趙艷麗　李大成　賈琇明　崔鵬燕

(太原理工大學(xué)測(cè)繪科學(xué)與技術(shù)系　山西 太原 030024)

?

STARFM算法生成濕地類(lèi)型TM反射率數(shù)據(jù)的應(yīng)用評(píng)價(jià)

趙艷麗李大成賈琇明*崔鵬燕

(太原理工大學(xué)測(cè)繪科學(xué)與技術(shù)系山西 太原 030024)

當(dāng)前數(shù)據(jù)獲取條件下，很難直接獲得兼具高時(shí)間與高空間分辨率的多光譜遙感數(shù)據(jù),提出利用STARFM(SpatialandTemporalAdaptiveReflectionFusionModel)算法來(lái)合成高時(shí)間序列的高空間分辨率數(shù)據(jù)。該算法在我國(guó)地理區(qū)域的適用性與預(yù)測(cè)精度驗(yàn)證等工作尚未充分展開(kāi)。為此，以內(nèi)蒙古呼倫湖濕地自然保護(hù)區(qū)為研究樣區(qū)，并借助于Landsat-5TM(ThematicMapper)與高時(shí)序MODIS反射率產(chǎn)品，利用STARFM算法生成具有高時(shí)序特征的TM數(shù)據(jù)，進(jìn)而將其與真實(shí)TM數(shù)據(jù)進(jìn)行對(duì)比驗(yàn)證分析。結(jié)果表明：STARFM算法能夠在空間上保持一定預(yù)測(cè)精度的條件下，對(duì)濕地區(qū)域內(nèi)不同地物類(lèi)別隨時(shí)相的變化特征具有較好的預(yù)測(cè)能力，尤其適用于對(duì)反射特征隨時(shí)相變化較小的濕地區(qū)域進(jìn)行時(shí)空擬合或數(shù)據(jù)預(yù)測(cè)研究。

呼倫湖濕地STARFM高時(shí)空分辨率Landsat-5TM

0　引　言

在當(dāng)前遙感應(yīng)用條件下，獲取和利用高分辨率遙感數(shù)據(jù)具有重要的應(yīng)用和發(fā)展前景，例如碳循環(huán)研究、土地覆蓋和土地利用研究[1]，以及大區(qū)域制圖[2]等均需要幾十米級(jí)的地表覆蓋數(shù)據(jù)。美國(guó)陸地資源衛(wèi)星Landsat的TM/ETM+(EnhancedThematicMapperPlus)數(shù)據(jù)(30米)已廣泛應(yīng)用于土地覆蓋、土地覆蓋變化監(jiān)測(cè)[3]以及生態(tài)系統(tǒng)動(dòng)態(tài)變化監(jiān)測(cè)中[4]。但較長(zhǎng)的重訪周期(16天)以及大氣條件和云污染等因素的影響，嚴(yán)重制約了Landsat數(shù)據(jù)在快速地表變化監(jiān)測(cè)方面的應(yīng)用[5]。迄今，雖然很多具有高時(shí)間分辨率的遙感平臺(tái)也已投入運(yùn)行，但其在應(yīng)用上的不足之處是空間分辨率很低，如MODIS(Moderate-resolutionImagingSpectroradiometer)數(shù)據(jù)的空間分辨率最高為250米。所以，如何借助這類(lèi)數(shù)據(jù)在高時(shí)序特征上的優(yōu)勢(shì)來(lái)彌補(bǔ)LandsatTM/ETM+等中-高空間分辨率數(shù)據(jù)在捕捉時(shí)相特征能力上的不足就成為解決上述問(wèn)題的有力途徑。

