基于ESTARFM模型的區域農田高時空分辨率影像產生與應用

陳夢露 李存軍 官云蘭 周靜平 王道蕓 羅正乾

?

基于ESTARFM模型的區域農田高時空分辨率影像產生與應用

陳夢露1,2李存軍1,*官云蘭2周靜平1王道蕓2羅正乾3

1北京農業信息技術研究中心, 北京 100097;2東華理工大學測繪工程學院, 江西南昌 330013;3新疆農業科學院綜合試驗場, 新疆烏魯木齊 830091

多時相遙感影像特別是關鍵生育期數據是農業物候、長勢及產量監測的重要數據源, 然而可見光影像易受云雨干擾, 在特定區域關鍵時間窗口缺少高時空分辨率數據的現實情況下, 遙感影像時空數據融合方法變得尤為重要。增強型自適應反射率時空融合模型ESTARFM (Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model)是一種小區域合成高時空分辨率影像的較好方法, 該算法在我國不同農業種植區的適應性及應用工作尚未充分展開。本文以河北、黑龍江、新疆典型農區為研究區域進行大面積應用檢驗分析, 基于MODIS與Landsat影像, 利用ESTARFM生成具有高時空特征的Landsat模擬影像, 將其與真實Landsat影像進行對比, 并在新疆地區展開ESTARFM算法在NDVI方面的應用。結果表明, ESTARFM對3個不同區域狀況的地區都有較好的影像預測能力, 并且在新疆地區可以很好地生成30 m空間分辨率的多時相NDVI, 用于作物分類和長勢監測。

高時空分辨率; ESTARFM; 數據融合; NDVI; 長勢監測

農作物生長周期內的多時相遙感影像可對農作物生長情況精細觀測, 特別是關鍵生育期數據是農業物候、長勢及產量監測的重要數據源。目前, 高時間分辨率數據和高空間分辨率數據雖然比較豐富, 然而可見光影像易受云雨干擾, 在特定區域關鍵時間窗口兼顧時間分辨率和空間分辨率的高時空分辨率數據還比較缺乏。以目前較常用的高時間分辨率數據MODIS與高空間分辨率數據Landsat影像為例, MODIS影像具有36個光譜波段, 產品級別豐富, 每一到兩日可獲取一次全球觀測數據, 重訪觀測能力強, 但是其最大空間分辨率只有250 m, 對于地球表面的細節表征能力不強, 只能在大尺度區域上的作物識別與監測上取得較好效果; Landsat衛星多光譜影像的空間分辨率為30 m, 但重訪周期只能達到16 d, 且易受云雨天氣的影響, 無法獲取連續的高質量時序數據[1], 這限制了它在監測農作物植被生長動態變化方面的應用。因此, 研究遙感影像時空數據融合方法, 結合二者優勢, 生成既有高時間分辨率又有高空間分辨率的影像, 對農作物物候變化監測十分重要[2-3]。

近年來多尺度傳感器遙感數據融合快速發展, 國內外學者針對這一方面開展了研究[4], Gao等[5]提出了一種自適應遙感影像融合模型STARFM (spatial and temporal adaptive reflectance fusion model), 用于融合Landsat和MODIS影像, 生成與MODIS影像相應時間的模擬Landsat影像, 能較為準確地預測出高時空分辨率影像的反射率數據。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間內的劇烈變化, 那么預測的影像也不會表征該情況[6]。Hilker等[7]基于STARFM算法提出STAARCH (spatial temporal adaptive algorithm for mapping reflectance change)時空融合算法, 通過選擇最佳時相的Landsat數據進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, 該方法使用兩期對應觀測時間的高空間分辨率、低時間分辨率影像和低空間分辨率、高時間分辨率影像, 以及在預測日期獲取的低空間分辨率影像獲取對應時間的模擬高空間分辨率影像, 廣泛應用在空間動態監測及作物提取等方面[9-12]。鄔明權等[13]提出了STDFA (spatial and temporal data fusion model)算法, 該方法能夠產生具有MODIS時間分辨率和Landsat空間分辨率的影像。石月嬋等對目前常用的3種時空融合方法進行對比分析[14], 從光譜特征和地類的角度評價了不同方法的融合結果并探討其在紅色波段、近紅外波段與NDVI上的表現, 分析了方法的適用性。Wu等[15]對STDFA進行改進后提出了ISTDFA (improved high spatial and temporal data fusion approach)算法, 通過求解由光譜差和距離指數加權的線性混合模型可以很好地調整反射率的空間變化, 進而提高影像預測精度。比較而言, ESTARFM時空數據融合模型考慮了像元的異質性, 引入純凈像元與混合像元在一段時間內反射率變化的轉換系數, 提高了模型在異質性較高區域的反射率融合精度, 在小區域實驗中有較好的效果, 然而在更大面積區域遙感應用的有效性有待驗證。

