一種基于分層策略的時(shí)空融合模型

張愛竹，王 偉，鄭雄偉，姚延娟，孫根云，辛 蕾，王 寧，胡 光

(1.中國石油大學(xué)(華東)海洋與空間信息學(xué)院,青島 266580；2.青島海洋國家實(shí)驗(yàn)室海洋礦產(chǎn)資源評價(jià)與探測技術(shù)功能實(shí)驗(yàn)室,青島 266237；3.中國自然資源航空物探遙感中心，北京 100083；4.環(huán)境保護(hù)部衛(wèi)星環(huán)境應(yīng)用中心,北京 100094；5.國家海洋局北海預(yù)報(bào)中心，青島 266061；6.武漢中測晟圖遙感技術(shù)有限公司，武漢 430223)

0 引言

長時(shí)間序列的高空間分辨率遙感數(shù)據(jù)是高精度地表快速監(jiān)測的基礎(chǔ)，廣泛應(yīng)用于土地利用制圖和變化檢測、農(nóng)作物的生長監(jiān)測、地表溫度監(jiān)控等領(lǐng)域[1]。然而，遙感數(shù)據(jù)在空間分辨率和時(shí)間分辨率上的相互制約，導(dǎo)致單一傳感器無法同時(shí)獲取高空間和高時(shí)間分辨率的遙感數(shù)據(jù)。時(shí)空融合技術(shù)可較好地解決這一矛盾，在植被動態(tài)監(jiān)測[2]、葉面積指數(shù)[3]、城市熱島監(jiān)測[4]、地表溫度生成[5]、土地覆蓋分類[6]、病毒傳播監(jiān)測[7]等多個(gè)領(lǐng)域得到應(yīng)用。

在眾多已有的遙感時(shí)空融合算法中，簡單高效的線性模型得到了最為廣泛的應(yīng)用[8-13]。其本質(zhì)思想是通過構(gòu)建高低空間分辨率圖像中對應(yīng)像元反射率之間的線性關(guān)系，將低空間分辨率圖像的時(shí)間變化信息融入到已有的高空間分辨率圖像中[14]。Gao等[15]最早提出了一種時(shí)空自適應(yīng)反射率融合模型(spatial and temporal adaptive reflectance fusion model,STARFM)，該模型通過融合MODIS圖像和Landsat圖像生成了具有MODIS時(shí)間分辨率和Landsat空間分辨率的地表反射率數(shù)據(jù)。雖然STARFM模型能夠獲取預(yù)測數(shù)據(jù)，但是不適用于反射率變化較大的區(qū)域和異質(zhì)性較高的區(qū)域[16]。針對前者，Hilker等[17]提出了一種反射率變化映射的時(shí)空自適應(yīng)算法，該算法首先確定不同時(shí)相Landsat的空間變化和MODIS的時(shí)間變化，然后選擇地表覆蓋變化與MODIS最接近的Landsat圖像作為數(shù)據(jù)預(yù)測的基準(zhǔn)數(shù)據(jù)，從而提高了Landsat圖像的預(yù)測精度。針對高異質(zhì)性問題，Zhu等[18]提出了增強(qiáng)型時(shí)空自適應(yīng)反射率融合模型(enhanced spatial and temporal adaptive reflectance fusion model,ESTARFM)，假設(shè)地物端元在短時(shí)間內(nèi)只發(fā)生線性變換，通過引入轉(zhuǎn)換系數(shù)計(jì)算出不同端元的反射率變化，提高遙感圖像異質(zhì)性區(qū)域的預(yù)測精度。雖然這些改進(jìn)模型取得了一定的應(yīng)用效果，但是它們的普遍問題是不能適用于土地覆蓋類型發(fā)生突變區(qū)域的預(yù)測[19]。