時(shí)空融合的思想最早由Gao等在2006年提出，他們利用所發(fā)展的STARFM融合算法來(lái)生成高時(shí)間序列的地表反射率數(shù)據(jù)，并利用模擬數(shù)據(jù)與真實(shí)數(shù)據(jù)進(jìn)行了初步驗(yàn)證[5]。該算法在局部尺度下的預(yù)測(cè)精度高，并得到了廣泛的應(yīng)用推廣及驗(yàn)證[6-9]。例如，Schmidt等對(duì)利用STARFM算法生成長(zhǎng)期密集時(shí)間序列數(shù)據(jù)集進(jìn)行了分析，取得了很好的預(yù)測(cè)結(jié)果[10]；黃登成等則驗(yàn)證了STARFM算法在提高NPP估算精度中的應(yīng)用潛力[11]；Hilker等[12]在進(jìn)行深林干擾的制圖研究時(shí)，基于STARFM算法提出一種STAARCH(SpatialTemporalAdaptiveAlgorithmformappingReflectanceChange)時(shí)空融合算法，使用該算法可以獲取地表變化區(qū)域和發(fā)生變化的具體時(shí)相，通過(guò)選擇最佳時(shí)相的數(shù)據(jù)進(jìn)行融合來(lái)提高融合精度。但該方法在確定變化區(qū)域及其對(duì)應(yīng)時(shí)相時(shí)需要借助多時(shí)序的高空間分辨率數(shù)據(jù)以及相應(yīng)的低空間分辨率輔助數(shù)據(jù)，這極大限制了其應(yīng)用范圍。為提高STARFM算法對(duì)于地表反射率隨時(shí)相變化較大的地物(如植被等)的預(yù)測(cè)精度，ZHU等[13]在STARFM算法的基礎(chǔ)上提出了ESTARFM算法，當(dāng)研究區(qū)有兩幅以上清晰無(wú)云的高空間分辨率數(shù)據(jù)覆蓋時(shí)，它具有比STARFM算法更為精確的融合能力[14]。然而，因該算法在推導(dǎo)過(guò)程中假設(shè)高空間分辨率圖像內(nèi)某一地物類(lèi)別在兩個(gè)特定時(shí)刻的反射率變化量是一個(gè)只與時(shí)相差異有關(guān)的增量，所以該算法更適用于那些起始融合時(shí)相與預(yù)測(cè)時(shí)相均分布在一個(gè)季相特征呈單向、線性變化的時(shí)段內(nèi)的情形。

為明確處理二向性反射BRDF(Bidirectionalreflectancedistributionfunction)問(wèn)題，Roy等[15]在2008年提出了一種基于半物理模型的時(shí)空融合算法，該算法在區(qū)域尺度具備一定的應(yīng)用潛力；為解決該算法在計(jì)算復(fù)雜度、尺度差異等方面的限制，Li等[16]進(jìn)一步提出了一種擴(kuò)展的融合策略，該策略對(duì)處理大區(qū)域數(shù)據(jù)的時(shí)空融合問(wèn)題具有效率高且光譜連續(xù)等優(yōu)勢(shì)，并通過(guò)引入像元的鄰域光譜信息消除了斑塊效應(yīng)的影響[17]。但相比于STARFM算法，上述基于半物理模型的時(shí)空融合算法在預(yù)測(cè)精度以及模型的推廣上都有待進(jìn)一步的應(yīng)用驗(yàn)證。

本文即以內(nèi)蒙古呼倫湖濕地自然保護(hù)區(qū)為例，以Landsat-5TM與MODIS反射率數(shù)據(jù)為基礎(chǔ)研究數(shù)據(jù)，通過(guò)利用STARFM算法生成研究區(qū)高時(shí)序的TM反射率數(shù)據(jù)，并分別從空間與時(shí)間維度上分析STARFM算法的預(yù)測(cè)精度及其對(duì)于時(shí)相變化特征的捕捉能力。

1　研究區(qū)概況及數(shù)據(jù)預(yù)處理

1.1研究區(qū)概況

呼倫湖是我國(guó)第四大淡水湖，以其為核心的濕地自然保護(hù)區(qū)位于內(nèi)蒙古呼倫貝爾市轄區(qū)內(nèi)(圖1中虛線框)，地理位置為東經(jīng)116°50′10″～118°10′10″，北緯47°45′50″～49°20′20″，總面積達(dá)400 000公頃，平均海拔約545米。保護(hù)區(qū)內(nèi)以沙地、鹽堿地、湖泊、草地、濕地等分布為主，年平均降雨量約239毫米，主要集中于6至8月份。本文所選研究樣區(qū)處于呼倫湖東側(cè)的烏爾遜河上，其位置如圖1中黑色方框所示。

