融合Sentinel-2和GF-6時序影像的工程動態監管

摘要：面對長江大保護相關工程項目在復雜環境下的高時效性和高分辨率監管需求，提出了一種多源遙感數據影像時空融合技術，旨在突破單一數據源在時效性和分辨率上的局限。基于FSDAF模型，對GF-6影像（2 m分辨率）與哨兵2號影像（15 m分辨率）進行時空融合，有效整合高空間分辨率與寬覆蓋、高頻次觀測優勢，構建了一套高時空分辨率的監測時序影像集。在長江大保護EPC項目典型工程——東山水質凈化廠建設應用中，該技術彌補了GF-6時間序列上的空白，實現了工程進展的月頻次動態跟蹤，顯著提升了施工過程的監管能力。研究成果不僅可為長江大保護EPC系列工程提供有力技術支持，也可為大范圍建設工程監管提供創新方法與實踐參考。

關 鍵 詞：工程監管；時空融合；FSDAF模型；Sentinel-2；GF-6；長江大保護

中圖法分類號：P23 文獻標志碼：ADOI：10.16232/j.cnki.1001-4179.2024.S2.053

0 引言

在新時代生態文明建設的背景下，長江大保護戰略已成為推動中國綠色發展、促進人與自然和諧共生的重要舉措。隨著長江大保護相關工程的深入實施，如何高效、精準地監測與評估大型工程的建設動態，成為亟待解決的關鍵問題。特別是在工程采購施工（EPC）模式下，高空間分辨率與高時間分辨率的遙感數據在工程監控過程中展現出無可比擬的重要性。受空間與時間分辨率限制^［1］，以及長江流域特殊的氣候條件影響，連續、高質量的遙感數據采集變得尤為困難。為了應對這一挑戰，學者們提出了遙感數據時空融合技術，即通過高空間分辨率影像與低空間分辨率影像結合，從而預測出某一時期的影像，該技術為基于現有離散光學影像重建連續高質量光學影像提供了可能。

近年來，國內外學者在遙感影像時空融合領域的研究取得了顯著進展。其中，Gao等提出的時空自適應反射率融合模型（spatial and temporal adaptive reflectance fusion model，STARFM）^［2］是最常用的融合算法之一，該方法在假設高分辨率和低分辨影像反射率變化一致的情況下效果較好。在此基礎上，出現了一些改進算法，如Zhu等提出增強型時空自適應反射率融合模型（enhanced spatial and temporal adaptive reflectance fusion model，ESTARFM）^［3-4］，解決了STARFM在處理異質性區域時的不準確性問題。Zhukov^［5］等最早于1999年提出多傳感器多分辨率技術，后來有了遙感數據時空融合方法（spatial temporal data fusion approach，STDFA）^［6-7］。同時，鄔明權等^［8］利用STDFA對南京市江寧區的NDVI數據進行了空間重構。這些時空融合算法已被廣泛應用于地表溫度監測、植被變化監測及農作物生長監測等領域，但在工程建設過程中的監測應用較少。主要原因在于大多數時空融合算法假設基準日期與預測日期之間的地物類型不變，這對于監測變化的地物并不完全適用。Zhu等^［4］提出的一種靈活時空融合方法（flexible spatiotemporal data fusion method，FSDAF）模型彌補了以上方法的不足，它能夠利用少量甚至一對基礎影像完成預測，不僅減少了模型對影像的需求，而且能捕捉土地覆蓋變化引起的反射率變化，較適用于異質地物。同時該模型還引入了薄板樣條插值（thin plate spline，TPS）算法^［9］，能夠將粗分辨率的影像縮小為精細分辨率影像，實現更好地分配殘差，從而能更準確地預測土地覆蓋類型發生突變的區域。目前國內針對遙感影像的數據融合大多基于MODIS、Landsat等大尺度遙感數據，而將國內GF系列衛星數據（如GF-6）與Sentinel系列衛星數據（Sentinel-2 A/B）相結合的實驗較少，如果將兩顆衛星的高分辨率影像結合起來，充分利用其重訪周期優勢互補，將大大提高工程遙感監測能力和國內衛星數據利用率^［10-11］。

