利用STF算法和CACAO后处理技术生成高空间分辨率与高时间分辨率的图像

《Scientific Reports》：Generation of spatially and temporally fine-resolution imagery using STF algorithms and CACAO post-processing

　　

摘要

时空融合技术被广泛应用于各种遥感领域，包括环境监测、土地覆盖变化检测以及水资源管理，其通过整合具有不同空间和时间分辨率的多源传感器数据来实现这些功能。本研究的目的是生成高空间和时间分辨率的影像，并评估多种时空融合算法以及基于气候实际观测的一致性调整处理方法在作物监测中的应用效果。研究在韩国安城的一块大豆田中进行，覆盖了从6月下旬到11月上旬的整个大豆生长季。研究使用了分辨率为3米的Planet SuperDove近日常值影像来补充分辨率仅为0.05米、且仅以每周或每月频率采集的无人机影像。通过降尺度处理，这些无人机数据被转换为目标空间分辨率为0.5米的日度数据集。在处理过程中首先进行了相对辐射度归一化，随后在四折交叉验证框架下对比了四种时空融合算法——增强型时空自适应反射率融合模型（ESTARFM）、拟合、空间滤波与残差补偿算法（Fit-FC）、灵活型时空数据融合算法（FSDAF）以及基于变异的时空数据融合算法（VSDF）。之后又采用了一致性调整处理方法来重建连续的归一化差异植被指数（NDVI）和增强植被指数（EVI）时间序列，进而得出基于NDVI的植被生长指标（VGM）85以及基于EVI的VGMmax值。验证结果表明，在所评估的算法中，ESTARFM的NDVI预测性能最佳，其均方根误差为0.113，通用图像质量指数为0.697。经过一致性调整处理后，CA-ESTARFM的均方根误差降至0.108，通用图像质量指数升至0.740，相比基准的ESTARFM，均方根误差降低了4.4%，通用图像质量指数提升了6.2%。NDVI直方图和空间分析显示，CA-ESTARFM在保持精细空间异质性的同时，与无人机观测数据的一致性最高。此外，利用基于NDVI的VGM85和基于EVI的VGMmax对田间植被状况进行评估后发现，CA-ESTARFM的结果与无人机观测数据的简单线性插值结果一致，同时还能保留更精细的空间结构，并减少所得生长指标中的局部噪声。该研究提出的框架在全面作物监测、精准农业管理以及产量预测等方面具有广阔的应用前景。