圖1　研究區(qū)地理位置

1.2數(shù)據(jù)預(yù)處理

本文所用實(shí)驗(yàn)數(shù)據(jù)為L(zhǎng)andsat-5TM影像(空間分辨率30米，回訪周期為16天)和MODIS每8天的500米地表反射率產(chǎn)品(MOD09A1)，并搜集了研究區(qū)夏季(5月至9月)的TM數(shù)據(jù)4幅和MODIS數(shù)據(jù)20幅 (如圖2所示，粗線表示起始融合時(shí)相下的Landsat-5TM)。其中，TM數(shù)據(jù)的軌道號(hào)為124/26(列/行)，過(guò)境日期分別為2009年的6月25日、7月27日、8月12日、9月29日；MODIS數(shù)據(jù)的軌道號(hào)為25/4(列/行)，起終日期為2009年的5月1日和9月30日。在進(jìn)行融合處理前，需對(duì)Landsat-5TM數(shù)據(jù)和MODIS反射率數(shù)據(jù)進(jìn)行相應(yīng)的數(shù)據(jù)預(yù)處理。

Landsat-5TM數(shù)據(jù)首先需進(jìn)行輻射校正，從而將DN值轉(zhuǎn)化為可用于大氣校正處理的輻射亮度值。本文利用ENVI的FLAASH大氣校正模塊對(duì)經(jīng)輻射校正處理后的TM數(shù)據(jù)進(jìn)行大氣校正，進(jìn)而將輻射亮度值轉(zhuǎn)換為地表反射率；為與TM數(shù)據(jù)保持一致，MODIS數(shù)據(jù)需利用相應(yīng)的重投影工具(MODISReprojectionTool，MRT)將反射率數(shù)據(jù)(MOD09A1)的投影類(lèi)型轉(zhuǎn)換為UTM-WGS84投影坐標(biāo)系，并采用最鄰近法重采樣到30米分辨率。經(jīng)上述處理后的TM數(shù)據(jù)和MODIS數(shù)據(jù)還需進(jìn)行精確的幾何配準(zhǔn)，從而使它們能夠在空間上精確匹配。

圖2　Landsat-5 TM和MODIS數(shù)據(jù)的獲取日期

2　方　法

2.1STARFM算法理論基礎(chǔ)

當(dāng)影像間配準(zhǔn)誤差和大氣校正誤差影響較小時(shí)，某同質(zhì)像元(xi,yj)在TM影像上t0時(shí)刻下的反射率L(xi,yj,t0)可以由其在MODIS影像上同時(shí)刻下的反射率M(xi,yj,t0)表示為[5]：

L(xi,yj,t0)=M(xi,yj,t0)+ε0

(1)

其中，εk為由傳感器系統(tǒng)誤差造成Landsat影像與MODIS影像的光譜差異值。

同理，該像元在時(shí)刻tk下的TM反射率數(shù)據(jù)與相應(yīng)時(shí)刻的MODIS反射率數(shù)據(jù)間存在以下關(guān)系：

L(xi,yj,tk)=M(xi,yj,tk)+εk

(2)

其中，L(xi,yj,tk)和M(xi,yj,tk)分別為(xi,yj)位置上Landsat和MODIS的反射率值。

若Landsat影像與MODIS影像反射率差值不隨時(shí)間發(fā)生變化，則有:

εk=ε0

(3)

因此，該像元在tk時(shí)刻下TM影像上的反射率值可表達(dá)為：

L(xi,yj,t0)=M(xi,yj,t0)+L(xi,yj,tk)-M(xi,yj,tk)

(4)

然而，由于實(shí)際中地表類(lèi)型的復(fù)雜性，它們通常不是同質(zhì)像元，因而無(wú)法滿足上述條件下的推導(dǎo)過(guò)程。為了解決這一問(wèn)題，STARFM算法通過(guò)借助目標(biāo)像元周?chē)泥徑裨墓庾V信息來(lái)構(gòu)建一個(gè)充分考慮了光譜、時(shí)間和空間等因素的權(quán)重函數(shù)Wijk來(lái)計(jì)算目標(biāo)像元的反射率值。此權(quán)重函數(shù)決定了周?chē)徑裨獙?duì)目標(biāo)(中心)像元光譜信息的貢獻(xiàn)大小，由光譜差異Sijk、時(shí)間差異Tijk以及空間差異Dijk三個(gè)因子組成：

