彭檢貴,羅為檢,寧小斌,鄒澤林

(國家林業(yè)和草原局中南調查規(guī)劃設計院,長沙 410014)

引言

Landsat數(shù)據(jù)已被廣泛應用于地表覆蓋分類與變化、農作物估產與特征研究、植被生長監(jiān)測等方面，進而延伸到林業(yè)、農牧業(yè)、生物等多個應用領域[1]。但是，Landsat數(shù)據(jù)的弊端是數(shù)據(jù)更新周期較長，需16 d，這一缺陷極大地限制了Landsat數(shù)據(jù)應用于如監(jiān)測農作物在生長季節(jié)的生長情況等地表快速變化方面的可能性，加之云霧的影響，使得數(shù)據(jù)的重訪周期再次延長，因此，Landsat數(shù)據(jù)在季節(jié)變化動態(tài)監(jiān)測上的功用再次受到影響。

MODIS產品已經廣泛應用于各種領域，比如地表覆蓋變化、氣候預測以及生態(tài)環(huán)境監(jiān)測等領域[2]。而且Terra和Aqua衛(wèi)星可以每天在早晚各過境1次，每天最多能夠獲得4次資料。但MODIS數(shù)據(jù)的空間分辨率最高只有250 m，常常會產生混合像元，使得其僅較適合應用于大尺度區(qū)域的研究，不適宜用于對空間分辨率要求較高的研究。

基于以往的研究可以看出，Landsat數(shù)據(jù)具有較高的空間分辨率，但時間分辨率卻較低；與其相反，MODIS數(shù)據(jù)具有較高的時間分辨率，但空間細節(jié)信息不豐富。為得到同時得到高時間分辨率和高空間分辨率的影像，研究人員提出了遙感影像時空融合技術。遙感影像時空融合技術是指，將一系列具有不同時間分辨率和空間分辨率的、來源于不同傳感器的遙感影像數(shù)據(jù)通過某些模型進行融合處理的技術，其目的是為了獲得既有高空間分辨率又有高時間分辨率的、可滿足各種應用要求的時間序列的融合影像[3-4]。Zhukov等[5]和Maselli[6]以線性混合模型為基礎，分析了像元反射率在空間上的可變性，提出根據(jù)某一標準選取一些像元參與目標像元的解算，如一個距目標像元一定距離的像元集；Busetto等[7]則更進一步，不僅考慮了空間距離的問題，還分析了與目標像元在光譜上的差異，但是如果將該方法應用于NDVI值的計算，當MODIS影像像元相應的土地上既有春季作物又有冬季作物時，那么使用該方法得到的結果會有一定的偏差；Gao等[8]又更進一步地分析了與目標像元在時間上的差異，提出了一種時空適應性反射率融合模型STARFM；Hilker等[9]則提出了一種反映反射率變化的時空適應性算法STAARCH(Spatial Temporal Adaptive Algorithm for mapping Reflectance Change)。國內學者在遙感影像時空融合算法上也有很多研究和改進，萬華偉等[10]提出了一種將全年的MODIS LAI產品和幾景ASTER數(shù)據(jù)融合的方法，最后成功生成了具有高時空分辨率特性的LAI產品；鄔明權等[11]提出了一種時空數(shù)據(jù)融合模型STDFA(Spatial Temporal Data Fusion Model)；蒙繼華等[12]在STARFM的基礎上進行研究，提出了一種時空適應性植被指數(shù)融合模型STAVFM(Spatial and Temporal Adaptive Vegetation index Fusion Model)，成功構建了具有高時空分辨率特性的NDVI數(shù)據(jù)集；張鵬[13]在STARFM的基礎上進行研究，提出了一種專門針對綠度植被指數(shù)(GVI)的融合模型GSTARFM(GVI STARFM)；王昆等[14]利用半方差函數(shù)對STARFM移動窗口的寬度進行了調整，有效地提高了融合影像的質量；黃永喜等[15]提出了一種基于 ESTARFM(Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model)的改進算法，該算法通過對距離權重、移動窗口的大小和轉換系數(shù)的計算方法進行了調整，以及進行了BRDF校正，成功地提高了融合精度，還提高了計算速度；趙永光等[16]在融合前豐富了MODIS數(shù)據(jù)的空間信息，成功提高了STARFM的融合精度。

