基于ESTARFM模型的區(qū)域農(nóng)田高時(shí)空分辨率影像產(chǎn)生與應(yīng)用

陳夢(mèng)露 李存軍 官云蘭 周靜平 王道蕓 羅正乾

?

基于ESTARFM模型的區(qū)域農(nóng)田高時(shí)空分辨率影像產(chǎn)生與應(yīng)用

陳夢(mèng)露1,2李存軍1,*官云蘭2周靜平1王道蕓2羅正乾3

1北京農(nóng)業(yè)信息技術(shù)研究中心, 北京 100097;2東華理工大學(xué)測(cè)繪工程學(xué)院, 江西南昌 330013;3新疆農(nóng)業(yè)科學(xué)院綜合試驗(yàn)場(chǎng), 新疆烏魯木齊 830091

多時(shí)相遙感影像特別是關(guān)鍵生育期數(shù)據(jù)是農(nóng)業(yè)物候、長(zhǎng)勢(shì)及產(chǎn)量監(jiān)測(cè)的重要數(shù)據(jù)源, 然而可見光影像易受云雨干擾, 在特定區(qū)域關(guān)鍵時(shí)間窗口缺少高時(shí)空分辨率數(shù)據(jù)的現(xiàn)實(shí)情況下, 遙感影像時(shí)空數(shù)據(jù)融合方法變得尤為重要。增強(qiáng)型自適應(yīng)反射率時(shí)空融合模型ESTARFM (Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model)是一種小區(qū)域合成高時(shí)空分辨率影像的較好方法, 該算法在我國(guó)不同農(nóng)業(yè)種植區(qū)的適應(yīng)性及應(yīng)用工作尚未充分展開。本文以河北、黑龍江、新疆典型農(nóng)區(qū)為研究區(qū)域進(jìn)行大面積應(yīng)用檢驗(yàn)分析, 基于MODIS與Landsat影像, 利用ESTARFM生成具有高時(shí)空特征的Landsat模擬影像, 將其與真實(shí)Landsat影像進(jìn)行對(duì)比, 并在新疆地區(qū)展開ESTARFM算法在NDVI方面的應(yīng)用。結(jié)果表明, ESTARFM對(duì)3個(gè)不同區(qū)域狀況的地區(qū)都有較好的影像預(yù)測(cè)能力, 并且在新疆地區(qū)可以很好地生成30 m空間分辨率的多時(shí)相NDVI, 用于作物分類和長(zhǎng)勢(shì)監(jiān)測(cè)。

高時(shí)空分辨率; ESTARFM; 數(shù)據(jù)融合; NDVI; 長(zhǎng)勢(shì)監(jiān)測(cè)

農(nóng)作物生長(zhǎng)周期內(nèi)的多時(shí)相遙感影像可對(duì)農(nóng)作物生長(zhǎng)情況精細(xì)觀測(cè), 特別是關(guān)鍵生育期數(shù)據(jù)是農(nóng)業(yè)物候、長(zhǎng)勢(shì)及產(chǎn)量監(jiān)測(cè)的重要數(shù)據(jù)源。目前, 高時(shí)間分辨率數(shù)據(jù)和高空間分辨率數(shù)據(jù)雖然比較豐富, 然而可見光影像易受云雨干擾, 在特定區(qū)域關(guān)鍵時(shí)間窗口兼顧時(shí)間分辨率和空間分辨率的高時(shí)空分辨率數(shù)據(jù)還比較缺乏。以目前較常用的高時(shí)間分辨率數(shù)據(jù)MODIS與高空間分辨率數(shù)據(jù)Landsat影像為例, MODIS影像具有36個(gè)光譜波段, 產(chǎn)品級(jí)別豐富, 每一到兩日可獲取一次全球觀測(cè)數(shù)據(jù), 重訪觀測(cè)能力強(qiáng), 但是其最大空間分辨率只有250 m, 對(duì)于地球表面的細(xì)節(jié)表征能力不強(qiáng), 只能在大尺度區(qū)域上的作物識(shí)別與監(jiān)測(cè)上取得較好效果; Landsat衛(wèi)星多光譜影像的空間分辨率為30 m, 但重訪周期只能達(dá)到16 d, 且易受云雨天氣的影響, 無法獲取連續(xù)的高質(zhì)量時(shí)序數(shù)據(jù)[1], 這限制了它在監(jiān)測(cè)農(nóng)作物植被生長(zhǎng)動(dòng)態(tài)變化方面的應(yīng)用。因此, 研究遙感影像時(shí)空數(shù)據(jù)融合方法, 結(jié)合二者優(yōu)勢(shì), 生成既有高時(shí)間分辨率又有高空間分辨率的影像, 對(duì)農(nóng)作物物候變化監(jiān)測(cè)十分重要[2-3]。

