似的相似像元,计算权重 $W_{i j k}$ 后,得到预测 $t_{p}$ 时刻的中心像元的反射率; 最后,通过 $t_{1}$ , $t_{2}$ 和 $t_{p}$ 时刻粗分辨率影像的距离差异分配合适的权重,加权得到最终的融合影像结果 $L (x_{w / 2}, y_{w / 2}, t_{p})$ ,影像差异越小的时刻,分配权重越大。中心像元反射率计算公式为:

(2)

L (x_{\frac{w}{2}}, y_{\frac{w}{2}}, t_{p}) = L (x_{\frac{w}{2}}, y_{\frac{w}{2}}, t_{1}) + \overset{w}{\sum_{i = 1}} \overset{w}{\sum_{j = 1}} \overset{N}{\sum_{k = 1}} W_{i j k} V_{i j} (x_{i}, y_{j}) [M (x_{i}, y_{j}, t_{p}) - M (x_{i}, y_{j}, t_{1})]

$t_{2}$ 时刻的计算方法同理。

2.3 FSDAF算法

FSDAF时空融合算法^[6]根据一对 $t_{1}$ 时刻粗、细分辨率影像以及 $t_{2}$ 时刻的粗分辨率影像,预测 $t_{2}$ 时刻的细分辨率影像。该算法首先通过非监督分类获取前后像元间的类别变化信息,得到时间上的残差; 利用薄板样条插值(thin plate spline interpolation,TPS)获取预测时期粗分辨率影像地物类型等空间信息,得到空间上的残差。然后,引入同质性指数(homogeneity index,HI),设计新的权重函数将时间残差和空间残差进行重新分配,计算得到细分辨率影像像元在时间变化上的残差分布 $r (x_{i j}, y_{i j})$ 。最后,利用邻近相似像元得到最终的预测结果 $F_{t_{2}}^{p r e} (x_{i j}, y_{i j})$ ,计算公式为:

(3)

F_{t_{2}}^{p r e} (x_{i j}, y_{i j}) = F_{t_{1}} (x_{i j}, y_{i j}) + \overset{N}{\sum_{c = 1}} W_{c} [r (x_{i j}, y_{i j}) + Δ F_{k}]

式中: $(x_{i j}, y_{i j})$ 为第 $i$ 个MODIS粗分辨率影像像元中的第 $j$ 个Landsat细分辨率影像像元的坐标; $F_{t_{1}} (x_{i j}, y_{i j})$ 为 $t_{1}$ 时刻Landsat原始影像的像元反射率值; $W_{c}$ 为相似像元对应的权重大小; $Δ F_{k}$ 为Landsat细分辨率影像像元在时间上地物类型的变化量。

2.4 Fit-FC算法

Fit-FC时空融合算法^[7]同样根据一对 $t_{1}$ 时刻粗、细分辨率影像以及 $t_{2}$ 时刻的粗分辨率影像,预测 $t_{2}$ 时刻的细分辨率影像。该算法首先根据已知的 $t_{1}$ 和 $t_{2}$ 时刻的粗分辨率影像 $C_{t_{1}} 和 C_{t_{2}}$ ,对移动窗口 $w$ 中的像元建立局部线性回归方程。然后,将 $t_{1}$ 时刻的粗分辨率影像 $C_{t_{1}}$ 回代到方程得到 $t_{2}$ 时刻预测的粗分辨率影像 $C'_{t_{2}}$ ,再与真实的 $C_{t_{2}}$ 相减得到粗分辨率的残差 $R_{c}$ ,利用TPS插值进一步得到细分辨率的残差 $r (x_{i}, y_{j})$ 。之后,再将 $t_{1}$ 时刻的细分辨率影像 $F_{t_{1}}$ 代入回归方程中得到预测的 $t_{2}$ 时刻的细分辨率影像 $F_{t_{2}}^{R M}$ ,与细分辨率残差项 $r (x_{i}, y_{j})$ 采用相邻像元与空间距离进行加权,最终得到 $t_{2}$ 时刻细分辨率影像 $F_{t_{2}}^{p r e}$ 。

