IGFUL：一种用于填补整合缺口、分离数据成分以及学习和估计连续高分辨率Landsat归一化差分植被指数时间序列的方法

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：IGFUL: An Integration Gap-Filling, Unmixing and Learning Approach for Estimating Continuous High-Resolution Landsat Normalized Difference Vegetation Index Time Series

　　```

摘要：

标准化植被指数（NDVI）是遥感中用于监测植被动态的最常用指数。虽然有多种中等分辨率的NDVI产品可用，但对高分辨率、时间连续的NDVI时间序列的需求却在不断增加，尤其是在地表异质性较高的区域。生成此类数据集的一个主要挑战是Landsat数据采集的不规律性，这通常受到大面积云层覆盖的影响。本研究介绍了一种名为集成间隙填充、解混与学习（IGFUL）的方法，通过将Landsat表面反射率与250米分辨率的GLASS NDVI数据相结合，来创建连续的30米分辨率、8天间隔的NDVI时间序列。该工作流程包括四个阶段：（1）使用无云Landsat表面反射率作为输入，GLASS NDVI作为输出，构建第一个随机森林（RF）模型，以获得物理上一致的Landsat晴空NDVI数据；（2）对于目标日的云层覆盖像素，根据季节相似性曲线识别相似像素，并利用其时空相关性信息来预填充缺失的Landsat NDVI值；（3）使用结构相似性指数（SSIM）识别参考图像，分别通过解混方法和薄板样条（TPS）方法进行时间和空间预测，并使用目标日的Landsat NDVI以及基准日的Landsat和GLASS NDVI作为输入，构建第二个RF模型，以目标日的Landsat NDVI作为输出；（4）对第二个RF模型的多个初始预测结果进行加权，以生成最终的Landsat NDVI重建结果。IGFUL在不同云层覆盖条件下进行了评估，在准确性和效率方面均优于三种基准方法。在CIA站点，该方法表现出高准确率（RMSE = 0.013，CC = 0.983），在云层较多的Qionglai站点也表现出良好的稳定性（RMSE = 0.033，CC = 0.882）。IGFUL在减少数据重构误差方面的能力...

显示更多

```