[发明专利]一种基于小波多尺度分解的植被指数时序数据重构方法

摘要

本发明涉及一种基于小波多尺度分解的植被指数时序数据重构方法，其特征在于该方法基于植被指数时序数据，利用小波变换，将植被指数与气候因子原始时序数据分别依次分解为对应半月、月、双月、季节、半年以及年际尺度上的时序数据，进一步依据每个尺度上的植被指数时序数据特征，选择对应尺度上的气候因子时序数据，选取合适的模型，进行不同尺度上的时序数据重建，最后综合所有尺度上的植被指数时序数据实现原始植被指数时序数据的重构。本发明具有精度高、适用范围广等特点。

主权项

一种基于小波多尺度分解的植被指数时序数据重构方法，其特征在于：该方法基于植被指数时序数据，利用小波变换，将植被指数与气候因子原始时序数据分别依次分解为对应半月、月、双月、季节、半年以及年际尺度上的时序数据，进一步依据每个尺度上的植被指数时序数据特征，选择对应尺度上的气候因子时序数据，选取合适的模型，进行不同尺度上的时序数据重建，最后综合所有尺度上的植被指数时序数据实现原始植被指数时序数据的重构；还包括将所述半月、月、双月、季节、半年以及年际尺度上的时序数据分别对应定义成D1、D2、D3、D4,、D5、A5；所述选取合适的模型包括：D1和D2采用自回归模型，D3和D5采用带控制量的自回归模型，D4采用线性回归模型，A5首先采用趋势面模型进行整体拟合，然后对残差部分采用差分移动自回归模型；所述D3和D5采用带控制量的自回归模型的实现方式是：首先采用赤池信息量准则(AkaikeInformation Criterion，简称AIC)法确定自回归阶数，然后建立时序数据y与自回归项及对应尺度上的温度T和降水R的时序数据的定量模型；模型形式为：y(t)＝a1·y(t‑1)+……+an·y(t‑n)+b·T+c·R+ε(t)其中，a1,a2……an,b,c为系数，y(t‑1),y(t‑2)……y(t‑n)分别为1,2……n阶自回归项，T为温度指标的D3或D5时序数据，R为降水指标的D3或D5时序数据，ε(t)为残差。