2.5 STNLFFM算法

STNLFFM时空融合算法^[8]既可以根据1对 $t_{1}$ 时刻粗、细分辨率影像,也可以应用 $t_{1}$ 和 $t_{3}$ 这2对粗细分辨率影像,来预测 $t_{2}$ 时刻的细分辨率影像。不同于STARFM和ESTARFM算法的是,Cheng等^[8]充分利用了时空非局部相似性信息,结合局部相似像元一起产生预测日期的未知像元。比如同一条河流不仅在邻域范围上有相似像元,在其他位置上的像元仍然具有相似性。因此,该算法在线性关系的基础上增加了新的权重计算函数,从而最终得到预测影像 $F (x_{i}, y_{j}, t_{p})$ ,计算公式为:

(4)

F (x_{i}, y_{j}, t_{p}) = \overset{K}{\sum_{k = 1}} \overset{N}{\sum_{n = 1}} W_{s} (x_{i}, y_{j}, t_{k}) W_{f} [a (x_{i}, y_{j}, Δ t_{k}) F (x_{i}, y_{j}, t_{k}) + b (x_{i}, y_{j}, Δ t_{k})]

式中: $K$ 为输入的粗细分辨率影像对数; $a (x_{i}, y_{j}, Δ t_{k})$ 和 $b (x_{i}, y_{j}, Δ t_{k})$ 分别为第 $k$ 对粗分辨率影像在局部窗口内求得的线性回归模型系数; $W_{s} (x_{i}, y_{j}, t_{k})$ 为已知时刻各相似像元对中心像元的个体权重; $W_{f}$ 为各输入影像对预测结果的综合占比权重。

3 实验方案

3.1 实验方案设计

本研究针对鄱阳湖湿地平枯水期时间及地物变化特征设计了2类融合预测实验: 用1月份影像预测12月份影像,记作实验01to12,主要分析冬季枯水期NDVI影像的预测情况。输入的影像为1对,采用STARFM,Fit-FC,FSDAF和STNLFFM这4种算法; 用1月份和4月份影像分别预测3月份影像,分别记作实验01to03和实验04to03。前者主要分析枯水期至平水期之间水体面积逐渐上涨时NDVI影像的融合预测情况,后者主要分析春季平水期NDVI影像的融合预测情况。采用STARFM,ESTARFM,Fit-FC,FSDAF和STNLFFM这5种算法。其中,将输入2对粗细分辨率影像(1月和4月)的STNLFFM算法记作STNLFFM²,同其他算法一起比较。

实验方案如图2所示(图中为Sinusoidal投影显示),“MODIS_1206_NDVI”表示输入的是研究区12月06日MODIS的NDVI影像,以下同理。

图2

图2 影像融合实验方案

Fig.2 Experiment scheme of image fusion

另外,本研究为了探究窗口大小对算法的影响,在实验前期记录了不同窗口大小对NDVI影像进行融合的结果。窗口大小从15~50像元,每间隔5个像元大小,选取各算法最优窗口的融合结果进行比较。STNLFFM算法设计的窗口大小为奇数,范围从15~51像元。研究中NDVI影像的预测采取先计算后融合的顺序。

3.2 时空信息融合算法精度评价指标

为了衡量遥感影像的融合质量,时空信息融合算法发展出了许多的精度评价指标,其中包括使用最为广泛的均方根误差(root mean square error,RMSE)、绝对平均差(average absolute difference,AAD)等。Zhu等^[23]为了减少多个指标间信息冗余的问题,提出了一种新的评价指标: 在光谱的维度上适宜采用平均差(average difference,AD)和RMSE的组合进行评价; 在空间维度上适宜采用Robert’s Edge(记作Edge)和局部二进制模式(local binary pattern,LBP)的组合进行评价,后两者反映了融合图像在边缘信息和纹理信息的精度。计算方式见表2。RMSE指标的取值范围为[0,1],值越小代表融合影像的光谱信息误差越小。AD,Edge和LBP指标的取值范围均为[-1,1],绝对值越小越好,负值或正值分别表示对光谱信息的低估或高估和边缘信息、纹理特征的平滑或锐化。评价指标公式如下:

(5)

R M S E = \sqrt[]{\frac{\overset{S}{\sum_{i = 1}} (P_{i} - R_{i})^{2}}{S}}

(6)

A D = \frac{1}{S} \overset{S}{\sum_{i = 1}} (P_{i} - R_{i})

