[最新发表] 面向异步物候变化农业场景的时空融合算法

+ 查看更多

传统的时空融合算法通常假设相似地物具有相似的物候变化；但是，农业场景中由于作物品种、种植管理等差异，不同田块的作物常常呈现不同步的物候变化。针对该情形，本文设计了一种新的时空融合算法Agri-Fuse。该算法在田块尺度上识别不同物候变化类型，基于混合像元模型约束，求解各变化类型的线性变化系数，从而精准估计不同高分辨率像元的异步物候变化量。

对于农业遥感应用而言，关键物候期（如开花期、反青期）的遥感影像十分重要，在作物制图、生化参数反演、物候监测等领域被广泛应用。然而，受制于技术和成本，加之关键物候期持续时间短、雨热同期的特点，单一卫星遥感数据源难以获取到高空间分辨率的关键物候期影像。虽然，时空融合算法可以通过融合多源数据实现高时空分辨率影像的重建，但现有算法通常假设相似地物具有相似的物候变化，难以适应存在异步物候变化的农业场景。由于作物品种、种植管理等差异，不同田块的作物常常呈现不同步的物候变化，导致在基准时期（具有粗-细分辨率影像对的时间）光谱相似的田块在目标时期（仅有粗分辨率影像的时间）光谱存在很大差异，违背了传统时空融合算法的基本假设。因此，我们设计了一种针对异步物候变化农业场景的时空融合算法Agri-Fuse，并以Sentinel-2和Sentinel-3为例验证了算法的融合精度和应用潜力。

在作物生长阶段，田块边界倾向于稳定不变，而异步的物候变化则十分普遍。即使是同种作物，由于生长进程不同，其物候变化也很可能不一致（图1（a）-Case Ⅲ）。因此，Agri-Fuse关注物候变化信息，根据基准日期（t1）细分图像和预测日期(t2)粗分图像的差分图像，在田块尺度实现物候变化检测。考虑到不同变化类型在基准日期反射率与预测日期反射率之间存在不同的回归关系，建立基于类别的线性回归模型，并引入混合像元模型求解回归系数。

Agri-Fuse只需要一对t1时刻的细分影像F₁和粗分影像C₁，及一景t2时刻的粗分影像C₂作为输入。其共有三个步骤: (1)基于F₁和空间插值C₁的差分影像，结合像元级与对象级分类技术，在田块尺度上逐波段识别不同的物候变化类型;(2)利用混合像元模型估算各个物候变化类型的从t1时刻到t2时刻反射率的线性回归系数，预测目标时期的反射率;(3)利用空间滤波消除残余噪声（图1（b））。

图1 Agri-Fuse应用场景及技术路线

与其他基准方法（FSDAF, STARFM, Fit-FC，RASDF）相比，Agri-Fuse表现出更好的融合精度，特别是在发生异步物候变化的场景中优势更为明显。此外，消融实验证明了物候变化类型识别（步骤1）与分类型回归估计（步骤2）这两个模块的贡献。在实际应用中，基于Agri-Fuse的融合结果的作物分类总体精度为92%，相比于仅依靠基准日期高分图像的分类结果提升了4%。

图2 各类方法融合效果对比（第一行为t1到t2时刻发生明显异步物候变化情形的融合结果，第二行为t1到t2为同步物候变化情形的融合结果）

图3 Agri-Fuse消融实验（表中为不同消融设置下各波段的RMSE，绿色越深RMSE越大）

图4 基于不同时空融合方法的作物分类结果

       面对异步物候变化农业场景，Agri-Fuse能够准确预测关键物候期图像，具有优越的农业应用潜力。其创新点在于强调物候变化信息，并借助像元解混模型解决传统回归模型中的尺度效应问题。

该论文已发表于Gu, Z., Chen, J., Chen, Y., Qiu, Y., Zhu, X., & Chen, X. (2023). “Agri-Fuse: A novel spatiotemporal fusion method designed for agricultural scenarios with diverse phenological changes”. Remote Sensing of Environment, 299, 113874. https://doi.org/10.1016/j.rse.2023.113874

本论文算法、示例数据链接：https://github.com/GuZhuoning/Agri-Fuse.git