NDVI时序数据去云的方法的研究.docVIP

NDVI时序数据去云的方法的研究 　　【摘 要】热带季风气候夏季降水丰沛，雨季的MODIS09A1数据产品由于受到云覆盖噪声影响严重而不能被较好的利用，植被指数时序数据中无效象元的最大间隙长度过高导致植被指数失真。本文利用多光谱综合法对雨季影像进行云检测的基础上使用替换法去云，再将重构数据形成的NDVI值并进行时序滤波。经过定性与定量验证，表明此方法重构的植被指数能够有效的重构受连续云污染的NDVI时序象元。 　　【关键词】MODIS09A1；NDVI；替换法；时序滤波；泰国 　　1.引言 　　常用的植被指数时间序列影像由于受到大气条件如云和大气气溶胶、传感器本身性能等影响，NDVI值出现突降，锯齿等失真现象[1-3]。对于影像去云方法分为薄云与厚云两种情况处理，对于薄云的去除方法主要有同态滤波法等，而对于厚云的处理一般使用替换法或融合法[4-5]。 　　单纯利用时序滤波方法如Savitzky-Golay、非对称高斯函数拟合法等针对无效间隙大于5的像元时序，无法正确差值。 　　本研究针对云覆盖度较大的热带季风区雨季影像云覆盖成大片、时相上连续的特点重构NDVI值，对基于MODIS09A1数据采用先对影像去云，再对NDVI时序进行滤波的方法重构NDVI时序，经过验证，结果表明此方法能够有效地重构NDVI时序数据。 　　2.研究区概况 　　本文以泰国猜也贲府为研究区，猜也贲府属于泰国东北部，地理位置101°19′5″～102°27′40″E，15°18′50″～16°43′48″N。猜也贲府位于泰国东北部与中部交界处，泰国中部的湄南河流域地势平坦、土壤肥沃、灌溉设施齐全，是泰国最重要的农业生产基地。 　　3.研究数据 　　3.1MODIS 数据 　　本文数据源为MODIS Terra/Aqua 表面反射率8天合成L3级全球产品V005，数据可由Distributed Active Center下载（http：///index.html）。 　　3.2验证数据 　　本文将重构NDVI后的植被时序曲线分别使用单幅NDVI影像标准差、NDVI均值时序、NDVI时序标准差、回归估计标准差（RMES）四个指标判定NDVI时序重构结果。 　　4.研究方法 　　首先应用多光谱综合法进行云检测，再将有云区使用过去五年的相同时间影像为参照影像进行替换，然后对合成的NDVI指数使用Savizky-Golay算法滤波。 　　4.1替换法去云 　　为对2012年植被指数进行重构。使用2008-2011年对应时相对2012年雨季影像的NDVI值进行替换。 　　因此，使用临近年份对应时相像元对雨季影像时间序列进行替换，原则是尽可能使用最近的年份，这样地物类型及作物种植制度的改变都较小。据Patrick Leinenkugel等人的研究， MODIS09A1中QA 的状态描述层中的内部云掩膜数据能够正确反映云覆盖情况。本文先对2012年影像使用内部云掩膜数据进行云检测，对有云的像元点使用2011年对应时相影像进行像元替换，再利用内部云掩膜数据与2012年云掩膜数据相交进行云检测，同理使用上一年的替换。此方法就保证了尽可能多的使用临近年份对应时相无云覆盖像元的替换。 　　4.2S-G滤波 　　4.2.1算法介绍 　　S-G滤波是首先对一组数据进行卷积处理，对这组数据做给定多项式次数的多项式拟合，这样便得到了原曲线的总趋势线Ytrend。拟合后的曲线与原曲线之间有一定的距离，这个距离作为权重Wi。参与下一次拟合，最后选取拟合指数最小时的迭代结果作为结果。公式（1）为S-G滤波基本公式： 　　公式（1） 　　本文S-G滤波使用IDL编程实现。 　　4.2.2VI时序序列比较 　　图1为某下垫面为林地的经过处理及滤波结果，图1（a）为经过替换并滤波的结果，图1（b）为对应象元点未经替换处理结果。 　　从林地为下垫面的替换结果来看，由于泰国地区林地常年生长旺盛，NDVI真实值应该呈现全年增减幅度较小的态势替换后的NDVI波动幅度为0.50-0.78，未经过替换的象元波动幅度为0.25-0.78，可以看出，经过替换后的NDVI时序数据减弱了云的影响。 　　5.结果与分析 　　5.1视觉验证 　　图2为雨季影像经象元替换影像滤波前后NDVI影像及假彩色影像这幅影像是此区域2012年云覆盖量面积最大影像，从重构的数据来看，直接进行滤波的影像西北部林地相较替换后再进行滤波的影像值偏低。而对东南部水稻类NDVI，经过替换法的NDVI像元值被有效地抑制了。 　　5.2定量化重构效果验证 　　在NDVI时序重构效果验证前，我们首先利用HJ1卫星进行土地分类，大致分为林地、耕地、其他三个类别。 　　5.2.1单幅影像ND