(7)

E d g e = |D_{i, j} - D_{i + 1, j + 1}| + |D_{i, j + 1} - D_{i + 1, j}|

(8)

L B P = d e c i m a l (d_{1}, d_{2}, \dots, d_{8})

(9)

d_{i} = \{\begin{array}{l} 1 & D_{i} > D_{c} \\ 0 & 其 他 \end{array}

表2 实验01to12 NDVI影像融合结果精度

Tab.2 Accuracy of NDVI image fusion results in experiment 01to12

算法	最优窗口	AD	RMSE	Edge	LBP	总体误差
STARFM	50	0.011 4	0.136 6	-0.289 6	-0.077 1	0.514 7
FSDAF	15	0.022 1	0.149 7	-0.241 8	0.019 9	0.433 5
Fit-FC	50	0.017 7	0.149 5	-0.279 6	0.055 1	0.501 9
STNLFFM	51	0.017 1	0.141 0	-0.275 3	-0.050 3	0.483 7

式中: S为影像像元的总个数; $P_{i}$ 为融合影像中像元 $i$ 的反射率值; $R_{i}$ 为参考影像中像元 $i$ 的反射率值; $D_{i, j}$ 为第 $i$ 行、第 $j$ 列像元的反射率值; $d e c i m a l$ 为将二进制数字转换为十进制数; $D_{i}$ 为在3×3大小的移动窗口里中心像元周围8个像元的反射率值; $D_{c}$ 为移动窗口中心像元的反射率值。

4 结果与分析

4.1 冬季枯水期影像预测结果

在实验01to12中,从指标结果(表2)来看,STARFM,FSDAF,Fit-FC和STNLFFM这4种算法的最优窗口大小分别为50,15,50和51。在总体误差(AD,RMSE,Edge和LBP 4个指标的绝对值之和)水平上,FSDAF算法的预测效果最优,为0.433 5。所有算法的AD指标均被高估,Edge边界信息指标均被平滑; 在LBP指标上,STARFM和STNLFFM算法的纹理信息被平滑,FSDAF和Fit-FC算法的纹理信息被锐化。STARFM算法的AD和RMSE指标最优,在光谱维度上预测效果较好; FSDAF算法的Edge和LBP指标最优,在空间维度上的预测效果较好,该算法的这种特性主要是由于TPS的贡献。从预测影像(图3)上看,Fit-FC算法有少量空值出现(在影像边缘区域); FSDAF算法预测影像的水体边界像元较为模糊; STNLFFM预测的影像存在像元边界明显的情况(在黑色椭圆区域)。

图3

图3 实验01to12 NDVI影像融合结果

Fig.3 NDVI image fusion results of experiment 01to12

4.2 枯水期影像预测平水期结果

在实验01to03中,从指标结果(表3)来看,STARFM,FSDAF,Fit-FC,STNLFFM,ESTARFM和STNLFFM²这6种算法的最优窗口大小分别为15,20,50,51,50和51。在仅有一对粗细分析率影像输入的前4种算法当中,FSDAF算法的总体误差最小,为0.506 1,其Edge和LBP指标也最优。在2对粗细分辨率影像输入的ESTARFM和STNLFFM²算法中,ESTARFM算法总体误差最优,为0.467 0,但纹理信息丢失严重; STNLFFM²算法在AD,RMSE和LBP纹理等指标上达到最优,但边缘信息丢失严重。从预测影像(图4)上来看,STARFM,FSDAF和STNLFFM算法的预测结果在左上黄色椭圆区域与真实影像的差距比较明显; STNLFFM算法在小部分区域的像元边界问题仍然存在。另外,在红色矩形区域,STNLFFM²算法非水体像元信息丢失严重。

表3 实验01to03 NDVI影像融合结果精度

Tab.3 Accuracy of NDVI image fusion results in experiment 01to03

算法	最优窗口	AD	RMSE	Edge	LBP	总体误差
STARFM	15	0.034 8	0.173 9	-0.359 5	-0.048 1	0.616 3
FSDAF	20	0.043 8	0.191 0	-0.233 6	0.037 7	0.506 1
Fit-FC	50	0.038 7	0.199 5	-0.302 6	0.058 8	0.599 6
STNLFFM	51	0.035 2	0.185 6	-0.294 5	-0.042 4	0.557 7
ESTARFM	50	-0.014 9	0.175 2	-0.214 4	0.062 5	0.467 0
STNLFFM²	51	-0.005 0	0.163 7	-0.291 9	0.009 2	0.469 8