近些年來，為了進(jìn)一步提高時(shí)空數(shù)據(jù)融合的預(yù)測精度，研究人員嘗試將短時(shí)間內(nèi)同一研究區(qū)的數(shù)據(jù)變化關(guān)系建模為線性變化模型[20]。其本質(zhì)思想是將基準(zhǔn)和預(yù)測時(shí)刻的兩幅低空間分辨率圖像的線性方程的系數(shù)直接應(yīng)用于高空間分辨率圖像的預(yù)測。例如，Cheng等[21]提出了一種基于非局部濾波的時(shí)空融合模型，利用兩個(gè)回歸系數(shù)更準(zhǔn)確地描述地表覆蓋變化信息，提高了對復(fù)雜變化地物的預(yù)測能力；Wang等[22]提出了一種名為Fit-FC的新型時(shí)空融合算法，綜合利用回歸模型、空間濾波和殘差補(bǔ)償提高預(yù)測精度。但是，如何對土地覆蓋類型發(fā)生突變的區(qū)域進(jìn)行數(shù)據(jù)融合與預(yù)測仍然是個(gè)難題。

針對時(shí)空融合模型在突變區(qū)域預(yù)測精度不高的問題，本文提出了一種基于分層策略的時(shí)空融合模型(hierarchical spatial-temporal fusion model,H-STFM)。通過分別捕捉漸變和突變的土地覆蓋類型變化區(qū)域，并設(shè)計(jì)不同的融合方法，有效提高預(yù)測圖像異質(zhì)性區(qū)域的預(yù)測精度。該模型由線性回歸模塊和加權(quán)濾波模塊組成，分別用于預(yù)測物候變化和突變區(qū)域。首先判別目標(biāo)像素(待預(yù)測像素)的變化性質(zhì)，然后對物候變化像素進(jìn)行線性回歸預(yù)測；對突變像素進(jìn)行加權(quán)濾波處理，在超像素鄰域中選擇變化同質(zhì)性像素作為相似像素進(jìn)行加權(quán)濾波預(yù)測；最后將物候變化和突變區(qū)域的預(yù)測結(jié)果利用優(yōu)化的時(shí)間加權(quán)函數(shù)融合生成最后預(yù)測圖像。旨在充分考慮地表覆蓋的突出變化，解決時(shí)空融合模型在地表突出變化上預(yù)測效果不好的問題，使得預(yù)測圖像更加接近真實(shí)地表數(shù)據(jù)。

1 H-STFM模型

H-STFM模型主要包括4個(gè)步驟：變化像素的判斷、加權(quán)濾波預(yù)測、線性回歸預(yù)測、時(shí)間加權(quán)融合，具體流程如圖1所示。為了便于討論，本文將低空間分辨率且重訪周期短的遙感圖像稱為“低分辨率圖像”，將高空間分辨率但重訪周期長的遙感圖像稱為“高分辨率圖像”。

圖1 算法流程圖Fig.1 Algorithm flowchart

1.1 判斷變化像素

H-STFM模型對變化像素進(jìn)行判斷，需要兩個(gè)基準(zhǔn)時(shí)刻(圖1所示t1和t3時(shí)刻)的兩幅高、低分辨率圖像對和預(yù)測時(shí)刻(圖1所示t2時(shí)刻)的低分辨率圖像。首先，對上述5幅遙感圖像進(jìn)行數(shù)據(jù)預(yù)處理，將3幅低分辨率圖像進(jìn)行重采樣和剪切處理，使其與高分辨率圖像具有相同的空間分辨率和分布范圍。然后，計(jì)算t1和t3時(shí)刻低分辨率圖像分別與t2時(shí)刻低分辨率圖像的反射率差值并進(jìn)行閾值判斷，將大于閾值的數(shù)據(jù)選出作為突變數(shù)據(jù)，其他作為物候變化數(shù)據(jù)。以t1與t2時(shí)刻低分辨率數(shù)據(jù)為例，判斷方法如式(1)所示：

(1)

式中：M為已知的低分辨率圖像；(x,y)為目標(biāo)像素的坐標(biāo)；B為圖像的波段；σ(M2-M1)為兩期低分辨率圖像反射率差值的標(biāo)準(zhǔn)差；N為土地覆蓋類型的數(shù)量。即閾值由反射率差值的標(biāo)準(zhǔn)差與土地覆蓋類型數(shù)量決定。基于以上方法，可以分別得到t1與t2時(shí)刻以及t3與t2時(shí)刻低分辨率圖像的突變數(shù)據(jù)和物候變化數(shù)據(jù)。