(5)

(6)

(7)

其中：A是特定常數(shù)。上述三個(gè)參量的值越小，則該鄰近像元對(duì)中心像元的反射率貢獻(xiàn)越大，所被賦予的權(quán)重系數(shù)就越高。權(quán)重函數(shù)Wijk的計(jì)算公式為：

(8)

目標(biāo)像元的反射率值的最終計(jì)算公式如下：

(M(xi,yj,t0)+L(xi,yj,tk)-M(xi,yj,tk))

(9)

其中：W為局部移動(dòng)窗口的大小，(xw/2,yw/2)為移動(dòng)窗的中心像元位置，t0為預(yù)測(cè)時(shí)相，L(xw/2,yw/2,t0)為t0時(shí)刻中心像元的反射率值，為保證鄰近像元光譜信息的有效性，只有在移動(dòng)窗內(nèi)且與中心像元光譜相似的清晰像元才參與計(jì)算過(guò)程。

該融合模型在局部尺度下的預(yù)測(cè)精度高，本文主要分析和探討該模型在本研究區(qū)對(duì)不同隨著時(shí)相變化的地物特征的預(yù)測(cè)能力。

2.2時(shí)空融合策略與評(píng)價(jià)方法

本文選取2009年8月12日的Landsat-5TM數(shù)據(jù)作為STARFM算法在起始融合時(shí)相下的數(shù)據(jù)，并選取與該時(shí)相最為接近的2009年8月13日的MODIS數(shù)據(jù)為起始融合時(shí)相下的MODIS數(shù)據(jù)，然后將2009年5月1日至9月30日間其他時(shí)刻的MODIS數(shù)據(jù)依次作為預(yù)測(cè)時(shí)相下的MODIS融合數(shù)據(jù)來(lái)生成相應(yīng)時(shí)相下的TM反射率數(shù)據(jù)(共19幅)。

對(duì)于本實(shí)驗(yàn)所需生成的19個(gè)時(shí)相的預(yù)測(cè)結(jié)果中，6月26日、7月28日以及9月30日的TM反射率數(shù)據(jù)預(yù)測(cè)結(jié)果分別與6月25日、7月27日以及9月29日下真實(shí)的TM反射率數(shù)據(jù)進(jìn)行融合精度的對(duì)比分析，由于這兩組數(shù)據(jù)在時(shí)相上僅相差一天，因而可以認(rèn)為兩組數(shù)據(jù)間的反射率差異能夠反映出預(yù)測(cè)數(shù)據(jù)與真實(shí)數(shù)據(jù)的反射率差異。本文首先利用基于反射率的散點(diǎn)分布圖來(lái)分析上述兩組數(shù)據(jù)分別在三個(gè)時(shí)相下反射率數(shù)據(jù)的相關(guān)性，然后進(jìn)一步對(duì)兩組數(shù)據(jù)中不同地物類(lèi)別的反射率數(shù)據(jù)的相關(guān)性以及統(tǒng)計(jì)特征進(jìn)行對(duì)比分析；最后分析短時(shí)期內(nèi)(一個(gè)季相)不同地物類(lèi)別在所預(yù)測(cè)的多時(shí)序TM數(shù)據(jù)中的NDVI變化特征與MODIS中NDVI數(shù)據(jù)的一致程度，從而驗(yàn)證不同地物隨時(shí)相的變化特征。

