CN105809148B - 基于遥感时空谱融合的作物干旱识别及风险评估方法 - Google Patents
基于遥感时空谱融合的作物干旱识别及风险评估方法 Download PDFInfo
- Publication number
- CN105809148B CN105809148B CN201610187807.XA CN201610187807A CN105809148B CN 105809148 B CN105809148 B CN 105809148B CN 201610187807 A CN201610187807 A CN 201610187807A CN 105809148 B CN105809148 B CN 105809148B
- Authority
- CN
- China
- Prior art keywords
- drought
- remote sensing
- time
- sensing data
- evi
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 72
- 238000001228 spectrum Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012502 risk assessment Methods 0.000 title claims abstract description 23
- 230000003595 spectral effect Effects 0.000 claims abstract description 62
- 238000001556 precipitation Methods 0.000 claims description 38
- 230000002123 temporal effect Effects 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 21
- 238000001914 filtration Methods 0.000 claims description 12
- 244000037666 field crops Species 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000008641 drought stress Effects 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 238000009331 sowing Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 238000002310 reflectometry Methods 0.000 description 13
- 239000011159 matrix material Substances 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 3
- 239000000443 aerosol Substances 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000005427 atmospheric aerosol Substances 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 244000038559 crop plants Species 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于遥感时空谱融合的作物干旱识别及风险评估方法，包括：分别获取待测目标区域的高空间、高时间和高光谱分辨率的遥感数据；将高空间与高时间分辨率的遥感数据进行时空融合；将时空融合后数据与高光谱分辨率的遥感数据进行空谱融合；根据空谱融合后的高时间、高空间、高光谱分辨率的遥感数据获取作物种植面积信息；根据作物种植面积信息，利用预设干旱识别模型对作物干旱面积进行识别并对不同历史时期作物干旱面积进行识别；根据识别结果，对作物干旱进行风险评估。该方法应用融合后的高时间、高空间、高光谱分辨率的遥感数据对待测目标区域作物进行干旱识别及风险评估，结果更精确，时效性更强。
Description
技术领域
本发明涉及遥感与生态农业技术领域，尤其涉及一种基于遥感时空谱融合的作物干旱识别及风险评估方法。
背景技术
遥感数据的时、空、谱尺度问题是限制农业干旱监测与评估精度和保持时效性的重要原因之一。由于作物分布的空间异质性、光谱的敏感性以及不同生育周期的生长的动态性，需要同时具有高的时间、空间和光谱分辨率的遥感数据，然而由于传感器设计的局限性，时间、空间和光谱分辨率具有互斥性，不可能兼得三项指标。
目前，用于干旱识别的航空或航天传感器得到的遥感数据，如陆地卫星Landsat数据、中分辨率成像光谱仪(moderate-resolution imaging spectroradiometer，简称MODIS)数据、美国国家海洋大气局(National Oceanic and AtmosphericAdministration，简称NOAA)卫星数据等，这些数据在区域或全球作物干旱监测与评估中取得了重要的成果，然而，由于单一传感器获取数据的局限，不能有效的得到高时间、高空间和高光谱的遥感数据，因此监测精度和时效性存在明显不足。
鉴于此，如何得到高时间、高空间和高光谱的遥感数据，并对该遥感数据中的作物干旱进行识别及风险评估成为目前需要解决的技术问题。
发明内容
为解决上述的技术问题，本发明提供一种基于遥感时空谱融合的作物干旱识别及风险评估方法，能对待测目标区域融合后的高时间、高空间、高光谱分辨率的遥感数据中的作物干旱进行识别及风险评估，结果更精确，时效性更高。
第一方面，本发明提供一种基于遥感时空谱融合的作物干旱识别及风险评估方法，包括：
分别获取待测目标区域的高空间分辨率的遥感数据、待测目标区域的高时间分辨率的遥感数据和待测目标区域的高光谱分辨率的遥感数据；
将所述高空间分辨率的遥感数据与所述高时间分辨率的遥感数据进行时空融合；
将时空融合后的数据与所述高光谱分辨率的遥感数据进行空谱融合，得到待测目标区域的高时间、高空间、高光谱分辨率的遥感数据；
根据所述高时间、高空间、高光谱分辨率的遥感数据，获取作物种植面积信息；