本次研究以長江大保護EPC項目典型工程——東山水質凈化廠項目周邊區域作為研究區，旨在通過融合歐洲航天局（ESA）Sentinel-2衛星獲取的高時間分辨率影像與國產高分六號（GF-6）^［12］衛星提供的高空間分辨率影像，實現對長江大保護EPC項目系列工程的動態監管。針對項目及其周邊區域的復雜監測需求，通過FSDAF模型算法的應用與優化，生成具有高時空分辨率的遙感圖像產品，克服單一遙感數據在時間和空間分辨率上的局限性，進而為長江流域的生態保護和恢復提供更精準的支持。

1 研究區與數據

1.1 研究區介紹

東山水質凈化廠位于宜昌市西陵區，青島路以東，中南路以西，是三峽集團與宜昌市共建長江大保護典范城市的展示窗口之一，承擔著提升水質、防治水污染的重任。其設計污水處理能力達5萬m³/d，以公園式水廠為設計理念，地上建設為休閑公園，地下則負責污水的再生處理，致力于打造人與自然和諧共生的綠美樣板。該項目總占地面積8.32 hm²，規模宏大，施工環境復雜，場地地形起伏較大，基坑位于山坳中，周圍環境較為寬松，涉及多項生態修復與環境保護措施，對施工進度、質量和環境影響的監管提出了嚴格要求。項目于2023年5月開工，預計2025年4月完工，總工期24個月。

本次研究以東山水質凈化廠工程及其周邊影響區域為研究對象，具體范圍及位置信息如圖1所示。

1.2 數據及預處理

（1）Sentinel-2和GF-6數據。Sentinel-2是歐洲航天局研發的寬幅、高分辨率、多光譜成像對地觀測系統^［13］，該系統由Sentinel-2A和Sentinel-2B兩顆衛星組成，分別于2015年6月23日和2017年3月7日發射，二者結合可以實現5 d一次的對地觀測。兩顆衛星都搭載了多光譜成像儀（MSI），包括13個波段，涵蓋可見光、紅邊、近紅外和短波紅外光譜，其中藍、綠、紅和近紅外4個波段分辨率為10 m，其他波段分辨率分別為20 m和60 m。

高分六號（GF-6）是一顆低軌光學遙感衛星，于2018年6月2日發射。配置2 m全色/8 m多光譜高分辨率相機、16 m多光譜中分辨率寬幅相機，前者相機觀測幅寬90 km，后者相機觀測幅寬800 km，具體信息如表1所列。

（2）數據預處理。對研究區Sentinel-2數據和GF-6數據的預處理主要包括影像校正、大氣校正、輻射定標以及去云處理等步驟。Sentinel-2 Level-1C數據通過Sen2Cor軟件自動升級至Level-2A標準，提升了數據的質量和適用性；進一步采用QA60方法去除Sentinel-2數據的云霧干擾。對于GF-6數據，從中國資源衛星應用中心獲取了絕對輻射定標系數后進行輻射定標，并利用FLAASH模型進行大氣校正以及相應的幾何校正等。此外，對處理后的Sentinel-2數據和GF-6數據進行影像配準，使其空間相對位置保持相對一致，并根據項目研究區域進行了影像的裁剪處理，確保最終融合模型的數據準確性。

2 研究方法

2.1 技術路線

本次研究基于FSDAF模型，對GF-6影像重建完整時間序列數據。相較于其他時空融合模型，FSDAF模型對數據量要求更低，適用于缺失影像時序數據的研究區域^［14］，具體技術路線如圖2所示。

2.2 數據融合方法（FSDAF模型）

FSDAF模型可基于t₁時刻的基礎影像組（如一景GF-6高空間分辨率影像與一景Sentinel-2低空間分辨率影像），以及t₂時刻的一景Sentinel-2低空間分辨率影像，較清晰地捕獲土地覆蓋類型變化的區域^［15］，來準確融合出預測t₂時刻的高空間分辨率影像。

（1）FSDAF模型首先對t₁時刻的高分辨率影像（如GF-6影像）進行分類，計算得到每個低空間分辨率所包含的每個地物類別的比重F_c。

（2）利用Sentinel-2影像的反射率變化估算t₁～t₂時刻地物類型的時序變化ΔF_c。

（3）利用時序變化計算t₂時期高分辨率影像F^TP_t2和殘差R。

（4）為了進一步確保FSDAF模型的精確性，引入薄板樣條函數（TPS），使低空間分辨率影像通過殘差分配更精確地縮小到高空間分辨率，從而更精確地實現指定日期影像的預測。