图4

图4 实验01to03 NDVI影像融合结果

Fig.4 NDVI image fusion results of experiment 01to03

4.3 春季平水期影像预测结果

在实验04to03中,从指标结果(表4)来看,STARFM,FSDAF,Fit-FC,STNLFFM,ESTARFM和STNLFFM²这6种算法的最优窗口大小分别为15,30,50,15,50和51,其中Fit-FC,ESTARFM和STNLFFM²算法的最优窗口大小始终保持稳定。在前4种算法中,STNLFFM算法的总体误差最优,为0.514 7,并且在LBP纹理特征指标上相较于STARFM,FSDAF和Fit-FC算法有较大提升。从预测影像(图5)上看,在黄色椭圆区域,大部分算法的影像质量相较于实验01to03都有了很大的提升,但Fit-FC算法预测的影像效果较差,整张影像出现大量空白像元; FSDAF算法和STNLFFM算法在白色椭圆区域的融合质量与真实影像相差较大。对于拥有2对粗细分辨率影像输入的ESTARFM和STNLFFM²算法来说,融合预测效果仍优于前4种算法。

表4 实验04to03 NDVI影像融合结果精度

Tab.4 Accuracy of NDVI image fusion results in experiment 04to03

算法	最优窗口	AD	RMSE	Edge	LBP	总体误差
STARFM	15	-0.041 2	0.196 3	-0.326 7	-0.037 2	0.601 4
FSDAF	30	-0.045 9	0.211 3	-0.253 1	0.046 2	0.556 5
Fit-FC	50	0.002 0	0.234 4	-0.311 0	0.037 7	0.585 1
STNLFFM	15	-0.040 4	0.212 5	-0.251 2	-0.010 6	0.514 7
ESTARFM	50	-0.014 9	0.175 2	-0.214 4	0.062 5	0.467 0
STNLFFM²	51	-0.005 0	0.163 7	-0.291 9	0.009 2	0.469 8

图5

图5 实验04to03 NDVI影像融合结果

Fig.5 NDVI image fusion results of experiment 04to03

5 不同算法在湿地地区适用性讨论

在本实验涉及的5种算法中,部分算法在不同时期的最适窗口大小会有变化,改变移动窗口大小对融合影像空间Edge边界和LBP纹理信息有一定的影响。Hu等^[24]认为STARFM,ESTARFM和FSDAF等算法调整窗口参数,在农田、森林和草地等地区对NDVI影像融合结果的影响可以忽略不计。但在湿地地区进行窗口大小参数实验时,指标数值的上下波动大约在0.01~0.03之间,需要进一步观察。相关研究表明,不同时空信息融合算法因计算原理的不同,表现出的差异多集中在预测影像的空间方差上^{[25⇓⇓-28]},这与本文的Edge边缘信息指标和LBP纹理信息指标相对应。土地覆盖类型的变化会改变影像方差,而在研究区域内,湿地地物类型的变化主要受水体面积的影响。

所以,推测时空融合算法的差异可能与水体和非水体的面积占比有直接关系,对水体和非水体区域的融合存在最优算法。由此,本文将湿地地区分为非水体部分与水体部分,对各算法的融合精度进行比较。实验中将细分辨率Landsat参考影像通过归一化水体指数(normalized difference water index,NDWI)阈值法进行水体区域和非水体区域的划分。

实验结果(表5)显示,在仅有一对粗细分辨率影像输入的情况下,FSDAF算法在非水体区域的预测效果最好,窗口大小稳定在20像元; STNLFFM算法在水体区域的预测效果最好,窗口大小稳定在51像元。在需要2对粗细分辨率影像输入的算法中,ESTARFM和STNLFFM²算法在水体和非水体区域都优于前4种算法。但是,ESTARFM算法在非水体区域的预测效果最好,STNLFFM²算法在水体区域的融合效果最好,总误差STNLFFM²算法预测效果占优。