近年來多尺度傳感器遙感數(shù)據(jù)融合快速發(fā)展, 國(guó)內(nèi)外學(xué)者針對(duì)這一方面開展了研究[4], Gao等[5]提出了一種自適應(yīng)遙感影像融合模型STARFM (spatial and temporal adaptive reflectance fusion model), 用于融合Landsat和MODIS影像, 生成與MODIS影像相應(yīng)時(shí)間的模擬Landsat影像, 能較為準(zhǔn)確地預(yù)測(cè)出高時(shí)空分辨率影像的反射率數(shù)據(jù)。但STARFM也存在一些局限性, 如果在所使用的Landsat影像中未記錄地表覆蓋在較短時(shí)間內(nèi)的劇烈變化, 那么預(yù)測(cè)的影像也不會(huì)表征該情況[6]。Hilker等[7]基于STARFM算法提出STAARCH (spatial temporal adaptive algorithm for mapping reflectance change)時(shí)空融合算法, 通過選擇最佳時(shí)相的Landsat數(shù)據(jù)進(jìn)行融合來提高融合精度。Zhu等[8]提出ESTARFM (Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model)算法, 該方法使用兩期對(duì)應(yīng)觀測(cè)時(shí)間的高空間分辨率、低時(shí)間分辨率影像和低空間分辨率、高時(shí)間分辨率影像, 以及在預(yù)測(cè)日期獲取的低空間分辨率影像獲取對(duì)應(yīng)時(shí)間的模擬高空間分辨率影像, 廣泛應(yīng)用在空間動(dòng)態(tài)監(jiān)測(cè)及作物提取等方面[9-12]。鄔明權(quán)等[13]提出了STDFA (spatial and temporal data fusion model)算法, 該方法能夠產(chǎn)生具有MODIS時(shí)間分辨率和Landsat空間分辨率的影像。石月嬋等對(duì)目前常用的3種時(shí)空融合方法進(jìn)行對(duì)比分析[14], 從光譜特征和地類的角度評(píng)價(jià)了不同方法的融合結(jié)果并探討其在紅色波段、近紅外波段與NDVI上的表現(xiàn), 分析了方法的適用性。Wu等[15]對(duì)STDFA進(jìn)行改進(jìn)后提出了ISTDFA (improved high spatial and temporal data fusion approach)算法, 通過求解由光譜差和距離指數(shù)加權(quán)的線性混合模型可以很好地調(diào)整反射率的空間變化, 進(jìn)而提高影像預(yù)測(cè)精度。比較而言, ESTARFM時(shí)空數(shù)據(jù)融合模型考慮了像元的異質(zhì)性, 引入純凈像元與混合像元在一段時(shí)間內(nèi)反射率變化的轉(zhuǎn)換系數(shù), 提高了模型在異質(zhì)性較高區(qū)域的反射率融合精度, 在小區(qū)域?qū)嶒?yàn)中有較好的效果, 然而在更大面積區(qū)域遙感應(yīng)用的有效性有待驗(yàn)證。

對(duì)于農(nóng)業(yè)遙感監(jiān)測(cè), 需要作物關(guān)鍵生育期內(nèi)的多時(shí)間序列數(shù)據(jù)及特定時(shí)相的高空間分辨率影像。本文基于Zhu等[8]提出的ESTARFM時(shí)空數(shù)據(jù)融合模型, 利用MODIS的多時(shí)相信息與Landsat-8 OLI的高空間細(xì)節(jié)信息, 合成高時(shí)空分辨率影像, 選取黑龍江、河北、新疆部分縣市為研究區(qū)域, 生成兼具M(jìn)ODIS時(shí)間分辨率和Landsat空間分辨率特征的融合影像, 進(jìn)而將其與真實(shí)Landsat影像對(duì)比分析, 研究其在中國(guó)部分區(qū)域的適用性; 并利用ESTARFM算法將新疆地區(qū)2017年缺失以及由于云雨干擾無法使用的Landsat影像插補(bǔ)完成, 生成8 d時(shí)間間隔的Landsat影像, 提取年際高分辨率NDVI曲線, 來反映田塊尺度上的物候變化, 并進(jìn)行作物長(zhǎng)勢(shì)監(jiān)測(cè), 進(jìn)一步驗(yàn)證該算法在農(nóng)業(yè)遙感方面的可行性。

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

為驗(yàn)證ESTARFM算法的適用性, 選取我國(guó)北方農(nóng)業(yè)種植大省為研究區(qū)域(圖1中a.b.c區(qū)域), 其地表覆蓋情況、地貌類型、氣候降水量等均存在明顯差異。第1個(gè)研究區(qū)位于河北省保定市境內(nèi), 地處華北平原(38°21′N~39°22′N, 115°21′E~117°03′E), 面積約4800 km2, 其地勢(shì)由西北向東南傾斜, 地貌復(fù)雜多樣, 屬暖溫帶季風(fēng)氣候, 年均降水量484.5 mm, 主要集中在夏季。全省的糧食播種面積占耕地總面積的80%以上, 主要種植小麥和玉米等。第2個(gè)研究區(qū)在黑龍江省哈爾濱市境內(nèi), 位于中國(guó)東北部(45°22′N~46°43′N, 125°31′E~127°23′E), 面積約6000 km2, 地貌類型多變, 地塊破碎, 山地、平原、河流交叉分布, 屬溫帶大陸性季風(fēng)氣候。降水資源比較穩(wěn)定, 全省年日照時(shí)數(shù)多在2400~2800 h, 主要作物是水稻、玉米等[16]。第3個(gè)研究區(qū)域位于中國(guó)西北邊陲的新疆喀什地區(qū)(38°06′N~39°43′N, 76°46′ E~78°38′E), 面積約6500 km2, 屬明顯的溫帶大陸性干旱氣候帶, 溫差較大[17], 日照時(shí)間充足(年日照時(shí)數(shù)2500~3500 h), 降水量少, 氣候干燥, 主要作物為小麥與棉花。這3個(gè)研究區(qū)域具有明顯地理特征差異, 以作物關(guān)鍵生育期的一景影像進(jìn)行對(duì)比, 可以開展ESTARFM算法的適應(yīng)性研究。

為分析ESTARFM算法產(chǎn)生多時(shí)相遙感數(shù)據(jù)在農(nóng)業(yè)監(jiān)測(cè)方面的可靠性與可行性, 選取新疆阿克蘇地區(qū)作為第4個(gè)研究區(qū)域(圖1中d區(qū)域)進(jìn)行實(shí)驗(yàn), 該農(nóng)區(qū)面積小、作物典型且需要多時(shí)相影像進(jìn)行作物監(jiān)測(cè)。其坐標(biāo)為39°30′N~42°40′N和78°02′E~ 84°05′E, 面積為460 km2, 地處新疆維吾爾自治區(qū)中部, 天山山脈中段南麓、塔里木盆地北緣, 年平均氣溫9.9~11.5℃, 年降水量42.4~94.4 mm, 水源豐富、光照充足、無霜期長(zhǎng), 適宜作物生長(zhǎng), 全市耕地面積5.2 hm2, 森林面積4.7 hm2, 是國(guó)家重要的商品糧基地。

