[发明专利]一种基于MODIS的叶绿素产品降尺度方法及装置

说明书

本发明基于MODIS的叶绿素产品降尺度方法包括：步骤a：获取MODIS遥感反射率数据、Landsat大气层顶反射率数据及相对应的MODIS海表叶绿素产品，将Landsat大气层顶反射率数据转换为遥感反射率数据；步骤b：利用U‑STFM模型预测与之对应的蓝色和绿色波段的高分辨率的Rrs数据；步骤c：利用回归模型，建立Rrs蓝色和绿色波段与MODIS叶绿素之间的关系；步骤d：利用回归模型得到的关系，将高分辨率的Rrs数据转换为叶绿素产品数据。本发明实施例的基于MODIS的叶绿素产品降尺度方法及装置突破了传统影像超分辨方法对于降尺度比率不能过大的缺点，适用于不同尺度遥感数据之间的转换。

技术领域

本发明涉及空间数据降尺度技术领域，特别涉及一种基于MODIS的叶绿素产品降尺度方法及装置。

背景技术

现有NASA提供的全球每天的MODIS叶绿素产品空间分辨率为1km，由于空间分辨率太粗，因此无法满足近海沿岸区域的水环境监测。而Landsat卫星提供的30m分辨率的数据，空间分辨率较高，但由于重访周期为16天一次，无法满足快速监测近海沿岸区域水环境的频率需要。

针对空间数据降尺度方法，国际上主要以两类方法为主，第一类方法是来源于计算机领域的影像超分辨技术；第二类是来自于影像融合技术。

对于影像超分辨技术而言，其核心的思想是低分辨率的影像中所缺失的细节信息，能够通过对高分辨率的影像的学习和重建过程中获得。在这些方法中，核心的技术点在于对影像点扩散函数(Point spread function，PSF)的建模。目前主流的建模方式有两种，一种是基于影像重构技术，该技术是通过对影像产生过程的物理机理进行建模，从而倒退重构影像原始应该具有的纹理特征。这类算法的典型代表有：1)迭代反投影法(iterativeback projection，IBP)和影像点扩散函数去卷积技术(PSF deconvolution)。另一方面，当有大量的影像训练样本的情况下，影像点扩散函数的建模可以通过大量影像学习的方式进行。其主要的技术有基于卷积神经网络(CNN)，稀疏表达(sparse coding)，贝叶斯神经网络(Bayesian networks)，基于核的有关方法(kernel-based methods)，基于支持向量机的有关方法(SVM based methods).

对于影像融合技术而言，其核心思想是通过将低空间分辨率数据与高空间分辨率数据进行融合从而得到影像的纹理信息，其技术本身并不预测纹理，而是将多源信息进行融合。当高空间分辨率数据不存在时，前后时间序列上的高空间分辨率数据可以进行补充。基于该思路，影像融合技术已经广泛的应用于遥感影像的农作物监测、植被指数NDVI时间序列分析、时间空间地表反射率数据、地表初级生产力、植被季节动态变化、森林干扰因子和季节性湿地监测等多个领域。

针对以上两种主流的空间降尺度方法，两类方法都具有局限性。

首先，影像超分辨方法应用于MODIS叶绿素产品中存在两个问题。第一，由于MODIS传感器摆扫成像的特点，整张影像的点扩散情况比较复杂，并不能单一的用一种点扩散函数对每个像素点的成像过程进行建模。第二个问题在于，在影像超分辨领域，常见的降尺度比率一般为2倍或4倍。但在MODIS叶绿素产品进行空间降尺度过程中，降尺度比率是1km/30m＝33.33。在这么大的降尺度比率情况下，现有的影像超分辨方法都不能使用，无法有效的恢复出MODIS像元中的纹理信息。