发布日期:2023-11-07
最新发表:探讨影像插值策略(Filling strategy)还是时空融合策略(Fusing strategy)可以更好地重构高质量的高分辨率卫星时间序列?+ 查看更多
最新发表:探讨影像插值策略(Filling strategy)还是时空融合策略(Fusing strategy)可以更好地重构高质量的高分辨率卫星时间序列?
+ 查看更多
发布日期:2022-04-14 17:40
浏览次数:416
高质量的高分辨率卫星时间序列数据对于监测和预测地表变化至关重要,并广泛应用于土地覆盖变化检测、植被生长建模和生态系统动态监测。然而,原始卫星时间序列数据的质量受云和重访频率的影响严重,需要对原始数据进行处理才能应用于研究当中。目前,重建高质量的高分辨率时间序列主要有两种策略:使用来自同一卫星的清晰辅助数据对缺失像元进行插值(Filling strategy)和使用粗、细尺度的清晰影像对对目标影像进行融合(Fusing strategy)。这两种策略使用不同的原理和输入数据来达到相同的目标,但在不同的场景下哪一种更优尚不得而知。
因此,本研究通过固定研究变量来比较Filling strategy和Fusing strategy的两种代表性方法来填补这一空白:Neighborhood Similar Pixel Interpolator (NSPI)和Flexible Spatiotemporal DAta Fusion(FSDAF)。本文分析了两种方法的主要影响因素(图1),并分别设计了不同的模拟实验研究这些潜在因素是如何影像方法的准确性(图2和图3)。
结果表明:(1)两种方法的精度都随着目标影像与清晰辅助影像之间的时间间隔的增加而降低(图4);(2)通常情况下,NSPI对云块比较小的影像的重建效果要优于FSDAF,但这种优势在低异质性区域并不显着;(3)NSPI的精度随着云块的大小而显著下降,对云块较大的影像进行重建,NSPI的效果要比FSDAF差(图5);(4)FSDAF的重建性能显著受到粗和细尺度影像之间的尺度(scale ratio)差异的影响,特别是在异质性区域,这种影响更为显著。这项研究的结果给出了不同应用场景下对不同影像重建策略的建议(图6),可以帮助用户面对自己特定的情况选择合适的方法来重建卫星时间序列。
该论文已发表于Science of Remote Sensing上。(Shu et al., 2022)
Reference: Shu, H., Jiang, S., Zhu, X., Xu, S., Tan, X., Tian, J., Xu, Y.N., Chen, J., 2022. Fusing or filling: Which strategy can better reconstruct high-quality fine-resolution satellite time series? Science of Remote Sensing. 5, 100046. https://doi.org/10.1016/j.srs.2022.100046

图1 NSPI和FSDAF的主要影响因素(P表示有影响,×表示没有影响)

图2 构建受云污染的目标模拟影像,云掩膜提取自真实的云

图3 通过构建不同的缓冲距离来模拟不同的云块大小,并模拟100次云块的不同随机位置

图4 基于NSPI-30m、FSDAF-240m和FSDAF-480m的近红外、红和绿波段的重建精度在不同时间间隔下的定量比较

图5 基于NSPI-30m、FSDAF-240m和FSDAF-480m的近红外、红和绿波段的重建精度在不同云块大小的定量比较,阴影为经过100次随机位置模拟后得到的一倍标准差范围

图6 不同应用场景下对不同影像重建策略的建议
分享到: