基于時空濾波方法的

多源遙感數據融合算法

神州信息

劉晶 李佳輝

1.

前言

高時空分辨率遙感數據在監測土地變化、作物生長及物候參數反演等方面具有重要的作用，遙感數據的時空精細度成為了制約其在各領域應用的重要因素。 受技術限制的影響，傳感器在獲取地面數據時通常難以同時兼顧到數據的空間分辨率和時間分辨率。對于高時間分辨率的數據可以得到豐富的地表細節信息，但由于其重訪周期長，再加上地面氣象因素( 云、雨和雪等) 對傳感器成像的影響，造成了單個傳感器有效數據重訪周期的延長，使得監測具有很大程度上的“時空數據缺失”，導致監測研究中基礎觀測數據出現“空窗”，在研究的關鍵期不能滿足連續動態跟蹤監測的要求。而對于低分辨遙感影像數，雖然具有較高的時間分辨率，但是其空間分辨率太低，對于我們監測較小面積種植作物區域具有很大影響。

為滿足地表信息遙感動態監測同時對具有高空間分辨率和高時間分辨率特征遙感數據的需求，一些學者提出了一種能夠綜合高空間分辨率遙感數據的空間分辨率特征和高時間分辨率遙感數據的時間分辨率特征的技術，即遙感數據時空融合技術。

2.

多源時空數據融合技術

針對遙感數據時空融合方法，國內外學者進行了大量研究。根據算法原理的不同，遙感數據時空融合方法可以分為2類，即基于變換的模型和基于像元重構的模型。國內外大部分遙感數據時空融合模型是基于像元分解重構技術的，其基本思想是通過一定的規則選擇目標像元周邊的像元參與目標像元的重構。常用的時空融合方法有STARFM（Spatial and Temporal Adaptive Reflectance Fusion Model）和ESTARFM（Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model）兩種方法。

STARFM方法主要用于融合Landsat和MODIS影像, 生成與MODIS影像相應時間的模擬Landsat影像, 能較為準確地預測出高時空分辨率影像的反射率數據。但STARFM算法的預測結果受Landsat數據影響, 若Landsat影像中未記錄地表覆蓋在較短時間內的劇烈變化, 那么預測的影像也不會表征該情況，不能監測地表突變的情況。ESTARFM算法, 主要使用兩期對應觀測時間的高空間分辨率、低時間分辨率影像和低空間分辨率、高時間分辨率影像, 以及在預測日期獲取的低空間分辨率影像獲取對應時間的模擬高空間分辨率影像，該算法考慮了像元的異質性,引入純凈像元與混合像元在一段時間內反射率變化的轉換系數, 提高了模型在異質性較高區域的反射率融合精度, 在小區域實驗中有較好的效果，大區域效果還有待驗證。這兩種算法對于變化情況較大且未記錄在基準影像的區域預測精度較低，且算法精度受基準影像的數據質量影響嚴重，如需構建大范圍的無云數據，需要保證每一個區域都能找到無云覆蓋的參考數據，這是非常困難的，特別是在大量云霧覆蓋區域，一年內都極少有無云數據，具有一定的局限性，不能滿足我們對全國范圍內作物進行動態監測的需求。

對于作物監測，我們主要需要作物關鍵物候期的時序性的高分辨率遙感數據，那么為了滿足我們的監測需求，具備全國作物動態監測的能力，我們自研了SSTARFM（Self-tuning spatiotemporal adaptive reflectance fusion model）的時空遙感數據融合算法，該算法基于權重濾波與多源數據歸一化方法，根據不同尺度影像數據的時間空間特征，構建全時序、全空間范圍內的無云長勢產品，完成了多源異構數據的統一,在保證高精度的條件下輸出高時間高分辨率的監測產品。

3.

SSTARFM多源數據時空融合方法

目前的時空融合算法大都是針對2種數據源的遙感數據進行融合，沒有充分利用現有多源數據的優勢，SSTARFM方法則基于目前我們常用的Sentinel2、Landsat8/9和MODIS 3種不同傳感器的數據進行融合，提高了我們的監測精度。

SSTARFM算法流程

該算法的特點是在填補空缺值的基礎上，最大程度的保留了準確的原始數據。為了實現這種效果，需要對整個數據集經歷兩次時空濾波處理。時空濾波處理首先通過空間插值的方式填補單幅影像的空缺值，但這樣填補出的空缺值只考慮的空間上的連續性，和真實值差異較大。因此需要使用時間濾波，以插值出的空間值為參考計算出在時間上的合理值。這種先空間后時間的方法既可以去除數據中的異常值的點，也可以在時空尺度上為空缺數據計算出一個相對合理的值。與STARFM算法不同的是，我們在空間維度基礎上增加了時間尺度進行補值，增加了數據合理性和準確度，而且這種方法在長時間序列的數據重構上，隨著可參考的時間樣本增加，構建出的時序數據也會更加符合實際情況，精度更高。

本方法在實際應用的過程中，對于MODIS低分辨率數據，首先進行一次時空濾波處理，構建出一個相對完整的數據產品，其次采用卷積和圖像補值的方法，構建Landsat和MODIS數據融合結果，然后再進行時空濾波處理，保證了融合數據在時間和空間上的合理性，最后將Landsat8-MODIS融合結果和Sentinel2數據構建回歸模型，保證兩數據源的協同統一。

SSTARFM多源時空數據融合流程，注：示例數據為淄博市北部農田區域2022年03月06日數據

其中，雙立方（三次）卷積插值是我們進行低分辨率數據降尺度的一個主要方式。雙三次插值又叫雙立方插值，用于在圖像中“插值”（Interpolating）或增加“像素”（Pixel）數量/密度的一種方法。其主要原理為：雙立方插值計算涉及到16個像素點，其中(i’, j’)表示待計算像素點在源圖像中的包含小數部分的像素坐標，dx表示X方向的小數坐標，dy表示Y方向的小數坐標，通過圖像16個像素點權重卷積之和即可計算得到新的像素值。具體如下圖所示：

雙立方（三次）卷積插值方法

基于SSTARFM算法，我們已經具備生產8天一期10m分辨率的NDVI數據的能力，實現對作物區域進行8天1次的生長監測，提高了農情監測的時間顆粒度，可以做到對異常情況的及時反映，保障了農民的生產和財產安全，為政府部門的快速決策提供數據支撐。同時，SSTARFM時空融合算法解決了監測研究中基礎觀測數據出現“空窗”的問題，能夠為農業上作物面積監測、長勢、產量、苗情、土壤墑情、作物收割、成熟度、氣象災害、蟲害等監測模型的構建提供強有力地數據支撐，為農田的精準監測提供保障。

神州信息遙感農情監測模型

4.

結語

在當前單一傳感器數據不能滿足各領域動態監測對于高時空分辨率遙感數據需求的情況下，如何融合遙感數據綜合利用多源數據的特性和優勢，具有重要的理論意義和應用價值。SSTARFM多源數據融合方法是一種具有良好性能的遙感時空融合算法，可以解決當前光學遙感數據空間分辨率和時間分辨率上相互制約的問題，其發展及應用前景十分廣闊。