考慮到研究區(qū)的分類(lèi)精度會(huì)直接影響到本文后續(xù)的實(shí)驗(yàn)分析及評(píng)價(jià)過(guò)程，因而需選取分類(lèi)精度高，并且處理性能穩(wěn)定的監(jiān)督分類(lèi)方法來(lái)進(jìn)行分類(lèi)處理。在充分了解研究區(qū)地物分布特征的基礎(chǔ)上，本文采用最大似然分類(lèi)方法來(lái)對(duì)研究區(qū)在起始融合時(shí)相(2009年8月12日)下的Landsat-5TM數(shù)據(jù)進(jìn)行分類(lèi)處理。這里將研究區(qū)域按照草地、濕地、鹽堿地、水體、沙地等共5種地物類(lèi)別進(jìn)行劃分，其中每種類(lèi)別至少選取10個(gè)以上的訓(xùn)練樣本作為分類(lèi)依據(jù)，樣本可分離度均大于1.9。將分類(lèi)結(jié)果中的小圖斑剔除后，用分類(lèi)結(jié)果疊加方法目視判斷分類(lèi)結(jié)果的準(zhǔn)確性，將部分不準(zhǔn)確的分類(lèi)結(jié)果合并到相應(yīng)類(lèi)中。

對(duì)于本文所搜集的4個(gè)時(shí)相的TM數(shù)據(jù)， 2009/07/27、2009/08/12以及2009/09/29三個(gè)時(shí)相下的影像上有水體的存在，而2009年6月25日的TM影像上卻不存在水體類(lèi)別。因此，雖然上述4幅TM數(shù)據(jù)基本分布于一個(gè)季相范圍內(nèi)，但相對(duì)于其他三個(gè)時(shí)相，研究區(qū)在6月25日下的地物反射特征存在顯著變化。

3　實(shí)驗(yàn)分析與討論

本文擬分別從空間預(yù)測(cè)精度和時(shí)序數(shù)據(jù)擬合程度上分析STARFM算法的預(yù)測(cè)精度及其對(duì)不同地物類(lèi)別隨時(shí)相變化特征的捕捉能力。評(píng)價(jià)參數(shù)采用相關(guān)系數(shù)r2來(lái)分析實(shí)驗(yàn)結(jié)果的預(yù)測(cè)一致性。相關(guān)系數(shù)([0,1])表征著預(yù)測(cè)結(jié)果與真實(shí)值的接近程度，其值越大，相關(guān)程度越高，數(shù)據(jù)間的一致性就越好。

圖3展示了三個(gè)預(yù)測(cè)時(shí)相下的融合結(jié)果與真實(shí)TM反射率數(shù)據(jù)在近紅、紅和綠三個(gè)波段上的散點(diǎn)分布圖。其中，橫坐標(biāo)為真實(shí)的TM反射率數(shù)據(jù)，縱坐標(biāo)為STARFM算法的預(yù)測(cè)結(jié)果；虛線為理想擬合線，實(shí)線為預(yù)測(cè)結(jié)果與真實(shí)數(shù)據(jù)的擬合線(其直線表達(dá)式已在圖中標(biāo)出)，預(yù)測(cè)結(jié)果與真實(shí)反射率數(shù)據(jù)間的相關(guān)系數(shù)r2標(biāo)于圖中左上方。由圖可知，三個(gè)時(shí)相在近紅外、紅、綠這三個(gè)波段的相關(guān)系數(shù)均在0.7以上(r2>0.73)，尤其是在紅波段和綠波段上的相關(guān)系數(shù)均在0.8以上，相關(guān)程度很高。若對(duì)比每個(gè)波段在不同時(shí)相下的相關(guān)性，可發(fā)現(xiàn)：9月30日、6月26日以及7月28日下的預(yù)測(cè)結(jié)果與相應(yīng)真實(shí)數(shù)據(jù)間的相關(guān)程度依次增高。同時(shí)，對(duì)于上述任一時(shí)相而言，紅波段和綠波段上的相關(guān)程度均比近紅外波段上的相關(guān)程度高。由于7月28日的預(yù)測(cè)結(jié)果在時(shí)相上與起始融合時(shí)相(8月12日)相差較小，地表覆蓋變化很小，因而其相關(guān)程度也較其他兩個(gè)時(shí)相高。此外，研究區(qū)域在6月和7月間正處于植被生長(zhǎng)旺盛期，而9月30日下的植被生長(zhǎng)則趨于衰落階段，因而6月26日的相關(guān)性較9月30日的相關(guān)性要好。