根据所述作物种植面积信息，利用预设干旱识别模型对作物干旱进行识别，并对不同的历史时期干旱进行识别；
根据作物干旱的识别结果，对作物干旱进行风险评估。
可选地，在所述分别获取待测目标区域的高空间分辨率的遥感数据、待测目标区域的高时间分辨率的遥感数据和待测目标区域的高光谱分辨率的遥感数据之后，在所述将所述高空间分辨率的遥感数据与所述高时间分辨率的遥感数据进行时空融合之前，还包括：
对所述高时间分辨率的遥感数据进行滤波；
相应地，将所述高空间分辨率的遥感数据与所述高时间分辨率的遥感数据进行时空融合，具体为：
将高空间分辨率的遥感数据与滤波后的高时间分辨率的遥感数据进行时空融合；
相应地，所述将时空融合后的数据与所述高光谱分辨率的遥感数据进行空谱融合，得到待测目标区域的高时间、高空间、高光谱分辨率的遥感数据，具体为：
将时空融合后的数据与滤波后的高光谱分辨率的遥感数据进行空谱融合，得到待测目标区域的高时间、高空间、高光谱分辨率的遥感数据。
可选地，所述对所述高时间分辨率的遥感数据进行滤波，包括：
利用S-G滤波算法，对所述高时间分辨率的遥感数据进行滤波。
可选地，所述将所述高空间分辨率的遥感数据与所述高时间分辨率的遥感数据进行时空融合，包括：
利用改进型自适应遥感图像时空融合模型ESTRAFM算法，将所述高空间分辨率的遥感数据与所述高时间分辨率的遥感数据进行时空融合；
和/或，
所述将时空融合后的数据与所述高光谱分辨率的遥感数据进行空谱融合，包括：
利用多光谱图像光谱分辨率增强方法SREM融合算法，将时空融合后的数据与所述高光谱分辨率的遥感数据进行空谱融合。
可选地，所述根据所述高时间、高空间、高光谱分辨率的遥感数据，获取作物种植面积信息，包括：
根据所述高时间、高空间、高光谱分辨率的遥感数据，获取待测目标区域的EVI时序数据；
根据所述EVI时序数据，生成未受干旱胁迫的正常作物的EVI时序曲线和待干旱识别的作物EVI时序曲线，并通过所生成的EVI时序曲线的斜率变化以及对比未受干旱胁迫的作物物候期，提取所述高时间、高空间、高光谱分辨率的遥感数据中的植被，所述植被包括：部分自然植被和全部农田作物；
利用1/3高处的宽度算法，从所提取的植被中提取农田作物；
根据数字高程模型及坡度图，从所提取的农田作物中区分坡耕地和平耕地；
其中，所构建的EVI时序曲线的斜率计算公式如下：
其中，Et2-t1、Et3-t2分别为点(t1，EVIt1)与点(t2，EVIt2)之间的斜率值和点(t2，EVIt2)与点(t3，EVIt3)之间的斜率值，t1、t2和t3均为时间点，其中t2为播种的时间点；EVIt1、EVIt2、EVIt3分别为时间点t1、t2和t3对应的EVI值；t2-t1≤a,a小于第一预设值，且Et2-t1≤ΔE，ΔE为容许的误差；t3-t2＝b，Et3-t2>0，当b大于阈值c时确定是自然植被的一部分和全部农田，c为经验值；
其中，利用1/3高处的宽度算法，从所提取的植被中提取农田作物，包括：
假设待干旱识别的作物的左侧模拟函数为Fh＝F(t，EVI)公式一
待干旱识别的作物的右侧的模拟函数为Gh＝G(t，EVI)公式二
二者的分界点是t＝tv，tv为未受旱作物生长期曲线最高点EVImax所对应的时间点值；
公式一、公式二、公式三的左右侧的交点分别为：(tm,EVIm)，G(tn,EVIn)；
设未受旱作物两侧已知的交点分别为：(tm-n,EVIm-n)，G(tn-n,EVIn-n)，tn-n-tm-n＝d；
当tn-tm>d+Δ时为自然植被，相反为作物；
其中，Δ为容许的误差值。
可选地，所述根据所述作物种植面积信息，利用预设干旱识别模型对作物干旱进行识别，包括：
根据所述作物种植面积信息，利用预设干旱识别模型对所提取的坡耕地的作物干旱进行识别；
根据所述作物种植面积信息，利用预设干旱识别模型对所提取的平耕地的作物干旱进行识别。
可选地，所述根据所述作物种植面积信息，利用预设干旱识别模型对坡耕地的作物干旱进行识别，包括：
获取待测目标区域待测时期的降水量距平百分率；
在所述降水量距平百分率小于预设第一阈值时，确定所提取的坡耕地发生干旱；
在所提取的坡耕地发生干旱时，根据所述降水量距平百分率和国家发布的农业干旱等级标准，判断干旱的等级；
其中，所述待测目标区域待测时期的降水量距平百分率Pa是通过第一公式计算得到的，所述第一公式为：
其中，M为应用降水卫星数据估算的某时间段的累积降水量，d0为观测的天数，SAd为应用降水卫星数据估算的第d天的降水量，d表示为第d天；
为某时间段同期遥感反演的平均降水量，y0为观测的年数；SAy为第y年统计的某时间段遥感反演的降水量，y为时间变量，表示为第y年。
可选地，所述根据所述作物种植面积信息，利用预设干旱识别模型对所提取的平耕地的作物干旱进行识别，包括：
获取待测目标区域历史预设时间段内受旱年和未受旱年的EVI时序曲线；
获取所述受旱年和未受旱年的EVI时序曲线的交点；
根据所述交点，通过第二公式，获取干旱胁迫度Agh；
在Agh大于预设第二阈值时，确定所提取的平耕地发生干旱；
其中，所述预设第二阈值为受旱与非受旱作物的阈值；
所述第二公式为：
其中，d1和d2分别为未受旱作物和受旱作物的生长曲线相交的时间点；t为时间变量；EVInt和EVIat分别为未受旱作物和受旱作物第t天的EVI值；Sn为未受旱作物在时间d1到d2的累积值，是通过第三公式计算得到的；
所述第三公式为：
可选地，所述根据作物干旱的识别结果，对作物干旱进行风险评估，包括：
根据作物干旱的识别结果，获取作物干旱的面积；
根据不同历史时期作物干旱的面积，获取作物的受旱风险值。
可选地，所述根据不同历史时期作物干旱的面积，获取作物的受旱风险值，包括：
将风险评估的目标区重新划分为网格单元，并根据网格中不同时期受旱的面积的比例，通过第四公式，获取作物的受旱风险值Ri,j；
其中，所述第四公式为：
其中，Si,j为被评估网格单元的面积；ΔSi,j,k为评估单元中网格中受旱的面积，其中i，j，k分别为待评估网格的第i行，第j列和第k年的网格单元，是通过第五公式计算得到的；na为统计的年数；
所述第五公式为：
Pixel为遥感影像每个像素的面积；Jo.p为干旱判别函数，o和p分别代表第o行，第p列的像素，Jo.p取0为非干旱，1干旱。
由上述技术方案可知，本发明的基于遥感时空谱融合的作物干旱识别及风险评估方法，通过将待测目标区域的高空间分辨率的遥感数据、高时间分辨率的遥感数据和高光谱分辨率的遥感数据进行时空、空谱融合，能对融合后的高时间、高空间、高光谱分辨率的遥感数据中的作物干旱进行识别及风险评估，结果更精确，时效性更高。