表5 水体和非水体区域NDVI影像融合结果精度

Tab.5 Accuracy of NDVI image fusion in water and non-water areas

算法_窗口	区域	AD	RMSE	Edge	LBP	总体误差
STARFM_15	水体	0.031 0	0.136 9	-0.110 1	-0.003 3	0.281 3
STARFM_15	非水体	0.003 8	0.107 3	-0.061 6	-0.043 0	0.215 7
FSDAF_20	水体	0.033 3	0.137 4	-0.072 0	0.041 6	0.284 3
FSDAF_20	非水体	0.010 5	0.132 6	-0.031 2	-0.001 5	0.175 9
Fit-FC_50	水体	0.039 1	0.160 0	-0.056 5	0.055 9	0.311 5
Fit-FC_50	非水体	-0.000 4	0.119 2	-0.060 9	0.009 9	0.190 5
STNLFFM_51	水体	0.034 9	0.146 9	-0.082 3	-0.016 0	0.280 2
STNLFFM_51	非水体	0.000 3	0.113 4	-0.050 8	-0.024 8	0.189 4
ESTARFM_50	水体	-0.012 2	0.138 7	-0.042 9	0.048 8	0.242 5
ESTARFM_50	非水体	-0.002 7	0.107 0	-0.045 7	0.015 0	0.170 4
STNLFFM²_51	水体	0.000 5	0.131 0	-0.067 3	0.018 9	0.217 7
STNLFFM²_51	非水体	-0.005 4	0.098 1	-0.060 3	-0.008 7	0.172 5

结合前文和表5结果可以看到,原本在总误差上融合效果最好ESTARFM算法,其单独在水体区域的总体误差反而要高于STNLFFM²算法,这表明其融合结果在一定程度上受到了水体区域的影响。在水体面积增加的过程中,水体区域会存在许多时空非局部相似信息,STNLFFM算法在计算原理上充分利用了这些信息,所以其在水体区域的融合更具优势。当输入2对粗细分辨率影像时,STNLFFM²算法在水体区域的融合优势进一步提升。

6 结论

本文比较了5种时空信息融合算法,STARFM,FSDAF,Fit-FC,STNLFFM和ESTARFM,利用鄱阳湖湿地部分研究样区的MODIS和Landsat数据集,开展湿地枯水期、平水期融合实验,采用新型评价方法,从光谱信息和空间信息2个维度进行精度评价。最终得到以下结论:

1)在湿地地区的NDVI影像预测精度上,ESTARFM算法最优,总体误差为0.467 0。FSDAF和STNLFFM算法在不同时期的影像上精度不一,在枯水期陆地面积占优时,FSDAF算法预测效果最好,总体误差为0.433 5; 在平水期水体面积增大时,STNLFFM算法预测效果最好,总体误差为0.514 7。Fit-FC和STARFM算法的影像预测精度较差。

2)不同时空信息融合算法在湿地地区不同时期的信息保留特性不同。当湿地位于枯水期土地覆盖类型未发生较大改变时,STARFM算法光谱信息保留能力较强,FSDAF算法空间信息保留能力较强。当湿地位于平水期土地覆盖类型发生巨大改变时,ESTARFM算法和STNLFFM²算法的信息保留能力较为均衡。

3)湿地地区水体面积的变化是影响时空信息融合算法有效性的重要因素,不同时空信息融合算法在湿地地区水体和非水体之间的融合优势有所不同。无论是在枯水期还是平水期,STNLFFM算法在水体区域的融合能力最强。

4)不同时空信息融合算法在湿地地区不同时期的选择上有差异。当输入1对影像时,对于陆地面积占优、异质性较强的区域或时期,推荐选择FSDAF算法,窗口大小为20像元; 而对于水体面积占优、同质像元较多的区域或时期,推荐选择STNLFFM算法,窗口大小为51像元。当输入2对影像时,优先选择双时相的融合算法。对陆地面积占比较大或者水陆交界复杂的区域或时期,推荐选择ESTARFM算法,窗口大小为50像元; 对水体面积覆盖较大的区域或时期,推荐选择STNLFFM²算法,窗口大小为51像元。另外,如果考虑算法运行时间,STNLFFM算法更具优势。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

张立福, 彭明媛, 孙雪剑,

等.