1.2 基于線性回歸的預(yù)測

本文采取兩層處理的策略分別對物候變化數(shù)據(jù)和突變數(shù)據(jù)進(jìn)行預(yù)測，即對整體物候變化和局部突變分別進(jìn)行預(yù)測。對于物候變化數(shù)據(jù)，本文采用全局線性回歸模型，即對兩幅低分辨率圖像使用全局窗口來對每個(gè)波段中像素進(jìn)行線性回歸擬合，如式(2)所示：

M(x,y,t2,B)=a×M(x,y,t1,B)+b+R，

(2)

式中：a和b為線性回歸的兩個(gè)系數(shù)，可用最小二乘估計(jì)法得到[10]；R為系統(tǒng)殘差。

線性回歸模型的理論基礎(chǔ)是在同一時(shí)刻的遙感圖像中，低分辨率圖像和高分辨率圖像在相同時(shí)間范圍內(nèi)的變化是一致的。因此，可以直接將基于t1時(shí)刻低分辨率圖像構(gòu)建的回歸模型，應(yīng)用于t2時(shí)刻高分辨率圖像的預(yù)測中。進(jìn)而得到物候變化區(qū)域t2時(shí)刻的高分辨率圖像，如式(3)所示：

LR(x,y,t2-1,B)=a×L(x,y,t1,B)+b+R，

(3)

式中：LR(x,y,t2-1,B)為基于回歸模型基于t1時(shí)刻預(yù)測的t2時(shí)刻高分辨率圖像；L(x,y,t1,B)為t1時(shí)刻的高分辨率圖像。同理，可以基于t3時(shí)刻圖像預(yù)測得到t2時(shí)刻的高分辨率圖像LR(x,y,t2-3,B)。

1.3 基于加權(quán)濾波的預(yù)測

對于突變數(shù)據(jù)采用加權(quán)濾波的方法進(jìn)行預(yù)測。經(jīng)典時(shí)空融合算法僅基于光譜信息在矩形窗口中選擇相似性像素，不能充分利用高分辨率圖像中豐富的空間特征[23]，不適用于突變數(shù)據(jù)選擇相似性像素。為充分利用圖像的空-譜信息，本文先對t1時(shí)刻的高分辨率圖像利用分形網(wǎng)絡(luò)分割算法進(jìn)行超像素分割[24]，然后將超像素作為鄰域窗口進(jìn)一步約束相似像素的選擇范圍。此外，由于目標(biāo)像素是突變數(shù)據(jù)，即在該時(shí)間段內(nèi)地表覆蓋發(fā)生了較大的變化。為了更準(zhǔn)確地選擇相似像素，本文提出基于混合像元分解的相似像素選擇方法：先計(jì)算t1與t2時(shí)刻低分辨率圖像目標(biāo)像素的光譜反射率差值D，根據(jù)高分辨率圖像的標(biāo)準(zhǔn)差和土地覆蓋類別設(shè)置閾值Tp，得到閾值范圍為[D-Tp,D+Tp]，如式(4)所示：

Tp=σ(L1)/2×N，

(4)

式中：Tp為判別異常像元的閾值;σ(L1)為t1時(shí)刻高分辨率圖像反射率的標(biāo)準(zhǔn)差。

然后計(jì)算t2時(shí)刻高分辨率圖像目標(biāo)像素與超像素內(nèi)其他像素的反射率差值，如果某一像素對應(yīng)的差值在閾值范圍內(nèi)，則被選定為備選相似像素；接著利用基于純凈像元指數(shù)的端元提取方法[25]與完全約束最小二乘法[26]完成基準(zhǔn)時(shí)刻高分辨率圖像的混合像元分解，得到其端元豐度圖；最后，根據(jù)實(shí)驗(yàn)經(jīng)驗(yàn)設(shè)置端元的變化閾值，將備選相似像素與目標(biāo)像素反射率差值大于閾值的像素作為最終的相似像素，相似像素個(gè)數(shù)標(biāo)記為N(x,v)。該方法基于地表覆蓋變化信息選擇相似像素，即選擇該像素經(jīng)過土地覆蓋變化后的光譜相似像素，而非原始像素的相似像素，與傳統(tǒng)方法差異較大。為了避免混淆，本文將相似像素定義為變化同質(zhì)性像素。