圖3　真實(shí)Landsat-5 TM影像與其預(yù)測(cè)結(jié)果的相關(guān)性

表1展示了不同地物類(lèi)別的真實(shí)反射率與其預(yù)測(cè)結(jié)果間的相關(guān)性統(tǒng)計(jì)信息。可以發(fā)現(xiàn)，在研究區(qū)的不同地物類(lèi)別中，鹽堿地、濕地以及沙地的真實(shí)反射率與其預(yù)測(cè)結(jié)果的相關(guān)程度較高，而每一種地類(lèi)在三個(gè)目標(biāo)時(shí)相(9月30日、6月26日以及7月28日)下的相關(guān)程度依次增高，且在紅波段和綠波段上的相關(guān)系數(shù)整體上要高于近紅外波段。

表1　濕地區(qū)域不同地物類(lèi)別預(yù)測(cè)結(jié)果的相關(guān)性統(tǒng)計(jì)

此外，在2009年6月26日的預(yù)測(cè)結(jié)果中，水體的預(yù)測(cè)精度最差(相關(guān)性最低)。參照6月25日的TM真實(shí)數(shù)據(jù)可知，該時(shí)相下研究區(qū)內(nèi)的水體已接近干涸，地物類(lèi)別發(fā)生了明顯轉(zhuǎn)變，而其它兩個(gè)時(shí)相(9月30日和7月28日)下的水體分布特征則與起始融合時(shí)相一致。不同地物類(lèi)別在不同預(yù)測(cè)時(shí)相下的融合結(jié)果與相應(yīng)的TM真實(shí)圖像的差異數(shù)據(jù)的統(tǒng)計(jì)信息(均值與標(biāo)準(zhǔn)差)如圖4所示。橫坐標(biāo)表示不同地物類(lèi)別，縱坐標(biāo)為預(yù)測(cè)結(jié)果影像與真實(shí)反射率數(shù)據(jù)的差異大小。十字符、米字符、三角符分別代表近紅外、紅、綠三個(gè)波段，實(shí)線和虛線分別表示均值和標(biāo)準(zhǔn)差的大小。可見(jiàn)，每種地物類(lèi)別在所有時(shí)相和波段上的差異大小均在零值附近波動(dòng)，其中沙地的統(tǒng)計(jì)特征最接近零值，而水體的擬合結(jié)果最差?？傮w上看，所有類(lèi)別的差異程度從9月30日、6月26日至7月28日基本上依次降低，即融合精度依次增大，即與圖5的結(jié)論一致。

圖5為不同地物類(lèi)別(鹽堿地-saline，濕地-wetland，沙地-sandyland，草地-grass，水體-water)在預(yù)測(cè)的時(shí)序數(shù)據(jù)上及其在真實(shí)MODIS數(shù)據(jù)上的NDVI曲線。易發(fā)現(xiàn)，所預(yù)測(cè)的研究區(qū)各地類(lèi)的NDVI變化曲線與MODIS數(shù)據(jù)的NDVI參考曲線基本一致。具體而言，5月到6月間，植被生長(zhǎng)相對(duì)緩慢，兩者的NDVI曲線較為接近；7月至8月間，植被處于快速生長(zhǎng)時(shí)期，因而兩者的NDVI數(shù)據(jù)的差異逐漸增大，且對(duì)于草地的而言，這種差異最為突出；而在九月底時(shí)，植被生長(zhǎng)季結(jié)束，兩者在NDVI數(shù)據(jù)上的差異程度也相應(yīng)降低。

總體而言，STARFM算法能夠在保持空間預(yù)測(cè)精度的基礎(chǔ)上，對(duì)不同地物類(lèi)別隨時(shí)相的變化特征有較好的擬合能力；但對(duì)于那些反射特征隨時(shí)相變化較大的地物，其預(yù)測(cè)精度稍差。

圖4　STARFM對(duì)濕地區(qū)域不同地物在不同時(shí)相下的反射率預(yù)測(cè)精度

圖5　STARFM對(duì)濕地區(qū)域不同地物在一個(gè)季相下的NDVI預(yù)測(cè)曲線

4　結(jié)　語(yǔ)

