基于多源遥感图像的卡尔曼融合模型用于反演时间序列叶绿素含量

《IEEE Transactions on Geoscience and Remote Sensing》：Kalman assimilation model for retrieving time-series chlorophyll content based on multi-source remote sensing Images

本研究开发新型KFCAM模型，结合Landsat-8低分辨率与Sentinel-2/SPOT5高分辨率数据，利用卡尔曼滤波实现武汉地区叶绿素高时空分辨率连续监测，相比STGF和STARFM模型精度提升，稳定性增强，为全球植被监测提供新方法。

　　

摘要：

叶绿素（Chl）与植被呼吸和光合作用密切相关，其具有高空间分辨率的长时间序列数据对于监测植被生长状况和环境管理具有重要意义。然而，现有的长期叶绿素含量反演方法存在数据缺失以及高空间分辨率与连续时间序列覆盖范围不匹配的问题。为了解决这些限制，我们开发了一种结合卡尔曼滤波方法（KFCAM）的新型叶绿素吸收反演模型，用于合成武汉地区的高时空分辨率叶绿素含量数据。该模型首先利用Landsat-8卫星的低分辨率图像获取叶绿素的变化率，并结合Sentinel-2/SPOT5卫星的高分辨率叶绿素信息；其次计算状态误差和卡尔曼增益；随后通过状态更新将高分辨率信息整合到时间序列中；最后生成分辨率为10米的连续叶绿素时间序列图像。实验结果表明：I) 使用KFCAM合成的叶绿素图像具有较高的准确性，R2值为0.906±0.047，RMSE值为1.801±0.369；II) 与空间时间填充（STGF）模型和时间自适应反射率融合（STARFM）模型相比，KFCAM的RMSE值分别降低了12%和33%；III) 在考虑不同吸收时间间隔和土地覆盖变化的对比实验中，KFCAM在稳定性和抗干扰能力方面均优于两种参考模型。这为大规模和全球范围内的叶绿素检测提供了一种新的方法。