傅立叶谐波分析法等-遥感学报.docVIP

一种傅里叶谐波改进的植被指数图像时间序列滤波重建算法 张霞1，李儒2，岳跃民3，刘波1,刘海霞1 （1. 中国科学院遥感应用研究所 遥感科学国家重点实验室，北京 100101 2. 香港中文大学 太空与地球信息科学研究所， 香港 3. 中国科学院亚热带农业生态研究所，长沙 410125） 摘 要： 遥感植被指数时间序列图像，虽经最大值合成算法去噪，仍存在云等噪声影响，制约了其在作物种植面积提取、土地覆盖分类以及植被初级生产力计算等方面的应用。现有序列滤波方法很多，但容易引入新的人为主观误差，同时忽略序列本身异常值的存在造成滤波结果一定程度的不确定性。本文提出一种基于傅里叶谐波分析的改进算法，引入异常值检测算法，检测拟合过程中的异常值，增加数据拟合的真实性；迭代前动态估算出待处理序列点的峰值个数（即频数），解决整个区域预设单一频数的不合理性；引入拟合影响因子，自动控制迭代终止条件，避免传统方法中人为设置阈值导致的不确定性。利用2003年华北平原MODIS-EVI时间序列图像验证表明，较之HANTS算法，改进算法能够有效修正噪声污染像元值，修正后的EVI时序曲线更能反映地物内在的物候变化规律，并能够更好地保真原始曲线上的特征（点），如作物EVI最大、最小值出现的时间和大小关系。 关键词：植被指数图像时间序列，滤波，傅里叶谐波，异常值检测，拟合影响因子 引言 一般而言，植被指数只能表征植被绿度、光合作用强度，而不能直接表征土地覆盖类型，但是植被指数时间序列可以反映生物物候变化规律，因此植被指数时间序列分析使得研究区域乃至全球范围的物候现象（如返青，生长区间，生长衰退期）成为可能(Moody, 2001；张峰，2004)，并在改进土地覆盖分类效果（Bartalev, 2003；Loveland, 2000）、研究气候变化效应(Roerink, 2003)等方面发挥着重要作用。但植被指数图像时间序列仍受到云等噪声的影响，这在一定程度上制约了其应用的精度。 傅里叶谐波分析法是在植被指数时间序列去噪重建方面应用最广泛的算法，它将每个独立数据点的时间曲线表达为一系列正（余）弦波加性项的和，每一余弦波都由唯一振幅和相位确定，将这些连续的谐波项叠加起来就生成一条复杂而平滑的曲线。傅里叶谐波分析最为典型的是Sellers方法（Sellers, 1996）和HANTS方法(Huete, 2002；Immerzeel，2005)，其优势是借助谐波分析能够尽最大可能揭示植被指数曲线蕴含的物候规律。但傅里叶谐波分析方法也存在一些缺陷(李儒，2009)：1）最突出的就是关键参数（如有效值范围，频率个数、拟合容许误差和超定度等）需要人为凭经验和不断试验确定，没有明确的规则可循，因而易引入主观误差、导致对原始数据的干扰。2）整个测区使用同一个（组）参数值也多与实际不符，如华北平原存在多种土地覆盖类型，单季和双季作物的植被指数时间序列分别呈单峰和双峰态势，设定唯一的频数显然是不合理的。3）关于定权准则，Sellers采用的是按距离定权法，林忠辉等（2006）研究指出Sellers定权准则主要适用于热带阔叶林，而对短时间间隔合成的时间序列效果欠佳；HANTS软件的定权准则是集成在软件里面的，属于黑箱操作，无法根据现实条件及时调整，从而影响其具体应用效果。 本文在Sellers傅里叶谐波分析法基础上，从异常值检测方法、自动选频和拟合影响因子的自动迭代计算等方面进行改进，引入新的参量或策略，试图减少人为影响及其对原始数据的过度扰动，使算法运行结果更为客观，同时增强算法普适性。算法原理和实现 2.1 时间序列数据滤波重建原则 为使滤波算法在有效去噪同时，揭示植被指数时间曲线蕴涵的物候规律，滤波重建算法将遵循如下4条原则： （1）尽可能减少对数据过度扰动。滤波重建算法对原始数据扰动越大，其结果可信度越低，某些重要规律甚至会因此而被抹杀； （2）尽可能少地使用辅助数据。辅助数据的使用一方面为滤波重建提供了一定的指示，如MODIS云图像，但由于数据获取、生产等过程中的不确定性因素，使辅助数据本身就存在类型复杂的误差，它的使用一定程度上增加程序开销、可能引入新的误差； （3）尽可能多的考虑参量物理意义。植被指数时间序列的优势在于可以通过对其分析提取一定的季相物候等规律，因此滤波重建过程能考虑此问题将使数据处理更有意义，这也是傅里叶谐波分析系列算法的优势所在； （4）算法效率与效果的兼顾。引入拟合影响因子，控制拟合迭代的自动终止；提出使用粗拟合的方法，动态估计频数（NOF）。 2.2 改进算法具体实现 2.2.1 异常值（outlier）检测 由于残存误差的存在，真实值和异常值难以通过表象得以区分。传统方法通过设置阈值处理突变值（疑似异常值）虽然也有效，但难免出现“误杀