本文采用STARFM算法來(lái)預(yù)測(cè)濕地研究區(qū)下多時(shí)序的TM反射率數(shù)據(jù)，并從單時(shí)相數(shù)據(jù)的空間預(yù)測(cè)精度與多時(shí)相數(shù)據(jù)的時(shí)序變化特征上對(duì)預(yù)測(cè)結(jié)果進(jìn)行充分的應(yīng)用分析與評(píng)價(jià)。依據(jù)本文的實(shí)驗(yàn)及分析結(jié)果，可初步得到以下結(jié)論：

(1) 在一個(gè)季相分布內(nèi)，起始融合時(shí)相與預(yù)測(cè)時(shí)相的差異越小，STARFM算法對(duì)于TM反射率數(shù)據(jù)的預(yù)測(cè)精度就越高(如實(shí)驗(yàn)中2009年7月28日的預(yù)測(cè)結(jié)果)。而研究區(qū)在兩個(gè)時(shí)相間的地物類(lèi)別發(fā)生改變會(huì)顯著影響該算法的融合效果，如本實(shí)驗(yàn)中因季相特征變化引起的部分湖泊干涸等。

(2)STARFM算法對(duì)于濕地區(qū)域不同地物類(lèi)別的預(yù)測(cè)精度也不相同，對(duì)于反射特征隨時(shí)相變化較小的地物，其預(yù)測(cè)精度較高；反之，其預(yù)測(cè)效果稍差。因此，該算法適用于地物反射特征隨時(shí)相變化較小的地理區(qū)域進(jìn)行時(shí)空融合研究。

(3)STARFM算法對(duì)一個(gè)季相條件下濕地區(qū)域不同地物類(lèi)別隨時(shí)相的變化或分布特征具有很好的擬合能力，其本質(zhì)上是能夠很好地保持融合前后各波段反射率數(shù)據(jù)間的相對(duì)關(guān)系，因而該算法在模擬或預(yù)測(cè)地物反射的變化特征或規(guī)律上具有一定的應(yīng)用潛力。

[1]IGBP,HDP.Land-useandland-coverchange：science/researchplan[R].IGBPReportNo.35andHDPReportNo.7.Stockholm, 1995.

[2]CihlarJ.Landcovermappingoflargeareasfromsatellites:statusandresearchpriorities[J].InternationalJournalofRemoteSensing, 2000,21(6-7):1093-1114.

[3]WulderMA,WhiteJC,GowardSN,etal.Landsatcontinuity:Issuesandopportunitiesforlandcovermonitoring[J].RemoteSensingofEnvironment, 2008,112(3):955-969.

[4]HealeySP,CohenWB,YangZQ,etal.ComparisonofTasseledCap-basedLandsatdatastructuresforuseinforestdisturbancedetection[J].RemoteSensingofEnvironment, 2005,97(3):301-310.

[5]GaoF,MasekJ,SchwallerM,etal.OntheblendingoftheLandsatandMODISsurfacereflectance:PredictingdailyLandsatsurfacereflectance[J].GeoscienceandRemoteSensing,IEEETransactionson, 2006,44(8):2207-2218.

[6]HilkerT,WulderMA,CoopsNC,etal.GenerationofdensetimeseriessyntheticLandsatdatathroughdatablendingwithMODISusingaspatialandtemporaladaptivereflectancefusionmodel[J].RemoteSensingofEnvironment, 2009,113(9):1988-1999.

[7]LiuF,WangZ.SyntheticLandsatdatathroughdataassimilationforwinterwheatyieldestimation[C]//Geoinformatics, 2010 18thInternationalConferenceon.IEEE, 2010:1-6.

[8]WattsJD,PowellSL,LawrenceRL,etal.Improvedclassificationofconservationtillageadoptionusinghightemporalandsyntheticsatelliteimagery[J].RemoteSensingofEnvironment,2011,115(1):66-75.

[9]SinghD.Evaluationoflong-termNDVItimeseriesderivedfromLandsatdatathroughblendingwithMODISdata[J].Atmósfera,2012,25(1):43-63.