1.2 數(shù)據(jù)預(yù)處理

1.2.1 Landsat-8 OLI 根據(jù)實(shí)驗(yàn)區(qū)地形地貌特征及影像云量分布情況, 分別選取3景Landsat-8 OLI影像進(jìn)行實(shí)驗(yàn)分析, 各研究區(qū)影像獲取時(shí)間見表1。前后兩期為基準(zhǔn)影像, 中間時(shí)期為驗(yàn)證影像, 用來對(duì)測(cè)試結(jié)果進(jìn)行精度驗(yàn)證。影像來源于中科院對(duì)地觀測(cè)數(shù)據(jù)共享計(jì)劃(http://ids.ceode.ac.cn/), 下載后影像為UTM-WGS84坐標(biāo)系, 輻射定標(biāo)后使用FLAASH模型進(jìn)行大氣校正, 并將有云部分裁去[18]。

1.2.2 MCD43A4 從NASA網(wǎng)站(https://ladsweb. modaps.eosdis.nasa.gov/)下載與Landsat影像同時(shí)期500 m分辨率的MODIS每日地面反射率數(shù)據(jù)集MCD43A4, MCD43A4包含36個(gè)光譜波段, 其中波段3、4、1、2、6、7分別與Landsat影像第2、第3、第4、第5、第6、第7波長(zhǎng)范圍一一對(duì)應(yīng)(表2)。

將下載的MCD43A4影像利用MODIS重投影工具M(jìn)RT (MODIS Reprojection Tool)重新投影為UTM-WGS84, 轉(zhuǎn)換成Geo-tif數(shù)據(jù)格式, 并裁剪出研究區(qū)范圍內(nèi)的影像, 采用雙線性內(nèi)插法重采樣成相同的30 m分辨率, 處理后影像與Landsat在像元大小、數(shù)據(jù)分辨率、投影方式等保持一致。

圖1 研究區(qū)域地理位置

表1 Landsat-8 OLI影像日期

表2 MODIS與Landsat-8波段設(shè)置

1.3 ESTARFM時(shí)空數(shù)據(jù)融合算法

ESTARFM算法是基于STARFM算法改進(jìn)的, 考慮了像元的異質(zhì)性, 對(duì)賦權(quán)方法進(jìn)行調(diào)整, 引入一個(gè)轉(zhuǎn)換系數(shù)來對(duì)預(yù)測(cè)結(jié)果進(jìn)行改進(jìn), 提高了特別是異質(zhì)性較大區(qū)域的預(yù)測(cè)精度, 能夠很好地保留空間細(xì)節(jié)[8]。在保證兩幅影像精確配準(zhǔn)之后, 假設(shè)Landsat與MODIS影像之間反射率的差異僅僅是由不同影像之間地表反射率存在的系統(tǒng)偏差引起的, 且在2個(gè)時(shí)期之間影像并未產(chǎn)生較大差異[8], 如公式(1)所示。

其中,、分別表示Landsat影像與MODIS影像, ()表示像元位置,表示影像波段,0、p分別表示影像獲取的2個(gè)時(shí)間,為轉(zhuǎn)換系數(shù), 由傳感器之間的系統(tǒng)偏差所決定。

由于地表情況具有復(fù)雜性, 僅利用這一對(duì)像元信息預(yù)測(cè), 會(huì)出現(xiàn)很大偏差, 假設(shè)混合像元的反射率變化包含該像元中所有不同地表覆蓋成分的反射率變化, 2個(gè)日期之間混合像元反射率的變化代表像元中不同地表覆蓋成分反射率變化的加權(quán)總和, 且其中各地表覆蓋成分比例基本保持不變, 如公式2所示。

()是考慮了混合像元分解的第個(gè)相似像元的轉(zhuǎn)換系數(shù), 以上公式考慮到了相鄰像元具有相似的反射率變化, 利用鄰域像元設(shè)定的移動(dòng)窗口, 可以搜索每個(gè)窗口內(nèi)的相似像元, 利用像元之間的關(guān)系, 得到所需要預(yù)測(cè)影像的中心像元值, 進(jìn)而得到預(yù)測(cè)影像, 如公式3所示。

其中,是包括中心預(yù)測(cè)像元的相似像元的數(shù)目, (x,y)是第個(gè)相似像元的位置,是第個(gè)相似像元的權(quán)重,V是第個(gè)相似像元的轉(zhuǎn)換系數(shù)。

根據(jù)第1個(gè)時(shí)期時(shí)刻Landsat與p時(shí)刻的MODIS來預(yù)測(cè)p時(shí)刻Landsat影像的反射率, 記為m(w/2w/2p), 或者利用第2個(gè)時(shí)期時(shí)刻的觀測(cè)數(shù)據(jù)來預(yù)測(cè)p時(shí)刻的Landsat影像的反射率, 記為n(w/2w/2p)[19-21]。通過這2個(gè)預(yù)測(cè)結(jié)果的加權(quán)組合可以獲得更加精確的p時(shí)刻的Landsat影像的反射率。根據(jù)m和n與預(yù)測(cè)時(shí)刻p之間MODIS反射率檢測(cè)到的變化幅度來計(jì)算權(quán)重, 如公式(4)。

由公式(5)預(yù)測(cè)中心像元反射率。

將經(jīng)過預(yù)處理后影像信息保持一致的前后兩期對(duì)應(yīng)時(shí)間的Landsat與MODIS影像, 及中間時(shí)期MODIS影像共5景作為ESTARFM模型的輸入數(shù)據(jù), 生成中間時(shí)期Landsat影像[22-23], 并與預(yù)測(cè)日期當(dāng)天的真實(shí)影像精度對(duì)比分析。首先將融合后影像與真實(shí)Landsat直接對(duì)比, 比較各類地物輪廓及空間紋理信息。其次利用基于影像反射率值的散點(diǎn)圖分布對(duì)這3個(gè)研究區(qū)域的兩組數(shù)據(jù)進(jìn)行相關(guān)性分析。最后通過對(duì)比3個(gè)地區(qū)內(nèi)兩組NDVI值的散點(diǎn)圖驗(yàn)證ESTARFM算法對(duì)中國(guó)北方地理區(qū)域適用性分析的精度。

