[發明專利]一種長時間序列高精度植被指數改進算法

有效

• 申請號: 202011039297.4
• 申請日: 2020-09-28
• 公開（公告）號: CN111982822B
• 公開（公告）日: 2022-10-18
• 發明（設計）人: 滕洪芬;陳頌超;王漢林;史舟
• 申請（專利權）人: 武漢工程大學
• 主分類號: G01N21/17
• 分類號: G01N21/17;G06T7/00
• 代理公司: 湖北武漢永嘉專利代理有限公司 42102
• 代理人: 崔友明

1.一種長時間序列高精度植被指數改進算法，其特征在于，包括如下步驟：

S1，收集目標區域MODIS遙感影像及GIMMS遙感影像，并對收集的遙感影像進行預處理；

S2，利用所述S1步驟中MODIS遙感影像包含的遙感影像質量評價層，將MODIS遙感影像的像元篩選為可用像元和缺失像元兩種；

S3，將所述S2步驟中的MODIS遙感影像的可用像元和缺失像元細分為有效像元和異常像元；

S4，對所述S3步驟中的MODIS遙感影像的異常像元進行四維時空插補，并將插補后的像元和所述S3步驟中所述的有效像元進行合并；

S5，根據所述S1步驟中預處理得到的GIMMS遙感影像以及所述S4步驟中合并后的MODIS遙感影像進行遙感影像的時間維度分類，分為重疊期和預測期；

S6，對S5步驟中時間維度分類后的預測期遙感影像進行多源數據重構建模及檢驗；

S7，根據所述S6步驟中重構建模后的遙感影像以及所述S5步驟處理中重疊期的遙感影像數據合并，并建立影像數據的回歸關系，得到長時間序列高精度的植被綠度變化趨勢及變化指數；

在所述S4步驟中，四維時空插補及合并的具體過程為：首先，用λ1、λ2、λ3和λ4定義經度、緯度、日和年四個維度，從而劃分四維動態窗口；其次，利用劃分好的四維動態窗口，結合所述S3步驟中有效像元的個數，將異常像元進行時空子數據集劃分；再次，利用線性分位數回歸的方法，結合所述S3步驟中有效像元，對所述S3步驟中的異常像元進行預測，得到異常像元對應柵格上的預測像元；最后，將預測像元和所述S3步驟中有效像元合并，從而得到目標區域完整有效的MODIS遙感影像，在四維時空插補及合并的具體過程中，四維動態窗口的大小主要由以下標準進行評估：時空子數據集中，每景影像中的有效像元不得少于4個，并且每個像元時間序列上的有效值不得少于5個；滿足了以上標準后，進行下一步，否則將通過擴大λ1和λ3的值，將時空子數據集的空間逐步增大，直到滿足以上標準；在四維時空插補及合并的具體過程中，線性分位數回歸的方法是將所述S3步驟中有效像元對應的像元值作因變量，將子數據集中像元的截距和秩作為因變量，對異常像元進行預測。

2.如權利要求1所述的一種長時間序列高精度植被指數改進算法，其特征在于：在所述S1步驟中，所述MODIS遙感影像為空間分辨率為1公里的MOD13A2產品數據，時間分辨率為16天，時間覆蓋范圍是2002-2015年；所述的GIMMS遙感影像為空間分辨率8公里的GIMMSNDVI3g產品數據，時間分辨率為15天，時間覆蓋范圍是1982-2015年；所述的預處理包括遙感影像數據拼接、投影轉換、最大值合成法，處理預處理后的MODIS遙感影像及GIMMS遙感影像的時間分辨率均為月，空間分辨率和時間覆蓋范圍不變。

3.如權利要求1所述的一種長時間序列高精度植被指數改進算法，其特征在于，在所述S2步驟中，所述的遙感影像質量評價層為MOD13A2產品數據自帶的QA(QualityAssessment)層，該層根據MODIS遙感影像可靠指數，為良好、混合、云雪像元，將MOD13A2產品數據的像元分為空值像元、良好像元、混合像元、冰雪像元，以及云像元這五類；所述的像元篩選將QA層中的良好像元及混合像元歸并為可用像元，將空值像元、冰雪像元以及云像元歸并為缺失像元。

4.如權利要求1所述的一種長時間序列高精度植被指數改進算法，其特征在于，在所述S3步驟中，所述的異常像元主要由兩部分組成，一部分來自可用像元中的混合像元，另一部分來自缺失像元；可用像元中的混合像元通過傅里葉時間序列分析法得到，該方法將各像元位置的時域信號轉換到頻率域，并從頻率域中挖掘出各像元位置信號頻譜的變化規律和周期，發現信號頻譜中突變點對應的時間點與像元值，從而實現混合像元的提取。

5.如權利要求1所述的一種長時間序列高精度植被指數改進算法，其特征在于：在所述S5步驟中，重疊期指2002-2015年，預測期指1982-2001年；為了方便后續建模及驗證，將重疊期中最靠近預測期的年份2002年劃入預測期進行預測，即實際采用的預測期為1982-2002年，實際采用的重疊期為2003-2015，并將2002年選定為驗證年份。