遥感时间序列数据建模与应用综述-田力.doc

遥感时间序列数据建模与应用综述 摘 要：遥感发展到今天积累了大量的时间序列数据，如何对长时间序列数据建模、从中提取有用的信息的问题已经成为研究的热点。本文对目前常见的遥感时间序列数据建模方法及相关应用进行分析和归纳，介绍了不同建模方法的建模思路和模型特点。对当前遥感时间序列数据建模与应用的情况进行了总结和展望。 关键词：遥感、时间序列建模 引言 遥感数据凭借其在空间上可以实现大面积同步观测，在时间上可以提供连续动态数据的特点被广泛应用于多种研究领域。然而由于大气条件、观测角度等不确定因素的影响，虽然遥感影像数据在使用之前会进行预处理，但是其部分数据的质量仍难以保证。 近年来随着遥感技术的发展，已经积累了大量的遥感时间序列数据。从长时间序列的遥感数据中提取变化规律，纠正数据偏差，抑制噪声对数据质量的影响，是遥感研究方向新的研究热点。 遥感时间序列数据建模方法及应用归纳 目前国内外学者已经将很多时间序列模型用于遥感数据建模，其中滤波模型是一类应用比较广泛的模型，主要用于平滑时间序列数据、减少噪声的干扰；另外一类常见的模型通过分解时间序列，抽取季节、趋势等不同成分达到提取时间序列各组分变化规律的目的；此外，基于数学模型的季节性自回归滑动平均（SARIMA）模型主要用于提取长时间序列的变化规律，基于稀疏表示和稀疏编码的时空反射率融合模型（SPSTFM）主要用于反射率重建。 时间序列滤波模型 由于遥感数据往往受到噪声的影响，在遥感数据产品在应用于研究时通常需要先进行滤波，所以时间序列滤波模型发展十分迅速。本文就一些常用的滤波模型在NDVI时间序列方面的应用进行归纳。 非对称高斯函数拟合 非对称高斯函数拟合法是由J?nsson Eklundh（2002）提出，主要用于提取时间序列季节性信息的一种方法。该方法首先对局部最大最小值区间进行非线性函数拟合，然后将局部函数融合成全局函数，从而描述完整的时间序列特征。这种方法使得模型拟合函数可以表达时间序列复杂的变化特征，具有很强的灵活性。 局部模型函数表示为： 其中 是高斯函数；c1，c2决定函数的基准和振幅；高斯函数中a1决定最大或最小值的位置，a2和a3决定右边函数的宽度和平坦度，a4和a5决定左边函数的宽度和平坦度。 用fL(t)、fC(t)、fR(t)分别代表左边极小值、中间极大值、右边极小值的局部函数，[tL,tR]是完整的区间，则全局模型函数表示为： Double logistic拟合 Double logistic拟合方法（Beck et al., 2006）为描述NDVI年时间序列的特征定义了6个参数：冬季NDVI（wNDVI），生长年份NDVI最大值（mNDVI），上升拐点（S），下降拐点（A），以及在拐点处上升和下降的速率（mS，mA）。t时刻的NDVI值由下式表示： 曲线的拟合主要分两步进行：首先对于每个NDVI年时间序列，冬季NDVI由之前的结果导出，剩下的5个参数通过迭代非线性最小二乘法估计得到，就可以得到一条NDVI时间序列拟合的double logistic曲线；然后基于拟合的残差调整生长期（由两个拐点的位置定义）观测值的权重，重新迭代估算除冬季NDVI之外的所有参数，得到最终的拟合结果。 Savitzky–Golay滤波 Savitzky–Golay滤波由Savitzky – Golay（1964）提出，又称SG滤波，其在NDVI时间序列平滑方面的应用基于两个假设：一是NDVI数据主要与植被变化相关，即NDVI时间序列遵循年周期的上升和衰退；二是云和大气条件通常会使NDVI偏低，在NDVI时间序列中不符合植被生长渐进性的跳变点通常作为噪声移除。这种方法的特点是可以反映时间序列的长期变化趋势和局部突变信息，且不受数据时间、空间尺度和传感器的限制，但是滤波参数的选择对结果影响较大。 SG滤波公式表示为： 其中Y是遥感数据原始值，Y*是滤波结果，Ci是第i个数据滤波时的系数，N等于滑动窗口中的数据个数（2m+1）。 滤波过程中有两个参数需要根据NDVI观测值确定。首先是平滑窗口的半宽值m，m值越大滤波结果就越平滑，但是可能损失细节信息。第二个参数是平滑多项式的阶数d，通常设定在2到4之间；较小的d值会得到更平滑的结果，但是可能导致偏差，较大的d值可以减小滤波偏差，但是可能会导致过拟合的现象。 时间序列分解模型 时间序列分解模型通常认为遥感时间序列数据由季节、趋势、残差三个部分组成。根据不同的应用需求，有些模型只关注其中某一个或两个组成部分，有些模型综合考虑全部信息。目前这一种类的模型常用于物候、趋势、实时扰动监测等研究领域。 季节-趋势模型 Verbesselt（2012）提出季节趋势模型（Season trend model），用于稳定时间序列数据（具有线性趋势项和