附图说明
图1为本发明一实施例提供的基于遥感时空谱融合的作物干旱识别及风险评估方法的流程示意图；
图2为本发明实施例提供的一种增强型植被指数EVI时序曲线的示意图；
图3为本发明实施例提供的一种受旱年和未受旱年的EVI时序曲线的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他的实施例，都属于本发明保护的范围。
图1示出了本发明第一实施例提供的基于遥感时空谱融合的作物干旱识别及风险评估方法的流程示意图，如图1所示，本实施例的基于遥感时空谱融合的作物干旱识别及风险评估方法如下所述。
101、分别获取待测目标区域的高空间分辨率的遥感数据、待测目标区域的高时间分辨率的遥感数据和待测目标区域的高光谱分辨率的遥感数据。
在具体应用中，举例来说，可利用陆地卫星Landsat、中分辨率成像光谱仪MODIS以及NOAA卫星等分别获取待测目标区域的高空间分辨率的遥感数据、待测目标区域的高时间分辨率的遥感数据和待测目标区域的高光谱分辨率的遥感数据。
102、将所述高空间分辨率的遥感数据与所述高时间分辨率的遥感数据进行时空融合。
103、将时空融合后的数据与所述高光谱分辨率的遥感数据进行空谱融合，得到待测目标区域的高时间、高空间、高光谱分辨率的遥感数据。
104、根据所述高时间、高空间、高光谱分辨率的遥感数据，获取作物种植面积信息。
105、根据所述作物种植面积信息，利用预设干旱识别模型对作物干旱进行识别，并对不同的历史时期干旱进行识别。
106、根据作物干旱的识别结果，对作物干旱进行风险评估。
本实施例的基于遥感时空谱融合的作物干旱识别及风险评估方法，通过将待测目标区域的高空间分辨率的遥感数据、高时间分辨率的遥感数据和高光谱分辨率的遥感数据进行时空、空谱融合，能对融合后的高时间、高空间、高光谱分辨率的遥感数据中的作物干旱进行识别及风险评估，结果更精确，时效性更高。
在具体应用中，在上述步骤101与步骤102之间，还可以包括图中未示出的步骤S1：
S1、对所述高时间分辨率的遥感数据进行滤波；
相应地，上述步骤102具体为：
将高空间分辨率的遥感数据与滤波后的高时间分辨率的遥感数据进行时空融合；
相应地，上述步骤103具体为：
将时空融合后的数据与滤波后的高光谱分辨率的遥感数据进行空谱融合，得到待测目标区域的高时间、高空间、高光谱分辨率的遥感数据。
举例来说，在所述步骤S1中，可以利用S-G滤波算法，对所述高时间分辨率的遥感数据进行滤波；具体地，可以利用S-G滤波算法，通过TIMESAT软件对EVI时序数据进行重构；
所述S-G滤波算法可具体为利用下述公式对时序数据进行重构：
其中，重构时序数据，Tj+1为原始时序数据，Ci为滤波系数，N为滑动窗口内的时序数据数量。
可理解的是，由于传感器、云层大气等因素影响，获取的遥感数据不可避免的会产生一些噪声，S-G滤波器对这些噪声有较好的去除作用，并且其重构的时序数据能够清晰描述序列的长期变化趋势以及局部的突变信息，对植被指数时序数据的重构有较好的适用性。
在具体应用中，上述步骤102，可以包括：
利用改进型自适应遥感图像时空融合模型(Enhanced Spatial and TemporalAdaptive Reflectance Fusion Model，简称ESTRAFM)算法，将所述高空间分辨率的遥感数据与所述高时间分辨率的遥感数据进行时空融合。
可理解的是，ESTRAFM融合模型是由STARFM模型的基础上发展而来的，考虑到了模拟数据与基准数据之间的时间差异，并引入混合像元分解理论，一定程度上克服了STARFM在地物类型复杂情况下适用性较差的缺点，在本实施例上述步骤102中，ESTRAFM可利用Landsat和MODIS反射率数据在像元距离、光谱、获取时间等信息的差异，模拟出MODIS数据对应时相的Landsat反射率数据；
纯像元时，t0时间的Landsat和MODIS反射率数据存在如下关系：
则有模拟tk时间的Landsat数据为：
其中，L和M分别为Landsat和MODIS地表反射率，(xi,yj)为像元位置，a,b为两传感器反射率数据存在线性关系的系数(由波段宽度，几何误差等引起的)；
考虑到实际中像元多为混合像元、地物覆盖情况可能随着时间的变化以及传感器位置会随着时间变化，因此，ESTRAFM融合模型建立了局部滑动窗口，寻找中心像元的光谱相似邻近像元，根据Landsat和MODIS的光谱差异，基准时间和模拟时间的MODIS的时间差异，以及中心像元和邻近像元的空间欧式几何距离，对邻近像元赋予不同的权重，得到模拟中心像元反射率；
选择邻近像元时，满足：
其中，L为Landsat反射率，(xi,yj)为像元位置，w为局部滑动窗口尺寸，t0为时间，σ(Bn)为第n波段反射率数据的标准差；
则有模拟的中心反射率为：
其中,为中心像元(xw/2,yw/2)在模拟时间tp的Landsat的地表反射率，为中心像元(xw/2,yw/2)在基准时间t0的Landsat的地表反射率，分别为像元(xi,yj)在t0，tp时间的MODIS地表反射率，Vi是通过混合像元分解得到的线性系数，Wijk为权重；
Cijk＝Sijk*Tijk*Dijk
Sijk＝|L(xi,yj,tk)-M(xi,yj,tk)|
Tijk＝|M(xi,yj,tk)-M(xi,yj,t0)|
Sijk为给定位于(xi,yj)MODIS和Landsat的地表反射率差异，该参数可以衡量两者光谱差异，值越小，表示给定位置邻近像元的相似高，则赋予更高权重；Tijk表示MODIS数据两段时间之间的反射率差异，该值越小表明该时间段内光谱变化越小，在计算中赋予更高的权重；Dijk为中心像元点与参与计算的像元点的几何距离，该值越小赋予的权重越高；
再根据时相加权可得：
其中，
m,n为两个时相，p模拟时相，B为波段。
ESTRAFM可模拟出Landsat数据，即输入Tm,Tn时间的Landsat和MODIS基准影像和Tk时间的MODIS，得到Tk时间的模拟Landsat数据。通过ESTRAFM可以获取由于云污染或者重访周期限制而缺失的landsat数据，举例来说，可获得2013和2014一共92景Landsat数据，数据的空间分辨率为30m，时间分辨率为8天。高时间和高空间的数据能够一定程度上克服混合像元的情况，同时对较短时间发生的旱灾的具有监测其变化的潜力。
在具体应用中，上述步骤103，可以包括：
利用多光谱图像光谱分辨率增强方法(spectral resolution enhancementmethod，简称SREM)融合算法，将时空融合后的数据与所述高光谱分辨率的遥感数据进行空谱融合。