圖2 技術(shù)流程框圖

2 結(jié)果與分析

2.1 影像融合結(jié)果

預(yù)測(cè)得到的結(jié)果如圖3所示, 分別為研究區(qū)域在預(yù)測(cè)時(shí)相下的原始Landsat反射率數(shù)據(jù)、部分細(xì)節(jié)表征圖與經(jīng)ESTARFM算法融合后結(jié)果, 可直觀看出, 融合后得到的影像細(xì)節(jié)清晰, 各類地物都能很好表征出來, 且不同地物間有明確分界線, 與原始影像存在的差異較小。細(xì)節(jié)圖上分別選取了一些對(duì)比較為明顯且具有代表性的區(qū)域(如建筑物、水體、沙漠和植被)放大顯示, 可直觀地比較各種地物融合的效果。從細(xì)節(jié)圖中可以看出融合影像中各地物輪廓特征與原始影像基本保持一致。河北研究區(qū)域影像受紅波段影響較大, 融合后影像部分區(qū)域如建筑物表面呈現(xiàn)紅色, 其次黑龍江研究區(qū)域影像中水體呈現(xiàn)其他顏色, 這是由于水體在近紅外波段吸收最強(qiáng), 當(dāng)含有其他物質(zhì), 如泥沙及葉綠素時(shí), 反射率會(huì)發(fā)生變化。新疆研究區(qū)域水體中含泥沙量較大, 故水體部分區(qū)域反射率也發(fā)生了變化, 但對(duì)于其他地物, ESTARFM方法有較好的預(yù)測(cè)效果。

圖4為原始Landsat影像與融合后影像在6個(gè)波段上的散點(diǎn)圖分布對(duì)比情況。根據(jù)表1可知, 河北研究區(qū)域?qū)Ρ鹊牟ǘ紊Ⅻc(diǎn)的時(shí)相為2017年4月12日, 黑龍江研究區(qū)域散點(diǎn)圖波段選取的時(shí)相為2017年9月9日, 新疆研究區(qū)域散點(diǎn)圖選取的時(shí)相為2017年6月23日。圖中橫坐標(biāo)為真實(shí)Landsat影像反射率數(shù)據(jù), 縱坐標(biāo)為ESTARFM算法融合后影像反射率數(shù)據(jù)。散點(diǎn)基本都在1∶1趨勢(shì)線的兩側(cè), 分布較為集中。

圖5為3個(gè)地區(qū)原始Landsat影像NDVI值與融合后影像NDVI值的比較。決定系數(shù)2表明融合結(jié)果與真實(shí)反射率數(shù)據(jù)之間的關(guān)系, 3個(gè)地區(qū)2均在0.8以上, 表明相關(guān)程度較高, ESTARFM算法能夠進(jìn)行NDVI值的預(yù)測(cè)。

表3表明, 河北農(nóng)區(qū)影像在紅波段相關(guān)系數(shù)低于其他各波段, 黑龍江與新疆農(nóng)區(qū)各波段相關(guān)性較高, 3個(gè)區(qū)域均方根誤差RMSE值均較小, 接近于0, 預(yù)測(cè)值與真實(shí)值之間的偏差不大, 表明ESTARFM模型對(duì)于我國(guó)地理區(qū)域高時(shí)空分辨率影像的生成有較好適用性。

2.2 新疆研究區(qū)時(shí)間序列NDVI生成

為驗(yàn)證ESTARFM算法的可行性, 另以新疆阿克蘇地區(qū)為例, 根據(jù)新疆季節(jié)氣候及作物生長(zhǎng)情況, 選擇除去冬季外的2017年4月至10月為研究時(shí)間段進(jìn)行分析。圖6所示為實(shí)驗(yàn)直接獲取且可用的Landsat及MODIS影像, 統(tǒng)一使用年積日(DOY)表示獲取的日期。Landsat影像由于云雨及其自身重訪周期的影響, 數(shù)據(jù)缺失問題嚴(yán)重。由于4月1日(DOY-96)及10月31日(DOY-304)無Landsat影像, 故采用相近的兩景3月21日(DOY-80)及11月16日(DOY-320)數(shù)據(jù)作為基準(zhǔn)影像來預(yù)測(cè)4月1日以及10月31日影像。使用這11景Landsat數(shù)據(jù)和30景MODIS數(shù)據(jù)(時(shí)間間隔為8 d)的可見光中紅波段數(shù)據(jù)及近紅外波段數(shù)據(jù)。

圖3 原始Landsat-8 OLI影像與ESTARFM融合后影像對(duì)比

A、D和G: 河北、黑龍江和新疆農(nóng)區(qū)真實(shí)Landsat影像; C、F和I: 河北、黑龍江和新疆農(nóng)區(qū)經(jīng)ESTARFM預(yù)測(cè)后影像; B、E和H: 真實(shí)影像與預(yù)測(cè)影像細(xì)節(jié)表征對(duì)比圖。

A, D, and G: true Landsat images in Hebei, Heilongjiang and Xinjiang area; C, F, and I: predicted images from Hebei, Heilongjiang and Xinjiang area via ESTARFM; B, E, and H: comparison of real image and predicted image detail.

(圖4)

A1~A6: 河北農(nóng)區(qū)真實(shí)Landsat影像與經(jīng)ESTARFM模型融合后影像各波段的相關(guān)性; B1~B6: 黑龍江農(nóng)區(qū)真實(shí)Landsat影像與經(jīng)ESTARFM模型融合后影像波段的相關(guān)性; C1~C6: 新疆農(nóng)區(qū)真實(shí)Landsat影像與經(jīng)ESTARFM模型融合后影像波段的相關(guān)性。

A1–A6: correlation between the true Landsat image of Hebei and the predicted bands; B1–B6: correlation between real Landsat images of Heilongjiang and predicted bands; C1–C6: correlation between true Landsat images in Xinjiang and predicted bands.

圖5 真實(shí)影像與融合后影像NDVI結(jié)果比較

A: 河北農(nóng)區(qū)(2017-04-12); B: 黑龍江農(nóng)區(qū)(2017-09-09); C: 新疆農(nóng)區(qū)(2017-06-23)。

A: Hebei agricultural area (2017-04-12); B: Heilongjiang agricultural area (2017-09-09); C: Xinjiang agricultural area (2017-06-23).