圖2以兩個(gè)時(shí)刻Landsat與MODIS圖像中某一超像素為例，展示了本文變化同質(zhì)性像素的選擇方法。如圖2(a)所示，t1到t2時(shí)刻的MODIS圖像目標(biāo)像素的反射率變化為5(反射率從5變化到10)。閾值Tp根據(jù)式(4)計(jì)算得到，數(shù)值為0.5，因此本文選擇變化同質(zhì)性像素的閾值范圍為[4.5,5.5]。即在t1時(shí)刻Landsat的超像素鄰域中，選擇與該目標(biāo)像素反射率之差在閾值范圍的像素作為變化同質(zhì)性像素的備選像素，如圖2(a)中標(biāo)記為紅色的反射率為9.6,9.7,10.4和10.5的像素。圖2(b)為t1時(shí)刻的Landsat圖像混合像元分解之后得到的3幅端元豐度圖。由于本小節(jié)處理的數(shù)據(jù)為突變數(shù)據(jù)，假設(shè)目標(biāo)像素已發(fā)生較大地物變化，所以應(yīng)該選擇在t1時(shí)刻與目標(biāo)像素分度值差異較大的像素。本文根據(jù)實(shí)驗(yàn)經(jīng)驗(yàn)設(shè)置端元變化閾值為0.5，選擇與目標(biāo)像素差值大于端元變化閾值的備選像素，最后將3幅豐度圖的備選像素取交集作為最終的變化同質(zhì)性像素，如圖2(b)所示。

(a)基于閾值的變化同質(zhì)像素初步選擇 (b)基于混合像元解混的變化同質(zhì)像素約束圖2 基于超像素的變化同質(zhì)性像素篩選Fig.2 Superpixel-based change pixel filtering

獲取變化同質(zhì)性像素后，需要據(jù)其構(gòu)建加權(quán)濾波的權(quán)重函數(shù)。為充分利用圖像的空間與光譜信息，本文綜合利用目標(biāo)像素與變化同質(zhì)性像素的光譜差異和距離差異構(gòu)建權(quán)重函數(shù)。對于坐標(biāo)為(x,y)的目標(biāo)像素，其變化同質(zhì)性像素的坐標(biāo)可以定義為(xi,yi)，其中i∈[1,2，…，Nx,y]，j∈[1,2，…，Nx,y]。目標(biāo)像素(x,y)與變化同質(zhì)性像素(xi,yi)之間的光譜差異Sij表示為：

Sij=|[L(x,y,t1,B)-L(xi,yi,t1,B)]-[M(x,y,t2,B)-M(x,y,t1,B)]|。

(5)

對應(yīng)的距離權(quán)重Dij由變化同質(zhì)性像素距離目標(biāo)像素的空間距離定義，公式為：

(6)

式中A為比例系數(shù)，調(diào)整距離權(quán)重與綜合權(quán)重的限制常數(shù)。

變化同質(zhì)性像素與目標(biāo)像素光譜差異越小、空間距離越接近，表示與目標(biāo)像素的相似程度越高，因此應(yīng)當(dāng)被賦予更高的權(quán)值?；诖耍疚膶⒐庾V差異和距離差異進(jìn)行歸一化，得到每個(gè)變化同質(zhì)性像素對目標(biāo)像素的貢獻(xiàn)權(quán)重Wij，公式為：

(7)

求得歸一化權(quán)重后，對于突變數(shù)據(jù)，利用基準(zhǔn)時(shí)刻t1的低分辨率圖像計(jì)算預(yù)測時(shí)刻t2的高分辨率圖像，公式為：

(8)