遥感数据融合研究进展与文献定量分析(1992—2018)

[J]. 遥感学报, 2019, 23(4):603-619.

Zhang

L F

, Peng

M Y

, Sun

X J

et al.

Progress and bibliometric analysis of remote sensing data fusion method(1992—2018)

[J]. Journal of Remote Sensing, 2019, 23(4):603-619.

[2]

Nunez

, Otazu

, Fors

et al.

Multiresolution-based image fusion with additive wavelet decomposition

[J]. IEEE Transactions on Geoscience and Remote Sensing, 1999, 37(3):1204-1211.

[3]

Acerbi-Junior

F W

, Clevers

J G P W

, Schaepman

M E

The assessment of multi-sensor image fusion using wavelet transforms for mapping the Brazilian Savanna

[J]. International Journal of Applied Earth Observation and Geoinformation, 2006, 8(4):278-288.

[4]

Gao

, Masek

, Schwaller

et al.

On the blending of the Landsat and MODIS surface reflectance:Predicting daily Landsat surface reflectance

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(8):2207-2218.

[5]

Zhu

X L

, Chen

, Gao

et al.

An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions

[J]. Remote Sensing of Environment, 2010, 114(11):2610-2623.

[6]

Zhu

, Helmer

E H

, Gao

et al.

A flexible spatiotemporal method for fusing satellite images with different resolutions

[J]. Remote Sensing of Environment, 2016, 172:165-177.

[7]

Wang

Q M

, Atkinson

P M

Spatio-temporal fusion for daily Sentinel-2 images

[J]. Remote Sensing of Environment, 2018, 204:31-42.

[8]

Cheng

, Liu

, Shen

et al.

A spatial and temporal nonlocal filter-based data fusion method

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(8):4476-4488.

[本文引用: 3]

[9]

Walker

J J

, de Beurs

K M

, Wynne

R H

et al.

Evaluation of Landsat and MODIS data fusion products for analysis of dryland forest phenology

[J]. Remote Sensing of Environment, 2012, 117:381-393.

[10]

赵艳丽.

时空融合技术在高时空分辨率NDVI数据重构中的应用[D]. 太原: 太原理工大学, 2015.

Zhao

Y L

Reconstruction of NDVI data with high-spatial and cemporal Vesolution using spatio-temporal fusion technique[D]. Taiyuan: Taiyuan University of Technology, 2015.

[11]

张伟, 李玮, 陶冠宏,

等.

利用STARFM模型提高复杂地表下复种指数遥感提取精度

[J]. 农业工程学报, 2020, 36(21):175-185.

Zhang

, Li

, Tao

G H

et al.

Improvement of extraction accuracy for cropping intensity in complex surface regions using STARFM

[J]. Journal of Agricultural Engineering, 2020, 36(21):175-185.

[12]

管琪卉, 丁明军, 张华,

等.

ESTARFM算法在长江中下游平原地区的适用性研究

[J]. 地球信息科学学报, 2021, 23(6):1118-1130.

DOI:10.12082/dqxxkx.2021.200404 [本文引用: 1]

时空融合技术是目前解决单一遥感数据源难以同步获取高时空分辨率数据的有效途径。然而,如何设置参数使模型融合效果最佳,如何设置在植被监测中广泛应用的植被指数的融合步骤,进而获得最佳的植被指数时序数据,目前仍不明晰。本文以长江中下游平原地区的典型县域—南昌县为例,基于Landsat和MODIS多时相数据对当前主流时空融合模型—ESTARFM （Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model）进行参数敏感性分析,并系统地对比分析了2组融合实验RI（先融合波段反射率后计算植被指数）和IR（先计算植被指数后直接融合）的融合效果。结果表明： ① ESTARFM算法中参数的敏感性在波段反射率、植被指数融合中表现出相似的特征,随着滑动窗口与相似像元数量的增大,融合误差整体呈现出先减小后趋于稳定或增大的趋势;在ESTARFM算法应用中,存在着最佳参数设置范围;② 相较于RI组,IR组模拟结果精度更高（R2RI-NDVI=0.866,R2IR-NDVI=0.953,R2RI-EVI =0.814,R2IR-EVI =0.930）,且能够较好地削弱“斑块”现象,更好地表征出细小地物和纹理特征。研究结果为遥感数据时空融合模型在地块破碎、种植制度多变的复杂环境中的应用提供借鉴和参考。

Guan

Q H

, Ding

M J

, Zhang

et al.