同樣，國內學者在時空融合算法的應用方面也有諸多研究。蔡德文等[17]以石河子為實驗區(qū)，通過STARFM成功獲得了具有高時空分辨率的Landsat影像，還進一步分析了不同農作物在原始影像和融合影像上的反射率的相關性，分析表明，將STARFM應用于農作物監(jiān)測時，應注意選擇滿足算法前提條件的影像進行使用；朱長明等[18]利用STARFM對Landsat7 ETM+的SLC-off數(shù)據(jù)進行了修復；李玉東等[19]將STARFM，STAARCH和ESTARFM三種數(shù)據(jù)融合方法在山區(qū)進行了應用和對比，表明如果在山區(qū)進行植被動態(tài)監(jiān)測，ESTARFM是適應性最好的融合方法；黃登成等[20]利用STARFM降低了MODIS NDVI數(shù)據(jù)的尺度，成功提高了NPP(Net Primary Productivity，植被凈初級生產力)的估算精度。

國內外學者的研究表明，遙感數(shù)據(jù)時空融合技術已發(fā)展得較為成熟，但在國內這些技術在適用性上的研究仍然比較少。在各種時空融合技術中，STARFM是應用較為廣泛、較成熟的模型，因此本文將以長沙市為例，研究該模型的適用性。

1 研究區(qū)概況與數(shù)據(jù)

1.1 研究區(qū)概況

長沙市位于湖南省東北部湘江下游，在27°51′—28°41′ N和111°53′—114°15′ E之間，南高北低，湘江貫穿南北；屬亞熱帶季風氣候，氣候溫和，降水充沛，雨熱同期，四季分明。

1.2 數(shù)據(jù)與處理

實驗采用兩景Landsat8 OLI影像的紅色波段(Band4)和近紅外波段(Band5)，軌道號為123/40和123/4，過境時間分別為2013-07-31和2013-09-17，空間分辨率為30 m，時間分辨率為16 d，為覆蓋整個長沙市，對圖像進行了鑲嵌。Landsat數(shù)據(jù)采用ENVI的Landsat定標工具進行輻射定標，采用FLAASH大氣校正模塊進行大氣校正，生成反射率數(shù)值影像。使用研究區(qū)1∶5000地形圖進行了幾何校正，經檢驗，幾何校正誤差在半個像元之內，符合精度要求。

實驗采用MODIS數(shù)據(jù)中的MODIS日反射率產品(MOD09 GQ)，屬于二級產品。軌道號為h27/v06，過境時間分別為2013-07-31和2013-09-17，空間分辨率為250 m，時間分辨率為1 d。數(shù)據(jù)質量較好，無云層覆蓋。MODIS數(shù)據(jù)采用MODIS重投影工具(MODIS Reprojection Tool,MRT)重投影為UTM-WGS84坐標系，轉換成Geo-tif 格式，并重采樣到30 m空間分辨率，以便于后續(xù)運算。采用ENVI矢量裁剪模塊，對處理后Landsat8數(shù)據(jù)和MODIS數(shù)據(jù)進行裁剪，裁剪出實驗區(qū)域。

實驗所用Landsat數(shù)據(jù)和MODIS數(shù)據(jù)均從http：//glovis.usgs.gov/網站上免費下載。

2 研究方法

STARFM對多源遙感數(shù)據(jù)要求嚴格，應滿足以下條件：經過重采樣等處理滿足空間分辨率相同、經過幾何校正滿足空間位置絕對對應、經過輻射校正將數(shù)據(jù)轉換為反射率數(shù)據(jù)。在滿足上述條件的情況下，對于一個低空間分辨率MODIS影像的同類像元，它與相對應的高空間分辨率Landsat影像的像元應滿足以下關系，即：

L(xi,yi,tk)=M(xi,yi,tk)+εk

(1)

式中:(xi，yi)代表給定像元的空間位置，tk是獲取影像的時間，εk是Landsat與MODIS地表反射率數(shù)據(jù)之間的差異(由不同的波段寬度和太陽幾何造成)。與之類似，t0時刻(即預測時刻)融合生成的Landsat數(shù)據(jù)的反射率，與對應的MODIS影像的同類像元的反射率也應滿足以下關系：

L(xi,yi,t0)=M(xi,yi,t0)+ε0

(2)

假定從tk到t0之間，給定位置處的地表覆蓋類型和系統(tǒng)誤差沒有發(fā)生改變，即ε0=εk，而且M(xi，yi，t0)已知，則：

L(xi,yi,t0)=M(xi,yi,t0)+L(xi,yi,tk)-

M(xi,yi,tk)

(3)

