公开/公告号CN102314677A
专利类型发明专利
公开/公告日2012-01-11
原文格式PDF
申请/专利权人 中国科学院地理科学与资源研究所;
申请/专利号CN201010218927.4
申请日2010-07-07
分类号G06T5/50(20060101);G06T5/00(20060101);
代理机构
代理人
地址 100101 北京市大屯路甲11号
入库时间 2023-12-18 04:04:27
法律状态公告日
法律状态信息
法律状态
2015-09-02
未缴年费专利权终止 IPC(主分类):G06T5/50 授权公告日:20140326 终止日期:20140707 申请日:20100707
专利权的终止
2014-03-26
授权
授权
2012-03-07
实质审查的生效 IPC(主分类):G06T5/50 申请日:20100707
实质审查的生效
2012-01-11
公开
公开
技术领域
本发明属于遥感数字图像处理及定量数据融合领域。本发明是实现一种基于分类的高时间分辨率与高 空间分辨率遥感数据定量融合的方法，特别是一种利用高时间分辨率数据建立地表参数时间演变的函数曲 线，利用高空间分辨率数据约束参数的空间分布特征，从而获得高时间分辨率和高空间分辨率的地表参数 的方法。本发明可用于作物生长监测等领域，也可用于多种类型数据融合填补历史数据的缺失。
背景技术
现代遥感技术的发展，使人类能够从不同遥感平台获得特性不同的遥感数据。但由于传感器设计、数 据传输及成本等方面的限制，单一传感器遥感数据只能在空间分辨率和时间分辨率等方面有所侧重，针对 应用目的强化某一方面的功能。例如，高空间分辨率的数据可获取更多空间分布的变异信息而高时间分辨 率数据可更好的捕捉地表的变化状况。对这些多源遥感数据进行融合处理，将它们所含的信息互补地有机 结合起来，以提高数据时空分辨率，更好地消除云等对遥感应用的干扰，快速检测季节间的植被扰动，已 成为遥感数据处理的迫切需求。
目前，基于视觉效果的遥感图像融合已经得到大量研究和应用，将不同光谱、时间和空间分辨率数据 的优点或互补性有机地结合起来产生新的数据，从而尽可能多的提取包含在遥感数据中的各种信息，克服 遥感数据信息提取中单一信息源不足的问题，达到1+1＞2的目的。当前遥感数据的融合多集中在以视觉效 果为目的的图像融合上，其应用目的包括锐化图像、改善几何定位精度、提供立体视像、增强单个数据中 不可见的特征、作为分类的辅助数据、替代缺失数据等。基于视觉效果的数据融合方法不能用于定量遥感 参数的融合，无法用于植被扰动等定量分析要求。
在利用高时间分辨率数据与高空间分辨率数据进行定量融合方面，目前也已经有部分成果。主要包括 两大类：一类利用像元分解的方法，利用高分辨率像元与低分辨率像元的比例关系从低分辨率像元推算得 到高分辨参数的分布。如高(Gao)等(2006)利用像元统计方法融合陆地卫星(Landsat TM)和中分辨率卫星 (MODIS)数据获得高时空分辨率的地表反射率数据，此方法假设像元的组成比例是不变的。米拉 (Zurita-Milla)等(2009)及布塞托(Busetto)等(2008)用多光谱波段的像元分解方法，从高分辨率数据中得到纯 像元，然后对地空间分辨率进行像元分解，从中得到高空间分辨率的像元信息。另一类是利用参数的比例 变化假设关系，假设低空间分辨率像元内部各分量参数的变化比例是相同的，从而可以利用高分辨率数据 的比例关系从低分辨率数据估算得到高分辨率的参数分布。如罗伊(Roy)等(2008)利用中分辨率卫星 (MODIS)的二向性函数(BRDF)参数通过这种比例关系与陆地卫星(Landsat TM)数据融合，得到时间分辨率 更高的数据。
上述定量遥感参数融合的不足之处可归纳为：(1)基于像元分解的组成比例在一定时间范围内不变的 假设很难成立，因为不同类型的地物随着时间演变的曲线是不同的；(2)低空间分辨率数据与高空间分辨 率数据比例相同的假设也一样没考虑像元内部变化的不一致性；(3)把低空间分辨率高时间分辨率的数据 都假设为质量完整的数据，很少有实际数据满足这种情况，很难用于运行系统中。
参考文献
[1].David P.Roy，Junchang Ju，Philip Lewis，Crystal Schaaf，Feng Gao，Matt Hansen，Erik Lindquist(2008)， Multi-temporal MODIS-Landsat data fusion for relative radiometric normalization，gap filling，and prediction of Landsat data，Remote Sensing of Environment，112：3112-3130.