可理解的是，该SREM融合算法的基本思想是首先根据高光谱图像利用顶点成分分析算法(Vertex Component Analysis，简称VCA)等方法进行端元提取，然后从原始高光谱影像提取一定数量的不同地物端元的像元光谱，并根据多光谱图像的光谱响应函数对这些像元光谱进行重采样，得到对应的多光谱图像端元光谱数据。或者根据提取的端元高光谱像元位置，从配准的多光谱图像上直接提取端元光谱。这些光谱向量根据地物端元类型被分为N组，并且每条光谱用一个列向量来表示，每种地物类型的多/高光谱数据的关系可以被表示为
G′(q)M(q)＝H(q)+r(q)
其中，表示多光谱向量组的一个L×W维矩阵；表示高光谱向量组的一个K×W维矩阵；W是提取的地物端元类型q的光谱的数量(q取值为1到N)。只要W的值大于或等于L，则对应地物类型q的一个特定转换矩阵G′(q)就可以被计算出来：
G′(q)＝H(q)M(q)T(M(q)M(q)T)-1；
在图像中选取N种地物端元类型就可以得到N个转换矩阵。然后，用G′(q)乘以多光谱影像中拥有L个波段一条像元光谱向量就可以重构出一条拥有K个波段的光谱向量
然而，根据不同的端元类型可以计算出N个转换矩阵G′(q)，对于每个多光谱图像像元来说，必须选择正确的单一转换矩阵来完成上述重构过程。完成这一选择的关键在于必须得到某一多光谱像元的地物类型，这可以通过对多光谱数据进行混合光谱解混来实现。然而，由于多光谱数据的波段数量通常较少，在地物端元类型较多时，直接对多光谱数据进行解混的精度将难以保证。因此，可以首先利用非负矩阵分解NMF算法对空间重采样后的高光谱数据进行光谱解混，得到每个像元的端元丰度；然后在每个像元中选择P个丰度值较高的端元类型，作为对应的多光谱数据像元的光谱混合端元，再次利用NMF算法对多光谱数据进行逐像元解混，最后把多光谱数据像元丰度值最高的端元类型，作为该像元的地物类型，以此选择对应的转换矩阵G′(q)。
在具体应用中，上述步骤104，可以包括图中未示出的步骤P1-P4：
P1、根据所述高时间、高空间、高光谱分辨率的遥感数据，获取待测目标区域的增强型植被指数(Enhanced Vegetation Index，简称EVI)时序数据。
可理解的是，EVI具有不易饱和，对作物覆盖、冠层水分、叶绿素敏感敏感等优点，被用于干旱监测；
其中，ρ为地表反射率，ρNIR为近红外波段的地表反射率，ρred为红光波段的地表反射率，ρblue为蓝光波段的地表反射率，L为土壤背景调节系数，C1,C2为拟合系数，可取L＝1,C1＝6,C2＝7.5,G＝2.5。
EVI根据蓝光和红光通过气溶胶的差别,补偿了残留气溶胶对红光的吸收，修正了红波段所受的大气气溶胶影响。EVI在一定程度上克服了土壤背景的影响，并且能够减少归一化差分植被指数(Normalized Difference Vegetation Index，简称NDVI)等植被指数在高覆盖区易饱和的影响，常用来优化植被信号和加强植被监测。基于时空融合数据计算得到高空间高时间高光谱分辨率的EVI时间序列数据，用以作物面积的提取和干旱面积的提取。
P2、根据所述EVI时序数据，生成未受干旱胁迫的正常作物的EVI时序曲线和待干旱识别的作物EVI时序曲线(举例来说，可如图2所示)，并通过所生成的EVI时序曲线的斜率变化以及对比未受干旱胁迫的作物物候期，提取所述高时间、高空间、高光谱分辨率的遥感数据中的植被，所述植被包括：部分自然植被和全部农田作物。
可理解的是，不同生育周期的作物，由于其生育周期的起始点不同，其EVI上升和下降的位置不同，通过EVI时序曲线的斜率变化，并对比作物实际物候期可判断农作物类型，可提取所述高时间、高空间、高光谱分辨率的遥感数据中的植被，所述植被包括：部分自然植被和全部农田作物。
在具体应用中，所构建的EVI时序曲线的斜率计算公式如下：
其中，Et2-t1、Et3-t2分别为点(t1，EVIt1)与点(t2，EVIt2)之间的斜率值和点(t2，EVIt2)与点(t3，EVIt3)之间的斜率值，t1、t2和t3均为时间点，其中t2为播种的时间点；EVIt1、EVIt2、EVIt3分别为时间点t1、t2和t3对应的EVI值；t2-t1≤a,a小于第一预设值(所述第一预设值可优选为16)，且Et2-t1≤ΔE，ΔE为容许的误差；t3-t2＝b，Et3-t2>0，b可优先选取10，20，30，40，50，且随b值逐渐增加，Et3-t2也直接增加，当b值大于阈值c时确定是自然植被的一部分和全部农田，c为经验值，与作物类型有关。
P3、利用1/3高处的宽度算法，从所提取的植被中提取农田作物。
在具体应用中，步骤P3的利用1/3高处的宽度算法，从所提取的植被中提取农田作物，可包括：
假设待干旱识别的作物的左侧模拟函数为Fh＝F(t，EVI) 公式一
待干旱识别的作物的右侧的模拟函数为Gh＝G(t，EVI) 公式二
二者的分界点是t＝tv，tv为正常作物(即未受旱作物)生长期曲线最高点所对应的时间点值；
公式一、公式二、公式三的左右侧的交点分别为：(tm,EVIm)，G(tn,EVIn)；
设正常作物两侧已知的交点分别为：(tm-n,EVIm-n)，G(tn-n,EVIn-n)，
tn-n-tm-n＝d；
当tn-tm>d+Δ时为自然植被，相反为作物；
其中，Δ为容许的误差值。
P4、根据数字高程模型(Digital Elevation Model，简称DEM)及坡度图，从所提取的农田作物中区分坡耕地和平耕地。
在具体应用中，步骤P4的根据DEM及坡度图，从所提取的农田作物中区分坡耕地和平耕地，可包括：
在所提取的农田作物中，若坡度小于等于e，则为平耕地；若坡度大于e，则为坡耕地，e取值区间为6度到25度。
可理解的是，步骤P4提取完农田作物中的坡耕地和平耕地之后，可得到坡耕地的面积以及平耕地的面积。
在具体应用中，上述步骤105，可以包括图中未示出的步骤Q1和Q2：
Q1、根据所述作物种植面积信息，利用预设干旱识别模型对所提取的坡耕地的作物干旱进行识别。
在具体应用中，所述步骤Q1，可以包括图中未示出的步骤B1-B3：
B1、获取待测目标区域待测时期的降水量距平百分率。
应说明的是，受旱作物在空间上多数分布在坡耕地上，但由于在山区的坡耕地上，作物种植稀疏破碎，很难得到纯象元，但是坡耕地由于大多仅靠雨水滋养，因此当发生气象干旱时，则可认为坡耕地也发生干旱。