表3 原始Landsat-8 OLI影像與ESTARFM融合后結(jié)果相關(guān)性分析

圖6 Landsat-8 OLI和MODIS數(shù)據(jù)的獲取日期(DOY)

將兩期Landsat數(shù)據(jù)與對(duì)應(yīng)時(shí)間的兩期MODIS數(shù)據(jù)(前后2個(gè)時(shí)期)結(jié)合, 加上預(yù)測(cè)期的MODIS數(shù)據(jù), 生成預(yù)測(cè)期當(dāng)天的高空間分辨率數(shù)據(jù)。由于Landsat基準(zhǔn)影像較少, 故需要2次預(yù)測(cè)才能生成所有缺失影像。圖7所示為新疆阿克蘇地區(qū)4月至10月8 d時(shí)間間隔的高時(shí)空分辨率影像(R/G/B合成中各波段對(duì)應(yīng)分別為紅波段、近紅外波段與紅波段), 綠色表示植被的時(shí)序變化情況。

圖8中左圖為研究區(qū)域經(jīng)ESTARFM預(yù)測(cè)后生成Landsat遙感影像(R/G/B為紅波段/近紅外波段/紅波段)與選取的各樣本點(diǎn)的實(shí)際位置分布情況, 圖8右圖中橫坐標(biāo)為4月6日(DOY-96)至10月31日(DOY-304)共27個(gè)時(shí)間序列號(hào), 縱坐標(biāo)為NDVI值, 各曲線表示經(jīng)S-G濾波后NDVI值隨時(shí)間變化的情況。ESTARFM預(yù)測(cè)后影像中植被NDVI變化情況與MODIS影像提取的植被NDVI曲線趨勢(shì)一致。新疆植被生長(zhǎng)季開始時(shí)間集中于3月中旬至5月上旬, 生長(zhǎng)季結(jié)束時(shí)間集中于10月中旬至12月下旬。根據(jù)NDVI變化曲線可以看出, 前7個(gè)時(shí)間段(4月6日至5月16日)中植被NVDI值上升緩慢, 對(duì)應(yīng)新疆地區(qū)的作物播種期。新疆作物大多一年一熟, NDVI值有一個(gè)波峰。時(shí)間序列號(hào)從19 (8月28日)開始急速下降, 是新疆地區(qū)作物成熟收獲階段, 說明ESTARFM預(yù)測(cè)影像生成的NDVI能夠表征實(shí)際作物NDVI變化情況, 對(duì)于水體來說, 在紅與近紅外這2個(gè)波段有較高反射率, 因而NDVI呈現(xiàn)負(fù)值。巖石、沙漠在這2個(gè)波段有相似的反射率, 因而NDVI值近似為0, 各曲線變化趨勢(shì)與實(shí)際地物NDVI值變化情況相對(duì)應(yīng)。表明ESTARFM算法可以生成高時(shí)空分辨率影像, 并應(yīng)用于NDVI的生成。

圖7 新疆阿克蘇地區(qū)8 d時(shí)間間隔的高時(shí)空分辨率影像

圖8 融合后影像中各地物NDVI隨時(shí)間變化情況

A: 植被; B: 沙漠; C: 建筑物; D: 水體。

A: vegetation; B: desert; C: building; D: water.

2.3 農(nóng)作物遙感分類和長(zhǎng)勢(shì)監(jiān)測(cè)

從農(nóng)作物遙感分類可以客觀快速獲取作物的面積、分布等信息, 輔助農(nóng)業(yè)統(tǒng)計(jì)和指揮生產(chǎn)。通過地面調(diào)查, 研究區(qū)的地物主要包括棉花、水稻、林地、果園、道路、村鎮(zhèn)、沙地等。利用圖7所示的4月至10月8 d時(shí)間間隔的高時(shí)空分辨率影像, 基于物候和光譜信息通過最大似然法對(duì)研究區(qū)農(nóng)作物進(jìn)行遙感分類, 作物空間分布如圖9所示。對(duì)比地面調(diào)查和Google影像, 作物遙感分類與實(shí)際情況吻合。本區(qū)域棉花種植面積大, 分布于全圖, 水稻面積次之, 主要分布在水庫河流周邊。果園面積分布較大, 零散分布的有小片林地, 另在村鎮(zhèn)和道路旁有條帶狀林地。

結(jié)合不同影像的差異, 排除其他主要因素對(duì)農(nóng)作物提取的影響, 分別提取模擬影像與真實(shí)觀測(cè)影像的農(nóng)作物種植區(qū)域。從模擬的影像結(jié)果獲取的作物面積為305.5509 km2, 根據(jù)真實(shí)觀測(cè)影像作物面積識(shí)別為305.5617 km2。相差較小, 表明ESTARFM算法可以較好應(yīng)用于農(nóng)作物面積監(jiān)測(cè)。

圖9 農(nóng)作物遙感分類結(jié)果

農(nóng)作物長(zhǎng)勢(shì)遙感監(jiān)測(cè)有利于遙感估產(chǎn)、管理處方制訂、耕地地力評(píng)價(jià)等。作物的NDVI值與作物的長(zhǎng)勢(shì)間存在一定正相關(guān), NDVI值可以作為作物長(zhǎng)勢(shì)狀況的一種反映[24]。通過對(duì)當(dāng)?shù)刈魑飼r(shí)間特定生育期內(nèi)(4月1日至9月30日)的NDVI值累加, 可得到阿克蘇研究區(qū)作物長(zhǎng)勢(shì)監(jiān)測(cè)圖(圖10-A), 發(fā)現(xiàn)作物長(zhǎng)勢(shì)存在空間差異, 同一地塊內(nèi)部也存在變異。將棉花與水稻的生長(zhǎng)狀況劃分為稍差、持平、稍好、好4類, 棉花、水稻長(zhǎng)勢(shì)分級(jí)見圖10-B、10-C。從該圖可以看出, 棉花總體長(zhǎng)勢(shì)偏好, 中部及東部區(qū)域總體生長(zhǎng)狀況最佳, 西北角區(qū)域中居民地及果園、林地較多, 作物種植較少, 棉花長(zhǎng)勢(shì)一般, 南部區(qū)域棉花種植地區(qū)靠近沙地, 生長(zhǎng)狀況稍差。水稻主要分布在研究區(qū)東部及南部區(qū)域, 其他地區(qū)種植較少, 相比南部區(qū)域, 東部區(qū)域生長(zhǎng)狀況更好。