（5）根據F^TP_t2與F^SP_t2值進行殘差分布計算，即FSDAF模型通過求得F^SP_t2，計算出權重函數CW（x_ij-y_ij）。將CW（x_ij-y_ij）歸一化得到W（x_ij-y_ij），通過計算得到殘差值r（x_ij-y_ij）和ΔF_c，解算出類別為c時t₂和t₁時刻高分辨率影像（GF-6）的變化值ΔF（x_ij-y_ij）。

（6）通過空間距離權重對所有相似像素的變化信息求和，獲得目標像素的總變化值，并將其與t₁時刻高空間分辨率影像的地表反射率值相加，得到t₂時刻的最終預測值F_t2（x_ij-y_ij）。

2.3 融合結果評價分析

為了驗證融合獲得的t₂時刻高時空分辨率Sentinel-2影像的精度，將已有的t₂時刻GF-6影像作為驗證數據，對二者在提取研究區域典型地物的精度差異上進行對比分析。根據解譯類別對應的實際類別情況，建立混淆矩陣，計算生產者精度和總體分類精度，對分類圖像進行精度評價，并進行統計顯著性檢驗。

3 結果與分析

3.1 融合結果分析

考慮到影像云霧、重返周期等多個因素的限制，獲取同一天的Sentinel-2影像和GF-6影像數據存在一定困難，因此模型建立的影像數據組時間控制在3 d之內。本次研究采用了2組時間一致的GF-6影像及Sentinel-2影像（GF-6影像時間為2023年10月24日和2024年5月16日；Sentinel-2影像時間為2023年10月24日和2024年5月14日）進行模型構建。經過多次調整^［16］，選擇搜索窗口為30像元×30像元，地物類別數目為6，相似像元搜索閾值為20，模型融合結果保持了GF-6影像的空間分辨率優勢，同時也充分利用了Sentinel-2衛星的高頻觀測特性。

通過對FSDAF模型融合出的影像進行分析，發現融合影像能夠優化圖像的質量和信息量，相對于Sentinel-2的原始影像，它可獲取更多的信息，具體如圖3所示。圖3（a）為2024年5月14日Sentinel-2影像，分辨率較低。圖3（b）是基于FSDAF模型對Sentinel-2影像進行融合后獲取的高分辨率的結果；圖3（c）為2024年5月16日的真實GF-6影像，此數據作為驗證影像對融合后的結果進行驗證分析。從圖3中還可以看出，由于Sentinel-2影像分辨率較低，導致部分區域無法進行工程建設情況的準確判讀提取，FSDAF模型預測的影像較好地保留了空間細節，具有較好的層次性，與圖3（c）中2024年5月16日的真實高分辨率數據有很高的相似度，表明FSDAF模型在提升影像分辨率的同時也保持了較高的準確性。

3.2 分類精度評價

基于融合2024年5月14日的Sentinel-2影像，得知研究區域典型地物分類中，總體分類精度達到了93.53%，Kappa系數達到了0.86，說明時空融合的結果對于該研究區域典型地物具有較高的識別精度。

3.3 工程建設變化分析

東山污水處理廠工程自2023年5月開工建設，為了監測建設進展，在2023年采用每兩個月一次的分析頻率來評估工程初期變化（其中6月未有合適影像，使用5月的代替）。隨著工程推進，2024年采用逐月分析的方式捕捉工程變化細節。然而，2024年的GF-6高分辨率衛星影像僅可獲取5～7月的數據。本次研究利用FSDAF模型將較低分辨率的Sentinel-2影像與GF-6影像進行了融合處理，有效填補了時間序列上的空白。圖4（a）～（d）為2023年兩月一次的GF-6影像，圖4（e）～（j）為2024年的逐月影像。其中，2024年2～4月的GF-6影像缺失，圖（e）、（f）、（g）分別為基于Sentinel-2低分辨率影像利用FSDAF模型融合得到的高分辨影像。

從圖4所示的時序衛星影像中可以看出，東山污水處理廠工程于2023年5月正式開始動工，圖4（a）顯示了工程初期的基礎開挖活動，施工區域開始進行已有建筑物的拆除和地基開挖。隨著工程的推進，到2023年10月施工區域逐漸擴大，圖4（c）中開挖基礎面結構初步顯現。進入2024年后，施工進度顯著加快，特別是在2～4月期間可以看到明顯的建設變化。至2024年5月，根據施工現場實際情況了解，東山水圖4 時序影像進度對比分析