气象干旱作为农业干旱发生的起点，可以采用气象卫星数据，首先根据降水量距平百分率Pa来判断某一地区是否发生气象干旱。降水量距平百分率Pa是指某时段的降水量与当地气候平均状况的偏离程度，能直观反映降水异常引起的气象干旱，用降水量与常年同期气候平均降水量之差占常年同期气候平均降水量的百分率(％)表示：
其中，Pa为某时期的降水量距平百分率(％)；P为某段时间的累计降水量(mm)；为某时段同期气候月平均降水量(mm)。
用气象卫星数据产品，日降水量D可以表示为：
其中，h00为每日观测频率，即降水数据的景数，h0降水产品估算时间跨度，即每景数据代表降水的时长；SAh为某景数据代表的降水，h为观测的景数变量；
某时间段(单位为天)的累积降水量M可以表示为：
其中，d0为时间段(可表示为天数)；SAh,d为第d天的降水量，d为时间变量，单位为天，d表示为第d天；
某时间段(单位为年)同期气候平均降水量可以表示为：
其中，y0为观测的年数；SAh,d,y为第y年统计的的某时间段(单位为天)的降水量，y为时间变量，单位为年，表示为第y年。因此，矩平可以表示为：
B2、在所述降水量距平百分率Pa小于预设第一阈值时，确定所提取的坡耕地发生干旱。
B3、在所提取的坡耕地发生干旱时，根据所述降水量距平百分率和国家发布的农业干旱等级标准(可参见表1)，判断干旱的等级。
表1
Q2、根据所述作物种植面积信息，利用预设干旱识别模型对所提取的平耕地的作物干旱进行识别。
在具体应用中，所述步骤Q2，可以包括图中未示出的步骤C1-C3：
获取待测目标区域历史预设时间段内受旱年和未受旱年的EVI时序曲线；
C1、获取所述受旱年和未受旱年的EVI时序曲线的交点。
可通过反复对比同一地区的受旱年和未受旱年份的作物的EVI时序曲线，提取出未受旱作物和受旱作物的EVI时序曲线，可参考图3，图3示出了一种受旱年和未受旱年的EVI时序曲线的示意图，图中未受旱作物的EVI呈现单峰曲线，作物的拔节到乳熟阶段EVI达到最大值。
C2、根据所述交点，通过第二公式，获取干旱胁迫度Agh。
其中，所述预设第二阈值为受旱与非受旱作物的阈值，具体跟作物的类型有关；
所述第二公式为：
其中，d1和d2分别为未受旱作物和受旱作物的生长曲线相交的时间点；t为时间变量；EVInt和EVIat分别为未受旱作物和受旱作物第t天的EVI值；Sn为未受旱作物在时间d1到d2的累积值，是通过第三公式计算得到的；
所述第三公式为：
C3、在Agh大于预设第二阈值时，确定所提取的平耕地发生干旱。
在具体应用中，上述步骤106，可以包括图中未示出的步骤A1和A2：
A1、根据作物干旱的识别结果，获取作物干旱的面积。
在具体应用中，在步骤A1中，可先根据作物干旱的识别结果，分别获取坡耕地干旱的面积Sd和平耕地干旱的面积Sp；再通过下述公式，获取待测目标区域作物干旱的总面积Sa。
A2、根据不同历史时期作物干旱的面积，获取作物的受旱风险值。
在具体应用中，所述步骤A2，可以包括：
为了评估方便，将风险评估的目标区重新划分为网格单元，并根据网格中不同时期受旱的面积的比例，通过第四公式，获取作物的受旱风险值Ri,j；
其中，所述第四公式为：
其中，Si,j为被评估网格单元的面积；ΔSi,j,k为评估单元中网格中受旱的面积，其中i，j，k分别为待评估网格的第i行，第j列和第k年的网格单元，是通过第五公式计算得到的；na为统计的年数；
所述第五公式为：
Pixel为遥感影像每个像素的面积；Jo.p为干旱判别函数，o和p分别代表第o行，第p列的像素，Jo.p取0为非干旱，1干旱。
本实施例的基于遥感时空谱融合的作物干旱识别及风险评估方法，通过将待测目标区域的高空间分辨率的遥感数据、高时间分辨率的遥感数据和高光谱分辨率的遥感数据进行时空、空谱融合，能对融合后的高时间、高空间、高光谱分辨率的遥感数据中的作物干旱进行识别及风险评估，结果更精确，时效性更高。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种基于遥感时空谱融合的作物干旱识别及风险评估方法，其特征在于，包括：
分别获取待测目标区域的高空间分辨率的遥感数据、待测目标区域的高时间分辨率的遥感数据和待测目标区域的高光谱分辨率的遥感数据；
将所述高空间分辨率的遥感数据与所述高时间分辨率的遥感数据进行时空融合；
将时空融合后的数据与所述高光谱分辨率的遥感数据进行空谱融合，得到待测目标区域的高时间、高空间、高光谱分辨率的遥感数据；
根据所述高时间、高空间、高光谱分辨率的遥感数据，获取作物种植面积信息；
根据所述作物种植面积信息，利用预设干旱识别模型对作物干旱进行识别，并对不同的历史时期干旱进行识别；
根据作物干旱的识别结果，对作物干旱进行风险评估，包括：根据作物干旱的识别结果，获取作物干旱的面积；根据不同历史时期作物干旱的面积，获取作物的受旱风险值，包括：将风险评估的目标区重新划分为网格单元，并根据网格中不同时期受旱的面积的比例，通过第四公式，获取作物的受旱风险值Ri,j；
其中，所述第四公式为：
其中，Si,j为被评估网格单元的面积；ΔSi,j,k为评估单元中网格中受旱的面积，其中i，j，k分别为待评估网格的第i行，第j列和第k年的网格单元，是通过第五公式计算得到的；na为统计的年数；
所述第五公式为：
Pixel为遥感影像每个像素的面积；Jo.p为干旱判别函数，o和p分别代表第o行，第p列的像素，Jo.p取0为非干旱，1干旱。
2.根据权利要求1所述的方法，其特征在于，在所述分别获取待测目标区域的高空间分辨率的遥感数据、待测目标区域的高时间分辨率的遥感数据和待测目标区域的高光谱分辨率的遥感数据之后，在所述将所述高空间分辨率的遥感数据与所述高时间分辨率的遥感数据进行时空融合之前，还包括：
对所述高时间分辨率的遥感数据进行滤波；
相应地，将所述高空间分辨率的遥感数据与所述高时间分辨率的遥感数据进行时空融合，具体为：
将高空间分辨率的遥感数据与滤波后的高时间分辨率的遥感数据进行时空融合；
相应地，所述将时空融合后的数据与所述高光谱分辨率的遥感数据进行空谱融合，得到待测目标区域的高时间、高空间、高光谱分辨率的遥感数据，具体为：
将时空融合后的数据与滤波后的高光谱分辨率的遥感数据进行空谱融合，得到待测目标区域的高时间、高空间、高光谱分辨率的遥感数据。
3.根据权利要求2所述的方法，其特征在于，所述对所述高时间分辨率的遥感数据进行滤波，包括：
利用S-G滤波算法，对所述高时间分辨率的遥感数据进行滤波。
4.根据权利要求1所述的方法，其特征在于，所述将所述高空间分辨率的遥感数据与所述高时间分辨率的遥感数据进行时空融合，包括：