然而，這個理想的情況由于以下原因一般很難得到滿足：MODIS像元可能是混合像元，即覆蓋了多種地物類型；土地覆蓋的類型可能會隨時間發(fā)生變化；土地覆蓋情況和太陽幾何雙向反射分布函數(shù)的變化會引起反射率的改變。不過，通過引入鄰近像元的附加信息，我們可以使用光譜相似的鄰近像元的權重和來計算中心像元的地表反射率，計算方式如下：

(M(xi,yi,t0)+L(xi,yi,tk)-M(xi,yi,tk))

(4)

式中:w是搜尋窗口的大小，(xw/2，yw/2)是搜尋窗口的中心像元。為了保證只有合適的鄰近像元被使用，只有移動窗口內的Landsat地表反射率數(shù)據(jù)中光譜相似和無云的像元才會被用來計算反射率。權重系數(shù)Wijk代表了各個鄰近像元對計算中心像元的反射率的貢獻程度。

3 結果與分析

3.1 融合結果

將Landsat8 OLI影像的紅色波段和近紅外波段，以及MOD09 GQ影像的紅色波段和近紅外波段，分別輸入到STARFM模型中進行融合，輸出得到2013-09-17分辨率為30 m的Landsat融合影像的紅色波段和近紅外波段影像。用目視判別法對原始影像和融合影像進行評價，可以發(fā)現(xiàn)紅色波段原始影像與融合影像(圖1)差異都很小，肉眼基本無法區(qū)分，但原始近紅外波段與預測近紅外波段(圖2)差異較紅色波段要大。

3.2 融合精度評價

由于相關系數(shù)表征的是兩個事物間的相似程度，且可以避免主觀性，是一個客觀的評價標準，因而本文利用相關系數(shù)R來評價融合影像與原始影像之間的相關程度，以評價融合算法的精度。相關系數(shù)的計算公式如下：

(6)

相關性為融合影像與參考影像之間相關關系的直接反映，相關系數(shù)(R)的平方稱為判定系數(shù)(R2)，相關系數(shù)呈正值，則呈正相關，相反，兩者呈負相關，相關系數(shù)絕對值越大，兩者相關程度越高，判定系數(shù)越大，兩者之間關系越密切。

圖1紅色波段的原始與融合OLI影像

(a) 原始(b) 融合

從兩個散點圖來看，紅色波段的原始影像和融合影像的判定系數(shù)達到0.940(圖3)，近紅外波段的原始影像和融合影像的判定系數(shù)達到0.696(圖4)，紅色波段的相關性比近紅外波段的相關性要高，這主要由兩個方面的原因造成的：一是由于波段通道的差異，近紅外波段比紅波段對誤差較敏感，即使微小的差異會對近紅外波段有較大影響，近紅外波段尤其對植被信息的變化較敏感，若在融合過程中，植被與非植被的反射率變化信息不能被正確地考慮，將導致融合效果較差；二是STARFM算法本身對數(shù)據(jù)的要求較高，高空間分辨率影像能反映的細節(jié)信息在低空間分辨率影像上不能反映出來，因此若初期數(shù)據(jù)數(shù)量較少或者數(shù)據(jù)存在質量問題，將會導致融合影像和原始影像相比，部分信息缺失，預測融合結果較差。

圖3 融合紅色波段影像與原始OLI紅色波段影像相關性分析

圖4 融合近紅外波段影像與原始OLI近紅外波段影像相關性分析

4 結論

本文簡要介紹了遙感圖像時空融合研究背景及意義、遙感圖像時空融合算法的發(fā)展和國內外研究現(xiàn)狀，詳細說明了STARFM算法的基本原理。以湖南省長沙市為研究區(qū)，采用STARFM融合方法，利用原始OLI影像反射率與融合影像反射率的相關性分析，分析了STARFM的適應性。

1) 利用STARFM獲得的融合影像與原始影像的相關性較高，整體融合效果較好，但在具體應用STARFM融合算法時，應認真選取參加融合的數(shù)據(jù)，保證數(shù)據(jù)的數(shù)量與質量。

2) 本實驗采用的Landsat數(shù)據(jù)只進行了輻射定標和大氣校正。如果進行了地形等其他校正，可能最后融合結果的精度會有所提升。實際應用本算法時，應根據(jù)實際的地形、天氣情況和精度要求對數(shù)據(jù)進行合適的預處理。

3) 本文所分析的影像波段較少，影像期數(shù)較少，且只是做了一個圖像整體的探討，即在假設滿足STARFM算法的前提條件下進行的實驗，并未分析若不滿足前提條件是否會出現(xiàn)較差的效果，比如一副圖像的某些部分是否會因為地貌改變而無法融合。因此進行進一步深入研究是十分有必要的。