式中LF(x,y,t2-1,B)為基于濾波模型利用t1時(shí)刻預(yù)測的t2時(shí)刻高分辨率圖像。同樣，可以利用上述方法得到基于t3時(shí)刻的基準(zhǔn)圖像預(yù)測得到t2時(shí)刻的高分辨率圖像LF(x,y,t2-3,B)。

基于1.2和1.3小節(jié)的方法，可以分別針對物候變化區(qū)域和突變區(qū)域得到基于t1時(shí)刻圖像預(yù)測的t2時(shí)刻圖像，如式(3)與式(8)所示。兩者綜合得到整體的t2時(shí)刻預(yù)測圖像，公式為：

L(x,y,t2-1,B)=LR(x,y,t2-1,B)+LF(x,y,t2-1,B)。

(9)

同理，可以基于t3時(shí)刻的高低分辨率圖像，預(yù)測得到t2時(shí)刻的高分辨圖像L(x,y,t2-3,B)。

1.4 時(shí)間加權(quán)

獲得兩幅t2時(shí)刻的預(yù)測圖像后，對其進(jìn)行時(shí)間加權(quán)融合得到最終的預(yù)測結(jié)果。本文選用余弦相似度作為權(quán)重的賦值標(biāo)準(zhǔn)：將2期低分辨率圖像看作向量，計(jì)算2個(gè)向量的夾角余弦值來評估它們的相似度，即余弦值越大相似性越高，設(shè)置的權(quán)重越大。余弦相似度不僅可以體現(xiàn)光譜值差異，還可以體現(xiàn)光譜曲線形狀上的差異，計(jì)算的相似度量更為可靠。具體的時(shí)間權(quán)重函數(shù)Thk表達(dá)式為：

(10)

其中，余弦相似度表達(dá)式為：

(11)

式中：k為不同時(shí)刻的基準(zhǔn)圖像，值為1或3；cos為夾角余弦值；θ1為t1和t2時(shí)刻低分辨率像素向量夾角；θ3為t3和t2時(shí)刻低分辨率像素向量夾角?；谝陨蠙?quán)重，可綜合求得t2時(shí)刻的高分辨率圖像L(x,y,t2,B)，公式為：

L(x,y,t2,B)=L(x,y,t2-1,B)×T1+L(x,y,t2-3,B)×T3。

(12)

2 實(shí)驗(yàn)

2.1 實(shí)驗(yàn)數(shù)據(jù)

本文采用兩個(gè)Landsat7 ETM+和MODIS數(shù)據(jù)集對算法性能進(jìn)行測試，每個(gè)數(shù)據(jù)集包含3幅Landsat圖像和3幅MODIS圖像。經(jīng)過投影校正、大氣校正、重采樣和裁剪等預(yù)處理，Landsat圖像分辨率為30 m，MODIS圖像分辨率為500 m。本文采用綠、紅、近紅外3個(gè)波段進(jìn)行預(yù)測實(shí)驗(yàn)，即Landsat的4，3，2波段和MODIS的3，1，2波段。

數(shù)據(jù)集1實(shí)驗(yàn)區(qū)位于加拿大北部區(qū)域(http://ledaps.nascom.nasa.gov/ledaps/tools/StarFM.htm)，如圖3所示。研究區(qū)內(nèi)土地覆蓋類型以森林(云杉、松樹、白楊)為主，輔之以沼澤和稀疏植被(土壤、巖石、燒傷痕)，植被生長季節(jié)短，物候變化迅速。

(a)t1時(shí)刻MODIS圖像 (b)t2時(shí)刻MODIS圖像 (c)t3時(shí)刻MODIS圖像

數(shù)據(jù)集2位于中國內(nèi)蒙古區(qū)域(https://drive.google.com/open?id=1yzw-4TaY6GcLPIRNF BpchETrFKno30he)。研究區(qū)內(nèi)地物目標(biāo)豐富，包含農(nóng)田、牧場、山區(qū)、城鎮(zhèn)、城市等，如圖4所示?？梢钥闯?，數(shù)據(jù)集2相比于數(shù)據(jù)集1具有更高的光譜異質(zhì)性和空間異質(zhì)性，預(yù)測難度更高。