Analysis of applicability about ESTARFM in the middle-lower Yangtze Plain

[J]. Journal of Geo-Information Science, 2021, 23(6):1118-1130.

DOI:10.3724/SP.J.1047.2016.00833 [本文引用: 1]

[13]

郝贵斌, 吴波, 张立福,

等.

ESTARFM模型在西藏色林错湖面积时空变化中的应用分析(1976—2014年)

[J]. 地球信息科学学报, 2016, 18(6):833-846.

湖泊（特别是内陆湖）作为全球气候变化的敏感区域,是气候变化与环境变异的指示器,其面积变化在一定程度上可反映区域的气候变化。因此,精确监测湖泊面积的时空变化,对分析区域生态环境变化具有重要的意义。本文基于ESTARFM时空数据融合模型,利用MODIS数据模拟了2000年后无法得到的Landsat数据;利用NDWI和MNDWI 2种水体指数并辅以DEM数据分析了1976-2014年西藏色林错湖湖面面积的时空变化;综合湖区周围6个气象站点的气象数据(1970-2014年),探究了湖面面积变化的原因及其对气候变化的响应。结果表明：(1)利用ESTARFM时空融合模型得到的Landsat-Like数据与真实的Landsat数据在水体信息提取方面具有较高的相关性,R2可达0.93,时空数据融合的结果可用于湖泊水体的信息提取;(2)近40年来（1976-2014年）,色林错湖处于持续扩张状态,面积呈较显著的增长趋势,增加了近711.652 km2,增幅为42.36%,年平均增长速率约为18.728 km2a-1,增长最快时可达55.954 km2a-1;湖面面积变化先后经历了平稳变化-迅速变化-平稳变化3个阶段;北部湖区在40年间变化最为明显,向北扩展了约22.812 km;2003-2005年,南部湖区已与雅根错湖连为一体,随后二者共同扩张;(3)气温的持续升高造成的冰雪融水补给增加可能是导致湖泊面积扩张的主要因素,风速的降低为次要因素,湖面的面积变化与降水量、日照时数的变化相关性不明显。

Hao

G B

, Wu

, Zhang

L F

et al.

Temporal and spatial variation analysis of the area of Siling Co Lake in Tibet based on ESTARFM(1976-2014)

[J]. Journal of Geo-Information Science, 2016, 18(6):833-846.

[14]

程筱茜, 洪友堂, 陈劲松,

等.

基于ESTARFM的内陆湖泊水体遥感动态变化监测

[J]. 国土资源遥感, 2020, 32(3):183-190.doi:10.6046/gtzyyg.2020.03.24.

Cheng

X Q

, Hong

Y T

, Chen

J S

et al.

A study of the long-term remote sensing dynamic monitoring of inland based on ESTARFM

[J]. Remote Sensing for Land and Resources, 2020, 32(3):183-190.doi:10.6046/gtzyyg.2020.03.24.

[15]

Zhai

, Huang

, Qi

Generating high resolution LAI based on a modified FSDAF model

[J]. Remote Sensing, 2020, 12(1):150.

[16]

Guo

D Z

, Shi

W Z

, Hao

et al.

FSDAF 2.0:Improving the performance of retrieving land cover changes and preserving spatial details

[J]. Remote Sensing of Environment, 2020, 248:111973.

[17]

X D

, Foody

G M

, Boyd

D S

et al.

SFSDAF:An enhanced FSDAF that incorporates sub-pixel class fraction change information for spatio-temporal image fusion

[J]. Remote Sensing of Environment, 2020, 237:111537.

[18]

Chen

, Huang

, Xu

Comparison of spatiotemporal fusion models:A review

[J]. Remote Sensing, 2015, 7(2):1798-1835.

[19]

谢诗怡, 况润元, 宋子豪.

鄱阳湖水域面积变化特征及对气象因素的响应

[J]. 中国农村水利水电, 2022(7):103-109.