[10]SchmidtM,UdelhovenT,GillT,etal.LongtermdatafusionforadensetimeseriesanalysiswithMODISandLandsatimageryinanAustralianSavanna[J].JournalofAppliedRemoteSensing,2012,6(1):063512-1-063512-18.

[11] 黃登成,張麗,尹曉利,等.數(shù)據(jù)融合技術(shù)在提高NPP估算精度中的應(yīng)用[J/OL].計(jì)算機(jī)工程與應(yīng)用,2013.http://www.cnki.net/kcms/detail/11.2127.TP.20130418.1618.016.html.

[12]HilkerT,WulderMA,CoopsNC,etal.Anewdatafusionmodelforhighspatial-andtemporal-resolutionmappingofforestdisturbancebasedonLandsatandMODIS[J].RemoteSensingofEnvironment, 2009,113(8):1613-1627.

[13]ZhuX,ChenJ,GaoF,etal.Anenhancedspatialandtemporaladaptivereflectancefusionmodelforcomplexheterogeneousregions[J].RemoteSensingofEnvironment, 2010,114(11):2610-2623.

[14] 朱孝林.高時(shí)空分辨率遙感數(shù)據(jù)生成技術(shù)研究[D].北京師范大學(xué)，2010.

[15]RoyDP,JuJ,LewisP,etal.Multi-temporalMODIS-Landsatdatafusionforrelativeradiometricnormalization,gapfilling,andpredictionofLandsatdata[J].RemoteSensingofEnvironment, 2008,112(6):3112-3130.

[16]LiDC,TangP,HuCM,etal.Spatialtemporalfusionalgorithmbasedonanextendedsemi-physicalmodelanditspreliminaryapplication[J].JournalofRemoteSensing, 2014,18(2):307-319.

[17] 李大成.時(shí)空融合方法生成高時(shí)空分辨率區(qū)域地表反射率數(shù)據(jù)集的技術(shù)研究[D].中國(guó)科學(xué)院大學(xué)，2013.

APPLICATIONEVALUATIONOFSTARFMALGORITHMINGENERATINGWETLAND-TYPETMREFLECTANCEDATA

ZhaoYanliLiDachengJiaXiuming*CuiPengyan

(Department of Mapping Science and Technology, Taiyuan University of Technology, Taiyuan 030024, Shanxi, China)

Multispectralremotesensingdatawithbothhightemporalandhighspatialresolutionscanhardlybeobtaineddirectlyundercurrentdataacquisitionconditions.WeproposedtousSTARFM(spatialandtemporaladaptivereflectancefusionmodel)tosynthesisethehightimeseriesdatawithhighspatialresolution.Nevertheless,theapplicabilityofthismodelforthegeographicareasinChinaanditspredictionprecisionvalidationhavenotyetbeensubstantiallydone.Accordingly,theHulunWetlandNatureReserveinInnerMongoliaisselectedasthestudyarea,andwiththehelpofLandsat-5TMdataandhightimeseriesMODISreflectanceproducts,weusedSTARFMalgorithmtogeneratetheTMdatawithhightimeseriesfeature,andthenmadethecomparativevalidationanalysisonitwiththeactualTMreflectancedata.ResultshowedthattheSTARFMalgorithmhasahigherpredictioncapabilityonthephasefeaturesofdifferentterraincategoriesinwetlandareavaryingalongwithtimephasesundertheconditionofpreservingcertainpredictionaccuracyinspace,itisparticularlysuitableforthespatiotemporalfittingordatapredictionresearchinthosewetlandareaswherethereflectioncharacteristicschangelittlealongwiththetimephases.

HulunwetlandSTARFMHighspatiotemporalresolutionLandsat-5TM

2014-07-24。國(guó)家高技術(shù)研究發(fā)展計(jì)劃項(xiàng)目(2009AA122002)。趙艷麗，碩士，主研領(lǐng)域：遙感信息處理以及遙感與地理信息系統(tǒng)的一體化集成。李大成，講師。賈琇明，教授。崔鵬燕，碩士。

TP751

ADOI:10.3969/j.issn.1000-386x.2016.03.063