利用改进型自适应遥感图像时空融合模型ESTRAFM算法，将所述高空间分辨率的遥感数据与所述高时间分辨率的遥感数据进行时空融合；
和/或，
所述将时空融合后的数据与所述高光谱分辨率的遥感数据进行空谱融合，包括：
利用多光谱图像光谱分辨率增强方法SREM融合算法，将时空融合后的数据与所述高光谱分辨率的遥感数据进行空谱融合。
5.根据权利要求1所述的方法，其特征在于，所述根据所述高时间、高空间、高光谱分辨率的遥感数据，获取作物种植面积信息，包括：
根据所述高时间、高空间、高光谱分辨率的遥感数据，获取待测目标区域的EVI时序数据；
根据所述EVI时序数据，生成未受干旱胁迫的正常作物的EVI时序曲线和待干旱识别的作物EVI时序曲线，并通过所生成的EVI时序曲线的斜率变化以及对比未受干旱胁迫的作物物候期，提取所述高时间、高空间、高光谱分辨率的遥感数据中的植被，所述植被包括：部分自然植被和全部农田作物；
利用1/3高处的宽度算法，从所提取的植被中提取农田作物；
根据数字高程模型及坡度图，从所提取的农田作物中区分坡耕地和平耕地；
其中，所构建的EVI时序曲线的斜率计算公式如下：
其中，Et2-t1、Et3-t2分别为点(t1，EVIt1)与点(t2，EVIt2)之间的斜率值和点(t2，EVIt2)与点(t3，EVIt3)之间的斜率值，t1、t2和t3均为时间点，其中t2为播种的时间点；EVIt1、EVIt2、EVIt3分别为时间点t1、t2和t3对应的EVI值；t2-t1≤a，a小于第一预设值，且Et2-t1≤ΔE，ΔE为容许的误差；t3-t2＝b，Et3-t2＞0，当b大于阈值c时确定是自然植被的一部分和全部农田，c为经验值；
其中，利用1/3高处的宽度算法，从所提取的植被中提取农田作物，包括：
假设待干旱识别的作物的左侧模拟函数为Fh＝F(t，EVI) 公式一
待干旱识别的作物的右侧的模拟函数为Gh＝G(t，EVI) 公式二
二者的分界点是t＝tv，tv为未受旱作物生长期曲线最高点EVImax所对应的时间点值；
公式一、公式二、公式三的左右侧的交点分别为：F(tm,EVIm)，G(tn,EVIn)；
设未受旱作物两侧已知的交点分别为：F(tm-n,EVIm-n)，G(tn-n,EVIn-n)，tn-n-tm-n＝d；
当tn-tm＞d+Δ时为自然植被，相反为作物；
其中，Δ为容许的误差值。
6.根据权利要求5所述的方法，其特征在于，所述根据所述作物种植面积信息，利用预设干旱识别模型对作物干旱进行识别，包括：
根据所述作物种植面积信息，利用预设干旱识别模型对所提取的坡耕地的作物干旱进行识别；
根据所述作物种植面积信息，利用预设干旱识别模型对所提取的平耕地的作物干旱进行识别。
7.根据权利要求6所述的方法，其特征在于，所述根据所述作物种植面积信息，利用预设干旱识别模型对坡耕地的作物干旱进行识别，包括：
获取待测目标区域待测时期的降水量距平百分率Pa；
在所述降水量距平百分率小于预设第一阈值时，确定所提取的坡耕地发生干旱；
在所提取的坡耕地发生干旱时，根据所述降水量距平百分率和国家发布的农业干旱等级标准，判断干旱的等级；
其中，所述待测目标区域待测时期的降水量距平百分率Pa是通过第一公式计算得到的，所述第一公式为：
其中，M为应用降水卫星数据估算的某时间段的累积降水量，d0为观测的天数，SAd为应用降水卫星数据估算的第d天的降水量，d表示为第d天；
为某时间段同期遥感反演的平均降水量，y0为观测的年数；SAy为第y年统计的某时间段遥感反演的降水量，y为时间变量，表示为第y年。
8.根据权利要求6所述的方法，其特征在于，所述根据所述作物种植面积信息，利用预设干旱识别模型对所提取的平耕地的作物干旱进行识别，包括：
获取待测目标区域历史预设时间段内受旱年和未受旱年的EVI时序曲线；
获取所述受旱年和未受旱年的EVI时序曲线的交点；
根据所述交点，通过第二公式，获取干旱胁迫度Agh；
在Agh大于预设第二阈值时，确定所提取的平耕地发生干旱；
其中，所述预设第二阈值为受旱与非受旱作物的阈值；
所述第二公式为：
其中，d1和d2分别为未受旱作物和受旱作物的生长曲线相交的时间点；t为时间变量；EVInt和EVIat分别为未受旱作物和受旱作物第t天的EVI值；Sn为未受旱作物在时间d1到d2的累积值，是通过第三公式计算得到的；
所述第三公式为：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610187807.XA CN105809148B (zh) | 2016-03-29 | 2016-03-29 | 基于遥感时空谱融合的作物干旱识别及风险评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610187807.XA CN105809148B (zh) | 2016-03-29 | 2016-03-29 | 基于遥感时空谱融合的作物干旱识别及风险评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105809148A CN105809148A (zh) | 2016-07-27 |
| CN105809148B true CN105809148B (zh) | 2019-12-24 |
Family
ID=56454953
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610187807.XA Active CN105809148B (zh) | 2016-03-29 | 2016-03-29 | 基于遥感时空谱融合的作物干旱识别及风险评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105809148B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107316017B (zh) * | 2017-06-22 | 2020-08-11 | 河海大学 | 基于作物信息遥感精确反演的非点源污染源强估算方法 |
| CN107491724B (zh) * | 2017-06-29 | 2019-11-26 | 中国农业大学 | 一种冬小麦穗分化期识别方法及装置 |
| CN107945146B (zh) * | 2017-11-23 | 2021-08-03 | 南京信息工程大学 | 一种基于深度卷积神经网络的时空卫星图像融合方法 |
| CN109285133A (zh) * | 2018-09-28 | 2019-01-29 | 哈尔滨工业大学 | 一种细节增强的遥感图像数据时空谱一体化融合方法 |