對于農業遙感監測, 需要作物關鍵生育期內的多時間序列數據及特定時相的高空間分辨率影像。本文基于Zhu等[8]提出的ESTARFM時空數據融合模型, 利用MODIS的多時相信息與Landsat-8 OLI的高空間細節信息, 合成高時空分辨率影像, 選取黑龍江、河北、新疆部分縣市為研究區域, 生成兼具MODIS時間分辨率和Landsat空間分辨率特征的融合影像, 進而將其與真實Landsat影像對比分析, 研究其在中國部分區域的適用性; 并利用ESTARFM算法將新疆地區2017年缺失以及由于云雨干擾無法使用的Landsat影像插補完成, 生成8 d時間間隔的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, 并進行作物長勢監測, 進一步驗證該算法在農業遙感方面的可行性。

1 數據與方法

1.1 研究區概況

為驗證ESTARFM算法的適用性, 選取我國北方農業種植大省為研究區域(圖1中a.b.c區域), 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個研究區位于河北省保定市境內, 地處華北平原(38°21′N~39°22′N, 115°21′E~117°03′E), 面積約4800 km2, 其地勢由西北向東南傾斜, 地貌復雜多樣, 屬暖溫帶季風氣候, 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個研究區在黑龍江省哈爾濱市境內, 位于中國東北部(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, 屬溫帶大陸性季風氣候。降水資源比較穩定, 全省年日照時數多在2400~2800 h, 主要作物是水稻、玉米等[16]。第3個研究區域位于中國西北邊陲的新疆喀什地區(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], 日照時間充足(年日照時數2500~3500 h), 降水量少, 氣候干燥, 主要作物為小麥與棉花。這3個研究區域具有明顯地理特征差異, 以作物關鍵生育期的一景影像進行對比, 可以開展ESTARFM算法的適應性研究。

為分析ESTARFM算法產生多時相遙感數據在農業監測方面的可靠性與可行性, 選取新疆阿克蘇地區作為第4個研究區域(圖1中d區域)進行實驗, 該農區面積小、作物典型且需要多時相影像進行作物監測。其坐標為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, 適宜作物生長, 全市耕地面積5.2 hm2, 森林面積4.7 hm2, 是國家重要的商品糧基地。

1.2 數據預處理

1.2.1 Landsat-8 OLI 根據實驗區地形地貌特征及影像云量分布情況, 分別選取3景Landsat-8 OLI影像進行實驗分析, 各研究區影像獲取時間見表1。前后兩期為基準影像, 中間時期為驗證影像, 用來對測試結果進行精度驗證。影像來源于中科院對地觀測數據共享計劃(http://ids.ceode.ac.cn/), 下載后影像為UTM-WGS84坐標系, 輻射定標后使用FLAASH模型進行大氣校正, 并將有云部分裁去[18]。

1.2.2 MCD43A4 從NASA網站(https://ladsweb. modaps.eosdis.nasa.gov/)下載與Landsat影像同時期500 m分辨率的MODIS每日地面反射率數據集MCD43A4, MCD43A4包含36個光譜波段, 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波長范圍一一對應(表2)。

將下載的MCD43A4影像利用MODIS重投影工具MRT (MODIS Reprojection Tool)重新投影為UTM-WGS84, 轉換成Geo-tif數據格式, 并裁剪出研究區范圍內的影像, 采用雙線性內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、數據分辨率、投影方式等保持一致。

圖1 研究區域地理位置

表1 Landsat-8 OLI影像日期

表2 MODIS與Landsat-8波段設置

1.3 ESTARFM時空數據融合算法

ESTARFM算法是基于STARFM算法改進的, 考慮了像元的異質性, 對賦權方法進行調整, 引入一個轉換系數來對預測結果進行改進, 提高了特別是異質性較大區域的預測精度, 能夠很好地保留空間細節[8]。在保證兩幅影像精確配準之后, 假設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偏差引起的, 且在2個時期之間影像并未產生較大差異[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個時間,為轉換系數, 由傳感器之間的系統偏差所決定。

由于地表情況具有復雜性, 僅利用這一對像元信息預測, 會出現很大偏差, 假設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相似像元的轉換系數, 以上公式考慮到了相鄰像元具有相似的反射率變化, 利用鄰域像元設定的移動窗口, 可以搜索每個窗口內的相似像元, 利用像元之間的關系, 得到所需要預測影像的中心像元值, 進而得到預測影像, 如公式3所示。

