最新发表：六种典型时空融合方法对不同影响因子的敏感性：NDVI时间序列重建的比较研究

+ 查看更多

   植被指数（如NDVI）的时间序列数据可以作为环境应用中的重要数据源，如农田制图，植被物候监测和变化检测等等。然而由于硬件技术或预算的限制，目前卫星上的大多数传感器无法获取具有高时空分辨率的数据。时空融合算法可以用过结合高空间低时间分辨率的数据（如Landsat和Sentinel-2）与低空间高时间分辨率的数据（如MODIS和Sentinel-3）等数据，生成高时空分辨率的遥感时序数据，以监测快速的地表变化。目前存在一些研究，已经对比了不同的算法对于不同实验数据的表现。然而这些研究忽略了实际应用中影响时空融合算法精度的重要因素，包括传感器之间的几何误差，辐射误差和空间分辨率之比。因此对于用户来说，如何根据实验区和实验数据来选择合适的时空融合算法，仍是一个难题。因此在我们的研究中，通过模拟实验和理论推导，比较了六种经典的时空融合算法（UBDF，LMGM， STARFM， Fit-FC，OPDL和FSDAF）对于三种影响因素的敏感性。主要研究结果如下：（1）当传感器之间的辐射误差可以忽略时，Fit-FC能在NDVI融合实验中表现最好，且对传感器之间的几何误差不敏感；（2）当传感器之间的辐射误差不可忽略时，FSDAF表现最好；（3）通过公式推导总结了现有算法的设计原理与误差（几何和辐射）传递的过程。这项研究结果帮助用户选择合适的算法，并为算法开发人员在将来设计新时空融合算法时提供指导。

该论文已发表于最新一期Remote Sensing of Environment（一区，IF=9.085）上。