3 討論

近幾十年來農(nóng)情監(jiān)測(cè)與預(yù)報(bào)在國(guó)際上都是遙感的重要應(yīng)用領(lǐng)域, 農(nóng)業(yè)遙感對(duì)高時(shí)空分辨率數(shù)據(jù)有強(qiáng)烈需求。MODIS和Landsat遙感數(shù)據(jù)具有長(zhǎng)時(shí)間序列, 免費(fèi)公開數(shù)據(jù)已經(jīng)過幾何輻射預(yù)處理具有時(shí)空一致性是農(nóng)業(yè)遙感應(yīng)用的重要數(shù)據(jù)源。為解決目前農(nóng)區(qū)遙感監(jiān)測(cè)在特定時(shí)相高空間分辨率影像缺乏的問題, 本文利用ESTARFM高時(shí)空數(shù)據(jù)融合模型生成30 m分辨率的高時(shí)空影像, 在中國(guó)北方農(nóng)業(yè)種植大省河北、黑龍江、新疆典型農(nóng)區(qū)尺度上, 驗(yàn)證ESTARFM模型在農(nóng)業(yè)種植區(qū)的適用性及可行性。ESTARFM模型在中國(guó)北方的華北、東北、西北區(qū)域能夠得到缺失的高時(shí)空分辨率遙感影像, 影像地物輪廓清晰。對(duì)于河北、黑龍江和新疆的3個(gè)研究區(qū)域, 選取的基準(zhǔn)影像日期較為相近, 未跨作物生長(zhǎng)季節(jié), 地物種類未過多發(fā)生劇烈變化, 各波段相關(guān)系數(shù)2均高于0.70, 相關(guān)程度較高。均方根誤差均低于0.12, 方差均低于0.02, 平均絕對(duì)偏差均小于0.09, 表明預(yù)測(cè)值與真實(shí)值偏差不大, 預(yù)測(cè)精度較高。在3個(gè)研究區(qū)域中基于生成的高時(shí)空分辨率數(shù)據(jù)提取NDVI值與真實(shí)影像生成NDVI值的對(duì)比驗(yàn)證中, 決定系數(shù)2均在0.8以上。在用ESTARFM模型生成新疆阿克蘇地區(qū)4月至10月8 d時(shí)間間隔NDVI曲線應(yīng)用中, 預(yù)測(cè)影像生成的NDVI曲線與MODIS影像生成的NDVI曲線變化趨勢(shì)一致, 說明ESTARFM模型能夠預(yù)測(cè)出NDVI值隨時(shí)間變化的情況。將預(yù)測(cè)后生成的影像進(jìn)行長(zhǎng)勢(shì)監(jiān)測(cè), 可以很好地表現(xiàn)出當(dāng)?shù)刈魑锷L(zhǎng)趨勢(shì)與實(shí)際生長(zhǎng)狀況。ESTARFM模型模擬產(chǎn)生的影像與原始影像接近且時(shí)序NDVI能反映作物變化, 這是因?yàn)镋STARFM模型最大限度地利用影像之間的相關(guān)性并最小化系統(tǒng)產(chǎn)生的誤差, 從而提高了預(yù)測(cè)數(shù)據(jù)的準(zhǔn)確性, 且對(duì)于異質(zhì)景觀, 保留了其空間細(xì)節(jié)[25]。本研究從區(qū)域尺度和多時(shí)相角度驗(yàn)證了ESTARFM時(shí)空數(shù)據(jù)融合模型可用于我國(guó)北方農(nóng)業(yè)種植大區(qū)高時(shí)空影像的模擬生成, 該研究結(jié)果可為農(nóng)業(yè)遙感監(jiān)測(cè)提供可靠的數(shù)據(jù)支撐。

圖10 作物長(zhǎng)勢(shì)監(jiān)測(cè)和分級(jí)圖

A: 作物長(zhǎng)勢(shì)監(jiān)測(cè)圖; B: 棉花長(zhǎng)勢(shì)分級(jí)圖; C: 水稻長(zhǎng)勢(shì)分級(jí)圖。

A: crop growth monitoring map; B: cotton growth grade map; C: rice growth grade map.

前人研究主要是利用小區(qū)域影像探討ESTARFM模型生成各類模擬高時(shí)空分辨率影像[26-28], 或 是改進(jìn)模型算法[29], Knauer等[6]開展的研究表明ESTARFM適合在非洲熱帶地區(qū)大區(qū)域尺度上生成時(shí)間序列, 本文則利用ESTARFM模型在我國(guó)北方農(nóng)業(yè)種植區(qū)域尺度上進(jìn)行預(yù)測(cè)及比較, 表明該模型在農(nóng)業(yè)監(jiān)測(cè)方面的可行性, 豐富了研究成果。本研究中植被預(yù)測(cè)結(jié)果較為穩(wěn)定, 但建筑物、水體等易受紅波段和近紅外波段的影響, ESTARFM預(yù)測(cè)中出現(xiàn)異常值, 另外該方法對(duì)于變化情況較大且未記錄在基準(zhǔn)影像的區(qū)域不能準(zhǔn)確地預(yù)測(cè), 在不同地區(qū)應(yīng)結(jié)合實(shí)際地形特征、研究對(duì)象及當(dāng)?shù)刈魑锷L(zhǎng)情況應(yīng)用。新疆阿克蘇研究區(qū)作物大多為單季作物, 本文未考慮多季作物融合后NDVI變化情況, 在后續(xù)研究中將結(jié)合各研究區(qū)域中實(shí)際地貌對(duì)ESTARFM模型中各參數(shù)進(jìn)行調(diào)整, 使之更好適用于各研究區(qū)域, 進(jìn)一步提高各類作物光譜的預(yù)測(cè)精度, 其次也會(huì)對(duì)多季作物進(jìn)行實(shí)驗(yàn), 以更好驗(yàn)證ESTARFM模型的實(shí)用性。