其中,是包括中心預測像元的相似像元的數目, (x,y)是第個相似像元的位置,是第個相似像元的權重,V是第個相似像元的轉換系數。

根據第1個時期時刻Landsat與p時刻的MODIS來預測p時刻Landsat影像的反射率, 記為m(w/2w/2p), 或者利用第2個時期時刻的觀測數據來預測p時刻的Landsat影像的反射率, 記為n(w/2w/2p)[19-21]。通過這2個預測結果的加權組合可以獲得更加精確的p時刻的Landsat影像的反射率。根據m和n與預測時刻p之間MODIS反射率檢測到的變化幅度來計算權重, 如公式(4)。

由公式(5)預測中心像元反射率。

將經過預處理后影像信息保持一致的前后兩期對應時間的Landsat與MODIS影像, 及中間時期MODIS影像共5景作為ESTARFM模型的輸入數據, 生成中間時期Landsat影像[22-23], 并與預測日期當天的真實影像精度對比分析。首先將融合后影像與真實Landsat直接對比, 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圖分布對這3個研究區域的兩組數據進行相關性分析。最后通過對比3個地區內兩組NDVI值的散點圖驗證ESTARFM算法對中國北方地理區域適用性分析的精度。

圖2 技術流程框圖

2 結果與分析

2.1 影像融合結果

預測得到的結果如圖3所示, 分別為研究區域在預測時相下的原始Landsat反射率數據、部分細節表征圖與經ESTARFM算法融合后結果, 可直觀看出, 融合后得到的影像細節清晰, 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。細節圖上分別選取了一些對比較為明顯且具有代表性的區域(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。從細節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。河北研究區域影像受紅波段影響較大, 融合后影像部分區域如建筑物表面呈現紅色, 其次黑龍江研究區域影像中水體呈現其他顏色, 這是由于水體在近紅外波段吸收最強, 當含有其他物質, 如泥沙及葉綠素時, 反射率會發生變化。新疆研究區域水體中含泥沙量較大, 故水體部分區域反射率也發生了變化, 但對于其他地物, ESTARFM方法有較好的預測效果。

圖4為原始Landsat影像與融合后影像在6個波段上的散點圖分布對比情況。根據表1可知, 河北研究區域對比的波段散點的時相為2017年4月12日, 黑龍江研究區域散點圖波段選取的時相為2017年9月9日, 新疆研究區域散點圖選取的時相為2017年6月23日。圖中橫坐標為真實Landsat影像反射率數據, 縱坐標為ESTARFM算法融合后影像反射率數據。散點基本都在1∶1趨勢線的兩側, 分布較為集中。

圖5為3個地區原始Landsat影像NDVI值與融合后影像NDVI值的比較。決定系數2表明融合結果與真實反射率數據之間的關系, 3個地區2均在0.8以上, 表明相關程度較高, ESTARFM算法能夠進行NDVI值的預測。

表3表明, 河北農區影像在紅波段相關系數低于其他各波段, 黑龍江與新疆農區各波段相關性較高, 3個區域均方根誤差RMSE值均較小, 接近于0, 預測值與真實值之間的偏差不大, 表明ESTARFM模型對于我國地理區域高時空分辨率影像的生成有較好適用性。

2.2 新疆研究區時間序列NDVI生成

為驗證ESTARFM算法的可行性, 另以新疆阿克蘇地區為例, 根據新疆季節氣候及作物生長情況, 選擇除去冬季外的2017年4月至10月為研究時間段進行分析。圖6所示為實驗直接獲取且可用的Landsat及MODIS影像, 統一使用年積日(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, 數據缺失問題嚴重。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)數據作為基準影像來預測4月1日以及10月31日影像。使用這11景Landsat數據和30景MODIS數據(時間間隔為8 d)的可見光中紅波段數據及近紅外波段數據。

圖3 原始Landsat-8 OLI影像與ESTARFM融合后影像對比

A、D和G: 河北、黑龍江和新疆農區真實Landsat影像; C、F和I: 河北、黑龍江和新疆農區經ESTARFM預測后影像; B、E和H: 真實影像與預測影像細節表征對比圖。

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: 河北農區真實Landsat影像與經ESTARFM模型融合后影像各波段的相關性; B1~B6: 黑龍江農區真實Landsat影像與經ESTARFM模型融合后影像波段的相關性; C1~C6: 新疆農區真實Landsat影像與經ESTARFM模型融合后影像波段的相關性。

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 真實影像與融合后影像NDVI結果比較

A: 河北農區(2017-04-12); B: 黑龍江農區(2017-09-09); C: 新疆農區(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融合后結果相關性分析