質凈化廠及其配套的管網、泵站工程開始了首倉混凝土的澆筑，標志著工廠主體工程由基坑轉入主體結構施工階段，這一進度與影像監測情況相符。2024年6月，整個廠區的地上部分建筑物已經初具雛形，東山水質凈化廠生產區已完成30%的工程量。2024年7月，通過高分辨率衛星影像圖4（j）進一步確認，污水處理廠的地上結構混凝土澆筑正順利推進。

4 結語

本次研究結合Sentinel-2與GF-6衛星的時序影像數據，成功地利用FSDAF模型實現了對長江大保護EPC項目典型工程——東山水質凈化廠項目的有效動態監管。通過融合影像數據，不僅提高了空間分辨率，還增強了時間序列分析的能力，這對工程建設進程的長期持續監測尤為重要。研究結果表明，FSDAF模型在處理多源遙感數據方面具有顯著優勢，特別是在提高數據連續性以及增強對地表覆蓋變化敏感度方面表現突出。此外，該模型還能有效整合不同時間尺度下的觀測信息，有利于為決策者提供更為全面、及時且可靠的生態環境監測報告。

參考文獻：

［1］ 羅佳歡，嚴翼，肖飛，等.五種典型遙感時空信息融合算法在濕地區域植被指數重建中的適用性比較［J］.自然資源遙感，2024，36（2）：60-69.

［2］ GAO F，MASEK J，SCHWALLER M，et al.On the blending of the landsatand MODIS surface reflectance：predicting daily landsat surface reflectance［J］.IEEE Transactions on Geoscience and Remote Sensing，2006，44（8）：2207-2218.

［3］ ZHU XL，CHEN J，GAO F，et al.An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions［J］.Remote Sensing of Environment，2010，114（11）：2610-2623.

［4］ ZHU XL，HEKMER EH，GAO F.A flexible spatio temporal method for fusing satellite images with different resolutions［J］.Remote Sensing of Environment，2016，172：165-177.

［5］ ZHUKOV B，OERTEL D，LANZL F，et al.Unmixing-based multisensor multiresolution image fusion［J］.IEEE Transactions on Geoscienceand Remote Sensing，1999，37（3）：1212-1226.

［6］ WU MQ，NIU Z，WANG CY，et al.Use of MODIS and landsat timeseries data to generate high-resolution temporal synthetic Landsatdata using aspatial and temporal reflectance fusion model［J］.Journal of Applied Remote Sensing，2012，6（1）：063507.

［7］ HUANG B，SONG HH.Spatiotemporal reflectance fusion via sparserepresentation［J］.IEEE Transactions on Geoscience and Remote Sensing，2012，50（10）：3707-3716.

［8］ 鄔明權，王潔，牛錚，等.融合MODIS與Landsat數據生成高時間分辨率Landsat數據［J］.紅外與毫米波學報，2012，31（1）：80-84.

［9］ 易桂花，張廷斌，何奕萱，等.四種氣溫空間插值方法適用性分析［J］.成都理工大學學報（自然科學版），2020，47（1）：115-128.

［10］平博，孟云閃，蘇奮振.面向GF-1 WFV數據和MODIS數據的時空融合算法對比分析［J］.地球信息科學學報，2019，21（2）：157-167.

［11］羅琪，劉曉龍，史正濤，等.基于GF-1與Sentinel-2融合數據的地膜識別方法研究［J］.地理與地理信息科學，2021，37（1）：39-46.

［12］繆若梵，李孟倩，汪金花，等.GF-6與Sentinel-2A數據多層次優選的楊樹食葉蟲害信息提取研究［J］.云南大學學報（自然科學版），2024，46（3）：496-500.

［13］楊軍，王筱宇.GF-2和Sentinel-2全色多光譜影像融合方法比較研究［J］.測繪科學，2022（1）：47-51.

［14］鄧維熙，尤號田，雷鵬.基于FSDAF模型的紅樹林月尺度動態變化監測［J］.中南林業科技大學學報，2022，42（8）：13-16.

［15］王爽，王承武，張飛云.基于FSDAF模型的干旱區典型綠洲城市夏季地表熱島效應時空演變研究［J］.干旱區地理，2021（6）：19-24.

［16］王宏宇，王瑞華.時空融合模型研究義馬礦區植被動態演變［J］.測繪科學，2023，48（9）：180-190.

（編輯：胡旭東）