基于变化和基于形状的数据融合方法在精细分辨率的陆地表面现象学监测中与Landsat和Sentinel-2数据的比较
Caiqun Wang1, Tao He1, Dan-Xia Song2
1Hubei Key Laboratory of Quantitative Remote Sensing of Land and Atmosphere, School of Remote Sensing and Information Engineering, Wuhan University, Wuhan 430079, China.
重建精细分辨率的陆地表面现象学 (LSP) 对农业和气候研究至关重要. 时空形状匹配模型 (SSMM) 和灵活的时空数据融合 (FSDAF) 方法显示了与观测的最佳一致性,在准确性方面表现优于其他方法.
科学领域:
- 地球和环境科学 地球和环境科学
- 遥感 遥感 遥感 遥感
- 生态生态学 生态生态学
背景情况:
- 精细分辨率的土地表面现象学 (LSP) 对于农业管理和了解植被气候相互作用至关重要,特别是在异质景观中.
- 在高空间分辨率下重建连续植被指数时间序列是一个重大挑战.
- 现有的数据融合方法缺乏在不同空间异质性,数据质量和植被类型之间进行全面的相互比较.
研究的目的:
- 为了全面比较不同的数据融合方法来重建精细分辨率的植被指数时间序列.
- 评估基于变化和基于形状的融合方法的性能,以提取现象学过渡日期.
- 分析空间异质性,数据质量和植被类型对融合方法性能的影响.
主要方法:
- 选择了四种数据融合方法:空间和时间自适应反射融合模型 (STARFM),灵活的时间空间数据融合 (FSDAF),多年权重形状匹配 (MWSM) 和时间空间形状匹配模型 (SSMM).
- 使用协调的Landsat和Sentinel-2 (HLS) 数据重建的双带增强植被指数 (EVI2) 时间序列.
- 提取了四个现象过渡日期,并将它们与PhenoCam观测和VIIRS现象产品进行了验证.
主要成果:
- 30米的过渡日期提供了更大的空间细节,并揭示了比500米产品更多的类内和类间的现象学变化.
- SSMM和FSDAF表现出卓越的性能,与Phenocam衍生日期具有很高的一致性 (R2>0.74,MAD<15天).
- 融合方法的稳定性随着更高的时间频率 (>15次/年) 增加;基于形状的方法对采样不规则的敏感性比基于变化的方法要小.
- 两种方法类别在异质地区都遇到了困难,但SSMM类方法在植被类型中实现了最高的整体准确性.
结论:
- 空间时空形状匹配模型 (SSMM) 和灵活的空间时空DATA融合 (FSDAF) 建议用于精确的精细分辨率现象学监测.
- 基于形状的方法在处理不规则的时间采样时具有优势.
- 调查结果为开发区域和全球细分辨率现象学监测策略提供了关键的参考.
更多相关视频
10:28Investigating the Relationship between Sea Surface Chlorophyll and Major Features of the South China Sea with Satellite Information
Published on: June 13, 2020
12:26Integrating Remote Sensing with Species Distribution Models; Mapping Tamarisk Invasions Using the Software for Assisted Habitat Modeling SAHM
Published on: October 11, 2016
相关概念视频
Light Acquisition
Methods of Obtaining Topography
Selected Data About Geographic Locations