圖6 Landsat-8 OLI和MODIS數據的獲取日期(DOY)

將兩期Landsat數據與對應時間的兩期MODIS數據(前后2個時期)結合, 加上預測期的MODIS數據, 生成預測期當天的高空間分辨率數據。由于Landsat基準影像較少, 故需要2次預測才能生成所有缺失影像。圖7所示為新疆阿克蘇地區4月至10月8 d時間間隔的高時空分辨率影像(R/G/B合成中各波段對應分別為紅波段、近紅外波段與紅波段), 綠色表示植被的時序變化情況。

圖8中左圖為研究區域經ESTARFM預測后生成Landsat遙感影像(R/G/B為紅波段/近紅外波段/紅波段)與選取的各樣本點的實際位置分布情況, 圖8右圖中橫坐標為4月6日(DOY-96)至10月31日(DOY-304)共27個時間序列號, 縱坐標為NDVI值, 各曲線表示經S-G濾波后NDVI值隨時間變化的情況。ESTARFM預測后影像中植被NDVI變化情況與MODIS影像提取的植被NDVI曲線趨勢一致。新疆植被生長季開始時間集中于3月中旬至5月上旬, 生長季結束時間集中于10月中旬至12月下旬。根據NDVI變化曲線可以看出, 前7個時間段(4月6日至5月16日)中植被NVDI值上升緩慢, 對應新疆地區的作物播種期。新疆作物大多一年一熟, NDVI值有一個波峰。時間序列號從19 (8月28日)開始急速下降, 是新疆地區作物成熟收獲階段, 說明ESTARFM預測影像生成的NDVI能夠表征實際作物NDVI變化情況, 對于水體來說, 在紅與近紅外這2個波段有較高反射率, 因而NDVI呈現負值。巖石、沙漠在這2個波段有相似的反射率, 因而NDVI值近似為0, 各曲線變化趨勢與實際地物NDVI值變化情況相對應。表明ESTARFM算法可以生成高時空分辨率影像, 并應用于NDVI的生成。

圖7 新疆阿克蘇地區8 d時間間隔的高時空分辨率影像

圖8 融合后影像中各地物NDVI隨時間變化情況

A: 植被; B: 沙漠; C: 建筑物; D: 水體。

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

2.3 農作物遙感分類和長勢監測

從農作物遙感分類可以客觀快速獲取作物的面積、分布等信息, 輔助農業統計和指揮生產。通過地面調查, 研究區的地物主要包括棉花、水稻、林地、果園、道路、村鎮、沙地等。利用圖7所示的4月至10月8 d時間間隔的高時空分辨率影像, 基于物候和光譜信息通過最大似然法對研究區農作物進行遙感分類, 作物空間分布如圖9所示。對比地面調查和Google影像, 作物遙感分類與實際情況吻合。本區域棉花種植面積大, 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, 另在村鎮和道路旁有條帶狀林地。

結合不同影像的差異, 排除其他主要因素對農作物提取的影響, 分別提取模擬影像與真實觀測影像的農作物種植區域。從模擬的影像結果獲取的作物面積為305.5509 km2, 根據真實觀測影像作物面積識別為305.5617 km2。相差較小, 表明ESTARFM算法可以較好應用于農作物面積監測。

圖9 農作物遙感分類結果

農作物長勢遙感監測有利于遙感估產、管理處方制訂、耕地地力評價等。作物的NDVI值與作物的長勢間存在一定正相關, NDVI值可以作為作物長勢狀況的一種反映[24]。通過對當地作物時間特定生育期內(4月1日至9月30日)的NDVI值累加, 可得到阿克蘇研究區作物長勢監測圖(圖10-A), 發現作物長勢存在空間差異, 同一地塊內部也存在變異。將棉花與水稻的生長狀況劃分為稍差、持平、稍好、好4類, 棉花、水稻長勢分級見圖10-B、10-C。從該圖可以看出, 棉花總體長勢偏好, 中部及東部區域總體生長狀況最佳, 西北角區域中居民地及果園、林地較多, 作物種植較少, 棉花長勢一般, 南部區域棉花種植地區靠近沙地, 生長狀況稍差。水稻主要分布在研究區東部及南部區域, 其他地區種植較少, 相比南部區域, 東部區域生長狀況更好。