鄱阳湖是中国最大的淡水湖，是世界上重要的湿地，近年来旱涝灾害频发，引起了广泛关注。鉴于其高频波动的特征，有必要使用长期的高时间分辨率卫星对其进行监测。从2001-2020年MODIS数据中提取鄱阳湖水域面积分析其变化特征，并利用Mann-Kendall突变检验和小波分析法研究鄱阳湖水域面积对气象因素的响应情况。结果表明：①鄱阳湖季节性变化显著，2003年后枯水期持续时间有一定程度延长，研究期内最小水域和最大水域的年际变化趋势呈弱相反；②水域面积在2004年发生突变后呈下降，面积时间序列在主周期18个月（约1.5 a）上变化具有全域性，正负交替规律较强；③鄱阳湖水域面积变化对气象因素存在响应，不同水情下气象作用有差异，降雨量是影响水域面积的主导因素。

Xie

S Y

, Kuang

R Y

, Song

Z H

Variation characteristics of water area Poyang Lake and its response to meteorological factors

[J]. China Rural Water and Hydropower, 2022(7):103-109.

[20]

姚杰鹏, 杨磊库, 陈探,

等.

基于Sentinel-1,2和Landsat8时序影像的鄱阳湖湿地连续变化监测研究

[J]. 遥感技术与应用, 2021, 36(4):760-776.

Yao

J P

, Yang

L K

, Chen

et al.

Consecutive monitoring of the Poyang Lake wetland by integrating Sentinel-2 with sentinel-1 and Landsat8 data

[J]. Remote Sensing Technology and Application, 2021, 36(4):760-776.

[21]

许军, 王召滢, 唐山,

等.

鄱阳湖湿地植物多样性资源调查与分析

[J]. 西北林学院学报, 2013, 28(3):93-97.

, Wang

Z Y

, Tang

et al.

Investigation and analysis of the resources of wetland plant diversity in Poyang lake

[J]. Journal of Northwest Forestry University, 2013, 28(3):93-97.

[22]

沈陆平, 方朝阳, 肖昕,

等.

2021—2022年鄱阳湖10种珍稀候鸟定点观测数据集

[J]. 中国科学数据(中英文网络版), 2022, 7(3):324-333.

Shen

L P

, Fang

C Y

, Xiao

et al.

A dataset of fixed-point observations of 10 rare migratory birds in Poyang Lake from 2021 to 2022

[J]. China Scientific Data Chinese and English online version), 2022, 7(3):324-333.

[23]

Zhu

X L

, Zhan

W F

, Zhou

J X

et al.

A novel framework to assess all-round performances of spatiotemporal fusion models

[J]. Remote Sensing of Environment, 2022, 274:113002.

[24]

, Wang

, Niu

et al.

Comparative analysis and comprehensive trade-off of four spatiotemporal fusion models for NDVI generation

[J]. Remote Sensing, 2022, 14(23):5996.

[25]

Emelyanova

I V

, McVicar

T R

, Van

Niel T G

et al.

Assessing the accuracy of blending Landsat-MODIS surface reflectances in two landscapes with contrasting spatial and temporal dynamics:A framework for algorithm selection

[J]. Remote Sensing of Environment, 2013, 133:193-209.

[26]

Zhou

J X

, Chen

X H

et al.

Sensitivity of six typical spatiotemporal fusion methods to different influential factors:A comparative study for a normalized difference vegetation index time series reconstruction

[J]. Remote Sensing of Environment, 2021, 252:112130.

[27]

石晨烈, 王旭红, 张萌,

等.

3种时空融合算法在洪水监测中的适用性研究

[J]. 国土资源遥感, 2020, 32(2):111-119.doi:10.6046/gtzyyg.2020.02.15.

Shi

C L

, Wang

X H

, Zhang

et al.

Analysis of the applicability of three remote sensing spatiotemporal fusion algorithms in flood monitoring

[J]. Remote Sensing for Land and Resources, 2020, 32(2):111-119.doi:10.6046/gtzyyg.2020.02.15.

[28]

雷晨阳, 孟祥超, 邵枫.

遥感影像时—空融合的“点”—“线”—“面”质量评价

[J]. 遥感学报, 2021, 25(3):791-802.

Lei

C Y

, Meng

X C

, Shao

Spatio-temporal fusion quality evaluation based on “Point”-“Line”-“Plane” aspects

[J]. National Remote Sensing Bulletin, 2021, 25(3):791-802.