[2].R.Zurita-Milla，G.Kaiser，J.G.P.W.Clevers，W.Schneider，M.E.Schaepman(2009)，Downscaling time series of MERIS full resolution data to monitor vegetation seasonal dynamics，Remote Sensing of Envrionment， doi：10.1016/j.rse.2009.04.011.
[3].Feng Gao，Jeff Masek，Matt Schwaller，and Forrest Hall(2006)，On the Blending of the Landsat and MODIS Surface Reflectance：Predicting Daily Landsat Surface Reflectance，IEEE Transactions on Geoscience and Remote Sensing，44(8)：2207-2218.
[4].Lorenzo Busetto，Michele Meroni，Roberto Colombo(2008)，Combining medium and coarse spatial resolution satellite data to improve the estimation of sub-pixel NDVI time series，Remote Sensing of Environment，112：118-131.
发明内容
本发明针对现有技术中存在的缺陷，提供一种基于分类的高时间分辨率与高空间分辨率遥感数据定量 融合的方法，特别是一种利用历史背景的高空间分辨率数据建立以类型为特征的参数时间演变曲线，将当 年积累的高时间分辨率数据与历史类型变化的参数时间演变函数拟合，获得参数当年时间演变曲线；利用 高空间分辨率数据约束参数的空间分布特征，从而获得高时间分辨率和高空间分辨率的地表参数的方法。 本方法以分类建立背景参数时间演变曲线，无需背景参数完整，并能根据当年数据的不断积累动态修正时 间演变曲线，用于约束高空间分辨率数据的时间演化预测，是一种快速、简单、普适的将高时间分辨率和 高空间分辨率数据融合获得高时空分辨率参数的方法。
本发明的技术方案如下：
一种基于分类的高时间分辨率与高空间分辨率遥感数据定量融合的方法，其特征在于包含如下步骤： (1)历史背景高时间分辨率数据处理生成尽可能无云无噪声的、表现像元参数的背景参数集；(2)高时间分 辨率背景数据的聚类；(3)建立每类型参数的年度时间演化背景序列曲线函数；(4)根据当年积累数据动态 调整每类时间演化序列曲线函数；(5)高空间数据预处理成一致空间坐标的反射率数据；(6)从高时间分辨 率数据类型中找到与高空间分辨率数据像元最佳匹配的类型；(7)由匹配类型的时间演变曲线推测像元的任 意时间的值，从而得到高时空分辨率的参数。
所述高时间分辨率背景数据生成处理的方法：将历史不同年份相同时间同一位置的所有非雪晴空参数 和反射率数据的平均值作为该时间的背景值，如果所有值为云则标志为云，所有值为雪则标志为雪；
所述高时间分辨率数据聚类的方法：将年度时间与高空间分辨率数据时间相接近的高时间分辨率反射 率数据，采用基于质心的聚类方法，将与高空间覆盖范围内的高时间分辨率数据聚合成15-20类；
所述建立类型年度时间演化背景序列曲线函数的方法：将每个时间内的高时间分辨率相同类型的所有 参数值平均，得到该时间点的类型背景参数值，将一定时间范围的值带入下列方程模拟得到a，b，c，d系数：
其中，y(t)表示时间点某类的平均值，t表示时间，c表示参数在该时间段的最小值，d表示参数在该时间 段内的最大值，a，b为曲线调节系数；
所述调整当年时间序列演化曲线的方法：根据方程(1)，固定该类型的c和d，调整a和b，使y(t)与当 年积累的时间序列参数的方差最小；
所述高空间分辨率数据预处理的方法：将高空间分辨率数据转换为与高时间分辨率数据规格一致的数 据，包括通过坐标变换转换为一致的投影坐标、将图像计数值或辐射值转换为地表反射率和融合参数、标 识、噪音和晴空像元状态信息；
所述高空间数据类型最佳匹配的途径：将高空间分辨率的每个像元与聚类得到的每类地物的光谱空间 进行比较，距离误差最小的即标识为该类地物；
所述由高分辨率曲线推测像元参数的途径：得到当年序列曲线确定a、b、c和d后，根据方程(1)，计 算得高空间分辨率数据时间t0的值y(t0)以及需要时间t的值y(t)，高空间分辨率数据的参数测量值为y’(t0)， 则推测的时间t的像元值由y’(t)＝y’(t0)×y(t)/y(t0)计算获得。
本发明的技术效果如下：