3 討論

近幾十年來農情監測與預報在國際上都是遙感的重要應用領域, 農業遙感對高時空分辨率數據有強烈需求。MODIS和Landsat遙感數據具有長時間序列, 免費公開數據已經過幾何輻射預處理具有時空一致性是農業遙感應用的重要數據源。為解決目前農區遙感監測在特定時相高空間分辨率影像缺乏的問題, 本文利用ESTARFM高時空數據融合模型生成30 m分辨率的高時空影像, 在中國北方農業種植大省河北、黑龍江、新疆典型農區尺度上, 驗證ESTARFM模型在農業種植區的適用性及可行性。ESTARFM模型在中國北方的華北、東北、西北區域能夠得到缺失的高時空分辨率遙感影像, 影像地物輪廓清晰。對于河北、黑龍江和新疆的3個研究區域, 選取的基準影像日期較為相近, 未跨作物生長季節, 地物種類未過多發生劇烈變化, 各波段相關系數2均高于0.70, 相關程度較高。均方根誤差均低于0.12, 方差均低于0.02, 平均絕對偏差均小于0.09, 表明預測值與真實值偏差不大, 預測精度較高。在3個研究區域中基于生成的高時空分辨率數據提取NDVI值與真實影像生成NDVI值的對比驗證中, 決定系數2均在0.8以上。在用ESTARFM模型生成新疆阿克蘇地區4月至10月8 d時間間隔NDVI曲線應用中, 預測影像生成的NDVI曲線與MODIS影像生成的NDVI曲線變化趨勢一致, 說明ESTARFM模型能夠預測出NDVI值隨時間變化的情況。將預測后生成的影像進行長勢監測, 可以很好地表現出當地作物生長趨勢與實際生長狀況。ESTARFM模型模擬產生的影像與原始影像接近且時序NDVI能反映作物變化, 這是因為ESTARFM模型最大限度地利用影像之間的相關性并最小化系統產生的誤差, 從而提高了預測數據的準確性, 且對于異質景觀, 保留了其空間細節[25]。本研究從區域尺度和多時相角度驗證了ESTARFM時空數據融合模型可用于我國北方農業種植大區高時空影像的模擬生成, 該研究結果可為農業遙感監測提供可靠的數據支撐。

圖10 作物長勢監測和分級圖

A: 作物長勢監測圖; B: 棉花長勢分級圖; C: 水稻長勢分級圖。

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域影像探討ESTARFM模型生成各類模擬高時空分辨率影像[26-28], 或 是改進模型算法[29], Knauer等[6]開展的研究表明ESTARFM適合在非洲熱帶地區大區域尺度上生成時間序列, 本文則利用ESTARFM模型在我國北方農業種植區域尺度上進行預測及比較, 表明該模型在農業監測方面的可行性, 豐富了研究成果。本研究中植被預測結果較為穩定, 但建筑物、水體等易受紅波段和近紅外波段的影響, ESTARFM預測中出現異常值, 另外該方法對于變化情況較大且未記錄在基準影像的區域不能準確地預測, 在不同地區應結合實際地形特征、研究對象及當地作物生長情況應用。新疆阿克蘇研究區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, 在后續研究中將結合各研究區域中實際地貌對ESTARFM模型中各參數進行調整, 使之更好適用于各研究區域, 進一步提高各類作物光譜的預測精度, 其次也會對多季作物進行實驗, 以更好驗證ESTARFM模型的實用性。

4 結論

在我國北方種植大省河北、黑龍江、新疆典型農區, 利用高空間分辨率Landsat-8 OLI影像與高時間分辨率MODIS影像構建了30 m高時空分辨率影像數據集, 基于ESTARFM時空數據融合模型生成模擬影像, 并與真實Landsat影像對比, 表明該模型在農田區域尺度上有適用性。在新疆阿克蘇影像缺失區域生成8 d時間間隔的模擬影像, 通過提取反映田塊物候變化的年際NDVI曲線監測當地作物長勢, 表明該模型在農業遙感應用方面有可行性。

[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. 基于多源遙感數據的高時空地表溫度生成方法研究. 山東科技大學碩士學位論文, 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, 王紀華, 王錦地. 融合多源遙感數據生成高時空分辨率數據的方法對比. 紅外與毫米波學報, 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. 遙感輔助的農作物種植面積小域估計方法研究. 統計研究, 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. 基于多源多時相數據集的喀什市近70a城區空間擴展遙感研究. 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] 李國硯, 張仲元, 鄭艷芬, 劉曉玫. MODIS影像的大氣校正及在太湖藍藻監測中的應用. 湖泊科學, 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, 趙志強, 王繼燕. 基于AVHRR和TM的時間序列較高分辨率NDVI數據集重構方法. 遙感技術與應用, 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模型在西藏色林錯湖面積時空變化中的應用分析(1976–2014年). 地球信息科學學報, 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證. 農業工程學報, 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. 農作物長勢綜合遙感監測方法. 遙感學報, 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

本研究由國家自然科學基金項目(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