1.一种构建高空间分辨率时序遥感数据的方法,其特征在于,具体包含以下步骤:S1、低空间分辨率影像的混合像元分解:基于高空间分辨率影像的分类图,获取低空间分辨率影像上逐像元的各类地物的丰度,并利用像元分解模型计算每类地物的光谱反射率,获得粗影像的降尺度影像;
S2、基准期与预测期的回归模型拟合:基于步骤S1中得到的降尺度影像,建立基准期和预测期tp间反射率的线性回归模型,并应用于细影像,得到tp细影像的反射率拟合结果;
S3、残差的分配和补偿:将上述步骤S2得到的tp细影像的反射率升尺度至低空间分辨率,计算其与粗影像反射率的差值,即残差,并采用空间插值方法将残差分配至高空间分辨率,并补偿于tp的细影像;
S4、拟合结果的空间滤波:在一定窗口内筛选中心像元的光谱相似像元,利用相似性像元的光谱差异性和与中心像元的相对距离来加权计算预测期的中心像元值,从而得到空间滤波后的tp的细影像;
S5、正反向估测结果的加权:设置起始日期t0和结束日期tp两个基准期,将上述步骤S1‑S4分正、反两个方向进行,采用线性加权方法综合正、反向估测结果作为加权时序融合结果;
S6、结合高空间分辨率影像的连续校正:基于上述步骤S5获得的时序影像融合结果,构建地表信息的动态变化模型;利用可获得的多幅已知细影像对动态模型进行修正,使动态模型模拟值与已知细影像值的误差最小,最终得到校正后的时空融合结果;
步骤S4中具体包括:
根据公式(6),综合基准期细影像的各波段相似像元和中心像元的光谱差异D,在一定窗口内,差异最小的前s个像元被筛选为相似像元;根据公式(7)计算邻近像元和中心像元的空间距离di,根据公式(8)确定各相似像元的权重Wi;根据公式(9)通过加权窗口内相似性像元逐波段计算预测时期tp的中心像元值,从而得到tp时期空间滤波后的细影像;
其中,F(xi,lb)和F(x,lb)分别表示细影像第b波段的i位置和中心位置像元的反射率,c为用于融合的影像波段数;w为窗口半径,rd(xi,yi)为高空间分辨率下的残差分配值,为w×w窗口内中心像元的正向预测结果。
2.根据权利要求1所述的构建高空间分辨率时序遥感数据的方法,其特征在于,步骤S1中具体包括:S11:对获得的遥感影像进行大气校正、几何校正、投影转换、重采样、质量控制等预处理;
S12:采用监督分类或非监督分类法对细影像进行分类,利用公式(1)计算粗影像上每个像元内各类地物的丰度;
式(1)中,fq(i,q)表示i位置处混合像元内类别q的丰度,Q为混合像元中类别q的细像元数,S为混合像元中所有类别的细像元总数;
S13:混合像元的反射率值可以表示为像元中各类别的反射率与其丰度的线性组合,混合像元分解模型具体为:约束条件:
式(2)中,Rfi为第i个混合像元的反射率, 表示第i个混合像元中类别q的平均反射率,m为类别数,εi为残余误差;
S14:将上述步骤计算得到的各类别的平均反射率按照类别对应到相应地类的像元上,从而得到粗影像的降尺度数据。
3.根据权利要求1所述的构建高空间分辨率时序遥感数据的方法,其特征在于,步骤S2中具体包括:根据公式(3)利用基准期和预测期的降尺度数据建立线性回归模型,需要在一定大小的移动窗口M内进行,利用最小二乘法求得移动窗口内中心像元的回归系数a和b,并应用于细影像,根据公式(4)估测得到tp的细影像;
C′P(M)=a×C′0(M)+b+R′(M) (3)
其中,C′0(M)和C′P(M)分别为移动窗口M内t0和tp时期降尺度数据的反射率,R′(M)为拟合残余误差,F0(xi,yi)和 分别表示t0和tp时期细影像的反射率。
4.根据权利要求1所述的构建高空间分辨率时序遥感数据的方法,其特征在于,步骤S3中具体包括:采用平均聚合的方法将tp的细影像升尺度至低空间分辨率,利用公式(5)计算残差RD;
将残差分配至高空间分辨率采用的空间插值方法可以选用适当的克里金插值法,并将高空间分辨率的残差rd补偿于与上述步骤S2得到的tp细影像的反射率;
式(5)中,RD(X,Y)表示低空间分辨率下的残差,C0(X,Y)和Cp(X,Y)分别为t0和tp时期粗像元的反射率, 和 分别为t0和tp时期粗像元中细像元的观测和估测反射率。
5.根据权利要求1所述的构建高空间分辨率时序遥感数据的方法,其特征在于,步骤S5中具体包括:依据t0细影像的分类图,确定正反向估测结果中每一地类的权重;具体地,以正向估测过程为例,根据公式(10),由t0估测tz的细影像,确定估测影像与实际观测影像间的回归系数k和l,并应用于tp的正向估测影像,根据公式(11)得到tp的似“真实影像”;根据公式(12)和(13)计算tp的正向估测影像和似“真实”影像的差距,得到正向估测的相对精度;
其中, 和 分别表示tz的正向估测和真实观测值, 和
分别表示tp的正向估测和似“真实”观测值,dforward表示正向估测与真实观测值之间的差距,fforward表示正向估测的相对精度;
相似地,依照上述流程,可以获得反向估测的相对精度fbackward;根据公式(14)和(15)确定各地类正反向估测的权重;根据公式(16)获得正反向估测加权的时序影像融合结果;
wforward=fforward/(fforward+fbackward) (14)wbackward=fbackward/(fforward+fbackward) (15)Ffusion=wforwardFforward+wbackwardFbackward (16)。
6.根据权利要求1所述的构建高空间分辨率时序遥感数据的方法,其特征在于,步骤S6中具体包括:采用S‑G滤波方法对时序融合数据进行滤波用于构建地表信息动态模型;采用一种连续校正的CACAO方法公式(17),利用多幅已知的细影像修正动态模型,将修正后的各波段反射率作为最终的时序数据融合结果;
式(17)中,BPture表示已知的细影像的各波段反射率,n为可获得的细影像的数量,BPpm表示动态模型模拟的各波段反射率,scale和shift为需要计算的修正参数。