| CN109685108B (zh) * | 2018-11-23 | 2022-05-03 | 电子科技大学 | 一种生成高时空分辨率ndvi长时间序列的方法 |
| CN109871774B (zh) * | 2019-01-22 | 2020-12-18 | 中国科学院南京土壤研究所 | 一种基于局域相近像元的混合像元分解方法 |
| CN110930048A (zh) * | 2019-11-29 | 2020-03-27 | 中国农业科学院农业资源与农业区划研究所 | 一种基于成灾机理过程的农作物干旱风险评估***及方法 |
| CN111369483B (zh) * | 2020-03-05 | 2020-11-13 | 北京师范大学 | 一种融合多源遥感数据生成高时空分辨率遥感数据的方法 |
| CN111638195A (zh) * | 2020-05-12 | 2020-09-08 | 中国科学院空天信息创新研究院 | 一种干旱监测方法和装置 |
| CN112183292B (zh) * | 2020-09-18 | 2022-05-17 | 华中农业大学 | 基于低空遥感的大田作物干旱表型提取与抗旱性评估方法 |
| CN113609907B (zh) * | 2021-07-01 | 2024-03-12 | 奥比中光科技集团股份有限公司 | 一种多光谱数据的获取方法、装置及设备 |
| CN115393732A (zh) * | 2022-08-19 | 2022-11-25 | 南京林业大学 | 一种基于modis时序影像的水稻信息提取方法 |
| CN116935214B (zh) * | 2023-06-27 | 2024-04-12 | 福建鼎旸信息科技股份有限公司 | 一种卫星多源遥感数据的时空谱融合方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102915529A (zh) * | 2012-10-15 | 2013-02-06 | 黄波 | 基于遥感“时-空-谱-角”的一体化融合技术及其*** |
| CN103325096A (zh) * | 2013-06-25 | 2013-09-25 | 中国科学院遥感与数字地球研究所 | 基于多/高光谱图像融合的宽幅高光谱图像重构方法 |
| CN103345707A (zh) * | 2013-06-04 | 2013-10-09 | 中国科学院遥感与数字地球研究所 | 一种基于多源遥感数据的农作物成熟期遥感预测方法 |
| CN104715467A (zh) * | 2015-03-06 | 2015-06-17 | 中国科学院遥感与数字地球研究所 | 一种改进型多源遥感数据时空融合方法 |
| CN105005978A (zh) * | 2015-07-15 | 2015-10-28 | 天津大学 | 一种基于Savitzky-Golay滤波器参数优化的光谱实时滤波方法 |
-
2016
- 2016-03-29 CN CN201610187807.XA patent/CN105809148B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102915529A (zh) * | 2012-10-15 | 2013-02-06 | 黄波 | 基于遥感“时-空-谱-角”的一体化融合技术及其*** |
| CN103345707A (zh) * | 2013-06-04 | 2013-10-09 | 中国科学院遥感与数字地球研究所 | 一种基于多源遥感数据的农作物成熟期遥感预测方法 |
| CN103325096A (zh) * | 2013-06-25 | 2013-09-25 | 中国科学院遥感与数字地球研究所 | 基于多/高光谱图像融合的宽幅高光谱图像重构方法 |
| CN104715467A (zh) * | 2015-03-06 | 2015-06-17 | 中国科学院遥感与数字地球研究所 | 一种改进型多源遥感数据时空融合方法 |
| CN105005978A (zh) * | 2015-07-15 | 2015-10-28 | 天津大学 | 一种基于Savitzky-Golay滤波器参数优化的光谱实时滤波方法 |
Non-Patent Citations (4)
| Title |
|---|
| "A UNIFIED FRAMEWORK FOR SPATIO-TEMPORAL-SPECTRAL FUSION OF REMOTE SENSING IMAGES";Xiangchao Meng 等;《2015 IEEE International Geosience and Remote Sensing Symposium(IGARSS)》;20151112;第4.3节 * |
| "An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions";Xiaolin Zhu 等;《Remote Sensing of Environment》;20101115;第114卷(第11期);第2611页左栏第1段、最后一段 * |
| "基于ＳＲＥＭ融合数据的矿物蚀变信息提取";王桂珍 等;《地球科学———中国地质大学学报》;20150831;第40卷(第8期);参见第1331页左栏第2-3段 * |
| "多源卫星数据在甘蔗干旱遥感监测中的应用";匡昭敏 等;《中国农业气象》;20071231;第28卷(第01期);第2段，第2.2-2.3、3.1节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105809148A (zh) | 2016-07-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105809148B (zh) | 基于遥感时空谱融合的作物干旱识别及风险评估方法 | |
| Zhang et al. | Evaluation of land surface phenology from VIIRS data using time series of PhenoCam imagery | |