本发明利用聚类从高时间分辨率数据的背景数据中得到每种地物类型的背景参数时间演变曲线，再根 据当年积累的高时间分辨率的数据校正地类的参数时间演变曲线得到当年的参数时间演变曲线，然后通过 地物类型的平均反射率光谱与高空间分辨率数据像元匹配，得到高空间分辨率数据的每个像元的最佳匹配 地物类型，然后利用该类型当年的参数演变曲线，计算高空间分辨率数据获取时间的预测值、所求时间的 预测值，由高空间数据参数的测量值估算得到所求时间高空间分辨率的参数值。
本发明包括高时间分辨率背景数据处理、高时间分辨率背景数据的聚类、每类型参数的年度时间演化 背景序列曲线函数建立、当年时间演化序列曲线函数动态调整、高空间分辨率数据的预处理、高空间分辨 率数据类型匹配、高空间分辨率像元任意时刻参数推算七部分。高时间分辨率背景数据处理将历史背景高 时间分辨率数据处理生成尽可能无云无噪声的、表现像元参数的背景参数集；高时间分辨率背景数据的聚 类将高时间分辨率聚类为15-20个类型；每类型参数的年度时间演化背景序列曲线函数建立构造时间演变 的背景函数；当年时间演化序列曲线函数动态调整根据当年积累数据动态调整每类时间演化序列曲线函 数；高空间分辨率数据的预处理将高空间数据预处理成一致空间坐标的反射率数据；高空间分辨率数据类 型匹配从高时间分辨率数据类型中找到与高空间分辨率数据像元最佳匹配的类型；高空间分辨率像元任意 时刻参数估算由匹配类型的时间演变曲线推测像元的任意时间的值，从而得到高时空分辨率的参数。
本发明与现在技术相比有如下特点：
(1)由于采用了背景参数的聚类，参与融合的两类数据都不要求具有完整性，在融合前不需要预先插 值消除噪音处理；
(2)由于采用了当年累积数据的动态调整，随着高时间分辨率数据的增多，时间演变函数会逐渐优化 逼近，但在数据稀少时也可较好描述参数的时间演变关系从而实现数据融合；
(3)由于时间演变曲线是类型匹配而非像元匹配，两类数据在融合时并不需要精确的空间位置配准；
(4)由于曲线模型的参数只有四个，两类数据在一类数据缺失时可使用历史背景数据替换或直接从模 型推算。
附图说明
图1本发明基于分类的高时间分辨率与高空间分辨率遥感数据定量融合的方法的流程图。
具体实施方式
下面结合附图对本发明做进一步的详细说明。
本发明实现的基于分类的高时间分辨率与高空间分辨率遥感数据定量融合的流程图如图1所示。图1 包括高时间分辨率背景数据处理单元2、背景数据聚类单元4、时间演化背景曲线建立单元6、时间演化曲 线函数动态调整单元8、高空间分辨率数据预处理单元10、高空间分辨率数据地类匹配单元12、高空间分 辨率像元任意时刻参数推算单元14。
单元2将历史不同年份相同时间同一位置的所有非雪晴空参数和反射率数据的平均值作为该时间的背 景值，如果所有值为云则标志为云，所有值为雪则标志为雪。然后进入单元4。
单元4将年度时间与高空间分辨率数据时间相接近的高时间分辨率反射率数据，采用基于质心的聚类 方法，将与高空间覆盖范围内的高时间分辨率数据聚合成15-20类。然后进入单元6。
单元6将每个时间内的高时间分辨率相同类型的所有参数值平均，得到该时间点的类型背景参数值， 将这些参数值带入时间序列函数，得到函数系数。然后进入单元8。
单元8根据当年累积的高时间分辨率数据，动态调整时间序列演化函数系数，使函数模拟值与当年积 累的时间序列参数的方差最小。然后进入单元14。
单元10将高空间数据转换为与高时间分辨率数据规格一致的数据，包括通过坐标变换转换为一致的 投影坐标、将图像计数值或辐射值转换为地表反射率和融合参数、标识云、噪音和晴空像元状态信息。然 后进入单元12。
单元12将高空间分辨率的每个像元与聚类得到的每类此物的光谱空间进行比较，距离误差最小的即 标识为该类地物。然后进入单元12。
单元14根据时间序列演变函数，计算得高空间分辨率数据任一时间的参数值。
应当指出，以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明，但不以任何方式限 制本发明。因此，尽管本说明书参照附图和实施方式对本发明已进行了详细的说明，但是，本领域技术人 员应当理解，仍然可以对本发明进行修改或者等同替换；而一切不脱离本发明的精神和技术实质的技术方 案及其改进，其均应涵盖在本发明专利的保护范围当中。
机译： 治疗个体肝病的方法，使用半胱天冬酶抑制剂的方法，降低或维持融合分类或其成分的方法，治疗，降低或维持融合分类或其成分的方法，治疗，降低或维持的方法儿童pugh分类或其成分，包含胱天蛋白酶抑制剂的药物组合物，试剂盒，治疗方法，肝硬化治疗方法和高融合预防，肝硬化治疗方法和儿童pugh评级高
机译： 具有高时间分辨率和高空间分辨率的光子探测器。
机译： 具有高时间分辨率和高空间分辨率的光子探测器。