4 結(jié)論

在我國(guó)北方種植大省河北、黑龍江、新疆典型農(nóng)區(qū), 利用高空間分辨率Landsat-8 OLI影像與高時(shí)間分辨率MODIS影像構(gòu)建了30 m高時(shí)空分辨率影像數(shù)據(jù)集, 基于ESTARFM時(shí)空數(shù)據(jù)融合模型生成模擬影像, 并與真實(shí)Landsat影像對(duì)比, 表明該模型在農(nóng)田區(qū)域尺度上有適用性。在新疆阿克蘇影像缺失區(qū)域生成8 d時(shí)間間隔的模擬影像, 通過提取反映田塊物候變化的年際NDVI曲線監(jiān)測(cè)當(dāng)?shù)刈魑镩L(zhǎng)勢(shì), 表明該模型在農(nóng)業(yè)遙感應(yīng)用方面有可行性。

[1] Ju J, Roy D P. The availability of cloud-free Landsat ETM+ data over the conterminous United States and globally., 2008, 112: 1196–1211.

[2] Pohl C, Genderen J L V. Review article multisensor image fusion in remote sensing: Concepts, Methods and Applications., 1998, 19: 823–854.

[3] Jarihani A A, McVicar T R, Van Niel T G, Emelyanova I V, Callow J N, Johansen K. Blending Landsat and MODIS data to generate multispectral indices: a comparison of “Index-then- Blend” and “Blend-then-Index” approaches., 2014, 6: 9213–9238.

[4] 石月嬋. 基于多源遙感數(shù)據(jù)的高時(shí)空地表溫度生成方法研究. 山東科技大學(xué)碩士學(xué)位論文, 山東青島, 2013. Shi Y C. Research on the Generation of High Temporal and Spatial land Surface Temperature Based on Multi-source Remote Sensing Data. MS Thesis of Shandong University of Science and Technology, Qingdao, Shandong, China, 2013 (in Chinese with English abstract).

[5] Gao F, Masek J, Schwaller M, Hall F. On the blending of the Landsat and MODIS surface reflectance: predicting daily Landsat surface reflectance., 2006, 44: 2207–2218.

[6] Knauer K, Gessner U, Fensholt R, Kuenzer C. An ESTARFM fusion framework for the generation of large-scaletime series in cloud-prone and heterogeneous landscapes., 2016, 8: 425.

[7] Hilker T, Wulder M A, Coops N C, Linke J, Mcdermid G, Masek J G, Gao F, White J C. A new data fusion model for high spatial-and temporal-resolution mapping of forest disturbance based on Landsat and MODIS., 2009, 113: 1613–1627.

[8] Zhu X L, Chen J, Gao F, Chen X H, Masek J G. An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions., 2010, 114: 2610–2623.

[9] Emelyanova I V, Mcvicar T R, Van Niel T G, Li L T, van Dijk A I J M. Assessing the accuracy of blending Landsat-MODIS surface reflectances in two landscapes with contrasting spatial and temporal dynamics: A framework for algorithm selection., 2013, 133: 193–209.

[10] Chen B, Huang B, Xu B. Comparison of spatiotemporal fusion models: a review., 2015, 7: 1798–1835.

[11] Liao C H, Wang J F, Pritchard I, Liu J G, Shang J L. A spatio-temporal data fusion model for generating NDVI time series in heterogeneous regions., 2017, 9: 1125.

[12] Knauer K, Gessner U, Fensholt R, Forkuor G, Kuenzer C. Monitoring agricultural expansion in Burkina Faso over 14 years with 30 m resolution time series: the role of population growth and implications for the environment., 2017, 9: 132.

[13] Wu M Q, Niu Z, Wang C Y, Wu C Y, Wang L. Use of MODIS and Landsat time series data to generate high-resolution temporal synthetic Landsat data using a spatial and temporal reflectance fusion model., 2012, 6: 063507.

[14] 石月嬋, 楊貴軍, 李鑫川, 宋健, 王紀(jì)華, 王錦地. 融合多源遙感數(shù)據(jù)生成高時(shí)空分辨率數(shù)據(jù)的方法對(duì)比. 紅外與毫米波學(xué)報(bào), 2015, 34: 92–99. Shi Y C, Yang G J, Li X C, Song J, Wang J H, Wang J D. Comparison of methods for generating high temporal and spatial resolution data by using multi-source remote sensing data., 2015, 34: 92–99 (in Chinese with English abstract).

[15] Wu M Q, Wu C Y, Huang W J, Niu Z, Wang C Y, Li W, Hao P Y. An improved high spatial and temporal data fusion approach for combining Landsat and MODIS data to generate daily synthetic Landsat imagery., 2016, 31: 14–25.

[16] 周巍, 朱榮, 張錦水. 遙感輔助的農(nóng)作物種植面積小域估計(jì)方法研究. 統(tǒng)計(jì)研究, 2015, 32(7): 81–86. Zhou W, Zhu R, Zhang J S. A study on small area estimation for crop acreage in remote sensing assisted crop survey., 2015, 32(7): 81–86 (in Chinese with English abstract).

[17] 侯博展, 陳蜀江, 侯建楠, 黃鐵成, 賈翔. 基于多源多時(shí)相數(shù)據(jù)集的喀什市近70a城區(qū)空間擴(kuò)展遙感研究. 冰川凍土, 2016, 38: 836–844. Hou B Z, Chen S J, Hou J N, Huang T C, Jia X. Remote sensing study of urban spatial expansion in Kashgar City based on multisource and multi-temporal datasets in the last 70 years., 2016, 38: 836–844 (in Chinese with English abstract).