(a)t1時(shí)刻MODIS圖像 (b)t2時(shí)刻MODIS圖像 (c)t3時(shí)刻MODIS圖像

2.2 融合評價(jià)指標(biāo)

本文采用的時(shí)空融合評價(jià)指標(biāo)包括結(jié)構(gòu)相似性指數(shù)(structural similarity,SSIM)、平均絕對差(average absolute deviation,AAD)、方差誤差(variance of error,VOE)和相對無量綱全局誤差(erreur relative globale adimensionnelle de synthèse,ERGAS)。SSIM表示預(yù)測圖像與真實(shí)圖像之間的相似度;AAD代表預(yù)測圖像與真實(shí)圖像之間的偏差;VOE表示預(yù)測圖像的誤差波動;ERGAS評估光譜范圍內(nèi)所有波段的光譜質(zhì)量。SSIM值越大表示算法性能越好，最佳數(shù)值為1；而AAD,VOE,ERGAS值越低表示圖像融合質(zhì)量越好。對比算法包括STARFM和ESTARFM兩種。

2.3 實(shí)驗(yàn)結(jié)果和討論

圖5展示了數(shù)據(jù)集1的預(yù)測圖像。其中，圖5(a)為真實(shí)Landsat圖像，圖5(b)—(d)為3種時(shí)空融合算法生成的預(yù)測圖像?？梢钥闯觯?個(gè)模型的預(yù)測結(jié)果整體相似，H-STFM模型獲取的預(yù)測圖像與真實(shí)圖像整體色調(diào)上更接近。而從局部放大圖可以看出，雖然STARFM和ESTARFM模型也能夠捕捉到圖像的整體變化，但是對很多空間細(xì)節(jié)信息的預(yù)測不夠準(zhǔn)確，且有較嚴(yán)重的顏色失真和色斑，H-STFM模型獲取的預(yù)測圖像更好地保留了地物的顏色和空間細(xì)節(jié)信息。

(a)真實(shí)圖像 (b)STARFM (c)ESTARFM (d)H-STFM

圖6是以紅光波段為例展示了數(shù)據(jù)集1 的圖像反射率預(yù)測值與真實(shí)值的散點(diǎn)圖，其他數(shù)據(jù)結(jié)果展示如表1，其中加粗體為各指標(biāo)最佳結(jié)果。如圖6所示，相比于兩種對比算法，H-STFM模型得到的散點(diǎn)圖中所有的數(shù)據(jù)都接近1∶1線，即其能夠較好地捕捉到物候引起的反射率變化，擬合的效果更好。

(a)STARFM (b)ESTARFM (c)H-STFM

表1 數(shù)據(jù)集1的定量評估結(jié)果Tab.1 Quantitative evaluation results of data set 1

從表1中可以看出，在綠波段和紅波段，H-STFM模型得到的預(yù)測圖像的偏差A(yù)AD和誤差波動VOE更小，預(yù)測效果更好。雖然在近紅外波段上H-STFM模型獲得的AAD略高于ESTARFM模型，但是H-STFM模型在各個(gè)波段上的SSIM和VOE都是最優(yōu)的，表明H-STFM模型得到的預(yù)測圖像與真實(shí)圖像之間整體的相似度最高并且誤差波動最小。H-STFM模型得到的ERGAS指標(biāo)為0.455 5，明顯優(yōu)于兩種對比算法，表明H-STFM模型在相關(guān)光譜范圍內(nèi)所有波段的光譜質(zhì)量最高。

