landsat图像预测.ppt

On the Blending of the Landsat and MODIS Surface Re?ectance: Predicting Daily Landsat Surface Re?ectance 通过landsat和modis地表反射率来预测高时间分辨率的landsat地表反射率 Feng Gao, Member, IEEE, Jeff Masek, Matt Schwaller, and Forrest Hall IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 44, NO. 8, AUGUST 2006 一种图像融合算法（starfm）的简单介绍 大纲 一、引言 二、方法 三、模拟数据检验 四、应用 五、结果与讨论 一、引言 landsat的数据在监测土地覆盖及其变化中起到重要作用，这一点已经被广泛证实，然而，由于地表物候变化周期很短，landsat卫星16天的重访周期大大限制了其在谷物生长监测、生态系统监测方面的 应用。 解决途径之一，是将landsat的高空间分辨率图像和一些具有低空间分辨率和高时间分辨率图像（如modis数据）融合起来。Terra陆地观测卫星和landsat卫星具有相似的过境时间，相似的波段设置，因此本文利用modis 500m分辨率的图像来融合landsat的etm+数据 以往的解决方案比如色彩变换、主成分分析和小波变换，但这些方法都会改变波段信息，不适于本文中要解决的问题，因此本文提出一种具有时空适应性的数据融合模型（STARFM模型）。 STARFM模型用一对或多对modis-landsat数据和预测日期的modis数据，来模拟出新的landsat数据。并在林地、耕地，以及复杂的混合区域进行验证，结果证明该算法能精确的预测这些区域的高空间分辨率图像。 大纲 一、引言 二、方法 三、模拟数据检验 四、应用 五、结果与讨论 二、方法 1.STARFM基础 1）预处理：几何校正、大气校正（6s）； 2）忽略地理位置和大气校正中的误差，t时间的低空间分辨率数据可以表示为： 该式表明必须有充分的信息来确定高空间分辨率图像的数值，不然不能计算出每个F的值。 两个误差项近似相等的情况下 加权结果 T1表示已知的图像对的时间 T0表示未知图像的时间 2.算法流程 1）权重的确定 已知时期的一对图像之间的差别 已知时期modis和预测日期modis的差别 移动窗口中的像素到中心像素的距离 绝对距离转化为相对距离 基本权重公式 指数权重式 归一化权重 2）筛选像素 Landsat图像和modis图像的光谱差别 不同modis图像之间的光谱差别 大纲 一、引言 二、方法 三、模拟数据检验 四、应用 五、结果与讨论 三、模拟数据检验 1.变化的反射率信息预测 模拟数据可以用于探索starfm算法的优 缺点。模拟区域如图所示，中心黑色 区域代表水体，反射率不变，为0.05， 周边区域为植被区，反射率从左到右分 别为0.1、0.2、0.4。Ad，be，cf分别代 表三个时间段的地表反射率变化情况。 H是没有加入临近像元信息，只用中心 像元预测得到的结果，还可以清晰的看 到低空间分辨率图像的边界。 2.变化形状的预测 和上图顺序相似，其中两种颜色代表两种不同地物，圆形区域半径分别为500m、1000m和2000m。用ac的高空间分辨率图像和def的低空间分辨率图像来预测b处的高空间分辨率图像。G为预测图像，h为g和b的差，从h可以看出，地物边界的亮度值最大，就是说预测结果在圆形区域边界地区误差是最大的。 3.线状物体预测 线状地物如公路、河流等在高分辨率图像中都能比较容易的分辨，但在低空间分辨率图像，特别是和北京差异较小的时候（如f），就很难分辨了。和前两个预测图像的规则相同，用高空间分辨率的ac图像和低空间分辨率的图像def来预测b图像，得到g，通过比较得知，g大致能体现b的线形地物特征，在圆形区域内部，预测结果很精确，但在圆形区域之外的预测值不很精确，可能原因是圆形区域之外的线形地图和背景地物的反差太小。 大纲 一、引言 二、方法 三、模拟数据检验 四、应用 五、结果与讨论 四、应用 用500m分辨率的modis影像和landsat-7的etm+影像来实验starfm算法。 1.林地季节变化 原始图像 预测图像 A是从传感器得到的图像，b是预测的图像，c是两者的差， A和c是7月11号和8月12号的红波段和近红外波段的散点图。 B和d是7月11号的