[18] 李國(guó)硯, 張仲元, 鄭艷芬, 劉曉玫. MODIS影像的大氣校正及在太湖藍(lán)藻監(jiān)測(cè)中的應(yīng)用. 湖泊科學(xué), 2008, 20: 160–166. Li G Y, Zhang Z Y, Zheng Y F, Liu X M. Atmospheric correction of MODIS images and its application in cyanobacteria bloom monitoring in Lake Taihu., 2008, 20: 160–166 (in Chinese with English abstract).

[19] Bai L L, Cai J B, Liu Y, Chen H, Zhang B Z, Huang L X. Responses of field evapotranspiration to the changes of cropping pattern and groundwater depth in large irrigation district of Yellow River basin., 2017, 188: 1–11.

[20] Huang C, Chen Y, Zhang S Q, Li L Y, Shi K F, Liu R. Surface water mapping from Suomi NPP-VIIRS imagery at 30 m resolution via blending with Landsat data., 2016, 8: 631.

[21] 郭文靜, 李愛農(nóng), 趙志強(qiáng), 王繼燕. 基于AVHRR和TM的時(shí)間序列較高分辨率NDVI數(shù)據(jù)集重構(gòu)方法. 遙感技術(shù)與應(yīng)用, 2015, 30: 267–276. Guo W J, Li A N, Zhao Z Q, Wang J Y. Constructing the time-series NDVI dataset with a high spatial and temporal resolution through fusing AVHRR with TM data., 2015, 30: 267–276.

[22] 郝貴斌, 吳波, 張立福, 付東杰, 李瑤. ESTARFM模型在西藏色林錯(cuò)湖面積時(shí)空變化中的應(yīng)用分析(1976–2014年). 地球信息科學(xué)學(xué)報(bào), 2016, 18: 833–846. Hao G B, Wu B, Zhang L F, Fu D J, Li Y. Temporal and spatial variation analysis of the area of Siling Co lake in Tibet based on ESTARFM (1976–2014)., 2016, 18: 833–846. (in Chinese with English abstract).

[23] 楊貴軍, 孫晨紅, 歷華. 黑河流域ASTER與MODIS融合生成高分辨率地表溫度的驗(yàn)證. 農(nóng)業(yè)工程學(xué)報(bào), 2015, 31(6): 193–200. Yang G J, Sun C H, Li H. Verification of high-resolution surface temperature by fusion of ASTER and MODIS in Heihe River Basin., 2015, 31(6): 193–200 (in Chinese with English abstract).

[24] 吳炳方, 張峰, 劉成林, 張磊, 羅治敏. 農(nóng)作物長(zhǎng)勢(shì)綜合遙感監(jiān)測(cè)方法. 遙感學(xué)報(bào), 2004, 8: 498–514. Wu B F, Zhang F, Liu C L, Zhang L, Luo Z M. An integrated method for crop condition monitoring., 2004, 8: 498–514 (in Chinese with English abstract).

[25] Liu M X, Liu X N, Wu L, Zou X Y, Jiang T, Zhao B Y. A modified spatiotemporal fusion algorithm using phenological information for predicting reflectance of paddy rice in southern china., 2018, 10: 772.

[26] Zhang W, Li A, Jin H, Bian J H, Zhang Z J, Lei G B, Qin Z H, Huang C Q. An enhanced spatial and temporal data fusion model for fusing Landsat and MODIS surface reflectance to generate high temporal Landsat-like data., 2013, 5: 5346–5368.

[27] G?rtner P, F?rster M, Kleinschmit B. The benefit of synthetically generated RapidEye and Landsat 8 data fusion time series for riparian forest disturbance monitoring., 2016, 177: 237–247.

[28] Yang G J, Weng Q H, Pu R L, Gao F, Sun C H, Li H, Zhao C J. Evaluation of ASTER-like daily land surface temperature by fusing ASTER and MODIS data during the HiWATER-MUSOEXE., 2016, 8: 75.

[29] Fu D J, Chen B Z, Wang J, Zhu X L, Hilker T. An improved image fusion approach based on enhanced spatial and temporal the adaptive reflectance fusion model., 2013, 5: 6346–6360.

Generation and application of high temporal and spatial resolution images of regional farmland based on ESTARFM model

CHEN Meng-Lu1,2, LI Cun-Jun1,*, GUAN Yun-Lan2, ZHOU Jing-Ping1, WANG Dao-Yun2, and LUO Zheng-Qian3

1Beijing Research Center for Information Technology in Agriculture, Beijing 100097, China;2East China University of Technology, Nanchang 330013, Jiangxi, China;3Xinjiang Academy of Agricultural Sciences Comprehensive Test Site, Urumqi 830091, Inner Mongolia, China

Multi-temporal remote sensing images are important data sources for agricultural phenology, growth, and yield monitoring. However, visible light images are vulnerable to cloud and rain, and there is a lack of high temporal and spatial resolution data in reality, the remote sensing image fusion methods have become particularly important. ESTARFM (Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model) is used to synthesize high spatial-temporal resolution images in small areas. The adaptability and application of the algorithm in different agricultural growing areas in China have not yet fully developed. In this paper, the large area application test analysis was performed in the Hebei, Heilongjiang, and Xinjiang. Based on MODIS and Landsat images, we used ESTARFM to generate Landsat images with high spatial-temporal characteristics, which were compared with the real Landsat images. The application of ESTARFM algorithm in NDVI was performed for crop growth monitoring in Xinjiang. In conclusion ESTARFM can perform better image prediction in three different regional conditions, generate 30 m multi-temporal NDVI with good spatial resolution in Xinjiang, and monitor the growth of crops.

high spatiotemporal resolution; ESTARFM; fusion data; NDVI; growth monitoring

2018-09-17;

2019-01-19;

2019-02-27.

10.3724/SP.J.1006.2019.81065

李存軍, E-mail: licj@nercita.org.cn

E-mail: chenml712@163.com

本研究由國(guó)家自然科學(xué)基金項(xiàng)目(41671435)資助。

This study was supported by the National Natural Science Foundation of China (41671435).

URL: http://kns.cnki.net/kcms/detail/11.1809.S.20190226.1354.005.html