圖7是數(shù)據(jù)集2的預(yù)測結(jié)果圖。其中，圖7(a)為真實(shí)Landsat圖像，圖7(b)—(d)為3種時(shí)空融合算法生成的預(yù)測圖像。由圖7可以看出，ESTARFM和H-STFM模型可以得到較STARFM模型質(zhì)量更高的預(yù)測效果；而在黃色圓圈區(qū)域，H-STFM模型的預(yù)測效果最好，與真實(shí)圖像最為接近。在紅框標(biāo)示的局部區(qū)域可以看出，H-STFM模型的預(yù)測圖像更好地保留了真實(shí)圖像的整體色調(diào)，且更好地預(yù)測了圖像空間信息，而STARFM的預(yù)測圖像出現(xiàn)了較為明顯的斑塊效應(yīng)，ESTARFM模型在色彩飽和度方面的預(yù)測效果較差。結(jié)果表明，H-STFM模型在異質(zhì)性區(qū)域同樣能夠獲取較好的預(yù)測結(jié)果，散點(diǎn)圖和定量評價(jià)結(jié)果也從定量的角度驗(yàn)證了這一點(diǎn)。

(a)真實(shí)圖像 (b)STARFM (c)ESTARFM (d)H-STFM

圖8同樣以紅光波段為例，展示了數(shù)據(jù)集2的Landsat圖像反射率預(yù)測值與真實(shí)值的散點(diǎn)圖，其他數(shù)據(jù)見表2。與圖6類似，H-STFM模型得到的散點(diǎn)圖中所有的數(shù)據(jù)較為聚集且接近1∶1線，數(shù)據(jù)更為集中，即該模型能夠較好地捕捉到突變引起的反射率變化，散點(diǎn)數(shù)據(jù)擬合的效果最好。

(a)STARFM (b)ESTARFM (c)H-STFM

表2 數(shù)據(jù)集2的定量評估結(jié)果Tab.2 Quantitative evaluation results of data set 2

如表2所示，在紅波段，H-STFM模型得到的預(yù)測圖像的AAD和SSIM更小，表示預(yù)測效果最好。H-STFM模型在綠波段和近紅外波段上AAD與SSIM表現(xiàn)不穩(wěn)定，但是在各個(gè)波段上的VOE表現(xiàn)穩(wěn)定且都為最優(yōu)值，表明通過H-STFM模型獲取的預(yù)測圖像與真實(shí)圖像之間的相似度最高。與數(shù)據(jù)集1實(shí)驗(yàn)結(jié)果類似，H-STFM的ERGAS指標(biāo)也優(yōu)于兩種對比算法，預(yù)測圖像的光譜質(zhì)量最高。

3 結(jié)論

針對地表覆蓋的正常物候變化和異常突出變化，設(shè)計(jì)了一種分層預(yù)測的策略，提出H-STFM模型。根據(jù)在時(shí)間段內(nèi)地表類型的變化情況，將待預(yù)測像素分為物候變化像素和突變像素，對兩種類型的像素分別進(jìn)行線性回歸和加權(quán)濾波預(yù)測。同時(shí)，對相似像素的選擇方法進(jìn)行改進(jìn)，本文利用超像素鄰域窗口和混合像元分解豐度圖進(jìn)行約束，篩選出更準(zhǔn)確的相似像素。最后將時(shí)間加權(quán)函數(shù)進(jìn)行優(yōu)化改進(jìn)，以提高圖像融合精度。在兩個(gè)實(shí)驗(yàn)區(qū)的實(shí)驗(yàn)結(jié)果表明，H-STFM模型可以得到更高的預(yù)測精度，更有利于預(yù)測土地覆蓋異常變化。主要研究結(jié)論如下：

1)利用分層思想，根據(jù)像素變化有針對性構(gòu)建了不同變化數(shù)據(jù)的預(yù)測方法，預(yù)測精度明顯提高。

2)引入超像素作為備選鄰域篩選變化同質(zhì)性像素，并利用豐度圖約束像素選擇，選擇相似像素的準(zhǔn)確度明顯提高。

3)選用余弦相似度作為時(shí)間加權(quán)函數(shù)的度量準(zhǔn)則，有效提高了預(yù)測精度。

本文算法還存在一定的局限性，如將低分辨率圖像建立的回歸模型直接應(yīng)用到了低分辨率圖像的求解，存在一定的系統(tǒng)誤差。后期研究將進(jìn)一步考慮不同空間分辨率數(shù)據(jù)成像系統(tǒng)差異，提高圖像預(yù)測的精度。