| Battude et al. | Estimating maize biomass and yield over large areas using high spatial and temporal resolution Sentinel-2 like remote sensing data | |
| Zeng et al. | A review of vegetation phenological metrics extraction using time-series, multispectral satellite data | |
| Pasolli et al. | Retrieval of Leaf Area Index in mountain grasslands in the Alps from MODIS satellite imagery | |
| Avitabile et al. | Capabilities and limitations of Landsat and land cover data for aboveground woody biomass estimation of Uganda | |
| Claverie et al. | Maize and sunflower biomass estimation in southwest France using high spatial and temporal resolution remote sensing data | |
| CN106803059B (zh) | 一种遥感植被指数时间序列森林监测方法 | |
| Reiche et al. | Feature level fusion of multi-temporal ALOS PALSAR and Landsat data for mapping and monitoring of tropical deforestation and forest degradation | |
| Mucher et al. | Land cover characterization and change detection for environmental monitoring of pan-Europe | |
| Verhegghen et al. | Mapping Congo Basin vegetation types from 300 m and 1 km multi-sensor time series for carbon stocks and forest areas estimation | |
| Kordi et al. | Crop classification based on phenology information by using time series of optical and synthetic-aperture radar images | |
| Verhegghen et al. | A global NDVI and EVI reference data set for land-surface phenology using 13 years of daily SPOT-VEGETATION observations | |
| CN104266982B (zh) | 一种大面积虫害量化监测*** | |
| CN108932521B (zh) | 一种基于深度学习的农作物分类方法及*** | |
| Zhang et al. | Identification and mapping of winter wheat by integrating temporal change information and Kullback–Leibler divergence | |
| Chen et al. | A simple method for detecting phenological change from time series of vegetation index | |
| Pouliot et al. | Reconstruction of Landsat time series in the presence of irregular and sparse observations: Development and assessment in north-eastern Alberta, Canada | |
| Wang et al. | Fractional vegetation cover estimation method through dynamic Bayesian network combining radiative transfer model and crop growth model | |
| Awad et al. | Improved capability in stone pine forest mapping and management in Lebanon using hyperspectral CHRIS-Proba data relative to Landsat ETM+ | |
| Lee et al. | A comparative study on generating simulated Landsat NDVI images using data fusion and regression method—the case of the Korean Peninsula | |
| Roberts et al. | Open data cube products using high-dimensional statistics of time series | |
| Canisius et al. | Evaluation of the information content of Medium Resolution Imaging Spectrometer (MERIS) data for regional leaf area index assessment | |
| Liang et al. | Leaf area index | |
| Verger et al. | Long term consistent global GEOV1 AVHRR biophysical products |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |